S 7582 - Régulation D'un Processus Industriel Par Réseaux de Neurones

Régulation d’un processus
industriel par réseaux de neurones
par Fabrice SORIN

Chef du Service Contrôle et Régulation Procédés
ALSTOM Power Conversion France
Lionel BROUSSARD
Ingénieur Développement Service Contrôle et Régulation Procédés
et Pierre ROBLIN
Directeur Technique Technologie et Systèmes Standards
1. Rappels théoriques .................................................................................. S 7 582 – 2

1.1 Bases biologiques........................................................................................ — 2
1.2 Neurone artificiel ......................................................................................... — 2
1.3 Structure d’interconnexion ......................................................................... — 2
1.4 Apprentissage .............................................................................................. — 3
2. Réseaux artificiels neuronaux adaptés
à la technique d’automatisme.............................................................. — 3
3. Description du procédé et phénomène à contrôler ....................... — 4
4. Description du contrôle ......................................................................... — 5
4.1 Filtrage non linéaire à base de réseau de neurones................................. — 5
4.2 Compensation active à base de réseau de neurones ............................... — 7
5. Étude théorique et développement du nouveau contrôle............ — 7
6. Intégration dans un environnement d’automatisme ..................... — 8
7. Stabilité et sécurité................................................................................. — 10
8. Acceptation et utilisation...................................................................... — 10
9. Filtre d’excentricité dans les laminoirs à chaud ............................. — 10
10. Compensation d’excentricité cylindre sur un tandem
de laminoirs à froid ................................................................................. — 11
11. Récapitulatif et perspectives................................................................ — 13
Références bibliographiques ......................................................................... — 13
e souci d’améliorer les performances des processus industriels et de réduire

L les coûts sont des raisons déterminantes pour l’introduction de nouvelles
stratégies de régulation dans les techniques d’automatisme. Dans son calcula-
teur d’automatisme temps réel rapide, ALSTOM intègre la technique de modéli-
sation et d’apprentissage en ligne de processus par des réseaux artificiels
neuronaux. Ceux-ci permettent de représenter des relations fonctionnelles com-
plexes difficiles à décrire sous une forme analytique de systèmes non linéaires
ou de systèmes variables en fonction du temps.
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.
Le neurone artificiel (figure 2) est un processeur élémentaire. Il

reçoit un nombre variable d’entrées en provenance de neurones
appartenant à un niveau situé en amont. À chacune de ces entrées
est associé un poids w représentatif de la force de la connexion.
Chaque processeur élémentaire (neurone) est doté d’une sortie
unique, qui se ramifie pour alimenter un nombre variable de neuro-
nes appartenant à un niveau situé en aval. À chaque connexion
d’entrée est associé un poids.
Synapse
Couche de sortie
Corps cellulaire
Couche cachée
Axone
Couche d'entrée
Figure 1 – Neurone biologique Figure 3 – Réseau multicouche classique
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
Figure 4 – Réseau multicouche à connexions locales Figure 6 – Réseau à connexions complexes
Les couches extérieures du réseau sont appelées respectivement

couches d’entrée et de sortie ; les couches intermédiaires sont appe-
■ Réseau à connexions complexes (figure 6)
lées couches cachées.
Chaque neurone est connecté à tous les neurones du réseau y
■ Réseau à connexions locales (figure 4) compris lui-même, c’est la structure d’interconnexion la plus géné-
C’est aussi un réseau multicouche, mais tous les neurones d’une rale.
couche amont ne sont pas connectés à tous les neurones de la
couche aval. Nous avons donc dans ce type de réseau de neurones
un nombre de connexions moins important que dans le cas du
réseau de neurones multicouche classique. 1.4 Apprentissage
■ Réseau à connexions récurrentes (figure 5)
Un réseau de ce type signifie qu’une ou plusieurs sorties de L’apprentissage est une phase du développement du réseau de
neurones d’une couche aval sont connectées aux entrées des neuro- neurones durant laquelle on calcule les poids des neurones de telle
nes de la couche amont ou de la même couche. Ces connexions manière que les sorties du réseau soient aussi proches que possible
récurrentes ramènent l’information en arrière par rapport au sens des sorties désirées.
de propagation défini dans un réseau multicouche. L’apprentissage fait appel à des exemples de comportement du
Les réseaux à connexions récurrentes sont des réseaux plus puis- processus à modéliser.
sants car ils sont séquentiels plutôt que combinatoires comme L’apprentissage est dit supervisé lorsque les exemples sont
l’étaient ceux décrits précédemment. La rétroaction de la sortie vers constitués de couples de valeurs du type : (valeur d’entrée, valeur de
l’entrée permet à un réseau de ce type de présenter un comporte- sortie désirée). Tout le problème de l’apprentissage supervisé
ment temporel. consiste, étant donné un vecteur d’apprentissage de n couples (x, y)
i = 1, 2, …, n, à déterminer le vecteur des poids des neurones capa-
bles de prédire le même vecteur de sortie à partir du même vecteur
d’entrée.
L’apprentissage est qualifié de non supervisé lorsque seules les
valeurs d’entrée sont disponibles. Dans ce cas, les exemples présen-
tés à l’entrée provoquent une autoadaptation du réseau afin de
produire des valeurs de sortie qui soient proches en réponse pour
des valeurs d’entrées similaires.
2. Réseaux artificiels neuronaux

Couche de sortie adaptés à la technique
d’automatisme
Couche cachée Les réseaux artificiels neuronaux sont des outils permettant de
représenter les relations fonctionnelles complexes nécessitées par
les systèmes de régulation modernes. Les informations enregis-
Couche d'entrée trées sont envoyées aux neurones d’un réseau et mémorisées grâce
à des facteurs de pondération. L’apprentissage des réseaux s’effec-
Figure 5 – Réseau multicouche à connexions récurrentes tue sur la base d’exemples réels et si possible en ligne.
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
Figure 7 – Tandem de laminoirs Figure 9 – Différents types de cage de laminoir
Amplitude (mm)
Vérin de
serrage 0,18 Cage 3 : fondamental cylindre d'appui inférieur
Cylindre Cage 3 : fondamental cylindre d'appui supérieur

d'appui 0,16 Cage 4 : fondamental cylindre d'appui supérieur
et inférieur
Cylindre 0,14
de travail Cage 5 : 1er harmonique cylindre d'appui inférieur
Palier 0,12 Cage 5 : 1er harmonique cylindre d'appui supérieur
Tôle 0,1 Cage 2 : 1er harmonique cylindre de travail
Cage 4 : 1er harmonique cylindre d'appui

0,08 supérieur et inférieur
0,06 Cage 3 : 1er harmonique cylindre

de travail
Figure 10 – Cage de type quarto
0,04 Cage 5 : 1er harmonique
cylindre de travail
0,02
L’écrasement de la bande de métal est obtenu par l’intermédiaire 0

de cylindres sur lesquels on exerce une force de laminage prove- 0 5 10 15 20 25 30 35
nant d’un dispositif de serrage mécanique ou hydraulique. Pour une Fréquence (Hz)
cage de type quarto (figure 10), l’effort d’écrasement est appliqué
sur les extrémités des cylindres les plus gros que l’on appelle cylin- Figure 11 – Analyse spectrale de l’épaisseur à la sortie
dres d’appui. L’effort est transmis par contact aux cylindres de d’un tandem de laminoirs à froid
travail. Généralement, les cylindres d’appui sont entraînés par des
moteurs qui sont régulés en vitesse. Grâce aux efforts intercylindre
et tôle-cylindres très importants (plusieurs centaines de tonnes), les
cylindres d’appui entraînent en rotation les cylindres de travail qui à
leur tour provoquent un entraînement de la tôle.
Dans le cas du laminage à froid, la tôle entre deux cages (bande)
4. Description du contrôle
est soumise à une très forte traction.
L’excentricité (« faux rond ») des cylindres [9] est une des
raisons des variations de l’épaisseur à la sortie d’une cage de lami- Deux types de contrôle ont été développés et mis en service par
noir à chaud ou à froid. L’amélioration permanente des perfor- ALSTOM sur des sites industriels :
mances d’épaisseur a conduit ALSTOM à développer un système
d’identification et de compensation de l’excentricité des cylindres. — le filtrage non linéaire à base de réseau de neurones pour éli-
L’effet d’excentricité des cylindres peut être décrit comme une miner, du signal de mesure de l’effort de laminage, les perturba-
variation cyclique de la zone intercylindre de travail qui est donc tions générées par l’excentricité des cylindres ;
imprimée sur le produit laminé et qui est engendrée par une irrégu- — la compensation active de l’excentricité des cylindres à base
larité des cylindres et de ses paliers. de réseau de neurones.
Les excentricités peuvent être celles des cylindres de travail mais
aussi celles des cylindres d’appui.
Les causes d’excentricité des cylindres peuvent être classées en
plusieurs familles : 4.1 Filtrage non linéaire à base de réseau
— les imperfections de conception telles que les non-uniformités de neurones
des chemises des paliers des cylindres d’appui ;
— les imperfections de rectification de la table de roulement des
cylindres ;
— les imperfections d’assemblage des différents éléments, che- Principe
mises, paliers, empoises, cylindres ; Une modélisation de l’excentricité est effectuée à partir d’un
— la déformation des cylindres et paliers suite à un usage intensif réseau de neurones (figure 12) ; ce réseau est alimenté par la
aux limites. position angulaire de chaque cylindre du laminoir et produit un
signal représentatif de l’excentricité des cylindres.
L’excentricité des cylindres peut être observée à partir des
capteurs déjà existants sur l’installation et utilisés par les autres La force de laminage filtrée est obtenue en soustrayant
régulations. Ces capteurs permettent : l’excentricité estimée de la force de laminage brute.
— la mesure de la force de laminage par une jauge de contrainte Les coefficients de pondération sont déterminés en ligne par
installée dans le bâti de la cage ; une analyse et un traitement de la force de laminage filtrée.
— la mesure de l’épaisseur à la sortie de la cage ;
— la mesure de traction dans la bande pour les tandems de lami-
noirs à froid.
Deux modélisations de l’excentricité ont été mises en œuvre [5][6]
Classiquement, il y a toujours une jauge d’épaisseur à la sortie [7][8] :
d’un tandem de laminoirs. Il est donc possible, grâce à une analyse
spectrale des variations d’épaisseur à la sortie du tandem de lami- — la modélisation physique de la forme du cylindre ;
noirs, d’observer les excentricités de chaque cylindre (figure 11). — la modélisation par une série de Fourier.
1re couche
2e couche
Position angulaire Excentricité estimée
Force de laminage non filtrée +
– Force de
laminage filtrée
Position angulaire
Excentricité
Facteurs de pondération
Figure 15 – Réseau de neurones
Amplitude
Figure 12 – Principe du filtrage non linéaire à base de réseau
de neurones
Temps
1re couche
2e couche Figure 16 – Représentation temporelle de l’excentricité
Position angulaire Excentricité estimée

Chaque neurone de la première couche modélise une des
portions de chaque cylindre (figure 14).
■ Modélisation par une série de Fourier
Le réseau de neurones qui modélise l’excentricité des cylindres
est un réseau à deux couches (figure 15). La deuxième couche n’est
Facteurs de pondération composée que d’un seul neurone. Ce neurone utilise la fonction
identité comme fonction d’activation. La première couche est
composée de neurones du même type. La fonction d’activation de
Figure 13 – Réseau de neurones
ces neurones est une fonction de type sinus.
Chaque neurone de la première couche modélise une des
fréquences de l’excentricité de chaque cylindre (figure 16).
■ Apprentissage
Amplitude
Le processus devant être considéré comme non stationnaire, il
était nécessaire de mettre en œuvre un système permettant de
s’adapter en permanence aux variations des caractéristiques des
excentricités des cylindres.
Nous avons donc implémenté un algorithme d’apprentissage
adaptatif. À chaque pas de temps, un nouvel exemple est fourni au
système d’apprentissage qui recalcule un nouveau jeu de coefficient
de pondération des neurones du réseau.
Position
0 π 2π angulaire Les deux types de modélisation, physique et par série de Fourier,
utilisent le même concept d’apprentissage. Un algorithme basé sur
Circonférence du cylindre
la méthode des moindres carrés récursifs (RLS Recursive Least
Square) a été mis en œuvre.
Figure 14 – Représentation spatiale de l’excentricité Cette fonction d’apprentissage calcule en ligne les coefficients de
pondération de tous les neurones du réseau ; elle est alimentée par
la mesure perturbée par l’excentricité et par la position angulaire de
chaque cylindre.
■ Modélisation physique du cylindre ■ Système complet
Le réseau de neurones qui modélise l’excentricité des cylindres Le système complet, réseau de neurones et système d’apprentis-
est un réseau à deux couches (figure 13). La deuxième couche n’est sage, est présenté sur la figure 17.
composée que d’un seul neurone. Ce neurone utilise la fonction Ce système permet d’éliminer de la mesure la composante cycli-
identité comme fonction d’activation. La première couche est que liée au phénomène d’excentricité des cylindres. Les contrôles
composée de neurones du même type. La fonction d’activation de qui utilisent la force mesurée peuvent ainsi utiliser cette mesure
ces neurones est une fonction de type B-spline. filtrée sans être perturbés par les excentricités des cylindres.
Force de laminage non filtrée Apprentissage adaptatif
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
Figure 17 – Réseau de neurones et son système d’apprentissage
Position angulaire
4.2 Compensation active à base de réseau Mesure d'épaisseur ou de traction

de neurones
Figure 18 – Compensation d’excentricité par réseau de neurones.
Système complet
L’objectif n’est plus uniquement de supprimer la perturbation
d’excentricité du signal de mesure, mais de corriger en dynamique
la position des cylindres afin d’améliorer la régularité de l’épaisseur Les coefficients de pondération du réseau de neurones ne sont
de la bande produite [8]. pas directement les sorties de l’algorithme d’apprentissage, mais les
valeurs après filtrage au travers de régulateurs de type intégral. Ces
régulateurs sont, eux, alimentés par la sortie de l’algorithme
Principe d’apprentissage. La figure 18 décrit la structure du système
De nouveau, une modélisation de l’excentricité est effectuée à complet.
partir d’un réseau de neurones. Ce réseau est alimenté par la
position angulaire de chaque cylindre du laminoir et produit un
signal représentatif de l’excentricité des cylindres. Ce signal sera
exploité pour déterminer la correction à appliquer sur le proces- 5. Étude théorique
sus pour annuler les effets de l’excentricité des cylindres.
Les coefficients de pondération sont déterminés par une ana-
et développement
lyse et traitement en ligne des signaux de mesure. Cette mesure
peut être soit la mesure d’épaisseur de la tôle, soit celle de la
du nouveau contrôle
traction dans la tôle.
Les contraintes industrielles de modernisation et d’amélioration
La position des cylindres peut être ajustée grâce aux vérins de des performances des installations sont telles qu’il n’est plus possi-
serrage. L’actionneur de notre nouveau système de régulation est ble de stopper ou ralentir la production pour tester une nouvelle
donc le vérin de serrage. Nous corrigerons donc en dynamique sa fonction.
position. La mise en œuvre de nouvelles techniques ne doit pas entraîner
Comme dans le filtrage non linéaire par réseau de neurones, deux de perturbations sur le procédé et sur les produits réalisés.
modélisations ont été mises en œuvre : Les stratégies innovantes dans le domaine de la régulation ne
— la modélisation physique de la forme du cylindre ; peuvent donc être installées sur des outils industriels qu’après avoir
— la modélisation par une série de Fourier. été testées et éprouvées en simulation.
Celles-ci sont les mêmes que celles décrites précédemment (§ 4.1). Les régulations basées sur des réseaux de neurones ont fait
Le système d’apprentissage sera aussi bâti sur le même concept l’objet d’une étude en simulation approfondie. Alstom dispose de
et utilisera la méthode des moindres carrés récursifs (RLS). nombreux modèles de comportement des différents constituants
d’un tandem de laminoirs.
Comme précédemment, l’algorithme d’apprentissage est adapta-
tif. À chaque pas de temps, un nouvel exemple est fourni au Un simulateur du procédé simulant les phénomènes d’excentri-
système d’apprentissage qui recalcule un nouveau jeu de coefficient cité a été conçu sous MATLAB/SIMULINK de la société The Math-
de pondération des neurones du réseau. Works (figure 19). Puis la conception du réseau de neurones et des
régulateurs a été étudiée et testée sous le même environnement
La différence majeure entre le filtrage non linéaire et la compen- logiciel.
sation active réside dans la conception du système complet et les
signaux générés. Dans ce système de compensation, la sortie du L’algorithme a pu être mis au point en simulation en s’appuyant
réseau de neurones est la correction à appliquer au système de sur tous les outils offerts par la suite logicielle de la société The
serrage pour compenser l’excentricité des cylindres. La forme de ce MathWorks.
signal représente l’excentricité, mais l’amplitude du signal de Enfin, pour valider définitivement l’algorithme, une campagne de
correction à générer dépend de l’actionneur et du système de mesure a été effectuée sur un site industriel pour collecter les
contrôle associé. données d’entrée du système afin de pouvoir les injecter dans le
6. Intégration
dans un environnement
d’automatisme
Les stratégies innovantes dans le domaine de la régulation ne

peuvent être des îlots isolés au sein d’un environnement d’automa-
tisme et, pour faciliter leur utilisation, il faut qu’elles s’intègrent tota-
lement à un système moderne d’automatisme [4].
L’utilisation des ressources que ce type de système met à disposi-
tion en standard permet non seulement de réduire les coûts d’étude,
mais offre aussi des avantages non négligeables à l’exploitant en
améliorant et simplifiant les tâches d’exploitation, de maintenance
et de résolution des défauts. Le personnel d’exploitation est capable
d’effectuer ces tâches sans formation complémentaire. Ces straté-
gies représentent un gain de temps, un allègement d’efforts et une
réduction des risques d’erreurs.
La mise en œuvre des réseaux artificiels neuronaux à l’aide du
Figure 19 – Schéma de simulation du processus et du contrôle calculateur de régulation rapide d’Alstom offre ces avantages. Elle
sous MATLAB/SIMULINK permet tant au concepteur qu’à l’utilisateur d’utiliser une technique
innovante dans un environnement familier et convivial. L’étude des
applications de ces réseaux de neurones se fait de façon simple et
simulateur et vérifier que les résultats obtenus donnaient des résul- transparente par un système graphique de type CAO avec des
tats d’une même qualité que ceux obtenus avec des signaux modules appropriés de type blocs, semblables à ceux des diagram-
d’entrée générés directement par le simulateur. mes fonctionnels classiques (figure 21).
Sur la figure 20, on peut observer un résultat de simulation Pour une installation donnée, l’intégration dans l’infrastructure
correspondant à un test de modélisation de l’excentricité par un existante est immédiate et sans effort supplémentaire. En effet,
réseau de neurones réalisant une modélisation physique de la toutes les ressources standards du système d’automatisme sont
forme du cylindre. utilisables pour mettre en œuvre les éléments des réseaux de
Sur ce graphe, la courbe bleue représente le signal de perturba- neurones et en assurer la maintenance (figure 22), mais aussi pour
tion généré par le simulateur, tandis que le signal noir représente fournir toute la documentation associée nécessaire.
l’excentricité estimée et le signal gris l’erreur entre ces deux Par rapport aux solutions techniques mettant en œuvre des
signaux. réseaux neuronaux non intégrés, la conception présentée ici offre
On peut noter une excellente corrélation entre la perturbation une série d’avantages précis ayant des conséquences non négligea-
d’excentricité et son estimation. bles, notamment sur les coûts et la fiabilité.
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)
Figure 20 – Résultats de simulation
L’intégration dans un système performant garantit :

— une efficacité des études, de la maintenance et du diagnostic ;
— une structure d’ensemble claire ;
— une documentation complète ;
— une suppression des erreurs de fonctionnement et des dom-
mages résultants.
Cette intégration permet en plus de mettre en œuvre très facile-
ment des réseaux neuronaux qui complètent et permettent d’affiner
les régulations conventionnelles en place.
La figure 23 montre les deux tâches principales de la régulation
adaptative neuronale. D’un côté, les régulateurs dans le monde syn-
chrone et événementiel des régulations traditionnelles. De l’autre
côté, l’apprentissage avec le réseau de neurones qui, dans les struc-
tures adaptatives, peut s’effectuer soit en synchronisme avec les
régulateurs, soit en synchronisme avec les acquisitions. Par analo-
gie avec ce qui se pratique en contrôle adaptatif, on passe, par
étapes successives, d’une activité de support avec ingénieurs de
mise en service pour les réglages des régulateurs, à un réglage
automatique des régulateurs sur demande, et finalement à un
réglage adaptatif continu des régulateurs.
Les entrées de la tâche « apprentissage & réseau neuronal » sont
Figure 21 – Éditeur graphique du langage bloc fonctionnel les mesures issues du procédé. La communication entre tâches
de programmation du calculateur temps réel d’ALSTOM comprend le réglage des facteurs de pondération des neurones. La
sortie de la tâche « apprentissage & réseau neuronal » est connec-
tée à un autre système de contrôle du procédé ; elle fournit la
correction à appliquer au système.
Les deux tâches « apprentissage & réseau neuronal » et « régula-
teurs » fonctionnent à des périodes différentes. La tâche « régula-
teurs » est synchrone avec les autres régulateurs du contrôle et est
exécutée classiquement toutes les 100 ms. L’excentricité est un
phénomène non stationnaire mais son évolution est lente ; il n’est
donc pas nécessaire de recalculer trop rapidement les facteurs de
pondération. La tâche « apprentissage & réseau neuronal » est
exécutée de façon synchrone avec la vitesse de rotation des cylin-
dres. Son pas d’échantillonnage dépendra principalement du
nombre de mesures effectuées par rotation de cylindre et de la
vitesse de déplacement de la tôle. Les valeurs typiques sont de quel-
ques millisecondes.
Apprentissage adaptatif
Facteurs de
Figure 22 – Outil de maintenance et d’aide à la mise en service Mesures pondération
Dans un environnement d’installation donné, on peut utiliser et

avoir accès aux fonctions suivantes : Régulateurs
— la régulation de l’installation en boucle fermée et ouverte ;
— le préréglage des consignes ;
— la communication ;
— l’acquisition et la mise en forme des mesures ; Correction
— l’archivage des mesures ;
— les systèmes de détection et d’enregistrement des défauts.
On bénéficie des fonctions suivantes sans recours à une program-
mation particulière : Facteurs de
— l’étude graphique d’ensemble bien structurée ; pondération
— l’analyse des mesures et des défauts ;
Apprentissage &
— l’exploitation des fonctions installées (IHM, interface homme- Régulateurs
réseau neuronal
machine) ;
— la puissance de calcul modulable au sein du système multi-
processeur multitâche ;
— un outil de documentation. Figure 23 – Répartition des tâches de base sur le processeur
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
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
Pendant le laminage, le filtre suit les variations d’excentricité

résultant des interférences entre cylindres supérieurs et cylindres
inférieurs. Le filtre est aussi en mesure de séparer les excentricités
Cage n° 2
des cylindres, ce qui est un aspect important pour les applications
de diagnostic des équipements. Cage n° 2
Le filtre neuronal non linéaire utilise l’information disponible rela-
Cage n° 3
tive à la vitesse de rotation des cylindres pour évaluer la valeur de
l’excentricité. Cette valeur est alors déduite du signal « force de Cage n° 3
laminage » et il ne reste donc que la force de laminage engendrée
par le produit. Cage n° 4
La figure 25 met clairement en évidence les réductions des Cage n° 4
perturbations périodiques.
Cage n° 4
Cage n° 4
10. Compensation d’excentricité Cage n° 5
cylindre sur un tandem Cage n° 5

Fondamental
Fondamental et 1er harmonique
de laminoirs à froid Fondamental et 2 premiers harmoniques
Fondamental et 3 premiers harmoniques
Lorsque l’on étudie l’épaisseur du produit à la sortie d’un tandem 0 1 2 3 4 5 6 7 8 9 10

de laminoirs, on s’aperçoit que pour améliorer les performances, il Écart type de l'épaisseur de sortie (%)
est nécessaire d’éliminer les perturbations générées par les excen-
tricités des cylindres. Figure 26 – Contribution cumulée du fondamental et des trois
premiers harmoniques de l’excentricité des cylindres de travail (WR)
L’analyse spectrale de l’épaisseur à la sortie du tandem permet de
pour différents produits
voir très nettement les fréquences engendrées par l’excentricité de
chaque cylindre de chaque cage (figure 11).
Une étude de la contribution des harmoniques des cylindres de
chaque cage a été effectuée afin de déterminer le nombre de
fréquences influentes pour chaque type de cylindre et chaque cage. Nous avons donc retenu pour ce contrôle le mode de représenta-
Les figures 26 et 27 présentent la contribution cumulée du fonda- tion spectrale pour la modélisation par réseau de neurones.
mental et des trois premiers harmoniques pour plusieurs cages d’un Le réseau de neurones a donc été conçu pour compenser deux
tandem de laminoirs à froid respectivement pour les cylindres de fréquences par cylindre. Les cylindres de travail étant appairés,
travail (WR Work Roll) et les cylindres d’appui (BUR Back Up Roll). c’est-à-dire ayant le même diamètre, on modélisera les deux cylin-
Cette analyse a été effectuée sur l’écart type de l’épaisseur à la sortie dres de travail comme un cylindre équivalent. Par contre, les cylin-
du tandem de laminoir. dres d’appui pourront avoir des diamètres différents. Le réseau de
Sur ce tandem de laminoirs, nous pouvons constater que seuls le neurones modélise donc pour ce laminoir trois cylindres avec deux
fondamental et le premier harmonique ont une importance signifi- fréquences par cylindre. Soit un total de six neurones sur la
cative sur l’écart type de l’épaisseur de sortie du tandem de lami- première couche et un sur la couche de sortie. Ce contrôle sera mis
noirs. en œuvre sur chacune des cages du tandem de laminoirs.
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.
Cage n° 3 La figure 28 présente les résultats obtenus pour la compensation

de l’excentricité des cylindres de la cage n° 3.
Cage n° 3
Nous pouvons constater très nettement la disparition des
Cage n° 4 fréquences correspondantes au fondamental des cylindres d’appui
supérieur et inférieur (BUR0 top et bottom) et du cylindre de travail
Cage n° 4 équivalent (WR0), mais aussi la suppression du premier harmoni-
Cage n° 4
que des cylindres d’appui supérieur et inférieur (BUR1 top et
bottom) et du cylindre de travail équivalent (WR1).
Cage n° 4
L’intérêt principal de ce type de contrôle est l’amélioration des
Cage n° 5 performances d’épaisseur. L’étude présentée sur la figure 29
Fondamental montre la répartition statistique de l’épaisseur en sortie. Cette étude
Cage n° 5 Fondamental et 1er harmonique a été faite dans deux configurations différentes :
Fondamental et 2 premiers harmoniques — la première présente les résultats lorsque la régulation d’épais-
Fondamental et 3 premiers harmoniques seur, la régulation de traction et la régulation d’excentricité sont en
service ;
0 5 10 15 20 25
— la seconde présente les résultats lorsque la régulation d’épais-
Écart type de l'épaisseur de sortie (%)
seur et la régulation de traction sont en service mais que la régula-
tion d’excentricité est hors-service.
Figure 27 – Contribution cumulée du fondamental et des trois
premiers harmoniques de l’excentricité des cylindres d’appui (BUR) Ces résultats démontrent très nettement l’intérêt de l’approche et
pour différents produits de la méthode.
Sans la compensation
BUR0 bottom
0,25
0,2
Épaisseur (%)
BUR0 top
BUR1 bottom
0,15
0,1 BUR1 top
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
Figure 28 – Performance de la compensation d’excentricité à base de réseaux neuronaux
Pourcentage 11. Récapitulatif

de mesures (%)
100
et perspectives
90
80
70
60
50
Les résultats obtenus aujourd’hui montrent que l’on peut utiliser
les structures neuronales comme approche de résolution des
40
problèmes. L’expérience acquise à partir d’exemples permettra de
30 avec la compensation
réduire les coûts de conception de nouveaux systèmes à base de
d'excentricité
20
sans la compensation
réseaux de neurones.
10 d'excentricité
0 L’utilisation de cette technologie au niveau de l’automatisme de
base permet d’améliorer considérablement les performances et
Épaisseur (%)
assure une conduite optimale du processus.
La graduation de l'axe des abscisses n'est pas indiquée car elle reste
dans le domaine du confidentiel. Dans l’avenir, d’autres applications dans le domaine des automa-
tismes seront traitées et les outils de mise en œuvre des réseaux
Figure 29 – Répartition statistique de l’épaisseur avec neuronaux permettant de réaliser des applications de manière
et sans régulation d’excentricité à base de réseau neuronal transparente et conviviale vont continuer à se développer.
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.

S 7582 - Régulation D'un Processus Industriel Par Réseaux de Neurones

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

S 7582 - Régulation D'un Processus Industriel Par Réseaux de Neurones

Transféré par

Droits d'auteur :

Formats disponibles

Régulation d’un processus

industriel par réseaux de neurones

par Fabrice SORIN

1. Rappels théoriques .................................................................................. S 7 582 – 2

e souci d’améliorer les performances des processus industriels et de réduire

Le neurone artificiel (figure 2) est un processeur élémentaire. Il

Figure 1 – Neurone biologique Figure 3 – Réseau multicouche classique

Figure 4 – Réseau multicouche à connexions locales Figure 6 – Réseau à connexions complexes

Les couches extérieures du réseau sont appelées respectivement

2. Réseaux artificiels neuronaux

Figure 7 – Tandem de laminoirs Figure 9 – Différents types de cage de laminoir

Cylindre Cage 3 : fondamental cylindre d'appui supérieur

Palier 0,12 Cage 5 : 1er harmonique cylindre d'appui supérieur

Tôle 0,1 Cage 2 : 1er harmonique cylindre de travail

Cage 4 : 1er harmonique cylindre d'appui

0,06 Cage 3 : 1er harmonique cylindre

L’écrasement de la bande de métal est obtenu par l’intermédiaire 0

Figure 15 – Réseau de neurones

2e couche Figure 16 – Représentation temporelle de l’excentricité

Position angulaire Excentricité estimée

Force de laminage non filtrée Apprentissage adaptatif

Figure 17 – Réseau de neurones et son système d’apprentissage

4.2 Compensation active à base de réseau Mesure d'épaisseur ou de traction

Les stratégies innovantes dans le domaine de la régulation ne

Figure 20 – Résultats de simulation

L’intégration dans un système performant garantit :

Dans un environnement d’installation donné, on peut utiliser et

Pendant le laminage, le filtre suit les variations d’excentricité

10. Compensation d’excentricité Cage n° 5

cylindre sur un tandem Cage n° 5

Lorsque l’on étudie l’épaisseur du produit à la sortie d’un tandem 0 1 2 3 4 5 6 7 8 9 10

Cage n° 3 La figure 28 présente les résultats obtenus pour la compensation

0,1 BUR1 top

Figure 28 – Performance de la compensation d’excentricité à base de réseaux neuronaux

Pourcentage 11. Récapitulatif

Vous aimerez peut-être aussi