Panduan Pembelian Optical Sorter | AISORT
Panduan Pembeli
Bagaimana Menilai dan Memilih Pengasing Optik untuk Kitar Semula
Memilih pengasing optik merupakan salah satu keputusan paling kritikal dalam pelaburan kemudahan kitar semula. Mesin yang tepat boleh membayar balik kosnya dalam tempoh 12-18 bulan melalui premium ketulenan yang lebih baik, daya pemprosesan yang lebih tinggi, dan pengurangan tenaga kerja. Mesin yang salah — atau mesin yang betul di kedudukan yang salah — akan menjadi kesesakan yang mahal.
Panduan ini membincangkan faktor teknikal, operasi dan komersial utama yang perlu dinilai semasa membandingkan sistem pengasing optik, dengan kriteria praktikal yang boleh anda gunakan tanpa mengira pengeluar.
Langkah 1: Tentukan Objektif Pengasingan
Sebelum membandingkan spesifikasi peralatan, jelaskan dengan tepat apa yang perlu dicapai oleh pengasing:
- Pengasingan positif (pulih bahan sasaran): Ekstrak bahan bernilai daripada aliran sisa bercampur. Contoh: memulihkan botol PET daripada plastik tegar bercampur. Metrik utama: kadar pemulihan (% bahan sasaran yang betul-betul keluar ke pecahan terima).
- Pengasingan negatif (buang pencemar): Keluarkan pencemar tertentu daripada aliran yang kebanyakannya bersih. Contoh: membuang kepingan PVC daripada kepingan rPET. Metrik utama: kecekapan penyingkiran pencemar (ppm pencemar yang tinggal dalam pecahan terima).
- Peningkatan kualiti (kedua-duanya): Pulih bahan sasaran dan buang pencemar secara serentak. Memerlukan keseimbangan antara pemulihan dan ketulenan — dua metrik yang bertentangan antara satu sama lain.
Objektif pengasingan menentukan segala-galanya ke hiliran: pemilihan sensor, jarak injap, lebar pelongsor, dan sama ada anda memerlukan konfigurasi laluan tunggal atau laluan berbilang.
Langkah 2: Fahami Bahan Suapan Anda
Sebab paling biasa pengasing kurang prestasi adalah pembeli tidak mencirikan sepenuhnya bahan suapan mereka sebelum menentukan spesifikasi peralatan. Kumpul data mengenai:
| Parameter Bahan Suapan | Mengapa Penting | Cara Mengukur |
|---|---|---|
| Taburan saiz zarah (min, maks, D50, D90) | Menentukan keperluan lebar pelongsor, jarak injap dan resolusi sensor. Zarah yang lebih kecil daripada jarak injap dikeluarkan dengan tidak tepat. | Analisis ayak (kering atau basah bergantung pada bahan) |
| Komposisi bahan (% setiap jenis sasaran dan pencemar) | Komposisi asas menentukan berapa banyak peringkat pengasingan diperlukan untuk mencapai sasaran ketulenan. | Audit asing tangan bagi sampel wakil 50-100kg |
| Kandungan lembapan | Bahan basah bergumpal, melekat pada permukaan pelongsor, dan boleh menyebabkan bacaan sensor palsu (terutamanya untuk NIR). | Keseimbangan lembapan; sasaran <5% untuk pengasingan kering, >95% untuk pengasingan basah/cuci |
| Ketumpatan pukal | Mempengaruhi pengiraan daya pemprosesan — pengasing yang dinilai untuk 5 t/h kepingan PET mengendalikan isipadu filem atau buih yang sangat berbeza. | Timbang bekas berisi bahan suapan dengan isipadu diketahui |
| Kehadiran butir halus (<2mm pecahan) | Butir halus menyelaputi sensor, menyumbat injap, dan menghasilkan habuk yang mengganggu pengesanan optik. | Analisis ayak; pertimbangkan pra-penyaringan jika butir halus >5% |
| Keadaan permukaan (bersih, bersalut, basah, teroksida) | Sensor NIR dan RGB bergantung pada pantulan permukaan. Salutan, label, kotoran, dan pengoksidaan boleh mengubah tanda spektrum yang cukup untuk menyebabkan salah klasifikasi. | Pemeriksaan visual + ujian pengasingan pada unit skala makmal |
Langkah 3: Padankan Teknologi Sensor dengan Bahan Anda
| Jenis Sensor | Aplikasi Terbaik | Tidak Sesuai Untuk | Anggaran Kos |
|---|---|---|---|
| Kamera RGB (Nampak) | Pengasingan berasaskan warna bagi plastik tegar, kaca cullet, sisa elektronik, serpihan pembinaan | Bahan yang sama warna tetapi komposisi berbeza (contohnya PET jernih vs PVC jernih) | $ — asas |
| NIR (Inframerah Dekat) | Pengenalpastian polimer (PET/HDPE/PP/PVC/PS), pengasingan kertas/kadbod, pengenalpastian gentian tekstil | Bahan hitam atau sangat gelap (menyerap NIR); logam; bahan basah dengan filem air permukaan | $$ |
| Hiper Spektrum / SWIR | Diskriminasi plastik gelap, penulenan gred makanan, membezakan polimer yang serupa (contohnya HDPE vs LDPE) | Aliran hanya logam; aplikasi di mana RGB+NIR mencukupi | $$$ |
| Transmisi Sinar-X (XRT) | Pemisahan logam berat, mengeluarkan aluminium daripada pecahan berat, pengasingan mineral/bijih | Bahan ringan (plastik, kertas); bahan organik | $$$ |
| Arus Eddy / Aruhan | Pengesanan logam dalam aliran kepingan dan granul; pemisahan tembaga vs aluminium | Bahan bukan logam; zarah yang sangat halus (<2mm) | $ — biasanya digabungkan dengan optik |
| 3D / Segitiga Laser | Pengasingan berasaskan bentuk (contohnya wayar vs. granul, objek 3D vs 2D); pengukuran ketebalan | Serbuk halus; bahan yang tidak memerlukan diskriminasi bentuk | $$ |
| Kamera AI / Pembelajaran Mendalam | Objek kompleks dengan penampilan berubah; pengenalpastian pembungkusan khusus jenama; pengecaman bahan-dalam-konteks | Tugas pengasingan warna sahaja yang mudah; aplikasi di mana data latihan tidak tersedia | $$ — premium perisian atas perkakasan kamera |
Langkah 4: Menilai Pertukaran Antara Daya Pemprosesan dan Ketulenan
Bagi mana-mana pengasing, daya pemprosesan yang lebih tinggi mengurangkan ketulenan kerana setiap zarah menghabiskan lebih sedikit masa dalam zon pengesanan dan sistem lentingan mempunyai lebih sedikit masa untuk bertindak balas. Hubungannya lebih kurang:
- 80% daripada kapasiti dinilai: Ketulenan dan pemulihan optimum; sistem lentingan mempunyai masa tindak balas yang selesa.
- 100% daripada kapasiti dinilai: