Desarrollo de un sensor virtual dinámico de concentraciones en una celda de flotación rougher piloto utilizando la metodología PLS

Abstract

El presente trabajo tiene como objetivo el desarrollo de un sensor virtual dinámico para estimar la ley de concentrado en una celda de flotación, considerando la dificultad de medir esta variable en tiempo real mediante sensores físicos. Para ello, se implementaron modelos matemáticos capaces de inferir el valor de esta variable a partir de otras más accesibles, utilizando la metodología de regresión por mínimos cuadrados parciales (PLS) aplicada en estructuras dinámicas tipo FIR y ARX. El conjunto de variables consideradas incluye seis entradas principales: flujo de alimentación (QF), velocidad superficial del aire (Jg), altura de espuma (Hf), porcentaje de sólidos (Sf), porcentaje de gruesos (Gf) y ley de alimentación (Xf). Estas variables fueron obtenidas desde un entorno de simulación calibrado para representar el comportamiento estacionario de la celda de flotación. Dado que el simulador opera en estado estacionario, se incorporó un modelo dinámico adicional asumiendo un sistema de primer orden con retardo por transporte despreciable. Se generaron 729 observaciones a partir de una matriz experimental completa, las cuales fueron posteriormente depuradas según criterios de recuperación de cobre y la selección de una ruta de perturbación representativa, conservándose finalmente 323 observaciones válidas. Este conjunto se utilizó para entrenar los modelos mediante el software SOLO, empleando autoescalado y validación cruzada para la calibración. Se construyeron y evaluaron modelos FIR (global y locales) y ARX (ideal y no ideal). El modelo FIR global presentó un error (RMSE) de 1,37, mientras que los modelos locales lograron reducirlo a 1,22, demostrando mayor precisión en zonas específicas del dominio operativo. El modelo ARX ideal, que incorpora retroalimentación de la variable de salida, obtuvo el menor error general (0,94), aunque su aplicabilidad real es limitada debido a la necesidad de conocer valores reales pasados. En contraposición, el modelo ARX(...).

This work aims to develop a dynamic virtual sensor to estimate the concentrate grade in a flotation cell, given the difficulty of measuring this variable in real time using physical sensors. To this end, mathematical models were implemented capable of inferring the value of this variable from other, more accessible ones, using the partial least squares (PLS) regression methodology applied to dynamic FIR- and ARX-type structures. The set of variables considered includes six main inputs: feed flow rate (QF), superficial air velocity (Jg), froth height (Hf), percent solids (Sf), percent coarse particles (Gf), and feed grade (Xf). These variables were obtained from a simulation environment calibrated to represent the steady-state behavior of the flotation cell. Since the simulator operates in steady state, an additional dynamic model was incorporated, assuming a first-order system with negligible transport delay. A total of 729 observations were generated from a full experimental matrix, which were subsequently refined according to copper recovery criteria and the selection of a representative perturbation route, ultimately retaining 323 valid observations. This dataset was used to train the models using SOLO software, applying autoscaling and cross-validation for calibration. FIR models (global and local) and ARX models (ideal and non-ideal) were built and evaluated. The global FIR model showed an error (RMSE) of 1.37, while the local models reduced it to 1.22, demonstrating greater accuracy in specific regions of the operating domain. The ideal ARX model, which incorporates feedback from the output variable, achieved the lowest overall error (0.94), although its real-world applicability is limited by the need to know past real values. In contrast, the non-ideal ARX model(...).