Predicción del aumento del consumo específico en Molinos SAG

DESAFIO

Dentro del proceso de conminución de minerales de Cobre, la molienda SAG ha destacado como un proceso relevante que permite de una manera eficiente acortar las etapas de chancado y molienda en comparación a la molienda convencional. A la vez, los molinos SAG son unos de los equipos de mayor consumo de energía eléctrica del proceso minero, por lo que resulta indispensable que su operación sea eficiente desde el punto de vista energético. La operación eficiente de un molino SAG depende del adecuado conocimiento y manejo de las variables de control, como lo son, por ejemplo: el flujo y densidad de alimentación, la granulometría y dureza del material, la carga de bolas y la velocidad de giro, etc.

Estas variables inciden sobre la producción y la potencia de operación del molino, lo que determina directamente el consumo específico de energía (CE) del equipo, un indicador de su eficiencia de operación. La gran cantidad de variables que inciden en el CE de un molino resulta en una gran dificultad para determinar si la tendencia de una variable específica podría o no influir en el aumento del CE sobre un límite que se considere apropiado. Si el CE se calcula en tiempo real, sólo es posible reaccionar a un aumento critico de su valor cuando la condición ineficiente de operación ya ha sucedido, perdiéndose tiempo y energía en la normalización a una condición de mejor desempeño.

SOLUCIÓN PROPUESTA

Con el objetivo de evitar eventos donde el consumo específico de energía del molino SAG sobrepase un límite o meta establecida, es necesario desarrollar un sistema predictivo capaz de anticipar el comportamiento del CE dadas las condiciones de operación del molino. Esto requiere modelar correctamente la compleja interacción entre cada una de las variables de operación y su efecto en el CE, tarea para lo cual resulta apropiado considerar el enfoque de modelación utilizando técnicas de Machine Learning (Aprendizaje Automático de Máquinas).

Las técnicas de Machine Learning obtienen cada vez mejores resultados en la modelación de procesos industriales. La abstracción que permiten hacer estas técnicas favorece la modelación de procesos complejos, de difícil análisis por métodos clásicos o donde no existen modelos teóricos o analíticos que permitan explicar adecuadamente el comportamiento de un fenómeno de dicho proceso, tal como es el caso de la modelación del consumo específico de energía del molino SAG.

JHG es una empresa con más de 35 años de experiencia especializada en el diagnóstico y optimización de procesos termo- energéticos, apoyando a sus clientes en la optimización del negocio y el cumplimiento de las exigencias normativas que aplican a la Minería e Industria Chilena.

Es en este contexto que JHG, en su búsqueda de contribuir al desarrollo de una minería sustentable a través de la optimización energética de los procesos mineros, complementada con herramientas innovadoras que permitan incrementar la productividad; ha desarrollado una herramienta para gestionar una operación energéticamente eficiente en molinos SAG mediante el uso de técnicas de Machine Learning.

CASO DE ESTUDIO

Utilizando técnicas de Machine Learning, JHG ha desarrollado un modelo matemático capaz de predecir con minutos de anticipación los eventos de incremento del consumo específico de energía de un Molino SAG. Este modelo genera alertas de forma anticipada a que el fenómeno ocurra, lo que permite a los operadores tomar acciones o ajustar los sistemas de control para evitar el incremento de consumo de energía.

Como caso de estudio, se generó un modelo de predicción del CE con los datos reales de operación de un molino SAG de 7 MWe. En total, se contó con 32 días de datos de operación del molino con resolución de un minuto, de los cuales los primeros 25 días fueron utilizados para entrenar el modelo y 7 días fueron reservados como datos de validación. Los datos de validación nunca son ingresados en la modelación, por lo que permiten evaluar la real capacidad del modelo de capturar el fenómeno deseado y no de aprenderse los datos, es decir, no caer en “overfitting”.

Las métricas de desempeño utilizadas en este caso corresponden a:

  • Recall: Número de eventos bien predichos sobre el total de eventos reales.
  • Precisión: Número de eventos bien predichos sobre el total de predicciones realizadas.

RESULTADOS

En los datos de los 7 días de validación, el molino presentó 29 eventos reales de consumo específico alto. En este escenario, el algoritmo fue capaz de detectar correctamente 24 eventos, lo que le otorga un 83% de Recall. Por otro lado, el modelo levantó en total 33 alertas, siendo solamente 9 de ellas erróneas, esto le otorga una Precisión de 73%. El modelo predice correctamente los eventos de consumo específico alto con un promedio de 5 minutos de anticipación (con rango entre 2 y 15 minutos). En la siguiente figura es posible observar un extracto de las predicciones hechas por el modelo en comparación a los datos reales de consumo específico alto del molino.

Los eventos de consumo específico correctamente predichos pueden ser evitados por el operador, por lo que es posible determinar el ahorro potencial que puede generar la implementación de esta herramienta. Los resultados de los 7 días de validación y su proyección anual se pueden observar en la siguiente tabla.

7 días de validación Proyección Anual
Energía consumida por el Molino [MWh] 989 51.443
Energía eventos de CE alto [MWh] (1) 16,1 (1,63%) 837,2
Energía eventos predichos [MWh] (2) 15,7 (1,59%) 816,4
Ahorro por eventos predichos [USD] 1.256 65.312 (3)

(1) Energía perdida acumulada en todos los eventos de Consumo Específico Alto que sufre el Molino.

(2) Energía ahorrada acumulada al evitar los eventos de Consumo Específico Alto correctamente predichos.

(3) Estimación del ahorro anual al evitar los eventos de Consumo Específico Alto. Se considera un precio monómico de electricidad de 80 [USD/MWh].

CONCLUSIÓN

Los resultados del modelo evaluados en datos reales de producción de un Molino SAG alcanzan una predicción correcta del 83% de los fenómenos de consumo específico alto. El uso de esta herramienta en producción habría permitido detectar de forma anticipada esos eventos de consumo específico alto, que al evitarlos habría significado un ahorro anual proyectado de un 2% de energía eléctrica, equivalentes a más de 65 mil dólares.

Las herramientas de Machine Learning utilizadas por JHG pueden ser aplicadas a cualquier otro proceso del que se dispongan la suficiente cantidad de datos y no sólo al ámbito energético, sino también con cualquier otro enfoque. Por ejemplo, la predicción de comportamientos anómalos o fallas, la simulación de la respuesta de un proceso complejo ante variaciones en sus entradas y el entrenamiento de personal utilizando procesos simulados.

*Los artículos firmados por empresas son de su exclusiva responsabilidad y no reflejan necesariamente la postura de CAMCHAL.