Palamisen laadun mittaus

Transkriptio

1 AS.3 Automaatio ja systeemitekniikan projektityö Palamisen laadun mittaus Petri Malkamäki Automaatio ja systeemitekniikan koulutusohjelma Alkamispäivä: Loppumispäivä: 9..8 Ohjaaja: Kai Zenger työn laajuus: 4op

2 Sisältö Palamisen laadun mittaus.... Prosessi...3. Kattilatyypit...3. Kattilan ilma ja vesikierto Palaminen...5. Työn tavoitteet ja kulku Menetelmät Taajuusanalyysi Monimuuttujaregressio Tulokset Taajuusanalyysi Regressioanalyysi Yhteenveto... 3

3 . Prosessi. Kattilatyypit Voimalaitoskäytössä olevat kiinteätä materiaalia polttavat kattilat voidaan jakaa leijukattiloihin ja arinakattiloihin. Tällä hetkellä arinatyyppisiä kattiloita käytetään lähinnä jätteenpolttolaitoksissa. Arinakattilassa poltettava kiintoaine heitetään liikkuvan arinan päälle kuvan mukaisesti. Palamaton materiaali putoaa arinan reunalta tuhkakuiluun. Kuva Arinakattila Kuva Kiertoleijukattila Leijukattiloita on kahta eri päätyyppiä; kiertoleijukattila ja kuplaleijukattila. Kiertoleijukattilassa petimateriaali, joka useimmiten on hiekka, kiertää kattilassa alhaalta puahllettavan ilman mukana kuvan nuolien mukaisesti. Kuplaleijukattilassa ilma saa petihiekan kuplimaan, mutta hiekka pysyy kattilan pohjalla. Leijukattilalla on useita etuja verrattuna arinakattiloihin. Kattila on polttoainejoustava, sillä saavutetaan korkea hyötysuhde ja pienet päästöt. Kiertoleijukattilalla on pääpiirteittäin samat edut, kuin kuplaleijukattilalla, mutta niiden lämpöteho on noin kaksinkertainen kuplaleijukattiloihin verrattuna. Kuvassa 3 on kuplaleijukattilan periaatteellinen kuva. 3

4 Kuva 3 Kuplaleijukattila. Kattilan ilma ja vesikierto Ilma, joka leijuttaa petihiekkaa, on nimeltään primääri ilma. Se puhahalletaan kattilaan alapuolelta ja sen päätarkoitus on pitää peti aina fluidisoituneessa tilassa. Primääri ilmalla on tietty minimivirtausmäärä, joka puhalletaan petiin ajotilanteesta riippumatta. Primääri ilman mukana on mahdollista puhaltaa kattilaan sen savukaasuja. Tätä kutsutaan kiertokaasuksi. Kiertokaasun tehtävä on hillitä petin lämpötilan nousua. Kattilaan syötetään lisäksi sekundääri ja tertiääri ilmaa kattilan kyljistä. Sekundääri ilman suuttimet sijaitsevat alempana ja tertiääriilmasuuttimet ovat ylempänä. Sekundääri ja tertiääri ilmojen virtausmäärät säädetään erikseen sekä vasemmalle, että oikealle puolelle kattilaa. Kattilan savukaasut imetään pois kattilasta savukaasupuhaltimella. Savukaasupuhaltimen tehtävä on pitää kattilan painetta hieman alle ilmanpaineen, jotteivät savukaasut pääse vuotamaan tehdastilaan. Tulipesän yläosassa sijaitsevat höyryn tulistimet. Savukaasu luovuttaa lämpöään niihin ensimmäisenä. Kun savukaasu on jäähtynyt tulistimilla hieman, käytetään siihen jäänyt lämpö syöttöveden esilämmitykseen. Kanavaan tultuaan savukaasu kulkee joko sähköisen, tai pussisuodattimen läpi. Tällä tavalla savukaasuista poistetaan pienhiukkasia. Kattilan vesikierto on kuvan 4 mukainen. Syöttövesiputket ovat sinisiä, höyrystymisputket sinipunaisia ja höyryputket punaisia. Vesi tulee syöttövesipumpulta esilämmittimien eli ekonomaisereiden kautta lieriöön. Lieriöstä vesi valuu alas ja nousee kattilan seinällä sijaitsevia 4

5 putkia pitkin, joissa tapahtuu höyrystyminen. Höyrystymisenergia on pääosin palamisen tuottamaa säteilylämpöä. Tämän jälkeen höyry palaa lieriöön, mistä se kulkeutuu tulistimiin. Tulistimissa lämpö siirtyy suurimmaksi osaksi konvektiivisesti savukaasuvirtauksesta. Tulistaminen voidaan toteuttaa useassa vaiheessa. Tulistimien välissä tai niiden jälkeen säädetään höyryn lämpötilaa ruiskuttamalla syöttövettä höyryn sekaan. Tulistamisen jälkeen höyryä voidaan käyttää sähkön ja/tai kaukolämmön tuottamiseen. Kuva 4 Kattilan vesikierto.3 Palaminen Kuplaleijukattilassa palaminen voi tapahtua joko petin sisässä tai sen yläpuolella. Kun tulipesän olosuhteet ovat hyvässä kunnossa, palaminen tapahtuu petin yläpuolella. Kiinteän materiaalin palaminen voidaan jakaa vaiheisiin. Ensimmäiseksi partikkeli kuivuu, sitten tapahtuu kaasuuntuminen, jossa kiinteästä aineesta lähtevät helposti haihtuvat palavat kaasut. Tämän jälkeen partikkeli syttyy ja palaa, kunnes jäljellä on vain tuhkaa. Epätäydellinen palaminen ilmenee savukaasujen CO päästöjen nousuna. Usein tämä johtuu liian vähästä palamisilmasta. NOx päästöt taas nousevat lämpötilan noustessa liian korkeaksi. Tällöin ilman typpi reagoi hapen kanssa ja muodostaa typen oksideja. Savukaasun happipitoisuuden nousu voi johtua joko liiallisesta palamisilmasta tai polttoaineen syötön katkeamisesta. 5

6 . Työn tavoitteet ja kulku Projektityö tehdään Metso Power OY:n kanssa yhteistyössä. Työssä käytetty prosessidata saatiin Metsolta. Palamisen havainnointi on kiinnostavaa, koska paremmalla palamisen hallinnalla päästään pienempiin päästöihin. Palamisen paremmalla havainnoinnilla voidaan pystyä havaitsemaan kattilassa ilmeneviä vikoja kuten esimerkiksi ilmasuuttimen tukkeutuminen. Työn tavoitteena on pystyä mittaamaan tulipesässä tapahtuvaa palamista. Tässä käytetään hyväksi tulipesän olosuhteita kuvaavia mittauksia, kuten tulipesän paine ja lämpötila. Erityisesti tulipesän painemittaus on mielenkiintoinen palamisen kannalta, mutta sen käyttö indikaattorina on hankalaa, koska se on säädetty suure. Lisäksi työssä käytetään muita saatavilla olevia mittauksia kuten tulipesään virtaavien ilmojen virtausmittaukset. Tällä hetkellä ainoat palamista kuvaavat mittaukset ovat päästömittaukset, jotka mitataan piipusta. Koska päästöjä mitataan vasta piipussa, saadaan tietoa palamisesta viiveellä. Työ päätettiin toteuttaa Matlab ohjelmistolla. Työn tekemiseen käytetään taajuusanalyysia ja monimuuttujaregressiota. Taajuusanalyysillä pystytään havaitsemaan asioita säädetyistäkin suureista, koska menetelmä ei tutki absoluuttisia muutoksia. Työn alkuvaiheessa käytössä oli minuuttikeskiarvostettua dataa eräästä suomalaisesta kattilasta. Päästömittaukset olivat minuutin keskiarvoja. Kattilalle oli datankeruun aikana tehty erilaisia kokeita. Ensimmäiseksi datasta täytyi valita muuttujat joita käytetään työssä. Suuri osa mittauksista oli kattilan höyrypuolelta. Näillä mittauksilla ei ole juurikaan käyttöä tätä projektityötä ajatellen. Tästä datasta valittiin mittausta, joihin kuului tulipesän painemittaus, ilmamäärien mittaukset, petilämpötilat sekä päästömittaukset. Datan tutkiminen aloitettiin taajuusanalyysillä. Tarkoitus oli selvittää onko muuttujien taajuusspektreissä eroja, kun NOx päästöjen vaihdellessa. Minuuttidatasta löytyi useita eri kohtia, missä NOx päästöjen taso vaihteli voimakkaasti. Tuloksista selvisi nopeasti, että minuutin näytteenottoväli on aivan liian pitkä palamisen havainnointiin. Regressioanalyysin menetelmiä on useita erilaisia. Tässä työssä päätin soveltaa kahta eri menetelmää. PCA (Principal Component Analysis) regressio olettaa, että input datan varianssi sisältää hyödyllistä tietoa. Toinen menetelmä, mitä päätin soveltaa, on PLS (Partial Least Squares) regressio. Tämä menetelmä keskittyy inputin ja outputin väliseen korrelaatioon. Molemmat menetelmät tuottivat jonkinlaisen järkevän tuloksen minuuttidatalle, mutta oli selvää, että paremman datan hankkiminen on välttämätöntä. Toisen prosessidatapaketin näytteenottoväli on sekunti ja data on kerätty vuonna 6 eräältä Keski Euroopassa sijaitsevalta kattilalta. Tämäkin data oli kerätty muuhun tarkoitukseen, mutta se soveltui työhön varsin hyvin. Data on hyvin kattavaa ja siitä löytyi kaikki työn vaatimat 6

7 mittaukset. Valitettavasti tästä prosessidatasta ei löytynyt kovin montaa kohtaa, jossa NOx olisi joko kasvanut tai pudonnut nopeasti, mikä hankaloitti taajuusanalyysin kattavuutta. Tämän jälkeen sovellettiin edellä mainittuja monimuuttujaregression menetelmiä tähän dataan ja tulokset olivat varsin positiivisia. Näiden tulosten parantamiseksi tehtiin funktio, mikä laskee uuden regressiomallin tasaisin väliajoin. 3. Menetelmät 3. Taajuusanalyysi Työssä käyttämäni menetelmä perustuu Fourier muunnokseen, jossa signaali muutetaan taajuustasoon. Fourier muunnos siirtää funktion aika avaruudesta taajuusavaruuteen. Se perustuu oletukseen, että jokainen signaali voidaan esittää siniaaltojen integraalina ja diskreetissä tapauksessa summana. Jatkuvan funktion määritellään Fourier'n muunnos missä on kulmataajuus. Kun funktio on muunnettu, se voidaan aina muuntaa alkuperäiseksi signaaliksi käänteismuunnoksella, joka määritelmän mukaiselle funktiolle on,. Diskreetissä tapauksessa signaali ajatellaan sarjana ja kuten aiemmin todettu integraali korvataan summalausekkeella. missä on :n pituinen reaali tai kompleksiarvoinen sarja. Vastaava käänteismuunnos on. Matlabissa käyttämäni funktio on nimeltään fft. Se perustuu C kielelle tehtyyn FFTW kirjastoon, joka käyttää Cooley Tukey algoritmia diskreetin Fourier muunnoksen aikaansaamiseksi. Signaalin Fourier muunnoksesta otetaan absoluuttiarvo, joka poistaa muunnoksen imaginääriosat. Tällöin muunnoksen voi piirtää ja siitä näkee selvästi mitä taajuuksia signaali siirtää. Tuloksia piirtäessä pitää ottaa kuitenkin huomioon, että suurin taajuus, mitä voidaan kuvata, on puolet näytteenottotaajuudesta. 7

8 3. Monimuuttujaregressio Regressiomallissa kahden muuttujan välinen lineaarinen yhteys kuvataan kertoimella: = + Perustapauksessa kerroin sovitetaan muuttujien välille pienimmän neliösumman keinolla. Yhden muuttujan tapauksessa pitää minimoida seuraava lauseke ( ) =, jossa ja ovat skalaarimuuttujia, on mallin vakio ja on mallin kulmakerroin. Tapauksessa, jossa käsitellään montaa muuttujaa, kerroin on matriisi. Yleensä data esikäsitellään ennen varsinaisen regression tekemistä. Tärkein esikäsittelyn vaihe on muuttujien valinta. Väärällä muuttujien valinnalla on mahdollista pilata regressioanalyysin tulos ennen mallin laskemista. Tätä tehdessä on tärkeää, että analysoijalla on riittävästi tietoa mallinnettavasta prosessista. Yleensä sekä input, että output muutetaan nollakeskiarvoiseksi, jolloin malliin jää vain yksi tuntematon parametri. Lisäksi monen muuttujan tapauksessa datan skaalaaminen on välttämätöntä, koska muutoin absoluuttiselta arvoltaan isompia muutoksia painotettaisiin liikaa. Monen muuttujan tapauksessa tarkoituksena on löytää matriisi, jotta = pitää. Tässä tapauksessa data on nollakeskiarvostettu, joten toista muuttujaa ei tarvita. Jos etsitään pienimmän neliösumman menetelmällä, menetelmää kutsutaan MLR:ksi (Multivriate Linear Regression). Tässä tapauksessa voidaan kirjoitta =( ). Tämä ratkaisu minimoi pienimmän neliösumman kriteeri. Malli ei ota lainkaan huomioon minkäänlaista kohinaa mittauksissa, joten käytännön sovelluksissa MLR saattaa toimia huonosti tai ei ollenkaan. PCA (Principal Component Analysis) perustuu olettamukselle, että datan varianssi sisältää prosessin kannalta oleellista tietoa. Menetelmä etsii data avaruudesta suuntia, joissa datan variaatio on suurinta. Menetelmä käyttää näitä suuntia perusakseleina sisäiselle datamallille. Koska häiriöiden oletetaan olevan täysin satunnaisia, jatkuvat korrelaatiot muuttujien välillä kertovat jotain systeemin oikeasta rakenteesta. Analyysin tuloksena saadaan inputien ominaisvektorit. Ongelmaksi muodostuu vektorien määrän määrittäminen, koska kaikki eivät sisällä yhtä paljon hyödyllistä tietoa. Lopullinen malli lasketaan MLR algoritmilla =( ), 8

9 jossa on PCA algoritmilla saatu :n latentti ominaisvektorikanta. PLS (Partial Least Squares) regressio ratkaisee erään PCA menetelmän ongelman. PCA keskittyy vain input dataan, jolloin jotain voi jäädä huomiotta PCA mallissa. Tässäkin menetelmässä luodaan systeemin ominaisvektori, mutta siinä keskitytään inputin ja outputin väliseen korrelaatioon. Kuten PCA regressiossa tässäkin lopullinen malli lasketaan MLR algoritmilla =( ), jossa on PLS algoritmilla saatu :n ja :n latentti ominaisvektorikanta. 4. Tulokset 4. Taajuusanalyysi Toteutin taajuusanalyysin siten, että etsin päästömittauksista kohtia, joissa päästöt kasvoivat tai laskivat nopeasti. Hypoteesi on, että tulipesän mittauksien taajuusspektrit ovat erilaisia eri päästötasoilla. Lisäksi on mahdollista, että erilaiset viat tai ongelmat palamisessa pystytään tunnistamaan spektristä. Tätä kautta kattilan kunnossapito helpottuu. Tämän työn puitteissa ei vikojen huomiointi ole mahdollista, koska kattilasta ei ole saatavilla tarpeeksi tietoa. Erityisesti tulipesän painemittaus on taajuusanalyysin kannalta mielenkiintoinen, koska se reagoi palamisen muutoksiin nopeasti. Painemittauksen lisäksi analyysissä käytettiin petilämpötilan mittauksia ja tulipesän lämpötilamittauksia. Minuuttidatasta löytyi useita taajuusanalyysin kannalta sopivaa tilannetta. Kuvassa 5 on tarkoituksiini sopiva kohta, jossa NOx päästön tason nousee nopeasti. Kuvassa 6 näkyy paineen kuvaaja ajalta jolloin NOx pitoisuus on alhainen. Kuvassa 7 on paineen kuvaaja kun NOx pitoisuus on noussut. Kuvissa 8 ja 9 on kuvia 6 ja 7 vastaavat paineiden taajuusspektrit. Molemmista näkee, että suurin osa taajuuksista on lähellä nollataajuutta, eikä muita taajuuksia juurikaan nouse esiin. Analyysin tulos on vastaava myös muissa vastaavissa NOx pitoisuuden nousuissa tai laskuissa. Kuvissa ja näkyy yhden petilämpötilamittarin spektri samoilta ajoilta kuin painespektrit. Näistä huomaa selkeästi saman asia kuin painemittauksesta. Suurin osa signaalista on lähellä nollataajuutta. Tämän perusteella voi sanoa, että /6 Hz näytteenottotaajuus ei riitä palamisen havainnointiin taajuusanalyysin avulla. Kuvien absoluuttitasot on muutettu. Minuuttidatassa ei ollut tulipesän lämpötilanmittausta. 9

10 Kattilan NOx päästöt ajan funktiona NOx(mg/Nm 3 ) min Kuva 5 Prosessidatasta löydetty kohta, jossa NOx pitoisuus nousee nopeasti Kattilan paine ajan funktiona ennen NOx pitosuuden nousua.5.5 p(mbar) min Kuva 6 Tulipesän paine kun NOx pitoisuus on alhainen

11 .5 Kattilan paine ajan funktiona NOx pitosuuden nousun jälkeen.5 p(mbar) min Kuva 7 Paineen kuvaaja NOx pitoisuuden noustua.6 p(t):n yksipuolinen amplitudispektri ennen NOx pitoisuuden nousua.4. p(f) Taajuus (Hz) x 3 Kuva 8 paineen taajuusspektri ennen NOx nousua, jossa suurin osa taajuuksista on lähellä nollataajuutta

12 .4 p(t):n yksipuolinen amplitudispektri NOx pitosuuden nousun jälkeen..8 p(f) Taajuus (Hz) x 3 Kuva 9 paineen taajuusspektri NOx nousun jälkeen on hyvin samankaltainen Kuvan 8 spektrin kanssa 8 t(t):n yksipuolinen amplitudispektri ennen NOx pitoisuuden nousua t(f) Taajuus (Hz) x 3 Kuva Petilämpötilan taajuusspektrissä suurin osa taajuuksista on lähellä nollataajuutta

13 8 t(t):n yksipuolinen amplitudispektri NOx pitosuuden nousun jälkeen t(f) Taajuus (Hz) x 3 Kuva Petilämpötilan taajuusspektri näyttää lähes samalta kuin ennen NOx pitoisuuden nousua Sekuntidatasta löytyi vain muutama kohta, jossa NOx päästöt nousivat tai laskivat nopeasti. Kuvassa näkyy NOx pitoisuuden nopea nousu. Kuvassa 3 oleva paineen kuvaaja on otettu kun NOx pitoisuus on alhaalla ja kuvassa 4 näkyvä kuvaaja on otettu kun NOx pitoisuus on ylhäällä. Kuvassa 5 oleva spektri näyttää samalta kuin minuuttidatasta otetut paineen spektrit. NOx nousun jälkeen otettu spektri (kuva 6) näyttää selvästi erilaiselta kuin kuvan 5 spektri. Nollataajuutta ei käytännössä ole lainkaan, vaan huippu on hieman korkeammalla taajuudella. Lisäksi, Hz taajuutta näyttäisi löytyvän vielä suhteellisen runsaasti. Tällä tavalla on mahdollista huomata painemittauksen spektrin avulla NOx pitoisuuden nousua, mutta tällä ei kuitenkaan pystytä ennustamaan. Kuvan 6 spektri on otettu ajanhetkeltä jolloin NOx pitoisuus on jo noussut ja näkynyt mittauksissa. Spektri on otettu sekunnin ajalta ja sekuntia aikaisemmin otetussa spektrissä ei näkynyt vielä muutoksia. Spektrin avulla voisi kuitenkin olla mahdollista tunnistaa kattilassa olevia palamistilanteita, jonka avulla palamisen hallintaa pystyttäisiin parantamaan. Samoilta aikaväleiltä otetut tulipesän lämpötilan spektrit (kuvat 7 ja 8) näyttävät keskenään aivan samoilta, joten tulipesän lämpötilamittauksesta ei ole apua tässä yhteydessä. Tämä voi johtua esimerkiksi siitä, että kyseessä voi olla pt anturi, joka reagoi suhteellisen hitaasti lämpötilan muutoksiin. 3

14 3 NOx pitoisuus ajan funktiona NOx pitoisuus t(s) Kuva NOx pitoisuus vaihtelee voimakkaasti..55 Tulipesän paine ajan funktiona ennen NOx nousua.6.65 p t(s) Kuva 3 Tulipesän paineessa näkyy suhteellisen voimakasta heilahtelua 4

15 .5 Tulipesän paine ajan funktiona NOx nousun jälkeen..5 p t(s) Kuva 4 Paineen heilahtelu on samankaltaista kuin kuvassa 3 4 p(t):n yksipuolinen amplitudispektri ennen NOx nousua p(f) Taajuus (Hz) Kuva 5 Kuvan 3 painedataa vastaava taajuusspektri 5

16 .35 p(t):n yksipuolinen amplitudispektri NOx nousun jälkeen.3.5. p(f) Taajuus (Hz) Kuva 6 Painedata sisältää selvästi useampia taajuuksia. 8 t(t):n yksipuolinen amplitudispektri ennen NOx nousua 6 4 t(f) Taajuus (Hz) Kuva 7 tulipesän lämpötilan spektrin taajuudet ennen NOx nousua ovat keskittyneet taajuuden tuntumaan 6

17 8 t(t):n yksipuolinen amplitudispektri NOx nousun jälkeen 6 4 t(f) Taajuus (Hz) Kuva 8 Tulipesän lämpötilan spektrissä NOx nousun jälkeen taajuudet ovat keskittyneet taajuuden tuntumaan Kuvassa 9 näkyvä NOx pitoisuuden voimakas heilahtelu näkyy paineen taajuusspektrissä samaan tapaan kuin NOx pitoisuuden nousu. Kuvissa ja on tulipesän paineen spektrit ennen NOx heilahtelua ja sen aikana. Koska kuvan spektrissä näkyvä dominoiva taajuus on varsin, alhainen on syytä olettaa, että kyseessä ei ole palamisesta aiheutuva muutos. On varsin todennäköistä, että se johtuu paineeseen tulleesta muusta häiriöstä, koska samaan aikaan myös ilmavirtaukset heiluivat voimakkaasti. Kuvassa on esimerkkinä kuvan 9 NOx kuvaajan kanssa samalta ajanjaksolta otettu sekundääri ilman virtaus. 7

18 8 NOx pitoisuus ajan funktiona 6 4 NOx pitoisuus t(s) Kuva 9 NOx pitoisuus heilahtelee voimakkaasti 3.5 p(t):n yksipuolinen amplitudispektri ennen NOx heilahtelua 3.5 p(f) Taajuus (Hz) Kuva Spektri näyttää normaalilta. taajuus dominoi 8

19 p(t):n yksipuolinen amplitudispektri NOx heilahdellessa p(f) Taajuus (Hz) Kuva, Hz taajuus on dominoiva. Selkeä ero normaaliin tilanteeseen.7 Sekundääri ilman virtaus ajan funktiona ilmavirtaus t(s) Kuva Sekundääri ilmassa näkyy samankaltaista heiluntaa kuin NOx:issa 9

20 4. Regressioanalyysi Regressioanalyysissä lähtökohtana on, että pystytään luomaan malli tulipesän mittausten ja päästömittausten välille. Jos mallin luonti onnistuu, niin se pystyy ennakoimaan päästöjä ja tätä kautta antamaan tietoja palamisesta. Ongelmana on se, että malli on staattinen. Koska on todennäköistä, että tulipesän olosuhteet muuttuvat jatkuvasti, malli ei pysy muutoksissa mukana. Tämän korjaamiseksi tein funktion, joka päivittää regression tuottamaa mallia ennalta määrätyin aikavälein. Minuuttidataa käytettäessä regressiomallin inputeja ovat tulipesän paine, leijuilmamäärä, etu ja takapuolelta syötettävät sekundääri ilmat, etu ja takapuolelta syötettävät tertiääri ilmat sekä yksi petilämpötilamittaus. Ensimmäiseksi data jaetaan kahtia. Ensimmäistä puolikasta käytetään mallin luomiseen ja loppu data käytetään mallin hyvyyden tarkasteluun. Mallia luodessa toolboxin funktio piirtää kuvaajan (Kuva 3) josta valitaan releventtien muuttujien määrä eli mallin aste. PCA regression tapauksessa korkein mahdollinen mallin aste on input muuttujien määrä ja PLS:n tapauksessa sen jossa on vähemmän muuttujia. Koska käytössä on 7 input ja 4 outputmuuttujaa, PCA:n suurin asteluku on 7 ja PLS:n 4. Kuvista 4 ja 5 näkyy, että staattinen 5. asteen PCA regressio epäonnistuu täysin O ja CO päästöjen mallintamisessa. Kuitenkin käytettäessä päivittyvää mallia, joka päivittyy minuutin välein ja muodostaa mallin 5 edellisestä mittauksesta pystyy selvästi seuraamaan sekä CO, että O mittauksia kuten kuvissa 6ja 7 huomataan. Tästä voimme päätellä, että CO ja O päästöjen tuottaminen on voimakkaasti dynaaminen tapahtuma, mikä selittää staattisen mallin täydellisen epäonnistumisen.

21 Change the number of latent vectors using mouse (or press <return> if OK) % of maximun Latent vector index Kuva 3 Ominaisarvopiirroksessa ei ole missään kohtaa selkeää pudotusta, joka paljastaisi selkeästi relevanttien muuttujien määrän. Prosenttiluku kertoo, paljonko saavutettavissa olevasta maksimivariaatiosta saavutetaan tällä muuttujamäärällä. PCA O.mittauksen estimaatti verrattuna mittauksiin Measured PCA.5 O pitoisuus min Kuva 4 Estimaatti ei pysty mallintamaan O pitoisuutta savukaasuissa

22 PCA CO estimaatti verrattuna mittauksiin Measured PCA 3.5 CO pitoisuus min Kuva 5 Estimaatti ei pysty mallintamaan CO pitoisuutta savukaasuissa PCA malli halutusta muuttujasta Measured PCA Kuva 6 Jatkuvasti päivittyvä malli pystyy jollain tasolla mallintamaan O pitoisuutta savukaasussa

23 PCA malli halutusta muuttujasta 5 4 Measured PCA Kuva 7 Päivittyvä malli pystyy mallintamaan CO pitoisuutta savukaasuissa Projektityötä varten tehty hyvyysfunktio laskee jokaisen mittauspisteen ja mallin tuottaman estimaatin erotuksen neliöiden keskiarvon. Lisäksi jos erotus on samanmerkkinen peräkkäisillä pisteillä, funktio rankaisee kasvattamalla virhettä. Täydellisen mallin hyvyysluku on. Hyvyysluku ei ole ainakaan suoraan vertailukelpoinen eri prosessidatojen välillä varsinkin jos näytteenottotaajuus on eri. Hyvyysluvut esitetään taulukossa. Taulukossa ei ole staattisen mallin arvoja CO eikä O pitoisuuksille, koska staattinen malli ei onnistu niiden estimoinnissa lainkaan. NOx päästö on muista mallin outputeista poikkeava siinä mielessä, että jo staattinen malli onnistui estimoimaan sitä kohtuullisella tarkkuudella, kuten kuvasta 8 näkyy. Kuvassa 8 on käytetty 7. asteen mallia. Eron huomaa kun siirrytään viidennen asteen malliin, jota käytetään kuvassa 9. Kuvan 9 mallin hyvyysluku on hieman pienempi kuin kuvan 8. Päivittyvä malli tuo selvän parannuksen estimaatin hyvyyslukuun kuten nähdään taulukossa. Kuvat 3 ja 3 havainnollistavat staattisen ja päivittyvän estimaatin eroja. 3

24 PCA NOx estimaatti verrattuna mittauksiin 4 Measured PCA 3 NOx pitoisuus min Kuva 8 Kuvan estimaatissa on käytetty 7. asteen mallia PCA NOx estimaatti verrattuna mittauksiin 4 Measured PCA 3 NOx pitoisuus min Kuva 9 Kuvassa oleva viidennen asteen mallin tuottama estimaatti on hieman tarkempi, mutta eroja on vaikea huomata 4

25 PCA NOx estimaatti verrattuna mittauksiin 3.5 Measured PCA NOx pitoisuus min Kuva 3 Staattinen malli ylittää mittausarvon selkeästi.5 PCA malli halutusta muuttujasta Measured PCA Kuva 3 Päivittyvä malli onnistuu seuraamaan NOx mittausta selvästi paremmin 5

26 PCA CO O NOx 7. asteen staattinen malli x x, asteen staattinen malli x x, asteen päivittyvä malli,864,8686,768 PLS 4. asteen staattinen malli x x, asteen päivittyvä malli 3,4655,7768,787 Taulukko Mallien hyvyyslukuja Staattinen PLS regressiomalli tuotti yhtä huonon tuloksen CO ja O mittauksien estimoinnissa kuin PCA regressio. Kuvista katsottaessa NOx malli näyttää yhtä hyvältä sekä PCA, että PLS regressioilla. Hyvyysluvut ovat myös hyvin lähellä toisiaan, kuten taulukosta näkyy. PCA on aavistuksen parempi NOx estimoinnissa ja PLS on parempi O estimoinnissa. CO estimoinnissa on selkeä ero PCA mallin eduksi. Tämä voisi indikoida sitä, että CO ei korreloi suoraan minkään inputin kanssa, mutta niiden variansseista löytyy tietoa kyseisestä muuttujasta. Silmämääräisen analyysin perusteella voidaan sanoa mallin pitävän hyvin paikkaansa jos hyvyysluku on alle,5. Sekuntidatan regressioanalyysissä käytetään pitkälti samoja input muuttujia kuin minuuttidatalla: Tulipesän paine vasen, tulipesän paine oikea, sekundääri ilman paine, leijuilmamäärä, sekundääri ilman virtaus vasemmalta ja oikealta, tertiääri ilman virtaus vasemmalta ja oikealta, 3 tulipesän lämpötilamittausta sekä 6 petilämpötilan mittausta. Mittauksia on yhteensä 7. Output muuttujat ovat kolme happimittausta, CO mittaus ja NOx mittaus. PCA mallin suurin asteluku on siis 7 ja PLS mallin 5. Suuren inputmäärän vuoksi kokeilin myös karsia input määrää kahdeksaan. Poistin inputeista 3 petilämpötilan mittausta tulipesän lämpötilamittausta, sekundääri ilman painemittauksen, toisen sekundääri ja tertiääri ilman virtausmittauksesta ja toisen tulipesän painemittauksen. Minuuttidatasta poiketen staattinen PCA regressiomalli pystyi mallintamaan jollain tarkkuudella O ja CO mittauksia kuten kuvista 3 ja 33 näkyy. Tosin CO mittauksen seuraaminen on varsin heikkoa. Vastaavat tulokset saatiin myös PLS regressiolla. Kuvissa käytetään 5. asteen mallia. Staattinen malli pystyy seuraamaan NOx päästömittausta kohtuullisen hyvin(kuva 34), kuten jo minuuttidata osoitti. Kuvissa 35, 36 ja 37 näkyvät päivittyvät PCA mallit toimivat varsin hyvin. Näiden hyvyysluku pienenee selvästi verrattuna staattisiin malleihin, kuten taulukosta näkyy. Päivittyvän mallin tuottamassa estimaatissa on usein varsin voimakasta heilahtelua. Tätä voi korjata ottamalla malli pidemmältä aikaväliltä, mutta tällöin malli ei seuraa nopeita muutoksia niin hyvin. 6

27 5 4 PCA O.mittauksen estimaatti verrattuna mittauksiin Measured PCA 3 O pitoisuus s Kuva 3Staattinen PCA regressio pystyy mallintamaan happimittausta jollain tarkkuudella 4 8 PCA CO estimaatti verrattuna mittauksiin Measured PCA CO pitoisuus s Kuva 33 Staattinen malli pysy huonosti CO mittauksen perässä 7

28 8 6 PCA NOx estimaatti verrattuna mittauksiin Measured PCA 4 NOx pitoisuus s Kuva 34 Staattinen PCA estimaatti pysyy suhteellisen hyvin NOx mittauksen perässä PCA malli halutusta muuttujasta Measured PCA s x 4 Kuva 35 Päivittyvä PCA estimoi O mittausta hyvin 8

29 PCA malli halutusta muuttujasta 4 Measured PCA s x 4 Kuva 36 Päivittyvä PCA malli pystyy seuraamaan CO mittausta, mutta siinä esiintyy ei toivottua värähtelyä. PCA malli halutusta muuttujasta 4 Measured PCA s x 4 Kuva 37 Päivittyvä PCA malli seuraa NOx pitoisuutta hyvin 9

30 PCA O CO Nox 7 input muuttujaa:. asteen staattinen malli,9 5,7,6 7 input muuttujaa: 5. asteen staattinen malli,34 5,8,93 7 input muuttujaa: 7. asteen staattinen malli,48 5,68,945 7 input muuttujaa: päivittyvä 5. asteen malli,334,939,43 8 input muuttujaa: staattinen malli,4 4,665, 8 input muuttujaa: päivittyvä malli,39,389,394 Taulukko PCA mallien tuottamia hyvyyslukuja. Muuttujien vähentämisellä onnistuttiin parantamaan CO ja NOx estimaatteja. Mallin asteluvulla ei ollut suurta merkitystä tuloksiin Pienentämällä input muuttujien määrää onnistuttiin parantamaan sekä CO, että NOx estimointia. O estimaatin tulos on kuitenkin parempi suuremmalla muuttujien määrällä. Tätä saattaa selittää jollain tavalla se, että O mittaus sijaitsee heti kattilan jälkeen, mutta CO ja NOx mittaukset ovat vasta piipussa. Piipussa olevien mittausten kannalta ei ole merkitystä tuleeko ilma kattilaan vasemmalta vai oikealta reunalta, koska savukaasu on ehtinyt sekoittua. PLS regression tuottamat kuvaajat ovat pitkälti samanlaisia kuin PCA regression avulla saadut, eikä niissä löydy silmämääräisesti eroja. Taulukossa 3 olevat hyvyyslukutulokset osoittavat kohtuullisen selkeästi, että PCA regression avulla saadut tulokset ovat jonkin verran parempia muutamaa poikkeusta lukuun ottamatta. Tämä tulos on samansuuntainen minuuttidatan avulla saadun tuloksen kanssa. Molemmilla menetelmillä saadaan hyviä tuloksia varsinkin NOx pitoisuutta ennustettaessa. Eri näytteenottotaajuuden takia hyvyyslukutuloksia ei voida vertailla minuuttidatan kanssa. PLS O CO Nox 7 input muuttujaa: 5. asteen staattinen malli, 4,464,349 7 input muuttujaa: 3. asteen staattinen malli,6 4,46,3 7 input muuttujaa: päivittyvä 3. asteen malli,649,76,585 8 input muuttujaa: staattinen malli,9 4,54,9 8 input muuttujaa: päivittyvä malli,696,8,67 Taulukko 3 Eri PLS mallien tuottamia hyvyyslukuja 5. Yhteenveto Työssä käytössä olleiden prosessidatapakettien perusteella voi sanoa, että tulipesän palamista on mahdollista havainnoida käyttämällä tulipesän omia mittauksia. Kumpikin käytetty menetelmä vaatii paljon jatkokehitystä, jotta niitä voisi soveltaa käytäntöön. Taajuusanalyysin tuloksia voidaan pitää epävarmoina, koska minuuttidatasta ei löytynyt taajuusspektrien avulla mitään ja sekuntidatassa ei ollut tarpeeksi sopivia päästöjen muutostilanteita. Todennäköisesti vasta näytteenottotaajuutta nostamalla päästään palamiseen liittyviin nopeisiin ilmiöihin kiinni. Kaikki tässä työssä taajuusanalyysillä havaitut taajuudet olivat suhteellisen alhaisia. Regressioanalyysin tulokset ovat varsin lupaavia ja erityisesti NOx päästöjä pystytään ennustamaan päivittyvällä regressiomallilla varsin tarkasti. Tässä työssä ongelmana oli 3

31 mittausten dynamiikan hitauden tuntemattomuus ja päästömittauksiin liittyvä tuntematon viive. Jos nämä kaikki tekijät pystytään ottamaan huomioon mallia tehdessä, niin tulokset paranevat selkeästi. Minuuttidatassa mittareiden dynamiikalla on pienempi merkitys, joten sitä käytettäessä saatiin aikaan tarkemmat mallit. Toinen keino tulosten parantamiseen on käyttää vain oleellisia muuttujia malleihin. Muuttujien karsimisen huono puoli on se, että palamisen muutoksen syy saattaa olla jossain muuttujassa, jota ei käytetä mallissa. Siksi saattaa olla järkevää jättää malliin myös osittain redundantteja muuttujia. 3