Jan 31, 2024
Como emparelhar tecnologias de sensores com o método de extração correto
Recentemente, a inteligência artificial (IA) e a robótica têm recebido muita atenção. Para algumas pessoas, robótica e IA são sinônimos. No entanto, a robótica não é IA e a IA não é robótica. IA procura
Recentemente, a inteligência artificial (IA) e a robótica têm recebido muita atenção. Para algumas pessoas, robótica e IA são sinônimos. No entanto, a robótica não é IA e a IA não é robótica. A IA procura soluções para problemas difíceis relacionados com as capacidades humanas, enquanto a robótica visa automatizar tarefas físicas e repetitivas. Além disso, os robôs não são a única tecnologia mecânica com a qual a IA pode ser combinada. Em alguns casos, a aplicação exige uma extração mais robusta, como os jatos de ar comumente usados com classificadores ópticos, que comprovaram seu valor em MRFs ao longo de décadas.
Na MSS, acreditamos firmemente que a tecnologia de detecção precisa ser completamente dissociada da tecnologia de extração. Um realmente não tem nada a ver com o outro. Um operador de MRF precisa considerar a melhor tecnologia de sensor para identificar os itens-alvo em um fluxo de materiais mistos e, em seguida, combiná-la com o método de extração mais apropriado necessário para remover fisicamente os itens-alvo.
Os sensores usados mais comumente em aplicações MRF de classificação em massa são infravermelho próximo (NIR), cor e metal. Dependendo da aplicação, pode ser necessária apenas uma ou possivelmente uma combinação dessas tecnologias de sensores individuais para atingir o objetivo de classificação. O desempenho desses sensores pode ser melhorado adicionando outras tecnologias de sensores, como IA.
Os sensores NIR e AI podem fornecer grandes quantidades de dados e estatísticas aos operadores de MRF para fins de monitoramento e melhoria operacional. A capacidade de aprendizagem profunda da IA é complementar ao NIR, e seus níveis mais profundos de granularidade disponível fornecem classificações mais refinadas de categorias individuais de produtos e materiais.
Além disso, os sensores de IA baseiam-se nas capacidades de identificação que o NIR não possui, classificando principalmente itens como latas de comida para gatos e folhas de cozinha de latas de bebidas usadas (UBCs) e garrafas de tereftalato de polietileno (PET) de termoformas PET. Os sensores NIR podem realmente identificar o material por meio da química, enquanto os sensores AI não.
Os sensores de IA funcionam como o olho humano, deduzindo o que um item pode ser com base em sua aparência; não pode determinar se uma garrafa é feita de PET ou de polietileno de alta densidade (HDPE), apenas o faz indiretamente. Os sensores de IA também não conseguem fazer a distinção entre alguns recipientes termoformados de PET e PP ou UBCs que possuem mangas retráteis de PET e aqueles com gráficos impressos diretamente. Estas são tarefas para as quais os sensores NIR convencionais, em combinação com detectores de metais, são adequados.
As velocidades do transportador e da decisão são considerações adicionais. Os sensores NIR podem ir até 1.000 pés por minuto, enquanto a IA começa a ter problemas quando a correia se move a mais de 300 pés por minuto. Além disso, a velocidade de decisão, ou o tempo entre a detecção e a extração de um item, é cerca de 10 vezes mais rápida para NIR do que para sensores de IA. No que diz respeito à largura de trabalho, os sensores de IA normalmente são usados em correias de até 60 polegadas de largura. Portanto, se você quiser ir mais longe, precisará dobrar o número de sensores de IA. Por outro lado, os sensores NIR em classificadores ópticos podem ser usados em correias transportadoras com largura de até 112 polegadas.
As ventosas comumente usadas em robôs são uma forma de tecnologia de extração. Os jatos de ar usados com classificadores ópticos são outra forma. Mas as opções não param por aí; as tecnologias de extração também podem incluir pinças ou desviadores, por exemplo.
Ao determinar a melhor tecnologia de extração para uma aplicação específica, considere as coletas efetivas por minuto. Definimos escolhas eficazes como aquelas em que o efetor coloca com sucesso o item alvo correto na rampa dedicada, e não apenas o número de movimentos ou ejeções. Com base nos dados que temos disponíveis de todas as nossas instalações, nossos classificadores ópticos a jato de ar podem atingir mais de 1.000 coletas efetivas por minuto a partir de uma esteira de aceleração de 112 polegadas de largura, enquanto um robô pode conseguir cerca de 60 coletas efetivas por minuto ( de 90 movimentos possíveis), tornando-o 15 vezes mais lento.