Instrumentacin y Sistemas de Control

en Circuitos de Procesamiento de
Minerales
INTRODUCCIN

Esta introduccin pretende dar una visin general sobre el control automtico
aplicado a procesos mineros.

OBJETIVOS DEL CONTROL AUTOMTICO

Objetivos Funcionales

Posibilitar la realizacin de tareas difciles (comandar un Molino SAG)

Rapidez de ejecucin y Coordinacin de varias acciones relacionadas Ejs.:

Planta concentradora de minerales, Nave espacial

Aumentar el beneficio econmico (aumento de produccin, mejora de

calidad, reduccin de costos)

Mejorar la confiabilidad de los sistemas; aumentar la seguridad en la

ejecucin de tareas peligrosas; mejorar las condiciones de trabajo en faenas.

Reduccin de error humano; permanente atencin sin cansancio ni

distraccin.
o Robots en tneles
o Mecanizacin de tareas en ambientes contaminados (fundiciones)
o Salas de comando y de visualizacin de informacin centralizadas
o Descargar en sistemas automticos tareas repetitivas y tediosas

Objetivos Segn Desempeo

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

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

perturbaciones.

2.- Mejorar el Desempeo de un Proceso.

Ej.: Aumentar la produccin, mejorar la calidad, aumentar la eficiencia

en el uso de insumos.

3.- Mejorar el Desempeo Econmico

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

Reduccin en la incertidumbre produce beneficios.

Mejoramiento de estndares por Automatizacin

Beneficios econmicos
Estructura Jerrquica 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, posicin,
etc.

Control de variables de segundo nivel: tamao de partculas en planta

de molienda, leyes en planta de flotacin, etc. Entrega set points a
controladores locales.

3.- Control Supervisor

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

Puede realizar optimizacin segn cifra de mrito que incluye aspectos

econmicos.

Supervigila la operacin de la instrumentacin y de los sistemas de

control y toma acciones en caso de fallas o de mala operacin.

Puesta en marcha y detencin.

 Acciones de seguridad general.

4.- Control de planta (plant Management)

Coordina la accin de las subplantas de una planta. (P. ej planta

concentradora de minerales)

Control de la cantidad de produccin.

Control de la calidad de la produccin.

Enva consignas al control supervisor.

Recibe datos y consignas de la gerencia de la empresa.

Caracterizacin de las Variables de la Planta a Controlar para Fines de su

Control

Caracterizacin de las Variables de la Planta desde el punto de vista del

CONTROL AUTOMTICO.-

Variables

Comandos (variables manipuladas).- Son variables que podemos manejar a

nuestra voluntad (dentro de ciertos lmites)
Salidas.- Son variables que interesa manejar o monitorear en la planta
 Estados.- Son variables que independizan la operacin futura de la
operacin 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

Principales Desafos para el Control

En general, cambios en el comportamiento de la planta.

Tasas de variacin en las perturbaciones: Medidas, no medidas

 Interacciones
Retardos
No linealidades
Incertidumbre en general en:

o Las caractersticas de la planta,

o Perturbaciones no medidas

o En mediciones ruidosas de variables, incluyendo el caso de

muestreo inadecuado.

Complejidad estructural
Tecnologa disponible (sistemas de procesamiento, comunicaciones, sensores,
actuadores, etc.)
Teora disponible
Disponibilidad de personal idneo para mantener el sistema en operacin
(incluyendo la mantencin del s/w y h/w)

EJEMPLO DE DESAFOS QUE PRESENTA EL CONTROL

Presencia de Perturbaciones y sus Tasas de Variacin

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 (perturbacin) en una planta

SAG como la de la figura siguiente vara lentamente, ser relativamente ms
fcil corregir el efecto que tiene esta variacin sobre el hold-up (variable
controlada) actuando sobre la alimentacin fresca de mineral a la planta
(variable manipulada), que si la perturbacin vara rpidamente

Este caso se ilustra en esta figura cuando est conectado el control PID de
hold-up.
En la figura siguiente se muestra el caso en que la perturbacin vara
rpidamente, con lo que resulta ms difcil mantener el hold-up actuando
sobre la alimentacin fresca. Tambin en este caso el control PID de hold-up
esta activado.
Efecto de No linealidad en Hold up molino SAG
Escalones en la alimentacin 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 caracterstica esttica de la

planta. La figura siguiente muestra la Curva Caracterstica Esttica de
Potencia versus llenado (Carga) en un molino semiautgeno produce efectos
no lineales.

No Lineal en este contexto significa que el futuro estado de la planta est

condicionado al estado actual. Entonces, si la presin de soporte del molino
SAG es de 600 y la velocidad de alimentacin se aumenta 50 t/h, la respuesta
dinmica ser muy diferente a que si la presin 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
parti si se revierten estos cambios.

Claramente este fenmeno, contribuye a la dificultad para controlar y

optimizar los diagramas de flujo tpicos, y tambin contribuye al nivel de
rendimiento en el que estamos actualmente.

Efectos del Retardo en el Control

Si slo se usa control PID clsico, 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 razn el tonelaje se mide en la descarga de la correa.
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:
Al tratar de controlar el Nivel del pozo con el Flujo de agua agregada al pozo,
vara la Densidad.

Al tratar de controlar la Densidad con el Tonelaje de alimentacin, vara el

Nivel del pozo.

FACTORES QUE AFECTAN LA SELECCIN DE ESTRATEGIAS Y SISTEMAS DE

CONTROL
Problema del Control Automtico

Satisfacer los Objetivos de Funcionamiento a Pesar de las Perturbaciones. La

figura siguiente muestra la Estructura fundamental en general para los
sistemas de control automtico.
 Control Realimentado (feedback)

Disminuye el efecto de las perturbaciones no medidas (y tambin 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
pequeo (Cero, Mnimo).

Permite fijar las caractersticas dinmicas 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 diseo.
Control Prealimentado (feedforward)

Permite reducir o eliminar el efecto que tienen las perturbaciones medidas

sobre la variable controlada en forma ms rpida que el Control
Realimentado.

No reduce el efecto de las perturbaciones no medidas.

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

Control Realimentado-Prealimentado

Al utilizar todas las variables medidas (tanto la medicin 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 desempeo del control Realimentado. Esto es
especialmente cierto si hay una perturbacin rpida que afecta la variable
controlada.

Control en Cascada
 Una de las estrategias ms 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.

MODELOS MATEMATICOS DE PROCESOS

El Problema de la Modelacin: Determinacin de un modelo M perteneciente a

una clase de modelos CM tal que M sea la mejor representacin de un sistema,
dada una clase de seales U de entrada.

El modelo depende de:

(1) El conocimiento disponible sobre la planta (2) de la rnodelacin (Ej

esttico, dinmico) (3) La seales que estn disponibles (que se pueden o que
conviene medir) (4)

Tipos de modelos en Control:

o Modelos Fenomenolgicos

o Modelos Grises (incorporan parcialmente aspectos fenomenolgicos)

o Modelos Caja Negra

Modelos Fenomenolgicos de Plantas o Sistemas Dinmicos

1.- Balance Dinmico

Plantear las ecuaciones de balance dinmico de la planta:

o balances de masas o volmenes

o balances trmicos

o balances de fuerzas

o balances de energa

o Balances de voltajes y corrientes etc.

En la mayora de los casos el balance dinmico se puede expresar mediante un

conjunto de ecuaciones llamadas Ecuaciones de Estado.

2.- Modelo Entrada-Salida

Expresar las ecuaciones de balance en funcin 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 parmetros

o rea de estanques

o Parmetros de vlvulas

o Tasas de Flotacin

o ndice de moliendabilidad de mineral

o Volumen de molino

Modelos de Tiempo continuo

Los ms utilizados son modelos en: Ecuaciones de estado (SS) y Funcin

Transferencia (TF: con transformada de Laplace)

Modelos de tiempo discreto

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

A diferencia de los modelos construidos con ecuaciones diferenciales, su

programacin ya sea en lenguajes tales como BASIC, MATLAB, C++, etc. es casi
inmediata.

Ej: Modelos ARX

Ecuaciones

Muestreo y Retencin
Caso en que las muestras no contienen informacin suficiente como para
reconstruir la variable muestreada. Dos seales distintas pueden tener las
mismas muestras.

Caso en que las muestras ahora contienen informacin suficiente como para
reconstruir la variable muestreada, p.ej., por interpolacin. El perodo de
muestreo T est relacionado con la tasa de variacin de la variable.
 CONTROL AVANZADO

Los desafos de control como no linealidades, retardos, interacciones,

acoplamientos, parmetros variables en el tiempo, variabilidad en las
variables controladas.

Adems se deben satisfacer criterios econmicos, asociados con el

mantenimiento de las variables de proceso en sus referencias minimizando
dinmicamente (optimizacin) una funcin de coste de operacin, criterios de
seguridad y medioambientales, y de calidad en la produccin, la cual debe
satisfacer ciertas especificaciones sujetas a una demanda normalmente
variable.

Estos requerimientos han llevado al desarrollo del control avanzado que va

ms all del clsico control por realimentacin, prealimentado y cascada.

Estas tcnicas de control se pueden denominar industrialmente como APC:

Control Avanzado de Procesos.

Las dos tcnicas avanzadas ms destacadas en su aplicacin en el mbito

minero son:

o Control Experto (Fuzzy Logic)

o Control Predictivo Basado en Modelo (Control Multivariable)

Estas tcnicas pueden incluir adems las tcnicas tradicionales y el

o Control Adaptivo (Problema no lineal)

o Compensacin de retardos (Predictor de Smith)

Estas tcnicas de control tienen asociadas otras tcnicas de aplicacin ms

reciente como ser

o Redes Neuronales e

o Identificacin paramtrica

Para identificacin de modelos, identificacin 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 hbridos; por ejemplo, la estrategia de control experto

de ABB incluye tcnicas tales como ganancia variable, bloques de reglas
difusas multivariables, redes neuronales y MPC.

Estrategia para desempeo sostenido

Control Avanzado: Un enfoque sistemtico para un desempeo sostenido

 Por qu las aplicaciones APC no se mantienen en lnea?

Problemas de control regulatorio

o Falla de instrumentos

o Problemas con vlvulas

o Entonamiento deficiente

Cambios de Proceso

o Nuevas limitantes

o Objetivos de control diferentes

o Dinmicas 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

Cmo sostener una aplicacin APC?

1. Debe tener fundaciones slidas

2. Una suite de control de desempeo

Tendencias en las tcnicas de Control Avanzado

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

DeltaV Fuzzy (tan fcil como un PID)

Control de Fuzzy Logic preconfigurada

Puede reemplazar PID para la mayora de las aplicaciones

Respuesta mejorada para perturbaciones de proceso

Entonamiento rpido usando DeltaV Insight

Rpida y fcil configuracin exactamente como el PID

Fuzzy Control Results

Control Fuzzy Logic vs PID

DeltaV Predict - Model Predictive Control

 Maneja dinmicas de proceso difciles, reduce la variabilidad y protege las
restricciones.
Fcil y rpida implementacin.
Totalmente y embebido, no es necesaria integracin:

o Configuracin

o Grficos de operacin

o Histrico

Escalable y prctico modelo de control predictivo

Optimiza el proceso dentro de las restricciones

Control Adaptativo

DeltaV Neural Estimacin de Propiedades

Crea sensores virtuales para mediciones en lnea normalmente

disponibles solamente a travs de anlisis de laboratorio

Fcil de entender y usar, costo efectivo

Herramienta general de modelaje no lineal

 Conclusiones para la Aplicacin 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 participacin dedicada de profesionales de metalurgia,
operaciones e instrumentacin de planta. Adems 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 (PIDs)
La sustentabilidad, en el tiempo, de la aplicacin es fundamental.