Machine learning based estimation and measurement anomaly detection of NOx emissions in natural gas fired boilers

The continuously stringent emission regulations on nitrogen oxides (NOx) require the installation and operation of several longlife sensors for the continuous monitoring of the mentioned substance. Due to the inherent characteristics of the devices and the operative environments where these probes are installed, the resulting data may drastically deviate wrong readings. The present thesis is focused on proposing and implementing, through data-driven modeling methodologies, an automatic fault detection system dedicated to the emission measurement system of natural gas fed boilers. Initially, a detailed data exploration analysis is conducted on the set of historical data of the selected case studies. The latters are two Combined Heat and Cool- ing Power Plants (CCHP) installed in Milan municipality and are both equipped with industrial scale internal combustion engines and natural gas fed boilers aiming at distributing heating and electrical power. Next, the development of regression models capable of estimating with great accuracy the level of nitrogen oxide emissions are generated in the aforementioned applications. The proposed models aim at investigating the influence of the model dependency variables. Furthermore, an improved NOx estimation model, described by a sub-set of input variables is finally proposed. It is also worth noticing that the mentioned model with reduced input dimensionality, implies the accurate estimation of NOx emission on thermal related inputs, thus avoiding the presence of more technically challenging continuous emission monitoring system. Then, a fault detection method is developed exploring the discrepancy between the recorded data and model estimations. The real time diagnostics prevents sensor malfunctions from easily going undetected for long periods of time, and adversely affect the emission averages of the plants. The model allows to reduce the undesired events described by excessive NOx concentration in the flue gases and therefore helps to avoid potential emission penalties.

Le sempre più stringenti normative riguardanti le emissioni di ossidi di azoto (NOx) richiedono l’installazione e l’esercizio di numerosi sensori a lunga durata per il monitoraggio continuo di queste sostanze. A causa delle caratteristiche intrinseche dei dispositivi e degli ambienti operativi i sensori possono diventare difettosi e fornire letture errate. La presente tesi è focalizzata sulla proposta e l’implementazione di tecniche basate sull' apprendimento automatico per il rilevamento dei guasti nei sistemi di misurazione delle emissioni di unità di combustione alimentati a gas naturale. Inizialmente è stata condotta un dettagliata esplorazione dei dati di due casi studio selezionati. Sono stati analizzati due impianti cogenerativi (CCHP) nell’area di Milano, entrambi dotati di motori industriali a combustione interna e caldaie alimentati a gas naturale, per la generazione di calore ed elettricità. Successivamente sono stati sviluppati diversi modelli di regressione in grado di stimare con grande precisione il livello di emissioni di ossido di azoto generato nei casi citati. L’obbiettivo di questa fase è quello di investigare l’influenza dalle variabili sul modello predittivo. Inoltre, viene proposto un modello di stima degli NOx migliorato, che fa ricorso solo a un sottoinsieme delle variabili di input. Vale anche la pena notare che il modello menzionato a ridotta dimensionalità porta a una stima accurata, basata solo sui dati termici delle macchine, evitando così la presenza di un sistema di monitoraggio continuo delle emissioni tecnicamente più impegnativo. Un metodo di rilevamento automatico dei guasti `e stato poi sviluppato, analizzando la discordanza tra i dati registrati del sensore e le stime del modello. Questo sistema diagnostico istantaneo impedisce che i malfunzionamenti passino inosservati per lunghi periodi di tempo e influiscano negativamente sul calcolo delle medie emissive degli impianti. Il modello permette di ridurre eventi citati di eccessiva concentrazione degli inquinanti nei gas di scarico e quindi evita di incorrere in potenziali sanzioni.