Die Trennung von Kohle und Gestein ist die erste Hürde für die saubere Nutzung von Kohle. Doch die Bedingungen vor Ort im Bergbau ändern sich ständig – Schwankungen der Kohlequalität, wechselnde Lichtverhältnisse, Staubeinflüsse … Herkömmliche KI-Modelle sind oft „nicht an die Umgebung angepasst“, und die Trennungsgenauigkeit nimmt mit der Betriebspunktdrift stark ab. Am 19. Juni 2026 wurde der Firma Henan Zhongping Automation Co., Ltd. das nationale Erfindungspatent für „Ein KI-basiertes intelligentes Gesteinsausleseverfahren“ offiziell erteilt (Patentveröffentlichungsnummer CN121103693B). Dieses Patent etabliert einen dynamischen Anpassungsmechanismus „Betriebspunkt – Stichprobe“, der es dem KI-Trennmodell ermöglicht, unter wechselnden Betriebsbedingungen stets stabil und präzise zu bleiben, und stattet die intelligente Trockenausleseausrüstung für Kohle mit einem „adaptiven Gehirn“ aus.
KI unter Tage: Warum ist sie so oft „nicht an die Umgebung angepasst“?
Die Trennung von Kohle und Gestein ist ein entscheidender Schritt in der Kohleaufbereitung und wirkt sich direkt auf die Ausbeute an Reinkohle, den Energieverbrauch der nachfolgenden Aufbereitung und den Wert der umfassenden Nutzung des Gesteins aus. In den letzten Jahren hat sich die intelligente Gesteinsauslesetechnologie auf Basis von maschinellem Sehen und Deep Learning schnell verbreitet und könnte die traditionelle manuelle Sortierung und die Nasssetzmaschine ersetzen.
Doch KI-Modelle, die im Labor hervorragende Ergebnisse liefern, verlieren oft drastisch an Genauigkeit, sobald sie vor Ort im Bergwerk eingesetzt werden. Der Hauptgrund: Die Kohle-Gestein-Trennung ist eine typische industrielle Bildverarbeitungsaufgabe in einer „offenen Umgebung“ – Änderungen der Kohlesorte, Lichtschwankungen, Anpassungen der Förderbandgeschwindigkeit, wechselnde Staubkonzentrationen … Jede Änderung eines Betriebsparameters führt zu einer Verschiebung der Merkmalsverteilung im Bild.
Erschwerend kommt hinzu, dass es vor Ort im Bergwerk schwierig ist, eine große Anzahl von „Standard-Antwort“-Stichproben mit Labels zu erhalten (Label-Knappheit), und dass Sensorrauschen die ohnehin begrenzte Datenqualität weiter beeinträchtigt. Merkmalsverteilungsdrift + Label-Knappheit + Rauscheinflüsse – diese drei großen Hürden zusammen führen dazu, dass die Ergebnisse herkömmlicher KI-Gesteinsauslesemodelle unter wechselnden Betriebsbedingungen äußerst instabil sind, was die großflächige Anwendung der intelligenten Trockenauslesetechnologie erheblich einschränkt.
Paradigmenwechsel vom „statischen Modell“ zur „dynamischen Anpassung“
Das nun erteilte Erfindungspatent von Zhongping Automation bietet eine vollständige Lösung. Die Patentzusammenfassung zeigt, dass das Verfahren durch eine vollständige technische Kette von „Erfassung – Matrixaufbau – Vorlagenerstellung – Label-Kalibrierung – segmentierte Anpassung – inkrementelle Korrektur“ dem KI-Trennmodell die Fähigkeit zur „adaptiven Evolution“ mit wechselnden Betriebsbedingungen verleiht.
Schritt 1: Aufbau einer „Betriebspunkt-Stichproben“-Korrespondenzmatrix, Extraktion stabiler Merkmalsdomänen
Das Verfahren erfasst zunächst synchron Bildsignale und Betriebsparameter während des Förderbandbetriebs, baut eine Betriebspunkt-Stichproben-Korrespondenzmatrix auf und extrahiert daraus stabile Merkmalsdomänen. Der Kernwert dieses Schritts liegt darin: Es werden nicht einfach Bilder zum Trainieren des Modells verwendet, sondern „welcher Betriebspunkt herrschte zu diesem Zeitpunkt“ wird mit „welches Bild wurde aufgenommen“ verknüpft. Dadurch wird unterschieden, welche Merkmale die physikalischen Eigenschaften von Kohle und Gestein selbst sind und welche Merkmale durch Betriebspunktänderungen verursachte „Trugbilder“ sind.
Schritt 2: Erstellung dynamischer Merkmalsvorlagen, Aufzeichnung von Betriebspunktschwellenbedingungen
Basierend auf den stabilen Merkmalen generiert das System dynamische Merkmalsvorlagen und zeichnet die Betriebspunktschwellenbedingungen auf. Diese Vorlage fungiert wie ein „variabler Maßstab“ – ändert sich der Betriebspunkt, passt sich auch der Maßstab an, um sicherzustellen, dass der Bewertungsstandard stets mit den aktuellen Bedingungen vor Ort übereinstimmt.
Schritt 3: Bereinigung des Labelsatzes – Lösung des Problems „unscharfer Grenzen“
Die manuell annotierten Stichproben werden mit den dynamischen Vorlagen verglichen. Labels von Stichproben mit unscharfen Grenzen werden einer Konsistenzkalibrierung unterzogen, um einen bereinigten Labelsatz zu bilden. Die Grenzen zwischen Kohle und Gestein sind in Bildern oft unscharf, und die Annotationsstandards verschiedener Arbeiter sind unterschiedlich. Das Verfahren erreicht durch den Vorlagenvergleich eine „Entrauschung“ und „Vereinheitlichung“ der Labels und sichert so die Qualität des Modelltrainings an der Datenquelle.
Schritt 4: Segmentierte Anpassung der Entscheidungsgrenzen – verfeinerte Trennungsentscheidungen
Die stabilen Merkmale und der bereinigte Labelsatz werden in das Trennungsentscheidungsmodell eingespeist, und die Entscheidungsgrenzen werden basierend auf den Vorlagenschwellen segmentiert angepasst. Unterschiedliche Korngrößen und Kohlesorten erfordern unterschiedliche Bewertungsstandards für „Kohle“ und „Gestein“. Die segmentierte Anpassung verleiht dem Modell die Fähigkeit zu verfeinerten Entscheidungen unter verschiedenen Betriebsbedingungen, anstatt „alles über einen Kamm zu scheren“.
Schritt 5: Geschlossene inkrementelle Korrektur – das Modell wird mit der Nutzung intelligenter
Noch entscheidender ist der letzte Schritt: Während des Betriebs werden der Betriebspunkt und die Trennungsausgabe überwacht. Wird eine Verteilungsdrift erkannt, wird dies an den Label-Kalibrierungsschritt zurückgemeldet, um eine inkrementelle Korrektur durchzuführen. Dies bedeutet, dass das System kein „einmaliges Geschäft“ ist – nach der Bereitstellung lernt es kontinuierlich weiter: Sobald eine Betriebspunktänderung erkannt wird, die zu Schwankungen der Trennungsgenauigkeit führt, löst das System automatisch eine neue Runde der Label-Kalibrierung und Modellfeinabstimmung aus, wodurch ein intelligenter geschlossener Kreislauf von „Betrieb – Überwachung – Rückmeldung – Korrektur“ entsteht.
Ein „adaptives Gehirn“ für die intelligente Trockenauslese von Kohle
Von der „statischen Bereitstellung“ zur „dynamischen Evolution“
Herkömmliche KI-Gesteinsauslesemodelle sind „statisch“ – nach Abschluss des Trainings und der Bereitstellung bleiben die Modellparameter fest. Ändert sich der Betriebspunkt, sinkt die Genauigkeit zwangsläufig. Die patentierte Technologie von Zhongping Automation verleiht dem Modell die Fähigkeit zur „dynamischen Evolution“. Dies bedeutet, dass intelligente Gesteinsauslesegeräte sich im Langzeitbetrieb im Bergwerk kontinuierlich selbst optimieren können, mit der Nutzung immer präziser werden und das Problem des „Leistungsabfalls nach der Inbetriebnahme“ endgültig überwinden.
Bereitstellung der Kernalgorithmus-Unterstützung für das intelligente Trockenauslesesystem für alle Korngrößen
Zhongping Automation hat zuvor das TDS-Intelligente-Trockenauslesesystem (effektive Entfernung von Gestein über 50 mm) und das TGS-Intelligente-Treppenstrom-Trockenauslesesystem (präziser und intelligenter) vorgestellt. Die Patenterteilung für das KI-basierte intelligente Gesteinsausleseverfahren liefert nun die Kernalgorithmus-Unterstützung für diese Hardwaresysteme. Von der „Hardware-basierten Trennung“ zur „Algorithmus-basierten Entscheidungsfindung“ baut Zhongping Automation ein intelligentes Trockenauslese-Technologiesystem auf, das die gesamte Kette von „Wahrnehmung – Entscheidung – Ausführung“ abdeckt.
Beschleunigung der Entwicklung der Kohleaufbereitung hin zu „automatisiertem und intelligentem Betrieb“
Diese Patenttechnologie löst das Problem der Stabilität der intelligenten Gesteinsauslese unter wechselnden Betriebsbedingungen und verspricht, die Stabilitätsrate des Reinkohleaschengehalts und die Reinkohleausbeute erheblich zu verbessern. In Kombination mit der zuvor von Zhongping Automation angemeldeten intelligenten Gesteinsauslesevorrichtung unter Tage (die Vibrationssiebung, Kollisionsförderung, Luftadsorption, präzise Erkennung und Identifizierung sowie Luftstromausblasung zur Trennung mit höherer Genauigkeit nutzt) und der Gesteinsauslesevorrichtung ohne Bandtransport positioniert sich Zhongping Automation umfassend von „Algorithmen“ bis hin zu „Vorrichtungen“ und treibt den Wandel der Kohleaufbereitung von manuellen Eingriffen hin zur vollständig prozessgesteuerten Intelligenz voran.
Am 19. Juni 2026, in dem Moment, als das Patent CN121103693B offiziell erteilt wurde, sicherte sich Zhongping Automation nicht nur ein Erfindungspatent, sondern etablierte auch ein technologisches Paradigma im Bereich der intelligenten Trockenauslese von Kohle: KI-basierte Trennung sollte keine „ein für alle Mal“ statische Bereitstellung sein, sondern eine dynamische Evolution, die sich „mit dem Betriebspunkt ändert“.
Von Pingdingshan bis zu den großen Bergbauregionen des Landes, von TDS über TGS bis hin zum KI-basierten intelligenten Gesteinsauslesealgorithmus – Zhongping Automation definiert mit seiner „adaptiven“ Technologiephilosophie die intelligenten Grenzen der Kohle-Gestein-Trennung neu.