WEBVTT

1
00:00:07.440 --> 00:00:09.570
Es un hecho que la necesidad de metales

2
00:00:09.570 --> 00:00:11.349
y minerales seguirá aumentando.

3
00:00:11.740 --> 00:00:13.740
Pero para satisfacer esta necesidad, las compañías

4
00:00:13.740 --> 00:00:15.750
mineras deben procesar minerales de grado más bajo

5
00:00:15.750 --> 00:00:17.379
y más complejos.

6
00:00:17.838 --> 00:00:20.120
Debido a que los procesos metalúrgicos necesarios para extraer

7
00:00:20.120 --> 00:00:22.230
el producto final son cada vez más

8
00:00:22.230 --> 00:00:23.059
complejos,

9
00:00:23.399 --> 00:00:25.489
las compañías mineras deben aprovechar

10
00:00:25.489 --> 00:00:27.629
al máximo sus planes de procesamiento para

11
00:00:27.629 --> 00:00:30.050
extraer el producto deseado de la manera más

12
00:00:30.050 --> 00:00:32.868
económica y, al mismo tiempo, cuidar el consumo de agua y energía

13
00:00:32.950 --> 00:00:34.280
, y reducir las emisiones.

14
00:00:34.640 --> 00:00:36.798
Sin embargo, muchas plantas de procesamiento de minerales todavía funcionan

15
00:00:36.798 --> 00:00:38.859
de manera ineficiente.

16
00:00:39.439 --> 00:00:41.618
Una solución para abordar estos desafíos del

17
00:00:41.618 --> 00:00:43.890
proceso es utilizar los sistemas de

18
00:00:43.890 --> 00:00:46.158
control para optimizar las operaciones.

19
00:00:46.539 --> 00:00:48.710
No obstante, algunos estudios indican

20
00:00:48.710 --> 00:00:51.048
que más del 75% de las plantas de procesamiento

21
00:00:51.048 --> 00:00:53.130
de minerales utilizan

22
00:00:53.130 --> 00:00:55.149
estrategias básicas de optimización.

23
00:00:55.640 --> 00:00:58.219
Aunque algunas estrategias tradicionales de optimización

24
00:00:58.219 --> 00:01:00.240
ofrecen un control adecuado en cuanto a la

25
00:01:00.240 --> 00:01:02.658
seguridad de la planta, no suelen brindar un

26
00:01:02.658 --> 00:01:04.950
control óptimo de la calidad, ni

27
00:01:04.950 --> 00:01:07.319
son el método más económico.

28
00:01:07.739 --> 00:01:09.769
Esto ocurre porque las plantas

29
00:01:09.769 --> 00:01:11.920
de procesamiento de minerales presentan algunas complejidades inherentes que

30
00:01:11.930 --> 00:01:14.829
no se pueden abordar con tecnologías tradicionales.

31
00:01:15.239 --> 00:01:17.750
¿Qué pasaría si existiera una tecnología simple pero eficiente

32
00:01:17.750 --> 00:01:19.799
que pudiera integrarse en su

33
00:01:19.799 --> 00:01:22.188
sistema de control actual para optimizar

34
00:01:22.188 --> 00:01:24.340
los procesos de los minerales sin dejar de lado los

35
00:01:24.340 --> 00:01:26.420
objetivos del proceso, las complejidades

36
00:01:26.430 --> 00:01:28.000
y las restricciones de producción?

37
00:01:28.530 --> 00:01:30.700
Le presentamos el control predictivo de

38
00:01:30.700 --> 00:01:33.170
modelos Pavilion8 de Rockwell Automation.

39
00:01:33.840 --> 00:01:35.950
Veamos cómo funciona el control

40
00:01:35.950 --> 00:01:37.170
predictivo de modelos.

41
00:01:37.840 --> 00:01:40.030
Hoy en día, la mayoría de las plantas de

42
00:01:40.030 --> 00:01:42.500
procesamiento de minerales emplean algún método de control de procesos,

43
00:01:42.729 --> 00:01:45.259
pero muchas todavía utilizan estrategias tradicionales de

44
00:01:45.259 --> 00:01:47.560
optimización para mejorar el proceso.

45
00:01:48.239 --> 00:01:50.400
En este esquema simplificado, se divide el control predictivo

46
00:01:50.400 --> 00:01:53.158
de modelos en cuatros componentes principales:

47
00:01:53.938 --> 00:01:54.878
El controlador

48
00:01:55.229 --> 00:01:57.378
El control predictivo de modelos Pavilion8

49
00:01:57.390 --> 00:01:59.709
optimiza el proceso, ya que realiza

50
00:01:59.709 --> 00:02:01.879
predicciones sobre los resultados futuros de la planta

51
00:02:01.890 --> 00:02:04.069
y responde a los cambios en las variables de entrada y las perturbaciones

52
00:02:04.078 --> 00:02:06.060
del proceso.

53
00:02:07.040 --> 00:02:07.810
El modelo

54
00:02:08.468 --> 00:02:10.699
Para que funcione de forma correcta, necesitamos

55
00:02:10.699 --> 00:02:12.830
un modelo preciso del proceso.

56
00:02:13.300 --> 00:02:15.628
El control predictivo de modelos utiliza las

57
00:02:15.628 --> 00:02:17.658
mejores tecnologías de aprendizaje automático

58
00:02:17.658 --> 00:02:20.098
para desarrollar modelos sólidos del proceso,

59
00:02:20.509 --> 00:02:22.900
mediante la incorporación y la combinación de todo el conocimiento

60
00:02:22.900 --> 00:02:25.068
disponible, como datos históricos,

61
00:02:25.300 --> 00:02:27.478
ecuaciones de procesos, datos de

62
00:02:27.478 --> 00:02:30.120
pruebas de la planta e información del operador.

63
00:02:30.128 --> 00:02:32.960
Analizador virtual en línea

64
00:02:33.340 --> 00:02:36.110
Además, la eficiencia de la herramienta de

65
00:02:36.110 --> 00:02:38.550
optimización está asociada a la riqueza y a la calidad de los

66
00:02:38.550 --> 00:02:39.460
datos de campo.

67
00:02:39.840 --> 00:02:42.210
Sin embargo, en la mayor parte del proceso,

68
00:02:42.250 --> 00:02:44.288
faltan algunas mediciones, no son precisas

69
00:02:44.449 --> 00:02:45.840
o están atrasadas.

70
00:02:46.310 --> 00:02:48.319
En este caso, el control predictivo de

71
00:02:48.319 --> 00:02:50.408
modelos utiliza un analizador virtual en

72
00:02:50.408 --> 00:02:52.538
línea para estimar estas

73
00:02:52.538 --> 00:02:54.718
variables, lo que permite eliminar la brecha

74
00:02:54.718 --> 00:02:56.250
entre la falta de información

75
00:02:56.848 --> 00:02:58.288
y el funcionamiento de la consola.

76
00:02:58.550 --> 00:03:01.068
La consola es una herramienta de

77
00:03:01.068 --> 00:03:03.280
visualización eficiente que permite a los operadores ver

78
00:03:03.280 --> 00:03:05.389
los KPI del modelo y del proceso

79
00:03:05.389 --> 00:03:07.419
para que obtengan un mayor conocimiento de la situación del

80
00:03:07.419 --> 00:03:08.050
sistema.

81
00:03:08.740 --> 00:03:10.889
Y lo más importante es que la solución de control predictivo de modelos

82
00:03:10.889 --> 00:03:13.000
Pavilion8 se puede

83
00:03:13.000 --> 00:03:15.000
implementar en cualquier sistema de control

84
00:03:15.000 --> 00:03:17.270
preexistente o

85
00:03:17.270 --> 00:03:19.288
incorporar en los controladores Logix de

86
00:03:19.288 --> 00:03:20.560
Rockwell Automation.

87
00:03:21.139 --> 00:03:23.270
Esta es otra manera de ver cómo funciona el control

88
00:03:23.270 --> 00:03:24.430
predictivo de modelos.

89
00:03:24.810 --> 00:03:27.068
La solución proporciona estabilidad del proceso y

90
00:03:27.068 --> 00:03:28.908
un rendimiento máximo.

91
00:03:29.348 --> 00:03:31.710
Para lograrlo, encuentra niveles operativos

92
00:03:31.710 --> 00:03:33.848
óptimos próximos a los límites de especificación del

93
00:03:33.848 --> 00:03:36.000
sistema y, a su vez, administra el proceso

94
00:03:36.000 --> 00:03:38.389
dentro de los márgenes de seguridad y restricciones.

95
00:03:39.438 --> 00:03:41.680
Ahora evaluemos con más detalle los beneficios

96
00:03:41.680 --> 00:03:43.728
que obtendrá en las principales

97
00:03:43.728 --> 00:03:46.020
aplicaciones de procesamiento de minerales gracias al control predictivo de modelos

98
00:03:46.030 --> 00:03:47.860
Pavilion8.

99
00:03:48.538 --> 00:03:50.870
En un circuito de trituradoras, el mayor desafío es

100
00:03:50.870 --> 00:03:52.889
encontrar un equilibrio entre el objetivo de las

101
00:03:52.889 --> 00:03:54.900
trituradoras individuales y la

102
00:03:54.900 --> 00:03:56.550
eficiencia general del circuito.

103
00:03:56.938 --> 00:03:59.180
En estos circuitos, la implementación de estrategias de control predictivo de

104
00:03:59.180 --> 00:04:01.318
modelos representa muchos

105
00:04:01.318 --> 00:04:03.830
beneficios, como

106
00:04:03.830 --> 00:04:06.060
rendimiento maximizado del circuito de trituradoras, estabilidad del

107
00:04:06.060 --> 00:04:08.098
proceso, eficiencia

108
00:04:08.098 --> 00:04:10.288
energética óptima, menor desgaste

109
00:04:10.288 --> 00:04:12.348
del equipo y menos desconexiones causadas

110
00:04:12.348 --> 00:04:14.370
por

111
00:04:14.378 --> 00:04:15.788
silos altos con sobrecorriente, por ejemplo.

112
00:04:16.240 --> 00:04:18.550
El control óptimo del circuito de esmerilado

113
00:04:18.550 --> 00:04:20.660
presenta muchos desafíos y una mayor

114
00:04:20.660 --> 00:04:22.689
posibilidad de optimización y

115
00:04:22.689 --> 00:04:23.720
ahorro de energía.

116
00:04:24.370 --> 00:04:26.490
El tamaño de las partículas resultantes del circuito de

117
00:04:26.490 --> 00:04:28.750
esmerilado afecta mucho la eficiencia de los

118
00:04:28.750 --> 00:04:30.399
procesos posteriores.

119
00:04:31.439 --> 00:04:33.899
En los circuitos de esmerilado, las estrategias de control predictivo

120
00:04:33.899 --> 00:04:36.389
de modelos ofrecen muchos beneficios,

121
00:04:36.569 --> 00:04:37.399
como

122
00:04:37.699 --> 00:04:40.278
maximización de la tasa de rendimiento, menor consumo de energía

123
00:04:40.290 --> 00:04:41.430
por tonelada,

124
00:04:41.750 --> 00:04:43.088
mayor estabilidad,

125
00:04:43.519 --> 00:04:45.939
reducción de la variación del tamaño de partículas

126
00:04:46.430 --> 00:04:47.740
y extensión de la vida útil.

127
00:04:48.149 --> 00:04:50.269
Además, brinda estabilidad del circuito de esmerilado

128
00:04:50.269 --> 00:04:52.550
para lograr los objetivos de rendimiento y de tamaño de

129
00:04:52.550 --> 00:04:53.159
esmerilado.

130
00:04:54.040 --> 00:04:56.129
Aunque los circuitos de flotación son una tecnología

131
00:04:56.129 --> 00:04:58.290
muy utilizada para la concentración de

132
00:04:58.290 --> 00:04:59.579
muchos minerales,

133
00:04:59.850 --> 00:05:02.560
presentan varios desafíos de optimización,

134
00:05:02.709 --> 00:05:04.778
ya que se trata de un proceso no lineal

135
00:05:04.778 --> 00:05:06.850
con interacción de múltiples variables.

136
00:05:07.540 --> 00:05:09.569
Las estrategias de control predictivo de modelos

137
00:05:09.569 --> 00:05:11.639
aportan muchos beneficios en los circuitos de

138
00:05:11.639 --> 00:05:13.170
flotación, como por ejemplo,

139
00:05:13.670 --> 00:05:14.910
mayor recuperación,

140
00:05:15.230 --> 00:05:17.470
un grado más puro optimizado y estable

141
00:05:17.810 --> 00:05:19.759
y optimización del consumo de reactivos.

142
00:05:20.540 --> 00:05:23.139
El rendimiento del espesante tendrá consecuencias directas sobre

143
00:05:23.139 --> 00:05:24.980
la operación de planta en general.

144
00:05:25.278 --> 00:05:27.829
Sin embargo, muchas instalaciones de contenedores de espesante

145
00:05:27.829 --> 00:05:29.970
funcionan por debajo de los límites de diseño y

146
00:05:29.970 --> 00:05:32.069
no suelen tener prioridad

147
00:05:32.069 --> 00:05:33.459
en cuanto a la optimización.

148
00:05:34.240 --> 00:05:36.430
En estas instalaciones, las estrategias del control predictivo

149
00:05:36.430 --> 00:05:38.689
de modelos brindan muchos

150
00:05:38.689 --> 00:05:40.360
beneficios, como

151
00:05:40.838 --> 00:05:42.560
mayor densidad de flujo insuficiente,

152
00:05:43.040 --> 00:05:44.990
menor consumo de floculantes,

153
00:05:45.540 --> 00:05:47.439
mayor claridad de sobreflujo

154
00:05:47.800 --> 00:05:49.850
y mejor uso del agua.

155
00:05:50.338 --> 00:05:52.360
Las tecnologías de refinación de metales enfrentan

156
00:05:52.360 --> 00:05:54.420
mayores desafíos asociados con

157
00:05:54.420 --> 00:05:56.389
la disminución de grados de concentración,

158
00:05:56.759 --> 00:05:58.769
lo que causa ineficiencia térmica y

159
00:05:58.769 --> 00:05:59.879
baja productividad.

160
00:06:00.639 --> 00:06:03.120
En promedio, las concentraciones de impurezas

161
00:06:03.129 --> 00:06:05.709
siguen aumentando, lo que produce posibles amenazas

162
00:06:05.709 --> 00:06:07.720
ambientales y costos adicionales de

163
00:06:07.720 --> 00:06:08.370
procesamiento.

164
00:06:09.139 --> 00:06:11.649
La implementación de las estrategias del control predictivo de modelos

165
00:06:11.649 --> 00:06:13.949
representa muchos beneficios para los procesos de refinación

166
00:06:13.949 --> 00:06:15.699
de metales, como

167
00:06:16.170 --> 00:06:18.410
estabilización de la operación,

168
00:06:18.980 --> 00:06:21.259
optimización de la calidad, coherencia del

169
00:06:21.269 --> 00:06:22.199
producto,

170
00:06:22.838 --> 00:06:24.000
ahorro de energía

171
00:06:24.350 --> 00:06:25.819
y reducción de emisiones.

172
00:06:26.639 --> 00:06:28.970
El manejo de materiales puede ser complejo,

173
00:06:28.980 --> 00:06:31.360
aún más en las operaciones que requieran

174
00:06:31.360 --> 00:06:34.009
la gestión de rutas de traslado que incluyen múltiples transportadores.

175
00:06:34.110 --> 00:06:36.170
Pero el manejo de materiales puede dejar de

176
00:06:36.170 --> 00:06:37.860
ser tan complejo

177
00:06:38.338 --> 00:06:40.579
gracias a las estrategias del control predictivo de modelos.

178
00:06:40.730 --> 00:06:42.750
Se pueden percibir muchos beneficios,

179
00:06:42.759 --> 00:06:43.560
como

180
00:06:43.939 --> 00:06:45.459
la maximización del flujo de minerales,

181
00:06:45.838 --> 00:06:48.560
operaciones al límite máximo de restricciones,

182
00:06:48.939 --> 00:06:50.759
minimización de desconexiones del equipo,

183
00:06:51.209 --> 00:06:52.750
extensión de la vida útil del equipo,

184
00:06:53.139 --> 00:06:55.759
minimización de interrupciones durante los cambios de turno y

185
00:06:56.240 --> 00:06:58.528
cuidado de la energía; todo esto con

186
00:06:58.528 --> 00:06:59.949
un máximo rendimiento.

187
00:07:00.350 --> 00:07:02.639
Control predictivo de

188
00:07:02.639 --> 00:07:04.199
modelos Pavilion8 de Rockwell Automation.

189
00:07:04.550 --> 00:07:06.930
El método más inteligente para aumentar el rendimiento

190
00:07:06.939 --> 00:07:08.970
y la recuperación, y obtener operaciones de procesamiento de minerales

191
00:07:08.970 --> 00:07:11.028
sustentables.