UNIVERSIDAD MAYOR

FACULTAD DE INGENIERIA

ESTRATEGIAS PARA LA PUESTA EN MARCHA DE

UN SISTEMA DE CONTROL EXPERTO EN
FLOTACION DE COBRE ROUGHER
MINERA LOS PELAMBRES

Proyecto Aplicado de Titulación para Optar al Título de

Ingeniero Civil Electrónico

ROBERTO NICOLÁS DONOSO GÓMEZ

Santiago de Chile
Abril 2013
 UNIVERSIDAD MAYOR
FACULTAD DE INGENIERIA

TITULO DEL PROYECTO

ESTRATEGIAS PARA LA PUESTA EN MARCHA DE UN SISTEMA DE CONTROL
EXPERTO EN FLOTACION DE COBRE ROUGHER

Proyecto de Titulación para Optar al Título de

Ingeniero Civil Electrónico

Alumno : Roberto Donoso Gómez

Profesor Guía : Sr. Oscar Inostroza Aliaga

Ingeniero Civil Electricista

Santiago de Chile
Abril 2013
“A mi familia, Pilar, Roberto José y Carem…”
Agradecimientos

A mi familia, en especial a mis padres, quienes me alentaron y apoyaron en

momentos de tristezas y alegrías desde la niñez a la actualidad.

A la compañía que me acogió, Minera Los Pelambres, quien junto a su gran equipo
de profesionales me brindaron apoyo del punto de vista profesional y humano. Allí
descubrí el verdadero valor que hay en realizar un trabajo de excelencia.

A mi profesor guía Sr. Oscar Inostroza, quien siempre motivó y alentó mi trabajo,
entregándome herramientas y críticas constructivas para obtener los mejores
resultados.

A mis compañeros y amigos, en especial a Andrés Chacc, Sebastián Rioseco y

Alessandro Castellani, con quienes compartimos esta larga travesía llena de
emociones.

Finalmente quisiera agradecer a quien ha sido mi tutor para la realización de esta

memoria y en la actualidad sigue siendo mi guía en lo profesional y humano, el Sr.
Daniel Silva, ingeniero senior sistemas de control avanzado en Minera Los
Pelambres. Gracias a su constante apoyo he logrado objetivos que alguna vez
consideré inalcanzables.

iv
Índice General

AGRADECIMIENTOS IV

ÍNDICE GENERAL V

RESUMEN X

CAPÍTULO 1 1

INTRODUCCIÓN 1

1.1 MOTIVACIONES PERSONALES 1

1.2 EL PROYECTO 2
1.3 MARCO DE TRABAJO 3
1.4 OBJETIVO GENERAL 4
1.5 OBJETIVOS ESPECÍFICOS 4

CAPÍTULO 2 5

ANTECEDENTES GENERALES 5

2.1 DESCRIPCIÓN DEL CIRCUITO 5

2.1.1 FLOTACIÓN PRIMARIA 6
2.1.2 REMOLIENDA 7
2.1.3 FLOTACIÓN DE LIMPIEZA 8
2.1.4 FLOTACIÓN DE BARRIDO 8
2.2 SITUACIÓN INICIAL DE LA PLANTA Y DEL SISTEMA EXPERTO 8
2.3 ESTADO DEL SISTEMA DE CONTROL EN LA PLANTA DE MINERA LOS PELAMBRES 11
2.3.1 SENSOR DE NIVEL 11
2.3.2 CÁMARA 12

v
2.3.3 ANALIZADOR COURIER 14
2.3.4 FLUXÓMETRO 16
2.4 DIRECTRICES OPERACIONALES 16
2.4.1 ESTABILIZACIÓN DEL SISTEMA DE FLOTACIÓN 17
2.4.2 ESTANDARIZACIÓN DE LAS ACCIONES DE CONTROL 17
2.4.3 ÍNDICES DE CALIDAD 17
2.4.4 CENTRO DE MANDO 18
2.5 RECUPERACIÓN METALÚRGICA 18

CAPÍTULO 3 20

MARCO TEÓRICO 20

3.1 LÓGICA DIFUSA (FUZZY LOGIC) 20

3.1.1 HISTORIA 20
3.1.2 ALGUNAS APLICACIONES 21
3.1.3 LÓGICA DIFUSA VERSUS LÓGICA CLÁSICA 22
3.1.4 FUNDAMENTOS DE LA LÓGICA DIFUSA 24
3.1.5 CONJUNTOS DIFUSOS 25
3.1.5.1 UNIÓN: 27
3.1.5.2 INTERSECCIÓN: 28
3.1.5.3 COMPLEMENTO: 28
3.1.5.4 PRODUCTO CARTESIANO: 28
3.1.5.5 MODELOS DIFUSOS LINGÜÍSTICOS: 29
3.1.6 COMPONENTES DE UN MODELO DIFUSO 30
3.1.6.1 INTERFAZ DE FUSIFICACIÓN: 30
3.1.6.2 BASE DE CONOCIMIENTOS: 30
3.1.6.3 MOTOR DE INFERENCIA: 31
3.1.6.4 INTERFAZ DE DEFUSIFICACIÓN: 32
3.1.7 REGLAS DIFUSAS IF-THEN 33

vi
3.2 LÓGICA DIFUSA EN CONTROL DE PROCESOS 34
3.2.1 FUZZY LOGIC 34
3.2.2 VENTAJAS Y DESVENTAJAS DEL CONTROL FUZZY 35
3.2.3 MOTIVOS PARA USAR FUZZY LOGIC EN EL CONTROL DE PROCESOS 36
3.2.4 REGLAS FUZZY 37
3.2.5 CONTROLADOR FUZZY LOGIC 37
3.3 SISTEMAS EXPERTOS 40
3.3.1 HISTORIA 40
3.3.2 DEFINICIÓN 42
3.3.3 VENTAJAS DE LOS SISTEMAS EXPERTOS 43
3.3.3.1 CARACTERÍSTICAS ESENCIALES DE LOS SISTEMAS EXPERTOS 45
3.3.4 SISTEMAS EXPERTOS BASADOS EN REGLAS 45
3.3.5 PARTES DE UN SISTEMA EXPERTO BASADO EN REGLAS 46
3.3.5.1 LA BASE DE LOS CONOCIMIENTOS: 47
3.3.5.2 LA BASE DE DATOS: 48
3.3.5.3 EL MOTOR DE INFERENCIA: 48
3.3.5.4 EL COMPONENTE EXPLICATIVO: 48
3.3.5.5 LA INTERFAZ DE USUARIO: 49
3.3.5.6 EL COMPONENTE DE ADQUISICIÓN: 49

CAPÍTULO 4 50

METODOLOGÍA 50

4.1 ANÁLISIS DEL SISTEMA EXPERTO ROUGHER 50

4.1.1 ÁREAS DE ACCIÓN 50
4.1.2 FILOSOFÍA DE CONTROL 50
4.1.2.1 RESTRICCIONES DE LA FLOTACIÓN PRIMARIA 51
4.1.2.2 ACCIÓN DE REDUCCIÓN DE VELOCIDAD DE FLOTACIÓN 52
4.1.3 ARQUITECTURA DEL SISTEMA 53

vii
4.2 SOFTWARE UTILIZADO 56
4.2.1 OCS® 57
4.2.2 PI DATALINK® 57
4.2.3 PI PROCESSBOOK® 58
4.3 ACCESO A LAS INSTALACIONES 58
4.4 ESTUDIOS E IMPLEMENTACIÓN DE MEJORAS 59
4.4.1 INSTALACIÓN Y CALIBRACIÓN DE CÁMARAS 59
4.4.2 ANÁLISIS DE VELOCIDADES DE REBOSE 61
4.4.3 ANÁLISIS DE NIVELES EN CELDAS 63
4.4.4 DEFINICIÓN DE VELOCIDADES CARACTERÍSTICAS PARA BANCOS 65
4.4.5 ANÁLISIS DE NIVEL Y DEFINICIÓN DE NUEVOS RANGOS FUZZY PARA TK-95 67
4.4.6 INSTANCIA DE AUTO CALIBRACIÓN DE LEYES 72
4.4.7 DISCRIMINADOR DE VELOCIDADES PARA CELDAS DE UN MISMO BANCO 73
4.5 INDICADORES PARA OPERACIONES 76
4.6 VISUALIZACIÓN EN LÍNEA DE CÁMARAS 79

CAPÍTULO 5 81

RESULTADOS Y CONCLUSIONES 81

5.1 MEJORAMIENTO DE INDICADORES DE PROCESO 81

5.2 DISMINUCIÓN DE VARIABILIDAD 82
5.3 OPERACIÓN FRENTE A CONDICIONES OPERACIONALES DESFAVORABLES 85
5.3.1 ESTUDIO DE P80 87
5.3.2 ESTUDIO DE TONELAJE 88
5.3.3 ESTUDIO DE LEY DE ALIMENTACIÓN 89
5.4 AUMENTO EN LA RECUPERACIÓN DE COBRE 90
5.5 ESTADO ACTUAL DEL SISTEMA 93
5.6 CONCLUSIONES 94

viii
REFERENCIAS BIBLIOGRÁFICAS 98

PÁGINAS WEB 99

ix
Resumen
El alto crecimiento del negocio minero ha exigido la incorporación de tecnologías
para el mejoramiento de sus procesos. El ámbito del control automático juega un
papel fundamental en el mejoramiento de los niveles de producción sobretodo
cuando se opta por utilizar sistemas de control avanzado. Actualmente Minera Los
Pelambres es un referente tanto nacional e internacional en materia concerniente a la
implementación de sistemas de control avanzado, esto es debido a la estrategia de
aplicar la tecnología de forma transversal y sustentable en sus procesos.

Esta memoria de título enfoca su trabajo en implementar un sistema de control

experto en el proceso de flotación Rougher en Minera Los Pelambres. Para ello se
ha realizado el análisis de todas las variables relevantes para el buen desempeño del
proceso.

Se han considerado conceptos metalúrgicos y matemáticos (lógica difusa entre otros)

los que están fuertemente ligados con el proceso, y es debido a esto que fue
necesario trabajar con dichos conocimientos integrándolos en las estrategias de
control con el propósito de conseguir resultados exitosos.

El foco de acción involucró un levantamiento del estado de la instrumentación.

Posteriormente una evaluación de las reglas de control existentes y el estudio de la
incorporación de nuevos aspectos relevantes. Finalmente se analizó el
comportamiento del proceso para luego efectuar la sintonización del sistema de
acuerdo a él. Adicionalmente se desarrollaron indicadores con el objetivo de
proporcionar información en tiempo real de la disponibilidad y desempeño del
sistema.

Finalmente por medio de herramientas basadas en análisis estadísticos se logró

demostrar que mediante la activación del sistema se puede agregar valor al proceso
de flotación y por consiguiente impactar directamente en el negocio minero.

x
Abstract
The high growth of the mining business has required the incorporation of technologies
to improve their processes. The field of automatic control plays a key role in
improving production levels especially when you opt to use advanced control
systems. Currently “Los Pelambres” Mine Company is a nationally and internationally
leader in the field concerning the implementation of advanced control systems, this is
due to the strategy of applying technology in a transverse and sustainable way.

This document focuses its work in implementing a expert control system in the
Rougher flotation process in “Los Pelambres” Mine Company. For that purpose all the
relevant variables for the good performance of the process were analyzed.

Metallurgists and mathematical concepts have been considered (fuzzy logic etc.)
which are closely linked with the process, that’s why it was necessary to work with
such knowledge integrating it to the control strategies in order to achieve successful
results.

The scope of action involved a survey of the state of the instrumentation. Then an
evaluation of existing control rules and the study of the incorporation of new material
respects. Finally, the behavior of the process was analyzed and then the tuning of the
system was performed according to it. Also Indicators were developed with the goal
of providing real-time information of the system performance and availability.

Finally, through statistical analysis tools, the study were able to show that by
activating the system it can add value to the flotation process and therefore directly
impact in the mining business.

xi
Capítulo 1

Introducción

A continuación se mostrará el propósito de este estudio como también se mostraran

las motivaciones personales del autor para la realización de esta investigación.

1.1 Motivaciones Personales

El control automático de procesos es un área que actualmente se encuentra

fuertemente explotada en el ámbito industrial. Darle inteligencia a los procesos es
uno de los desafíos de la industria hoy en día, y la motivación del autor desde el
inicio de sus estudios de electrónica. El área de control ha alcanzado niveles
inimaginables en países industrializados, lo que a la larga los hace más competitivos
económicamente. En Chile no se está al margen de estos desafíos y en industrias
altamente rentables, como la minería, se busca el continuo mejoramiento de los
procesos.

Por otro lado una motivación que atrajo fuertemente al autor es la industria minera,
importante fuente de recursos de nuestro país. Es en ella donde se busca llegar a
altos estándares, los cuales la hacen competitiva a nivel mundial. Todo esto movido
por la creciente demanda mundial del mineral rojo. El área minera está siempre
abierta al desarrollo e implementación de nuevas tecnologías, lo que impulsó
profundamente al autor a realizar aportes en un aspecto del proceso.

Finalmente la combinación de estos dos puntos, sumados a la posibilidad brindada

por Minera Los Pelambres, hizo posible la realización de esta Memoria de Título.

1
1.2 El proyecto

Minera Los Pelambres (en adelante MLP) es una minera del Grupo Antofagasta
Minerals, ubicada en la región de Coquimbo que explota el cobre como producto
principal y como subproducto el molibdeno. Luego del proceso de molienda, para
separar el mineral valioso de la ganga utiliza una planta de flotación colectiva (de
cobre y molibdeno) en serie con una planta de flotación exclusiva para molibdeno. La
planta de flotación colectiva de MLP consta de tres etapas de flotación y una de
remolienda.

La flotación colectiva es el proceso que viene inmediatamente después de la

molienda recibiendo como entrada una mezcla de agua con roca molida (pulpa) a la
cual se le agregan algunos colectores y espumantes, los cuales reaccionan
produciendo una espuma a la que el mineral valioso se adhiere.

Este es un proceso muy complejo, ya que por un lado depende de muchas variables
y por el otro genera un entorno hostil para la instrumentación. Debido a lo anterior, el
monitoreo del sistema se convirtió en la columna vertebral del desarrollo del
proyecto, sin la cual se considera muy difícil gestionar el sistema y lograr mejoras
reales a futuro.

En el año 2006 se implementó un sistema de control experto basado en reglas y

lógica difusa. Éste sistema se instaló en la flotación primaria y mejoró la recuperación
metalúrgica en un 0,3%.

El año 2008 hubo un prolongado abandono desde mayo hasta octubre, se retomó el
uso del sistema por el resto del año pero desde comienzos de 2009 hasta la
actualidad el sistema ha estado sin uso, salvo algunas pruebas esporádicas. El
desuso fue desencadenado por el re-potenciamiento de la planta en el cual se
hicieron cambios a la instrumentación y se amplió la capacidad de molienda y de
flotación, añadiendo nuevas líneas a ambos procesos. Esto llevó a que el sistema
perdiera sintonía y se volviera inutilizable.

El re-potenciamiento de la planta concentradora (año 2009) involucró, entre otras, la

construcción de líneas de flotación colectiva adicionales. Luego de la puesta en

2
marcha dichas líneas, y después de algún tiempo de funcionamiento, surgió la idea
de implementar un sistema experto estandarizado para toda la flotación colectiva.
Para ello se hizo necesario un estudio acabado de las variables que imposibilitaron al
antiguo sistema experto con el fin de poder modificar la estrategia. Esto seria el
punto de partida para la creación de un sistema experto para las nuevas líneas de
flotación colectiva.

El desgaste de la planta y las constantes modificaciones producto del re-

potenciamiento han hecho más factible al corto plazo la incorporación de una nueva
estrategia de control para las antiguas líneas que el mejoramiento de la existente.

Finalmente este proyecto se ha enfocado en mejorar la disponibilidad y los

indicadores claves de desempeño del sistema, modificando las rutinas de control
para hacer más robusto el sistema experto y crear pantallas de monitoreo con los
principales indicadores del proceso y del sistema de control. En esta Memoria de
Título se mostrarán paso a paso las etapas de implementación del sistema cuyo
único fin es mejorar la recuperación de cobre en el proceso de flotación colectiva.

1.3 Marco de Trabajo

El trabajo se ha realizado bajo la tutela del Ingeniero Senior de Control Avanzado de

SCAPIE1, quien se encargó de realizar las capacitaciones para el uso del software
del sistema experto y de manejo de información, supervisar la intervención a equipos
informáticos y el acceso a distintitos nodos del sistema que requieren autenticación
con usuario y contraseña.

Para coordinar las modificaciones al sistema experto con el área de operaciones se

ha trabajado con un Ingeniero Metalurgista de Operaciones. Con él han discutido los
objetivos que debían cumplir el sistema experto y los indicadores de gestión. Se
discutió la redacción de nuevas reglas y se confeccionaron los manuales de
operación del sistema experto.

Para el monitoreo en línea de las condiciones del proceso en MLP existe un servidor
especialmente dedicado a estas tareas. Este servidor, llamado PI, proporciona datos

1 Superintendencia de control automático, procesos, instrumentación y electricidad.

3
en tiempo real y su manejo interno y modificaciones de tags 2 ha sido realizado por
personal especialista de la empresa de ingeniería encargada de la mantención de
dicho sistema.

La confección de indicadores y de planillas de monitoreo para su despliegue, la

programación de reglas para el sistema experto y el análisis del efecto del sistema
experto sobre la recuperación, han sido realizados exclusivamente por el autor. Para
las demás tareas se ha contado con el apoyo de los profesionales mencionados,
coordinándose los trabajos reuniones semanales en las que se discuten los avances
y los objetivos a corto y mediano plazo.

1.4 Objetivo General

Desarrollar una nueva estrategia de control experto que optimice las líneas uno a
cuatro de flotación colectiva de la planta concentradora de MLP, considerando las
nuevas condiciones existentes en la planta. Todo esto con el fin de dar mayor
robustez y confiabilidad para asegurar una disponibilidad de largo plazo, lo que se
traduce en una mayor cantidad de horas con el sistema operando.

1.5 Objetivos Específicos

1. Generar indicadores en tiempo real que permitan observar el estado de operación

de la flotación en las líneas uno a cuatro de flotación colectiva.
2. Mejorar las estrategias implementadas en el existente sistema experto para
posibilitar lo antes posible su puesta en marcha.
3. Aumentar la recuperación metalúrgica de cobre con el uso de un sistema experto
de flotación en MLP.

2 Denominación genérica de un dato almacenado en el servidor PI.

4
Capítulo 2

Antecedentes Generales

Para comprender la problemática y el campo de acción debemos comprender el

proceso y las etapas involucradas en el. En este capítulo se explicaran estos
aspectos, de modo que el lector se posicione en el mismo punto que el autor al inicio
de su proyecto.

2.1 Descripción del Circuito

La flotación colectiva (Figura 1) es el proceso que viene inmediatamente después de

la molienda y por medio de reacciones químicas que producen espuma, es posible
extraer las primeras concentraciones más altas de mineral. Este proceso consta de
tres etapas de flotación (primaria, de limpieza y de barrido) y una de remolienda; las
cuales se describen a continuación:

5
 Flotación Primaria
Cajón de Colas Primarias
Distribución

Espesador de relaves
Concentrado Primario

Concentrado colectivo
Mineral
Bomba Fino
Flotación
Cajón de
de
Salida Cola de Barrido
Limpieza

Batería de
Ciclones

Vertimill Mineral Grueso

Flotación de
Remolienda Barrido

Figura 1: Circuito de Flotación Colectiva resumido.

Fuente: Metalurgia MLP

2.1.1 Flotación Primaria

Como resultado del proceso de molienda se obtiene una pulpa (roca ínfimamente
molida mezclada con agua) y a esta se le adicionan los colectores3 y el espumante.
Esta mescla es la entrada de la flotación primaria, la cual se almacena en unos
cajones de reparto a cada línea de celdas, las que se ubican en forma escalonada y
en pendiente. Las celdas utilizadas son tipo Wemco4 con auto inyección de aire y
rotación con velocidad fija. La flotación primaria tiene ocho líneas de flotación, las
líneas de la 1 a la 4 constan de nueve celdas con 127,43 m3 de capacidad, las líneas
5 a la 8 usan celdas de 254,90 m3 de capacidad, seis celdas para las líneas 5 y 6 y
cinco para las líneas 7 y 8. En cada línea la cola de una celda es la alimentación de
la siguiente, el concentrado rebosa por el borde de las celdas y se conduce por

3
Reactivos usados para que el cobre se pegue a las burbujas
4 Principal proveedor de celdas de flotación para la minería.

6
canaletas a un cajón de salida TK-95, de donde pasa a la remolienda. El diagrama
detallado se aprecia en la Figura 2, donde se resalta cuáles son las celdas incluidas
en el lazo de control del sistema experto.

Flotación Primaria Sistema Experto

Cajón de
Distribución L4 Rougher
ST-004

L3

L2
Cajón
de
Salida
Cajón de L1 TK-95
Distribución
ST-701

L5

L6

L7
Cajón de
Distribución
ST-709
L8

Figura 2: Celdas involucradas en la flotación primaria.

Fuente: Metalurgia MLP

2.1.2 Remolienda

En la remolienda se separa, mediante una batería de ciclones 5, el material más

grueso6 y se envía a un molino vertical, donde es molido para luego ser devuelto al
TK-95. El material fino7 pasa directamente a la flotación de limpieza, o flotación
columnar.

5 Dispositivo en el que las partículas en suspensión de densidad mayor se separan de las de menor mediante
una fuerza centrífuga resultante de un flujo de agua forzado a efectuar un movimiento rotativo por diversos
medios.
6 En inglés llamado underflow.
7 En ingles llamado overflow.

7
2.1.3 Flotación de Limpieza

La flotación de limpieza consta de catorce columnas de 14 m de altura, en las que se

inyecta aire a presión para generar espuma y se rocía agua por encima para evitar el
atrapamiento de ganga entre la espuma. El concentrado columnar es el producto
final de la flotación colectiva y pasa a la planta de molibdeno para separarlo del cobre
antes de enviar el concentrado de cobre al puerto de carga8 (vía ductos
subterráneos). Las colas de la flotación columnar pasan a un circuito denominado
flotación de barrido.

2.1.4 Flotación de Barrido

La flotación de barrido consta de celdas tipo Wemco con auto inyección de aire,
similares a las de la flotación primaria. Esta etapa tiene dos líneas de flotación con
celdas de 127,43 m3 de capacidad. El concentrado de barrido va al mismo cajón de
salida que el concentrado primario, las colas de la flotación de barrido se juntan con
las colas primarias y se envían al espesador de relaves.

2.2 Situación inicial de la planta y del sistema experto

Cuando se iniciaron los trabajos en faena, en octubre de 2011 la planta se

encontraba operativa y funcionando, sin embargo el sistema experto estaba
deshabilitado y los indicadores de calidad de la operación sólo contenían información
sobre el estatus del sistema. Estos indicadores (Figura 3) no permitían un análisis de
las causas de la desactivación, la hora, ni el turno en el cual el sistema se puso fuera
de servicio. Además eran poco claros y no aportaban información del tiempo que
cada turno mantenía operativo el sistema.

8El puerto de carga para el traslado marítimo del concetrado final está ubicado en la comuna de Los Vilos,
Región de Coquimbo.

8
 Figura 3: Indicadores de estado del sistema experto.
Fuente: Sistema de Indicadores en línea MLP

El sistema experto dependía fuertemente del equipo analizador de leyes courier 9 y, a

esa fecha, no era posible el normal funcionamiento de la rutina de control debido a
que éste se encontraba con un servicio de disponibilidad limitada, por lo que no se
disponía de las medidas de las leyes de cola en las primeras cuatro líneas de
flotación primaria la totalidad del tiempo.

No existían indicadores de disponibilidad ni de restricciones operativas y las

estadísticas de utilización no incluían detalles como cuales celdas se estaban
utilizando y cuales celdas estaban limitadas por el rango de nivel determinado por el
operador. Tampoco existía un diagrama interactivo de la planta que permitiera
identificar rápidamente las condiciones de operación.

9Sistema analizador de leyes metalúrgicas en línea; proporciona en tiempo real las concentraciones de
mineral presentes en la pulpa medida.

9
Además con el afán de mejorar las mediciones de velocidad de rebose de espuma,
se estaban instalando cámaras en la totalidad de las celdas de las líneas uno a
cuatro, cabe mencionar que solo se efectuaba mediciones de velocidad en la celda
aguas debajo de cada banco. Estas instalaciones se hicieron aprovechando la
condición desactivada del sistema experto, con la idea de reforzar en un futuro las
estrategias de control.

Las lecturas del analizador courier tenían un procesamiento intermedio antes de ser
usadas por el sistema experto de flotación. El tratamiento se realizaba en una
instancia10 del OCS®11 llamada Sensores Virtuales. En ésta se filtran los datos para
excluir datos fuera de un rango específico para cada ley y cada flujo (p.ej. ley de
cobre de concentrado primario, ley de fierro de cola de limpieza, etc.). A estos datos
se les calcula la media de 30 minutos cada 2 horas y se almacena en memoria. Al
momento de llegar una nueva medida del laboratorio químico, se compara la última
media guardada con la ley de laboratorio. La diferencia entre estos datos se aplica
como una corrección a las nuevas medidas de analizador courier y si éste se
encuentra fuera de rango se usa como dato la última ley de laboratorio a la cual
también se le aplica la corrección. Las medidas granulométricas se corregían
mediante este mismo algoritmo.

Como primera tarea de este trabajo, el autor ha analizado las recuperaciones de

cobre obtenidas durante el periodo en que el sistema experto era utilizado en años
anteriores. La comparación se hizo tomando en cuenta que en un periodo, la
cantidad promedio de celdas de flotación con el sistema activo debía superar el 15%
para considerar el sistema como activo en un periodo de 6 horas. Con este análisis
se ha constatado que la activación del sistema experto conduce a una mejora en la
recuperación colectiva de la planta.

10
Instancia se denomina a una copia del programa OCS® ejecutando un archivo del sistema experto que
contiene un conjunto de módulos independientes con variables y reglas que se pueden comunicar entre sí
mediante DDE, OPC y DAO. Cada instancia cumple una función específica y ejecuta una o varias subrutinas del
sistema experto del cual forma parte.
11 Optimizing Control System, software desarrollado por Metso Minerals® para el desarrollo de sistemas

expertos.

10
También se han analizado datos y estudios realizados por ingenieros en el año 2003
cuando se hicieron las primeras pruebas con el sistema experto. Dichos estudios
arrojaron que la activación del sistema experto conllevaba a un 0,3% de aumento en
la recuperación de la flotación primaria.

2.3 Estado del sistema de control en la planta de Minera Los

Pelambres

La planta de flotación de MLP cuenta con dos sistemas de control distribuido

(Bailey®12 y DeltaV®13) que se comunican entre sí mediante servidores con
tecnología OPC14. Estos sistemas están plenamente operacionales y cuentan con
varias HMI15 que el operador usa para interactuar con los equipos y procesos de la
planta.

Los sensores de la planta reciben mantención con regularidad y se encuentran casi

siempre en buen estado. Las anomalías mas frecuentes son acumulación de
suciedad en los flotadores de los sensores de nivel por lo que las revisiones
periódicas son de gran importancia, esto es fácilmente reconocible por el operador
quien informa oportunamente a los encargados de instrumentación. A continuación
se describen los sensores más importantes para el control experto.

2.3.1 Sensor de nivel

Está compuesto de un flotador unido a un vástago, el vástago soporta un disco que

se desliza por un cilindro en el cual un sensor ultrasónico mide la altura del disco.
Éste método se utiliza para evitar el ruido producido por la espuma en el sensor
ultrasónico, ya que el flotador flota sobre la pulpa y no sobre la espuma. Requiere
mantención periódica para evitar que el flotador se sature con mineral, lo que
provocaría niveles por debajo de los reales. Además con la limpieza permanente se

12 Sistema de Control Distribuido perteneciente a la firma ABB®, líder en automatización industrial.

13 Sistema de Control Distribuido perteneciente a la firma Emerson®, basado en HART y Fieldbus.
14 Estándar de comunicación en el campo del control y supervisión de procesos industriales, basado en una

tecnología Microsoft®, que ofrece un interface común para comunicación que permite que componentes
software individuales interaccionen y compartan datos. La comunicación OPC se realiza a través de una
arquitectura cliente-servidor.
15
Human Machine Interface (interface humano máquina).

11
puede evitar que el flotador atasque en las guías, que acumule suciedad lo que nos
entregue medidas de nivel erróneas.

Sensor
Ultrasónico

Flotador
Espuma

Pulpa

Figura 4: Esquema sensor de nivel.

Fuente: Walter Eskuche O.

2.3.2 Cámara

Para medir la velocidad de rebose de espuma en los bordes de las celdas se utilizan
cámaras IP. Éstas se comunican mediante protocolo Ethernet a las estaciones de
trabajo ubicadas en la sala de servidores de la planta concentradora de MLP,
computadores que, mediante algoritmos de procesamiento de imágenes, extraen las
variables de interés (velocidad, color, tamaños de burbujas, etc.).

12
Las cámaras cumplen con estándares industriales, vienen encapsuladas y son
resistentes a humedad, salpicaduras y vibración. Se administran mediante un
explorador web, en el cual se pude ajustar la resolución de la captura de imagen y la
cantidad de cuadros por segundo del video entregado. Las cámaras cuentan con su
propia fuente lumínica integrada tipo LED y se alimentan con tensión continua de 12
V. Cada conjunto de cámaras cuenta con un gabinete en el cual se empalma a fibra
óptica multimodo la señal proveniente de la cámara, para ser canalizada a la sala de
servidores.

Durante el tiempo en que el sistema experto se encontró operando solo se contaba

con cámaras midiendo velocidad de rebose en las celdas impares de cada línea de
flotación, dado que conceptualmente el par de celdas del mismo banco debían tener
la misma velocidad. Posteriormente se comprobó que esto no se daba en la realidad,
por lo que se tomo la determinación de instalar cámaras en las celdas restantes
(quedando la totalidad de la línea con medición de velocidad en sus celdas). Como
instrumento de medición, los principales problemas que presentan estos equipos no
tienen relación directa con su propio funcionamiento, dado que las cámaras en
similares condiciones de luz y ubicación entregan datos objetivos a lo largo del
tiempo. El principal problema impedimento para una medición fiable de estos equipos
es la acumulación de restos de pulpa seca en los labios de rebose de las celdas de
flotación. Estos restos ubicados en el área de visión de la cámara nos generan
mediciones de velocidad de rebose por debajo de los valores reales para la celda,
esto debido a que por el resto de la celda si tenemos velocidades altas. Es de suma
importancia la limpieza de estos labios para obtener velocidades de rebose
homogéneas en todo el borde de la celda.

Actualmente se esta trabajando en la instalación de bordes plásticos en los labios de

las celdas. Estos tienen la particularidad de tener menor coeficiente de adherencia lo
que mantendría los bordes limpios y posibilitaría mediciones objetivas.

13
 Figura 5: Cámara IP para medición de velocidad.
Fuente: Autor para Minera Los Pelambres

2.3.3 Analizador Courier

Es un analizador de fosforescencia de rayos X que detecta los porcentajes de cobre,

molibdeno y fierro (leyes mineralógicas) presentes en la pulpa de mineral. El
analizador courier se puede programar para analizar secuencialmente hasta doce
flujos distintos.

Cada flujo es conducido mediante cañerías impulsado por bombas especiales o por
gravitación desde el cortador. En la Figura 6 se puede ver el esquema general de
conexión, partiendo en el cortador (extremo izquierdo), desde donde la muestra pasa

14
al multiplexor (parte superior). El multiplexor toma ordenadamente las muestras de
los distintos flujos y las canaliza al equipo de medición.

En algunos casos estos flujos se embancan o fallan las bombas de muestreo por lo
que la medida no está siempre disponible.

Este es y ha sido uno de los principales motivos por los que el sistema experto ha
tenido una disponibilidad limitada, dado que las leyes medidas por este equipo son
variables críticas para el control del proceso.

Debido a que la confiabilidad y disponibilidad de este equipo es limitada, se deben

implementar algoritmos de validación de datos. Estos algoritmos están incluidos en
una instancia especialmente dedicada a esta labor, la cual analizaremos mas
adelante.

Figura 6: Conjunto cortador de muestras, multiplexor y analizador de Courier.

Fuente: Outotec®
15
2.3.4 Fluxómetro

Para las mediciones de flujo de aire y agua de la flotación de limpieza se utilizan

fluxómetros del tipo tubo de Pitot. Este instrumento mide la presión total y la
presión estática y luego calcula la velocidad usando la ecuación de Bernoulli de la
forma mostrada en la ecuación (2.1), la densidad es un dato conocido.

( )
√ (2.1)

Este sensor es muy delicado y tiende a fallar debido a que el agua y el aire utilizado
contienen impurezas y éstas se acumulan y distorsionan la medición del sensor.
También a este sensor se le realizan mantenciones periódicas para evitar las
mediciones erróneas.

Presión
Total

Presión
Estática

Flujo Flujo

Figura 7: Tubo de Pitot usado para medir flujo de aire y agua.

Fuente: Walter Eskuche O.

2.4 Directrices Operacionales

La base para las intervenciones en los sistemas de control se sustentan en una serie
de directrices estratégicas definidas por la empresa. Estas son ampliamente

16
aplicadas para los distintos procesos que se llevan a cabo en la minera y se resumen
en los siguientes puntos:

2.4.1 Estabilización del sistema de flotación

Para liberar carga de trabajo a los operadores y asegurar que las metas de
producción no se vean truncadas por emergencias en la operación, es primordial que
el proceso de flotación opere dentro de los márgenes operacionales prestablecidos.
Estos márgenes son previamente definidos por metalurgistas, los cuales fijan los
rangos de operación normal para el proceso.

Por otro lado la disminución de la variabilidad del proceso es un punto especialmente

importante, dado que esto trae consigo resultados positivos al largo plazo en cuanto
al mejoramiento en la recuperación.

2.4.2 Estandarización de las acciones de control

La utilización de un sistema de control supervisor, tal como el sistema experto,

asegura que se apliquen consistentemente las mejores acciones de control, y que el
conocimiento experto de los especialistas quede traducido en reglas de control. Por
esto las modificaciones más importantes han debido ser revisadas con los
especialistas en operación de la planta.

2.4.3 Índices de calidad

Para poder tomar decisiones importantes es necesario tener información relevante.

Por ello se ha definido que el sistema de monitoreo de la flotación debe incluir
índices de calidad, confiabilidad y disponibilidad (relacionados con la utilización del
sistema, las mediciones de leyes, granulometrías, niveles, flujos, etc.) para darle
continuidad operacional al proceso y al sistema experto.

Además esto permite, por otro lado, medir el desempeño del sistema. Esto dado a
que de esta manera podemos ver las condiciones de los pilares fundamentales que
determinan el funcionamiento del sistema experto.

17
2.4.4 Centro de mando

Para poder gestionar de manera adecuada el sistema experto es prerrequisito tener

una interfaz gráfica con estadísticas de las variables críticas y pantallas de operación
con el estado de los equipos más importantes que muestre en forma clara y precisa
la información clave para la toma de decisiones.

2.5 Recuperación metalúrgica

La recuperación metalúrgica es un término muy usado en el ámbito operacional y es

también el índice por el cual se puede medir la calidad del proceso de flotación.

Este índice se puede definir como la relación entre la cantidad de cobre contenida en
el concentrado y la contenida en la alimentación de la flotación se llama recuperación
metalúrgica. Es muy importante para la operación de la planta conocer este dato y
que sea lo más alto posible. Una recuperación ideal significaría que todo el cobre
contenido en el mineral fresco sea traspasado al concentrado de cobre y las colas
del proceso no contengan ni un gramo del mineral rojo.

La concentración de cobre del mineral fresco se aumenta mediante la flotación,

obteniendo una mayor ley de cobre en el material procesado. Sin embargo, hay
pérdidas. No todo el cobre sale a flote en la espuma y parte de él es arrastrado en
las colas hacia los relaves.

La recuperación se puede calcular a partir de las leyes de los flujos de entrada y de

salida según la ecuación (2.2), donde f es el la ley de cobre de la alimentación y c y
t son las leyes de cobre del concentrado y de la cola, respectivamente.

( )
(2.2)
( )

La recuperación metalúrgica de un circuito de flotación es su principal índice de

calidad, indica la eficiencia del proceso y el propósito de cualquier sistema de control
para flotación será siempre aumentar la recuperación, porque es la variable que va
más de la mano con la producción de este proceso.

18
La medida de recuperación en MLP se obtiene por análisis de laboratorio y se
entrega cada 24 horas. El equipo analizador courier también puede hacer una
aproximación de la recuperación, pero su confiabilidad es baja debido a que depende
de muchos flujos (seis para la flotación primaria de las líneas 1 a la 4, doce si se
considera toda la flotación primaria) y esto aumenta la posibilidad de una falla en la
medida.

La recuperación de cobre se ve afectada por un gran número de variables, las de

interés son: la ley de cobre de la alimentación, la dosis de reactivos añadida, la
distribución granulométrica, la mineralogía, el porcentaje de sólidos, el tiempo de
residencia, la cantidad de aire inyectado, el agua de limpieza, el tipo de celdas
usado, el pH y el estado mecánico de la planta.

De las variables mencionadas la mayoría depende de etapas anteriores del proceso

minero (la extracción, el chancado y la molienda), otras dependen del diseño original
de la planta y de la rigurosidad de la mantención realizada y en MLP la adición de
reactivos no está incluida en el lazo de control del sistema experto.

Dado lo anterior son tres las variables que realmente se pueden manipular por el
sistema experto. En la flotación primaria el tiempo de residencia del material es la
única variable manipulada y en la flotación de limpieza se puede manipular, además,
el flujo de aire y el de agua de limpieza.

El tiempo de residencia se manipula variando la velocidad superficial de espuma, la

velocidad depende del nivel de pulpa de la celda y éste a su vez se controla con el
porcentaje de apertura de los tapones de salida de cada banco16.

Por su parte, el flujo de aire y de agua de la flotación de limpieza se controla con la

apertura de válvulas y se mide con fluxómetros. El nivel de pulpa se manipula de la
misma manera que en la flotación primaria.

16 Sección de una línea de flotación compuesta por una o más celdas al mismo nivel.

19
Capítulo 3

Marco Teórico

El fundamento teórico que comanda la esencia de los sistemas de control avanzado

que se utilizaran está ligado a la lógica difusa. En el siguiente capítulo se ahondará
en el tema, explicando sus bases y demostrando por qué es tan útil para este tipo de
procesos.

3.1 Lógica Difusa (Fuzzy Logic)

3.1.1 Historia

Parece que la Lógica Difusa es algo reciente y en lo que se lleva trabajando poco
tiempo pero sus orígenes se remontan a los tiempos de los filósofos Aristóteles y
Platón. Ellos son los primeros en considerar que las cosas no tienen porqué ser de
un cierto tipo o dejar de serlo, sino que hay una escala intermedia entre los dos
extremos. Es más son los pioneros en considerar que existían diferentes grados de
verdad y falsedad.

Después de éstos, en el siglo XVIII, David Hume e Immanuel Kant continuaron

pensando estas ideas. Hume creía en la lógica del sentido común y Kant pensaba
que sólo los matemáticos podían proveer definiciones claras y que por lo tanto había
principios contradictorios que no tenían solución. En conclusión, ambos detectaron
algunos principios contradictorios en la Lógica Clásica.

A principios del siglo XX, el filósofo y matemático británico Bertrand Russell divulgó la
idea de que la lógica produce contradicciones. En 1920 Jan Lukasiewicz, desarrolló
la primera lógica de vaguedades. Para él los conjuntos tienen un posible grado de
pertenencia con valores que oscilan entre 0 y 1, y en este intervalo existen un
número infinito de valores. Pero quien puede llamarse el padre del término “difuso”
fue a Lofti Asier Zadeh, ingeniero eléctrico iraní nacionalizado en Estados Unidos,

20
quien en 1965 publicó “Fuzzy Sets” (Conjuntos Difusos) y tres años más tarde "Fuzzy
Algorithm".

La intención de Zadeh era la creación de un formalismo para manejar de forma más

eficiente la imprecisión del razonamiento humano. Es en 1971, cuando realiza la
publicación de "Quantitative Fuzzy Semantics" en donde aparecen los elementos
formales que dan lugar a la metodología de la Lógica Difusa y de sus aplicaciones tal
y como se conocen en la actualidad.

A partir de 1973, con la teoría básica de los controladores borrosos de Zadeh,

principalmente en Japón, comenzaron a indagar más profundamente en las posibles
aplicaciones usando lógica difusa. En 1987, Hitachi usa un controlador fuzzy para el
control del tren de Sendai y es en 1993 en Fuji donde por primera vez se aplica la
Lógica Difusa para el control de inyección química en plantas depuradoras de agua
en Japón, fue aquí donde mas apogeo tuvo la lógica difusa y desde donde se da
inicio al mayor crecimiento de las aplicaciones, principalmente en el control
automático de procesos.

3.1.2 Algunas aplicaciones

Con el pasar de los años el control difuso ha sido aplicado con éxito en diversas
ramas tecnológicas, por ejemplo en metalurgia, robots para la fabricación, controles
de maniobras de aviones, sensores de imagen y sonido (sistemas de estabilización
de imagen en cámaras fotográficas y de video Sony, Sanyo y Cannon), lavadoras
(Panasonic y Bosch) que son capaces de autorregular la cantidad de jabón
dependiendo del grado de suciedad de la ropa, aire acondicionado (Mitsubishi) en el
que el sistema fuzzy evita las oscilaciones entre el exceso y el defecto de
temperatura, rice-cooker capaces de elaborar diversas variedades de arroz
regulando la cantidad de agua y la temperatura en cada caso para que el grano
quede cocido y suelto.

En automoción, sistemas de frenado ABS (Mazda y Nissan), cambio automático de

Renault, control automático de velocidad que controla la frenada en casos peligrosos
y selecciona la relación de marchas a partir del rendimiento del motor,

21
climatizadores, lavaplatos (ajusta el ciclo de lavado y enjuague a partir del número de
platos y cantidad de comida adherida), ascensores (reduce el tiempo de espera a
partir del número de personas), humidificadores (ajusta el contenido de humedad a
las condiciones de la habitación), mejoras en imágenes médicas (ajustando el
contraste en los bordes), sistemas de reconocimiento de escritura, hornos
microondas (establece y afina el programa de energía y cocción), neveras (establece
los tiempos de descongelación y enfriamiento en función del uso que se haga),
mecanismos de atraque automático de naves espaciales, sistemas automáticos de
regulación de la cantidad de anestesia que se suministra a pacientes en un quirófano
(bajo supervisión médica), etc.

Estas son algunas de las muchísimas aplicaciones que tiene la lógica difusa, que
actualmente esta presente en la vida cotidiana y que ya están funcionando en el
campo de los sistemas expertos17.

3.1.3 Lógica difusa versus lógica clásica

La lógica difusa permite tratar con información que no es exacta o con un alto grado
de imprecisión a diferencia de la lógica convencional la cual trabaja con información
precisa. El problema surge de la poca capacidad de expresión de la lógica clásica.

Los conjuntos clásicos surgen de la necesidad del ser humado de clasificar objetos y
conceptos. Estos conjuntos pueden definirse como un conjunto bien definido de
elementos o mediante una función de pertenencia que toma valores de 0 ó 1 de un
universo en discurso para todos los elementos que pueden o no pertenecer al
conjunto.

Un conjunto clásico se puede definir con la función de pertenencia mostrada en la

ecuación (2.3).

( ) { (3.3)

17 Sistemas que utilizan información, esencialmente imprecisa con el fin de lograr sus cometidos.

22
La necesidad de trabajar con conjuntos difusos surge del hecho que existen
conceptos que no tienen límites claros. Un conjunto difuso se encuentra asociado a
un valor lingüístico o adjetivo. En los conjuntos difusos la función de pertenencia
puede tomar valores del intervalo entre 0 y 1, y la transición del valor entre cero y
uno es gradual y no cambia de manera instantánea como pasa con los conjuntos
clásicos. Un conjunto difuso en un universo en discurso puede definirse como lo
muestra la ecuación (3.4).

{( ( )) } (3.4)

Donde ( ) es la función de pertenencia de la variable , y es el universo del

discurso. Cuando mas cerca este la pertenencia del conjunto al valor de 1, mayor
será la pertenencia de la variable al conjunto .

Una diferencia clara entre la lógica difusa se muestra en la gráfica de la Figura 8

donde se intenta explicar la altura de una persona. Acá se establece 1.80 metros
como mínimo para calificar a un hombre alto mediante lógica clásica y lógica difusa.

Figura 8: Lógica difusa versus lógica clásica.

Fuente: http://tdx.cat/tdx.cat/

23
El mundo real esta subiendo y bajando, está en continuo movimiento y cambio, esta
lleno de sorpresas. Es decir se comporta en forma desordenada (fuzzy), la lógica
difusa se maneja con éxito estas situaciones reales.

El razonamiento de la lógica clásica también llamada binaria o crisp maneja solo 1 y

0, mientras que la lógica difusa maneja todos los valores entre 0 y 1.

Figura 9: Niveles Crisp Sets y Fuzzy Sets.

Fuente: http://tdx.cat/tdx.cat/

3.1.4 Fundamentos de la Lógica Difusa

La lógica difusa se puede aplicar en procesos demasiado complejos, cuando no

existe un modelo o solución simple o un modelo matemático preciso. Es útil también
cuando se necesite usa el conocimiento de un experto que utiliza conceptos
ambiguos o imprecisos. De la misma manera se puede aplicar cuando ciertas partes
de un sistema a controlar son desconocidas y no pueden medirse en forma confiable
y cuando el ajuste de una variable puede producir el desajuste de otras. No es
recomendable usar lógica difusa cuando algún modelo matemático ya soluciona
eficientemente el problema, cuando los problemas son lineales o cuando no tienen
solución.

24
La lógica difusa maneja la incertidumbre presente en la estructura de un conjunto de
datos. Los elementos de un conjunto difuso son pares ordenados que indican el valor
del elemento y su grado de pertenencia.

3.1.5 Conjuntos difusos

Los conjuntos difusos son una extensión de los conjuntos tradicionales, con una
formulación matemática que relaje la exclusión o discriminación de la teoría de los
conjuntos clásicos, para incluir elementos de frontera.

Los conjuntos difusos deben, entonces, contener todos los elementos del conjunto
Universo que pertenecen a él “por derecho propio” (como si fuera un conjunto
normal), más otros elementos del conjunto universo que “pueden o no pueden”
incluirse en el conjunto especificado.

El lenguaje matemático es preciso, por lo tanto debe existir una estructura

matemática que formule expresiones imprecisas tales como “pueden o no pueden”.
Esta estructura se conoce como “función de pertenencia”.

La expresión coloquial “por derecho propio” corresponde a la función característica

del conjunto.

Para un conjunto difuso, se tiene que el elemento pertenece al conjunto con un

grado de pertenencia ( ), donde ( ) , -. Por lo tanto, una variable puede ser
caracterizada por diferentes valores lingüísticos, cada uno de los cuales representa
un conjunto difuso.

Por ejemplo, la velocidad puede ser caracterizada por valores lingüísticos como Bajo,
Medio y Alto, que representan una velocidad aproximadamente menor que 40 ,
-, una velocidad cercana a 55 , - y una velocidad sobre 70 , -,
respectivamente. Estos términos pueden ser conjuntos difusos con funciones de
pertenencia como las mostradas en la Figura 10.

25
 Figura 10: Funciones de pertenencia para tres tipos de velocidad.
Fuente: http://tdx.cat/tdx.cat/

Por lo tanto, si la velocidad es de 45 , -, existen grados de pertenencia 0.66,

0.33 y 0 a los conjuntos difusos Bajo, Medio y Alto respectivamente.

Aun cuando cualquier función puede ser valida para definir un conjunto difuso,
existen ciertas funciones que son más comúnmente utilizadas por su simplicidad
matemática, entre estas se encuentran las funciones de tipo triangular, mostrado en
la Figura 11, trapezoidal mostrado en la Figura 12, gaussiana y sigmoidal mostrada
en la Figura 13.

Figura 11: Función de transferencia para un conjunto difuso triangular.

Fuente: http://tdx.cat/tdx.cat/

26
 Figura 12: Función de transferencia para un conjunto difuso trapezoidal.
Fuente: http://tdx.cat/tdx.cat/

Figura 13: Formas de funciones gaussiana y sigmoidal respectivamente.

Fuente: http://tdx.cat/tdx.cat/

Dados los conjuntos difusos , con funciones de pertenencia ( )y ( )

respectivamente, se pueden definir las siguientes operaciones básicas estándar:

3.1.5.1 Unión:

La función de pertenencia de la unión de A y B se define como:

{( ( ) ( ))} (3.5)

Sin embargo esta no es la única operación posible entre conjuntos difusos para la
unión, pues una definición mas precisa es la de t-conormas18.

18 Fuller, Robert, Introduction to Neuro-Fuzzy Systems. Softcover, 2000.

27
3.1.5.2 Intersección:

La función de pertenencia de la intersección de A y B se define como:

{( ( ) ( ))} (3.6)

Dada la dualidad entre la operación de unión e intersección, igual que en el ítem

anterior, una definición más exacta es la de t-normas.

3.1.5.3 Complemento:

La función de pertenencia del complemento de A se define como:

̅( ) ( ) (3.7)

3.1.5.4 Producto Cartesiano:

Dados los conjuntos difusos ,…, con universos ,..., respectivamente, se

define el producto cartesiano como un conjunto difuso en con la siguiente
función de pertenencia:

( ) * ( ) ( )+ (3.8)

( ) ( ) ( ) ( ) (3.9)

28
 Figura 14: Operaciones básicas entre conjuntos difusos.
Fuente: http://tdx.cat/tdx.cat/

3.1.5.5 Modelos difusos lingüísticos:

Estos modelos se basan en un conjunto de reglas heurísticas donde las variables

lingüísticas de las entradas y salidas se representan por conjuntos difusos.

La Figura 15 muestra las principales componentes de un modelo difuso lingüístico:

interfaz de fusificación, base de conocimiento, motor de inferencia19 e interfaz de
defusificación.

19 Proceso de adquisición de nuevo conocimiento.

29
 Figura 15: Componentes de un modelo difuso.
Fuente: http://tdx.cat/tdx.cat/

3.1.6 Componentes de un modelo difuso

3.1.6.1 Interfaz de fusificación:

Este elemento transforma las variables de entrada del modelo (u) en variables
difusas. Para esta interfaz se deben tener definidos los rangos de variación de las
variables de entrada, así como los conjuntos difusos asociados con sus respectivas
funciones de pertenencia.

3.1.6.2 Base de conocimientos:

Contiene las reglas lingüísticas del control y la información referente a las funciones
de pertenencia de los conjuntos difusos. Estas reglas lingüísticas, tienen típicamente
la siguiente forma:

Si es y es entonces es

Donde son conjuntos difusos de las variables de entrada y , mientras es el

de la variable de salida . Existen varias formas de derivar las reglas, entre las que
se destacan las basadas en:

30
1. La experiencia de expertos:

La base de las reglas se determina a partir de entrevistas con el operador o a través

del conocimiento de la dinámica a partir de entrevistas con el operador o a través del
conocimiento de la dinámica del proceso.

2. La modelación del proceso:

Los parámetros de la base de conocimiento se obtiene a partir de datos de entrada y

salida del proceso.

3.1.6.3 Motor de inferencia:

Realiza la tarea de calcular las variables de salida a partir de las variables de

entrada, mediante las reglas del controlador y la inferencia difusa, entregando
conjuntos difusos de salida. Por ejemplo, dada una base de conocimiento con
reglas del tipo:

Si es y es entonces es

La secuencia de cálculos que realiza el motor de inferencia incluye:

Determinar el grado de cumplimiento de cada regla a partir de los grados de

pertenencia de las variables de entrada obtenidas en la etapa de fusificación, es
decir:

( ( ) ( )) (3.9.1)

Donde representa las t-normas, dado que las premisas de la reglas están unidas
por operadores AND, definidos con la intersección ( - normas) de conjuntos difusos.

31
Para cada regla se tiene una consecuencia es , que tiene asociada una función
de pertenencia . Por lo tanto, se tiene un conjunto de salida , cuya función de
pertenencia es:

( ) (3.9.2)

Donde es el grado de cumplimiento para la regla . La restricción dada por la

ecuación (3.1) se cumple usando dos tipos de métodos para la inferencia difusa, los
cuales son Clipping y Scaling20.

Para evaluar el conjunto total de reglas, se unen los conjuntos difusos resultantes
de cada regla, generándose un conjunto de salida con la siguiente función de
pertenencia:

( ) ⋃ ( ) (3.9.3)

De esta forma, se obtiene una salida difusa del controlador, con una función de
pertenencia .

3.1.6.4 Interfaz de defusificación:

Este elemento provee salidas discretas y determinísticas a partir de los conjuntos

difusos obtenidos como resultado de la inferencia.

Existen diferentes métodos de defusificación, algunos de los cuales se describen a

continuación:

1. Método del máximo:

Se elige como valor para la variable de salida aquel para el cual la función
característica del conjunto difuso de salida es máxima. En general no es un método
óptimo, ya que este valor máximo puede ser alcanzado por varias salidas.

20John Yen, Reza Langari, Fuzzy Logic: Intelligence, Control and Information, Prentice Hall, Upper Saddle
River, New Jersey 07458.1999

32
2. Centro de área:

Genera como salida el valor correspondiente al centro de gravedad de la función de

pertenencia del conjunto de salida

Es el método mas utilizado en aplicaciones de la lógica difusa a la ingeniería ya que

se obtiene una solución única, aunque a veces es difícil de calcular.

3. Método de la altura:

Se calcula para cada regla el centro de gravedad del conjunto difuso de salida y
después se calcula la salida del sistema como la media ponderada.

3.1.7 Reglas Difusas If-Then

Los conjuntos y los operadores difusos son los sujetos y predicados de la lógica
difusa. Las reglas IF-THEN son usadas para formular las expresiones condicionales
que abarca la lógica difusa:

Si es , entonces es

Donde y son los valores lingüísticos dados por los conjuntos definidos en los
rangos de los universos de discurso llamados e , respectivamente.

La parte de la regla se le llama el antecedente o premisa, mientras la parte

de la regla es la llamada consecuencia o conclusión.

Como es sabido se puede establecer un isomorfismo entre la teoría de conjuntos, la

lógica proposicional y el algebra booleana que garantiza que cada teorema
enunciado en una de ellas tiene un homólogo en las dos. La existencia de estos dos
isomorfismos nos permitirá traducir las reglas difusas a relaciones entre conjuntos
difusos y éstas a términos de operadores algebraicos con lo que podemos trabajar.

33
3.2 Lógica difusa en control de procesos

3.2.1 Fuzzy Logic

Fuzzy logic es una técnica novedosa que mejora los sistemas de diseño
convencionales con especialización en ingeniería. Puede ser considerada como una
extensión de la lógica clásica, proporciona un marco conceptual adecuado para
soportar el problema de la representación del conocimiento en un entorno de
incertidumbre e imprecisión. La representación del conocimiento en fuzzy logic se
basa en semánticas test-score (prueba-calificación).

En estas semánticas, se interpreta una proposición como un sistema de confinamiento

elástico, y el razonamiento se visualiza como la propagación del confinamiento elástico.

Usando fuzzy logic se puede evadir el uso del modelamiento matemático y los
factores complejos de su sistema pueden ser remplazados por descripciones
lingüísticas autoexplicatorias de la estrategia de control, permitiendo representar
importantes piezas de razonamiento común y calcular su factor de certeza.

Uno de los objetivos básicos de la fuzzy logic es proporcionar un marco

computacional para la representación del conocimiento e inferencia en un entorno de
incertidumbre e imprecisión. En tales entornos, es efectiva cuando no se necesita
que las soluciones sean precisas y/o se acepta tener una validez disposicional en
lugar de categórica para la conclusión. La importancia de la fuzzy logic se deriva del
hecho de que existen muchas aplicaciones en el mundo real que cumplen estas
condiciones, especialmente en el campo de los sistemas basados en el conocimiento
para la toma de decisiones y control.

El sistema fuzzy provee simplicidad notable que permite encontrar conclusiones

definitivas de información indefinida, vaga o imprecisa. En un sentido, la fuzzy logic
se parece a las decisiones hechas por los humanos trabajando una mayor
aproximación de los datos y encontrar definiciones más precisas, por lo tanto es útil
para resolver problemas con muchas aplicaciones integradas y procesamiento de
información.

34
3.2.2 Ventajas y desventajas del control fuzzy

En algunos de los siguientes sistemas la fuzzificación es necesaria o benéfica:

1. Sistemas complejos donde es difícil o imposible el modelamiento.

2. Sistemas controlados por humanos expertos.
3. Sistemas con entradas y salidas complejas y continuas.
4. Sistemas que requieren del uso de la observación humana de las entradas o se
basan en reglas.
5. Sistemas con naturaleza indefinida, como esos basados en las reglas sociales y
de comportamiento.

Ventajas

 Menor requerimiento de valores, reglas y desiciones.

 Mayor cantidad de variables observadas son evaluadas.
 Son usadas variables lingüísticas y no numéricas haciéndolo similar al
pensamiento humano.
 Relaciona entradas y salidas, sin tener que entender todas las variables,
permitiendo el diseño de un sistema mas exacto y estable.
 Permite simplicidad en la solución de problemas sencillos.
 Es posible la rápida caracterización porque el diseñador del sistema no
necesita saber nada del trabajo antes de empezar.
 Son más baratos de hacer que un sistema tradicional porque son mas fáciles
de diseñar.
 Son mas robustos.
 Ellos simplifican la representación y la adquisición del conocimiento.
 Unas pocas reglas comprenden grandes complejidades.

Desventajas

 Es difícil desarrollar un modelo de un sistema fuzzy.

35
  Aunque ellos son fáciles de diseñar y se obtiene rápidamente un prototipo que
un sistema de control convencional, los sistemas fuzzy requieren mayor
simulación y afinación después de que son puestos en operación.
 Tal vez la mayor desventaja es la tendencia cultural en favor de la precisión
matemática o los sistemas crisp y los modelos lineales de los sistemas de
control.
 Pérdida de inteligibilidad en la base del conocimiento, cuando se deja libre
para que un módulo de aprendizaje la modifique.
 Poca flexibilidad en los programas de implantación de sistemas expertos,
cuando se desea cambiar un valor particular en una regla.
 Pérdida de consistencia en la base del conocimiento cuando las reglas se
modifican individualmente a la luz de una labor de aprendizaje.

3.2.3 Motivos para usar fuzzy logic en el control de procesos

Se llaman clásicos a aquellos sistemas de control que utilizan algoritmos de control

tipo PID21. En los casos que aparecen comportamientos que no son lineales o
variaciones en el entorno, los sistemas PID nos son directamente aplicables y ha
sido necesario crear otros nuevos capaces de realizar el control en estas situaciones;
estos métodos reciben el nombre de adaptativos.

Los métodos adaptivos comparan la salida del proceso a controlar con otra ideal
proporcionada por un modelo simulado, que se toma como referencia; el resultado de
esta comparación se utiliza para ajustar los parámetros del controlador, utilizando
algoritmos que describen el comportamiento del sistema mediante leyes de tipo físico
o químico, según sea el proceso o utilizando métodos de estimación de parámetros.
En ambos casos es indispensable obtener un modelo matemático del sistema y de
una gran capacidad de cálculo.

21Proporcional Integral Derivativo, mecanismo de control por realimentación que calcula la desviación o
error entre un valor medido y el valor que se quiere obtener, para aplicar una acción correctora que ajuste el
proceso.

36
Los sistemas de control fuzzy permiten describir el conjunto de reglas que utilizaría
un ser humano que controlase el proceso, con toda la imprecisión que poseen los
lenguajes naturales y, sólo a partir de esas reglas, generan las acciones que realiza
el control. Por esta razón, también se les denomina controladores lingüísticos.

3.2.4 Reglas fuzzy

Un controlador fuzzy está formado por un dispositivo que, en un instante

determinado, recibe señales de un proceso, la elabora utilizando un conjunto de
reglas experimentales y proporciona señales de control la los actuadores; es decir,
su resultado es un conjunto de magnitudes físicas. Esta es la diferencia fundamental
con los sistemas expertos (SE) que también utilizan técnicas fuzzy: la naturaleza del
resultado.

Las acciones de control se definen mediante un conjunto de reglas del tipo If-then.

Las condiciones siempre son expresiones lógicas que relacionan variables fuzzy.

Las acciones pueden ser de dos tipos: expresiones analíticas o expresiones fuzzy.

3.2.5 Controlador fuzzy logic

El control de sistemas utilizando fuzzy logic es una de las aplicaciones más

interesantes de la teoría fuzzy, en el diseño de sistemas de control, a partir de unas
entradas se deben generar unas salidas para actuar sobre determinados
mecanismos.

La fuzzy logic comenzó a utilizarse en controladores por su simplicidad, ya que no

requiere de constructores matemáticos complejos, permitiendo en cambio diseñar
mediante la descripción del funcionamiento con lenguaje natural y facilitando las
tareas de prueba y mantenimiento del sistema. El propósito del control fuzzy logic es
realizar procesos que requieran control humano. La estrategia de control utilizada es
el control convencional PID (proporcional- integral- diferencial) cuyas funciones se
expresan en funciones matemáticas. Esta es la diferencia fundamental con el control
humano. Las estrategias de control humano son difíciles y no naturales para
expresarlas en funciones matemáticas. Por otro lado, el control fuzzy puede ser

37
usado para remplazar el pensamiento y la experiencia humana ya que puede
ejecutar un pensamiento similar, realizando un control inteligente.

Para realizar un control fuzzy, se necesita establecer relaciones fuzzy If-Then. Las
reglas If-Then usadas in el control fuzzy son llamadas reglas de control. Por medio
de estas reglas se puede aprovechar el conocimiento de los operarios quien se
entiende realmente con el funcionamiento de un sistema determinado. Después de
establecer las reglas fuzzy se puede realizar el control por razonamiento fuzzy.

Para realizar una implementación práctica utilizando fuzzy logic se deben tener en
cuenta tres principios básicos, estos son: representación del conocimiento,
razonamiento estratégico y adquisición del conocimiento. Reconocimiento que se
hace basado en las reglas, entonces la representación emitida tendrá un significado
específico de cómo reglas lingüísticas sean representadas numéricamente. El
razonamiento estratégico concierne el problema de cómo una conclusión razonable
(acción) se debe tomar respecto a una situación. La adquisición del conocimiento
trata de la emisión de cada conjunto de reglas de control a partir de la deducción.

Un controlador de fuzzy logic consta de un motor de inferencia fuzzy y un

defuzzificador, una entrada a este controlador es una señal proveniente de un sensor
que detecta un cambio en una variable de la Planta, y la salida es una señal que
controla el actuador de la planta.

Estas señales son todas de valor análogo. La salida del motor de inferencia es un
valor Fuzzy, entonces es necesario tener un defuzzificador para convertir el valor
Fuzzy a un valor análogo.

En la Figura 16 se muestra la representación de una función de membresía.

38
 Figura 16: Tipos de funciones de membresía.
Fuente: http://tdx.cat/tdx.cat/

Primero en función discreta en la que se usa un dispositivo de memoria convencional

con el cual se emplea el método de Tabla Lookup.

Cuando una entrada es aplicada al bus de direcciones el grado de pertenencia

inmediatamente aparece en el bus de datos de la memoria, esto mediante la relación
en la tabla Lookup. El tiempo de adquisición depende exclusivamente del tiempo de
acceso a la memoria. La resolución del universo de discurso (2n) determina el
número de direcciones, y el código binario m-bit del grado de la función de
membresía representa el contenido del registro.

También se presenta la versión análoga, la cual es implementada por las

características de entrada-salida de un circuito análogo llamado circuito de función
de membresía (MFC). La exactitud determina la resolución del universo de discurso
así como el grado de membresía. Mientras este circuito es compacto y logra alta
velocidad de procesamiento, no puede generar muchas formas complejas. En la
Figura 17 se muestra la estructura interna de un controlador fuzzy.

39
 Figura 17: Estructura interna de un controlador Fuzzy.
Fuente: http://tdx.cat/tdx.cat/

3.3 Sistemas Expertos

3.3.1 Historia

Los Sistemas Expertos proceden de finales de los años 50. Hacia 1957, un programa
denominado GPS (“General Problem Solver” o Solucionador General de Problemas)
fue llevado a cabo por los investigadores Alan Newel y Herbert Simon. Este
programa podía trabajar con criptografía utilizando matemáticas, también con las
torres de Hanoi y otros problemas similares a éste. Era un buen sistema pero no
podía resolver problemas del mundo real.

Fue un buen comienzo. Con este intento otros investigadores se dieron cuenta que
para poder tener mas éxito construyendo este tipo de sistemas debían restringir el
dominio del estudio a uno mas pequeño. De esta manera se le haría mas fácil
simular parte del pensamiento humano para la resolución de problemas. De estas
ideas nacen los Sistemas Expertos.

40
Mas tarde, hacia 1965, Edward Feigenbaum junto a un grupo de investigadores
comenzó a desarrollar Sistemas Expertos utilizando bases de conocimientos. Ya en
1967, construyeron lo que se conoce como el primero de ellos: DENDRAL. El
nombre del mismo viene del griego y significa “árbol”. Este era utilizado para
identificar las estructuras químicas moleculares a partir de un análisis espectro-
gráfico. En los años 70, específicamente en 1972, se comenzó el desarrollo del
sistema MYCIN. Éste era utilizado para hacer consultas y diagnósticos de
infecciones en la sangre. Basándose en análisis de sangre, cultivos de bacterias y
otros datos, el sistema podía determinar o, por lo menos, sugerir que organismo o
microbio estaba causando la infección. El mismo llegaba a una conclusión y sugería
un tratamiento el cual era basado en las características de la persona. Para esta
misma época también se desarrollaron otros sistemas como HERSAY (que fue
creado para reconocimiento de palabras halladas) y PROSPECTOR (que fue
utilizado para hallar yacimientos de minerales).

En los años 80 los Sistemas Expertos (S.E.) obtuvieron un gran auge. Al igual que
todo lo que se pone de moda, los S.E. no fueron la excepción y numerosas empresas
comenzaron a dedicar tiempo, dinero y esfuerzo para el desarrollo de S.E. En este
punto se llego a la conclusión de que el éxito de los sistemas expertos depende de la
base del conocimiento que se está utilizando. Entre todas las empresas gastaron
aproximadamente unos mil millones de dólares en investigación y desarrollo de estos
sistemas. Uno de estos sistemas fue DELTA22. Este fue in sistema desarrollado por
General Electric para la reparación de locomotoras. Además de Sistemas Expertos,
también se desarrollaron herramientas para trabajar con los mismos. Estas
herramientas son programas que contienen los componentes básicos de un Sistema
Experto, como son: el Subsistema de Adquisición de Conocimientos, la Base de
Conocimientos, el Mecanismo de Inferencia, el Subsistema de Explicación y la
Interfaz de Usuario.

22 “Diesel Electric Locomotive Troubleshooting Aid”.

41
3.3.2 Definición

Los sistemas expertos (también conocidos por sistemas basados en el conocimiento)

son una rama de la inteligencia artificial que hace un uso del conocimiento
especializado para resolver problemas como un especialista humano. Éste es una
persona que tiene experiencia desarrollada en cierta área, es decir, el especialista
tiene conocimientos o habilidades especiales que la mayoría no conoce o de las que
no dispone (el dominio de conocimiento); puede resolver problemas que la mayoría
no puede resolver, o los resuelve con mayor eficiencia (y a menor costo). El
conocimiento de los sistemas expertos puede obtenerse por experiencia o consulta
de los conocimientos que suelen estar disponibles en libros y con personas
capacitadas.

En su dominio de conocimiento el sistema experto razona o hace inferencias de la

misma forma que un especialista humano inferiría la solución de un problema (dados
unos hechos se infiere la conclusión). En la Tabla 1 podemos ver las principales
diferencias entre un sistema clásico y un sistema experto.

Sistema Clásico Sistema Experto

Conocimiento y procesamiento Base del conocimiento separada del

combinados en un programa mecanismo de procesamiento

No contiene errores Puede contener errores

No da explicaciones, los datos solo se Una parte del sistema experto la forma el
usan o escriben módulo de explicación

Los cambios son tediosos Los cambios en reglas son fáciles

El sistema solo opera completo El sistema puede funcionar con pocas

reglas

42
Se ejecuta paso a paso La ejecución usa heurística y lógica

Necesita información completa para Puede operar con información incompleta

operar

Representa y usa datos Representa y usa conocimiento

Tabla 1: Diferencias entre un sistema clásico y un sistema experto.

Los problemas que los sistemas expertos pueden tratar son muy diversos. Hay
algunos aspectos generales que se presentan a lo largo de todos estos diferentes
campos. Pero también resultan ser poderosas técnicas que pueden se definidas para
clases específicas de problemas. En la Tabla 2 se muestra el uso que se da a los
sistemas expertos, para resolver problemas de acuerdo a distintas categorías.

Categoría Tipo de problema Uso

Deducir situaciones a partir de Análisis de imágenes,

Interpretación datos observados reconocimiento del habla,
inversiones financieras

Inferir posibles consecuencias Predicción meteorológica, previsión

Predicción
a partir de una situación. del tráfico, evolución de la bolsa

Deducir fallos a partir de sus Diagnóstico médico, detección de

Diagnóstico
efectos fallos en electrónica

Tabla 2: Clases de problemas que puede manejar un sistema experto.

3.3.3 Ventajas de los Sistemas Expertos

Los sistemas expertos tienen varias características atractivas respecto a los expertos
humanos:

43
 Mayor disponibilidad: La experiencia esta disponible para cualquier ordenador
sobre el cual funcione nuestro sistema; el sistema experto es una producción
masiva de experiencia.
 Costo reducido: El costo de poner la experiencia a disposición del usuario se
reduce de manera considerable.
 Peligro reducido: Los sistemas expertos pueden usarse en ambientes que
podrían ser peligrosos para un ser humano.
 Permanencia: La experiencia es permanente y no depende de causas
externas.
 Experiencia múltiple: El conocimiento de varios especialistas puede estar
disponible de manera simultánea.
 Mayor confiabilidad: Al proporcionar una segunda opinión los sistemas
expertos incrementan la confianza en que un especialista ha tomado la
decisión correcta.
 Explicación: El sistema experto puede explicar de forma clara y
detalladamente el razonamiento que conduce a una conclusión aumentando la
confianza.
 Respuesta rápida: Puede ser necesaria una respuesta en tiempo real de modo
que un sistema experto sea la solución ideal.
 Respuestas sólidas, completas y sin emociones: El sistema experto siempre
funciona a plena capacidad sin tener presión ni fatiga.
 Tutoría inteligente: El sistema experto puede actuar como un tutor inteligente,
dejando que el estudiante ejecute programas de ejemplo y explicando el
razonamiento del sistema.
 Base de datos inteligente: Los sistemas expertos pueden usarse para tener
acceso a una base de datos en forma inteligente.

Además el proceso de desarrollo de un sistema experto también tiene un

beneficio indirecto, dado que el conocimiento de los especialistas humanos debe
disponerse clara y formalmente para introducirlo en el computador. Como se
dispone explícitamente del conocimiento, en ves de tenerlo implícito en la mente
del especialista, puede examinarse para corregirlo, darle más consistencia y
44
 completarlo. El conocimiento puede entonces ajustarse o rexaminarse, lo que
aumenta su calidad.

3.3.3.1 Características Esenciales de los Sistemas Expertos

Un sistema experto suele diseñarse para que tenga las siguientes características
generales:

 Alto desempeño: El sistema debe tener la capacidad de responder a un nivel

de competencia igual o superior al de un especialista en el campo. Esto
significa que la calidad del consejo dado por el sistema debe ser muy alta.
 Tiempo de respuesta adecuado: El sistema debe actuar en un tiempo
razonable, comparable o mejor al tiempo requerido por un especialista para
alcanzar una decisión.
 Confiabilidad: El sistema experto debe ser confiable y no propenso a fallos.
 Comprensible: El sistema debe ser capaz de explicar los pasos de su
razonamiento. Este rasgo es muy importante debido a que en determinados
momentos se puede depender de manera directa de la decisión tomada por el
sistema. Además es una manera de asegurarse en la fase de desarrollo de
que el sistema ha adquirido el conocimiento y lo esta usando de manera
correcta.
 Flexibilidad: Debido a la gran cantidad de conocimiento que puede albergar un
Sistema Experto es importante contar con un mecanismo eficiente para
añadir, modificar y eliminar el conocimiento.
 Representación explícita del conocimiento.

3.3.4 Sistemas Expertos basados en reglas

Los sistemas basados en reglas son actualmente la elección más popular para el
diseño y la construcción de sistemas expertos, estos son producto de un proceso de
evolución que ha durado 30 años. Los Sistemas Expertos basados en reglas se
definen a partir de un conjunto de objetos, que representen las variables del modelo

45
considerado, ligadas mediante un conjunto de reglas, que representarían las
relaciones entre las variables.

Un sistema basado en reglas utiliza el modus ponens23 para manipular las

afirmaciones y las reglas durante el proceso de inferencia. Mediante técnicas de
búsqueda y procesos de unificación, los sistemas basados en reglas automatizan sus
métodos de razonamiento y proporcionan una lógica desde los datos iniciales, hasta
las conclusiones deseadas. Esta progresión hace que se vallan conociendo nuevos
hechos o descubriendo nuevas afirmaciones, a medida que va guiando hacia la
solución del problema.

En consecuencia, el proceso de solución de un problema en los sistemas basados en

reglas va realizando una serie de inferencias que crean un sendero entre la definición
del problema y su solución. Las inferencias están concatenadas y se las realiza en
forma progresiva, por lo que se dice que el proceso de solución origina una cadena
de inferencias.

Los sistemas basados en reglas difieren de la representación basada en lógica en las

siguientes características principales.

1. Son en general no-monotónicos, es decir hechos o afirmaciones derivadas,

pueden ser retractados, en el momento en que dejen de ser verdaderos.
2. Pueden aceptar incertidumbre en el proceso de razonamiento.

3.3.5 Partes de un Sistema Experto basado en reglas

Una característica decisiva de los Sistemas Expertos es la separación entre el

conocimiento (reglas, hechos) por un lado y su procesamiento por el otro. A ello se
añade una interfaz de usuario y un componente explicativo.

23En la lógica, modus ponendo ponens, también llamado modus ponens y generalmente abreviado MPP o MP,
es una regla de inferencia que tiene la forma: Si A, entonces B.

46
 Figura 18: Partes de un Sistema Experto basado en reglas.
Fuente: http://tdx.cat/tdx.cat/

3.3.5.1 La base de los conocimientos:

La base de los conocimientos de un Sistema Experto contiene el conocimiento de los

hechos y de las experiencias de los expertos en un dominio determinado.

Es decir, contiene conocimiento general sobre el dominio en el que se trabaja. El

método mas común para representar el conocimiento es mediante reglas de
producción. El dominio de conocimiento se divide en fracciones o reglas IF-THEN.
Cada regla constará de una parte denominada condición y de una parte denominada
acción.

Debemos destacar que la base de conocimientos es independiente del mecanismo

de inferencia que se utiliza para resolver los problemas. Esto permite fácilmente
añadir nuevas reglas cuando la base del conocimiento ha quedado obsoleta, sin
tener necesidad de programar todo el sistema experto.

47
3.3.5.2 La base de datos:

La base de hechos o base de datos es una parte de la memoria del ordenador que
se utiliza para almacenar los datos recibidos inicialmente para la resolución de un
problema. Contiene conocimiento sobre el caso concreto en el que se trabaja.
También se registraran en ella las conclusiones intermedias y los datos generados
en el proceso de inferencia. Al memorizar todos los resultados intermedios, conserva
el vestigio de los razonamientos efectuados; por lo tanto, se pueden explicar las
deducciones del sistema.

3.3.5.3 El motor de Inferencia:

El mecanismo de inferencia (o motor de inferencia) de un Sistema Experto puede

simular la estrategia de solución de un experto y por tanto controla el proceso de
razonamiento que seguirá el sistema experto. Utilizando los datos que se le
suministran, recorre la base de conocimientos para alcanzar una solución. La
estrategia de control puede ser por:

1. Encadenamiento progresivo: se consideran todos los datos conocidos y

luego se avanza progresivamente hacia la solución.
2. Encadenamiento regresivo: se selecciona una posible solución y se trata de
probar su validez buscando evidencia que la apoye.

En la mayoría de los sistemas expertos se utiliza el encadenamiento regresivo dado

que es mas adecuado para aplicaciones que tienen mucho mayor número de
entradas que de soluciones posibles. Por otro lado este tipo de razonamiento tiene la
ventaja de que considera solamente las reglas que interesan al problema en
cuestión.

3.3.5.4 El Componente Explicativo:

La mayoría de los sistemas expertos contienen un módulo de explicación, diseñado

para aclarar al usuario la línea de razonamiento seguida en el proceso de inferencia.
Si el usuario pregunta al sistema como ha alcanzado una conclusión, éste le
presentará la secuencia completa de reglas usadas. Esta posibilidad de explicación
es especialmente valiosa cuando se tiene la necesidad de tomar decisiones
48
importantes amparándose en el consejo del sistema experto. Además, de esta forma,
y con el tiempo suficiente, los usuarios pueden convertirse en especialistas en la
materia, al asimilar el proceso de razonamiento seguido por el sistema. El
subsistema de explicación también puede usarse para depurar el sistema experto
durante su desarrollo.

3.3.5.5 La Interfaz de Usuario:

La interfaz de usuario permite que el usuario pueda describir el problema al sistema

experto. Interpreta sus preguntas, los comandos y la información ofrecida. A la
inversa, formula la información generada por el sistema incluyendo respuestas a las
preguntas, explicaciones y justificaciones. Es decir, posibilita que la respuesta
proporcionada por el sistema sea inteligible para el interesado. También puede
solicitar más información si le es necesaria al sistema experto. En algunos sistemas
se utilizan técnicas de tratamiento del lenguaje natural para mejorar la comunicación
entre el usuario y el sistema experto.

3.3.5.6 El Componente de Adquisición:

El componente de adquisición ofrece ayuda a la estructuración e implementación del

conocimiento en la base de conocimientos. Este módulo permite que se puedan
añadir, eliminar o modificar elementos de conocimiento (en la mayoría de los casos
reglas) en el sistema experto. Cuanto más dinámico es el sistema mas importante se
hace este componente puesto que el sistema funcionará correctamente solo si se
mantiene actualizado su conocimiento. El módulo de adquisición permite efectuar
ese mantenimiento, anotando en la base de conocimientos los cambios que se
producen.

49
Capítulo 4

Metodología

Con el propósito de lograr los objetivos propuestos ha sido necesaria una completa y
metódica acción en distintos aspectos relevantes, pasando desde la instrumentación
hasta las configuraciones mas avanzadas del sistema experto; dichas acciones se
detallan en el siguiente capítulo.

4.1 Análisis del Sistema Experto Rougher

4.1.1 Áreas de Acción

Los trabajos realizados se han enfocado en la reconfiguración de los sistemas de

control experto de la flotación primaria, esto para las líneas 1 a 4. Esto ha
involucrado todas las instancias asociadas al funcionamiento del sistema. Por otro
lado se chequearon y calibraron las mediciones obtenidas por las cámaras IP
asociadas, los sensores de nivel y la sintonía de los controladores.

También se han añadido variables al sistema de almacenamiento de datos PI y se

incluyeron planillas de monitoreo con representación visual.

De mucha importancia fue el trabajo en conjunto con el equipo de operadores de los

diferentes turnos en la planta de flotación, esto con el apoyo de la Superintendencia
de Operaciones de la Planta Concentradora y con el equipo de informática. Además
se ha obtenido apoyo de personal especializado en los sistemas de control
distribuido Bailey y DeltaV, para las configuraciones necesarias en dichos sistemas.

4.1.2 Filosofía de Control

El objetivo de la estrategia de control del sistema experto es maximizar la

recuperación metalúrgica de la flotación primaria colectiva. Para alcanzar dicho
objetivo la estrategia implementada persigue utilizar al máximo de capacidad los
equipos aguas debajo de la flotación primaria rougher.

50
La principal variable controlada por el sistema experto es la velocidad de las burbujas
de concentrado. La velocidad de las burbujas se mide mediante cámaras IP
instaladas en las 36 celdas de flotación primaria. La posición de las cámaras mide la
velocidad de las burbujas en el punto de rebose de las celdas de flotación.

La velocidad medida se transfiere hacia la estrategia de control y si no hay

restricciones presentes se aplica un incremento marginal al setpoint24 de los
controladores de velocidad de burbujas integrados al sistema experto. Esta acción
hace que el sistema experto envíe hacia el DCS un nuevo setpoint para los
controladores de nivel de los bancos de flotación. El control de nivel propiamente tal
se realiza en el DCS, cuyos controladores son colocados en modo computador
cuando el sistema experto está activado.

Cuando el sistema experto está desactivado, la estrategia determina la mejor curva

de setpoints que se adapta a las velocidades medidas; cuando el sistema experto es
activado, esta curva pasa a ser el punto de inicio a partir del cuál el sistema busca
optimizar las velocidades de flotación de cada banco sujeto a las restricciones
presentes.

4.1.2.1 Restricciones de la flotación primaria

En régimen normal de operación la estrategia de control persigue aumentar la

recuperación por la vía de incrementar la velocidad de flotación (velocidad de rebose
en las celdas). Para alcanzar el régimen normal de operación es necesaria la
ausencia de las siguientes restricciones:

1. Restricción por ley mínima de cobre en el concentrado primario

En la medida que la estrategia incrementa la recuperación metalúrgica se produce

una disminución en la ley de Cu del concentrado primario; dicha disminución está
permitida hasta el valor mínimo de 6.5%. Sin embargo, en presencia de alto Fe este
valor de mínimo es modificado de acuerdo a la siguiente ecuación:

(4.1)

24También llamado en español ”punto de ajuste” de alguna variable de un sistema de control automático,
esta puede ser nivel, presión, temperatura, desplazamiento, rotación, etc.

51
Para constatar que la presencia de alto Fe es real (descartar el efecto de la
calcopirita) se chequea si la ley de Fe en el concentrado primario esta sobre 12% y
si la ley de Fe en el relave final está sobre 0.8%. Si en ambos puntos el Fe está alto,
entonces se aplica la ecuación anterior. Si no, se mantiene el valor mínimo de la ley
de Cu del concentrado primario en 6.5%.

Cuando la ley de cobre del concentrado primario alcanza el valor mínimo, la

estrategia reduce la velocidad de flotación.

2. Restricción por capacidad de estanque TK-95 y velocidad de bomba PP-052

El rango de nivel normal de operación del TK-95 está entre 70% y 82%; sin embargo,
la estrategia persigue mantener el nivel en las cercanías del 70% para dejar una
capacidad de reserva en el estanque para poder absorber excesos de flujo de
concentrado generados en la flotación primaria y para tener tiempo de reacción para
evitar reboses del estanque.

Si el nivel comienza a aumentar el sistema experto incrementa rápidamente la

velocidad de la bomba en servicio hasta alcanzar la velocidad máxima de 82%. Si el
nivel del estanque se acerca al valor superior del rango de operación y la velocidad
de la bomba ha alcanzado el máximo permitido, entonces la estrategia comienza a
disminuir la velocidad de la flotación primaria.

4.1.2.2 Acción de reducción de velocidad de flotación

Ante la presencia de restricciones como baja ley de Cu en el concentrado primario o

alto nivel en el estanque TK-95 la estrategia de control contempla la reducción de la
velocidad de flotación mediante la disminución de los niveles. A fin de optimizar la
disminución de los niveles, se realiza una reducción de setpoints selectiva aplicando
el siguiente método:

- Comparación de las leyes de cobre en los relaves de las líneas L1-L2 y L3-L4.
- Comparación de las velocidades de burbuja entre los mismos bancos de las
cuatro líneas.

52
Al comparar las leyes de los relaves entre pares de líneas se calcula un primer factor
de reducción que apunta a favorecer la disminución de la velocidad del par de líneas
cuyos relaves estén más altos en cobre.

Al comparar la velocidad de los mismos bancos entre líneas, es decir, compara entre
sí los cuatro bancos 1, los cuatro bancos 2, etc., se calcula un segundo factor de
reducción que apunta a favorecer la disminución de la velocidad en aquellos bancos
que estén más rápidos.

Finalmente, la combinación de ambos factores determina la reducción de velocidad

que se aplicará a cada banco en particular.

4.1.3 Arquitectura del sistema

El sistema de control experto de la planta de flotación colectiva de cobre y molibdeno

de MLP funciona sobre el software OCS® desarrollado por Metso Minerals Cisa.

El sistema experto en la flotación primaria cuenta con tres niveles de control, los
cuales se ocupan de la optimización, supervisión y el control regulatorio.

53
 Figura 19: Arquitectura del sistema experto en Flotación Rougher
Fuente: Presentación Walter Eskuche “Sistemas de Control Avanzado en MLP”

El sistema experto cuenta con una cierta cantidad de instancias las cuales
interactúan entre si en los diferentes niveles del sistema de control lo que se muestra
en la Figura 19 con las variables que controla cada etapa.

Por otro lado, cada instancia posee módulos independientes que cumplen distintas
funciones en el esquema del software. Hay un módulo que sirve para despliegue
gráfico e ingresar valores de forma manual, otro módulo estadístico para calcular
medias, desfases en el tiempo, histogramas, etc. y otro módulo para la lógica del
sistema experto que incluye las variables, las reglas crisp (estrictas) y las fuzzy
(difusas). Existen más módulos para funciones avanzadas, como análisis de video,

54
MPC25, redes neuronales, etc. Estos módulos se adquieren con licencias separadas.
Los módulos se pueden comunicar entre sí mediante DDE26, OPC27 y DAO28

En total el sistema experto de flotación cuenta con diez instancias para las líneas 1-4
de flotación.

La instancia principal es ExpertRF y es la que recibe los datos de ley de cobre y

velocidad superficial de espuma y determina los nuevos setpoint (SP) de velocidad
para optimizar la recuperación. La velocidad se obtiene usando cámaras de video
viendo la espuma de las celdas y un software de análisis de video para la espuma de
flotación llamado VisioFroth®29 que está en el módulo de visión del OCS®.

Los módulos de visión están presentes en cuatro instancias, una para cada línea,
VisioFrothL1 para la línea uno, VisioFrothL2 para la línea dos y así sucesivamente
hasta la línea cuatro. Para convertir los SP de velocidad en SP de nivel existe una
instancia por cada línea también, ExpertLinea1, ExpertLinea2, etc., ésta es la etapa
de estabilización.

Por último está la instancia ExpertRFOP, que es la interfaz del operador con el
sistema experto. En ésta el operador puede colocar límites a los SP de nivel para
cada celda y visualizar en cada línea los perfiles de nivel y velocidad y el porcentaje
de utilización del sistema experto.

25 Model Predictive Control: Control Predictivo Basado en Modelo.

26 Dynamic Data Exchange: tecnología de comunicación entre varias aplicaciones bajo Microsoft Windows®.
27 Ole for Process Control: es un estándar de comunicación en el campo del control y supervisión de procesos

industriales.
28 Protocolo de comunicación del entorno Windows®.
29 Programa para el procesamiento de imágenes desarrollado por Metso Minerals Cisa.

55
 Figura 20: Instancia principal ExpertRF
Fuente: Servidor de sistema experto de optimización

4.2 Software utilizado

El sistema experto utiliza el software OCS®, especialmente desarrollado para

aplicaciones de control avanzado en el área industrial.

Para el almacenamiento de datos históricos y despliegue de índices se utilizó el

sistema PI de OSIsoft30, con sus programas PI DataLink® y PI ProcessBook®.

Para la coordinación del trabajo, diseño de presentaciones, planos, informes, etc. Se

usa la plataforma Microsoft Office®.

30Desarrollador mundial de software para soluciones en tiempo real de datos de infraestructura utilizados en
plantas industriales. Es una empresa privada con sede central en San Leandro, California y con operaciones
en todo el mundo.

56
4.2.1 OCS®

Este software está diseñado para la creación y ejecución de sistemas expertos, el

software está separado en módulos. El módulo principal es el módulo experto, donde
se encuentran las reglas, los sets difusos y las variables usadas en las reglas
estrictas y difusas. Aparte de éste módulo están el módulo estadístico y el módulo
HMI. Para añadir funcionalidad se pueden adquirir módulos opcionales que agregan
la funcionalidad del MPC, filtro de Kalman extendido, redes neuronales,
procesamiento de imagen, análisis de sonido y/o programación en lenguaje C.

OCS® permite ejecutar las reglas de control, hacer seguimiento de las tendencias de
las variables, modificar parámetros manualmente y visualizar el proceso mediante
HMI. En el mismo software está la opción de editar cualquiera de los módulos.

Utiliza un lenguaje de programación basado en reglas condicionales del tipo “if…,

then…”. Estas reglas pueden ser estrictas o difusas. Por su parte, las variables
pueden ser de cuatro tipos distintos: entrada, local, salida o ecuación.

Las rutinas de control se separan en instancias y estas son aplicaciones que corren
en entorno Windows® y en ellas se encuentran los módulos de control. Se
comunican entre ellas por diversos protocolos tales como DDE, OPC o DAO. En MLP
se utiliza OPC para instancias en equipos distintos y DDE para instancias en el
mismo equipo.

4.2.2 PI DataLink®

Es un complemento para Microsoft Excel® que permite recuperar datos de un

servidor de almacenamiento de datos históricos PI. Se pueden recuperar datos en
distintos intervalos de tiempo, con o sin interpolación y se pueden aplicar diversos
filtros y cálculos estadísticos mediante scripts y se pueden presentar en distintos
formatos.

Debido a que funciona en Excel® y permite el manejo y la visualización de grandes

cantidades de dato se puede usar para buscar interrelaciones de variables que
afecten el funcionamiento de la flotación. Otra ventaja es que para filtrar o efectuar

57
cálculos o resolver ecuaciones con las variables se puede usar el motor de cálculo
de Excel® y aliviar así la carga del servidor de cálculo PI.

4.2.3 PI Processbook®

Es un programa de análisis estadístico con una interfaz gráfica que muestra el

comportamiento de las variables almacenadas (en el servidor PI) en gráficos lineales
en el tiempo o en gráficos de dispersión. También muestra histogramas y diagramas
SQC de las variables y permite presentar data en forma interactiva y dinámica
mediante despliegues operativos.

Este programa es más versátil para la presentación gráfica de variables.

4.3 Acceso a las instalaciones

Para la realización de mejoras al sistema experto ha sido necesaria la comprensión

en detalle del proceso industrial relacionado, por lo que los trabajos fueron
desarrollados en faena, en las instalaciones de la planta concentradora de MLP en
régimen cuatro por tres.

La inducción al proceso se desarrolló en la sala de control de flotación ubicada frente

a las líneas de flotación primaria en conjunto con los operadores. La comunicación
con los operadores se prolongó a lo largo del proceso, dado que ellos son los
verdaderos protagonistas y expertos en el tema.

La parte relacionada con la configuración de los sistemas ha sido desarrollada en la

sala de servidores de la planta concentradora, donde se encuentran las estaciones
que contienen los software del sistema experto. Por otro lado las configuraciones del
DCS se realizan en una sala de ingeniería donde se encuentran disponibles
estaciones de trabajo dispuestas para configuraciones de DeltaV y Bailey.

58
4.4 Estudios e Implementación de Mejoras

4.4.1 Instalación y Calibración de Cámaras

A la llegada a la planta concentradora MLP el sistema experto se encontraba fuera

de servicio, y se trabajaba en la instalación de nuevas cámaras IP en la totalidad de
las celdas de las líneas 1 a 4 de flotación rougher. Durante este proceso de
instalación desarrollamos una serie de tareas relacionadas con el control de posición
y calibración de las cámaras instaladas. La razón es lograr una medición de calidad
para asegurar una medida fiable.

Cada cámara instalada debió configurarse de modo que formara parte de la red y así
lograr traspasar los datos a las instancias de visión. Por su parte las instancias de
visión VisioFroth® debieron ser reconfiguradas para aceptar las nuevas cámaras, las
cuales pasaron de 20 a 36.

VisioFroth® entrega los datos relacionados con las mediciones realizadas por la
cámara, mediante algoritmos de procesamiento de imagen entrega valores de
velocidades, tamaño de burbujas, textura, frames31, status, etc. Estos datos deben
ser configurados en las salidas del programa de modo que los envíe a un servidor
OPC el cual los proporciona al resto de las instancias que conforman el sistema
experto.

31También denominado fotograma o cuadro, es una imagen particular dentro de la sucesión de imágenes que
componen una animación.

59
 Figura 21: Conexión VisioFroth-OPC.
Fuente: Propia para Minera Los Pelambres

Por el lado de la calibración se hizo necesario indagar más en el tema, dado que
VisioFroth necesita que se le ingresen parámetros de equivalencia entre distancia
real y pixeles. Para ello desarrollamos una técnica de calibración, donde por medio
de una carta de ajuste tomamos fotografías instantáneas con las cámaras para luego
por medio de un software contador de pixeles medir las distancias reales en pixeles.
Todo esto se realizo con la cámara instalada en su posición final y con la carta de
ajuste puesta en la zona del rebose de espuma (a 90 centímetros del lente).

Finalmente y luego de un largo proceso de calibración y con la totalidad de las

cámaras instaladas en su posición definitiva tomamos los datos disponibles en el

60
servidor OPC y los traspasamos al servidor PI de modo de contar con una data del
comportamiento de las velocidades a lo largo del tiempo.

4.4.2 Análisis de velocidades de rebose

Luego de contar con los datos de velocidad calculados por la instancia VisioFroth® y
almacenados en PI creamos una pequeña base de datos que nos ha permitido
contar con data de velocidades bajo distintas condiciones de operación. Se realizó un
análisis de las velocidades para todas las celdas y se establecieron comparaciones
entre celdas de un mismo banco.

Las diferencias de velocidades entre celdas de un mismo banco fueron considerables

en algunos casos, esto producto de acumulación de material grueso en los vasos
comunicantes que conectan ambas celdas.

Figura 22: Problema de celdas con vasos comunicantes.

Fuente: Propia para Minera Los Pelambres

Con frecuencia nos encontramos con que la velocidad de rebose es mayor en la

celda aguas arriba, pero bajo condiciones especiales en otros bancos se daba la
situación contraria, lo que revierte cualquier hipótesis previa. Con los historiales de
velocidad hemos podido dimensionar la magnitud de las diferencias de velocidad
entre celdas del mismo banco. En el Gráfico 1 se muestra un caso en que las

61
diferencias de velocidad son altas lo que comúnmente imposibilita la flotación de la
celda aguas abajo.

Gráfico 1: Diferencias de velocidad de rebose en Línea 1 – Banco 2.

Fuente: Tendencia desarrollada en PI ProcessBook® por el autor

La estrategia de control implementada controla obteniendo las velocidades de las

celdas aguas arriba de cada banco, dado que son ellas las que presentan mayores
cambios de velocidad con respecto a los cambios de nivel, siendo mas
representativas sus velocidades. La idea del nuevo control es lograr que ambas
celdas floten a una velocidad similar, o al menos se acerquen a esa situación ideal,
esto se sucede actualmente en una mínima cantidad de bancos como el banco 5 de
la línea 2, mostrado en la Gráfico 2.

62
 Gráfico 2: Velocidades esperadas en celdas de un mismo banco.
Fuente: Tendencia desarrollada en PI ProcessBook® por el autor

Para lograr la situación esperada se implementará una estrategia que se explicará

mas adelante y que busca ponderar las velocidades de las celdas de un mismo
banco.

4.4.3 Análisis de niveles en celdas

Las celdas de flotación rougher tienen una capacidad de 127,43 m3 y el control de

nivel se realiza por medio de tapones cónicos instalados en los ductos de traspaso
entre bancos. Los actuadores son tipo neumáticos, marca Fisher. Luego de un
análisis hecho a los actuadores se comprobó que la forma de los tapones no
favorece un control adecuado, dado que pequeñas variaciones de posición generan
altos cambios en los flujos de pulpa por los ductos de traspaso. Esto genera la
necesidad de sintonizar con frecuencia los lazos de control a raíz de la naturaleza y
el desgaste de los tapones.

63
Se propuso al área de mantención mecánica el estudio del cambio de tapones por
otros que favorezcan un mejor control. Ellos buscarán tapones apropiados o
diseñarían otros de ser necesario. Los nuevos tapones se probarán en una celda
para la próxima mantención mayor.

En la Gráfico 3 se puede ver el comportamiento durante un período de ocho días del

controlador de nivel del banco 4 de la línea 1. Se aprecia con claridad que el rango
de funcionamiento limitado con una media de un 16% de apertura y un rango de
variación de un ±6%.

Gráfico 3: Rango de apertura de tapón (control de nivel) en línea 1 banco 4.

Fuente: Tendencia desarrollada en PI ProcessBook® por el autor

Con el análisis de los valores de nivel alcanzado por las celdas, se pudo observar
también que tenían cambios bruscos, debido a que el operador mueve
repentinamente los setpoints de nivel cuando observa que la celda se hunde o bien
detecta que la velocidad de rebose aumenta a valores muy altos.

64
En el Gráfico 4 se muestran los cambios de setpoints versus los niveles alcanzados
por la pulpa en la celda, acá se ven los repentinos cambios realizados.

Gráfico 4: Cambios en los setpoint de nivel durante un día.

Fuente: Tendencia desarrollada en PI ProcessBook® por el autor

La activación del sistema experto mitiga esta situación, dado que genera pequeños
cambios en los setpoints de nivel a medida que se dan las condiciones apropiadas
para hacerlo. Por otro lado evita el efecto cadena bajando los niveles de una línea
completa.

Esto nos comprueba la importancia de mantener un sistema experto operando el la

flotación primaria.

4.4.4 Definición de velocidades características para bancos

Como se explicó en el capítulo 2, las celdas de flotación rougher se ubican de

manera escalonada y en pendiente, completando un total de nueve celdas por línea.

65
Los escalones, también llamados bancos, agrupan dos celdas con excepción del
primero (el mas alto) que solo cuenta con una. Cada banco tiene una velocidad de
rebose característica, esto a raíz de las concentraciones de mineral presentes en
cada uno de los bancos. Según la teoría y estudios de metalurgia, la magnitud de las
velocidades debiera obedecer a una exponencial decreciente, donde las velocidades
deben ordenarse de mayor a menor partiendo desde el banco número 1 hasta el
número cinco (el último aguas abajo).

La estrategia implementada cuenta con velocidades definidas para cada banco,

todos los bancos número 1 de las cuatro líneas tendrán el mismo setpoint de
velocidad en condiciones sin restricciones. Para limitar estas velocidades existe un
ingreso de límites de velocidad máxima y mínima por banco, esto para situaciones en
que los valores reales de velocidad se alejan de los teóricos, o bien para limitar
algunas celdas con condiciones especiales.

Para definir las velocidades de rebose en condiciones normales de operación fue

necesario tomar datos de velocidades de todas y cada una de las celdas en
momentos en que la operación se desarrollaba con normalidad. Esto se hizo en
repetidas oportunidades, de modo de contar con una velocidad representativa para
cada banco.

Como resultado de esto se obtuvo una velocidad característica para los bancos 1, 2,
3 y 4, las cuales se usaron para definir las constantes presentes en la ecuación que
define la velocidad setpoint de salida de la instancia de control. La ecuación que
define el setpoint de velocidad por banco es la siguiente:

(4.2)

Donde:

( )

66
Los valores de las variables PerfilF1 y PerfilK tienen límites mínimos y máximos
dentro de la estrategia, lo que limita los valores que puede tomar la velocidad
setpoint. Para definir los perfiles de velocidad es necesario trabajar con los valores
de las constantes, en este caso la constante TRA. En total se tienen TRA1 a TRA5,
una para cada banco. La metodología que se ha usado para determinar el valor de
estas constantes se basó en despejar el valor de esta variable con los demás valores
constantes considerando límite máximo para PerfilF1, límite mínimo para PerfilK
(dado que es parte de un exponente negativo), valor 0 para el PerfilB y la velocidad
obtenida en condiciones de operación normal. Esto nos ha permitido definir el TRA
ideal por banco para obtener una velocidad ideal sin considerar restricciones.
Finalmente en la estrategia se fija el valor de la constante PerfilB en un valor igual a
5, lo que asegura que la velocidad setpoint se encuentre por sobre el valor ideal en
un delta mínimo, esta medida permite que la estrategia busque constantemente
aumentar la velocidad en condiciones normales de operación.

4.4.5 Análisis de nivel y definición de nuevos rangos fuzzy para el

estanque TK-95

El estanque TK-95 es el cajón que recibe el concentrado primario proveniente de las

líneas 1 a 4 de flotación rougher. Este estanque cuenta con un control de nivel el cual
se controla por medio de la velocidad de la bomba PP-052. Según la antigua
estrategia implementada en el sistema experto el nivel objetivo para este cajón se
estableció en un 80% de su capacidad y la velocidad máxima para la bomba de
descarga en 82%.

Para corroborar que estos valores fueran los correctos se ha hecho un análisis del
comportamiento del estanque en distintos escenarios.

67
El determinante principal del comportamiento del estanque es la medición de P8032.
Cuando la medida de P80 aumenta en la alimentación de la flotación primaria el nivel
del estanque tiende a aumentar y con ello la velocidad de la bomba. Esto se
comprobó mediante estudios del P80, los que fueron relacionados con el nivel del
estanque.

Dado que no es tema principal de nuestro trabajo no quisimos profundizar en el, pero
si queremos destacar el gran aporte como dato de entrada para mejorar el control de
la flotación rougher. Esto debido a que si la medición del P80 disminuye podemos
aumentar la velocidad de flotación, dado que las partículas de cobre se adhieren con
mayor facilidad a la espuma y por otro lado el estanque TK-95 tiene mayor facilidad
para evacuar. Si bien la medida del P80 es un dato valioso para el control, no se
incluyo en las mejoras de la estrategia dada la baja disponibilidad del analizador de
partículas y la gran variedad de escenarios presentes.

Se han tomaron datos de diferentes periodos de operación los que posteriormente se

analizaron. En el Gráfico 5, por ejemplo, se muestra el análisis de las variaciones de
nivel para un mes de operación y se puede ver que el valor promedio aproximado es
de un 85% de la capacidad total.

Dato que indica el tamaño máximo del 80% más pequeño de las partículas contenidas en la pulpa
32

muestreada.

68
 Gráfico 5: Variaciones de nivel del estanque TK-95 durante 30 días.
Fuente: Tendencia desarrollada en PI ProcessBook® por el autor

Se realizaron estudios en el comportamiento del nivel del estanque durante distintos

meses del año operacional, y se ha llegado a la conclusión de que el nivel opera por
sobre los objetivos definidos en el sistema experto y con resultados favorables. Se
investigó sobre riesgos de derrame y no existen registros de niveles peligrosos. Esto
nos permite definir un nuevo nivel objetivo para el estanque, ya que el nivel es parte
de las restricciones del sistema, es importante definirlo en un rango adecuado para
que no frene la flotación cuando no es estrictamente necesario. El nuevo nivel
objetivo definido se estableció en 85% y el nivel alto límite de la estrategia en 88%.
Estos límites son de importancia para las reglas fuzzy de la instancia de control, dado
que en base a ellos se realizan comparaciones con los valores actuales,
determinando las razones de pertenencia para posteriormente realizar los
incrementos (o disminución) en los setpoints.

69
En conversaciones con operaciones se nos manifestó la inquietud a raíz de la
lentitud con que el sistema experto reaccionaba a niveles altos del estanque. Ocurría
con frecuencia que cuando el estanque tenía una tendencia persistente al alza de
nivel, el sistema no era capaz de impedir que este llegase a niveles preocupantes.
Con el fin de evitar dichos episodios se analizó el tiempo de respuesta de la
estrategia y se llego a la conclusión de que los steps fuzzy del control debían ser
más significativos. En este caso los steps involucrados son los pertenecientes a las
variables PerfilF1 y PerfilK. Ellos son los que determinan finalmente el aumento o
disminución de velocidad setpoint por banco. Para lograr una respuesta más rápida
frente a condiciones de riesgo se amplió la zona que favorece las disminuciones del
valor final de la ecuación determinante del setpoint de velocidad. Tanto en la Figura
23 como en la Figura 24 se muestra la representación visual de los rangos fuzzy para
las variables PerfilF1.Step y PerfilK.Step.

70
Figura 23: Rango de valores para PerfilF1.Step.
Fuente: Despliegue OCS®

71
 Figura 24: Rango de Valores para PerfilK.Step.
Fuente: Despliegue OCS®

Este cambio favoreció la rápida disminución de los setpoint de velocidad frente a

restricciones presentes en la estrategia, las cuales se remontan principalmente a
niveles altos en el estanque TK-95 y bajas leyes de cobre en el concentrado primario.
Por otro lado se ha mejorado la respuesta frente a estados de emergencia como
nivel de estanque cercano a límites peligrosos.

4.4.6 Instancia de auto calibración de leyes

Como se mencionó anteriormente la instancia ExpertRF (Optimización) tiene dentro

de sus variables de entrada la ley de cobre del concentrado primario (producto final
de la flotación rougher). En el capítulo 2 mencionamos la importancia del analizador
Courier, el cual entrega los valores de las leyes en tiempo real. Este equipo tiene una

72
baja disponibilidad y por momentos entrega mediciones poco precisas, lo que
afectaba directamente en las decisiones tomadas por ExpertRF. Con el fin de dar
mayor confiabilidad a las medidas entregadas por dicho equipo se creó una instancia
validadora de leyes, esta compara el offset de las medidas del Courier las cuales se
contrastan con las medidas entregadas por el laboratorio químico. La instancia de
auto calibración de leyes se denominó Sensores Virtuales, y fue desarrollada por
Walter Eskuche Osorio, estudiante memorista antecesor al autor en las tareas por
mejorar los sistemas expertos de flotación rougher en Minera Los Pelambres.

La instancia sensores virtuales históricamente funcionó de manera confiable y

cumpliendo su misión de validar las leyes entregadas por el analizador Courier, sin
embargo, actualmente en su salida “ley de concentrado primario validada” nos
entregaba un valor dos puntos por debajo del Courier de manera persistente. Por
este motivo se hizo necesaria la revisión de la estrategia que operaba por detrás. Su
funcionamiento se basa en corregir la medida del Courier usando su diferencia con
respecto a la del laboratorio. Esta diferencia se pondera en base al porcentaje del
tiempo en que la medida del analizador Courier fue válida y el valor del status para
esa variable. El status de la variable se calcula considerando dos factores: la
cantidad de valores de laboratorio consecutivamente buenos o malos hasta un tope
de tres y si la medición del analizador Courier ha presentado cambios en los últimos
30 minutos.

Finalmente se ha detectado una pequeña anomalía en la designación de una

variable del programa, lo que provocaba un menor valor de manera persistente en la
variable “ley de concentrado validada”, la cual es tomada directamente por la
instancia de optimización ExpertRF para ser comparada con la mínima ley de
concentrado primario. Este valor bajo de ley generaba en repetidas oportunidades la
restricción por mínima ley de cobre en ExpertRF, lo que hacia a la flotación mas
“lenta”.

4.4.7 Discriminador de velocidades para celdas de un mismo banco

Un problema recurrente en las celdas con vasos comunicantes es el embanque, lo

que produce grandes diferencias entre los niveles de ambas celdas y por ende en las

73
velocidades de rebose. Para mitigar esta situación y por otro lado lograr que ambas
celdas de un mismo banco logren flotar (rebosen espuma) se han creado nuevas
reglas fuzzy en las instancias de visión VisioFroth®. Estas aprovechan las medidas
de velocidad entregadas por las nuevas cámaras instaladas en las celdas faltantes.

El objetivo de estas nuevas reglas es obtener una nueva medición de velocidad

global por banco, la cual es tomada por la instancia de optimización.

Figura 25: Entradas y salidas de la estrategia.

Fuente: Presentación propia para MLP “Estrategias de control para flotación
rougher”

Esta variable toma la velocidad de la celda más lenta, siempre y cuando la celda más
rápida del banco no se acerque a los límites máximos definidos por el operador. Se
ha definido una variable llamada “velocidad error” que es la diferencia entre la
velocidad máxima definida por el operador y la velocidad de la celda más rápida (del
banco). Por medio de las áreas de pertenencia se determinan los incrementos de un
valor “k”.

74
 Figura 26: Clasificación de los steps según zonas de pertenencia.
Fuente: Presentación hecha por el autor “Estrategias de control para flotación
rougher”

En la Figura 26 se muestra la tabla donde se determinan los steps de la variable “k”

según la zona de pertenencia correspondiente. Las zonas se definen como sigue:

 Alto: Velocidad muy por debajo del límite máximo.

 Ok: Rango aceptable para acercarse a la velocidad más lenta.
 Muy Bajo: Rango cercano al límite máximo de velocidad.

Los valores de “k” quedarán determinados por estas zonas de pertenencia, las
cuales harán fluctuar la variable entre cero y uno. Si el estado es “Alto” el valor de “k”
se acercará a cero, de lo contrario si es “Muy Bajo”, se aproximará a uno. Este valor
“k” se remplaza finalmente en la siguiente ecuación, la que determina finalmente la
velocidad promedio por cada banco.

( ) (4.2)

75
Finalmente este valor de velocidad es tomado por la instancia ExpertRF para la
optimización. Esta velocidad fluctuará entre las velocidades de ambas celdas, dando
una idea global de velocidad por banco.

4.5 Indicadores para Operaciones

Es de gran importancia para las operaciones tener claridad de que esta ocurriendo
con los procesos. Si bien el sistema experto realiza el trabajo de controlar con
autonomía, toma especial relevancia la información de todas las aristas del control.

De alguna manera los indicadores permiten dar la confianza a operaciones de que

los sistemas van a realizar un buen trabajo, es por ello que se busca reportar en tres
aspectos que sean explícitos en demostrar el performance de los sistemas. Estos se
remontan a los siguientes:

1. Disponibilidad: el sistema experto cuenta con instrumentación avanzada para

hacer sus cálculos. Esta se compone principalmente de cámaras y la medición
de ley entregada por el analizador Courier. Los indicadores de disponibilidad se
han confeccionado para entregar a operaciones principalmente el status de los
equipos asociados al control experto. Para lograr esto se utilizo un bit de estatus
presente en programa analizador de imágenes, el cual es enviado vía OPC a un
servidor. Finalmente este bit se almacena en servidor PI desde donde lo
tomamos para mostrarlo por pantalla. Algo similar se ha hecho con el estatus de
las bombas del analizador Courier, niveles, medidas de leyes, etc. En la Figura
27 se muestra la pantalla resumen desarrollada principalmente para operadores,
la cual les permite ver rápidamente el estado de los equipos asociados al
sistema experto. Por otro lado muestra la utilización del sistema experto por
línea; el SP y PV del nivel de pulpa de cada celda y de la velocidad superficial
de espuma; el estado de cada cámara instalada; el estado de las bombas de
muestreo de analizador Courier relacionadas con el sistema experto de flotación
primaria; las leyes medidas por el analizador Courier y por el laboratorio; la
recuperación de cobre calculada en laboratorio y la calculada con los datos del
analizador Courier.

76
 Figura 27: Pantalla resumen de estado del sistema experto en PI
ProcessBook®.
Fuente: Display en tiempo real desarrollado por el autor, cargado al sistema de
información en línea de MLP

2. Utilización: Estos indicadores sirven para medir la utilización del sistema

experto. Se mide cada etapa de flotación por separado. Se indica por un lado el
porcentaje del sistema que se utiliza en cada momento y por otro, la cantidad de
tiempo por turno de operación que el sistema estuvo activo (sobre 0% de
utilización). Para realizar este cálculo se utiliza la misma metodología que para
la disponibilidad, pero el procedimiento es más sencillo en este caso porque la
utilización se mide directamente mediante el bit de activación de cada banco de
flotación incorporado al sistema experto. Para el indicador de tiempo de uso por
turno se utiliza un totalizador que se actualiza cada 12 horas en sincronía con el
cambio de turno de personal MLP. Para ello también se hace necesaria una
pantalla exclusiva, la que se muestra en la Figura 28. En esta pantalla se
muestra la tendencia de la utilización en los últimos 15 días y las condiciones de
disponibilidad y restricciones generales, de velocidad y nivel. Todas las
restricciones están expresadas en porcentaje de tiempo respecto del periodo
definido para la evaluación.

77
 Figura 28: Indicador de utilización del sistema experto rougher usando PI
DataLink®.
Fuente: Sistema de indicadores en línea MLP

3. Rendimiento: El rendimiento se enfoca en analizar dos aspectos del sistema

experto, los cuales son el seguimiento del setpoint y las limitaciones
operacionales. Esto nos muestra como se comporta el sistema, si la banda en la
cual se desempeña es la correcta, etc.
Las limitaciones operacionales son rangos de operación que permiten una
operación segura y sostenible en el tiempo. Hay limitaciones por nivel de celdas,
por velocidad de rebose de espuma, por alto o bajo nivel del estanque TK-95 y
por ley de concentrado primario. Los límites de nivel de celdas y la ley mínima
de cobre en el concentrado son manejados por el operador. Las velocidades
límite y el límite de nivel del TK-95 se fijan en la instancia principal del sistema
experto de flotación primaria, ExpertRF. El operador no tiene acceso directo a
hacer modificaciones pero puede solicitarlas a SCAPIE.

78
 El servidor PI almacena todos los valores de límites puestos por el operador,
también calcula cuando una variable queda acotada por uno de estos límites y a
la vez cuenta el tiempo dentro de cada turno en que se alcanzó cada límite
operacional. Para el rendimiento existía una pantalla desarrollada con PI
DataLink, la cual se encontraba incompleta y con variables que no se
consideraban, por lo que fue mejorada. Dicha pantalla se muestra el error
porcentual del seguimiento del SP de la velocidad y el nivel, por otro lado se
muestra el tiempo en que cada una de estas variables presenta una restricción
dentro del periodo definido (Figura 29).

Figura 29: Indicadores de rendimiento en PI DataLink®.

Fuente: Sistema de indicadores en línea MLP

4.6 Visualización en línea de cámaras

Si bien el sistema de control realiza los cambios de manera autónoma, es de vital

importancia que el operador sepa que está ocurriendo en terreno con cada una de
las celdas de flotación. Para ello se ha confeccionado una pantalla de visualización
que le permite contar con una visión secuencial de todas las cámaras instaladas en
79
la flotación rougher. Esta pantalla también posibilita seleccionar una celda en
particular para su visualización en tamaño completo. En la Figura 30 se puede ver la
visualización con que cuenta el operador en su sala de control.

Figura 30: Pantalla de visión para operadores en sala de control.

Fuente: Sistema Visualización para operadores desarrollado por el autor

Por otro lado esta pantalla permite al operador observar como se ejecutan las
acciones del sistema experto y establecer si son las más adecuadas frente a las
distintas condiciones operacionales. Esta modalidad nos ha proporcionado vital
información para la determinación de límites operacionales y definición de tiempos de
respuesta, ya que el verdadero experto en el proceso es el operador de sala de
control.

80
Capítulo 5

Resultados y Conclusiones

Todos los esfuerzos realizados en mejorar el sistema experto existente en Minera

Los Pelambres y toda la información en línea asociada a este, trajo consigo
resultados favorables. Estos resultados son principalmente vistos desde el punto de
vista metalúrgico, de variabilidad de proceso y de disponibilidad del sistema.

5.1 Mejoramiento de indicadores de proceso

En la operación de una planta industrial es de suma importancia saber en que estado

se encuentra el proceso y su instrumentación asociada. Esto es de utilidad tanto para
operadores como para controlistas, quienes por medio de tendencias e indicadores
son capaces de identificar falencias y posibles nichos de mejoras en el control del
proceso.

Con el fin de satisfacer estas necesidades se han creado indicadores y despliegues

con datos en línea de la flotación rougher y la instrumentación asociada al sistema
experto. Por medio del sistema de indicadores en línea de MLP, se puede acceder a
cada uno de estos despliegues. Así por ejemplo, si se necesita saber rápidamente si
los sensores de nivel y las cámaras de medición de velocidad se encuentran
disponibles y funcionando correctamente, basta con abrir la pantalla “Estado del
Sistema Experto”. En ella además de encontrar lo antes mencionado, podemos ver
las leyes instantáneas con las que esta trabajando la flotación, las velocidades
medidas para cada una de las celdas, nivel de estanque TK-95, niveles de los
bancos rougher, etc.

Además de detectar anomalías en la instrumentación estos despliegues permiten

observar tendencias de la planta, coordinar de mejor manera mantenciones y nos
facilita detectar la necesidad de re-sintonizar el sistema experto o de corregir malas
prácticas por parte de operadores.

81
La dificultad en la creación de este tipo de despliegues reside en mostrar de manera
clara y concisa la información, para ello se revaluó constantemente con los
operadores, dado que ellos serían en definitiva los usuarios finales de estos
indicadores.

5.2 Disminución de variabilidad

En el ámbito del control de procesos es bien sabido que un buen control estabilizante
tiene como consecuencia positiva una disminución de la variabilidad, lo que lleva
consigo mejoras sustanciales en el proceso. Esto se ve reflejado ya sea en los
resultados del mismo como en la duración de los equipos (disminución en frecuencia
de mantenimiento). En el caso del sistema experto esto puede verse claramente en
la variable manipulada (nivel) y en la controlada (velocidad de rebose). Gracias a la
activación del sistema ha podido ver como los cambios en los setpoints de nivel se
hicieron menos bruscos disminuyendo la variabilidad y por otro lado logrando operar
con niveles más altos. En la Figura 31 se puede apreciar dicho resultado.

Histograma Nivel Banco 1

Normal
0,009 Variable
Banco 1 S/E
0,008 Banco 1 C /E

0,007 Media Desv .Est.

-66,94 68,51
-26,03 48,40
0,006
Densidad

0,005

0,004

0,003

0,002

0,001

0,000
-480 -400 -320 -240 -160 -80 0 80
Nivel (mm)

Figura 31: Histograma de nivel en banco 1 de la línea 3 con y sin Sist. Experto
activado.
Fuente: Gráficas en Minitab desarrolladas por el autor

82
Las mejoras más evidentes se lograron en los primeros bancos de cada línea, esto
puede deberse a que en ellos se opera al límite del nivel para lograr mayor rapidez
de flotación. La condición de alto nivel los hace más sensibles que el resto y
complica su control. El sistema experto logró mantener las velocidades deseadas
disminuyendo las mas lentas ocasionadas por cambios en la adición de espumantes
y en las condiciones del mineral.

Es importante mencionar que cualquier cambio brusco en la disminución de nivel de

un banco, provoca una perturbación en cadena hacia las celdas aguas abajo.
Cuando se opera en modo manual, el operador intenta controlar el nivel de los
primeros bancos e indirectamente afecta los siguientes de la línea. Con la activación
del sistema experto esta condición ha disminuido, ya que el sistema en condiciones
de emergencia actúa en forma uniforme disminuyendo velocidades en la línea
completa. Esta mejora logra también apreciarse en la variabilidad de nivel en los
bancos 3, quienes son los más afectados cuando se intenta controlar los primeros de
la línea. En la Figura 32 se puede ver dicho efecto donde la banda de operación se
hace mas reducida.

Histograma Nivel Banco 3

Normal
Variable
0,009 Banco 3 S/E
Banco 3 C /E
0,008 Media Desv .Est.
-109,2 64,21
0,007 -109,4 42,36
0,006
Densidad

0,005

0,004

0,003

0,002

0,001

0,000
-420 -350 -280 -210 -140 -70 0
Nivel (mm)

Figura 32: Histograma de nivel en banco 3 de la línea 1 con y sin Sist. Experto
activado.
Fuente: Gráficas en Minitab desarrolladas por el autor
83
En el caso de la variable controlada (velocidad) las mejoras con experto activado han
sido más evidentes y se lograron en todos los bancos de las líneas. Acá el sistema
ha logrado mover las velocidades a los valores esperados con condiciones de
operación normales. En el caso del primer banco se mantuvieron las velocidades
altas, solo reduciéndose la variabilidad, efecto que se aprecia en la Figura 33.

Histograma Velocidad Banco 1

Normal
Variable
0,09 Banco 1 S/E
Banco 1 C /E
0,08
Media Desv .Est.
0,07 14,39 7,500
15,21 4,314
0,06
Densidad

0,05

0,04

0,03

0,02

0,01

0,00
0 5 10 15 20 25 30 35
Velocidad (cm/s)

Figura 33: Histograma de velocidad en banco 1 de la línea 1, con y sin Sist.

Experto activado. Fuente: Gráficas en Minitab desarrolladas por el autor

En todas los demás bancos de la línea, además de una disminución de la

variabilidad, el sistema ha logrado desplazar las velocidades a valores más altos.
Este efecto es de gran importancia, ya que un importante objetivo que se propone el
operador, es mantener “flotando” (en condición de rebose) a la mayor cantidad de
celdas posible. El sistema experto ha conseguido disminuir los estados de celdas con
velocidades nulas aumentando la frecuencia con velocidades más altas. En la Figura
34 se muestra dicho efecto en el banco 5, el último aguas abajo, quien con más
frecuencia deja de flotar y es el más favorecido con la activación del sistema experto.

84
 Histograma de Banco 5 S/E; Banco 5 C/E
Normal
0,14 Variable
Banco 5 S/E
Banco 5 C /E
0,12
Media Desv .Est.
8,964 5,450
0,10
12,74 3,184
Densidad

0,08

0,06

0,04

0,02

0,00
-3,5 0,0 3,5 7,0 10,5 14,0 17,5 21,0
Velocidad (cm/seg)

Figura 34: Histograma de velocidad en banco 5 de la línea 1, con y sin Sist.

Experto activado. Fuente: Gráficas en Minitab desarrolladas por el autor

5.3 Operación frente a condiciones operacionales desfavorables

Como se dijo en los inicios de esta tesis, la recuperación metalúrgica es el principal

indicador de calidad del circuito de flotación. El objetivo de cualquier estrategia de
control es aumentar este indicador, esta meta fue lograda de manera consistente por
el sistema experto.

No es fácil llegar a esta aseveración, dado que existe una gran cantidad de factores
incidentes en los resultados del proceso de flotación y que logran distorsionar los
datos. Si bien existen varios factores que implican cambios positivos o negativos en
el proceso, estos serían despreciables en relación a los tres más importantes que
son el tonelaje, la granulometría y la ley de cobre en la alimentación. Según
metalurgia solo variaciones en estos factores pueden explicar aumentos en la
recuperación de un orden mayor, de lo contrario puede tratarse de una buena

85
operación, que es donde el sistema experto puede ser el responsable (siempre y
cuando esté activo).

Para demostrar que el sistema experto tuvo acción positiva en la recuperación

estudiamos estos factores. En el caso de la granulometría se utilizó el pasante 80% o
también llamado P80. Este dato indica el tamaño máximo del 80% más pequeño del
total partículas contenidas en la pulpa muestreada. En otras palabras es la calidad de
producto entregado desde la molienda, dado que se analizó la pulpa de cabeza o de
alimentación a la flotación rougher. El P80 se calcula mediante una regresión usando
los porcentajes de partículas en rangos de tamaños distintos, se extrapola y se
calcula el tamaño equivalente. En Figura 35 se puede ver dicho cálculo, donde el
P80 viene siendo 225 µm.

Figura 35: Perfil granulométrico para un mineral y demostración grafica del P80
Fuente: Infoindustria, Perú.

Existe una fuerte dependencia entre el P80 y la recuperación, se ha comprobado

mediante estudios, que se puede alcanzar una mayor recuperación bajo un rango
específico de P80. En Figura 36 se puede apreciar esta dependencia, donde se

86
puede ver claramente como un P80 mayor incide negativamente en la recuperación.
Los datos se han ajustado con una regresión cuadrática y se llegó a la ecuación que
se allí se indica.

96

94

92
RecCu (%)

90

88

86

84

82
100 150 200 250 300 350
y = -0,0242x + 94,882
P80 (μm) R² = 0,147

Figura 36: Gráfico que relaciona recuperación con P80 con datos de planta
reales.
Fuente: Gráfico desarrollado por el autor.

Para la realización del estudio se han tomado todos los datos de ley de alimentación,
P80, recuperaciones diarias y estado de funcionamiento del sistema experto, las
cuales se contrastan entre si para demostrar los efectos positivos del sistema. El
estudio contempló los datos entre el 6 de febrero y el 26 de agosto del 2012.

5.3.1 Estudio de P80

Tomando la primera variable incidente en los resultados de la flotación, se han

analizado todos los datos del pasante 80% durante el período de estudio. Estos se
contrarrestaron con los estados de utilización del sistema experto y se verificó si
87
favorecieron sus resultados. Los resultados de este estudio han arrojado que la
mayor parte del tiempo que el sistema experto operó lo hizo con un P80 más alto que
cuando el sistema estuvo inactivo. En la Figura 37 se puede ver esta pequeña
diferencia pero importante en términos operacionales.

Histograma de P80
Normal
0,012 Status
Sin Experto
Con Experto
0,010
Media Desv .Est. N
224,9 37,88 1404
232,2 34,18 998
0,008
Densidad

0,006

0,004

0,002

0,000
80 120 160 200 240 280 320
P80

Figura 37: Histograma de P80 con y sin Sist. Experto activado.

Fuente: Gráficas en Minitab desarrolladas por el autor

5.3.2 Estudio de Tonelaje

No es menor la cantidad de procesos, en que el aumento de carga en la alimentación

genera una disminución de su performance, afectando en muchas ocasiones la
calidad del producto final. El proceso de flotación no se encuentra ajeno a esto, en
particular debido a su naturaleza química, donde las reacciones se tornan cada vez
menos efectivas con el aumento del flujo de entrada. Para demostrar que frente a
estos escenarios el sistema experto respondió de manera efectiva se ha realizado un
análisis de los datos de tonelaje en la ventana de tiempo usada para el estudio. De
esto se comprobó que los tonelajes con los que operó experto no eran favorables

88
para sus resultados, dado que presentaban un aumento notorio con respecto a los
que se tenían mientras el sistema no estaba a cargo del control. En la Figura 38 se
puede apreciar esto, donde el promedio de tonelaje es más de cien toneladas mayor
en las líneas 1 a 4 con el sistema experto operando.

Histograma de Ton
Normal
0,0012 Status
Sin Experto
Con Experto
0,0010
Media Desv .Est. N
2602 481,8 2553
2763 356,9 1977
0,0008
Densidad

0,0006

0,0004

0,0002

0,0000
1500 1800 2100 2400 2700 3000 3300 3600
Ton

Figura 38: Histograma de Tonelaje con y sin Sist. Experto activado.

Fuente: Gráficas en Minitab desarrolladas por el autor

5.3.3 Estudio de Ley de Alimentación

Para finalizar con el análisis de variables que tienen incidencia en los resultados del
proceso, se han estudiado los valores de ley de cabeza (alimentación) al circuito de
flotación. Los resultados arrojaron leyes de cabeza con valores menores con el
sistema experto fuera de funcionamiento, si bien no fueron diferencias sustanciales
(casi despreciables), nos permiten descartar que no fueron mayores. Es con esto que
finalmente podemos confirmar que ninguna de las variables consideradas como
importantes en los resultados del proceso, tuvieron cambios considerados favorables
a la operación del sistema experto. En la Figura 39 se puede ver como el promedio

89
de la ley de cabeza aumento mínimamente en casi una centésima. Además si bien el
promedio no presenta diferencias considerables, en la distribución de probabilidad
podemos notar que el sistema experto opero con leyes considerablemente mas bajas
en el rango aproximado de 0.5 % de cobre. Rango en donde la operación necesita
trabajar de manera efectiva para poder liberar las pocas partículas de cobre
existentes en la pulpa.

Gráfica de probabilidad de Ley Cabeza

Normal - 95% de IC
99,99
Status
Sin Experto
Con Experto
99
Media Desv.Est. N AD P

95 0,7050
0,6952
0,09532 2831 4,010
0,1013 2000 5,097
<0,005
<0,005

80
Porcentaje

50

20

5
1

0,01
0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1
Ley Cabeza

Figura 39: Distribución de probabilidad de ley de cabeza en líneas Rougher 1-4

con y sin Sist. Experto.
Fuente: Gráficas en Minitab desarrolladas por el autor

5.4 Aumento en la recuperación de cobre

La recuperación de cobre es el único indicador que finalmente evalúa el desempeño

del control en la flotación rougher. Gracias al estudio previo realizado a las variables
incidentes en los resultados del proceso, es que podemos adjudicar directamente
cualquier aumento en la recuperación a la operación efectiva del sistema experto. En
el periodo utilizado para el estudio podemos ver que el sistema experto mejoró los

90
porcentajes de recuperación en todos los escenarios posibles. En el grafico de la
Figura 40 podemos distinguir como los valores de recuperación menores obtenidos
se desplazaron a valores mas altos con la activación del sistema.

Gráfica de probabilidad de %Rec

Normal - 95% de IC
99,99
Status
Sin Experto
C on Experto
99
Media Desv.Est. N AD P

95 89,84
90,19
1,831 1404
1,518 998
2,557
2,962
<0,005
<0,005

80
Porcentaje

50

20

5
1

0,01
82 84 86 88 90 92 94 96 98
%Rec

Figura 40: Distribución de probabilidad de la recuperación de cobre con y sin

Sist. Experto. Fuente: Gráficas en Minitab desarrolladas por el autor

Por otro lado lo mismo ocurre a altos valores de recuperación, donde los valores
altos se hicieron aún más altos, confirmando que la operación mejoró bajo
condiciones desfavorables.

El buen desempeño de la operación con experto frente a valores de operación

alejados de los normales también se puede ver con altos tonelajes procesados. En el
gráfico de la Figura 41 se han tomado los datos de recuperación solo para los días
en que se procesaron 180.000 toneladas/día. En el podemos ver como las
probabilidades de obtener recuperaciones mayores con altos tonelajes procesados
aumentaron. Indudablemente se logró una mejor operación, lo que se ve reflejado en
aumentos en la recuperación.

91
 Gráfica de probabilidad de %Rec (Sobre 180 kTon)
Normal - 95% de IC
99,9
Status
Sin Experto
99 Con Experto

95 Media Desv .Est. N AD P

90 89,24 1,348 99 0,199 0,883
89,77 1,215 96 0,395 0,367
80
Porcentaje

70
60
50
40
30
20
10
5

0,1
85,0 87,5 90,0 92,5 95,0
% Rec

Figura 41: Distribución de probabilidad de la recuperación operando sobre

180.000 Ton/día, con y sin Sist. Experto activado.
Fuente: Gráficas en Minitab desarrolladas por el autor

Si bien puede llegar a ser discutible que el sistema es el único responsable de tan
considerables aumentos en los valores de metal preciado extraído, el estudio previo
realizado ratifica el real aporte de una buena operación en los resultados finales. Si
tomamos todos los datos correspondientes a la ventana de tiempo usada para el
estudio y los reordenamos en dos grupos según la utilización podemos ver más
claramente cuanto aumenta la recuperación con el sistema experto activo. En la
Figura 42 se pueden ver los datos agrupados en estas dos etapas cada uno con sus
intervalos de confianza calculados con una desviación estándar de 1.35, allí se
puede ver claramente el aumento de la recuperación (alrededor de 3.5 décimas). A
su vez se aprecia como los valores cercanos al límite inferior del intervalo de
confianza en la segunda etapa se hacen mas distantes, esto demuestra que tenemos
menos recuperaciones menores con el sistema experto activo. Cabe mencionar que
el número de días utilizado para el estudio asciende a 200 y los datos de

92
recuperación fueron extraídos diariamente por el laboratorio químico metalúrgico el
cual presenta sus certificaciones correspondientes.

Gráfica I de %Rec vs Utilización

Sin Experto Con Experto
111 UCL=94,24
94 UC L=93,89

93
92
91
Recuperación

90
89
88 _
_ X=90,19
87 X=89,84
86 LC L=86,14
LC L=85,79
111
85
11
1 241 481 721 961 1201 1441 1681 1921 2161 2401
Observación

Figura 42: Gráfica de control individual agrupada por etapas para la

recuperación de cobre, con y sin Sistema Experto activado.
Fuente: Gráficas en Minitab desarrolladas por el autor

5.5 Estado actual del sistema

Actualmente el sistema experto rougher en Minera Los Pelambres está siendo

utilizado por operadores, gracias a las modificaciones en la estrategia y al
mejoramiento de los tiempos de respuesta. En los últimos meses se ha alcanzado
una utilización promedio de un 70%.

Si bien el sistema es desactivado en algunas ocasiones, esto es a raíz de situaciones

puntuales de la operación, las cuales son provocadas por cambios de bombas,
cortocircuito en hidrociclones, aumentos bruscos en medida del P80, etc. En todas
estas eventualidades, según operadores, es conveniente desactivar el sistema dado
93
que no opera de manera efectiva. Esta aseveración es coherente, dado que el
sistema no fue concebido para situaciones operacionales puntuales alejadas de la
operación normal, por lo que es probable que se comporte lento frente a embanques
u otras situaciones que necesiten una reacción rápida. Es importante mencionar que
las situaciones puntuales han disminuido, gracias a acciones en otras variantes del
proceso, lo que favoreció la utilización del sistema.

5.6 Conclusiones

La utilización de los sistemas expertos es cada vez mas vista en la industria que
trabaja con automatización avanzada, Minera Los Pelambres no está ajena a esto,
ello explica su deseo de contar con sistemas robustos que cuenten con una alta
disponibilidad y confiabilidad. Es en estos puntos donde se ha trabajado arduamente,
instalando un sistema que opere el 100% del tiempo, con alta disponibilidad tanto de
hardware como de software. Este objetivo se cumplió a cabalidad.

Para llegar a estos resultados se ha trabajado desde la instrumentación en terreno

donde se supervisó la instalación de equipos asegurando medidas precisas, hasta
procurar la instalación de versiones de software necesarias para el funcionamiento
de los sistemas de control. Esto ha permitido cumplir el objetivo de alta disponibilidad
del sistema experto, el cual actualmente está a disposición de ser usado siempre que
la Superintendencia de Operaciones Planta lo desee.

Por otro lado y en cuanto a la confiabilidad del sistema, se ha trabajado en el análisis

de los factores y variables más incidentes en el proceso. Se hizo necesario cambiar
la estrategia para que se acomodara a las actuales condiciones de la Planta, dando
especial hincapié a los tiempos de respuesta del proceso. Además se ha
aprovechado la incorporación de nuevas cámaras para la medición de velocidad, la
cuales fueron incorporadas directamente a la estrategia por medio del comparador
de velocidades de celdas de un mismo banco. Esto permitió evitar repulpeos ya que
el sistema “pudo ver” que estaba sucediendo en la totalidad de las celdas de
flotación.

94
En cuanto a los indicadores, se ha trabajado en dar un reordenamiento a las
variables involucradas en los cálculos que finalmente se muestran por pantalla en
forma de gráficas o status de equipos. Se creó una pantalla que muestra la
instrumentación crítica para el funcionamiento del sistema experto, donde el
operador puede ver claramente en que condiciones se encuentran y si es factible la
activación del sistema.

La visualización de lo que sucede en cada celda de flotación es de mucha

importancia para el operador, es por ello que se ha aprovechado la instrumentación
de cámaras IP para el desarrollo de una pantalla de visualización que se instaló en la
Sala de Control de Flotación. El operador puede seleccionar la celda que desee y
verla en tamaño completo, por otro lado la pantalla realiza un escaneo automático ya
sea por línea o por celda de flotación (según lo requiera).

Con la aparición de esta pantalla, el operador no tuvo que realizar las constantes
salidas a terreno a verificar el estado del rebose de espuma, donde se veía expuesto
a gases emanados por los reactivos utilizados en el proceso de flotación. Esta
mejora ha favorecido en gran medida las condiciones de trabajo del operador y se
nos agradece la implementación y disponibilidad de los equipos.

La planificación, desarrollo y mejoras en los puntos antes expuestos, finalmente

dieron sus frutos en el aumento de la utilización del sistema experto. Este pasó de
estar desactivado a llegar a una utilización del 70% en los últimos meses. Gracias a
este aumento se pudieron realizar estudios que nos permitieron comprobar la
efectividad de la estrategia.

Finalmente el porcentaje de recuperación de cobre, principal parámetro para medir la

operación, ha sido analizado en los meses en que el sistema se reinstauró. Este
análisis arrojó un aumento de este porcentaje siempre que el sistema estuviese
activo. Lograr un aumento con un sistema que opera de manera autónoma fue
nuestro principal logro y creemos que la carrera no termina allí.

Estamos seguros de que es posible mejorar aun más estos sistemas, siempre y
cuando dispongamos de mediciones más exactas. Esto a fin de obtener data
confiable que nos permita hacer estudios para determinar perfiles óptimos de

95
velocidad, de P80, variaciones de leyes metalúrgicas, flujos de alimentación, flujos de
descarga, etc.

Finalmente podemos afirmar que los sistemas de control basados en lógica difusa
con sus innumerables aplicaciones, en el caso particular del proceso de flotación,
logran buenos resultados, dada la dinámica lenta del proceso. El motor de inferencia
difuso si bien puede lograr identificar donde tiende el proceso, siempre deberá tener
como entrada una situación adversa (aunque sea casi despreciable) para luego de
eso tomar las acciones proporcionales a la magnitud de la situación. Dada la
naturaleza “reactiva” de estos sistemas es que en muchas aplicaciones no tenemos
buenos resultados. Un ejemplo de esto se da en el control de molinos SAG, donde el
retraso en las acciones de corrección a raíz de la identificación tardía de la
problemática, causa que la variable controlada no pueda estabilizarse, escapando de
la banda de operación de manera cíclica.

Actualmente antes de optimizar un proceso, previamente se busca estabilizarlo. Es

en este punto donde muchas veces de manera errónea se quiere solucionar por
medio de los sistemas expertos en base a lógica difusa. Particularmente en Minera
los Pelambres se está trabajando con los sistemas MPC, los cuales han logrado dar
buenos resultados en esta fase, dado que utilizan un modelo matemático, el cual
predice el comportamiento del proceso frente a las distintas perturbaciones.
Obedeciendo a esta estructura el sistema MPC estabiliza para después el sistema
experto optimizar, logrando un control integral.

96
97
Referencias Bibliográficas

1. Metso Minerals Cisa (2004). “Vision Systems for the Mineral Processing Industry”.
Taller sostenido después de la 36ª Conferencia CMP, Ottawa. (Paper)

2. Jonas, Robert (2008). Advanced Control for Mineral Processing: Better Than
Expert Systems. Canadian Mineral Processors. Ottawa. Canadá. (Paper)

3. Felipe Núñez y Aldo Cipriano (2008). “Análisis, Implantación, Seguimiento y

Optimización de Estrategias de Control para Planta de Flotación de Minera Los
Pelambres”. DICTUC (Inédito)

4. Rob Perry (2005). “Flotation Circuit Control Review”. Metso Minerals Process
Technology. (Inédito)

5. Luis Marín Escalona (2007). “Simulación de un Circuito de Flotación Primaria”.

Metsolver

6. Figueroa, L. et al. (2009). “Determination of Rougher Froth Velocity Profiles and

their Implementation through Expert Systems”. PROCEMIN

98
Páginas Web

1. Universidad Politécnica de Madrid (2008). “Tutorial de Introducción a la Lógica

difusa”. Madrid. España.

http://www.dma.fi.upm.es/java/fuzzy/tutfuzzy/introduccion2.html

2. Universidad de Barcelona (2009). Tesis doctorales en red . “Aplicaciones de la

Lógica Difusa”. Barcelona. España.

http://tdx.cat/

3. Universidad Carlos III de Madrid, Departamento de Telemática (2005). “Historia

de la Lógica Difusa”. Madrid. España.

http://www.it.uc3m.es/

4. Universidad Privada del Norte, Departamento de Ingeniería, Tesis en línea

(2010). “Procesamiento de Minerales”. Lima. Perú.

http://cybertesis.upnorte.edu.pe/upnorte/2009/yllanes_mp/html/TH.2.html

99