מתקני מחזור ברחבי העולם מאמצים אוטומציה כדי להתמודד עם נפח גדל של זרמי פסולת מעורבים. Embedded Internet of Things (IoT) מכשירים נמצאים בליבת טרנספורמציה זו, המאפשר ניטור בזמן אמת, מיון מדויק ואופטימיזציה ממוקדת נתונים.עיצוב מערכות משובצות אלה עבור פסולת אוטומטית מנקה דורש גישה שיטתית כי מאזן חומרה, עיבוד נמוך, יעילות אנרגיה, ושילוב יעיל של טכנולוגיות הפעלה יעילה עם יישום יעיל זה, דורשות מערכת הפעלה יעילה של מערכת הפעלה יעילה.

מפתח חומרה

יעילותו של מכשיר פסולת IoT מוטבעת ממיין את השכבות על הברירה הזהירה והשילוב של מודולי החומרה הליבה שלה.כל רכיב חייב לפעול באופן אמין תחת רטט גבוה, קיצוניות טמפרטורה, וזיהום מן האבק והלחות.

עיצוב קרמיקה

שילוב של מודולים חיישן משמש כדי לסווג חומרי פסולת במדויק.סוגי חיישן משותף כוללים:

  • (FLT:0) מצלמות ה-Hyperspectral: 1ua מנתחות את ההרכב החומרי על ידי מדידת אור על פני אורכי גל מרובים.חיישנים אלה יכולים להבחין בין מפלסטיקים שונים, ציוני נייר, ומתכות עם דיוק גבוה.
  • (FLT:0)Near-infrared (NIR) חיישנים חיישנים חיישנים חיישנים חיישנים מובנים 1:1 שזיהוי סוגי פולימרים בפסולת פלסטיק.NIR חיישני הם מהירים ויכולים להשתלב ישירות מעל חגורות להעברת זמן לסיווג בזמן אמת.
  • (ב) חיישנים קרביים בעלי יכולת ומציקים (FLT:0) השתמשו בזיהוי מתכות מפרות ולא מעוררות.
  • (FLT:0) מצלמות אור בלתי-קלות (Valsible-lightמצלמותFLT:103) בשילוב עם אלגוריתמים של ראיית מכונה כדי לזהות תוויות, צבעים וצורות.
  • (ב) [15] חיישנים (הצינורים) (הצינורים) לדרגה 1 (ב) כדי למדוד את המסה של פריטים או אצווה, סיוע בהפרדה המבוססת על צפיפות.

עבור דיוק אופטימלי, חיישנים אלה מסודרים לעתים קרובות במערך היתוך חיישן שבו נתונים ממקורות מרובים משולבים כדי לקבל החלטה סיווג יחיד. המיקרובקר המשובח חייב לסנכרן את קוראי החיישן ולעבד את הנתונים לפני שליחתו ליחידת העיבוד המרכזית או קצה AI מאיץ.

מיקרובקר ו- Edge Processing

המעבד המרכזי צריך להיבחר על בסיס המורכבות של אלגוריתמים הסיווג והצורך לתגובה בזמן אמת. Low-Power ARM Cortex-M סדרה microcontrollers (למשל, STM32, NXP LPC) מתאימים להגדרה פשוטה יותר המבוססת על הסף. עבור סיווג המונעת AI, מעבדים ביצועים גבוהים יותר כמו סדרת ARM Cortex-A או קצה AI ייעודי (Jeltera, JetVID), נדרשים.

קריטריונים לבחירת מפתח כוללים:

  • (ב) מהירות הפחתת:0) מהירות ה-FLT:1, המכשיר חייב לסווג פריטים בתוך מילימטרים כדי לעמוד בקצב של חגורת העברה שיכולה לעלות על 2-3 מטרים לשנייה.
  • (ב) ⁇ :0) מזכר: ⁇ 1 , RAM רגיש כדי להחזיק מחסני נתונים חיישן ופרמטרים מודל ללמידה עמוקה.
  • (FLT:0) צריכת חשמל: אנדרט 1 (איור 1) מודולים רבים של מיון רכובים על זרועות רובוטיות או גאדג'טים נעים, הדורשים עיצובים יעילים באנרגיה שיכולים לרוץ על סוללות או מערכות קצירת אנרגיה.
  • טווח הטמפרטורה של ה-FLT:0 (Industrial טמפרטורה טווח:FLT:1) יש לדרג את קומפלקסים עבור -25 מעלות צלזיוס לסביבות +70 ° C.

סדרה של LPC5500 של LPC5500 של LPCELLT 1 מציעה איזון של ביצועים וכוח נמוך עבור יישומים כאלה.

קישוריות ותקשורת

מכשירי פסולת IoT Embedded IoT צריכים לתקשר עם בקרים צמחיים, שרתי קצה ופלטפורמות ענן.בחירה של קישוריות תלויה פריסת הצמח ונפח הנתונים.

  • (ב) [15] ,EtherNet/IP) ,EtherNet/IRLT:1 מספק תקשורת ⁇ יסטית, גבוהה-bandwidth לשליטה בזמן אמת של פועלים.
  • (FLT:0)Wi-Fi (IEEE 802.11ac/ax)FLT:1 משמש למכשירים הדרושים כדי לשלוח תמונות ברזולוציה גבוהה או זרמי וידאו לשרת בינה מלאכותית מרכזי.
  • (FLT:0)LoRaWAN או NB-IoTFIRLT:1) מתאים לחיישנים שרק מעבירים נתונים או התראות תקופתיים, במיוחד במתקנים גדולים שבהם תשתיות חוטות הן בעלות עלות.
  • (FLT:0) Bluetooth Low Energy (BLE)FIRLT:1 ניתן להשתמש עבור תצורה מקומית ועדכוני קושחה באמצעות לוח ידני.

שערי IoT תעשייתיים לעתים קרובות לצבור נתונים ממכשירים שונים ומעבירים אותו לענן באמצעות פרוטוקולים MQTT או OPC UA.FLT:0MQTT הוא פרוטוקול קל משקל פרוטוקוליםFLT:1 המותאם היטב לפס רוחב הפס המגביל וחיבורים לא אמינים שנמצאו לפעמים במיחזור צמחים.

אינטגרציה מכנית ושילוב מכני

הצעד האחרון במיין אוטומטי הוא ההפרדה הפיזית של חומרים באמצעות נוצי חלקיקים pneumatic, זרועות רובוטיות או שערים להסיטר.המכשיר ה-IoT המוטבע שולט בפעולתם של חומרים אלה בהתבסס על תוצאות הסיווג.

  • (ב) ,0) ,לא טוהר: הזמן מזיהוי חיישן להפעלה חייב להיות מצטמצם, בדרך כלל מתחת ל -100 מ"מ.
  • (FLT:0)Faultסובלנות: FLT:1 ,Lowator שליטה צריך לכלול חיישני משוב (למשל, מתגי גבול, קודרים) כדי לאמת את הפעולה הנכונה.
  • מערכות פאסנוומטיות:0 (FLT:1) שסתום במהירות גבוהה של solenoid המונע על ידי MOSFET דורשות מעגלים עצביים כדי לדכא את ה-EMF.

שיקולים של הסביבה התעשייתית

מתקני מחזור הם סביבות קשות עם רמות גבוהות של אבק, לחות, גזים קורוזיים, וזעזוע מכני.התקני IoT Embedded יש צורך להיות מונדס כדי לשרוד תנאים אלה תוך שמירה על ביצועים עקביים.

הגנה מפני התקפה וניהול התרמו

כל המתחםים צריכים לעמוד ב- IP65 או בדירוג גבוה יותר כדי להגן מפני אבק בתקיפות ומטוסי מים המשמשים בתהליכי ניקוי.עבור רכיבים המייצרים חום משמעותי (למשל, מאיצים AI), כיור חום, אוהדים, או אפילו קירור נוזלי עשוי להיות נחוץ.ציפוי קונפוראלי על PCBs מונע קורוזיה מחוסנים חומציים משוחררים על ידי פסולת מסוימת (למשל, , מחיקת חומר אלקטרוט אורגני או סוללה).

כוח אספקה ואנרגיה

הפעלת מכשירים משובצים במפעל מחזור יכול להיות מאתגר.בעוד כמה מודולים יכולים לצייר מתוך 24 V DC של הצמח, חיישנים ניידים או מרוחקים אחרים חייבים להשתמש סוללות.אנרגיה קצירת מרטטים (באמצעות אלמנטים ⁇ ) או מ ⁇ תרמיים (באמצעות גנרטורים תרמואלקטריים) יכולים להאריך את חיי הסוללה.

שעונים בזמן אמת מצופה סוללה (RTCs) להבטיח כי נתונים מבועתים של זמן מדויק גם אם הכוח העיקרי אבד.

התנגדות וזעזוע

קונוויטורים ומכונות כבדות יוצרים רטט מתמשך.כל הרכיבים צריכים להימכר בבטחה, ומחברים צריכים להשתמש במנגנוני נעילה.לסלק אלקטרוניקה רגישים ב-epoxy יכול לשפר את ההתנגדות ללחץ מכני וזיהום.

תוכנה ושילוב נתונים

קושחה של מכשיר ה-IoT המוטבע ותוכנה אחורית פועלות יחד כדי להפוך את נתוני חיישן גולמי להחלטות ממותגות פעולה.אדריכלות התוכנה חייבת להיות מודולרית, לעדכן, ומסוגלת להפעיל מודלים של בינה מלאכותית בקצה.

אדריכלות תוכנה

מערכת הפעלה בזמן אמת (RTOS) כגון FreeRTOS או Azure RTOS מומלץ לניהול זרמי חיישן מרובים ומשימות בקרה עם תזמון מכריע.

  • (ב) ,0) ,Sensor רכישת משימות ההרחבה 1 (הנקראת ו-buffers data from Every חיישן at the need sampling rate).
  • (ב) ,0) עיבוד המשימה של ההרחבה (FLT) אשר חל על קלבייט, מסנן רעש ונורמליזציה.
  • (ב) ,0) ,המשימה של ההרחבה (FLT:1) היא זו שמנהלת את מודל הלמידה של המכונה על הנתונים המעובדים.
  • (ב) ,0) ניהול המשימה של הפועל (FLT) 1 אשר גורם לתפוקה הנכונה על בסיס תוצאות הסיווג.
  • [01:0] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

למידה מכונה עבור Classification

מודלים למידה עמוקה, במיוחד רשתות עצביות אבולוציה (CNN) עבור נתונים תמונות ורשתות צפופים עבור נתונים ספקטרליים, משמשים לסווג סוגי פסולת.אימון מודלים אלה דורשות איסוף נתונים מחוספס היטב של תמונות פסולת ו-spectra. Data Augmentation (rotation, קנה מידה, זריקה רעש) מסייע לשפר את הכללה.מודל המוכשר הוא אז מומרת לתבנית מתאימה עבור קצה היעד (למשל, 10.

ניתן ליישם את הלמידה הרצינית על ידי שליחת דוגמאות לא מסווגות בחזרה לענן על מנת לאימון מחדש ולאחר מכן פריסת מודלים מעודכנים על האוויר:0TensorFlow Lite MicrohilFLT:1 מאפשר הפעלת רשתות עצביות קטנות ישירות על מיקרובקרים מאומצים משאבים.

המונחים: Edge-to-Cloud DataPiline

נתונים ממיין - כולל ספירת פריט, ביטחון סיווג, מהירות העברת ואירועים בזמן מנוחה - הוא זרם לפלטפורמת ענן עבור ניתוחים.שירותים כגון AWS IoT Core, Azure IoT Hub, או Google Cloud IoT יכול לזרז את הנתונים האלה.שימוש במסד נתונים של זמן (למשל, InfluxDB) מאפשר למפעילים לעקוב אחר ביצועים על פני שינויים ולזהות מגמות.

לולאה משוב מהענן יכולה להתאים פרמטרים של מיון - למשל, הידוק סף הסיווג אם יותר מדי חיובי כוזב מזוהה.ענן מארח גם את התאום הדיגיטלי של קו מיון, המאפשר סימולציות ותחזוקה חיזויית.

היתרונות של פסולת IoT-Driven

מינוף מכשירים IoT משובצים במבצעי מיון פסולת מספק שיפורים ניתנים למדידה על פני אינדיקטורים ביצועיים מרובים.

יעילות תפעול

קווים אוטומטיים יכולים לעבד עד שלוש פעמים יותר פסולת לשעה מאשר חיישנים של IoT ידניים מאפשרים ניטור רציף כך צווארי בקבוק מזוהים בזמן אמת, ומהירויות העברת יכולות להיות מותאמות באופן דינמי.

הסכם השוויון

שילוב של מודולים חיישן מרובים עם AI מפחית את שיעור השגיאה בסיווג חומרים.מחקרים הראו כי מערכות מתקדמות NIR וחזון להשיג יותר מ-95% דיוק עבור קטגוריות מיחזור נפוצות, בהשוואה ל- 60–70% עבור מיון ידני.זה מקטין את הזיהום של זרמי פלט, מה שהופך אותם ליותר יקר עבור מחזורי מטה הזרם.

חיסכון בעלויות

עלויות עבודה נמוכות, דמי אספקת פסולת מופחתים, והכנסות גבוהות יותר ממחזוריות מנקה תורמים לחזרה חזקה על ההשקעה.מתקנים רבים מדווחים על תקופות של 18-36 חודשים עבור מערכות מיון של IoT.בנוסף, טיפול ידני מופחת מוריד את הסיכון לפציעות עובדים ועלויות פיצוי הקשורות.

השפעה סביבתית

דיוק ממיין גבוה יותר פירושו יותר חומר ממוחזר במקום לשלוח למזומנים.קרן אלן מקארתור מעריכה כי שיפור פסולת שפכים יכול להגדיל את שיעור מחזור הגלובלי עבור פלסטיק מ 14% עד 50%.

מפת דרכים יישום

עבור מנהלי המתקן בהתחשב באימוץ של מכשירי שפכים של IoT משובצים, גישה מגובשת מפחיתה את הסיכון ומאפשרת שיפורים רציונטיביים.

  1. (FLT:0) שטף הפסולת הנוכחי של שפכים 1FLT) כדי לזהות את סוגי החומרים ואת הכרכים של חומרים.זה מודיע בחירת חיישן ודרישות נתונים של AI.
  2. (ב) ⁇ :0) מטרות ביצועים של ההרחבה (FLT:1) עבור דרך חישוב, דיוק, ו- Uptime. Establishing metrics באופן ידני כדי לשפר את יכול להיות מוגדר.
  3. (FLT:0)Prototype מודול יחיד מסוגנן 1FIRLT:1) באמצעות מרכיבים מחוץ ל- Shelf (למשל, Raspberry Pi עם מצלמה חיישן NIR) כדי לאמת את מודל הסיווג בסביבת הצמח.
  4. (FLT:0) אינטגרט עם מערכות בקרה קיימות: 1 (PPC UA או Modbus) , ודא כי מכשירים חדשים של IoT יכולים לתקשר עם בקרים לוגיים הניתנים לתוכנה (PLCs) שמנהלים את קו המעביר הכולל.
  5. (FLT:0)Scale בהדרגהFLT:1 על ידי הוספת מודולים לתחנות מיון נוספות. השתמש שער קצה מרכזי לאיסוף נתונים ועדכון מודלים על פני כל המכשירים.
  6. (FLT:0) שיפור מתמשך של שיפור מתמשך של 1FLT על ידי איסוף נתונים לא-classification ושיקום מודלים של AI החודשי.חשב הקמת לוח נתונים מבוסס ענן עבור ניטור מרחוק.

אתגרים ומייגים

למרות היתרונות, יש לטפל במספר אתגרים במהלך עיצוב ופריסה.

פרטיות נתונים ואבטחה

מתקני מחזור עשויים לעבד זרמי פסולת רגישים (למשל, מסמכים מחוספסים או פסולת אלקטרונית המכילים נתונים אישיים) מכשירי IoT Embedded חייבים להצפין נתונים במנוחה ובעדכונים של חברות התחבורה יש לחתום כדי למנוע tampering.FLT:0IEC 62443 תקני FLT:1 לספק הדרכה על אבטחת סייבר תעשייתית.

עלויות של חיישנים מעודכנים

מצלמות Hyperspectral ו מאיצים AI מתקדמים יכולים להיות יקרים.עבור צמחים קטנים יותר, גישה יעילה יותר היא להשתמש כמה חיישנים בעלי ביצועים גבוהים על תחנות מיון אסטרטגיות ולהסתמך על חיישנים פשוטים במקום אחר. , אי מינוף בינה מלאכותית מבוסס ענן יכול גם להפחית את עלויות החומרה קצה, אם כי על חשבון רוחב פס רשת וכבדות.

מודל Drift

עם הזמן, תערובת של חומרי פסולת הנכנסים למפעל יכולה להשתנות - חומרי אריזה חדשים, וריאציות עונתיות, או שינויים במדיניות מחזור מקומית.מודלים AI חייבים להיות מאומנים מעת לעת כדי למנוע הידרדרות דיוק. יישום לולאה משוב שבו מפעילי יכולים בטעות לסווג פריטים מסווגים מעודכנים מודלים העדכונים.

כיוונים עתידיים

האבולוציה של IoT מוטבע בפסולת בזבז יונע על ידי התקדמות ב miniaturization חומרה, אוטונומיה אנרגיה ואינטליגנציה מלאכותית.

שילוב עם רובוטים ניידים אוטונומיים (AMRs)

במקום קווי העברה קבועים, צמחים עתידיים עשויים להשתמש ב- AMRs מצוידים בחיישנים של IoT כדי לנווט ערימות של פסולת, לבחור פריטים באמצעות זרועות רובוטיות, ולמקם אותם ב Bins ייעודיים.רובוטים אלה דורשים מערכות משובצות מתוחכמת המשלבות SLAM (המקומיות ומיפוי) עם סיווג בזמן אמת.

שימוש בחומרים בר קיימא בבנייה של מכשירים

כדי להתאים לעקרונות כלכלה מעגלית, את המכשירים המוטבעים עצמם ניתן לתכנן באמצעות פלסטיק ממוחזר, לוחות מעגלים ביו-דידנטיים, ורכיבים מודולריים כי הם בקלות upgradable ותיקון.זה מקטין את טביעת הרגל הסביבתית של הטכנולוגיה הממיין עצמה.

חיישנים מתקדמים עם Edge AI

מעבדי קצה הדור הבא ישלבו ממשקי חיישן מרובים ו מאיצים AI על שבב יחיד, המאפשרים למהירויות סיווג מתחת ל 10 מילישניות.זה יאפשר מיון במהירויות אפילו גבוהות יותר של העברת, עוד צמח גדל באמצעות חישוב.

תאומים וסימולציות

טכנולוגיות VR ו- Twin דיגיטליות יאפשרו למפעילי הצמח לדמות שינויים בתצורה קויתית לפני יישום אותם.מכשירים Embedded יניחו נתונים בזמן אמת לסימולציות אלה, המאפשר אופטימיזציה חיזוי של שימוש באנרגיה, באמצעות חישוב ו לוח זמנים תחזוקה.

תכנון מכשירים משובצים IoT עבור פסולת אוטומטית מיון הוא מאמץ רב תחומי הדורש מומחיות באלקטרוניקה, הנדסה מכנית, AI, ורשתות תעשייתיות. על ידי ביצוע העקרונות המפורטים במאמר זה - בחירת חומרה רוטט, עיצוב סביבתי זהיר, תוכנה מודולרית, ופריסה בשלב - צוותי ייצור יכולים לבנות מערכות לשיפור דרמטי של יעילות מחזור ודיוק.