A separação de carvão e ganga é o primeiro passo para a utilização limpa do carvão, mas as condições operacionais nas minas mudam rapidamente — flutuações na qualidade do carvão, variações de iluminação, interferência de poeira... Os modelos tradicionais de IA muitas vezes "não se adaptam", e a precisão da separação diminui significativamente com a deriva das condições. Em 19 de junho de 2026, a Henan Zhongping Automation Co., Ltd. obteve a patente de invenção nacional para "Um Método de Separação Inteligente de Ganga Baseado em IA" (Número de autorização CN121103693B). Esta patente, ao construir um mecanismo de adaptação dinâmica "condição-amostra", permite que o modelo de separação por IA mantenha estabilidade e precisão sob condições operacionais variáveis, equipando os equipamentos inteligentes de separação a seco de carvão com um "cérebro adaptativo".

Por que a IA frequentemente "não se adapta" ao descer para as minas?

A separação de carvão e ganga é um elo crucial no processo de beneficiamento do carvão, afetando diretamente a taxa de recuperação de carvão limpo, o consumo de energia no beneficiamento subsequente e o valor da utilização abrangente da ganga. Nos últimos anos, a tecnologia de separação inteligente de ganga baseada em visão computacional e aprendizado profundo tem se difundido rapidamente, com potencial para substituir a separação manual tradicional e a jigagem úmida.

No entanto, os modelos de IA têm desempenho excelente em laboratório, mas quando implantados em minas, sua precisão frequentemente cai drasticamente. A razão central é que a separação de carvão e ganga é uma tarefa típica de visão industrial em "ambiente aberto" — mudanças no tipo de carvão, flutuações de iluminação, ajustes na velocidade da esteira transportadora, variações na concentração de poeira... Qualquer alteração em um parâmetro operacional pode causar um deslocamento na distribuição das características da imagem.

Mais problemático ainda, é difícil obter um grande número de amostras "padrão" rotuladas nas minas (escassez de rótulos), e o ruído dos sensores contamina ainda mais a qualidade dos dados já limitados. Deslocamento da distribuição de características + escassez de rótulos + interferência de ruído — três grandes desafios se sobrepõem, tornando os resultados da separação por modelos tradicionais de IA extremamente instáveis sob condições operacionais variáveis, restringindo seriamente a aplicação em larga escala da tecnologia de separação inteligente a seco.

Uma mudança de paradigma de "modelo estático" para "adaptação dinâmica"

A patente de invenção concedida à Zhongping Automation oferece uma solução completa. O resumo da patente mostra que o método, através de uma cadeia técnica completa de "coleta — construção de matriz — geração de modelo — calibração de rótulos — ajuste segmentado — correção incremental", dota o modelo de separação por IA da capacidade de "evolução adaptativa" conforme as condições operacionais mudam.

Primeiro passo: Construir uma matriz de correspondência "condição-amostra" e extrair domínios de características estáveis

O método primeiro coleta simultaneamente sinais de imagem e parâmetros operacionais durante a operação da esteira transportadora, constrói uma matriz de correspondência condição-amostra e extrai domínios de características estáveis. O valor central deste passo é: não se trata simplesmente de treinar o modelo com imagens, mas de vincular "qual era a condição operacional naquele momento" com "qual imagem foi capturada", distinguindo assim quais características são atributos físicos do carvão e da ganga e quais são "ilusões" causadas por mudanças nas condições.

Segundo passo: Gerar modelos de características dinâmicas e registrar condições de limiar operacional

Com base nas características estáveis, o sistema gera modelos de características dinâmicas e registra as condições de limiar operacional. Este modelo funciona como uma "régua variável" — quando as condições operacionais mudam, a régua também se ajusta, garantindo que o padrão de julgamento corresponda sempre às condições atuais do local.

Terceiro passo: Purificar o conjunto de rótulos — resolver o problema de "fronteiras difusas"

Comparar as amostras rotuladas manualmente com o modelo dinâmico, calibrar a consistência dos rótulos de amostras com fronteiras difusas e formar um conjunto de rótulos purificado. As fronteiras entre carvão e ganga nas imagens são frequentemente difusas, e os padrões de rotulagem de diferentes trabalhadores também variam. Este método realiza a "remoção de ruído" e "unificação" dos rótulos através da comparação com o modelo, garantindo a qualidade do treinamento do modelo desde a fonte dos dados.

Quarto passo: Ajustar segmentadamente os limites de julgamento — decisão de separação refinada

Inserir as características estáveis e o conjunto de rótulos purificado no modelo de julgamento de separação e ajustar segmentadamente os limites de julgamento com base no limiar do modelo. Diferentes faixas granulométricas e diferentes tipos de carvão devem ter padrões de julgamento distintos para "carvão" e "ganga". O ajuste segmentado permite que o modelo tenha capacidade de decisão refinada para diferentes condições operacionais, em vez de uma "abordagem única".

Quinto passo: Correção incremental em malha fechada — tornar o modelo mais inteligente com o uso

Mais crucial é o último passo: monitorar as condições operacionais e a saída da separação durante a operação e, quando um deslocamento de distribuição for detectado, fornecer feedback para a etapa de calibração de rótulos para correção incremental. Isso significa que o sistema não é uma "transação única" — após a implantação, ele continua "aprendendo": uma vez que uma mudança nas condições operacionais cause flutuação na precisão da separação, o sistema aciona automaticamente uma nova rodada de calibração de rótulos e ajuste fino do modelo, formando um ciclo inteligente fechado de "operação — monitoramento — feedback — correção".

Equipando a separação inteligente a seco de carvão com um "cérebro adaptativo"

Da "implantação estática" à "evolução dinâmica"

Os modelos tradicionais de separação por IA são "estáticos" — após o treinamento e a implantação, os parâmetros do modelo são fixos, e a precisão inevitavelmente diminui quando as condições operacionais mudam. A tecnologia patenteada da Zhongping Automation confere ao modelo a capacidade de "evolução dinâmica". Isso significa que os equipamentos inteligentes de separação de ganga podem otimizar-se continuamente durante a operação de longo prazo nas minas, tornando-se mais precisos com o uso, eliminando completamente o dilema de "declínio após a implantação".

Fornecendo suporte algorítmico central para sistemas inteligentes de separação a seco de todas as faixas granulométricas

A Zhongping Automation já havia lançado anteriormente o sistema inteligente de separação a seco TDS (para remoção eficaz de ganga acima de 50mm) e o sistema inteligente de separação a seco por fluxo em cascata TGS (mais preciso e inteligente). A concessão da patente para o método de separação inteligente de ganga baseado em IA fornece suporte algorítmico central para esses sistemas de hardware. Da "separação por hardware" à "decisão algorítmica", a Zhongping Automation está construindo um sistema técnico de separação inteligente a seco que cobre toda a cadeia de "percepção — decisão — execução".

Acelerando a evolução do beneficiamento de carvão para "não tripulado e inteligente"

Esta tecnologia patenteada resolve o problema de estabilidade da separação inteligente de ganga sob condições operacionais variáveis, com potencial para melhorar significativamente a taxa de estabilidade das cinzas do carvão limpo e a taxa de recuperação de carvão limpo. Combinado com o dispositivo de separação inteligente de ganga subterrâneo (que utiliza peneiramento vibratório, transporte por colisão, adsorção por sopro de ar, detecção e identificação precisas e sopro de ar para separação, com maior precisão) e o dispositivo de separação de carvão e ganga sem transporte por correia, anteriormente solicitados pela Zhongping Automation, a empresa está fazendo um arranjo abrangente desde o "algoritmo" até o "dispositivo", impulsionando o beneficiamento de carvão da intervenção manual para a inteligência de todo o processo.

Em 19 de junho de 2026, no momento em que a patente CN121103693B foi oficialmente concedida, a Zhongping Automation não apenas obteve uma patente de invenção, mas também estabeleceu um paradigma técnico no campo da separação inteligente a seco de carvão: a separação por IA não deve ser uma implantação estática "para sempre", mas sim uma evolução dinâmica que "muda com as condições operacionais".

De Pingdingshan às principais áreas de mineração em todo o país, do TDS ao TGS e ao algoritmo de separação inteligente de ganga por IA, a Zhongping Automation está redefinindo os limites inteligentes da separação de carvão e ganga com sua filosofia técnica "adaptativa".