Control Experto

,GOBIERNO DE CHILE
CO N ICYT
INFORME FINAL
ANEXO
INFORMES PARCIALES
Cdigo Proyecto: D0211077
SISTEMA DE CONTROL OPTIMIZANTE PARA PLANTAS DE MOLIENDA
SEMIAUTOGENA
Instituciones Participantes:
UNIVERSIDAD DE SANTIAGO DE CHILE
UNIVERSIDAD TECNICA FEDERICO SANTA MARIA
Otros Participantes:
FFE MINERALS CHILE
COMPAIA MINERA DOA INES DE COLLAHUASI SCM
Director del Proyecto: LUIS MAGNE O.
COMISION NACIONAL DE INVESTIGACION CIENTIFICA Y TECNOLOGICA
BERNARDA MORIN 495 CASILLA 297-V CORREO 21 FONO: 3654400 FAX: 6551394 CHILE
UNIVERSIDAD TCNICA FEDERICO SANTA MARA
PROYECTO FONDEF 0021 1 077
SISTEMA DE CONTROL OPTIMIZANTE PARA
PLANTAS DE MOLIENDA SEMIAUTGENA
"ESTRATEGIA DE CONTROL REGULATORIA/OPTIMIZANTE
EN CIRCUITO COMPLETO DE MOLIENDA SAG"
PREPARADO POR : FRANCISCO CUBILLOS - JOS LUIS S ALAZAR
DEPARTAMENTO INGENIERA QUMICA
REVISADO POR : LUIS MAGNE
SANTIAGO, MARZO 2006
AV. LIBERTADOR B. O ' HIGGINS 3363
CASILLA 1 0233 SANTIAGO
TELFONO- FAX 2-776 5433
ESTRATEGIAS DE CONTROL PTIMIZANTE EN MOLINO SAG
2
1. INTRODUCCION
Se presenta un estudio de control convencional y complemento optimizante en un circuito
completo de molienda consistente en molino semiautgeno, Molino de Bolas, Cajn de
molienda y batera de hidrociclones, segn se muestra en la Figura N1 .
Agua
Mineral
Figura 1. Esquema del circuito de molienda.
Agua
Agua
o l i ~ o
8olt1s
El estudio se realiz por simulaciones usando el simulador dinmico SAGPREMIUM que integra
modelos no estacionarios de todos estos equipos y realizado en Simulink de Matlab.
El simulador es capaz de entregar las respuestas dinmicas del circuito frente a las
perturbaciones propias de operacin como Tonelaje de alimentacin del molino semiautgeno,
Agua al cajn, granulometra fina del molino semiautgeno (relacionada con la dureza del
mineral), potencia del molino de Bolas, nmero de hidrociclones operando en la batera.
El cajn cuenta con un controlador local de nivel y la razn agua/mineral en el moli no
semiautgeno se mantiene constante. El controlador de nivel en el cajn manipula el flujo de
pulpa a los hidrociclones.
Las siguientes figuras ilustran la respuesta del simulador en lazo abierto para la granulometra
del producto frente a las variables clsicas de control tales como Tonelaje Alimentacin SAG,
Agua al cajn y nmero de hidrociclones operando.
PROYECTO FONDEF 00211 077
ESTRATEGIAS DE CONTROL PTIMIZANTE EN MOLINO SAG 3
Se puede ver que el simulador responde segn lo informado en literatura aumentando la
granulometra del producto cuando aumenta el tonelaje y disminuye cuando se aumenta el agua
al cajn (densidad menor a hidrociclones).
Al aumentar el nmero de hidrociclones el producto inicialmente se hace mas grueso para
ajustarse posteriormente a un valor inferior producto del reciclo.
']

1
1
1
23.5
1
j .e:
Ul
"t
Q)
E

o

22.5
"<f.
i
22
21.5 ./
j
21 --
20 5 1
o 50 100 150 200 250 300 350
Figura 2.
Granulometra de producto frente a un aumento en 20% del agua al cajn.
26.5
26
25.5
.c:

25

o
24. 5
24
23.5
o
L__ __ _l5o-
350
Figura 3.
Granulometra de producto frente a un aumento en +20% en alimentacin al SAG.
Figura 4.
2 6 . . ~ ~ ~ ~
25. 5
25
24.5
~ 24
8
....
"#. 23
22.5
22
21 . 5
... --- . ..- ... - -- - --
~ .
300 350
Respuesta de la granulometra de producto cuando se aumenta el nmero de
hidrociclones operando de 8 a 1 O.
5
2. SIMULACION CONTROL CONVENCIONAL
Filosofa de control: El objetivo principal del sistema de control es lograr una granulometra de
producto bajo especificaciones a flotacin manteniendo las restricciones operacionales y con
un mximo retorno econmico.
En molienda, el mximo retorno econmico se logra maximizando el tonelaje a tratar junto con
mantener al mximo la "carga circulante" con la finalidad de disminuir el consumo de potencia.
Sin embargo la carga circulante tiene un limite en el tonelaje a tratar en el molino de bolas por lo
que es necesario controlar (ojala en un punto cercano del maximo) esta variable.
En literatura se ha estudiado esta configuracin de control utilizando como variables
manipuladas el tonelaje al molino primario (habitualmente molino de barras) y el agua al cajn
de molienda. Los lazos son altamente acoplados por lo que su seleccin debe ser
cuidadosamente analizada.
El apareamiento de estas variables se ha analizado en literatura, la que depende de la
dinmica del circuito. En circuitos pequeos es mas efectivo el lazo Granulometra producto -
Tonelaje, mientras que en sistemas industriales de envergadura es econmicamente mas
conveniente controlar el producto con el agua al cajn por responder ms rpido en la
estabilizacin del producto.
Otra configuracin alternativa es controlar la densidad de la pulpa a la entrada de los
hidrociclones como alternativa a la medida directa de la granulometra del producto que muchas
veces puede ser poco confiable.
En este estudio el circuito se controla mediante el siguiente apareamiento de variables .
' VARIABLE C0NTROLADA
.
VARIABLE MANIPULADA
'!\' '
Granulometra producto Agua cajn
Carga circulante molino bolas Tonelaje SAG
Los controladores son del tipo Proporcional Integral sintonizados mediante ajuste sistemtico.
Los parmetros utilizados son:
CONTROLADOR K e Ti
Granulometra producto 1 0,2
Carga circulante 0,05 0,01
6
Para compensar el atraso en la manipulacin de alimentacin al SAG se le incorpor una
retencin de 1 O segundos al controlador de Carga Circulante.
El estado estacionario inicial para anlisis del circuito se muestra en la siguiente tabla:
.'
. ~
VARIABLE VALOR
Tonelaje SAG, ton/h 1.865
Agua SAG, ton/h 800
Potencia kW 6.328
Nivel llenado, % 17
Finos SAG, ton/h 1.575
Agua Cajn, ton/h 1.692
Nivel Cajn,% 70
Concentracin pulpa cajn, % 59
Hidrociclones operando, No 7
Carga circulante M Bolas, ton/h 4.300
Concentracin pulpa M Bolas, % 71,5
Granulometra Producto, % sobre 100 mallas 30
Concentracin pulpa producto, % 38,7
Los set-point de las variables controladas son:
Carga Circulante = 4.300 ton/h (Slidos al molino de bolas)
Granulometra producto = 30% retenido 100 mallas
Las siguientes figuran muestran el comportamiento del sistema frente a cambios en los set-
point, perturbaciones y otras variables manipulables.
Figura 5.
Gran producto %1 00 mesh

20
1 1 1
500 550 600 650 700 750 800
Carga Circulante Bolas Ton/h
5000 ::----,--------,-------r----,--------,------.-------.-------,
4000
3000
2000
1500
500
1
500

550
1
550
- . .. . ..... .
--'-----__L ____ ,_ -- - L. j
600 650 700 750 800
Tonelaje Ton/h
1 1 1 1 1
600 650 700 750 800
7
Respuesta en la granulometra del producto, Carga circulante y Tonelaje de alimentacin
SAG cuando se cambia el set-point de la granulometra de 30% a 25%_
Figura 6.
Gran producto %100 mesh
30.5
30
-- . - - . r - - - - - ~ - - - ~ - - - _ ~ - - - - - - - ~ ~ -
_,'
29.5
500 550 600 650 700 750 800
4400
4200
,---....
~ ~ -
4000l
- ~ -
---.---.-----
_ __j
1
1
_j 3800
____L___
500 550 600 650 700 750 800
Tonelaje Ton/h
1900
~
1800
1700
550 600 650 700 750 800
SAG cuando se cambia el set-point de la carga circulante del molino de bolas de 4300 a
4000 ton/h.
Gran producto % 100 mesh
.. . -. ,
29.5 \
____ J_ ____
500 550 600 650 700 750 800
1 1
44001-
___,....
.. ..
4200
4000hu _______ _____ L_I ____ _______
1
/ _______ L_I ____ _il __
500 550 600 650 700 750 800
Tonelaje Ton/h
1900
1800
500 550 600 650 700 750 800
Figura 7.
SAG cuando aumenta la granulometra del producto fino del SAG.
34
32
30
28
400
450 500 550 600
-----,-----1

j
650 700
_ ' .. -- - --
3500 1
_..L__ ____ _L ___ _ _ ___ ____________ _ ____]
1900
1800
1700
1600
1500
400 450 500 550 600 650 700
Tonelaje Ton/h
- -. ..... -.. _.,... __ .. - '-- - . . : .___,- __ ... . . __ ... , _ --,, . . , . ;

450 500 550 600 650 700
10
Figura 8. Respuesta en la granulometra del producto, Carga circulante y Tonelaje de alimentacin
SAG cuando disminuye bruscamente la potencia consumida por el molino de bolas.

28 l
_ _j
5000
4500
4000
1700
500
1---
500

500
550
550
\,. .. ,.,
600 650 700
---.
_, ...----
600 650
Tonelaje Ton/h
700
\. -,r\, ....
550 600 650 700
750 800
750 800
750 800
1 1
Figura 9.
SAG cuando aumenta el nmero de hidrociclones operando de 7 a 10.
Gran producto % 1 00 mesh

32
;
f
_,....-----, ;
----- ------.---.-
400 450 500 550 600 650 700 750 800
6000
-
.-__ _ ...... _ ..
l__L _ __ L_ _ _ _ _L _____ .J.__ ______ _ ______ j ________ ___ L -'-
4000
. .. . __
400 450 500 550 600 650 700 750 800
Tonelaje Ton/h

r-rJ
1500
, \.J
L-----'--- ---'-----L------'-----.J- . __ _____ ___ ___l ____ _
450 500 550 600 650 700 750 800
Figura 10. Respuesta en la granulometra del producto, Carga circulante y Tonelaje de alimentacin
SAG cuando se cambia el set-point de la altura del cajn de 70% a 50%.
3. ESTRATEGIA DE CONTROL OPTIMIZANTE
Segn los resultados presentados en la seccin anterior, la disposicin de controladores
convencionales es adecuada para estabilizar el circuito en valores establecidos para la
granulometra del producto a flotacin y carga circulante pero esta no garantiza un valor ptimo
de operacin dada por el mximo tonelaje procesado.
De acuerdo a la operabilidad de la planta existe una variable manipulable extra que es el
nmero de de hidrociclones operando.
En general el nmero de hidrociclones abiertos tiene una relacin directa con la hidrodinmica
de la separacin afectando bsicamente el dimetro de corte del hidrociclon y el cortocircuito
de agua. Luego, el variar el nmero de hidrociclones afecta bsicamente la granulometra del
producto y el % en peso en el underflow.
En circuito cerrado, al disminuir el nmero de hidrociclones operando se obtiene un producto
ms fino lo que posibilita una banda de aumento en el tonelaje a tratar si se quiere mantener la
calidad original del producto. Por otro lado al disminuir el nmero de hidrociclones, la pulpa del
underflow se hace ms densa y puede provocar el taponamiento de la descarga y sobrecarga
en el molino de bolas.
La formulacin de la estrategia optimizante consiste en mantener el esquema de control
convencional minimizando el nmero de hidrociclones operando hasta un nivel mximo de %
en peso de pulpa en el underflow. Como el % en peso de pulpa en el underflow es difcil de
medir, una variable asociada es la cada de presin en la batera.
Dado que el nmero de hidrociclones es una variable entera, el controlador se puede
implementar en forma de reglas donde la salida del controlador puede tener tres estados :
Disminuir - Mantener- Aumentar
La implementacin se realiza en base a un esquema experto tomando en cuenta las siguientes
reglas.
R1: Si el sistema esta estacionario entonces aplicar control
R2: Si el sistema no esta estacionario entonces mantener
R3: Si aplicar control Y .b.P > .b.P Mximo entonces Aumentar
R4: Si aplicar control Y .b.P < .b.P Mximo entonces Disminuir
El controlador requiere la medicin (o inferencia) del .b.P y una cota mxima para esta variable
(.b.P Mximo). La condicin estacionaria se determina a partir de las mediciones de las variables
controladas (Granulometra del producto y Carga circulante) en una ventana de tiempo.
PROYECTO FONDEF 002! 1 077
La estrategia se program como m-function para determinar el nmero de hidrociclones
operando directamente en el simulador del control convencional.
Cuando el algoritmo determina una disminucin en el nmero de hdrociclones,
automticamente el lazo de control de granulometra de producto se encarga de aumentar al
tonelaje al SAG produciendo el efecto de optimalidad. Esta lgica se mantiene hasta que se
alcanza el lmite de LlP. En este punto el sistema opera cclicamente disminuyendo y
aumentando en 1 el nmero de hidrociclones hasta que una perturbacin origine otro punto
operacional.
La siguiente figura ilustra el comportamiento del circuito al incorporar la estrategia optimizante
de variar el nmero de hidrociclones. Se ve claramente que el sistema ordena cerrar los
hidrociclones provocando el aumento en el tonelaje al SAG hasta un punto en que se alcanza
la condicin lmite para LlP. Los valores de las variables controladas se mantienen en
especificacin mediante la accin de los controladores PI.
Figura 11 .
400 600 800 1000 1200 1400
400 600 800 1000 1200 1400
Tonelaje Ton/h
300 400 500 600 700 800 900 1 000 11 00 1200 1300
# Hdrociclones

1
6
'

1
4
L_j
Respuesta del circuito a la estrategia de control optimizante cuando es aplicada a partir
de un punto no optimo.
4. DISCUSION Y CONCLUSIONES
En este informe se presenta un estudio de control optimizante de un circuito de molienda
completo compuesto por un molino semiautgeno, molino de bolas, batera de hidrociclones.
El estudio se realiza mediante simulacin utilizando el simulador SAGPREMIUM desarrollado
en el marco de este proyecto. El simulador se adapt a las condiciones promedio de operacin
del circuito SAG1 de Collahuasi, mostrando la evolucin de las variables principales con el
tiempo.
El simulador permite evidenciar el gran acoplamiento entre las variables operacionales, as
como el complejo comportamiento debido al circuito cerrado de molienda secundaria.
En base a los objetivos operacionales del circuito, las variables a controlar son la granulometra
del producto y la carga circulante en el molino de bolas, manipulando la adicin de agua al
cajn y la alimentacin de mineral al SAG.
Este esquema de control se evalu en el simulador mediante controladores tipo PI. Los
resultados muestran que la configuracin es adecuada para regular el circuito en los valores
deseados, eliminando las perturbaciones tales como granulometra de mineral y dureza del
mismo.
El apareamiento de las variables (C Circulante - Tonelaje) y (Granulometra Producto -Agua
cajn) es la ms efectiva cuando se desea regular rpidamente la calidad del producto.
Con este esquema simple se puede regular el circuito, pero no asegura una estrategia ptima
definida como el procesamiento del mayor tonelaje posible.
Dado que en este esquema el tonelaje ya acta como variable manipulada es necesario
incorporar otra variable independiente que implique un cambio en el tonelaje.
Un anlisis de los grados de libertad del circuito arroja dos posibilidades:
Operar el SAG para mayor produccin de Pebbles. Esta accin originar una mayor
demanda en el tonelaje a tratar por el SAG para cumplir con el balance de finos en el
circuito secundario. En definitiva el tonelaje del circuito completo aumenta, pero la tasa
de produccin de finos se mantiene constante.
Operar el circuito secundario con el nmero mnimo de hidrociclones, es decir a un
mximo de fraccin en peso en el molino de bolas, equivalente a un mximo de cada
de presin en la batera. Al operar con el nmero mnimo de hidrociclones, se produce
una disminucin en la carga circulante del molino de bolas, dando el espacio al sistema
de control regulatorio a compensar esta cada aumentando el tonelaje a tratar.
Desde el punto de vista de implementacin y de resultados globales, la ltima alternativa es la
ms adecuada ya que solo requiere de la medicin de la cada de presin en la batera para
decidir el nmero de hidrociclones operando.
La estrategia anterior se program en el simulador junto a la estrategia regulatoria dando
excelentes resultados, provocando un aumento en el tonelaje manteniendo al circuito en
especificacin, segn se muestra en la Figura 11.
En esta prueba en circuito parte operando con 7 hidrociclones y 1.850 ton/h de alimentacin al
SAG y la granulometra de producto y carga circulante en especificacin. Como la cada de
presin est el mximo permitido, la estrategia decide cerrar hidrociclones, lo que produce una
descompensacin en el lazo de carga circulante, producto de lo anterior el controlador decide
aumentar el tonelaje para alcanzar la referencia impuesta a la carga circulante, logrando
tonelajes cercanos a 2.000 ton/h. Una vez alcanzada la cota mxima en la cada de presin el
controlador indica abrir un hidrocicln, manteniendo una operacin alternada, pero manteniendo
el efecto global de aumento del tonelaje con respecto al punto de operacin inicial.
Otra ventaja adicional de este esquema es que el manejo de los hdrociclones se puede
desconectar en cualquier momento sin perder controlabilidad en el circuito.
En este estudio se asume que el molino SAG esta controlado por algn esquema de control
similar a los descritos en informes anteriores de este proyecto de tal manera de asegurar una
operacin estable (niveles, potencia, produccin de pebbles). En este contexto, si el controlador
SAG tiene como variable controlada el tonelaje de alimentacin, este deber ser operado tipo
cascada con el presente esquema.
Como conclusin general se puede afirmar que el esquema regulatorio convencional, operando
en conjunto con un esquema de manejo de hidrociclones conforman una estrategia global que
optimiza la produccin del circuito llevando el tonelaje de producto a lmite dependiendo de las
restricciones.
La implementacin en planta es relativamente simple, requiriendo solamente una adecuada
mantencin de la instrumentacin y una estacin de trabajo tipo Pe para la implementacin de
la estrategia de seleccin de los hidrociclones.
Otras estrategias ms sofisticadas y complejas tales como de tipo predictiva o neuronal tambin
deberan ser estudiada desde un punto de vista terico y de avance tecnolgico. Sin embargo
su implementacin en procesos minero-metalrgicos est todava limitada por su fuerte
dependencia en la confiabilidad de la instrumentacin.
17
5. BIBLIOGRAFA
Apelt T. , Aspray S. and Thornil N ; (2001 ), lnferential measurement of SAG mili parameters ,
Minerals Engineering, Vol14 N6.
Galn O, Barton G. y Romagnoli J. Robust control of SAG mili, Powder Technology,
124,(2002),264-271
Hales M., Ynchausti R., Gonzalez P., and Lizama E., (2001), Real-Time Adaptative SAG-mill
Control at Los Pelambres, SAG 2001 Mining and mineral process engineering, 11-294.
Lestage R., Pomerleau A., and Hodouin D., (2002), Constrained real-time optimization of a
grinding circuit using steady-state linear programming supervisory control, Powder
Technology 124, 254-263.
Magne L. Amstica R, Barra J. and Menacho J, (1995), Modelizacin dinmica de molienda
semiautgena basada en un modelo fenomenolgico simplificado, Rev. Metal. Madrid,
Vol31, N2, 1995.
Mitra K., and Goponath R., (2004), Multiobjective optimization of an industrial grinding operation
using elitist non-dominated sorting genetic algorithm, Chemical Engineering Science 59
(2004) 385-396.
Pomerleau A, Hodouin O, Oesbiens A, y Gagnon E, A survey of grinding circuit control
methods: from decentralized PID controllers to multivariable predictive controllers,
Powder Technology 108, 2000, 103-115.
Ramasamy M, Nayanan S, y Rao, Ch., Control of ball mili grinding circuit using model predictive
control scheme, J Proc Control, 15, 2005,273-283.
Rajamani, R.K. and Herbst, J.A., 1991a., Optimal control of a ball mili grinding circuit-1.
Grinding circuit: modeling and dynamic simulation. Chemical Engineering Science 46 (3),
861-870.
Salazar J., (2004), Modelacin y simulacin de un proceso de molienda semiautgena,
Chemical Engineering Thesis, Universidad de Santiago de Chile, 2004.
o
Mineral
Anexo P&ID de Estrategia Regulatoria /Optimizante
Agua
---------8---------
AC '
Agua
Moh.tto
Bt'1las
-------------------- 8 ----------- J
18
~
~
~
"SIMULADOR DINAMICO DE CIRCUITOS DE MOLIENDA SAG
SAGPREMIUM'
PREPARADO POR: FRANCISCO CUBILLOS Y JOSE LUIS SALAZAR
DEPARTAMENTO INGENIERA QUMICA
REVISADO POR: L UIS MAGNE
SANTIAGO, MARZO DEL 2008
AV. LiBERTADOR B. O'HIGGINS 3363
CASILLA 1 0233 SANTIAGO
1.0 INTRODUCCIN
El proyecto FONDEF 00211077 tiene entre sus objetivos el desarrollo de sistemas de control
avanzado para plantas de molienda semiautgena. Una herramienta esencial para el diseo,
configuracin y evaluacin de estos algoritmos de control, es un simulador dinmico del circuito
completo de molienda que capture las principales caractersticas del proceso, entregando la
evolucin de las variables de salida de inters con las condiciones de operacin impuestas en
cada momento.
El presente informe contiene las bases conceptuales para el desarrollo del modelo dinmico de
este circuito basado en consideraciones fenomenolgicas. El circuito de Molienda
Semiautgeno se muestra en el esquema siguiente donde los equipos principales a modelar
son:
Molino SAG
Bateras de Hidrociclones
Molino de Bolas
Pita ce acopio
Cf
Mineral
Agua
Agua
M<>Ut1u
B<ll$
2.0 MODELO DINMICO
2.1 Estrategia de Modelacin
Las bases conceptuales de la modelacin consisten en la formulacin de balances en estado
no estacionario en los equipos del circuito, junto a relaciones de conservacin de fuerzas y
consideraciones hidrulicas. La metodologa utilizada est establecida por diversos autores y
publicaciones relacionadas
1
basadas en formulaciones de balances poblacionales a cada
tamao al interior de los componentes del circuito.
2.2 Modelo de Molienda Semiautgena
Para modelar la molienda semiautgena y dada las caractersticas de este tipo de equipos, se
suele dividir el molino en dos zonas segn el proceso que tiene lugar en ellas (Figura 1 ). En la
primera, definida como cmara de molienda, se identifica y modeliza la ocurrencia del proceso
de reduccin de tamao de las partculas. En la segunda, que se define como sistema de
descarga. Se verifica la clasificacin interna por la parrilla y la posterior evacuacin del material
como producto final. Para completar la descripcin del sistema es necesario considerar la
relacin existente entre el flujo de alimentacin y el nivel de llenado del molino; esta se suele
denominar ley de transporte y es probablemente el aspecto menos elaborado en los modelos
propuestos hasta la fecha.
Las partculas que alimentan el molino ingresan a la cmara de molienda, cuyo producto
enfrentan al sistema de descarga, donde, de acuerdo con una probabilidad de clasificacin, las
partculas pueden retornar a la cmara de molienda o formar parte del flujo de descarga del
molino.
El modelo se formaliza mediante parmetros cinticos globales de molienda, los cuales renen
la accin simultnea de los diferentes mecanismos de conminucin sobre la carga interna de
mineral en el molino. Si bien estos parmetros cinticos pueden ser estimados mediante
mediciones de la granulometra de carga interna, alimentacin y producto del molino, el aporte
individual de cada uno de los mecanismos de molienda no se puede evaluar si no se agrega
informacin experimental que permita estimar las contribuciones individuales.
1
Se entender por diversos autores y publicaciones relacionadas a los artculos seleccionados para el
desarrollo de este informe.
Alimentacin F fi f*
Molino --+---t--r---+1
ciPi*
r-------t-f--P---+ Descarga
Molino
4
Figura 1. Representacin esquemtica del molino SAG. 1) Molino real, 2) Cmara de
molienda, 3) Clasificador interno.
La modelacin propuesta por Magne y cols. comienza con la hiptesis sobre el fenmeno de
molienda en los molinos semiautgenos, fundamentada en la siguiente cintica de molienda.
[
tasa de desaparicio"nJ rmasa de materiall
del material sobre a presente sobre
la malla i- esima la malla i- esima
(1)
La relacin de proporcionalidad queda definida mediante el parmetro cintico de velocidad
efectiva de molienda, K. La ecuacin (1) se escribe en trminos de K y de la masa retenida
acumulada sobre la malla i, Wi, como:
dW = - K;W; , (t/h)
dt
(2)
La variacin de masa en la cmara de molienda en funcin de la masa retenida acumulada en
la malla i y de los flujos acumulados sobre la malla i de alimentacin y descarga de la cmara
de molienda, Fi* y Pi*, respectivamente, se expresa de la siguiente forma:
dW = F* - p* - KW (t/h)
dt 1 1 1 1 '
(3)
La ecuacin anterior puede expresarse, en trminos de los flujos parciales en el intervalo i, de la
siguiente manera:
d
i-1
W ' K )" (t/h)
-d = ; - P; -K W -(K;- i -1 w, '
t 1=1
(4)
El balance msico planteado en la ecuacin (4) constituye la base del modelo de molienda
desarrollado, ya sea en su forma esttica o dinmica. Para el sistema de descarga, el balance
se realiza definiendo un vector de eficiencia de clasificacin, C, que tiene implcito dos efectos:
el producido por la parilla interna del molino y del sistema de evacuacin de la pulpa. As, C
queda definido por:
(5)
Suponiendo que el molino se comporta como un reactor perfectamente mezclado, pi*, se
relaciona con la masa por tamaos de la carga interna a travs de la siguiente relacin:
(6)
De aqu la relacin entre el flujo msico de descarga de la cmara de molienda, P*, y la masa
interna de mineral contenida en esta, W se obtiene suponiendo que no existe reciclo de finos en
el clasificador interno, lo cual simplifica la ecuacin del balance msico y se obtiene el valor de
P* a partir del flujo de finos del producto, Pn y de la masa de finos en la carga interna, Wn, segn
la ecuacin:
p' =( )w , (tihJ
(7)
El flujo de alimentacin por tamaos a la cmara de molienda, fi*, se obtiene componiendo el
flujo de alimentacin por tamaos al molino, fi y el flujo de recirculacin interna:
(8)
Finalmente utilizando las ecuaciones (4), (7) y (8), se obtiene la siguiente expresin para la
descripcin matemtica de la cmara de molienda:
(9)
Transporte de agua a travs del molino
Para el agua se ha utilizado una ecuacin diferencial de primer orden, aproximacin que parece
adecuada segn resultados experimentales.
La ecuacin que representa la variacin de la carga interna de agua, Wa, con los flujos de
entrada y salida de agua, Fa y Pa = 'VaWa, es la siguiente:
6
(1 O)
El parmetro \jfa de esta ecuacin, denominado parmetro de descarga de agua, se ha
correlacionado con la masa de mineral contenida en el molino W, segn la relacin:
lfla = exp(64.41 -19.56ln(W) + 1.55(ln(W))
2
)
(11)
Velocidad efectiva especfica de molienda
La relacin que determina la velocidad efectiva de molienda K, se define como una relacin
proporcional a la potencia especfica suministrada al molino:
M
K = KE _P , (1/h)
1 1 w
(12)
Donde KE se define como funcin velocidad efectiva de molienda en t/kWh y Mp es la potencia
enkW.
Ecuacin para la potencia
La ecuacin utilizada para predecir la potencia consumida por el molino, Mp en kW, est
basada en una modificacin a la ley de Bond, segn:
M = KD
25
L(1-AJ)(W);{, [1-_Ql]
p V 'f'c 29-IO(ilc
(13)
Donde O y L son las dimensiones del molino en m, V es el volumen efectivo del molino en m
3
, <Pe
la fraccin de velocidad crtica de operacin del equipo y J el nivel de llenado del molino,
considerando la pulpa y las bolas. K y A son los parmetros de la ecuacin. Por definicin, la
razn entre el peso de carga interna y el volumen del molino, WN, se relaciona con el nivel de
llenado de este, J, a travs de la siguiente relacin:
w 3
- = (1-&b) .J Ps (1+ wJ +0.6Jb (pb - pJl + wJ) , (t/m )
V
(14)
En la que Cb es la porosidad de la carga interna del molino Ps y Pb son las densidades del
mineral y bolas, respectivamente; Wc es la razn entre el agua retenida y la masa de mineral en
el molino y Jb es el nivel de llenado de bolas. La determinacin del nivel de llenado de carga
interna del molino, se realiza deteniendo el molino y midiendo directamente la altura de la carga.
Medios de molienda
La masa de medios de molienda (Bolas) en el interior de la cmara se determina mediante un
balance considerando una taza de reposicin de bolas y una velocidad de consumo de metal,
esta ultima proporcional a la masa de mineral en el molino segn:
dWb = -fJ W
dt b
Donde:
Wb: Masa interna del medio de molienda
Fb: Tasa de reposicin del medio de molienda
f3. Constante de consumo del medio de molienda
W: Masa interna de mineral.
Presin en los descansos
(15)
La presin en los descansos se ha formulado como una relacin lineal con el peso total de la
cmara de molienda, entonces:
PO= a+f3*Wt
Donde:
Wt: Peso total (Mineral, agua, bolas, lifters y liners)
a, 3: Constantes de ajuste
Posicin de la carga
(16)
La posicin de la carga se expresa en trminos de los ngulos del pie y hombro. En el clculo
del ngulo del pie y hombro, se han considerado las relaciones (Apelt et al, 2001 ):
Donde:
Br = 2.5307 (1.2796 - J)(l- e-
1942
<>-qjcl) + !!_
2
Br : Angulo del pie (rad)
Bs: Angulo de Hombro (rad)
: Fraccin de velocidad crtica experimental, calculada mediante la relacin:
= 0.35(3.364- J)
(17)
(18)
(19)
Modelo de clasificacin
Se denomina clasificacin a la operacin de separacin de los componentes de cada mezcla de
partculas en dos o ms fracciones de acuerdo a su tamao, siendo cada grupo obtenido ms
uniforme en esta propiedad que la mezcla original. Generalmente la clasificacin es afectada
por otras variables del material o del medio ambiente.
La clasificacin es, en algunos casos, una operacin primordial, especialmente cuando el
producto tiene especificaciones estrictas en tamao. En otros casos, ella es una operacin
auxiliar de la molienda, y es aqu donde se encuentra su aplicacin ms importante en la
industria minero-metalrgica. Se habla de la operacin de molienda en un circuito cerrado
donde los objetivos de la clasificacin son hacer ms eficiente la molienda y asegurar que el
producto de la operacin est bajo un determinado tamao, recirculando al molino bolas las
partculas mayores.
Hidrociclones
Existen varias revisiones bibliogrficas sobre el funcionamiento de los hidrociclones,
desafortunadamente la mayor parte de la informacin nos es aplicable a los hidrociclones que
trabajan como clasificadores en circuitos cerrados de molienda, ya que en estos casos el
comportamiento reolgico de las densas pulpas involucradas es muy complejo.
Variables que afectan la operacin de un hidrocicln
Entre las variables que afectan el comportamiento de un hidrocicln se puede distinguir:
o Variables de diseo
o Parmetros del material
o Variables de operacin
o Perturbaciones
Dentro de las variables de diseo se destaca porque de ellas depende el comportamiento
grueso del hidrocicln, por ejemplo el tamao al que se produce el corte y la nitidez de la
separacin. Las variables importantes son el tamao del hidrocicln y los tamaos de la
alimentacin, apex y vortex.
Est bien establecido que el tamao de separacin de un hidrocicln depende principalmente
de su dimetro. La separacin de partculas pequeas requiere de hidrociclones pequeos y la
separacin de partculas mayores de hidrociclones ms grandes. Por ejemplo, Arterburn indica
que d
50
ex: d
0
66
, mientras que Trawinski da d
50
ex: d
0
5
, donde d es el dimetro del hidrocicln. Esto
significa que en la seleccin del tamao del hidrocicln. Esto significa que en la seleccin del
tamao del hidrocicln no interviene directamente el flujo de material a procesar y que esto solo
aparecer para establecer el nmero de hidrociclones que sean necesarios.
En forma general se reconoce que los tamaos de la alimentacin, apex y vortex influyen en el
tamao de separacin. El tamao d5o aumenta al aumentar el dimetro del vortex y el rea de
alimentacin, y disminuye al aumentar el dimetro del apex.
Dentro de los parmetros del material, es sabido que la funcin de clasificacin reducida es
constante para un determinado material en hidrociclones geomtricamente similares. Dos son
las propiedades del material que tienen mayor influencia en el comportamiento de un
hidrocicln: la densidad del material, si ste es puro, y la composicin, si est constituido por
una mezcla.
El aumento de la densidad de un material disminuye el tamao de separacin. Arterburn indica
que d
50
oc donde la diferencia de densidad entre el slido y el agua.
Entre las variables de operacin que permiten controlar la operacin de un hidrocicln podemos
mencionar variables de entrada y variables de salida. Las principales variables de entrada son
el flujo, la concentracin y la presin de alimentacin. De estas tres, la concentracin de la
suspensin, expresada como fraccin volumtrica de slidos, es la principal variable de control
que permite cambiar la forma inmediata del tamao de corte. La mayora de los investigadores
concuerdan en que el tamao de corte aumenta al aumentar la concentracin de la
alimentacin, posiblemente debido al aumento asociado en la viscosidad de la suspensin.
La principal perturbacin de un hidrocicln funcionando en un circuito cerrado de molienda es la
distribucin granulomtrica de la alimentacin. La frecuente variacin de sta requiere de un
ajuste inmediato de la concentracin de la alimentacin para mantener el d5o constante. Otra
perturbacin, que no ha sido estudiada, es el cambio de la proporcin de componentes cuando
la alimentacin es una mezcla.
Modelos cuantitativos de hidrociclones
El conocimiento terico del comportamiento de un hidrocicln no es suficiente para el desarrollo
fenomenolgico que permita su diseo y simulacin. Por esta razn han surgido modelos
empricos ms restringidos que permiten disear el equipo, simularlo y determinar el
comportamiento de un determinado circuito de molienda-clasificacin cuando se cambian las
condiciones de operacin. Esta estimacin se conoce como simulacin de operacin.
Balances Generales
Independiente del tipo de diseo o simulacin a aplicar, se debe cumplir los balances
macroscpicos de masa total y de masa de partculas de cada tamao.
Una representacin geomtrica de un hidrocicln de tipo cnico (Figura 2), permite definir los
balances respectivos.
10
Figura 2. Representacin geomtrica de un hidrocicln cnico.
Balance al Slido
P=T+Q (20)
Denominando Cvp. Cvt y Cvq las fracciones volumtricas de slido en la alimentacin, descarga y
rebalse respectivamente, los balances volumtricos de pulpa y agua sern:
Pulpa
__!__ = _!__ + _g_
(21)
PsCvp PsCvt PsCvq
Agua
(22)
Utilizando la ecuacin (20) y dividiendo la expresin (22) por Q resulta:
1 1
(23)
Usando el concepto de razn de recirculacin, donde C representa la fraccin de descarga T
sobre el flujo de rebalse Q, es decir C=T/Q, as la ecuacin (23) toma la forma de:
(C+l) (1-cvp) =C(I-cvt) + (1-cvq)
cvp CV( cvq
(24)
De la ecuacin (23) se observa que tres de las cuatro variables Cvp. Cvt, Cvq y C fijan la cuarta.
La fraccin de agua de alimentacin que va a la descarga, a', se puede calcular desde la
ecuacin (24):
(25)
Simulacin de Diseo
Un simulador de molienda puede utilizar un conjunto de valores de selectividad para dar un
producto con especificacin de un punto de la curva granulomtrica. El simulador entrega las
distintas granulometras del circuito, la carga circulante y la capacidad Q en (t/h). Por otra parte
tambin es posible obtener los valores del d
50
, valor que garantiza que la razn de recirculacin
y las distribuciones de tamaos obtenidas a este flujo son correctas, por lo que las dimensiones
del hidrocicln y el ~ necesarios para dar este dso pueden ser calculados y tambin el nmero
de aparatos para manejar el flujo Q.
Simulacin de Operacin
Cuando se desea simular el comportamiento de una planta en operacin, el nmero y
dimensiones del los hidrociclones estn especificados, como tambin lo est el tamao del
molino. Un simulador de operacin puede ser utilizado para investigar el efecto de cambio en la
clasificacin de un determinado mineral, a continuacin se presentan los modelos de
clasificacin existentes.
Modelo Plitt
Este modelo consiste en ecuaciones empricas que dan la capacidad, el tamao de separacin,
la distribucin de agua y la curva de clasificacin. Cada ecuacin contiene parmetros que
deben ser determinados experimentalmente.
1) Capacidad
PROYECTO FONOEF 00211 077
E STRATEGIAS DE CONTROL O PTIMIZANTE EN M OLINO SAG
12
e pe (p)0,56 d 0,21d 0,53h0,16(d 2 +d 2)0,49
p = 1 s vp e a a v
1
(t/h)
exp(O, 31evp)
(26)
e
Donde e = PP
vp ePP + Ps(l - epp)
2) Tamao de separacin dso
e d 0,46 d 0,60 d 1,21 exp(6 3e )p 0,45 e 0,45
d _ 2 e A v ' vp s vp ( )
so - d o,?Iho,3s po.4s( _ )o,s , 1-lm
a Ps P
(27)
3) Cortocircuito
(28a)
e (d 1 d )3,31 ho.s4 (d 2 + d 2 )o,36 (pe + (1- e ))o,24 exp(O 54e )
S = 3 a v a v s vp vp ' vp
d 1,1 1 ( )0,24
e .P ,
(28b)
4) Funcin de clasificacin
(29a)
(29b)
En estas ecuaciones todas las longitudes se miden en cm y la cada de presin L1p en Psig, hes
el largo del buscador de vrtice, dA es el dimetro del tubo de alimentacin, Cvp y Cvt son las
fracciones en peso de slidos en la alimentacin y descarga respectivamente y S es la razn
entre el flujo msico de pulpa en la descarga y en el rebalse.
Circuito de molienda secundario
La reduccin de tamao por trituracin y molienda es una operacin importante en las industrias
minera, metalrgica, de energa y qumica. La cantidad de materiales frgiles, tales como rocas,
minerales, carbn, productos del cemento u otros, molidos actualmente en EEUU, es por lo
menos de mil millones de toneladas
2
, con un gran consumo de energa asociada. Son bastante
comunes plantas tratando 1 O millones o ms de toneladas por ao.
2
Sheridan, D., Smithsonian, 8 (1977) 30-37.
Sorprendentemente, para un operacin unitaria de importancia fundamental para la tecnologa
industrial, no existan, hasta hace poco, textos actualizados sobre los principios de diseo de
procesos aplicados a molinos y circuitos de molienda. La mayora de stos, condensa el diseo
convencional de molinos utilizando el mtodo de Bond. En ests ltimas dcadas la base
terica ha sido bastante mas elaborada. Aun cuando no est completa todava, ser sin duda
utilizada ms y ms en el futuro.
Esta base terica se puede comparar, por ejemplo, a la que existe para la transferencia de calor
y la destilacin y, en particular, tiene gran similitud con la teora de diseo de reactores
qumicos, utilizando muchos conceptos en comn con la terminologa utilizada en este campo.
Molino de Bolas
Un molino de bolas es esencialmente un reactor que est transformando partculas grandes a
partculas ms pequeas. Hay por supuesto muchas formas de aplicar fuerzas a las partculas y
causar fractura, pero principalmente, el inters se enfoca hacia equipos de gran tamao que
procesen grandes flujos de materiales frgiles de manera continua las 24 horas del da.
Considerando la analoga con los reactores, el reactivo del molino es la alimentacin que en l
entra, la que raramente es de un solo tamao y normalmente tiene una distribucin
granulomtrica completa, de manera tal, que debe considerarse como un conjunto de reactivos.
Esta distribucin de tamaos puede ser representada por una curva continua o por un conjunto
de nmeros P(x) que representan la fraccin acumulativa en peso bajo el tamao x.
El mtodo de anlisis ms sencillo y seguro es el tamizado, de modo que el tamao se refiere
por lo general al tamao de la malla de cada tamiz utilizado, siempre es conveniente utilizar
intervalos de tamao en una progresin geomtrica correspondiente a la secuencia normalizada
de tamices.
El producto es la distribucin de tamao del material que va saliendo del molino. Nuevamente,
sta no es nunca un tamao individual y debe utilizarse una curva o un conjunto de nmeros
para caracterizar su distribucin granulomtrica, de la misma manera que se indic para el
material de alimentacin. Para definir un sistema de molienda, se debe especificar claramente
el producto deseado. Generalmente no es posible especificar la distribucin de tamao
completa, por lo tanto se utiliza una de las formas que siguen: (a) un solo punto de la curva
P(x), por ejemplo el 80% en peso menor a 200 mallas; (b) dos puntos de la curva P(x), por
ejemplo, 50% menor a 400 mallas y no ms de 5% mayor (95% menor) a 65 mallas; (e) una
superficie especfica determinada.
Otro ejemplo de aplicacin de la especificacin del tamao de un producto se relaciona con la
liberacin de un material valioso desde un trozo de roca en operaciones de metalurgia
extractiva. Por medio de pruebas tentativas de laboratorio, se llega a la deseada fineza de
molienda para obtener una liberacin suficiente, especificndola luego al diseador del molino.
ESTRATEGIAS DE CONTROL OPTIMIZANTE EN MOLINO SAG 14
La velocidad con que las partculas se fracturan en el molino depende del tamao de las
partculas. A diferencia de un reactor qumico simple que convierte A en B, un molino opera con
un conjunto completo de tamaos de alimentacin produciendo un conjunto de tamaos finales.
En forma semejante a un reactor qumico, el conocimiento de la velocidad a la cual cada
tamao se fractura permite la prediccin de la rapidez de desaparicin de estas partculas de la
carga del molino.
Sin embargo, a diferencia de la simple reaccin qumica A ~ B an la fragmentacin de
partculas de un solo tamao produce una completa variedad de tamaos de producto. Si el
rango de tamaos se divide en un nmero de intervalos, la fraccin de material fracturado
desde un tamao fijo que cae dentro de un intervalo de tamao menor puede ser considerado
como producto. Es claro que la comprensin razonablemente detallada del funcionamiento del
molino involucra el conocimiento de la distribucin de la progenie3. El conocimiento de la
rapidez con que un determinado tamao se fractura y en que tamao aparece su producto,
constituye la descripcin elemental del balance de masa por tamaos o balance de poblacin
del molino.
Para definir la diversas velocidades de fractura del molino, se puede considerar ste como una
"caja negra" con un volumen V que contiene una masa de polvo W. Si se mira un intervalo de
tamao partculas i, la fraccin W que es de tamao i es wi, por lo tanto la masa de tamao i
ser wiW. La velocidad especfica de ruptura de este tamao, fracturados por unidad de tiempo
por kilogramo de tamao i presente. Las unidades de Si son (kg/t)/kg = t -1. De este modo Si
queda definido por:
Velocidad de ruptura de un tamao i = SWW (30)
y es equivalente a una constante de velocidad de reaccin qumica de primer orden. La
operacin de molienda ms eficiente ocurre en condiciones en las cuales los valores de Si son
mximos. Si la geometra del molino o las condiciones de carga de bolas cambian, la intensidad
y estadstica de la fractura por unidad de volumen del molino tambin cambian y como
consecuencia, cambian los valores de Si. Esto es equivalente a cambiar la temperatura en un
reactor qumico.
Marco Terico
El modelo del molino de bolas se basa en los desarrollos empricos tales como la "Ley de
Bond" y la "Ley de Charles" para la molienda discontinua, utilizando adems conceptos
adicionales de velocidad especfica de fractura y distribuciones de tamao de la progenie en un
balance de masa por tamao completo. Si suponemos que la velocidad de desaparicin de la
masa de tamao i concuerda con una ley de primer orden, esto es:
3
Referido a la funcin de distribucin de fractura primaria
d[w(t)W]
dt
'-----v------'
Velocidad de desaparicin
de la masa de partculas de
tamao i por ruptura
~ -w(t)W
'-------v----'
Masa de partculas de
tamao i presente en el
molino en el tiempo t
Como la masa retenida en el molino W es constante, resulta:
dw;(t) _-S ()
-
1
W
1
t
dt
(31)
(32)
Si S no vara con el tiempo, integrando la ecuacin (32) sujeta a la condicin inicial W(O) da:
w;(t) = w;(O)exp(-SJ) (32)
O Tambin
log[ w;(t)] = log[ w;(O) ]-Sf 12,3 (33)
15
Se debe reconocer que no hay una razn fundamental de por qu la hiptesis de primer orden
debiera ser aplicable en cualquiera de las situaciones de molienda, sin embargo, ensayos
experimentales prueban que la acumulacin de finos no afecta la velocidad de fractura
especfica del material de mayor tamao, eso s, esto no prueba que el material mas fino
tambin se fracturara con cintica de primer orden, en presencia de cantidades variables de
material ms grueso. Este chequeo bsico fue ejecutado por Gardner y Austin utilizando una
tcnica de trazadores radioactivos. Si algn tamao es marcado con un trazador, entonces el
desaparecimiento de esa fraccin de tamao con el tiempo puede ser distinguido de la
aparicin, en ese mismo tamao, de productos de fractura4 de tamaos mayores, ya que estos
no estaran marcados. Entonces:
w ~ t ) / w ~ O ) = exp( -S/) (34)
Donde w (t) es la fraccin de material marcado de tamao j.
Funcin de Distribucin de Fractura
Aunque la fractura sea aplicada a un solo tamao, ella da un rango de tamaos en el producto y
para describir el proceso de molienda es necesario describir esta distribucin granulomtrica.
Existen dos formas convenientes para caracterizar la distribucin de tamao de la progenie.
Primero, si el material de tamao i es fracturado, la fraccin en peso del producto que aparece
en el intervalo de tamao i es llamado bu, El conjunto de nmeros bu, en que i varia desde 2 a n,
describe entonces la distribucin de fragmentos producidos por el tamao 1. En general se
4
En el sentido que se utiliza, la fractura se define como ocurriendo solamente cuando el producto
fracturado tiene un tamao que cae fuera del rango del tamao original.
requiere una matriz de nmeros bi para describir la fractura de todos los tamaos de inters,
esto es, el conjunto b1 con n ::; i ::; 2 , ms el conjunto b
2
con n ::; i ::; 3 , etc.
La segunda forma de describir la distribucin de tamaos de la progenie, es el acumular los
valores de b desde el intervalo inferior y hacer que B
1
represente la fraccin en peso
acumulativa de material fracturado del tamao 1 que resulta ser menor que el tamao superior
del intervalo i, sto es:
n
Bij = bnj + bn-lj + ........ + bij = )kj
(35)
k
Esta ltima forma resulta adecuada para graficar los valores y suavizarlos.
Los valores de Bu pueden ser determinados mediante pruebas con monotamaos a tiempos de
molienda cortos, para los cuales las correcciones aproximadas para tomar en cuenta la
reseleccin para la fractura de los fragmentos primarios son razonablemente vlidas. Est
implcito que los valores de Bu no cambian con el tiempo de molienda en el molino, lo cual fue
demostrado en los experimentos efectuados por Gardner y Austin que ya se han mencionado.
Puede parecer una labor imposiblemente complicada el medir los valores de B para todos los
materiales bajo las condiciones de molienda. Sin embargo, se encuentra a menudo que los
valores de B son insensibles a las condiciones de molienda, por lo menos en el rango de
operacin normal de los molinos.
Balance de Masa por Tamaos
La velocidad de produccin de cada tamao puede ser presentada en trminos de S y bu en la
forma:
[
Velocidad de produccin
de tamao i a partir de la
fractura del tamao j
J
Fraccin de tamao j Velocidad de fractura
= que por fractura pasa del tamao j
a tamao i
(36)
En base a los parmetros de fractura Si y bij se puede establecer un balance de masa por
tamaos para la molienda discontinua, este balance se puede representar por:
[
Velocidad neta de J Velocidad de aparicin Velocidad de desaparicin
produccin de material = de tamao i por fractura de - del material de tamao i
de tamao i todos los tamaos mayores por fractura
ESTRATEGIAS DE C ONTROL PTIMIZANTE EN M OLI NO SAG 17
Si consideramos que la carga W de material en el molino permanece siempre bien mezclada,
las ecuaciones (32) y (36) permiten expresar este balance en forma matemtica:
De forma mas compacta, la ecuacin (37) se puede escribir:
dw(t) _ H
---'--'--'----S w (t) +" BS w (t) 1 :::; 1 :::; i n
dt
1 1 L...,lj j j
j ;l
(38)
i>l
Este el balance fundamental de masa por tamao para una mol ienda en que la carga del mol ino
est completamente mezclada. Este conjunto den ecuaciones diferenciales describe el proceso
de molienda y entrega las soluciones a las ecuaciones antes mencionadas.
MODELO ESTANQUE
El estanque o cajn del circuito completo de molienda, cumple de manera satisfactoria con los
respectivos balances dinmicos de masa para los distintos tamaos y especies presentes en
dicho circuito. La representacin grfica (figura 3) permite definir los citados balances.
I
Figura 3.
Representacin geomtrica del estanque o caj n.
Para la especie i, el balance de masa queda determinado por:
dm;(t) = P- Q
dt P;; P; ;
(39)
Si consideramos la ecuacin (39) como funcin de la altura de depsito, h, y el rea de ste, A,
.d d m = p . V Vi= A h
y cons1 eran o que
1 1 1
' tenemos que:
d(Ah(t)) = p _ Q
P; dt P;; P; ;
(40)
Reordenando la ecuacin (40) y considerando la relacin para el flujo de salida como una
funcin de la altura del depsito, entonces.
A dh(t) = p _k fh{i5
dt 1 1 '\/ ft\_1)
(41)
Donde la constante k, representa la proporcionalidad del flujo de salida con la raz de la altura
del estanque.
Esta ltima ecuacin es la que permite determinar las condiciones de operacin del estanque
para un flujo de alimentacin conocido.
ESTRATEGIAS DE CONTROL 0PTIMIZANTE EN MOLINO SAG 19
3.0 DESCRIPCIN DEL SIMULADOR
En este desarrollo, se define como "Ncleo Simulador" a una subrutina computacional que es
capaz de resolver numricamente el modelo algebraico y diferencial planteado en la seccin
anterior. La ventaja de esta arquitectura es que centraliza el esfuerzo de resolver, mejorar y
optimizar el modelo en un solo desarrollo. Por otro lado permite el diseo de productos
tecnolgicos de una manera descentralizada, facilitando el uso de otras plataformas de
programacin y gestin tales como Vbasic, Sistema PI, Interfase Web etc.
Programacion en Matlabtm_ Simulinktm
El concepto de ncleo simulador se implement como un subsistema "Mask" para cada uno de
los equipos en SimulinkTM de MatlabTM. SimulinkTM es un sistema de programacin
estructurado en bloques que permite la solucin de ecuaciones diferenciales, adems de
permitir programar bloques de usuario a travs de funciones tipo S (S-functions). Lo anterior,
junto con la posibilidad de usar los "toolbox" especficos de Matlab rM conforma una poderosa
plataforma para el desarrollo de prototipos.
La arquitectura del ncleo simulador, "SAGPREMIUM" se determin de manera anloga a la
de la figura 4 de tal forma que es posible distinguir las distintas secciones compuestas por el
Molino Semiautogeno (SAG), Molino de Bolas, Cajn o Estanque, Bateras de Hidrociclones y
Funcin de distribucin de tamaos.
o Subsistema SAG
La Figura 5a muestra el subsistema correspondiente al molino SAG. Esta seccin del simulador
cuenta con un subsistema enmascarado que permite el ingreso de las variables propias de la
molienda, como por ejemplo:
Alimentacin de mineral en t/h.
Alimentacin de Agua en t/h.
Fraccin de velocidad crtica.
Porcentaje en tamaos (3 tamaos)
Figura 4. Vista general simulador Sagpremium.
ESTRATEGIAS DE CONTROL PTI MIZANTE EN M OLI NO SAG 2 1
El subsistema SAG, permite adems el manejo de otras variables (figura 5b) de vital relevancia
en la mecnica de molienda, como:
Cinticas de molienda
Constantes de Potencia del molino
Factores de descarga (agua y mineral)
Masa inicial de bolas
Descarga Agua i!:W)
' ,;_:' - )
lu.1S
;
Figura 5.
Subsistema Moli no SAG y Parmetros de moli enda.
La informacin relevante o variables de salida que este bloque permite obtener es la de:
Slidos de descarga en t/h
Presin de descansos en psi
Potencia en kWh
Carga circulante o Pebbles en t/h
Agua de descarga en t/h
Nivel de llenado de mineral y de bolas (J y Jb)
ngulos de pie y hombro en rad.
PROYECTO FONDEF 002 11 0 77
o Subsistema Cajn o Estanque
La Figura 6 muestra el circuito del estanque o cajn el cual hace las veces de receptor de los
flujos provenientes del molino SAG, molino de Bolas y una alimentacin fresca de agua
adicional. Este subsistema permite, de manera simple (click en la figura), configurar el nmero
de hidrociclones por batera a la que se enfrentan los flujos aguas abajo.

r Subsystem

!
L---------------- ---------------------------
................ ,,, _______ ------ ---------- ...
C Paran;leters ---- - ---
l N2'HID BAT 1
i . .
! [?:!
.
j NSHJDBAT2
j
.,
'L ............ .. ---------:,...-.,.-.. : ..........................
1
OK 1 C1Jcel
.., ...... J
Figura 6.
Subsistema Cajn y configuracin del nmero de hidrociclones por batera.
Las variables de salida que ste subsistema permite obtener son:
Densidad de pulpa en ton/m
3
Altura del cajn o estanque en m
Flujos de descarga de slidos y agua en tlh
Fraccin en peso de la mezcla de descarga
Porcentaje tamao, propio a cada granulometra (20 tamaos).
o Subsistema Hidrociclones
El subsistema de Estanque o Cajn alimenta a las 2 bateras de hidrociclones, destinando a
stos, el flujo de forma proporcional al nmero de hidrociclones por batera, stas bateras son
las encargadas de separar los finos (zona de flotacin) del mineral grueso (molino de bolas).
23
Las bateras de hidrociclones, Figura 7, al igual que los subsistemas anteriores, permiten, de
manera simple, especificar algunas caractersticas propias de cada batera como:
Dimetro del Cilindro en cm.
Dimetro del Apex en cm.
Dimetro del Vortex en cm.
Dimetro de Alimentacin en cm.
Altura Libre en cm.
l
.
-- '" " ... :..y.
'l .. ..
' Diamed'O
l 1111}11
Vtex(CI1ll .
f
j3!MS
' .
i &.IIITI,...t\:'
ral
>t ' lQ;.Ci
lr".;ncral
j'2) . .
J
-
J
Ca!'!cel. J
Help J
Figura 7. Subsistema Hidrociclones y dimensiones de las bateras.
La informacin que estos subsistemas (uno por cada batera) entregan son:
Flujos totales alimentados en cada batera
Nmero de Hidrociclones funcionando en cada batera
Flujo de mineral, agua y fraccin en peso del Overflow (material fino)
Flujo de mineral, agua y fraccin en peso del Underflow (material grueso)
Porcentaje de tamao relativo a cada granulometra para el Underflow y el Overflow.
Presin de operacin en psi .
Tamao de operacin, dso en J.lm
24
o Subsistema Molino de Bolas
La descarga de mineral grueso y agua del underflow de las bateras de hidrociclones alimenta
al molino de bolas (Figura 8). Dicho subsistema, al igual que los subsistemas anteriores,
permite de forma simple, alternar su configuracin y caractersticas como por ejemplo:
Tamao (Dimetro y Largo)
Potencia
1 " '
OK
J
CancJ')I
1
Help
1
r ~ q y
1
lili"l
1
Figura 8. Subsistema configuracin Molino de Bolas.
o Subsistema distribucin de tamaos
Como el modelo del molino SAG utiliza tres tamaos (grueso, pebbles y finos) fue necesario
especificar una distribucin de tamaos en el circuito secundario. Para tal efecto el subsistema
genera una distribucin de tamaos de acuerdo al modelo de Rosin Rammler, considerando 20
intervalos de tamao desde la malla 1 a la 400. El simulador le asigna esta distribucin al flujo
de finos la que se mezcla con la corriente del molino de bolas en el cajn.
Figura 9.
ESTRATEGIAS DE CONTROL 0PTIMIZANTE EN MOLINO SAG
D50Spr
Rosio Rammler Funcion distribucion
Rosio Rammter
20 tamaos
1 inch hasta 400 mesh
-- or
col
1 J9e.gj21
5.108e..o0sl
O.b32s!
o 12721
o 29971
62521
o 1fi?SI
o. o mi
&36ii
o 015361
0 006TI61 !
o.2tB9i
o.ooilai
Subsistema distribucin de tamaos mostrando la distribucin de salida.
25
26
4.0 APLICACION A PLANTA MOLIENDA DOA INES DE COLLAHUASI
El desarrollo anterior se program y adapt a las condiciones operacionales de la planta de
molienda de la Compaa Minera Doa Ins de Collahuas de acuerdo a las siguientes
premisas:
En la alimentacin del Molino SAG, 3 tamaos de minerales (rocas, pebbles y finos)
Eficiencias de separacin constante en la parrilla (1 para rocas, 0,5 para pebbles y O
para finos)
Granulometras de salida en la corriente de finos estimadas mediante ecuacin de
Rosin Rammler con parmetros constantes
Para el subsistema Cajn o Estanque, rea de seccin de estanque constante
Para la Batera de Hdrocclones, parmetros de separacin y potencia constantes
Condicin estacionaria en el Molino de Bolas con parmetros de Bond constantes
Programacin en Simulink y solucin mediante rutina de integracin de paso variable.
Excluyendo los parmetros indicados anteriormente, los dems parmetros fueron
calculados para condiciones promedios de operacin y mantenidos constantes.
o Adaptacin a Condiciones Operacionales
A partir de pruebas preliminares de cambios en los parmetros de los equipos, se hicieron los
ajustes necesarios para obtener un modelo que respondiera de manera adecuada a lo
observado en la prctica. Inicialmente se us la herramienta ODYSSE para ajustar los
parmetros cinticos del molino SAG y posteriormente se ajustaron los parmetros de los otros
equipos. El simulador se adapt a condiciones promedio medidas en el circuito de molienda
SAG1 de Doa Ins de Collahuasi respondiendo adecuadamente en promedio a las
condiciones operacionales estacionarias.
Un estado base para analizar las respuesta dinmicas del simulador se muestra en la tabla
siguiente.
VARIABLE VALOR
Tonelaje SAG 1500 ton/h
Agua SAG 800 ton/h
Potencia 6326 kW
Nivel llenado 17,3%
Finos SAG 1250 ton/h
Agua Cajn 600 ton/h
Nivel Cajn 70%
Concentracin de slidos en peso de 59%
pulpa en cajn
Nmero de Hidrociclones operando 10
Carga circulante M Bolas 4070 ton/h
Concentracin de slidos en peso 66,5%
Molino de Bolas
Granulometra Producto 28,12% 100 mallas
Concentracin de slidos en peso en 45%
producto
o Respuestas Dinmicas del Simulador
A partir del caso base se pueden realizar pruebas para analizar la dinmica del circuito cuando
cambian las variables de operacin y las perturbaciones ms frecuentes.
En el circuito, las variables principales que determinan la eficacia de la operacin es el tonelaje
tratado por el circuito y la granulometra del producto.
1
El tonelaje tratado es directamente proporcional a la alimentacin al SAG que es una variable
operacional que se debe manejar cuidadosamente para evitar el llenado en el molino SAG o
sobrecargar el molino de bolas por el aumento en la carga circulante.
La granulometra del producto es una funcin compleja de las variables operacionales tales
como densidad de la pulpa, el nmero de hidrociclones, dureza del mineral, potencia en molino
de bolas.
Con esta herramienta de simulacin podemos ver las respuestas de estas variables en un
escenario dinmico y en circuito cerrado, algo extremadamente difcil de analizar de manera
analtica.
A continuacin presentamos algunos resultados de las variables ms importantes en el circuito.
La granulometra del producto y la carga circulante en el molino de bolas, cuando varan las
condiciones operacionales o en presencia de alguna perturbacin.
~
~
f.
Figura 10.
26.5 ,-
~ ./ ~ - .- ._ . ... - - - - ~ . . - - - ~ - . - - ' - ' 4800
26 4700
.... . . - - - - - - - ~ - - - - - - - -
4800
25.5
4500
25
4400
4300 r
24.5
24 l J
42oo f
., 410l
4000
1
39oo f 23.5
o 50 100 150 200 250 300 350
400 450 500 550 600
Respuesta dinmica de granulometra de producto (izquierda) y Carga Circulante
del molino SAG (derecha), para una variacin de la alimentacin al molino de
1500 a 1800 tph.
24. 5
24
23.5
23
E
o
22.5
f.
22
21 .5
21
29
4200
4150
4100
4050
20.5
O 50 1 OQ 150 200 250 300 350
4000

Figura 11.
31 .5!
31
30.5
30
29.5 -
29
28.5
28
27

;

Respuesta dinmica de la granulometra de producto (izquierda) y la Carga
Circulante del molino SAG (derecha) para una variacin del agua al Cajn de 600
a 900 tph.

-:
- . --j '

1
1
1
j
- ------r---r- - ------.--------
1
4200 r
4100r--
4000 '
1
3900 i
3800 1 \ i
1 '
3600 1
L...L----'-----'-------:-'-c----'-----'-----'-----'--
340 360 380 400 420 440 460 480
-- --, --------1
3500
.
"'t
26.5
320
Figura 12. Respuesta dinmica de la Granulometra de producto (izquierda) y Carga
Circulante del molino SAG (derecha), al variar el nmero de hidrociclones de 8 a
10.
42
41
40
39
38
37
36
35
32
Figura 13.
ESTRATEGIAS DE CONTROL OPTIMIZANTE EN MOLINO SAG 30
3800
_J
3750
3700
3650 - - -
3600
/
3550
3500
3450
_j 3400
300 350 400 450 500 550 300 350 400 450 500
Respuesta dinmica de la Granulometra de producto (izquierda) y Carga
Circulante del molino SAG (derecha) al disminuir la potencia de la molienda
secundaria en 50%.
ESTRATEGIAS DE CONTROL 0PTIMIZANTE EN MOLINO SAG
31
4.0 CONCLUSIONES
En este informe se presentan las bases y el desarrollo de un simulador dinmico de un circuito
de molienda con sus equipos principales Molino SAG, Molino de Bolas, Cajn de pulpa y batera
de hidrociclones.
Las ecuaciones que describen la dinmica del circuito estn basadas en consideraciones
fenomenolgicas tales como balances poblacionales, cinticas de fractura y ecuaciones
propias para cada equipo. Este aspecto le una gran generalidad al desarrollo que permitira
utilizarlo en una gran variedad de disposicin de equipos y circuitos.
La incorporacin del modelo de molienda SAG (desarrollado en este mismo proyecto) con los
dems equipos propios de los circuitos de molienda le da un carcter novedoso ya que la
mayora de los simuladores de circuitos de molienda descritos en literatura incluyen solo
molinos de bolas o de barras que tienen una dinmica mucho mas estable.
Otra innovacin en el simulador es el considerar diferentes tipos de granulometra en el circuito.
En la seccin SAG utiliza solo 3 tamaos (grueso, pebbles y finos) mientras que en el circuito
secundario se utiliza una distribucin convencional de 20 tamaos. Esta disposicin optimiza el
clculo de las ecuaciones diferenciales en el simulador, permitiendo respuestas ms rpidas.
Al comparar las respuestas dinmicas del simulador, este responde de acuerdo a lo observado
en la prctica, segn se aprecia en las figuras 1 O a 13. En las respuestas se pueden apreciar
los cambios en las variables ms crticas del circuito como son la carga circulante y la
granulometra del producto como funcin de las variables manipuladas (Tonelaje SAG, Agua al
cajn y el nmero de hidrociclones) , y tambin las perturbaciones ms frecuentes como son la
granulometra del producto fino del SAG y variaciones en la calidad de molienda del molino de
bolas producto de sobrellenado.
Quizs, lo ms interesante de este desarrollo es que permite describir la respuesta temporal de
todos los equipos interactuando simultneamente. Esto ltimo es muy complejo de analizar en
forma conjunta y habitualmente se extrapolan las respuestas de los equipos aislados al
comportamiento en el circuito, lo que puede llevar conclusiones erradas.
La potencialidad del simulador desarrollado en este proyecto est en su utilizacin para estudiar
la respuesta dinmica de diferentes disposiciones de circuitos y equipos, explorar lmites
operacionales, estudios de estrategias de control y entrenamiento de operadores e ingenieros
de procesos.
5.0 REFERENCIAS
Apelt T., Aspray S. and Thornil N ; (2001 ), lnferential measurement of SAG mili parameters ,
Minerals Engineering, Vol 14 N6.
Galn O, Barton G. y Romagnoli J. Robust control of SAG mili, Powder Technology,
124,(2002),264-271
Hales M., Ynchausti R., Gonzalez P., and Lizama E., (2001), Real-Time Adaptative SAG-mill
Control at Los Pelambres, SAG 2001 Mining and mineral process engineering, 11-294.
Lestage R., Pomerleau A., and Hodouin D., (2002), Constrained real-time optimization of a
grinding circuit using steady-state linear programming supervisory control, Powder
Technology 124, 254-263.
Magne L. Amstica R, Barra J. and Menacho J, (1995), Modelizacin dinmica de molienda
semiautgena basada en un modelo fenomenolgico simplificado, Rev. Metal. Madrid,
Vol31, N2, 1995.
Mitra K., and Goponath R., (2004), Multiobjective optimization of an industrial grinding operation
using elitist non-dominated sorting genetic algorithm, Chemical Engineering Science 59
(2004) 385-396.
Pomerleau A, Hodouin D, Desbiens A, y Gagnon E, A survey of grinding circuit control
methods: from decentralized PID controllers to multivariable predictive controllers,
Powder Technology 108, 2000, 103-115.
Ramasamy M, Nayanan S, y Rao, Ch., Control of ball mili grinding circuit using model predictive
control scheme, J Proc Control, 15, 2005,273-283.
Rajamani , R.K. and Herbst, J.A., 1991a., Optimal control of a ball mili grinding circuit-1.
Grinding circuit: modeling and dynamic simulation. Chemical Engineering Science 46 (3),
861-870.
Salazar J., (2004), Modelacin y simulacin de un proceso de molienda semiautgena,
Chemical Engineering Thesis, Universidad de Santiago de Chile, 2004.
"SAG ODYSSE ESTIMADOR DE PARAMETROS
MOLIENDA SEMIAUTGENA. MANUAL"
PREPARADO POR : CARLOS ESPINOZA
FRANCISCO CUBILLOS
ABRIL2008
AV. LIBERTADOR 8. O'HIGGINS 3363
ESTRATEGIAS DE CONTROL PTIMIZANTE EN MOLINO SEMIAUTGENO 2
1.0 Manual de Uso
En la Figura 1.1, en la ventana Control el botn Entrada Manual permite entrar valores fijos y
desacoplarse de la lectura de la planilla, sirviendo as como simulador y se puede dar valores;
Funcin Objetivo permite realizar el ajuste de las variables Potencia, Pebbles y Nivel de Llenado.
Ingresando valor 1 para ajustar dicha variable; celda de ingreso To Estimacin es el nmero de
datos que recorre en la planilla antes de hacer una nueva estimacin por ejemplo To de 1 O espera
1 O valores y hace la estimacin si es 50 recorre 50 valores; Entrada Manual hace una estimacin
pero sin respetar To Estimacin aparece una nueva ventana en la cual se ingresa valores a las
celdas que corresponden a Flujo Alimentacin, Set Agua y Velocidad V Crtica; Planilla permite
leer la planilla a analizar; Odysse aparece el diagrama de bloques en Matlab; por ltimo Plot
Result entrega las grficas de: Pebbles, Potencia, Niveles, KE1 y KE2 (Coeficientes de Ruptura),
Kpot (Parmetro de Potencia), Cs y Cw (Coeficientes de Descarga de Parrillas), todas en funcin
de los datos entregados por la planilla Excel.
ToEstimaeion
- .. -- ..
10 :
-----
Figura 1.1. Interfaz principal en Windows del Estimador de Parmetros en Lnea,
SAG_ODYSSE.
A continuacin se muestra la aplicacin en Simulink.
ESTRATEGIAS DE CONTROL PTIMIZANTE EN MOLINO SEMIAUTGENO
f1 SAGMPC_OPfN - , , - ~ - - . G]@)l2S)
E S ~ l ~ MEW.
m.1nul Z O ~ DE ESTihlACION OE PARAMETROS
PRESIONAR MANUAL PARA ESTIMAR UNA VEZ
PRESIONAT ToPARA ESTIMACION PERIODICA
3
Figura 1.2. Diagrama de bloques de Estimador de Parmetros en Lnea, SAG_ODYSSE en
Matlab.
Como primer paso se debe completar el archivo Excel Planilla_ Odysse.xls, la cual contiene las
variables: Potencia Motor A SAG 1, Potencia Motor B SAG1, Velocidad de Giro SAG1, % Slidos
SAG1, Pie de Carga SAG1, Hombro de Carga SAG1, Alimentacin Fresca SAG1, Flujo Pebbles
Generado CV-07, Agua Alimentacin SAG1, Nivel Llenado Total SAG1, Nivel Llenado Bolas
SAG1, PSI Descansos Alimentacin SAG1 y PSI Descansos Descarga SAG1, todas con su
correspondiente Tag para obtener los datos desde PI System. Esta planilla se obtiene a intervalos
de 15 segundos (diariamente o semanalmente).
Una vez guardada la planilla se procede a abrir el archivo SAGMPC_OPEN.mdl ubicado en la
carpeta ODYSSE_ V4. Se abren las pantallas Entradas, Parmetros y Salidas.
Luego se abre la planilla Excel guardada anteriormente, en el rectngulo de color blanco
'Datosnew.xls' de la ventana Control, se escribe el nombre de dicha planilla Excel. Una vez
realizado dichos pasos presionar botn Planilla.
En la ventana Control ingresar la configuracin que se desee, segn las caractersticas entregadas
en la Figura 1.1. Por ejemplo, presionando el botn Funcin Objetivo, se ajusta la variable
deseada.
Realizado dichos pasos, se presiona el botn Correr Simulador. Una vez que el programa se ha
detenido se debe presionar Plot Result, para obtener las graficas correspondientes a la simulacin.
Se puede detener antes la simulacin presionando Parar Simulador.
4
2.0 Resultados
A continuacin se presentan los grficos obtenidos de los anlisis semanales.
En la Figura 2.1, la simulacin comienza con el ajuste de Potencia y como se aprecia es bastante
buena su correlacin. Luego al ajustar Nivel de Llenado y Flujo de Pebbles no se observa cambio
alguno en las grficas.
Las fluctuaciones tanto en Flujo de Pebbles como en Nivel de Llenado es producto de los datos
que adquiere el programa (ver anexo).
Pebbles Potencia
11; b _j 1
0
o 1 2 o 2
X 10
4
KE1

1
o 0.5 1 1 . 5 2
X 10
4
Niveles
40.--------------,
2
X 10oll
X 10
4
f[_ f_ 11 1 1
o 1 2 - o 1 2 o 1 2
X
Figura 2.1. Semana del 05 al 11 de Septiembre 2005.
:
0
6
... Peb.ble.s .
6
:
01
_""""" __ ______
1
30
20 ,, ...
1 o .... ------------------....
o 1 2 o 1 2 o
Niveles
X 10
41
X 10
4

10
o 0.5 1 1.5 2 o 0 .5 1 1.5 2
X 10.:1 X 10"
Kpot es cw
1 ::t---9
oob _ 45o 1 2 10 o 1 2
X 10
4
Figura 2.2. Semana del 19 al 25 de Septiembre 2005.
La simulacin empieza con el ajuste de Flujo de Pebbles y como se aprecia es bastante buena su
correlacin. Luego al ajustar Nivel de Llenado no se observa cambio alguno en las grficas. Por
5
ltimo al ajustar Potencia se produce un peak en esta grfica como en la de Flujo de Pebbles.
Adems este ajuste tambin produce un cambio en los Coeficientes de Descarga de Parrilla as
como en el Coeficiente de Ruptura KE2 (ver anexo).
X 10"
KE1
25 r- ------- ,-- -
'
20
15 1'
1 0
o;----=o.-=5 -___]2
X 10"
Niveles
30.-------------,
X 10"
KE2

o 0.5 1 1.5 2
es cw

o 1 2

o 1 2 o 1 2
X 10
4
x10"
Figura 2.3. Semana del26 de Septiembre al 02 de Octubre 2005.
En esta figura se observa un pick en las tres figuras superiores, en las 2 primeras se debe al ajuste
que se realiza en la Potencia y en la ltima se debe a un pick producto de los datos de lectura. En
el caso del Flujo de Pebbles, no se logra un ajuste como el de Potencia pero si mantiene una
tendencia el modelo con respecto al medido.
Los parmetros a estimar no presentan un cambio al momento de realizar el ajuste de cada una de
las variables (ver anexo).
PeP.bles
15

0
o 1 2
18'
o 0.5
Potencia Niveles
-
--.., "-.,/''----'
4
2
0
o 1 2
X 10"
KE2
15
10 r -.rt'1fvl
5 .......... ..... J V..,; .
0
o 0.5 1 1 .5 2
1.5 2
X 10" X 10"'
Kpot Cs Cw
::: __
0
o 1 2 o 1 2 o 1 2
x10" x10" x10"
Figura 2.4. Semana del 17 al 23 de Octubre de 2005.
En la Figura 2.4, la simulacin comienza ajustando la Potencia, la cual se ajusta muy bien. No se
observa un pick en las tres figuras superiores al realizar posteriormente el ajuste de Pebbles, esto
puede ser producto que el programa de simulacin slo identifica dichos picks cuando se
comienza el programa ajustando Pebbles y luego se realiza un ajuste de las otras variables de
salida (Potencia, Niveles de Llenado). Por ltimo se ajusta el Nivel de Llenado, ac presenta un
picks en el Flujo de Pebbles que en las grficas no se aprecia, pero que si se observa al momento
de realizar el ajuste en el simulador (ver anexo).
Figura 2.5. Semana del 24 al 30 de Octubre de 2005.
La simulacin empieza ajustando el Nivel de Llenado, la cual se ajusta levemente bien a pesar de
tener gran variabilidad los valores. Posteriormente se ajusta Flujo de Pebbles, que en la simulacin
se aprecia un peak en las grficas de salidas, pero esta variable no se ajusta. Finalmente al ajustar
Potencia se observa que se ajusta el muy bien el modelo (ver anexo).
Pebbles Potencia Niveles
15 8 40 r--------,
t __ t=cj
....
20 . . _ .
10

0
o 1 2 o 1 2
o
o 1 2
x10
4
x10" X 10"
KE1
---- -- ---- i
::L _______ _ ------- ------- 1
10
o 1 5 2
X 10
4
KE2
10 ................. .... .. ..... , ... . _ -- .........

X 10"
KPot es cw
1 ::rrJ m;:u
0
40
o 1 2 o 1 2
X 1Q
4
X 10
4
X 10
4
Figura 2.6. Semana del 31 de Octubre al 06 de Noviembre de 2005.
7
En la Figura 2.6, se comienza con el ajuste de Nivel de Llenado, se aprecia que el Flujo de
Pebbles y Potencia (medido y modelo) no presentan tendencia alguna hasta cercano a 1 del eje de
las abcisas, al realizar el ajuste de Potencia esta se acerca al dato medido y a la vez el Flujo de
Pebbles aumenta la diferencia con respecto al modelo. Finalmente se ajusta Pebbles pero el
modelo no presenta variacin alguna en tendencia a ajustarse al medido, mas an presenta un
efecto contrario que se aprecia cuando el programa est analizando los datos y en la grfica no se
presenta dicho comportamiento (ver anexo).
Los parmetros de Coeficiente de descarga de parrilla, no presentan cambio al momento de
realizar el ajuste de Potencia y luego de Nivel de Llenado.
Pebble.s Potencia
100
20 5
1IT .
v _ .
o _______................ _____ o
o 5000. 1 0000 1 5000 o 5000 1 0000 1 5000
KE1
22 -------------------- ---1 20

18
16
14
o 5000 10000 15000
Niyeles
40r-------.

o 5000
1

o sp:oo 1oo.qo 1sooo o sooo 1.0000 1sooo o sooo 10000 1sooo
Figura 2.7. Semana del? al13 de Noviembre de 2005.
Se comienza la simulacin ajustando Potencia, la cual se ajusta muy bien en un primer tramo.
Luego se ajusta Nivel de Llenado, lo cual produce en el modelo del Flujo de pebbles una
fluctuacin leve respecto al medido que en las grficas no se aprecia, pero que si se observo al
momento de realizar el ajuste en el simulador. Por ltimo se ajusta Potencia la cual se como se
aprecia en la figura genera una fluctuacin del modelo de Flujo de Pebbles bastante pronunciada.
La gran variabilidad que se observa en la grfica de Nivel de Llenado se atribuye a que los datos
medidos de estos en das presentan valores muy bajos y en otros casos son cero.
Los parmetros de Coeficiente de descarga de parrilla, presentan cambio al momento de real izar
el ajuste de Potencia. Los Coeficientes de Ruptura (KE1 y KE2) presentan una variacin pero la
cual podra ser atribuible al ajuste de Potencia (ver anexo).
Posterior al 15 de Noviembre 2005, no se realizan simulaciones producto que en esta fecha la
batera del sensor del Molino SAG lnea 1 se agota. Como el simulador analiza datos entregados
desde PI system entre ellos tanto Nivel de Carga Total como de Bolas, estas ltimas tienen valor
cero, por lo que el simulador falla entregando un mensaje de error de lectura (ver anexo 2)
8
ANEXO
1. SEGUIMIENTO DEL SIMULADOR
Figura 1.a. Semana del 05 al11 de Septiembre 2005.
Se comienza la simulacin con el ajuste de Potencia, la cual se logra en esta primera imagen.
Flujo de Pebbles como Nivel de Llenado presentan peaks al mismo tiempo que la Potencia pero en
mayor grado. La diferencia de ajuste es ms marcada en Flujo de Pebbles.
Figura 1.b. Semana del 05 al 11 de Septiembre 2005.
Una vez ajustada la Potencia, se procede a ajustar Nivel de Llenado. Se aprecia slo un peak en
Flujo de Pebbles alrededor del punto 320 del eje de la abcisa. Las variaciones que presentan
posterior a este punto como se observa en la figura se deben a datos ledos de Nivel de Llenado
por el programa.
En los Coeficientes de Descarga de Parrillas tambin se aprecia un cambio debido al ajuste que se
realiz.
Figura 1.c. Semana del 05 al 11 de Septiembre 2005.
Ahora ajustando Flujo de Pebbles, se aprecia un peak cercano al punto 590 de eje x en Flujo de
Pebbles pero no se ajusta el modelo.
Los Coeficientes de Descarga de Parrillas como el Coeficiente de Ruptura KE1 levemente tienen
un cambio debido al ajuste realizado.
10
Figura 2.a. Semana del 19 al 25 de Septiembre 2005.
En esta prueba se comienza ajustando Flujo de Pebbles, lo cual se logra de buena forma. En el
caso de la Potencia esta tiene una diferencia bastante marcada y en cuanto al Nivel de Llenado si
bien no se ha ajustado an tiene una buena correlacin eso si slo el Nivel de Llenado de Carga
Total.
Figura 2.b. Semana del 19 al 25 de Septiembre 2005.
1 1
Al ajustar ahora el Nivel de Llenado no se ve ningn fenmeno en las grficas de la figura superior
que corresponda a este ajuste de variable, dicho ajuste se realiz entre los 600 y 700 en el eje de
la abcisa.
Figura 2.c. Semana del 19 al 25 de Septiembre 2005.
Por ltimo al ajustar Potencia, alrededor del punto 310 del eje x se observa un cambio en las
grficas de Parmetros, Flujo de Pebbles como en la misma Potencia.
Figura 3.a. Semana del 26 de Septiembre al 02 de Octubre 2005.
Esta prueba comienza con ajuste de Flujo de Pebbles, lo cual no se logra como se aprecia en la
figura, si bien existe un cambio en este grfico no es producto del ajuste. En el caso de la Potencia
esta tiene una diferencia bastante marcada y en cuanto al Nivel de Llenado si bien no se ha
ajustado an tiene una buena correlacin eso si slo el Nivel de Llenado de Carga Total y el peak
que present se debe a los datos proporcionados al programa.
Figura 3.b. Semana del 26 de Septiembre al 02 de Octubre 2005.
Cercano al punto 71 O del eje x de las grficas de salidas, marca el punto de ajuste de la Potencia,
la cual se refleja en Flujo de Pebbles, Coeficientes de Ruptura (KE1 Y KE2) y en la misma
Potencia. En esta ltima se ajusta el modelo y para el caso de Flujo de Pebbles no produce
cambio alguno en la tendencia que esta tena antes de realizar dicho ajuste.
13
Figura 3.c. Semana del 26 de Septiembre al 02 de Octubre 2005.
El ltimo ajuste que corresponde al Nivel de Llenado se realiz cerca del punto 420 del eje x,
levemente se aprecia slo un peak en el Flujo de Pebbles y en los Coeficientes de Descarga de
Parrillas un cambio de valor.
En el caso del Nivel de Llenado de Carga Total, en el punto 420 comienza el ajuste de este pero
no as el de Nivel de Llenado de Bolas ya que en la grfica ni siquiera aparece el dato medido.
Figura 4.a. Semana del 17 al 23 de Octubre 2005.
14
Como se coment anteriormente, el simulador comienza con el ajuste de Potencia, se ve
claramente que en el Flujo de Pebbles existe una diferencia bastante amplia entre el dato medido y
el modelo. Lo mismo ocurre con Niveles de Llenado (Carga y Bolas) pero la diferencia es menos
marcada entre los datos medidos y el modelo.
Figura 4.b. Semana del 17 al 23 de Octubre 2005.
Siguiendo con la simulacin ahora se ajusta Flujo de Pebbles (dejando el ajuste realizado a la
Potencia), se aprecia un peak cercano a 620 del eje de la abcisa en las 3 grficas de simulacin,
ms pronunciada en Flujo de Pebbles y Nivel de Llenado pero en el caso de Potencia un leve
cambio en el dato del modelo. El segundo peak que presenta la grfica de Nivel de Llenado
corresponde a una cierta cantidad de datos bajos que presenta esta variable el da 22 de Octubre
alrededor de las 18:50hrs.
Los parmetros estimados no presentan variacin alguna con el ajuste de Flujo de Pebbles.
15
Figura 4.c. Semana del 17 al 23 de Octubre 2005.
Al realizar el ajuste de Nivel de Llenado (dejando los ajustes realizados con anterioridad}, se
aprecia un peak cercano al punto 500 del eje de la abcisa slo en la grfica del Flujo de Pebbles.
En las grficas de los parmetros estimados se observa un cambio slo en los Coeficientes de
Descarga de Parrillas.
Figura S.a. Semana del 24 al 30 de Octubre 2005.
16
Comenzando la simulacin con ajuste de Nivel de Llenado, solo el correspondiente a Bolas es el
que presenta una menor diferencia entre el dato medido y el modelo. En el caso de las restantes
variables presentan una diferencia marcada, la cual es mayor en el caso de la Potencia.
Figura S.b. Semana del 24 al 30 de Octubre 2005.
Cercano al punto 780 de la abscisa, se aprecia un leve peak del siguiente ajuste correspondiente
al Flujo de Pebbles el cual no se ajusta y adems todos los parmetros sufren un cambio en su
tendencia, aunque este es mnimo.
Figura S.c. Semana del 24 al 30 de Octubre 2005.
El ltimo ajuste corresponde a Potencia y se aprecia en la figura alrededor del punto 680 del eje x
que comienza un buen ajuste de esta variable. A su vez, Flujo de Pebbles se aleja el modelo con
respecto al dato medido y el Nivel de Llenado de Carga Total disminuye su diferencia el modelo
con el dato medido.
La totalidad de los parmetros tambin sufre un cambio al realizar este ltimo ajuste.
Figura 6.a. Semana del 07 al 13 de Noviembre 2005.
Esta simulacin comienza con el ajuste de Nivel de Llenado, slo el de Bolas presenta un leve
acercamiento del modelo al dato medido. En el caso de las restantes variables igual presentan una
diferencia marcada, la cual es mayor en el caso de la Potencia.
ESTRATEGIAS DE C ONTROL PTIMIZANTE EN MOLINO SEMIAUTGENO
18
Figura 6.b. Semana del 07 al 13 de Noviembre 2005.
El ajuste ahora corresponde a la Potencia, en el punto 800 del eje x se aprecia en las grficas
tanto de la ventana parmetros como en la de salidas. A partir de este punto el modelo se ajusta
muy bien al dato medido y la vez en Flujo de Pebbles el modelo se distancia del dato medido.
Figura 6.c. Semana del 07 al 13 de Noviembre 2005.
Finalmente se ajusta Flujo de Pebbles, cercano al punto 750 del eje x, este ajuste no produjo
cambio alguno en las variables, salvo un muy pequeo peak en la variable ajustada.
Figura 7.a. Semana del 20 al 26 de Febrero 2006.
Comienza el ajuste con Flujo de Pebbles, no se aprecian cambio producto de este ajuste en las
restantes variables.
Figura 7.b. Semana del 20 al 26 de Febrero 2006.
El ajuste ahora corresponde a la Potencia, se aprecia una buena correlacin de esta variable entre
lo Medido y el ajustado.
Figura 6.c, Semana del 07 al 13 de Noviembre 2005.
Finalmente se ajusta Flujo de Pebbles, cercano al punto 450 del eje x, este ajuste no produjo
cambio alguno en las variables, salvo un muy pequeo peak en Flujo de Pebbles y cambios en la
grfica parmetros.
"SIMULADOR DINMICO DE
MOLIENDA SEMIAUTGENA"
PREPARADO POR : FRANCISCO CUBILLOS
GONZALO ACUA
FRANCISCO COLLAO
JUAN BECKER
JOS LUIS SALAZAR
ABRIL2008
AV. LIBERTADOR B. O'HIGGINS 3363
1.0 INTRODUCCIN
El proyecto FONDEF 00211077 tiene entre sus objetivos el desarrollo de sistemas de control
avanzado para plantas de molienda semiautogena. Una herramienta esencial para el diseo,
configuracin y evaluacin de estos algoritmos es un simulador dinmico que capture las
principales caractersticas del proceso entregando la evolucin de las variables de salida de
inters con las condiciones de operacin impuestas en cada momento.
El presente informe contiene las bases conceptuales para el desarrollo del modelo dinmico de un
molino semiautogeno basado en consideraciones fenomenolgicas. Posteriormente se describe la
programacin del modelo en base a un "Ncleo Simulador" que sirve de base para el desarrollo de
los productos tecnolgicos. Finalmente se presentan dos prototipos de productos tecnolgicos:
a Un simulador dinmico para entrenamiento de personal
a Un simulador dinmico para anlisis en lnea.
3
2.0 MODELO DINAMICO
Estrategia de Modelacin
Las bases conceptuales de la modelacin consisten en la formulacin de balances en estado no
estacionario en el equipo de molienda, junto a relaciones de conservacin de fuerzas y
consideraciones hidrulicas. La metodologa seguida est establecida por Magne y cols. (1995)
que consiste en formular balances poblacionales a cada tamao de mineral al interior del molino.
Las variables de entrada son: Flujo de agua, Flujo de mineral (Incluyendo datos de granulometra),
Flujo de bolas y la fraccin de velocidad crtica de operacin del equipo.
Las variables de salida del modelo son: Potencia suministrada, Nivel de llenado de carga, Nivel de
llenado de Bolas, Flujo de Mineral total y porcentual a cada tamao, Flujo de agua y Bolas, Presin
en los descansos, Flujo de Pebbles y ngulo de pie y hombro de la carga interna.
Modelo de Molienda Semiautgena
Para modelar la molienda semiautgena y dada las caractersticas de este tipo de equipos, se
suele dividir el molino en dos zonas segn el proceso que tiene lugar en ellas (Fig.1 ). En la
primera, definida como cmara de molienda, se identifica y modeliza la ocurrencia del proceso de
reduccin de tamao de las partculas. En la segunda, que se define como sistema de descarga.
Se verifica la clasificacin interna por la parrilla y la posterior evacuacin del material como
producto final. Para completar la descripcin del sistema es necesario considerar la relacin
existente entre el flujo de alimentacin y el nivel de llenado del molino; esta se suele denominar ley
de transporte y es probablemente el aspecto menos elaborado en los modelos propuestos hasta la
fecha.
Las partculas que alimentan el molino ingresan a la cmara de molienda, cuyo producto enfrentan
al sistema de descarga, donde, de acuerdo con una probabilidad de clasificacin, las partculas
pueden retornar a la cmara de molienda o formar parte del flujo de descarga del molino.
El modelo se formaliza mediante parmetros cinticos globales de molienda, los cuales renen la
accin simultnea de los diferentes mecanismos de conminucin sobre la carga interna de mineral
en el molino. Si bien estos parmetros cinticos pueden ser estimados mediante mediciones de la
granulometra de carga interna, alimentacin y producto del molino, el aporte individual de cada
uno de los mecanismos de molienda no se puede evaluar si no se agrega informacin
experimental que permita estimar las contribuciones individuales.
ESTRATEGIAS DE CONTROL PTI MIZANTE EN M OLI NO SEMIAUTGENO
Ali mentacin
F fi f*
Molino i 1 . ~
P* '
------.\ 3
ciPi*
np
Descarga
Mol ino
4
Figura 1. Representacin esquemtica del molino SAG. 1 Molino real; 2 Cmara de molienda; 3
Clasificador interno (parrilla).
La modelacin propuesta por Magne y cols. Comienza con la hiptesis sobre el fenmeno de
molienda en los molinos semiautgenos, fundamentada en la siguiente cintica de molienda.
l
tasa de desaparicio" nl r masa de materiall
del material sobre a presente sobre
la malla i- esima la malla i- esima
(1)
La relacin de proporcionalidad queda definida mediante el parmetro cintico de velocidad
efectiva de molienda, Ki. La Ec. 1 se escribe en trminos de Ki y de la masa retenida acumulada
sobre la malla i, Wi , como:
dW =-KW
dt l l
' t/h
(2)
La variacin de masa en la cmara de molienda en funcin de la masa retenida acumulada en la
malla i y de los flujos acumulados sobre la malla i de al imentacin y descarga de la cmara de
molienda, Fi* y Pi*, respectivamente, se expresa de la siguiente forma:
dW =F* - P* - KW
dt 1 l l
't/h
(3)
La ecuacin anterior puede expresarse, en trminos de los flujos parciales en el intervalo i, de la
siguiente manera:
(4)
El balance msico planteado en la Ec. 4 constituye la base del modelo de molienda desarrollado,
ya sea en su forma esttica o dinmica.
5
Para el sistema de descarga, el balance se realiza definiendo un vector de eficiencia de
clasificacin, ci, que tiene implcito dos efectos: el producido por la parilla interna del molino y del
sistema de evacuacin de la pulpa. As, ci queda definido por:
(5)
Suponiendo que el molino se comporta como un reactor perfectamente mezclado, pi*, se relaciona
con la masa por tamaos de la carga interna a travs de la siguiente relacin:
(6)
De aqu la relacin entre el flujo msico de descarga de la cmara de molienda, P*, y la masa
interna de mineral contenida en esta, W se obtiene suponiendo que no existe reciclo de finos en el
clasificador interno, lo cual simplifica la ecuacin del balance msico y se obtiene el valor de P* a
partir del flujo de finos del producto, Pn y de la masa de finos en la carga interna, W
0
, segn la
ecuacin:
(7)
El flujo de alimentacin por tamaos a la cmara de molienda, {*, se obtiene componiendo el flujo
de alimentacin por tamaos al molino, f; y el flujo de recirculacin interna:
(8)
Finalmente utilizando las ecuaciones (4), (7) y (8), se obtiene la siguiente expresin para la
descripcin matemtica de la cmara de molienda:
(9)
Transporte de Agua a Travs del Molino
Para el agua se ha utilizado una ecuacin diferencial de primer orden, aproximacin que parece
adecuada segn resultados experimentales.
La ecuacin que representa la variacin de la carga interna de agua, Wa, con los flujos de entrada
y salida de agua, Fa y Pa = lf/aWa, es la siguiente:
ESTRATEGIAS DE CONTROL PTIMIZANTE EN M OLI NO SEMIAUTGENO
= 't/h
dt
6
(10)
El parmetro lfla de esta ecuacin, denominado parmetro de descarga de agua, se ha
correlacionado con la masa de mineral contenida en el molino W, segn la relacin:
lfla = exp(64.41 - 19.56ln(W) + 1.55(ln(W))
2
)
(11)
Velocidad Efectiva Especfica de Molienda
La relacin que determina la velocidad efectiva de molienda K, se define como una relacin
proporcional a la potencia especfica suministrada al molino:
M
K =KE_p '1/h
l l w
(12)
Donde KE se define como funcin velocidad efectiva de molienda en (t/kWh) y Mp es la potencia en
(kW).
Ecuacin Para la Potencia
La ecuacin utilizada para predecir la potencia consumida por el molino, Mp en (kW), est basada
en una modificacin a la ecuacin de Bond, segn:
A1

p V 'f'c
(13)
Donde D y L son las dimensiones del molino en m, Ves el volumen efectivo del molino en m
3
, r/Jc la
fraccin de velocidad crtica de operacin del equipo y J el nivel de llenado del molino,
considerando la pulpa y las bolas. K y A son los parmetros de la ecuacin. Por definicin, la razn
entre el peso de carga interna y el volumen del molino, W , se relaciona con el nivel de llenado de
V
este, J, a travs de la siguiente relacin:
(14)
En la que &b es la porosidad de la carga interna del molino Ps y Pb son las densidades del mineral y
bolas, respectivamente; Wc es la razn entre el agua retenida y la masa de mineral en el molino y
Jb es el nivel de llenado de bolas. La determinacin del nivel de llenado de carga interna del
molino, se realiza deteniendo el molino y midiendo directamente la altura de la carga.
Medios de Molienda
La masa de medios de molienda (Bolas) en el interior de la cmara se determina mediante un
balance considerando una tasa de reposicin de bolas y una velocidad de consumo de metal,
esta ultima proporcional a la masa de mineral en el molino segn:
dWb =F. -fJW
dt b
(15)
Donde Wb es la masa interna de medios de molienda, Fb es la tasa de reposicin de medios de
molienda, j3 es el consumo de medios de molienda y W es la masa interna de mineral.
Presin en los Descansos
La presin en los descansos se ha formulado como una relacin lineal con el peso total de la carga
en la cmara de molienda, entonces:
PO= a+ 3*Wt
(16)
Donde Wt es el peso total de carga (mineral, agua, bolas y revestimientos), a y son constantes
de ajuste.
Posicin de la Carga
La posicin de la carga se expresa en trminos de los ngulos del pie y hombro. En el clculo del
ngulo del pie y hombro, se han considerado las relaciones (Apelt et al, 2001 ):
Br = 2.5307 (1.2796 - J)(l - e -l
9
.4
2
(9i-9icl) + !!..._
2
(17)
(18)
Donde Br es el ngulo de posicin del pie (rad), Bs es el ngulo de hombro (rad) y rjJ es la fraccin
de velocidad crtica experimental, calculada mediante la relacin:
rjJ = 0.35(3.364- J)
(18)
3.0 PROGRAMACION DEL NUCLEO SIMULADOR
En este desarrollo, se define como "Ncleo Simulador" a una subrutina computacional que es
capaz de resolver numricamente el modelo algebro - diferencial planteado en la seccin anterior.
La ventaja de esta arquitectura es que centraliza el esfuerzo de resolver, mejorar y optimizar el
modelo en un solo desarrollo. Por otro lado permite el diseo de productos tecnolgicos de una
manera descentralizada, facilitando el uso de otras plataformas de programacin y gestin tales
como Vbasic, Sistema PI, Interfase Web etc.
Programacin En Matlab-Simulink
El concepto de ncleo simulador se implement como un sub-sistema "Mask" en Simulink de
Matlab. Simulink es un sistema de programacin estructurado en bloques que permite la solucin
de ecuaciones diferenciales, adems de permitir programar bloques de usuario a travs de
funciones tipo S (S-functions). Lo anterior, junto con la posibilidad de usar los "toolbox" especficos
de Matlab conforma una poderosa plataforma para el desarrollo de prototipos.
La arquitectura del ncleo simulador se determin de manera anloga a la de la Figura 1 de tal
forma que es posible distinguir la cmara de molienda, la parrilla clasificadora y el reciclo de
material grueso. La Figura 2 muestra el subsistema correspondiente al ncleo simulador.
BOLAS1
carga
circulante
masas
internas
Figura 2. Esquema del Ncleo Simulador.
Componentes Principales
Flujos Sol
En base a la Figura 2 los componentes principales del subsistema son:
Masas
SolidoiAguaiBolas
S-Function conteniendo las ecuaciones diferenciales del modelo (masas de mineral por
tamao, agua y bolas)
Funciones para la parrilla y potencia
Reciclo interno de slidos
Entradas y salidas que hacen de interfase con la aplicacin final.
Parmetros
9
El modelo diferencial contiene diversos parmetros que pueden ser ingresados por el usuario o
auto-ajustados en lnea segn la aplicacin. En este primer prototipo los parmetros considerados
son:
Las constantes cinticas de molienda KE
Las constantes de la ecuacin de potencia K y A
Los parmetros de la descarga de agua y mineral
Masa inicial de medios de molienda
Aplicacin a Molino SAG 1 de Compaa Minera Doa Ins de Collahuasi
10
El desarrollo anterior se program y adapt a las condiciones operacionales del molino SAG 1 de
Collahuasi de acuerdo a las siguientes premisas:
3 tamaos de minerales (rocas, pebbles y finos)
Eficiencias de separacin constante en la parrilla (1 para rocas, 0,5 para pebbles y O para
finos)
Programacin en Simulink y solucin mediante rutina de integracin de paso variable.
Excluyendo los parmetros indicados anteriormente, los dems parmetros fueron
calculados para condiciones promedios de operacin y mantenidos constantes.
A partir de pruebas preliminares de cambios en las variables de entrada se hicieron los ajustes
necesarios para obtener un modelo que respondiera de manera adecuada a lo observado en la
prctica. De esta manera se obtuvo el "ncleo simulador" que sirve de base a los productos
tecnolgicos descritos a continuacin.
1 1
4.0 PRODUCTOS TECNOLOGICOS
A partir del concepto de un ncleo simulador como motor de clculo dinmico de las condiciones
de salida del molino es posible disear diversas aplicaciones o productos tecnolgicos
relacionados que tienen como base la solucin del modelo dinmico. Entre estos podemos
mencionar:
Simulador para entrenamiento de personal
Sistema de anlisis dinmico de operacin
Sistema de diagnstico de fallas u operaciones anormales
Modelo dinmico adaptado en lnea para fines de control y optimizacin en lnea.
En este informe se presentan dos prototipos de productos basados en este concepto:
o Un simulador dinmico para entrenamiento de personal
o Un simulador dinmico para anlisis en lnea
4.1. Simulador para Entrenamiento de Personal
En este desarrollo, lo esencial es conectar adecuadamente el ncleo simulador a una interfaz
interactiva tipo HMI de tal manera de emular la situacin real en que se desenvuelve el operador.
Mediante la programacin de la interfaz se podr tener acceso a todas las funciones que tiene a
mano el operador para manipular el proceso.
Como ilustracin, en la Figura 3 se muestra una interfaz grfica desarrollada en Matllab que
cumple con los requerimientos de manejo interactivo del proceso permitiendo modificar con accin
de mouse las condiciones de operacin del molino (alimentacin, agua, RPM) reflejndose su
impacto en las variables de salida mediante display y grficos de tendencias animados.
Adicionalmente es factible incorporar rutinas de fallas y eventos programados para evaluar la
capacidad de reaccin de los operadores ante situaciones imprevistas o no reconocidas de
antemano.
Cabe destacar que el ncleo simulador desarrollado en Matlab tiene una amplia gama de
conectividad con otras plataformas de programacin y de gestin, independiente del sistema
operativo, por lo que la interfaz de entrenamiento puede ser desarrollada en otro lenguaje de
programacin, una "suite" de control o gestin de procesos como por ejemplo PI System, o a
travs de una interfase basada en web mediante un esquema cliente-servidor.
Figura 3.
Interfaz grfica del simulador ara entrenamiento.
ESTRATEGIAS DE C ONTROL PTIMIZANTE EN MOLINO SEMIAUTGENO
13
4.2. Simulador Dinmico en lnea para Anlisis en Tiempo Real
Se presenta un segundo prototipo de producto tecnolgico que consiste en una aplicacin
destinada a contrastar la marcha de la operacin del molino SAG con el modelo dinmico. La
aplicacin puede ser conectada directamente a las lecturas en tiempo real provenientes del DCS o
a una planilla de datos histricos. En cada instante de lectura el sistema toma los datos del
proceso y genera las salidas en el tiempo a travs del ncleo simulador permitiendo comparar las
salidas medidas con las estimadas por el modelo.
Dado el carcter altamente variable de las condiciones de alimentacin (granulometra,
moliendabilidad, composicin mineralgica) y en la cmara de molienda (medios de molienda y
revestimientos), rea libre de parrilla, etc., es que se hace necesario incorporar una rutina de
adaptacin del modelo, bsicamente algn esquema de estimacin de parmetros. En literatura se
menciona que esta componente es fundamental para cualquier aplicacin basada en modelo,
siendo el filtro de Kalman extendido (EKF) el algoritmo ms utilizado.
Con estas consideraciones se dise y program la aplicacin con una arquitectura
esquematizada en la Figura 4. Las principales caractersticas de la aplicacin son:
Modelo dinmico compuesto por el ncleo simulador
Conexin con planilla Excel o base de datos histrica o en tiempo real va ODBC o DDE
Estimador combinado de estados y parmetros basado en optimizacin no lineal
Control interactivo que permite modificar las siguientes variables;
o Entradas por lectura del proceso o manual
o Intervalo de estimacin automtica y/o estimacin manual
o Modificacin de la funcin objetivo de estimacin como funcin del grado de
credibilidad de las variables observadas (potencia, niveles, flujo de pebbles)
Figura 4.
ESTRATEGIAS DE C ONTROL PTI MIZANTE EN M OLI NO SEMI AUTGENO
Parmetros
Entradas del proceso
Flujos, RPM,
Salidas Predichas n
Arquitectura del sistema de anlisis en lnea.
14
A continuacin, Figura 5, se muestra la aplicacin con una corrida tpica envolviendo 2000
instantes de muestreo (14 horas de operacin) con un intervalo de estimacin de 8,3 minutos.
En esta figura, los grficos de la izquierda son las entradas, los de la derecha las sal idas, al
extremo izquierdo se aprecia la interfaz de control , mientras que abajo se muestra la evolucin de
los parmetros y la aplicacin en Simulink.
Figura 5.
15
ESTit-IACI.DN

To.Estimacicin
20
EN liJADA MANUAL 1
1
j '2604020/.xLS'
Resultado de simulacin dinmica para 14 horas de operacin del molino
semiautgeno.
ESTRATEGIAS DE C ONTROL PTIMIZANTE EN M OLI NO SEMIAUTGENO 16
4.3 Anlisis de resultados
Con la finalidad de mostrar la capacidad de prediccin del modelo as como la efectividad del
estimador se muestra una prueba de contrastacin del modelo contra datos de planta (Collahuasi
SAG1 - 02.07-2004). Se seleccion una porcin de la operacin que contiene cambios apreciables
en las condiciones de operacin segn se muestra en la Figura 6 adjunta.
Figura 5.
35
30
25
0 . 69
0 .685
o .aa
0 . 675
0 . 6 7

1 3
12
11
9
a
\._

Flujo de mineral de alimentacin, velocidad del mol ino y flujo de agua de
alimentacin.
A continuacin se presentan los resultados de las contrastacin sin estimacin (a la izquierda) y
con estimacin cada 20 instantes (a la derecha) para la potencia, fluj o de pebbles y niveles
(llenado y bolas).
De los resultados sin estimacin se puede apreciar que el modelo es capaz de responder
adecuadamente a los cambios en las variables de entrada (velocidad del molino, flujo de mineral y
ESTRATEGIAS DE CONTROL PTIMIZANTE EN MOLINO SEMJAUTGENO
17
agua de alimentacin) desde un punto de vista cualitativo, lo que lleva a concluir que el modelo es
representativo de los fenmenos fsicos involucrados. Sin embargo, la prediccin se va
deteriorando paulatinamente debido a cambios no medidos tales como granulometra de la
alimentacin, composicin del mineral, moliendabilidad, u otros, que hace necesario una
calibracin o actualizacin del modelo en forma continua de manera de adaptarse a las nuevas
condiciones.
Lo anterior se refleja en los resultados obtenidos con una estimacin continua de los parmetros
de cintica de molienda (KE), coeficientes de descarga de lquido y slido y la constante de la
ecuacin de potencia Kp. Se puede apreciar que el modelo adaptado en lnea es capaz de seguir
la evolucin de las salidas adecuadamente. La variable con mayor error de prediccin es el flujo
de pebbles, mientras que la potencia y los niveles son ms exactos. Esto ltimo puede deberse al
gran ruido asociado a la medicin de pebbles.
Por otro lado, se puede apreciar que los parmetros varan levemente en cada estimacin (salvo
en condicin crtica) lo que ratifica la robustez del modelo fenomenolgico.
1 :
5 ~ 1 \
. ! 1 '
1 : n
3.5 ~ :\ :
: r - - - v v ~ ~ ~ ~
1000 2000 3000 4000 5000 6000 7000
Respuesta flujo de Pebbles.
5,
1
4.5
1000 2000 3000 4000 5000 6000 7000 8000
Respuesta flujo de Potencia.
s'
4.5
1
1
1000 2000 3000 4000 5000 6000 7000
1000 2000 3000 4000 5000 6000 7000
:
16 1 _ _ ___,:;;::;:.::;:::,,,..
14
12 !
12
10 '
10 ;
h-....:
f
1000 2000 3000 4000 5000 6000 7000
1000 2000 3000 4000 5000 6000 7000 8000
Respuesta flujo de Niveles.
.......... .J
.... r
L - . .i - '--- ____,..
.. .i nj
1
25
20
15
- ----------------------)
5
Evolucin de los parmetros en la adaptacin.
ESTRATEGIAS DE CONTROL 0PTIMIZANTE EN MOLINO SEMIAUTGENO 19
5.0 BIBLIOGRAFIA
1. Magne L. Amstica R, Barra J. y Menacho J; "Modelizacin dinmica de molienda
semiautgena basada en un modelo fenomenolgico simplificado", Rev. Metal. Madrid, Vol
31, N2, 1995.
2. Apelt T., Aspray S. y Thornil N ; "lnferential measurement of SAG mili parameters" ,
Minerals Engineering, Vol14 N6, 2001.

EXUMBRA IN SOLEM
"PROTOTIPOS DE ESTRATEGIAS DE CONTROL OPTIMIZANTE
EN MOLINO SEMIAUTGENO"
PREPARADO POR : FRANCISCO CUBILLOS
GONZALO ACUA
FRANCISCO COLLAO
JUAN BECKER
JOS LUIS SALAZAR
REVISADO POR : LUIS M AGNE
SANTIAGO, MAYO DEL 2008
AV. LIBERTADOR B. O ' HIGGINS 3363
1.0 INTRODUCCIN
El proyecto FONDEF 00211077 "Sistema de Control Optimizante para Plantas de Molienda
Semiautgena" tiene como objetivo principal el desarrollo de sistemas de control avanzado para
plantas de molienda semiautgena. Una primera tarea desarrollada en este proyecto fue un
simulador dinmico que capture las principales caractersticas del proceso entregando la evolucin
de las variables de salida de inters con las condiciones de operacin impuestas en cada
momento.
En esta etapa se informa el desarrollo y evaluacin mediante simulacin de varios prototipos de
control para un molino semiautgeno cuyo objetivo es la optimizacin de la operacin ya sea
incorporando especficamente la funcin objetivo a optimizar o la determinacin simultanea de los
setpoint de manera multivariable obedeciendo a una estrategia de operacin optima determinada
fuera de lnea.
Las estrategias desarrolladas son:
Controlador predictivo multivariable MPC ( de Model Predictive Control)
Controlador multivariable por lgica difusa
Optimizador en lnea RTO (de Real Time Optimization)
Todas las estrategias estn desarrolladas en Matlab/Simulink y se han evaluado utilizando el
simulador dinmico desarrollado por el mismo equipo de trabajo y que ha sido calibrado a las
condiciones operacionales del molino SAG-1 de Collahuasi.
A continuacin se presentan las caractersticas ms importantes de cada desarrollo.
2.0 CONTROLADOR PREDICTJVO MULTIVARIABLE MPC
2.1 Presentacin
Los algoritmos de control predictivo se basan en modelos de prediccin de tal manera de ajustar
las variables manipuladas de un proceso para seguir una trayectoria deseada sobre un dado
horizonte de tiempo. Su mayor potencial est en los procesos multivariables y acoplados, de
dinmica lenta, con caractersticas lineales y levemente no-lineales.
En el caso especfico de molienda semiautgena se cumplen todas estas caractersticas
dinmicas posibilitando el desarrollo de una estructura de control multivariable que permite
incorporar nuevas variables sensadas en lnea tales como el nivel de llenado e incorporar al
control variables que tradicionalmente estn fijas o esclavas (agua al molino y velocidad del
molino).
2.2 Algoritmo MPC
El algoritmo seleccionado es del tipo QDMC (Quadratic Dymanic Matrix Control) basado en una
formulacin DMC (Dynamic Matrix Control) original y que incluye explcitamente restricciones en
las variables dependientes e independientes.
Este tipo de algoritmos ha sido implementado con gran xito en la industria petroqumica siendo
especialmente atractivo en aquellos sistemas lineales multivariables, de dinmicas lentas y
complejas, debido a recicles, respuestas inversas y tiempos muertos.
Perteneciente a la familia de controladores tipo MPC (Model Predictive Control), el siguiente
problema de optimizacin debe ser resuelto:
p A
min I [r*(y(k+i)- yset)]2- [A*L1u(k+i-1)]2
U ;
sea: .!1u=O i=M,M+1 , ..... . P
.!1Umin ~ .!1u(k+i-1) ~ .!1Umax
Umin ~ u k ) ~ Umax
Y m in ~ y (k+i) ~ Ymax
Donde p y M son los horizontes de prediccin y de control respectivamente, y es la prediccin del
modelo, mientras que r y A son factores de pesos relativo.
ESTRATEGIAS DE C ONTROL PTIMIZANTE EN MOLINO S EMIAUT GENO 4
2.3 Implementacin en Molino Semiautgeno
Considerando el carcter multivariable de la molienda semiautgena y la factibilidad de las
variables a controlar, se configura una estrategia de controlador con las siguientes caractersticas:
El modelo interno consiste en los coeficientes escaln de cada salida con respecto a cada
una de las entradas (modelo step). Se consideraron 50 intervalos de 1 minuto.
El controlador se program utilizando el toolbox de control predictivo MPC de Matlab y se
conect al modelo dinmico del molino semiautgeno para su sintona de parmetros y
evaluaciones de desempeo.
Finalmente los parmetros de sintona que dan una respuesta satisfactoria resultaron ser de:
Horizonte de Control P= 20
Horizonte de prediccin M= 50
r = [ 1,1, 1 1 A =[ 5,5,5]
La Figura 1 ilustra la interfaz desarrollada donde se puede apreciar la ventana interactiva para
cambiar los setpoint, configurar los lmites de las variables manipuladas y definicin de la
configuracin multivariable del controlador.
En la Figura 2 se muestra una corrida con la evolucin de las variables controladas y
manipuladas cuando vara la granulometra de alimentacin al molino semiautgeno.
;; POTENctA
r;; F"EBBLES
MANIPULADAS
P TONELAJE
f-' AGUA
Figura 1. Interfaz de sistema de control predictivo MPC.
SETPOINT
POTENCIA
NIVEL j" iJj=
PEBBLES r -2-:i ....
LIMITES --------,
____ Mox

TON
l o 50
AGUA
-o-
r--2-
RPM
ro
5
Figura 2.
ESTRATEGIAS DE C ONTROL OPTI MIZANTE EN M OLI NO SEMIAUTGENO 6
TONELA.IE

c:J )\
c:o.e.ese. -: !
c:o- ....... .............. ...,..,,.;..,r-..,...........,.,_...,..., .J
\ {r'..---......_..., _ _,. ..,.-,,...,.,.,..
'")'
\ ,
PEBBLES
1

Evolucin de las variables manipuladas (arriba) y variables controladas (abajo)
frente a perturbaciones en la granulometra de la ali mentacin.
3.0 CONTROLADOR MUTIVARIABLE POR LOGICA DIFUSA
3.1 Presentacin
La lgica difusa permite extender al campo cuantitativo las formas de control que habitualmente se
realizan en forma manual o con la ayuda de sistemas expertos supervisores. Los sistemas
expertos se utilizan frecuentemente en molienda semiautgena para mantener la operacin
estable y evitar sobrellenados. Por medio de lgica difusa se pueden utilizar estas reglas
heursticas para configurar controladores multivariables que permitan mantener los setpoint
deseados. En este contexto, se muestran las bases de la lgica difusa y la sntesis de un
controlador para molino semiautgeno que controla el flujo de pebbles y el nivel de llenado
manipulando el tonelaje, el agua y la velocidad de giro del molino.
3.2 Lgica Difusa
Los conjuntos de reglas utilizadas por la lgica difusa son llamadas reglas de inferencia. Estn en
un formato similar al de la lgica booliana. Por ejemplo:
Si error es Negativo y cambio Positivo entonces salida Medio
El lado "Si "de la sentencia se llama antecedente y el lado "Entonces" se denomina consecuente.
El valor "Negativo", "Positivo" y "Medio" son llamadas variables lingsticas. Con todo esto un
algoritmo puede "leer" estas variables y decidir la respuesta (lado entonces de la sentencia).
En particular la lgica difusa intenta abordar problemas definidos en trminos lingsticos, y por
tanto imprecisos, donde los datos estn expresados en trminos cualitativos. La lgica difusa
tendr por una parte el mismo aspecto sintctico de la lgica de predicados y por otra su
semntica se basa en el concepto de borrosidad que se formaliza en la teora de conjuntos difusos
Conjuntos Difusos
En la teora de la lgica difusa un elemento siempre pertenece, en cierto grado, a un conjunto y
nunca pertenece del todo al mismo.
Un subconjunto difuso A del universo X={x} es un conjunto de pares ordenados tal que:
A= {x! ,uAx)v X Ex}
Donde /-LA es una funcin de pertenencia asociada a A de la siguiente manera:
El universo X={x}, es llamado universo del discurso y contiene todos los elementos que se
pueden tener en consideracin. Antes de disear las funciones de pertenencias, se debe
considerar el universo del discurso para las entradas y para las salidas, es decir el dominio por
8
donde las variables trabajarn. Luego, dependiendo del proceso, se definir si estas funciones son
discretas o continuas.
Funciones de Pertenencia
Cada elemento del universo del discurso es miembro de un conjunto difuso en algn grado. El
grado de pertenencia de todos sus miembros, describe un conjunto difuso. Estas funciones de
pertenencia son de distintos tipos: triangulares, polinomiales, exponenciales entre otras.
Reglas de inferencia
La lgica difusa trabaja con semntica del tipo preposicional de la forma si-entonces. La manera
en como maneja cada una de las variables lingsticas para poder calcular una conclusin,
depender de la forma en que estn definidos los conectivos lgicos, es decir sus operaciones
bsicas.
o Igualdad: A= B<:::> 'l x E X f-lA = p
8
o Inclusin: A e B <:::> '1 x E X Jl A p
8
o Unin (conectivo "o"): A u B = Jl AuB = max(p A, Jl
8
) 'l x E X
o 1 nterseccin (conectivo "y"): A n B = p AnB = min(p A, Jl
8
) 'l x E X
o Complemento: A= Be<:::> 'l x E X f-lA = 1- Jl
8
Esquema de un Controlador Difuso
La idea bsica de trabajo de un controlador difuso aparece reflejada en la Figura 4. Existen
caractersticas especficas en los controladores difusos de manera que su comprensin ser
explicando cada una de sus funciones.
Las etapas del trabajo de un controlador difuso comprenden:
o Medicin de las variables por las cuales se controlar el proceso.
o Conversin de los valores medidos de las variables del proceso a su representacin difusa.
o Aplicacin de las reglas de inferencia para la obtencin de los datos "difusos".
o Obtencin de los valores numricos por el proceso de desfuzificacin.
Fuzificacin. El primer paso dentro del controlador es la fuzificacin, el cual convierte cada valor
de entrada de las variables en grados de pertenencia a cada una de las variables lingsticas,
mediante las funciones de pertenencia. Este ser un nmero entre O y 1 para cada variable
lingstica.
ESTRATEGIAS DE CONTROL PT!MIZANTE EN MOLINO SEM!AUTGENO 9
Reglas de Inferencia
La formulacin de las reglas de inferencia se hacen de acuerdo a como el controlador responder
a los cambios respecto del setpoint. La cantidad de reglas a generar, depender de cuantas
variables de entrada tiene el controlador difuso y cuantas variables lingsticas se han asociado a
cada variables de entrada. Si tenemos n variables de entrada y cada una de ella tiene asignada m
variables lingsticas, entonces la cantidad de reglas de inferencia que posee el controlador difuso
es (mxn). El ordenamiento de las reglas se hace a travs de un listado de cada una de las
sentencias con las que trabajar el controlador. Bsicamente un controlador difuso, como se dijo
anteriormente, contiene reglas con formato si-entonces, por lo tanto se tiene que:
Si Var 1 es V/ 11 y Var 2 es VI 21 entonces salida Vls1
Si Var 1 es VI 12 y Var 2 es VI 22 entonces salida Vls2
Si Var 1 es VI 13 y Var 2 es VI 23 entonces salida Vls3
Si Var 1 es VI 1 n y Var 2 es VI 2m entonces salida Vls(mxn)
Esta manera de tabular las reglas de inferencia, permite al experto tener una visin global de la
forma de comportamiento del controlador. Pero existe una forma mucho ms compacta de
representar las reglas de inferencia, que es por medio de una matriz como se ilustra en la Tabla
siguiente:
Var2
Var1
----,------,----------,--------;
Vl21 Vl22 1
VI 2m
Vl11 Vs 1 Vs2 i
L ... ................. ~ .. ;
VI 12 Vs 3 Vs 4 1
r---- - - - -- :- - - - - --l- - ---i
i
1
----- -- f-- -- -------1-- --- ---- -- - --!
VI 1 n Vs(mxn) l
La accin de control que concluye cada regla, es un conjunto difuso que se le ha asignado un peso
mii La interpretacin usual de este conjunto con pesos es otro conjunto difuso en el que la funcin
de pertenencia se calcula como producto de la funcin de pertenencia primitiva por el peso. Por lo
tanto, el resultado de la aplicacin de todas las reglas es un conjunto de conjuntos difusos con sus
respectivas funciones de pertenencia.
La tabla si bien vendr determinada por las caractersticas de proceso, deber ser configurada y
validada por el experto.
10
Desfuzificacin
Los conjuntos resultantes de las reglas de inferencia, deben ser convertidos a nmeros que
puedan ser enviados como seales de control. Esta operacin es llamada desfuzificacin. Para
ello existe variados mtodos. El mas utilizado es el del centro de gravedad dado por :
Aqu X es el valor en el universo del discurso y f.!(X) es el valor difuso con la funcin de pertenencia
correspondiente. Otros mtodos como el mtodo de la biseccin del rea, o el mtodo del mximo
medio tambin se utilizan con menor frecuencia
Parmetros de controladores difusos
La configuracin de un controlador difuso se lleva a cabo dando valores adecuados a
determinados parmetros de los que intervienen en l. Pueden distinguirse dos tipos de
parmetros: de configuracin y de ajuste.
Parmetros de configuracin:
1. Nmero de variables de entrada y salida.
2. Nmero de variables lingsticas por cada una de las variables, ya sean entrada o salida.
3. Creacin de la tabla de reglas de inferencia, originada a partir de los parmetros anteriores.
Parmetros de ajuste:
4. Localizacin del centro del dominio de cada funcin de pertenencia en la variable de entrada y
salida.
5. Dominio de cada funcin de pertenencia de las variables de entrada y salida.
6. Medida del centro de gravedad de cada funcin de pertenencia, en el caso que se utilice como
mtodo de desfuzificacin el mtodo del centro de gravedad.
Setpoint
Fusificacin Reglas
Salida
/\._ t--r--....
Desfuzificacion Proceso
Figura 3.
Esquema de un controlador por lgica difusa.
ESTRATEGIAS DE CONTROL PTIMIZANTE EN MOLINO SEMIAUTGENO 1 1
3.3 Configuracin e lmplementacion
De acuerdo a las caractersticas dinmicas del proceso de molienda semiautgena se configur un
controlador difuso con los siguientes parmetros:
Variables Tonelaje VL: 3 - Triangular
Manipuladas Agua VL: 3 -Triangular
Velocidad de Giro VL: 3 -Triangular
Variables Flujo Pebbles VL: 3 -Triangular
Controladas Nivel de llenado VL: 3 - Triangular
Las entradas al controlador difuso son los errores con respecto al Sertpoint de cada variable
controlada (Y*-Y med), mientras que las salidas son los incrementos o decrementos de las variables
manipuladas con respecto al valor anterior ~ U = Uk-Uk-1 ).
Las reglas de inferencia tienen la forma de:
Si Error_Nivel es Alto entonces Ton Aumentar, Agua Disminuir, Nc Disminuir
La programacin se realiz utilizando el toolbox de lgica difusa de matalab y el block de
controlador difuso para simulink. El sistema se conect al simulador de molienda semiautgena
para probar la efectividad de la estrategia. La Figura 4 muestra la interfaz del proceso-controlador
mientras que la Figura 5 muestra el comportamiento del controlador frente a perturbaciones
cclicas en la granulometra de entrada al molino. Se puede apreciar que el controlador cumple a
cabalidad el objetivo de mantener los setpoint de los pebbles y nivel aunque esta estrategia es
ms lenta y produce mayores sobresaltos en comparacin con el controlador predictivo MPC. Sin
embargo, la estrategia difusa es tericamente ms robusta y mas fcil de entender y modificar
que la primera.
Figura 4.
Interfaz de control difuso en molino semiautgeno.
C2tJ
o:J
CIJ
[S[]
r--r--71

-1 . 1
P51

.cs=J
C::::z:J
.:J
0.1 -0.1 0.1
12
Ton

1\
i\
FP i\
- i
""- ,-v "'.' ... ',,:F" .. '.! i '\' \--J'- JAI'!
p
Figura 5.
1 _..._
.-:5 .7"5
6. 35

___j
Respuesta de
alimentacin.
\ !
controlador
i\
'\
\. ,Jf\, ..
'.
V
i\
- --
-
- . ..--l
'
difuso frente a perturbaciones en
;
:;
\
!\
i
\/
-1
-1
J
granulometra
13
de
4.0 SISTEMA DE OPTIMIZACION EN TIEMPO REAL RTO
4.1 Presentacin
En los sistemas multivariables como el de molienda semiautgena existe un gran conjunto de
combinaciones y valores de las variables manipuladas que pueden satisfacer un cierto objetivo de
contri.- Frente a esta holgura de grados de libertad en la operacin es posible encontrar en estas
combinaciones un conjunto nico que optimice algn ndice operacional. Cuando esto se realiza en
lnea se denomina Optimizacin en Tiempo Real (RTO de real time optimization). Los elementos
de un RTO son: Una funcin objetivo a optimizar; un modelo del proceso que relaciones las
variables y un optimizador que realiza la bsqueda cada cierto intervalo.
En este informe se presenta el diseo y evaluacin de un sistema RTO para el proceso de
molienda semiautgena. La funcin objetivo es una combinacin entre un mximo de produccin y
un mnimo de potencia. El modelo usado es el equivalente de estado estacionario del modelo de
molienda semiautgena presentado en el informa anterior, mientras que el problema de
optimizacin se realiza por medio de algoritmos genticos, un algoritmo robusto de bsqueda
globalmente convergente.
4.2 Algoritmos Genticos
La optimizacin se divide en dos grandes reas, la Programacin Matemtica y la Programacin
Heurstica, la primera trata sobre problemas reales que se pueden resolver de una forma
matemtica, en las cuales se tiene como preocupacin principal la optimizacin de un recurso
escaso, es decir, se puede plantear con una frmula matemtica el problema en cuestin y tener
resultados exactos, En cambio, la segunda trata sobre problemas que no poseen una formulacin
matemtica, sino que son tratados de una forma mas bien probabilstica, y que los resultados
obtenidos no son exactos, sino ms bien son los mejores resultados que se pudieron encontrar
luego de haber aplicado algn algoritmo para resolverlos. En este sentido, se han creado
innumerables mtodos(meta-heursticos) que se puedan aplicar a problemas de distinto tipo,
usando plantillas algortmicas iguales.
Programacin heurstica
Muchos problemas de optimizacin no pueden ser abordados por mtodos exactos, ya sea, por su
alto grado combinatorio o por la dificultad de generar un modelo basado en programacin
matemtica que represente exactamente una situacin real. Para situaciones de sta naturaleza
se ha venido generando desde la dcada de los sesenta mtodos conocidos como heursticos,
capaces de encontrar soluciones de buena calidad pero en muchos casos aproximadas a la
solucin ptima. A partir de los aos 80 se han generado una familia de mtodos conocidos como
meta-heursticos que ahora tiene la capacidad de ser aplicable a problemas de diversa naturaleza.
Es decir una misma plantilla algortmica puede ser utilizada para resolver problemas que provienen
de diversos sectores.
Los mtodos meta-heursticos ms conocidos son:
Bsqueda Tab.
Redes Neuronales.
Mtodos basados en Inteligencia Artificial.
Algoritmos Genticos.
El problema de optimizacin abordable mediante mtodos heursticos es el siguiente:
Min
. f(x)
s.a.xEQ
La funcin f(x), es una funcin matemtica que se desea minimizar y las soluciones posibles deben
pertenecer a un espacio W, los mtodos de bsqueda heurstica recorren el espacio W tratando de
identificar la solucin que genera el mejor valor para f(x), el menor en el caso de minimizacin o el
mayor en el caso de maximizacin.
Algoritmos genticos
El algoritmo gentico (G.A. Genetic Afgorithm), es un mtodo de bsqueda global y estocstica,
que imita la metfora de la evolucin biolgica natural. El G.A. opera sobre una poblacin de
potenciales soluciones aplicando el principio de supervivencia de los mas aptos para reproducir los
mejores y aproximarse a la solucin ptima. En cada generacin, un nuevo set de aproximaciones
es creado por el proceso de seleccin de individuos acorde a su nivel de aptitud en el dominio del
problema y se forman usando operadores tomados de la gentica natural. Este proceso conduce a
16
la evolucin de poblaciones de individuos que satisfacen mejor el ambiente de los individuos que
se crean, como en la adaptacin natural.
Los individuos o aproximaciones del momento son codificados como secuencias de cromosomas,
compuestos por ciertos alfabetos, que son los genotipos y sus valores los fenotipos. La
representacin ms comnmente usada en G.A. es el alfabeto binario {0, 1 }, aunque otras
representaciones pueden ser usadas, tales como: ternaria, entero, valor real, etc. Por ejemplo, un
problema con dos variables, x1 y x2, puede ser mapeada sobre la estructura de un cromosoma de
la siguiente manera, Figura 7.
Figura 6.
Figura 7.
Ciclo de un algoritmo gentico.
10010010110111 o ..
x1
101110010110101010010
Muestra de dos variables codificadas.
Donde x1 es codificado con 15 bit y x2 con 21 bit, posiblemente reflejando el nivel de exactitud o
rango de las variables de decisin de los individuos. Examinar la secuencia del cromosoma en
forma aislada no entrega ninguna informacin sobre el problema que se trata de solucionar.
Solamente cuando se decodifica el cromosoma en sus valores fenotpicos se adquiere algn
significado.
Decodificando la representacin del cromosoma en el dominio de la variable de decisin, es
posible determinar el funcionamiento, o la aptitud, de miembros individuales de una poblacin.
Esto se hace con una funcin objetivo que caracterice un funcionamiento de los individuos en el
dominio del problema. En el mundo natural, esto sera una capacidad de los individuos de
sobrevivir en un ambiente. As, la funcin objetivo establece las bases para la seleccin de pares
de individuos mezclados durante la reproduccin.
Durante la fase de reproduccin, a cada individuo se le asigna un valor de aptitud derivado de la
funcin objetivo. Este valor se utiliza en la seleccin del individuo ms apto. Los individuos
altamente aptos, relativo a toda la poblacin, tienen una alta probabilidad de ser seleccionado por
acoplamiento, donde los individuos menos aptos tienen una baja probabilidad de ser
seleccionados.
Una vez que los individuos se les han asignados sus valores de aptitud, ellos pueden ser elegidos
desde la poblacin, con una probabilidad de acuerdo a su aptitud relativa, y la recombinacin que
se produce en la siguiente generacin. Los operadores genticos manipulan los caracteres (genes)
de los cromosomas directamente, usando la suposicin que ciertamente el cdigo de los genes del
individuo, sobre el promedio, produce los individuos aptos. El operador de recombinacin es usado
para intercambiar informacin gentica entre pares, o grandes grupos, de individuos. El operador
de recombinacin ms simple es el cruzamiento simple.
4.3 Formulacin del RTO
El problema de optimizacin en molienda semiautgena se puede formular maximizando un ndice
que garantice una mxima produccin con un consumo mnimo de potencia. Entonces se definen
los siguientes ndices para optimizar;

Maximizar un ndice global (Tonelaje/Potencia)

Maximizar un ndice de finos (Flujo Finos/Potencia)
R =Tonelaje
1
Potencia
R = Finos
1
Potencia
Las variables manipuladas en la optimizacin son el tonelaje, agua y velocidad de giro del molino.
Los parmetros del algoritmo gentico fueron de 30 generaciones con 5% de probabilidad de
mutacin. Las variables manipuladas se codificaron en 16 bits con, una poblacin inicial de 50
18
individuos aleatoriamente entre lmites mnimos y mximos. En cada generacin los pares no
factibles (fuera de los lmites) fueron penalizados en la funcin objetivo.
El optimizador fue codificado y programado como S-function de simulink de Matlab y conectado al
simulador del molino semiautgeno con la finalidad de evaluar el comportamiento en lnea.
4.4 Resultados
Como comparacin, un punto de operacin no ptimo sirve de base para evaluar el desempeo
del optimizador. La tabla adjunta muestra las variables iniciales y ptimas, as como en la tabla
siguiente se muestran los valores de los ndices antes y despus de la optimizacin.
La Figura 8 muestra la evolucin dinmica de los ndices cuando el optimizador es conectado en
lnea con el proceso.
Variables operacionales
variables manipuladas: Base - Min - Max Rf Rt
(Ton/KW-h) (Ton/KW-h)
Tonelaje (T on/h) 1500- o- 2000
Agua (Ton/h) 700- o -1000 0.2413 0.2651
Fraccion V Crit 0.7- 0.4- 0.98
ndice de Finos
Resultados ptimos
Rf
Tonelaje Agua Fraccin
%Incremento
(Ton/KW-h)
(Ton/h) (Ton/h) Vel Crit
1643 0.2543 5.4 %
999.9 0.2547 5.6%
0.5385 0.296 22.7%
1979 0.4565 0.3713 53.9%
1797 952 0.2705 12.1%
865.2 0.5571 0.2972 23.2%
=>ROYECTO FONDEF 00211 077
lndice Global
Resultados ptimos
Rt
%
Incremento
Tonelaje Agua Fraccin
(Ton/KW-h)
(Ton/h) (Ton/h) Vel Crit
(Ton/h)
1664 0.2774 4.6%
1000 0.2813 6.1%
0.5368 0.3327 25.5%
1970 0.4479 0.4335 63.5%
1740 969.5 0.2975 12.2%
967.3 0.5687 0.3333 25.7%
Figura 8.
0.450 12000
0.400 --
- 11000
'
\
, .......
-- . ... .. - - -
0.350 - -----------
10000
1
- 0.300 --
9000

...,
0.250 8000

-.. .. ... ---
--
-
'"
...
0.200
,......
7000
C1)
\.
.

0.150
1
6000
o
.
a.
--
-
0.100

5000
0.050 4000
O. 000 _....--t---t---t---t---t---t--......-_,_ 3000
1.00 1.25 1.50 1.75 2.00 2.25 2.50 2.75 3.00
Time (h)
0.500
1 12000
0.450 +-----
.. ---d_ 11 000
i - , - .. - - - .. - - - - -

0.400 +----.-- ..
,
0.350
10000
9000 -
...,
0.300

8000 -
...
C1)
....r 0.250
0:::
""'\
0.200 , ./ ._
0.150
1
1

0.000 - 1 1
1.50 1.75 2.00 2.25
Time (h)
1.00 1.25
7000

6000 o
a.
5000
4000
3000
2.50 2.75 3.00
20
Evolucin dinmica de las variables durante la optimizacin, (------ ndice a
optimizar, - Potencia, - - Nivel ).
=>ROYECTO FONDEF 0021 1 077
5.0 Conclusiones
Se presentan en este informe diversos prototipos de controladores que permiten optimizar la
operacin de un molino semiautgeno, cada uno con sus caractersticas propias.
La estrategia basada en lgica difusa es la ms cercana a la forma de operacin actual
relacionando cuantitativamente las variables operacionales con las reglas establecidas en la
operacin. La estrategia predictiva multivariable MPC representa un sofisticado algoritmo que
permite realizar simultneamente optimizacion y control regulatorio de una manera muy flexible,
mientras de el sistema RTO permite encontrar los setpoint ptimos cuando se desea optimizar
algn ndice operacional que relacionan a mas de una variable.
Todos estos prototipos estn siendo presentados a la empresa contraparte de este proyecto
(Compaa Minera Doa Ins de Collahuasi) para su conocimiento, evaluacin y opinin. Sin
perjuicio de lo anterior el sistema que cumplira idealmente con todas las expectativas de un
sistema optimizante es una combinacin inteligente de las estrategias presentadas ac.
'ROYECTO FONDEF 00211 077
6.0 BIBLIOGRAFIA
Lestage R., Pomerleau A , and Hodouin D. , (2002), Constrained real-time optimization of a grinding circuit
using steady-state linear programming supervisory control , Powder Technology 124, 254-263.
Magne L. Amstica R, Barra J. and Menacho J, (1995), Modelizacin dinmica de molienda semiautgena
basada en un modelo fenomenolgico simplificado, Rev. Metal. Madrid, Vol 31, N2, 1995.
Mitra K., and Goponath R., (2004), Multiobjective optimization of an industrial grinding operation using elitist
non-dominated sorting genetic algorithm, Chemical Engineering Science 59 (2004) 385-396.
Rajamani , R.K. and Herbst, J.A., 1991a., Optimal control of a ball mili grinding circuit-1. Grinding circuit:
modeling and dynamic simulation. Chemical Engineering Science 46 (3), 861-870.
Salazar J., (2004), Modelacin y simulacin de un proceso de molienda semiautgena, Chemical
Engineering Thesis, Universidad de Santiago de Chile, 2004.
UNI VERSIDAD TCNICA FEDERICO SANTA MARA
"MODELACIN ESTADSTICA MULTIVARIABLE
PROCESO MOLIENDA SEMIAUTGENA"
PREPARADO POR : HILDA CALLEJAS
MAYO 2008
UNIVERSI DAD DE SANTIAGO DE CHILE
AV. LIBERTADOR B. O'HIGGINS 3363
Resumen
El anlisis estadstico multivariable es una tcnica de anlisis de data confiable y eficaz que se
utiliza en la operacin industrial para el anlisis simultneo de la influencia de las variables en el
proceso, determinar comportamientos tpicos de las operaciones, la deteccin oportuna de
irregularidades en la operacin, y finalmente optimizar el proceso desde el punto de vista
operacional.
Este estudio est enfocado a aplicar tcnicas de anlisis estadstico multivariable a la operacin de
Molienda SAG, principalmente para detectar la influencia y las relaciones que establecen las
variables de operacin registradas.
Cabe destacar que el anlisis estadstico multivariable, se construye basado en conjuntos de datos
y variables registrados en un tiempo de operacin continua determinado. Razn por la cual, es
muy importante para el desempeo del modelo la eleccin correcta del periodo de operacin, la
calidad de data registrada y la cantidad de variables a analizar.
Los resultados obtenidos en la modelacin indican que la operacin es factible de ser optimizada,
se muestra claramente como el proceso posee zonas muy cercanas al ptimo y en la cual se
distinguen comportamientos definidos de las variables como por ejemplo zonas de la variable pie
de carga del molino en conjunto de otras variables, que pueden ayudar a llevar al proceso dentro
de la zona ptima deseada.
Los modelos obtenidos presentan una adecuada capacidad de prediccin, la cual podra ser
mejorada dentro de las zonas de fluctuaciones bruscas del proceso al incorporar interacciones
entre variables.
1. Objetivos
Analizar el comportamiento de las variables y las observaciones registradas en base de
datos.
Determinar la relacin e interaccin entre las variables del proceso.
Construir un modelo de prediccin para el proceso de Molienda SAG.
:::>ROYECTO FONDEF 00211 077
ESTRATEGIAS DE CONTROL PTIMIZANTE EN MOLINO SEM!AUTGENO 4
2. Descripcin del Proceso
El proceso de molienda a analizar corresponde a un sistema tpico de molienda SAG, el cual est
compuesto por una lnea de molienda principal, es decir, slo por un molino SAG. El mineral entra
al molino SAG junto con agua de proceso y lechada de cal.
Desde este punto, en el circuito de molienda, las partculas de mineral se procesan siempre en
forma de pulpa.
El mineral es reducido de tamao repetidamente en el molino SAG por bolas de acero y otras
partculas de mineral, hasta que ste es lo suficientemente pequeo como para salir del molino a
travs de la parrilla en el extremo de descarga en el molino SAG.
Las partculas de mineral que son todava demasiado grandes para el proceso de molienda
secundaria, son devueltas al molino SAG una vez reducidas de tamao en una etapa de
chancado.
3. Bases de Datos
Para el anlisis de modelacin de Molienda SAG se construyeron 9 bases de datos. Para cada
base de datos se analiz la composicin en SIMCA-P. Adems, se seleccion un conjunto de
datos de entrenamiento y uno para validacin de modelacin. Las caractersticas de las bases de
datos se resumen en la Tabla 1. De acuerdo a esto, se debe destacar que el modelo de prediccin
se construy con las bases 1 y 2, las cuales poseen el mayor nmero de variables de operacin.
Tabla 1. Bases de Datos de Modelacin estadstica multivariable de la operacin de
Molienda SAG.
DATA INICIO TERMI NO INTERVALO
CANTIDAD CANT.DE
DE OBSN AR VARIABLES
BASE 01 01 AGOSTO 2005 1 O AGOSTO 2005 1 MIN 14401 13
BASE 02 01 SEPTIEMBRE 2005 08 SEPTIEMBRE 2005 1 MIN 11517 13
BASE 03 09 SEPTIEMBRE 2005 13 SEPTIEMBRE 2005 15 SEG 16381 10
BASE 06 01 OCTUBRE 2005 11 OCTUBRE 2005 15 SEG 63360 10
BASE 07 01 NOVIEMBRE 2005 07 NOVIEMBRE 2005 15 SEG 40320 12
Variables del Proceso
En la Tabla 2, se encuentran las variables registradas para anlisis de modelacin estadstica
multivariable de la operacin de Molienda SAG. Es necesario destacar que existen variables que
no han sido registradas para este anlisis, las cuales deberan ser incluidas para afinar el
desempeo del modelo de anlisis predictivo, como por ejemplo: composicin mineralgica y
granulometra del mineral, torque, ruido, consumo de energa del molino, registro del desgaste del
molino SAG y mantencin del equipo entre otras.
"ROYECTO FONDEF 00211 077
Tabla 2.
Variables registradas para anl isis de modelacin estadstica multivariable de la
operacin de Mol ienda SAG.
NO
Descripcin de la Variable TAG Identificacin
1 Potencia Motor A SAG 1 140ji14251 POTMASAG1
2 Potencia Motor B SAG 1 140ji14252 POTMBSAG1
3 Potencia Motor Total SAG1 140ji14251-52 POTMTSAG1
4 Velocidad de Giro SAG1 140ml1actspeed VELGSAG1
5 % Slidos SAG 1 140ml1solsp SOLSAG1
6 Pie de Carga SAG1 140ml01_sagan_toe PIECSAG1
7 Hombro de Carga SAG1 140ml01_sagan_sho HOMCSAG1
8 Alimentacin Fresca SAG 1 130wqit1195 ALIMFSAG1
9 Flujo de Pebbles Generado CV-07 140wqit1343 PEBGCV07
10 Agua alimentacin SAG 1 140fic1260 AGUASAG1
11 Nivel Llenado Total SAG1 140ml01_sagan_tf NIVLTSAG1
12 Nivel Llenado Bolas SAG1 140ml01_sagan_bf NIVLBSAG1
13 Psi Descansos Alimentacin SAG1 140pi14301 PRDALSAG1
14 Psi Descansos Descarga SAG1 140pi14302 PRDDESAG1
4. Tratamiento Estadstico Bases de Datos
Se realiz un resumen de los principales indicadores estadsticos para todas las variables para
cada base de datos, con el fin de visualizar la dispersin y variabilidad de las variables en la base
de datos. Para cada variable de la base de datos 01 se incluye un histograma para observar la
frecuencia y distribucin de la data.
Tabla 3. Parmetros Estadsticos Descriptivos de Variables registradas para anlisis de
modelacin estadstica multivariable de la operacin de Molienda SAG.
%
BASE 01 N Mis Val M in Max Mean Median Std.dev Skewness Kurtosis
POTMASAG1 14401 0.0 0.0 3233.8 2431.4 2652.7 800.6 -2.6 5.0
POTMBSAG1 14401 0.0 10.6 3280.5 2471.2 2694.5 809.7 -2.6 5.0
VELGSAG1 14401 0.0 0.0 10.5 9.3 10.5 3.0 -2.7 5.4
SOLSAG1 14401 0.0 -0.4 252.8 75.4 69.6 19.6 2.7 6.3
PIECSAG1 14401 0.0 0.0 238.0 181.5 206.5 68.3 -2.2 3.0
HOMCSAG1 14401 0.0 0.0 81.9 56.5 61 .8 22.0 -1 .9 2.4
ALIMFSAG1 14373 0.2 -1.7 2113.7 1085.4 1215.0 363.7 -2.4 4.5
PEBGCV07 14401 0.0 -4.6 242.2 121.5 126.3 51 .6 -0.9 0.7
AGUASAG1 14401 0.0 0.6 1061.6 488.5 539.1 164.2 -2.4 4.5
NIVLTSAG1 14401 0.0 0.0 31 .1 18.9 21 .8 7.4 -1 .9 2.3
NIVLBSAG1 14401 0.0 0.0 16.3 11.3 12.9 4.9 -1.7 1.3
PRDALSAG1 14401 0.0 598.1 792.1 633.5 626.4 27.5 2.5 5.2
PRDDESAG1 14401 0.0 713.3 880.7 746.7 744.4 12.2 2.0 8.5
%
POTMASAG1 11517 0.0 0.0 3706.3 2430.1 2707.2 910.4 -2.2 3.1
POTMBSAG1 11517 0.0 6.0 3772.2 2470.3 2750.4 919.3 -2.2 3.1
VELGSAG1 11517 0.0 0.0 10.5 9.2 10.5 3.4 -2.3 3.5
SOLSAG1 11517 0.0 -6.7 230.0 69.6 70.2 16.6 2.3 27.0
PIECSAG1 11517 0.0 0.0 242.0 173.7 202.2 71.2 -1.9 1.9
HOMCSAG1 11517 0.0 0.0 81 .5 51 .8 60.2 21.7 -1.8 1.6
ALIMFSAG1 11493 0.2 -1.6 1574.2 1060.2 1254.1 456.6 -1.4 0.7
PEBGCV07 11517 0.0 -0.2 344.6 146.8 162.6 66.5 -0.9 0.4
AGUASAG1 11517 0.0 0.1 751.9 478.2 537.7 172.5 -2.1 3.2
NIVLTSAG1 11517 0.0 0.0 33.7 18.6 21.0 7.8 -1.7 1.5
NIVLBSAG1 11517 0.0 0.0 18.1 11.7 13.2 5.2 -1 .6 1.0
PRDALSAG1 11517 0.0 568.6 849.5 626.9 603.6 63.8 2.1 3.1
PRDDESAG1 11517 0.0 682.4 909.6 744.1 725.8 49.1 1.9 2.5
%
POTMASAG1 16381 0.0 2633.4 3488.1 3004.7 2967.2 197.5 0.3 -0.9
POTMBSAG1 16381 0.0 2677.3 3551 .6 3050.9 3014.7 199.0 0.3 -0.9
VELGSAG1 16381 0.0 10.4 10.5 10.5 10.5 0.0 -11 .5 139.8
ALIMFSAG1 16381 0.0 748.1 1493.1 1253.6 1289.4 106.7 -1.3 1.4
PEBGCV07 16381 0.0 77.2 235.6 152.2 150.9 23.7 0.1 0.1
AGUASAG1 16381 0.0 357.1 665.7 582.0 598.4 48.3 -1 .8 3.0
NIVLTSAG1 16381 0.0 0.0 31.5 22.3 22.5 2.7 -3.8 26.6
NIVLBSAG1 16381 0.0 0.0 17.8 14.7 15.1 3.3 -3.5 12.5
PRDALSAG1 16381 0.0 584.8 663.3 617.4 615.4 14.2 0.3 -0.8
PRDDESAG1 16381 0.0 706.6 773.6 739.3 737.6 14.7 0.1 -1.0
%
POTMASAG1 16337 0.0 0.0 3722.6 2354.1 2674.8 1040.6 -1.6 1.1
POTMBSAG1 16337 0.0 9.6 3778.6 2396.7 2722.6 1051 .0 -1.6 1.1
VELGSAG1 16338 0.0 0.0 10.5 8.6 10.5 3.7 -1 .8 1.4
ALIMFSAG1 16236 0.6 -2.1 2014.7 964.3 1118.3 459.6 -1 .2 0.1
PEBGCV07 16337 0.0 -8.1 278.8 100.3 105.0 61 .1 -0.3 -0.5
AGUASAG1 16338 0.0 -0.3 630.4 410.6 475.9 189.1 -1.3 0.5
NIVLTSAG1 16338 0.0 0.0 27.9 8.4 0.0 10.6 0.5 -1 .7
NIVLBSAG1 16338 0.0 0.0 20.6 7.1 0.0 9.1 0.5 -1.7
PRDALSAG1 16337 0.0 550.7 851 .2 631 .1 578.5 92.4 1.4 0.6
PRDDESAG1 16337 0.0 659.7 940.0 762.8 726.2 76.9 1.3 0.4
%
POTMASAG1 16381 0.0 0.0 3162.4 2506.8 2501.6 181 .2 -3.7 54.5
POTMBSAG1 16381 0.0 18.5 3209.8 2554.0 2547.5 182.5 -3.7 55.2
VELGSAG1 16381 0.0 0.0 10.5 10.3 10.5 0.5 -16.4 348.7
ALIMFSAG1 16381 0.0 -1.1 1547.5 1348.7 1390.5 171 .3 -2.4 9.4
PEBGCV07 16381 0.0 -5.6 276.5 131 .8 120.9 34.6 0.9 1.1
AGUASAG1 16381 0.0 355.9 716.8 582.0 574.7 81 .1 -0.3 -1 .0
NIVLTSAG1 16381 0.0 0.0 28.5 20.8 20.9 2.6 -1 .8 14.7
NIVLBSAG1 16381 0.0 0.0 11.8 10.3 10.7 2.1 -4.5 19.0
PRDALSAG1 16381 0.0 564.1 724.5 577.3 572.8 11.3 4.0 27.8
PRDDESAG1 16381 0.0 678.7 820.2 712.5 710.4 14.3 1.2 3.1
:>ROYECTO FONDEF 00211 077
%
POTMASAG1 63360 0.0 0.0 3378.8 2278.8 2688.3 912.5 -1 .7 1.5
POTMBSAG1 63360 0.0 17.3 3420.5 2318.7 2730.8 920.6 -1 .7 1.5
VELGSAG1 63360 0.0 0.0 10.5 8.3 10.3 3.4 -1.6 1.3
ALIMFSAG1 53014 16.3 -1.9 1723.7 970.7 1191.8 502.4 -1 .0 -0.6
PEBGCV07 63360 0.0 -4.8 279.2 89.5 88.0 51 .1 0.1 -0.2
AGUASAG1 63360 0.0 0.0 693.1 483.9 533.5 171 .9 -2.1 3.3
NIVLTSAG1 63360 0.0 0.0 34.2 17.2 18.7 6.8 -1.8 2.4
NIVLBSAG1 63360 0.0 0.0 15.5 12.3 13.8 4.6 -2.2 3.0
PRDALSAG1 63360 0.0 586.4 844.2 628.0 610.1 53.7 2.6 5.5
PRDDESAG1 63360 0.0 690.5 919.6 743.2 732.7 39.0 2.8 6.4
%
POTMTSAG1 40320 0.0 39.9 7745.3 5881.3 6316.5 1438.6 -2.8 8.8
VELGSAG1 40320 0.0 0.0 10.4 9.4 10.2 2.1 -4.0 15.2
SOLSAG1 40320 0.0 -2.1 122.3 71.2 69.7 10.5 1.7 20.2
PIECSAG1 40320 0.0 0.0 270.0 158.9 208.4 84.1 -1.1 -0.5
HOMCSAG1 40320 0.0 0.0 82.9 52.5 64.2 29.0 -0.9 -0.7
ALIMFSAG1 40320 0.0 -1.8 1576.9 1124.8 1175.2 272.0 -3.2 10.6
PEBGCV07 40320 0.0 0.1 360.1 143.1 166.3 63.7 -0.5 -0.8
AGUASAG1 40320 0.0 0.2 664.3 498.2 520.6 124.1 -2.5 7.8
NIVLTSAG1 40320 0.0 0.0 31.4 16.0 19.2 8.5 -1 .0 -0.5
NIVLBSAG1 40320 0.0 0.0 20.1 12.1 14.8 6.7 -0.9 -0.7
PRDALSAG1 40320 0.0 594 850 633 628.7 23.0 3.6 15.9
PRDDESAG1 40320 0.0 700.2 873.3 755.1 754.4 15.5 1.3 5.9
%
POTMTSAG1 16377 0.0 22.2 7457.7 5925.5 6138.6 1345.7 -3.6 13.2
VELGSAG1 16377 0.0 0.0 10.4 9.5 9.9 2.1 -4.3 16.7
SOLSAG1 16377 0.0 -0.6 234.1 73.8 69.8 25.1 4.3 20.9
PIECSAG1 16377 0.0 0.0 234.0 166.3 210.7 80.5 -1.3 0.0
HOMCSAG1 16377 0.0 0.0 81 .3 55.4 68.8 27.2 -1 .3 -0.1
ALIMFSAG1 16377 0.0 -1 .1 1400.6 1168.6 1228.7 275.5 -3.5 11.9
PEBGCV07 16377 0.0 2.4 243.6 107.7 110.8 36.9 -0.5 1.4
AGUASAG1 16377 0.0 0.8 649.8 517.4 543.3 109.8 -3.7 14.9
NIVLTSAG1 16377 0.0 0.0 27.3 16.3 20.0 7.9 -1.3 0.0
NIVLBSAG1 16377 0.0 0.0 20.1 14.7 18.3 7.1 -1.3 0.0
PRDALSAG1 16377 0.0 604.3 832.6 637.1 629.3 35.3 4.2 17.2
PRDDESAG1 16377 0.0 712.2 874.4 754.4 749.1 21 .3 2.9 10.3
ESTRATEGIAS DE CONTROL PTI MIZANTE EN MOLINO SEMIAUTGENO
BASE 09 N
POTMTSAG1 16377
VELGSAG1 16377
SOLSAG1 16377
PIECSAG1 16377
HOMCSAG1 16377
ALIMFSAG1 16377
PEBGCV07 16377
AGUASAG1 16377
NIVLTSAG1 16377
NIVLBSAG1 16377
PRDALSAG1 16377
PRDDESAG1 16377
J N 13018
j Min. 1293.36
1 Mean. 2686.59
1 Skewness. 0.241802
Hi;;togram:
807
%
Mis Val M in
0.0 5287.8
0.0 9.7
0.0 70.7
0.0 0.0
0.0 0.0
0.0 867.4
0.0 67.1
0.0 348.8
0.0 0.0
0.0 0.0
0.0 600.5
0.0 721 .3
1 %Mis. Val. 0.00
J tolax. 3233.83
J S1d. Dev. 1 64 .588

1290
Ti!]; .SJJries:
Max
7266.7
10.4
76.2
231 .5
80.4
1454.6
235.4
552.8
25.6
19.5
674.6
788.7
3240
Mean Median Std.dev Skewness Kurtosis
5992.8 5954.6 398.4 0.6 -0.2
10.1 10.1 0.2 -0.2 -1 .3
73.1 73.1 0.6 -0.4 1.2
146.6 208.9 91 .9 -0.8 -1.2
48.2 66.3 30.5 -0.8 -1 .2
1296.9 1312.6 80.4 -2.1 5.1
125.5 116.8 39.0 0.5 -1.0
476.3 483.3 29.6 -1.9 3.6
14.4 19.9 9.0 -0.8 -1.2
12.2 17.0 7.6 -0.8 -1.2
632.2 628.4 14.1 0.8 -0.3
749.1 746.4 15.4 0.5 -0.7
X
Quick Info - Yariat)ie: P SAG
1 T I.J.I + l/
0
1 / -j (;) 1
1 Min 1327.36
1 2729 .38
1 Sl(ewness. 0.272588
Histogram:
804
Titne
1 %Mis. Val. 0.00
1 Max. 3280.48
1 S1d. Dev. 164.32
3290

1290 1320
O.OEO 1.3E4 O.OEO 1.3E4
' ROYECTO FONDEF 00211 077
10
ESTRATEGIAS DE C ONTROL PTIMIZANTE EN MOLINO S EMIAUTGENO
f T 1 . 1 a_j + 1 1
J N 1301 8
1 Min. 6.22222
j Mean. 10.2417
j Skewr:ess. -1.74242
Freg!:rnflCY ;Hi stqgoon:
1 %Mis. VaL 0.00
J Max. 1 0.4569
J std. Dev. 0.400677

J T.I .. IS.I +JA:JI :ti&J
13018
i 1 Min. 5226'05
: =
1 VaL o.oo
1 Max. 72.7224
l Mean. 69.3523 Jstct . Dev.1.11333
_ _______ j 1
j Skewness. -0.154043
ljjtqgr;rn:
1620

....
-
O.OEO
Quick Info - Variable: G1
1 N 13018
l ll'lin. O
1 Mean. 200.665
1 Skewness. -4.8.6712
l;litqg@t!l:
2100
1 %!Viis. Val. 0.00
1 Max. 237 .9'98
1 std. Dev. 36.23

o
O.OEO
1.3E4
X
238
1.3E4
52 73
TirJ\e

O.OEO
Quick Info-
J N 13018
1 filjn O
J 62.4171
l Skewness. -3.09664
fijt qgg.Jn:
j %t\1is. VaL 0.00
1 81 .9019
1 sta. Dev. 12.7626

o
Tirne Series:
1.3E4

O.OEO 1.3E4
1 1
J N 13il18
J Min. 5.8125
J Mean. 134.42
J Skewness. 0.277226
Fr'-g!JSl!lCY
359
5
. I N13018
j Min.O
1 Mean. 20.8577
l Skewness. -3.23594
.
J %Mis. Val. 0.00
1 Max . 242.22
1 std. Dev. 34.8533
243
J %Mis. Val. 0.00
j Max. 31 .1296
1 std. Dev. 4 .29504
____ i,, ____
o 31
Titte Series:

O.OEO 1.3E4
>ROYECTO FONDEF 00211 077
1 N 13018
J Min. 370.853
1 tvjgan. 538.707
1 Skewness. -0.812874
II[SIQ9I1?ffi:
911
370
O.OEO
J N 13018
j Min. O
J Mean. 12 .5257
1 Skew[\ess . -2.74281

>930
o
Series:
O.OEO
j %Mis. Val. 0.00
J Max. 721 .91 1
1 S!!:l. Dev. 47.6511
1 %Mis. Val. 0.00
J Max. 16.3
l std. Dev. 3.46051
12
722
1.3E4
16
1.3E4
1 N 13018
J Min. 598.097
1 Mean. 625.215
j Skewness.
Fregyncy l;li$tpgr.f!tJ1:
510
598

J %Mis. Val. 0.00
1 Max. 672.532
1 S!d. Dev . 8.82837
873
1 N 13018
l to.1in . 723.258
1 r.@ffin. 744.401
1 Skewness. O .781177
Fr,:;gySlQCY lcjjSf!9?ttn:
502
o
723
TLf!le Series:
1 %Mis. Val. 0.00
1 Max: 787.078 .
1 std. Dev. 8.113.83
788

598
O.OEO
J N 13018
1 Mih. 576.282
f Mean. 1197.93
1 -1

990
570
Time Series:
' 1540
O.OEO
'ROYECTO FONDEF 00211077
1.3E4 O.OEO 1.3E4
1 Val. 0.00
J M'ax. 1533.45
J Std.
1540
1.3E4
13
ESTRATEGIAS DE CONTROL PTIMIZANTE EN MOLINO S EMIAUTGENO 14
Filtro de Datos
Para evitar incluir datos que no tienen significado fsico en la modelacin, luego de preparar la
modelacin inicial con la base de datos cruda, se procedi a filtrar aquellos datos cuyo valor es
negativo, los que aparecen ilegibles y con datos de texto.
ESTRATEGIAS DE CONTROL PT!M!ZANTE EN MOLINO SEM!AUTGENO 15
5. Resumen de Parmetros de Modelacin
Las siguientes tablas muestran los parmetros de evaluacin de ajuste R2X, R2Y y Q2 para la
modelacin tipo PCA y PLS, que corresponde al grado de ajuste de las variables en el modelo, de
la variable modelada y de la prediccin respectivamente. Adems se muestra el nmero de
componentes A que poseen los modelos. Se debe destacar que para la cantidad de data incluida
en cada modelo, un buen modelo debera tener los parmetros de ajuste sobre 0,5, siendo un
modelo excelente sobre 0,8.
Tabla 4. Parmetros de Evaluacin de Modelacin Estadstica Mutivariable de molienda
SAG.
BASE 01 TIPO A R2X R2Y Q2
M1 PCA-X 2 0.885 0.795
M2 PCA-X 5 0.89 0.658
M3 PCA-X 6 0.932 0.678
M4 PCA-X 5 0.932 0.707
M5 PCA-X 4 0.818 0.615
M6 PLS 6 0.915 0.81 0.81
M7 PLS 6 0.924 0.81 0.809
M8 PLS 6 0.916 0.809 0.809
M9 PLS 6 0.862 0.818 0.816
M10 PLS 6 0.924 0.809 0.809
M11 PLS 6 0.952 0.808 0.808
M12 PLS 6 0.896 0.813 0.812
M13 PLS 6 0.78 0.816 0.812
M1 PCA-X 2 0.886 0.735
M2 PCA-X 6 0.951 0.683
M3 PCA-X 4 0.875 0.677
M4 PCA-X 8 0.976 0.805
M5 PLS 4 0.877 0.694 0.693
M6 PLS 7 0.921 0.857 0.854
M7 PLS 4 0.877 0.694 0.693
M8 PLS 3 0.762 0.691 0.691
M1 PCA-X 3 0.747 0.382
M2 PCA-X 3 0.787 0.527
M3 PCA-X 6 0.941 0.666
M4 PLS 3 0.711 0.761 0.761
M5 PLS 3 0.528 0.764 0.763
M6 PLS 3 0.705 0.761 0.761
"'ROYECTO FONDEF 00211 077
ESTRATEGIAS DE CONTROL PTIMIZANTE EN M OLINO SEMIAUTGENO 16
M1 PCA-X 5 0.99 0.956
M2 PCA-X 5 0.989 0.942
M3 PCA-X 3 0.879 0.772
M4 PCA-X 6 0.989 0.933
M5 PLS 3 0.784 0.679 0.679
M6 PLS 5 0.962 0.711 0.711
M? PLS 3 0.779 0.684 0.684
M1 PCA-X 2 0.665 0.493
M2 PCA-X 2 0.66 0.516
M3 PCA-X 2 0.647 0.487
M4 PCA-X 2 0.639 0.511
M5 PLS 3 0.745 0.476 0.476
M6 PLS 3 0.737 0.478 0.478
M? PLS 4 0.786 0.484 0.484
M1 PCA-X 5 0.991 0.943
M2 PCA-X 5 0.972 0.813
M3 PCA-X 5 0.972 0.817
M4 PCA-X 6 0.968 0.847
M5 PLS 4 0.888 0.891 0.891
M6 PLS 4 0.844 0.911 0.91
M? PLS 3 0.719 0.889 0.889
M8 PLS 3 0.761 0.887 0.887
M1 PCA-X 6 0.98 0.877
M2 PCA-X 6 0.979 0.872
M3 PCA-X 7 0.984 0.923
M4 PCA-X 6 0.978 0.88
M5 PLS 4 0.931 0.852 0.852
M? PLS 4 0.956 0.923 0.923
M8 PLS 4 0.889 0.7 0.7
M9 PLS 4 0.905 0.715 0.714
M10 PLS 4 0.891 0.697 0.697
' ROYECTO FONDEF 0 0 211 077
M1 PCA-X 6 0.989 0.913
M2 PLS 3 0.892 0.813 0.813
M3 PLS 3 0.897 0.789 0.789
M4 PLS 9 0.997 0.451 0.449
M5 PLS 6 0.991 0.377 0.375
M1 PCA-X 5 0.963 0.961
M2 PLS 3 0.843 0.713 0.713
M3 PLS 3 0.883 0.72 0.72
M4 PLS 3 0.882 0.733 0.733
M5 PLS 3 0.871 0.546 0.546
M6 PLS 3 0.871 0.546 0.546
,ROYECTO FONDEF 00211 077
6. Discusin de Resultados
A continuacin se mostrar una seleccin grfica de los mejores resultados obtenidos en la
modelacin de los conjuntos de datos. En la primera parte de modelacin, bases de datos 01 a 06,
se consider la potencia en el motor A y en el motor B del molino SAG como variables
independientes. Sin embargo, en la segunda parte de modelacin, bases de datos 07 a 09, se
considera la potencia del molino SAG como el producto de la suma de las potencias del motor A y
del motor B.
Primera Parte Modelacin Estadstica Multivariable
Modelacin PCA (Principal Components Analysis)
Se realiz un anlisis de las variables y observaciones con el fin de detectar agrupaciones y
comportamientos diferenciados y relaciones de las variables.
~ Grfico Score
El grfico score muestra la proyeccin de las observaciones en un plano formado por los vectores
multivariables de las variables de anlisis.
En el grfico se observa que se ha producido una agrupacin diferenciada de color que tiene
relacin directa con una variable llamada pie de carga del molino SAG. As, se observa claramente
que para valores altos de pie de carga del molino, observaciones color naranja (valor sobre 180),
el proceso se encuentra dentro de los lmites de operacin, sin embargo cuando este valor
comienza a disminuir, en la zona verde (valores entre 85-140 aprox.), el proceso se comienza a
desplazar fuera de la zona de control, quedando claramente fuera de control en la zona azul,
(valores bajo 20). Cabe destacar que este comportamiento est influido por el estado de las dems
variables de proceso, las que se analizarn posteriormente.
MOD01 BASE01.M3 (PCA-X), MODELO LINEAL FILT
t[Comp. 1]/t[Comp. 2]
Colored according to value in variable MOD01 BASE 01.PI ECSAG1
~ ~ ~ ~ 4 ~ 4 ~
tjt]
'ROYECTO FONDEF 0 0211 077
Series (Variable PIECSAG1)
Misslng
Oulside Below Range
Outside b o ~ o e Range
o- 4.75996
4. 75996- 9.51993
9.51993 -14.2799
14.2799-19.0399
19.0399-23.7998
23.7998-28.5598
28.5598- 33.3197
33.3197-38.0797
38.0797- 42.8397
42.8397-47.5996
47.5996- 52.3596
52.3596- 57.1196
57.1196-61.8795
61 .8795-66.6395
66.6395- 71.3995
71.3995-76.1594
76.1594-80.9194
80.9194-85.6794
85.6794 - 90.4393
90.4393 - 95.1993
95.1993-99.9592
99.9592-104.719
104.719-109.479
109.479-114.239
114.239- 118.999
118.999- 123.759
123.759 - 128.519
128.519 - 133.279
133.279-138.039
138.039-142.799
142.799- 147.559
147.559- 152.319
152.319- 157.079
157.079-161 .839
161.839-166.599
166.599-171 .359
171.359-176.119
176.119- 180.879
180.879- 185.639
185.639- 190.399
190.399- 195.159
195.159- 199.918
199.918-204.678
204.678-209.438
209.438- 214.198
214.198- 218.958
218.958-223.718
223.718-228.478
228.478-233.238
233.238- 237.998
).> Grfico Loadings
Este grfico muestra el estado de las variables en la data, de acuerdo a su ubicacin se deduce la
influencia de las variables en el estado de las observaciones. El grfico est dividido en cuatro
cuadrantes, y existen dos zonas de ubicacin donde se agrupan las variables. La primera
ubicacin se encuentra en el cuadrante positivo y se encuentra la mayora de las variables a
excepcin de la variable cantidad de slidos y hombro de carga en el molino SAG. Cabe destacar
que la variable alimentacin del molino SAG se ubica en el primer cuadrante junto con la mayora
de las variables.
0.5 o
0.4 o
0.3 o
0.2 o

0.10
0.00
0.10
-0.20
-0.30
SOLSAG1
-0.20 -0.10
MOD01 BASE01.M3 (PCAX), MODELO LINEAL FILT
p[Comp. 1]/p[Comp. 2]
4i"OMCSAG1
4AECSAG1
4 NIVLBSAG1
0.00 0.10 0.20
p(1]
).> Grfico Contribucin Ajuste de Variables
NIVLTSAG1
ALIMFSAG1
4AGUASAG1
>i'Rf>AtS

FmG o
RJTM3.SISI
0.30 0.40
Aqu se observa que casi la totalidad de las variables de anlisis se encuentran con un parmetro
de ajuste del modelo sobre 0.5, lo que es bastante bueno para un modelo con estas caractersticas
de datos y variables.
MOD01 BASE01 .M3 (PCA-X), MODELO LINEAL FILT
Var ID (Aimary)
'ROYECTO FONDEF 0 0211 077
m R2VX[6](cum)
Q2VX[6](cum)
Modelacin PLS (Projection to latent structures by means of partialleast squares analysis)
La variable elegida como variable de salida del modelo de prediccin es la variable alimentacin
fresca de mineral del molino SAG, debido a que el rendimiento de la molienda SAG se calcula en
relacin de la capacidad de tratamiento de mineral , es decir de la alimentacin de mineral al molino
SAG, el resto de las variables se consideran variables de entrada para el modelo.
Se probaron varias estructuras del modelo de prediccin, considerando la inclusin de funciones
lineales y no lineales.
~ Eleccin del modelo
Se ha elegido para el anlisis el modelo lineal de 13 variables y 6 componentes con parmetros de
ajuste de las variables x R2X de 0.92, de la variable de salida R2Y de 0,81 y de parmetro de
ajuste de prediccin Q2 de 0.81.
~ Grfico Score
Este grfico muestra la proyeccin de las observaciones en un plano formado por vectores que
han sido construidos considerando todas las variables en forma simultnea. De esta forma, cada
punto o ubicacin en este plano, tiene como coordenadas un vector formado por todas las
variables de modelacin.
A continuacin se representa el grafico score para los primeros componentes, segn la variacin
de algunas variables.
MOD01 BASE01.M6 (PLS), MODELO LINEAL
!(Comp. 1]/t(Comp. 2)
Colored according to ;alue in ;ariable MOD01 BASE 01.PIECSAG1
~ -7 ~ -5 -4 -3 -2 -1
~ J
Missing
Series (Variable PIECSAG1) '.
' 114.239- 118.999
Outside Below Range
Outside Abow Range
o. 4.75996
4. 75996 - 9. 51993
9.51993- 14.2799
14.2799. 19.0399
19.0399 -23.7998
23.7998.28.5598
28.5598-33.3197
33.3197- 38.0797
38.0797 -42.8397
42.8397- 47.5996
47.5996- 52.3596
52.3596- 57.1196
57.1196- 61.8795
61.8795- 66.6395
66. 6395 - 71.3995
71 .3995-76.1594
76.1594 - 80.9194
80.9194- 85.6794
85.6794- 90.4393
90.4393 - 95.1993
95.1993-99.9592
99.9592- 104.719
104.719-109.479
109.479-114.239
118.999- 123.759
123.759- 128.519
128.519- 133.279
133.279- 136.039
138.039-142.799
142.799-147.559
147. 559-152.31 9
152.319-157.079
157.079-161 .839
161.839-166.599
166.599- 171.359
171.359-1 76.119
176.119-180.879
180.879 - 185.639
185.639-190.399
190.399-195.159
195.159-199.918
199.918- 204.678
204.678 - 209.436
209.438 -214.198
214.198 -218.958
218.958-223.718
223.718- 228.478
228.478 - 233.236
233.238- 237.998
~
-6
-8
MOD01 BASE01 .M6 (PLS), MODELO LINEAL
![Comp. 1]/t[Comp. 2]
Colored according to value in variable MOD01 BASE 01 .HOMCSAG1
-7 -6 -5 -4 -3 -2 - 1
ij1]
Colored according te value in variable MOD01 BASE 01 .NIVLTSAG1
-8 -7 -6 -5 -4 -3 -1
Series (Variable HOMCSAG1)
Missing
Outside Below Range
Outside Abow Range
o- 1.63804
1.63804 - 3.27608
3.27608-4.91411
4.91411 -6.55215
6.55215-8.19019
8.19019-9.82823
9.82823- 11 .4663
11.4663-13.1043
13.1043-14.7423
14.7423-16.3804
16.3804- 18.0184
18.0184 -19.6565
19.6565 - 21 .2945
21 .2945- 22. 9325
22.9325- 24.5706
24.5706 - 26.2086
26.2086- 27.8466
27.8466 - 29.4847
29.4847- 31. 1227
31 .1227 - 32.7608
32.7608- 34.3988
34.3988- 36.0368
36.0368- 37.6749
37.6749- 39.3129
39.3129- 40.951
40.951 - 42.589
42.589-44.227
44.227-45.8651
45.8651 - 47.5031
47.5031 - 49.1411
49.1411-50.7792
50.7792-52.4172
52.4172 - 54.0553
54.0553- 55.6933
55.6933- 57.3313
57.3313- 58.9694
58.9694 - 60.607 4
60.6074 - 62.2455
62.2455-63.8835
63.8835 - 65.5215
65.5215-67.1596
67. 1596 - 68.7976
68.7976- 70.4356
70.4356 - 72.0737
72.0737 - 73.7117
73.7117 - 75.3498
75.3498 - 76.9878
76.9878-78.6258
78.6258- 80.2639
80.2639 - 81.9019
Series (Variable NIVL TSAG1)
Missing
Outside Below Range
Outside Abow Range
o- 0.622592
0.622592- 1.24518
1.24518-1.88778
1.86778-2.49037
2.49037-3.11296
3. 11296 - 3. 73555
3.73555 - 4.35815
4.35815-4.98074
4.98074- 5.60333
5.60333- 6.22592
6.22592- 6.84852
6.84852- 7.47111
7.47111 -8.0937
8.0937- 8. 71629
8. 71629-9.33889
9.33889-9.96148
9.96148-10.5841
10.5841 -11 .2067
11.2067-11 .8293
11 .8293 - 12.4518
12.4518- 13.0744
13.0744 -13.697
13.697- 14.3196
14.3196- 14.9422
14.9422- 15.5648
15.5648-16.1874
16.1874- 16.81
16.81 - 17.4326
17.4326- 18.0552
18.0552 - 18.6778
18.6778- 19.3004
19.3004-19.923
19.923 - 20.5456
20.5456-21 . 1681
21 .1681 -21.7907
21 .7907-22.4133
22.4133-23.0359
23.0359 - 23.6585
23.6585 - 24.2811
24.2811 -24.9037
24.9037-25.5263
25.5263 - 26. 1489
26.1489-26.7715
26.7715-27.3941
27.3941-28.0167
28.0167 - 28.6393
28.6393-29.2618
29.2618 - 29.8844
29.8844 - 30.507
30.507- 31 .1296
21
!(Comp. 1]/t[Comp. 2)
Colored according lo value in variable MOD01 BASE 01 .NIVLBSAG1
-
o r ~ ~ ~ ~
-8 -7 ~ -5 -4 -3 ~ -1
1(1]
J;> Grfico Loading
Series (Variable NIVLBSAG1)
Missing
Outside Below Range
Outside Abo>e Range
o- 0.326
0.326- 0.652
0.652-0.978
0.978-1.304
1.304-1.63
1.63-1.956
1.956-2.282
2.282- 2.608
2.608-2.934
2.934-3.26
3.26-3.586
3.586- 3.912
3.912- 4.238
4.238-4.564
4.564 -4.89
4.89-5.216
5.216-5.542
5.542-5.868
5.868-6.194
6.194-6.52
6.52-6.846
6.846- 7.172
7. 172 - 7.498
7.498- 7.824
7.824- 8.15
8.15-8.476
8.476- 8.802
8.802- 9.128
9.128 - 9.454
9.454-9.78
9.78-10. 106
10.106- 10.432
10.432-10.758
10.758-11.084
11.084-11.41
11.41 -11 .736
11.736-12.062
12.062- 12.388
12.388- 12.714
12.714-13.04
13.04- 13.366
13.366- 13.692
13.692- 14.018
14.018-14.344
14.344 - 14.67
14.67- 14.996
14.996- 15.322
15.322 -15.648
15.648 -15.974
15.974- 16.3
22
Este grfico es el grfico complementario de anlisis del grfico score, aqu se muestra la
ubicacin de las variables de modelacin en el plano de proyeccin_
0.8 o
0.6 o
0.40
.6. SOLSAG1
~ 0.20
0.00
-0.20
-0.40
~ 1
-0.10 0.00
HUli'K:SA"G1
0.10
w"c(Comp. 1]/w"c[Comp. 2]
AUI\'1FSAG1
.&VB..GSAG1
MVLBSA<t1AECSAG1 ... ~ T ~ ~
FRDALSAG1
.t.FROOESAG1
0.20 0.30
w'c(1]
0.40
i> Grfico Contribucin Coeficientes
AGUA f'-<
0.50 0.60 0.70
:ste grfico muestra los coeficientes de las variables en el modelo. De esta forma, se identifica la
nfluencia positiva y negativa de las variables en la construccin del modelo. En el grfico se
>bserva que las variables de influencia positiva son principalmente el agua de alimentacin, en
nenor grado la velocidad de giro del molino y el porcentaje de slidos en la alimentacin y las
ariables de influencia negativa se muestra la potencia del molino, el flujo de pebbles.
);>
CoeffCS[Comp. 6)(YVar ALIMFSAG1)
1.10.--- --- --- ------- -----------------------------,
1.00
L

0.80
* 0.70
1::: JJ
030
8 020 r l
...
-0.20 c__ ________ ___ ______ ___ _________ _ ___ _ _ -,-___j

;

!

()
"' "'

() ()
"'
"'
1-
"'
w
:;;
o
Ul
"
"'
::J
5 ;!
o
1- 1-
"'
:
o
w
"'
o
o o > ::
a.
"'
z z
0: 0:
a. a. a. a.
Var ID(A"irrary)
Grfico VIP
23
Este grfico muestra la importancia de las variables en la construccin del modelo considerando el
efecto global sobre el modelo, esto quiere decir el impacto positivo y negativo inclusive. As, se
muestra un listado secuencial de mayor a menor importancia de las variables. En el grfico se
distingue que la variable de mayor importancia es el flujo de agua de alimentacin, el porcentaje
de slidos, seguido de las dems variables en orden decreciente.
VIP[Comp. 6)
;

;
"'
1-
w
5
o
o
z
0:
a.
Var ID (R"imary)

f:
l ' -
1 l ' ! '
1 Dill

()
"'
()
w
;!
:;;
o :
o
0:
z J:
a.
~ Grfico Probabilidad Normal de Residuos
Nonnal Probability for YVarResSt[Comp. 6)(YVar ALIMFSAG1)
0.9999
0.999
0.995
0.99
0.98
0.95
0.9
0.8
,;- 0.7
:0 0.6
1
0.5
0.4
0.3
0.2
0.1
0.05
0.02
0.01
0.005
0.001
0.0001
-5 -4
J;> Grfico DModX
1000
-3 -2 - 1
2000 3000 4000
DModX(Comp. 6]
5000 6000 7000 8000
Num
M6-D-Crit(6} '"' l. 46
~ Grfico Carta de Control Shewhart
9000 10000 11000 12000
24
13000
=>ara observar el comportamiento de la variable de salida Alimentacin fresca de mineral al molino
SAG, en todo el tiempo de medicin se construy una carta de Shewhart, la que nos indica que la
nayora de los datos se encuentra entre la banda de control de +-2 sigma a excepcin de
luctuaciones que podran ser excluidas de los datos de modelacin los que se fuera de este rango
~ control.
ESTRATEGIAS DE CONTROL PTIMI ZANTE EN MOLINO SEMIAUTGENO 25
1000 2000 3000 4000 6000 7000 8000 9000 10000 11000 12000 13000
Num
Grfico Yobs versus YPred
En este grfico se ha incluido la data completa de entrenamiento y de prediccin del modelo (cerca
de 14000 datos). Para esta gran cantidad de datos, se observa que se ha obtenido una
prcticamente una recta entre los datos, donde se observa una dispersin moderada de los datos,
lo que nos indica que el modelo tiene un buen ajuste.
YPredJComp. 6J(YVar ALIMFSAG1 ALIMFSAG1)
. .. i . ..
:J.
300 400 500 600 700 800 900 1000 1100
YA'ed[6J(AUM=SAG1)
RMSEE "' 4 S. 6902
Grfico Serie de Tiempo YVar versus YPred
. 1' .
1200 1300 1400
.
.
1500 1600
3e grafica los conjuntos de data de entrenamiento y de prediccin completos, aqu se observa que
a salida del modelo de prediccin (color rojo), sigue la tendencia de los datos observados (color
1egro) en gran medida, sin embargo existe una diferencia en el primer periodo de registro, donde
;e producen los cambios bruscos, los cuales deberan ser modulados al incluir interacciones entre
as variables.
700
600
500
400
2000
Grfico Validacin Modelo
M0001 BASE01.M6 (PLS), MODELO LINEAL, PS-Prediction
3000 4000
Num
YVarPS(ALIMFSAG1)
YPredPS[61(ALIMFSAG1)
5000
26
Para validar el modelo de prediccin, se realiza un test de permutacin automtica y aleatoria de
los conjuntos de la data de entrenamiento y de prediccin del modelo, las cuales una vez que el
modelo se ha construido, se verifica que entreguen valores congruentes a una funcin en el nuevo
orden.
MOD01 BASE01 .M6 (PLS): Validate Model
ALIMFSAG1 lntercepts: R2=(0.0, -0.0042), Q2=(0.0, -0.00835)
R2 i

0.80
0.60
0.40
0.20
------
0.00 0.10
. ---- -----------
----------------
0.20 0.30 0.40 0.50 0.60
20 permut at ions 6 components
Grfico de Contorno del Modelo
-----
. ---------- --
-----------
0.70 0.80 0.90
-------- --IJ
1.00
_os grficos de contorno permiten ver un perfil del contorno del modelo de prediccin multivariable
xoyectado en un plano, el cual posee el eje z o de altura como la variable a a modelar que en este
es la alimentacin fresca de mineral al molino. De esta forma, se puede apreciar cmo varan
de variables a eleccin en relacin a la variacin de alimentacin fresca de mineral al
nolino.
o 10
ALIMFSAG1, Comp 6
20 30 40 50 60
HOMCSAG1
MOD01 8ASE01.M6 (PLS), MODELO LINEAL
ALIMFSAG1, Comp 6
70 80

70
68
66
(9 64

o

58
56
54
20 40 60 80 100 120 140 160 180 200 220 240
PIECSAG1
ALIMFSAG1, Comp 6
o 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
NIVLTSAG1
27
ESTRATEGIAS DE CONTROL PTI MIZANTE EN MOLINO SEMIAUTGENO
ALIMFSAG1 , Comp 6
6.5 7.0 7.5 8.0 8.5 9.0 9.5 10.0 10.5
VELGSAG1
Segunda Parte Modelacin Estadstica Multivariable
28
Esta modelacin se realiza considerando la potencia del molino SAG como la suma de la potencia
de ambos motores A y B.
Modelacin PCA (Principal Components Analysis)
El anlisis de las variables y observaciones muestra agrupaciones y comportamientos
diferenciados de las observaciones producto de las relaciones de las variables.
);> Grfico Score
El grfico score muestra la proyeccin de las observaciones en un plano formado por los vectores
multivariables de las variables incluidas en la modelacin. Claramente se observa al igual que en
la primera parte de modelacin, tres zonas de agrupaciones, las que muestran como el proceso
tiene una dinmica que flucta entre el ptimo y la zona fuera de control. Al colorear los puntos de
las observaciones en relacin a la variacin de la variable pie de carga, se observa al igual que la
modelacin anterior que a medida que su valor disminuye, el proceso se desplaza del punto
:)ptimo hacia la zona fuera de control.
MOD01 BASE07.M2 (PCA-X) , MODELO LINEAL FILT
!]Comp. 1]/t]Comp. 2]
Colored according lo value in variable MOD01 BASE07.PIECSAG1

-1
-2
-3
-4
.
.1"'
_ ..
........... .
-13 -12 -11 -10 -9 -8 -7 -6 -5 -4 -3 -2 -1 o 1 2 3 4 5 6
1[1]
)> Grfico Loadings
Missing
Outside Below Range
Outside Abow Range
0-5.4
5.4- 10.8
10.8- 16.2
16.2-21.6
21.6-27
27-32.4
32.4- 37.8
37.8-43.2
43.2-48.6
48.6-54
54- 59.4
59.4- 64.8
64.8-70.2
70.2-75.6
75.6-81
81 - 86.4
86.4- 91 .8
91.8- 97.2
97.2- 102.6
102.6-108
108- 113.4
113.4-118.8
118.8- 124.2
124.2- 129.6
129.6- 135
135- 140.4
140.4- 145.8
145.8- 151 .2
151.2-156.6
156.6- 162
162-167.4
167.4- 172.8
172.8- 178.2
178.2- 183.6
183.6- 189
189- 194.4
194.4- 199.8
199.8- 205.2
205.2- 210.6
210.6- 216
216-221.4
221.4- 226.8
226.8- 232.2
232.2- 237.6
237.6-243
243-248.4
248.4- 253.8
253.8- 259.2
259.2- 264.6
264.6-270
29
Este grfico muestra el estado de las variables en la data, aqu se observa una distribucin de las
variables en los cuatro cuadrantes. En el cuadrante positivo se agrupan las variables alimentacin
del molino SAG cercana a la potencia del molino, flujo de agua y velocidad de giro. En el cuadrante
superior e inferior izquierdo, se observan las variables presin en los descansos del molino y
cantidad de slidos, las cuales al aumentar su valor se encuentran relacionadas a la tendencia de
desvo de la normalidad del proceso. Finalmente se observa que las variables ubicadas en el
cuadrante inferior derecho como pie de carga, hombro de carga y nivel de llenado muestra una
tendencia con la estabilizacin del proceso.
0.3 o
0.2 o
0.1 o
ffiDALSAG1
0.0 o
-0.10
ASOLSAG1
-0.20
-0.30
-0.40
-0.30 -0.20
MOD01 BASE07.M2 (PCA-X), MODELO LINEAL FILT
p]Comp. 1]/p[Comp. 2]
a. ffiOOESAG1
-0.10 0.00 0.10
p[1]
HffiGCV07
FDTMTSAG1
AAGUASAG1

APIECSAG1
HOrv'CSAG1
0.20 0.30 0.40
);;> Grfico Contribucin Ajuste de Variables
Aqu se observa que casi la totalidad de las variables de anlisis se encuentran con un parmetro
de ajuste tanto del modelo como de la capacidad de prediccin sobre un valor de O. 75, lo que es
excelente para un modelo construido bajo estas caractersticas de datos y variables, es decir,
considerando que la cantidad de data de entrenamiento y validacin se tom cada 15 seg
registrando una totalidad de mas de 40000 observaciones incluyendo el nivel de ruido propio del
sistema en operacin normal.
MOD01 BASE07.M2 (PCA-X). MODELO LINEAL FILT
Var ID (Prmary)
l:'.l R2VX[6J(cum)
Q2VX[6J(cum)
Modelacin PLS (Projection to latent structures by means of partialleast squares analysis)
La variable elegida como variable de salida del modelo de prediccin sigue siendo la variable
alimentacin fresca de mineral del molino SAG, debido a que es la variable que sirve para
cuantificar el rendimiento de la molienda SAG. Se probaron las mismas estructuras del modelo de
orediccin de la primera etapa, considerando la inclusin de funciones lineales y no lineales. Para
facilitar la comparacin entre la primera parte y la segunda parte de modelacin, se realizo el
nismo anlisis grafico de los modelos seleccionados.
;;. Eleccin del modelo
::1 modelo seleccionado corresponde a un modelo lineal de 12 variables y 4 componentes con
>armetros de ajuste de las variables x R2X de 0.956, de la variable de salida R2Y de 0,80 y de
>armetro de ajuste de prediccin Q2 de 0.80 .
.,. Grfico Score
:ste grfico muestra la proyeccin de las observaciones en un plano formado por vectores que
1an sido construidos considerando todas las variables en forma simultnea. A continuacin se
representa el grafico score para los primeros componentes, segn la variacin de algunas
variables. Aqu se observa claramente que el proceso se encuentra dentro de la zona de control
para valores altos de la variable pie de carga, existiendo anormalidades que en general siguen la
tendencia que para valores bajos se desplaza fuera de la elipse de confianza.
-2f

-4
-6
-8
-10
-12
-5
-5
MOD01 BASE07.M8 (PLS}, MODELO LINEAL FILTRADO
t[Comp. 1[/t[Comp. 2]
Colored according to value in variable MOD01 BASE07.PIECSAG1

.

.. 6
-4 -3 -2 -1
1[1[
MOD01 BASE07.M8 (PLS), MODELO LINEAL FILTRADO

)
Colored according to value in variable MOD01 BASE07.HOMCSAG1
-4 -3 -2 -1
1[1)
;;.
'.

Missing
Outside Below Range
Outside Range
0-5.4
5.4- 10.8
10.8 - 16.2
16.2 . 21 .6
21.6. 27
27- 32.4
32.4. 37.8
37.8. 43.2
43.2. 48.6
48.6 . 54
54. 59.4
59.4. 64.8
64.8 . 70.2
70.2. 75.6
75.6-81
81 . 86.4
86.4. 91 .8
91.8. 97.2
97.2. 102.6
102.6 . 108
108. 113.4
113.4. 118.8
118.8 - 124.2
124.2. 129.6
129.6. 135
135. 140.4
140.4. 145.8
145.8. 151.2
151.2. 156.6
156.6- 162
162. 167.4
167.4- 172.8
172.8 - 178.2
178.2- 183.6
183.6- 189
189. 194.4
194.4- 199.8
199.8. 205.2
205.2- 210.6
210.6- 216
216-221.4
221 .4. 226.8
226.8- 232.2
232.2- 237.6
237.6 - 243
243. 248.4
248.4 . 253.8
253.8. 259.2
259.2- 264.6
264.6-270
Series (Variable HOMCSAG1)
Missing
Outside Below Range
Outside Range
o- 1.65788
1.65788 . 3.31576
3.31576. 4.97364
4.97364. 6.63153
6.63153 . 8.28941
8.28941 - 9.94729
9.94729-11 .6052
11.6052 - 13.2631
13.2631 - 14.9209
14.9209 . 16.5788
16.5788 - 18. 2367
18.2367 - 19.8946
19.8946 . 21 .5525
21.5525. 23.2103
23.2103- 24.8682
24.8682 - 26.5261
26.5261 -28.184
28.184 - 29.8419
29.8419-31.4997
31.4997-33.1576
33.1576- 34.8155
34.8155- 36.4734
36.4734 38.1313
38.1313 . 39.7892
39.7892 . 41.447
41.447-43.1049
43.1049 - 44.7628
44.7628-46.4207
46.4207 . 48.0786
48.0786 . 49.7364
49.7364. 51 .3943
51 .3943. 53.0522
53.0522 . 54.7101
54.7101.56.368
56.368- 58.0258
58.0258- 59.6837
59.6837-61 .3416
61 .3416. 62.9995
62.9995 . 64.6574
64.6574.66.3153
66.3153-67.9731
67.9731 . 69.631
69.631 - 71.2889
71.2889- 72.9468
72.9468-74.6047
74.6047 . 76.2625
76.2625 - 77.9204
77.9204 . 79.5783
79.5783 - 8. 1

-2

-4
-6
-8
-10
- 12
-5
MOD01 BASE07.M8 (PLS), MODELO LINEAL FIL 1RADO
![Comp. 1]/t[Comp. 2]
Colored according to value in MOD01 BASE07.NIVL TSAG1
___,......--
/
-4 -3 -2 -1
1[1)
MOD01 BASE07.M8 (PLS), MODELO LINEAL FIL 1RADO
![Comp. 1]/t[Comp. 21
Colored according lo value in MOD01 BASE07.NIVLBSAG1
..
)

-5 -4 -3 -2 -1
1[1)
;. Grfico Loading
6
. ' 4
. '
Series (Variable NIVLTSAG1)
Missing
Outside Below Range
Outside Range
o- 0.627574
0.627574- 1.25515
1.25515 - 1.88272
1.88272-2.5103
2.5103 - 3.13787
3. 13787 - 3. 76545
3. 76545 - 4.39302
4.39302 - 5.02059
5.02059-5.64817
5.64817- 6.27574
6.27574- 6.90332
6.90332- 7.53089
7.53089-8.15847
8.15847- 8.78604
8.78604 - 9.41361
9.41361- 10.0412
10.0412- 10.6688
10.6688 -11 .2963
11.2963 - 11.9239
11.9239 - 12.5515
12.5515- 13.1791
13.1791 - 13.8066
13.8066- 14.4342
14.4342-15.0618
15.0618- 15.6894
15.6894- 16.3169
16.3169- 16.9445
16.9445- 17.5721
17.5721 - 18.1997
18.1997- 18.8272
18.8272 - 19.4548
19.4548- 20.0824
20.0824- 20.71
20.71-21 .3375
21 .3375- 21.9651
21 .9651 - 22.5927
22.5927- 23.2202
23.2202- 23.8478
23.8478 - 24.4754
24.4754-25.103
25.103 - 25.7305
25.7305- 26.3581
26.3581 - 26.9857
26.9857- 27.6133
27.6133- 28.2408
28.2408- 28.8684
28.8684 - 29.496
29.496 - 30.1236
30.1236-30.7511
30.7511-31 .3787
Series (Variable NIVLBSAG1)
Missing
Outside Below Range
Outside Range
o- 0.402
0.402 - 0.804
0.804 - 1.206
1.206 - 1.608
1.608-2.01
2.01 - 2.412
2.412-2.814
2.814- 3.216
3.216 - 3.61 8
3.618- 4.02
4.02- 4.422
4.422- 4.824
4.824- 5.226
5.226- 5.628
5.628 - 6.03
6.03- 6.432
6.432 - 6.834
6.834- 7.236
7.236 - 7. 638
7.638-8.04
8.04- 8.442
8.442 - 8.844
8.844 - 9.246
9.246- 9.648
9. 648- 10.05
10.05- 10.452
10.452- 10.854
10.854-11 .256
11 .256-11 .658
11 .658- 12.06
12.06 - 12.462
12.462- 12.864
12.864- 13.266
13.266- 13.668
13.668- 14.07
14.07- 14.472
14.472- 14.874
14.874- 15.276
15.276 - 15.678
15.678 - 16.08
16.08 - 16.482
16.482- 16.884
16.884- 17.286
17.286- 17.688
17.688- 18.09
18.09 - 18.492
18.492- 18.894
18.894- 19.296
19.296- 19.698
19.698- 20.1
32
::ste grfico muestra que las variables que estn correlacionadas en el mismo sentido que la
rariable de modelacin, alimentacin del molino de color rojo, son: velocidad de giro, flujo de agua,
>otencia del molino y flujo de pebbles. Sin embargo las variables opuestas son la cantidad de
;lidos, pie de carga, hombro de carga y presin en los descansos del molino.
0.8 o
0.6 o
0.40
0.20
;
3
0.00
-0.20
-0.40
HOfi/CSAG1
SOLSAG1
-0.20
PIECSAG1 Nr.tt_"jll().;!lJ1AG
1
HRDALSAG1
w*c]Comp. 1]/w*c[Comp. 2]
ALrviFSAG1
VaGSAG1
RJ1MTSAG1
P83GCV07
"'FRDDESAG1
-0.10 0.00 0.10 0.20
w'c[1]
0.30 0.40 0.50
~ Grfico Contribucin Coeficientes
0.60
33
xl
__ _ ; ~ . 1
AGUAJ
0.70
A<
Este grfico muestra la contribucin de los coeficientes de las variables en el modelo. De esta
forma, se identifica la influencia positiva y negativa de las variables en la construccin del modelo.
En el grfico se observa que las variables de influencia positiva son el agua de alimentacin, la
velocidad de giro del molino y el porcentaje de slidos en la alimentacin y las variables de
influencia negativa se muestra la presin en los descansos del molino principalmente.
0.90
0.80
o.1ot
~ 060
~ 050
:;;
~ 0.40
f:::t---
0.10
-o.1oi
Coef!CS[Comp. 4)(YVar ALIMFSAG1)
0.001- .-'
L ~ ~ ~ ~ ~ ~
~
~ ~
~
~ ~ ~
;; ;;
~
(/) <J
Ji Ji
...
C> -'
<J <J
g
:
~
al
;;! o :;;
...J
g
w :;;
~
... w a: o
w
~
o o
~
> I
a.
z z
ir
a:
a.
Var ID (A"iiYBry)
;.. Grfico VIP
:ste grfico muestra la importancia de las variables en la construccin del modelo considerando el
fecto global sobre el modelo, esto quiere decir el impacto positivo y negativo inclusive. As, se
nuestra un listado secuencial de mayor a menor importancia de las variables. En el grfico se
listingue que la variable de mayor importancia es el flujo de agua de alimentacin, la velocidad de
giro del molino, seguido de las dems variables en orden decreciente, ya que todas se encuentran
en un rango de 0.9 a 0.7.
;

"'
-J.
:> ...J

w o
>
!!:
MOD01 BASE07.M8 (PLS). MODELO LINEAL FILTRADO
VIP[Comp. 4]
1P-f4.....C. .: __ ..- ! ...

,_

g
VJ o
f- w
g
o
:; o :;
f- o

o
o
"'
Q_ Q_ I
Var ID (A"irrary)
Grfico Probabilidad Normal de Residuos
0.9999
0.999
0.995
0.99
0.98
0.95
0.9
<:;-
0.81
0.7
1
0.6
0.5
0.4
a:
0.3
0.2
0.1
0.05
0.02
0.01
0.005
0.001
0.0001
-8 -7 -6
Grfico DModX
-5 -4
Normal Probability for YVarResSt[Comp. 4](YVar ALIMFSAG1)
-3 -2 -1

!rl
ii:
.... .
=ste grafico muestra la aparicin de varias observaciones que representan salidas significativas
::lel proceso de operacin normal ya que se encuentran sobre la distancia crtica permitida por el
nodelo de prediccin. Cabe destacar que ac se encuentra graficados los conjuntos de
y de prediccin completos.
30
I 20
z
i
:2
"
10
10000
DModX[Comp. 4]
20000
Num
M8-D-Crit!4] "'1.424
30000
);> Grfico Carta de Control Shewhart
35
40000
Para observar el comportamiento de la variable de salida Alimentacin fresca de mineral al molino
SAG, en todo el tiempo de medicin se construy una carta de Shewhart, la que nos indica que
este periodo de operacin tiene datos que muestran salidas de la normalidad en un gran
porcentaje con fluctuaciones muy significativas. Esto nos demuestra que el proceso es factible de
ser optimizado en su operacin.
1600
1400
1200
1000
600
3S(MB
600
400
200
MOD01 BASE07.M8 (PLS), MODELO LINEAL FILTRADO, PSMOD01 BASE07
Shewhart (Subgroup 1): YVarPS(YVar ALIMFSAG1)
10000 20000 30000
S(M8) = 113.7 Target (MS) ., 1 180
40000
SIMCA-P 10.0 11/03/20061 :45:21
~ Grfico Yobs versus YPred
En este grfico se ha incluido la data completa de entrenamiento y de prediccin del modelo (cerca
de 40000 datos). Para esta gran cantidad de datos, se observa una dispersin de data aceptable,
la cual da cuenta del ruido y de las fluctuaciones anormales del proceso.
400 500 600 700
MOD01 BASE07.M8 (PLS), MODELO LINEAL FIL lRADO
YPred[Comp. 4[(YVar ALIMFSAG1 )/YVar(YVar ALIMFSAG1)
800 900 1000 1100 1200
YA'ed(4)(AL1111FSAG1)
RMSEE = 62.2914
~ Grfico Serie de Tiempo YVar versus YPred
1300 1400 1500 1600
Se grafica los conjuntos de data de entrenamiento y de prediccin completos, aqu se observa que
la salida del modelo de prediccin (color rojo), sigue la tendencia de los datos observados (color
negro) en gran medida, sin embargo existe una diferencia considerable en las fluctuaciones mas
bruscas, los cuales deberan ser modulados al incluir interacciones entre las variables.
MOD01 BASE07.M8 (PLS), MODELO LINEAL FILTRADO, PS-MOD01 BASE07
1600
1400
1200
1000
800
600
400
200
10000 20000 30000
Num
~ R O Y E T O FONDEF 00211 077
YVarPS(ALIMFSAG1)
YPredPS[4](ALIMFSAG1)
40000
~ Grfico Validacin Modelo
Para validar el modelo de prediccin, se realiza un test de permutacin automtica y aleatoria de
los conjuntos de la data de entrenamiento y de prediccin del modelo, las cuales una vez que el
modelo se ha construido, se verifica que entreguen valores congruentes a una funcin en el nuevo
orden.
MOD01 BASE07.M8 (PLS): Validate Model
ALIMFSAG1 lntercepts: R2=(0.0, -0.00264), 02=(0.0, -0.00344)
1.00
0.90
0.80
0.70
--
.----
0.60
0.50 --------
0.40
0.30
0.20
-----
0.10
~
0.00
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00
20 permutations 4 components
~ Grfico de Contorno del Modelo
Los grficos de contorno permiten ver un perfil del contorno del modelo de prediccin multivariable
proyectado en un plano, el cual posee el eje z o de altura como la variable a a modelar que en este
caso es la alimentacin fresca de mineral al molino. De esta forma, se puede apreciar cmo varan
conjuntos de variables a eleccin en relacin a la variacin de alimentacin fresca de mineral al
molino.
MOD01 BASE07.MB (PLS), MODELO LINEAL FILTRADO
ALIMFSAG1, Comp 4
1 o 20 30 40 50 60 70 80
HOMCSAG1
ESTRATEGIAS DE CONTROL PTIMIZANTE EN MOLINO SEMI AUTGENO
0
MODO! BASE07.M8 (PLS), MODELO LINEAL FILTRADO
ALIMFSAG1 , Comp 4
~ 4U-..,..-------I
...J
o
C1)
50 100 150 200
PIECSAG1
MODO! BASE07.M8 (PLS) , MODELO LINEAL FILTRADO
ALIMFSAGI , Comp 4
250
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
NIVLTSAG1
MODO! BASE07.M8 (PLS). MODELO LINEAL FILTRADO
ALIMFSAGI, Comp 4
1.01.52.02.53.03.54.04.55.05.56.06.57 .07.58.08.59.09.51 0 ~ 0 5
VELGSAG1
"ROYECTO FONDEF 0 0211 077
38

Control Experto

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Control Experto

Diunggah oleh

Hak Cipta:

Format Tersedia

,GOBIERNO DE CHILE

Anda mungkin juga menyukai