Thesis:

Diseño de un sistema adaptativo de inferencia neurodifusa para el control de flujo de alimentación en molinos semi autógenos

Esta investigación aborda el desafío del control del flujo de alimentación en molinos semiautógenos (SAG), un proceso fundamental en la industria minera que incide directamente en la eficiencia operativa y el consumo energético de la planta. Tradicionalmente, la tasa de alimentación se ha regulado de manera manual, dependiendo de la experiencia y el criterio de los operadores para ajustar el sistema ante variaciones en las condiciones operativas. Aunque han surgido diversas estrategias de control, los enfoques convencionales aún presentan limitaciones en su capacidad de adaptación frente a la alta variabilidad del proceso. Factores como la variabilidad en la granulometría del mineral, los cambios en la dureza del material, las fluctuaciones en la carga del molino y las perturbaciones en la correa transportadora afectan significativamente la estabilidad del sistema. Esta brecha tecnológica evidencia la necesidad de desarrollar métodos más robustos y flexibles que optimicen el desempeño del sistema y mejoren su estabilidad ante perturbaciones. Para abordar esta problemática, la investigación adoptó un enfoque que integra análisis estadísticos avanzados y conocimiento experto a través de un modelo gráfico probabilístico, específicamente una red Bayesiana. Este modelo permitió analizar de manera exploratoria las relaciones causales entre variables operativas, proporcionando una base estructurada para identificar los factores clave que influyen en la estabilidad y eficiencia del proceso de alimentación en molinos SAG. A partir de estos hallazgos, se establecieron fundamentos sólidos para el desarrollo de estrategias de control optimizadas.

This research addresses the challenge of feed flow control in semi-autogenous grinding mills (SAG), a fundamental process in the mining industry that directly impacts the plant's operational efficiency and energy consumption. Traditionally, feed rates have been regulated manually, relying on the experience and judgment of operators to adjust the system to variations in operating conditions. Although various control strategies have emerged, conventional approaches still have limitations in their adaptability to the high variability of the process. Factors such as variability in ore granulometry, changes in material hardness, fluctuations in mill load, and conveyor belt disturbances significantly affect system stability. This technological gap highlights the need to develop more robust and flexible methods that optimize system performance and improve its stability in the face of disturbances. To address this problem, the research adopted an approach that integrates advanced statistical analysis and expert knowledge through a probabilistic graphical model, specifically a Bayesian network. This model allowed for an exploratory analysis of the causal relationships between operating variables, providing a structured basis for identifying the key factors influencing the stability and efficiency of the SAG mill feed process. These findings laid a solid foundation for developing optimized control strategies.