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