La clasificación de carbón y ganga es el primer paso para la limpieza del carbón, pero las condiciones operativas en las minas cambian constantemente: fluctuaciones en la calidad del carbón, cambios de iluminación, interferencia de polvo... Los modelos tradicionales de IA a menudo no se adaptan, y la precisión de clasificación disminuye significativamente con la deriva de las condiciones. El 19 de junio de 2026, la "Método inteligente de selección de ganga basado en IA" de Henan Zhongping Automation Co., Ltd. obtuvo la autorización oficial de patente de invención nacional (número de autorización CN121103693B). Esta patente, mediante la construcción de un mecanismo de adaptación dinámica "condiciones-muestra", permite que el modelo de clasificación de IA mantenga estabilidad y precisión en condiciones operativas variables, dotando a los equipos inteligentes de clasificación en seco de carbón de un "cerebro adaptativo".

¿Por qué la IA, al ser implementada en minas, a menudo "no se adapta"?

La clasificación de carbón y ganga es un eslabón clave en el procesamiento del carbón, directamente relacionada con la tasa de recuperación de carbón limpio, el consumo energético posterior y el valor de utilización integral de la ganga. En los últimos años, la tecnología inteligente de clasificación de ganga basada en visión artificial y aprendizaje profundo se ha promovido rápidamente, con el potencial de reemplazar la clasificación manual tradicional y el jigging húmedo.

Sin embargo, aunque los modelos de IA funcionan excelentemente en el laboratorio, una vez implementados en las minas, su precisión suele disminuir drásticamente. La razón principal es que la clasificación de carbón y ganga es una tarea de visión industrial típica en "entornos abiertos": cambios en el tipo de carbón, fluctuaciones de iluminación, ajustes en la velocidad de la cinta transportadora, variaciones en la concentración de polvo... cualquier cambio en un parámetro operativo provoca un desplazamiento en la distribución de las características de la imagen.

Más problemático aún, en las minas es difícil obtener una gran cantidad de muestras etiquetadas con "respuestas estándar" (escasez de etiquetas), y el ruido de los sensores contamina aún más la ya limitada calidad de los datos. Desplazamiento de la distribución de características + escasez de etiquetas + interferencia de ruido — la combinación de estos tres obstáculos hace que los modelos tradicionales de clasificación de ganga con IA sean extremadamente inestables en condiciones operativas variables, limitando gravemente la aplicación a gran escala de la tecnología de clasificación inteligente en seco.

Un salto de paradigma del "modelo estático" a la "adaptación dinámica"

La patente de invención autorizada de Zhongping Automation ofrece una solución completa. El resumen de la patente indica que este método, a través de una cadena técnica completa de "recolección — construcción de matriz — generación de plantilla — calibración de etiquetas — ajuste por segmentos — corrección incremental", dota al modelo de clasificación de IA de la capacidad de "evolución adaptativa" a medida que cambian las condiciones operativas.

Primer paso: Construir una matriz de correspondencia "condiciones-muestra" y extraer un dominio de características estable

El método primero sincroniza la recolección de señales de imagen y parámetros operativos durante el funcionamiento de la cinta transportadora, construye una matriz de correspondencia condiciones-muestra y extrae de ella un dominio de características estable. El valor central de este paso es: no se trata simplemente de entrenar el modelo con imágenes, sino de vincular "cuáles eran las condiciones en ese momento" con "qué imagen se capturó", para distinguir qué características son atributos físicos del carbón y la ganga, y cuáles son "ilusiones" causadas por cambios en las condiciones operativas.

Segundo paso: Generar una plantilla de características dinámicas y registrar las condiciones umbral de las condiciones operativas

Basándose en las características estables, el sistema genera una plantilla de características dinámicas y registra las condiciones umbral de las condiciones operativas. Esta plantilla funciona como una "regla variable": cuando las condiciones cambian, la regla también se ajusta, asegurando que el criterio de evaluación coincida siempre con las condiciones actuales del sitio.

Tercer paso: Purificar el conjunto de etiquetas — resolver el problema de "límites difusos"

Comparar las muestras etiquetadas manualmente con la plantilla dinámica, calibrar la consistencia de las etiquetas de muestras con límites difusos y formar un conjunto de etiquetas purificado. Los límites entre el carbón y la ganga en las imágenes suelen ser borrosos, y los criterios de etiquetado de diferentes trabajadores también varían. Este método logra la "eliminación de ruido" y la "unificación" de las etiquetas mediante la comparación con la plantilla, garantizando la calidad del entrenamiento del modelo desde la fuente de datos.

Cuarto paso: Ajustar por segmentos los límites de decisión — toma de decisiones de clasificación refinada

Ingresar las características estables y el conjunto de etiquetas purificado en el modelo de decisión de clasificación, y ajustar por segmentos los límites de decisión según el umbral de la plantilla. Diferentes tamaños de partícula y tipos de carbón deberían tener diferentes criterios para "carbón" y "ganga". El ajuste por segmentos permite que el modelo tenga una capacidad de decisión refinada para diferentes condiciones operativas, en lugar de un "enfoque único".

Quinto paso: Corrección incremental en bucle cerrado — el modelo se vuelve más inteligente con el uso

Más crucial es el último paso: monitorear las condiciones operativas y la salida de clasificación durante la operación, y cuando se detecta un desplazamiento en la distribución, retroalimentar al paso de calibración de etiquetas para una corrección incremental. Esto significa que el sistema no es una "transacción única": después de la implementación, continúa "aprendiendo": una vez que detecta que un cambio en las condiciones operativas provoca una fluctuación en la precisión de clasificación, el sistema activa automáticamente una nueva ronda de calibración de etiquetas y ajuste fino del modelo, formando un bucle cerrado inteligente de "operación — monitoreo — retroalimentación — corrección".

Dotando a la clasificación inteligente en seco de carbón de un "cerebro adaptativo"

De la "implementación estática" a la "evolución dinámica"

Los modelos tradicionales de clasificación de ganga con IA son "estáticos": una vez entrenados e implementados, los parámetros del modelo son fijos, y la precisión inevitablemente disminuye cuando las condiciones cambian. La tecnología patentada de Zhongping Automation permite que el modelo tenga la capacidad de "evolución dinámica". Esto significa que los equipos inteligentes de clasificación de ganga pueden optimizarse continuamente durante la operación a largo plazo en las minas, volviéndose más precisos con el uso, eliminando por completo el problema de "degradación tras la implementación".

Proporcionando soporte algorítmico central para sistemas inteligentes de clasificación en seco de todos los tamaños de partícula

Zhongping Automation ya ha lanzado el sistema inteligente de clasificación en seco TDS (que elimina eficazmente ganga de más de 50 mm) y el sistema inteligente de clasificación en seco por flujo en cascada TGS (más preciso e inteligente). La autorización de la patente del método inteligente de clasificación de ganga con IA proporciona soporte algorítmico central para estos sistemas de hardware. Desde la "clasificación por hardware" hasta la "decisión algorítmica", Zhongping Automation está construyendo un sistema técnico de clasificación inteligente en seco que cubre toda la cadena de "percepción — decisión — ejecución".

Acelerando la evolución del lavado de carbón hacia la "no tripulación e inteligencia"

Esta tecnología patentada resuelve el problema de estabilidad de la clasificación inteligente de ganga en condiciones operativas variables, con el potencial de mejorar significativamente la tasa de estabilidad de cenizas del carbón limpio y la tasa de recuperación de carbón limpio. Combinado con el dispositivo inteligente de clasificación de ganga subterránea (que utiliza cribado vibratorio, transporte por colisión, adsorción por soplado, detección y reconocimiento precisos, y soplado de aire para una mayor precisión de clasificación) y el dispositivo de clasificación de carbón y ganga sin transporte de cinta, previamente solicitados por Zhongping Automation, la empresa está realizando un despliegue integral desde el "algoritmo" hasta el "dispositivo", impulsando el lavado de carbón desde la intervención manual hacia la inteligencia de todo el proceso.

El 19 de junio de 2026, en el momento en que se autorizó oficialmente la patente CN121103693B, Zhongping Automation no solo obtuvo una patente de invención, sino que también estableció un paradigma técnico en el campo de la clasificación inteligente en seco de carbón: la clasificación con IA no debe ser una implementación estática de "una vez y para siempre", sino una evolución dinámica que "cambia con las condiciones operativas".

Desde Pingdingshan hasta las principales zonas mineras de todo el país, desde TDS hasta TGS y el algoritmo inteligente de clasificación de ganga con IA, Zhongping Automation está redefiniendo los límites inteligentes de la clasificación de carbón y ganga con su filosofía técnica de "adaptación".