I SIMPOSIUM DE MINERIA Y CIENCIAS

AFINES

CONTROL ESTADISTICO
MULTIVARIANTE EN CIRCUITOS DE
MOLIENDA
PRESENTADO POR:
Ing. CRISTHIAN CURO LORO
MOQUEGUA PERU
2012
 RESUMEN
El trabajo consiste en investigar el efecto de
todas las variables que existen e interactan
en el proceso de molienda evaluando las
variaciones de stas y el impacto que tienen
sobre el tonelaje.

El logro del incremento del tonelaje, requiri

en principio el desarrollo de un Sensor Virtual
del % malla +65 como un variable de control
de calidad en el OverFlow.
 INTRODUCCIN
Es dar a conocer una de las principales tcnicas
multivariantes Componentes Principales, del cual
esta basado el desarrollo del SCAN. Para ello se
utiliz la tecnologa con que cuenta la Planta
Concentradora Cuajone como es el Sistema PI,
equipos de medicin de partculas en lnea (PSM),
los cuales fueron la plataforma para la generacin
de los modelos predictivos.

Con el desarrollo de los modelos predictivos se pudo

manejar las principales variables operativas del
circuito de molienda mediante un control estadstico
multivariante, el cual es una herramienta alternativa
que deja de lado el control manual de las variables
manipuladas por los operadores.
 Flow Sheet Concentradora Cuajone
MINERAL
DE MINA
CHANCADORA
SECUNDARIA
MP-1000 (3) CHANCADORA
PRIMARIA
ALMACENAMIENTO
MINERAL
FINO
ALMACENAMIENTO
CHANCADORA MINERAL
TERCIARIA
NordbergHP-700 (7)
FLOTACION ROUGHER
CELDAS OK-100 (30) OK-160 (4)

Lamas

MOLINO DE Arenas

REMOLIENDA (4) ESPESADOR DE RELAVES 425 (3)

MOLINO 16.5 x 20 (9)
HI-RATE ESPESADOR 140
(1)
MOLINO 20 x 33.5 (2)
A PLANTA
MOLINO VERTICAL (1)
LIMPIEZA
CELDAS COLUMNAS (8) SCAVENGERS COLA FINAL

Bombas de Agua Recuperada (6)

ESPESADOR DE CONC.
de Cu 160 dia (1) ESPESADOR CONC. Cu- Mo 160 Dia (1)
COLA FINAL
ATANQUES
Flotacin Rougher LEYENDA
ENVEJECIMIENTO (3)
1ra-10ma Limpieza SECADOR (2)
Conc. De Cobre MINERAL DE MINA
SECADOR FILTER (4)
A Fundicin TANQUE FILTRO CONCENTRADO
(2) FILTER LIXIVIACION (2) CONC. COBRE MOLY
DE PRESION(1) CONC. COBRE
Concentrado de Cobre (3) CONC. MOLY
Conc. Moly a Puerto Ilo
Almacenamiento COLAS
De Concentrado Flotacin Rougher (Celdas OK
-8) 300-cu.ft. (6) AGUA
LAZOS DE CONTROL MOLINO 1C
 SCAN-PI, Tests Analticos
VFA; Anlisis de Factores de Variabilidad:
Representacin estructura proceso VF Representa la direccin de

Variables (m) mxima variabilidad de los

datos de proceso

Tonelaje VFi =Funcin (Variables)

VF (n)
% Malla +65 O/F VF1 n<<m
% Slidos O/F VF2 Ortogonal:
VF3
Presin Ciclones
Amperaje Bomba Ciclones No correlacionadas
Nivel Cajn Descarga no redundantes
Contienen informacin
Potencia Motor
independiente
Aguas Alimentacin
Agua Dilucin
........ Representacin de la estructura (modelo) de los datos de proceso
VFs pueden definir patrones de comportamiento (a travs de la
definicin de lmites de control para cada VF)
TIPOS DE TCNICAS MULTIVARIANTES

El empleo de las tcnicas de anlisis

multivariante implica la necesidad de
comprobar algunos supuestos estadsticos:

a. Normalidad:
b. Homocedasticidad:
c. Linealidad:
Entre las tcnicas ms conocidas se tiene:

Regresin mltiple y correlacin mltiple.

Anlisis discriminante mltiple.
Componentes principales y anlisis factorial
comn.
Anlisis multivariante de varianza y
covarianza.
Correlacin cannica.
Anlisis cluster.
Anlisis multidimensional, y
Anlisis conjunto.
Pasos:

Definir el problema a analizar

Construir base de datos
Exploracin de los datos
Preparar datos para la modelacin
Construccin Modelo
Evaluacin Modelo
Utilizacin Modelo y anlisis
resultados
Monitoreo de modelo
Construccin de base de datos
Seleccin de datos
Eliminacin de datos irrelevantes o innecesarios o
que no cumplen con las condiciones de operacin a
analizar.
Eliminacin de outliers o datos con errores.

Preparando los datos para la modelacin

Seleccin de variables
Idealmente, basta con tomar todas las variables y
luego ir seleccionando las ms importantes (o
mejores predictores)
Es mejor hacer varios modelos distintos con una
muestra de los datos que hacer un modelo con
 Modelacin de Relaciones Causa-Efecto

El conocimiento de las propiedades fsico - qumicas de los procesos y

lazos de control existentes en la planta cobra especial relevancia a la
hora de estudiar la relacin causa - efecto.

De esta forma, puede establecerse un conjunto de variables que

permite explicar el comportamiento de otra. Las relaciones
matemticas que vinculan a la variable en estudio con su set de
variables explicativas se conoce como modelo.

Modelo de Regresin Lineal

Y = a1*X1 + a2*X2 + ... + an*Xn

La forma ms tradicional de relacionar un vector Y a partir de una
matriz X es a travs de la regresin lineal mltiple (MLR). Este
mtodo funciona cuando las variables de proceso X son
relativamente pocas, y cuando las correlaciones entre ellas son
bajas

Sin embargo, cuando X e Y tienen muchas variables (o menos

muestras que variables), y cuando las correlaciones entre las
variables son fuertes, sta tcnica falla
 TEST ANALITICOS ANALISIS
DE FACTORES DE VARIABILIDAD - VFA

ANLISIS DE FACTORES DE VARIABILIDAD (VFA)

Presin [psi] VF_1= p11 Pres + p12 Pot + p13 Temp + p14 TM + p15 Amp + p16 Fluj
Potencia [W] VF_2= p21 Pres + p22 Pot + p23 Temp + p24 TM + p25 Amp + p26 Fluj
Temperatura [C]
VF_1 VF_3= p31 Pres + p32 Pot + p33 Temp + p34 TM + p35 Amp + p36 Fluj
Tonelaje [TM]
VF_2
Corriente Bomba
VF_3
[A]
Flujo Aguas [L/seg]
Objetivos:
Mtodo:
TRANSFORMACION Reduccin
Datos son normalizados
de Variables(Cada columna de la

LINEAL
matriz
Definicin
de datos
de la
est
Pertenencia
escalada) / No Pertenencia a

un Se
Patrn
determinan
de Operacin
Ejes de mxima variabilidad
Presin [psi]
VF_1
VF_2

VF_1 VF_2

VF_2
VF_1

Potencia [W]

Temperatura [C]
Matemticamente, la descomposicin VFA para
una matriz X de datos con n muestras y k
variables (centrados y escalados
apropiadamente) es:

X = t1 VF_1T + t2 VF_2T +... + tqVF_qT

Donde q = min{n,k} y los trminos ti VF_i

estn ordenados por la cantidad de varianza
que logran explicar.

VF_1 = p11 X1 + p12 X2 + p13 X3 +

...p1k Xk
VF_2 = p21 X1 + p22 X2 + p23 X3 +
...p2k Xk
VFA descompone los datos de un conjunto de
datos en una parte de seal y en una parte de
ruido (E):

X = t1 VF_1T + ... tk VF_kT + ... taVF_aT+ E

Para cada variable de salida:

X1 = c11 VF_1 + c12 VF_2 + ... c1a VF_a +
E1
X2 = c21 VF_1 + c22 VF_2 + ... c2a VF_a +
E2

El nmero de VF que se consideran en el modelo

anterior puede elegirse de forma que la
variabilidad de la matriz E sea menor a un 10%
de la variabilidad propia de la matriz X
 TEST ANALITICOS PROYECCIN
DE ESTRUCTURAS LATENTES -
PLS
El anlisis PLS se utiliza cuando se requiere conectar la
informacin de una matriz-X de datos de entrada a un
proceso,
con una Matriz Y de datos de salida, a travs de un
modelo
lineal multivariable.

PLS extrae factores de variabilidad que, al igual que VFA,

son funciones de las variables originales. Pero PLS extrae
factores tanto de X como de Y

PLS
PLS al igual que VFA calcula componentes principales que indican la direccin
de
mxima variabilidad en la matriz X de datos, llamadas Vectores Latentes (VL),
pero
escoge para el anlisis slo aquellas cuya covarianza con la variable de
respuesta a
predecir sea mxima. As, PLS define variables latentes VLs que mejor
describen la
distribucin de datos en el espacio X y a la vez predicen de mejor manera el
valor de
la variable de respuesta en el espacio Y.

La primera VLs es la ms importante y explica la tendencia de Y. El resto de las

VLs
explica las variaciones sobre esa tendencia

-
Calculo de VL1:

VL1 mejor
correlacionado
con y

Es el componente principal que mejor describe la

distribucin de la variabilidad de la nube de puntos y a
la vez predice de mejor manera la variable de respuesta
y.
Calculo de VL1:

Grfico de la data Y observada versus su aproximacin estimada

despus del clculo del primer VL1. La dispersin de puntos
alrededor de la lnea diagonal ideal permite estimar el nivel de ajuste
del modelo PLS con el primer VL1. Comparacin entre la data Y
observada y los residuos f1 resultados despus de calcular el primer
VL1. El vector residual f1 se obtiene substrayendo a Y, y tiene una
longitud menor que el vector y, por lo que se concluye que el primer
VL explica gran parte de la variabilidad de la data y.
Calculo de VL2:

Es el componente principal que mejor describe la distribucin

de la variabilidad de la nube de puntos en forma ortogonal a
VL1 y a la vez predice de mejor manera el vector de residuos
f1.
Calculo de VL2:

Una estimacin de Y despus de dos vectores latentes, es obtenida por el clculo de

c1t1 + c2t2. Cuando la prediccin entre las variables estimada y observada de la
data Y es buena, la dispersin de los puntos alrededor de la lnea punteada es
pequea.
El vector de pesos c de la data Y, se obtiene a partir del algoritmo de NIPALS

El modelo PLS se convierte en un modelo lineal de fcil uso para

prediccin (datos normalizados):

Y1 = X1 B11+X2B12+...+XKB1K
 PLANTEAMIENTO DEL DESARROLLO DE LA TESIS

870 LPM

5200 LPM
Se trabajo con una data de 12096 datos, las cuales c
con las principales variables en el proceso de molien
Se realizo un anlisis de las variables separndolas
semanas con el objetivo de determinar los limites d
WEEK MEDIA DES. EST RANGO MINIMO MAXIMO COUNT

1 281,55 22,38 121,10 213,29 334,40 973

2 277,83 21,76 105,38 225,73 331,10 976

3 286,18 19,68 90,46 237,52 327,98 999

4 293,53 10,67 61,63 266,35 327,98 1000

5 277,75 17,66 76,81 233,00 309,81 982

6 288,89 19,62 88,85 232,24 321,08 949

7 281,33 13,43 63,57 248,07 311,64 986

8 261,05 17,35 78,05 220,94 298,99 853

9 259,75 17,61 90,07 203,63 293,70 942

10 229,52 13,41 74,78 188,40 263,18 864

La data empleada trato de captar todos los
eventos del proceso.

LIMITES DE CONTROL - X

310
300
290
TONELAJE (TM)

280
270
260
250
240
230
220
1 2 3 4 5 6 7 8 9 10
SEMANAS
MINIMO MAXIMO MEDIA Xp
Para la determinacin de los puntos fuera de
control fue necesario emplear el uso del SCAN
que cuenta con opciones que permiten captar
los datos que solo cumplen con las
condiciones del anlisis requerido
GRAFICA DE OUTLIERS DEL TONELAJE

500

400

300
TM

200

100

0
0 200 400 600 800 1000
Datos
El primer paso para la determinacin del
modelo fue eliminar los puntos outlier
mediante el Data Filtering.
 MODELOS PREDICTIVOS
TABLA N 17: TAGS DEL MOLINO 1C
Variable Tags
Tonelaje ( TMH) WIC1043-1

%Malla +65 O/F AI1103-35

%Slidos O/F D11103-35

Presin Ciclones (PSI) PI1173-01
Amperaje de Bomba ciclones (A) II1173-05
Nivel Cajn Descarga % LIC1163-01
Carga Circulante % XY1103-1
Potencia Motor (MW) JI1103-1
Agua de Alimentacin Agua Colectores (LPM) FIC1103-3
Agua de Alimentacin Agua Fresca (LPM) FIC1103-1
Agua de Alimentacin Agua Recuperada (LPM) FIC1103-2
Agua de Descarga Agua Recuperada (LPM) FIC1163-05
DATA PARA EL MODELO %MALLA +65 MOLINO 1C:
 Empleando el software Outocal
%Malla 65 5.247 9.243E - 002*' WIC1043 - 1' - 2.9*' PI1173 - 01' - 0.1335*' LIC1163 - 01'
- 5.41E - 003*' FIC1103 - 2'1.11E - 002*' FIC1103 - 3' - 525.8 * (1/' FIC1103 - 1' )

Empleando el EXCEL

%Malla 65 81.625 0.103*' WIC1043 - 1'-3.849*'PI1173 - 01'0.053*' LIC1163 - 01'

0.027*' XY1103 - 1'28.787*' JI1103 - 1'0.013*' FIC1103 - 3'-0.007*'FIC1103 - 2'

Empleando el SCAN
%Malla 65 33.587 1.1007*' DI1103 - 35'0.0174*' WIC1043 - 1'-1.3703*' PI1173 - 01'
0.0597*' LIC1163 - 01'0.2643*' JI1106 - 1'0.0097*' FIC1103 - 3'0.004*' FIC1103 - 1'
0.0004095*' FIC1163 - 05'0.000184*' FIC1103 - 2'
MODELO %MALLA+65:
MODELO PREDICTIVO
TONELAJE:
Tonelaje TMH 145.67638 0.9052418*' AI1103 - 35'2.711986*' DI1103 - 35'8.871823*' PI1173 - 01'
2.73878*' II1173 - 05'-0.2573*' XY1103 - 1'10.257077*' JI1103 - 1'0.0229*' FIC1103 - 3'
- 0.004816*' FIC1103 - 2'0.017769*' FIC1163 - 05'
 ANALISIS DE INCREMENTO DE
TONELAJE MOLINO 1C CON
APLICACIN DEL SCAN
Se tiene dos modelos generados por el SCAN
(lnea amarilla y verde) los cuales indicaban
que se poda pasar un mayor tonelaje al real
(lnea azul), fue as que se procedi a
incrementar el tonelaje de 250TMH a 255TMH
El tonelaje se increment de 250TMH a
255TMH,
haciendo uso del modelo generado en el
SCAN
DISCUSION - ANALISIS DE LOS RESULTADOS

La evaluacin del Control Estadstico

Multivariante que se realiz al Molino 1C,
mediante los modelos predictivos
generados, permiti evaluar el incremento
del tonelaje por guardia de 12h, durante un
periodo de 9 das como se muestra en la
Tabla a continuacin. Los tonelajes
mostrados son la sumatoria del incremento
del tonelaje por hora, durante dicha guardia
 INCREMENTO DEL TONELAJE

FECHA TM -12h TMD

1-sep-2006 49,4 98,9
2-sep-2006 93,2 186,3
3-sep-2006 113,0 225,9
4-sep-2006 23,1 46,2
5-sep-2006 122,6 245,2
6-sep-2006 101,1 202,2
7-sep-2006 39,3 78,5
8-sep-2006 72,8 145,6
9-sep-2006 21,6 43,1
PROMEDIO 70,7 141,3
Toneladas Mnimo 21,6 43,1
Toneladas Mximo 122,6 245,2
 CONCLUSIONES
Las primeras pruebas que sirvieron de
hiptesis a la tesis se realizaron en los
molinos de bolas 1C y 1D de 16.5 x 20. El
incremento obtenido en estas pruebas fue de
93.86 TM en un tiempo de 8h, utilizando para
ello los modelos multivariantes PLS de la
Potencia y el Tonelaje.
Para lograr el objetivo de la Hiptesis de la
Tesis: Incrementar el Tonelaje en la Molienda,
fue necesario adaptar, integrar y conciliar
diversos componentes de la tecnologa
disponible en la Planta Concentradora
Cuajone. El logro del incremento del tonelaje,
requiri en principio el desarrollo de un
Sensor Virtual del % malla +65 como un
Los modelos generados fueron el %Carga
Circulante, la informacin recolectada de las
variables de operacin del circuito de
molienda clasificacin, permiti elaborar
modelos multivariantes con el uso de la
Aplicacin SCAN, los cuales pudieron ser
ingresados de dos formas al Sistema PI:
mediante los Data Set, en forma manual y
mediante el PI ACE, en forma automtica.

Potencia, %Malla +65, %Slidos en el

OverFlow y el Tonelaje. Dichos modelos
permitieron realizar correcciones de las
desviaciones de las condiciones de la
operacin, con los cuales se logr del
incremento del tonelaje.
Para el estudio se hizo anlisis de toda una data
extrada, los cuales cumplan las condiciones de
Normalidad, Homcedasticidad y Linealidad,
requisitos para la generacin de los anlisis
multivariantes. Adems de ello se hizo uso de los
lmites de control, eliminando de esta forma
datos que ocasionaban un bajo resultado en la
capacidad del proceso.

El conocimiento del procesos y lazos de control

existentes en la planta cobr especial relevancia
a la hora de estudiar la relacin causa - efecto.
Los resultados indican que el tonelaje promedio
incrementado por da en el periodo de la prueba fue
141.3 TM, lo cual significara un incremento de 4239
hmedas en un mes de 30 das solo para el molino 1
de 33917,1 TM si se aplicase a los 8 molinos de 16.5
significando un beneficio econmico de 17774,7 US

El uso del SCAN es solo uno de los tantos software q

existe, pero es quizs el ms factible de utilizar gra
que tiene desarrollado su aplicacin en una hoja de
como es el Excel.
 RECOMENDACIONES

Es tarea de todo metalurgista contribuir al

desarrollo del pas siendo para ello
indispensable tener contacto con la tecnologa
que se aplica en las grandes empresas, como
es el caso de Cuajone.

Incursionar en temas que anteriormente

fueron solo aplicados a la medicina o a otras
ramas que no fuesen ingeniera metalrgica
como es el caso de la teora de Anlisis
Multivariante.
MUCHAS GRACIAS