Industrie 4.0 oplossingen voor het optimaal recupereren van waardevolle grondstoffen in Afgedankte Elektrische en Elektronische Apparaten (AEEA)

Demanufacturing is de disassemblage van producten tot zijn bouwstenen voor de recuperatie van, of het verder recycleren van, de waardevolle grondstoffen. Remanufacturing bestaat uit het herstellen, opwaarderen en reviseren van producten en componenten voor hergebruik. Het potentieel van de- en remanufacturing is evident uit voorgaande onderzoeken. Bijvoorbeeld, de demanufacturing van dunwandige televisie schermen met manuele disassemblage resulteerde in >90% recuperatie van speciale materialen en >50% recuperatie van technische plastics in tegenstelling tot <10% en <15% respectievelijk voor vermaal processen [1].

Indien hier bovenop remanufacturing technieken geïmplementeerd worden, dan kan de waarde recuperatie aanzienlijk stijgen, aangezien de hergebruik waarde van producten en componenten tot wel 500 maal de materiaal waarde is vast gesteld. Als de restwaarde van een component bijvoorbeeld 100 maal de materiaal waarde is, dan resulteert de recuperatie van 1 component uit 100 producten tweemaal de opbrengst. Ondanks dat de Vlaanderen één van de meest geavanceerde hergebruik netwerken bezit, nl. de Kringwinkels, is er nog veel potentieel in hergebruik. Daartegenover staat dat door de toenemende complexiteit van producten en hierbij gepaard gaande nodige herstel expertise de toenemende vraag niet tegemoet zullen komen, wat vandaag de dag al het geval is. Er is dus een nood aan intelligentere systemen die producten en producten kunnen identificeren om huidige de- en remanufacturing activiteiten te ondersteunen in het bepalen van de optimale waarde recuperatie strategie.

Voorgaand onderzoek is gebaseerd op de automatisatie van waarde recuperatie voor non- alsook semi-destructieve demontage processen zoals onder andere wasmachines [2] [3], computers [4], LCD monitoren [5]–[8], mobile telefoons [9] [10], afstandsbediening consoles [11], digitale fototoestellen [12] en wagens op het einde van hun leven [13]–[15]. Consumenten elektronica producent Apple lanceerde in 2016 een merkwaardig onderzoeksproject, genaamd Liam. Liam is een systeem bestaande uit 29 robot- cellen die gebouwd is voor de geautomatiseerde non-destructieve disassemblage van de iPhone 6. Het systeem zou 1.2 miljoen toestellen per jaar kunnen verwerken [16]. Dit systeem is echter ontworpen voor één bepaald toestel, in een gecentraliseerde opstelling bij Apple. Omwille van de schaal en grote variatie van geproduceerde elektronische toestellen, hun relatief korte levensduur, hun hoge materiaal waardes en de hoge kosten geassocieerd bij de logistiek voor een gecentraliseerd systeem is zulk een systeem niet haalbaar op grotere schaal. Bijgevolg is de grote uitdaging richting een circulaire economie het realiseren van systemen die dezelfde perfomantie behaald als Liam en zijn opvolger Daisy, maar product-aspecifiek in een gedecentraliseerde infrastructuur. De intelligentie nodig voor een dergelijk demanufacturing systeem heeft intrinsiek dezelfde karakteristieken als die in het Industrie 4.0 paradigma in de maak-industrie, i.e. de “real-time” analyse van een grote hoeveelheid data gegenereerd door een weelde van sensoren, die de processen bijsturen om continue optimale performante te garanderen [17]. Slimme product en component identificatie, aangevuld met “real-time” besliskunde die de optimale waarde recuperatie strategieën aanbeveelt wordt beoogd in dit onderzoek. Aangezien de beschikbaarheid van product data (zoals component en materiaal compositie) van de originele producent niet gegarandeerd is - een problematiek die genegeerd wordt in “state-of-the-art” algoritmes in de bepaling van optimale disassemblage strategieën [18] - nieuwe strategieën met zelf-lerende eigenschappen in de beoogde demanufacturing systeem zijn noodzakelijk.

Het doel van dit doctoraatsproject is het onderzoek naar de haalbaarheid van, en het ontwikkelen van intelligente demanufacturing systemen die de optimale waarde recuperatie garanderen richting een circulaire economie. De transfer van Industrie 4.0 strategieën naar de demanufacturing is hierbij cruciaal, aangezien zij een antwoord kunnen bieden op de toenemende product variatie en complexiteit.

Dit onderzoek wordt gedefinieerd door de volgende doelstellingen.

De ontwikkeling van een methode dat autonome en robuuste product identificatie AEEA producten toelaat. De haalbaarheid en de meerwaarde van computer visie systemen en geassocieerde algoritmes voor besliskunde bij onzekerheden worden hierbij getest.

De ontwikkeling van een autonome besliskunde module voor de bepaling van de optimale waarde recuperatie strategie voor geïdentificeerde producten. Een besliskundig systeem wordt beoogt om de optimale waarde recuperatie strategie te bepalen voor elk geïdentificeerd product, door middel van grenscondities te integreren zoals onder andere materiaal prijzen, tweede hands markt waarden en drukte van activiteiten te monitoren.

De ontwikkeling van een product data management systeem voor het beoogde Demanufacturing 4.0 oplossing. Omwille van de grote diversiteit van product data voor een Demanufacturing 4.0 oplossing vraagt gestructureerde en efficiënte databanken. Vertrekkende van de expertise binnen de Life Cycle Engineering groep, het onderzoek beoogt het exploreren van welke data noodzakelijk is voor zulk systeem, alsook de data structuren nodig voor het efficiënt opslaan en identificeren van producten.

De realisatie van zelf-lerende eigenschappen in demanufacturing systemen. Het zelf-lerende karakter van het system laat toe om operationeel te blijven bij de toenemende en nieuwe product varianties op de markt, alsook de identificatie parameters te verbeteren op basis van de nieuwe verkregen data.

Validatie van de beoogde methodes. De boogde methodes worden geëvalueerd op basis van laptops.

[1]          J. R. Peeters, P. Vanegas, J. R. Duflou, T. Mizuno, S. Fukushige, and Y. Umeda, “Effects of boundary conditions on the end-of-life treatment of LCD TVs,” CIRP Ann.-Manuf. Technol., vol. 62, no. 1, pp. 35–38, 2013.

[2]          G. Seliger, B. Basdere, T. Keil, and U. Rebafka, “Innovative Processes and Tools for Disassembly,” CIRP Ann. - Manuf. Technol., vol. 51, no. 1, pp. 37–40, 2002.

[3]          J. R. Duflou, G. Seliger, S. Kara, Y. Umeda, A. Ometto, and B. Willems, “Efficiency and feasibility of product disassembly: A case-based study,” CIRP Ann. - Manuf. Technol., vol. 57, no. 2, pp. 583–600, 2008.

[4]          F. Torres, P. Gil, S. T. Puente, J. Pomares, and R. Aracil, “Automatic PC disassembly for component recovery,” Int. J. Adv. Manuf. Technol., vol. 23, no. 1–2, pp. 39–46, 2004.

[5]          H.-J. Kim, S. Kernbaum, and G. Seliger, “Emulation-based control of a disassembly system for LCD monitors,” Int. J. Adv. Manuf. Technol., vol. 40, no. 3, pp. 383–392, Jan. 2009.

[6]          S. Vongbunyong and W. H. Chen, Disassembly Automation. Sidney, Australia: Springer International Publishing, 2015.

[7]          S. Vongbunyong, S. Kara, and M. Pagnucco, “Learning and Revision in Cognitive Robotics Disassembly Automation,” Robot Comput-Integr Manuf, vol. 34, no. C, pp. 79–94, Aug. 2015.

[8]          S. Vongbunyong, S. Kara, and M. Pagnucco, “Basic behaviour control of the vision-based cognitive robotic disassembly automation,” Assem. Autom., vol. 33, no. 1, pp. 38–56, 2013.

[9]          B. Basdere and G. Seliger, “Disassembly Factories for Electrical and Electronic Products To Recover Resources in Product and Material Cycles,” Environ. Sci. Technol., vol. 37, no. 23, pp. 5354–5362, Dec. 2003.

[10]        P. Kopacek and B. Kopacek, “Intelligent, flexible disassembly,” Int. J. Adv. Manuf. Technol., vol. 30, no. 5, pp. 554–560, Sep. 2006.

[11]        P. Schumacher and M. Jouaneh, “A system for automated disassembly of snap-fit covers,” Int. J. Adv. Manuf. Technol., vol. 69, no. 9, pp. 2055–2069, Dec. 2013.

[12]        M. Merdan, W. Lepuschitz, T. Meurer, and M. Vincze, “Towards ontology-based automated disassembly systems,” in IECON 2010-36th Annual Conference on IEEE Industrial Electronics Society, 2010, pp. 1392–1397.

[13]        J. Li, M. Barwood, and S. Rahimifard, “An automated approach for disassembly and recycling of Electric Vehicle components,” in 2014 IEEE International Electric Vehicle Conference (IEVC), 2014, pp. 1–6.

[14]        A. Sánchez et al., “Automatic Disassembly System Architecture for End-of-life Vehicles,” in Proceedings of the 9th WSEAS International Conference on International Conference on Automation and Information, Stevens Point, Wisconsin, USA, 2008, pp. 68–73.

[15]        A. J. Sánchez-Salmerón, M. Mellado, C. Ricolfe, A. Valera, J. J. Esteve-Taboada, and M. Giménez, “VIRTUAL PLATFORM FOR PROTOTYPE IMPLEMENTATION OF FLEXIBLE AUTOMATED DISASSEMBLY SYSTEMS,” IFAC Proc. Vol., vol. 40, no. 2, pp. 87–95, Jan. 2007.

[16]        C. Rujanavech, J. Lessard, S. Chandler, S. Shannon, J. Dahmus, and R. Guzzo, “Liam - An Innovation Story.” Sep-2016.

[17]        pwc, “Industry 4.0: Building the digital enterprise - 2016 Global Industry 4.0 Survey - Industry key findings.” pwc, 2016.

[18]        A. K. Parlikad and D. McFarlane, “RFID-based product information in end-of-life decision making,” Control Eng. Pract., vol. 15, no. 11, pp. 1348–1363, 2007.