ИДЕНТИФИКАЦИЯ И СОРТИРОВКА ТЕКСТИЛЯ ДЛЯ АВТОМАТИЗИРОВАННОЙ ОБРАБОТКИ С ПОМОЩЬЮ БЛИЖНЕЙ ИНФРАКРАСНОЙ СПЕКТРОСКОПИИ

АННОТАЦИЯ

Для увеличения ценности переработанного текстильного материала и обеспечения высокого качества исходного материала для процессов переработки необходимо точно распознавать и сортировать предметы в соответствии с их материальным составом. Это требует разработки экономически жизнеспособных и эффективных методов распознавания и сортировки текстильных материалов. Автоматизированные линии распознавания и сортировки способствуют улучшению качества перерабатываемых фракций, что в свою очередь повышает доступность таких материалов для переработки.

ABSTRACT

To increase the value of recycled textile material and ensure high quality feedstock for recycling processes, it is necessary to accurately recognize and sort items according to their material composition. This requires the development of economically viable and efficient methods for recognizing and sorting textile materials. Automated recognition and sorting lines help improve the quality of processed fractions, which in turn increases the availability of such materials for processing.

Ключевые слова: переработка текстиля; повторное использование текстиля; распознавание и сортировка фиброз; автоматизация; ближняя инфракрасная.

Keywords: textile processing; textile reuse; recognition and triage of fibrosis; automation; near infrared.

Введение. Повторное использование и переработка выброшенного текстиля, как правило, являются более предпочтительными вариантами управления отходами, чем сжигание и захоронение. Было показано, что с экологической точки зрения повторное использование продукции предпочтительнее переработки текстильных материалов [1]. Однако в какой-то момент своего жизненного цикла текстильное изделие изнашивается или загрязняется и становится непригодным для повторного использования. В этом случае переработка может предложить материалу новый жизненный цикл. Чтобы повысить ценность переработанного материала и гарантировать, что он имеет достаточное качество в качестве исходного материала для последующих процессов переработки, важно иметь возможность распознавать и сортировать предметы в соответствии с их материальным составом [2]. Ручная сортировка текстильных отходов на основе содержания волокнистого материала, указанного на этикетках продуктов, возможна, но медленная и часто ненадежная, поскольку этикетки могут быть удалены, изношены или содержать неверную информацию. По данным исследования Circle Economic, до 41% этикеток на смесовых материалах содержат неточную информацию [3]. Существуют методы идентификации текстильных материалов, такие как стандартизированные ISO методы количественного определения, основанные на различных характеристиках растворения (ISO 1833-1 и т. д.), морфологические различия, выявляемые с помощью микроскопии [4], распознавание ДНК [5] и различия в термических свойствах. поведение обнаруживается методами дифференциальной калориметрии, термогравиметрического анализа и газовой хроматографии [6]. Они точны, но требуют подготовки проб и, как таковые, слишком медленны для автоматического распознавания и сортировки текстильных материалов, необходимых для переработки. Таким образом, чтобы расширить использование переработанных материалов, необходим экономически жизнеспособный и эффективный способ распознавания и сортировки текстильных материалов. При БИК-спектрометрии (БИКС) подготовка проб не требуется, и она широко используется в промышленности для различных операций. Кроме того, NIRS использовался для идентификации текстиля, например, для обнаружения содержания хлопка в смесовых тканях, анализа содержания материала в смесях хлопка и полиэстера , идентификации кашемира из других волокон животного происхождения и определения содержания четырех разные материалы (шерсть, полиэстер, полиакрилонитрил и нейлон) одновременно. Гиперспектральная визуализация в ближнем инфракрасном диапазоне также использовалась для определения содержания полиэстера в смесовых тканях [6].

Автоматизированные линии распознавания и сортировки позволяют обеспечить лучшее качество перерабатываемых фракций и, таким образом, повысить доступность таких переработанных фракций с точно известным содержанием материала. Двумя наиболее известными коммерческими или близкими к коммерческим автоматизированными линиями распознавания и сортировки являются FIBERSORT компании Valvan в Нидерландах и SIPTex в Швеции, в которых используется технология Tomra NIR. Требование Европейского Союза об обязательном раздельном сборе текстильных отходов на всей территории ЕС начиная с 2025 года , несомненно, ускорит переход к экономически эффективным заводам по сортировке текстиля. Однако, насколько нам известно, это первый случай, когда исследование химических структурных модификаций текстиля проводится с использованием NIRS на автоматизированной сортировочной линии.

Университет прикладных наук LAB разработал метод и оборудование для распознавания материалов из текстильных волокон, которые можно использовать в целях исследований и разработок для изучения качественного и количественного распознавания текстильных волокон. Пилотная лаборатория распознавания и сортировки (REISKAtex) идентифицирует неизвестные текстильные волокна путем сравнения их ближнего инфракрасного (NIR) спектра, который был математически обработан (нормализация и вторая производная), с проверенной библиотекой спектров материалов, а затем сортирует идентифицированные образцы с помощью автоматического воздуходувки [15].

Хотя NIRS предлагает преимущества сортировки материалов, у нее есть некоторые ограничения. Например, поскольку электромагнитное излучение используемых длин волн не проникает в образец эффективно, толстые слои других материалов на образце будут влиять на распознавание. Целью этой работы было получить представление о технологии NIR при распознавании текстильных материалов и, в частности, выявить причины несовпадающего распознавания. В работе было использовано более 250 тканей, как предварительных, так и предпотребительских образцов, которые были отсортированы с помощью пилотной лаборатории. Большинство образцов (73%) были распознаны правильно. Выявленные свойства тканей, которые привели к распознаванию несоответствия, такие как покрытие, отделка, толщина и смесь материалов, обсуждаются далее. Кроме того, было обнаружено, что старение вызывает такие химические изменения, особенно в спектрах хлопка, которые затрудняют распознавание.

Результаты.

Используя пилотную лабораторию с ее спектральными библиотеками распознавания материалов, был протестирован набор образцов из 253 кусочков тканей. Образцы измеряли при комнатной температуре в том виде, в каком они были, т. е. без промывки или других предварительных обработок. Можно предположить, что такие условия применяются в центре переработки, где будет сортироваться большое количество выброшенного текстиля. В этом наборе образцов было собрано 74 штуки из текстиля, бывшего в употреблении, и 179 штук из текстиля, бывшего в употреблении. Идентичность образцов материалов была подтверждена и дважды перепроверена, чтобы можно было надежно установить метод распознавания материалов. Для справки, образцы тканей были проанализированы с помощью до коммерческой линии распознавания на основе NIR-датчика SIPTex [7]. Образцы считались правильно идентифицированными, если пилотная лаборатория нашей лаборатории и линии SIPTex соглашались на распознавание. Образцы, которые имели отклоняющийся результат распознавания, т. е. этикетка материала и системы сортировки идентифицировали образцы по-разному, были дополнительно изучены с помощью оптического микроскопа и инфракрасного преобразования Фурье (FT-IR), чтобы подтвердить состав материала и понять причину не узнавания.

Точность повышается по мере увеличения допуска класса. Это было ясно видно на образцах хлопка и полиэстера, в которых было более одного класса. Это указывает на то, что количество браков в процессе распознавания можно контролировать, регулируя допуск класса распознавания. На практике это означает, что если следующий пользователь отсортированного материала может переносить некоторые примеси, то выход можно улучшить, отрегулировав допуск таким образом, чтобы он допускал небольшой процент смесей. Дальнейшие испытания с участием пилотной лаборатории нашей лаборатории показали, что наилучшая производительность при сортировке текстиля достигается, когда примеси в размере 1–5 % принимаются за 100 %-е распознавание. Это означает, что выходы полученных потоков текстильных волокон были высокими, даже несмотря на то, что допускались некоторые небольшие примеси.

Из-за ограничений NIRS образцы с крупными принтами, тонкими и рыхлыми тканями, кружевами и тканями с покрытием оказалось трудно распознать. Поскольку ткани с крупными принтами обычно не используются в потоке материалов, это был положительный результат. В автоматизированных системах надежное складывание образцов во время автоматической сортировки может быть непростой задачей. Это может привести к тому, что тонкие образцы будут либо неправильно распознаны, либо отклонены и выброшены, поскольку NIRS будет проникать сквозь ткань и вместо этого измерять спектр конвейерной ленты сортировочной линии. Чтобы преодолеть эту проблему, рыхлые и/или тонкие ткани можно сложить вручную, чтобы свести к минимуму обнажение ремня.

Классы в этом исследовании были выбраны не на основе пригодности материала для определенного процесса переработки. Классы были выбраны, чтобы показать, насколько легко можно распознать ткани из смесовых материалов. Хлопок, полиэстер и их смеси являются наиболее часто используемыми материалами в одежде. Вискоза была выбрана для изучения способности NIR распознавать различные типы целлюлозы.

Все изученные фракции материалов, включая остальные классы, пригодны для механической переработки. Однако у пользователя механически переработанных волокон могут быть некоторые характеристики материала, которым должен соответствовать процесс сортировки. В настоящее время процессы переработки текстиля развиваются. Для методов растворения, разработанных для хлопка, чистота хлопковых фракций должна быть более 95%. Тем не менее, на стадии разработки находятся технологии, которые можно использовать для отделения хлопка от полиэстера, и для такого рода процессов доля материалов не так уж важна, но, возможно, эти процессы лучше подходят для тканей, близких к 50%/50%. СО/ПЕС. Процессы деполимеризации требуют материалов высокой чистоты, но по мере развития этапов фильтрации различные волокнистые материалы можно отделять легче по сравнению с другими добавками в материалах, такими как красители. Таким образом, сортировочная линия должна иметь классы для смешанных материалов, чтобы удовлетворить растущие потребности в переработке.

Известно, что деградация полиэстера, вызванная, например, водой, УФ-светом и щелочными условиями при повышенных температурах, изменяет спектральные характеристики гранул ПЭТФ и пленок ПЭТФ. С другой стороны, щелочной гидролиз можно использовать для модификации поверхности полиэфирных тканей с целью улучшения их влагопоглощения. По определению, полиэфир содержит не менее 85% (по массе) эфиров диола и терефталевой кислоты. Это означает, что образцы полиэстера, полученные до потребления в нашем исследовании, могут иметь некоторые спектральные характеристики, исходящие от максимум 15% массовых неизвестных химических соединений, что затрудняет их распознавание, но история старения и обработки образцов после потребления может привести к еще более широкому спектру. спектральные изменения, которые приводят к неправильному распознаванию. Все эти известные методы и особенности могут объяснить, почему наша точность для класса PES100% составила 76%, а для класса PES90% — 88%. В заключение можно сказать, что полиэфиры как один из видов текстильных волокон на самом деле представляют собой смесь различных химических соединений. Необходимы дополнительные исследования, чтобы понять, насколько важно различать разные типы полиэфиров, чтобы получить достаточно качественное сырье для переработчиков с различными потребностями.

Материалы и Методы

Набор образцов ткани состоял из 253 различных кусочков ткани. Из выборки 74 штуки были из текстиля, бывшего в употреблении, и 179 штук из текстиля, бывшего в употреблении. Из образцов 59% представляли собой мономатериалы следующих категорий: 100% хлопок (CO), 100% полиэстер (PES) и 100% вискоза (CV), а остальные представляли собой смешанные материалы, такие как хлопок/полиэстер CO/PES и хлопок. /Эластан (CO/EL), другие смеси, такие как шерсть/кашемир (WO/WS) и шерсть/полиамид/эластан (WO/PA/EL), или ткани с покрытием или ткани с функциональной отделкой (Таблица 3). Образцы ткани были разрезаны на кусочки размером примерно 20–30 см. Обе стороны тканей анализировались на автоматических сортировочных линиях, так что сначала всегда измерялась лицевая сторона, а затем образец переворачивался и измерялась изнаночная сторона.

Отобранные образцы были дополнительно охарактеризованы с помощью FTIR-спектрометра и оптической микроскопии.

1. Инфракрасная спектрометрия с преобразованием Фурье

Спектры полного отражения (ATR) с Фурье-преобразованием инфракрасного (FT-IR) выбранного образца были записаны на спектрометре FT-IR-ATR (Bruker Alpha) с разрешением 4 см с 32 сканированиями на образец в диапазоне длин волн 400–4000. нм. Образцы устанавливались непосредственно на держателе образцов.

2. Оптическая микроскопия

Изображения образцов ткани, полученные оптической микроскопией, были получены с помощью оптического стереомикроскопа (MeijiTechno RXT-LED) с источником света Photonic PL3000, а изображения волокон были получены с помощью оптического микроскопа (Leitz Diaplan). Чтобы распознать натуральные волокна и проанализировать эластан, ткани вручную распутывали по нитям до составляющих их волокон.

Выводы. Спектрометрию ближнего инфракрасного диапазона можно использовать для простой и эффективной классификации потоков текстильных отходов на различные фракции материала. Общие улучшения автоматизированных линий идентификации могут помочь отсортировать больше материалов из потоков отходов для повторного использования.

Общие проблемы с автоматизированной идентификацией материалов связаны с ограничениями NIRS и тем фактом, что он анализирует только поверхности текстиля. Это хорошо видно при исследовании образцов с покрытиями и с многослойными материалами, а также с некоторыми функциональными отделками. Чем толще слой, обращенный к NIR-датчику, тем труднее распознать материал. Многослойные образцы могут скрывать другие материалы в своей сердцевине или под видимой поверхностью, что приводит к ложноположительным результатам и снижению урожайности.

Интересно, что возраст текстильных материалов вызвал настолько сильные химические изменения в материалах, что затруднил их распознавание. Необходимы дальнейшие исследования, чтобы определить, будет ли старение каким-либо образом ограничивать дальнейшее использование отсортированных материалов. Если конечный пользователь переработанного материала укажет, что состаренный хлопок с продуктами разложения альдегидов нежелателен, можно будет создать класс признания для состаренного хлопка. Что касается полиэфирной фракции, необходимы дополнительные исследования для выявления химических изменений в БИК-спектрах, которые можно использовать для распознавания состаренных полиэфирных фракций. Кроме того, стоит обратить внимание на разные типы полиэстера и не рассматривать полиэстер как один класс распознавания текстильных волокон.

Список литературы:

1. Dahlbo, H.; Aalto, K.; Eskelinen, H.; Salmenperä, H. Increasing textile circulation—Consequences and requirements. Sustain. Prod. Consum. 2017, 9, 44–57.
2. Muminjonovich K. A. CREATING MATHEMATICAL MODELS TO IDENTIFY DEFECTS IN TEXTILE MACHINERY FABRIC //Al-Farg’oniy avlodlari. – 2023. – Т. 1. – №. 4. – С. 257-261.
3. Muminjonovich K. A. METHODS OF TECHNOLOGICAL MACHINERY MONITORING AND FAULT DIAGNOSIS. Intent Research Scientific Journal, 2 (10), 11–17. – 2023.
4. Bergfjord, C.; Holst, B. A procedure for identifying textile bast fibres using microscopy: Flax, nettle/ramie, hemp and jute. Ultramicroscopy 2010, 110, 1192–1197.
5. Dunbar, M.; Murphy, T.M. DNS analysis of natural fibre rope. J. Forensic Sci. 2009, 54, 109–113.
6. Hardin, I.R.; Xiao, Q.W. The Use of pyrolysis-gas chromatography in textiles as an identification method. Text. Chem. Colorist 1989, 21, 29–32.
7. Rodgers, J.; Beck, K. NIR Characterization and Measurement of the Cotton Content of Dyed Blend Fabrics. Text. Res. J. 2009 , 79, 675–686.