AI og hyperspektral bildeteknologi leder revolusjonen, metallgjenvinningsindustrien innleder en ny æra med presis identifisering

[Essen, Tyskland]– Gjenvinningsanlegg, tradisjonelt assosiert med brølende maskineri og fjell av skrapmetall, gjennomgår i det stille en dyp transformasjon drevet av kunstig intelligens (AI) og banebrytende-sensorteknologi. Nylig har en sorteringsteknologi som integrerer hyperspektral bildebehandling og maskinlæringsalgoritmer gjort banebrytende fremskritt ved et pilotanlegg som drives av Scholz Group, et ledende europeisk metallgjenvinningsselskap. Dette markerer en ny æra for metallgjenvinningsindustrien, og går over fra "råkvern" til "nøyaktig identifikasjon på molekylært-nivå."

I lang tid har metallgjenvinning, spesielt finsorteringen av ikke-jernholdige metaller av høy verdi (som aluminium, kobber og messing), vært en betydelig utfordring for industrien. Tradisjonelle magnetiske og virvelstrømseparasjonsteknologier kan effektivt fjerne jernholdige metaller og noen ikke-jernholdige metaller, men de sliter med mer komplekse aluminiumslegeringsserier. For eksempel var det nesten umulig å skille høy-7075-legering brukt i flyrammer fra den vanlige 3004-legeringen som brukes i drikkebokser. Dette førte til at enorme mengder av forskjellige metallkvaliteter ble blandet og smeltet ned, noe som resulterte i downcycling, noe som forårsaker betydelig økonomisk verditap og motsier kjerneprinsippet i en sirkulær økonomi: «å få mest mulig ut av ressursene».

Denne teknologiske flaskehalsen brytes nå avgjørende. Kjernen i det vellykket implementerte nyskapende systemet er et "ivrig øye" som er i stand til å "se" det molekylære fingeravtrykket til metaller-en hyperspektral bildesensor. I motsetning til det menneskelige øyet eller standardkameraer, fanger denne teknologien ekstremt detaljert spektral informasjon reflektert fra metalloverflater over et bredt spekter fra infrarødt til synlig lys. Hver metallegering, på grunn av små forskjeller i dens elementære sammensetning og mikroskopiske struktur, presenterer en unik spektral signatur, omtrent som et menneskelig fingeravtrykk.

Imidlertid ville det ikke være mulig å tolke den enorme mengden spektraldata manuelt. Det er her kraften til kunstig intelligens kommer inn i bildet. Dr. Anna Weber, prosjektets tekniske leder fra partnerselskapet Spectral Vision, forklarte: "Vi forhånds-trente systemet ved å 'mate' det titusenvis av spektrale datapunkter fra ulike metalltyper. Gjennom dyp læring kan AI-modellen nå identifisere den nøyaktige legeringsgraden til hvert skrapstykke på transportbåndet i sanntid og med høy nøyaktighet-.

Prosessen ved Scholz Group-anlegget er imponerende effektiv: makulerte metallfragmenter raser langs et-høyhastighetstransportbånd, skannes øyeblikkelig av en overliggende hyperspektral sensor, og dataene overføres i sanntid til en backend AI-analyseenhet. I løpet av en brøkdel av et sekund gir systemet kommandoer ved å bruke en nøyaktig kontrollert rekke trykkluftdyser for å "sprenge" spesifikke metallfragmenter inn i riktig oppsamlingsbeholder. Hele prosessen er helautomatisert, med sorteringsrenhet og effektivitet som langt overgår tradisjonelle metoder.

"Dette er ikke bare en forbedring i sorteringshastigheten; det endrer vår forretningsmodell fundamentalt," sa Michael Lang, Chief Technology Officer i Scholz Group. "Vi kan nå forsyne kunder med resirkulert materiale av en enkelt, spesifikk legeringskvalitet med renhetsnivåer på opptil 99,8%. Dette er av umålelig verdi for høy-industrier som romfart og bilproduksjon, som har strenge krav til materialytelse. De kan nå trygt bruke resirkulert metall i stor skala i nye produkter uten å bekymre seg for ytelsesvariasjoner."

Effekten av denne teknologiske innovasjonen er vidtrekkende-. For det første øker det verdien av resirkulerte metaller betydelig, forhindrer "downcycling" og skaper sunnere fortjenestemarginer for gjenvinnere. For det andre reduserer det avhengigheten av primære mineraler betydelig. Ved å skape rene strømmer av sekundære råvarer, reduseres produksjonens karbonavtrykk drastisk, og fremmer kraftig global grønn produksjon og karbonnøytralitetsmål.

Bransjeanalytikere er overbevist om at AI-drevet presisjonssorteringsteknologi, sammen med robotisk demontering og digitale materialsporingsplattformer, utgjør kjernen i «Recycling 4.0». Den viser at den fremtidige effektiviteten til resirkulering av ressurser ikke lenger vil være avhengig av mekanisk kraft, men i økende grad vil avhenge av dybden av datainnsikt og hastigheten på intelligente beslutninger-. Ettersom denne teknologien gradvis tas i bruk over hele verden, har en ny æra for metallgjenvinning -renere, mer effektiv og smartere- allerede begynt.