Risparmio Energetico: Liquicontrol per il trattamento delle acque reflue

Pubblicato il 30 ottobre 2013: http://automazione-plus.it/liquicontrol-per-il-trattamento-delle-acque-reflue/
.
Liquicontrol_CDC80

Il consumo di energia nella fase biologica è uno dei principali fattori di costo negli impianti di trattamento delle acque reflue. Ciò è dovuto principalmente alle soffianti d’ossigeno nel processo di aerazione. L’ottimizzazione di questo processo offre un enorme potenziale di risparmio energetico e di costi. Le soffianti di ossigeno sono spesso gestite in base al tempo o utilizzando solo una semplice forma di controllo dell’ossigeno. Pertanto spesso funzionano più a lungo del necessario con conseguente spreco di energia. Endress+Hauser offre una soluzione per ilcontrollo dinamico delle soffianti, in funzione del carico effettivo: Liquicontrol. Esso ottimizza i tempi operativi per i processi di nitrificazione e denitrificazione, riducendo al minimo il consumo energetico e i costi operativi. Inoltre, Liquicontrol assicura valori di uscita precisi e affidabili in ogni momento. L’ottimizzazione dei tempi di aerazione nella fase biologica consente di risparmiare energia e ridurre i costi.

Come sistema modulare e scalabile, Liquicontrol può essere utilizzato anche per l’eliminazione del fosfato. Le pompe dosatrici dei precipitanti vengono controllate in base al carico effettivo, offrendo significativi risparmi del costo dei precipitanti. Basata su un PLC e interfacce di segnale individuali, la nostra soluzione è disponibile in versione stand-alone o come una configurazione master-slave per impianti più grandi con più bacini di aerazione. Questo permette una semplice integrazione nel sistema di controllo di processo esistente e l’installazione di nuova strumentazione. Inoltre, la possibilità di accesso remoto consente un monitoraggio di processo flessibile ed efficace. Il personale dell’impianto ha il pieno controllo del processo di aerazione in ogni momento.

Grazie alla misura continua e alla validazione del segnale, Liquicontrol garantisce un funzionamento stabile e uno scarico dell’impianto entro i termini di legge. Nel caso di un valore misurato anomalo o di un funzionamento poco sicuro di una soffiante, il sistema commuta il loop di controllo ad una condizione di fail-safe, impostabile dal gestore, e invia messaggi di errore o di avvertimento. Le impostazioni di funzionamento dell’impianto originali possono essere ripristinati in qualsiasi momento tramite il selettore. Con Liquicontrol, il personale della centrale può passare tra la modalità automatica (intermittente o continua) e la modalità manuale in qualsiasi momento, garantendo massimo controllo in ogni momento.

Approccio Statistico “ANOVA” vs “Modelli di Conoscenza” nell’Analisi di Processi Biologici

A-KM METODOLOGIA DI APPROCCIO: Modelli di Conoscenza

La scelta della metodologia dei “Modelli di Conoscenza”, nasce dall’esigenza di controllare e ottimizzare la funzionalità di un processo complesso che, specialmente se presenta una sezione  “biologica” e input (carichi) variabili quali-quantitativamente nel tempo, non può essere assimilato ad un processo ciclico ripetitivo.

Pertanto, si sceglie in questi casi di non seguire un tradizionale approccio statistico (v. ANOVA– ANalysis Of VAriance), in quanto basato essenzialmente su dati storici e in genere molto costoso, preferendo un approccio più vicino agli esperti di processo, basato sulla “fusione” interdisciplinare tra dati rilevati e conoscenza degli esperti: i Modelli di Conoscenza.

Principi Base del Metodo basato sui Modelli di Conoscenza

a) Approccio Sistemico: realtà suddivisa in processi unitari (input/output), interagenti tra loro

b) Significatività e Rappresentatività delle Misure: è molto importante assicurarsi che i campioni oggetti di indagine siano realmente rappresentativi della realtà operativa o di classi di esse; pertanto le prove vanno eseguite definendo i parametri di caratterizzazione, come ad es.: Valore X = ¦[Xmin, Xmax, Xmed, X+freq, durata(X+freq)]

c) Modellazione delle Inferenze Input/Output: algoritmi di correlazione sistemica.

CONFRONTO METODOLOGIE PRO CONTRO

Modelli Statistici

 

  • Forniscono una analisi più oggettiva rispetto ai dati acquisiti (storici).

 

  • Metodologia più conosciuta.
  • Elaborano dati storici e quindi sono poco generalizzabili: interpretazione dei dati al passato.
  • Più costosi perché necessitano di numerose prove per realizzare un campione statistico rappresentativo
  • Risolvono gli errori e le discrepanze come Varianza Statistica e sulla base di Test Multifattoriali di Significatività (ANOVA – Analysis of Variance) non sempre generalizzabili.
  • Risultati  in Output in genere non generalizzabili e non migliorabili incrementalmente, se non a costo di ripetere l’intera analisi.
Modelli di Conoscenza
  • Interpretazione dei dati rispetto all’attualità operativa, perché si basano su dati il cui valore è quello derivante dall’esperienza operativa aggiornata come “media ragionata” (valore più frequente e plausibile).
  • Meno costosi perché basati su un numero di prove minimo necessario a definire le classi operative di funzionamento.-   Risolvono gli errori e le discrepanze attraverso la Cross-Correlation delle informazioni assunte e sulla base della propagazione della certezza.
  • Risultati in Output generalizzabili (per definizione) e migliorabili incrementalmente.
  • Forniscono una analisi più influenzabile dalla expertise degli operatori  che detengono la conoscenza.

 

  • Metodologia meno conosciuta.