Browsing by Author "Bravo Rain, Gian Leonardo"
Now showing 1 - 1 of 1
- Results Per Page
- Sort Options
Item SISTEMA EN LÍNEA DE DIAGNÓSTICO DE ESTADO DE OPERACIÓN Y DETECCIÓN DE FALLAS EN UNA PLANTA PILOTO DE FLOTACIÓN ROUGHER(2017) Bravo Rain, Gian Leonardo; Departamento de Ingeniería Química y Ambiental; Bergh Olivares, Luis Guillermo; Yianatos Bernardino, JuanEl presente trabajo tiene como objetivo analizar la capacidad de un modelo PCA para detectar en línea operaciones anormales y fallas en una planta piloto de un circuito de flotación rougher de operación híbrida ubicado en el Laboratorio de Control de Procesos de la Universidad Técnica Federico Santa María. Para esto se desarrolló un sistema modular , en el software Matlab 2016, que integra un detector de estado estacionario, un simulador metalúrgico, un sistema de almacenamiento de datos y, un sistema de diagnóstico del estado de la operación y detección de fallas. Además, se utiliza una interfaz gráfica en el software Intouch HMI 8.0 de Wonderware, el cual permite monitorear y controlar la operación de la planta piloto y, además, todas las funcionalidades del sistema creado en Matlab 2016. La planta piloto consiste en 3 celdas de flotación en serie, siendo operadas con una mezcla de agua y espumante, utilizándose el simulador metalúrgico para simular la presencia de los minerales cobre, fierro y molibdeno. Este simulador permite estimar resultados metalúrgicos tales como la recuperación y la ley de concentrado y cola del circuito rougher.Para la construcción de los 2 modelos PCA implementados, se utilizó el software PLS_Toolbox 8.5, el cual posee una interfaz gráfica a la cual se le ingresa los datos experimentales y se obtiene el modelo PCA, en donde se debe definir el método de preprocesamiento de los datos experimentales y además, se debe definir el número de componentes principales.El primer modelo PCA se construyó considerando 21 variables, las cuales corresponden a variables operacionales y metalúrgicas, considerándose tanto sensores como actuadores. El modelo se construye a partir de un conjunto de operaciones en estado estacionario, conformado por 339.993 operaciones diferentes, desde donde se seleccionaron aquellas que correspondían a operaciones normales, obteniéndose 83.079. Una operación normal es considerada como aquella que posee una recuperación de cobre del circuito dentro del rango entre 90 [%] y 91 [%]. Se aplicó el método de autoescalamiento a los datos experimentales para así normalizarlos. Finalmente, se escogieron 9 componentes principales, los cuales logran explicar el 90,12 [%] de la variabilidad del conjunto de datos de construcción y, además, todos estos componentes poseen valores propios superiores o cercanos a 1. Además, se define que los límites de los estadígrafos T2 y Q Residual corresponden a 21,67 y 7,00, respectivamente.El modelo PCA obtenido, es utilizado por el sistema de diagnóstico de la operación y detección de fallas, desarrollado en Matlab 2016, permitiendo detectar en línea, el estado de la operación.Para analizar el comportamiento del sistema para la detección de condiciones anormales de operación utilizando el primer modelo PCA, se desarrollaron 5 experiencias, en donde se tenían diferentes condiciones para los niveles de espuma de cada celda, ley de cobre de alimentación, porcentaje de sólidos de alimentación, flujo de alimentación y recuperación del circuito. Cada una de estas experiencias se iniciaba con una condición anormal de operación y, luego de alcanzar el estado estacionario, el sistema detectó correctamente todas las operaciones anormales iniciales. Luego, el sistema recomendaba realizar cambios en los niveles de espuma de cada celda y porcentaje de sólidos de alimentación (ya que son las que normalmente se pueden variar en una operación real) en donde, luego de realizar el cambio sugerido en la planta y, de alcanzar el nuevo estado estacionario, la operación alcanzaba un estado de operación normal en todas las experiencias realizadas. Cabe destacar que en las 5 experiencias realizadas, la operación normal se alcanzó luego de cambiar solo una vez las condiciones sugeridas por el sistema.Para analizar el comportamiento del sistema para la detección de fallas utilizando el primer modelo PCA, se realizaron 6 experiencias, en donde cada una de ellas correspondía a una condición diferente de operación. Cada experiencia se iniciaba con una operación normal (detectada correctamente por el sistema) y luego, se le simulaba una falla en algún sensor o actuador, analizando el comportamiento del sistema. Luego de simulada la falla, se eliminaba ésta y se retornaba a una operación normal nuevamente. Se simularon fallas en los niveles de espuma de cada celda, flujo de bomba de alimentación, porcentaje de sólidos de alimentación y ley de cobre de alimentación. En las 6 experiencias realizadas, el sistema detectó correctamente la falla. El mínimo error necesario para que el sistema detecte la falla varía entre 24 [%] a 65 [%], en donde el promedio corresponde a 37,8 [%]. El máximo valor de error está asociado al nivel de espuma de la celda 1 y, el mínimo, está asociado al flujo de bomba de alimentación.Luego, se construye el segundo modelo PCA, en el cual se excluyen variables que no poseen variabilidad en el conjunto de datos construcción, por lo que inicialmente se consideran 15 variables. Luego, aplicando PCA, se obtienen 7 componentes principales. Los límites de los estadígrafos T2 y Q residual corresponden a 18,48 y 6,383 respectivamente. Se realiza una prueba para diagnóstico de operación detectándose correctamente la operación anormal y normal, entregándose recomendaciones que permitieron retornar a una operación normal. Para el caso de detección de fallas, el sistema detecta correctamente la falla generada en el sensor. Además, el valor del mínimo error detectable no posee variación con respecto al primer modelo PCA.Finalmente, se realizan pruebas agregando ruido a las variables metalúrgicas de entrada al simulador, obteniéndose un diagnóstico correcto del estado de operación anormal y normal, además de entregarse recomendaciones correctas que permitieron retornar a operación normal. Además, para el caso de detección de fallas, se obtuvo una correcta identificación del sensor por parte del sistema. Además el valor del mínimo error detectable no se modificó.Finalmente, se concluye que el sistema implementado (tanto con el primer y segundo modelo PCA) permite un diagnóstico correcto del estado de la operación y, además, permite la detección de fallas generadas en la planta piloto de circuito de flotación rougher.
Política de Privacidad 
