Sistema de monitoreo y predicción del desgaste de los revestimientos de un molino de bolas haciendo uso de un gemelo digital

Abstract

En la actualidad, el reto en la minería está ligado con reducir los costos de sus diversos procesos que intervienen en la cadena de valor; en este sentido, predecir las fallas de los distintos equipos, por ejemplo los revestimientos de un molino, que intervienen en el procesado de conminución de diferentes minerales puede llegar a ser muy beneficiosos; por un lado, reducir los costos, aprovechando al máximo la inversión que se le da a estos componentes; por otro lado, reduciendo o minimizando las paradas de emergencia, lo que ocasiona pérdidas de producción y con ello perdidas monetarias. Los sistemas de monitoreo actuales permiten hacer proyecciones de los tiempos de cambios de los equipos antes de fallar; sin embargo, no son muy precisos y son ineficientes; ya que, son muchos factores que intervienen en la vida de este; por ejemplo, las propiedades mecánicas de rocas que ingresan al molino o los tipos de materiales que están fabricados. En esta tesis se modelará un sistema de control que utiliza la base de datos de desgaste de los revestimientos de un molino de bolas para desarrollar un algoritmo predictivo tipo Red Neuronal, que tiene la capacidad de aprender y permitir establecer una función de salida que mejor se adapte a los datos de desgaste evaluados. Asimismo, se usará el lenguaje de programación Python, con la ayuda de distintitas Liberia de Inteligencia Artificial, como Tensorflow, Keras y librerías de análisis de datos y funciones matemáticas como Numpy y Pandas. Finalmente, se modelará un Gemelo Digital de los perfiles de desgaste que permitirá ver y evaluar el comportamiento de los revestimientos en el tiempo y permitirá hacer comparaciones con sistemas tradicionales de monitoreo; de mismo modo, se evaluará el ahorro de tiempo y dinero que otorgaría la implementación de este.

Currently, the challenge in mining is linked to reduce the costs of its various processes involved in the value chain; in this sense, predicting the failures of different equipment, for example the liners of a ball mill, involved in the processing of different minerals can be very beneficial; on the one hand, reducing costs, making the most of the investment that is given to this equipment; on the other hand, reducing or minimizing emergency stops, which causes production losses and thus monetary losses. Current control systems allow making projections of when the equipment could be changed before failure; however, they are not very accurate and are inefficient, since there are many factors that intervene in the life of the equipment; for example, the mechanical properties of the rocks that enter the mill or the types of materials that are manufactured. This thesis will model a control system that uses the wear database of a ball mill to develop a predictive neural network type algorithm, which has the ability to learn and allow the establishment of an output function that best fits the wear data evaluated. In addition, the Python programming language will be used, with the help of different AI libraries such as Tensorflow, Keras and data analysis libraries and mathematical functions such as Numpy and Pandas. Finally, a Digital Twin of the wear profiles will be modeled, which will allow to see and evaluate the behavior of the coatings over time and will allow comparisons with traditional monitoring systems; likewise, the time and money savings that the implementation of this system would provide will be evaluated.