Facultad de Ingeniera
Depto. de Ingeniera Elctrica
Profesor Patrocinante
Daniel Sbrbaro Hofer
AGRADECIMIENTOS
Luego de haber finalizado esta importante etapa de mi vida, quisiera agradecer a
las personas que me han acompaado en este andar por un camino que a veces se torna
pedregoso, pero al igual que muchas otras cosas posee un final. Quizs una de las cosas
ms difciles de este trabajo es el no dejar de mencionar a alguien en estos
agradecimientos ya que en siete aos de estudio, dedicacin y esfuerzo son muchas las
personas a las que les debo ms de algo.
To Jenna
INDICE
INDICE
5
RESUMEN
7
Captulo 1: Introduccin
8
1.1 Resea Histrica
8
1.2 Revisin Bibliogrfica
9
1.3 Objetivos del Trabajo
11
1.4 Metodologa de Trabajo
12
1.5 Alcances
12
1.6 Contenidos
12
Captulo 2: Descripcin del proceso de Molienda SAG
15
2.1 Descripcin General
15
2.2 Molino SAG
16
2.3 Hidrocicln
18
2.4 Chancador de cono
20
Captulo 3: Modelacin del proceso de Molienda SAG
22
3.1 Molino SAG
22
3.1.1 Presentacin del Modelo Mecanstico
22
3.1.2 Modelo fundamental del Molino SAG
23
3.1.2.1 Cmara de Molienda
24
3.1.2.2 Interpretacin fsica del parmetro Ki
27
3.1.2.3 Transporte de masa
29
3.1.2.4 Clasificacin interna
30
3.1.2.5 Potencia elctrica demandada
31
3.1.3 Modelo en ecuaciones de estado
32
3.1.4 Ajuste del modelo a datos experimentales
33
3.2 Batera de hidrociclones
36
3.2.1 Curva de eficiencia corregida
36
3.2.2 Ecuacin de d50 corregido
36
3.2.3 Ecuacin del parmetro m
37
3.2.4 Ecuacin de distribucin de caudales volumtricos
38
3.2.5 Ecuacin Presin-Capacidad
38
Captulo 4: Diseo de una Estrategia de Control Predictivo con Restricciones Basado en
Modelos
39
4.1 Modelo de Identificacin
39
4.2 Modelo Predictivo
40
4.3 Algoritmo de Identificacin
43
4.4 Manejo de Restricciones
44
4.4.1 Restricciones de banda
45
4.4.2 Restricciones en la seal de control
45
4.4.3 Restricciones en razn de cambio de la seal de control
46
4.5 Formulacin del problema de Programacin Lineal
46
Captulo 5: Simulacin de fenmenos caractersticos de un Molino SAG
49
5.1 Cambios en la granulometra de alimentacin
49
5.2 Cambios en la dureza del mineral
54
57
61
62
65
67
67
68
69
69
70
71
72
74
78
78
79
78
81
81
83
86
RESUMEN
En este trabajo se desarrolla y presenta la modelacin, simulacin y control de una
planta de molienda semiautgena SAG. Se han utilizado datos de la planta concentradora
Coln de la Divisin el Teniente de CODELCO para la conciliacin de los modelos
estticos programados.
La programacin de los modelos y la simulacin de los mismos, se ha desarrollado
en el ambiente SIMULINK de MATLAB. Los modelos estticos desarrollados para los
diferentes equipos pertenecientes a la planta SAG han sido iterados de manera de obtener
una simulacin dinmica y realizar el desarrollo de la estrategia de control propuesta en el
trabajo.
En cierta medida se ha simplificado algunas cosas en el desarrollo de la memoria,
como la consideracin de algunas variables de proceso para el control del proceso. Sin
embargo las variables consideradas en el control son aquellas que estn disponibles en
planta, lo que se respalda en la recopilacin de informacin realizada en la Planta SAG1
de la Concentradora Coln de la Divisin El Teniente de CODELCO.
El algoritmo de control desarrollado, es de tipo Predictivo con Restricciones
Basado en Programacin Lineal (LPMPC). Esta solucin permite manejar al sistema en
una zona estable y ptima de manera global sin violar restricciones de proceso siguiendo
el objetivo principal que es maximizar el beneficio econmico, o dicho de otra forma,
maximizar el mineral procesado.
Los resultados obtenidos permiten concluir que es posible trabajar en la zona
estable del Molino maximizando el mineral procesado y sin violar restricciones, adems
considerando la arquitectura de la estrategia de control, el controlador predictivo podra
ser implementado dentro de un algoritmo de control que est en funcionamiento como un
Control Experto que le entregue el set point de la variable a controlar (Nivel de Llenado).
Captulo 1:
1.1
Introduccin
Introduccin General
La conminucin es el fenmeno mediante el cual se produce la reduccin de
tamao de la mena para permitir la separacin del mineral valioso de la ganga [18]. En la
actualidad diferentes mtodos de conminucin son utilizados, los ms conocidos son la
molienda convencional, molienda semiautgena SAG y la molienda autgena AG. En
trminos generales, es posible considerar la molienda AG como el proceso que produce la
fractura del mineral mediante la cada de colpas desde una altura cercana al dimetro del
molino (dependiendo de las condiciones de operacin de este). Por otro lado, la Molienda
SAG es una variante de la Molienda AG, a la cual se le han agregado otros medios de
molienda como barras o bolas de acero para aumentar su eficiencia y capacidad de
produccin [5].
Los inicios de la molienda AG se remontan al ao 1908 en Sudfrica donde se
instal un molino cnico que utilizaba colpas de 8 para producir la fractura del mineral.
La molienda SAG se inicia en la dcada de 1930 en California, donde se instal una
mquina que mediante unas paletas levantaba el mineral y lo dejaba caer sobre unas
barras de acero fijas [23]. Con el pasar del tiempo se han desarrollado distintas
morfologas y configuraciones para la molienda SAG, hasta los llamados molinos SAG
de tipo Cascada con bolas de acero como medio externo de molienda y relacin
Dimetro/Largo mayor a 1.5
En los ltimos aos se ha producido un incremento exponencial de la molienda
SAG, principalmente de gran tamao (hasta 40 pies de dimetro) [23]. Las moliendas AG
y SAG han sido incorporadas a los sistemas de conminucin para mejorar el rendimiento,
reemplazando muchas veces etapas de chancado secundario, terciario y molienda de
barras. Sin embargo y en contraste con lo expuesto anteriormente, la variabilidad de la
granulometra de alimentacin en un molino SAG y la sensibilidad de sus parmetros
frente a distintas condiciones de operacin (como cambios en la dureza del mineral),
provocan variaciones en el nivel de llenado del molino y en la Potencia Neta demandada
por el motor [5].
[1]
el ao 1993, la cual ha sido la base para el desarrollo del modelo mecanstico y las
correlaciones empleadas en el resto del modelo del Molino SAG. A grandes rasgos esta
tesis se compone de dos partes:
(i)
(ii)
[9]
referencia para el desarrollo completo del algoritmo de control. Este libro explica la teora
del Control Predictivo con ejemplos de laboratorio y planta sin profundizar demasiado en
lo desarrollado anteriomente en el tema. Se propone una bibliografa especfica en cada
caso adems de proponer soluciones propias para ciertos problemas como el Control
Predictivo Basado en Modelos y Programacin Lineal utilizado en esta memoria.
[23]
por Luis Magne, en este trabajo se derivan todos los supuestos del trasporte de masa en el
interior del molino y en la etapa de clasificacin. Se proporcionan las tablas con los
resultados obtenidos en los distintos ensayos que se utilizan en [1] y por lo tanto tambin
ha sido muy importante en la comprensin de los fenmenos de transporte y los diversos
supuestos metalrgicos realizados para el desarrollo del modelo del Molino SAG.
[24]
Molienda de Minerales
Memoria de ttulo el Departamento de Ingeniera Elctrica Universidad de
Concepcin realizada por Miguel Maldonado en el ao 2002. En este trabajo se realiza el
desarrollo del toolbox de Molienda y Chancado en lo concerniente a la Molienda
Convencional, adems de proponer una estrategia de Control Predictivo basado en
programacin lineal para Molienda Convencional.
[27]
Chancado
Memoria de ttulo del Departamento de Ingeniera Elctrica Universidad de
Concepcin realizada por Germn Palma en el ao 2002. En este trabajo se desarrolla lo
concerniente al chancado del toolbox de Molienda y Chancado adems de proponer una
estrategia de Control Predictivo basado en programacin lineal
[29]
de Modelacin Matemtica
Libro escrito por Gutirrez y Seplveda que explica las teoras de conminucin,
clasificacin y flotacin. Se presentan, analizan y utilizan modelos entre los cuales se
10
[33]
Self-tuning Systems Control and Signal Processing, John Wiley & Sons, 1991.
Este libro escrito por Wellstead y Zarrop explica la teora del control
1.3
cantidad de Molinos SAG instalados hoy en da, la mayora de las estrategias de control
no son de tipo optimizante ya que se basan en la evaluacin de derivadas y ajustes por
medio de reglas (Control Experto).
Con lo anterior en consideracin, se presenta la siguente memoria de ttulo al
departamento de Ingeniera Electrica para optar al grado de Ingeniero Civil Electrnico,
cuyos principales objetivos son:
11
1.5 Alcances
Los modelos utilizados en la simulacin corresponden, en su mayora, a modelos
estticos los cuales se iteran en cada instante de muestreo, esto no pierde generalidad de
acuerdo a lo propuesto en [24]. La conciliacin de los datos de planta con los modelos ha
sido de tipo estacionaria y no de tipo dinmica, esto implica que la transicin entre un
valor estacionario y otro no ha sido contrastada.
Algunas variables como la potencia de los chancadores y la corriente consumida
por los mismos, a pesar de estar disponibles en el modelo, no han sido consideradas en el
desarrollo de la estrategia de control por simplicidad en la cantidad de variables a manejar
por el controlador.
Las correas transportadoras utilizadas en las simulaciones son de velocidad fija
para simplificar la modelacin. Esta consideracin no provoca una gran variacin en el
desempeo del sistema simulado, debido a que la variacin de velocidad existe solo en la
correa de alimentacin al molino y no en las que realimentan mineral desde el chancador
de pebbles.
1.6 Contenidos
En esta parte del captulo introduccin, se presenta un breve resumen de cada uno
de los captulos de la memoria destacando los temas principales tratados en cada uno.
12
Captulo 3:
Captulo 5: En este captulo se realizan simulaciones del Molino SAG en lazo abierto,
esto con el fin de constatar lo complejo que es el sistema debido a la gran influencia que
tienen las perturbaciones en las variables controladas y supervisadas. Se simula un
cambio en la granulometra de entrada, un cambio en la dureza del mineral y finalmente
se presenta la relacin no lineal existente entre la Potencia y el Nivel de llenado del
Molino.
13
Captulo 7: En este captulo se presentan las conclusiones finales, producto del anlisis y
desarrollo del trabajo realizado. Se concluye acerca de temas generales y especficos
como la modelacin y la estrategia de control predictivo con restricciones propuesta.
14
Captulo 2:
2.1
Descripcin General
En este trabajo se ha considerado el esquema de molienda SAG utilizado en la
15
2.2
Molino SAG
El Molino Semiautgeno SAG es un cilindro rotado en su eje longitudinal cuyo
Dimensiones, D x L pies
36x17
Potencia, HP
15.000
Capacidad de Procesamiento diseo, t/h
1.200
Nivel de llenado de bolas, %
8-12
Tipo de accionamiento
Gear-less
Consumo especfico de energa, kWh/t
11,5
Tabla 1.1: Caractersticas principales molino SAG1 del Concentrador Coln
16
Figura 2.2: Molino SAG perteneciente a la planta SAG1 del Concentrador Coln
Fractura colpa de mineral - colpa de mineral, producida por la colisin entre dos
colpas de mineral (autofractura).
Fractura bola colpa de mineral, producida por el choque entre una bola y una
colpa de mineral.
17
2.3
Hidrocicln
El hidrocicln es un estanque cilndrico de fondo cnico con una alimentacin
18
Partculas finas que son arrastradas por el agua hacia la descarga del hidrocicln.
A este fenmeno se le conoce como Cortocircuito del proceso de clasificacin.
19
20
21
Captulo 3:
3.1
Molino SAG
El modelo del molino SAG utilizado en este trabajo es el desarrollado por
22
FA
f*
p*
PA
23
la malla i+1
que la malla i +1
Ki
[3.1]
24
Xi
XN
Xi
Xi
X i * X i 1
XN
2
i N
[3.2]
0 i < j
Ri , j
1 i j
[3.3]
M R m
[3.4]
K diag K1 , K 2 ,..., K N
[3.5]
25
[3.6]
Wm Rw
F * Rf
P* Rp*
La ecuacin 3.6 considera los flujos de granulometra acumulada retenida por
malla, luego en su forma retenida por intervalos, que es ms intuitiva, la ecuacin se
escribe:
dw
f * p * R 1 K R w
dt
[3.7]
MP
FM
kWh
ton
[3.8]
FM f i
MP
i 1
Ki E * Ki
Ki
[3.9]
26
Ki =
M P E M P FM E FM
E
Ki
Ki
* E * Ki
Wm
FM Wm
Wm
[3.10]
F
dw
f * p * M E R 1 K E R w
dt
WM
[3.11]
(ii)
dw
f * p*
dt
I b S w
27
[3.12]
b1,1 0
b2,1 b2,2
b
bn ,1
bij
bn , n
S diag S1 , S2 ,, Sn
S
I b S = (R -1K
R)
[3.13]
i j [3.14]
k i 1
Bij
Bij
k, j
S j S j bk , j = Bij S j
k i 1
[3.15]
k i 1
k, j
28
(i ) K i 1 K i
[3.16]
N
(k ) K
k i 1
K i 1 K i 1 K i 2 ... K N 1 K N K i K N K i
i j
[3.17]
K i (1 bii ) Si
[3.18]
29
p*
P*
w
WM
[3.19]
dWA
FA PA
dt
PA AWA
[3.20]
WA
FA
PA
P*
I Cw
WM
[3.21]
P*
r Cp
Cw
WM
*
30
[3.22]
M P K D 2.5 L J 1 A J c
c
WM WA WB
JVm
[3.23]
M P K D 2.5 L 1 A J
WM WA WB
Vm
MP
WB
Vm
WM VM 1 B J M 0.6 J B M
J
1 WM
0.6 J B
1 B M VM
[3.24]
: Vector de estado.
: Vector de entradas.
:Vector de salidas.
: Vector de parmetros.
[3.25]
32
F
dw
P*
P*
f
C w
w M E R 1 K E R w
dt
WM
WM
WM
dWA
AWA FA
dt
[3.26]
Reordenando se tiene:
P*
F
dw
I C M E R 1 K E R w f
dt
WM
WM
dWA
AWA FA
dt
[3.27]
PM
PA
Y WM
W
A
J
M
p
[3.28]
33
Ki a X i
E
Xi
as
152.4
Xi
1
1
[3.29]
0.368
6.36 J 0.552
0.327
0.495 J
a 0.199
s
5.89
[3.30]
34
(ii)
Eficiencias de clasificacin
Obtenidas experimentalmente, las curvas que caracterizan este fenmeno son las
siguientes.
Ci
X
1 i
X 50
[3.31]
Ci X i M
2
X 50
exp X i M
16.53
Cp
13.12
743 C p
1.8
255
Cp
i ip
wi WA
wp
WM WA [3.33]
i 1
ip
(iii)
P* 29 WM
0.5
A 16.86
0.102
WM
35
[3.34]
12 7.6
[3.32]
[3.35]
Yc 1 exp ln a d
d 50 corr
b Yc 0, para d 0
c Yc 1, para d
Yc 1 exp 0.69315 d
d 50 corr
[3.36]
d 50 corr
A0 Dc 1 Di 2 Do 3 exp A4 S v
A
Du 5 h A6 Q A7 s l
A
36
A8
[3.37]
Donde:
d 50 corr
Dc
Di
Do
Du
Sv
: Distancia entre la parte inferior del vortex y la parte superior del apex
(pulg.).
s , l
A0 A8
2 h
[3.38]
m exp K 0 K 1 1 Rv K 2 ln Dc
Q
Donde:
Rv
Qu
S
Q 1 S
Q, Qu
K 0 , K1 , K 2
37
B1
D
h B2 D 2 D 2
Bo u
u
o
D
o
S
B
H B5 Dc 6
B3
expB4 S v
[3.39]
Con
H
B0 B3
C o Q C1 expC 2 S v
Dc 3 Di 4 h C5 Du Do
C
2 C6
[3.40]
Con
P
C0 C6
38
Captulo 4:
A z 1 y t z d B z 1 u t 1 C z 1 et
[4.1]
et
A z 1 y t z d B z 1 u t 1 C z 1
[4.2]
Donde
1 z 1
39
nb
nc
i 1
i 1
i 1
y k ai y k i bi u1 k i ci u 2 k i et
[4.3]
Donde:
y t
u1 t , u 2 t
: Entradas al sistema
et
ai , bi , ci
: 1 z 1
nb
nc
i 1
i 1
i 1
y k 1 ai y k 1 i bi u1 k 1 i ci u 2 k 1 i
[4.4]
nb
nc
i 1
i 1
i 1
y k j ai y k j i bi u1 k j i ci u 2 k j i
[4.5]
40
y k j y k j y k j 1
u1 k j u1 k j u1 k j 1
u 2 k j u 2 k j u 2 k j 1
j 2
nb
y k j ei y k j i g i u1 k j i g ij 1 u1 k j 1 i
j
i 1
i 1
i 0
j 2
nb
[4.6]
di u 2 k j i di u 2 k j 1 i
j 1
i 1
i 0
j 1, 2, T p
i 1, 2 , , n a
j i 1, 2 , , T p
i 1 , 2 , , nb
j i 1, 2 , , T p
di j e1j 1ci di j 11
i 1, 2 , , nc
j i 1, 2 , , T p
[4.7]
Donde:
ei1 a i
g i1 bi
i 1, 2 , , n a
di1 ci
i 1, 2 , , nc
e1na 1 0
j i 2 , , Tp
g 1na 1 0
j i 2 , , Tp
d n1a 1 0
j i 2 , , Tp
i 1 , 2 , , nb
nb
j 2
i 1
i 0
y k j y k i j y k j i i j u1 k j i i j 1u1 k j 1 i
i 1
j 2
nb
i u2 k j i i u2 k j 1 i
j
i 1
j 1
i 0
Donde:
41
[4.8]
j 1, 2, T p
i j eil
l 1
j
i g il
j
l 1
j
i j dil
l 1
i 1, 2, , na
i 1, 2, , nb
i 1, 2, , nc
Donde:
u k T 1
u k T 1
Y y k 1 y k 2 y k T p 1
u k
U 1 u1 k u1 k 1
U 2
u 2 k 1
Yk y k y k 1 y k na 1
U 1k u1 k 1 u1 k 2 u1 k nb 1
U 2 k u 2 k 1 u 2 k 2 u 2 k nc 1
11
2
1
E
Tp
1
21
22
T
2 p
n1a
n2a
T
nap
21
2
2
G
Tp
2
31
32
T
3 p
n1b
n2b
T
nbp
11
2
Ga 1
Tp
1
1 p
11
21
2
2
D
Tp
2
31
32
T
3 p
n1b
n2b
T
nbp
11
2
Da 1
Tp
1
0
11
T p 1
1
11
42
0
11
T 1
1.-
Clculo de la prediccin
T
y t k 1 t 1
2.-
et y t y t
3.-
[4.11]
Determinacin de la ganancia
K t
4.-
[4.10]
Pt 1 t k 1
T
t t 1 K t et
5.-
[4.13]
1 t k 1 K t et
t 1
0
6.-
[4.12]
1 t k 1 Pt 1 t k 1
[4.14]
1 K t t k 1 Pt 1
Pt
T
[4.15]
La identificacin del modelo, se inicia con una excitacin del sistema mediante
una secuencia Pseudo-Random Binary Sequence PRBS, la cual posee un espectro de
frecuencia mayor a la seal cuadrada utilizada frecuentemente en identificacin y
43
[4.16]
f I y k EYk GU 1k
[4.17]
[4.18]
La ecuacin 4.18, ser utilizada para definir las restricciones que se deben
considerar al momento de calcular la accin de control mediante el modelo propuesto en
la ecuacin 4.9. Cabe destacar que a modo de simplificacin se ha omitido el efecto de
una entrada al proceso, pero su desarrollo es anlogo al presentado en las ecuaciones 4.16
a 4.18.
44
y t y t y t
[4.19]
[4.20]
La ecuacin 4.20 puede ser escrita en funcin del modelo predictivo descrito por
la ecuacin 4.18 como se muestra a continuacin.
Y f G a U 1 Y f
[4.21]
u t u t u t
[4.22]
1u u k 1 TU 1 1u t u k 1
[4.23]
45
u t u t u t
[4.24]
[4.25]
J u
N2
j N1 i 1
Nu
y i t j wi t j u i t j 1 [4.26]
j 1 i 1
46
i y i t j wi t j i
i 1, n j 1, N
i u i t j 1 i
i 1, m j 1, N u
[4.27]
0 i 1 i i 1 i
nxN
nxN u
min , , ,u
[4.28]
Sujeto a:
Ga U f w
Ga U f w
y Ga U f
y Ga U f
U
U
u U
u U
U TU 1 1u k 1
U TU 1 1u k 1
1T 1
Luego el problema puede ser presentado de la siguiente forma:
min c T x
x
Sujeto a
Ax b
x0
, donde
47
[4.29]
Ga
G
a
Ga
Ga
I
A
I
I
T
T
I 0
I 0
0
0
0
0
0 I
0 I
0
0
0
0
0
0
T
T
1 1
Ga U f w
Ga U f w
y Ga U f
y Ga U f
u
b
u u
U Tu 1u k 1
U Tu 1u k 1
0
0
0
0
0
0
0
0
0
48
Captulo 5:
Granulometra
Normal
Aumento fino y medios, disminucin gruesos
Aumento gruesos y finos, disminucin medios
Solo finos y gruesos
% finos
62.5
64.02
40.63
65.1
% medios % gruesos
10.7
26.8
14.34
21.64
8.34
51.03
0
34.9
El tamao fino ha sido definido en este trabajo como aquel partcula con un
tamao menor a 50mm, el tamao mediano un tamao entre 50 mm y 100 mm (pebbles),
finalmente el tamao grueso ha sido definido como aquel partcula de tamao mayor a
100 mm.
49
50
Figura 5.2: Perfil granulomtrico con Aumento de finos y medios, disminucin gruesos
Figura 5.3: Perfil granulomtrico con aumento de gruesos y finos, disminucin medios
51
52
La figura 5.5 muestra que para una alimentacin Normal se puede operar en
estado estacionario con un nivel de llenado cercano al 25% y una potencia consumida de
10.6 MW. En el minuto 300 se alimenta con una granulometra que carece de partculas
gruesas, se puede apreciar entonces que el nivel de llenado del molino y la potencia
consumida comienzan a aumentar hasta a un punto en que la potencia llega a un peak y
comienza una disminucin de la potencia y un aumento en el nivel, esta es una zona de
operacin inestable que ser comentada posteriormente. Desde el minuto 340 se alimenta
al molino con una alimentacin que posee un porcentaje menor de partculas medias, este
cambio permite salir de la zona inestable de operacin aumentando la potencia consumida
hasta en el cual decrece junto con el nivel de llenado total. Desde el minuto 600 se
alimenta el molino sin partculas de tamao medio con lo cual se produce un aumento en
el nivel y la potencia y una operacin en estado estacionario con un nivel de llenado de
29.7% y una potencia de 10.72 MW.
Un punto importante de destacar es que contrariamente a lo supuesto por mucha
personas, el trabajar con una granulometra de alimentacin que no posee tamaos medios
(pebbles) no es beneficioso del todo ya que aumenta el nivel de llenado total del molino a
pesar de no poseer tamaos con cintica de fractura menor. Es necesario, mediante
anlisis en terreno de datos, la determinacin de las proporciones de tamaos que
permitan operar el molino con un nivel de llenado y potencia menor [15].
Luego de analizar la figura 5.5, comentar la evolucin de las variables principales
del molino SAG, y teniendo en cuenta que la granulometra de entrada al molino no
siempre es posible medir ni controlar con precisin (perturbacin al sistema), se puede
concluir que la operacin del molino SAG es muy sensible a esta perturbacin no medible
y el control del molino debe ser robusto frente a cambios en esta.
53
54
Figura 5.7: Potencia y nivel de llenado del Molino SAG para cambio en la dureza
55
Figura 5.8: Potencia y nivel de llenado del Molino SAG para cambio en la dureza
En la figura 5.8, se observa que alrededor del minuto 190 el molino tiende al
estado estacionario de 30.5 % de llenado y 10.71 MW de potencia consumida. Sin
embargo, al producirse el cambio de dureza en el minuto 200, el nivel comienza a crecer
y la potencia del molino decrece entrando en una zona inestable de operacin.
Estas dos experiencias, reflejan que un cambio en la dureza del mineral
(dependiendo de las condiciones de operacin) puede provocar una inestabilidad en la
operacin del molino. Esto es un aspecto importante a considerar ya que no son muchas
las aplicaciones dedicadas a la determinacin de un ndice de la dureza en lnea que
permita predecir que ocurrir con las variables controladas del molino. Por lo tanto, la
dureza del mineral debe ser considerada una perturbacin a pesar de ser un factor con una
influencia significativa en la operacin del molino [15].
56
Figura 5.9: Relacin entre la Potencia y nivel de llenado del Molino SAG
r F r F sen
57
[5.1]
donde
r
: Brazo de momento
: Fuerza aplicada
Observando la ecuacin 5.1 podemos concluir que al mantener una fuerza aplicada
sobre un cuerpo en el mismo ngulo y disminuyendo el brazo de momento, el torque
disminuye provocando una disminucin de la velocidad de rotacin debido a la analoga
existente entre fuerza en movimientos rectilneos y torque en movimientos rotacionales
[31].
Se puede establecer una analoga sencilla entre el sistema de la figura 5.10 y el
molino SAG. La figura 5.11 muestra un corte transversal del molino SAG para una masa
retenida con un centro de masa C, una fuerza F aplicada en el centro de masa con un
brazo de momento r respecto del centro de masa del molino O [15]
58
59
60
Captulo 6:
61
Figura 6.2: Proceso de molienda SAG considerado como un sistema MIMO de 4x4
62
Las variables utilizadas para el desarrollo del algoritmo de control han sido
escogidas de acuerdo a la instrumentacin actualmente disponible en terreno en la planta
Concentrador Colon. Esto es importante destacar ya que muchas estrategias de control
incluyen una medicin en lnea del tamao de partcula, sin embargo la poca mantencin
y el mismo diseo de los equipos PSM y PSI los dejan fuera de operacin constantemente
y son utilizados en forma ofline. Las variables consideradas en el desarrollo de la
estrategia de control son mencionadas a continuacin.
Variables de entrada
Tonelaje de alimentacin
Flujo bomba
Variables de salida
Perturbaciones no medibles
Otras Variables
63
64
y t y0 a0 u t u0
[6.1]
dy
u k u k 1
du
d2y
d 2 u u u k 1
[6.2]
u t e y t
y t y 0 a 0 u t u 0
65
Entonces
dy
2a 0 u 0 u k 1
du
u u k 1
[6.3]
d2y
2a 0
d 2u
[6.4]
u k u k 1 u k 1 u 0 u 0
que es la convergencia en un paso del algoritmo de Gauss-Newton para la funcin 6.1.
Por otro lado, la ecuacin 6.1 puede ser escrita en una forma expandida
y t 0 1u t 2 u 2 t
[6.5]
y t 1 u t 2 u 2 t
[6.6]
u k
1
[6.7]
22
1 2u 0 a 0
2 ao
Es en este punto, donde la curva se encuentra en su posicin ptima [33]. Este
anlisis para las variables u t e y t ha sido realizado considerando las variables Nivel
de llenado y Potencia del molino SAG en el bloque supervisor, lo que permite la
generacin del set-point de nivel que maximiza la curva que relaciona el Nivel de llenado
y la Potencia del molino.
66
Ta
Vm
Nm
Dp
:
:
:
:
Tonelaje de Alimentacin
Velocidad molino
Nivel de llenado molino
Densidad pulpa ciclones
Fp
Np
Vb
Ap
:
:
Velocidad Bomba
Agua a pozo
67
F p k z 1 A z F p k z 19 B z Ta z 18 C z Vm
donde A z , B z y C z son polinomios en el operador z de orden 1, 4 y 5
receptivamente.
6.1.2.2 Modelo predictivo Nivel de llenado
Flujo de pebbles
68
Con esto en consideracin, la estructura del modelo predictivo del nivel de llenado
es el siguiente:
N n k z 1 A z N m k z 1 B z Ta z 1C z Vm z 19 D z Ta z 18 E z Vm
El modelo predictivo utilizado para estimar el Nivel del pozo considera las
siguientes variables independientes:
Velocidad de la bomba
N p k z 1 A z N p k z 11 B z Ta z 1C z Vb z 1 D z A p
donde A z , B z , C z y D z son polinomios en el operador z de orden 1. El orden 1
ha sido escogido debido a que la dinmica de este sistema es ms rpida que los otros
lazos.
69
D p k z 1 A z D p k z 1 B z Ta z 1C z A p
donde A z , B z , C z y D z son polinomios en el operador z de orden 1. De la
misma manera el orden 1 ha sido escogido debido a que la dinmica de este sistema es
ms rpida que los otros lazos.
J u N m t j N m
j 1
Tp
ref
t j D p t j D p ref t j Ta t j Vm t j
j 1
Vb t j Ap t j
sujeto a
N m MIN N m N m MAX
D p MIN D p D p MAX
Fp MIN Fp Fp MAX
Ta MIN Ta Ta MAX
Vm MIN Vm Vm MAX
Vb MIN Vb Vb MAX
Ap MIN Ap Ap MAX
Ta MIN Ta Ta MAX
Vm MIN Vm Vm MAX
Vb MIN Vb Vb MAX
Ap MIN Ap Ap MAX
70
Parametros
Variables
Autoregresivo
na
1
Fp
Media Movil
nb
nc
4
5
Ta
Vm
Parametros
Variables
Autoregresivo
na
1
Nm
Media Movil
nb
nc
10 (4)
6 (2)
Ta
Vm
Parametros
Variables
Autoregresivo
na
1
Np
nb
1
Ta
Media Movil
nc
1
Vb
nd
1
Ap
Parametros
Variables
Autoregresivo
na
1
Dp
Media Movil
nb
nc
1
1
Ta
Ap
71
72
73
Observando las figuras 6.6 y 6.7 se puede concluir que el controlador respeta las
restricciones maximizando el tonelaje de alimentacin. En efecto, desde el minuto 100
hasta el minuto 160 se genera un set point menor al valor de la restriccin, y el
controlador estabiliza las seales para seguir este set point. Por otro lado, en el minuto
160 se genera un set point mayor al valor de la restriccin y el controlador estabiliza el
nivel de llenado en la restriccin con una penalizacin a la maximizacin de la
alimentacin. En el minuto 230 nuevamente se genera un set point menor al valor de la
restriccin, y el controlador estabiliza las seales para seguir este valor.
Por otro lado, la densidad de la pulpa que va a los ciclones se ve perturbada
cuando el nivel de llenado activa la restriccin y se prioriza la no violacin de esta, frente
al seguimiento del set point. Finalmente las variables supervisadas se mantienen dentro
del rango permitido, confirmando el manejo global de la planta por medio del
controlador.
74
75
76
Observando las figuras 6.8 y 6.9 se puede concluir que el bloque supervisor
genera el set point del nivel de llenado el objetivo de mantener el gradiente entre la
Potencia y el Nivel de llenado en un valor nulo, lo que corresponde al valor mximo de la
curva y por lo tanto la operacin del molino en el punto optimo de acuerdo a las
condiciones de operacin (Granulometra, Dureza y Velocidad del molino).
Por otro lado, las variables controladas siguen las referencias si violar las
restricciones. En el minuto 250 se produce el cambio en la dureza del mineral lo que
provoca una disminucin del tonelaje de alimentacin para mantener el gradiente en cero.
Esto permite la operacin estable del molino obteniendo el mximo beneficio como se
haban propuesto los objetivos de diseo.
77
Captulo 7:
Conclusiones
la planta
78
79
80
Captulo 8: Anexos
8.1 Anexo A: Glosario de trminos utilizados
Mena
Roca que contiene metales o elementos valiosos adems de ganga. Se puede decir
que se diferencian de una roca comn ya que tienen valor comercial. Sin embargo es
necesario considerar la factibilidad tcnica-econmica de extraccin para considerar a una
roca como mena [18].
Ganga
Son especies sin valor comercial que se asocian a las especies minerales. En
general la ganga se compone de xidos sulfuros refractarios (silicatos o aluminatos)
qumicamente estables [18].
Pebbles
Son colpas de tamao generalmente entre 2 y 4 que poseen una velocidad de molienda
menor por encontrarse en la zona de fractura anormal [2].
CARMA
Controller Auto-Regresive Moving-Average. Modelo recursivo de identificacin
que posee parte autoregresiva y de media mvil [9].
CARIMA
Integrated Controller Auto-Regresive Moving-Average. Modelo recursivo de
identificacin que posee parte autoregresiva y de media mvil integrada, es decir
considera las variaciones en las variables de proceso para generar el modelo [9].
LPMPC
Linear Programing Model Predictive Control. Control predictivo basado en
modelos y programacin lineal [9].
81
PRBS
Pseudo-Random Binary Sequence. Secuencia binaria aleatoria utilizada para
excitar el sistema con el objetivo de identificar los parmetros del modelo [9].
MIMO
Multi-Input Multi-Output. Sistema dinmico con mltiples entradas y mltiples
salidas [9].
SISO
Single-Input Single-Output. Sistema dinmico con una entrada y una salida [9].
82
83
84
85
BIBLIOGRAFIA
[1]
Control. Tesis de Magister en ciencias de la Ing. Msc. Ing. Elctrica, Universidad de Chile,
Santiago, (1993).
[2]
Amestica, R., Gonzalez, G.D., Barra, J., Menacho, J. and Castro, O., A SAG Mill
Amestica, R.,Gonzalez, G., Menacho, J and Barria, J., A Mechanistic State Equation
Model for Semiautogenous Mills, International Journal of Mineral Processing, 44-45 (1996)
349-360.
[4]
Broussaud, A., Valdebenito, M., Advanced Optimizing Control Systems for SAG Mills,
Cceres, J., Bassaure F., Collado, R., Cipriano, A. y Muoz, C., Control de Molino
[10]
Cifuentes, I., Meech, J. A., Mular, L., Raabe, H. and Mitchell, J., Qualitative Modeling
of a Semi-Autogenous Griding Circuit at Highland Valley Copper (HVC) Mine, IEEE 0-78032559-1/95, (1995).
[11]
Edwards, R., Perry, R., Svedala Technology and the Science of SAG Control,
Evertsson, C. M., Output Prediction of Cone Crushers, Mineral enginnering, Vol 12,
Fernndez, R.1, Viennet, E.1, Goles, E.2, Barrientos, R. and Telias3, W., On-line Coarse
Ore Granulometric Analyzer Using Neural Networks, 1LIPN Institut Galile, Universit Paris
86
Nord, 2Depto. Ing. Matemtica, Universidad de Chile, 3Centro de Investigaciones MineroMetalrgicas, Santiago, Chile.
[14]
Flintoff, B.C., Bradburn, R. G. and Mular, A. L., Canadian Trends in the Control of
Gonzalez, G., Barahona, C., Castelli, L., Cipriano, A., Hernndez, L and Yacher L.,
Control Strategy Testing for a SAG Mill Using a Qualitative SAG Model Designed for that
Purpose.
[18]
Hecker C., Garrido, J., Gonzlez, M., Herrera, R., Manual de procesos Concentrador
Jones, R. and Wright, A., Selecting and Configuring Load Cells for AG/SAG Grinding
Magne, Luis A."Estudio del Transporte de masa en molinos SAG", Tesis D. Sc. Dimet,
87
[25]
Morrel, S. and Latchireddi, S., The operation and interaction of grates and pulp lifters
in autogenous and semi-autogenous mills, The AusIMM Proceedings Vol. 306 N 1, (2001).
[26]
Napier-Munn, T.J., Morrel, S., Morrison, R.D. and Kojovic, T., Mineral Conminution
Circuits: Their Operation and Optimization, Julius Kruttschnitt Mineral Research Centre,
Queensland, Australia, (1996).
[27]
Palma G., Modelacin Dinmica y Control Predictivo con restricciones para una
Cop Sud Amrica, III Simposio de Ing. Metalurgica, Lima, Per, 2000.
[31]
Serway A., Robert J., Fsica Vol I, McGraw-Hill Interamericana, 5 a. Edicin 2001.
[32]
Valery, W. and Morrel, S., The Develoment of a Dinamic Model for Autogenous and
Wellstead P. E., Zarrop M. B., Self-tuning Systems Control and Signal Processing,
88