Notícias

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.