EP0562506A2 - Verfahren und Vorrichtung zum Sortieren von Schüttgut - Google Patents

Verfahren und Vorrichtung zum Sortieren von Schüttgut Download PDF

Info

Publication number
EP0562506A2
EP0562506A2 EP93104640A EP93104640A EP0562506A2 EP 0562506 A2 EP0562506 A2 EP 0562506A2 EP 93104640 A EP93104640 A EP 93104640A EP 93104640 A EP93104640 A EP 93104640A EP 0562506 A2 EP0562506 A2 EP 0562506A2
Authority
EP
European Patent Office
Prior art keywords
measurement data
classification
parts
bulk material
classification parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP93104640A
Other languages
English (en)
French (fr)
Other versions
EP0562506A3 (de
Inventor
Norbert Dr. Stelte
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bodenseewerk Geratetechnik GmbH
Original Assignee
Bodenseewerk Geratetechnik GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bodenseewerk Geratetechnik GmbH filed Critical Bodenseewerk Geratetechnik GmbH
Publication of EP0562506A2 publication Critical patent/EP0562506A2/de
Publication of EP0562506A3 publication Critical patent/EP0562506A3/xx
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/363—Sorting apparatus characterised by the means used for distribution by means of air
    • B07C5/365—Sorting apparatus characterised by the means used for distribution by means of air using a single separation means
    • B07C5/366—Sorting apparatus characterised by the means used for distribution by means of air using a single separation means during free fall of the articles

Definitions

  • Such methods are used, for example, to sort broken glass in the reprocessing of waste glass according to the color, for example green, brown and white or even only "colored” and white.
  • the broken glass is separated so that each broken glass can be examined individually.
  • the spectral absorption or transmission at two or more different wavelengths is measured on the individual pieces of glass. From this, measurement data can be obtained from which the color of the broken glass can be deduced.
  • Classification is based on the measurement data. Control signals for controlling effectors are generated in accordance with this classification. The effectors sort the broken glass.
  • DE-C-34 45 428 describes a glass sorting device in which the broken glass falls through a chute.
  • the broken glass falls through light barriers with a light source and various photoelectric receivers, which are made sensitive to different wavelengths with the help of filters.
  • the signals from the receivers are integrated.
  • effectors are controlled in the form of scrapers.
  • the broken glass falls on a conveyor belt and is guided by the wipers from the conveyor belt into various containers.
  • EP-A-0 426 893 also describes a method and an apparatus for sorting broken glass, in which the intensity of the light guided through the cullet is measured at two different wavelengths. The differences in the intensities of the light passing through at the two wavelengths serve as measurement data for characterizing the glass. A fraction is separated from the broken glass in which the difference is less than a first threshold value and the intensities are greater than a second threshold value. These broken glass are considered to be colorless glass. The threshold values represent the classification parameters.
  • a compressed air stream serves as the effector.
  • classification parameters In all cases, classification parameters must be set. The definition of these classification parameters creates problems.
  • the fractions formed by the sorting are more valuable, the cleaner the different colors of the glass are separated. This is especially true for colorless glass, where even small amounts of colored glass significantly reduce the value of the old glass.
  • the setting of the classification parameters is therefore very critical.
  • the measurement data e.g. the quotient of the transmissions at two different wavelengths, for a fraction of broken glass, e.g. of green glass, by no means uniform.
  • the measurement data can fluctuate within the fraction within more or less wide limits.
  • the measurement data can also depend on other influences, for example on the degree of contamination or on the ambient temperature or air humidity (moisture, frozen moisture or fogging of broken glass). Setting the classification parameters is therefore not easy.
  • the invention has for its object to sort bulk goods, e.g. Glass breakage to find optimal classification parameters.
  • the invention is further based on the object of designing a device for sorting bulk material so that the setting of the classification parameters, e.g. from threshold values of the measurement data, to optimal values based on objective criteria.
  • a “learning phase” is thus provided, during which the classification parameters are determined and set, and a “sorting phase”, in which the bulk material is sorted on the basis of the set classification parameters.
  • the classification parameters are set in the learning phase as follows:
  • the sorted goods only contain parts that are assigned to either class A or class B.
  • N different measurement data are determined for each part, for example light intensities for N different spectral ranges.
  • Measurement data can also be data which are derived from primary data, for example quotients or differences in the intensities of different spectral ranges. By using such derived measurement data, the number of data to be processed can be reduced.
  • N different data can be represented as a point in an N-dimensional parameter space. If measurement data are taken from a part several times or measurement data from different parts of a class, the points in the parameter space do not generally coincide because of the unavoidable measurement errors and other influences. Rather, the points form a distribution (point cloud) in the N-dimensional parameter space.
  • class B point cloud in the same Parameter space.
  • the point clouds belonging to the different classes A and B will generally occupy areas in the N-dimensional parameter space that partially overlap.
  • the next task to be solved is to determine classification parameters which define an (N-1) -dimensional area in the parameter space which divides the entire parameter space into an area A and an area B.
  • This "area” is to be laid out in such a way that as many points of class A as possible lie in area A and as many points of class B as possible in area B. If the point clouds of classes A and B overlap, there is an optimization problem. For this optimization problem, an optimization criterion in the form of a cost function must be specified.
  • the two areas A and B separated by the area can each be connected. However, this is not absolutely necessary.
  • the one-dimensional (N-1) "area" is a line that divides the area into areas A and B.
  • the line can be open or e.g. to be closed in a circle.
  • Area A is then e.g. within the circle.
  • Area B is outside the circle.
  • Area A can also be formed by the interior of several circles.
  • the zero-dimensional surface is formed by one or more points.
  • the points divide the line into sections, which are each assigned to areas A or B.
  • X is the share of class A points that lie in area B, i.e. are misordered.
  • y is the proportion of points B that are in area A, which is also mis-sorted.
  • the coefficients a and b are determined from economic considerations. For the color sorting of waste glass, for example, the current value of the purity of the white glass of false colors determines the parameter a. The loss of white glass in the event of incorrect sorting into the colored fraction determines the parameter b.
  • the N-dimensional parameter space is divided into N-dimensional cells.
  • the cell size is an empirical parameter. In the two-dimensional case, this is a checkerboard-like division.
  • the rest of the parameter space is first defined as area "B".
  • area A is gradually expanded by one of the six possible neighboring cells at the expense of area B. After each such change in area, the cost function is checked. The area change is maintained if this reduces the cost function.
  • the cost function increases due to the area change, the area change is reversed. If, in addition to area expansion, a reduction in the area and the occupation of non-neighboring areas are also included, the global minimum of the cost function can also be found in addition to local minima of the cost function.
  • a parameter space divided into areas A and B results.
  • the breakdown is such that the cost function becomes minimal.
  • a part to be sorted is assigned to class A if its measurement data point in area N falls in the N-dimensional parameter space.
  • a part to be sorted is assigned to class B if its measurement data point falls in area B in the N-dimensional parameter space.
  • the calculation process can be accelerated by methods described in the literature, such as evolution strategies and genetic algorithms.
  • an approach for the description of the interface between the areas A and B can be chosen from the outset, which is defined by a set of classification parameters.
  • the statistical function of the classification parameters varies the cost function down to its global minimum.
  • the procedure is analogous if more than two classes are to be separated from one another.
  • the computer contains a neural network to which the measurement data of a known fraction are connected one after the other and whose weights in a training process as long as an algorithm of the neural network can be changed until measurement data of the parts belonging to the fraction are assigned to the fraction with the required probability.
  • Embodiments of the invention are the subject of the dependent claims.
  • 10 denotes a slide onto which waste glass in the form of broken glass can be placed.
  • the slide is designed so that the broken glass is separated.
  • the broken glass therefore passes individually through a measuring station 12.
  • the measuring station 12 contains an illuminating device 14 on one side of the translucent slide 10 there.
  • the illuminating device 14 sends white light through the broken glass.
  • the light is received by a sensor head 16.
  • 18 with a lens protector to protect the lenses contained in the sensor head 16 is designated.
  • the signals received by the sensor head 16 are connected to a computing and control unit 20.
  • the computing and control unit 20 supplies signals at an output 22 to control an effector 24.
  • the effector here is a compressed air nozzle, through which the broken glass falling from the end of the chute 10 is either passed via a distribution chute 26 into a first container 28 when the Compressed air nozzle no compressed air is supplied, or via a distributor chute 30 into a second container 32.
  • distribution to three containers can also be carried out in the same way.
  • the measuring station 12 is shown schematically in FIG.
  • the lighting device 14 contains a white light source 34.
  • the light bundle from the light source 34 is guided via an optical system 36 through the cullet 40 which is moved along a path 38.
  • the light is detected by the sensor head 16.
  • the sensor head 16 contains two photoelectric sensors 42 and 44.
  • a filter 46 and 48 are arranged in front of each of the sensors 42 and 44.
  • the light from the lighting device is through a Optics 50 and 52 collected on the respective sensor 42 and 44.
  • the sensors 42 and 44 provide signals which are proportional to the transmission of the respective glass of the shard 40 at the wavelength determined by the filter 46 and 48, respectively. After normalization (not shown), the signals from sensors 42 and 44 are logarithmized by logarithmic means 54 and 56, respectively. This provides the transmittance of the glass at the different wavelengths multiplied by the thickness of the glass. By forming quotients, represented by block 58, the thickness of the glass falls out, since the light of both wavelengths has passed through the same thickness of glass.
  • the quotients obtained are measurement data which are characteristic of the color of the glass. This can be seen from Fig.3.
  • Fig. 3 shows the transmissions of different types of glass depending on the wavelength. It can be seen that the quotient of the transmittance at two different wavelengths is characteristic of the color of the glass if the wavelengths are chosen appropriately.
  • the quotient for green glass gives a value close to 0.5, for brown glass one Value close to zero, while the quotient for white glass is about one. If you put thresholds between these values and consider glass for which the quotient is less than 0.25 as "brown”, glass for which the quotient is between 0.25 and 0.75 as “green” and glass for which the quotient above 0.75 is “white”, then you can sort the glass based on these thresholds.
  • the thresholds represent "classification parameters".
  • This classification based on the area in which the quotient of the transmittance lies is indicated in FIG. 2 by block 66.
  • a control signal is generated depending on the classification. This is represented by block 68.
  • the control signal controls the effector 24. This is represented by block 70.
  • the effector 24 directs the relevant piece of broken glass into the container corresponding to its color.
  • the frequency distribution is for white glass assigned to class "A" and the frequency distribution for brown and green glass is assigned to class "B".
  • the frequency distribution can be represented by point clouds in a one-dimensional parameter space, the parameter being the quotient of the logarithms of the intensities at two specific wavelengths.
  • a "histogram”, as shown in FIG. 5, can be used to better illustrate such a frequency distribution.
  • a number of adjacent ranges of values of these quotients are defined.
  • a fraction of broken glass of known color, for example brown, is measured.
  • the number of pieces of broken glass in which the quotients of the transmittance are within a certain range are counted. This number is assigned to the area.
  • a step function or a histogram such as histogram 72 in FIG. 5 then results.
  • histograms 74 and 76 are shown schematically as a kind of Gaussian curve. However, the histogram can have a completely different shape. If you e.g. if the green and brown fractions are combined to form a "colored" fraction, this results in histogram 75 for the combined, colored fraction.
  • classification parameters are thresholds in a one-dimensional parameter space.
  • X is the proportion of class A points awarded in the Area B are located, so they are mis-sorted.
  • y is the proportion of points B that are in area A, which is also mis-sorted.
  • the coefficients a and b are determined from economic considerations. For the color sorting of waste glass, for example, the current value of the purity of the white glass of false colors determines the parameter a. The loss of white glass in the event of incorrect sorting into the colored fraction determines the parameter b.
  • the statistical evaluation can be used to automatically set the classification parameters on the device for sorting bulk goods. This is shown schematically in Figure 4.
  • the quotients of the logarithms of the intensities at two predetermined wavelengths are formed as measurement data.
  • the measurement data entered in this way are digitized and classified according to size by a computer.
  • This classification is a fine classification of the measurement data that has nothing to do with the classification of the glass types.
  • This classification corresponds approximately to the division of the abscissa in Fig. 5 and serves to reduce the storage space used and the computing effort.
  • the classification is represented by block 84 in FIG.
  • the computer adds up the number of measured variables of the same class and thus forms a frequency distribution. This would correspond to curve 72 in FIG. 5.
  • the formation of a Frequency distribution is represented in FIG. 4 by block 86.
  • the frequency distribution is saved. This is represented by block 88.
  • influencing variables that can influence the measurement data also flow into this automatic specification.
  • This can e.g. the temperature or the humidity.
  • the influence of such influencing variables can be determined, for example, by measuring one and the same batch of broken glass at different atmospheric humidities in the manner described. There are then sets of classification parameters that are assigned to different atmospheric humidities. In normal sorting operation of the system, the air humidity is then measured continuously and the associated parameter set is automatically set. It is possible to simply set the set of classification parameters that belong to a humidity that is closest to the current humidity. However, a parameter set can also be obtained by interpolation. The same procedure can be applied to other influencing factors.
  • the humidity measurement (or measurement of another influencing variable) is represented by block 96.
  • the device described can be modified in various ways. Instead of the logarithms of the transmissions and their quotients, other functions can be spectral Properties of the glass to be sorted are used as measurement data. The principle described can be applied to the sorting of other bulk goods according to other criteria.
  • a neural network can also be provided as "self-learning" signal processing. Such a neural network is shown in FIG. 6.
  • the neural network 100 denotes a neural network that works with the "back propagation" algorithm.
  • the neural network has five inputs 102, 104, 106, 108 and 110. On these inputs 102, 104, 106, 108 and 110 the transmissions I at three different wavelengths and the ratios of the logarithms of the transmissions at the measured data are first and the second or at the third and the second wavelength.
  • the neural network has three outputs 112, 114 and 116.
  • the output 112 is assigned to the glass color "green”
  • the output 114 is assigned to the glass color "brown”
  • the output 116 is assigned to the glass color "white”.
  • fractions are again measured, for example of waste glass present as a broken glass.
  • the measurement data for green glass are successively applied to inputs 102 to 110.
  • Output 112 is set to "high", or logic one.
  • Outputs 114 and 116 are set to "zero”.
  • the weights in the neural network are gradually changed in the sense that a "high” or “logic one” at output 112 and “logic zero” at outputs 114 and 116 by inputting "green""Measurement data is obtained.
  • the measurement data entered at the inputs 102 to 110 are approximated as possible by iteratively changing the weights. This algorithm is therefore called “back propagation”.
  • Measured data here are the variables applied to inputs 102 to 110.
  • Classification parameters are the weights of the neural network that arise after the training of the neural network.

Abstract

Ein Verfahren zum Sortieren von Schüttgut, das aus einzelnen, zu sortierenden Teilen besteht, umfaßt die Verfahrensschritte: Bestimmung von Meßdaten für Eigenschaften, die für die Klassifikation der einzelnen Teile des Schüttgutes relevant sind, Klassifizieren der Teile anhand der Meßdaten nach empirisch bestimmten Klassifikationsparametern und Sortieren der Teile nach Maßgabe der Klassifikation. Zur Bestimmung der Klassifikationsparameter wird wenigstens eine Fraktion von Schüttgut vorbereitet, deren Teile einer Klasse der Klassifizierung zugeordnet ist. Die Meßdaten der Teile dieser Fraktion werden bestimmt, und es werden optimale Klassifikationsparameter unter Berücksichtigung der der in der Fraktion auftretenden Meßdaten ermittelt. Eine Einrichtung zum Sortieren von Schüttgut enthält eine Zufuhreinrichtung zum Zuführen des Schüttgutes, eine Vereinzelungseinrichtung zum Vereinzeln des Schüttgutes in einzelne zu sortierende Teile, eine Sensoreinrichtung zur Messung von für die Klassifikation der zu sortierenden Teile relevanten Eigenschaften und zur Erzeugung von Meßdaten, einen Rechner zur Klassifikation der zu sortierenden Teile anhand der Meßdaten nach einstellbaren Klassifikationsparametern und zur Erzeugung von Steuersignalen nach Maßgabe der Klassifikation und Effektormittel, die von den Steuersignalen gesteuert sind, zur Sortierung der Teile. Bei einer solchen Einrichtung sind Mittel zum Bestimmen der Werte der Klassifikationsparameter aus den Meßdaten zugeführter Fraktionen des Schüttguts und Mittel zum automatischen Einstellen der Klassifikationsparameter auf die so bestimmten Werte vorgesehen.
Figure imgaf001

Description

  • Die Erfindung betrifft ein Verfahren zum Sortieren von Schüttgut, das aus einzelnen, zu sortierenden Teilen besteht, mit den Verfahrensschritten:
    • (a) Bestimmung von Meßdaten für Eigenschaften, die für die Klassifikation der einzelnen Teile des Schüttgutes relevant sind,
    • (b) Klassifizieren der Teile anhand der Meßdaten nach empirisch bestimmten Klassifikationsparametern und
    • (c) Sortieren der Teile nach Maßgabe der Klassifikation.
  • Solche Verfahren werden beispielsweise angewandt, um Glasbruch bei der Wiederverarbeitung von Altglas nach der Farbe, z.B. grün, braun und weiß oder auch nur "farbig" und weiß, zu sortieren. Dabei werden die Glasscherben vereinzelt, so daß jede Glasscherbe für sich untersucht werden kann. An den einzelnen Glasscherben wird die spektrale Absorption oder Transmission bei zwei oder mehr verschiedenen Wellenlängen gemessen. Daraus können Meßdaten gewonnen werden, aus denen auf die Farbe der Glasscherben geschlossen werden kann. Über die Meßdaten erfolgt eine Klassifizierung. Nach Maßgabe dieser Klassifizierung werden Steuersignale zur Ansteuerung von Effektoren erzeugt. Die Effektoren bewirken eine Sortierung der Glasscherben.
  • Die DE-C-34 45 428 beschreibt eine Glas-Sortiereinrichtung, bei welcher die Glasscherben durch einen Fallschacht fallen. Dabei fallen die Glasscherben durch Lichtschranken mit einer Lichtquelle und verschiedenen photoelektrischen Empfängern, die mit Hilfe von Filtern für verschiedene Wellenlängen empfindlich gemacht sind. Die Signale der Empfänger werden integriert. In Abhängigkeit von den Empfängersignalen werden Effektoren in Form von Abstreifern angesteuert. Die Glasscherben fallen auf ein Förderband und werden von den Abstreifern von dem Förderband in verschiedene Behälter geleitet.
  • Die EP-A-0 426 893 beschreibt ebenfalls ein Verfahren und eine Vorrichtung zum Sortieren von Glasbruch, bei welcher die Intensität des durch die Scherben geleiteten Lichtes bei zwei verschiedenen Wellenlängen gemessen wird. Als Meßdaten zur Charakterisierung des Glases dienen die Differenzen der Intensitäten des bei den beiden Wellenlängen hindurchtretenden Lichts. Von den Glasscherben wird eine Fraktion abgetrennt, bei welcher die Differenz kleiner als ein erster Schwellwert und die Intensitäten größer als ein zweiter Schwellwert sind. Diese Glasscherben werden als farbloses Glas angesehen. Die Schwellwerte stellen die Klassifikationsparameter dar. Als Effektor dient dabei ein Druckluftstrom.
  • Bei der DE-A-37 31 402 dienen Klappen als Effektoren. Die Unterscheidung der Farben der Glasscherben erfolgt durch Lichtschranken mit Farbfiltern.
  • Ein Aufsatz von Germer "Optoelektronischer Glasscherben-Sortierer" in "messen + prüfen / automatik" (1983), 286-288 beschreibt eine Sortiereinrichtung, bei welcher ebenfalls die Transmission bei zwei Wellenlängen im Grünen und im Roten gemessen wird, wobei als Meßdaten zur Charakterisierung der Art des Glases die Quotienten der Transmissionen dienen.
  • In allen Fällen müssen Klassifikationsparameter festgelegt werden. Die Festlegung dieser Klassifikationsparameter bringt Probleme mit sich.
  • Die durch die Sortierung gebildeten Fraktionen sind umso wertvoller, je sauberer die Trennung der verschiedenen Farben des Glases erfolgt. Das gilt insbesondere für farbloses Glas, wo schon geringe Anteile von farbigem Glas den Wert des Altglases erheblich herabsetzen. Die Einstellung der Klassifikationsparameter ist daher sehr kritisch.
  • Andererseits sind die Meßdaten, z.B. der Quotient der Transmissionen bei zwei verschiedenen Wellenlängen, für eine Fraktion von Glasscherben, z.B. von grünem Glas, keineswegs einheitlich. Die Meßdaten können innerhalb der Fraktion in mehr oder weniger weiten Grenzen schwanken. Die Meßdaten können weiterhin von anderen Einflüssen abhängen, beispielsweise vom Grad der Verschmutzung oder von der Umgebungstemperatur oder Luftfeuchtigkeit (Feuchtigkeit, gefrorene Feuchtigkeit oder Beschlagen von Glasscherben). Die Einstellung der Klassifikationsparameter ist daher nicht einfach.
  • Der Erfindung liegt die Aufgabe zugrunde, bei der Sortierung von Schüttgut, z.B. Glasbruch, optimale Klassifikationsparameter zu finden.
  • Der Erfindung liegt weiter die Aufgabe zugrunde, eine Einrichtung zum Sortieren von Schüttgut so auszubilden, daß die Einstellung der Klassifikationsparameter, z.B. von Schwellwerten der Meßdaten, auf optimale Werte nach objektiven Kriterien automatisch erfolgt.
  • Das erfindungsgemäße Verfahren ist dadurch gekennzeichnet, daß
    • (d) zur Bestimmung der Klassifikationsparameter
      • wenigstens eine Fraktion von Schüttgut vorbereitet wird, deren Teile einer Klasse der Klassifizierung zugeordnet ist,
      • die Meßdaten der Teile dieser Fraktion bestimmt werden,
      • optimale Klassifikationsparameter unter Berücksichtigung der in der Fraktion auftretenden Meßdaten bestimmt werden.
  • Eine Einrichtung zum Sortieren von Schüttgut zur Durchführung dieses Verfahrens, enthaltend
    • (a) eine Zufuhreinrichtung zum Zuführen des Schüttgutes,
    • (b) eine Vereinzelungseinrichtung zum Vereinzeln des Schüttgutes in einzelne zu sortierende Teile,
    • (c) eine Sensoreinrichtung zur Messung von für die Klassifikation der zu sortierenden Teile relevanten Eigenschaften und zur Erzeugung von Meßdaten,
    • (d) einen Rechner zur Klassifikation der zu sortierenden Teile anhand der Meßdaten nach einstellbaren Klassifikationsparametern und zur Erzeugung von Steuersignalen nach Maßgabe der Klassifikation und
    • (e) Effektormittel, die von den Steuersignalen gesteuert sind, zur Sortierung der Teile,
    ist erfindungsgemäß gekennzeichnet durch
    Mittel zum Bestimmen der Werte der Klassifikationsparameter aus den Meßdaten zugeführter Fraktionen des Schüttguts und
    Mittel zum automatischen Einstellen der Klassifikationsparameter auf die so bestimmten Werte.
  • Erfindungsgemäß ist somit eine "Lernphase" vorgesehen, während welcher die Klassifikationsparameter ermittelt und eingestellt werden, und eine "Sortierphase", in welcher das Schüttgut aufgrund der eingestellten Klassifikationsparameter sortiert wird.
  • Die Einstellung der Klassifikationsparameter in der Lernphase geschieht wie folgt:
    Das Sortiergut enthalte nur Teile, die entweder der Klasse A oder der Klasse B zugeordnet sind. Es werden für jeden Teil N verschiedene Meßdaten ermittelt, beispielsweise Lichtintensitäten für N verschiedene Spektralbereiche. "Meßdaten" können auch Daten sein, die von primären Daten abgeleitet sind, z.B. Quotienten oder Differenzen der Intensitäten von verschiedenen Spektralbereichen. Durch die Verwendung solcher abgeleiteter Meßdaten kann die Anzahl der zu verarbeitenden Daten verringert werden.
  • N verschiedene Daten lassen sich als Punkt in einem N-dimensionalen Parameterraum darstellen. Wenn von einem Teil mehrfach Meßdaten genommen werden oder Meßdaten von verschiedenen Teilen einer Klasse, so fallen die Punkte im Parameterraum im allgemeinen wegen der unvermeidbaren Meßfehler und anderer Einflüsse nicht zusammen. Vielmehr bilden die Punkte eine Verteilung (Punktwolke) im N-dimensionalen Parameterraum.
  • In der Lernphase werden zunächst nur Meßdaten für Teile der Klasse A aufgenommen. Zu diesem Zweck werden der Sensoreinrichtung nur Teile der Klasse A als sortenreine Fraktion zugeführt. Damit erhält man die Punktwolke der Klasse A im N-dimensionalen Parameterraum.
  • In der gleichen Weise wird mit der Klasse B verfahren. Es ergibt sich daraus eine Punktwolke der Klasse B im gleichen Parameterraum. Die Punktwolken, die zu den verschiedenen Klassen A und B gehören, werden im allgemeinen in dem N-dimensionalen Parameterraum Gebiete einnehmen, die sich teilweise überlappen.
  • Als nächstes ist die Aufgabe zu lösen, Klassifikationsparameter zu bestimmen, die eine (N-1)-dimensionale Fläche im Parameterraum definieren, welche den gesamten Parameterraum in ein Gebiet A und ein Gebiet B unterteilt. Dabei ist diese "Fläche" so zu legen, daß möglichst viele Punkte der Klasse A im Gebiet A liegen und möglichst viele Punkte der Klasse B im Gebiet B. Wenn sich die Punktwolken der Klassen A und B überlappen, liegt ein Optimierungsproblem vor. Für dieses Optimierungsproblem muß ein Optimierungskriterium in Form einer Kostenfunktion vorgegeben werden.
  • Die beiden durch die Fläche getrennten Gebiete A und B können jeweils zusammenhängend sein. Das ist aber nicht zwingend notwendig.
  • In einem zweidimensionalen Parameterraum (Fläche) ist die eindimensionale (N-1) "Fläche" eine Linie, welche die Fläche in die Gebiete A und B unterteilt. Die Linie kann offen oder auch z.B. zu einem Kreis geschlossen sein. Gebiet A liegt dann z.B. innerhalb des Kreises. Gebiet B liegt außerhalb des Kreises. Gebiet A kann auch durch das Innere mehrerer Kreise gebildet sein.
  • In einem eindimensionalen Parameterraum (Linie) ist die null-dimensionale Fläche von einem Punkt oder mehreren Punkten gebildet. Die Punkte zerlegen die Linie in Teilstücke, welche jeweils den Gebieten A oder B zugeordnet werden.
  • Das Optimierungskriterium ist die Minimierung einer Kostenfunktion k = f(x,y)
    Figure imgb0001
     , z.B. k = a*x + b*y
    Figure imgb0002
     . Dabei ist x der Anteil der Punkte der Klasse A, die im Gebiet B liegen, also fehlsortiert sind. y ist der Anteil der Punkte B, die im Gebiet A liegen, also ebenfalls fehlsortiert sind. Die Koeffizienten a und b bestimmen sich aus Wirtschaftlichkeitserwägungen. Für die Farbsortierung von Altglas bestimmt z.B. der aktuelle Wert der Reinheit des weißen Glases von Fehlfarben den Parameter a. Der Verlust an weißem Glas bei einer Fehlsortierung in die farbige Fraktion bestimmt den Parameter b.
  • Für ein solches Optimierungsproblem ist eine Vielzahl von Lösungsverfahren in der Literatur bekannt. Ein einfaches Verfahren arbeitet wie folgt:
    Der N-dimensionale Parameterraum wird in N-dimensionale Zellen aufgeteilt, Dabei ist die Zellengröße ein empirischer Parameter. Im zweidimensionalen Fall ist das eine schachbrettartige Aufteilung. Man sucht dann die Zelle, wo das Verhältnis der Zahl der Punkte der Klasse A zu der Zahl der Punkte der Klasse B am größten ist. Diese Zelle wird zunächst als Gebiet "A" definiert. Der restliche Parameterraum wird zunächst als Gebiet "B" definiert. Mit Hilfe eines Zufallszahlen-Generators erweitert man das Gebiet A schrittweise um jeweils eine der sechs möglichen benachbarten Zellen auf Kosten des Gebietes B. Nach jeder solcher Gebietsveränderung wird die Kostenfunktion geprüft. Die Gebietsveränderung wird beibehalten, wenn dadurch die Kostenfunktion sinkt. Wenn dagegen die Kostenfunktion durch die Gebietsveränderung steigt, wird die Gebietsveränderung rückgängig gemacht. Wenn neben Gebietserweiterung auch Verkleinerung des Gebietes und die Besetzung nicht benachbarter Gebiete einbezogen wird, kann neben lokalen Minima der Kostenfunktion auch das globale Minimum der Kostenfunktion gefunden werden.
  • Am Ende des Verfahrens nach erfolgter Konvergenz der Kostenfunktion ergibt sich ein in die Gebiete A und B aufgeteilter Parameterraum. Die Aufteilung ist so erfolgt, daß die Kostenfunktion minimal wird. Es gibt einen Satz von Klassifikationsparametern, welche entweder direkt das Gebiet A oder das Gebiet B definieren, z.B. der Satz der Koordinaten der Zellen, die zu dem Gebiet A gehören, oder aber die (N-1)-dimensionale Begrenzungsfläche zwischen den Gebieten A und B definieren. Hier sind Näherungen denkbar, welche die Zahl der Klassifikationsparameter vermindern.
  • In der Sortierphase wird ein zu sortierender Teil der Klasse A zugeordnet, wenn sein Meßdatenpunkt im N-dimensionalen Parameterraum in das Gebiet A fällt. Ein zu sortierender Teil wird der Klasse B zugeordnet, wenn sein Meßdatenpunkt im N-dimensionalen Parameterraum in das Gebiet B fällt.
  • Die beschriebene Prozedur ist zwar rechenzeitaufwendig. Andererseits muß dies Prozedur nur für die erste Einstellung durchgeführt werden. Für nachfolgende Optimierungen kann dann von dem einmal gefundenen globalen Minimum ausgegangen werden.
  • Durch in der Literatur beschriebene Verfahren wie Evolutionsstrategien und genetische Algorithmen kann das Rechenverfahren beschleunigt werden. Insbesondere kann bei empirischem oder theoretischem Wissen um die Verteilung der Punktwolken von vornherein ein Ansatz für die Beschreibung der Trennfläche zwischen den Gebieten A und B gewählt werden, der durch einen Satz von Klassifikationsparametern definiert ist. In diesem Fall wird durch statistische Variation der Klassifikationsparameter die Kostenfunktion bis zu ihrem globalen Minimum variiert.
  • Ganz analog verfährt man, wenn mehr als zwei Klassen voneinander zu trennen sind.
  • Eine andere Möglichkeit besteht darin, daß der Rechner ein neuronales Netz enthält auf das die Meßdaten einer bekannten Fraktion nacheinander aufgeschaltet sind und dessen Gewichte in einem Trainingsvorgang solange nach einem Algorithmus des neuronalen Netzes veränderbar sind, bis Meßdaten der zu der Fraktion gehörenden Teile mit der erforderlichen Wahrscheinlichkeit der Fraktion zugeordnet werden.
  • Die Verwendung "lernender" Signalverarbeitungseinheiten für die Klassifikation und Sortierung hat den Vorteil, daß für die Bestimmung der Klassifikationsparameter die physikalischen Zusammenhänge zwischen Meßdaten und "Klasse" der zu sortierenden Teile nicht bekannt zu sein brauchen. Das kann von Bedeutung sein beim Sortieren von verschmutzten Glasscherben, bei denen solche Zusammenhänge u.U. unbekannt und nicht ohne weiteres herleitbar sind.
  • Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
  • Ein Ausführungsbeispiel der Erfindung ist nachstehend unter Bezugnahme auf die zugehörigen Zeichnungen näher erläutert.
    • Fig.1
    ist eine schematische Darstellung einer Einrichtung zum Sortieren von verschiedenfarbigem Altglas.
    Fig.2
    ist eine schematische Darstellung der Sensoranordnung und der Signalverarbeitung bei einer Anordnung nach Fig.1.
    Fig.3
    zeigt die Transmission von verschiedenen Glassorten als Funktion der Wellenlänge
    Fig.4
    ist ein Diagramm und zeigt die verschiedenen Stufen der Signalverarbeitung zur Bestimmung der optimalen Klassifikationsparameter.
    Fig.5
    zeigt als Beispiel drei Häufigkeitsverteilungen für die Meßdaten bei der Einrichtung von Fig.1 und 2, wenn nacheinander einheitliche Fraktionen von Altglas aufgegeben werden.
    Fig.6
    zeigt als Beispiel einer "selbst lernenden" Signalverarbeitung ein neuronales Netz.
  • In Fig.1 ist mit 10 eine Rutsche bezeichnet, auf welche Altglas in Form von Glasbruch aufgegeben werden kann. Die Rutsche ist so ausgebildet, daß eine Vereinzelung der Glasscherben stattfindet. Die Glasscherben passieren daher eine Meßstation 12 einzeln. Die Meßstation 12 enthält eine Beleuchtungseinrichtung 14 auf einer Seite der dort lichtdurchlässigen Rutsche 10. Die Beleuchtungseinrichtung 14 schickt weißes Licht durch die vorbeibewegten Glasscherben. Das Licht wird von einem Sensorkopf 16 empfangen. Mit 18 ist ein Objektivschutz zum Schutz der im Sensorkopf 16 enthaltenen Objektive bezeichnet. Die vom Sensorkopf 16 erhaltenen Signale sind auf eine Rechen- und Steuereinheit 20 geschaltet. Die Rechen- und Steuereinheit 20 liefert an einem Ausgang 22 Signale zur Ansteuerung eines Effektors 24. Der Effektor ist hier eine Druckluftdüse, durch welche die vom Ende der Rutsche 10 herabfallenden Glasscherben entweder über eine Verteilerrutsche 26 in einen ersten Behälter 28 geleitet wird, wenn der Druckluftdüse keine Druckluft zugeführt wird, oder über eine Verteilerrutsche 30 in einen zweiten Behälter 32. Es kann natürlich auch in gleicher Weise eine Verteilung auf drei Behälter erfolgen.
  • In Fig.2 ist schematisch die Meßstation 12 dargestellt. Die Beleuchtungseinrichtung 14 enthält eine weiße Lichtquelle 34. Das Lichtbündel von der Lichtquelle 34 wird über ein optisches System 36 durch die längs einer Bahn 38 vorbeibewegten Scherben 40 geleitet.
  • Das Licht wird von dem Sensorkopf 16 erfaßt. Der Sensorkopf 16 enthält zwei photoelektrische Sensoren 42 und 44. Vor den Sensoren 42 und 44 sind je ein Filter 46 bzw. 48 angeordnet. Das Licht von der Beleuchtungseinrichtung wird durch eine Optik 50 bzw. 52 auf dem jeweiligen Sensor 42 bzw. 44 gesammelt.
  • Die Sensoren 42 und 44 liefern Signale, die der Transmission des jeweiligen Glases der Scherbe 40 bei der durch das Filter 46 bzw. 48 bestimmten Wellenlänge proportional sind. Nach (nicht dargestellter) Normierung werden die Signale der Sensoren 42 und 44 durch Logarithmiermittel 54 bzw. 56 logarithmiert. Das liefert das Transmissionsvermögen des Glases bei den verschiedenen Wellenlängen jeweils multipliziert mit der Dicke des Glases. Durch Quotientenbildung, dargestellt durch Block 58, fällt die Dicke des Glases heraus, da das Licht beider Wellenlängen durch die gleiche Dicke von Glas hindurchgelaufen ist.
  • Die erhaltenen Quotienten sind Meßdaten, die für die Farbe des Glases charakteristisch sind. Das ist aus Fig.3 ersichtlich. Fig.3 zeigt die Transmissions verschiedener Glassorten in Abhängigkeit von der Wellenlänge. Man sieht, daß der Quotient der Transmissionsvermögen bei zwei verschiedenen Wellenlängen für die Farbe des Glases charakteristisch ist, wenn die Wellenlängen geeignet gewählt sind.
  • Der besseren Anschaulichkeit halber sind die Verhältnisse nachstehend anhand der (nicht logarithmierten) Transmissionen erläutert.
  • Mißt man etwa bei einer Wellenlänge in der Nähe des Minimums 60 der Transmissionskurve 62 für grünes Glas und in der Nähe des Maximums 64 dieser Transmissionskurve 62, dann ergibt der Quotient für grünes Glas einen Wert in der Nähe von 0,5, für braunes Glas einen Wert in der Nähe von null, während der Quotient für weißes Glas etwa eins ist. Legt man zwischen diese Werte Schwellen und betrachtet Glas, für das der Quotient etwa kleiner als 0,25 ist als "braun", Glas, bei welchem der Quotient zwischen 0,25 und 0,75 liegt als "grün" und Glas, bei dem der Quotient über 0,75 liegt als "weiß", dann kann man anhand dieser Schwellen das Glas sortieren. Die Schwellen stellen dabei "Klassifikationsparameter" dar.
  • Diese Klassifikation anhand des Bereiches in dem der Quotient der Transmissionsvermögen liegt, ist in Fig.2 durch Block 66 angedeutet. In Abhängigkeit von der Klassifizierung wird ein Steuersignal erzeugt. Das ist durch Block 68 dargestellt. Das Steuersignal steuert den Effektor 24 an. Das ist durch Block 70 dargestellt. Der Effektor 24 leitet die betreffende Glasscherbe in den ihrer Farbe entsprechenden Behälter.
  • Es ist einleuchtend, daß die Transmissionskurven z.B. von grünen Glasscherben nicht alle genau der Kurve 62 von Fig.3 entsprechen. "Grünes" Glas kann verschiedene Farbtöne und dementsprechend auch verschiedene Transmissionskurven haben. Veränderungen der Transmissionskurven treten auch durch anhaftende Etiketten und sonstige Verschmutzungen auf. Der Charakter der Transmissionskurve ist zwar im wesentlichen der gleiche, es treten aber Abweichungen von dem Verlauf nach Fig.3 auf. Das führt dann dazu, daß auch die Quotienten der bei den beiden ausgewählten Wellenlängen gemessenen Transmissionen in einem gewissen Bereich schwanken können. Die genaue Festlegung der Schwellen für die Klassifizierung bietet daher Schwierigkeiten.
  • Wenn gemischter Glasbruch, wie das in Fig.1 dargestellt ist, in zwei Fraktionen zu trennen ist, von denen eine Fraktion weißes Glas (Farbe 1) und die andere Fraktion braunes und grünes Glas (Farbe 2) enthält, ist die Häufigkeitsverteilung für weißes Glas der Klasse "A" zugeordnet, und die Häufigkeitsverteilung für braunes und grünes Glas ist der Klasse "B" zugeordnet. Die Häufigkeitsverteilung kann durch Punktwolken in einem eindimensionalen Parameterraum dargestellt werden, wobei der Parameter der Quotient der Logarithmen der Intensitäten bei zwei bestimmten Wellenlängen ist.
  • Wenn Messungen mit einer Fraktion von Glas bekannter Art, wie beispielsweise braunen Scherben von Glas, in typischer Zusammensetzung durchgeführt werden, und die damit erhaltenen Quotienten ("Meßdaten") der Größe nach klassifiziert werden, ergibt das eine Frequenzverteilung.
  • Zur besseren Darstellung einer solchen Frequenzverteilung kann ein "Histogramm" benutzt werden, wie es in Fig.5 dargestellt ist. Um ein solches Histogramm zu erhalten, wird eine Anzahl von aneinander angrenzenden Bereichen von Werten dieser Quotienten definiert. Es wird eine Fraktion von Glasscherben bekannter Farbe, beispielsweise braun, vermessen. Die Anzahl der Glasscherben, bei denen die Quotienten der Transmissionsvermögen innerhalb eines bestimmten Bereiches liegen, werden gezählt. Diese Anzahl wird dem Bereich zugeordnet. Es ergibt sich dann eine Stufenfunktion oder ein Histogramm wie das Histogramm 72 in Fig.5.
  • Wenn anschließend die gleichen Messungen mit typischen Fraktionen von grünen und weißen Glasscherben durchgeführt werden, kann das zu Histogrammen 74 bzw. 76 führen, wie sie in Fig.5 dargestellt sind. Die Histogramme 72, 74 und 76 in Fig.5 sind schematisch als eine Art Gaußkurven dargestellt. Das Histogramm kann jedoch auch ganz andere Form haben. Wenn man z.B. die grüne und die braune Fraktion zu einer "farbigen" Fraktion kombiniert, dann ergibt das etwa das Histogramm 75 für die kombinierte, farbige Fraktion.
  • Die statistischen Häufigkeitsverteilungen von typischen Fraktionen werden benutzt, um optimale Klassifikationsparameter zu bestimmen. Im vorliegenden Fall sind die Klassifikationsparameter Schwellen in einem eindimensionalen Parameterraum.
  • Wie oben erläutert wurde, ist das Optimierungskriterium die Minimierung einer Kostenfunktion k = f(x,y)
    Figure imgb0003
     , z.B. k = a*x + b*y
    Figure imgb0004
     . Dabei ist x der Anteil der Punkte der Klasse A, die im Gebiet B liegen, also fehlsortiert sind. y ist der Anteil der Punkte B, die im Gebiet A liegen, also ebenfalls fehlsortiert sind. Die Koeffizienten a und b bestimmen sich aus Wirtschaftlichkeitserwägungen. Für die Farbsortierung von Altglas bestimmt z.B. der aktuelle Wert der Reinheit des weißen Glases von Fehlfarben den Parameter a. Der Verlust an weißem Glas bei einer Fehlsortierung in die farbige Fraktion bestimmt den Parameter b.
  • Das kann zu einer Schwelle 80 in Fig.5 führen.
  • Mit einer solchen statistischen Auswertung ergibt sich eine sicherere Festlegung der Klassifikationsparameter. Diese Auswertung gestattet eine Optimierung nach bestimmten Kriterien. Die Festlegung ist unabhängig von Willkür und Fehleinschätzungen des Benutzers.
  • Die statistische Auswertung kann benutzt werden, um die Klassifikationsparameter an der Einrichtung zum Sortieren von Schüttgut automatisch einzustellen. Das ist in Fig.4 schematisch dargestellt.
  • Es wird eine erste Charge z.B. von braunem Glas aufgegeben. Als Meßdaten werden die Quotienten der Logarithmen der Intensitäten bei zwei vorgegebenen Wellenlängen gebildet. Das ist durch Block 82 in Fig.4 dargestellt. Die so eingegebenen Meßdaten werden digitalisiert und durch einen Rechner der Größe nach klassifiziert. Diese Klassifikation ist eine Feinklassifikation der Meßdaten, die noch nichts mit der Klassifikation der Glassorten zu tun hat. Diese Klassifikation entspricht etwa der Teilung der Abszisse in Fig.5 und dient der Reduzierung des benutzten Speicherplatzes und des Rechenaufwands. In Fig.4 ist die Klassifikation durch Block 84 dargestellt. Der Rechner addiert die Zahl der Meßgrößen gleicher Klasse auf und bildet so eine Häufigkeitsverteilung. Das entspräche der Kurve 72 von Fig.5. Die Bildung einer Häufigkeitsverteilung ist in Fig.4 durch den Block 86 dargestellt. Die Häufigkeitsverteilung wird gespeichert. Das ist durch Block 88 dargestellt.
  • Nach Speichern der ersten Häufigkeitsverteilung wird eine Charge von Altglas der nächsten Farbe, also z.B. von grünem Glasbruch, aufgegeben. Das ist durch eine Schleife 90 symbolisiert. Wenn alle Farben auf diese Weise vermessen sind, wenn also drei Häufigkeitsverteilungen nach Art von Fig.5 gespeichert sind, werden die Schwellen oder Klassifikationsparameter durch den Rechner optimiert. Das ist durch Block 92 dargestellt. Nach Maßgabe dieser Optimierung werden in der Anlage automatisch die Klassifikationsparameter vorgegeben. Das ist in Fig.4 durch Block 94 dargestellt.
  • In diese automatische Vorgabe fließen noch andere Einflußgrößen ein, welche die Meßdaten beeinflussen können. Das kann z.B. die Temperatur oder die Luftfeuchtigkeit sein. Der Einfluß solcher Einflußgrößen kann etwa dadurch ermittelt werden, daß ein und dieselbe Charge von Glasbruch bei verschiedenen Luftfeuchtigkeiten in der beschriebenen Weise vermessen wird. Es liegen dann Sätze von Klassifikationsparametern vor, die verschiedenen Luftfeuchtigkeiten zugeordnet sind. Im normalen Sortierbetrieb der Anlage wird dann ständig die Luftfeuchtigkeit gemessen und automatisch der zugehörige Parametersatz eingestellt. Es ist möglich, einfach den Satz von Klassifikationsparametern einzustellen, der zu einer Luftfeuchtigkeit gehört, welche der aktuellen Luftfeuchtigkeit am nächsten liegt. Es kann aber auch ein Parametersatz durch Interpolation gewonnen werden. Das gleiche Verfahren ist auf andere Einflußgrößen anwendbar. Die Luftfeuchtigkeitsmessung (oder Messung einer sonstigen Einflußgröße) ist durch Block 96 dargestellt.
  • Die beschriebene Einrichtung kann in verschiedener Weise modifiziert werden. Statt der Logarithmen der Transmissionen und deren Quotienten können andere Funktionen spektraler Eigenschaften des zu sortierenden Glases als Meßdaten benutzt werden. Das beschriebene Prinzip kann auf die Sortierung anderer Schüttgüter nach anderen Kriterien angewandt werden.
  • Statt einer Auswertung der statistischen Häufigkeitsverteilung der Meßdaten kann auch als "selbst lernende" Signalverarbeitung ein neuronales Netz vorgesehen sein. Ein solches neuronales Netz ist in Fig.6 dargestellt.
  • Mit 100 ist ein neuronales Netz bezeichnet, das mit dem Algorithmus der "Backpropagation" arbeitet. Das neuronale Netz hat im vorliegenden Fall fünf Eingänge 102, 104, 106, 108 und 110. Auf diese Eingänge 102, 104, 106, 108 und 110 sind als Meßdaten die Transmissionen I bei drei verschiedenen Wellenlängen und die Verhältnisse der Logarithmen der Transmissionen bei der ersten und der zweiten bzw. bei der dritten und der zweiten Wellenlänge aufgeschaltet. Das neuronale Netz hat drei Ausgänge 112, 114 und 116. Der Ausgang 112 ist der Glasfarbe "grün" zugeordnet, der Ausgang 114 ist der Glasfarbe "braun" zugeordnet und der Ausgang 116 ist der Glasfarbe "weiß" zugeordnet. In einem Trainingsprozess werden wieder Fraktionen z.B. von als Glasbruch vorliegendem Altglas vermessen. Die Meßdaten für z.B. grünes Glas werden nacheinander auf die Eingänge 102 bis 110 aufgeschaltet. Der Ausgang 112 wird auf "Hoch", oder logisch eins, gesetzt. Die Ausgänge 114 und 116 werden auf "null" gesetzt. Durch Iterationsschritte entsprechend einem "Backpropagation"-Algorithmus werden die Gewichte in dem neuronalen Netz stufenweise in dem Sinne verändert, daß ein "Hoch" oder "logisch eins" am Ausgang 112 und "logisch null" an den Ausgängen 114 und 116 durch eingegebene "grüne" Meßdaten erhalten wird. Es werden also von den Ausgängen 112, 114 und 116 her die an den Eingängen 102 bis 110 eingegebenen Meßdaten durch iterative Veränderung der Gewichte möglichst angenähert. Daher wird dieser Algorithmus als "Backpropagation" bezeichnet. Dieser Algorithmus ist an sich dem Fachmann geläufig und braucht daher hier nicht im einzelnen beschrieben zu werden (vgl. z.B. Ritter,Martinetz und Schulten "Neuronale Netze", 2. Auflage 1991, Addison-Wesley Publishing Company, insbes. Seiten 53 bis 60). Dieses Trainieren wird dann mit einer Fraktion von "braunem" Glas und einer Fraktion von "weißem" Glas wiederholt.
  • Nach Trainieren des neuronalen Netzes wird bei Eingabe der Meßdaten von z.B. grünem Glas vorwiegend ein Ausgangssignal an dem Ausgang 112 erscheinen. Die Signale an den Ausgängen 114 und 116 sind wesentlich schwächer. Entsprechend wird bei Eingabe von braunem Glas vorwiegend ein Ausgangssignal an dem Ausgang 114 und bei Eingabe von Meßdaten von weißem Glas vorwiegend ein Ausgangssignal an dem Ausgang 116 erscheinen. Die Signale an den jeweils anderen Ausgängen sind wesentlich schwächer. Durch Vorgabe eines Schwellwertes, dargestellt durch die Blöcke 118, 120 und 122, können dann eindeutige Klassifikationsaussagen "grün", "braun" oder "weiß" gewonnen werden. Nach Maßgabe dieser Klassifikationsaussagen werden die Effektoren angesteuert, so daß die Glasscherben in den entsprechenden Behälter sortiert werden.
  • "Meßdaten" sind hier die auf die Eingänge 102 bis 110 aufgeschalteten Größen. "Klassifikationsparameter" sind die Gewichte des neuronalen Netzes, die sich nach dem Trainieren des neuronalen Netzes einstellen.

Claims (10)

  1. Verfahren zum Sortieren von Schüttgut, das aus einzelnen, zu sortierenden Teilen besteht, mit den Verfahrensschritten:
    (a) Bestimmung von Meßdaten für Eigenschaften, die für die Klassifikation der einzelnen Teile des Schüttgutes relevant sind,
    (b) Klassifizieren der Teile anhand der Meßdaten nach empirisch bestimmten Klassifikationsparametern und
    (b) Sortieren der Teile nach Maßgabe der Klassifikation,
    dadurch gekennzeichnet, daß
    (c) zur Bestimmung der Klassifikationsparameter
    - wenigstens eine Fraktion von Schüttgut vorbereitet wird, deren Teile einer Klasse der Klassifizierung zugeordnet ist,
    - die Meßdaten der Teile dieser Fraktion bestimmt werden,
    - optimale Klassifikationsparameter unter Berücksichtigung der in der Fraktion auftretenden Meßdaten bestimmt werden.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß
    - die Meßdaten in Größenklassen klassifiziert werden und
    - zur Bestimmung der Klassifikationsparameter die Häufigkeitsverteilung der so klassifizierten Meßdaten bestimmt wird.
  3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, daß zur Bestimmung der Klassifikationsparameter mehrere Fraktionen von Schüttgut, die verschiedenen Klassen angehören, gemessen und klassifiziert werden.
  4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, daß das Schüttgut Glasbruch ist, der nach Glasfarben sortiert wird.
  5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, daß als Meßdaten die Verhältnisse der Logarithmen der spektralen Transmissionen der Teile bei zwei verschiedenen Wellenlängen benutzt werden, wobei die Klassifikationsparameter von Grenzwerten dieses Verhältnisses gebildet werden.
  6. Einrichtung zum Sortieren von Schüttgut zur Durchführung des Verfahrens nach Anspruch 1, enthaltend
    (a) eine Zufuhreinrichtung (10) zum Zuführen des Schüttgutes,
    (b) eine Vereinzelungseinrichtung zum Vereinzeln des Schüttgutes in einzelne zu sortierende Teile,
    (c) eine Sensoreinrichtung (12) zur Messung von für die Klassifikation der zu sortierenden Teile relevanten Eigenschaften und zur Erzeugung von Meßdaten,
    (d) einen Rechner (20) zur Klassifikation der zu sortierenden Teile anhand der Meßdaten nach einstellbaren Klassifikationsparametern und zur Erzeugung vor Steuersignalen nach Maßgabe der Klassifikation und
    (e) Effektormittel (24), die von den Steuersignalen gesteuert sind, zur Sortierung der Teile,
    gekennzeichnet durch
       Mittel (82 bis 90) zum Bestimmen der Werte der Klassifikationsparameter aus den Meßdaten zugeführter Fraktionen des Schüttguts und
       Mittel (94) zum automatischen Einstellen der Klassifikationsparameter auf die so bestimmten Werte.
  7. Einrichtung nach Anspruch 6, dadurch gekennzeichnet, daß die Mittel zum Bestimmen der Klassifikationsparameter
    (a) Mittel (84) zur Klassifikation der Meßdaten und
    (b) Mittel (86) zur Bestimmung und Speicherung der Häufigkeitsverteilung der so klassifizierten Meßdaten aufweisen.
  8. Einrichtung nach Anspruch 7, dadurch gekennzeichnet, daß die Mittel zur Bestimmung der Klassifikationsparameter Mittel (92) zur Bestimmung optimaler Klassifikationsparameter aus gespeicherten Häufigkeitsverteilungen verschiedener Fraktionen des Schüttgutes enthalten.
  9. Einrichtung nach Anspruch 8, dadurch gekennzeichnet, daß die Klassifikationsparameter nach Maßgabe weiterer unabhängiger Meßdaten veränderbar sind.
  10. Einrichtung nach Anspruch 5, dadurch gekennzeichnet, daß der Rechner ein neuronales Netz (100) enthält auf das die Meßdaten einer bekannten Fraktion nacheinander aufgeschaltet sind und dessen Gewichte in einem Trainingsvorgang solange nach einem Algorithmus des neuronalen Netzes (100) veränderbar sind, bis Meßdaten der zu der Fraktion gehörenden Teile mit der erforderlichen Wahrscheinlichkeit der Fraktion zugeordnet werden.
EP93104640A 1992-03-27 1993-03-22 Verfahren und Vorrichtung zum Sortieren von Schüttgut Withdrawn EP0562506A2 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE4210157 1992-03-27
DE4210157A DE4210157C2 (de) 1992-03-27 1992-03-27 Verfahren zum Sortieren von Glasbruch

Publications (2)

Publication Number Publication Date
EP0562506A2 true EP0562506A2 (de) 1993-09-29
EP0562506A3 EP0562506A3 (de) 1995-01-25

Family

ID=6455267

Family Applications (1)

Application Number Title Priority Date Filing Date
EP93104640A Withdrawn EP0562506A2 (de) 1992-03-27 1993-03-22 Verfahren und Vorrichtung zum Sortieren von Schüttgut

Country Status (4)

Country Link
US (1) US5333739A (de)
EP (1) EP0562506A2 (de)
JP (1) JPH0643092A (de)
DE (1) DE4210157C2 (de)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0602464A2 (de) * 1992-12-12 1994-06-22 RWE Entsorgung Aktiengesellschaft Verfahren zum Erkennen von Objekten und Vorrichtung zur Durchführung des Verfahrens
EP0661108A2 (de) * 1993-12-28 1995-07-05 H.F. & Ph.F. Reemtsma GmbH & Co Verfahren zum optischen Sortieren von Schüttgut
GB2289942A (en) * 1994-06-03 1995-12-06 Brown & Williamson Tobacco Detecting and separating foreign objects from particulate matter stream
WO1997005969A1 (en) * 1995-08-09 1997-02-20 Alcan International Limited Method of sorting pieces of material
FR2752178A1 (fr) * 1996-08-06 1998-02-13 Vauche P Sa Machine de tri de bouteilles plastiques et procede mis en oeuvre par la machine
EP0775533A3 (de) * 1995-11-24 1998-06-17 Elpatronic Ag Sortierverfahren
US6234317B1 (en) 1999-04-15 2001-05-22 Wolfgang Sommer Device for sorting raw, pre-treated or recycled bulk material
WO2004045781A1 (en) * 2002-11-20 2004-06-03 Qinetiq Limited Apparatus and method for sorting objects by colour
DE202006019722U1 (de) * 2006-12-29 2008-04-30 Krones Ag Vorrichtung zum Behandeln von Gefäßen
CN106865156A (zh) * 2017-04-05 2017-06-20 江先庆 一种刮板输送机中部槽磨损检测装置及其检测方法

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4322865A1 (de) * 1993-07-09 1995-01-12 Bodenseewerk Geraetetech Gerät zur Messung der Farbe von Glas, insbesondere von Glasbruch
JPH07132269A (ja) * 1993-11-10 1995-05-23 Kanetsuu Eng Kk カレット色別自動選別機及び選別方法
DE4415959A1 (de) * 1994-05-06 1995-11-09 Hergeth Hubert A Maschine zum Ausscheiden von metallischen Fremdteilen in einem Textilfaserstrom
DE19511901A1 (de) * 1995-03-31 1996-10-02 Commodas Gmbh Vorrichtung und Verfahren zum Sortieren von Schüttgut
DE19736536A1 (de) * 1997-08-22 1999-02-25 Ais Sommer Gmbh Vorrichtung zur Sortierung von rohstofflichen, vorveredelten oder recycelten Schüttgütern, die aus einzelnen zu sortierenden Teilen bestehen, wobei die Klassifizierung der zu sortierenden Teile nach empirisch bestimmten Klassifikationsparametern erfolgt und das auszusortierende Schüttgut abgeleitet wird
US6144004A (en) 1998-10-30 2000-11-07 Magnetic Separation Systems, Inc. Optical glass sorting machine and method
US6155489A (en) * 1998-11-10 2000-12-05 Ncr Corporation Item checkout device including a bar code data collector and a produce data collector
US6332573B1 (en) 1998-11-10 2001-12-25 Ncr Corporation Produce data collector and produce recognition system
US7019822B1 (en) 1999-04-29 2006-03-28 Mss, Inc. Multi-grade object sorting system and method
US6286655B1 (en) 1999-04-29 2001-09-11 Advanced Sorting Technologies, Llc Inclined conveyor
US6250472B1 (en) 1999-04-29 2001-06-26 Advanced Sorting Technologies, Llc Paper sorting system
US6369882B1 (en) 1999-04-29 2002-04-09 Advanced Sorting Technologies Llc System and method for sensing white paper
US6374998B1 (en) 1999-04-29 2002-04-23 Advanced Sorting Technologies Llc “Acceleration conveyor”
AT3418U1 (de) 1999-04-30 2000-03-27 Waagner Biro Binder Aktiengese Verfahren und vorrichtung zum sortieren von altpapier
US6431446B1 (en) 1999-07-28 2002-08-13 Ncr Corporation Produce recognition system and method
DE10011093A1 (de) * 2000-03-09 2001-10-04 Commodas Gmbh Sortiervorrichtung und Sortierverfahren für dreidimensionale, insbesondere Hohlkörper
US6497324B1 (en) 2000-06-07 2002-12-24 Mss, Inc. Sorting system with multi-plexer
US7041926B1 (en) 2002-05-22 2006-05-09 Alan Richard Gadberry Method and system for separating and blending objects
US7081217B2 (en) * 2002-06-13 2006-07-25 Dan Treleaven Method for making plastic materials using recyclable plastics
AT411875B (de) * 2002-06-19 2004-07-26 Profactor Produktionsforschung Sortieranlage
US7355140B1 (en) * 2002-08-12 2008-04-08 Ecullet Method of and apparatus for multi-stage sorting of glass cullets
US8436268B1 (en) 2002-08-12 2013-05-07 Ecullet Method of and apparatus for type and color sorting of cullet
US7351929B2 (en) * 2002-08-12 2008-04-01 Ecullet Method of and apparatus for high speed, high quality, contaminant removal and color sorting of glass cullet
US7326871B2 (en) * 2004-08-18 2008-02-05 Mss, Inc. Sorting system using narrow-band electromagnetic radiation
US7383695B2 (en) * 2004-11-12 2008-06-10 Culchrome Llc Method of analyzing mixed-color cullet to facilitate its use in glass manufacture
DE102008036069A1 (de) 2008-08-04 2010-02-25 Csl Behring Gmbh Vorrichtung und Verfahren zur Detektion von Glasbruch in einem Durchlauf-Sterilisiertunnel
US20100230330A1 (en) * 2009-03-16 2010-09-16 Ecullet Method of and apparatus for the pre-processing of single stream recyclable material for sorting
KR101462920B1 (ko) * 2014-05-27 2014-11-26 이광훈 퇴적물 분류 속도가 향상된, 탄성파 탐사 자료에 의하여 해저면 퇴적물의 종류를 자동 분류하는 방법
DE102017119137A1 (de) * 2017-08-22 2019-02-28 Sesotec Gmbh Verfahren zur Detektion und Aussonderung von Sonderglas aus Recyclingglas
US10512942B2 (en) * 2017-10-30 2019-12-24 Optisort, Llc System and method for sorting objects

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE1797327B1 (de) * 1964-09-25 1974-01-03 Kollmorgen Corp , Garden City, NY (V St A ) Geraet zur messung des optischen reflexionsvermoegens bzw der durchlaessigkeit
EP0111877A1 (de) * 1982-12-21 1984-06-27 ILLYCAFFE S.p.A. Verfahren zum Sortieren von körnigem Material und Maschine zur Ausführung dieses Verfahrens
EP0342354A2 (de) * 1988-04-15 1989-11-23 Tecnostral S.A. Industria E Tecnologia Vorrichtung zur Sortierung nach Farbe
EP0426893A1 (de) * 1989-11-08 1991-05-15 Siemens Aktiengesellschaft Verfahren und Einrichtung zum Sortieren
EP0452235A1 (de) * 1990-04-12 1991-10-16 Verreries Souchon Neuvesel - Vsn Verfahren und Vorrichtung zum digitalen optischen Sortieren einer Masse von Partikeln, insbesondere Glasscherben
US5085325A (en) * 1988-03-08 1992-02-04 Simco/Ramic Corporation Color sorting system and method
GB2247312A (en) * 1990-07-16 1992-02-26 Univ Brunel Surface Inspection

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3737239A (en) * 1971-07-16 1973-06-05 Hoffmann La Roche Machine color recognition
DE2722294A1 (de) * 1976-05-19 1977-12-01 Ultra Sort Corp Vorrichtung zum sortieren von gegenstaenden
US4132314A (en) * 1977-06-13 1979-01-02 Joerg Walter VON Beckmann Electronic size and color sorter
US4259020A (en) * 1978-10-30 1981-03-31 Genevieve I. Hanscom Automatic calibration control for color grading apparatus
DE3039979C2 (de) * 1980-10-23 1984-08-02 Matthias Ing.(grad.) 8097 Vogtareuth Heinhaus Anordnung zum optoelektronischen Klassieren von Festkörpern nach Farbe und/oder Strukturbeschaffenheit
US4476982A (en) * 1981-04-01 1984-10-16 Sunkist Growers, Inc. Method and apparatus for grading articles according to their surface color
DE3445428A1 (de) * 1984-12-13 1986-06-19 MAB Marlis Kellermann, 7521 Dettenheim Glas-sortieranlage
US4690284A (en) * 1985-10-04 1987-09-01 Cochlea Corporation Method of and apparatus for inspecting objects using multiple position detectors
DE3731402A1 (de) * 1987-06-11 1988-12-29 Mabeg Muell & Abfall Anlage zur trennung von abfallhohlglaesern, insbesondere von flaschen mindestens nach weiss- und buntglas
DE3804391A1 (de) * 1988-02-12 1989-08-24 Hubertus Exner Verfahren und vorrichtung zum sortieren von altglasbruchstuecken
US5002397A (en) * 1988-04-13 1991-03-26 International Integrated Systems, Inc. System of fluid inspection and/or identification
DE3817026A1 (de) * 1988-05-19 1989-11-23 Hecht Dieter Dipl Ing Fh Verfahren und einrichtung zum sortieren von altglas
US4919534A (en) * 1988-09-30 1990-04-24 Environmental Products Corp. Sensing of material of construction and color of containers
US4992949A (en) * 1989-01-27 1991-02-12 Macmillan Bloedel Limited Color sorting of lumber
DE3914360A1 (de) * 1989-04-29 1990-10-31 Hubertus Exner Verfahren und vorrichtung zum verteilen von kleinteilen, wie glasbruchstuecken

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE1797327B1 (de) * 1964-09-25 1974-01-03 Kollmorgen Corp , Garden City, NY (V St A ) Geraet zur messung des optischen reflexionsvermoegens bzw der durchlaessigkeit
EP0111877A1 (de) * 1982-12-21 1984-06-27 ILLYCAFFE S.p.A. Verfahren zum Sortieren von körnigem Material und Maschine zur Ausführung dieses Verfahrens
US5085325A (en) * 1988-03-08 1992-02-04 Simco/Ramic Corporation Color sorting system and method
EP0342354A2 (de) * 1988-04-15 1989-11-23 Tecnostral S.A. Industria E Tecnologia Vorrichtung zur Sortierung nach Farbe
EP0426893A1 (de) * 1989-11-08 1991-05-15 Siemens Aktiengesellschaft Verfahren und Einrichtung zum Sortieren
EP0452235A1 (de) * 1990-04-12 1991-10-16 Verreries Souchon Neuvesel - Vsn Verfahren und Vorrichtung zum digitalen optischen Sortieren einer Masse von Partikeln, insbesondere Glasscherben
GB2247312A (en) * 1990-07-16 1992-02-26 Univ Brunel Surface Inspection

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0602464A2 (de) * 1992-12-12 1994-06-22 RWE Entsorgung Aktiengesellschaft Verfahren zum Erkennen von Objekten und Vorrichtung zur Durchführung des Verfahrens
EP0602464A3 (de) * 1992-12-12 1994-12-21 Rwe Entsorgung Ag Verfahren zum Erkennen von Objekten und Vorrichtung zur Durchführung des Verfahrens.
EP0661108A2 (de) * 1993-12-28 1995-07-05 H.F. & Ph.F. Reemtsma GmbH & Co Verfahren zum optischen Sortieren von Schüttgut
EP0661108A3 (de) * 1993-12-28 1997-02-12 Reemtsma H F & Ph Verfahren zum optischen Sortieren von Schüttgut.
GB2289942A (en) * 1994-06-03 1995-12-06 Brown & Williamson Tobacco Detecting and separating foreign objects from particulate matter stream
GB2289942B (en) * 1994-06-03 1998-11-11 Brown & Williamson Tobacco Method and apparatus for detecting and separating foreign objects from a particulate matter stream
WO1997005969A1 (en) * 1995-08-09 1997-02-20 Alcan International Limited Method of sorting pieces of material
US5813543A (en) * 1995-08-09 1998-09-29 Alcan International Limited Method of sorting pieces of material
EP0775533A3 (de) * 1995-11-24 1998-06-17 Elpatronic Ag Sortierverfahren
EP0824042A1 (de) * 1996-08-06 1998-02-18 P. Vauche S.A. Einrichtung zum Sortieren von Kunststoffflaschen und mit dieser durchgeführtes Verfahren
FR2752178A1 (fr) * 1996-08-06 1998-02-13 Vauche P Sa Machine de tri de bouteilles plastiques et procede mis en oeuvre par la machine
US6234317B1 (en) 1999-04-15 2001-05-22 Wolfgang Sommer Device for sorting raw, pre-treated or recycled bulk material
WO2004045781A1 (en) * 2002-11-20 2004-06-03 Qinetiq Limited Apparatus and method for sorting objects by colour
DE202006019722U1 (de) * 2006-12-29 2008-04-30 Krones Ag Vorrichtung zum Behandeln von Gefäßen
CN106865156A (zh) * 2017-04-05 2017-06-20 江先庆 一种刮板输送机中部槽磨损检测装置及其检测方法
CN106865156B (zh) * 2017-04-05 2018-10-12 张惠雄 一种刮板输送机中部槽磨损检测装置及其检测方法

Also Published As

Publication number Publication date
DE4210157A1 (de) 1993-09-30
JPH0643092A (ja) 1994-02-18
DE4210157C2 (de) 1994-12-22
EP0562506A3 (de) 1995-01-25
US5333739A (en) 1994-08-02

Similar Documents

Publication Publication Date Title
EP0562506A2 (de) Verfahren und Vorrichtung zum Sortieren von Schüttgut
EP2598860B1 (de) Verfahren, sensoreinheit und maschine zum detektieren von "zuckerspitzen"-defekten in kartoffeln
DE4129754C2 (de) Verfahren zur Gewinnung sortenreiner Kunststofffraktionen
DE69921021T2 (de) Verfahren zum Unterscheiden von Produkteinheiten und Vorrichtung dazu
EP1752228A1 (de) Verfahren und Vorrichtung zur Detektion und Sortierung von Glas
DE60201684T2 (de) Verfahren zum sortieren von aus einem organischen material bestehenden gegenständen
DE19519861A1 (de) Verfahren und Vorrichtung zum Detektieren und Abführen von Fremdobjekten
DD152870A1 (de) Verfahren und vorrichtung zum klassieren in bewegung befindlichen stueckgutes
DE3741940C2 (de) Farbsensor
DE2340008A1 (de) Reflektometer
EP0166899B1 (de) Verfahren zur Untersuchung von Kunststoffkörpern
DE4406228C2 (de) Verfahren um aus einem Strom von Gegenständen nicht-akzeptable Güter und Fremdgegenstände auszusortieren
DE102016114465A1 (de) Vorrichtung und Verfahren zur Legierungsanalyse von Schrottfragmenten aus Metall
EP2110187B1 (de) Verfahren zum Identifizieren, Klassifizieren und Sortieren von Gegenständen, Objekten und Materialien, sowie ein Erkennungssystem zur Durchführung dieses Verfahrens
DE4340918C2 (de) Verfahren und Vorrichtung zum Erzeugen eines gleichförmigen Amplitudensignals in einem zu sortierenden Produktstrom
DE19601950C1 (de) Verfahren zur Erkennung von Materialsorten, insbesondere Kunststoffsorten
CH634411A5 (en) Method for determining suitable optical wavelengths, for distinguishing test objects optically, and appliance required therefor and application of the method
DE3514313C2 (de) Verfahren und Vorrichtung zur Inspektion und zum Sortieren von Glasbehältern
EP3468727A1 (de) Sortiervorrichtung sowie entsprechendes sortierverfahren
DE3045344A1 (de) Verfahren zur bestimmung eines grades eines teiles
DE4023979A1 (de) Sortiervorrichtung unter verwendung von transmittierter strahlung
DE102017119137A1 (de) Verfahren zur Detektion und Aussonderung von Sonderglas aus Recyclingglas
EP0483607A1 (de) Verfahren zum Feststellen einer Eigenschaft eines Faserverbandes
DE19720121C2 (de) Verfahren zur quantitativen Bestimmung der Anteile verschiedenartiger Stoffe in Schüttgütern
DE4339822C1 (de) Verfahren und Vorrichtung zur Sortierung von anorganischen nichtmetallischen Werkstoffen

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

AK Designated contracting states

Kind code of ref document: A2

Designated state(s): AT BE CH DE DK ES FR GB GR IE IT LI LU MC NL PT SE

PUAL Search report despatched

Free format text: ORIGINAL CODE: 0009013

AK Designated contracting states

Kind code of ref document: A3

Designated state(s): AT BE CH DE DK ES FR GB GR IE IT LI LU MC NL PT SE

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN WITHDRAWN

18W Application withdrawn

Withdrawal date: 19950330

R18W Application withdrawn (corrected)

Effective date: 19950330

R18W Application withdrawn (corrected)

Effective date: 19950330