Estimation of Urea Dosage in an SCR Unit

Impositions of increasingly stringent restrictions on the harmful emissions of nitrogen oxides (NOx) from combustion engines have popularized the use of chemical exhaust gas treatment in the form of selective catalytic reduction (SCR). This method requires the addition of ammonia (NH3) as reducing agent, although the precursor urea (CO(NH2)2) is commonly used, in order to avoid the safety concerns associated with pure NH3. Accurate urea dosing is important from both an environmental and financial perspective. A common problem in urea dosing systems is decreased dosing accuracy when the urea flow demand is low, due to unreliable urea flow rate measurements. The objective of this thesis was therefore to develop a model-based estimator capable of accurately predicting the urea flow to the SCR. A physics-based nonlinear model was derived for Wärtsilä’s urea dosing system, while a linearized version was developed as well, to explore the possibility of using a linear estimator. This option was later ruled out, as the linearized model approximated the nonlinear model rather poorly. Consequently, the applied nonlinear estimators were based on the extended Kalman filter (EKF), and augmented with the capacity to estimate unknown inputs. To determine the unknown model parameters, linear regression was performed on process data supplied by Wärtsilä. The achieved accuracy was unsatisfactory, in large part due to non-ideal behavior, in the form of hysteresis and deadband, exhibited by the valves in the system. Although attempts at modelling these phenomena were made, no solution was found due to time constraints. As fitting the model to data proved problematic, no extensive validation on separate datasets could be performed. The performance of the developed estimators was promising, as they produced accurate estimates under the influence of disturbances in the flow sensor and dosing valve actuator, respectively, provided an accurate model. Before the estimator performance can be validated on actual process data, the model will nonetheless have to be improved upon, by accounting for the observed non-ideal valve behavior in an appropriate manner.----------- Vid förbränning av fossila bränslen bildas, tillsammans med andra förorenande ämnen, kväveoxider (NOX) till följd av reaktioner mellan både luft- och bränslebundet kväve samt luftens syre. Eftersom kväveoxidutsläppens skadliga inverkan på både hälsan [3, 4] och miljön [5] är väldokumenterad, har progressivt striktare utsläppsgränser tillämpats. I dieselmotorer kunde tidigare utsläppsmål i allmänhet uppnås genom s.k. primära metoder [9], med vilka reaktionsförhållandena inuti själva motorn justeras för att minska på andelen NOX i avgaserna. För att underskrida senare utsläppsgränser krävs däremot separat behandling av motorns avgaser, s.k. sekundära metoder. Av dessa är selektiv katalytisk reduktion (SCR) industristandard. Som namnet tyder på baserar sig dess funktionsprincip på reduktion av NOX till kväve och vatten över en katalysator genom tillsats av ammoniak (NH3) som reducerande medel. Av säkerhetsskäl används däremot ofta en vattenlösning av prekursorn urea (CO(NH2)2) istället för ren ammoniak. I och med att varken för stor eller för liten tillförsel av urea till katalysatorn är önskvärd är det viktigt att ureadoseringen regleras noggrant. I regel uppnås detta med en regulator som strävar efter att minimera avvikelsen mellan det uppmätta flödet till katalysatorn och ett börvärde som bestäms utifrån kännedom av andra processvariabler. Vid låga flöden är noggrann dosering däremot svår, eftersom mätvärdena från flödesmätaren är mindre tillförlitliga. Syftet med detta diplomarbete är därför att ta fram en dynamisk modell för ett ureadoseringssystem, och använda modellen som grund för en potentiellt mera tillförlitlig flödesestimator. I Wärtsiläs doseringssystem, på vilket modellen baseras, finns ur ett modellerings-perspektiv tre enheter av särskilt intresse, nämligen pumpen, doseringsventilen och tryckregulatorventilen (BPR). Pumpen transporterar urealösningen från en för-varingstank. Doseringsventilen, vars öppningsläge styrs av den tidigare nämnda regulatorn, reglerar andelen av det pumpade flödet som styrs vidare till katalysatorn. Den resterande urean återcirkuleras till tanken genom tryckregulatorventilen, med vilken trycket i systemet också justeras. För att modellera flödet genom både pumpen och doseringsventilen tillämpas mekanikens grundlagar, medan en modell härledd av Hős m.fl. [34] [35] tillämpas för tryckregulatorn. Den fullständiga modellen för doseringssystemet innehåller flera okända parametrar som kan anpassas till data. För att möjliggöra tillämpning av modellen som basis för en estimator krävs flera åtgärder. Eftersom teorin bakom tillståndsestimering är mera utvecklad och lättare att implementera för linjära modeller, linjäriseras modellen genom Taylorexpansion. Diskrettidsrepresentationer av både den olinjära och linjäriserade modellen tas också fram för att möjliggöra datorimplementering. Dessutom omskrivs modellerna som tillståndsmodeller. Kalmanfiltret, som är den optimala tillståndsestimatorn för linjära system vars mät- och processbrus är vitt och normalfördelat, används för att estimera doseringsflödet. Före den ändamålsspecifika estimatorn presenteras behandlas både Kalmanfiltrets teoretiska bakgrund och praktiska implementering. Redan i ett tidigt skede observerades att den linjäriserade modellen inte approximerar den olinjära modellen väl. Därför används mera precist en tillämpning av det linjära Kalmanfiltret på den olinjära modellen (Extended Kalman filter). För att få bättre estimat vid låga flöden testas ett EKF som estimerar okända störningar i flödesmätaren, medan ett motsvarande filter också utvecklas för estimeringen av okända störningar i reglerventilens ställdon. För att testa modellens prestanda jämförs den i Simulink och MATLAB med data insamlade vid Wärtsiläs SCR-testanläggning. I sin nuvarande form avviker modellens resultat tydligt från data, speciellt i avseende på flödesmätningarna. Detta beror till stor del på att ventilerna i systemet uppvisar icke-idealt beteende. För att ta doseringsventilen som exempel, modelleras förhållandet mellan insignal och utsignal, dvs. ventilläge och doseringsflöde, som linjärt och entydigt. Data tyder däremot på att förhållandet i det riktiga systemet är olinjärt och riktningsberoende. Även om detta fenomen observerades i ett tidigt skede av projektet, sågs dess stora inverkan på resultaten i ett så pass sent skede att ingen fungerande lösning på problemet hittades. I ett försök som presenteras var idén att med logik bestämma huruvida en given insignal till doseringsventilen leder till ett större, mindre eller oförändrat verkligt ventilläge. Bra resultat uppnåddes då manuella steg i insignalen utfördes, medan en PI-reglerad insignal orsakade problem. Ett annat icke-idealt beteende som försvårar modelleringen är att doseringsventilen inte öppnar då insignalen till ventilen överskrider 0 %, utan vid ca 40–50 %, beroende på trycket i systemet. Modellen justerades för att simulera detta beteende, men det finns orsak att vara skeptisk när det gäller modellens förmåga att imitera detta beteende när systemet körs under andra förhållanden än då de använda data insamlades. Som slutsats angående modellens prestanda kan det konstateras att ventilernas icke-ideala beteende måste tas i beaktande på ett bättre sätt för att i första hand kunna anpassa modellen till data och därefter validera modellen mot andra data. Eftersom modellen ännu inte uppvisar önskad noggrannhet kan heller ingen omfattande validering av de utvecklade estimatorerna genomföras. För att preliminärt testa deras prestanda används istället för riktiga processdata konstgjorda mätdata som jämförelse. Dessa genereras genom att tillsätta vitt brus och andra störningar till modellens utsignaler. Varianten av EKF som tar störningar i flödessensorn i beaktande ger goda estimat vid låga flöden. Likväl uppvisar den andra varianten av EKF god förmåga att kompensera för okända störningar i doseringsventilens ställdon. De bägge varianternas prestanda jämförs dessutom med standardversionen av EKF, som har svårigheter med att ge noggranna estimat då okända störningar påverkar systemet. Nästa steg är att validera estimatorerna mot riktiga processdata, men innan det är möjligt måste den underliggande modellen förbättras ytterligare