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

Abstract

In this work, various aspects of multivariate monitoring and control of wastewater treatment operation are discussed. A number of important difficulties face operators and process engineers when handling online measurements from wastewater treatment processes. These include, for instance, a high number of correlated measurement variables, non-stationarities, nonlinearities and multiscale process behaviour. A systematic way to handle and analyse data is needed to effectively extract relevant information for monitoring and control. In this work, a chemometric approach is taken. Principal component analysis (PCA) is used to reduce both the dimensionality of the problem and the noise level in data. However, it is shown that basic PCA is not sufficient to describe the process adequately. There are mainly two reasons for this. First, the processes display a non-stationary behaviour due to the diurnal, weekly and seasonal variations in the composition of the wastewater. Second, disturbances and events occur at different time scales making basic PCA less suitable.



The problem of non-stationary data is overcome using adaptive PCA in terms of updating of the scale parameters as well as the covariance structure. It is shown that adaptive PCA significantly improves the monitoring results as the model adapts to new process conditions without losing its ability to detect deviating process behaviour. To solve the problem of disturbances that occur at different time scales multiscale PCA is used. Multiscale PCA is a combination of multiresolution analysis and PCA. Measurement signals are decomposed into several time scales, and PCA models at each scale are identified. By doing so, the sensitivity to small process deviations that otherwise are obstructed by the diurnal variation is considerably increased. By omitting the lowest time scale from the analysis, the remaining time scales will inherently be (practically) stationary since this corresponds to using a highpass filtered version of the data. Another solution, where the PCA models at each scale are made adaptive is also presented.



Using the monitoring results to adjust the process in a supervisory control manner is discussed. Two different methods are presented. The first is based on a multistep procedure. The current operational state is detected and classified using clustering in the principal component space. This information is used to determine appropriate setpoints for local controllers so that the process returns to what is considered normal operation. In the setpoint determination step, both static and dynamic models are used. The dynamic models are used within the framework of model predictive control (MPC). The multistep approach is best suited for extreme event control, since nonlinear and discrete control actions easily can be incorporated. The second method to integrate monitoring and control is based on PCA. Here, the inverse PCA model is used to directly calculate appropriate setpoints for the local controllers so that the process can be controlled to attain specified output requirements. The controller can be seen as a multivariate feedback controller implemented on top of the local control system. It is shown by simulation studies that both methods for supervisory control can successfully be used to control the process according to the control objectives.

Abstract (Swedish)

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.

• author: Rosén, Christian
• supervisor: [unknown] [unknown]
• opponent: Prof. Vanrolleghem, Peter, University of Gent, Gent, Belgium
• organization: Industrial Electrical Engineering and Automation
• publishing date: 2001
• type: Thesis
• publication status: published
• subject: Other Electrical Engineering, Electronic Engineering, Information Engineering
• keywords: robotics, Automation, Elektroteknik, Electrical engineering, wastewater treatment, supervisory control, simulation, process monitoring, principal component analysis (PCA), multivariate statistics, modelling, activated sludge, detection, control engineering, Automatiska system, robotteknik, reglerteknik, Environmental technology, pollution control, Miljöteknik, kontroll av utsläpp
• pages: 290 pages
• defense location: Room M:B, M-building
• defense date: 2001-11-30 10:15:00
• external identifiers: other:ISRN: LUTEDX/(TEIE-1022)/1-290/(2001)
• ISBN: 91-88934-20-9
• language: English
• LU publication?: yes
• id: fefadc8e-0db6-4da0-b93d-0a72c02d7b61 (old id 42191)
• date added to LUP: 2016-04-04 11:16:27
• date last changed: 2018-11-21 21:03:45