AUTOMATIQUE AVANCEE POUR PROCESSUS INDUSTRIELS APPLICATION A LA COMMANDE DU pH

Abstract

La capacité des réseaux neuronaux artificiels pour représenter des systèmes non linéaires en fait un puissant outil de modélisation et de commande des procédés industriels, ce qui est prouvé par le nombre important de travaux réalisés au cours de la dernière décennie. Toutefois, l'utilisation de réseaux neuronaux pour la modélisation et la commande dans l'industrie n’est pas encore très répandue. L'une des raisons est l'absence de procédures de conception qui existent pour la modélisation de systèmes linéaires, mais n'ont pas encore été mises au point pour la modélisation des procédés industriels à l’aide de réseaux de neurones. Cette thèse présente en premier lieu l’étude et la réalisation d’un banc d’essai pour la mesure du pH des produits chimiques. L’étude souligne particulièrement la nature de la courbe de titration qui est fortement non linéaire. Par la suite certaines techniques qui peuvent aider à la conception d'un modèle de réseau de neurones pour procédés industriels sont traitées. Une méthode de sélection de la structure du modèle de réseau de neurones, sur la base de modèles de processus linéaires, est présentée. Certaines procédures qui peuvent aider à évaluer le signal d'excitation du processus et de valider des modèles de réseaux de neurones sont étudiées. L'importance de la conception de ces aspects d'un modèle de réseau de neurones et de la sélection d’un échantillon de temps de données approprié est démontrée. Initialement, la modélisation de la simulation d'un processus CSTR pH est étudiée. Le processus du pH a des caractéristiques qui le rendent difficile à modéliser et à commander, telles que la non-linéarité, des mesures entachées de bruit et un temps de retard variable. La capacité du perceptron multi-couches pour prédire la réponse du processus de plusieurs étapes futures est évaluée en utilisant un modèle de simulation. Le modèle de réseau de neurones est employé dans un système de commande prédictive qui utilise l’algorithme Nelder-Mead d'optimisation. La commande est appliquée à la simulation. La mise au point de la commande prédictive est décrite et ses performances sont comparées avec la commande linéaire. La commande pour la plage de fonctionnement du processus à l’aide de réseaux de neurones est nettement meilleure que la commande linéaire.