IEEE LATIN AMERICA TRANSACTIONS, VOL. 12, NO.

2, MARCH 2014

87

Cement Rotary Kiln Model Using Fractional

Identification
O. Hernndez, P. Ortiz and J. Herrera
Abstract This paper proposes the fractional order model of a
cement rotatory kiln. The model consists of two parts: static and
dynamic. The static part depends on the energy balance and the way
how the heat is distributed around the whole process. The dynamic
part is obtained through the fractional method of identification, and it
shows how the process responds to changes in the input variables. The
input of the dynamic model is the output of the static one. The model is
validated using data from a real plant, two statistical methods: boxes
and whiskers, and statistical metrics normalized by fuzzy functions.
Keywords Component, Rotatory kiln, fractional model, MISO
system.

I.

INTRODUCCIN

A UTILIZACIN de hornos rotatorios en la industria

del cemento data desde 1873, ao en el cual fue
inventado dicho equipo, aunque slo fue patentado por
Thomas Edison en 1909. El horno rotatorio es el equipo
principal en la fabricacin de cemento y el que ms energa
toma en todo el proceso [1]; por tal razn se le instalan una
gran cantidad de instrumentos y controladores para
automatizar su operacin y facilitar las decisiones de control
del operador. Los avances en los sistemas de control
industrial, como los Controladores Lgicos Programables
(PLC), los Sistemas de Control Distribuido (DCS), los
desarrollos en redes de comunicacin y el aumento de las
capacidades de los equipos de almacenamiento han facilitado
la captura y almacenamiento en bases de datos de las
variables del proceso de clinkerizacin [2] [3] [4].

Modelar un horno rotatorio no es una tarea fcil por ser un

proceso de parmetros distribuidos, no lineales, variantes en
el tiempo y fuertemente acoplados. En las ltimas dos
dcadas se han usado mtodos de control avanzado e
inteligencia artificial para tratar de modelar y controlar el
horno; las tcnicas ms utilizadas son: redes neuronales, las
cuales permiten simular y controlar el proceso como
sistemas MIMO [1]. Otra tcnica usada es lgica difusa [2],
la cual se acerca ms a los conceptos cualitativos que maneja
el operador de planta. Una tcnica que se ha implementado
es el diseo de sistemas expertos, los cuales toman como
punto de partida la experiencia de los operadores de planta y
las ventajas que brinda el sistema de control de la planta [3].
En Los ltimos aos se han usado combinaciones de varias

O. Hernndez, Cementos Argos S.A, ohernandez@argos.com.co

P. Ortiz, Grupo Automtica, Electrnica y Ciencias Computacionales,
Instituto Tecnolgico Metropolitano, paulaortiz@itm.edu.co
J. Herrera, Grupo Automtica, Electrnica y Ciencias Computacionales,
Instituto Tecnolgico Metropolitano, jorgeherrera@itm.edu.co

de estas tcnicas con herramientas clsicas como PID o

mquinas de soporte vectorial para mejorar la robustez y el
desempeo de los sistemas de control, es el caso de los
trabajos de [4]. Este trabajo presenta un modelo con
estructura MISO de comportamiento fraccionario para un
horno rotatorio.
En este trabajo se propone un marco para modelar un horno
rotatorio de cemento. El marco se compone de dos partes: i)
Parte esttica, que se obtiene utilizando un balance de
energa, en el cual se toman todas las variables medidas del
proceso y las entregadas por los anlisis de laboratorio. ii)
Parte dinmica, la cual se obtiene a partir de la salida del
sistema esttico, este se toma para hacer una identificacin
de orden fraccionaria para determinar el comportamiento
dinmico del proceso. La unin de estas dos partes da el
modelo completo del proceso. Adicionalmente, se verifica la
validez del modelo comparando el comportamiento real del
proceso con los resultados entregados por el modelo, para tal
validacin se utilizan dos tcnicas estadsticas: diagramas de
cajas y bigotes y una tcnica utilizada en modelos de tipo
ambiental, la cual es una combinacin de ocho mtricas
estadsticas relacionadas por una funcin borrosa.
El trabajo est organizado de la siguiente manera: en la
seccin se describe el proceso de clinkerizacin, en la
seccin 3 se presenta el diseo del modelo, esta seccin se
divide en 3.1 donde se presenta el diseo de la parte esttica,
en 3.2 se presenta la validacin de la parte esttica y en 3.3
la identificacin y validacin de la parte dinmica de orden
fraccional. Por ultimo en la seccin 4 se presentan las
conclusiones.
II.

DESCRIPCIN DEL PROCESO DE

CLINKERIZACIN

El cemento es un producto compuesto por tres materiales

principales: regulador de fraguado (yeso o anhidrita),
adiciones (caliza, puzolana o escoria) y clinker. El clinker es
un producto formado por silicatos de calcio obtenidos a
partir de la fusin parcial de una mezcla homognea de
materiales que contienen CaO, SiO2, Al2O3 y Fe2O3. El
proceso de clinkerizacin (formacin del Clinker) se lleva a
cabo en un horno rotatorio, con una inclinacin del 5%. El
horno se alimenta con material homogeneizado por el
extremo superior, y tiene un quemador de combustible en el
extremo inferior, tal como se muestra en la Fig. 1. El
material hace el recorrido al interior del horno y a medida
que se acerca al quemador se presenta un incremento de
temperatura que permite las reacciones qumicas requeridas
para obtener Clinker en el extremo inferior del horno.

88

IEEE LATIN AMERICA TRANSACTIONS, VOL. 12, NO. 2, MARCH 2014

III.

Figura 1. Horno rotatorio de cemento.

En la industria del cemento se distinguen cuatro tipos de

procesos productivos segn las caractersticas del material
que se alimente al horno: Proceso va hmeda, en este el
material se alimenta con humedad de 30 a 40%. Proceso va
semi-hmeda, la humedad es del 20%. Proceso va semiseca, la humedad est entre 10 y 15%. Proceso seco, la
humedad es inferior al 1%. El consumo especfico de calor
para cada uno de estos procesos vara segn la Tabla 1.
TABLA I. CONSUMO ESPECIFICO DE CALOR SEGN EL TIPO DE PROCESO.
Tipo de proceso

Consumo de calor(Kcal/kg)

Va hmeda
Va semi-hmeda
Va semi-seca
Va seca

1800-2200
1600
1300
1000

El Clinker para cada uno de estos procesos tiene unas

caractersticas particulares que diferencian los mtodos de
fabricacin y los consumos especficos de calor; los datos de la
Tabla 1 corresponden a Clinker para fabricacin de cemento
blanco. Para el caso del cemento gris el consumo especifico
est entre 1250 y 1400 kcal/kg de Clinker por va hmeda. Otra
de las diferencias importantes en la fabricacin de cemento
blanco y gris es la forma como se enfra el Clinker. El Clinker
para gris se enfra con aire y permite recuperar calor para
mejorar la entalpia del aire de combustin, mientras que el
Clinker para blanco se enfra con agua y la recuperacin de
calor es ms difcil porque es vapor de agua el resultado del
enfriamiento y su incorporacin al proceso no es fcil.

MODELO PROPUESTO

El modelo propuesto para un horno rotatorio tiene dos partes.

La primera parte utiliza un balance de energa, en el cual se
toman todas las variables medidas del proceso y las
entregadas por los anlisis de laboratorio para obtener un
sistema MISO, el cual se ha denominado parte esttica. La
salida del sistema MISO se toma para hacer una
identificacin de orden fraccionaria para determinar el
comportamiento del proceso ante variaciones de sus
variables en el tiempo, esta parte se ha llamado dinmica. La
unin de estas dos partes da el modelo completo del proceso.
Estos dos modelos se explican a continuacin.
A. Parte Esttica
Para modelar el proceso de combustin se utiliza el principio
de la temperatura adiabtica de llama y el factor de
utilizacin de calor expuesto en [5].
La Fig. 2 muestra el esquema general propuesto para
determinar el modelo esttico del proceso de clinkerizacin,
el cual est basado en las leyes de la termodinmica clsica.
Se aprecia el calor disponible por la transformacin del
combustible en el quemador del proceso y las diferentes
etapas en las cuales se emplea dicho calor, como la
transformacin de la materia prima en Clinker, la
evaporacin de agua y las prdidas de calor en la coraza del
horno. Este balance da como resultado el calor que sobra en
el proceso y que se refleja en la temperatura de los gases de
salida del horno.
El desarrollo de cada uno de los bloques observados en la
Fig. 2, se realiza desglosando la Ecuacin (1), la cual
describe el comportamiento del calor generado por la
combustin, en trminos del poder calorfico inferior del
combustible, las entalpias del combustible y el aire de
combustin, la energa para la formacin del clinker, las
prdidas por radiacin y conveccin, y la energa para
evaporar agua.
=

(1)

es el cambio de temperatura de los gases de salida,

donde,
es el calor de combustin o llama,
es el calor propio
aportado por el combustible,
es el calor propio aportado
por el aire de combustin,
es el calor de formacin de
clinker,
es el calor de radiacin y conveccin,
es el
calor para evaporar agua,
es la masa de los gases de
combustin y
es la capacidad calrica de los gases de
combustin.
Validacin de la parte esttica

Figura 2. Esquema general del modelo esttico.

Para validar el modelo se emplearon los datos de tres

campaas diferentes del horno, de los aos 2010, 2011 y 2012.
Los datos son tomados del sistema de control de un horno
rotatorio de cemento blanco, propiedad de Cementos Argos
S.A., utilizando Ole Process Control (OPC), al cual se le
configura el tiempo de muestreo de un minuto. El esquema del

HERNNDEZ et al.: CEMENT ROTARY KILN MODEL USING

sistema de control y su proceso de adquisicin de datos se

muestra en Fig. 3.
Se utiliza una medida estadstica grfica, como los grficos de
cajas y bigotes, para determinar la calidad de los resultados
obtenidos, en ellos se aprecia como las medianas y los
extremos de las cajas disminuyen para los datos del modelo
con respecto a los datos reales del proceso. Adems se observa
el acercamiento entre las medianas y los bigotes del modelo
con respecto a los de la medida real. De esta manera se
obtiene una idea del comportamiento de los datos del modelo
con respecto a los datos de la medida real.

89

es el nmero de mtricas con cualidad Mal (M) y

el nmero de mtricas con cualidad Muy mal (MM).

El mtodo es consistente en cuanto al desempeo por la

naturaleza probabilstica de las mtricas empleadas.
Para el modelo se tom el oxgeno como constante, con esta
condicin, en las Figuras 4, 5 y 6 se observan las seales
obtenidas a partir del modelo y la seal real de la temperatura
de salida de los gases para los datos de las campaas de
operacin mencionadas anteriormente.
TABLA II. RANGOS de MEDIDAS ESTADSTICAS.

Ecuacin

=(

)
.
.

Para calcular el ndice de desempeo se aplica la Ecuacin 23,

en la cual se da un peso a cada una de las reglas difusas de
cada una de las mtricas mencionadas anteriormente.
= 8.5

+ 5.5
+6
+ 2.5

,
,

IOA=ndice de
correlacin

Figura 3. Sistema de control y servidor OPC.

Para medir cuantitativamente el desempeo del modelo se

utiliza el mtodo citado en [6], el cual consiste en medir ocho
mtricas estadsticas, las cuales se relacionan entre s por una
funcin de tipo borroso.
Las mtricas utilizadas son
Fractional Bias (FB), Normalized Mean Square Error
(NMSE), Geometric Mean (MG), Geometric Variance (VG),
FAC2, Index of Agreement (IOA), Unpaired Accuracy of
Peak (UPAC2), Relative Error Mean (MRE). La forma como
se calculan y se determinan los intervalos para las funciones
borrosas se muestran en la Tabla 2. En dicha tabla los datos
Co corresponden a los valores observados del proceso y los
Cp a los pronosticados por el modelo. El termino ND
corresponde al nmero de datos tomados para Co y Cp.

+5

(2)

Donde, ID es el ndice de desempeo del modelo frente a los

es el nmero de mtricas con cualidad
datos medidos,
Muy bien (MB),
es el nmero de mtricas con cualidad
Bien (B),
es el nmero de mtricas con cualidad Regular,

es

Rangos

Regla
difusa

-0.3<FB<0.3
1<FB<1.2
-1.2<FB<-1
FB>1.33 FB<-1.33
0.7<MG<1.3
3<MG<4
0.25<MG<0.33
MG>5 MG<0.2
NMSE<4
9<NMSE<16
25<NMSE
VG<1.6
3.34<VG<6.82
12<VG
0.5<FAC2
0.3<FAC2<0.4
FAC2<0.2
-0.2<UAPC2<0.2
0.67<UAPC2<0.75
-3<UAPC2<-2
UAPC2>0.8
UAPC2<-4
IOA>0.75
0.3< IOA <0.5
IOA <0.2
-0.15<MRE<0.15
0.67<UAPC2<0.75
-3<UAPC2<-2
UAPC2>0.8
UAPC2<-4

MB
B
M
MM
MB
B
M
MM
MB
R
MM
MB
R
MM
Good
Fair
Poor
MB
B
M
MM
MB
R
MM
MB
B
M
MM

Los diagramas de cajas y bigotes de las Figuras 7, 8 y 9

muestran como las medianas de las seales del modelo se
acercan a las medianas de las seales reales. Los bigotes son
ms amplios en la variable real que en la variable del modelo,
debido al ruido presente en el sensor de temperatura del
proceso.
Los valores por fuera de los bigotes son valores atpicos que
no son repetitivos en el modelo, estos estn asociados a los
valores iniciales de las variables; estos valores no se
descartaron para el clculo de las mtricas estadsticas porque
la cantidad de valores atpicos es muy pequea en
comparacin con la cantidad de datos totales tomados del
proceso.
Los ndices de desempeo medidos con el mtodo de las ocho
mtricas estadsticas de la Tabla 2, para las campaas de
validacin se muestran en la Tabla 3. Se observa que los

90

IEEE LATIN AMERICA TRANSACTIONS, VOL. 12, NO. 2, MARCH 2014

Real y Modelo (2010)

300

Real y Model (2011)

300

280

Tem peratura ( C)

ndices de desempeo son mayores a 92.5, y la mtrica que da

un resultado Muy Malo o Regular es el ndice de correlacin
IOA, el cual muestra el efecto del ruido asociado a los
sensores empleados en el proceso y a la variacin introducida
por las perturbaciones propias del proceso como la
composicin qumica de la pasta, la calidad del combustible y
los cambios en las condiciones ambientales.

260

240

220

250

200

Temperatura ( C)

200

Real

Modelo

Figura 8. Cajas y bigotes de 2011.

Real y Modelo (2012)

150

100

280
50

270

Real
Modelo

50

100

150

200

250

300

260
350

Tiempo (min)

Figura 4. Seal Real y Seal Modelo (Operacin 2010).

Real y Modelo (2011)

400

Temperatura ( C)

250
240
230
220
210

350

200

Temperatura ( C)

300

190
0.5

250

1.5

2.5

Modelo

Tabla III. Desempeo del modelo para las tres campaas.

100
Real

50

Modelo
0

50

100

150

200

250

300

Tiempo (min)

Figura 5. Seal Real y Seal Modelo (Operacin 2011).

Real y Model0 (2012)
300

250

200

Temperatura ( C)

Figura 9. Cajas y bigotes de 2012.

150

150

100

50

Real
Modelo

0
0

50

100

150

200

250

Tiempo (min)

Figura 6. Seal Real y Seal Modelo (Operacin 2012).

Real y Modelo (2010)

290
280
270

T e m p e ra tu ra ( C )

Real

200

260

300

2010
FB
-0.01414 G
NMSE
0.002773 G
MG
0.985309 G
VG
1.002901 G
FAC2
0.961038 G
IOA
0.095442 P
UAPC2
0.069
G
MRE
-0.01625 G
ID
92.5

2011
FB
-0.018366
NMSE
0.004102
MG
0.980789
VG
1.004271
FAC2
1
IOA
0.059362
UAPC2
0.09
MRE
-0.021534
ID
92.5

G
G
G
G
G
P
G
G

2012
FB
-0.003518
NMSE
0.003726
MG
0.995444
VG
1.003936
FAC2
1
IOA
0.219172
UAPC2
0.073
MRE
-0.006501
ID
96.25

G
G
G
G
G
F
G
G

250
240

B. Identificacin de la parte dinmica de orden

fraccional

230
220
210
200
1

Real

Modelo

Figura 7. Cajas y bigotes de 2010.

El trabajo expuesto anteriormente se realiz para encontrar el

modelo esttico del proceso, el cual presenta un
comportamiento similar al proceso real. El modelo esttico
sirve como soporte para encontrar el modelo dinmico, pues a

HERNNDEZ et al.: CEMENT ROTARY KILN MODEL USING

91

, 0<

(3)

<2

esttico. Los resultados para los modelos obtenidos se

muestran en la Tabla 4.
Los modelos conmensurados de orden uno y dos y orden
fraccional 0.1 y 0.2 tienen ndices de desempeo de 96.25,
igual que el conmensurado de orden dos y orden fraccionario
0.4. En la Fig. 10 se muestra la seal de los modelos con
ID=96.25 respecto a la seal de la temperatura real.
Modelo ID=96.25

300

250

200

Temperatura C

partir de las variables de entrada, la variable de salida del

modelo esttico y la variable real de salida, se realiza la
identificacin para hallar el modelo de orden fraccionario
dinmico. El modelo dinmico representa el comportamiento
del proceso ante variaciones de sus variables de entrada en el
dominio del tiempo o de la frecuencia. Para hallar el modelo
de orden fraccionario dinmico se utiliz la teora expuesta en
[7] para sistemas de orden conmensurado y racional. Los
datos empleados son tomados de un calentamiento del horno,
donde la dinmica del sistema queda determinada por la
variacin de las variables de entrada (ratas de combustible,
rata de pasta y rata de agua) y su incidencia en la variable de
salida (temperatura de los gases de salida). Con los datos
obtenidos del modelo y los datos reales de la variable de salida
se hace la identificacin de un sistema de orden fraccionario.
Se hallan varios modelos de orden conmensurado uno y dos; y
se hacen las respectivas validaciones con los mtodos
estadsticos expuestos anteriormente. La parte fraccionaria
obtenida tiene la forma que se muestra en la Ecuacin 3.

150

100

Real
Conm 1 Frac 0.1
Conm 1 Frac 0.2
Conm 2 Frac 0.1
Conm 2 Frac 0.2
Conm 2 Frac 0.4

50

0
0

100

IV.
El operador utilizado es Grunwald-Letnikov porque la
identificacin se realiza en el dominio del tiempo y utilizando
el comando fotfid del toolbox FOMCON.
Tabla IV. Modelos fraccionarios obtenidos.

Modelos fraccionarios obtenidos

.
.

.
.

92.5
92.5

92.5

+
+ .
+ .

92.5
92.5
.

+
+ .

96.25

+
+

+
.

92.5

92.5
.

96.25

+ .
.

96.25

Desempeo

96.25
92.5

.
.

96.25
82.5

Se realiz la identificacin para varios exponentes

fraccionarios y se hizo la verificacin llevando la funcin de
transferencia de los modelos resultantes al modelo esttico y
simulando en SIMULINK. El desempeo de cada uno de los
modelos se calcul con la herramienta de las mtricas
estadsticas utilizada anteriormente para verificar el modelo

200

300

400

500

Tiempo (min)

600

700

800

900

Figura 10. Seal real y Seal modelos fraccionarios con ID=96.25.

CONCLUSIONES

En este trabajo se propuso un marco para modelar el sistema

de combustin de un horno rotatorio de cemento a partir de un
balance de energa. Los mtodos empleados para medir el
desempeo del modelo fueron los diagramas de cajas y
bigotes y un mtodo de ocho mtricas estadsticas
relacionadas por una funcin difusa. Los resultados malos en
algunas mtricas estadsticas se deben al error introducido en
el modelo al tomar variables como el oxgeno, la temperatura
ambiente, la temperatura de la coraza del horno, la humedad
de la pasta y el poder calorfico del combustible como
constantes. El modelo se complet haciendo una identificacin
del sistema de orden fraccional conmensurado y racional. Para
seleccionar los modelos adecuados se midi el desempeo con
las mtricas estadsticas empleadas para la parte esttica,
obteniendo el modelo completo del proceso con
comportamiento fraccional.
El nmero de modelos con ndice de desempeo alto (96.25)
fueron seis y podran ser ms, pero el criterio para seleccionar
uno de ellos depende de factores determinados por el
diseador del sistema, tales como el conocimiento previo del
proceso y la simplicidad para la posible implementacin en
un proceso real. En trabajos futuros se utilizar uno de los
modelos de ndice de desempeo alto para disear un control
fraccional robusto o predictivo para todo el proceso que
permita controlar mejor variables crticas como la rata de
carbn, la rata de pasta y la rata de agua de enfriamiento; y por
ende mejorar ndices financieros, ambientales y de seguridad
de la planta de cemento.
AGRADECIMIENTOS
Se agradece a Cementos Argos S.A. por permitir el uso de los datos del
proceso de clinkerizacin de la Planta de Puerto Nare y al ingeniero John
Quiroz por sus valiosos aportes tcnicos para el desarrollo de este trabajo. Se
reconoce el apoyo brindado por el Instituto Tecnolgico Metropolitano y su
Grupo de Investigacin de Automatizacin y Electrnica al proyecto
PM12104.

92

IEEE LATIN AMERICA TRANSACTIONS, VOL. 12, NO. 2, MARCH 2014

REFERENCIAS
[1] Z. Li, Support Vector Machine Model Based Predictive PID Control
System for Cement Rotary Kiln, de Control and Decision
Conference (CCDC), 2010 Chinese , Xuzhou , 2010.
[2] X. L. T. S. S. &. S. C. Lin, Neuro-controller of cement rotary kiln
temperature with adaptive critic designs, de In 2009 IEEE
Symposium on Adaptive Dynamic Programming and Reinforcement
Learning, 1-5, 2009.
[3] O. Kadri, L. H. Mouss y M. D. Mouss, Fault diagnosis of rotary kiln
using SVM and binary ACO, Journal of Mechanical Science and
Technology, vol. 26, n 2, p. 601608, 2012.
[4] X. Zhang y J. Zhao, Prediction Model for Rotary Kiln Coal Feed
Based on Hybrid SVM, Procedia Engineering , vol. 15, p. 681687,
2011.
[5] X. Lin, T. Liu, D. Cao y Q. Huang, Temperature Control in Cement
Rotary Kiln with Neural Network-Based Heuristic Dynamic
Programming, Advances in Neural Networks, vol. 5552, n 2, pp.
1078-1086, 2009.
[6] R. E. King, Expert Supervision and Control of a Large-Scale Plant,
Journal of Intelligent Robotic Systems, vol. 5, n 2, p. 167176., 1992.
[7] S. Wang, F. Dong y D. Yuan, The Design and Implementation of a
Cement kiln Expert System, de In 2007 IEEE International
Conference on Automation and Logistics, Jian, China, 2007.
[8] M. Sadeghian y A. Fatehi, Identification, prediction and detection of
the process fault in a cement rotary kiln by locally linear neuro-fuzzy
technique, Journal of Process Control, vol. 21, n 2, p. 302308,
2011.
[9] M. Marquez Martinez, Combustin y Quemadores, Barcelona:
Marcombo S.A., 1989.
[10] O. Park y M. Seok, Selection of an appropriate model to predict
plume dispersion in coastal areas, Atmospheric Environment, vol. 41,
n 29, p. 60956101, 2007.
[11] B. M. Vinagre y C. A. Monje, Introduccin al Control Fraccionario,
Revista Iberoamericana de automatica e Informatica Industrial, vol.
3, p. 523, 2006.
Omar Hernndez Se gradu como ingeniero electrnico en
la Universidad de Antioquia, en 1995. Actualmente se
desempea como ingeniero de mantenimiento en Cementos
Argos S.A. Magister en Automatizacin y Control Industrial
en el Instituto Tecnolgico Metropolitano de Medelln. Entre
sus lneas activas de investigacin se encuentra el
modelamiento control de sistemas de orden fraccional.
Paula Ortiz Ingeniera en instrumentacin y control en el
Politcnico Colombiano Jaime Isaza Cadavid. 1999. Magister
en Ingeniera rea automtica de la Universidad Pontificia
Bolivariana. 2008. Docente asistente del ITM. Actualmente se
encuentra estudiando el doctorado en Ingeniera en la
Universidad Nacional de Colombia. Entre sus lneas de
investigacin se encuentra el control fraccional y el control no-lineal.
Jorge Herrera se gradu como ingeniero electrnico en la
Universidad del Quindo, en 2004. Doctor en Informtica
Industrial y tcnicas avanzadas de produccin por la
Universidad Autnoma de Barcelona. Actualmente es
docente investigador en el Instituto
Tecnolgico
Metropolitano. Entre sus lneas activas de investigacin se
encuentra la identificacin paramtrica y el control adaptable.