Optimizing yield and quality of recovered materials by filtering spectral data
Nieminen, Walter (2024)
Diplomityö
2024
School of Energy Systems, Konetekniikka
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2024061854363
https://urn.fi/URN:NBN:fi-fe2024061854363
Tiivistelmä
The world of recycling is undergoing a change where manually sorting materials is being replaced by intelligent automated machines. These machines have a multitude of settings to maximise the quality and yield of the recycled product. Currently the recycling industry operates on a test to quality basis. Changing this towards a constant quality monitoring and adjusting is needed.
There is a trade-off between quality and yield in the sensor-based sorting industry and this relation is explored using two independent variables in the machine’s settings. An exploratory experiment to different machine setting combinations is done. The statistical analysis of the performance of the machine is done using a concept known from machine learning. Real life examples and limits are used in the result analysis to ensure applicability of the data.
The results found that the yield and quality express some non-linearity when compared to the selected variables. Their effectiveness was proven and difference in magnitude of effect shown. Kierrätyksen maailma on kokemassa muutoksen, jossa manuaaliset lajittelumenetelmät korvataan älykkäillä automatisoiduilla laitteilla. Nämä laitteet sisältävät monia asetuksia, joilla voi maksimoida laitteen tuottaman laadun sekä talteenoton. Tällä hetkellä kierrätyskeskukset tekevät laatukokeita erottelun jälkeen. Kierrätyskeskusten on muutettava tämä menetelmä kohti jatkuvaa laaduntarkkailua sekä jatkuvaa prosessin säätöä.
Sensoripohjaisessa lajittelussa on tehtävä kompromissi laadun sekä talteenoton välillä. Tätä laatu-talteenottosuhdetta tutkitaan tässä työssä käyttämällä kahta riippumatonta muuttujaa koneen asetuksissa. Työtä varten tehdään käytännön koe, jossa eri muuttujien yhdistelmiä kokeiltiin. Lajittelukoneen suorituskyky analysoidaan koneoppimsesta tutulla menetelmällä. Tulosten analyysissä käytetään kierrätysteollisuudesta haettuja materiaaleilla sekä käytetään todenmukaisia raja-arvoja, jotta voidaan varmistaa lajittelun todenmukaisuus.
Tuloksista käy ilmi, että laadun ja talteenoton suhde muuttujiin osoittaa epälineaarisuutta. Muuttujien tehokkuus vaikuttamaan laatuun ja talteenottoon todistettiin. Myös muuttujien eriävät vaikutustehot todistettiin.
There is a trade-off between quality and yield in the sensor-based sorting industry and this relation is explored using two independent variables in the machine’s settings. An exploratory experiment to different machine setting combinations is done. The statistical analysis of the performance of the machine is done using a concept known from machine learning. Real life examples and limits are used in the result analysis to ensure applicability of the data.
The results found that the yield and quality express some non-linearity when compared to the selected variables. Their effectiveness was proven and difference in magnitude of effect shown.
Sensoripohjaisessa lajittelussa on tehtävä kompromissi laadun sekä talteenoton välillä. Tätä laatu-talteenottosuhdetta tutkitaan tässä työssä käyttämällä kahta riippumatonta muuttujaa koneen asetuksissa. Työtä varten tehdään käytännön koe, jossa eri muuttujien yhdistelmiä kokeiltiin. Lajittelukoneen suorituskyky analysoidaan koneoppimsesta tutulla menetelmällä. Tulosten analyysissä käytetään kierrätysteollisuudesta haettuja materiaaleilla sekä käytetään todenmukaisia raja-arvoja, jotta voidaan varmistaa lajittelun todenmukaisuus.
Tuloksista käy ilmi, että laadun ja talteenoton suhde muuttujiin osoittaa epälineaarisuutta. Muuttujien tehokkuus vaikuttamaan laatuun ja talteenottoon todistettiin. Myös muuttujien eriävät vaikutustehot todistettiin.