Estimation applied to Selective Catalytic Reduction
Pesu, Alex (2023)
2023
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe20231128149676
https://urn.fi/URN:NBN:fi-fe20231128149676
Tiivistelmä
Global warming and climate change are phenomena that have resulted in stricter legislation for combustion emissions. Fossil fuels and combustion engines remain a vital energy source for the years to come, especially for heavy transport industries like the marine sector and, therefore, it is only logical to attempt and produce environmentally friendlier processes for the existing energy sources.
In this thesis, the focus is on NOx emissions and more explicitly how this pollutant can be mitigated and controlled via a method called Selective Catalytic Reduction, also known as SCR. The emphasis is on control engineering methods, such as state estimation, together with computer simulations that are used to evaluate desired values in the SCR unit, which are either difficult or impossible to measure directly. The SCR process is explained in detail to understand which reactions take place and how they can be modeled mathematically. Finally, the state estimation techniques are presented before applying them on the system.
The mathematical model for the Selective Catalytic Reduction process, which was derived from previous thesis work, proved to be a valid starting point for the simulation. However, when working with validating the simulation model against real test data there were difficulties to achieve matching results, but after parameter fitting a suitable compromise was obtained.
Initially, the idea of the thesis was to use a linear estimator such as the standard Kalman filter to estimate the SCR process. There were some doubts whether a linear estimator would be sufficient as the SCR model can be considered highly nonlinear. The linear Kalman filter worked reasonably well with small changes to the input concentrations, but it proved to be very sensitive to the chosen linearization point of the model. After further simulations, it became obvious that a nonlinear estimator would be more suitable for the estimation studies of this system. The nonlinear estimator performed well against real test data supplied by Wärtsilä.
The Input estimation method was suggested in the early phases of the work process to be the last stage of this thesis. The idea of being able to estimate a system output without full knowledge of an input signal seemed challenging but, as visualized in the last chapter, the method exhibited some great potential. De senaste åren har diskussionen gällande miljöutsläpp ökat drastiskt. Samhället har vaknat till att global uppvärmning och klimatförändring är problem som omedelbart måste motarbetas för att nå de mål som har fastslagits under de senaste miljökonferenserna. Global transport står för en betydande del av växthusgasutsläppen som utgörs av till exempel kväveoxider (NOx) och koldioxid (CO2). Även om tekniken bakom elfordon har utvecklats snabbt är det tills vidare flera branscher som är beroende av de traditionella förbränningsmotorerna. Marinindustrin är ett exempel på en näringsgren som är beroende av fossila bränslen och för den är det oerhört viktigt att utveckla nya, miljövänligare teknologier.
Kväveoxider är ett av de mest förstörande utsläppen från stora båtmotorer och det finns flera sätt att minska dessa genom att manipulera motorns beteende. Nackdelen med dessa metoder är att de inte helt enkelt klarar av att minska kväveoxidutsläppen enligt de senaste lagstiftningarna. För att nå den senaste standarden måste avgasbehandling utnyttjas och mera specifikt en metod som kallas för ”selektiv katalytisk reduktion”. Metoden innebär, liksom namnet indikerar, att kväveoxiderna minskas genom en reduktionsreaktion som sker inne i en katalysator. För att åstadkomma reduktionen måste en ytterligare komponent, ammoniak, matas in i systemet i form av urea. Doseringen av denna urea måste vara mycket noggrann för att systemet ska fungera som planerat eftersom både för mycket och för litet ammoniak i katalysatorn orsakar skadliga utsläpp. Det är regleringen av ammoniakdoseringen, i denna specifikt tillämpade katalysator, som är av stort intresse för forskare inom området, och i detta arbete är betoningen på tillståndsestimering i en sådan SCR-katalysator.
Katalysatorn modelleras enligt principerna för kemisk reaktionsteknik och modellen grundar sig på Milver Colmenares avhandling (2013). Reaktorn modelleras som om den skulle bestå av flera seriekopplade återblandningsreaktorer, i detta fall 30. I princip är det frågan om tre huvudsakliga reaktioner som sker inne i katalysatorn. Dessa representeras först matematiskt och sedan implementeras de i simulationsverktygen Matlab och Simulink. Den redan nämnda reduktionen av kväveoxider är den första reaktionen medan både adsorptions- och desorptionsreaktionerna beskriver hur ammoniaken beter sig i systemet. De signaler som egentligen är av intresse är utkommande kväveoxid samt ammoniak. Det bör noteras att några förenklingar och antaganden, så som att oxideringen av ammoniak inne i katalysatorn negligeras, tillämpas för att göra modellen mera flexibel för estimeringen.
För att verifiera att modellen verkligen är användbar är det viktigt att jämföra mot riktiga testdata som Wärtsilä gav tillgång till. Dessa data genererades på en försöksskala och all information som kunde tänkas vara av nytta var tillgänglig. Modellen matas med samma indata som försöket hade då det kördes och väsentliga parametrar liksom katalysatorstorlek justeras för att passa dessa data. Därefter kan datormodellens utsignaler jämföras med det givna försökets uppmätta koncentrationer av kväveoxider och ammoniak. Det visade sig att kväveoxidresultaten genast liknade varandra relativt väl medan modellen hade svårigheter att simulera ammoniaken som lämnade katalysatorn, vilket data klart visade. Eftersom parametrarna, gällande de kemiska reaktionerna från tidigare, endast var goda gissningar är det lämpligt att anpassa dem för att få en modell som bättre representerar testdata.
Efter att modellen anpassats och verifierats kan den tillämpas för tillståndsestimering. Den grundläggande metoden, bakom all tillståndestimering i denna avhandling, kallas för Kalmanfilter. Detta filter kan sägas prediktera optimalt när det handlar om linjära stokastiska system med vitt samt normal fördelat brus. Grovt förenklat är principen för metoden sådan att Kalmanfiltret får information från det föregående estimatet samt från en tillgänglig mätning och baserad på kovarianserna av dessa två väljer Kalmanfiltret att ge större vikt åt den säkrare informationskällan. SCR-modellen som används är en icke-linjär modell vilket innebär att den först måste linjäriseras så att Kalmanfiltret sedan kan tillämpas. Efter försök med det linjära Kalmanfiltret blir det klart att det är väldigt känsligt gällande linjäriseringspunkten, dvs. filtret klarar av att estimera små ändringar nära linjäriseringspunkten medan för stora hopp gör att resultaten kan avvika drastiskt.
Eftersom SCR-modellen är högt icke-linjär måste Kalmanfiltret utvecklas vidare till en icke-linjär estimator, för att nå bättre estimeringsresultat. Den icke-linjära estimatorn är direkt baserad på den icke-linjära modellen med skillnaden att estimatorn är diskretiserad och Kalmanfiltrets principer har implementerats för alla 30 simuleringssteg. När den utvecklade estimatorn jämförs mot den matematiska modellen följer den exakt samma resultat om själva samplingen från diskretiseringen negligeras. Ytterligare testas estimatorn mot testdata, vilket också ger bra resultat.
Till sist prövas en mindre känd estimeringsteknik, nämligen inputestimering, vilket innebär att åtminstone den ena inkommande signalen till estimatorn är okänd. Ammoniaken väljs som den okända insignalen vilket innebär att modellen förses med en stegförändring i ammoniakkoncentrationen medan estimatorn inte får denna information, dvs. den inkommande ammoniaksignalen blir oförändrad. Genom att utveckla tillståndsmodellen enligt Mikael Manngårds principer är det möjligt för estimatorn att även utan information från den andra insignalen följa verkliga datas resultat. Efter justering av väsentliga simuleringsparametrar visade det sig att metoden fungerar som önskat och estimatorn klarar av att korrigera den inkommande ammoniaksignalen till den nivå som modellen i verkligheten visar.
In this thesis, the focus is on NOx emissions and more explicitly how this pollutant can be mitigated and controlled via a method called Selective Catalytic Reduction, also known as SCR. The emphasis is on control engineering methods, such as state estimation, together with computer simulations that are used to evaluate desired values in the SCR unit, which are either difficult or impossible to measure directly. The SCR process is explained in detail to understand which reactions take place and how they can be modeled mathematically. Finally, the state estimation techniques are presented before applying them on the system.
The mathematical model for the Selective Catalytic Reduction process, which was derived from previous thesis work, proved to be a valid starting point for the simulation. However, when working with validating the simulation model against real test data there were difficulties to achieve matching results, but after parameter fitting a suitable compromise was obtained.
Initially, the idea of the thesis was to use a linear estimator such as the standard Kalman filter to estimate the SCR process. There were some doubts whether a linear estimator would be sufficient as the SCR model can be considered highly nonlinear. The linear Kalman filter worked reasonably well with small changes to the input concentrations, but it proved to be very sensitive to the chosen linearization point of the model. After further simulations, it became obvious that a nonlinear estimator would be more suitable for the estimation studies of this system. The nonlinear estimator performed well against real test data supplied by Wärtsilä.
The Input estimation method was suggested in the early phases of the work process to be the last stage of this thesis. The idea of being able to estimate a system output without full knowledge of an input signal seemed challenging but, as visualized in the last chapter, the method exhibited some great potential.
Kväveoxider är ett av de mest förstörande utsläppen från stora båtmotorer och det finns flera sätt att minska dessa genom att manipulera motorns beteende. Nackdelen med dessa metoder är att de inte helt enkelt klarar av att minska kväveoxidutsläppen enligt de senaste lagstiftningarna. För att nå den senaste standarden måste avgasbehandling utnyttjas och mera specifikt en metod som kallas för ”selektiv katalytisk reduktion”. Metoden innebär, liksom namnet indikerar, att kväveoxiderna minskas genom en reduktionsreaktion som sker inne i en katalysator. För att åstadkomma reduktionen måste en ytterligare komponent, ammoniak, matas in i systemet i form av urea. Doseringen av denna urea måste vara mycket noggrann för att systemet ska fungera som planerat eftersom både för mycket och för litet ammoniak i katalysatorn orsakar skadliga utsläpp. Det är regleringen av ammoniakdoseringen, i denna specifikt tillämpade katalysator, som är av stort intresse för forskare inom området, och i detta arbete är betoningen på tillståndsestimering i en sådan SCR-katalysator.
Katalysatorn modelleras enligt principerna för kemisk reaktionsteknik och modellen grundar sig på Milver Colmenares avhandling (2013). Reaktorn modelleras som om den skulle bestå av flera seriekopplade återblandningsreaktorer, i detta fall 30. I princip är det frågan om tre huvudsakliga reaktioner som sker inne i katalysatorn. Dessa representeras först matematiskt och sedan implementeras de i simulationsverktygen Matlab och Simulink. Den redan nämnda reduktionen av kväveoxider är den första reaktionen medan både adsorptions- och desorptionsreaktionerna beskriver hur ammoniaken beter sig i systemet. De signaler som egentligen är av intresse är utkommande kväveoxid samt ammoniak. Det bör noteras att några förenklingar och antaganden, så som att oxideringen av ammoniak inne i katalysatorn negligeras, tillämpas för att göra modellen mera flexibel för estimeringen.
För att verifiera att modellen verkligen är användbar är det viktigt att jämföra mot riktiga testdata som Wärtsilä gav tillgång till. Dessa data genererades på en försöksskala och all information som kunde tänkas vara av nytta var tillgänglig. Modellen matas med samma indata som försöket hade då det kördes och väsentliga parametrar liksom katalysatorstorlek justeras för att passa dessa data. Därefter kan datormodellens utsignaler jämföras med det givna försökets uppmätta koncentrationer av kväveoxider och ammoniak. Det visade sig att kväveoxidresultaten genast liknade varandra relativt väl medan modellen hade svårigheter att simulera ammoniaken som lämnade katalysatorn, vilket data klart visade. Eftersom parametrarna, gällande de kemiska reaktionerna från tidigare, endast var goda gissningar är det lämpligt att anpassa dem för att få en modell som bättre representerar testdata.
Efter att modellen anpassats och verifierats kan den tillämpas för tillståndsestimering. Den grundläggande metoden, bakom all tillståndestimering i denna avhandling, kallas för Kalmanfilter. Detta filter kan sägas prediktera optimalt när det handlar om linjära stokastiska system med vitt samt normal fördelat brus. Grovt förenklat är principen för metoden sådan att Kalmanfiltret får information från det föregående estimatet samt från en tillgänglig mätning och baserad på kovarianserna av dessa två väljer Kalmanfiltret att ge större vikt åt den säkrare informationskällan. SCR-modellen som används är en icke-linjär modell vilket innebär att den först måste linjäriseras så att Kalmanfiltret sedan kan tillämpas. Efter försök med det linjära Kalmanfiltret blir det klart att det är väldigt känsligt gällande linjäriseringspunkten, dvs. filtret klarar av att estimera små ändringar nära linjäriseringspunkten medan för stora hopp gör att resultaten kan avvika drastiskt.
Eftersom SCR-modellen är högt icke-linjär måste Kalmanfiltret utvecklas vidare till en icke-linjär estimator, för att nå bättre estimeringsresultat. Den icke-linjära estimatorn är direkt baserad på den icke-linjära modellen med skillnaden att estimatorn är diskretiserad och Kalmanfiltrets principer har implementerats för alla 30 simuleringssteg. När den utvecklade estimatorn jämförs mot den matematiska modellen följer den exakt samma resultat om själva samplingen från diskretiseringen negligeras. Ytterligare testas estimatorn mot testdata, vilket också ger bra resultat.
Till sist prövas en mindre känd estimeringsteknik, nämligen inputestimering, vilket innebär att åtminstone den ena inkommande signalen till estimatorn är okänd. Ammoniaken väljs som den okända insignalen vilket innebär att modellen förses med en stegförändring i ammoniakkoncentrationen medan estimatorn inte får denna information, dvs. den inkommande ammoniaksignalen blir oförändrad. Genom att utveckla tillståndsmodellen enligt Mikael Manngårds principer är det möjligt för estimatorn att även utan information från den andra insignalen följa verkliga datas resultat. Efter justering av väsentliga simuleringsparametrar visade det sig att metoden fungerar som önskat och estimatorn klarar av att korrigera den inkommande ammoniaksignalen till den nivå som modellen i verkligheten visar.