A Chemometric Approach to Process Monitoring and Control - With Applications to Wastewater Treatment Operation

Abstract: Popular Abstract in Swedish För att styra, övervaka och utvärdera processer inom processindustrin, samlas stora mängder data från mätgivare i olika delar av processen. Den tekniska utvecklingen inom mätteknik- och datorområdet har gjort det möjligt att mäta många olika storheter. Inom processindustrin kan antalet vara mycket stort; hundratals och ibland tusentals värden loggas kontinuerligt med intervall avpassade för den enskilda processen. Att analysera och i viss mån förutsäga skeenden i dagliga driften av avloppsreningsverket vilar i stor utsträckning på operatörerna och driftspersonalen vid avloppsreningsverken. Informationen från driften måste vara pålitlig, lättillgänglig och uppdaterad för att analyser skall kunna utföras och korrekta beslut tas. Idag finns på många verk runtom i landet en omfattande mängd mätningar som görs i realtid. På ett avloppsreningsverk kan dessa uppgå till mer än hundra signaler som måste bearbetas och analyseras innan informationen som de bär kan göras tillgänglig för användaren. Vidare måste informationen presenteras på ett lättbegripligt sätt, vilket är speciellt viktigt om förestående störningar i systemet skall kunna undvikas. För att utvinna användbar information ur stora mängder data krävs en systematisk hantering av data. Att undersöka varje signal eller variabel individuellt är tidskrävande. Detta leder ofta till att endast ett antal "nyckelvariabler" används. Detta är olyckligt av flera skäl: dels går information förlorad eftersom endast ett fåtal variabler övervakas, dels förbises sammansatt information som beskrivs av samspelet mellan flera variabler. För att utnyttja datamängden maximalt krävs alltså metoder som kan hantera och analysera ett stort antal variabler samtidigt. Vidare måste metoderna kunna reducera datamängden till en gripbar mängd utan att relevant information går förlorad för att sedan presentera informationen på ett intuitivt och lättbegripligt sätt. Multivariat statistik utgör en grupp av metoder för hantering och analys av stora mängder data. Metoderna bygger på empirisk modellering, d.v.s. historiska data används för att identifiera en modell som beskriver relationerna mellan olika variabler i en datamängd. I multivariat statistik reduceras stora datamängder väsentligt; man kan säga att dimensionaliteten på problemet reduceras. Detta kan åstadkommas genom att man utnyttjar redundansen i datamängden för att producera att antal "pseudovariabler" som bär information från alla variabler. Dessa pseudovariabler kan sedan övervakas antingen var och en för sig, eller i de fall då de fortfarande är många, i form av gemensamma mått. Det är viktigt att man inte ser denna teknik som en "svart låda". Det är fullt möjligt att använda analysen "baklänges" så att när en avvikelse i en pseudovariabel har konstaterats är det möjligt att direkt isolera den eller de verkliga variabler som avvikit från sitt normala uppträdande. I denna avhandling presenteras ett systematisk tillvägagångssätt att övervaka processen med hjälp av idéer från multivariat statistik. Ett antal utvidgningar av allmänna metoder diskuteras som möjliga kandidater att lösa de problem som uppstår vid driften av avloppsreningsverk. Dessa svårigheter har främst att göra med de föränderliga förhållanden som råder vid ett verk. Avloppsvattnets sammansättning skiljer sig avsevärt över dagen, veckan, månaden och året. Detta gör att driften hela tiden förändras på ett sätt som få andra processindustrier upplever. Övervakningsmetoderna för en sådan process måste klara av att anpassa sig till nya situationer, utan att det sker driftstörningar eller utlöses onödiga larm. Adaptiv multivariat statistik har visat sig vara en bra lösning på problemet. Övervakningsalgoritmen uppdateras när processen förändras, och uppdateringshastigheten kan varieras beroende på målet för övervakningen. I avhandlingen visas att adaptiva algoritmer klarar av att anpassa sig till nya driftsförhållanden, utan att förlora kapaciteten att upptäcka avvikande beteenden i processen. Ett annat problem med övervakning av avloppsvattenrening är att störningar och skeenden uppträder i olika tidsskalor. Med detta menas att vissa förlopp är snabba medan andra är långsamma. En process med dessa egenskaper brukar kallas för en ?styv? process. Detta gör det svårt att modellera relationerna mellan olika variabler. En lösning på detta problem föreslås. Den bygger på s.k. ?wavelets?, en relativt ny teknik från matematiken, som används för tidsskaleuppdelning av mätvariablerna. Genom att dela upp variabler i olika tidsskalor, kan övervakningsmodeller för varje skala identifieras och problemet med styva processer undviks i viss mån på detta sätt. När övervakningssystemet har upptäckt ett avvikande beteende, bör pro-cessen styras på ett sådant sätt att konsekvenserna av störningen minimeras. I denna avhandling presenteras två metoder hur informationen från övervakningssystemet direkt kan användas i styrsystemet för processen. Ett typiskt styrsystem i ett avloppsreningsverk består av ett antal lokala styrenheter. Dessa styrenheter har som uppgift att styra en (eller några få) variabler i processen. Genom att mäta och korrigera kan ett s.k. ?börvärde? (önskade värdet på variabeln) upprätthållas. För att tillhandhålla börvärden till de lokala styrenheterna finns ett överordnat styrsystem. I allmänhet utförs detta manuellt på avloppsreningsverk, d.v.s. operatörerna sätter lämpliga börvärden för det aktuella processtillståndet. I avhandlingen diskuteras hur detta överordande system kan automatiseras. Genom att återkoppla information från övervakningen, kan styrsystemet korrigera för störningen utan att processoperatören behöver ingripa. Detta är viktigt då avloppsreningsverket i allmänhet är obemannat merparten av tiden eftersom driften pågår hela dygnet. Den första metoden kan beskrivas som en flerstegsmetod. Först används multivariat statistik för att beskriva det nuvarande processtillståndet. Information om vilken typ av processtillstånd som råder skickas till styrsystemet, som i sin tur reagerar på tillståndet. Denna metod lämpar sig väl för styrning under extrema processtillstånd, då processen kan sägas vara långt från sitt normala tillstånd. För styrning under normala förhållanden beskrivs en metod för hur övervakningsmodellen och den överordade styrmodellen integreras fullkomligt. Genom att använda och styra pseudovariablerna från övervakningssystemet kan de lokala styrenheterna koordineras så att ett överordnat styrmål uppnås. Genom simuleringsstudier visas att båda metoderna är potentiellt mycket intressanta för styrning av avloppsreningsverk. Multivariata metoder kommer att spela en viktig roll inom processövervakning och -styrning i framtiden. Utvecklingen inom området sker snabbt, och inom vissa industriella grenar har dessa metoder visat sig vara mycket kompetenta. Det är författarens åsikt att vi hittills bara sett början på en utveckling som kommer möjliggöra nya tekniker och processer i framtiden.