Control del Nivel de Pulpa en un Circuito de Flotación Utilizando una Estrategia de Control Predictivo
DOI:
https://doi.org/10.1016/j.riai.2017.04.003Palabras clave:
Control predictivo basado en modelo, Identificación de sistemas y estimación de parámetros, Filtro de Kalman, Rechazo a perturbaciones, Minería, metalurgia, metales y materialesResumen
Este trabajo presenta el diseño y resultados de la implementación de una estrategia de control predictivo para el control del nivel de pulpa de un circuito de flotación primario de una minera ubicada en la tercera región de Chile, el cual está compuesto por cinco bancos de flotación. La estrategia considera una representación de estados que modela el nivel de cada banco (utilizando un modelo de múltiples entradas y una salida), el que es obtenido mediante un procedimiento de identificación de sistemas y utiliza un filtro de Kalman como estimador de estados. Para resolver el problema de optimización que calcula la acción de control a aplicar se utiliza un optimizador basado en algoritmos genéticos. Se presentan los resultados de la estrategia de control propuesta mediante datos experimentales.Descargas
Citas
Desbiens, A., Hodouin, D., Mailloux, M., 1998. Nonlinear predictive control of a rougher flotation unit using local models. Proceedings of the IFAC-MMM Automation Symposium, 297–302.
Goldberg, D., 1989. Genetic algorithms in search optimization and machine learning. Addison-Wesley, United States of America.
Goodwin, G., Graebe, S., Salgado, M., 2000. Control system design, 1st Edition. Prentice Hall, United States of America.
Haupt, R., Haupt, S., 2004. Practical genetic algorithms. John Wiley & Sons, United States of America.
Hulbert, D., 1995. Multivariable control of pulp levels in flotation circuits. Proceedings 8th International Symposium on Control in Mining, Metals and Minerals, 71–76.
Kampjärvi, ¨ P., Jämsä-Jounela, S., 2003. ¨ Level control strategies for flotation cells. Minerals Engineering 16 (11), 1061–1068.
Ljung, L., 1999. System Identification: Theory for the user. Prentice Hall, United States of America.
Martínez, M., Senent, J., Blasco, X., 1998. Generalized predictive control using genetic algorithms (gagpc). Engineering Applications of Artificial Intelligence 11 (3), 355 – 377.
Pannocchia, G., 2003. Robust disturbance modeling for model predictive control with application to multivariable ill-conditioned processes. Journal of Process Control 13 (8), 693–701.
Pérez-Correa, R., González, G., Casali, A., Cipriano, A., Barrera, R., Zavala, E., 1998. Dynamic modelling and advanced multivariable control of conventional flotation circuits. Minerals Engineering 11 (4), 333 – 346.
Putz, E., Cipriano, A., 2015. Hybrid model predictive control for flotation plants. Minerals Engineering 70, 26 – 35.
Rojas, D., Cipriano, A., 2011. Model based predictive control of a rougher flotation circuit considering grade estimation in intermediate cells. Dyna 78 (166), 29–37.
Rossiter, J., 2013. Model-based predictive control: a practical approach. CRC press, United States of America.
Stenlund, B., Medvedev, A., 2002. Level control of cascade coupled flotation tanks. Control engineering practice 10 (4), 443–448.
Suárez, A., Gómez, Z., 2011. Sensor virtual entrenado usando el concepto de variables instrumentales y aplicado en la medicion de temperatura en un ´ convertidor teniente. Revista Iberoamericana de Automatica ´ e Informatica ´ Industrial 8 (1), 54–63.
Tulleken, H., 1990. Generalized binary noise test-signal concept for improved identification-experiment design. Automatica 26 (1), 37–49.
Zhu, Y., 2001. Multivariable system identification for process control. Elsevier, United States of America.
Descargas
Cómo citar
Número
Sección
Licencia
Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)
