Capítulo 10

Fundamentos de Estadística Aplicada a

Plantas de Procesamiento de Minerales

Introducción Optimización

L.G. Bergh
 Introducción optimización

Objetivos
Recursos
Entendimiento +

Restricciones

Problema complejo

L.G. Bergh
 Problema complejo: organización

Objetivos globales ($)

Objetivos intermedios

Objetivos locales

L.G. Bergh
 Objetivos locales Recursos

Aire
(F) Nivel
Reactivos (Fj ) pulpa

Relave (F, %s, db,

Alimentación (F, %s, db, xi,….) xi,….)

Concentrado (F, %s, db, xi,….)

L.G. Bergh
 Objetivos intermedios

Ley concentrado Rougher

Recuperación Rougher
Ley relave Rougher
Ley concentrado columnas
Ley relave Scavenger
Recuperación Limpieza
Minimizar consumo reactivos
Maximizar tonelaje
alimentado
…. L.G. Bergh
 Objetivos globales

u y
Proceso Max $ o Min costo/ton
producto bajo
especificación
w

RTO (real time optimization)

Si $ = f(y1, … , yk, u1, … , um)

Sujeto a restricciones w1,…,wn

L.G. Bergh
Etapas en la toma de decisiones

Entendimiento + Objetivos
Recursos

Restricciones

Ciencias básicas
Conocimiento
y de ingeniería

Información

Datos
Toma de
decisiones
Planta
L.G. Bergh
 Decisiones

• Manual

• Control automático (DCS)

• Control Multivariable (depende críticamente de

calidad de información y modelos del proceso)

• Sistemas expertos (difusos) conocimiento expresado

en forma de reglas lógicas

• Control Estadístico de Procesos (SPC)

• Monitoreo y diagnóstico
L.G. Bergh
 Monitoreo y diagnóstico:

• Modelos causales basados en estadística multivariable: PCA

(Principal Component Analysis) para la detección de fallas de:

• instrumentación
• operación,

identificando sus causas y remediando el problema encontrado.

Sensores virtuales:
• modelos fenomenológicos
• modelos empíricos
• redes neuronales
• estadística multivariable: PLS (partial least squares, projection to
latent structures)
L.G. Bergh
Etapas para la toma de decisiones

Estadística
Conocimiento +
multivariable:
Métodos de proyección
(PCA, PLS)
Información

Datos
Toma de
decisiones
Planta

L.G. Bergh
Control Estadístico de Procesos (SPC) Tradicional

• El SPC es un conjunto de poderosas herramientas.

• El SPC puede aplicarse a cualquier proceso.

Requerimientos:

• Proceso opere con poca variabilidad en las características

de calidad del producto.

• Administración esté involucrada en un proceso de

mejoramiento continuo.

L.G. Bergh
Causas Comunes y Especiales en la Variabilidad

Independientemente de lo adecuado que sea su diseño o de la

atención que se le preste a su mantenimiento u operación,
siempre existirá cierta cantidad inherente o natural de
variabilidad (sistema estable de causas comunes) en las
características de los productos.

Otra variabilidad en las características claves de la calidad se

originan de tres fuentes: máquinas o procesos ajustados o
controlados incorrectamente, errores de operador o
características de materia prima o limitaciones de servicios
(causas especiales).

En general, la variabilidad causada por causas especiales es

grande cuando se le compara con el ruido de fondo, y
requiere de intervención.
L.G. Bergh
 Objetivos locales: ley concentrado y recuperación

Aire
(F)
Reactivos (Fj ) Nivel
pulpa

Relave (F, %s, db, xi,….)

Alimentación (F, %s, db,
xi,….)

Recursos Concentrado (F, %s, db, xi,….)

L.G. Bergh
 ¿Quién es el culpable?
33 90

85
31
80
Ley concentrado %Cu

Recuperación %
29 75

70
27
65
Ley concentrado Recuperación

25 60

0 200 400 600

Muestras

L.G. Bergh
 Objetivos locales: ley concentrado y recuperación

Aire
(F)
Reactivos (Fj ) Nivel pulpa

Relave (F, %s, db, xi,….)

Alimentación (F, %s, db,
xi,….)

Recursos Concentrado (F, %s, db,

xi,….)

¿0 podría ser un problema de medición de los objetivos?

L.G. Bergh
L.G. Bergh
 LCL = MW - L W LÍNEA CENTRAL = MW UCL = MW + L W

Principios Básicos del Gráfico de Control (Shewhart)

Relación entre la carta de control y la prueba de hipótesis.

L.G. Bergh
 Elección de los Límites de Control

Límites muy anchos, decrece probabilidad de detectar fallas

Límites muy angostos, aumenta la probabilidad de falsas alarmas
Clásicamente L = 3 (99,7%) ó L = 2 (95%)

Tamaño de la Muestra (n obervaciones) y Frecuencia de Muestreo (T)

Si n crece, la incertidumbre (+/-) disminuye, luego el test es más

sensible.
Si T disminuye, se puede detectar antes, pero costos pueden
aumentar.
Si proceso es contínuo hay que considerar la constante de tiempo
del proceso.

L.G. Bergh
 Análisis de Patrones en la Carta de Control

Condición fuera de control cuando un punto se sitúa fuera de

los límites de control, o bien cuando los puntos graficados
presentan un patrón no aleatorio.

 Dos de tres puntos consecutivos se localizan fuera de los

límites de advertencia 2σ, pero dentro de los límites 3σ

 Cuatro de cinco puntos consecutivos se localizan a una

distancia σ o mayor de la línea central.

 Ocho puntos consecutivos se localizan en el mismo lado de

la línea central.

L.G. Bergh
SPC con Datos Autocorrelacionados

Supuesto: observaciones independientes!!

No suele cumplirse en el caso de los procesos químicos,

donde la situación normal es la de autocorrelación en el
tiempo.
Función de autocorrelación muestral ρk y coeficiente de auto
correlación muestral, rk, con k = 0, 1, 2………K, donde k es el
tiempo de separación entre una y otra medición.
Muestreo con T > Tau/2 se pierde información (teorema de
Shannon). nk

• Uso de modelos ARIMA.  ( xt  x )( xt  k  x )

rk  t 1 n
• Uso de control de retroalimentación.

( x  x) 2
t 1 t

COV ( xt , xt  k )
k 
 2 xt
L.G. Bergh
Control Estadístico Multivariable

En el caso de las industrias químicas y de proceso,

normalmente es una gran cantidad de variables las que se
manejan, por lo que el monitoreo de los procesos con el SPC
tradicional no suele ser aplicable.

L.G. Bergh
 El problema general

Si existen N variables de entrada tenemos un problema de

dimensión N que resolver (muy complejo) y si las variables están
correlacionadas entre si se agrega un problema de estimación de
parámetros del modelo

¿Cómo extraer información relevante de un conjunto de datos?

Una imagen en TV muestra objetos reales que tienen volumen
(tres dimensiones), pero podemos PROYECTAR una imagen en
una dimensión menor (dos).
Al observar la imagen de la realidad la identificamos y la
entendemos como lo que es.
¿Un proceso puede tener dimensión N, pero podemos proyectar
su imagen en menos dimensiones?
L.G. Bergh
 Interpretación geométrica

Variable 2

Variable 3

Variable 1

L.G. Bergh
 Interpretación geométrica

V =f1(x,y,z)
W=f2(x,y,z)v

Variable 2

Variable 3

Variable 1

L.G. Bergh
Si existen N variables de entrada tenemos un problema de
dimensión N que resolver (muy complejo) y si las variables
están correlacionadas entre si se agrega un problema de
estimación de parámetros del modelo.

Si algunas variables de entrada estuvieran

CORRELACIONADAS entre si, tenemos un problema de
estimación, pero una oportunidad de reducir la dimensión del
problema a resolver (menos complejo):

PROYECCION

L.G. Bergh
 Interpretación geométrica

1er PC

Variable 2
2do PC

Variable 3

Variable 1

L.G. Bergh
Si existen N variables de entrada tenemos un problema de
dimensión N que resolver (muy complejo) y si las variables están
correlacionadas entre si se agrega un problema de estimación de
parámetros del modelo

Si algunas variables de entrada estuvieran CORRELACIONADAS

entre si, tenemos un problema de estimación, pero una
oportunidad de reducir la dimensión del problema a resolver
(menos complejo) PROYECCION

Si existiera un conjunto menor de variables auxiliares, que siendo

una función lineal de las variables de entrada, fueran
INDEPENDIENTES entre si, entonces tenemos un problema de
dimensión menor que resolver y una condición óptima de
estimación de parámetros de un modelo

L.G. Bergh
 Interpretación geométrica
Punto con Q
grande 1er PC
Variación inusual
fuera del modelo Punto
con T2
grande
Variación
Variable 2 inusual
dentro
2do PC del
modelo
Variable 3

Variable 1

L.G. Bergh