Reconciliação Dados Em Processamento De Minério Utilizando O Simulador Emso

Abstract

RESUMO -Este trabalho apresenta um estudo sobre reconciliação de dados em estado estacionário em processamento de minério, com base em uma unidade industrial publicada por Alhaj-Dibo et al. (2008). É realizada uma breve revisão bibliográfica sobre reconciliação de dados e sua aplicação em processamento de minério, basicamente: cominuição, flotação e hidrometalurgia. O problema estudado é constituído por 48 variáveis sendo 3 não medidas e 7 corrompidas por erros grosseiros, que invalidam a base estatística comumente adotada. O problema é resolvido no pacote computacional EMSO (Ambiente para Modelagem, Simulação e Otimização) que dispõe de rotinas computacionais propriamente desenvolvidas para reconciliação de dados em estado estacionário com restrições lineares ou não lineares. Resultados satisfatórios são obtidos e o desempenho do simulador EMSO pode ser comprovado, incluindo estimadores robustos para detecção dos múltiplos erros grosseiros. INTRODUÇÃOA reconciliação de dados (RD) representa uma etapa crucial para estratégias de controle e otimização em tempo real de processos industriais. Os processos de produção de um mineral ou planta metalúrgica têm como meta operar em condições ótimas, com base em índices de desempenho. Estes podem ser expressos por fatores técnicos, tais como a quantidade de material valioso produzido, ou pela qualidade do material produzido (por exemplo, pureza do metal). Por meio do procedimento de RD medidas de processo como vazões, concentrações e temperaturas são ajustadas de tal forma a satisfazer restrições, como balanços de massa e energia. Desta forma, a RD tem sido muito utilizada em processamento de minérios.Neste procedimento, tradicionalmente, é considerado que essas medidas estão sujeitas apenas a erros pequenos, aleatórios e com distribuição Normal, o que resulta no estimador de Mínimos Quadrados Ponderados (MQP). Desta forma, uma reconciliação eficiente requer a eliminação ou compensação de outro tipo de erros não aleatórios, os erros grosseiros que, ao não satisfazer a hipótese de normalidade, invalidam o resultado. Estes erros podem se originar em falhas, má-calibração ou deterioração de sensores e flutuações súbitas de força. Um número considerável de abordagens foi proposto para a detecção de erro grosseiro (DEG). Quando mais de um erro grosseiro está presente é necessária uma estratégia (seqüencial ou simultânea) para detectá-los, e isto é conhecido como detecção de múltiplos erros grosseiros (DMEG). A literatura técnica tem mostrado que a utilização de distribuições de probabilidade oriundas da estatística robusta permite realizar a RD e DMEG simultaneamente, sem necessidade de eliminação dos erros grosseiros ou estratégias computacionalmente intensivas.