Académique Documents
Professionnel Documents
Culture Documents
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 582 − 1
RÉGULATION D’UN PROCESSUS INDUSTRIEL PAR RÉSEAUX DE NEURONES _______________________________________________________________________
1. Rappels théoriques
w4
w2 w3
w5
Le lecteur se reportera utilement aux références [1][2][3]. Poids w1
Historique
Fonction de transfert
Les premiers travaux sur les neurones artificiels ont débuté
au début des années 1940 et ont été menés par McCulloch et
Pitts. Ils décrivent les propriétés du système nerveux à partir de
neurones idéalisés : ce sont des neurones logiques (0 ou 1).
Dix années plus tard, on a constitué le premier modèle réel Élément de sortie
d’un réseau de neurones.
En 1960, le premier perceptron est créé par Rosenblatt.
Puis, durant les années 1970 il y eut une remise en cause de
l’intérêt des réseaux car les ordinateurs de neurones appre-
naient lentement, coûtaient très cher et leurs performances
n’étaient pas si impressionnantes. Figure 2 – Neurone artificiel
La disponibilité croissante des minis et microordinateurs,
vers la fin des années 1970, a permis aux réseaux de neurones
de prendre un nouveau départ. 1.3 Structure d’interconnexion
On attribue à Hopfield (un physicien de Caltech) un rôle
majeur dans cette résurrection. Les connexions entre les neurones qui composent le réseau décri-
vent la « topologie » du modèle. Le plus souvent, cette topologie fait
apparaître une certaine régularité de l’arrangement des neurones ;
cependant, celui-ci peut être quelconque.
1.1 Bases biologiques
■ Réseau multicouche (figure 3)
Les neurones sont arrangés par couche. On place ensuite bout à
Le neurone biologique (figure 1) est une cellule vivante spéciali-
bout plusieurs couches et l’on connecte les neurones de deux
sée dans le traitement des signaux électriques.
couches adjacentes. Les entrées des neurones de la deuxième
Les neurones sont reliés entre eux par des liaisons appelées couche sont en fait les sorties des neurones de la couche amont. Les
axones. Ces axones vont eux-mêmes jouer un rôle important dans neurones de la première couche sont reliés au monde extérieur et
le comportement logique de l’ensemble. Ils conduisent les signaux reçoivent le vecteur d’entrée. Ils calculent alors leurs sorties qui sont
électriques de la sortie d’un neurone vers l’entrée (synapse) d’un transmises aux neurones de la seconde couche qui calculent eux
autre neurone. aussi leurs sorties et ainsi de suite de couche en couche jusqu’à
Les neurones font une sommation des signaux reçus en entrée et celle de sortie. Il peut y avoir une ou plusieurs sorties à un réseau de
en fonction du résultat obtenu vont fournir un courant en sortie. neurones.
Dans un réseau multicouche classique, il n’y a pas de connexion
entre neurones d’une même couche et les connexions ne se font
qu’avec les neurones de la couche aval. Tous les neurones de la
1.2 Neurone artificiel couche amont sont connectés à tous les neurones de la couche aval.
Synapse
Couche de sortie
Corps cellulaire
Couche cachée
Axone
Couche d'entrée
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 582 − 2 © Techniques de l’Ingénieur, traité Informatique industrielle
_______________________________________________________________________ RÉGULATION D’UN PROCESSUS INDUSTRIEL PAR RÉSEAUX DE NEURONES
Couche de sortie
Couche cachée
Couche d'entrée
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 582 − 3
RÉGULATION D’UN PROCESSUS INDUSTRIEL PAR RÉSEAUX DE NEURONES _______________________________________________________________________
Étant donné que l’on peut entraîner ces réseaux de neurones à Afin de déformer la bande de façon permanente, il faut lui appli-
acquérir le comportement souhaité, ils constituent des modules quer une contrainte minimale, faute de quoi, après relâchement de
universels faits pour être utilisés là où il s’avère nécessaire de l’effort, elle revient de façon élastique à son état d’origine. De plus,
décrire par l’exemple, un comportement complexe et de l’illustrer à la tôle s’écrouit, c’est-à-dire que plus on la déforme, plus elle durcit :
l’aide d’une représentation fonctionnelle. pour effectuer deux réductions de même valeur, il faudra un effort
Aussi les réseaux trouvent-ils leur utilisation dans l’élaboration de plus important pour la seconde réduction que pour la première.
modèles décrivant les caractéristiques de transfert pour des systè- Lors du laminage, la tôle subit d’abord une déformation élastique,
mes non linéaires, très difficiles à décrire. Ils assurent des tâches de une déformation plastique lors de la réduction proprement dite et
prédiction de signaux, de régulation adaptative, de filtrage adapta- enfin un retour élastique (figure 8).
tif, de classification, de surveillance et de diagnostic des systèmes. Il existe plusieurs types de cages de laminoir (figure 9) :
— cage de type duo composée de deux cylindres ;
— cage de type quarto composée de quatre cylindres empilés
verticalement ;
3. Description du procédé — cage de type sexto composée de six cylindres empilés verti-
calement ;
et phénomène à contrôler — cage de type multicylindre composée de douze ou vingt cylin-
dres assemblés suivant un arrangement déterminé.
Les types de cage les plus couramment utilisées sur les tandems
de laminoirs sont les cages de type quarto.
Le réseau artificiel neuronal a été intégré dans le système de
contrôle/commande d’unités de production métallurgique et
plus particulièrement de tandems de laminoirs à chaud et à froid
pour produit plat ou tôle (figure 7).
Cylindre de travail
R
ω Reprise élastique
Déformation
La transformation des aciers plats après la coulée continue est plastique θ
composée de plusieurs étapes de traitement du produit dont deux
étapes importantes de laminage : σ hm σ hout
— le laminage à chaud ; hin Sens de
— le laminage à froid. Tôle
déplacement
Lors de la première étape de laminage, l’acier est à une tempéra- de la tôle
ture d’environ 850 °C et l’objectif est d’effectuer une réduction sur le ω
produit afin de passer d’une épaisseur d’entrée d’environ 20 mm à Compression Cylindre de travail
des épaisseurs de sortie de quelques millimètres. Cette déformation élastique P (x )
A3
est effectuée dans une succession de cages de laminoirs. ω vitesse angulaire
Le nombre typique de cages d’un tandem de laminoirs à chaud A2 σ contrainte
est de 6 ou 7. Le deuxième objectif majeur du tandem de laminoirs A1 A4 P pression
à chaud est l’obtention des caractéristiques métalliques tout en x
A1 à A4 aires
maîtrisant la température de laminage.
Lors de la deuxième étape de laminage, la bobine d’acier provient Figure 8 – Foyer de laminage
du laminage à chaud après avoir subi un ou plusieurs traitements
thermiques et chimiques. La bobine est alors froide. L’objectif du
tandem de laminoirs est de réduire l’épaisseur de la tôle pour attein-
dre des épaisseurs de 700 à 150 µm. Les autres objectifs du tandem
de laminoirs à froid sont la planéité et l’état de surface de la tôle. Le
nombre classique de cages d’un tandem de laminoirs à froid est de
4 ou 5.
Les tôles produites sur ces unités de production sont destinées
aux industries automobile, électroménager et alimentaire.
La réduction d’épaisseur est obtenue par déformation plastique
du métal entre deux cylindres appelés « cylindres de travail » qui
Duo Quarto
sont en rotation inverse. On appelle réduction le rapport de l’écart
d’épaisseur avant et après déformation à l’épaisseur avant défor-
mation.
Sexto Multicylindre
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 582 − 4 © Techniques de l’Ingénieur, traité Informatique industrielle
_______________________________________________________________________ RÉGULATION D’UN PROCESSUS INDUSTRIEL PAR RÉSEAUX DE NEURONES
Amplitude (mm)
Vérin de
serrage 0,18 Cage 3 : fondamental cylindre d'appui inférieur
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 582 − 5
RÉGULATION D’UN PROCESSUS INDUSTRIEL PAR RÉSEAUX DE NEURONES _______________________________________________________________________
1re couche
2e couche
Position angulaire Excentricité estimée
Force de laminage non filtrée +
– Force de
laminage filtrée
Position angulaire
Excentricité
Facteurs de pondération
Amplitude
Figure 12 – Principe du filtrage non linéaire à base de réseau
de neurones
Temps
1re couche
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 582 − 6 © Techniques de l’Ingénieur, traité Informatique industrielle
_______________________________________________________________________ RÉGULATION D’UN PROCESSUS INDUSTRIEL PAR RÉSEAUX DE NEURONES
Facteurs de pondération
estimés
Force de
Position Excentricité laminage Facteurs de pondération
angulaire estimée – + filtrée
Régulateurs régulés
Apprentissage
Correction de
en ligne
la position
du serrage
Facteurs de
pondération
Position
angulaire
Position angulaire
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 582 − 7
RÉGULATION D’UN PROCESSUS INDUSTRIEL PAR RÉSEAUX DE NEURONES _______________________________________________________________________
6. Intégration
dans un environnement
d’automatisme
40
30
Excentricité
20 simulée
Amplitude (µm)
Erreur
10 d'estimation
– 10
– 20 Excentricité
estimée
– 30
58 58,2 58,4 58,6 58,8 59 59,2 59,4 59,6 59,8 60
Temps (s)
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 582 − 8 © Techniques de l’Ingénieur, traité Informatique industrielle
_______________________________________________________________________ RÉGULATION D’UN PROCESSUS INDUSTRIEL PAR RÉSEAUX DE NEURONES
Apprentissage adaptatif
Facteurs de
Figure 22 – Outil de maintenance et d’aide à la mise en service Mesures pondération
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 582 − 9
RÉGULATION D’UN PROCESSUS INDUSTRIEL PAR RÉSEAUX DE NEURONES _______________________________________________________________________
7. Stabilité et sécurité sont définis et fixés par un spécialiste. Seul le taux d’apprentissage
qui est exprimé, pour des raisons de simplicité, en constante de
temps et bande passante, est ajusté lors de la mise en service.
Pour la compensation active, on retrouve des choses similaires, le
Un des problèmes de la technologie des réseaux artificiels neuro- nombre de paramètres à ajuster en mise en service est légèrement
naux est de vérifier la stabilité et, pour préciser encore la formula- supérieur en raison des régulateurs additionnels mentionnés précé-
tion du praticien, de vérifier la fiabilité et la cohérence du demment. Ces derniers paramètres étant du même type que ceux
comportement. Cette difficulté n’apparaît pas uniquement dans le manipulés par le personnel de mise en service et de maintenance
cas des réseaux neuronaux, mais aussi dans celui de nombreux pour les régulateurs conventionnels, aucune complexité majeure
circuits de régulation adaptatifs (par exemple, les boucles de régu- n’est apportée par ce nouveau contrôle.
lation à apprentissage). Les aspects mentionnés ici sont des conditions importantes pour
Garantir stabilité et sécurité est indispensable dans la pratique. permettre à cette technologie d’être effectivement et rapidement
utilisée et acceptée. Bien sûr, il est impossible de couvrir tous les cas
Une application typique des réseaux artificiels neuronaux en particuliers. Il y a, comme pour les régulateurs PID, des limites de
régulation est d’améliorer un procédé conventionnel existant validité qui sont la conséquence de certaines simplifications et
connu. Il est rare d’opérer une substitution complète des procédés hypothèses.
conventionnels ou de pénétrer sur un terrain totalement nouveau.
Le but recherché, lorsque l’on décide d’installer un réseau artifi-
ciel neuronal, est de profiter des possibilités d’apprentissage et de
facilité d’élaboration de modèles et de régulations, que les procédés
conventionnels ne peuvent réaliser qu’insuffisamment ou au prix
d’efforts coûteux. Cela est en particulier vrai dans le cas de régula-
9. Filtre d’excentricité
tions non linéaires ou variables en fonction du temps. dans les laminoirs à chaud
La limitation du signal de réglage élaboré par le nouveau régula-
teur de type neuronal s’est avérée être une mesure technique
concluante. Une autre possibilité est de saturer les éléments de
pondération du réseau artificiel neuronal. On peut ainsi garantir Lorsque l’on utilise des jauges d’épaisseur pour la régulation de
sécurité et stabilité, mais exclusivement pour les boucles de régula- l’épaisseur de bandes à chaud, la diminution de l’influence des
tion ouvertes. Pour les boucles de régulation fermées, il est néces- perturbations, comme par exemple les phénomènes d’excentricité
saire d’effectuer un contrôle de plausibilité, de sécurité et de des cylindres et d’empoises sur le signal de la force de laminage, est
stabilité supplémentaire. L’intervention la plus simple est de déclen- un élément déterminant pour la qualité du système de régulation.
cher le réseau artificiel neuronal lorsque l’on atteint les limites de Il existe un grand nombre de systèmes à base de filtres pour effec-
saturation. tuer cette tâche, mais s’ils pallient ces défauts, ils ont aussi l’incon-
vénient de déformer le signal utile, d’introduire en particulier un
déphasage et de diminuer ainsi la stabilité de la boucle de régula-
tion. Comme les perturbations sont aussi non linéaires, il faut trou-
ver des compromis si l’on choisit de mettre en place des filtres
8. Acceptation et utilisation linéaires.
La structure non linéaire du filtre à base de réseau artificiel neuro-
nal offre de nouveaux degrés de liberté pour l’optimisation.
Outre le problème de sécurité évoqué ci-dessus (§ 7), quelques Pour obtenir une qualité optimale de régulation, un filtre d’excen-
autres aspects sont déterminants pour que ces nouvelles technolo- tricité doit satisfaire aux impératifs suivants :
gies, et plus particulièrement les réseaux artificiels neuronaux, — la rapidité et la qualité de la stabilisation ;
soient acceptées et utilisées. — aucun retard de phase ou aucune déformation d’amplitude du
signal utile.
Les nouvelles technologies doivent être conçues pour être utili-
sées par des ingénieurs de mise en service ou de maintenance, sans Le filtre d’excentricité à réseau artificiel neuronal développé par
qualifications poussées. ALSTOM répond à toutes ces exigences.
Par comparaison avec les techniques de régulation bien connues Le filtre développé utilise le mode de représentation spatiale de la
de type PID (proportionnel intégral dérivé), les exigences pour les forme du cylindre et donc de l’excentricité résultante des défauts
applications avec des réseaux neuronaux sont les suivantes : d’empoise et de cylindre (figure 24).
— l’intégration dans un environnement connu avec des outils
standards connus ;
— des règles et des instructions faciles à suivre pour le réglage
des paramètres des applications ;
— un nombre limite de paramètres des réseaux neuronaux à
régler à ne pas dépasser ;
— des règles simples et claires pour évaluer le comportement Force de
stationnaire et dynamique des réseaux neuronaux avec assistance Force de laminage non filtrée + laminage filtrée
en cas de défauts.
–
Pour les applications décrites dans ce document, ces conditions
ont été remplies. La mise en œuvre s’effectue dans l’environnement Vitesse angulaire
d’automatisme d’ALSTOM (ALSPA C80-HPC) bien connu du person-
nel de mise en service et de maintenance. Le nombre de paramètres Excentricité
qu’il est nécessaire de régler pour faire fonctionner l’installation est
maîtrisable.
Pour le système de filtrage non linéaire, hormis le taux d’appren- Figure 24 – Filtre d’excentricité des cylindres à base de réseau
tissage, la structure du réseau et les algorithmes d’apprentissage neuronal
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 582 − 10 © Techniques de l’Ingénieur, traité Informatique industrielle
_______________________________________________________________________ RÉGULATION D’UN PROCESSUS INDUSTRIEL PAR RÉSEAUX DE NEURONES
2,5799
2,5606
2,5414
2,5222
Force de laminage
2,5030
non filtrée (kN)
2,4838
2,4646
2,4454
2,4262
2,5799
2,5606
2,5414
2,5222
Force de laminage
2,5030
filtrée (kN)
2,4838
2,4646
2,4454 Temps (s)
2,4262 Figure 25 – Effet d’un filtre d’excentricité
17,33 18,41 19,48 20,55 21,63 22,70 23,77 24,85 25,92 26,99 28,07 29,14 neuronal sur la force de laminage d’un laminoir
à bandes à chaud
Cage n° 4
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 582 − 11
RÉGULATION D’UN PROCESSUS INDUSTRIEL PAR RÉSEAUX DE NEURONES _______________________________________________________________________
Sur une même bobine, nous avons fait des relevés lorsque la
compensation est en service et lorsque la compensation est hors-
service, puis nous avons fait l’analyse spectrale de ces deux
Cage n° 2
signaux. Ce travail a été effectué pour chacune des cages du tandem
Cage n° 2 de laminoirs.
Sans la compensation
BUR0 bottom
0,25
0,2
Épaisseur (%)
BUR0 top
BUR1 bottom
0,15
WR0
WR1
0,05
0
0 5 10 15 20 25 30 35
Fréquence (Hz)
Avec la compensation
0,25
0,2
Épaisseur (%)
0,15
BUR0 bottom
BUR1 bottom
0,1
BUR1 top
WR0
BUR0 top
WR1
0,05
0
0 5 10 15 20 25 30 35
Fréquence (Hz)
L'épaisseur est prise relativement à l'épaisseur visée
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 582 − 12 © Techniques de l’Ingénieur, traité Informatique industrielle
_______________________________________________________________________ RÉGULATION D’UN PROCESSUS INDUSTRIEL PAR RÉSEAUX DE NEURONES
Références bibliographiques
Articles disponibles sur le Web Intelligent Techniques and Soft Computing. Conference Control ’90 Vol. 3, p. 1861,
EUFIT ’95 Proceedings Vol. 3, p. 1861, Lugano, Switzerland, June 1890.
[1] YASMINE (Y.). – Stage sur les réseaux de Aachen, Germany, August 1995.
neurones. CICT, 1999. http://www.cict.fr.
[5] FECHNER (T.H.), NEUMERKEL (D.) et KELLER
[2] HARDY (J.-M.) et STRASSERA (A.). – Les (I.). – Neural Network Filter for Steel Rolling. Revues
réseaux de neurones. 1998. ICNN ’94 IEEE International Conference on [8] HAMBRECHT (A.) et ROBLIN (P.). – Intégra-
[3] ROSSI (F.). – Introduction aux réseaux de Neural Network, June 1994 in Orlando, USA. tion d’une régulation adaptative neuronale
neurones. 1997. http://www.ceremade.dau- dans un environnement industriel d’automa-
phine.fr/~rossi/work.html [6] HUNT (K.), SBARBARO (D.) et ZBIKOWSKI
(R.). – Neural Network for Control Systems – tismes. REE, Vol. n° 1, janvier 1998.
A Survey, Automatica. Vol. 28, n° 6, p. 1083,
Conférences 1992.
Livres
[7] HAMBRECHT (A.), HERTMANN (I.) et MAN-
[4] HAMBRECHT (A.). – Requirements for Inte- KEN (F.). – Application of one robust and two [9] GINZBURG (V.). – Roll eccentricity. Rolling
gration of Neural Control in Automation Sys- adaptive control techniques to a non-linear Mill Technology Series, Vol 1, United Engi-
tems. Third European Congress on plant. Lasted proceedings of International neering Inc 1993.
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 582 − 13