Algumas aplicações de classificação não devem ser implementadas através de métodos convencionais, como por exemplo, a classificação de cartuchos de silicone. Compostos por uma parede exterior de polietileno (PE), das quais são matérias-primas valiosas para a reciclagem. No entanto, os resíduos de silicone no interior do cartucho podem contaminar os produtos de PE puro ao ponto de inutilização, portanto precisam ser removidos do fluxo de material.
Para além dos limites do que é possível até agora
O Intelligent Object Identifier - um sistema de detecção de objetos baseado em Inteligência Artificial para máquinas de classificação - desenvolvido especialmente para esta aplicação. Solução pensada a fim de reconhecer e isolar estes cartuchos com base em outras propriedades características e visualmente detectáveis. Estas características distintivas podem resultar em um processo de classificação mais estável com desempenho de classificação significativamente melhorado.
No futuro, esta tecnologia também suportará ou, pela primeira vez, tornará possíveis outras tarefas de classificação. Dessa forma, estará trabalhando em um complemento para o programa de classificação e triagem de garrafas e bandejas politereftalato de etileno (PET), o que melhorará ainda mais a confiabilidade de classificação graças ao novo recurso de detecção de objetos.
O que a solução da STEINERT tem de especial são as possibilidades de integração, não sendo necessário o uso de sensores adicionais e a compatibilidade com versões anteriores de máquinas UniSort ( versões até o ano de 2018 ) com a combinação de câmera de NIR e de cor.
Apendendo com máquinas
Esta melhoria é possível graças ao software e aos mais recentes desenvolvimentos na área do aprendizado com máquinas, especialmente com redes neurais artificiais.
O aprendizado com máquina é a capacidade dos algoritmos para obter informações sem terem sido explicitamente programados para tal. Em sua forma mais básica, podem ser analisados dados para aprender características de detecção, distingui-las automaticamente e subsequentemente determinar, neste caso, a possível existência de cartuchos de silicone.
O pré-requisito ideal para esse treinamento são dados abrangentes e detalhados. Desde que a tecnologia de imagem hiperespectral (HSI) foi introduzida em 2012, a STEINERT gerou esses dados e os utiliza hoje para criar as condições de treinamento para algoritmos que definem os padrões deste setor. Os dados também permitem que os usuários se classifiquem melhor e, a longo prazo, também desenvolvam estratégias de digitalização, por exemplo, para colaborações com clientes e fornecedores.
Dessa forma, é possível oferecer aos usuários o melhor resultado de triagem possível, sem que o próprio configure parâmetros ou tenha de lidar com a programação.
O all-rounder reformulado
Com base nestes aspetos surgiu a mais recente etapa de expansão da UniSort PR – UniSort PR EVO 5.0.
O modelo foi comprovado em testes práticos desde 2019 e é o próximo passo lógico na evolução das máquinas de classificação. É também uma demonstração da tecnologia moderna e do robusto trabalho de engenharia. Juntamente com uma série de aprimoramentos de detalhes, a última configuração assenta num design mais favorável à manutenção e para um desempenho de classificação avançado.
A calibração dinâmica monitoriza o espectro da iluminação da esteira, que está em constant mudança devido a fatores externos, sem causar qualquer interrupção no processo de classificação, e as caixas de lâmpadas revisadas asseguram uma melhor detecção a longo prazo, simplificando ao mesmo tempo a manutenção. Em combinação com atualizações de software continuamente desenvolvidas, blocos de válvulas otimizados garantem uma separação permanentemente precisa do fluxo de resíduos. Um equilíbrio de branco automático otimizado reduz a intensidade da manutenção através de etapas de trabalho adicionais, melhorando assim, o gerenciamento de pessoal e permitindo uma nova flexibilidade.
Preparado para o futuro
O UniSort PR EVO 5.0 reflete os anos de experiência da STEINERT obtidos de várias gerações do UniSort e a enorme quantidade de dados que foram processados. Isso forma a base para novos avanços e aprimoramento no desempenho da classificação, além de possibilitar a otimização dos processos na cadeia de valor agregado. Isso, permite também que os usuários se adaptem e reconheçam as mudanças nos fluxos de materiais, mas também o mais importante, explorem novos potenciais.