Palamisen laadun mittaus - Automaatio- ja systeemitekniikan laitos
Palamisen laadun mittaus - Automaatio- ja systeemitekniikan laitos
Palamisen laadun mittaus - Automaatio- ja systeemitekniikan laitos
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
AS0.3200 <strong>Automaatio</strong> <strong>ja</strong> <strong>systeemitekniikan</strong> projektityö<br />
<strong>Palamisen</strong> <strong>laadun</strong> <strong>mittaus</strong><br />
Petri Malkamäki<br />
<strong>Automaatio</strong> <strong>ja</strong> <strong>systeemitekniikan</strong> koulutusohjelma<br />
Alkamispäivä: 7.9.2008<br />
Loppumispäivä: 19.12.2008<br />
Oh<strong>ja</strong>a<strong>ja</strong>: Kai Zenger<br />
työn laajuus: 4op<br />
1
Sisältö<br />
<strong>Palamisen</strong> <strong>laadun</strong> <strong>mittaus</strong> .........................................................................................................1<br />
1. Prosessi .........................................................................................................................3<br />
1.1 Kattilatyypit .................................................................................................................3<br />
1.2 Kattilan ilma <strong>ja</strong> vesikierto .............................................................................................4<br />
1.3 Palaminen ...................................................................................................................5<br />
2. Työn tavoitteet <strong>ja</strong> kulku .................................................................................................6<br />
3. Menetelmät ..................................................................................................................7<br />
3.1 Taajuusanalyysi ...........................................................................................................7<br />
3.2 Monimuuttu<strong>ja</strong>regressio ...............................................................................................8<br />
4. Tulokset ........................................................................................................................9<br />
4.1 Taajuusanalyysi ...........................................................................................................9<br />
4.2 Regressioanalyysi ...................................................................................................... 20<br />
5. Yhteenveto .................................................................................................................. 30<br />
2
1. Prosessi<br />
1.1 Kattilatyypit<br />
Voima<strong>laitos</strong>käytössä olevat kiinteätä materiaalia polttavat kattilat voidaan <strong>ja</strong>kaa leijukattiloihin<br />
<strong>ja</strong> arinakattiloihin. Tällä hetkellä arinatyyppisiä kattiloita käytetään lähinnä<br />
jätteenpolttolaitoksissa. Arinakattilassa poltettava kiintoaine heitetään liikkuvan arinan päälle<br />
kuvan 1 mukaisesti. Palamaton materiaali putoaa arinan reunalta tuhkakuiluun.<br />
Kuva 1 Arinakattila Kuva 2 Kiertoleijukattila<br />
Leijukattiloita on kahta eri päätyyppiä; kiertoleijukattila <strong>ja</strong> kuplaleijukattila. Kiertoleijukattilassa<br />
petimateriaali, joka useimmiten on hiekka, kiertää kattilassa alhaalta puahllettavan ilman<br />
mukana kuvan 2 nuolien mukaisesti. Kuplaleijukattilassa ilma saa petihiekan kuplimaan, mutta<br />
hiekka pysyy kattilan poh<strong>ja</strong>lla. Leijukattilalla on useita etu<strong>ja</strong> verrattuna arinakattiloihin. Kattila<br />
on polttoainejoustava, sillä saavutetaan korkea hyötysuhde <strong>ja</strong> pienet päästöt.<br />
Kiertoleijukattilalla on pääpiirteittäin samat edut, kuin kuplaleijukattilalla, mutta niiden<br />
lämpöteho on noin kaksinkertainen kuplaleijukattiloihin verrattuna. Kuvassa 3 on<br />
kuplaleijukattilan periaatteellinen kuva.<br />
3
Kuva 3 Kuplaleijukattila<br />
1.2 Kattilan ilma <strong>ja</strong> vesikierto<br />
Ilma, joka leijuttaa petihiekkaa, on nimeltään primääriilma. Se puhahalletaan kattilaan<br />
alapuolelta <strong>ja</strong> sen päätarkoitus on pitää peti aina fluidisoituneessa tilassa. Primääriilmalla on<br />
tietty minimivirtausmäärä, joka puhalletaan petiin ajotilanteesta riippumatta. Primääriilman<br />
mukana on mahdollista puhaltaa kattilaan sen savukaasu<strong>ja</strong>. Tätä kutsutaan kiertokaasuksi.<br />
Kiertokaasun tehtävä on hillitä petin lämpötilan nousua. Kattilaan syötetään lisäksi sekundääri<br />
<strong>ja</strong> tertiääriilmaa kattilan kyljistä. Sekundääri ilman suuttimet si<strong>ja</strong>itsevat alempana <strong>ja</strong> tertiääriilmasuuttimet<br />
ovat ylempänä. Sekundääri <strong>ja</strong> tertiääriilmojen virtausmäärät säädetään<br />
erikseen sekä vasemmalle, että oikealle puolelle kattilaa.<br />
Kattilan savukaasut imetään pois kattilasta savukaasupuhaltimella. Savukaasupuhaltimen<br />
tehtävä on pitää kattilan painetta hieman alle ilmanpaineen, jotteivät savukaasut pääse<br />
vuotamaan tehdastilaan. Tulipesän yläosassa si<strong>ja</strong>itsevat höyryn tulistimet. Savukaasu luovuttaa<br />
lämpöään niihin ensimmäisenä. Kun savukaasu on jäähtynyt tulistimilla hieman, käytetään<br />
siihen jäänyt lämpö syöttöveden esilämmitykseen. Kanavaan tultuaan savukaasu kulkee joko<br />
sähköisen, tai pussisuodattimen läpi. Tällä tavalla savukaasuista poistetaan pienhiukkasia.<br />
Kattilan vesikierto on kuvan 4 mukainen. Syöttövesiputket ovat sinisiä, höyrystymisputket<br />
sinipunaisia <strong>ja</strong> höyryputket punaisia. Vesi tulee syöttövesipumpulta esilämmittimien eli<br />
ekonomaisereiden kautta lieriöön. Lieriöstä vesi valuu alas <strong>ja</strong> nousee kattilan seinällä si<strong>ja</strong>itsevia<br />
4
putkia pitkin, joissa tapahtuu höyrystyminen. Höyrystymisenergia on pääosin palamisen<br />
tuottamaa säteilylämpöä. Tämän jälkeen höyry palaa lieriöön, mistä se kulkeutuu tulistimiin.<br />
Tulistimissa lämpö siirtyy suurimmaksi osaksi konvektiivisesti savukaasuvirtauksesta.<br />
Tulistaminen voidaan toteuttaa useassa vaiheessa. Tulistimien välissä tai niiden jälkeen<br />
säädetään höyryn lämpötilaa ruiskuttamalla syöttövettä höyryn sekaan. Tulistamisen jälkeen<br />
höyryä voidaan käyttää sähkön <strong>ja</strong>/tai kaukolämmön tuottamiseen.<br />
Kuva 4 Kattilan vesikierto<br />
1.3 Palaminen<br />
Kuplaleijukattilassa palaminen voi tapahtua joko petin sisässä tai sen yläpuolella. Kun tulipesän<br />
olosuhteet ovat hyvässä kunnossa, palaminen tapahtuu petin yläpuolella. Kiinteän materiaalin<br />
palaminen voidaan <strong>ja</strong>kaa vaiheisiin. Ensimmäiseksi partikkeli kuivuu, sitten tapahtuu<br />
kaasuuntuminen, jossa kiinteästä aineesta lähtevät helposti haihtuvat palavat kaasut. Tämän<br />
jälkeen partikkeli syttyy <strong>ja</strong> palaa, kunnes jäljellä on vain tuhkaa.<br />
Epätäydellinen palaminen ilmenee savukaasujen CO päästöjen nousuna. Usein tämä johtuu<br />
liian vähästä palamisilmasta. NOx päästöt taas nousevat lämpötilan noustessa liian korkeaksi.<br />
Tällöin ilman typpi reagoi hapen kanssa <strong>ja</strong> muodostaa typen okside<strong>ja</strong>. Savukaasun<br />
happipitoisuuden nousu voi johtua joko liiallisesta palamisilmasta tai polttoaineen syötön<br />
katkeamisesta.<br />
5
2. Työn tavoitteet <strong>ja</strong> kulku<br />
Projektityö tehdään Metso Power OY:n kanssa yhteistyössä. Työssä käytetty prosessidata<br />
saatiin Metsolta. <strong>Palamisen</strong> havainnointi on kiinnostavaa, koska paremmalla palamisen<br />
hallinnalla päästään pienempiin päästöihin. <strong>Palamisen</strong> paremmalla havainnoinnilla voidaan<br />
pystyä havaitsemaan kattilassa ilmeneviä viko<strong>ja</strong> kuten esimerkiksi ilmasuuttimen<br />
tukkeutuminen.<br />
Työn tavoitteena on pystyä mittaamaan tulipesässä tapahtuvaa palamista. Tässä käytetään<br />
hyväksi tulipesän olosuhteita kuvaavia mittauksia, kuten tulipesän paine <strong>ja</strong> lämpötila.<br />
Erityisesti tulipesän paine<strong>mittaus</strong> on mielenkiintoinen palamisen kannalta, mutta sen käyttö<br />
indikaattorina on hankalaa, koska se on säädetty suure. Lisäksi työssä käytetään muita<br />
saatavilla olevia mittauksia kuten tulipesään virtaavien ilmojen virtausmittaukset. Tällä<br />
hetkellä ainoat palamista kuvaavat mittaukset ovat päästömittaukset, jotka mitataan piipusta.<br />
Koska päästöjä mitataan vasta piipussa, saadaan tietoa palamisesta viiveellä.<br />
Työ päätettiin toteuttaa Matlab ohjelmistolla. Työn tekemiseen käytetään taajuusanalyysia <strong>ja</strong><br />
monimuuttu<strong>ja</strong>regressiota. Taajuusanalyysillä pystytään havaitsemaan asioita säädetyistäkin<br />
suureista, koska menetelmä ei tutki absoluuttisia muutoksia. Työn alkuvaiheessa käytössä oli<br />
minuuttikeskiarvostettua dataa eräästä suomalaisesta kattilasta. Päästömittaukset olivat 10<br />
minuutin keskiarvo<strong>ja</strong>. Kattilalle oli datankeruun aikana tehty erilaisia kokeita. Ensimmäiseksi<br />
datasta täytyi valita muuttu<strong>ja</strong>t joita käytetään työssä. Suuri osa mittauksista oli kattilan<br />
höyrypuolelta. Näillä mittauksilla ei ole juurikaan käyttöä tätä projektityötä a<strong>ja</strong>tellen. Tästä<br />
datasta valittiin 22 <strong>mittaus</strong>ta, joihin kuului tulipesän paine<strong>mittaus</strong>, ilmamäärien mittaukset,<br />
petilämpötilat sekä päästömittaukset.<br />
Datan tutkiminen aloitettiin taajuusanalyysillä. Tarkoitus oli selvittää onko muuttujien<br />
taajuusspektreissä ero<strong>ja</strong>, kun NOx päästöjen vaihdellessa. Minuuttidatasta löytyi useita eri<br />
kohtia, missä NOx päästöjen taso vaihteli voimakkaasti. Tuloksista selvisi nopeasti, että<br />
minuutin näytteenottoväli on aivan liian pitkä palamisen havainnointiin. Regressioanalyysin<br />
menetelmiä on useita erilaisia. Tässä työssä päätin soveltaa kahta eri menetelmää. PCA<br />
(Principal Component Analysis) regressio olettaa, että input datan varianssi sisältää hyödyllistä<br />
tietoa. Toinen menetelmä, mitä päätin soveltaa, on PLS (Partial Least Squares) regressio. Tämä<br />
menetelmä keskittyy inputin <strong>ja</strong> outputin väliseen korrelaatioon. Molemmat menetelmät<br />
tuottivat jonkinlaisen järkevän tuloksen minuuttidatalle, mutta oli selvää, että paremman<br />
datan hankkiminen on välttämätöntä.<br />
Toisen prosessidatapaketin näytteenottoväli on sekunti <strong>ja</strong> data on kerätty vuonna 2006 eräältä<br />
KeskiEuroopassa si<strong>ja</strong>itsevalta kattilalta. Tämäkin data oli kerätty muuhun tarkoitukseen, mutta<br />
se soveltui työhön varsin hyvin. Data on hyvin kattavaa <strong>ja</strong> siitä löytyi kaikki työn vaatimat<br />
6
mittaukset. Valitettavasti tästä prosessidatasta ei löytynyt kovin montaa kohtaa, jossa NOx olisi<br />
joko kasvanut tai pudonnut nopeasti, mikä hankaloitti taajuusanalyysin kattavuutta. Tämän<br />
jälkeen sovellettiin edellä mainittu<strong>ja</strong> monimuuttu<strong>ja</strong>regression menetelmiä tähän dataan <strong>ja</strong><br />
tulokset olivat varsin positiivisia. Näiden tulosten parantamiseksi tehtiin funktio, mikä laskee<br />
uuden regressiomallin tasaisin väliajoin.<br />
3. Menetelmät<br />
3.1 Taajuusanalyysi<br />
Työssä käyttämäni menetelmä perustuu Fourier muunnokseen, jossa signaali muutetaan<br />
taajuustasoon. Fourier muunnos siirtää funktion aikaavaruudesta taajuusavaruuteen. Se<br />
perustuu oletukseen, että jokainen signaali voidaan esittää siniaaltojen integraalina <strong>ja</strong><br />
diskreetissä tapauksessa summana. Jatkuvan funktion<br />
määritellään<br />
Fourier'n muunnos<br />
missä on kulmataajuus. Kun funktio on muunnettu, se voidaan aina muuntaa<br />
alkuperäiseksi signaaliksi käänteismuunnoksella, joka määritelmän mukaiselle<br />
funktiolle on<br />
,<br />
.<br />
Diskreetissä tapauksessa signaali a<strong>ja</strong>tellaan sar<strong>ja</strong>na <strong>ja</strong> kuten aiemmin todettu integraali<br />
korvataan summalausekkeella.<br />
missä on :n pituinen reaali tai kompleksiarvoinen sar<strong>ja</strong>. Vastaava<br />
käänteismuunnos on<br />
.<br />
Matlabissa käyttämäni funktio on nimeltään fft. Se perustuu C kielelle tehtyyn FFTW<br />
kir<strong>ja</strong>stoon, joka käyttää CooleyTukey algoritmia diskreetin Fourier muunnoksen<br />
aikaansaamiseksi. Signaalin Fourier muunnoksesta otetaan absoluuttiarvo, joka poistaa<br />
muunnoksen imaginääriosat. Tällöin muunnoksen voi piirtää <strong>ja</strong> siitä näkee selvästi mitä<br />
taajuuksia signaali siirtää. Tuloksia piirtäessä pitää ottaa kuitenkin huomioon, että suurin<br />
taajuus, mitä voidaan kuvata, on puolet näytteenottotaajuudesta.<br />
7
3.2 Monimuuttu<strong>ja</strong>regressio<br />
Regressiomallissa kahden muuttu<strong>ja</strong>n välinen lineaarinen yhteys kuvataan kertoimella:<br />
= +<br />
Perustapauksessa kerroin sovitetaan muuttujien välille pienimmän neliösumman keinolla.<br />
Yhden muuttu<strong>ja</strong>n tapauksessa pitää minimoida seuraava lauseke<br />
( ) = ,<br />
jossa <strong>ja</strong> ovat skalaarimuuttujia, on mallin vakio <strong>ja</strong> on mallin ”kulmakerroin”.<br />
Tapauksessa, jossa käsitellään montaa muuttu<strong>ja</strong>a, kerroin on matriisi.<br />
Yleensä data esikäsitellään ennen varsinaisen regression tekemistä. Tärkein esikäsittelyn vaihe<br />
on muuttujien valinta. Väärällä muuttujien valinnalla on mahdollista pilata regressioanalyysin<br />
tulos ennen mallin laskemista. Tätä tehdessä on tärkeää, että analysoi<strong>ja</strong>lla on riittävästi tietoa<br />
mallinnettavasta prosessista. Yleensä sekä input, että output muutetaan nollakeskiarvoiseksi,<br />
jolloin malliin jää vain yksi tuntematon parametri. Lisäksi monen muuttu<strong>ja</strong>n tapauksessa datan<br />
skaalaaminen on välttämätöntä, koska muutoin absoluuttiselta arvoltaan isompia muutoksia<br />
painotettaisiin liikaa.<br />
Monen muuttu<strong>ja</strong>n tapauksessa tarkoituksena on löytää matriisi, jotta<br />
= <br />
pitää. Tässä tapauksessa data on nollakeskiarvostettu, joten toista muuttu<strong>ja</strong>a ei tarvita. Jos<br />
etsitään pienimmän neliösumman menetelmällä, menetelmää kutsutaan MLR:ksi (Multivriate<br />
Linear Regression). Tässä tapauksessa voidaan kirjoitta<br />
=( ) .<br />
Tämä ratkaisu minimoi pienimmän neliösumman kriteeri. Malli ei ota lainkaan huomioon<br />
minkäänlaista kohinaa mittauksissa, joten käytännön sovelluksissa MLR saattaa toimia<br />
huonosti tai ei ollenkaan.<br />
PCA (Principal Component Analysis) perustuu olettamukselle, että datan varianssi sisältää<br />
prosessin kannalta oleellista tietoa. Menetelmä etsii dataavaruudesta suuntia, joissa datan<br />
variaatio on suurinta. Menetelmä käyttää näitä suuntia perusakseleina sisäiselle datamallille.<br />
Koska häiriöiden oletetaan olevan täysin satunnaisia, <strong>ja</strong>tkuvat korrelaatiot muuttujien välillä<br />
kertovat jotain systeemin oikeasta rakenteesta. Analyysin tuloksena saadaan inputien<br />
ominaisvektorit. Ongelmaksi muodostuu vektorien määrän määrittäminen, koska kaikki eivät<br />
sisällä yhtä paljon hyödyllistä tietoa. Lopullinen malli lasketaan MLR algoritmilla<br />
=( ) ,<br />
8
jossa<br />
on PCA algoritmilla saatu :n latentti ominaisvektorikanta.<br />
PLS (Partial Least Squares) regressio ratkaisee erään PCA menetelmän ongelman. PCA keskittyy<br />
vain input dataan, jolloin jotain voi jäädä huomiotta PCA mallissa. Tässäkin menetelmässä<br />
luodaan systeemin ominaisvektori, mutta siinä keskitytään inputin <strong>ja</strong> outputin väliseen<br />
korrelaatioon. Kuten PCA regressiossa tässäkin lopullinen malli lasketaan MLR algoritmilla<br />
=( ) ,<br />
jossa<br />
on PLS algoritmilla saatu :n <strong>ja</strong> :n latentti ominaisvektorikanta.<br />
4. Tulokset<br />
4.1 Taajuusanalyysi<br />
Toteutin taajuusanalyysin siten, että etsin päästömittauksista kohtia, joissa päästöt kasvoivat<br />
tai laskivat nopeasti. Hypoteesi on, että tulipesän mittauksien taajuusspektrit ovat erilaisia eri<br />
päästötasoilla. Lisäksi on mahdollista, että erilaiset viat tai ongelmat palamisessa pystytään<br />
tunnistamaan spektristä. Tätä kautta kattilan kunnossapito helpottuu. Tämän työn puitteissa ei<br />
vikojen huomiointi ole mahdollista, koska kattilasta ei ole saatavilla tarpeeksi tietoa. Erityisesti<br />
tulipesän paine<strong>mittaus</strong> on taajuusanalyysin kannalta mielenkiintoinen, koska se reagoi<br />
palamisen muutoksiin nopeasti. Painemittauksen lisäksi analyysissä käytettiin petilämpötilan<br />
mittauksia <strong>ja</strong> tulipesän lämpötilamittauksia.<br />
Minuuttidatasta löytyi useita taajuusanalyysin kannalta sopivaa tilannetta. Kuvassa 5 on<br />
tarkoituksiini sopiva kohta, jossa NOx päästön tason nousee nopeasti. Kuvassa 6 näkyy paineen<br />
kuvaa<strong>ja</strong> a<strong>ja</strong>lta jolloin NOx pitoisuus on alhainen. Kuvassa 7 on paineen kuvaa<strong>ja</strong> kun NOx<br />
pitoisuus on noussut. Kuvissa 8 <strong>ja</strong> 9 on kuvia 6 <strong>ja</strong> 7 vastaavat paineiden taajuusspektrit.<br />
Molemmista näkee, että suurin osa taajuuksista on lähellä nollataajuutta, eikä muita taajuuksia<br />
juurikaan nouse esiin. Analyysin tulos on vastaava myös muissa vastaavissa NOx pitoisuuden<br />
nousuissa tai laskuissa. Kuvissa 10 <strong>ja</strong> 11 näkyy yhden petilämpötilamittarin spektri samoilta<br />
ajoilta kuin painespektrit. Näistä huomaa selkeästi saman asia kuin painemittauksesta. Suurin<br />
osa signaalista on lähellä nollataajuutta. Tämän perusteella voi sanoa, että 1/60 Hz<br />
näytteenottotaajuus ei riitä palamisen havainnointiin taajuusanalyysin avulla. Kuvien<br />
absoluuttitasot on muutettu. Minuuttidatassa ei ollut tulipesän lämpötilan<strong>mittaus</strong>ta.<br />
9
Kattilan NOx päästöt a<strong>ja</strong>n funktiona<br />
180<br />
160<br />
140<br />
120<br />
NOx(mg/Nm 3 )<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
2720 2740 2760 2780 2800 2820<br />
min<br />
Kuva 5 Prosessidatasta löydetty kohta, jossa NOx pitoisuus nousee nopeasti<br />
1<br />
Kattilan paine a<strong>ja</strong>n funktiona ennen NOx pitosuuden nousua<br />
0.5<br />
0<br />
0.5<br />
p(mbar)<br />
1<br />
1.5<br />
2<br />
2.5<br />
3<br />
2720 2730 2740 2750 2760 2770<br />
min<br />
Kuva 6 Tulipesän paine kun NOx pitoisuus on alhainen<br />
10
1.5<br />
Kattilan paine a<strong>ja</strong>n funktiona NOx pitosuuden nousun jälkeen<br />
1<br />
0.5<br />
0<br />
p(mbar)<br />
0.5<br />
1<br />
1.5<br />
2<br />
2.5<br />
3<br />
2770 2780 2790 2800 2810 2820 2830 2840<br />
min<br />
Kuva 7 Paineen kuvaa<strong>ja</strong> NOx pitoisuuden noustua<br />
1.6<br />
p(t):n yksipuolinen amplitudispektri ennen NOx pitoisuuden nousua<br />
1.4<br />
1.2<br />
1<br />
|p(f)|<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
0 1 2 3 4 5 6 7 8 9<br />
Taajuus (Hz)<br />
x 10 3<br />
Kuva 8 paineen taajuusspektri ennen NOx nousua, jossa suurin osa taajuuksista on lähellä nollataajuutta<br />
11
1.4<br />
p(t):n yksipuolinen amplitudispektri NOx pitosuuden nousun jälkeen<br />
1.2<br />
1<br />
0.8<br />
|p(f)|<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
0 1 2 3 4 5 6 7 8 9<br />
Taajuus (Hz)<br />
x 10 3<br />
Kuva 9 paineen taajuusspektri NOx nousun jälkeen on hyvin samankaltainen Kuvan 8 spektrin kanssa<br />
800<br />
t(t):n yksipuolinen amplitudispektri ennen NOx pitoisuuden nousua<br />
700<br />
600<br />
500<br />
|t(f)|<br />
400<br />
300<br />
200<br />
100<br />
0<br />
0 1 2 3 4 5 6 7 8 9<br />
Taajuus (Hz)<br />
x 10 3<br />
Kuva 10 Petilämpötilan taajuusspektrissä suurin osa taajuuksista on lähellä nollataajuutta<br />
12
800<br />
t(t):n yksipuolinen amplitudispektri NOx pitosuuden nousun jälkeen<br />
700<br />
600<br />
500<br />
|t(f)|<br />
400<br />
300<br />
200<br />
100<br />
0<br />
0 1 2 3 4 5 6 7 8 9<br />
Taajuus (Hz)<br />
x 10 3<br />
Kuva 11 Petilämpötilan taajuusspektri näyttää lähes samalta kuin ennen NOx pitoisuuden nousua<br />
Sekuntidatasta löytyi vain muutama kohta, jossa NOx päästöt nousivat tai laskivat nopeasti.<br />
Kuvassa 12 näkyy NOx pitoisuuden nopea nousu. Kuvassa 13 oleva paineen kuvaa<strong>ja</strong> on otettu<br />
kun NOx pitoisuus on alhaalla <strong>ja</strong> kuvassa 14 näkyvä kuvaa<strong>ja</strong> on otettu kun NOx pitoisuus on<br />
ylhäällä. Kuvassa 15 oleva spektri näyttää samalta kuin minuuttidatasta otetut paineen<br />
spektrit. NOx nousun jälkeen otettu spektri (kuva 16) näyttää selvästi erilaiselta kuin kuvan 15<br />
spektri. Nollataajuutta ei käytännössä ole lainkaan, vaan huippu on hieman korkeammalla<br />
taajuudella. Lisäksi 0,1 Hz taajuutta näyttäisi löytyvän vielä suhteellisen runsaasti. Tällä tavalla<br />
on mahdollista huomata painemittauksen spektrin avulla NOx pitoisuuden nousua, mutta tällä<br />
ei kuitenkaan pystytä ennustamaan. Kuvan 16 spektri on otettu a<strong>ja</strong>nhetkeltä jolloin NOx<br />
pitoisuus on jo noussut <strong>ja</strong> näkynyt mittauksissa. Spektri on otettu 200 sekunnin a<strong>ja</strong>lta <strong>ja</strong> 100<br />
sekuntia aikaisemmin otetussa spektrissä ei näkynyt vielä muutoksia. Spektrin avulla voisi<br />
kuitenkin olla mahdollista tunnistaa kattilassa olevia palamistilanteita, jonka avulla palamisen<br />
hallintaa pystyttäisiin parantamaan. Samoilta aikaväleiltä otetut tulipesän lämpötilan spektrit<br />
(kuvat 17 <strong>ja</strong> 18) näyttävät keskenään aivan samoilta, joten tulipesän lämpötilamittauksesta ei<br />
ole apua tässä yhteydessä. Tämä voi johtua esimerkiksi siitä, että kyseessä voi olla pt100<br />
anturi, joka reagoi suhteellisen hitaasti lämpötilan muutoksiin.<br />
13
30<br />
NOx pitoisuus a<strong>ja</strong>n funktiona<br />
20<br />
10<br />
0<br />
NOx pitoisuus<br />
10<br />
20<br />
30<br />
40<br />
50<br />
60<br />
0 200 400 600 800 1000 1200<br />
t(s)<br />
Kuva 12 NOx pitoisuus vaihtelee voimakkaasti.<br />
0.55<br />
Tulipesän paine a<strong>ja</strong>n funktiona ennen NOx nousua<br />
0.6<br />
0.65<br />
p<br />
0.7<br />
0.75<br />
0.8<br />
0 50 100 150 200 250<br />
t(s)<br />
Kuva 13 Tulipesän paineessa näkyy suhteellisen voimakasta heilahtelua<br />
14
0.15<br />
Tulipesän paine a<strong>ja</strong>n funktiona NOx nousun jälkeen<br />
0.1<br />
0.05<br />
p<br />
0<br />
0.05<br />
0.1<br />
0 50 100 150 200 250<br />
t(s)<br />
Kuva 14 Paineen heilahtelu on samankaltaista kuin kuvassa 13<br />
14<br />
p1(t):n yksipuolinen amplitudispektri ennen NOx nousua<br />
12<br />
10<br />
|p1(f)|<br />
8<br />
6<br />
4<br />
2<br />
0<br />
0 0.1 0.2 0.3 0.4 0.5<br />
Taajuus (Hz)<br />
Kuva 15 Kuvan 13 painedataa vastaava taajuusspektri<br />
15
0.35<br />
p1(t):n yksipuolinen amplitudispektri NOx nousun jälkeen<br />
0.3<br />
0.25<br />
0.2<br />
|p(f)|<br />
0.15<br />
0.1<br />
0.05<br />
0<br />
0 0.1 0.2 0.3 0.4 0.5<br />
Taajuus (Hz)<br />
Kuva 16 Painedata sisältää selvästi useampia taajuuksia.<br />
1800<br />
t(t):n yksipuolinen amplitudispektri ennen NOx nousua<br />
1600<br />
1400<br />
1200<br />
|t(f)|<br />
1000<br />
800<br />
600<br />
400<br />
200<br />
0<br />
0 0.1 0.2 0.3 0.4 0.5<br />
Taajuus (Hz)<br />
Kuva 17 tulipesän lämpötilan spektrin taajuudet ennen NOx nousua ovat keskittyneet 0 taajuuden tuntumaan<br />
16
1800<br />
t(t):n yksipuolinen amplitudispektri NOx nousun jälkeen<br />
1600<br />
1400<br />
1200<br />
|t(f)|<br />
1000<br />
800<br />
600<br />
400<br />
200<br />
0<br />
0 0.1 0.2 0.3 0.4 0.5<br />
Taajuus (Hz)<br />
Kuva 18 Tulipesän lämpötilan spektrissä NOx nousun jälkeen taajuudet ovat keskittyneet 0 taajuuden tuntumaan<br />
Kuvassa 19 näkyvä NOx pitoisuuden voimakas heilahtelu näkyy paineen taajuusspektrissä<br />
samaan tapaan kuin NOx pitoisuuden nousu. Kuvissa 20 <strong>ja</strong> 21 on tulipesän paineen spektrit<br />
ennen NOx heilahtelua <strong>ja</strong> sen aikana. Koska kuvan 21 spektrissä näkyvä dominoiva taajuus on<br />
varsin, alhainen on syytä olettaa, että kyseessä ei ole palamisesta aiheutuva muutos. On varsin<br />
todennäköistä, että se johtuu paineeseen tulleesta muusta häiriöstä, koska samaan aikaan<br />
myös ilmavirtaukset heiluivat voimakkaasti. Kuvassa 22 on esimerkkinä kuvan 19 NOx kuvaa<strong>ja</strong>n<br />
kanssa samalta a<strong>ja</strong>n<strong>ja</strong>ksolta otettu sekundääriilman virtaus.<br />
17
80<br />
NOx pitoisuus a<strong>ja</strong>n funktiona<br />
60<br />
40<br />
NOx pitoisuus<br />
20<br />
0<br />
20<br />
40<br />
60<br />
80<br />
0 500 1000 1500 2000 2500 3000 3500<br />
t(s)<br />
Kuva 19 NOx pitoisuus heilahtelee voimakkaasti<br />
3.5<br />
p1(t):n yksipuolinen amplitudispektri ennen NOx heilahtelua<br />
3<br />
2.5<br />
|p1(f)|<br />
2<br />
1.5<br />
1<br />
0.5<br />
0<br />
0.05 0.1 0.15 0.2<br />
Taajuus (Hz)<br />
Kuva 20 Spektri näyttää normaalilta. 0 taajuus dominoi<br />
18
p1(t):n yksipuolinen amplitudispektri NOx heilahdellessa<br />
4<br />
3.5<br />
3<br />
2.5<br />
|p1(f)|<br />
2<br />
1.5<br />
1<br />
0.5<br />
0<br />
0 0.05 0.1 0.15 0.2<br />
Taajuus (Hz)<br />
Kuva 21 0,01 Hz taajuus on dominoiva. Selkeä ero normaaliin tilanteeseen<br />
1.7<br />
Sekundääriilman virtaus a<strong>ja</strong>n funktiona<br />
1.65<br />
1.6<br />
1.55<br />
ilmavirtaus<br />
1.5<br />
1.45<br />
1.4<br />
1.35<br />
1.3<br />
1.25<br />
0 500 1000 1500 2000 2500 3000 3500<br />
t(s)<br />
Kuva 22 Sekundääriilmassa näkyy samankaltaista heiluntaa kuin NOx:issa<br />
19
4.2 Regressioanalyysi<br />
Regressioanalyysissä lähtökohtana on, että pystytään luomaan malli tulipesän <strong>mittaus</strong>ten <strong>ja</strong><br />
päästö<strong>mittaus</strong>ten välille. Jos mallin luonti onnistuu, niin se pystyy ennakoimaan päästöjä <strong>ja</strong><br />
tätä kautta antamaan tieto<strong>ja</strong> palamisesta. Ongelmana on se, että malli on staattinen. Koska on<br />
todennäköistä, että tulipesän olosuhteet muuttuvat <strong>ja</strong>tkuvasti, malli ei pysy muutoksissa<br />
mukana. Tämän kor<strong>ja</strong>amiseksi tein funktion, joka päivittää regression tuottamaa mallia ennalta<br />
määrätyin aikavälein.<br />
Minuuttidataa käytettäessä regressiomallin inpute<strong>ja</strong> ovat tulipesän paine, leijuilmamäärä, etu<br />
<strong>ja</strong> takapuolelta syötettävät sekundääriilmat, etu <strong>ja</strong> takapuolelta syötettävät tertiääriilmat<br />
sekä yksi petilämpötila<strong>mittaus</strong>. Ensimmäiseksi data <strong>ja</strong>etaan kahtia. Ensimmäistä puolikasta<br />
käytetään mallin luomiseen <strong>ja</strong> loppu data käytetään mallin hyvyyden tarkasteluun. Mallia<br />
luodessa toolboxin funktio piirtää kuvaa<strong>ja</strong>n (Kuva 23) josta valitaan releventtien muuttujien<br />
määrä eli mallin aste. PCA regression tapauksessa korkein mahdollinen mallin aste on input<br />
muuttujien määrä <strong>ja</strong> PLS:n tapauksessa sen jossa on vähemmän muuttujia. Koska käytössä on<br />
7 input <strong>ja</strong> 4 outputmuuttu<strong>ja</strong>a, PCA:n suurin asteluku on 7 <strong>ja</strong> PLS:n 4.<br />
Kuvista 24 <strong>ja</strong> 25 näkyy, että staattinen 5. asteen PCA regressio epäonnistuu täysin O2 <strong>ja</strong> CO<br />
päästöjen mallintamisessa. Kuitenkin käytettäessä päivittyvää mallia, joka päivittyy minuutin<br />
välein <strong>ja</strong> muodostaa mallin 25 edellisestä mittauksesta pystyy selvästi seuraamaan sekä CO,<br />
että O2 mittauksia kuten kuvissa 26<strong>ja</strong> 27 huomataan. Tästä voimme päätellä, että CO <strong>ja</strong> O2<br />
päästöjen tuottaminen on voimakkaasti dynaaminen tapahtuma, mikä selittää staattisen<br />
mallin täydellisen epäonnistumisen.<br />
20
Change the number of latent vectors using mouse (or press if OK)<br />
3<br />
2.5<br />
2<br />
1.5<br />
1<br />
84% of maximun<br />
0.5<br />
0<br />
1 2 3 4 5 6 7<br />
Latent vector index<br />
Kuva 23 Ominaisarvopiirroksessa ei ole missään kohtaa selkeää pudotusta, joka pal<strong>ja</strong>staisi selkeästi relevanttien<br />
muuttujien määrän. Prosenttiluku kertoo, paljonko saavutettavissa olevasta maksimivariaatiosta saavutetaan<br />
tällä muuttu<strong>ja</strong>määrällä.<br />
PCA O2 1.mittauksen estimaatti verrattuna mittauksiin<br />
2<br />
Measured<br />
PCA<br />
1.5<br />
1<br />
O2 pitoisuus<br />
0.5<br />
0<br />
0.5<br />
1<br />
1.5<br />
100 150 200 250 300<br />
min<br />
Kuva 24 Estimaatti ei pysty mallintamaan O2 pitoisuutta savukaasuissa<br />
21
PCA CO estimaatti verrattuna mittauksiin<br />
4.5<br />
4<br />
Measured<br />
PCA<br />
3.5<br />
CO pitoisuus<br />
3<br />
2.5<br />
2<br />
1.5<br />
1<br />
0.5<br />
0<br />
0.5<br />
550 600 650 700<br />
min<br />
Kuva 25 Estimaatti ei pysty mallintamaan CO pitoisuutta savukaasuissa<br />
PCA malli halutusta muuttu<strong>ja</strong>sta<br />
2<br />
Measured<br />
PCA<br />
1<br />
0<br />
1<br />
2<br />
3<br />
700 750 800 850<br />
Kuva 26 Jatkuvasti päivittyvä malli pystyy jollain tasolla mallintamaan O2 pitoisuutta savukaasussa<br />
22
PCA malli halutusta muuttu<strong>ja</strong>sta<br />
5<br />
4<br />
Measured<br />
PCA<br />
3<br />
2<br />
1<br />
0<br />
1<br />
2<br />
3<br />
1150 1200 1250 1300 1350<br />
Kuva 27 Päivittyvä malli pystyy mallintamaan CO pitoisuutta savukaasuissa<br />
Projektityötä varten tehty hyvyysfunktio laskee jokaisen <strong>mittaus</strong>pisteen <strong>ja</strong> mallin tuottaman<br />
estimaatin erotuksen neliöiden keskiarvon. Lisäksi jos erotus on samanmerkkinen peräkkäisillä<br />
pisteillä, funktio rankaisee kasvattamalla virhettä. Täydellisen mallin hyvyysluku on 0.<br />
Hyvyysluku ei ole ainakaan suoraan vertailukelpoinen eri prosessidatojen välillä varsinkin jos<br />
näytteenottotaajuus on eri. Hyvyysluvut esitetään taulukossa 1. Taulukossa ei ole staattisen<br />
mallin arvo<strong>ja</strong> CO eikä O2 pitoisuuksille, koska staattinen malli ei onnistu niiden estimoinnissa<br />
lainkaan.<br />
NOx päästö on muista mallin outputeista poikkeava siinä mielessä, että jo staattinen malli<br />
onnistui estimoimaan sitä kohtuullisella tarkkuudella, kuten kuvasta 28 näkyy. Kuvassa 28 on<br />
käytetty 7. asteen mallia. Eron huomaa kun siirrytään viidennen asteen malliin, jota käytetään<br />
kuvassa 29. Kuvan 29 mallin hyvyysluku on hieman pienempi kuin kuvan 28. Päivittyvä malli<br />
tuo selvän parannuksen estimaatin hyvyyslukuun kuten nähdään taulukossa 1. Kuvat 30 <strong>ja</strong> 31<br />
havainnollistavat staattisen <strong>ja</strong> päivittyvän estimaatin ero<strong>ja</strong>.<br />
23
PCA NOx estimaatti verrattuna mittauksiin<br />
4<br />
Measured<br />
PCA<br />
3<br />
NOx pitoisuus<br />
2<br />
1<br />
0<br />
1<br />
300 350 400 450 500 550 600 650<br />
min<br />
Kuva 28 Kuvan estimaatissa on käytetty 7. asteen mallia<br />
PCA NOx estimaatti verrattuna mittauksiin<br />
4<br />
Measured<br />
PCA<br />
3<br />
NOx pitoisuus<br />
2<br />
1<br />
0<br />
1<br />
2<br />
300 350 400 450 500 550 600 650<br />
min<br />
Kuva 29 Kuvassa oleva viidennen asteen mallin tuottama estimaatti on hieman tarkempi, mutta ero<strong>ja</strong> on vaikea<br />
huomata<br />
24
PCA NOx estimaatti verrattuna mittauksiin<br />
3<br />
2.5<br />
Measured<br />
PCA<br />
2<br />
NOx pitoisuus<br />
1.5<br />
1<br />
0.5<br />
0<br />
0.5<br />
1<br />
1.5<br />
760 780 800 820 840 860 880<br />
min<br />
Kuva 30 Staattinen malli ylittää <strong>mittaus</strong>arvon selkeästi<br />
2<br />
1.5<br />
PCA malli halutusta muuttu<strong>ja</strong>sta<br />
Measured<br />
PCA<br />
1<br />
0.5<br />
0<br />
0.5<br />
1<br />
1.5<br />
1340 1360 1380 1400 1420 1440 1460 1480<br />
Kuva 31 Päivittyvä malli onnistuu seuraamaan NOx <strong>mittaus</strong>ta selvästi paremmin<br />
25
PCA CO O2 NOx<br />
7. asteen staattinen malli x x 0,8987<br />
5. asteen staattinen malli x x 0,8857<br />
5. asteen päivittyvä malli 0,8164 0,8686 0,1768<br />
PLS<br />
4. asteen staattinen malli x x 0,877<br />
4. asteen päivittyvä malli 3,4655 0,7768 0,1787<br />
Taulukko 1 Mallien hyvyysluku<strong>ja</strong><br />
Staattinen PLS regressiomalli tuotti yhtä huonon tuloksen CO <strong>ja</strong> O2 mittauksien estimoinnissa<br />
kuin PCA regressio. Kuvista katsottaessa NOx malli näyttää yhtä hyvältä sekä PCA, että PLS<br />
regressioilla. Hyvyysluvut ovat myös hyvin lähellä toisiaan, kuten taulukosta 1 näkyy. PCA on<br />
aavistuksen parempi NOx estimoinnissa <strong>ja</strong> PLS on parempi O2 estimoinnissa. CO estimoinnissa<br />
on selkeä ero PCA mallin eduksi. Tämä voisi indikoida sitä, että CO ei korreloi suoraan minkään<br />
inputin kanssa, mutta niiden variansseista löytyy tietoa kyseisestä muuttu<strong>ja</strong>sta.<br />
Silmämääräisen analyysin perusteella voidaan sanoa mallin pitävän hyvin paikkaansa jos<br />
hyvyysluku on alle 0,5.<br />
Sekuntidatan regressioanalyysissä käytetään pitkälti samo<strong>ja</strong> input muuttujia kuin<br />
minuuttidatalla: Tulipesän paine vasen, tulipesän paine oikea, sekundääriilman paine,<br />
leijuilmamäärä, sekundääriilman virtaus vasemmalta <strong>ja</strong> oikealta, tertiääriilman virtaus<br />
vasemmalta <strong>ja</strong> oikealta, 3 tulipesän lämpötila<strong>mittaus</strong>ta sekä 6 petilämpötilan <strong>mittaus</strong>ta.<br />
Mittauksia on yhteensä 17. Output muuttu<strong>ja</strong>t ovat kolme happi<strong>mittaus</strong>ta, CO <strong>mittaus</strong> <strong>ja</strong> NOx<br />
<strong>mittaus</strong>. PCA mallin suurin asteluku on siis 17 <strong>ja</strong> PLS mallin 5. Suuren inputmäärän vuoksi<br />
kokeilin myös karsia input määrää kahdeksaan. Poistin inputeista 3 petilämpötilan <strong>mittaus</strong>ta 2<br />
tulipesän lämpötila<strong>mittaus</strong>ta, sekundääriilman painemittauksen, toisen sekundääri <strong>ja</strong><br />
tertiääriilman virtausmittauksesta <strong>ja</strong> toisen tulipesän painemittauksen.<br />
Minuuttidatasta poiketen staattinen PCA regressiomalli pystyi mallintamaan jollain<br />
tarkkuudella O2 <strong>ja</strong> CO mittauksia kuten kuvista 32 <strong>ja</strong> 33 näkyy. Tosin CO mittauksen<br />
seuraaminen on varsin heikkoa. Vastaavat tulokset saatiin myös PLS regressiolla. Kuvissa<br />
käytetään 15. asteen mallia. Staattinen malli pystyy seuraamaan NOx päästö<strong>mittaus</strong>ta<br />
kohtuullisen hyvin(kuva 34), kuten jo minuuttidata osoitti. Kuvissa 35, 36 <strong>ja</strong> 37 näkyvät<br />
päivittyvät PCA mallit toimivat varsin hyvin. Näiden hyvyysluku pienenee selvästi verrattuna<br />
staattisiin malleihin, kuten taulukosta 2 näkyy. Päivittyvän mallin tuottamassa estimaatissa on<br />
usein varsin voimakasta heilahtelua. Tätä voi kor<strong>ja</strong>ta ottamalla malli pidemmältä aikaväliltä,<br />
mutta tällöin malli ei seuraa nopeita muutoksia niin hyvin.<br />
26
5<br />
4<br />
PCA O2 2.mittauksen estimaatti verrattuna mittauksiin<br />
Measured<br />
PCA<br />
3<br />
2<br />
O2 pitoisuus<br />
1<br />
0<br />
1<br />
2<br />
3<br />
4<br />
5<br />
0 1000 2000 3000 4000 5000 6000<br />
s<br />
Kuva 32Staattinen PCA regressio pystyy mallintamaan happi<strong>mittaus</strong>ta jollain tarkkuudella<br />
14<br />
12<br />
10<br />
8<br />
PCA CO estimaatti verrattuna mittauksiin<br />
Measured<br />
PCA<br />
CO pitoisuus<br />
6<br />
4<br />
2<br />
0<br />
2<br />
4<br />
6<br />
0 1000 2000 3000 4000 5000 6000<br />
s<br />
Kuva 33 Staattinen malli pysy huonosti CO mittauksen perässä<br />
27
8<br />
6<br />
PCA NOx estimaatti verrattuna mittauksiin<br />
Measured<br />
PCA<br />
4<br />
NOx pitoisuus<br />
2<br />
0<br />
2<br />
4<br />
0 1000 2000 3000 4000 5000 6000<br />
s<br />
Kuva 34 Staattinen PCA estimaatti pysyy suhteellisen hyvin NOx mittauksen perässä<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
1<br />
2<br />
3<br />
4<br />
PCA malli halutusta muuttu<strong>ja</strong>sta<br />
Measured<br />
PCA<br />
5<br />
3.55 3.6 3.65 3.7 3.75 3.8 3.85 3.9<br />
s<br />
x 10 4<br />
Kuva 35 Päivittyvä PCA estimoi O2 <strong>mittaus</strong>ta hyvin<br />
28
PCA malli halutusta muuttu<strong>ja</strong>sta<br />
14<br />
12<br />
Measured<br />
PCA<br />
10<br />
8<br />
6<br />
4<br />
2<br />
0<br />
2<br />
4<br />
6<br />
3.5 3.55 3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95<br />
s<br />
x 10 4<br />
Kuva 36 Päivittyvä PCA malli pystyy seuraamaan CO <strong>mittaus</strong>ta, mutta siinä esiintyy ei toivottua värähtelyä.<br />
PCA malli halutusta muuttu<strong>ja</strong>sta<br />
4<br />
Measured<br />
PCA<br />
2<br />
0<br />
2<br />
4<br />
6<br />
3.5 3.6 3.7 3.8 3.9 4<br />
s<br />
x 10 4<br />
Kuva 37 Päivittyvä PCA malli seuraa NOx pitoisuutta hyvin<br />
29
PCA O2 CO Nox<br />
17 input muuttu<strong>ja</strong>a: 12. asteen<br />
staattinen malli 2,091 5,207 1,061<br />
17 input muuttu<strong>ja</strong>a: 15. asteen<br />
staattinen malli 2,234 5,081 0,930<br />
17 input muuttu<strong>ja</strong>a: 17. asteen<br />
staattinen malli 2,248 5,168 0,945<br />
17 input muuttu<strong>ja</strong>a: päivittyvä 15.<br />
asteen malli 0,334 1,939 0,403<br />
8 input muuttu<strong>ja</strong>a: staattinen malli 2,124 4,665 1,021<br />
8 input muuttu<strong>ja</strong>a: päivittyvä malli 0,391 1,389 0,394<br />
Taulukko 2 PCA mallien tuottamia hyvyysluku<strong>ja</strong>. Muuttujien vähentämisellä onnistuttiin parantamaan CO <strong>ja</strong> NOx<br />
estimaatte<strong>ja</strong>. Mallin asteluvulla ei ollut suurta merkitystä tuloksiin<br />
Pienentämällä input muuttujien määrää onnistuttiin parantamaan sekä CO, että NOx<br />
estimointia. O2 estimaatin tulos on kuitenkin parempi suuremmalla muuttujien määrällä. Tätä<br />
saattaa selittää jollain tavalla se, että O2 <strong>mittaus</strong> si<strong>ja</strong>itsee heti kattilan jälkeen, mutta CO <strong>ja</strong><br />
NOx mittaukset ovat vasta piipussa. Piipussa olevien <strong>mittaus</strong>ten kannalta ei ole merkitystä<br />
tuleeko ilma kattilaan vasemmalta vai oikealta reunalta, koska savukaasu on ehtinyt sekoittua.<br />
PLS regression tuottamat kuvaa<strong>ja</strong>t ovat pitkälti samanlaisia kuin PCA regression avulla saadut,<br />
eikä niissä löydy silmämääräisesti ero<strong>ja</strong>. Taulukossa 3 olevat hyvyyslukutulokset osoittavat<br />
kohtuullisen selkeästi, että PCA regression avulla saadut tulokset ovat jonkin verran parempia<br />
muutamaa poikkeusta lukuun ottamatta. Tämä tulos on samansuuntainen minuuttidatan<br />
avulla saadun tuloksen kanssa. Molemmilla menetelmillä saadaan hyviä tuloksia varsinkin NOx<br />
pitoisuutta ennustettaessa. Eri näytteenottotaajuuden takia hyvyyslukutuloksia ei voida<br />
vertailla minuuttidatan kanssa.<br />
PLS O2 CO Nox<br />
17 input muuttu<strong>ja</strong>a: 5. asteen<br />
staattinen malli 2,222 4,464 1,349<br />
17 input muuttu<strong>ja</strong>a: 3. asteen<br />
staattinen malli 2,061 4,460 1,311<br />
17 input muuttu<strong>ja</strong>a: päivittyvä 3.<br />
asteen malli 0,649 1,716 0,585<br />
8 input muuttu<strong>ja</strong>a: staattinen malli 1,900 4,514 1,292<br />
8 input muuttu<strong>ja</strong>a: päivittyvä malli 0,696 1,812 0,617<br />
Taulukko 3 Eri PLS mallien tuottamia hyvyysluku<strong>ja</strong><br />
5. Yhteenveto<br />
Työssä käytössä olleiden prosessidatapakettien perusteella voi sanoa, että tulipesän palamista<br />
on mahdollista havainnoida käyttämällä tulipesän omia mittauksia. Kumpikin käytetty<br />
menetelmä vaatii paljon <strong>ja</strong>tkokehitystä, jotta niitä voisi soveltaa käytäntöön. Taajuusanalyysin<br />
tuloksia voidaan pitää epävarmoina, koska minuuttidatasta ei löytynyt taajuusspektrien avulla<br />
mitään <strong>ja</strong> sekuntidatassa ei ollut tarpeeksi sopivia päästöjen muutostilanteita. Todennäköisesti<br />
vasta näytteenottotaajuutta nostamalla päästään palamiseen liittyviin nopeisiin ilmiöihin<br />
kiinni. Kaikki tässä työssä taajuusanalyysillä havaitut taajuudet olivat suhteellisen alhaisia.<br />
Regressioanalyysin tulokset ovat varsin lupaavia <strong>ja</strong> erityisesti NOx päästöjä pystytään<br />
ennustamaan päivittyvällä regressiomallilla varsin tarkasti. Tässä työssä ongelmana oli<br />
30
<strong>mittaus</strong>ten dynamiikan hitauden tuntemattomuus <strong>ja</strong> päästömittauksiin liittyvä tuntematon<br />
viive. Jos nämä kaikki tekijät pystytään ottamaan huomioon mallia tehdessä, niin tulokset<br />
paranevat selkeästi. Minuuttidatassa mittareiden dynamiikalla on pienempi merkitys, joten<br />
sitä käytettäessä saatiin aikaan tarkemmat mallit. Toinen keino tulosten parantamiseen on<br />
käyttää vain oleellisia muuttujia malleihin. Muuttujien karsimisen huono puoli on se, että<br />
palamisen muutoksen syy saattaa olla jossain muuttu<strong>ja</strong>ssa, jota ei käytetä mallissa. Siksi<br />
saattaa olla järkevää jättää malliin myös osittain redundantte<strong>ja</strong> muuttujia.<br />
31