在轻量级包装废弃物分类厂开发预测模型,使用基于传感器的分类数据与外部近红外和LiDAR传感器的数据相结合
Sabine Schloegl1, Josef Kamleitner2, Nils Kroell3
1Chair of Waste Processing Technology and Waste Management, Montanuniversität Leoben, Leoben, Austria.
概括
在废物分类中,基于传感器的材料流量监测是可行的. 近红外 (NIR) 和光检测和测距 (LiDAR) 传感器,以及现有的基于传感器的分类器 (SBS),可以有效地监测吞吐量和材料组成,以改善回收利用.
科学领域:
- 废物管理和回收利用技术
- 传感器技术和机器学习应用程序
- 循环经济和塑料回收利用
背景情况:
- 持续监测材料流量对于废物分类的质量管理至关重要.
- 废物的异质性和吞吐量波动阻碍了废物管理中的传感器实施.
- 轻量级包装废弃物分类对基于传感器的监测提出了独特的挑战.
研究的目的:
- 研究在轻量级包装废物分类工厂中使用各种传感器的挑战和可能性.
- 评估使用机器学习模型预测特定材料占用密度 (MSOD) 的可行性.
- 评估基于传感器的监控对优化废物分类流程的潜力.
主要方法:
- 在不同的工厂位置部署外部光检测和测距 (LiDAR) 和近红外 (NIR) 传感器.
- 评估来自现有的基于传感器的分类器 (SBS) 的数据.
- 机器学习模型的应用,包括回归,以预测多色PET预缩剂的MSOD.
主要成果:
- 基于传感器的分类器 (SBS) 数据被证明是可行的监测吞吐量波动和材料组成,提供合适的教学设置.
- 斜坡回归模型显示了基于SBS数据 (RMSE = 3.59 px%,R2 = 0.57) 或NIR和LiDAR数据 (RMSE = 3.1 px%,R2 = 0.68) 的可比性能.
- 该研究表明,基于传感器的材料流量监测在工厂规模的实际可行性.
结论:
- 基于传感器的材料流量监测为废物管理部门提供了重大机会.
- 这些发现为加强废物分类过程的过程控制和质量管理铺平了道路.
- 这项研究支持通过提高回收效率来推进更循环的塑料经济.
