Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIVERSIDAD DE ANTOFAGASTA
FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA
UNIVERSIDAD DE ANTOFAGASTA
FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA
_____________________________________
Sr. Jorge Kasaneva Reinoso
Profesor Guía
_____________________________________
Sr. Jorge Kasaneva R.
Director del Departamento de Ingeniería Eléctrica
COMISIÓN EXAMINADORA
_____________________________________
Sr. Jorge Gianotti Hidalgo
_____________________________________
Sr. Juan Carlos Valdebenito Samit
iv
“La vida es muy peligrosa. No por las personas que hacen el mal, sino por las que
se sientan a ver lo que pasa”
Albert Einstein
v
AGRADECIMIENTOS
Hoy se cierra una etapa muy importante en mi vida, la cual empezó hace
muchos años atrás, con una gran educación entregada con mucho esfuerzo de
parte de mis padres Raúl y Silvia. Mamá gracias por creer en mí, cuando a veces
ni yo mismo lo hacía.
Resumen del trabajo de título presentado a la Universidad de Antofagasta como parte de los
requisitos necesarios para la obtención del Título de Ingeniero Civil Industrial en Electrónica
Una vez desarrollados los sensores virtuales, se implementa una marcha blanca
autorizada por la empresa, la cual es monitoreada por instrumentista del área, encontrando
resultados bastante óptimos acorde a la medición real. Además incorporando instrumentación
virtual en donde no existía una real, la cual servirá para analizar directamente la producción de
mineral apilado, información relevante para la producción. Por lo anterior descrito, se deduce la
importancia de esta instrumentación, permitiendo así la disminución en detenciones debido a fallas
de pesómetros y flujómetros del área de acidificación.
vii
ÍNDICE
REFERENCIAS BIBLIOGRÁFICAS…….……………………………………………105
LISTA DE FIGURAS
Fig. 2.9: Comportamiento del flujómetro Y(k), respecto del modelo BEI 1Y1,
desarrollado por software Statgraphics. ................................................................. 48
Fig. 2.10: Comportamiento del flujómetro Y(k), respecto del modelo EF 1I1Y1,
desarrollado por software Statgraphics. ................................................................. 49
Fig. 2.11: Comportamiento del flujómetro Y(k), respecto del modelo ABI 1Y1,
desarrollado por software Statgraphics. ................................................................. 51
Fig. 2.12: Comportamiento del flujómetro Y(k), respecto del modelo AF1I1Y1,
desarrollado por software Statgraphics. ................................................................. 52
Fig. 3.1: Modelo BEI1Y1, flujo virtual de ácido, formato aritmético. Elaboración
propia. .................................................................................................................... 53
Fig. 3.2: Modelo BEI1Y1 de flujo virtual de ácido, formato tags. ............................ 54
Fig. 3.3: Modelo ABF1I1 del pesómetro virtual v/s señal de pesómetro real.
Analizador Grafico de PI System. .......................................................................... 56
Fig. 3.4: Modelo ABI1Y1 del pesómetro virtual v/s señal de pesómetro real.
Analizador Grafico de PI System. .......................................................................... 56
Fig. 3.5: Modelo ABI1 del pesómetro virtual v/s señal de pesómetro real.
Analizador Grafico de PI System. .......................................................................... 57
Fig. 3.6: Modelo ABF1 del pesómetro virtual v/s señal de pesómetro real.
Analizador Grafico de PI System. .......................................................................... 58
Fig. 3.7: Modelo ABF1I1Y1 del pesómetro virtual v/s señal de pesómetro real.
Analizador Grafico de PI System. .......................................................................... 58
Fig. 3.8: Modelo CEI1Y1 del flujómetro virtual agua v/s señal de flujómetro real
Analizador Grafico de PI System. .......................................................................... 60
Fig. 3.9: Modelo AFI1Y1 del flujómetro virtual agua v/s señal de flujómetro real
Analizador Grafico de PI System. .......................................................................... 61
Fig. 3.10: Modelo ACI1Y1 del flujómetro virtual agua v/s señal de flujómetro real
Analizador Grafico de PI System. .......................................................................... 61
Fig. 3.11: Modelo ACI1 del flujómetro virtual agua v/s señal de flujómetro real
Analizador Grafico de PI System. .......................................................................... 62
xiv
Fig. 3.12: Modelo ACY1 del flujómetro virtual agua v/s señal de flujómetro real
Analizador Grafico de PI System. .......................................................................... 63
Fig. 3.13: Modelo BEI1Y1 del flujómetro virtual ácido v/s señal de flujómetro real
Analizador Grafico de PI System. .......................................................................... 64
Fig. 3.14: Modelo EF1I1Y1 del flujómetro virtual ácido v/s señal de flujómetro real
Analizador Grafico de PI System. .......................................................................... 65
Fig. 3.15: Modelo ABI1Y1 del flujómetro virtual ácido v/s señal de flujómetro real
Analizador Grafico de PI System. .......................................................................... 66
Fig. 3.16: Modelo AF1I1Y1 del flujómetro virtual ácido v/s señal de flujómetro real
Analizador Grafico de PI System. .......................................................................... 66
Fig. 3.17: Modelo ABI1 del flujómetro virtual ácido v/s señal de flujómetro real
Analizador Grafico de PI System. .......................................................................... 67
Fig. 3.18: Comparación gráfica del modelo ABF1I1 pesómetro virtual, con ambos
métodos. ................................................................................................................ 72
Fig. 3.19: Comparación gráfica del modelo ABI1Y1 pesómetro virtual, con ambos
métodos. ................................................................................................................ 73
Fig. 3.20: Comparación gráfica del modelo ABI 1 pesómetro virtual, con ambos
métodos. ................................................................................................................ 73
Fig. 3.21: Comparación gráfica del modelo ACI1 flujómetro virtual agua, ambos
métodos. ................................................................................................................ 74
Fig. 3.22: Comparación gráfica del modelo ACY1 flujómetro virtual agua, ambos
métodos. ................................................................................................................ 74
Fig. 3.23: Comparación gráfica del modelo AFI1 flujómetro virtual agua, ambos
métodos. ................................................................................................................ 75
Fig. 3.24: Comparación gráfica del modelo AF1I1 flujómetro virtual ácido, ambos
métodos. ................................................................................................................ 75
Fig. 3.25: Comparación gráfica del modelo AF1Y1 flujómetro virtual ácido, ambos
métodos. ................................................................................................................ 76
xv
Fig. 3.26: Comparación gráfica del modelo AI1Y1 flujómetro virtual ácido, ambos
métodos. ................................................................................................................ 76
Fig. 3.27: Funcionamiento de pesómetro virtual en software PI System. .............. 82
Fig. 3.28: Funcionamiento de flujómetro virtual agua en software PI System. ....... 83
Fig. 3.29: Funcionamiento de flujómetro virtual ácido sulfúrico en software PI
System. .................................................................................................................. 84
Fig. 3.30: Funcionamiento de pesómetro virtual, correa 17 en software PI System.
............................................................................................................................... 90
Fig. 3.31: Calculo de precisión y exactitud de pesómetro virtual L1. ..................... 91
Fig. 3.32: Calculo de precisión y exactitud de flujómetro virtual agua L1. .............. 92
Fig. 3.33: Calculo de precisión y exactitud de flujómetro virtual ácido L1. ............. 93
Fig. 4.1: Proceso de recuperación del cobre. ........................................................ 97
Fig. A.5.1: Características y parámetros principales de chancado. ..................... 111
Fig. A.5.2: Parámetros principales de acidificación. ............................................. 115
Fig. A.5.3: Parámetros de aglomeración. ............................................................. 116
Fig. A.5.4: Descripción resumida de equipos principales del área. ...................... 118
Fig. A.5.5: Diagrama de flujo del proceso de apilamiento. ................................... 123
Fig. A.5.6: Parámetros principales en apilamiento. .............................................. 126
xvi
LISTA DE TABLAS
Tabla 2.22: Cálculo de test de razón e índice de bondad para modelo ABI 1Y1. ..... 50
Tabla 2.23: Cálculo de test de razón e índice de bondad para modelo AF1I1Y1..... 51
Tabla 3.1: Variables involucradas en modelos de pesómetro virtual. .................... 55
Tabla 3.2: Variables involucradas en modelos de flujómetro virtual de agua. ....... 59
Tabla 3.3: Variables involucradas en modelos de flujómetro virtual de ácido. ....... 63
Tabla 3.4: Modelos matemáticos del flujómetro virtual de ácido, línea1. ............... 69
Tabla 3.5: Modelos matemáticos del flujómetro virtual de agua, línea1. ................ 70
Tabla 3.6: Modelos matemáticos del pesómetro virtual, línea1. ............................ 71
Tabla 3.7: Modelos definitivos del pesómetro virtual, línea1. ................................. 77
Tabla 3.8: Modelos definitivos del flujómetro virtual de agua, línea1. .................... 78
Tabla 3.9: Modelos definitivos del flujómetro virtual de ácido, línea1. ................... 78
Tabla 3.10: Orden de estado estacionario de cada sensor virtual. ........................ 79
Tabla 3.11: Orden de estado transitorio de cada sensor virtual. ............................ 80
Tabla 3.12: Orden de modelos por falla de variable, estado estacionario. ............ 81
Tabla 3.13: Orden de modelos por falla de variable, estado transitorio. ................ 81
Tabla 4.1: Indicadores importantes. ....................................................................... 98
Tabla 4.2: Costo de oportunidad por no apilamiento aproximado, por día y hora. . 99
1
CAPÍTULO 1
1.1 INTRODUCCIÓN
El área seca además de ser la etapa media entre las áreas mina y
húmeda, abarca el mayor territorio de la minera, ya que contempla las etapas de
Chancado, Acidificación, Apilamiento y Ripio. Esto genera la gran importancia que
2
División Gabriela Mistral (DGM) fue fundada en mayo del año 2008, el
entonces Proyecto Gaby, era una filial 100% de Codelco. En ese periodo se inició
la explotación de la mina Gabriela Mistral, ubicada en la Región de Antofagasta,
en la comuna de Sierra Gorda, aproximadamente a 120 kilómetros al suroeste de
Calama y a 2.660 metros de altitud. Se trata de la segunda faena minera
desarrollada íntegramente por la Corporación, desde su descubrimiento, ingeniería
y construcción, hasta la puesta en marcha.
El primero de enero del año 2013, Minera Gaby pasó a ser operada
directamente por Codelco, convirtiéndose en una nueva División.
Entre los ámbitos que más enorgullecen a Gabriela Mistral, está el que es
la empresa minera en Chile que posee el mayor porcentaje de dotación femenina,
con un total promedio de 25% en áreas productivas y administrativas. Ello se
compara con el promedio de 6% de dotación de mujeres en la industria minera en
Chile. Además incorporándolo como normativa, que al menos un 20% de la
dotación actual sean mujeres.
7
Fig. 1.3: Diagrama General del área seca en DGM. (Pi System).
1.3.1 Aglomeración
Las variables que condicionan la calidad del glomero son las siguientes:
Humedad de aglomeración.
Características del material que se aglomera.
Características del tambor (diseño).
Condiciones de operación del tambor.
Aplicación de aditivos ligantes.
Los silos de 1.150 toneladas de capacidad viva cada uno, son el elemento
articulador entre las plantas de chancado y acidificación, participando en ambos
procesos este permite seguir operando la aglomeración durante detenciones
menores y medianas de la planta de chancado.
Equipos de proceso: Son los que modifican las características físicas y/o
químicas del mineral, en este caso específico, el aglomerador.
Instalaciones de almacenamiento y transporte: El silo, compartido con la
planta de chancado, amortigua las variaciones en el suministro de mineral y
permite regular la alimentación al aglomerador, los alimentadores y la correa
que dosifican, transfieren y/o transportan los productos.
Sistemas de control de emisiones de polvo: Solo por supresión.
Elementos de protección y control: Normalmente asociados a equipos o
instalaciones.
14
CAPÍTULO 2
INSTRUMENTACION VIRTUAL
través del software PI System, que muestra en tiempo real toda información
necesaria de producción.
Por otro lado, las variables candidatas que podrían formar parte de los
modelos matemáticos, serán un grupo seleccionado perteneciente al área de
acidificación, esto implica que las mismas variables utilizadas para obtener un
sensor de flujo de agua serán las mismas para un sensor de tonelaje o flujo de
ácido sulfúrico
2
∑(𝑦𝑘 − 𝑦̂ 𝑘 )2 ( 2.1)
𝑅 =1−
∑(𝑦𝑘 − 𝑦̅ 𝑘 )2
Donde 𝑦̂𝑘 es la salida estimada del modelo, 𝑦𝑘 es la salida real e𝑦̅𝑘 es la media de
la salida real.
El estudio de los modelos, consta de dos etapas, donde los análisis son:
El último paso para obtener los modelos de acuerdo con esta metodología,
es establecer sí las componentes predictivas de los modelos poseen significancia
estadística. Para comprobar esta condición es necesario aplicar el test de razón a
las componentes predictivas de los modelos a evaluar.
𝜎𝜃̂
≤ 𝑚𝜃 ( 2.2)
𝜃̂
𝑁−1 ( 2.3)
𝑅𝑎2 = 1 − (1 − 𝑅 2 )
𝑁 − 𝑛𝜃
1 𝑁 ( 2.4)
∑ (𝑦 − 𝑦̂𝐾 )2
𝑠𝑒 = √ 𝐾=1 𝐾
𝑁
𝑁 − 𝑛𝜃
Donde 𝑦
̂𝐾 es la salida estimada del modelo, 𝑦𝐾 es la salida real.
𝜀(𝑘, 𝜃) ( 2.5)
𝑃𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛 =
𝑦(𝑘)
𝜀(𝑘, 𝜃) ( 2.7)
𝐸𝑥𝑎𝑐𝑡𝑖𝑡𝑢𝑑 =
𝑦(𝑘)𝑚𝑎𝑥
Donde 𝑦(𝑘)𝑚𝑎𝑥es la salida verdadera máxima que posee la lectura real del
sensor real.
Las variables candidatas para los modelos matemáticos del sensor virtual
de tonelaje dinámico de mineral seco, son las siguientes:
Tabla 2.2: Coeficiente de correlación lineal entre la la salida Y(k) y cada componente.
A(k) 87,2958 A(k-1) 78,9132 A(k-2) 67,2479 A(k-3) 57,3632
B(k) 81,0709 B(k-1) 75,4743 B(k-2) 67,6479 B(k-3) 60,1212
C(k) 59,5688 C(k-1) 54,0796 C(k-2) 42,5948 C(k-3) 32,1587
D(k) 43,5123 D(k-1) 40,4823 D(k-2) 35,3448 D(k-3) 30,1922
E(k) 0,5048 E(k-1) 0,9552 E(k-2) 1,4983 E(k-3) 0,8966
F(k) 90,2034 F(k-1) 90,7375 F(k-2) 82,6833 F(k-3) 72,1972
G(k) 0,0740 G(k-1) 0,4529 G(k-2) 0,5974 G(k-3) 0,4938
H(k) 0,2652 H(k-1) 0,2016 H(k-2) 0,1018 H(k-3) 0,0669
I(k) 65,6349 I(k-1) 70,6096 I(k-2) 66,9195 I(k-3) 59,5663
J(k) 50,7701 J(k-1) 53,0966 J(k-2) 48,9313 J(k-3) 43,1960
Y(k-1) 90,5733 Y(k-2) 78,9438 Y(k-3) 70,0663
A -
B -0,2843 -
F1 0,1011 -0,0218 -
Se elabora una tabla con las posibles combinaciones que dan origen a los
modelos matemáticos. Esta tabla se elabora con ayuda del software Derive 5, el
cual posee una calculadora de combinaciones y permutaciones posibles.
28
La tabla 2.4muestra los posibles modelos que podrían formar parte del
pesómetro virtual, restringidos por la tabla 2.3.
Los modelos que aparecen destacados en color rojo son modelos que no
cumplen con las características descritas por la tabla 2.3, como si los destacados
en verde.
Por otro lado se analiza el índice de bondad, el que indica la calidad del
modelo para ser comparado en la teoría con otros.
1° Modelo ABF1I1
Tabla 2.5: Cálculo de test de razón e indice de bondad para modelo ABF1I1.
Variable Estimador Error Estándar Test de Razón
A 33,587500 0,613689 0,018271
B 4,996300 0,155185 0,031060
F1 8,101220 0,151056 0,018646
I1 4,783060 0,159603 0,033368
Coeficiente Correlación R2 99,8483%
2
Coeficiente Correlación AjustadoRa 99,8482%
Error Estándar de Estimación 89,048
M odelo ABF1I1
(X 1000,0)
3
Observados
1
0
0 1 2 3
Predichos (X 1000,0)
Fig. 2.1: Comportamiento del pesómetro Y(k), respecto del modelo ABF1I1, desarrollado
por software Statgraphics.
2° Modelo ABI1Y1
Tabla 2.6: Cálculo de test de razón e índice de bondad para modelo ABI1Y1.
Variable Estimador Error Estándar Test de Razón
A 21,138000 0,732461 0,034651
B 3,805380 0,163921 0,043076
I1 4,643610 0,162087 0,034905
Y1 0,482627 0,009186 0,019033
M odelo ABI1Y1
(X 1000,0)
4
Observados
2
0
0 1 2 3 4
Predichos (X 1000,0)
Fig. 2.2: Comportamiento del pesómetro Y(k), respecto del modelo ABI1Y1, desarrollado
por software Statgraphics.
3° Modelo ABI1
Tabla 2.7: Cálculo de test de razón e índice de bondad para modelo ABI1.
Variable Estimador Error Estándar Test de Razón
A 44,364800 0,720862 0,016249
B 7,177170 0,186181 0,025941
I1 8,006380 0,183809 0,022958
Modelo ABI1
(X 1000,0)
4
3
Observados
0
0 1 2 3 4
Predichos (X 1000,0)
Fig. 2.3: Comportamiento del pesómetro Y(k), respecto del modelo ABI1, desarrollado por
software Statgraphics.
4° Modelo ABF1
Tabla 2.8: Cálculo de test de razón e índice de bondad para modelo ABF1.
Variable Estimador Error Estándar Test de Razón
37,670500 0,647296 0,017183
A
6,048860 0,163516 0,027033
B
9,805920 0,151377 0,015437
F1
99,8225%
Coeficiente Correlación R2
2 99,8224%
Coeficiente Correlación AjustadoRa
96,3283
Error Estándar de Estimación
Modelo ABF1
3900
2900
Observados
1900
900
-100
-100 900 1900 2900 3900
Predichos
Fig. 2.4: Comportamiento del pesómetro Y(k), respecto del modelo ABF1desarrollado por
software Statgraphics.
5° Modelo AF1I1
Tabla 2.9: Cálculo de test de razón e índice de bondad para modelo AF1I1.
Variable Estimador Error Estándar Test de Razón
A 44,6595 0,555973 0,012449
F1 9,375600 0,159456 0,017008
I1 5,946040 0,170049 0,028599
Coeficiente Correlación R2 98,8185%
2
Coeficiente Correlación AjustadoRa 98,8184%
Error Estándar de Estimación 97,4035
Las variables candidatas para los modelos matemáticos del sensor virtual
de flujo de agua, son las siguientes:
Tabla 2.10: Coeficiente de correlación lineal entre la la salida Y(k) y cada componente.
A(k) 74,5304 A(k-1) 67,9510 A(k-2) 60,7013 A(k-3) 52,9151
B(k) 51,7643 B(k-1) 46,6363 B(k-2) 39,2450 B(k-3) 31,6507
C(k) 59,3952 C(k-1) 58,6961 C(k-2) 51,7069 C(k-3) 45,8315
D(k) 1,0098 D(k-1) 0,5539 D(k-2) 0,6264 D(k-3) 0,7498
E(k) 80,8161 E(k-1) 77,8195 E(k-2) 70,4404 E(k-3) 63,3974
F(k) 73,0478 F(k-1) 72,1453 F(k-2) 69,1087 F(k-3) 63,1411
G(k) 0,5054 G(k-1) 0,0101 G(k-2) 0,0404 G(k-3) 0,1487
H(k) 7,2555 H(k-1) 6,8621 H(k-2) 6,4317 H(k-3) 5,8267
I(k) 55,4394 I(k-1) 57,1349 I(k-2) 56,2931 I(k-3) 52,6857
J(k) 37,6142 J(k-1) 39,5274 J(k-2) 38,0671 J(k-3) 34,7329
Y(k-1) 92,4626 Y(k-2) 84,2050 Y(k-3) 78,1249
Se elabora una tabla con las posibles combinaciones que dan origen a los
modelos matemáticos. Esta tabla se elabora con ayuda del software Derive 5, el
cual posee una calculadora de combinaciones y permutaciones posibles.
La tabla 2.12 muestra los posibles modelos que podrían formar parte del
flujómetro virtual, restringidos por la tabla 2.11.
Los modelos que aparecen destacados en color rojo son modelos que no
cumplen con las características descritas por la tabla 2.11, como si los cumplen
los modelos destacado en color verde.
Por otro lado se analiza el índice de bondad, el que indica la calidad del
modelo para ser comparado en la teoría con otros.
1° Modelo CE I1Y1
Tabla 2.13: Cálculo de test de razón e índice de bondad para modelo CEI1Y1.
Variable Estimador Error Estándar Test de Razón
C 0,168752 0,009152 0,054232
E 0,009959 0,000348 0,034908
I1 -0,039159 0,007452 -0,190297
Y1 0,688746 0,006988 0,010145
Coeficiente Correlación R2 99,8195%
2
Coeficiente Correlación AjustadoRa 99,8194%
Error Estándar de Estimación 3,88852
Modelo C E I1 Y1
150
120
observado
90
60
30
0
0 30 60 90 120 150
predicho
Fig. 2.5: Comportamiento del flujómetro Y(k), respecto del modelo CEI1Y1, desarrollado
por software Statgraphics.
2° Modelo AF I1Y1
Tabla 2.14: Cálculo de test de razón e indice de bondad para modelo AFI1Y1.
Variable Estimador Error Estándar Test de Razón
A 0,336804 0,028880 0,085748
F 0,103899 0,007018 0,067545
I1 0,029750 0,007574 0,254572
Y1 0,792171 0,007109 0,008974
Coeficiente Correlación R2 99,7860%
2
Coeficiente Correlación AjustadoRa 99,7859%
Error Estándar de Estimación 4,2338
Modelo A F I1 Y1
150
120
observado
90
60
30
0
0 30 60 90 120 150
predicho
Fig. 2.6: Comportamiento del flujómetro Y(k), respecto del modelo AFI1Y1, desarrollado
por software Statgraphics.
3° Modelo AC I1Y1
Tabla 2.15: Cálculo de test de razón e índice de bondad para modelo ACI1Y1.
Variable Estimador Error Estándar Test de Razón
A 0,401724 0,026524 0,066026
C 0,228181 0,009283 0,040683
I1 0,049275 0,006799 0,137973
Y1 0,731320 0,007532 0,010299
Coeficiente Correlación R2 99,8001%
2
Coeficiente Correlación AjustadoRa 99,8000%
Error Estándar de Estimación 4,09251
Modelo A C I1 Y1
150
120
observado
90
60
30
0
0 30 60 90 120 150
predicho
Fig. 2.7: Comportamiento del flujómetro Y(k), respecto del modelo ACI1Y1, desarrollado
por software Statgraphics.
42
4° Modelo AC I1
Tabla 2.16: Cálculo de test de razón e índice de bondad para modelo ACI1.
Variable Estimador Error Estándar Test de Razón
A 1,85669 0,0365639 0,019693
C 0,644497 0,013755 0,021343
I1 0,204822 0,011038 0,053892
Coeficiente Correlación R2 99,4419%
2
Coeficiente Correlación AjustadoRa 99,4417%
Error Estándar de Estimación 6,83717
150
120
observado
90
60
30
0
0 30 60 90 120 150
predicho
Fig. 2.8: Comportamiento del flujómetro Y(k), respecto del modelo ACI1, desarrollado por
software Statgraphics.
Las variables candidatas para los modelos matemáticos del sensor virtual
de flujo de ácido sulfúrico, son las siguientes:
Tabla 2.17: Coeficiente de correlación lineal entre la la salida Y(k) y cada componente.
A(k) 75,0298 A(k-1) 74,6608 A(k-2) 67,4465 A(k-3) 58,7861
B(k) 80,5257 B(k-1) 78,6137 B(k-2) 62,0485 B(k-3) 45,0266
C(k) 40,3271 C(k-1) 42,3171 C(k-2) 37,5388 C(k-3) 31,4552
D(k) 1,2150 D(k-1) 2,5615 D(k-2) 2,6842 D(k-3) 2,5695
E(k) 87,9714 E(k-1) 86,2468 E(k-2) 78,9118 E(k-3) 69,2938
F(k) 76,9972 F(k-1) 82,1020 F(k-2) 77,8048 F(k-3) 70,2557
G(k) 1,0297 G(k-1) 0,0403 G(k-2) 0,1975 G(k-3) 0,7420
H(k) 0,0151 H(k-1) 0,0300 H(k-2) 0,1234 H(k-3) 0,1227
I(k) 54,9485 I(k-1) 59,1697 I(k-2) 58,7191 I(k-3) 55,4498
J(k) 40,3053 J(k-1) 44,8855 J(k-2) 44,6318 J(k-3) 41,4226
Y(k-1) 90,1096 Y(k-2) 75,3894 Y(k-3) 61,8892
45
Se elabora una tabla con las posibles combinaciones que dan origen a los
modelos matemáticos. Esta tabla se elabora con ayuda del software Derive 5, el
cual posee una calculadora de combinaciones y permutaciones posibles.
La tabla 2.19 muestra los posibles modelos que podrían formar parte del
flujómetro virtual, restringidos por la tabla 2.18.
Los modelos que aparecen destacados en color rojo son modelos que no
cumplen con las características descritas por la tabla 2.18, como si los cumplen
los modelos destacado en color verde.
Por otro lado se analiza el índice de bondad, el cual indica la calidad del
modelo para ser comparado en la teoría con otros. Luego se muestra el
comportamiento lineal de cada modelo respecto al flujómetro real en una nube de
puntos desarrollado por el software Statgraphics.
1° Modelo BE I1Y1
Tabla 2.20: Cálculo de test de razón e índice de bondad para modelo BEI1Y1.
Variable Estimador Error Estándar Test de Razón
B 0,0552158 0,00183439 0,033222
E 0,004003 0,000091 0,022623
I1 -0,014716 0,001726 -0,117288
Y1 0,497157 0,006412 0,012898
Coeficiente Correlación R2 99,8580%
2
Coeficiente Correlación AjustadoRa 99,8580%
Error Estándar de Estimación 0,904292
Modelo B E I1 Y1
40
30
observado
20
10
0
0 10 20 30 40
predicho
Fig. 2.9: Comportamiento del flujómetro Y(k), respecto del modelo BEI1Y1, desarrollado
por software Statgraphics.
2° Modelo EF1I1Y1
Tabla 2.21: Cálculo de test de razón e índice de bondad para modelo EF1I1Y1.
Variable Estimador Error Estándar Test de Razón
E 0,00644131 0,000114798 0,017822
F1 -0,031718 0,002060 -0,064960
I1 -0,016561 0,001828 -0,110373
Y1 0,546367 0,006515 0,011923
Coeficiente Correlación R2 99,8407%
2
Coeficiente Correlación AjustadoRa 99,8406%
Error Estándar de Estimación 0,957868
Modelo E F1 I1 Y1
37
27
observado
17
-3
-3 7 17 27 37
predicho
Fig. 2.10: Comportamiento del flujómetro Y(k), respecto del modelo EF1I1Y1, desarrollado
por software Statgraphics.
50
3° Modelo ABI1Y1
Tabla 2.22: Cálculo de test de razón e índice de bondad para modelo ABI1Y1.
Variable Estimador Error Estándar Test de Razón
A 0,0434549 0,00159846 0,036784
B 0,078209 0,001862 0,023812
I1 0,011986 0,001674 0,139651
Y1 0,565964 0,006656 0,011761
Coeficiente Correlación R2 99,8292%
2
Coeficiente Correlación AjustadoRa 99,8291%
Error Estándar de Estimación 0,991813
Modelo A B I1 Y1
40
30
observado
20
10
0
0 10 20 30 40
predicho
Fig. 2.11: Comportamiento del flujómetro Y(k), respecto del modelo ABI1Y1, desarrollado
por software Statgraphics.
4° Modelo AF1I1Y1
Tabla 2.23: Cálculo de test de razón e índice de bondad para modelo AF1I1Y1.
Variable Estimador Error Estándar Test de Razón
A 0,0583281 0,00183582 0,031474
F1 0,016313 0,002063 0,126477
I1 0,014831 0,002052 0,138383
Y1 0,675864 0,007385 0,010927
Coeficiente Correlación R2 99,7745%
2
Coeficiente Correlación AjustadoRa 99,7744%
Error Estándar de Estimación 1,13967
Modelo A F1 I1 Y1
40
30
observado
20
10
0
0 10 20 30 40
predicho
Fig. 2.12: Comportamiento del flujómetro Y(k), respecto del modelo AF1I1Y1, desarrollado
por software Statgraphics.
CAPÍTULO 3
Fig. 3.1: ModeloBEI1Y1, flujo virtual de ácido, formato aritmético. Elaboración propia.
54
La figura 3.2 ilustra una ventana que permite programar todos los modelos
matemáticos de un sensor virtual, por esta razón, a continuación se enseñan los
modelos matemáticos desarrollados en el capítulo anterior, con sus gráficos en
tiempo real. Cabe señalar que todos los modelos de un sensor virtual se ilustraran
en un mismo intervalo de tiempo, de tal manera que se puedan apreciar las
diferencias entre uno y otro.
1° Modelo ABF1I1
𝑌(𝑘) = 33,5875 ∗ A(k) + 4,9963 ∗ B(k) + 8,10122 ∗ F(k − 1) + 4,78306 ∗ I(k − 1) ( 3.1)
Fig. 3.3: Modelo ABF1I1 del pesómetro virtual v/s señal de pesómetro real. Analizador
Grafico de PI System.
2° Modelo ABI1Y1
( 3.2)
𝑌(𝑘) = 21,138 ∗ A(k) + 3,80538 ∗ B(k) + 4,64361 ∗ I(k − 1) + 0,482627 ∗ Y(k − 1)
Fig. 3.4: Modelo ABI1Y1 del pesómetro virtual v/s señal de pesómetro real. Analizador
Grafico de PI System.
57
3° Modelo ABI1
Fig. 3.5: Modelo ABI1 del pesómetro virtual v/s señal de pesómetro real. Analizador
Grafico de PI System.
4° Modelo ABF1
Fig. 3.6: Modelo ABF1 del pesómetro virtual v/s señal de pesómetro real. Analizador
Grafico de PI System.
5° Modelo ABF1I1Y1
𝑌(𝑘) = 8.58935 ∗ 𝐴(𝑘) − 2.19176 ∗ 𝐵(𝑘) + 2.1154 ∗ 𝐹(𝑘 − 1) + 1.27447 ∗ 𝐼(𝐾 − 1) ( 3.5)
+ 0.858716 ∗ 𝑌(𝑘 − 1)
Fig. 3.7: Modelo ABF1I1Y1 del pesómetro virtual v/s señal de pesómetro real. Analizador
Grafico de PI System.
59
1° Modelo CEI1Y1
Fig. 3.8: Modelo CEI1Y1 del flujómetro virtual agua v/s señal de flujómetro real.
Analizador Grafico de PI System.
2° Modelo AFI1Y1
Fig. 3.9: Modelo AFI1Y1 del flujómetro virtual agua v/s señal de flujómetro real. Analizador
Grafico de PI System.
3° Modelo ACI1Y1
Fig. 3.10: Modelo ACI1Y1 del flujómetro virtual agua v/s señal de flujómetro real.
Analizador Grafico de PI System.
4° Modelo ACI1
Fig. 3.11: Modelo ACI1 del flujómetro virtual agua v/s señal de flujómetro real. Analizador
Grafico de PI System.
5° Modelo ACY1
Fig. 3.12: Modelo ACY1 del flujómetro virtual agua v/s señal de flujómetro real. Analizador
Grafico de PI System.
Se analizan los modelos del flujómetro virtual de ácido, con el sensor real.
1° Modelo BEI1Y1
Fig. 3.13: Modelo BEI1Y1 del flujómetro virtual ácido v/s señal de flujómetro real.
Analizador Grafico de PI System.
2° Modelo EF1I1Y1
Fig. 3.14: Modelo EF1I1Y1 del flujómetro virtual ácido v/s señal de flujómetro real.
Analizador Grafico de PI System.
3° Modelo ABI1Y1
Fig. 3.15: Modelo ABI1Y1 del flujómetro virtual ácido v/s señal de flujómetro real.
Analizador Grafico de PI System.
4° Modelo AF1I1Y1
Fig. 3.16: Modelo AF1I1Y1 del flujómetro virtual ácido v/s señal de flujómetro real.
Analizador Grafico de PI System.
5° Modelo ABI1
Fig. 3.17: Modelo ABI1 del flujómetro virtual ácido v/s señal de flujómetro real. Analizador
Grafico de PI System.
3.2.1 Pesómetros
3.2.2 Flujómetros
Fig. 3.18: Comparación gráfica del modelo ABF1I1 pesómetro virtual, con ambos métodos.
73
Fig. 3.19: Comparación gráfica del modelo ABI1Y1 pesómetro virtual, con ambos métodos.
Fig. 3.20: Comparación gráfica del modelo ABI1 pesómetro virtual, con ambos métodos.
74
Fig. 3.21: Comparación gráfica del modelo ACI1 flujómetro virtual agua, ambos métodos.
Fig. 3.22: Comparación gráfica del modelo ACY1 flujómetro virtual agua, ambos métodos.
75
Fig. 3.23: Comparación gráfica del modelo AFI1 flujómetro virtual agua, ambos métodos.
Fig. 3.24: Comparación gráfica del modelo AF1I1 flujómetro virtual ácido, ambos métodos.
76
Fig. 3.25: Comparación gráfica del modelo AF1Y1 flujómetro virtual ácido, ambos métodos.
Fig. 3.26: Comparación gráfica del modelo AI1Y1 flujómetro virtual ácido, ambos métodos.
77
𝜀(𝑘, 𝜃) ( 3.1)
𝑃𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛 =
𝑦(𝑘)
𝜀(𝑘, 𝜃) ( 3.2)
𝐸𝑥𝑎𝑐𝑡𝑖𝑡𝑢𝑑 =
𝑦(𝑘)𝑀𝑎𝑥
Se calcula una precisión y exactitud para cada modelo del sensor virtual y
luego se eligen los mayores valores para cada uno, estos serán la precisión y
exactitud que correspondan al modelo. Como es habitual, solo se expondrán los
resultados de la línea 1 del proceso, las otras dos líneas se realizan de la misma
manera.
Estos estándares serán parte de la calidad del sensor de flujo de agua, los
cuales indican una gran calidad en esta instrumentación virtual.
𝑇𝑀𝑆𝑖 ( 3.3)
𝑇𝑀𝐻𝑖 = (1000 + 𝐷. 𝐻2𝑂𝑖 + 𝐷. 𝐻2𝑆𝑂4𝑖 )
1000
( 3.4)
𝑇𝑀𝐻𝑡𝑜𝑡𝑎𝑙 = 𝑇𝑀𝐻𝑙1 + 𝑇𝑀𝐻𝑙2 + 𝑇𝑀𝐻𝑙3
CAPÍTULO 4
4.1.3 Recuperación
El precio del cobre es otra variable importante en el evaluó del costo por
no apilamiento, ya que es el precio de venta con el que se comercializa el mineral.
El precio del cobre se fija en la bolsa de metales de Londres y su unidad es dólar
por libra de cobre [US$/Lb].
Una vez detallados los cuatro puntos importantes para calcular el costo
porno apilamiento de mineral, se ilustra dicho cálculo en las ecuaciones 4.1 y 4.2.
98
( 4.1)
𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎 𝑑𝑒 𝐶𝑢𝑓 = 𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎 ∗ 𝐿𝑒𝑦 𝑑𝑒 𝐶𝑢𝑓 ∗ 𝑅𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛
En la ecuación 4.2 se aprecia que el cálculo del precio del cobre, está en
función de las toneladas de Cuf (cobre fino) y este a su vez hay que expresarlo en
Libras de Cuf, para poder explicarlo en términos de dólares por Libra de cobre. Por
otro lado es importante conocer en la ecuación 4.1, la ley de Cuf que se extrae y
además la recuperación. Para ello, en la tabla 4.1 se detallan algunos indicadores
más actuales hoy en día, de estas variables.
Tabla 4.2: Costo de oportunidad por no apilamiento aproximado, por día y hora.
Dólar Pesos
Costo por día de no apilar 3.014.015 1.781.765.698
Costo por hora de no apilar 125.584 74.240.237
CAPÍTULO 5
CONCLUSIONES
Capítulo 5 – Conclusiones
Capítulo 5 – Conclusiones
El desarrollo de la línea dos fue la que percibía de peor manera sus tres
sensores virtuales. Esto se aprecia de mejor manera al usar el software,
ya que no se detalla en el informe dicha línea.
Capítulo 5 – Conclusiones
Los modelos del sensor virtual cumplen con dos funciones específicas:
estimar y predecir. Ambas tareas son realizadas de forma satisfactoria.
Los modelos al estimar son indudablemente mejores, ya que sólo la
complejidad radica en representar el tonelaje y flujos de cada línea, y
para los modelos es sumamente fácil, debido a que algunos poseen una
componente autoregresiva de la señal a modelar. Sin embargo, cuando
los modelos deben predecir, la condición anterior (poseer una variable
autoregresiva de la señal a modelar) ya no es ventajosa para esta
situación, ya que la falta de esta componente provoca la anulación de
todos los modelos.
Capítulo 5 – Conclusiones
o tres líneas del proceso, ya que al funcionar una línea, el valor que
indicará el pesómetro será de 166 toneladas/hora mayor al tonelaje/hora
respecto del mineral seco, con dos líneas funcionando será 333
toneladas/hora mayor y con tres líneas funcionando será 500
toneladas/hora mayor.
REFERENCIAS BIBLIOGRÁFICAS
APENDICE A
DEFINICIÓN DE PROCESOS DE PLANTA EN ÁREA SECA
Los chancadores terciarios son METSO del tipo MP-1000 cabeza corta,
ajustados a un CSS de 13 mm (closed side setting o ajuste en el lado cerrado)
para las condiciones de diseño. El setting es ajustable entre 64 y 128 mm en el
lado de alimentación y de 8 a 25 mm en el lado de descarga.
Por otro lado, los buzones de carga 145- BN-011@013 marcan el límite
entre el chancado secundario y terciario, estos tienen una capacidad de 282
toneladas cada uno y un tiempo de residencia máximo de 7 minutos.
A.2 ACIDIFICACIÓN
La planta cuenta con tres líneas de Acidificación, cada una compuesta por
un alimentador de correa, una correa de alimentación y un tambor rotatorio La
acidificación se realiza en tres tambores rotatorios 150-AD-001@003, de 3,7 m de
diámetro y 11 m de largo, con una capacidad de diseño por tambor de 2.612 t/h
(secas), la alimentación a estos es el producto final de la planta de chancado,
constituido por 80% bajo 12,7 mm y 99% bajo 20 mm. Como elementos
aglomerantes y de curado se adiciona ácido sulfúrico concentrado y agua.
Los sistemas de control de las emisiones de polvo, en este caso sólo por
supresión.
118
A.2.4.3TAMBOR AGLOMERADOR
A.3APILAMIENTO
630 kW, diseñada para transportar 8.300 t/h cuenta con un sistema tensor que es
de tipo winche, con ajuste de 7.200mm ubicado en la polea de cola, es accionado
por un motor de 15 kW.
APENDICE B
CONCEPTOS ESTADÍSTICOS EN APLICACIÓN
B.1SISTEMA
B.2MODELO DE UN SISTEMA
del modelo. Se trata de arregla’ los datos para facilitar y mejorar el proceso de
identificación. Una buena estrategia es normalizar estadísticamente los datos.
3. Ver qué modelo del sensor se debe escoger entre dos o más posibles,
es decir, de un conjunto de modelos posibles, hay que determina cual se elige.
Para determinar una medida estadística, que cuantifique lo bien que ajusta
el modelo a un conjunto de datos, se usa el coeficiente de correlación múltiple.
2
∑(𝑦𝑘 − 𝑦̂ 𝑘 )2 ( B.1)
𝑅 =1− 2
∑(𝑦𝑘 − 𝑦̅ 𝑘 )
Donde 𝑦̂𝑘 es la salida estimada, 𝑦𝑘 la salida real e 𝑦̅𝑘 media de salida real.
𝑁−1 ( B.2)
𝑅𝑎2 = 1 − (1 − 𝑅 2 )
𝑁 − 𝑛𝜃
1 𝑁 ( B.3)
∑ (𝑦 − 𝑦̂𝐾 )2
𝑠𝑒 = √ 𝐾=1 𝐾
𝑁
𝑁 − 𝑛𝜃
Donde 𝑦
̂𝐾 es la salida estimada del modelo, 𝑦𝐾 es la salida real.
138
APENDICE C
SENSORES VIRTUALES
C.1 INTRODUCCIÓN
Los sensores son los ojos con los cuales, se ve la conducta de una planta
y de donde se obtiene la información de su funcionamiento. Pero las medidas de
un sensor, pueden no estar siempre disponibles debido a una falla, retiro para
mantención o reparaciones. También puede suceder que el muestreo sea poco
frecuente, es decir, la variación del sistema, provoca que el muestreo de las
variables no sea lo bastante rápido y producto de ello, las muestras no
representen la evolución real de la variable. Esto sucede cuando un sensor
compartió su tiempo para realizar las medidas a puntos diferentes. También es el
caso cuando no existe un sensor instalado, porque no existe aún en el mercado o
es debido a su alto costo, y son necesarios los análisis del laboratorio. Además,
puede ser que un sensor no sea lo bastante robusto, para que en lugar de tenerlo
siempre en línea, sea usado para tomar muestras aisladas. Entonces, debido a
que el conjunto de datos de la medición son totalmente desconocidos o
incompletos durante un cierto período de tiempo, la acción de control sobre el
proceso, no sería el más óptimo. Los sensores virtuales pueden proporcionar una
solución útil para eliminar o por lo menos aminorar este problema.
Fig. C.1: Esquema de variables de proceso usadas para diseño un sensor virtual
Acerca de los modelos, hay muchos autores que definen sólo los sensores
virtuales en base a modelos de la red neuronal. Sin embargo, un punto de vista
más extenso debe adoptarse, debido a que se obtienen modelos del sensor
virtual, también usando regresión o técnicas de correlación (modelos de regresión
lineal múltiple), así como también lógica difusa o modelos de los primeros
principios, o combinaciones de ellos.
C.2 MODELOS
Fig. C.2: Modelo de sensor virtual recolectando datos para estimar variable.
Una vez elegida la clase del modelo, el problema pasa por seleccionar
cuáles de todas las variables que se miden, y combinaciones de ellas, son las
mejores para diseñar un sensor virtual, es decir, los componentes de la estructura.
C.2.1COMPONENETES DE LA ESTRUCTURA
1) CRITERIO DE INCLUSIÓN
𝑁
1 (C.1)
𝑉(𝜃) = √ ∑ 𝜀 2 (𝑡, 𝜃)
𝑁
𝐾−1
142
de la muestra.
𝜎𝜃̂
≤ 𝑚𝜃 (C.2)
𝜃̂
2) CRITERIO DE EXCLUSIÓN
C.2.2COMPONENETES DE LA ESTRUCTURA
planta y la medida obtenida usando el modelo. Un modelo puede ser validado para
una región grande, pero los parámetros del modelo (si es necesario), tienen que
ser actualizados con los movimientos del punto de operación dentro de la región.
El resultado busca estar en un conjunto óptimo de los parámetros del modelo para
seleccionar los componentes de la estructura del modelo. La estimación de los
parámetros se puede realizar en línea o fuera de ella, dependiendo del caso. Si
cambia el punto de operación (dentro de un intervalo de tiempo especificado) y los
parámetros del modelo del sensor virtual, experimentan cambios importantes
mientras la planta está en funcionamiento normal, entonces ellos deben
actualizarse en línea usando las medidas disponibles, en esta situación el proceso
es adaptivo. En este caso la región de validez del modelo, para un conjunto fijo de
parámetros (es decir, la región en que la función de criterio de error, es menos de
un valor especificado), es pequeño. Por otro lado, si un conjunto de parámetros de
modelo, es válido a través de la mayoría de los puntos de operación normales del
proceso dentro de un intervalo de tiempo especificado, los parámetros
especificados pueden ser realizados fuera de línea.
del proceso que fue modelada, y no para todos los posibles puntos de operación o
las trayectorias de operación. Una forma de mitigar esta disminución de
funcionamiento, es aumentar la región de validez del modelo del sensor virtual,
incorporando más componentes en la estructura del sensor.
APENDICE D
PROGRAMA DE LOS SENSORES VIRTUALES
SV1 = 0.006
ElseIf A <= 0 Then
SV1 = 18.2595 * B + 4.44185 * F1 + 2.65356 * I1
ElseIf B <= 0 Then
SV1 = 38.6325 * A + 8.64195 * F1 + 3.8423 * I1
ElseIf F1 <= 0 Then
SV1 = 3.4737 * A - 4.13935 * B + 1.02555 * I1 + 1.10337 * Y1
ElseIf I1 <= 0 Then
SV1 = 7.35182 * A + 16.8393 * B + 5.09547 * F1
ElseIf Y1 <= 0 Then
SV1 = 6.13177 * A + 15.6852 * B + 4.97836 * F1 + 2.54493 * I1
Else
SV1 = 8.58935*A -2.19176 *B+2.1154 * F1 + 1.27447 * I1 + 0.858716 * Y1
End If
MsgBox Round(SV1, 2)
Sub Linea1FlujoAgua()
Dim SV As Variant
Dim vrDate As Variant
Dim vrStatus As Long
Y1 = Value12.GetValue(vrDate, vrStatus)
A = Value13.GetValue(vrDate, vrStatus)
B = Value14.GetValue(vrDate, vrStatus)
C = Value15.GetValue(vrDate, vrStatus)
D = Value16.GetValue(vrDate, vrStatus)
E = Value17.GetValue(vrDate, vrStatus)
F = Value18.GetValue(vrDate, vrStatus)
147
G = Value19.GetValue(vrDate, vrStatus)
H = Value20.GetValue(vrDate, vrStatus)
I1 = Value21.GetValue(vrDate, vrStatus)
J = Value22.GetValue(vrDate, vrStatus)
K = Value35.GetValue(vrDate, vrStatus)
If K = "DETENIDO" Then
SV = 0.006
ElseIf Y1 < 0 Then
SV = 0.006
ElseIf C <= 0 Then
SV = 0.642436 * A + 0.0957295 * F + 0.019808 * I1 + 0.679641 * Y1
ElseIf E <= 0 Then
SV = 0.642436 * A + 0.0957295 * F + 0.019808 * I1 + 0.679641 * Y1
ElseIf I1 <= 0 Then
SV = 0.304691 * A + 0.321716 * C + 0.740149 * Y1
ElseIf Y1 <= 0 Then
SV = 1.74678 * A + 0.576672 * C + 0.144351 * I1
Else
SV = 0.190369 * C + 0.00901139 * E - 0.00677592 * I1 + 0.700189 * Y1
End If
MsgBox Round(SV, 2)
End Sub
Sub Linea1FlujoÁcido()
Dim SV As Variant
Dim vrDate As Variant
Dim vrStatus As Long
148
Y1 = Value23.GetValue(vrDate, vrStatus)
A = Value24.GetValue(vrDate, vrStatus)
B = Value25.GetValue(vrDate, vrStatus)
C = Value26.GetValue(vrDate, vrStatus)
D = Value27.GetValue(vrDate, vrStatus)
E = Value28.GetValue(vrDate, vrStatus)
F1 = Value29.GetValue(vrDate, vrStatus)
G = Value30.GetValue(vrDate, vrStatus)
H = Value31.GetValue(vrDate, vrStatus)
I1 = Value32.GetValue(vrDate, vrStatus)
J = Value33.GetValue(vrDate, vrStatus)
K = Value36.GetValue(vrDate, vrStatus)
If K = "DETENIDO" Then
SV = 0.006
ElseIf Y1 < 0 Then
SV = 0.006
ElseIf B <= 0 Then
SV = 0.00414725 * E - 0.0222178 * F1 - 0.0254585 * I1 + 0.82887 * Y1
ElseIf E <= 0 Then
SV = 0.0482578 * A + 0.0370593 * B - 0.00744726 * I1 + 0.797555 * Y1
ElseIf I1 <= 0 Then
SV = 0.0439758 * A + 0.0382292 * B + 0.792777 * Y1
ElseIf Y1 <= 0 Then
SV = 0.275391 * A + 0.0693654 * B + 0.0305164 * Y1
Else
SV = 0.0369064 * B + 0.00164 * E - 0.0126742 * I1 + 0.833121 * Y1
End If
MsgBox Round(SV, 2)
End Sub
149
Sub PesómetroVirtual17()
A = Value1.GetValue(vrDate, vrStatus)
B = Value2.GetValue(vrDate, vrStatus)
C = Value3.GetValue(vrDate, vrStatus)
D = Value4.GetValue(vrDate, vrStatus)
E = Value5.GetValue(vrDate, vrStatus)
F = Value6.GetValue(vrDate, vrStatus)
G = Value7.GetValue(vrDate, vrStatus)
H = Value8.GetValue(vrDate, vrStatus)
I = Value9.GetValue(vrDate, vrStatus)
If (A + D + G) <= 0 Then
SV17 = 0.006
Else
SV17 = A / 1000 * (1000 + B + C) + D / 1000 * (1000 + E + F) + G / 1000 *
(1000 + H + I)
End If
MsgBox Round(SV17, 2)