基于物理特性的分选原理

1. 密度差异分选：不同种类的塑料具有不同的密度，这是密度分选的基础。例如，常见的聚乙烯（PE）塑料，高密度聚乙烯（HDPE）密度一般在 0.941 - 0.965g/cm³，而低密度聚乙烯（LDPE）密度约为 0.910 - 0.940g/cm³；聚丙烯（PP）密度为 0.90 - 0.91g/cm³；聚对苯二甲酸乙二酯（PET）密度则在 1.37 - 1.40g/cm³ 。在实际分选过程中，常采用浮沉法。利用不同密度的液体介质，如盐水、氯化钙水溶液等，调配出具有特定密度梯度的溶液。当将混合塑料颗粒投入溶液中时，密度小于溶液的塑料会漂浮在液面，而密度大于溶液的塑料则会下沉。通过设置多个不同密度梯度的分选槽，可逐步将不同密度的塑料分离开来。在塑料回收工厂中，先将混合塑料投入密度为 1.0g/cm³ 的盐溶液中，PP 和 PE 等密度小于该值的塑料会漂浮，而 PET 等密度较大的塑料下沉，从而实现初步分离。
2. 颜色与光学特性分选：塑料的颜色和光学特性也是分选的重要依据。不同塑料由于化学结构和添加剂的不同，对光的吸收、反射和透射特性存在差异。一些先进的分选设备利用光学传感器，如近红外光谱仪。每种塑料在近红外光谱区域都有独特的吸收光谱特征，这是由其分子振动和转动能级决定的。当混合塑料颗粒通过近红外光检测区域时，光谱仪收集反射回来的光谱信号，并与预先存储在数据库中的各种塑料光谱特征进行比对分析。设备能够快速准确地识别出每个塑料颗粒的材质类型，然后通过高速喷射装置，将不同材质的塑料颗粒分别吹送到相应的收集容器中，实现精准分选。在处理混合塑料废料时，对于外观相似但材质不同的塑料，近红外光谱分选设备能凭借其对光学特性的精确识别，有效将它们区分开来，大大提高了分选的准确性和效率。
3. 静电特性分选：基于塑料的静电特性进行分选也是常见方法。不同塑料在摩擦或接触带电后，会表现出不同的静电特性，如电荷的极性和电荷量。静电分选机通过使混合塑料颗粒与特定的摩擦材料接触，使其带上静电。然后，塑料颗粒通过一个强电场区域，在电场力的作用下，带有不同静电特性的塑料颗粒会发生不同程度的偏转。例如，带正电的塑料颗粒会向电场的负极方向偏移，而带负电的塑料颗粒则向正极方向偏移。通过合理设置收集装置的位置，将不同偏移轨迹的塑料颗粒分别收集，从而实现分离。在电子废弃物回收中，静电分选机可将塑料外壳与内部的电子元件中的塑料零部件进行有效分离，利用不同塑料在静电特性上的差异，提高了塑料回收的纯度和效率。

基于化学特性的分选原理

1. 溶解特性分选：利用不同塑料在特定溶剂中的溶解特性差异可以进行分选。某些塑料在特定溶剂中能够溶解，而其他塑料则不溶。例如，聚苯乙烯（PS）可溶于甲苯等有机溶剂，而 PE 和 PP 等聚烯烃类塑料在甲苯中不溶解。在实际操作中，将混合塑料放入甲苯溶液中，PS 会逐渐溶解，而 PE 和 PP 等则保持固态。通过过滤等方式将未溶解的塑料分离出来，然后对含有 PS 的溶液进行处理，如蒸发溶剂，使 PS 重新析出，从而实现 PS 与其他塑料的分离。这种方法对于分离一些难以通过物理方法区分的塑料具有一定优势，但需要注意选择合适的溶剂，并妥善处理溶剂回收和环保问题。
2. 化学反应特性分选：不同塑料对某些化学试剂具有不同的化学反应特性，可据此进行分选。例如，PVC（聚氯乙烯）塑料中含有氯元素，在与特定的化学试剂反应时会产生明显的化学变化。将混合塑料与含有铜离子的碱性溶液共热，如果有 PVC 存在，会发生反应生成绿色的铜盐沉淀，而其他不含氯的塑料则不会发生这种反应。通过检测反应后的溶液或沉淀物，可判断混合塑料中是否含有 PVC，并进一步通过后续处理将其分离出来。这种基于化学反应特性的分选方法需要对塑料的化学性质有深入了解，并且在操作过程中要严格控制反应条件，以确保分选的准确性和安全性。

基于先进智能识别的分选原理

1. 图像识别技术分选：随着人工智能和计算机视觉技术的发展，图像识别在塑料分选中得到应用。通过高分辨率摄像头获取混合塑料颗粒的图像信息，然后利用图像识别算法对图像中的塑料颗粒进行分析。算法会提取塑料颗粒的形状、颜色、纹理等特征，并与预先建立的塑料材质图像数据库进行比对。例如，对于规则形状的塑料颗粒，如正方体或圆柱体形状的 PP 颗粒和 PE 颗粒，图像识别算法可以通过分析其形状的细微差异以及表面纹理特征来区分它们。对于颜色相近的塑料，算法会结合颜色的饱和度、亮度等多个参数进行判断。通过不断优化算法和扩大数据库，图像识别技术能够实现对多种塑料的快速准确识别和分选，提高分选效率和自动化程度。
2. 机器学习与深度学习分选：机器学习和深度学习技术为塑料分选提供了更强大的智能识别能力。利用大量已知塑料材质的数据样本对机器学习模型进行训练，模型可以学习到不同塑料的各种特征模式。在实际分选过程中，将混合塑料的相关数据输入训练好的模型，模型能够根据学习到的模式快速判断塑料的种类。深度学习中的卷积神经网络（CNN）在塑料图像识别分选中表现出色，它能够自动提取图像中的复杂特征，对不同材质塑料的识别准确率较高。例如，在处理大量复杂混合的塑料废料时，基于深度学习的分选系统能够快速准确地识别出多种塑料材质，将其分选为不同类别，大大提高了塑料回收过程中的分选精度和效率，为大规模塑料回收产业提供了先进的技术支持。