Conception de Multi-modèles Non Linéaires Basée sur les RNA pour la Commande Prédictive de Procédés Industriels
No Thumbnail Available
Date
2018-06-26
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Sur la base du modèle original IAWQ, un modèle réduit est içi élaboré pour le procédé du
bioréacteur à boues activées en bassin unique avec aération de surface (ASM1). Les simpli cations
considérées reposent principalement sur l'analyse des composantes du modèle, à savoir, l'oxygène
dissous, la matière organique, l'azote et les micro-organismes.
La modélisation des systèmes non linéaires ASM1 utilise des expressions complexes basées sur la
connaissance des phénomènes physiques et chimiques, d'où la di culté de leurs exploitations à des
ns de diagnostic ou de commande. Pour surmonter cette di culté, l'approche multi-modèle (TS)
est exploitée, obtenant ainsi, un ensemble de modèles linéaires associés à une fonction non linéaire
µ obtenue en utilisant une approche Quasi-Linéaire à Paramètres Variables (Quasi-LPV).
L'approche proposée généralise l'approche par secteur non linéaire a n de modéliser notre sys tème, ce qui va nous permettre d'utiliser les atouts des systèmes linéaires et de les exploiter pour
notre système non linéaire. Le poids de la non-linéarité du système ou du modèle va être exprimé
dans les fonctions de pondération µ. Plusieurs formes multi-modèles équivalentes au modèle initial
peuvent être obtenues, en raison des di érentes formes Quasi-LPV. Ainsi certains critères sont spéci-
és notamment l'observabilité/contrôlabilité du système, en utilisant l'Inégalité Matricielle Linéaire
(LMI), a n de choisir le multi-modèle le plus approprié à des ns d'analyse ou de contrôle.
CeSur la base du modèle original IAWQ, un modèle réduit est içi élaboré pour le procédé du
bioréacteur à boues activées en bassin unique avec aération de surface (ASM1). Les simpli cations
considérées reposent principalement sur l'analyse des composantes du modèle, à savoir, l'oxygène
dissous, la matière organique, l'azote et les micro-organismes.
La modélisation des systèmes non linéaires ASM1 utilise des expressions complexes basées sur la
connaissance des phénomènes physiques et chimiques, d'où la di culté de leurs exploitations à des
ns de diagnostic ou de commande. Pour surmonter cette di culté, l'approche multi-modèle (TS)
est exploitée, obtenant ainsi, un ensemble de modèles linéaires associés à une fonction non linéaire
µ obtenue en utilisant une approche Quasi-Linéaire à Paramètres Variables (Quasi-LPV).
L'approche proposée généralise l'approche par secteur non linéaire a n de modéliser notre sys tème, ce qui va nous permettre d'utiliser les atouts des systèmes linéaires et de les exploiter pour
notre système non linéaire. Le poids de la non-linéarité du système ou du modèle va être exprimé
dans les fonctions de pondération µ. Plusieurs formes multi-modèles équivalentes au modèle initial
peuvent être obtenues, en raison des di érentes formes Quasi-LPV. Ainsi certains critères sont spéci-
és notamment l'observabilité/contrôlabilité du système, en utilisant l'Inégalité Matricielle Linéaire
(LMI), a n de choisir le multi-modèle le plus approprié à des ns d'analyse ou de contrôle.
Ces dernières années, l'exigence de plus de performances, de meilleures qualités ainsi qu'une
réduction des coûts de production de la part des industriels ne cesse de croître. L'objectif principal
de la commande d'un système de production est de maintenir les sorties proches d'une valeur désirée
ou alors de poursuivre une référence, donnée par la température d'un produit, le débit d'une vanne, le
courant d'une machine électrique, etc. Bien que la commande classique PID (Proportional Integrate
Derivative) su se à répondre aux exigences de la plupart des systèmes régulés en industrie, malgré
sa simplicité d'utilisation et de compréhension, et qui se résume en majorité à la régulation d'un
débit. Toutefois, le fonctionnement toujours plus proche des contraintes de production, les temps
morts et les systèmes à phases non minimales ou oscillatoires ne sont respectivement pas pris en
charge par le PIDs dernières années, l'exigence de plus de performances, de meilleures qualités ainsi qu'une
réduction des coûts de production de la part des industriels ne cesse de croître. L'objectif principal
de la commande d'un système de production est de maintenir les sorties proches d'une valeur désirée
ou alors de poursuivre une référence, donnée par la température d'un produit, le débit d'une vanne, le
courant d'une machine électrique, etc. Bien que la commande classique PID (Proportional Integrate
Derivative) su se à répondre aux exigences de la plupart des systèmes régulés en industrie, malgré
sa simplicité d'utilisation et de compréhension, et qui se résume en majorité à la régulation d'un
débit. Toutefois, le fonctionnement toujours plus proche des contraintes de production, les temps
morts et les systèmes à phases non minimales ou oscillatoires ne sont respectivement pas pris en
charge par le PID
La commande prédictive MPC (Model Predictive Control) est alors apparue et a permis de régler
une partie de ces problèmes. Grâce à son aspect prédictif, basée sur un modèle interne embarqué
qui permet d'évaluer la dynamique future du système, elle permet de prendre en considération
les temps morts, les systèmes oscillatoires et à phases non minimales, les systèmes instables, etc
et est facilement extensible aux systèmes multi-variables. L'inconvénient majeur de la commande
prédictive, en plus de la nécessité d'un modèle interne, est son temps de calcul conséquent, c'est la
raison qui explique sa large utilisation dans l'industrie du génie de procédé où les systèmes contrôlés
sont su samment lents.
En e et, la large gamme d'algorithmes et d'approches de commande prédictive procure un choix
et une facilité d'implémentation. Néanmoins, le développement du modèle à embarquer dans l'algo rithme prédictif reste ce qu'il y de plus di cile et de plus délicat.
L'utilisation des Réseaux de Neurones Arti ciels (RNA), plus précisément Multi-Layer Percep trons (MLP) sera étudiée, comme alternative à la fonction de pondération µ obtenue par le multi modèle Takagi Sugeno (TS) pour le modèle du bioréacteur à boues activées réduit. L'ensemble des
sous-modèles linéaires couvrant les entrées/sorties du processus sera considéré dans l'élaboration de
la fonction µ obtenue par les RNA, estimée à l'aide d'un MLP où l'apprentissage et la validation de
ce dernier sont e ectués à l'aide des données recueillies à partir du multi-modèle (TS) et les résultats
sont comparés avec l'approche originale avec et sans perturbations et incertitudes paramétriques, par
la suite la robustesse du modèle Neuro-TS, à di érentes valeurs de perturbations et d'incertitudes,
est étudiée.
La Commande Adaptative Prédictive basée Modèle (TS-AMPC) basée sur le multi-modèle (TS)
du bioréacteur à boues activées réduit et la comparaison de ce dernier avec la commande MPC
utilisant le multi-modèle (TS) globale (TS-MPC) ont été étudiées.
L'approche TS-AMPC est obtenue en basculant entre les sous-modèles linéaires de la formulation
TS. Ceci est e ectué en sélectionnant, par tour, une partie de la fonction de pondération µ. Le mo dèle associé à cette dernière servira alors de modèle interne pour la formulation de la loi de contrôle
TS-AMPC, alors que le multi-modèle (TS) complet est utilisé dans le calcul de la loi de contrôle TS MPC. L'utilisation des deux sous-modèles internes les plus signi catifs a également été mise en ÷uvre
et testée (TS-AMPC2). En n, les performances, sous perturbations d'entrées et incertitudes paramé triques ainsi que des contraintes sur les variables de contrôle du contrôleur TS-AMPC, sont comparées
à un contrôleur TS-MPC global et à un PID de référence en termes d'erreur et réponse dynamique.