Mejora de la disponibilidad de un molino SAG basado en el diseño de un sistema de estimación del desgaste del revestimiento

Abstract

La industria minera se encuentra orientada a la extracción y aprovechamiento de minerales y otros elementos presentes en la superficie terrestre. Las plantas concentradoras poseen líneas de producción que cuentan con equipos sometidos a diferentes parámetros de operación y producción. En el proceso de molienda el desgaste del recubrimiento del molino SAG no es del tipo lineal. Los parámetros de producción que afectan a este componente del molino SAG son: dureza del material, tamaño del material y porcentaje de tipo de material; así como de parámetros de operación como son: tonelaje de alimentación, cantidad de flujo de agua de ingreso, porcentaje de carga de bolas, potencia consumida, velocidad de giro entre otras. Existe un número reducido de empresas o consultores especializados en el análisis de datos orientados a resolver problemas de predicción de fallas de equipos mineros como son por ejemplo los Molinos SAG, y de esta manera mejorar su disponibilidad. Las empresas que ofrecen estos servicios no brindan el soporte adecuado, requieren de un extendido tiempo de análisis, no ofrecen tiempo de entrega de resultados y sus costos son muy elevados. Por ello, el presente trabajo plantea el diseño de un sistema de estimación del desgaste de revestimientos basado en algoritmos de aprendizaje supervisado de machine learning a fin de mejorar la disponibilidad de un molino SAG en un menor tiempo de análisis y costos más bajos.

The mining industry is oriented to the extraction and use of minerals and other elements present on the earth's surface. The concentrator plants have production lines that have equipment subject to different operation and production parameters. In the grinding process, the wear of the SAG mill lining is not of the linear type. The production parameters that affect this component of the SAG mill are: material hardness, material size and percentage of material type; as well as operating parameters such as: feeding tonnage, amount of incoming water flow, ball load percentage, power consumed, turning speed, among others. There is a small number of companies or consultants specialized in data analysis aimed at solving problems of predicting failures of mining equipment, such as SAG Mills, and thus improving their availability. The companies that offer these services do not provide adequate support, require an extended analysis time, do not offer results delivery time, and their costs are very high. For this reason, the present work proposes the design of a lining wear estimation system based on supervised learning algorithms of machine learning in order to improve the availability of a SAG mill in a shorter analysis time and lower costs.