Universidad Tcnica Federico Santa Mara Departamento

de Ingeniera Metalrgica y de Materiales

ADVANCED PROCESS
CONTROL AT COLLAHUASI
Control de Procesos Industriales
Felipe Guerrero Elias Urra

Advanced Process Control at Collahuasi
1

Resumen Ejecutivo
Compaa Minera Doa Ins de Collahuasi es un empresa productora de ctodos de cobre y
concentrado de cobre y molibdeno. Para el procesamiento de minerales sulfurados de cobre,
este se somete a una etapa de reduccin de tamao, consistente en tres lneas paralelas de
molienda primaria SAG y secundaria. Una de estas lneas posee un molino SAG de alta
capacidad, capaz que procesar el 60 % del mineral total. En vista de la importancia de este
equipo en el procesamiento mineral, se desea buscar soluciones de control avanzado para
manejar la operacin.
Es por esto que se implementacin un Control de Procesos Basado en Modelos (MPC), el cual
se basa en el uso explcito de un modelo para la prediccin de la salida del proceso a lo largo
del tiempo; se calculan las seales de control minimizando una funcin objetivo, todo esto
siendo recalculado en la medida que se incorpore un dato al sistema de control. Dentro de la
estrategia de control del molino SAG, las variables controladas corresponden a la carga a
moler, el ruido del molino, la energa utilizada, la produccin de pebbles, entre otros. Todo
esto buscando no sacrificar el tonelaje a procesar, reducir la razn de contenido de slidos en
la pulpa, y conservar la carga medida del equipo.
Las operaciones de pruebas del MPC ProfitSAG duraron 12 horas diarias, con y sin recirculacin
de pebbles, evaluando estadsticamente la evolucin en el Consumo Especfico de Energa
(CEE) y la tasa de mineral fresco alimentado. Los resultados fueron ms favorables para un
recirculacin de mineral, indicando que el controlador es capaz de lidiar con las perturbaciones
de baja freuencia y mantener el proceso dentro de los rangos establecidos. Con este MPC, el
tonelaje fresco suministrado al molino SAG aumenta en un 10 %, disminuyendo su variabilidad
en un 1,8 %. A su vez, el CEE disminuye en un 4,5 %, con una reduccin de su variabilidad de un
24 %. Gracias a los buenos resultados en el control de la molienda primera, se decide usar este
MPC en procesos unitarios como molienda secundaria, espesamiento de relaves y flotacin
rougher, obteniendo los mismos resultados favorables.
En conclusin el Controlador de Procesos Basado en Modelos es una buena herramienta para
la optimizacin en el procesamiento de minerales, quedando por potenciar una
sistematizacin y automatizacin de los criterios para determinar los cambios en sintona y
modelos dinmicos.


Advanced Process Control at Collahuasi
2

Tabla de contenidos
Resumen Ejecutivo ........................................................................................................................ 1
Introduccin .................................................................................................................................. 3
Alcance .......................................................................................................................................... 5
Desarrollo ...................................................................................................................................... 7
Control Predictivo Basado en Modelo (CPBM) ......................................................................... 7
Estrategia de control ............................................................................................................... 10
Variables del proceso y modelos dinmicos para propsitos de control ............................... 11
Implementacin ...................................................................................................................... 13
Integracin del DCS ................................................................................................................. 13
Diseo de Experimentos, Resultados y Validacin. .................................................................... 14
Aplicaciones secundarias del MPC .......................................................................................... 16
Conclusiones y recomendaciones ............................................................................................... 17
Costos y ciclo de vida .............................................................................................................. 14
Referencias .................................................................................................................................. 17


Advanced Process Control at Collahuasi
3

Introduccin
Compaa Minera Doa Ins de Collahuasi SCM (CMDIC) es una empresa productora
de concentrado de cobre, ctodos de cobre y concentrado de molibdeno, teniendo el
tercer mayor depsito de cobre del mundo. La empresa basa su operacin en la
explotacin a rajo abierto de tres yacimientos (Rosario, Ujina y Huinquintipa) ubicados
aproximadamente a 4400 metros de altura sobre el nivel del mar, situados en la
comuna de Pica, Regin de Tarapac, en el extremo norte de Chile.
En 2013 la compaa produjo 282.096 toneladas de cobre, equivalente al 5,1 % del
total producido en Chile. De ese volumen, 245.288 toneladas correspondieron a fino
contenido en concentrado y 36.808 toneladas a fino contenido en ctodos. En tanto,
su produccin de concentrado de molibdeno ascendi a 1.953 toneladas [1].
Como se aprecia en las cifras, la mayor produccin de CMDIC se basa en la obtencin
de concentrado de cobre. De acuerdo al procesamiento de minerales sulfurados que
contienen a este metal, luego de la etapa de chancado, la planta concentradora
procesa un promedio de 150.000 toneladas de mineral por da. La etapa de molienda
primaria, realizada en molinos SAG, y secundaria mediante molinos de bolas, est
compuesta de tres lneas. Sin embargo, el molino SAG de la lnea tres (L3) procesa
aproximadamente el 60 % de la carga a la planta [2].
Los productos de la molienda de las lneas 1 y 2, son enviados a tres lneas (1, 2, 3) de
flotacin rougher, mientras que el mineral molido de la L3 es derivado a las lneas A, B
y C del mismo tipo de concentracin. Para ambos, las colas producidas son enviadas a
clasificacin mediante hidrocicln (HC) cuyo overflow se enva a los espesadores de
relaves, y el underflow se somete a una flotacin scavenger para obtener un
concentrado que se adiciona a los concentrados rougher producidos anteriormente.
Luego este concentrado mediante un HC el overflow se somete a una flotacin
cleaner, y el underflow se enva a una remolienda para ser reincorporado al proceso.
Finalmente, el concentrado cleaner se somete a una segunda limpieza mediante
flotacin columnar, cuyo concentrado de cobre final es enviado a los espesadores. Las
colas de esta limpieza columnar son recirculadas a las celdas cleaner y las colas de
estas celdas son espesadas para la formacin de relaves. Un esquema de todo el
proceso de la concentracin de cobre se muestra en la Figura 1.

Advanced Process Control at Collahuasi
4


Figura 1. Diagrama planta concentradora de CMDIC.
1


1
Informacin obtenida de base de datos Gerencia Concentradora CMDIC.
Advanced Process Control at Collahuasi
5

Alcance
Dentro de la planta de concentracin de cobre de CMDIC, se desea estabilizar y optimizar las
operaciones unitarias crticas para un desempeo deseado. En una primera instancia se
desarrolla este plan de mejora en la molienda primaria, especficamente en el molino SAG de
la L3, debido a su importante carga de mineral tratado.
Con respecto al modelo SAG de la L3, este no contaba con estrategias de control con
utilizacin efectiva, por lo que la operacin estaba basada en las acciones del operador sobre
los lazos PID configurados en el DCS. Los lazos de control e instrumentacin disponibles se
aprecian en la Figura 2.

Figura 2. Lazos de control e instrumentacin molino SAG lnea 3. [2]

La necesidad de contar con herramientas de control automtico capaces de gobernar,
estabilizar, manejar restricciones y optimizar la operacin del molino SAG responsable de
alimentar al 60% de la planta concentradora. Para esto se requiere de un equipo
multidisciplinario para llevar a cabo este desafo operacional y tecnolgico. Tres tareas bsicas
se deben desarrollar por este equipo: buscar soluciones de control avanzado en el mercado, la
eleccin de alternativas disponibles y la formulacin e implementacin de estrategias de
control avanzado.
Dentro del desafo de control de un molino SAG de alta capacidad, un montn de nuevos
procesos y restricciones fsicas comparado a un molino SAG convencional. Las principales
restricciones para esta planta son [3].

Advanced Process Control at Collahuasi
6

- La produccin de pebbles no puede ser mayor a 800 tph debido a limitaciones fsicas
en las correas transportadoras.
- Una estricta matriz de ruido del molino debe ser satisfecha para asegurar la
moliendabilidad del molino. En el pasado el ruido del molino ha sido usado como
una restriccin para preservar los revestimientos y lifters internos. En este caso, un
rango de control, con un lmite superior e inferior, debe ser usado debido a la gran
cantidad de arcilla en el mineral fresco.
- El torque del motor elctrico del molino SAG debe ser introducido como una
restriccin electromecnica para preservar la continuidad de la operacin, evitando
activar el sistema de proteccin del molino que disminuye la velocidad de rotacin.

Advanced Process Control at Collahuasi
7

Desarrollo
Control Predictivo Basado en Modelo (CPBM)
El Control Predictivo Basado en Modelo (CPBM) o Model Predictive Control (MPC) es un
algoritmo de control que computa una secuencia temporal discreta de las variables
manipuladas a futuro con el objetivo de optimizar el comportamiento de la planta o proceso a
controlar [4].
Fue concebido para dar solucin al control de plantas qumicas y plantas de potencia aunque
actualmente puede encontrarse en diversas reas: metalrgica, automotriz, procesamiento de
pulpa y papel, alimentos, robtica, etc.
El control predictivo es un campo muy amplio de mtodos de control desarrollados en torno a
ciertas ideas comunes:
Uso explcito de un modelo para predecir la salida del proceso en futuros instantes de
tiempo (horizonte).
Clculo de las seales de control minimizando una cierta funcin objetivo.
Estrategia deslizante: en cada instante el horizonte se va desplazando hacia el futuro.
Por qu usar MPC? La respuesta se puede ver reflejada en diversos mbitos que se nombran
a continuacin:
Multivariable.
Minimizacin de costos.
Maximizacin del rendimiento.
Se tiene en cuenta las limitaciones fsicas en los actuadores.
Permite la operacin cerca de las restricciones.
Posee intrnsecamente compensacin por retardo.
Utilidad cuando se conocen las futuras referencias.
Tcnica particularmente atractiva para los operadores que requiere de pocos
conocimientos de control porque los conceptos son muy intuitivos y la sintonizacin
relativamente simple.
Se puede utilizar para controlar una gran variedad de procesos.
Su carcter predictivo lo hace compensar intrnsecamente los tiempos muertos.
Introduce un control anticipativo (feedforward) y de forma natural se compensan las
perturbaciones medibles.
La ley de control resultante es en general fcilmente implementable.

Advanced Process Control at Collahuasi
8

Dentro de las limitaciones que se pueden encontrar para el MPC, se encuentran los elevados
costos computacionales, aunque la potencia actual de los computadores hace que este factor
pierda importancia. Otra desventaja reside en el conocimiento cabal del proceso y del
planteamiento del modelo adecuado, debido a que un sistema muy complejo y con
demasiadas variables pude ser complicado de modelar. Bajo este mismo aspecto, la
sintonizacin del controlador puede ser difcil de lograr.
El MPC ms que un controlador concreto es una metodologa para el clculo de acciones de
control que trata de reproducir la forma de actuar que tendra un operador experto en el
control de un determinado proceso. En analoga a cmo acta un MPC, los pasos que seguira
un operador experto para conseguir controlar un proceso seran [5]:
El operador conoce bien el proceso (posee un modelo mental del mismo) y por tanto
sera capaz de predecir la evolucin dinmica de las variables del proceso. De la misma
forma el MPC usa el modelo del proceso para el clculo de predicciones de la
evolucin dinmica del mismo.
El operador puede decidir si esa evolucin es adecuada en comparacin a los objetivos
que se ha marcado y es capaz, de valorar las distintas combinaciones de las acciones
de control en un horizonte de tiempo (ley de control) en funcin del grado de
cumplimiento de unas especificaciones. El MPC tambin compara el cumplimiento de
las especificaciones mediante el uso de la funcin de coste.
Con esto el operador puede decidir cul es la mejor combinacin de acciones de
control dentro de un conjunto de posibilidades, basado en conocimientos previos del
proceso e informacin pasada y actual del mismo. Del mismo modo el MPC obtiene la
ley de control mediante la minimizacin de la funcin de coste, en la que interviene
informacin pasada y actual del estado del proceso.
Para conseguir una mayor calidad en el control, este mismo operador repetira todos
los clculos cada vez que disponga de informacin actualizada, bien sean nuevas
medidas del estado del proceso, bien conocimientos actualizados acerca del
comportamiento del proceso (informacin nueva del modelo). En el MPC, a este
concepto se le denomina horizonte mvil, resultando en la resolucin de un problema
de optimizacin (minimizacin) diferente en cada periodo de muestreo, puesto que se
incorpora nueva informacin de la evolucin dinmica del proceso.
En la Figura 3 se muestra la metodologa de prediccin planteada anteriormente y que se
describe con detalle a continuacin:
Advanced Process Control at Collahuasi
9


Figura 3. Concepto de horizonte mvil [4].

1. Predictor. Basado en el modelo del proceso, es el encargado de calcular, para cada
instante , las predicciones de la evolucin dinmica del proceso
[( |) ( |)]
2
a lo largo del horizonte de prediccin , a partir de la
informacin dinmica que se dispone hasta ese instante (medidas de las variables del
proceso y entradas pasadas hasta el instante actual ) y una ley de control postulada o
futura [(|) ( |)] a lo largo del horizonte de prediccin, tal y como se
muestra en la Figura 4.

Figura 4. Prediccin de la salida y seal de control postulada [4].

2. Funcin de coste. Las futuras acciones de control se calculan de manera que
minimicen una determinada funcin de coste. As pues, la funcin de coste asigna un
valor a cada prediccin y por tanto a cada ley de control postulada. Este valor trata de
mostrar el grado de cumplimiento de las especificaciones estticas y dinmicas

2
Es usual encontrar en el mbito del MPC la sintaxis ( |) para indicar la prediccin de la salida
para el instante postulada en el instante .
Advanced Process Control at Collahuasi
10

compatibles con las posibles restricciones de funcionamiento. Por ello, el objetivo
principal de la funcin de coste consiste en mantener la salida del proceso ( |)
lo ms cerca posible de una trayectoria de referencia ( ) que describe cmo se
desea guiar dicha salida desde su valor actual () hasta sus puntos de consigna
futuros. La funcin de coste adopta as generalmente la forma de una funcin
cuadrtica de los errores entre la salida predicha y la trayectoria de referencia.
Tambin en la mayora de los casos suele incluir algn trmino referente al esfuerzo de
control.
3. Optimizador. Debe encontrar el vector de acciones de control que ofrece el mejor
valor de la funcin de coste. Generalmente en este proceso de bsqueda, el
optimizador realiza postulados de la ley de control e iterativamente trata de acercarse
a la ley de control ptima. Adems, si la funcin de coste que se define es cuadrtica,
el modelo utilizado es lineal y no existen restricciones para ninguna seal implicada,
entonces no es posible encontrar una solucin analtica para el problema de
optimizacin. En caso contrario, es necesario utilizar, en general, un mtodo numrico
de optimizacin.
4. Horizonte mvil. Una vez calculada la secuencia de futuras acciones de control que en
ese instante hacen ptima la funcin de coste, se hace uso del concepto denominado
receding horizon. Solamente se aplica como entrada al proceso (|) la primera de
ellas, despreciando el resto, puesto que en el siguiente instante , la salida
( ) ya es conocida, y con esa nueva informacin se repiten los puntos 1, 2 y 3,
obteniendo de esta forma la seal de control ( | ) a aplicar en ese instante
(la cual no es igual a la que se haba postulado en el instante anterior ( |)
El anlisis de esta metodologa de control muestra que sea cual sea la implementacin que se
realice, cualquier control predictivo basado en modelos se puede entender como un problema
de optimizacin en cada periodo de muestreo (horizonte mvil) que consta de tres elementos
fundamentales: prediccin, funcin de coste y optimizador. Combinando distintas variaciones
de estos tres elementos fundamentales se pueden obtener un gran nmero de controladores
que formaran parte de la familia de los controladores predictivos. As pues, se puede deducir
esta diversidad, considerando que aparecern diferentes controladores, segn el tipo de
modelo del proceso utilizado, el tipo de funcin de coste utilizada y el mtodo de
optimizacin aplicado.
Estrategia de control
Las restricciones inherentes al proceso deben ser consideradas en cualquier estrategia de
control, por tanto las perturbaciones, tanto medidas como no medidas, transforman este
sistema en un problema multivariable de alta complejidad. Una estrategia de control basada
en la estabilidad y enfocada en el manejo de las restricciones y la optimizacin han sido
designadas usando un esquema de control MPC.
Por otro lado hay algunos aspectos operacionales que tambin deben ser considerados [3]:
- No sacrificar tonelaje a menos que sea estrictamente necesario. Esto da algunas
prioridades de control.
- Reducir la razn de porcentaje de slidos tanto como sea posible.
Advanced Process Control at Collahuasi
11

- Conservar la carga medida del molino entre el rango definido y el de operacin.
Debido a las dinmicas del molino SAG y las probadas rentabilidades de los procesos de
conminucin, CMDIC ha decidido usar la estrategia MPC para controlar su molino SAG ms
grande, usando la solucin MPC de Honeywell llamado Robust Multivariable Predictive Control
Technology (RMPCT) o simplemente Profit Controller.
La ecuacin (1) muestra la funcin de coste usada por el Profit Controller, el cual minimiza la
prediccin de error para calcular la trayectoria ptima de las variables controladas, tomando
en cuenta las restricciones del proceso y las limitaciones de los actuadores [3].

||( )||

(1)

Sujeto a:

(2)

(3)

(4)
Dnde:
- : es la trayectoria de respuesta ptima.
- A: Matriz de modelos dinmicos.
- Ax: Predicciones de las variables controladas.
-

: lmites mnimos y mximos de las variables controladas.

-

: lmites mnimos y mximos de las variables manipuladas (actuadores).

- : Matriz de ponderacin diagonal.
- : matriz de suma acumulada.
Variables del proceso y modelos dinmicos para propsitos de control
Tomando en consideracin el desafo de control, las variables controladas mostradas en la
Tabla 1 han sido escogidas para cumplir con los objetivos operaciones y las restricciones del
proceso. Desde el punto de vista de sistemas lineales, las variables manipuladas y las
perturbaciones variables son variables independientes y las variables controladas son
variables dependientes. Midiendo y modelando los efectos variables de la perturbacin
permite al controlador evitar violaciones de restricciones y desviaciones de los rangos
operacionales objetivos a travs del movimiento de las variables manipuladas de una forma
predictiva. Un descriptivo diagrama de bloques de la estrategia se presenta en la Figura 5.
Tabla 1. Variables de control
Variables controladas (CV) Variables Manipuladas (MV) Perturbaciones variables (DV)
W: Peso [ton] F
ff
: Alimentacin fresca de mineral [tph] F
recirc
: Pebbles recirculados [tph]
N: Ruido [%] : Velocidad del molino [rpm] F
fop
: Porcentaje de mineral fino [%]
J: Energa [KW] Sol%: Porcentaje de solidos [%]
F
pebb
: Prod. Pebbles [tph]
: torque [%]

Los modelos dinmicos usados por el controlador MPC han sido identificados
mayoritariamente usando data histrica de la operacin manual del molino. En algunos casos,
la data histrica no tena una frecuencia suficiente, por tanto fueron necesarias algunas
Advanced Process Control at Collahuasi
12

pruebas. El proceso de identificacin ha sido hecho usando modelado de algoritmos lineales
discretos.
La Figura 6 muestra los modelos dinmicos identificados para la aplicacin de control avanzado
del SAG 1011 llamado ProfitSAG. Las primeras tres columnas muestran las relaciones
dinmicas entre MV y CV; las ltimas dos columnas evidencian las relaciones dinmicas entre
DV y CV.

Figura 5. Diagrama de bloques de la estrategia de control [3].

Figura 6. Matriz de Modelos Dinmicos del ProfitSAG [3].

Advanced Process Control at Collahuasi
13

Como fue mencionado anteriormente, un objetivo de control es dar prioridad a la
alimentacin fresca de mineral cuando existen suficientes grados de libertad. Este problema
fue resuelto usando parmetros de Prioridad de Optimizacin.
Implementacin
El despliegue de este esquema de control ha sido un desafo interesante, mayormente debido
a las tareas integradoras que involucran comunicaciones OPC, funciones de programacin en
bloques C# y programacin secuencial en bloques del DCS.
Integracin del DCS
La integracin del DCS fue hecha a travs de la conectividad OPC entre el Servidor de Aspecto
ABB y la plataforma Unified Real Time (URT), usada por el ProfitSAG. Debido a los
requerimientos del control avanzado, en forma de datos de campo, se tuvo que construir
plantillas BLC (base level control) para la plataforma URT.
Los bloques funcionales del URT, programados en C#, fueron hechos para construir la capa de
integracin entre la aplicacin de control y el DCS, incluyendo una seal de vigilancia. La
interface de usuario fue implementada usando un cliente URT llamado Estacin de Operacin.

Figura 7. Interface de usuario: Suite de utilidades del operador [3].

Advanced Process Control at Collahuasi
14

Costos y ciclo de vida
Se debe asumir que un cambio en el sistema de control, tanto del molino SAG como en la
molienda secundaria y en la etapa de flotacin implicar un costo de inversin alto, no solo en
recursos fsicos (hardwares como DCS y otros) y no fsicos (softwares), sino tambin en
recursos humanos y capacitaciones para el personal para que aprendan a utilizar estos nuevos
modelos.
Por otra parte, se asume que el actual sistema de control o actual DCS (ABB600) no cumplir
con los requerimientos mnimos para procesar los datos de un MPC. Por tanto se toma la
opcin de migrar a un ABB800 con el fin de que se logre procesar la cantidad de clculos que
un MPC requiere. Esto conlleva a una inversin aproximada que bordea los US$5,000.
Respecto al ciclo de vida, basado en data histrica de nuevas inversiones y cambios para un
sistema de control, podemos estimar que ser de unos 8 a 12 aos.

Advanced Process Control at Collahuasi
15

Diseo de Experimentos, Resultados y Validacin.
La evaluacin ha sido hecha siguiendo los siguientes criterios [3].
- Para operar usando ProfitSAG 12 horas al da (un cambio al da), para asegurar la
misma calidad de mineral en la operacin manual y la automtica.
- Evaluar el rendimiento solo bajo condiciones normales de operacin, es decir:
o Velocidad de alimentacin de mineral fresco sobre 2000 tph.
o La rotacin del molino SAG por sobre 7 rpm.
- Los indicadores de rendimiento considerados para la evaluacin son el Consumo
Especfico de Energa (CEE), definido como



y las mediciones estadsticas de velocidad de mineral fresco alimentado.
- Se considerar el rendimiento con o sin retorno o recirculacin de pebbles como un
indicador de cmo el controlador lidia con perturbaciones de baja frecuencia y
mantiene al proceso en el rango.
Los resultados fueron filtrados para asegurar que la evaluacin se est haciendo bajo
condiciones normales de operacin y generan informacin verdaderamente til. Se han
utilizados histogramas para graficar los resultados y mostrar la frecuencia de ocurrencia de
cada seal de inters. Considerando la estabilidad y el rendimiento del proceso, los datos de
evaluacin han sido procesados usando dos escenarios: con y sin recirculacin de pebbles. Los
indicadores utilizados fueron la diferencia porcentual entre las medias registradas antes y
despus del uso de este control ( , lo mismo para la desviacin estndar de los datos ().
Con respecto a los resultados sin el efecto de un retorno de pebbles, se apreci que el
controlador ProfitSAG minimiz el porcentaje de slidos, dando las mejores condiciones al
proceso. El CEE fue reducido en un 2,2 % y su desviacin estndar disminuy en un 4,8 %. Se
presenci un comportamiento similar para el ruido del molino. La alimentacin de mineral
fresco se increment en un 2,3 %, con reduccin de desviacin estndar en 4 %.
Considerando el efecto de un retorno de pebbles, se puede ver que ProfitSAG mientras
operaba, los resultados fueron mejores. Esto se evidenci que el CEE se redujo en promedio un
4,5 %, y la alimentacin fresca se increment en un 10 %. Un resumen de los resultados de la
aplicacin de MPC de muestran en la Tabla 2. Resultados aplicacin de MPC en molienda SAG,
sin retorno pebbles.Tabla 2 y Tabla 4 [2].
Tabla 2. Resultados aplicacin de MPC en molienda SAG, sin retorno pebbles.
Indicador Tonelaje fresco CEE
2,3 % -2,2 %
-4,0 % -4,8 %

Tabla 3. Resultados aplicacin de MPC en molienda SAG, con retorno pebbles.
Indicador Tonelaje fresco CEE
10,1 % -4,5 %
-1,8 % -24,0 %


Advanced Process Control at Collahuasi
16

Aplicaciones secundarias del MPC
Esta mejora en la molienda SAG propici el reemplazo de los sistemas de control experto
existentes en las dos lneas de molienda primaria, y luego en los circuitos de molienda
secundaria y clasificacin. Acorde a la Tabla 4, se lograron mejoras en la estabilidad mediante
una reduccin en la variabilidad del porcentaje de slidos y presin de bateras de HC (BHC) y
el tamao de partculas del producto a flotacin.
Tabla 4. Resultados aplicacin MPC en molienda secundaria y clasificacin [2].
Indicador % slidos BHC Presin BHC %+65, #Ty
-1,3 % 0 % -4,8 %
-43,1 % -22,0 % -31,5 %

Espesamiento de relaves.
Posterior a los bueno resultados del MPC en molienda, se implementa en el proceso de
espesamiento de relaves, por lo que esta estrategia de control provoc un aumento en la
densidad de descarga del relave, con una mejora en la estabilidad del equipo en todas sus
variables.
Tabla 5. Resultados aplicacin MPC en espesamiento de relaves [2].
Indicador % slidos descarga Presin Cama Nivel Agua Clara
-1,3 % 3,6 % 4,5 %
-44,2 % -21,8 % -58,0 %

Flotacin Rougher.
Para la instauracin del MPC de control avanzado en las celdas de flotacin, se estudiaron las
lneas A, B y C de flotacin rougher en L3. Fue necesaria la implementacin de un sistema de
visin artificial para medir la velocidad de rebalse del concentrado, ya que se encontr su
potencialidad para el desarrollo mejores estrategias de control. Cabe destacar que el rebalse
es una variable con alta disponibilidad para ser medida, adems de dinmica rpida (1 [min]).
Luego de seleccionada la aplicacin para la medicin (Visiofroth, software OCS de Metso), se
revisaron las condiciones de la instrumentacin y control disponible en la etapa de flotacin,
las cuales fueron ptimas en trminos de flujo de aire forzado y espesor de espuma. Por ende,
se asegur un desempeo adecuado en la implementacin de la estrategia de control.
Con el objetivo de controlar la velocidad de rebalse de la espuma, se instaur el control en una
de las lneas para realizar las pruebas iniciales. Los resultados, acorde a la Tabla 6 arrojaron
beneficios en trminos de una efectiva flotacin, al arrojar el rebalse valores sobre el umbral
determinado. Adems, indirectamente se obtuvo una mejora en los resultados metalrgicos al
bajar el promedio de la ley de Cu en las colas. Se consideran los valores de las nueve celdas
que componen la lnea. Debido a los buenos resultados, se instalaron cmaras en todas las
celdas de flotacin de las tres lneas de L3.
Tabla 6. Resultados aplicacin MPC en flotacin rougher [2].
Indicador Ley Cu en las colas Velocidad Rebose Tiempo Celda Hundida
-12,7 % 10,0 % -13,5 %
8,1 % -16,3 % -
Advanced Process Control at Collahuasi
17

Conclusiones y recomendaciones
La implementacin del MPC en la operacin de la molienda primaria SAG, se considera exitosa
ya que prueba una solucin de alto impacto en el proceso, logrando ser sustentable en el
tiempo; su implementacin y resultados fueron alcanzados fueron visibles en un corto plazo.
Se aprecia una alta confianza en el controlador y sus acciones de control, mostrando un buen
manejo de las perturbaciones y restricciones. Alguna de las oportunidades para mejorar los
beneficios en la operacin corresponden a una sistematizacin y automatizacin de los
criterios para determinar cuando se deben realizar cambios en sintona y modelos dinmicos.
Adems se debe mejorar la forma en que los sistemas MPC auto explican su accionar, ya que
estos operan en una condicin futura no verificable inmediatamente, por lo que a vista del
operador, este sistema posee una conducta impredecible.
Como recomendaciones secundarias se sugiere extender la aplicacin del MPC a operaciones
como transporte de mineral, chancado primario, flotacin de molibdeno, etc.
Referencias

[1] Compaia Minera Doa Ins de Collahuasi, 2014. [En lnea]. Available: www.collahuasi.cl.
[2] P. Espinoza, Advanced process control at Collahuasi, de Automining , Santiago, Chile,
2012.
[3] I. Yutronic y R. Toro, Design and Implementation of Advanced Automatic Control Strategy
Based on Dymanic Models for High Capacity SAG Mill, de 42nd Annual Meeting of the
Canadian Mineral Processors, Otawa, Ontario, Canada, 2010.
[4] C. Ramos, Control Predictivo Basado en Modelos (CPBM) robusto con BDU, Universidad
Politcnica de Valencia, Valencia, Espaa, 2007.
[5] E. Camacho y C. Bordons, Model Predictive Control, London, England: Springer-Verlag,
2004.