Jätevesiprosessien monitoroinnin ja ohjauksen tulevaisuus Kolme havaintoesimerkkiä Henri Haimi Sisältö Case 1: Viikinmäen jälkisuodatusprosessin nitraattipitoisuuksien estimointi n malliprediktiivinen ohjausjärjestelmä n malliprediktiivinen ohjausjärjestelmä Yhteenveto 2 1
Case 1: Viikinmäen jälkisuodatusprosessi Prosessissa 10 suodatinsolua Metanolin syöttöä jokaiseen soluun ohjataan erikseen tarkoituksena kontrolloida suodattimista lähteviä NO 3 N pitoisuuksia NO 3 N mittaukset alttiita erilaisille häiriötekijöille 3 Case 1: Viikinmäen jälkisuodatusprosessi 10 suodatinkohtaista syötevastemalleihin perustuvaa virtuaalista anturia HL Regressiomalli 6 syötemuuttujaa X jokaiselle mallille 1 vastemuuttuja y jokaiselle mallille 4 2
Case 1: Viikinmäen jälkisuodatusprosessi Taulukko 1. NO 3 N estimaattien ja mittausten välisen keskineliövirheen neliöjuuret kahden vuoden testiperiodina (RMSE, mg/l). Lineaarinen OLSR Epälineaarinen k NN LLR F1 F2 F3 F4 F5 F6 F7 F8 F9 F10 0.40 0.18 0.15 0.16 0.19 0.18 0.25 0.26 0.26 0.31 0.37 0.20 0.15 0.15 0.18 0.16 0.26 0.23 0.24 0.28 Lineaarisen ja epälineaarisen regressiomenetelmän suorituskyvyissä ei olennaista eroa Estimointitarkkuudet vastaavat mittalaitteiden mittaustarkkuutta Suodatinkohtaisten virtuaalisten antureiden suorituskyvyssä eroja 5 Case 1: Viikinmäen jälkisuodatusprosessi Virtuaalisten anturien estimaatteja voidaan käyttää ohjauspiireissä mittalaiteongelmien aikana Corona F., Mulas M., Haimi H., Sundell L., Heinonen M., Vahala R. Monitoring nitrate concentrations in the denitrifying postfiltration unit of a municipal wastewater treatment plant. Journal of Process Control, 23(2):158 170, 2013. Haimi H., Corona F., Mulas M., Sundell L., Heinonen M., Vahala R. Shall we use hardware sensor measurements or soft sensor estimates? Case study in a full scale WWTP. Environmental Modelling & Software, 72:215 229, 2015. 6 3
Nykyinen järjestelmä: lohko Z1 käytännössä aina ilmastamaton, Z2 Z3 tarpeen mukaan ilmastettuja, Z4 Z6 aina ilmastettuja Liuenneen hapen asetusarvo ilmastuksessa vakio: 3.5 mg/l 7 Aktiivilieteprosessille kehitettiin malliprediktiivinen prosessinohjausjärjestelmä Menetelmänä dynaaminen matriisiohjaus Aktiivilieteprosessi mallinnettiin GPS X ohjelmalla 1 vuoden prosessidata kalibroinnissa 8 4
Säädetyt muuttujat: prosessista lähtevä NO 3 N (12.5 mg/l) ja NH 4 N (2.0 mg/l) Manipuloidut muuttujat: Lohkojen Z2 ja Z3 happipitoisuuksien asetusarvot sekä prosessin sisäinen kierrätyslietevirtaama 9 Ennustushorisontti 4 h, uudet asetusarvot 30 min välein Max DO 2.5 mg/l kaikissa lohkoissa Ilmastus ja pumppausenergiakustannukset arvioitu GPS X:n asetusarvoilla vertailutarkoituksessa 10 5
Taulukko 2. Simulointien tulokset 1 vuoden ajalta: keskimääräiset energiakustannukset sekä lähtevän NH 4 N ja NO 3 N pitoisuudet Nykyinen ohjausjärjestelmä Malliprediktiivinen ohjausjärjestelmä Hinta ( /d) 519 501 Lähtevä NH 4 N (mg/l) 2.37 1.44 Lähtevä NO 3 N (mg/l) 11.51 9.82 Ehdotetulla ohjausjärjestelmällä päästään hieman parempaan puhdistustehoon pienemmillä kustannuksilla Mulas M., Tronci S., Corona F., Haimi H., Lindell P., Heinonen M., Vahala R., Baratti R. Predictive control of an activated sludge process: An application to the Viikinmäki wastewater treatment plant. Journal of Process Control, 35: 89 100, 2015. Haimi H., Mulas M., Corona F., Marsili Libelli S., Lindell P., Heinonen M., Vahala R. Adaptive data derived anomaly detection in the activated sludge process of a large scale wastewater treatment plant. Engineering Applications of Articial Intelligence, 52:65 80, 2016. 11 DIAMOND oli kaksivuotinen hanke, joka kuului pk yritysten, yliopistojen ja tutkimuslaitosten kansainvälisiä tutkimus ja kehitysprojekteja tukevaan EU:n 7. puiteohjelmaan; http://www.diamond eu.org/ Tutkimushankkeessa on mukana kaikkiaan yhdeksän osapuolta kolmesta eri maasta Mukana on viisi pk yritystä (Mondragón Sistemas de Información, Espanja; Aguas de Gipuzkoa S.A., Espanja; Cerlic Controls AB, Ruotsi; Stockholm Vatten AB, Ruotsi; Mipro Oy, Suomi), kaksi tutkimuslaitosta (Centro de Estudios e Investigaciones Técnicas CEIT, Espanja; IVL Svenska Miljöinstitutet AB, Ruotsi) ja kaksi yliopistoa (Uppsala Universitet, Ruotsi; Aalto yliopisto, Suomi) Suomen osuus: Advanced Control System työpaketti 12 6
Malliprediktiivinen ohjaus yhdellä laitoksen linjoista Säädetty muuttuja: prosessista lähtevä NH 4 N (1.0 mg/l) Manipuloidut muuttujat: Lohkojen Z2 ja Z3 happipitoisuuksien asetusarvot sekä prosessin sisäinen kierrätyslietevirtaama 13 14 7
Taulukko 3. Koeajojen tulokset (2015) ja vertailujakson (2014) tulokset: keskimääräinen ilmavirtaama, sisäinen kierrätys sekä lähtevän ammoniumtyppipitoisuus Vuosi Ilmavirtaama, Nm 3 /m 3 Sisäinen kierrätys, m 3 /h Lähtevä NH 4 N, mg/l 2014 6.80 756 0.80 2015 6.62 715 1.09 Tuloksia 6 kk:n koejaksolta (tammikuu kesäkuu 2015) verrattiin vastaavaan ajanjaksoon edellisenä vuonna (2014) Ennustushorisontti 4 h, uudet asetusarvot 15 min välein Max DO 2.5 mg/l lohkoissa Z2 Z3, asetusarvot lohkoissa Z4 3.0 mg/l, Z5 2.5 mg/l ja Z6 2.0 mg/l Ilma ja kierrätysvirtaamat pienenivät ehdotetulla järjestelmällä 15 Prosessinohjausjärjestelmän tueksi tilastollisiin menetelmiin perustuva monitorointimoduuli 12 muuttujalle status: OK tai Not OK Mulas M., Corona F., Sirviö J., Hyvönen S., Vahala R. Full scale implementation of an advanced control system on a biological wastewater treatment plant. Proceedings of 11 th IFAC Symposium on Dynamics and Control of Process Systems, Trondheim, Norway, 2016. 16 8
Yhteenveto Käytetyillä mallinnus ja ohjausmenetelmillä voidaan tukea puhdistamoiden kustannustehokasta operointia Vaikka mittalaitteet yleensä toimivat moitteettomasti, etuja on saavutettavissa varajärjestelmillä ja monitorointityökaluilla Esimerkkeinä toimineet malliprediktiiviset säätöjärjestelmät johtivat 3 4% pienentyneeseen ilmantarpeeseen aktiivilieteprosesseissa Vaihtuvat asetusarvot prosessinohjauksessa pystytään toteuttamaan nykyaikaisilla toimilaitteilla ja asianmukaisella suunnittelulla 17 Kiitos mielenkiinnostanne! Tutkimuksia ovat tukeneet ja niihin osallistuneet: 18 9