Noticias

Jan 31, 2024

Cómo combinar tecnologías de sensores con el método de extracción adecuado

Recientemente, la inteligencia artificial (IA) y la robótica han recibido mucha atención. Para algunas personas, robótica e IA son sinónimos. Sin embargo, la robótica no es IA y la IA no es robótica. La IA busca

Recientemente, la inteligencia artificial (IA) y la robótica han recibido mucha atención. Para algunas personas, robótica e IA son sinónimos. Sin embargo, la robótica no es IA y la IA no es robótica. La IA busca soluciones a problemas difíciles relacionados con las capacidades humanas, mientras que la robótica pretende automatizar tareas físicas y repetitivas. Además, los robots no son la única tecnología mecánica con la que se puede combinar la IA. En algunos casos, la aplicación dicta la necesidad de una extracción más robusta, como los chorros de aire comúnmente utilizados con los clasificadores ópticos, que han demostrado su valor en MRF durante décadas.

En MSS creemos firmemente que la tecnología de detección debe estar completamente desacoplada de la tecnología de extracción. Realmente uno no tiene nada que ver con el otro. Un operador de MRF debe considerar la mejor tecnología de sensores para identificar los elementos objetivo en un flujo de material mixto y luego combinarla con el método de extracción más adecuado necesario para eliminar físicamente los elementos objetivo.

Los sensores utilizados más comúnmente en aplicaciones MRF de clasificación masiva son el infrarrojo cercano (NIR), el color y el metal. Dependiendo de la aplicación, podría ser necesario solo uno o posiblemente una combinación de estas tecnologías de sensores individuales para lograr el objetivo de clasificación. El rendimiento de estos sensores se puede mejorar añadiendo otras tecnologías de sensores, como la IA.

Los sensores NIR e IA pueden proporcionar grandes cantidades de datos y estadísticas a los operadores de MRF con fines de seguimiento y mejora operativa. La capacidad de aprendizaje profundo de la IA es complementaria a la NIR, y sus niveles más profundos de granularidad disponible proporcionan clasificaciones más precisas de categorías de productos y materiales individuales.

Además, los sensores de IA se basan en capacidades de identificación que NIR no tiene, sobre todo clasificando artículos como latas de comida para gatos y papel de cocina de latas de bebidas usadas (UBC) y botellas de tereftalato de polietileno (PET) de termoformados de PET. Los sensores NIR realmente pueden identificar materiales mediante química, mientras que los sensores de IA no pueden.

Los sensores de IA funcionan como el ojo humano, deduciendo qué podría ser un elemento en función de su apariencia; no puede determinar si una botella está hecha de PET o de polietileno de alta densidad (HDPE), sólo lo hace indirectamente. Los sensores de IA tampoco pueden distinguir entre algunos contenedores termoformados de PET y PP o UBC que tienen fundas retráctiles de PET y aquellos con gráficos impresos directamente. Estas son tareas para las que son adecuados los sensores NIR convencionales, en combinación con detectores de metales.

Las velocidades del transportador y de decisión son consideraciones adicionales. Los sensores NIR pueden alcanzar hasta 1000 pies por minuto, mientras que la IA comienza a experimentar problemas cuando la correa se mueve a más de 300 pies por minuto. Además, la velocidad de decisión, o el tiempo entre la detección y la extracción de un elemento, es aproximadamente 10 veces más rápida para los sensores NIR que para los sensores de IA. En lo que respecta al ancho de trabajo, los sensores AI generalmente se usan en correas de hasta 60 pulgadas de ancho. Por lo tanto, si desea ampliar el alcance, deberá duplicar la cantidad de sensores de IA. Por otro lado, los sensores NIR en clasificadores ópticos se pueden utilizar en cintas transportadoras de hasta 112 pulgadas de ancho.

Las ventosas que se utilizan habitualmente en los robots son una forma de tecnología de extracción. Los chorros de aire utilizados con los clasificadores ópticos son otra forma. Pero las opciones no terminan ahí; Las tecnologías de extracción también pueden incluir abrazaderas o desviadores, por ejemplo.

Al determinar la mejor tecnología de extracción para una aplicación particular, considere las selecciones efectivas por minuto. Definimos selecciones efectivas como aquellas en las que el efector coloca con éxito el elemento objetivo correcto en el conducto dedicado, no solo el número de movimientos o expulsiones. Según los datos que tenemos disponibles de todas nuestras instalaciones, nuestros clasificadores ópticos de chorro de aire pueden lograr más de 1000 selecciones efectivas por minuto con una correa de aceleración de 112 pulgadas de ancho, mientras que un robot podría lograr alrededor de 60 selecciones efectivas por minuto ( de 90 movimientos posibles), haciéndolo 15 veces más lento.

Si el material al que apunta un robot está bien distribuido en la cinta transportadora, los robots pueden funcionar bien. Sin embargo, si los elementos objetivo se agrupan o su porcentaje en el flujo de entrada aumenta, los robots se ven desafiados a seguir el ritmo. Esto lleva a que la corriente de paso se contamine innecesariamente o que la tasa de recuperación de los elementos objetivo sea mucho menor.

La geometría del efector del brazo robótico también es un factor. Las ventosas de fuelle comunes funcionan mejor con material bidimensional, mientras que los objetos tridimensionales son difíciles de recoger con estas pequeñas ventosas. Los chorros de aire, por otro lado, pueden expulsar eficazmente elementos 3D.

En cuanto al coste por selección, se ha demostrado que los chorros de aire son aproximadamente 10 veces menos costosos que las ventosas. Si asumimos que una tonelada está formada por 16.500 botellas de HDPE natural, un MRF gastaría 19 dólares por tonelada clasificada utilizando un robot con un efector de ventosa. Con los aviones a reacción, ese costo sería muy inferior a 2 dólares por tonelada.

Un área en la que los robots pueden sobresalir es su capacidad para clasificar múltiples fracciones de salida a la vez. Si bien normalmente recomendamos el uso de configuraciones de expulsión única para las aplicaciones MRF más comunes para clasificadores por chorro de aire, el uso de un brazo robótico permite clasificar de tres a cuatro fracciones individuales al mismo tiempo.

En una línea de control de calidad de aluminio donde el objetivo es separar metales no UBC y no metales de UBC, la cantidad de selecciones requeridas por minuto excede la capacidad de cualquier robot, incluso en MRF más pequeñas. Por lo tanto, la eliminación de los no metales se convierte en una prioridad para la IA, lo que deja a los UBC contaminados con elementos metálicos no UBC.

Lo mismo ocurre en las líneas de control de calidad de PET, donde el objetivo es separar las botellas termoformadas y las que no son de PET. Con el aumento del porcentaje de termoformados en la fracción de PET, los robots simplemente ya no pueden seguir el ritmo. La combinación de la tecnología de sensores de IA con la extracción por eyector de aire ha demostrado ser más efectiva para lograr las selecciones reales por minuto requeridas.

Otras instalaciones recientes colocan combinaciones de IA y robots en líneas de control de calidad de PE, donde los clasificadores ópticos convencionales basados ​​en NIR expulsan "todo el PE". El PE no solo incluye jarras de leche y botellas de detergente, sino que también incluye recipientes y tapas a base de PE. Debido a que la IA no conoce la diferencia entre una tapa de PE o polipropileno (PP), identifica y selecciona tapas de PE perfectamente aceptables porque cree que son PP (basándose en el supuesto de que todas las tapas son PP). En este escenario, no sólo el propio robot tiene potencialmente que limitar sus capacidades, sino que la IA no es el sensor correcto para la aplicación.

Además, si el robot se utiliza para clasificar también el PE natural del PE de color al mismo tiempo, estas selecciones incorrectas eliminan las selecciones necesarias para clasificar el PE por color. Esto lleva a que el PE natural, mucho más valioso, termine en el PE de color, lo que reduce el valor general del producto en el MRF.

Un operador de MRF debe considerar una plataforma tecnológica que combine el tipo correcto de sensor con el método de extracción apropiado para la tarea en cuestión. La decisión de si se debe utilizar IA o NIR para una función de clasificación en un MRF debe considerarse cuidadosamente, al igual que el método de extracción. Si bien estas tecnologías pueden ser complementarias, un robot no puede reemplazar a un clasificador óptico.

Felix Hottenstein es el director de ventas de MSS, que desarrolla e implementa tecnologías de sensores automatizados para la industria de gestión de residuos y reciclaje como parte de CP Group.

300 Oceanside Drive Nashville, Tennessee, 37204

Sitio web: magsep.com

Número de teléfono: 615-781-2669