Development of a soft sensor for monitoring product gas composition in a dual fluidized bed gasifier

Abstract

Biomassevergasung gewinnt vor dem Hintergrund steigender Nachfrage nach regenerativer Energie und grünen Chemikalien zunehmend an Bedeutung. In diesem Zusammenhang bietet die Zweibett-Wirbelschichtvergasung deutliche Vorteile gegenüber anderen Verfahren, wie beispielsweise die Abwesenheit von Stickstoff im Produktgas, welcher eine Verdünnung darstellt und damit den Heizwert des Produktgases senkt.Dampf-Vergasungsprozesse werden üblicherweise anhand von key performance indicators, wie dem Kaltgaswirkungsgrad oder der Wasserkonversion beschrieben. Um den Betrieb hinsichtlich dieser Indikatoren optimieren zu können bedarf es allerdings der genauen Kenntnis des Wassergehalts im Produktgas. Dies stellt eine gewisse Herausforderung dar, da gängige Analysemethoden für die Produktgaszusammensetzung den Wassergehalt nicht erfassen können, sodass spezielle Messgeräte eingesetzt werden müssen. Andere Methoden, den Wassergehalt zu bestimmen umfassen die manuelle Probenahme und anschließende Analyse im Labor, wobei die Ergebnisse erst mit erheblichem Zeitverzug und nur punktuell zur Verfügung stehen. Prozesssimulationssoftware kann zwar zum Verständnis des Prozesses beitragen, erfordert allerdings erhebliche Rechenleistung und ist daher weniger geeignet um Echtzeitdaten für die Anlagenregelung zu liefern.Softsensoren sind demgegenüber in der Lage, auf Basis von Modellen oder rein datengestützt, Schätzwerte für Prozessparameter zu liefern, die messtechnisch nur schwer zugänglich sind. Dieser Ansatz ist in der Prozessindustrie bereits seit langem etabliert, allerdings wurden bisher keine Beispiele für die konkrete Aufgabe, den Wassergehalt des Produktgases in Biomassevergasungsprozessen zu bestimmen, beschrieben. Dies gilt insbesondere für die Anwendung in einem Zweibett-Wirbelschichtverfahren.Im Rahmen dieser Arbeit wird die Entwicklung eins Softsensors vorgestellt, der insbesondere die Messungen der trockenen Produktgaszusammensetzung um Schätzungen des Wassergehalts ergänzt. Die Identifikation des Vergasungsreaktors stützt sich auf Prozessdaten einer Reihe von Testläufen der Zweibett-Wirbelschichtanlage der TU Wien. Das Reaktorsystem wird dabei durch ein Hammersteinmodell abgebildet.Dieser Modellansatz betont die nichtlinearen statischen Zusammenhänge, welche von der Systemdynamik getrennt behandelt werden. Das Hammersteinmodell stellt die Prädiktion für ein Extended Kalman-Filter bereit, welches die Daten dreier Messgeräte für den Korrekturschritt nutzt: ein Analyzer und ein GC (Gaschromatographie)-Gerät für die Bestimmung der Produktgaszusammensetzung und ein weiterer Analyzer, welcher die Abgaszusammensetzung aus dem Verbrennungsreaktor misst. Hierbei werden die GC-Daten besonders behandelt, da diese nur mit erheblicher Zeitverzögerung zwischen Probenahme und Bereitstellung der Datenverfügbar sind. Der Softsensor nutzt die hohe Güte der GC-Daten in erster Linie um Modellkorrekturen vorzunehmen, die in Form von Störgößen auf zukünftige Prädiktionen wirken. Um regelmäßig auftretende Fehler erkennen und isolieren zu können, verfügt der Softsensor über einen einfachen heuristischen Erkennungsmechanismus.Abschließend wird das Verhalten des Softsensors auf Grundlage eines Testlaufs ander Anlage analysiert und bewertet. Über die Dauer des Testlaufs lieferte der Softsensor exzellente Schätzungen für den Wassergehalt im Produktgas, wie anhand von Ergebnissen mehrerer Probenahmen gezeigt werden konnte. Fehlererkennung und -isolation konnten ebenfalls erfolgreich demonstriert werden, und fehlerhafte Messungen wurden entsprechend verworfen. In diesen Szenarien konnten aufgrund der Modellkorrekturen weiterhin solide Schätzungen der Produktgaszusammensetzung geliefert werden.Darüber hinaus konnten die Anforderungen hinsichtlich verfügbarer Rechenleistungdurchwegs eingehalten werden, insbesondere in Hinblick auf die Rechenzeit.Die Ergebnisse der vorliegenden Arbeit können in Zukunft genutzt werden, um Forschung und Entwicklung des Zweibett-Wirbelschichtverfahrens zur Biomassevergasung weiter voranzutreiben. Insbesondere im laufenden Betrieb kann der Prozess mithilfe des Softsensors auch hinsichtlich eingangs genannter Kenngrößen, wie dem Kaltgaswirkungsgrad, optimiert werden.

Biomass gasification is amatter of significant interest in light of the increasing demand for renewable energyand the production of green chemicals. In this context, the dual fluidized bed gasification process comes with key advantages compared to other approaches, such as the absence of nitrogen in the product gas, which would lower its heating value.Steam gasification processes are commonly evaluated based on several key performance indicators such as cold gas efficiency or water conversion. To optimize operation based on these indicators, however, a complete picture of the product gas composition is required, including water content and tars. This presents a challenge, as standard composition analysis equipment is unable to monitor the water content; instead, specialized instrumentation is required. Another approach is to conduct offline sampling, which comes with the downside of providing data only on a point-by-point basis. Process simulation software can also contribute to the understanding and development of the process; however, its computationally demanding nature limits its applicability, rendering it less suited for providing real-time data for plant control.Soft sensors, on the other hand, can provide model or data-driven estimates of process parameters that are otherwise difficult or costly to obtain. While, in general, soft sensors have long been used successfully in a range of industries, no implementation has been described to date concerning estimating full product gas composition including water content and tar production rate in biomass gasification or indeed a dual fluidized bed gasification plant.This work presents the development of a soft sensor to augment available measurements with a particular focus on the product gas water and tar contents. The soft sensor is based on an extended Kalman filter (EKF) which estimates the molar flow rates of the products of the gasification process. State prediction is provided by a Hammerstein model, which emphasizes the non-linear static relationships while using simple first-order dynamics to describe the time development of the system state. An online analyzer and a gas chromatography (GC) device for product gas analysis, as well as another analyzer for analysis of the flue gas generated in the combustion reactor, are available for state correction. The GC measurements are handled by extrapolation, as there is a significant time delay between sampling and the availability of data. An additional EKF is usedfor disturbance state estimation, with the objective of enhancing the model predictions, leveraging the accuracy of the GC measurements.Furthermore, a simple heuristic fault detection mechanism based on the EKF’s innovation sequence is implemented in order to address a frequently occurring type of fault at the plant.Finally, the performance of the soft sensor is evaluated based on a gasification testconducted at TU Wien. During the test, the soft sensor demonstrated excellent estimates of the product gas water content, which were verified by offline sampling and compared to process simulation results. The fault detection and isolation also proved to work well, as demonstrated by the fact that erroneous measurements were discarded by the soft sensor, as required. During these fault periods, the soft sensor continued to provide reliable estimates of the product gas composition, indicating that the model correction using disturbance states is an appropriate approach to handling constraints resulting from limited knowledge of underlying physical processes. Additionally, the soft sensor demonstrated its ability to meet the required computational performance standards, particularly interms of the available computation time.This work will therefore aid in further research and development of the dual fluidized bed process. In particular, the optimization of the plant operation via plant control software will benefit from additional information provided by the soft sensor. Beyond the specific implementation, the general approach of combining limited knowledge of the underlying physical process with data-driven techniques in the modeling phase and established methods of sensor fusion and fault detection may be applied to other types of processes as well, to augment available information for process development.