Data-driven soft sensors for primary treated wastewater PO4-P estimation
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
School of Chemical Engineering |
Master's thesis
Authors
Date
2024-10-24
Department
Major/Subject
Chemical and Process Engineering
Mcode
Degree programme
Master's Programme in Chemical, Biochemical and Materials Engineering
Language
en
Pages
93
Series
Abstract
Chemically enhanced primary treatment (CEPT) is one of the common processes for removing wastewater phosphorus. In CEPT, precipitation chemicals precipitate orthophosphates to insoluble solids which are removed along with other solids by sedimentation. The dosing of the precipitating chemical is done with feedback control based on the on-line measurements of phosphate phosphorus. Measuring the quality of municipal wastewater is important for meeting strict environmental regulations and process control use which ensures the optimal and uninterrupted functioning of the treatment plant. However, the wastewater quality is difficult to measure in real-time and cost-efficiently as the laboratory measurements are time-consuming and on-line analyzers are expensive and require frequent maintenance. Soft sensors are inferential models used for process monitoring, fault-detection or estimating product quality. In this thesis, the main goal of the developed adaptive soft sensors is in estimating the wastewater sample phosphate phosphorus content which is used for feedback control. The desirable outcome for the soft sensors would be limiting the use of the expensive on-line analyzer thus extending the maintenance interval. The soft sensors are also considered to be useful when on-line analyzer malfunctions or is in maintenance. In this thesis, the soft sensors are built on inexpensive on-line process measurements such as conductivity, pH, turbidity and temperature that relate to the process. The soft sensor literature states the degradation of estimation accuracy as one of the major problems of this technology. Adaptation mechanisms, e.g. moving-window and recursive methods, are some of the common solutions for this. Adaptation is required as the process conditions and wastewater influent quality are continuously changing due to daily and seasonal variations. These changing properties in combination with the feedback control render the chemically enhanced primary treatment to be a time-varying system. In this thesis, the moving-window soft sensors utilize multiple linear regression (MLR), partial least squares (PLS) and locally weighted partial least squares (LW-PLS) models which are compared with recursive PLS (RPLS). The main conclusion is that regularly updating the soft sensors results in improved estimation performance.Kemiallisesti tehostettu primäärikäsittely (CEPT) on yksi yleisimmistä jäteveden fosforin poistamiseen tarkoitetuista prosesseista, missä saostuskemikaalit saostavat ortofosfaatteja. Liukenemattomat fosfaattisaostumat poistetaan muiden kiintoaineiden mukana sedimentoimalla primäärikäsittelyn lopussa. Saostuskemikaalin annostelussa käytetään takaisinkytkentäsäätöä, joka perustuu fosfaattifosforin online-mittauksiin. Jäteveden laadun mittaaminen on tärkeää, koska puhdistetun veden laadun on täytettävä tiukat ympäristövaatimukset sekä jäteveden laatumittauksia käytetään puhdistamon prosessien eri vaiheissa prosessinohjausta varten, mikä varmistaa puhdistamon optimaalisen ja keskeytyksettömän toiminnan. Jäteveden laatua on kuitenkin vaikea mitata reaaliaikaisesti ja kustannustehokkaasti, koska laboratoriomittaukset vievät aikaa ja on-line-analysaattorit ovat kalliita sekä vaativat huoltoa. Virtuaalisensoreita (engl. soft sensor) käytetään prosessinvalvonnassa vikojen havaitsemiseen ja tuotteen estimointiin. Tämän työn adaptiivisten virtuaalisensoreiden päätavoitteena on primäärikäsittelyn fosfaattifosforin estimointi takaisinkytkentäsäätöä varten. Haluttu toiminnallisuus olisi rajoittaa kalliiden on-line-analysaattoreiden käyttöä ja pidentää niiden huoltovälejä. Virtuaalisensoreista hyödytään tilanteissa, joissa on-line-analysaattori on huollossa tai toimii virheellisesti. Tämän työn virtuaalisensoreiden perustana ovat edulliset ja reaaliaikaiset prosessimittaukset. Virtuaalisensoreita käsittelevässä kirjallisuudessa on mainintoja kyseiseen teknologiaan liittyvistä ongelmista, joista suurimpia on estimaatiotarkkuuden heikkeneminen. Adaptaatio, kuten liikkuvan ikkunan (engl. moving-window) menetelmät ja rekursiiviset menetelmät, ovat yleisiä ratkaisuja tähän. Adaptaatiota tarvitaan, koska jäteveden laatu sekä prosessiolosuhteet vaihtelevat päivittäisten ja kausittaisten vaihteluiden vuoksi. Nämä ominaisuudet yhdessä takaisinkytkentäsäädön kanssa tekevät primäärikäsittelystä aikavaihtelevan. Tässä työssä liikkuvan ikkunan menetelmää käytetään yhdessä monimuuttujaisten regressiomallien (MLR, PLS, LW-PLS) kanssa, joita verrataan lisäksi rekursiiviseen PLS-regressioon (RPLS). Tulosten myötä työn pääjohtopäätös on, että adaptaatiomenetelmät ylläpitävät mallien ennustekyvyn tarkkuutta. Ennustekyvyltään tarkimmat mallit perustuivat adaptaatiomenetelmiin, jotka päivittivät malleja nopeiten.Description
Supervisor
Corona, FrancescoThesis advisor
Tikkala, Vesa-MattiKeywords
soft sensor, wastewater, primary treatment, phosphate phosphorus, adaptive, PLS