Framework de continuidad operacional para estimar la ley de mineral
Un soft sensor de machine learning que mantiene disponible la medición de ley de cola cuando los analizadores físicos fallan, para que el control avanzado de la flotación nunca quede ciego.
Cuando el sensor de ley se cae, un modelo lo reemplaza
En la flotación Rougher de Minera Los Pelambres, tres analizadores físicos (XBry) miden en línea la ley de cobre cada 15 minutos. El problema: se caen entre un 20 y 30% del tiempo, dejando ciegos a los sistemas de control avanzado y a los recomendadores que optimizan la recuperación. El equipo desarrolló un soft sensor de machine learning que estima la ley de cola durante esas caídas usando variables mineralógicas, de molienda y operacionales, robustecido con un filtro bayesiano e integrado al SCADA vía PI System.
Las frases que resumen la charla
Un control avanzado que se queda ciego
Sobre la flotación Rougher y de columna operan sistemas de control avanzado (APC) y, encima de ellos, recomendadores cuyo objetivo común es maximizar la recuperación de cobre. La mayoría de esos cálculos dependen de la medición de ley en línea (ley de cola, ley de alimentación).
Esa medición la entregan tres analizadores XBry repartidos por la flotación, que multiplexan la toma de muestra y emiten una señal cada 15 minutos. Cuando un analizador se indisponibiliza, el control y el recomendador pierden la referencia: se pierde la oportunidad de optimizar el nivel de espuma y, con ello, recuperación de cobre.
El análisis de un año previo mostró indisponibilidades del 20–30% en algunos períodos. Distinguieron dos tipos de falla por duración y decidieron atacar la más frecuente: las caídas cortas de 1 a 2 horas, en las que el analizador funciona de forma continua, cae por una a tres horas y luego se recupera.
Un soft sensor de machine learning
La propuesta es un modelo de machine learning que estima la ley de cola de cobre a partir de variables mineralógicas (concentración de cobre y molibdenita, dureza del mineral), de molienda (flujos, P80), químicas (pH, adición de reactivos) y operacionales de la línea (nivel y velocidad de espuma, flujos).
El modelo incorpora restricciones físicas —conservación de masas e invarianza en balanza— y trata la línea Rougher como un continuo, no como una secuencia de celdas independientes. En vez de predecir la ley directamente, predice su desviación respecto de una combinación convexa (promedio ponderado) de sus valores, asumiendo un comportamiento autorregresivo.
El resultado es un soft sensor dinámico que estima cada 15 minutos con un error medio (MAPE) del 4,5%. Un hallazgo relevante: cuando los operadores se desvían de la forma «óptima» de operar según el perfil de mineral, esa desviación se refleja tanto en los datos como en el modelo.
Filtro bayesiano y conexión al control
Para robustecer el modelo se añadió un filtro bayesiano que actúa como restricción física: balancea la distribución histórica del sensor con las predicciones del modelo, de modo que al iniciar la predicción sobre un sensor caído no haya saltos ni discontinuidades. El peso de la distribución histórica decae con el tiempo, de manera que el modelo gana influencia a medida que la caída se prolonga y la incertidumbre de la predicción crece.
El mismo enfoque bayesiano contextualizado sirve para detectar outliers: como cada courier sigue una distribución conocida según su contexto operacional, es fácil descartar mediciones que se escapan del rango esperado.
La estimación se calcula en la nube y se alimenta a la capa de control (SCADA/APC) a través de OSIsoft PI System y su PI Connector hacia un servidor OPC (OPC UA), cerrando el lazo entre el cómputo cloud y los sistemas de control de planta.
De 70% a 100% de disponibilidad
La solución aborda tanto fallas de corto como de largo alcance. En caídas cortas el modelo resuelve el vacío de datos; en caídas largas sigue la tendencia de fondo de la señal. Con la implementación, la disponibilidad de la medición de ley pasó de ~70% a 100%: donde antes no había ninguna estimación, ahora existe un respaldo que asiste al sistema de control.
El caso de negocio es directo: mayor disponibilidad de la señal significa mayor disponibilidad del control avanzado (SCAN) y, por lo tanto, mejor recuperación de cobre fino. En el Q&A se mostró que la precisión varía por línea por razones operacionales (p. ej. distintos SAG alimentando cada línea), lo que orienta el refinamiento futuro y la extensión a la novena línea Rougher pendiente.
Por qué nos importa
Esta sección es interpretación propia del equipo de Nidatech como proveedor tecnológico a la minería; no forma parte de la charla.
- Soft sensors como respaldo, no como reemplazo. El framing «ayuda cuando el sensor físico falla» es una venta más fácil que «reemplazo del instrumento»: reduce la resistencia operacional y de calidad. Es un patrón replicable para cualquier medición crítica de planta con baja disponibilidad (leyes, densidades, granulometría).
- El valor está en la disponibilidad del lazo de control, no solo en el modelo. El caso de negocio no fue «predecir mejor» sino «que el APC/recomendador nunca quede ciego». Vale la pena instrumentar y monetizar la disponibilidad de la señal como KPI de negocio, no solo el MAPE.
- La integración OT es el 50% del proyecto. La ruta nube → PI System → PI Connector → OPC UA → APC es exactamente el tipo de plomería que un modelo en producción exige. Tener capacidad probada de bajar señales cloud a la capa de control (PI, OPC UA) es un diferenciador frente a un POC que solo vive en un notebook.
- El filtro bayesiano aporta continuidad y confianza. Manejar transiciones suaves y una incertidumbre que crece con la duración de la caída hace la señal utilizable y auditable por el control. Empaquetar «predicción + banda de confianza» debería ser estándar en nuestros modelos de estimación en línea.