Rapport sur Optimisation des corrections PID

utilisant les méthodes liées à l’intelligence

artificielle
C’est quoi l’intelligence artificielle ?

Alors qu'un certain nombre de définitions de l'intelligence artificielle (IA) ont été proposées au cours
des dernières décennies, John McCarthy avance la définition suivante dans cet article de 2004 (PDF,
106 ko, lien externe à IBM) : « C'est la science et l'ingénierie de la fabrication de machines
intelligentes, en particulier de programmes informatiques intelligents. Elle est liée à la tâche
similaire qui consiste à utiliser des ordinateurs pour comprendre l'intelligence humaine, mais
l'IA ne doit pas se limiter aux méthodes qui sont biologiquement observables. »

Définition 2

L’IA ou l’intelligence artificielle est un domaine de la technologie qui vise à rendre les machines
intelligentes. Plus précisément, il s’agit d’un ensemble de techniques informatiques qui permettent aux
ordinateurs de résoudre un problème donné aussi efficacement qu’un humain le ferait. Cette branche
de la science informatique a vu le jour dans les années 1950, grâce à deux informaticiens et
spécialistes des sciences cognitives. Il s’agit de Marvin Minsky, cofondateur du MIT et de John
McCarthy. Un système d’IA doit être capable d’observer, d’analyser, de résoudre des problèmes,
d’apprendre, etc. En d’autres termes, l’intelligence artificielle reproduit d’une certaine façon
l’intelligence humaine.

Les composants de l’IA :

Précisons avant tout que le terme IA englobe un vaste domaine. Autrement dit, il existe plusieurs
technologies qui sont des sous-catégories de l’intelligence artificielle. Donc pour comprendre
comment ça marche, commençons par parler de ses composants.

Les réseaux neuronaux artificiels

Dans le but de rendre les machines aussi intelligentes que les humains, les chercheurs en IA tentent de
reproduire le fonctionnement du cerveau. Pour cela, ils ont construit un modèle mathématique du
réseau neuronal biologique. Un réseau neuronal artificiel permet donc aux appareils dotés d’une IA de
traiter les informations comme dans un système cérébral humain. Les réseaux neuronaux
correspondent à des couches d’algorithmes programmés pour effectuer des tâches suite au passage de
données.

Il existe deux types de réseaux neuronaux, dont les réseaux de neurones récurrents et les réseaux de
neurones convolutifs. Leur différence réside dans leur utilisation qui varie en fonction des données
d’entrées.
Le machine learning (ML)

Ce sont les réseaux de neurones artificiels qui donnent aux machines une capacité d’apprentissage. Ils
constituent ce qui est appelé le machine learning, qui est une sous-catégorie de l’IA.

En termes simples, le machine learning, connu aussi comme l’apprentissage automatique, donne aux
ordinateurs la capacité d’apprendre à exécuter une tâche par eux-mêmes. Autrement dit, une machine
n’a pas besoin d’une intervention humaine pour résoudre un problème. Afin d’y parvenir, le système
reçoit des données qu’il utilisera pour apprendre à effectuer une tâche. En pratique, cela peut par
exemple être une tâche d’identification des symptômes d’une maladie dans un dossier médical
électronique. Généralement, l’apprentissage automatique est une forme d’IA utilisée pour l’analyse de
données, l’identification de modèles et aussi l’analyse prédictive. Cependant, pour que le machine
learning soit efficace, il doit être formé sur d’énormes quantités de données. Par ailleurs,
l’entraînement du système doit se faire de manière itérative et continue pour qu’il reste au niveau dans
la résolution de nouvelles tâches.

Les approches du ML

Principalement, il existe différentes méthodes pour l’apprentissage automatique. La première est un

apprentissage supervisé dans lequel les systèmes d’IA utilisent des données étiquetées. En s’entraînant
sur ces exemples de données, un modèle ML peut ensuite appliquer automatiquement les étiquettes sur
les nouvelles entrées. D’autre part, l’apprentissage non supervisé utilise une autre méthode. Entre
autres, les algorithmes ML extraient les caractéristiques en identifiant les similitudes entre les
données. Une autre approche dite apprentissage par renforcement repose sur le retour d’information.
En d’autres termes, en fonction des résultats (exacts ou erronés), le système reçoit une récompense.

Les autres types d’IA

Le deep learning est une sous-catégorie du machine learning et donc un sous-ensemble de l’IA. Il
utilise plusieurs couches de réseaux de neurones artificiels pour résoudre les problèmes complexes. En
outre, le Natural Language Processing (NLP) ou le traitement du langage naturel est une autre branche
de l’IA. Il s’agit de la technologie qui permet aux machines de comprendre et de reproduire le langage
humain. Le NLP est un élément essentiel en termes d’interaction homme-machine. Pour faire simple,
les algorithmes de traitement du langage naturel transforment les entrées linguistiques en code que les
ordinateurs peuvent déchiffrer. Dans le cas des IA conversationnelles, le système NLP permet
également de générer des textes pour discuter avec les humains.
Parlons également de la computer vision, communément appelée la vision par ordinateur. Dans ce
domaine, c’est le système de la vision humaine que l’IA tente de reproduire. Plus exactement, cela
implique l’utilisation d’appareils qui permettent de voir et de systèmes qui aident les ordinateurs à
comprendre ce qu’ils voient. La computer vision s’appuie essentiellement sur le deep learning. D’autre
part, la generative AI est un domaine de l’intelligence artificielle qui consiste à générer des contenus
réels sans aucune intervention humaine. Autrement dit, ses capacités d’apprentissage s’appliquent à la
création de textes, de sons, d’images, de vidéos, etc.

Cas d’utilisation de l’IA :

En réalité, les domaines d’application de l’IA sont presque sans limites. Elle touche des aspects
simples de notre quotidien, mais elle peut également changer le monde en aidant les chercheurs à
anticiper les bouleversements liés au changement climatique.

Au quotidien :

L’utilisation de l’intelligence artificielle au quotidien peut prendre différentes formes. Une des plus
courantes consiste en la reconnaissance vocale et la reconnaissance faciale. Dans le premier cas, la
catégorie de l’IA concernée est le traitement et la compréhension du langage naturel. Pour citer un
exemple, nous avons les assistants vocaux tels que Alexa d’Amazon ou tout simplement la commande
vocale Ok Google depuis les smartphones. De même, un exemple de l’utilisation de la reconnaissance
faciale dans la vie de tous les jours est le déverrouillage des smartphones.

d’autre part, si vous naviguez quotidiennement sur les plateformes de médias sociaux, sachez que l’IA
y est également présente. En effet, les applications telles que TikTok, Facebook ou encore Instagram
utilisent des algorithmes intelligents pour classer ou recommander des contenus. C’est la raison pour
laquelle les utilisateurs voient des publications qui les intéressent sans avoir fait des recherches. Mais
la plus grande contribution de l’IA au quotidien concerne sans doute l’AIoT. En gros, il s’agit de la
combinaison de l’intelligence artificielle avec l’IoT (appareils connectés). Par exemple, lorsqu’une
personne entre dans une pièce, la température ou l’éclairage peut s’ajuster automatiquement.

Les véhicules autonomes

La technologie des véhicules autonomes représente un domaine où l’IA joue un rôle primordial. Cette
fois, c’est surtout la vision par ordinateur qui entre en jeu. Bien que jusqu’ici, la plupart des
constructeurs se trouvent au stade expérimental, le marché est en pleine croissance et les premières
voitures sans conducteur ne devraient pas tarder à circuler dans les voies publiques. C’est également la
même technologie qui permet aux robots de naviguer de manière autonome.
L’IA en entreprise

Les entreprises exploitent également les technologies de l’IA de différentes manières. Nous pouvons
par exemple citer les chabots qui sont à la fois utilisés pour les communications internes et pour
automatiser le service client. Par ailleurs, il existe d’autres secteurs que les entreprises améliorent en
utilisant des systèmes intelligents comme le Marketing par l’IA ou encore les ressources humaines. En
outre, les domaines d’activités spécifiques comme la finance, le commerce ou l’assurance ont chacun
la possibilité de tirer parti de cette technologie.

Au service de l’humanité

Étant donné qu’il s’agit d’une branche, informatique, un cas d’utilisation touche la cybersécurité.
Certains outils basés sur le ML permettent effectivement de détecter les défaillances des systèmes
mais aussi d’identifier les attaques. L’IA peut également aider à élaborer des mesures de sécurité en
ligne plus efficaces contre les cybercriminels. En dehors des systèmes informatiques, les systèmes
intelligents sont également utilisés pour la sécurité publique. Bien que cela soulève des critiques liées
au respect de la vie privée, certains organismes de sécurité et des gouvernements tirent parti de la
reconnaissance faciale pour identifier des criminels. L’intelligence artificielle permet également
d’améliorer la circulation. Par exemple, des applications d’IA peuvent prédire les embouteillages des
heures à l’avance. D’autre part, l’IA est actuellement très utilisée dans l’industrie de la médecine et
des soins de santé. Elle permet d’accélérer le diagnostic des maladies graves, de découvrir des
éléments essentiels dans le développement de nouveaux traitements. Par exemple, DeepMind a mis au
point une IA qui peut prédire la structure des protéines et a publié la carte la plus complète jusqu’ici.

Tous les cas d’utilisation que nous avons cité ne constituent qu’une petite partie de ce que l’IA peut
faire. En effet, d’autres domaines comme l’environnement, la météorologie, l’astrophysique ou encore
l’armement exploitent les technologies intelligentes. Par ailleurs, il s’agit d’une science évolutive, ce
qui signifie que les applications ne cesseront pas de se multiplier.

L’IA étroite et l’IA générale

L’intelligence artificielle peut être divisée en deux types : l’IA faible et l’IA générale. Tous les
composants de l’IA et les exemples d’utilisations que nous avons énumérés dans ce guide font partie
de l’IA faible. Entre autres, ce type d’intelligence artificielle est conçu pour résoudre une tâche
spécifique. Le concept d’IA générale fait référence à une intelligence artificielle qui a le même niveau
de cognition et de polyvalence que l’humain. Pour faire court, elle pourrait faire tout ce qu’un humain
peut faire et non pas se limiter à une tâche. Mais il s’agit, jusqu’ici, d’une vision fictive.
L’avenir de l’IA :

Comme nous l’avons mentionné précédemment, l’IA est une technologie en constante évolution. De
ce fait, plusieurs experts et scientifiques anticipent l’ampleur que ces nouvelles technologies
pourraient prendre. En effet, certains suggèrent qu’à mesure que les programmes informatiques
deviendront intelligents, les humains seront dépassés. Cela signifierait que les robots et les
programmes automatisés remplaceront les humains en les rendant inutiles. En revanche, un autre point
de vue soutient que l’IA représente l’avenir de l’humanité. Plus précisément, l’utilisation de cette
technologie aiderait les humains à améliorer leur capacité et leur créativité. En facilitant certaines
tâches, elle donne la possibilité de concentrer les efforts dans des tâches plus importantes. De plus,
l’intelligence artificielle repousse sans cesse les limites, ce qui signifie qu’elle augmente la possibilité
de résoudre les plus grands problèmes de l’humanité. En fin de compte, l’IA libère les humains des
tâches répétitives et les aide à prendre de meilleures décisions.

PID :
Le reglage automatique

La plupart des régulateurs de processus vendus aujourd'hui incorporent des fonctions de réglage
automatique. Les caractéristiques de fonctionnement varient d'un fabricant à l'autre, mais elles
suivent toutes des règles similaires à celles décrites plus haut. En grandes lignes, le régulateur «
assimile » la manière dont le processus répond à une perturbation ou à un changement de la
valeur de consigne et calcule les paramètres PID appropriés. Dans le cas d'un régulateur de
température, comme ceux de la série CNi8 d'OMEGA, lorsque la fonction de réglage
automatique est sélectionnée, le régulateur active une valeur de sortie. En constatant le délai et
la vitesse d'implémentation du changement, il calcule alors les paramètres P, I et D optimaux,
lesquels peuvent être réglés plus tard manuellement au besoin (remarque : ce régulateur
nécessite que la valeur de consigne soit au moins de 10 °C supérieure à la valeur de processus
actuelle pour que le réglage automatique puisse avoir lieu).

Des contrôleurs plus récents et plus sophistiqués, tels que les contrôleurs de processus et de
température de la série Platinum d'OMEGA, incorporent le principe de logique floue dans leurs
fonctions de réglage automatique. La logique floue permet de gérer au mieux l'imprécision et la
non-linéarité dans des situations de contrôle complexes, comme cela arrive souvent dans les
industries de fabrication et de traitement, et aide également à optimiser les réglages.
Régulation avec un correcteur PID :

Le but de la régulation est de maintenir à une valeur désirée (grandeur de référence), une
grandeur physique (grandeur réglée) comme la température, l'humidité relative, la pression...
soumise à des perturbations. Après comparaison entre grandeur réglée et grandeur de
référence, il en résulte un écart de réglage, et en fonction de cet écart, le régulateur PID forme
un signal de commande (grandeur de réglage) qui va faire varier la puissance de réglage par
l'intermédiaire d'un actionneur (organe de réglage).

Structure d'un PID :

Les actions élémentaires d’un régulateur peuvent être associées de plusieurs façons. On parle
de la structure d’algorithme du régulateur. Les valeurs des paramètres PID ne donnent pas le
même comportement du procédé selon que la structure est parallèle ou mixte. C’est pourquoi
il est primordial que l’automaticien connaisse les structures existantes du régulateur.

Structure parallèle : Cette structure est illustrée par la figure (I.1).

Dans ce cas la sortie Y(t) est donné par :

En considérant les conditions initiales sont nulles et en appliquant la transformée de Laplace à

l'équation on obtient la fonction de transfert du régulateur PID à structure parallèle.

Avec : Ti et Td sont respectivement la constante d’intégration et la constante de dérivation

Structure série :
Cette structure est illustrée par la figure. Dans ce cas la sortie Y(t) est donner par :

Est le coefficient théorique d’interaction entre action intégrale et action dérivée.

En considérant les conditions initiales sont nulles et en appliquant la transformée de Laplace à

l'équation on obtient la fonction de transfert du régulateur PID à structure série.