Vorausschauende Emissionsüberwachung: maschinelles Lernen verbessert Emissionsanalyse

Regierungen und Umweltorganisationen gehen hart gegen Fabriken vor, die gegen Umweltgesetze verstoßen, und verhängen hohe Geldstrafen. Im Jahr 2021 wurden im Rahmen des zivilen Durchsetzungsprogramms der EPA Bußgelder in Höhe von 1,05 Mrd. USD wegen Nichteinhaltung von Umweltgesetzen verhängt. Umweltpolitische Maßnahmen haben auch dazu geführt, dass große umweltverschmutzende Industrien wie der Energiesektor, die Pharmaindustrie, die Landwirtschaft und andere ihre Luftemissionen genauer und kontinuierlicher messen und aufzeichnen müssen.

Die EU-Richtlinie über Großfeuerungsanlagen (Large Combustion Plant Directive, LCPD) schreibt vor, dass Kraftwerke mit einer Feuerungswärmeleistung von mehr als 50 Megawatt ihre Abgasemissionen kontinuierlich messen müssen. Die LCPD schreibt vor, dass pro Jahr nicht mehr als zehn Tage an Emissionsdaten verloren gehen dürfen, einschließlich der Tage, die für Wartungsarbeiten benötigt werden.

Die Bedeutung effizienter und zuverlässiger Instrumente zur Erfassung von Emissionsdaten kann aus Sicht eines Anlagenbetreibers nicht hoch genug eingeschätzt werden. Umweltauflagen können sich nicht nur auf die Produktion auswirken, sondern die Nichtlieferung von Emissionsdaten über einen längeren Zeitraum kann zu einer behördlich angeordneten Stilllegung der Anlage führen.

Die herkömmliche Methode zur Überwachung von Schadstoffemissionen war stark von hardwarebasierten Geräten und manueller Arbeit abhängig. Die vorausschauende Emissionsüberwachung ist jedoch eine mögliche Lösung, die von den Unternehmen als Alternative untersucht wird.

Was ist ein prädiktives Emissionsüberwachungssystem (PEMS)?

Ein System zur vorausschauenden Emissionsüberwachung (Predictive Emission Monitoring System, PEMS) ist ein System, das vorhandene Prozessdaten und statistische Methoden verwendet, um die Emissionen aus einem Produktionsprozess vorherzusagen. Es verwendet die Betriebsparameter einer Verbrennungsanlage, um ein Modell zu erstellen, das die Emissionen nach dem ersten Prinzip, mit statistischen Methoden oder mit Methoden des maschinellen Lernens vorhersagen kann.

In verschiedenen Anwendungen haben PEMS Emissionsüberwachungssysteme oder kontinuierliche Emissionsüberwachungssysteme (CEMS) ersetzt. PEMS sind in der Lage, Umweltemissionen wie NOx, CO, CO2 und SO2 aus gas- oder ölbefeuerten Kesseln, Reformern oder Gasturbinen genau vorherzusagen, ohne dass ein Hardware-Analysator, ein sogenanntes CEMS, erforderlich ist.

Vorausschauende Emissionsüberwachungssysteme liefern Echtzeitdaten über gefährliche Abfälle. Mit diesen Informationen können Probleme frühzeitig erkannt und Gegenmaßnahmen ergriffen werden, bevor die Schadstoffwerte die gesetzlichen Grenzwerte überschreiten. Ein PEMS kann Anlagen- oder Fabrikbesitzern helfen, ihre Emissionsziele effizienter zu erreichen, indem es die Strategie kontinuierlich überwacht und anpasst.

Drei Methoden bei der Entwicklung von PEMS-Software

PEMS verwendet hochentwickelte Computeralgorithmen, die künstliche Intelligenz und maschinelles Lernen nutzen. Die Methoden zur Entwicklung von PEMS können in drei Hauptkategorien eingeteilt werden.

1. Die Methode des ersten Prinzips

Es basiert auf analytischen physikalischen Gleichungen aus den Bereichen Thermodynamik, Kinetik, Massen- und Energiebilanz. Die Parameter der Gleichungen können angepasst werden, um eine genaue Übereinstimmung zwischen den Betriebsdaten und den entsprechenden Emissionen zu erzielen.

2. Statistische Methode

Diese Methode ermöglicht die quantitative Vorhersage von Emissionen auf der Grundlage von Beziehungen zwischen den wichtigsten industriellen Prozessen und den dabei entstehenden Schadstoffen.

3. Machine learning Methode

Diese Methode verwendet maschinelle Lernverfahren und -techniken, um hochpräzise Vorhersagemodelle auf der Grundlage von Betriebsparametern zu erstellen. Künstliche neuronale Netze (ANN) sind die am häufigsten verwendeten maschinellen Lernalgorithmen für die Entwicklung eines vorausschauenden Emissionsüberwachungssystems.

Im Gegensatz zu statistischen Methoden werden beim maschinellen Lernen Lernalgorithmen eingesetzt, um Muster in historischen, gepaarten Betriebs- und Emissionsdaten zu finden, die dann zur Vorhersage zukünftiger Schadstoffwerte verwendet werden können. PEMS ist eines der ersten Beispiele für KI-Anwendungen in der Umweltüberwachung.

Sowohl statistische als auch maschinelle Lernverfahren nutzen historische Informationen, um Vorhersagemodelle zu entwickeln. Einige kombinieren sogar beide Methoden zu einer Kategorie, der datengetriebenen Methode.