See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/339626981

CONTROL PREDICTIVO DE UN CIRCUITO DE MOLIENDA DE MINERALES EN

HÚMEDO

Conference Paper · August 1998

CITATIONS READS

0 371

4 authors, including:

Oscar Daniel Chuk Victor H. A. Ciribeni

National University of San Juan National University of San Juan
57 PUBLICATIONS   90 CITATIONS    11 PUBLICATIONS   45 CITATIONS   

SEE PROFILE SEE PROFILE

Vicente A. Mut
National University of San Juan
155 PUBLICATIONS   1,975 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Non linear non gaussian state estimation 2004-2008 View project

Programación de mina de largo plazo mediante optimización multiobjetivo predictiva View project

All content following this page was uploaded by Oscar Daniel Chuk on 02 March 2020.

The user has requested enhancement of the downloaded file.

 CONTROL PREDICTIVO DE UN CIRCUITO
DE MOLIENDA DE MINERALES EN HÚMEDO

Ing. Daniel Chuk*, Ing. Víctor Ciribeni* , Ing. Enrique Nuñez*, Dr. Ing. Vicente Mut**

*Instituto de Investigaciones Mineras, Facultad de Ingeniería, Universidad Nacional de

San Juan, Argentina.(dchuk@unsj.edu.ar)
**Instituto de Automática, Facultad de Ingeniería,Universidad Nacional de San Juan,
Argentina

Resumen: Se presenta en este trabajo el uso de algoritmos de control del tipo predictivo
generalizado (GPC, generalized predictive control) aplicados a un circuito clásico de
molienda en húmedo con clasificación por hidrociclón, con el fin de asegurar condiciones
óptimas de densidad en el molino y una adecuada granulometría del producto. Se ha
verificado la eficiencia del control GPC, comparado con controladores PID.

Palabras claves: Molienda, Modelación y simulación, Control de procesos, Control

predictivo.

1. INTRODUCCIÓN El material a moler es introducido junto con agua en

Una de las operaciones básicas en cualquier proceso
de beneficio de minerales es la reducción de tamaño,
que se lleva a cabo habitualmente por una etapa de
trituración seguida por una de molienda, que
incorpora una carga importante de instrumentación y
control. La planta bajo estudio en este trabajo es un
circuito clásico de molienda en húmedo con
clasificación con un hidrociclón, tal como lo muestra
la figura 1.
la alimentación del molino, que es un cilindro
rotatorio horizontal parcialmente cargado con bolas
de acero; a la salida del mismo se adiciona
nuevamente agua y se envía la pulpa a un hidrociclón
que efectúa una clasificación de tamaño: devuelve la
parte más gruesa a la entrada del molino y entrega
como producto la más fina.
2. ESTRATEGIA DE CONTROL

Se han implementado para este circuito dos lazos de

Fig. 1 : Diagrama de flujos del circuito a controlar.
control, tal como lo muestra la Figura 2, destinados a
optimizar las condiciones de operación del molino y
de la clasificación de tamaño respectivamente. En el
primero la variable controlada es el porcentaje de
sólidos (respecto del total sólidos más agua) dentro
del molino, eligiéndose como variable manipulada el
caudal de agua en la alimentación. En el segundo se
controla la granulometría de salida en el rebalse
(overflow) del hidrociclón, expresada como un
porcentaje de los sólidos por debajo de una cierta
“malla” o tamaño, para este caso 104 µm, siendo el
caudal de agua adicional al sumidero la variable
manipulada. El caudal de sólidos en la alimentación
es considerado una perturbación al sistema.
Fig. 2: Lazos de control del sistema
Se encuentran en la literatura muchas otras
estructuras de control, según las características
específicas del proceso el objetivo perseguido (Horst
y Enochs, 1980), incluyendo la medición y control de
caudales, caudales másicos, densidades y potencia
consumida por el molino (Cipriano et. al., 1989).
3. MODELO DEL SISTEMA
Se ha desarrollado un modelo del sistema basado en
las leyes fenomenológicas que gobiernan la
conminución y clasificación, algunas deducibles de la
física involucrada y otras empíricas, a fin de tener
una descripción lo más exacta posible, y a estas se les
superpone la descripción dinámica del sistema
(Niemi et al., 1997).
3.1. Modelo matemático de molienda.
Las funciones que describen la conminución son: 1-
Función de velocidad de fractura, 2- Función
distribución de fractura y 3- Función clasificación
interna.
La función velocidad de fractura Si, expresada en
(1), es la más importante (Sepúlveda y Gutierrez,
1986). Es la única que se utiliza en el modelo
simplificado y está directamente relacionada con la
energía específica.
Si t  Si E E (1)
Donde: SiE = Velocidad específica de fractura del
tamaño i, en t/Kw-h.
E = Energía por tonelada de sólido
alimentada al molino, Kw/h/t.
t = tiempo, h.
El término SiE interviene en la ecuación (2) del
modelo simplificado de molienda continua, que
permite obtener la granulometría del producto del
molino en función del tiempo, la energía específica y
la función velocidad de fractura:
Wi (t )  Wi (0)[1  ( E / N )Si E ] N (2)
.Finalmente, para obtener información sobre las
variables de operación más importantes del proceso:
diámetro del molino, volumen de carga de bolas,
velocidad crítica y porcentaje de sólidos de la pulpa,
se cuenta con la ecuación empírica (3), donde
aparece la velocidad de fractura Si en función de
éstas:
Si  Si E Di 0,5Vp 0,461Cs1,505 Ps1 (3)
Donde Di es el diámetro interno del molino, en pies,
Vp es el porcentaje en volumen del molino ocupado
por elementos moledores ; Cs es el porcentaje de la
velocidad crítica del molino a la que se opera, y Ps es
el porcentaje de sólidos en peso de la pulpa en el
molino.
3.2. Modelo del hidrociclón.
Para el mismo se ha empleado el modelo matemático
de Plitt que se basa en la ecuación de la curva de
eficiencia corregida siguiente (Lynch, 1980;
Sepúlveda y Gutierrez, 1986):
Ci  1  exp[ ln 2(di / d 50(corr ))m ] (4)
Donde Ci es la eficiencia corregida para la partícula
de tamaño di ; di es el tamaño de partícula en el
intervalo i, en micrones y d50 es el tamaño de
partícula que tiene el 50 % de probabilidad de
aparecer en la descarga del hidrociclón.
El parámetro m representa una medida de la
eficiencia global de clasificación. A partir de la curva
de eficiencia corregida se puede calcular la curva de
partición real Cri aplicando la ecuación (5):
Cri (1a)Ci  a (5)
Donde a es una proporción de agua que siempre va a
la descarga aunque no haya sólidos, denominada
“cortocircuito”.
3.3 Dinámica del proceso de molienda
A las expresiones anteriores, que tienen carácter
estático y describen en consecuencia el proceso en
estado estacionario, se les debe superponer la
dinámica correspondiente.
Definiendo el tiempo de residencia T res como el
tiempo promedio que permanece una partícula dentro
del molino, D como el coeficiente de difusión [m2/s] 3.4 Características especiales de la dinámica del
y la relación u entre la longitud total del molino L y sistema producto de la interacción entre caudales
el tiempo de residencia , u = L/T res,, se puede de sólidos y líquidos en el molino.
expresar la variación de la concentración de un cierto
tamaño ci(l,t) por la ecuación de la difusión de Las expresiones anteriores tratan los caudales de
Fokker-Planck: salida del molino de sólidos y agua como
independientes entre sí, pero existen sin embargo
 ci  2ci  ci caudales adicionales como resultado de la influencia
 D  u (6)
de uno sobre el otro. Si, por ejemplo, el caudal de
t  l2 l
sólidos aumenta, el medio en el molino se encontrará
más denso luego de un tiempo, lo que significa que
La solución adimensional de esta ecuación para
existe un desplazamiento de agua afuera del molino,
distintas relaciones largo - diámetro y para un
y esto se manifiesta como un caudal adicional de
impulso en la entrada se muestra en la Figura 3:
agua Qw', no producto de una entrada de agua al
molino sino de dicho desplazamiento.

Continuando con este caso particular de la influencia

de los sólidos sobre el caudal de agua, se ha
obtenido una expresión del caudal adicional Qw’ con
el siguiente razonamiento:

La fracción de sólidos final () que existirá dentro

del molino es:

Qsin
 (8)
Qsin  Qwin

Fig. 3. Solución adimensional del modelo de difusión donde se hace referencia a los caudales de sólidos y
agua de entrada, y deberá ser igual a:

Una aproximación de esta ecuación muy usada es Ps

considerar el proceso como un conjunto sistemas de  
primer orden con un retardo puro (Austin,L et al, ( Pw  Pw ')  Ps
1984; Herbst,J et al, 1989; R. Ylinen et al.,1987). (9)
Así, la relación entre el caudal de entrada Qi de un
cierto tamaño y su respectivo caudal de salida qi es
donde Pw' es la variación de peso de agua debida al
 s caudal Qw'. Despejando Pw':
qi ( s) e
 (7)
Qi ( s) 1 Ts
Ps
Esta expresión se aplica asimismo al caudal de Ps  Pw    Pw ' (10)

líquidos.

Los tiempos T y  dependen del tiempo de residencia Como Pw '   Qw 'dt , derivando (10), se tiene
del molino Tres y que se define como Tres= Ps/Qs,
donde Ps es el Holdup de sólidos (peso de sólidos
dPs dPw dPs 1
contenido en el molino) y Qs es el caudal de sólidos    Qw ' (11)
que lo atraviesa. dt dt dt 

Como parte del modelo se incluye un lazo de control Como se desea encontrar Qw', que es la variación de
PID sobre el nivel del sumidero destinado a evitar caudal de agua ocasionada solamente por una
que el mismo rebalse. En cuanto al hidrociclón, las variación en los sólidos, se supone que la variación
constantes de tiempo involucradas son sumamente en los líquidos producto del caudal de agua de
pequeñas comparadas con las del molino, por lo cual entrada es nula, o sea dPw/dt = 0, con lo que de (11)
se desprecian y se considera sólo el modelo se obtiene:
algebraico descripto anteriormente (Niemi et al.,
1997). dPs 1
Qw '  (  1) (12)
dt 
A su vez, como la variación de peso dPs/dt es la
diferencia entre los caudales de sólidos de entrada
Qsin y salida Qs, y reemplazando también  de (8) se
puede colocar la expresión anterior como
Qw  Qs Q (13)
Qw '(Qsin  Qs )( 1) (Qsin  Qs ) w
Qs Qs
donde debe tenerse en claro que Qw y Qs son los
caudales de salida debidos sólo a modificaciones en
las respectivas entradas. En forma análoga se pueden
encontrar las variaciones en el caudal de sólidos
provocado por variaciones en el agua:
Qs
Qs '  (Qwin  Qw )
Qw
Luego, para obtener el caudal total de sólidos Qso,
deben sumarse Qs y Qs'. El esquema usado para el
cálculo del caudal total de sólidos se puede apreciar
en la Figura 4:
Fig 4: Diagrama de bloques del cálculo del caudal
de sólidos.
3.5 Contraste del modelo
El modelo presentado ha sido implementado en
Simulink, probado en distintas condiciones operativas
y contrastado con el proceso real, comprobándose
que lo representa con fidelidad tanto numéricamente
como en su dinámica.
Fig. 5: Respuesta del sistema sin control.
La Figura 5 presenta la respuesta del sistema frente a
variaciones consecutivas tipo escalón en sus tres
variables de entrada: 0.9 tn/h a 1.1 tn/h en t=25h en
los sólidos de alimentación; 1.9 tn/h a 2.1 tn/h en
t=50 h en el agua de alimentación; 0.65 tn/h a 0.75
tnh en t=75 h en el agua adicional.
3.5 Obtención de un modelo lineal alrededor de un
punto de trabajo.
Si bien el modelo descripto se caracteriza por su
exactitud, no es muy útil a los fines del diseño de
controladores: es típicamente no lineal, y presenta
constantes de tiempo “variables”, ya que T y 
dependen del tiempo de residencia T res, que varía
según las condiciones operativas; por lo tanto se ha
(14) obtenido un modelo lineal alrededor de un punto
típico de trabajo: 1 tn/h, 2 tn/h y 0.7 tn/h para los
sólidos de alimentación Qs, agua de alimentación Qwal
y agua adicional Qwad respectivamente. Entre las
múltiples relaciones salida/entrada obtenidas, son de
interés las que se han utilizado para diseñar los
algoritmos de control : el porcentaje de sólidos en el
molino PjeSol respecto del caudal de agua de
alimentación Qwal y el porcentaje de los sólidos por
debajo de 104 µm M104 respecto del caudal de agua
adicional Qwad :
PjeSol( z 1 ) z 2 ( 0.0017  0.0012z1  0.0011z  2  0.0025z 3  0.0013z 4 )

Qwal( z 1 ) 1  19927
. z1  0.9684z 2  0.2508z 3  0.2208z 4
M 104( z 1 ) 0.3326  0.3127 z 1  0.0181z 2

Qwad ( z 1 ) 1  0.2459 z 1  0.6501z  2
4. CONTROL PREDICTIVO BASADO EN
MODELO
A los fines del diseño de un algoritmo de control
GPC (Generalized Predictive Control) para el caso
monovariable se parte de un modelo general
ARMAX (auto regresivo y de media móvil):
A( z 1) y( t )  B( z 1) z d u( t 1)  C( z 1)
e( t )

donde y(t) es la variable de salida, u(t) es la acción de
control y e(t) es un ruido blanco de media nula; A, B
y C son los siguientes polinomios en el operador
retardo z-1:
A( z 1 )  1 a1z 1  a2 z  2  ...  ana z  na
B( z 1 )  b0  b1z 1  b2 z  2  ...  bnb z  nb
C( z 1 )  1 c1z 1  c2 z  2  ...  anc z  nc
con
  1  z 1
Por simplicidad se tratará a continuación el caso de
un sistema con ruido blanco, es decir con C = 1.
El algoritmo GPC (Camacho y Bordons, 1995),
elaborado sobre la idea básica de un horizonte móvil
de control, consiste en aplicar una secuencia de
control que minimice la función de costo
N2 
u(t )  Cu1u(t  1)  Cu 2 u(t  2) ...Cu d  nb u(t  d  nb) 
C y1 y (t )  C y 2 y (t  1) ...C y Na y (t  Na  1) 
Cw1 w(t  d  1)  Cw 2 w(t  d  2) ...Cw N w(t  d  N )

J ( N1 , N 2 , N u )  E {   ( j)[ y( t  j t )  w( t  j)]2  donde se utiliza un único horizonte de predicción N,

j  N1 Na es la cantidad de términos del polinomio A, nb es
Nu la cantidad de términos del polinomio B y d es el
   ( j)[u( t  j 1)]2 } retardo puro expresado en cantidad de intervalos de
j 1 muestreo.

donde E es el operador esperanza matemática,

y(t+jt) es la predicción óptima de la salida del
sistema en el instante actual t tomada j pasos hacia
adelante, N1 y N2 son el mínimo y máximo horizontes
de costo, Nu es el horizonte de control, (j) y (j) son
secuencias de peso para los errores y las acciones de
control respectivamente y w(t+j) es la secuencia de
referencia.
4.1 Control predictivo de la granulometría y el
porcentaje de sólidos.
Para el caso en consideración, y para cada uno de los
dos lazos a resolver, A y B se extraen directamente
del denominador y numerador de las funciones de
transferencia discreta expuestas en el apartado 3.

Utilizando como herramienta la elaboración recursiva Englobando todos los coeficientes Cui en un vector
de la ecuación diofantina (Ogata, 1996) se puede Cu, los coeficientes Cyi en Cy, y los Cwi en Cw, y
colocar el modelo ARMAX como tomando para el caso del porcentaje de sólidos
horizonte N = 10 y penalización  = 0.25, se obtiene
y  Gu  F( z 1 ) y( t )  G( z 1 ) u( t 1)
Cua = [0.9482 0.0610 0.0510 0.0538 -0.0725 -
0.0413]
donde Cya = [37.5652 -69.6819 31.1128 9.2604 -
 y( t  d 1 t ) 

 u ( t )  7.1363]
    u( t 1) 
 y( t  d  2 t )    Cwa =[-0.0065 -0.0236 -0.0551 -0.0897 -0.1204 -
y .
 u .  0.1443 -0.1607 -0.1703 -0.1745 -
   
 .   .  0.1751]
   u( t  N 1) 
 y ( t  d  N t ) 
En forma análoga, tomando N = 5 y penalización  =
 F ( z 1 ) 
0.8 para el porcentaje de sólidos debajo de 104 µm se
 g0 0 ...0
 g   d 1  encuentra
 1
g0 ...
  Fd 1 ( z 1 ) 
G . . .  F ( z 1 )   .

    Cub = [1.4280 -0.4040 -0.0240]
 . . .   .  Cyb = [-1.6067 -0.0514 0.8618]
 g N 1 gN 2 g0 
...  1 ) 
 dN
F ( z  Cwb = [0.3333 0.0698 0.1914 0.0757 0.1260]
 ( Gd 1 ( z 1 )  g0 ) z 
 
 ( Gd  2 ( z 1 )  g0  g1 z 1 ) z 2 
1
F (z )   .  5. ANÁLISIS DE RESULTADOS.
 
 .  COMPARACIÓN CON CONTROLADORES
( G 1 1 N N 
 d  N ( z )  g0  g1 z ... g N z ) z  PID
o más sintéticamente
Tradicionalmente se resuelven los dos lazos
y  Gu  f expuestos con versiones no lineales de controladores
PID ajustados en las zonas de operación (Shinskey,
1979). La sintonía de los mismos no es simple,
La minimización del funcional J, asignando (j) = 1 y debido básicamente a dos motivos : a) la existencia
(j) como una constante  da como resultado un de una sucesión de sistemas concatenados con
vector de acciones de control comportamiento de primer orden da lugar a una
dinámica global muy lenta y con retardos puros
u  (G T G   I ) 1 G T ( f  w) considerables, propia de los molinos de bolas ; b) se
trata de un sistema variable en el tiempo. En la
donde debe notarse que se aplica solamente el primer Figura 6 se muestra la evolución de las variables de
elemento de u , y al próximo intervalo de muestreo salida del sistema controlado con dos PIDs frente a
se repite el cálculo, lo que da una secuencia de un cambio en el set point de porcentaje de sólidos en
control del tipo el molino en t = 60 h de 65% a 70%, y un posterior
 cambio en el set point de granulometría por debajo de
104 µm en t = 100 h de 80% a 85%. Se puede
observar que el algoritmo PID resuelve
satisfactoriamente el estado estacionario pero
permanecen oscilaciones que es deseable eliminar.
Fig. 6 : Evolución del sistema controlado
con algoritmos PID.
Reemplazando los dos controladores PID por
respectivos algoritmos GPC, el sistema se comporta
frente a los mismos requerimientos como lo muestra
la Figura 7. Aquí son muy notables las mejoras, sobre
todo en el comportamiento de la granulometría.
También es evidente que esto se hace posible por la
característica intrínseca del GPC de relevar toda la
dinámica de un sistema y generar una acción de
control que la tenga en cuenta.
Fig. 7: Respuesta del sistema controlado con
algoritmos GPC.
6. CONCLUSIONES
Se ha comprobado que los controladores predictivos
aplicados a la planta propuesta presentan una rápida
eliminación del error de estado estacionario y
producen salidas sin sobreimpulsos ni oscilaciones
considerables, exhibiendo un comportamiento
cualitativamente superior a los PID.
Un beneficio importante de este tipo de controladores
es su fácil sintonía, particularmente disponiendo de
un modelo fenomenológico. Esta característica hace
del GPC un excelente candidato para un control
adaptivo. De todas formas, sin llegar a implementar
tal tipo de control, se ha observado que los dos GPC
presentan un comportamiento robusto frente a los
cambios de modelo, sobre todo incrementando el
View publication stats
horizonte de predicción N, aunque esto hace más
lenta la respuesta.
REFERENCIAS
Austin, L.G., Klimpel, R.R., Luckie, P.T. (1984).
Process Engineering of Size Reduction: Ball
Milling. Society of Mining Engineers of the
AIME.
Camacho, E. F., Bordons, C. (1995). Model
Predictive Control in the Process Industry.
Springer - Verlag.
Cipriano, A., Varela, V., Cataldo, G., González, G.
(1989) Predictive Control of
Semiautogenous grinding plants. 6th IFAC
Symposium on Automation in Mining,
Mineral and Metal Processing. (V. Koppel,
Edit.) AADECA, Buenos Aires.
Herbst, J.A., Hales, L.B., Pate, W.T., Sepúlveda, J.E.
(1989). Report on actual benefits arising
from the application of expert control
systems in industrial semi-autogenous
grinding circuits. 6th IFAC Symposium on
Automation in Mining, Mineral and Metal
Processing. (V. Koppel, Edit.) AADECA,
Buenos Aires.
Horst, W.E., Enochs, R.C. (1980) Modern Mineral
Processing - Instrumentation and process
control. E&MJ, june 1980.
Lynch, A.J.(1980). Circuitos de molienda y
trituración de molienda de minerales.
Editorial Rocas y Minerales.
Niemi, A., Tian, L., Ylinen, R. (1997). Model
Predictive Control for grinding systems.
Control Eng. Practice, Vol. 5, Nº 2, pp.
271-278.
Ogata, Katsuhiko. (1996) Sistemas de Control en
Tiempo Discreto Segunda Edición. Capítulo
7. Prentice Hall Hispanoamericana, México.
Sepúlveda, J.E., Gutierrez, L. (1986).
Dimensionamiento y optimización de
plantas concentradoras mediante técnicas
de modelación matemática. CIMM.
Santiago, Chile.
Shinskey, F.G. (1979). Process Control Systems
Second Edition. Cap. 5, 10. McGraw-Hill.
Ylinen, R., Niemi, A., Iivarinen, T. (1987). A linear-
quadratic-Gaussian control Algorithm for
Sulphide Ore Grinding. Automatica, 23,
287-294.