Instrumentación y Sistemas de Control en Circuitos de Procesamiento de Minerales INTRODUCCIÓN Esta introducción pretende dar una visión general sobre el control automático aplicado a procesos mineros. OBJETIVOS DEL CONTROL AUTOMÁTICO Objetivos Funcionales
Posibilitar la realización de tareas difíciles (comandar un Molino SAG) Rapidez de ejecución y Coordinación de varias acciones relacionadas Ejs.: Planta concentradora de minerales, Nave espacial Aumentar el beneficio económico (aumento de producción, mejora de calidad, reducción de costos) Mejorar la confiabilidad de los sistemas; aumentar la seguridad en la ejecución de tareas peligrosas; mejorar las condiciones de trabajo en faenas. Reducción de error humano; permanente atención sin cansancio ni distracción. Robots en túneles Mecanización de tareas en ambientes contaminados (fundiciones) Salas de comando y de visualización de información centralizadas Descargar en sistemas automáticos tareas repetitivas y tediosas o o o o
Objetivos Según Desempeño 1.- Mejorar el Desempeño en el Manejo de Variables. Ej.: Mantener una variable cerca de un valor prefijado no obstante las perturbaciones. 2.- Mejorar el Desempeño de un Proceso. Ej.: Aumentar la producción, mejorar la calidad, aumentar la eficiencia en el uso de insumos. 3.- Mejorar el Desempeño Económico
Ej.: Incrementar el beneficio económico de una planta o proceso, sujeto a diversas restricciones. Reducción en la incertidumbre produce beneficios. Mejoramiento de estándares por Automatización
Beneficios económicos
Estructura Jerárquica de los Sistemas de Control
1.- Control local (directo) etc.
Control de variables del primer nivel: Flujos, temperaturas, niveles,
2.- Control Estabilizante Entrega valores de referencia (set points) para los controladores locales de las unidades que forman parte de la planta: flujos, niveles, posición, etc. Control de variables de segundo nivel: tamaño de partículas en planta de molienda, leyes en planta de flotación, etc. Entrega set points a controladores locales. 3.- Control Supervisor Entrega datos (p. ej., set points) para el control estabilizante Puede realizar optimización según cifra de mérito que incluye aspectos económicos. Supervigila la operación de la instrumentación y de los sistemas de control y toma acciones en caso de fallas o de mala operación. Puesta en marcha y detención.
Acciones de seguridad general. 4.- Control de planta (plant Management) Coordina la acción de las subplantas de una planta. (P. ej planta concentradora de minerales) Control de la cantidad de producción. Control de la calidad de la producción. Envía consignas al control supervisor. Recibe datos y consignas de la gerencia de la empresa.
Caracterización de las Variables de la Planta a Controlar para Fines de su Control
Caracterización de las Variables de la Planta desde el punto de vista del CONTROL AUTOMÁTICO.Variables
Comandos (variables manipuladas).- Son variables que podemos manejar a nuestra voluntad (dentro de ciertos límites) Salidas.- Son variables que interesa manejar o monitorear en la planta
Estados.- Son variables que independizan la operación futura de la operación pasada. Perturbaciones o
o
Medidas.- Son variables que afectan el comportamiento de la planta en forma que no podemos manipular, pero que podemos medir. No medidas.- Son variables que afectan el comportamiento de la planta y de las cuales no poseemos mediciones.
Ver figura siguiente
Principales Desafíos para el Control
En general, cambios en el comportamiento de la planta.
Tasas de variación en las perturbaciones: Medidas, no medidas
Interacciones Retardos No linealidades Incertidumbre en general en: o
Las características de la planta,
o
Perturbaciones no medidas
o
En mediciones ruidosas de variables, incluyendo el caso de muestreo inadecuado.
Complejidad estructural Tecnología disponible (sistemas de procesamiento, comunicaciones, sensores, actuadores, etc.) Teoría disponible Disponibilidad de personal idóneo para mantener el sistema en operación (incluyendo la mantención del s/w y h/w) EJEMPLO DE DESAFÍOS QUE PRESENTA EL CONTROL Presencia de Perturbaciones y sus Tasas de Variación El efecto que tienen las perturbaciones sobre la variable de salida controlada se compensa actuando sobre las variables manipuladas. La posibilidad de corregir este efecto, por una parte, depende de la velocidad de respuesta de la salida frente a las perturbaciones y, por otra, de la velocidad de respuesta de salida frente a cambios en la variable manipulada. Por ejemplo, si la moliendabilidad del mineral (perturbación) en una planta SAG como la de la figura siguiente varía lentamente, será relativamente más fácil corregir el efecto que tiene esta variación sobre el hold-up (variable controlada) actuando sobre la alimentación fresca de mineral a la planta (variable manipulada), que si la perturbación varía rápidamente Este caso se ilustra en esta figura cuando está conectado el control PID de hold-up.
En la figura siguiente se muestra el caso en que la perturbación varía rápidamente, con lo que resulta más difícil mantener el hold-up actuando sobre la alimentación fresca. También en este caso el control PID de hold-up esta activado.
Efecto de No linealidad en Hold up molino SAG
Escalones en la alimentación en torno a 1200 [tonlhr] hacen evidente el efecto de la no linealidad en un molino SAG. Otra forma de ver este comportamiento es con la característica estática de la planta. La figura siguiente muestra la Curva Característica Estática de Potencia versus llenado (Carga) en un molino semiautógeno produce efectos no lineales.
No Lineal en este contexto significa que el futuro estado de la planta está condicionado al estado actual. Entonces, si la presión de soporte del molino SAG es de 600 y la velocidad de alimentación se aumenta 50 t/h, la respuesta dinámica será muy diferente a que si la presión de soporte hubiera sido 700. El concepto de complejo significa que una vez que se hace una serie de cambios de sistema, ya no se puede volver al mismo lugar desde donde se partió si se revierten estos cambios. Claramente este fenómeno, contribuye a la dificultad para controlar y optimizar los diagramas de flujo típicos, y también contribuye al nivel de rendimiento en el que estamos actualmente. Efectos del Retardo en el Control
Si sólo se usa control PID clásico, los retardos son causa de una respuesta lenta de la variable controlada. Este es el caso, por ejemplo del control de una correa transportadora en que por alguna razón el tonelaje se mide en la descarga de la correa.
El problema presentado por el retardo se puede solucionar mediante un control basado en modelo. El Problema de las Interacciones (Sistemas multivariables)
Ejemplo de Interacciones:
Al tratar de controlar el Nivel del pozo con el Flujo de agua agregada al pozo, varía la Densidad. Al tratar de controlar la Densidad con el Tonelaje de alimentación, varía el Nivel del pozo. FACTORES QUE AFECTAN LA SELECCIÓN DE ESTRATEGIAS Y SISTEMAS DE CONTROL
Problema del Control Automático
Satisfacer los Objetivos de Funcionamiento a Pesar de las Perturbaciones. La figura siguiente muestra la Estructura fundamental en general para los sistemas de control automático.
Control Realimentado (feedback)
Disminuye el efecto de las perturbaciones no medidas (y también el de las medidas pero con menos efectividad que el control PREALIMENTADO) al tratar en que el error entre la referencia (set-point) y la variable controlada sea pequeño (Cero, Mínimo).
Permite fijar las características dinámicas de la respuesta de la variable controlada. Permite que la variable controlada siga a la variable de referencia con error especificado (referencia fija: regulador; referencia variable: seguimiento o "tracking"). Introduce el problema de la estabilidad en el diseño.
Control Prealimentado (feedforward)
Permite reducir o eliminar el efecto que tienen las perturbaciones medidas sobre la variable controlada en forma más rápida que el Control Realimentado. No reduce el efecto de las perturbaciones no medidas.
No Permite el seguimiento ni regulación de una variable de referencia.
Control Realimentado-Prealimentado
Al utilizar todas las· variables medidas (tanto la medición de la variable controlada como las mediciones de las perturbaciones medidas) combina efectos positivos del Control REALIMENTADO y del Control PREALIMENTADO. Al reducir el efecto de las perturbaciones medidas sobre la variable controlada, puede mejorar en forma importante el desempeño del control Realimentado. Esto es especialmente cierto si hay una perturbación rápida que afecta la variable controlada.
Control en Cascada
Una de las estrategias más utilizadas para estabilizar las variables de proceso (disminuir la variabilidad) es la de control en cascada que son dos lazo de control, uno dentro de otro.
MODELOS MATEMATICOS DE PROCESOS El Problema de la Modelación: Determinación de un modelo M perteneciente a una clase de modelos CM tal que M sea la mejor representación de un sistema, dada una clase de señales U de entrada. El modelo depende de: (1) El conocimiento disponible sobre la planta (2) de la rnodelación (Ej estático, dinámico) (3) La señales que están disponibles (que se pueden o que conviene medir) (4) Tipos de modelos en Control: o
Modelos Fenomenológicos
o
Modelos Grises (incorporan parcialmente aspectos fenomenológicos)
o
Modelos Caja Negra Modelos Fenomenológicos de Plantas o Sistemas Dinámicos 1.- Balance Dinámico Plantear las ecuaciones de balance dinámico de la planta:
o
balances de masas o volúmenes
o
balances térmicos ·
o
balances de fuerzas ·
o
balances de energía ·
o
Balances de voltajes y corrientes · etc. En la mayoría de los casos el balance dinámico se puede expresar mediante un conjunto de ecuaciones llamadas Ecuaciones de Estado. 2.- Modelo Entrada-Salida Expresar las ecuaciones de balance en función de variables de entrada y salida para obtener un modelo de Entrada-Salida de la planta, en el que las variables de entrada (manipuladas y perturbaciones) se relacionan con las variables de salida. 3.- Dar o identificar valores de los parámetros
o
Área de estanques
o
Parámetros de válvulas
o
Tasas de Flotación
o
Índice de moliendabilidad de mineral
o
Volumen de molino Modelos de Tiempo continuo Los más utilizados son modelos en: Ecuaciones de estado (SS) y Función Transferencia (TF: con transformada de Laplace) Modelos de tiempo discreto
Los modelos de esta Clase de Modelos son muy fáciles de utilizar y de programar. Se presentan en forma de ecuaciones de estado y Función Transferencia de Pulsos con el operador de retardo. A diferencia de los modelos construidos con ecuaciones diferenciales, su programación ya sea en lenguajes tales como BASIC, MATLAB, C++, etc. es casi inmediata. Ej: Modelos ARX
Ecuaciones
Muestreo y Retención
Caso en que las muestras no contienen información suficiente como para reconstruir la variable muestreada. Dos señales distintas pueden tener las mismas muestras.
Caso en que las muestras ahora contienen información suficiente como · para reconstruir la variable muestreada, p.ej., por interpolación. El período de muestreo T está relacionado con la tasa de variación de la variable.
CONTROL AVANZADO Los desafíos de control como no linealidades, retardos, interacciones, acoplamientos, parámetros variables en el tiempo, variabilidad en las variables controladas. Además se deben satisfacer criterios económicos, asociados con el mantenimiento de las variables de proceso en sus referencias minimizando dinámicamente (optimización) una función de coste de operación, criterios de seguridad y medioambientales, y de calidad en la producción, la cual debe satisfacer ciertas especificaciones sujetas a una demanda normalmente variable. Estos requerimientos han llevado al desarrollo del control avanzado que va más allá del clásico control por realimentación, prealimentado y cascada. Estas técnicas de control se pueden denominar industrialmente como APC: Control Avanzado de Procesos. Las dos técnicas avanzadas más destacadas en su aplicación en el ámbito minero son: o
Control Experto (Fuzzy Logic)
o
Control Predictivo Basado en Modelo (Control Multivariable) Estas técnicas pueden incluir además las técnicas tradicionales y el
o
Control Adaptivo (Problema no lineal)
o
Compensación de retardos (Predictor de Smith) Estas técnicas de control tienen asociadas otras técnicas de aplicación más reciente como ser
o
Redes Neuronales e
o
Identificación paramétrica Para identificación de modelos, identificación de variables de proceso (sensores virtuales) Las diferencias entre los dos tipos de sistema MPC y Experto son principalmente • MPC usa un modelo del proceso; un sistema experto usa un modelo del
operador.
• MPC es predictivo; un sistema experto es algebraico. • MPC es control de lazo abierto; un sistema experto es control de lazo
cerrado
• MPC se basa en algoritmos; un sistema experto se basa en reglas.
Algunos sistemas son híbridos; por ejemplo, la estrategia de control experto de ABB incluye técnicas tales como ganancia variable, bloques de reglas difusas multivariables, redes neuronales y MPC. Estrategia para desempeño sostenido Control Avanzado: Un enfoque sistemático para un desempeño sostenido
¿Por qué las aplicaciones APC no se mantienen en línea?
Problemas de control regulatorio o
Falla de instrumentos
o
Problemas con válvulas
o
Entonamiento deficiente
Cambios de Proceso o
Nuevas limitantes
o
Objetivos de control diferentes
o
Dinámicas de proceso diferentes
Aplicaciones no mantenidas: Mantenimiento no presupuestado Falta de entrenamiento al operador: Operadores no entienden que hace el APC Muy costoso tener consultores APC ¿Cómo sostener una aplicación APC?
1. Debe tener fundaciones sólidas
2. Una suite de control de desempeño
Tendencias en las técnicas de Control Avanzado
Herramientas de Control Avanzado del Delta V (DeltaV Digital Automation System)
DeltaV Fuzzy (tan fácil como un PID)
Control de Fuzzy Logic preconfigurada
Puede reemplazar PID para la mayoría de las aplicaciones
Respuesta mejorada para perturbaciones de proceso
Entonamiento rápido usando DeltaV Insight
Rápida y fácil configuración – exactamente como el PID Fuzzy Control Results
Control Fuzzy Logic vs PID
DeltaV Predict - Model Predictive Control
Maneja dinámicas de proceso difíciles, reduce la variabilidad y protege las restricciones. Fácil y rápida implementación. Totalmente y embebido, no es necesaria integración: o
Configuración
o
Gráficos de operación
o
Histórico
Escalable y práctico modelo de control predictivo Optimiza el proceso dentro de las restricciones Control Adaptativo
DeltaV Neural – Estimación de Propiedades
Crea sensores virtuales para mediciones en línea normalmente disponibles solamente a través de análisis de laboratorio
Fácil de entender y usar, costo efectivo
Herramienta general de modelaje no lineal
Conclusiones para la Aplicación de Control Avanzado en Planta de Molienda SAG
El recurso humano es un factor fundamenta en este tipo de proyectos y su buen manejo es relevante. No son desarrollos simples. Requieren gran experiencia y conocimiento de los integrantes del equipo de trabajo. Es fundamental la participación dedicada de profesionales de metalurgia, operaciones e instrumentación de planta. Además de un alto compromiso de la planta en el desarrollo de actividades involucradas. Hay temas relevantes como la calidad y disponibilidad de las mediciones y del control tradicional (PID´s) La sustentabilidad, en el tiempo, de la aplicación es fundamental.
