Le tri du charbon et du gangue est la première étape de l’utilisation propre du charbon, mais les conditions de fonctionnement sur le site minier changent constamment — fluctuations de la qualité du charbon, variations de l’éclairage, interférences de poussière… Les modèles d’IA traditionnels sont souvent « inadaptés », et la précision du tri diminue considérablement avec la dérive des conditions. Le 19 juin 2026, la méthode de tri intelligent basée sur l’IA de Henan Zhongping Automation Co., Ltd. a obtenu l’autorisation officielle du brevet d’invention national (numéro d’autorisation CN121103693B). Ce brevet, en construisant un mécanisme d’adaptation dynamique « conditions-échantillons », permet au modèle de tri par IA de rester stable et précis dans des conditions variables, dotant ainsi les équipements de tri sec intelligent du charbon d’un « cerveau adaptatif ».

Pourquoi l’IA est-elle souvent « inadaptée » sous terre ?

Le tri du charbon et du gangue est une étape clé du traitement du charbon, affectant directement le taux de récupération du charbon propre, la consommation énergétique du traitement ultérieur et la valeur de l’utilisation complète du gangue. Ces dernières années, la technologie de tri intelligent basée sur la vision artificielle et l’apprentissage profond s’est rapidement répandue, promettant de remplacer le tri manuel traditionnel et le jigging humide.

Cependant, les modèles d’IA, excellents en laboratoire, voient souvent leur précision chuter considérablement une fois déployés sur le site minier. La raison principale est que le tri charbon-gangue est une tâche de vision industrielle typique en « environnement ouvert » — variations du type de charbon, fluctuations de l’éclairage, ajustements de la vitesse du convoyeur, variations de la concentration de poussière… Tout changement d’un paramètre de fonctionnement entraîne un décalage de la distribution des caractéristiques de l’image.

Plus problématique encore, il est difficile d’obtenir un grand nombre d’échantillons étiquetés « de référence » sur le site minier (rareté des étiquettes), et le bruit des capteurs dégrade encore la qualité des données déjà limitées. Dérive de la distribution des caractéristiques + rareté des étiquettes + interférences sonores — ces trois obstacles combinés rendent les résultats du tri des modèles d’IA traditionnels extrêmement instables dans des conditions variables, limitant sérieusement l’application à grande échelle de la technologie de tri sec intelligent.

Un changement de paradigme : du « modèle statique » à l’« adaptation dynamique »

Le brevet d’invention obtenu par Zhongping Automation propose une solution complète. Selon le résumé du brevet, cette méthode, à travers une chaîne technique complète de « collecte — construction de matrice — génération de modèle — calibrage des étiquettes — ajustement segmenté — correction incrémentielle », confère au modèle de tri par IA la capacité d’« évolution adaptative » en fonction des changements de conditions.

Première étape : construire une matrice de correspondance « conditions-échantillons » et extraire un domaine de caractéristiques stables

La méthode commence par collecter simultanément les signaux d’image et les paramètres de fonctionnement pendant le fonctionnement du convoyeur, construire une matrice de correspondance conditions-échantillons, et en extraire un domaine de caractéristiques stables. La valeur clé de cette étape est de ne pas simplement entraîner le modèle avec des images, mais de lier « quelles étaient les conditions à ce moment-là » avec « quelle image a été capturée », afin de distinguer les caractéristiques qui sont des propriétés physiques du charbon et du gangue de celles qui sont des « artefacts » dus aux changements de conditions.

Deuxième étape : générer un modèle de caractéristiques dynamiques et enregistrer les conditions seuils

Sur la base des caractéristiques stables, le système génère un modèle de caractéristiques dynamiques et enregistre les conditions seuils. Ce modèle fonctionne comme une « règle variable » — lorsque les conditions changent, la règle s’ajuste également, garantissant que le critère de décision correspond toujours aux conditions actuelles du site.

Troisième étape : purifier l’ensemble d’étiquettes — résoudre le problème des « frontières floues »

Les échantillons étiquetés manuellement sont comparés au modèle dynamique, et les étiquettes des échantillons aux frontières floues sont calibrées pour former un ensemble d’étiquettes purifié. Les frontières entre le charbon et le gangue sont souvent floues dans les images, et les normes d’étiquetage des différents travailleurs varient. Cette méthode, par la comparaison avec le modèle, permet de « débruiter » et d’« uniformiser » les étiquettes, garantissant la qualité de l’entraînement du modèle à la source des données.

Quatrième étape : ajuster segmenté les limites de décision — décision de tri affinée

Les caractéristiques stables et l’ensemble d’étiquettes purifié sont introduits dans le modèle de décision de tri, et les limites de décision sont ajustées par segments en fonction des seuils du modèle. Les critères de décision entre « charbon » et « gangue » devraient être différents selon les granulométries et les types de charbon. L’ajustement segmenté permet au modèle d’avoir une capacité de décision affinée en fonction des différentes conditions, plutôt qu’une approche « uniforme ».

Cinquième étape : correction incrémentielle en boucle fermée — rendre le modèle plus intelligent à l’usage

Plus cruciale est la dernière étape : surveiller les conditions et les résultats du tri en fonctionnement, et lorsque un décalage de distribution est détecté, renvoyer l’information à l’étape de calibrage des étiquettes pour une correction incrémentielle. Cela signifie que le système n’est pas une « opération unique » — une fois déployé, il continue d’« apprendre » : dès qu’un changement de conditions entraîne une fluctuation de la précision du tri, le système déclenche automatiquement un nouveau cycle de calibrage des étiquettes et d’ajustement du modèle, formant une boucle intelligente « fonctionnement — surveillance — retour — correction ».

Doté d’un « cerveau adaptatif » pour le tri sec intelligent du charbon

Du « déploiement statique » à l’« évolution dynamique »

Les modèles d’IA traditionnels pour le tri sont « statiques » — une fois entraînés et déployés, leurs paramètres restent fixes, et la précision chute inévitablement lorsque les conditions changent. La technologie brevetée de Zhongping Automation confère au modèle une capacité d’« évolution dynamique ». Cela signifie que les équipements de tri intelligent peuvent s’auto-optimiser en continu lors d’un fonctionnement prolongé dans la mine, devenant plus précis à l’usage, échappant complètement au piège de la « dégradation après déploiement ».

Fournir un support algorithmique central pour les systèmes de tri sec intelligent à toutes les granulométries

Zhongping Automation a déjà lancé le système de tri sec intelligent TDS (élimination efficace du gangue de plus de 50 mm) et le système de tri sec à flux en escalier TGS (plus précis et intelligent). L’autorisation du brevet pour la méthode de tri intelligent par IA fournit un support algorithmique central pour ces systèmes matériels. Du « tri matériel » à la « décision algorithmique », Zhongping Automation construit un système technique de tri sec intelligent couvrant toute la chaîne « perception — décision — exécution ».

Accélérer l’évolution du traitement du charbon vers la « non-surveillance et l’intelligence »

Cette technologie brevetée résout le problème de stabilité du tri intelligent dans des conditions variables, promettant d’améliorer considérablement le taux de stabilité des cendres du charbon propre et le taux de récupération du charbon propre. Combiné avec le dispositif de tri intelligent du gangue souterrain précédemment demandé par Zhongping Automation (utilisant le criblage vibratoire, le transport par collision, l’adsorption par soufflage, la détection et l’identification précises, et le soufflage par flux d’air pour un tri plus précis) et le dispositif de tri charbon-gangue sans transport par bande, Zhongping Automation se positionne de manière globale, de l’« algorithme » au « dispositif », pour faire passer le traitement du charbon de l’intervention manuelle à l’intelligence de bout en bout.

Le 19 juin 2026, au moment où le brevet CN121103693B a été officiellement autorisé, Zhongping Automation n’a pas seulement obtenu un brevet d’invention, mais a également établi un paradigme technologique dans le domaine du tri sec intelligent du charbon : le tri par IA ne doit pas être un déploiement statique « une fois pour toutes », mais une évolution dynamique « qui s’adapte aux conditions ».

De Pingdingshan aux grandes zones minières du pays, du TDS au TGS en passant par l’algorithme de tri intelligent par IA, Zhongping Automation redéfinit les frontières intelligentes du tri charbon-gangue avec une philosophie technologique « adaptative ».