Compra de Clasificador Óptico | AISORT
Guía del Comprador
Cómo Evaluar y Seleccionar un Clasificador Óptico para Reciclaje
Seleccionar un clasificador óptico es una de las decisiones de mayor riesgo en la inversión de una planta de reciclaje. La máquina adecuada puede amortizarse en un plazo de 12 a 18 meses mediante primas de pureza mejoradas, mayor rendimiento y reducción de mano de obra. La máquina equivocada — o la máquina correcta en la posición incorrecta — se convierte en un cuello de botella costoso.
Esta guía detalla los factores técnicos, operativos y comerciales clave a evaluar al comparar sistemas de clasificación óptica, con criterios prácticos que puede utilizar independientemente del fabricante.
Paso 1: Definir el Objetivo de Clasificación
Antes de comparar las especificaciones del equipo, aclare exactamente lo que el clasificador debe lograr:
- Clasificación positiva (recuperar material objetivo): Extraer material valioso de un flujo de residuos mixtos. Ejemplo: recuperar botellas de PET de plástico rígido mixto. Métrica clave: tasa de recuperación (% de material objetivo expulsado correctamente en la fracción aceptada).
- Clasificación negativa (eliminar contaminantes): Expulsar contaminantes específicos de un flujo principalmente limpio. Ejemplo: eliminar escamas de PVC de escamas de rPET. Métrica clave: eficiencia de eliminación de contaminantes (ppm de contaminantes restantes en el aceptado).
- Mejora de calidad (ambas): Recuperar simultáneamente material objetivo mientras se eliminan contaminantes. Requiere equilibrar recuperación vs. pureza — dos métricas que se contraponen entre sí.
El objetivo de clasificación determina todo lo demás: selección de sensores, paso de válvulas, ancho de canal, y si necesita configuración de un solo paso o múltiples pasos.
Paso 2: Conocer su Materia Prima
La razón más común por la que los clasificadores rinden por debajo de lo esperado es que el comprador no caracterizó completamente su materia prima antes de especificar el equipo. Recopile datos sobre:
| Parámetro de Materia Prima | Por Qué es Importante | Cómo Medirlo |
|---|---|---|
| Distribución de tamaño de partícula (mín, máx, D50, D90) | Determina el ancho del canal, el espaciado de válvulas y los requisitos de resolución del sensor. Las partículas más pequeñas que el paso de válvula se expulsan de manera imprecisa. | Análisis granulométrico (seco o húmedo según el material) |
| Composición del material (% de cada tipo de objetivo y contaminante) | La composición base determina cuántas etapas de clasificación se necesitan para alcanzar los objetivos de pureza. | Auditoría de clasificación manual de una muestra representativa de 50-100 kg |
| Contenido de humedad | El material húmedo se aglomera, se adhiere a las superficies del canal y puede causar lecturas falsas del sensor (especialmente para NIR). | Balanza de humedad; objetivo <5% para clasificación en seco, >95% para clasificación en húmedo/lavado |
| Densidad aparente | Afecta el cálculo de rendimiento: un clasificador clasificado para 5 t/h de escamas de PET maneja un volumen muy diferente de película o espuma. | Pesar un recipiente de volumen conocido lleno de materia prima |
| Presencia de finos (fracción <2mm) | Los finos recubren los sensores, obstruyen las válvulas y crean polvo que interfiere con la detección óptica. | Análisis granulométrico; considerar pre-cribado si los finos >5% |
| Condición de la superficie (limpia, recubierta, húmeda, oxidada) | Los sensores NIR y RGB dependen de la reflectancia superficial. Los recubrimientos, etiquetas, suciedad y oxidación pueden cambiar la firma espectral lo suficiente como para causar una clasificación errónea. | Inspección visual + prueba de clasificación en una unidad a escala de laboratorio |
Paso 3: Igualar la Tecnología de Sensores a su Material
| Tipo de Sensor | Mejores Aplicaciones | No Adecuado Para | Costo Aproximado |
|---|---|---|---|
| Cámara RGB (Visible) | Clasificación basada en color de plásticos rígidos, vidrio molido, residuos electrónicos, escombros de construcción | Material del mismo color pero diferente composición (ej., PET transparente vs PVC transparente) | $ — base |
| NIR (Infrarrojo Cercano) | Identificación de polímeros (PET/HDPE/PP/PVC/PS), clasificación de papel/cartón, identificación de fibras textiles | Materiales negros o muy oscuros (absorben NIR); metales; materiales húmedos con película de agua superficial | $$ |
| Hiperespectral / SWIR | Discriminación de plásticos oscuros, purificación de grado alimenticio, distinción de polímeros similares (ej., HDPE vs LDPE) | Flujos solo metálicos; aplicaciones donde RGB+NIR es suficiente | $$$ |
| Transmisión de Rayos X (XRT) | Separación de metales pesados, eliminación de aluminio de la fracción pesada, clasificación de minerales/menas | Materiales ligeros (plásticos, papel); materiales orgánicos | $$$ |
| Corriente de Foucault / Inducción | Detección de metales en flujos de escamas y granulado; separación de cobre vs aluminio | Materiales no metálicos; partículas muy finas (<2mm) | $ — generalmente combinado con óptico |
| 3D / Triangulación Láser | Clasificación basada en forma (ej., cable vs granulado, objetos 3D vs 2D); medición de espesor | Polvos finos; materiales que no requieren discriminación de forma | $$ |
| Cámara de IA / Aprendizaje Profundo | Objetos complejos con apariencia variable; identificación de envases específicos de marca; reconocimiento de material en contexto | Tareas simples de clasificación solo por color; aplicaciones donde no hay datos de entrenamiento disponibles | $$ — prima de software sobre hardware de cámara |
Paso 4: Evaluar las Compensaciones entre Rendimiento y Pureza
Para cualquier clasificador, un mayor rendimiento reduce la pureza porque cada partícula pasa menos tiempo en la zona de detección y el sistema de expulsión tiene menos tiempo para responder. La relación es aproximadamente:
- 80% de la capacidad nominal: Pureza y recuperación óptimas; el sistema de expulsión tiene un tiempo de respuesta cómodo.
- 100% de la capacidad nominal: