Uso de modelos de similitud para detección de anomalías y modelos de predicción en procesos de concentración de minerales

Abstract

En la actualidad, la supervisión de procesos necesita ser cada vez más eficiente. Hoy en día se cuenta con múltiples sensores en cada proceso, los cuales entregan información de algún estado/variable del mismo. Al analizar esta información, es posible encontrar relaciones entre variables y puntos de operación del proceso. Lo anterior posibilita la construcción de modelos de procesos en base solo a información recaudada de los estados/variables. Esta herramienta de modelación es muy útil cuando no se conoce de manera completa, a nivel fenomenológico, el proceso a estudiar. El presente Trabajo de Titulo está centrado en la realización de modelos para un molino SAG (Semi-Autógeno) en base a estructuras no-paramétricas de similitud. En primer lugar, se desarrolla un algoritmo para la generación de modelos de similitud usando un enfoque basado en los residuos (diferencia entre el valor real y el valor estimado). Posteriormente, se desarrolla una metodología para estimar variables usando modelos de similitud, la predicción de ellas y un posterior análisis de escenario usando un modelo de predicción. Al momento de generar un modelo para estimar las variables controladas usando datos históricos reales de un molino SAG, se observa que el modelo creado cumple con los criterios de validación. Posteriormente, usando los mismos datos, se procede a crear un modelo de predicción, con el fin de generar un análisis de posibles futuros escenarios. Los resultados muestran que en el nuevo escenario propuesto, se obtiene un mejor desempeño energético del molino SAG estudiado. Por otro lado, se genera un modelo para la detección de anomalías usando una base de datos con una anomalía identificada. Los resultados de esta modelación muestran que se detecta exitosamente la anomalía en la base de datos. Se propone a futuro, desarrollar una herramienta que sea capaz de realizar un pronóstico, estimando las variables independientes para una mejor predicción de las variables controladas.