Prognosetool für einen ansteigenden spezifischen Verbrauch in halbautogenen Mühlen

DIE HERAUSFORDERUNG

Innerhalb des Verkleinerungsprozesses von Kupfererz hat sich vor allem die halbautogene Mahlung als ein relevantes Verfahren herausgestellt, welche eine effiziente Verkürzung der Brech- und Mahlstufen im Vergleich zur konventionellen Mahlung ermöglicht. Gleichzeitig weisen halbautogene betriebene Mühlen innerhalb der verschiedenen Bergbauprozesse einen der höchsten Werte für ihren elektrischen Energiekonsum auf. Daher ist es unabdingbar, ihren Betrieb energieeffizient zu optimieren. Ein effizienter Einsatz von halbautogenen Mühlen hängt von der adäquaten Kenntnis und Verwaltung von Kontrollvariablen ab, wie z.B. dem Leistungsfluss und der Leistungsdichte, der Mahlfeinheit und Härte des Materials, der Kugelbelastung und der Rotationsgeschwindigkeit, etc.

Diese Variablen beeinflussen die Produktion und das Betriebspotenzial der Mühlen, was wiederum auf direktem Wege den spezifischen Energieverbrauch (SEV) bestimmt, ein Indikator für Betriebseffizienz. Die große Bandbreite von existierenden Variablen, welche den SEV einer Mahlanlage beeinflussen können, erschwert eine Feststellung darüber, ob gewisse Tendenzen spezifischer Variablen den Anstieg des SEV über einen als angemessen erachteten Grenzwert hinaus beeinflussen könnten oder nicht. Wenn der SEV in Echtzeit berechnet wird, ist es nur dann möglich, auf eine kritische Erhöhung dessen Wertes zu reagieren, wenn der ineffiziente Betriebszustand bereits eingetreten ist, das heißt, wenn Zeit und Energie für einen normalen Leistungszustand verloren gehen.

VORGESCHLAGENE LÖSUNG

Um das Eintreffen von Situationen mit einem spezifische Energieverbrauch der halbautogenen Mühlen über einer gewissen Grenze oder Ziel zu vermeiden, ist es notwendig, ein System zur Vorhersage des Verhaltens des SEV unter Berücksichtigung der Betriebskonditionen der Mühle zu entwickeln. Dies bedarf einer korrekten Modellierung der komplexen Interaktion zwischen den einzelnen Betriebsvariablen und ihrer jeweiligen Effekte auf den SEV. Für diese Aufgabe erscheint es uns als angemessen, einen Modellierungsansatz unter Verwendung von Techniken des maschinellen Lernens (Machine Learning) zu berücksichtigen.

Techniken des „Machine Learning“ erzielen jedes Mal bessere Ergebnisse in der Modellierung industrieller Prozesse. Diese Techniken ermöglichen eine Abstraktion für eine einfachere Modellierung komplexer Prozesse, wenn diese anhand klassischer Methodik nur schwer zu analysieren sind oder wenn es keine theoretischen oder analytischen Modelle gibt, um eine adäquate Erklärung des Verhaltens eines Phänomens eines solchen Prozesses zu ermöglichen. So wie dies bei der Modellierung des spezifischen Energieverbrauchs der halbautogenen Mühlen der Fall ist.

JHG ist ein Unternehmen mit 35 Jahren spezifischer Erfahrung in der Diagnostik und Optimierung von thermoenergetischen Prozessen, das seine Kunden bei der Optimierung ihres Betriebs sowie bei der Erfüllung von normativen Anforderungen innerhalb der chilenischen Industrie und des Bergbaus unterstützt.

Das Unternehmen agiert aus dem Kontext heraus, durch Mittel der Energieoptimierung in Bergbauprozessen, komplementiert durch innovative Werkzeuge zur Produktivitätserhöhung, stets für die Entwicklung eines nachhaltigeren Bergbaus beitragen zu wollen. JHG entwickelte daher ein Verwaltungstool für einen energieeffizienten Betrieb von halbautogenen Mühlen mittels Machine Learning-Techniken.

DIE FALLSTUDIE

Unter der Anwendung von Machine Learning-Techniken entwickelte JHG ein mathematisches Modell, welches fähig ist, die Ereignisse eines erhöhten spezifischen Energieverbrauchs einer halbautogenen Mühle minutenschnell vorherzusagen. Dieses Modell generiert eine Warnung, bevor ein Phänomen eintritt. Dies ermöglicht dem Betreiber, rechtzeitig Maßnahmen zu ergreifen und Kontrollsysteme anzupassen, um einen Anstieg des Energieverbrauchs zu vermeiden.

In dieser Fallstudie wurde anhand der Realdaten des Betriebs einer halbautogenen Mühle von 7 MWe ein Modell zur Vorhersage des SEV erstellt. Insgesamt standen Betriebsdaten der Mühle für 32 Tage zu je einer Minute zur Verfügung, von denen die ersten 25 Tage für das Training des Modells genutzt wurden und 7 Tage als Validierungsdaten vorgesehen wurden. Die Validierungsdaten werden nie in das Modell eingegeben, welches eine Ermittlung der reellen Kapazität ermöglicht, um das gewünschte Phänomen zu erfassen und nicht in „Overfitting“ zu geraten.

Die in diesem Fall verwendeten Leistungskennzahlen entsprechen:

  • Recall: Anzahl der gut antizipierten Ereignisse aus der Gesamtzahl der tatsächlichen Ereignisse
  • Genauigkeit: Anzahl der gut vorhergesagten Ereignisse im Verhältnis zur Gesamtzahl der gemachten Vorhersagen.

ERGEBNISSE

In den Validierungsdaten über einen Zeitraum von 7 Tagen ergab sich das reelle Ereignis eines spezifisch hohen Konsums insgesamt 29 Mal. In diesem Szenarium war es unter Anwendung des Algorithmus möglich, 24 Ereignisse korrekt zu erfassen. Dies ergibt eine Recall-Quote von 83 %. Auf der anderen Seite hat das Modell insgesamt 33 Warnungen ausgelöst, von denen nur 9 falsch waren, was eine Trefferquote / Genauigkeit von 73% ergibt.  Das Modell sagt Ereignisse mit hohem spezifischem Konsum im Durchschnitt 5 Minuten im Voraus (zwischen 2 und 15 Minuten) korrekt voraus. Die folgende Darstellung zeigt einen Auszug aus diesen Prognosen des Modells, im Vergleich zu den reellen Daten des spezifisch hohen Konsums der Mühle.

Die korrekt vorhergesagten Ereignisse des spezifischen Konsums können durch den Betreiber vermieden werden. Es ist daher möglich, die potenziellen Einsparungen zu bestimmen, die durch die Einführung dieses Instruments erzielt werden können. Die Ergebnisse dieser 7 Tage der Validierung und ihre Jahresprojektion können der folgenden Tabelle entnommen werden:

  7 Tage der Validierung Jahresprojektion
Gebrauchte Energie der Mühle [MWh] 989 51.443
Energie der Ereignisse mit hohem SEV [MWh] (1) 16,1 (1,63%) 837,2
Energie vorhergesagter Ereignisse  [MWh] (2) 15,7 (1,59%) 816,4
Ersparnis pro vorhergesagtem Ereignis 1.256 65.312 (3)
  • Verlorengegangene gesammelte Energie aller Ereignisse mit hohem spezifischen Verbrauch der Mühle.
  • Ersparte gesammelte Energie bei einer Vermeidung der vorausgesagten Ereignisse mit hohem spezifischem Verbrauch der Mühle.
  • Geschätzte jährliche Einsparungen durch die Vermeidung von Ereignissen mit hohem spezifischem Verbrauch. Ein monomischer Strompreis von 80 [USD/MWh] wird in Betracht gezogen.

SCHLUSSFOLGERUNG

Die Modellergebnisse, die anhand realer Produktionsdaten aus einer halbautogenen Mühle ausgewertet wurden, erreichen eine korrekte Vorhersage von 83 % der Phänomene mit hohem spezifischem Verbrauch. Der Einsatz dieser Methodik in der Produktion hätte die Früherkennung dieser Ereignisse mit hohem spezifischem Verbrauch ermöglicht, was bei Vermeidung dieser Ereignisse eine prognostizierte jährliche Einsparung von 2% der elektrischen Energie bedeutet hätte, was mehr als 65 Tausend Dollar entspricht.

Die von JHG verwendeten Methoden des Machine Learning können auf jeden anderen Prozess angewandt werden, bei dem eine ausreichende Datenmenge zur Verfügung steht, nicht nur im Energiebereich, sondern auch in anderen Ansätzen. Als Beispiele können die Vorhersage von anomalem Verhalten oder Ausfällen, die Simulation der Reaktion eines komplexen Prozesses auf Variationen seiner Inputs sowie die Ausbildung von Personal mit Hilfe simulierter Prozesse genannt werden.

*Von Unternehmen eingereichte Beiträge liegen in deren alleiniger Verantwortung und spiegeln nicht unbedingt die Position der AHK Chile wider.