< Terug naar vorige pagina

Project

Ontmanteling met robots op basis van diepgaand leren in AEEA-recycling

Het aandeel afval van elektrische en elektronische apparatuur (AEEA) met componenten die gevaarlijke en edele metalen bevatten, zal de komende jaren aanzienlijk toenemen. Desalniettemin wordt het merendeel van de AEEA vandaag de dag nog steeds verwerkt door grootschalige recyclingtechnologieën op basis van shredders, die tegenwoordig de economisch meest haalbare optie zijn voor de meeste AEEA-categorieën. Hoewel deze technologieën de afgelopen tien jaar substantiële verbeteringen hebben ondergaan, worden ze in vergelijking met handmatige demontage nog steeds gekenmerkt door een lage recyclingefficiëntie, vooral voor de terugwinning van edelmetalen en de juiste verwerking van gevaarlijke materialen. Daarom is er een uitgesproken kans om het ontmantelingsproces voor gemengde AEEA te automatiseren om de recyclingefficiëntie op een economisch haalbare manier te verhogen ter ondersteuning van een overgang naar een meer circulaire economie.

Vanwege de grote variatie in zowel productmodellen als condities van AEEA, is de vereiste flexibiliteit van geautomatiseerde demontagesystemen uitzonderlijk uitdagend voor deze gemengde afvalstromen en gaat veel verder dan het omkeren van de allernieuwste assemblagemethoden die bij de productie zijn toegepast. Daarom heeft dit doctoraatsproject als doel deze uitdagingen aan te pakken door:

1. Verbetering van de nauwkeurigheid van productmodelherkenning door de toepasbaarheid en efficiëntie van de modernste computer vision-technieken te onderzoeken

2. Optimale padplanning voor gerobotiseerde demontage op basis van zowel component- als bevestigingsdetectie

3. Implementeren van zelflerende principes om een geleidelijke uitbreiding van de kennis mogelijk te maken om de efficiëntie van de ontmanteling te verbeteren

Datum:19 okt 2020 →  Heden
Trefwoorden:WEEE Recycling, Computer Vision, Robotic dismantling
Disciplines:Computer vision, Demanufacturing, Recycling, Machine learning en besluitvorming
Project type:PhD project