Las avanzadas técnicas y sistemas de control se están volviendo cada vez más inteligentes y rápidos, pero aún hay lugar para el mejoramiento
Por Russell A. Carter, Editor General

Lógica difusa, operaciones booleanas, modelos de red neuronal, algoritmos genéticos, control predictivo de modelos. Estos son los conceptos que forman la lengua franca de los ingenieros y científicos que diseñan sistemas expertos de control de procesos—un idioma común que les permite desarrollar productos y técnicas capaces de aumentar la producción total de la planta mineral y el rendimiento de la recuperación mediante una optimización de procesos. También es un lenguaje que probablemente es extraño para el operador de molinos promedio que está sentado en una sala de control, explorando una hilera de pantallas que muestran gráficamente el estado y las tendencias de la planta, pero su vocabulario define las altamente sofisticadas técnicas de control que permiten a los operadores promedio mantener una planta funcionando constantemente a los niveles de un operador experto.

Dado el enorme proceso-con base en conocimiento de control—aprovechando décadas de desarrollo de sistemas expertos—y la capacidad de procesamiento computacional disponible casi para cualquiera en estos días, los mejoramientos a niveles altos de la decena en el rendimiento de la planta comúnmente alcanzados por sistemas de optimización de procesos pueden no parecer tan impresionantes. Sin embargo, lograr grandes aumentos de rendimiento en la planta de una mina puede ser una propuesta difícil de cumplir. Un grupo de Utah, creador del sistema experto KnowledgScape con sede en los EEUU, describió el problema en forma clara y concisa en un ensayo presentado en una conferencia técnica el 2009. Indicando que una vez que un sistema experto ha sido instalado en una planta y el proceso de optimización sigue su curso, el rendimiento de la planta normalmente no mejora significativamente de ahí en adelante, y explican que “…en términos generales, los sistemas expertos son más estáticos que adaptativos. Las reglas estáticas, que toman en cuenta las relaciones básicas y fundamentales de la molienda y la flotación, han demostrado una y otra vez ser capaces de mejorar significativamente el rendimiento promedio de la planta. Sin embargo, se piensa que las operaciones de la unidad de procesamiento mineral son no lineales y complejas. 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, aunque no comprendido por muchos, 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.”1

La solución, sugieren ellos, yace en la “extracción de datos”—extraer información útil a partir de grandes bases de datos.

¿Modelar el Proceso, o Modelar al Operador?
La oferta de sistemas avanzados de control de proceso para aplicaciones minerales abarca dos tipos básicos: control predictivo basado en modelo (MPC) y sistemas expertos. Las diferencias entre los dos tipos de sistema son principalmente que:
•    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 cerrado; un sistema experto es control de lazo abierto.
•    MPC se basa en algoritmos; un sistema experto se basa en reglas.2

Las ventajas de un tipo de sistema por sobre otro en aplicaciones de plantas mineras han sido tema de debate durante todo el tiempo en que estos han competido en el mercado. 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. Muchos son modulares; el software de control de proceso OCS de Metso Cisa, por ejemplo, comprende una serie de módulos integrados dentro de una sola estructura, incluyendo:
•    Un módulo “experto difuso,” un sistema experto en tiempo real con un motor de inferencia, razonamiento de lógica clásica y difusa, y una base de conocimientos.
•    Un módulo de sensor virtual que usa modelos predictivos adaptativos y un estimador de filtro para autoajuste enlínea de los modelos. Los usuarios pueden desarrollar modelos nuevos en Visual Basic.
•    Un módulo optimizador, con un algoritmo SQP limitado.
•    Un módulo de red neuronal.
•    Un módulo de visión tal como VisioFroth para las plantas de flotación por espuma, VisioRock para molienda o chancado SAG y AG y plantas de cribado, VisioPellet para plantas de peletización, etc.

Los sistemas de control no son un substituto para un sistema DCS o PLC de planta; son principalmente una autoridad supervisora de alto nivel que entrega puntos de ajuste al estrato inferior de los sistemas de control. La ruta general fijada por estos productos—medir, controlar, luego optimizar—es ilustrada por el diagrama de más abajo, y por un ejemplo reciente de éxito en la aplicación esta metodología a un molino operado por un productor de metales base técnicamente muy conocedor y consolidado de Europa.

ABB informó que había aplicado con éxito su sistema Expert Optimizer a los circuitos de flotación de zinc de la concentradora de cobre-zinc Garpenberg de Boliden en Suecia. Los objetivos de la actividad dobles: Primero, estabilizar el proceso, lo que está sujeto a alteraciones externas tales como cambios en la calidad del mineral. Segundo, maximizar los ingresos provenientes del zinc mejorando su recuperación y la ley de concentrado.

Según ABB, lograr la optimización del circuito requirió tres pasos principales. Se tuvo que hacer una predicción del comportamiento del proceso usando un modelo dinámico confiable del circuito de flotación, y las funciones de costo y las limitaciones operativas tuvieron que ser implementadas a fin de producir una aplicación MPC robusta. Entre las variables que podían ser manipuladas estaban el control del nivel de la celda, suministro de aire, nivel de espuma y reactivos.

Una vez tomados estos pasos, un programa de mediciones comenzó a fines del 2008 y finalizó a medidos del 2009. Los resultados, según ABB, mostraron que la eficiencia de la concentradora (que corresponden directamente a las utilidades) fue a lo menos una unidad porcentual mayor cuando se usó MPC, comparado con la estrategia de control manual existente. Además, la ley del concentrado de zinc era mayor y más consistente, mientras que la velocidad de recuperación permanecía constante.

Resolviendo Problemas Básicos Primero
Sin importan cuan sofisticadas e inteligentes puedan ser, las estrategias avanzadas de control de proceso no corregirán problemas inherentes al diseño o al diagrama de flujo. Los posibles clientes de los sistemas de control avanzado deben conocer algunos requerimientos y consideraciones básicas, como también las oportunidades ofrecidas por estos sistemas, según Phillip Thwaites, gerente del Grupo de Control de Proceso de Xstrata Process Support, quien abordó el tema en la conferencia AutoMining 2008 realizada en Santiago, Chile. A fin de obtener el mayor valor de las soluciones de control avanzado, Thwaites sugirió que los operadores determinen primero:
•    ¿Esta estable la alimentación?
•    ¿Están calibrados y funcionando los instrumentos?
•    ¿Tiene conocimiento de los instrumentos inalámbricos (incluyendo la vibración)?
•    ¿Está actualizado y estable su sistema de control?
•    ¿Está en control manual o automático?
•    ¿Estás actuando sus operadores actuando según las alarmas o son estas una molestia?
•    ¿Conoce y acepta su variabilidad de proceso?
•    ¿Está usted operando dentro de la expectativa de diseño y de las restricciones del proceso (bombas, ciclones, calcinadores, hornos, etc.)?
•    ¿Está usando la capacidad de sobrecarga, o se está ajustando al control de nivel?
•    ¿Está en nivel óptimo y están son robustos los controles?
•    ¿Se está beneficiando de los sistemas de gestión de activos?
•    ¿Están implementados los sistemas de detección de fallas?
•    ¿Puede hacer el mismo producto con menos consumo de energía?

A pesar que la optimización de procesos de planta específicos, vale decir, rendimiento del circuito de flotación, ley de concentrado, recuperación, etc., ha sido un foco principal para los métodos de control avanzado, el consumo/conservación de la energía está ganando importancia como otro objetivo de optimización. A veces las estrategias de control avanzado pueden cumplir ambos. En un reciente publicación del boletín informativo XPS Bulletin,3 Thwaites describió como estas metas dobles se lograron en una concentradora de níquel de Xstrata.

La molienda, indicó, es uno de los procesos más importantes y costosos en la industria de procesamiento mineral, representando a menudo alrededor de la mitad del total de los costos operacionales en los concentradores de metales base. Por consecuencia, esto ha llevado a centrarse en el desarrollo e implementación de estrategias de control y optimización de la molienda. Además, la optimización de un circuito de flotación puede reducir significativamente los costos por reactivos, maximizando al mismo tiempo las recuperaciones. El beneficio de esto en el proceso completo de extracción metalúrgica puede ser considerable.

Como un ejemplo de estos beneficios, Thwaites se refirió a una presentación hecha por Eduardo Nuñez, ingeniero de Control de Procesos XPS, en la conferencia Canadian Mineral Processors 2009, en Ottawa. Nuñez describía una nueva estrategia de control de molienda implementada en el molino Strathcona de Xstrata Nickel, la que optimizaba la operación de molienda al maximizar el rendimiento total mientras se mantiene la calidad de producto para la flotación. La estrategia de control implementada tiene el beneficio extra de mejorar la estabilidad del circuito de flotación más problemático y mejorando la eficiencia energética del molino de barras y del molino primario de bolas. De acuerdo a Nuñez, “La implementación de una nueva estrategia de control de molienda condujo a aumentos de eficiencia energética de un 7,1% y 7,5% en los molinos de barras y de bolas, respectivamente.”

Otro proyecto XPS, que involucra a la concentradora de platino Eland de Xstrata Alloys en Sudáfrica, resaltó el hecho que las mayores ganancias se pueden obtener al optimizar un sistema de control estándar antes de recurrir a técnicas avanzadas de control. Tal como explicaban los miembros del personal XPS, Jocelyn Bouchard y Martin Émond,4 la concentradora Eland se puso en servicio en Noviembre del 2007. El año 2008, XPS Process Mineralogy llevó a cabo un programa de caracterización de mineral y un programa de laboratorio recolector combinado. Un mejoramiento en las recuperaciones Pt/Pd fue identificado por la molienda secundaria más fina, y por el uso de los recolectores combinados. Luego el Control de Proceso XPS pasó a la siguiente etapa realizando un programa de optimización que abarca la operación completa del molino.

Los mejoramientos al control de proceso fueron objetivos clave del programa, y los tempranos resultados demostraron que al hacer uso de activos actuales puede obtener importantes mejoramientos a lo largo de toda la reducción de variabilidad, revelando lo que se puede lograr en un sistema de control estándar (PLC ó DCS), con resultados de intervenciones en etapas tempranas del proceso que brindan una operación más estables del circuito primario del molino de bolas. Con posterioridad a la implementación de cambios identificados por el programa de optimización en el molino Eland, se observaron importantes y sostenidas reducciones de variaciones estándar para variables claves de proceso: velocidad de alimentación del molino de bolas primario (reducción del 72%), densidad de alimentación más aproximada (reducción del 58%) y velocidad de flujo más aproximada (reducción del 47%).

Los autores indican que la optimización de los activos de las plantas no sólo requirió la correcta utilización de la capacidad del circuito, sino también de “aprovechar” los efectos positivos en etapas de procesamiento en flujo descendente. La importancia de un buen control de la molienda, por ejemplo, fue más allá de un tema de costos de energía y estado de liberación. La estabilidad de la operación y la optimización de la densidad y distribución de tamaño del producto circuito de molienda requirieron una cuidadosa consideración, y que estas influenciaron en gran medida el rendimiento de la flotación.

La mayoría de los más grandes proveedores de soluciones de control de proceso que sirven al sector minero pueden brindar una completa línea de soluciones de control para una amplia variedad de aplicaciones de proceso. Outotec, por ejemplo, ha ayudado por muchos años a sus clientes a optimizar sus circuitos de molienda proporcionándoles analizadores de tamaño de partícula y analizadores de carga de molino MillSense. Ha ampliado constantemente su portafolio y ahora ofrece una solución avanzada para molienda—incorporando una completa metodología de medir/estabilizar/optimizar—junto con mejoradas estrategias de control para flotación.

Su más reciente producto para control de flotación es el CellStation, un controlador local/terreno integrado para control de aire y nivel que es expandible y se puede conectar a DCS en toda la planta usando Profibus DP (Ethernet), eliminando la necesidad de cableado de señales de 4–20 mA. La unidad CellStation se entrega totalmente operativa, y requiere solamente una configuración mínima en terreno, y puede por lo tanto brindar una solución de control sin necesidad de costosos integradores de sistema externo.

Según Outotec, CellStation está diseñado para controlar máquinas de flotación con una a tres alimentaciones de aire separadas y un nivelador de pulpa común con una o dos válvulas de descarga de salida. La funcionalidad del sistema experto EXACT-Level de Outotec se adapta a los cambios del proceso y estabiliza el nivel de pulpa en todo el banco de celdas de flotación. El funcionamiento del controlador está definido solamente por ajustes de parámetro, y de este modo no hay necesidad de una programación personalizada.

La compañía dice que los lazos y los parámetros de control de CellStation son fáciles de configurar desde el sistema de control de la planta o desde un panel local para observar el efecto inmediato en el circuito. Los datos de proceso están disponibles para los analistas de procesos y las bases de datos a través de la conexión Profibus. Las tendencias de los datos del proceso también están disponibles para que los operadores las observen en un panel local sobre el piso de la planta.

El sistema EXACT, de acuerdo a la compañía, monitorea la línea completa de flotación y compensa alteraciones en el proceso antes que los niveles de las celdas se vean afectados. Su independencia de la configuración de la línea de flotación y su capacidad para operarlo conjuntamente con los controladores PID tradicionales permiten su fácil implementación en las concentradoras nuevas y existentes. Un componente de sintonización automática identifica parámetro de proceso en línea, haciendo que el uso y la mantención del sistema sean simples.

Extrayendo los Datos
Tal como se mencionó anteriormente en este artículo, cuando un sistema de control avanzado es instalado, es bastante normal que la planta logre un aumento inicial en su productividad mediante la optimización del proceso, seguido por un estancamiento del rendimiento. Los ingenieros y los diseñadores de software del creador de sistemas expertos KnowledgeScape están interesados en averiguar si las estrategias de los sistemas expertos pueden ser mejoradas para exprimir y obtener cada vez más de un sistema dado.

La respuesta puede encontrarse en el análisis más detenido de la gran cantidad de datos generados por los modernos sistemas de control de proceso, cuyo volumen probablemente crecerá significativamente cuando estos sistemas sean capaces de manejar una mayor entrada de datos y más variables. Sin embargo, rara vez—si acaso nunca, estos datos son analizados minuciosamente—especialmente en tiempo real, y estos representa una oportunidad perdida para idear estrategias de control más efectivas para los circuitos de molienda y flotación, por ejemplo. La extracción de datos puede proporcionar el medio para obtener valor a partir de estos datos en bruto.

El proceso de extracción de datos, según la ponencia presentada por los autores de Knowledgescape, Lynn B. Hales, Michael L. Hales, Clark D. Burbidge y Dustin T. Collinsen en SME, consta de varios pasos:
•    Limpieza de los datos—eliminar ruidos, datos incoherentes, valores atípicos;
•    Integración de los datos—combinando datos de múltiples fuentes unificando tiempos;
•    Transformación de los datos—cambiando de acuerdo a las reglas que unifican los datos o que los hacen apropiados para operaciones de extracción de datos;
•    Extracción de datos—el proceso de aplicar métodos inteligentes a los datos para extraer patrones de datos significativos;
•    Evaluación del patrón—eligiendo entre los patrones descubiertos para identificar aquellos que representan el conocimiento de los procesos fundamentales; y
•    Presentación del conocimiento—procesos de visualización para presentar al usuario el conocimiento extraído.

Los objetivos del proceso son dos, según los autores: 1) descubrimiento—“dime algo que no sepa”; y 2) predicción—el uso de un periodo de descubrimiento para predecir el futuro. Para aquellos escépticos que cuestionan cómo el análisis estadístico, empleando métodos tales como la regresión paso a paso lineal y no-lineal, promedio móviles auto-regresivos, análisis de varianzas, etc., difiere de la extracción de datos, ellos explican que “la extracción de datos es un análisis de datos altamente automatizado y rigurosamente aplicado a todos los datos disponibles de una forma totalmente exhaustiva.”

Los autores también indican que los algoritmos usados en el análisis estadístico son bastante diferentes y mucho mejores que los de hace algunos años, y concluyen que, “…tal como el control experto prometió un mejor rendimiento en la molienda y la flotación hace 20 años, mejoramientos completamente integrados y enfocados de extracción de datos para tecnologías de sistema experto prometen futuros mejoramientos en los años venideros.”

Referencias
1    L.B. Hales, M.L. Hales, C. Burbidge, D. Collins, “How to Increase Plant Performance with Artificial Intelligence and Expert Systems,” Preprint No. 09-074, SME Annual Meeting & Exhibit, 2009, Denver, Colorado.
2    Greg Martin and Steve McGare, “Optimizing the Cement Production Process Using Model Predictive Control,” Pavilion Technologies, May 2002.
3    Eduardo Nuñez, “Increasing Energy Efficiency: How Process Control Can Help,” XPS Bulletin, Issue No. 2,  2009.
4    Jocelyn Bouchard and Martin Émond, “Asset Optimization: Xstrata Alloys Eland Concentrator,” XPS Bulletin, Issue No. 3, 2009.