Utvikling og vurdering av virtuelle sensorer for Søndre Follo Renseanlegg

Abstract

Kontroll av vannkvalitet for forurensningsparametere baserer mye på manuelle analyser. Dette kan være veldig kostbart og tidskrevende. Dersom det finnes det automatiseringsprosess så vil det spare både tid og penger. Det allerede finnes fysiske sanntidssensorer for enklere parametere, men forurensingsparametere som KOF, N og P er det veldig kostbart og nødvendigvis er ikke disse sensorene noe nøyaktige. For å utvikle denne automatiseringsprosessen så kom man opp med å utvikle «virtuelle sensorer». Virtuelle sensorer baserer seg på algoritmiske modeller utviklet ved å samle inn vannprøver som brukes til datapunkter for en estimeringsmodell. Dersom denne modellen har en tilfredsstillende korrelering så kan man benytte algoritmen til å estimere forurensingsparameterne. I vårt utgangspunkt så tok man tilsvarende for hver time i en ukedag eller hver andre time for i en helg. Prøvene ble samlet fra innløpet og utløpet til SFR (Søndre Follo Renseanlegg) Det ble utført 6 prøvedager, hvor 5 av dem var på en ukedag og den ene samlet prøver i løpet av en helg. Det vil at det ble ca. over 100 datapunkter for både innløp og utløp. Prøvene ble analysert for NH4 + (ammonium), TOF (totalt oksygenforbruk), filtrert og total KOF, Ortho-P, TP (total P), pH, turbiditet, konduktivitet og TSS (total suspendert stoff). Datasettet ble så behandlet statistisk for å teste korrelasjonene mellom vannparameterne, som så ble presentert i form av regresjonsmodeller. Resultatet viste seg å være middels egnet for innløpet og middels til godt egnet for utløpet. Regresjonsmodellene for NH4 ble best framvist og kunne best basere seg på en parameter, altså pH. Det gir jo mening ettersom NH4 er en base. For Ortho-P og KOF derimot så ble det høy middels korrelering i både utløp og innløp. Det kan vurderes å utvilke bedre dersom en større kvantitativ samling av data hadde blitt utført. Dette hadde mest sannsynlig skapt en bedre korrelasjon og mer en nøyaktig estimeringskurve. Målet med denne oppgaven er å utvikle et verktøy som estimere forurensingsparametere med lav usikkerhet og som er kostnadseffektiv og mindre tidskrevende. For videre arbeid anbefaler jeg en mer kvantitet samlag med prøver over en lengre periode. Videre er det fortsatt potensial til å utvikle modellene fra dette forsøket.

Control of water quality for pollution parameters is largely based on manual analyses. This can be very costly and time consuming. If there is an automation process, then it will save both time and money. There are already physical real-time sensors for simpler parameters, but pollution parameters such as KOF, N and P are very expensive, and these sensors are not necessarily accurate. To develop this automation process, we came up with developing "virtual sensors". Virtual sensors are based on algorithmic models developed by collecting water samples that are used for data points for an estimation model. If this model has a satisfactory correlation, then one can use the algorithm to estimate the pollution parameters. In our starting point, they took the equivalent for every hour on a weekday or every other hour for a weekend. The samples were collected from the inlet and outlet to SFR (Søndre Follo Wastewater Treatment Plant). 6 test days were performed, where 5 of them were on a weekday and one collected samples during a weekend. This means that it was approx. over 100 data points for both inlet and outlet. The samples were analysed for NH4 + (ammonium), TOF (total oxygen consumption), filtered and total KOF, Ortho-P, TP (total P), pH, turbidity, conductivity and TSS (total suspended matter). The data set was then processed statistically to test the correlations between the water parameters, which were then presented in the form of regression models. The result turned out to be medium suitable for the inlet and medium to well suited for the outlet. The regression models for NH4 were best presented and could best be based on a parameter, ie pH. It makes sense since NH4 is a base. For Ortho-P and KOF, on the other hand, there was a high medium correlation in both outlet and inlet. It can be considered to develop better if a larger quantitative collection of data had been performed. This would most likely have created a better correlation and more of an accurate estimation curve. The aim of this thesis is to develop a tool that estimates pollution parameters with low uncertainty and that is cost-effective and less time-consuming. For further work, I recommend a more quantity of intercourse with samples over a longer period. Furthermore, there is still potential to develop the models from this experiment.