Impacto de alúmina en productividad de discos peletizadores (página 2)

Recolección de Información:

Material Bibliográfico (PLANTA PELLAS SIDOR):

• Fundamento de los Procesos de Peletización.

• Procesos de Planta de Pellas.

• Estudios de la Productividad de los Discos Peletizadores.

• Estudio del % de Retorno y Numero de caídas

• Información del Mineral Tolva y Mineral Molido.

• Información de los insumos de la planta, carga de pellas.

• Información técnica de los principales equipos de la planta de Pellas.

Desarrollo:

Análisis del impacto del porcentaje de la alúmina en el contenido del Mineral de Hierro con el fin de determinar cuáles son las variables que más influyen en la productividad de los Disco Peletizadores.

Redacción del Informe de pasantías:

• Planteamiento para determinar la influencia del porcentaje de Alúmina (Al2O3) contenido en el Mineral de Hierro para la productividad de los Disco Peletizadores.

• Ajuste a correcciones sugeridas.

Redacción del Informe final.

Técnicas e instrumentos de recolección de datos:

Hurtado (1998) refirió; "Las técnicas de recolección de datos, comprenden procedimientos y actividades que le permiten al investigador obtener la información necesaria para dar respuestas a las preguntas de investigación". (p.409). Por tanto, se denota que serán calificadas como técnicas todas las herramientas e instrumentos que el investigador considere necesarias para recolectar la información.

Para la obtención de datos e información que permitieron el planteamiento del procedimiento adecuado se utilizaron las siguientes estrategias:

• Observación Directa: Se realizo una recorrida al área y observaciones directas del proceso, para familiarizarse con él y tener contacto con el personal que labora en el área.

• Entrevistas al personal: Estas se aplicaron a todo el personal que esté involucrado directa e indirectamente con el proceso, con el fin de aclarar cualquier duda que se tenga del proceso.

• Datos Teóricos: Se revisaron las prácticas operativas, manuales de control de procesos y otros documentos disponibles en la gerencia de Ingeniería de Procesos.

Tabulación y Presentación de Datos.

Para obtener la información necesaria para este estudio luego de planteado el titulo del Informe y sus objetivos Generales y específicos, se realizaron los siguientes pasos:

• Recolección de información, esto se llevó a cabo por medio de las entrevistas al personal y también por los informes de productividad diarios.

• Recolección de datos, esta se ejecuto a través del sistema Intranet que es una red interna de la empresa que permite la recopilación, resguardo y acceso de la información.

• Análisis y tabulación de los datos, luego de obtener toda la información y valores necesarios del comportamiento del porcentaje de Alúmina (Al2O3) contenido en el Mineral de Hierro del proceso Planta de Pellas para el periodo 27 de octubre de 2007- 30 de Septiembre del 2011, estos fueron procesados y analizados, para determinar las fallas que se presenten en el cálculo de la productividad de los Disco Peletizadores. Estos datos se depuraron utilizando el criterio de descartar todos aquellos valores que estén muy lejanos (Tanto por arriba como por abajo) de la realidad de la planta, con el fin de obtener mayor precisión al momento de hacer el análisis cuantitativo del cálculo de la productividad presentando así un comportamiento más cercano al ideal de la planta.

• Los datos obtenidos de la red interna de la empresa fueron llevados al programa de Office Excel el cual nos permitió ordenar las variables depurar la población según las prácticas operativas, filtrando aquellos datos que reflejan parada y arranque de la planta, así como también nos permitió realizar gráficas para evaluar la tendencia de la productividad en función de cada una de las variables.

Tipos de análisis a realizar.

El método propuesto se analizo siguiendo la herramienta principal de examen crítico, la cual consistió en realizar una revisión exhaustiva, minuciosa y detallada, cuestionándose la información obtenida.

Como primer paso, se evaluó analíticamente la influencia del comportamiento de la Alúmina en Mineral Tolva y Mineral Molido, evaluando su conducta en las pellas verdes, y en algunos atributos (Productividad de los Disco, % Retorno, Números de Caídas, Granulometría de pellas verdes, Granulometría de % Retorno). Posteriormente, se realizaron gráficas que mostraban la tendencia o el comportamiento de la productividad de los Disco Peletizadores en función de cada una de las variables, esto con la finalidad de determinar la influencia de una variable en la productividad.

Finalmente, se busca la relación cuantitativa del porcentaje de la Alúmina contenido en el Mineral de Hierro y las Propiedades en función de la productividad de los Disco.

Para la elaboración de este análisis se tomo como herramienta de cálculo el paquete estadistico STATGRAPHICS el cual es un programa para gestionar y analizar valores estadísticos. STATGRAPHICS se destaca especialmente por sus capacidades para la representación gráfica de todo tipo de estadísticas y el desarrollo de experimentos, previsiones y simulaciones en función del comportamiento de los valores.

Las herramientas estadisticas utilizadas para este estudio fueron las siguientes:

Análisis de Varianza.

Según García (2002) al observar una característica Contínua en una muestra de una población, y considerar una o varias características cualitativas que dividen la población (y la muestra) en grupos, el objetivo será inferir si estas últimas aportan información sobre la variable continua observada, es decir, se quiere saber si los datos aportan evidencia de que el valor esperado de la variable continua es diferente en las subpoblaciones o grupos definidos por las variables categóricas.

La variable continua de análisis recibe el nombre de variable dependiente mientras que las categóricas que definen los grupos suelen llamarse variables independientes o explicativas o, más comúnmente, factores. Según Portus (2003) los posibles valores que puede tomar un factor reciben el nombre de niveles, y cada posible combinación de los niveles de los distintos factores en estudio se llama tratamiento. Al efecto que se produce cuando la influencia de un factor sobre la variable dependiente es diferente según los distintos niveles de otro factor se le conoce como interacción entre ambos factores. Los análisis de varianza utilizados fueron:

Anova simple:

Este análisis descompone la variabilidad total de la variable dependiente en componentes independientes que pueden ser atribuidas a distintas causas (factores e interacciones). El diseño del experimento en cuestión determinará el modelo matemático y la descomposición de la varianza a aplicar. Este modelo plantea un contraste de hipótesis para el cual la hipótesis nula es la igualdad de medias entre las subpoblaciones que definen los distintos niveles del factor.

Al almacenar los datos para un análisis de este tipo se debe tener en cuenta incluir un registro por individuo, una variable (numérica o no) que contenga los niveles del factor y otra (numérica) con los valores de la variable dependiente.

El procedimiento ANOVA Simple (o de un criterio de clasificación) está diseñado para construir un modelo estadístico que describa el impacto de un solo factor categórico X sobre una variable dependiente Y. Se realizan pruebas para determinar si hay o no diferencias significativas entre las medias, varianzas y/o medianas de Y en los diferentes niveles de X. Además, los datos se pueden presentar gráficamente de varias formas, incluyendo un gráfico múltiple de dispersión, un gráfico de medias, un gráfico ANOM, y un gráfico de medianas.

En este procedimiento, se supone que los datos se colocarán en dos columnas, una para la variable dependiente Y y una segunda identificando los niveles de X.

Análisis descriptivos:

La Estadística Descriptiva trata de mostrar de una manera concisa y resumida los aspectos fundamentales de un conjunto de datos. Esto supone el cálculo de medidas centrales, la cuantificación de la dispersión general de los datos alrededor de las mismas, la presentación resumida de los datos en forma de tablas y gráficos, la detección de datos atípicos, agrupaciones, tendencias, etc. Los análisis descriptivos empleados fueron: Histogramas de frecuencias, Gráficos de caja y bigotes,

Histogramas de frecuencias:

Son representaciones gráficas en los cuales a cada grupo o intervalo se le asigna una barra cuya altura representa su frecuencia (absoluta, relativa o acumulada). El histograma da información acerca de la forma de la distribución de la variable analizada. Este análisis permite resumir la distribución de los datos contenidos en una variable mediante tablas de frecuencias. En el eje vertical se representan las frecuencias, y en el eje horizontal los valores de las variables, normalmente señalando las marcas de clase, es decir, la mitad del intervalo en el que están agrupados los datos.

Para variables discretas y categóricas, estos gráficos dirán cuántas observaciones tienen cada posible valor de esa variable. Para las continuas se crearán intervalos que constituyan una partición del rango total de la variable, y las tablas dirán cuántas observaciones tienen su valor dentro de cada uno de los posibles intervalos.

El número de observaciones en cada valor (o intervalo) se llama frecuencia absoluta. El porcentaje que representa sobre el total de las observaciones se llama frecuencia relativa. Las frecuencias acumuladas representan el numero de observaciones (o porcentaje que representan, según se trate de frecuencias absolutas o relativas) que toman un determinado valor y todos los menores que él.

Gráficos de caja y bigotes:

Los gráficos de caja y bigotes son otra herramienta descriptiva que permite conocer las características generales de la distribución de una variable a partir de los datos muéstrales. Consta de una caja central cuya amplitud es el rango intercuartílico, esto es, el 50% central de la distribución. La caja es atravesada por una línea que representa la mediana, que por lo tanto la divide en dos subcajas que contienen el mismo porcentaje de distribución (25%). El 50% restante de la distribución (25% por encima de la caja y 25% por debajo) se representa de la siguiente manera: como una línea continua el rango que contiene aquellos datos que no se separan del cuartil más cercano más de 1.5 veces el rango intercuartílico, y como puntos individuales el resto, que son así considerados como atípicos.

Estos gráficos son útiles para estudiar ajustes a distribuciones determinadas, simetrías y detección de valores atípicos.

.Análisis de comparación:

El procedimiento de Comparación de dos Muestras está diseñado para comparar dos muestras independientes de datos de variables. Las pruebas son corridas para determinar si existe o no diferencia significativa entre medias, varianzas, medianas desviación estándar y/o distribución de las poblaciones de las cuales las muestras fueron tomadas. En adición, los datos pueden ser mostrados gráficamente de varias maneras, incluyendo un histograma dual, una gráfica de caja y bigotes dual.

En este procedimiento se asume que no existe relación entre una observación seleccionada en una muestra y cualquier observación específica en otra muestra, dado que las dos poblaciones deben estar definidas por una característica diferenciadora que permita clasificar los valores correspondientes.

CAPITULO IV

Análisis y representación de resultados.

En el siguiente capítulo se presenta el desarrollo de cada uno de los objetivos planteados, para así dar con los resultados deseados.

FLUJO DE INFORMACIÓN DE PLANTA DE PELLAS

Para determinar el resto de los posibles factores que pueden afectar la calidad del proceso, se verificó el flujo de información de Planta de Pellas, lo cual permitió identificar las distintas variables que se generan a lo largo del proceso. Para la fabricación de la pella, se llevan a cabo los siguientes procesos:

• Formación de la Pila (Proveedor).

• Carga del Tren (Proveedor).

• Dosificación.

• Secado.

• Molienda.

• Mezclado.

• Peletización.

• Piroconsolidación.

Una vez que la información es recopilada, se registra mediante el siguiente módulo:

• Sistema de Gestión de Líneas (SGL): contiene módulos comunes para todas las áreas y módulos específicos. Para los laboratorios; construido con la misma estructura y apariencia para cada línea productiva de la planta y que está accesible desde cualquier lugar a través de una interfaz Web.

Fig. xx Sistema de gestión de líneas (SGL)

Figura 14: Sistema de gestión de líneas (SGL)

Cabe destacar que toda la información registrada en el SILAB y Planta en Línea se encuentra disponible a su vez en el SGL, por lo tanto el flujo de información de la planta se realiza mediante el esquema mostrado en la figura 14.

Figura 15: Esquema del Flujo de Información de Planta de Pellas

Fuente el Autor.

Figura16: Flujograma del Proceso de Fabricación de Pellas.

Una vez establecido el esquema del flujo de información de la planta, es importante señalar que la información generada en el proceso corresponde a las siguientes variables:

• Variables de Control de Operaciones: son aquellas que influyen en las variables de calidad y a las cuales se les hace seguimiento para tener control sobre el proceso.

• Variables de proceso: son aquellas que se registran automáticamente mediante el sistema de control de Planta de Pellas y corresponde a la maquinaria utilizada en el proceso.

LEVANTAMIENTO DE LA DATA:

Una vez descrito las variables de control que intervienen en el proceso de Peletización se procedió a descargar los datos de cada una de las variables Ver (Fig. 17), ya que la mayoría de las variables poseían históricos desde el 2006 se acordó trabajar con una data comprendida desde octubre 2007 hasta septiembre del 2011 para la Línea B.

Figura 17: Datos suministrados por el SGL.

Una vez descargados los datos se observo que las horas y fechas no eran continuas, (estando primero la hora 16 que la hora 4, el día 14 que el día 6, también se encontró saltos en meses o semanas productos de las paradas de planta) por lo antes mencionado fue necesario ajustar las horas y las fechas además de agregar filas en la hoja de cálculo pertenecientes a los días que hubo parada de planta. Esta labor se realizo a todas las variables puesto que todas presentaban dicha discontinuidad.

Análisis estadístico

La verificación del flujo de información del proceso de fabricación de pellas, permitió identificar los factores que pueden tener influencia en la variable estudiada, los cuales son básicamente los siguientes para el proceso:

• Productividad de los Disco.

• % Retorno.

• Números de Caídas.

• Granulometría de Pellas Verdes.

• Granulometría del % Retorno.

En esta parte del estudio se evaluó el efecto que tienen los posibles atributos identificados anteriormente en la variable estudiada, para determinar aquellos que tienen una influencia estadísticamente significativa en las mismas. Para establecer dicho efecto se realizaron análisis de varianza (ANOVA), e histograma dual los cuales permitieron verificar el comportamiento los factores.

Comparación estadística del contenido de alúmina del Mineral Tolva y Mineral Molido por medio de Anova simple y Histograma Dual.

La primera parte del estudio consistió en hacer una comparación del porcentaje de alúmina del mineral tren pila y el porcentaje de alúmina del Mineral Molido, y así identificar los posibles factores que pueden estar afectando a dicha variable en el proceso de peletización para ello se tomo una base de datos de las variable y atributos comprendidas desde el 2007-2011.

En la (Figura 18) se observan los evolutivos del porcentaje de alúmina contenido en las pilas del mineral donde podemos aprecia en el mineral tolva una tendencia de disminución a partir del 2009, mientras que en el Mineral Molido se puede ver que fue aumentando y en el 2009 hubo una disminución hacia el 2010 .

Figura 18: Evolutivo del contenido del porcentaje de Alúmina en las pilas de mineral consumidas por Sidor en el periodo Oct. 2007 – Sep. 2011.

Mediante el uso de Anovas simples Se presenta los evolutivos del porcentaje de Alúmina del mineral en los trenes de pilas y Mineral Molido en el Periodo del 27 de Octubre del 2007 hasta Septiembre 2011. Ver figura 19.

Figura 19: Anova Simple de los evolutivos del Mineral Tolva y Mineral Molido.

Comparación de muestra por Histograma Dual.

Este análisis está diseñado para comparar las medias de las dos muestras, donde estudiamos la data proveniente del porcentaje Mineral Tolva y Mineral Molido 2009-2011. Ver figura 20.

Figura 20: comparación Dual Mineral Tolva y Mineral Molido.

Reflejándose que no es significativo la diferencia. Concluyendo trabajar con la data del Mineral Molido que es el que contiene mayor número de muestra y que a su vez contiene los aditivos y aglomerante que son los subproductos que le están ocasionando ruidos a esta variable. ver tabla 1.

Tabla1: tabla de resultados del porcentaje de alúmina del Mineral Tolva y Mineral Molido.

Anova simple para la Productividad de los Disco Data del año 2007-2011.

En este análisis podemos observar un incremento de la productividad de los disco a partir del año 2008 con un promedio de 739.915, llegando al año 2011 con un promedio de 806.127. Ver figura 21.

Figura 21: Evolutivo de la productividad de los Disco de la Lina B comprendido en el Periodo Enero 2007- Septiembre 2011.

Tabla 2: Tabla de Resulta de la Productividad de los Disco de la Línea B.

Anova simple para él % Retorno Data del año 2007-2011.

En este análisis se refleja una diferencia estadísticamente significativa, donde fue incrementando desde el 2008 al 2011. Ver figura 22.

Figura 22: Evolutivo del porcentaje de Retorno en el Periodo 2007- 2011

Donde el incremento porcentual de material que retorna a los silos de los disco oscila su promedio entre 3,14 y 5,70. Ver tabla 3.

Tabla 3: Tabla de resumen del porcentaje de Retorno.

Anova simple para Números de Caídas Data del año 2007-2011.

Se aprecia un incremento de la plasticidad de la pella con el tiempo, Registrándose el valor más alto de la media en 19,31. Ver figura 23.

Figura 23: Análisis del Números de Caídas en el periodo 2007-2011.

En este análisis observamos que si existe una diferencia estadísticamente significativa entre las muestra de cada año que oscila de 15,66 – 19,31 números de caídas. Ver tabla 4.

Tabla 4: Tabla de Resultado de Números de Caídas data comprendida 2007-2011.

Establecer los Rangos del porcentaje de Alúmina.

Para la realización de los rangos a utilizar para los estudios se utilizo el análisis estadístico descriptivo para una variable, se grafico un Histograma para el porcentaje de Alúmina (Al2O3), con el fin de dividir los datos de dicha variable en cuatro rangos en los cuales trabaja esta variable y su frecuencia de ocurrencia. Ver Figura 24.

Figura 24: Histograma del porcentaje de Alúmina para establecer los rangos.

Donde podemos observar los rangos establecidos para el porcentaje de Alúmina. Ver Tabla 5.

Tabla 5: Tabla Resumen de los Rangos establecidos para el Porcentaje de Alúmina.

Una vez obtenido los rangos se procedió a realizar la recodificación ver (Figura 25), de la variable mediante la clasificación de los datos en cuatro grupos que corresponde a los rangos ya mencionados, A continuación se muestra la ventana del statgraphics donde se recodifican las variables.

Figura 25: Recodificación de los datos 2009-2011.

Estando la variable estudiada recodificada se procede a la realización de la ANOVA como tal, la variable recodificada (factor) se relacionan con todos los atributos de operación (variable dependiente), a continuación se muestra la ventana donde se seleccionan las variables que se someterán a estudio.(ver figura 26).

Figura 26: ventana del statgraphics para el Anova Simple.

Anova simple del Porcentaje de Alúmina – Producción Disco.

En este estudio podemos apreciar que a medida que el %Al2O3 aumenta la producción de los disco disminuye. En el Rango IV se observa el aumento de 2.85 tn/hr de la producción de los disco que no es significativo para el proceso, dando como resultado que existen otras variables que puedan estar afectando junto a esta la productividad de los disco Peletizadores. (Tomando como Referencia la Practica de Operativa de control de pellas verdes PRAPPQ03002). (ver figura 27)

Figura 27: Análisis del porcentaje de Alúmina vs la Producción de los Disco.

Anova simple Porcentaje de Alúmina – Porcentaje Retorno.

A medida que el %Al2O3 aumenta existe una disminución de la cantidad porcentual de material que se retoma a los silos de los disco como rechazo de la doble criba de rodillos. Descartando esta variable para el modelo de regresión simple ya que el comportamiento del retorno no acompaña la realidad de la planta.( Ver Figura 28).

Figura 28: Análisis del porcentaje de Alúmina vs % Retorno.

Anova simple Porcentaje Alúmina – % Retorno.( Enero2009-Julio2010).

El porcentaje de retorno se mantiene con un coeficiente que oscila entre 22 % y 25.57%. El valor máximo esperado de pellas verdes en la línea B es de 30%. En este análisis trabajamos con la data de Enero 2009 hasta Julio 2010.( Ver figura 29).

Figura 29: Análisis del porcentaje de Alúmina vs % Retorno (Enero 2009-Julio 2010).

Anova simple para el Porcentaje Alúmina – Números de Caídas.

Se incrementa un número de caídas a medida que el porcentaje de alúmina va aumentando. Su resistencia de caída fue de 19.33 en el rango IV de (1.13-1.6). Donde existe la generación de pellas plásticas, ocasionando pérdidas de productividad y generando finos en el horno de piroconsolidación. (Ver Figura 30).

Figura 30: Análisis del porcentaje de Alúmina vs Números de Caídas.

Anova simple para el Porcentaje Alúmina- Granulometría de las Pellas comprendida en los años 2009-2011.

Este procedimiento ejecuta un análisis de varianza de un factor para las granulometría de pellas verdes. Construye varias pruebas y gráficas para comparar los valores medios de la granulometría, dividiéndola en los rangos establecidos con el porcentaje de Alúmina. Donde para los 4 diferentes niveles de porcentaje de Alúmina. La prueba de valor-P en la tabla ANOVA determinará si hay diferencias significativas entre las medias. Si las hay, las Pruebas de Rangos Múltiples le dirán cuáles medias son significativamente diferentes de otras. (Ver figura 31).

Figura 31: Análisis del porcentaje de Alúmina vs Las Granulometría de Pellas Verdes..

Este análisis estadístico podemos observar en la granulometría 5/8" y mayor a ¼" existe una diferencia estadísticamente significativa entre los rangos establecidos para el porcentaje de alúmina. Donde podemos corroborar con el análisis valor-P, si es mayor o igual que 0,05, no existe una diferencia estadísticamente significativa entre las desviaciones estándar, con un nivel del 95,0% de confianza.

Anova simple para el porcentaje Alúmina – Granulometría de % Retorno. Data 2009-2011.

Este procedimiento ejecuta un análisis de varianza de un factor para las granulometrías del % Retorno. Donde se Construye varias pruebas y gráficas para comparar los valores medios de la granulometría, dividiéndola en los rangos establecidos con el porcentaje de Alúmina. Donde para los 4 diferentes niveles de porcentaje de Alúmina. La prueba de valor-P en la tabla ANOVA determinará si hay diferencias significativas entre las medias. Si las hay, las Pruebas de Rangos Múltiples le dirán cuáles medias son significativamente diferentes de otras. (Ver figura 32).

Figura 32: Análisis del porcentaje de Alúmina vs Las Granulometría de % Retorno.

Este análisis estadístico podemos observar en la granulometría ½" existe una diferencia estadísticamente significativa entre los rangos establecidos para el porcentaje de alúmina, mientras que para la otras granulometría de % Retorno no existe diferencia estadísticamente signigicativa. Donde podemos corroborar con el análisis valor-P, si es mayor o igual que 0,05, no existe una diferencia estadísticamente significativa entre las desviaciones estándar, con un nivel del 95,0% de confianza.

MODELOS ESTADÍSTICOS:

Una vez establecidos todos los atributos que influyen en la variable estudiada se establecieron los modelos estadísticos, los cuales fueron elaborados utilizando el programa Statgraphics (ver Figura 33). Los datos de la variable son introducidos en el programa, el cual genera superficies de respuesta dependiendo de los datos programados. A su vez el modelo permite verificar los factores que son más influyentes en la variable.

Figura 33: Opción que permite generar el modelo (Vista del programa estadístico Statgraphics).

Figura 34: Opción que permite generar el modelo (Vista del programa estadístico Statgraphics).

Este procedimiento de Regresión Simple está diseñado para construir un modelo estadístico que describa el impacto de un solo factor cuantitativo X (Porcentaje Alúmina) sobre una variable dependiente Y (Producción de disco, Números de Caídas, Granulometría de Pellas Verdes).Las pruebas se Corren para determinar la significancia estadística del modelo. El modelo ajustado puede ser graficado con límites de confianza y/ o límites de predicción. Los residuos también pueden ser graficados y las observaciones influyentes pueden ser identificadas también.

MODELO PARA LA PRODUCCIÓN DE LOS DISCO LÍNEA B.

Para la elaboración este modelo se utilizaron las medias de los rangos obtenido del porcentaje de alúmina y las medias de las producción de los disco. (Ver Tabla 6). Los datos que aparecen en el cuadro siguiente corresponde a las media de la producción de los disco (Variable Dependiente Y) y las media del porcentaje de Alúmina (Variable independiente x). (Ver tabla 6).

Tabla 6: Datos de media porcentaje de alúmina y producción de los disco.

Obteniendo la Ecuación:

DISCO = 799,467 – 31,0726*Al2O3

En la siguiente Figura se puede observar el modelo ajustado, junto con los limites de confianza:

Figura 35: Grafico de interacción de la Producción de los Disco Línea B.

En la siguiente tabla se muestra una pequeña validación para el modelo donde se trabajo con los valores de los rangos de porcentaje de alúmina.

Tabla 7: Datos de validación del Modelo.

Esta tabla muestra los valores predichos para la Producción de los Disco Línea B usando el modelo ajustado, además contiene los intervalos de previsión del 95,0% para las nuevas observaciones y los intervalos de confianza del 95,0% para la media de varias observaciones. Donde Los intervalos de predicción y de confianza corresponden a las cotas internas y externas en la gráfica del modelo ajustado. (Ver tabla 8)

Tabla 8: Valores Predichos para la Producción de los Disco.

El estadístico R-Cuadrada indica que el modelo ajustado es apto, puesto que se tiene 73,755% de la variabilidad en la Producción de los Disco. El coeficiente de correlación es igual a -0,858808, indicando una relación moderadamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 4,51714.

Tabla 9: Cuadro Analisis de varianza.

MODELO PARA NÚMEROS DE CAÍDAS.

Para la elaboración este modelo se utilizaron las medias de los rangos obtenido del porcentaje de alúmina y las medias de los Números de Caídas. (Ver Tabla 10). Los datos que aparecen en el siguiente cuadro representa las media de los números de caídas (variable dependiente Y) y las media del porcentaje de Alúmina (variable independiente X).

Tabla 10: Datos Media del Porcentaje Alúmina y las Media de Números de Caídas.

La ecuación del modelo ajustado es:

Números de Caídas = 18,2068 + 0,903495*Al2O3

En la siguiente Figura (ver Figura 36) se puede observar el modelo ajustado, junto con los limites de confianza:

Figura 36: Grafico de interacción de Números de Caídas.

En la siguiente tabla se muestra una pequeña validación para el modelo donde se trabajo con los valores de los rangos de porcentaje de alúmina.

Tabla 11: Datos de validación del Modelo.

Esta tabla muestra los valores predichos para los Números de Caídas usando el modelo ajustado, además contiene los intervalos del 95,0% para las nuevas observaciones y los intervalos de confianza del 95,0% para la media de varias observaciones. Donde Los intervalos de predicción y de confianza corresponden a las cotas internas y externas en la gráfica del modelo ajustado. (Ver tabla 12).

Tabla 12: Valores Predichos para los Números de Caídas.

El estadístico R-Cuadrada indica que el modelo ajustado es apto con un 96,5031% de la variabilidad en Números de Caídas. El coeficiente de correlación es igual a 0,98236, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0,0419134. El error absoluto medio es de 0,0247371 es el valor promedio de los residuos. Puesto que el valor-P es mayor que 0,05, no hay indicación de una autocorrelación serial en los residuos con un nivel de confianza del 95,0%. (ver tabla 13).

Tabla 13: Cuadro Analisis de varianza.

MODELO PARA LA GRANULOMETRIA DE 5/8".

Para la elaboración este modelo se utilizaron las medias de los rangos obtenido del porcentaje de alúmina y las medias para la granulometría de 5/8". (Ver Tabla 14). Los datos que aparecen en el siguiente cuadro representa las media para la granulometría de 5/8" (variable dependiente Y) y la media del porcentaje de Alúmina (variable independiente X).

Tabla 14: Datos Media del Porcentaje Alúmina y las Media de la Granulometría de 5/8".

Obteniendo La ecuación del modelo ajustado:

Granulometría 5/8"= 5,05455 + 2,75951*Al2O3.

En la siguiente Figura (ver Figura 37) se puede observar el modelo ajustado, junto con los límites de confianza:

Figura 37: Gráfico de interacción de Granulometría de 5/8".

En la siguiente tabla se muestra una pequeña validación para el modelo donde trabajamos con los valores de los rangos de porcentaje de alúmina. (Ver Tabla 15).

Tabla 15: Datos de validación del Modelo.

Esta tabla muestra los valores predichos para la granulometría usando el modelo ajustado, además contiene los intervalos de previsión del 95,0% para las nuevas observaciones y los intervalos de confianza del 95,0% para la media de varias observaciones. Donde Los intervalos de predicción y de confianza corresponden a las cotas internas y externas en la gráfica del modelo ajustado. (Ver tabla 16).

Tabla 16: Valores Predichos para la Granulometría de 5/8".

El estadístico R-Cuadrada indica que el modelo ajustado es apto, puesto que se tiene 78,6353% de la variabilidad en la Granulometría de 5/8". El coeficiente de correlación es igual a 0,886766, indicando una relación moderadamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0,350534. Este valor puede usarse para construir límites de predicción para nuevas observaciones. El error absoluto medio es de 0,217195 es el valor promedio de los residuos. Puesto que el valor-P es mayor que 0,05, no hay indicación de una autocorrelación serial en los residuos con un nivel de confianza del 95,0%. (Ver tabla 17).

Tabla 17: Cuadro Analisis de varianza.

MODELO PARA LA GRANULOMETRIA DE 1/2".

Para la elaboración este modelo se utilizaron las medias de los rangos obtenido del porcentaje de alúmina y la media de la granulometría de ½" (Ver Tabla 18). Los datos que aparecen en el siguiente cuadro representa la media de la granulometría de ½" (variable dependiente Y) y la media del porcentaje de Alúmina (variable independiente X).

Tabla 18: Datos Media del Porcentaje Alúmina y las Media de la Granulometría de ½".

Obteniendo la ecuación del modelo ajustado:

Granulometría ½" = 54,2519 – 1,13261*Al2O3.

En la siguiente Figura (ver Figura 38) se puede observar el modelo ajustado, junto con los límites de confianza:

Figura 38: Gráfico de interacción para la Granulometría de ½".

En la siguiente tabla se muestra una pequeña validación para el modelo donde se trabajo con los valores de los rangos de porcentaje de alúmina. (ver Figura 19).

Tabla 19: Datos de validación del Modelo.

Esta tabla muestra los valores predichos para la granulometría de ½" usando el modelo ajustado, además contiene los intervalos de previsión del 95,0% para las nuevas observaciones y los intervalos de confianza del 95,0% para la media de varias observaciones. Donde Los intervalos de predicción y de confianza corresponden a las cotas internas y externas en la gráfica del modelo ajustado. (Ver figura 20).

Tabla 20: Valores Predichos para la Granulometría de ½".

El estadístico R-Cuadrada indica que el modelo ajustado no es apto, puesto que se tiene 52,9002% de la variabilidad en la granulometría de ½". El coeficiente de correlación es igual a -0,727325, indicando una relación moderadamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0,260447.El error absoluto medio es de 0,149409 es el valor promedio de los residuos. Puesto que el valor-P es mayor que 0,05, no hay indicación de una autocorrelación serial en los residuos con un nivel de confianza del 95,0%. (Ver figura 21).

Tabla 21: Cuadro Analisis de varianza.

MODELO PARA LA GRANULOMETRIA DE 3/8".

Para la elaboración este modelo se utilizaron las medias de los rangos obtenido del porcentaje de alúmina y la media de la Granulometría de 3/8". (Ver Tabla 22). Los datos que aparecen en el siguiente cuadro representa la media de la granulometría de 3/8" (variable dependiente Y) y la media del porcentaje de Alúmina (variable independiente X).

Tabla 22: Datos Media del Porcentaje Alúmina y las Media de la Granulometría de 3/8".

Obteniendo la ecuación del modelo:

Granulometría 3/8" = 35,8261 + 0,630783*Al2O3.

En la siguiente Figura (ver Figura 39) se puede observar el modelo ajustado, junto con los límites de confianza:

Figura 39: Gráfico de interacción de Granulometría de 3/8".

En la siguiente tabla se muestra una pequeña validación para el modelo donde se trabajo con los valores de los rangos de porcentaje de alúmina. (Ver tabla 23).

Tabla 23: Datos de validación del Modelo.

Esta tabla muestra los valores predichos para la granulometría de 3/8" usando el modelo ajustado, además contiene los intervalos de previsión del 95,0% para las nuevas observaciones y los intervalos de confianza del 95,0% para la media de varias observaciones. Donde Los intervalos de predicción y de confianza corresponden a las cotas internas y externas en la gráfica del modelo ajustado. (Ver tabla 24).

Tabla 24: Valores Predichos para la granulometría de 3/8".

El estadístico R-Cuadrada indica que el modelo no es ajustado, puesto que se tiene un valor muy bajo 5,47829% de la variabilidad en la granulometría de 3/8". El coeficiente de correlación es igual a 0,234058, indicando una relación relativamente débil entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0,638531. El error absoluto medio es de 0,389927 es el valor promedio de los residuos. Puesto que el valor-P es mayor que 0,05, no hay indicación de una autocorrelación serial en los residuos con un nivel de confianza del 95,0%. (Ver figura 25).

Tabla 25: Cuadro Analisis de varianza.

MODELO PARA LA GRANULOMETRIA MAYOR A 1/4".

Para la elaboración este modelo se utilizaron las medias de los rangos obtenido del porcentaje de alúmina y la media de la granulometría mayor a ¼". (Ver Tabla 26). Los datos que aparecen en el siguiente cuadro representa la Media de la Granulometría mayor a ¼" (variable dependiente Y) y la media del porcentaje de Alúmina (variable independiente X).

Tabla 26: Datos Media del Porcentaje Alúmina y las Media de la Granulometría de 1/4".

Obteniendo la ecuación del modelo:

Granulometría 1/4" = 1,58583 + 0,0842698*Al2O3

En la siguiente Figura (ver Figura 40) se puede observar el modelo ajustado, junto con los límites de confianza:

Figura 40: Gráfico de interacción de Granulometría de 1/4".

En la siguiente tabla se muestra una pequeña validación para el modelo donde se trabajo con los valores de los rangos de porcentaje de alúmina. (Ver tabla 27).

Tabla 27: Datos de validación del Modelo.

Esta tabla muestra los valores predichos para la granulometría de mayor a ¼". Usando el modelo ajustado, además contiene los intervalos de previsión del 95,0% para las nuevas observaciones y los intervalos de confianza del 95,0% para la media de varias observaciones. Donde Los intervalos de predicción y de confianza corresponden a las cotas internas y externas en la gráfica del modelo ajustado. (Ver tabla 28).

Tabla 28: Valores Predichos para la Granulometría mayor ¼".

El estadístico R-Cuadrada indica que el modelo no es acto para utilizar, donde se puede observar que su R-cuadrado es 2,13447% de la variabilidad de la granulometría mayor ¼". El coeficiente de correlación es igual a 0,146098, indicando una relación relativamente débil entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0,13906. Este valor puede usarse para construir límites de predicción para nuevas observaciones. El error absoluto medio es de 0,0791681 es el valor promedio de los residuos Puesto que el valor-P es mayor que 0,05, no hay indicación de una autocorrelación serial en los residuos con un nivel de confianza del 95,0%. (Ver tabla 29).

Tabla 29: Cuadro Analisis de varianza.

MODELO PARA LA GRANULOMETRIA MENOR A 1/4".

Para la elaboración este modelo se utilizaron las medias de los rangos obtenido del porcentaje de alúmina y la media de la granulometría menor a ¼". (Ver Tabla 30). Los datos que aparecen en el siguiente cuadro representa la media de la granulometría menor a ¼" (Variable dependiente Y) y la media del porcentaje de Alúmina ( Variable independiente X).

Tabla 30: Datos Media del Porcentaje Alúmina y las Medias granulométricas menor a ¼"".

Obteniendo la ecuación del modelo ajustado es:

Granulometría < 1/4" = 0,786273 – 0,132663*Al2O3.

En la siguiente Figura (ver Figura 41) se puede observar el modelo ajustado, junto con los limites de confianza.

Figura 41: Gráfico de interacción de Granulometría menor ¼"".

En la siguiente tabla se muestra una pequeña validación para el modelo donde se trabajo con los valores de los rangos de porcentaje de alúmina. (Ver Tabla 31).

Tabla 31: Datos de validación del Modelo.

Esta tabla muestra los valores predichos para la granulometría usando el modelo ajustado, además contiene los intervalos de previsión del 95,0% para las nuevas observaciones y los intervalos de confianza del 95,0% para la media de varias observaciones. Donde Los intervalos de predicción y de confianza corresponden a las cotas internas y externas en la gráfica del modelo ajustado. (Ver tabla 32).

Tabla 32: Valores Predichos para la Granulometría menor a ¼".

El estadístico R-Cuadrada indica que el modelo es apto, puesto que se tiene 93,4228% de la variabilidad para una granulometría menor a ¼". El coeficiente de correlación es igual a -0,966554, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0,00857836. Este valor puede usarse para construir límites de predicción para nuevas observaciones. El error absoluto medio es de 0,00602837 es el valor promedio de los residuos. (Ver tabla 33).

Tabla 33: Cuadro Analisis de varianza.

Conclusiones

Luego de terminado el estudio, y atendiendo a los objetivos planteados se obtuvieron las siguientes conclusiones:

• Las condiciones bajo las cuales la empresa recibe el mineral de hierro afectan la calidad del proceso de fabricación de pellas, evidenciándose de esta manera la necesidad de elaborar modelos estadísticos que permitan obtener rangos favorables de operación.

• Se establecieron los rangos de trabajo en el porcentaje de Alúmina. Donde se obtuvo cuatro clases de Rangos validos para el estudio de los modelos de regresión simple.

• Existe influencia del porcentaje de Alúmina en los atributos analizados, en los rangos establecidos para este estudio. Donde existe la generación de pellas plásticas, ocasionando pérdidas de productividad y generando finos en el horno de piroconsolidación. Por cada 0.1% de alúmina, se disminuye la productividad de los disco en 3.10 tn/hrs de pellas verdes.

• Se observo que a medida que él %Al2O3 aumenta existe una disminución de la cantidad porcentual de material que se retoma a los silos de los disco como rechazo de la doble criba de rodillos. Descartando él % retorno para el modelo de regresión simple ya que el comportamiento no acompaña la realidad de la planta.

• Al comparar todos los estudios realizados referentes a la influencia del porcentaje de alúmina en el mineral de hierro en el proceso productivo de los disco peletizadores, se concluye que no puede atribuirse todo el efecto a la alúmina, es decir no se están estudiando todas las variables que puedan estar afectando al proceso productivo.

Recomendaciones.

• Realizar un estudio del porcentaje de alúmina del mineral vs a las variables que afecten directamente a la calidad del proceso de los disco peletizadores.

• Se deben hacer trabajos que permitan corroborar la representatividad de la muestra del 75% de la pila enviada por FMO, dado que actualmente no se cuenta con verificadores en las instalaciones del proveedor.

• Establecer los límites de especificaciones para el Mineral Molido con el uso de las herramientas estadísticas.

• Hacer estudios que permitan correlacionar el efecto de los parámetros operativos de Planta (por línea de producción) y del Laboratorio sobre los atributos de las pellas obtenidas en cada proceso.

• Hacer seguimiento al mineral que contenga alto porcentaje de alúmina en el mineral, para de esta manera conocer más acerca del impacto de esta variable en el proceso de fabricación de pellas.

Bibliografía

• Hacking, Ian (1990). Técnicas Estadísticas. Una perspectiva de investigación 2da Edición. Barcelona.

• HURTADO Y, TORO J. 1997. Paradigmas y métodos de Investigación en Tiempos de Cambios. Valencia. Episteme España

• MÉNDEZ A., Carlos (2001): Metodología. Diseño y desarrollo del proceso de investigación, Bogotá.

• NARVÁEZ, Rosa. (1997). Orientaciones Prácticas para la Elaboración de Informes de Investigación. Puerto Ordaz.

• UNEXPO. (2da Edición).

• Murria R, Spiegel (2004) Estadística. Métodos avanzados de investigación y Estadística 3era Edición.

• Rodríguez Luis. Variables de Calidad y Productividad en la Empresa (2da. Edición). Venezuela.

• Sistemas de Control.[Documentos] Disponible

Enhttp://www.gestiopolis.com/recursos/documentos/fulldocs/ger/sis con.htm. Sistemas de Control

• Manual de peletizacion. Documento disponible en la gerencia de prerreducidos.

• SIDOR. [Documento]. Disponible. En http://sidornet/ Red Intranet.

Apéndices

Apéndice A: Anova simple Data 2007-2011del Porcentaje de Alúmina.

Tabla resumen del porcentaje de Alúmina data 2007-2011.

Apéndice B: Ventana del programa Statgraphics Data Modificada para el Modelo de Regresión Simple.

Apéndice C: Hoja Excel con los promedios utilizados para la elaboración de los modelos de Regresión simple.

Anexos

Anexos A: Esquema de los Disco peletizadores.

Anexos B: Estructura de las pellas.

Anexos C: Prueba de Números de Caídas de Pellas verdes.

Se considerará como número de caídas de la pella verde bajo análisis. Aquel que corresponda al intento anterior al que se presenta el agrietamiento.

Anexos D: Consecuencia en Peletizacion en Alta Alúmina.

DEDICATORIA

A Dios, por haberme dado la vida, salud e inteligencia además de una gran familia.

A mis padres, Ingred Soto y Evelio Soto, por estar siempre a mi lado brindarme su amor y su apoyo incondicional en cada una de las etapas de mi vida, por guiarme correctamente y brindarme los recursos necesarios para alcanzar mis metas.

A mis hermanos, por estar allí cuando los necesito, por brindarme su apoyo y su compañía.

A mi novio, Josman Manzano por brindarme su apoyo incondicional, su compañía, ayuda y amor.

A mis demás familiares, vecinos y amigas, por ayudarme a ser una mejor persona gracias a sus consejos, por brindarme su ayuda y por estar conmigo en las buenas y en las malas.

Soto Soto Eneida Carolina

AGRADECIMIENTOS

Quiero agradecer en primer lugar a Dios, porque me ha acompañado a lo largo de mi vida, me permitió llegar hasta aquí, e ir alcanzado cada una de mis metas.

A mis padres, Ingred Soto y Evelio Soto por su apoyo, consejos, enseñanzas y valores que hacen de mi una mujer de bien luchadora y emprendedora.

A mis hermanos, por motivarme a seguir adelante y creer en mí.

A mi novio, Josman Manzano por estar conmigo en todo momento, darme tranquilidad y por motivarme a luchar por lo que quiero.

A mi tutor industrial la Ing. Aurimar Yajure por brindarme su apoyo y guiarme y enseñarme durante la realización de mi trabajo.

A mi tutor académico el Ing. Emerson Suarez por su guía para la realización del presente informe.

A todas las personas que trabajan en el área de Planta de Pellas por brindarme la información necesaria para realizar el estudio, por su apoyo y guía.

A mi casa de estudio UNEXPO, por todo el conocimiento que me ha permitido adquirir hasta ahora.

A SIDOR, por permitirme desarrollar mi práctica profesional en sus instalaciones.

A Todos…. Muchisimas Gracias!!!

Soto Soto Eneida Carolina

Autor:

Soto Soto Eneida Carolina

Tutor Académico: Ing. Emerson Suárez

Tutor Industrial: Ing. Aurimar Yajure

Enviado por:

Iván José Turmero Astros

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA

"ANTONIO JOSÉ DE SUCRE"

VICE-RECTORADO PUERTO ORDAZ

DEPARTAMENTO DE INGENIERÍA INDUSTRIAL

PRÁCTICA PROFESIONAL

Fecha: Febrero 2012