.
Inicio / BS Campus / Minería / Instrumentación y Sistemas de Control en Circuitos de Procesamiento de Minerales
Control en Circuitos de Procesamiento de Minerales

Instrumentación y Sistemas de Control en Circuitos de Procesamiento de Minerales

Área: Minería - Sub Área: Procesos Mineros

INTRODUCCIÓN

Esta introducción pretende dar una visión general sobre el control automático aplicado a procesos mineros.

OBJETIVOS DEL CONTROL AUTOMÁTICO

Objetivos Funcionales

·         Posibilitar la realización de tareas difíciles (comandar un Molino SAG)

·         Rapidez de ejecución y Coordinación de varias acciones relacionadas Ejs.: Planta concentradora de minerales, Nave espacial

·         Aumentar el beneficio económico (aumento de producción, mejora de calidad, reducción de costos)

·         Mejorar la confiabilidad de los sistemas; aumentar la seguridad en la ejecución de tareas peligrosas; mejorar las condiciones de trabajo en faenas.

·         Reducción de error humano; permanente atención sin cansancio ni distracción.

o   Robots en túneles

o   Mecanización de tareas en ambientes contaminados (fundiciones)

o   Salas de comando y de visualización de información centralizadas

o   Descargar en sistemas automáticos tareas repetitivas y tediosas

 

Objetivos Según Desempeño

1.- Mejorar el Desempeño en el Manejo de Variables.

Ej.: Mantener una variable cerca de un valor prefijado no obstante las perturbaciones.

2.- Mejorar el Desempeño de un Proceso.

Ej.: Aumentar la producción, mejorar la calidad, aumentar la eficiencia en el uso de insumos.

3.- Mejorar el Desempeño Económico

Ej.: Incrementar el beneficio económico de una planta o proceso, sujeto a diversas restricciones.

Reducción en la incertidumbre produce beneficios. 

Mejoramiento de estándares por Automatización

grafico de fallas acumuladas

Beneficios económicos

beneficios economicos

Estructura Jerárquica de los Sistemas de Control

1.- Control local (directo)

Control de variables del primer nivel: Flujos, temperaturas, niveles, etc.

2.- Control Estabilizante

Entrega valores de referencia (set points) para los controladores locales de las unidades que forman parte de la planta: flujos, niveles, posición, etc.

Control de variables de segundo nivel: tamaño de partículas en planta de molienda, leyes en planta de flotación, etc. Entrega set points a controladores locales.

3.- Control Supervisor

Entrega datos (p. ej., set points) para el control estabilizante

Puede realizar optimización según cifra de mérito que incluye aspectos económicos.

Supervigila la operación de la instrumentación y de los sistemas de control y toma acciones en caso de fallas o de mala operación.

Puesta en marcha y detención.

Acciones de seguridad general.

4.- Control de planta (plant Management)

Coordina la acción de las subplantas de una planta. (P. ej planta concentradora de minerales)

Control de la cantidad de producción.

Control de la calidad de la producción.

Envía consignas al control supervisor.

  Recibe datos y consignas de la gerencia de la empresa.

piramide de automatizacion

Caracterización de las Variables de la Planta a Controlar para Fines de su Control

Caracterización de las Variables de la Planta desde el punto de vista del CONTROL AUTOMÁTICO.-

Variables

 

  •          Comandos (variables manipuladas).- Son variables que podemos manejar a nuestra voluntad (dentro de ciertos límites)
  •          Salidas.- Son variables que interesa manejar o monitorear en la planta
  •          Estados.- Son variables que independizan la operación futura de la operación pasada.
  •          Perturbaciones

 

o   Medidas.- Son variables que afectan el comportamiento de la planta en forma que no podemos manipular, pero que podemos medir.

o   No medidas.- Son variables que afectan el comportamiento de la planta y de las cuales no poseemos mediciones.

Ver figura siguiente

variables parametros y estados Principales Desafíos para el Control

·         En general, cambios en el comportamiento de la planta.

·         Tasas de variación en las perturbaciones: Medidas, no medidas

 

  • Interacciones
  • Retardos
  • No linealidades
  • Incertidumbre en general en:

 

o   Las características de la planta,

o   Perturbaciones no medidas

o   En mediciones ruidosas de variables, incluyendo el caso de muestreo inadecuado.

 

  • Complejidad estructural
  • Tecnología disponible (sistemas de procesamiento, comunicaciones, sensores, actuadores, etc.)
  • Teoría disponible
  • Disponibilidad de personal idóneo para mantener el sistema en operación (incluyendo la mantención del s/w y h/w)

EJEMPLO DE DESAFÍOS QUE PRESENTA EL CONTROL

Presencia de Perturbaciones y sus Tasas de Variación

El efecto que tienen las perturbaciones sobre la variable de salida controlada se compensa actuando sobre las variables manipuladas.

La posibilidad de corregir este efecto, por una parte, depende de la velocidad de respuesta de la salida frente a las perturbaciones y, por otra, de la velocidad de respuesta de salida frente a cambios en la variable manipulada.

Por ejemplo, si la moliendabilidad del mineral (perturbación) en una planta SAG como la de la figura siguiente varía lentamente, será relativamente más fácil corregir el efecto que tiene esta variación sobre el hold-up (variable controlada) actuando sobre la alimentación fresca de mineral a la planta (variable manipulada), que si la perturbación varía rápidamente

Este caso se ilustra en esta figura cuando está conectado el control PID de hold-up.

control pid de hold up

En la figura siguiente se muestra el caso en que la perturbación varía rápidamente, con lo que resulta más difícil mantener el hold-up actuando sobre la alimentación fresca. También en este caso el control PID de hold-up esta activado.

control pid de hold up activado

Efecto de No linealidad en Hold up molino SAG

efecto de no linealidad en hold up

Escalones en la alimentación en torno a 1200 [tonlhr] hacen evidente el efecto de la no linealidad en un molino SAG.

Otra forma de ver este comportamiento es con la característica estática de la planta. La figura siguiente muestra la Curva Característica Estática de Potencia versus llenado (Carga) en un molino semiautógeno produce efectos no lineales.

curva estatica de potencia

No Lineal en este contexto significa que el futuro estado de la planta está condicionado al estado actual. Entonces, si la presión de soporte del molino SAG es de 600 y la velocidad de alimentación se aumenta 50 t/h, la respuesta dinámica será muy diferente a que si la presión de soporte hubiera sido 700. El concepto de complejo significa que una vez que se hace una serie de cambios de sistema, ya no se puede volver al mismo lugar desde donde se partió si se revierten estos cambios.

Claramente este fenómeno, contribuye a la dificultad para controlar y optimizar los diagramas de flujo típicos, y también contribuye al nivel de rendimiento en el que estamos actualmente. 

Efectos del Retardo en el Control

Si sólo se usa control PID clásico, los retardos son causa de una respuesta lenta de la variable controlada.

 

Este es el caso, por ejemplo del control de una correa transportadora en que por alguna razón el tonelaje se mide en la descarga de la correa.

control de tonelaje en correa transportadora

El problema presentado por el retardo se puede solucionar mediante un control basado en modelo.

El Problema de las Interacciones (Sistemas multivariables)

Ejemplo de Interacciones:

planta de molienda secundaria

Al tratar de controlar el Nivel del pozo con el Flujo de agua agregada al pozo, varía la Densidad.

Al tratar de controlar la Densidad con el Tonelaje de alimentación, varía el Nivel del pozo.

FACTORES QUE AFECTAN LA SELECCIÓN DE ESTRATEGIAS Y SISTEMAS DE CONTROL

factores que afectan las estrategias y sistemas de control

Problema del Control Automático

Satisfacer los Objetivos de Funcionamiento a Pesar de las Perturbaciones. La figura siguiente muestra la Estructura fundamental en general para los sistemas de control automático.

sistema de control automatico

Control Realimentado (feedback)

Disminuye el efecto de las perturbaciones no medidas (y también el de las medidas pero con menos efectividad que el control PREALIMENTADO) al tratar en que el error entre la referencia (set-point) y la variable controlada sea pequeño (Cero, Mínimo).

 

  • Permite fijar las características dinámicas de la respuesta de la variable controlada.
  • Permite que la variable controlada siga a la variable de referencia con error especificado (referencia fija: regulador; referencia variable: seguimiento o "tracking").
  • Introduce el problema de la estabilidad en el diseño.

control realimentado feedback

ilustracion control realimentado feedback

Control Prealimentado (feedforward)

Permite reducir o eliminar el efecto que tienen las perturbaciones medidas sobre la variable controlada en forma más rápida que el Control Realimentado.

No reduce el efecto de las perturbaciones no medidas.

No Permite el seguimiento ni regulación de una variable de referencia. 

control prealimentado feedforward

Control Realimentado-Prealimentado

Al utilizar todas las· variables medidas (tanto la medición de la variable controlada como las mediciones de las perturbaciones medidas) combina efectos positivos del Control REALIMENTADO y del Control PREALIMENTADO.

Al reducir el efecto de las perturbaciones medidas sobre la variable controlada, puede mejorar en forma importante el desempeño del control Realimentado. Esto es especialmente cierto si hay una perturbación rápida que afecta la variable controlada.

control realimentado prealimentado

Control en Cascada

Una de las estrategias más utilizadas para estabilizar las variables de proceso (disminuir la variabilidad) es la de control en cascada que son dos lazo de control, uno dentro de otro.

control en cascada

MODELOS MATEMATICOS DE PROCESOS

El Problema de la Modelación: Determinación de un modelo M perteneciente a una clase de modelos CM tal que M sea la mejor representación de un sistema, dada una clase de señales U de entrada.

El modelo depende de:

(1) El conocimiento disponible sobre la planta (2) de la rnodelación (Ej estático, dinámico) (3) La señales que están disponibles (que se pueden o que conviene medir) (4)

Tipos de modelos en Control:

o   Modelos Fenomenológicos

o   Modelos Grises (incorporan parcialmente aspectos fenomenológicos)

o   Modelos Caja Negra

Modelos Fenomenológicos de Plantas o Sistemas Dinámicos

1.- Balance Dinámico

Plantear las ecuaciones de balance dinámico de la planta:

o   balances de masas o volúmenes

o   balances térmicos ·

o   balances de fuerzas ·

o   balances de energía ·

o   Balances de voltajes y corrientes · etc.

En la mayoría de los casos el balance dinámico se puede expresar mediante un conjunto de ecuaciones llamadas Ecuaciones de Estado.

2.- Modelo Entrada-Salida

Expresar las ecuaciones de balance en función de variables de entrada y salida para obtener un modelo de Entrada-Salida de la planta, en el que las variables de entrada (manipuladas y perturbaciones) se relacionan con las variables de salida.

3.- Dar o identificar valores de los parámetros

o   Área de estanques

o   Parámetros de válvulas

o   Tasas de Flotación

o   Índice de moliendabilidad de mineral

o   Volumen de molino

Modelos de Tiempo continuo

Los más utilizados son modelos en: Ecuaciones de estado (SS) y Función Transferencia (TF: con transformada de Laplace)

Modelos de tiempo discreto

Los modelos de esta Clase de Modelos son muy fáciles de utilizar y de programar. Se presentan en forma de ecuaciones de estado y Función Transferencia de Pulsos con el operador de retardo.

A diferencia de los modelos construidos con ecuaciones diferenciales, su programación ya sea en lenguajes tales como BASIC, MATLAB, C++, etc. es casi inmediata.

Ej: Modelos ARX

muestreo de una señal

Ecuaciones

ecuaciones de modelos matematicos de procesos

Muestreo y Retención

 

Caso en que las muestras no contienen información suficiente como para reconstruir la variable muestreada. Dos señales distintas pueden tener las mismas muestras. 

muestreo y retencion

Caso en que las muestras ahora contienen información suficiente como · para reconstruir la variable muestreada, p.ej., por interpolación. El período de muestreo T está relacionado con la tasa de variación de la variable.

muestreo y retencion

CONTROL AVANZADO

Los desafíos de control como no linealidades, retardos, interacciones, acoplamientos, parámetros variables en el tiempo, variabilidad en las variables controladas.

Además se deben satisfacer criterios económicos, asociados con el mantenimiento de las variables de proceso en sus referencias minimizando dinámicamente (optimización) una función de coste de operación, criterios de seguridad y medioambientales, y de calidad en la producción, la cual debe satisfacer ciertas especificaciones sujetas a una demanda normalmente variable.

Estos requerimientos han llevado al desarrollo del control avanzado que va más allá del clásico control por realimentación, prealimentado y cascada.

Estas técnicas de control se pueden denominar industrialmente como APC: Control Avanzado de Procesos.

Las dos técnicas avanzadas más destacadas en su aplicación en el ámbito minero son:

o   Control Experto (Fuzzy Logic)

o   Control Predictivo Basado en Modelo (Control Multivariable)

Estas técnicas pueden incluir además las técnicas tradicionales y el

o   Control Adaptivo (Problema no lineal)

o   Compensación de retardos (Predictor de Smith)

Estas técnicas de control tienen asociadas otras técnicas de aplicación más reciente como ser

o   Redes Neuronales e

o   Identificación paramétrica

Para identificación de modelos, identificación de variables de proceso (sensores virtuales)

Las diferencias entre los dos tipos de sistema MPC y Experto son principalmente

• MPC usa un modelo del proceso; un sistema experto usa un modelo del operador.

• MPC es predictivo; un sistema experto es algebraico.

• MPC es control de lazo abierto; un sistema experto es control de lazo cerrado

• MPC se basa en algoritmos; un sistema experto se basa en reglas.

Algunos sistemas son híbridos; por ejemplo, la estrategia de control experto de ABB incluye técnicas tales como ganancia variable, bloques de reglas difusas multivariables, redes neuronales y MPC.

Estrategia para desempeño sostenido

Control Avanzado: Un enfoque sistemático para un desempeño sostenido

 

enfoque del control avanzado

¿Por qué las aplicaciones APC no se mantienen en línea?

 

  •          Problemas de control regulatorio

 

o   Falla de instrumentos

o   Problemas con válvulas

o   Entonamiento deficiente

 

  •         Cambios de Proceso

 

o   Nuevas limitantes

o   Objetivos de control diferentes

o   Dinámicas de proceso diferentes

 

  •         Aplicaciones no mantenidas: Mantenimiento no presupuestado
  •          Falta de entrenamiento al operador: Operadores no entienden que hace el APC
  •          Muy costoso tener consultores APC

 

 

 ¿Cómo sostener una aplicación APC?

 

1.    Debe tener fundaciones sólidas

aplicacion apc

2.    Una suite de control de desempeño 

suite de control de desempeño

Tendencias en las técnicas de Control Avanzado

tendencias del control avanzado

Herramientas de Control Avanzado del Delta V (DeltaV Digital Automation System)

DeltaV Fuzzy (tan fácil como un PID)

·         Control de Fuzzy Logic preconfigurada

·         Puede reemplazar PID para la mayoría de las aplicaciones

·         Respuesta mejorada para perturbaciones de proceso

·         Entonamiento rápido usando DeltaV Insight

·         Rápida y fácil configuración – exactamente como el PID

 

Fuzzy Control Results

antes y despues del deltav pid

Control Fuzzy Logic vs PID

control fuzzy logic

DeltaV Predict - Model Predictive Control

 

  •          Maneja dinámicas de proceso difíciles, reduce la variabilidad y protege las restricciones.
  •          Fácil y rápida implementación.
  •          Totalmente y embebido, no es necesaria integración:

 

o   Configuración

o   Gráficos de operación

o   Histórico

 

  •          Escalable y práctico modelo de control predictivo
  •          Optimiza el proceso dentro de las restricciones

 

 

Control Adaptativo

control adaptativo

DeltaV Neural – Estimación de Propiedades

·         Crea sensores virtuales para mediciones en línea normalmente disponibles solamente a través de análisis de laboratorio

·         Fácil de entender y usar, costo efectivo

 

·         Herramienta general de modelaje no lineal

Conclusiones para la Aplicación de Control Avanzado en Planta de Molienda SAG

 

  •           El recurso humano es un factor fundamenta en este tipo de proyectos y su buen manejo es relevante.
  •           No son desarrollos simples. Requieren gran experiencia y conocimiento de los integrantes del equipo de trabajo.
  •           Es fundamental la participación dedicada de profesionales de metalurgia, operaciones e instrumentación de planta. Además de un alto compromiso de la planta en el desarrollo de actividades involucradas.
  •           Hay temas relevantes como la calidad y disponibilidad de las mediciones y del control tradicional (PID´s)
  •          La sustentabilidad, en el tiempo, de la aplicación es fundamental.

 

 

 

s
 
 
 

 


AUTOR

CLAUDIO AYALA

Doctor en Ingeniería Eléctrica por la Universidad Federal de Santa Catarina, Brasil. Cuenta con estudios en Control de Plantas de Procesamiento de Minerales y Control y Operación de Plantas. Con una amplia experiencia académica en instituciones como la Universidad de Antofagasta. Ha participado en proyectos de investigación auspiciados por Minera "La Escondida" en Chile.

PROGRAMAS DE CAPACITACIÓN