Dentro del proceso de conminución de minerales de Cobre, la molienda SAG ha destacado como un proceso relevante que permite de una manera eficiente acortar las etapas de chancado y molienda en comparación a la molienda convencional. A la vez, los molinos SAG son unos de los equipos de mayor consumo de energía eléctrica del proceso minero, por lo que resulta indispensable que su operación sea eficiente desde el punto de vista energético. La operación eficiente de un molino SAG depende del adecuado conocimiento y manejo de las variables de control, como lo son el flujo y densidad de alimentación, la granulometría y dureza del material, la carga de bolas y la velocidad de giro, entre otras.
Estas variables inciden sobre la producción y la potencia de operación del molino, lo que determina directamente el Consumo Específico de Energía (CEE) del equipo, un indicador de su eficiencia de operación. La gran cantidad de variables que inciden en el CEE de un molino resulta en una gran dificultad para determinar si la tendencia de una variable específica podría o no influir en el aumento del CEE sobre un límite que se considere apropiado. Si el CEE se calcula en tiempo real, sólo es posible reaccionar a un aumento crítico de su valor cuando la condición ineficiente de operación ya ha sucedido, perdiéndose tiempo y energía en la normalización a una condición de mejor desempeño.
Solución Propuesta
Con el objetivo de evitar eventos donde el CEE del molino SAG sobrepase un límite o meta establecida, es necesario desarrollar un sistema predictivo capaz de anticipar el comportamiento del CEE dadas las condiciones de operación del molino. Esto requiere modelar correctamente la compleja interacción entre cada una de las variables de operación y su efecto en el CEE, tarea para lo cual resulta apropiado considerar el enfoque de modelación utilizando técnicas de Machine Learning (Aprendizaje Automático de Máquinas).
Las técnicas de Machine Learning obtienen cada vez mejores resultados en la modelación de procesos industriales. Estas técnicas permiten hacer una abstracción que favorece la modelación de procesos complejos, de difícil análisis por métodos clásicos o donde no existen modelos teóricos o analíticos que permitan explicar adecuadamente el comportamiento de un fenómeno de dicho proceso, tal como es el caso de la modelación del consumo específico de energía del molino SAG.
Es en este contexto que JHG ha desarrollado una herramienta para gestionar una operación energéticamente eficiente en molinos SAG mediante el uso de técnicas de Machine Learning.
Implementación y Resultados
Utilizando técnicas de Machine Learning, JHG ha desarrollado un modelo matemático capaz de predecir con minutos de anticipación los eventos de alto consumo específico de energía (alto CEE) de un Molino SAG. Este modelo genera alertas de forma anticipada a que el fenómeno ocurra, lo que permite a los operadores tomar acciones o ajustar los sistemas de control para evitar el incremento de consumo de energía.
El desempeño del modelo se valida con los datos de 7 días de operación de un molino SAG de 7 MWe. En el periodo de tiempo abarcado por estos datos, el molino presentó 29 eventos reales de alto CEE. De ellos, el modelo fue capaz de detectar correctamente 24 eventos, lo que le otorga un 83% de efectividad. Por otro lado, el modelo levantó en total 33 alertas, que comparadas con los 24 aciertos le otorgan una precisión de un 73%. El modelo predice correctamente los eventos de alto CEE con un promedio de 5 minutos de anticipación (con rango entre 2 y 15 minutos).
La siguiente figura ilustra cómo se observan las predicciones hechas por el modelo antes de que sucedan los eventos de alto CEE en el molino.
Los eventos de alto CEE correctamente predichos pueden ser evitados por el operador, por lo que es posible determinar el ahorro potencial que puede generar la implementación de esta herramienta. Los resultados de los 7 días de validación y su proyección anual se pueden observar en la siguiente tabla.
Conclusión
Los resultados del modelo desarrollado por JHG, evaluados en datos reales de producción de un Molino SAG, alcanzan una predicción correcta del 83% de los eventos de alto consumo específico de energía. El uso de esta herramienta en producción habría permitido detectar de forma anticipada esos eventos de alto CEE, que al evitarlos habría significado un ahorro anual proyectado de un casi un 2% del consumo total de energía eléctrica del molino SAG, equivalentes a más de 65 mil dólares.
Las herramientas de Machine Learning utilizadas por JHG pueden ser aplicadas a cualquier otro proceso del que se disponga la suficiente cantidad de datos y no sólo al ámbito energético, sino también con cualquier otro enfoque. Por ejemplo, la predicción de comportamientos anómalos o fallas, la simulación de la respuesta de un proceso complejo ante variaciones en sus entradas y el entrenamiento de personal utilizando procesos simulados.
Contacto: juansepulveda@jhg.cl