Département Génie Electrique

Option : Automatique & Informatique Industrielle

Mémoire de Projet de Fin d’Etudes

Pour l’obtention du Diplôme d’ingénieur d’Etat

Modélisation et contrôle avancé de l'unité

d'épaississement de la ligne E de Jorf Lasfar-OCP

Réalisé par :

HAMDAOUI ABDELHAMID

OUMESSAOUD M’BARK

Devant le jury :

M.HALOUA Président

Mme. AZZAM-JAI Examinatrice

M.FATEMI Encadrant interne (EMI)

M.BENJELLOUN Encadrant interne (EMI)

M.OULHIQ Encadrant externe (UM6P)

M.MOUNAAM Encadrant externe (UM6P)

Année scolaire : 2019/2020

 Remerciement

Avant d’entamer les détails de notre projet de fin d’études, il nous tient à cœur de
remercier toutes les personnes de mérite sans qui, ce travail n’aurait jamais abouti. Nous
témoignons d’une grande gratitude envers l’ensemble des professeurs et des cadres
administratifs du département électrique, qui ont contribué dans une large mesure à notre
formation au sein de l’Ecole Mohammadia d’Ingénieurs.

Très grands sont les sentiments de gratitude et de considération que nous exprimons
à l’égard de nos professeurs encadrants M. BENJELLOUN Khalid et M. FATEMI Abdelilah
pour leurs orientations, leurs conseils et leur aide précieuse tout au long de notre période de
stage.

Nous remercions également notre parrain en entreprise M. OULHIQ Ridouane et M.

MOUNAAM Amine de nous avoir accompagné et orienté durant la période de notre stage,
son encadrement et ses conseils nous ont été d’un appui considérable.

Nous souhaitons exprimer également notre gratitude aux membres du jury qui ont eu
l’obligeance d’accepter l’évaluation de ce travail.

Enfin, Nous tenons à remercier toutes les personnes qui ont contribué de loin ou de
près à la concrétisation de ce travail.

2
 Résumé

Pour faire face à la concurrence internationale et pour garder la confiance de ses clients,
le groupe OCP ne cesse d'effectuer des améliorations sur tous les niveaux et en particulier le
contrôle des procédés. Ainsi, notre projet de fin d'études consiste à l’obtention d’une densité
de la pulpe désirée en s’appuyant sur l’implémentation de la commande avancée.

Notre travail était tout d’abord d’étudier la ligne E de production de l’acide

phosphorique 29%. Puis, nous nous sommes focalisés sur l’analyse fonctionnelle et le contrôle
avancée de l’unité d’épaississement qui est la source de la matière première pour les autres
unités. Ensuite, nous avons développé une architecture de contrôle avancée et des algorithmes
de communication via OPC Remote.

Ce projet vise principalement l’implémentation d’un contrôleur pour que le système

s’adapte aux changements du paramètre de sortie et aux perturbations importantes et donc de
recalculer les paramètres de réglage les plus adaptés permettant le maintien de la densité de
pulpe désirée à sa valeur.

3
 Abstract

To keep up with international competition and to maintain the confidence of its

customers, the OCP Group continues to make improvements at all levels, in particular process
control. Thus, our project falls within this framework and aims to obtain a desired pulp density
by relying on the implementation of an advanced control.

Our mission was to study the line E for production of phosphoric acid 29%.Then; we
focused on the functional analysis and the advanced control of the thickening unit, which is the
source of the raw material for the other units. Next, we developed an advanced control
architecture and algorithms for communication via OPC Remote.

This project mainly aims at the implementation of a controller so that the system adapts
to changes in the output parameter and to significant disturbances and therefore to recalculate
the most suitable adjustment parameters allowing the desired pulp density to be maintained at
its value.

4
 TABLE DES MATIERES

TABLE DES MATIERES............................................................................................ 5

LISTE DES FIGURES................................................................................................. 8
LISTE DES ABREVIATIONS....................................................................................10
Introduction Générale .................................................................................................11
CHAPITRE I : Présentation de la structure d’accueil ................................................... 12

I.1. L’université Mohammed VI Polytechnique .......................................................12

I.2. Concept de Innovation Lab for Operations ........................................................14
I.3. Présentation Innovation Lab for Operations et la Ville Verte .............................14
CHAPITRE II : Contexte de l’étude de cahier des charges ........................................... 16

II.1. Description de la ligne E de production phosphorique .......................................16

II.2. Procédé de fabrication de l’acide phosphorique .................................................16
II.2.1. Epaississement ............................................................................................17

II.2.2. Attaque .......................................................................................................19

II.2.3. Filtration .....................................................................................................20

II.3. Unité d’épaississement.....................................................................................20

II.3.1. Les équipements de l’unité d’épaississement ................................................20

II.3.2. Principe d’épaississement ............................................................................21

II.4. Contexte du projet ...........................................................................................22

II.5. Objectifs du projet ...........................................................................................22
II.6. Démarche de réalisation du projet.....................................................................22
CHAPITRE III : Modélisation de l’unité d’épaississement ........................................... 24

III.1. Les entrées/sorties de l’unité d’épaississement..............................................24

III.2. Prétraitement de données .............................................................................28

III.2.1. Prétraitement de données .............................................................................29

a. Traitement de données manquantes ..............................................................29

b. Traitement de données aberrantes ................................................................29

5
 III.2.2. Echantillonnage de données .........................................................................31

III.2.3. Le filtrage des données ................................................................................35

a. Filtre par moyenne glissante .............................................................................35

b. Choix de la fréquence du filtre .........................................................................35

III.2.4. Normalisation de données............................................................................36

III.3. Identification de l’épaississeur .....................................................................36

III.3.1. Méthode de Minimisation d’Erreur de prédiction (MEP)...............................37

III.3.2.Estimation des paramètres du modèle ...........................................................42

III.3.3.Validation du modèle ..................................................................................43

CHAPITRE IV : CONTROLE AVANCEE DE L’UNITE D’EPAISSISSEMENT ....... 45

IV.1. La commande multivariable par le découplage ..................................................45

IV.1.1. Analyse des interactions dans un système multivariable ................................46

IV.1.2. Quelques méthodes d’analyse des interactions ..............................................48

IV.1.3. Le découplage des systèmes multivariables ..................................................51

a. Conception du découpleur..............................................................................51

IV.2. Conception du prédicteur de Smith ...................................................................53

IV.2.1. Les systèmes à retard...................................................................................53

IV.2.2. Les limites du PID.......................................................................................54

IV.2.3. Structure du prédicteur de Smith ..................................................................55

IV.2.4. Conception du contrôleur PI du prédicteur de Smith .....................................56

IV.3. Contrôle par commande anticipative .................................................................57

IV.4. Application de la commande multivariable pour l’unité d’épaississement ..........58
IV.4.1. Analyse des interactions entre les entrées/Sorties..........................................59

a. Calcul du RGA............................................................................................59

IV.4.2. Calcul de la matrice du découplage ..............................................................59

IV.4.3. Analyses des performances pour le prédicteur de Smith ................................61

IV.4.4. Analyse des performances pour la commande anticipative ............................63

IV.5. Le modèle du contrôle prédictif ........................................................................65

6
 IV.5.1. Principe de base ..........................................................................................66

IV.5.2. Les éléments du MPC..................................................................................67

a. Modèle de prédiction ...................................................................................68

b. La fonction objective ...................................................................................72

IV.5.3. Les différents types du MPC ........................................................................73

a. Dynamic Matrix Control..............................................................................68

b. Generalized Predictive control .....................................................................72

c. Non linear programming..............................................................................72

IV.5.4. Simulation Matlab/Simulink ........................................................................75

IV.5.5. Analyse des performances ...........................................................................77

Chapitre V : Architecture du contrôle avancé et des algorithmes de communication via

OPC ................................................................................................................................ 79

V.1. Description de l’architecture DCS ....................................................................79

V.1.1. Le système de contrôle .....................................................................................79
V.1.2. Architecture DCS ............................................................................................79
a. Station de contrôle FCS ...............................................................................79

b. La station INGENIEUR...............................................................................80

c. Les stations HIS ..........................................................................................80

d. HISTORIAN...............................................................................................80

e. PRM ...........................................................................................................80

f. Vnet/IP .......................................................................................................80

V.2. Architecture de communication ........................................................................81

V.2.1. Architecture APC ............................................................................................81
V.2.2. Communication client–serveur .........................................................................82
Conclusion Générale .................................................................................................84
Références .................................................................................................................85

7
 LISTE DES FIGURES

Figure 1: Logo UM6P. .......................................................................................................13

Figure 2 : Logo d'ILO. .......................................................................................................15
Figure 3 : Ligne E de production de l'acide phosphorique....................................................17
Figure 4 : L'unité d'épaississement de la ligne phosphorique E. ...........................................18
Figure 5 : Schéma bloc de l'unité d'épaississement. .............................................................19
Figure 6 : Schéma bloc de l’unité d'attaque. ........................................................................19
Figure 7 : Schéma bloc de l’unité de filtration.....................................................................20
Figure 8 : L'unité d'épaississement de la ligne phosphorique E. ...........................................21
Figure 9 : Schéma bloc de l'épaississeur. ............................................................................27
Figure 10 : Le processus de prétraitement de données. ........................................................28
Figure 11 : Histogramme du débit de la pulpe d'entrée. .......................................................30
Figure 12 : Histogramme du débit de la pulpe d'entrée sans valeurs aberrantes.....................30
Figure 13 : Fonction de l'autocorrélation de densité de sortie ...............................................33
Figure 14 : Fonction de l'autocorrélation de niveau de lit. ....................................................34
Figure 15 : Structure d'identification basée sur l'erreur de prédiction....................................37
Figure 16 : Algorithme de MEP. ........................................................................................41
Figure 17 : Algorithme de conversion du modèle discret vers modèle continu. .....................42
Figure 18 : Validation du modèle. ......................................................................................44
Figure 19 : Commande multivariable..................................................................................46
Figure 20:Simulation du système TITO non perturbé sans découplage.................................47
Figure 21: Simulation du système TITO perturbé sans découplage .....................................48
Figure 22:Le système en boucle fermée découplé. ..............................................................51
Figure 23: Réponse du système pour différents retards. .......................................................55
Figure 24 : Structure du prédicteur de Smith. ......................................................................56
Figure 25: Schéma bloc de la commande anticipative .........................................................57
Figure 26 : Schéma procédé de l'épaississeur. .....................................................................59
Figure 27:Rejet des perturbations par le prédicteur de Smith pour U 1_Y1.............................61
Figure 28:Rejet des perturbations par le prédicteur de Smith pour U 2-Y2 .............................62

8
Figure 29:Rejet de la perturbation par la commande anticipative pour le système U 1_Y1 ......63
Figure 30:Rejet de la perturbation par la commande anticipative pour le système U 2_Y2 ......64
Figure 31 : La stratégie du MPC.........................................................................................66
Figure 32 : Le schéma bloc du MPC...................................................................................68
Figure 33 : La réponse impulsionnelle. ...............................................................................70
Figure 34 : La réponse indicielle. .......................................................................................71
Figure 35 : L’Algorithme du DMC.....................................................................................73
Figure 36 : Bloc MPC de Matlab/Simulink. ........................................................................75
Figure 37:schéma sur Simulink de la régulation par MPC ...................................................76
Figure 38 : Rejet des perturbations par la commande prédictive...........................................77
Figure 39: Les signaux de commandes du système par la commande prédictive. .................77
Figure 40 : Architecture DCS de l'épaississeur. ...................................................................81
Figure 41: L’unité APC intégrée dans l’architecture DCS. ..................................................82
Figure 42 : L’architecture de communication de l’unité APC. .............................................83

9
 LISTE DES ABREVIATIONS

- UM6P : Université Mohamed 6 Polytechnique.

- OCP : Office Chérifienne des Phosphates.
- ILO: Innovation Lab for Operation.
- P&ID : Piping & Instrumentation Diagram.
- SISO : Single Input Single Output.
- MIMO : Multiple Input Multiple Output.
- TITO : Tow Input Tow Output.
- MPC : Model Predictive Control.
- PFC: Predictive Functional Control.
- GPC : Generalized Predictive control.
- DMC : Dynamic Matrix Control.
- NPL : Nonlinear programming.
- MEP : Minimisation d’Erreur de Prédiction.
- RMSE :ROOT Mean Square Error
- RDA : Relative Dynamic Array.
- RGA : Relative Gain Array.
- DCS: Distributed Control System.
- SCADA: Supervisory Control And Data Acquisition.
- PLC: programmable logic controller.
- FCS: Field Control Stations.
- FCU: Field Control Unity.
- HIS: Human Interface Station.
- PCS: Process Control Systems.
- PRM: Precision Runway Monitor.

10
 Introduction Générale

Pour faire face aux évolutions accélérées d’un marché de plus en plus concurrentiel et
aux nouveaux enjeux en termes d’optimisation des ressources et de gestion efficace de la
production, les entreprises ne cessent de chercher les moyens d’augmenter leur productivité.
C’est dans ce sens que le groupe OCP, leader mondial dans son secteur d’activité,
conformément à son plan stratégique de développement, vient de mettre en œuvre le projet de
digitalisation de ses installations sur tous les niveaux.

C’est dans cette perspective que s’inscrit le sujet de notre stage de Projet de Fin
d’Etude effectué au sein de la ligne de production d’acide phosphorique « Ligne E » de Jorf
Lasfar, et ayant comme objectif la modélisation de l’unité d’épaississement de la pulpe de la
ligne E et l’amélioration de sa performance par l’implémentation d’une méthode de contrôle
avancée .

Notre projet comporte cinq chapitres :

Le premier chapitre est consacré à une brève présentation du groupe OCP et

particulièrement de l’entité d’accueil Innovation Lab for Operations de l’UM6P.

Le deuxième chapitre est dédié à une présentation du procédé de production d’acide

phosphorique dans la ligne E lieu de déroulement de notre stage de fin d’études, une
description de l’unité d’épaississement et le cahier de charge de notre projet de fin d’étude.

Le troisième chapitre, nous exposons le contexte général du projet en énonçant la

problématique, les phases et nous clôturons par une planification du projet.

Le quatrième et le cinquième chapitre sont consacrés à une identification de l’unité

d’épaississement à partir d’une base de données et des méthodes de contrôle avancées de
l’unité d’épaississement.

11
CHAPITRE I : Présentation de la structure d’accueil

Introduction

Dans ce chapitre nous allons présenter l’organisme d’accueil qui est l’UM6P, ses
missions, et ses centres de recherches. Ensuite, nous présenterons le centre de recherche ILO,
ses objectifs, ses acteurs et ses missions.

I.1. L’université Mohammed VI Polytechnique

UM6P est une institution d’enseignement supérieur à vocation international, orientée
vers la recherche appliquée et l’innovation dans les domaines curieux pour un développement
durable du Maroc et plus largement de l’Afrique qui est sous la direction de de l’OCP.

Elle ambitionne de se placer parmi les universités mondialement reconnues dans ces
domaines. Engagée dans le processus de développement économique et social, UM6P met la
recherche et l’innovation au service du développement du continent africain. Un
positionnement qui lui permet de consolider la position avant-gardiste du Maroc dans ces
domaines à travers la mise en place d’une approche partenariale unique, et le renforcement de
l’offre de formation en compétences pertinentes pour l’avenir de l’Afrique. Située dans la
commune de Ben Guérir, à proximité de Marrakech, et logée au cœur de sa Ville Verte, l’UM6P
ambitionne de rayonner à l’échelle nationale, continentale et internationale Construit par les
architectes Ricardo Bofill et Elie Mouyal [1].

L’université et ses équipements ont été pensés pour un enseignement et une qualité de
vie à dimension humaine, où l’individu a toute sa place. L’UM6P a l’ambition de devenir un
pôle académique en mesure de hisser le Maroc au rang des grandes nations en matière de
recherche et de formation, et d’accompagner l’OCP dans l’innovation au niveau de toute sa
chaîne de valeur. L’Université est financée par les produits de la recherche et de la formation
continue, les frais de scolarité, et les produits de ses actifs immobiliers dans ses différents
campus.

12
 Figure 1: Logo UM6P.
Ayant pour mission principale de favoriser le développement du savoir, de la science
et de la technologie, elle ambitionne de :

 Assurer le développement des compétences et du savoir par le biais d’une formation

de qualité.
 Promouvoir la recherche et relever les plus grands défis scientifiques et
technologiques du futur, notamment à travers des livings Labs privilégiés aux
applications pratiques à échelle réelle.
 Développer des partenariats durables avec les plus grandes universités, institutions
et centres de recherche nationaux et internationaux, dans le but de promouvoir
l’échange de connaissances, de savoir et d’expertise.
 Partager avec les étudiants les valeurs de responsabilité sociale et de développement
durable, dans l’objectif de donner naissance à une nouvelle génération de leaders
compétents, soucieux de leur environnement et outillés pour adresser les enjeux
d’aujourd’hui et de demain.

L’UM6P dispose de plusieurs centres de recherche à savoir :

 Complex Systems Engineering and Human Systems (CSEHS)

 Modeling Simulation and Data Analysis (MSDA)
 Center of Excellence in Soil and Fertilizer Research in Africa (CESFRA)
 The WEF and Climate Nexus
 Chemical and biochemical sciences. Green process engineering (CBS.GPE)
 MSN (Material Sciences and Nanotechnology).
 Innovation Laboratory for Operations Laboratory (ILO)
 The African Center for Behavioral Sciences
 CIAM (Medical Applications Interface Center)
 The African Center for Agricultural Applied Economics and Development
(African-CAAED)

13
 I.2. Concept de Innovation Lab for Operations

Le concept de ILO est inspiré du MIT aux Etat Unis, l’UM6P l’a adapté au contexte
marocain afin d’en faire un axe important de sa stratégie de développement selon quatre
orientations :
 Promotion de l’innovation à tout acteur externe ou interne de l’université.
 Soutien au développement de la technopole de Ben Guérir, et notamment comme atelier
de fabrication mutualisé pour la recherche et développement de produits destinés aux «
Start Up » de la technopole.
 Appui à la recherche et développement soit par la réalisation d’équipements de
laboratoires, par sa participation directe aux travaux de recherche et développement.

Le concept de ILO reste fidèle aux principes de base de développement des laboratoires,
à savoir, une structure mise à la disposition des porteurs d’idées individuels (créateurs,
designers, ingénieurs, hackers, électroniciens, roboticiens, etc.) ou entreprises qui cherchent à
réaliser des projets par eux-mêmes ou en collaboration avec d’autres.

Il apporte néanmoins une valeur ajoutée supplémentaire en termes de soutien au

développement de la technopole, à la recherche et à la formation. L’Innovation Lab for
Operations de l’UM6P met donc à disposition des utilisateurs des moyens de conception et de
fabrication modernes pour la réalisation de leurs projets. L’équipe de techniciens disponible
sur place a pour mission d’aider les créateurs à bien utiliser ces moyens en toute sécurité et en
toute autonomie par des formations sur les équipements.

L’Innovation Lab for Operations de l’UM6P a aussi et surtout un lieu collaboratif de

fabrication, ouvert à tous, qui aide les créateurs à s’approprier des technologies utiles pour leurs
projets. Il favorise la rencontre des envies et des compétences pour partager, créer et réaliser
des objets et des systèmes.

I.3. Présentation Innovation Lab for Operations et la Ville Verte

L’Innovation Lab for Operations de l’UM6P sera un acteur majeur du développement

de la ville verte. Situé au cœur de la technopole et à quelques pas de l’université, il aidera à la
création de valeur ajoutée et à l’innovation, bénéfiques à la ville et à la région [2].

14
 Figure 2 : Logo d'ILO.

Le ILO devra fonctionner avec une multitude d’acteurs de son écosystème. Les acteurs
identifiés sont:

 Les étudiants et les professeurs de l’UM6P souhaitent développer des projets

innovants.
 Les laboratoires, et les chercheurs désireux de développer des équipements
nécessaires pour leurs travaux de recherche.
 Les entreprises de la technopole qui auront un statut spécifique vis-à-vis du
laboratoire (conseil aux porteurs des projets Start Up, mise à disposition de locaux
ou terrains…).
 Les entreprises hors Ben Guérir pour la réalisation des prestations diverses.
 Les inventeurs individuels.
 Les organismes de protection de la propriété intellectuelle.
 Le lycée d’Excellence de Ben Guérir (élèves, enseignants…).

La promotion de la conception et la fabrication innovante est le principal axe du

laboratoire. Il a donc été conçu pour mettre à disposition des utilisateurs aussi bien des
équipements de dernière génération (Imprimante 3D, Scanner 3D, Découpe Laser, Découpe
plasma, Centres d’usinages…). Ces équipements ont été choisi avec une interface facile
d’utilisation et accessible au plus grand nombre. Ils sont d’un niveau de performance suffisant
pour la fabrication des prototypes unitaires mais aussi de préséries.

Conclusion
Dans ce chapitre nous avons donné un aperçu général sur l'UM6P et les différents
centres de recherches y compris l’ILO où nous avons effectué notre projet de fin d’études. Le
chapitre suivant sera consacré à décrire la ligne de production E qui permet de produire l’acide
phosphorique.

15
CHAPITRE II : Contexte de l’étude de cahier des charges

Introduction

Conscient de l’apport considérable des nouvelles technologies, le groupe client OCP a

placé l’automatisation et la supervision des installations au centre de ses priorités stratégiques.
Ce chapitre, dans un premier temps, vise à définir le contexte du projet ainsi que l’avantage
d’intégration de systèmes de contrôle commande avancée très performants et de haute
technologie. Dans un deuxième temps, nous allons aborder la méthodologie suivie afin de
satisfaire le cahier des charges explicité dans ce même chapitre.

II.1. Description de la ligne E de production phosphorique

Dans le cadre du développement industriel, le groupe OCP a réalisé la première usine de

production d’acide phosphorique alimentée par la pulpe de phosphate provenant de la station
terminale, à savoir la ligne E.

D’une capacité de production de 1400 tonnes de P 2O5/jour, cette nouvelle usine, qui a
démarré le 15/04/2014, permet d’une part une augmentation de la capacité de production
d’acide phosphorique avec une teneur de 29% en P 2O5 et assure d’autre part une plus grande
flexibilité de production et une nette amélioration des rendements [3].

II.2. Procédé de fabrication de l’acide phosphorique

En générale deux procédés sont utilisés pour la production de l’acide phosphorique :

 Fabrication par voie thermique :

Il consiste à une réduction du phosphate à haute température dans un four
électrique. Le phosphate obtenu est ensuite oxydé par l’oxygène et récupéré sous forme de
P 2O5. Ainsi l’acide est préparé par hydratation du P 2O5 obtenu. Ce procédé permet de
produire un acide de grande pureté, cependant, le coût énergétique élevé limite son
utilisation.

 Fabrication par voie humide :

L’acide phosphorique résulte de l’attaque des phosphates par un acide fort. On

distingue entre deux procédés :

16
  Procédé di-hydrate : Les sulfates de calcium sont à l’état (CaSO 4, 2 H2O) Parmi
ces procédés on trouve celui de Jacobs, Rhone Polenc et celui de Prayon.
 Procédé hémi-hydrate : Les sulfates de calcium sont à l’état (CaSO 4, ½
H2O), Procédé Nissan (Safi).

Le procédé par voie humide di-hydrate est celui le plus utilisé dans l’industrie grâce
à son faible coût de revient, et aussi la facilité de séparation de l’acide produit (le sulfate de
calcium obtenu en sous est pratiquement insoluble dans l’acide phosphorique). Ce procédé
conduit à un acide avec un teneur en P 2O5 pouvant varier de 28 % à 32 %. La production de
l’acide phosphorique au niveau de la ligne E se présente par la figure (3) suivante :

Acide
Floculant Acide moyen phosphorique
Sulfurique
Pulpe Acide
Pulpe de Bouillie Phosphorique
Epaississe- Epaissie
Phosphate Attaque Filtration À 29% de
ment
teneur en
à 50 % de P2O5

Eau Gypse
clarifiée

Figure 3 : Ligne E de production de l'acide phosphorique .

II.2.1. Epaississement

La pulpe qui provient de Khouribga arrive à Jorf Lasfar au niveau de la station

terminale où elle subit un stockage intermédiaire dans le but d’assurer une distribution
efficace pour toutes les entités concernées et dont la ligne E fait partie. La figure (4) suivante
présente l’unité d’épaississement de la ligne E.

17
 Pulpe de
Réservoir de
phosphate floculant
Débit de la
pulpe d’entrée
Débit de
floculant

Bac de réception

Eau clarifiée

Débit de
recirculation Débit de
soutirage
Pulpe de
phosphate
Circuit pulpe épaissie

Circuit floculant
Circuit eau

Figure 4 : L'unité d'épaississement de la ligne phosphorique E.

La pulpe qui arrive à la station terminale de la ligne E avec un taux de solide variant
entre 47% et 52%, est livrée dans un bac de réception cylindrique dans lequel la pulpe est
maintenue en agitation afin d’éviter la décantation du solide.

Ensuite, la pulpe pompée, subit une dilution avec de l’eau de surface, puis elle est
mélangée avec le floculant préparé dans la station de floculation. Par la suite, le mélange rejoint
l’épaississeur dans sa partie centrale où la décantation se réalise.

Ce dernier est composé d’un racleur entrainé par quatre moteurs qui évacue la pulpe
épaissie dans le cône de décharge. Elle est pompée pour assurer sa recirculation vers
l’épaississeur afin d’atteindre la masse volumique requise pour le soutirage vers le réacteur et
qui varie entre 1620 m3/h et 1700 m3/h.

Enfin, l’eau claire obtenue après épaississement de la pulpe est collectée dans la
partie supérieure de l’épaississeur et par débordement alimente la fosse.

18
 Donc, le schéma bloc de l’unité d’épaississement sera comme suivant :

Figure 5 : Schéma bloc de l'unité d'épaississement.

II.2.2. Attaque

Cette phase est effectuée au sein d’une cuve d’attaque et permet de produire de
l’acide phosphorique non concentré pour se faire on attaque la pulpe de phosphate par l’acide
sulfurique et l’acide phosphorique.la figure 6 montre le schéma bloc de l’unité d’attaque :

Figure 6 : Schéma bloc de l’unité d'attaque.

L’attaque est considérée comme une étape déterminante dans la production de l’acide
phosphorique. Cette unité est constituée de:

o Une cuve d’attaque ;

o Une cuve de maturation ;

o Un système de refroidissement sous vide(flash-cooler) ;

La pulpe épaissie est refoulée dans la cuve d’attaque lieu de la réaction.

La réaction s’effectue en deux étapes :

 Etape 1 : Solubilisation du phosphate tricalcique :

𝐶𝑎 3 (𝑃𝑂4 )2 + 4𝐻3 𝑃𝑂4 → 3𝐶𝑎𝐻4 (𝑃𝑂4 )2 (1)

19
  Etape 2 : Attaque du phosphate mono-calcique par H₂SO₄ :
3 1
3𝐶𝑎𝐻4 ( 𝑃𝑂4 )2 + 3𝐻2 𝑆𝑂4 + 𝐻2 𝑂 → (𝐶𝑎𝑆𝑂4 , 𝐻2 𝑂) + 6𝐻3 𝑃𝑂4 (2)
2 2

La réaction donne la bouillie qui se forme de l’acide phosphorique et le sulfate de calcium

di-hydrate,la bouillie est refroidie par la suite de l’ordre de 2°C, en l’introduisant dans un flash-
cooler , puis cette bouillie rejoint dans la cuve de maturation.

II.2.3. Filtration
La bouillie issue de la cuve de maturation est envoyée vers deux filtres de type
Prayon qui sépare l’acide phosphorique et le gypse [4].

La figure 7 présente le schéma bloc de l’unité de filtration.

Figure 7 : Schéma bloc de l’unité de filtration

II.3. Unité d’épaississement

II.3.1. Les équipements de l’unité d’épaississement

L’unité d’épaississement se compose de plusieurs éléments, La figure (8) montre le

schéma P&ID de l’unité d’épaississement :

o Epaississeur : à une forme cylindrique avec un fond conique pour faciliter la

sédimentation des particules. La pulpe à densité adéquate est soutirée du fond vers la
section d’attaque, alors que l’eau clair est récupérée par débordement de la tête de
l’épaississeur vers une fosse de récupération.

20
 o Pompe de recirculation : Elle renvoie la pulpe vers la partie supérieure de
l’épaississeur pour éviter l’augmentation excessive de densité et le bouchage de la
sortie de l’épaississeur.

o Pompe de transfert : Elle renvoie la pulpe vers la partie inferieur de l’épaississeur

pour éviter la chute de densité.

o Élément de floculation : Dans un équipement comme l’épaississeur, conçu pour la

décantation continue des particules solides, la gravité ne suffit pas pour obtenir un
lit de boue concentrée puisqu’il y en a des particules qui peuvent rester en suspension
à cause de leur faible taille. L’ajout d’un adjuvent de floculation apparait nécessaire.

Figure 8 : L'unité d'épaississement de la ligne phosphorique E.

II.3.2. Principe d’épaississement

L’épaississement est un résultat du phénomène de la sédimentation. Le rôle d’un

épaississeur est d’augmenter la densité de la pulpe de phosphate.

La sédimentation est une technique de séparation liquide-solide qui utilise la gravité

afin de séparer les phases solide-liquide. Lorsque le poids et la force de trainée sont en
équilibre, la vitesse de décantation est proportionnelle à la différence de densité entre les deux
phases et le diamètre de la particule.

21
 La masse volumique de la particule soit être plus élevée que celle de l’eau afin de
sédimenter. Les solides sont ainsi concentrés au fond du l’épaississeur.

Dans un équipement comme l’épaississeur, conçu pour la décantation continue des

particules solides, la gravité ne suffit pas pour obtenir un lit de boue concentrée puisqu’il y en
a des particules qui peuvent rester en suspension à cause de leur faible taille. L’ajout d’un
adjuvent de floculation apparait nécessaire.

II.4. Contexte du projet

Après son récent démarrage, la ligne « E » de production d’acide phosphorique au

niveau de Jorf Lasfer connaît un nombre de difficultés dans les différentes unités dont elle
dispose. Suite au changement du système d’approvisionnement de la pulpe et dans le cadre de
la préparation des matières premières de l’unité d’attaque, l’unité d’épaississement reconnaît
un problème majeur, à savoir la variation de la densité de la pulpe à sa sortie. Après une étude
analytique, plusieurs causes ont été dévoilées.

Il s’agit principalement de la variation de la densité et de la granulométrie en amont

de l’épaississeur. Le présent travail s’inscrit dans le cadre de l’amélioration des performances
de la ligne « E ». En effet, l’objectif de notre recherche consiste, en grande partie, à modéliser
l’épaississeur. Et dans un second temps, à ouvrir des perspectives sur des propositions
d’amélioration des performances de la ligne E, en particulier l’unité d’épaississement .

II.5. Objectifs du projet

Ce projet que nous avons réalisé au sein de l’entité Innovation Lab for Operations
de l’UM6P a comme objectifs :

 Modélisation de l’unité d’épaississement de la ligne E de production de l’acide

phosphorique.

 Conception et développement d’une méthode de contrôle avancée.

 Développement d'une architecture de contrôle avancée et des algorithmes de

communication via OPC.

22
II.6. Démarche de réalisation du projet

Etape 1:

 Etude de la ligne E de production de l’acide phosphorique.

 Analyse fonctionnelle de l’unité d’épaississement et
recensement de ces paramètres de marche.

Etape 2:

 Modélisation de l’unité d’épaississement basés sur les

données.
 Teste et validation du modèle.

Etape 3:

 Recherche sur les méthodes du contrôle avancé.

 Développement de la méthode du contrôle avancé choisie.
 Teste et validation du contrôleur.

23
CHAPITRE III : Modélisation de l’unité d’épaississement

Ce chapitre est organisé comme suit : Après avoir déterminé les paramètres d’entrées-
sorties de l’unité d’épaississement nous allons extraire les données pertinentes à partir de la
base de données, puis nous allons définir l’approche d’erreur de prédiction et en fin nous allons
extraire le modèle du procédé.

Introduction
La construction et l’utilisation des modèles constituent des étapes incontournables
pour des nombreuses disciplines scientifiques et technologiques (physique, chimie,
biologie…). En effet, La modélisation permet, de formaliser, au moins dans un certain domaine
de fonctionnement, le comportement du processus étudié à l’aide d’un modèle mathématique,
à partir duquel il est possible de comprendre, commander ou améliorer le fonctionnement du
procédé analysé.

Le contrôle de l’unité d’épaississement doit être précédé par une identification du

système. Plusieurs méthodes d’identification ont été citées dans la littérature, on peut trouver
les méthodes d’identification de minimisation de l’erreur de prédiction et les méthodes des
sous-espaces.

III.1. Les entrées/sorties de l’unité d’épaississement

Les entrées-sorties de pilotage du procédé de l’épaississeur ont été déterminées, en
s’appuyant sur les analyses effectuées sur une base de données et le retour d’expérience des
opérateurs de la salle de contrôle.

L’unité d’épaississement est pilotée par 2 entrées, leurs réactions sont sur 2 sorties. Les
valeurs des entrées-sorties sont prises de l’enregistrement qui existe dans le DCS.

o 1ère entrée : Débit de floculant :

L’ajout du floculant se fait par une pompe, l’objectif est de contrôler la vitesse de
sédimentation, une floculation excessive peut rendre difficile l’extraction de la pulpe épaissie.
Alors qu’une faible floculation nous donne une faible densité à la sortie de l’épaississeur.

24
 Le floculant doit être ajouté d’une manière optimale ; Il devra être injecté de telle
manière à ce qu’il y est assez d’agitation pour permettre un bon mélange du floculant avec la
pulpe.

o 2ème entrée : Débit de recirculation :

Le débit de la pulpe de recirculation est assuré par une pompe de recirculation qui aspire
la pulpe de phosphate sédimenté au niveau du cône de l’épaississeur et la refoule dans son
milieu, pour augmenter son temps de séjour dans l’épaississeur qui est un facteur important
pour garantir une bonne décantation de la pulpe de phosphate. Ainsi pour éviter le bouchage
des tubes de soutirage par des morceaux de solides de dimensions importantes.

o 3ème Entrée : Débit de la pulpe d’entrée :

La pompe transfère se charge de transférer la pulpe vers l’épaississeur à un débit de

280 m3/h (variable) [Min 115 m3/h ; Nominal 262 m3/h ; Design 307 m3/h], une pompe en
réserve est mise en place la 02EKP01 en cas de besoin, le flux des deux pompes est contrôlé
par le débitmètre FT 012.

o 4ème Entrée : Débit de la pulpe de sortie :

Le débit de sortie est assuré par la pompe de transfert 02EP05 avec une capacité de 213
m3/h, qui fonctionne en débit contrôlé FIC-035 et alimente le réacteur en pulpe épaissie.

Le débit du transfert de l’épaississeur sera, normalement, directement proportionnel à

celui qui alimente l’épaississeur, avec un débit minimum de 154 m3/h, un nominal de
188m3/h et 216 m3/h de design.

o 5ème Entrée : Densité de la pulpe d’entrée:

La densité de la pulpe est surveillée par les densimètres DT014 et DT012

respectivement à ultrason et à radiation.

Le débitmètre et les densimètres sont bouclés pour avoir une idée sur le débit solide
envoyé vers l’épaississeur.

25
 o 1ère Sortie : Densité de la pulpe de sortie :

La densité de la pulpe de sortie (ou le taux de solide vu que l’une est fonction de l’autre)
est le paramètre de contrôle essentiel dans le processus d'épaississant et sera mesurée par deux
densimètres l’un à ultrason et l’autre à radiation (respectivement DI-036 et DI-035).

Ajuster le débit de floculant nécessaire pour atteindre la valeur de la densité de la

sousverse d'environ 1640 Kg/m3 (qui correspond à 65% de taux de solide), Lorsque la densité
atteint la cible, démarrer la pompe de transfert pour alimenter le réacteur.

Lorsque le système est stabilisé, mettez tout sur mode automatique (le débit de
soutirage est pratiquement le même que l’alimentation)

Une fois la densité atteint 1640 (qui correspond à 65% de taux de solide), démarrer la
pompe 02EP05 à vitesse réduite puis l’augmenter progressivement selon la cadence
de l’attaque

o 2ème Sortie : Le niveau de lit :

Le niveau de lit de boue dans l’épaississeur est surveillé en utilisant un équipement
approprié. Généralement une augmentation dans l’épaisseur du lit de boue conduira à une
augmentation de la densité de la sousverse.

Pour maintenir la densité de la sousverse, l'épaississeur est conçu pour fonctionner avec
une profondeur de lit de 0,5 à 2 mètre de hauteur au niveau de la partie cylindrique.

Si la floculation est faible, il en résultera une augmentation du niveau du lit de boue,

cependant si l’alimentation est sur-floculée, nous aurons un lit de boue.

Le tableau ci-dessous résume les entrées-sorties de pilotage du procédé de l’épaississeur :

26
 Tableau 1 : Les entrées/Sorties de pilotage de l'épaississeur.

Variable Symbole Type

Débit de floculant U1 Variable manipulé

Débit de circulation U2 Variable manipulé
Débit d’entrée D1 Perturbation
Débit de sortie D2 Perturbation
Densité d’entrée D3 Perturbation
Densité de sortie Y1 Variable contrôlé
Niveau de lit Y2 Variable contrôlé

Le schéma bloc de l’épaississeur est représenté par la figure suivante :

Débit Débit de Densité

d’entrée sortie d’entrée

Débit du floculant Densité de sortie

Epaississeur
Débit de recirculation Niveau de lit

Figure 9 : Schéma bloc de l'épaississeur.

Le point de fonctionnement de l’unité d’épaississement se présenté dans le tableau

suivant :

27
 Tableau 2 : Les valeurs du point de fonctionnement.

Variable Point de fonctionnement Unité

Débit de floculant 2700 L/h
Débit de recirculation 200 m 3 /h
Débit de la pulpe d’entrée 230 m 3 /h
Débit de la pulpe de sortie 300 m 3 /h
Densité de la pulpe d’entrée 1450 Kg/m3
Densité de la pulpe de sortie 1640 Kg/m3
Niveau de lit 2 m

III.2. Traitement de données

La base de données utilisées englobe les données de fonctionnement de l’unité
d’épaississement de la ligne E à Jorf Lasfar. Il correspond aux enregistrements pris entre le 01
Mars 2018 et le 07 Mars 2019 avec un pas d'une minute.

L’objectif de cette partie est d’extraire les données pertinentes à partir de cette base de
données de manière appropriée. Afin d’améliore la qualité des données destinées à l'analyse et
à d'autres tâches liées à la gestion des données en éliminant les erreurs et normalisant les
données brutes avant leur traitement.

Le processus de traitement des données [5] se fait en trois étapes comme montre la
figure suivante :

Traitement de données

Données Données
Prétraitement Filtration Echantillonnage Normalisation
brute traité

Figure 10 : Le processus de prétraitement de données.

28
 III.2.1. Prétraitement de données
Il s'agit de la première étape de l’analyse des données, c’est un processus de préparation
des données brutes et de leur adaptation à un algorithme de l’identification.

Cette étape concerne la sélection des données pertinentes, exploitable pour faire la
modélisation de l’unité d’épaississement.

Ce processus se compose de deux étapes suivante :

 Le traitement des valeurs manquantes.

 Le traitement des valeurs aberrantes.

a. Traitement de données manquantes

Les données manquantes ont des origines matérielles diverses. Des valeurs peuvent
être absentes soit parce qu’elles n’ont pas été observées, ou qu’elles ont été perdues ou étaient
incohérentes.

Ces données pouvant parfois limiter l’utilité des inférences statistiques. Il convient
alors de les traiter correctement avant d’effectuer les analyses statistiques car les ignorer peut
entraîner, outre une perte de précision, de forts biais dans les modèles d’analyse.

Il y a plusieurs façons de traitement des données manquantes soit par:

 Imputation par la médiane, la moyenne, la constante….

 Méthodes de regression, interpolation….
 Suppression de données.

Dans notre cas, en remplace les données manquantes par la valeur « NAN ».

b. Traitement de données aberrantes

En statistique, une valeur aberrante est un point d'observation éloigné des autres
observations. Il est rare ou distinct, ou ne correspond pas d'une manière ou d'une autre.

Les valeurs aberrantes peuvent avoir de nombreuses causes, telles que:

 Erreur de mesure ou d'entrée.

 Corruption de données.

29
 Pour vérifier l'existence des valeurs aberrantes on trace des histogrammes pour chaque
attribut. On prend par exemple le débit de la pulpe d’entrée :

Débit de la pulpe d’entrée

Nous remarquons que certaines données ont une échelle beaucoup plus grande, en
ordonnée, que le pic de la distribution, ceci est dû à des valeurs aberrantes qui sont assez
ponctuelles qu'elles deviennent invisibles.

Les valeurs minimales renseignent sur la présence de valeurs négatives dans le base
de données, qui représentent des dysfonctionnements des capteurs dues à une rupture
d'alimentation ou panne du capteur ou autre .

Les valeurs minimales et maximales montrent la présence de valeurs aberrantes et les

écarts-types trop élevés renseignent sur le taux de ces valeurs.

On remarque également que les valeurs à grandes occurrences restantes sont, en gén
éral, de l'ordre de 10-17 - 10-16.

Figure 11 : Histogramme du débit de la pulpe d'entrée.

La figure suivante illustre l’histogramme du débit de la pulpe d’entrée après

l’élimination de tous les valeurs aberrantes.

Débit de la pulpe d’entrée

Figure 12 : Histogramme du débit de la pulpe d'entrée sans valeurs aberrantes.

30
 III.2.2. Echantillonnage de données
Dans un système contrôlé par ordinateur, l'échantillonnage de signaux continus entraîne
des pertes d'informations. Par conséquent, il est important de sélectionner la fréquence
d'échantillonnage afin que ces pertes ne nuisent pas à l'application de contrôle [6].

Il existe deux types de ré-échantillonnage :

 Sur-échantillonnage (Upsampling): il s’agit d’augmenter la fréquence des

échantillons, par exemple de quelques minutes à quelques secondes.
 Sous-échantillonnage (Downsampling): permet de diminuer la fréquence des
échantillons, par exemple de quelques jours à plusieurs mois.

Le choix de la période d’échantillonnage est un problème majeur dans l’identificat ion

du procédé industriel car un mauvais choix peut causer des grandes erreurs dans le modèle
identifié.

Il existe plusieurs règles pour déterminer le temps d'échantillonnage qui sont :

 La plus petite constante de temps : Indique la plus petite constante de temps du

processus notée 𝜏𝑚𝑖𝑛 et on désigne 𝑇𝑠 comme le temps d'échantillonnage. Ensuite,

une relation entre les deux est donnée par l’équation suivante :

𝜏𝑚𝑖𝑛
𝑇𝑠 =
3
 Bande passante du processus : Notée 𝑓0 comme la fréquence de coupure du processus,
alors un bon choix de fréquence d'échantillonnage est :

𝑓𝑠 = 10𝑓0

Alors le temps d’échantillonnage sera :

1 1
𝑇𝑠 = =
𝑓𝑠 10𝑓0

31
  Temps de stabilisation du processus : On désigne 𝑇𝑠𝑎𝑡 comme le temps de
stabilisation du processus, puis le temps d'échantillonnage peut être choisi dans la plage
de :

𝑇𝑠𝑎𝑡 𝑇𝑠𝑎𝑡
≤ 𝑇𝑠 ≤
100 20
 Temps de corrélation :

Le calcul du temps de corrélation se base sur l’autocorrélation des variables à

échantillonner [7], dans notre système sont les deux sorties la densité de sortie « Y1 » et le
niveau de lit « Y2 ».

On définit ainsi, les fonctions de l’autocorrélation suivantes :

𝛷𝑦𝑦 (𝜏𝑐 ) = 𝛦 {(𝑦(𝑘) − 𝑦̅̅̅̅̅̅

(𝑘) )(𝑦(𝑘 − 𝜏𝑐 ) − 𝑦̅̅̅̅̅̅
(𝑘) )}, 𝜏𝑐 = 0,1, …, (3)

Φ𝑦2𝑦2 (𝜏𝑐 ) = Ε{(𝑦 2 (𝑘) − ̅̅̅̅̅̅̅̅

𝑦 2 (𝑘) )(𝑦 2 (𝑘 − 𝜏𝑐 ) − 𝑦̅̅̅̅̅̅̅̅
2 (𝑘) )}, 𝜏𝑐 = 0,1, …, (4)

Avec:
o Ε{∙} C’est l'espérance mathématique.
o Φ𝑦𝑦 : C’est la fonction de l’autocorrélation linéaire.
o Φ𝑦2𝑦2 : C’est la fonction de l’autocorrélation non linéaire.

La procédure pour déterminer le temps d'échantillonnage à partir de temps de

corrélation se fait par les étapes suivantes : Tout d'abord, on calcule les fonctions de corrélation
susmentionnées par les équations (3) et (4) en utilisant les données temporelles des variables
de sortie. En défini ensuite la constante de temps de corrélation donné par la relation suivante :

𝜏𝑚 = min {𝜏𝑦 , 𝜏𝑦2 } (5)

Où 𝜏𝑦 et 𝜏𝑦2 correspondent respectivement au temps du premier minimum des

fonctions de l’autocorrélation linéaire (3), et non linéaire (4) définissent précédemment.

Ensuite, le temps d'échantillonnage peut être choisi dans la plage de :

𝜏𝑚 𝜏𝑚
≤ 𝑇𝑠 ≤
20 10

32
 Tout d’abord, nous nous traçons les fonctions de corrélations des données de sorties,
les figures (13) et (14) représentent respectivement la fonction de la sortie Y 1 « densité de
sortie » et celui de la sortie Y 2 « Niveau de lit » avec le « Lag » est le temps de décalage en
minutes :

Figure 13 : Fonction de l'autocorrélation de densité de sortie

On trouve 𝜏𝑚1 = 400 𝑚𝑖𝑛

Soit
𝜏𝑚1 𝜏𝑚1
≤ 𝑇𝑠1 ≤
20 10
AN:
20 ≤ 𝑇𝑠1 ≤ 40 (6)

33
 La fonction de l’autocorrélation pour la sortie Niveau de lit est donnée par la figure
suivante :

Figure 14 : Fonction de l'autocorrélation de niveau de lit.

On trouve 𝜏𝑚2 = 450 𝑚𝑖𝑛

Soit
𝜏𝑚2 𝜏𝑚2
≤ 𝑇𝑠2 ≤
20 10
Application numérique:
(7)
22,5 ≤ 𝑇𝑠2 ≤ 45

On prend le temps d’échantillonnage qui est l'intersection entre (6) et (7) on aura donc :

22,5 ≤ 𝑇𝑠 ≤ 40 (8)
Finalement, ont choisi:

𝑇𝑠 = 30 𝑚𝑖𝑛

34
 III.2.3. Le filtrage des données
Le filtrage de données est une tâche presque obligatoire pour l'analyse de données, en
effet il permet de lisser une série des données temporelle, afin d'éliminer les fluctuations les
moins significatives. Il sert aussi à supprimer les observations qui peuvent contenir des erreurs
ou ne sont pas souhaitables pour l'analyse [8].

a. Filtre par moyenne glissante

La moyenne mobile, ou moyenne glissante, est un type de moyenne statistique utilisée
pour analyser des séries ordonnées des données, le plus souvent des séries temporelles, en
supprimant les fluctuations transitoires de façon à en souligner les tendances à plus long terme.

Le filtre a moyenne mobile utilise une fenêtre glissante pour prendre la moyenne sur un
nombre défini de périodes. Il s'agit d'une moyenne également pondérée des n données
précédentes.

b. Choix de la fréquence du filtre

Selon le théorème d'échantillonnage de Nyquist, le taux d'échantillonnage devrait être
au moins le double de la composante de fréquence maximale du signal d'intérêt. En d'autres
termes, la fréquence maximale du signal d'entrée doit être inférieure ou égale à la moitié de la
fréquence d'échantillonnage.

La fréquence de Nyquist est donnée par l’équation suivante :

𝑓𝑠
𝑓𝑁 =
2

Application numérique:

1 1
𝑓𝑠 = = = 0,55 × 10 −3 𝐻𝑧
𝑇𝑠 30 × 60

Finalement la fréquence du filtre est :

0,55 × 10 −3
𝑓𝑁 = = 0,77 × 10−3 𝐻𝑧
2

35
 III.2.4. Normalisation de données
La normalisation est une méthode de traitement des données qui permet de réduire la
complexité des modèles. C’est également un préalable à l’application de certains algorithmes
de l’identification.
En effet, toutes les entrées et sorties n'ont pas le même ordre de grandeur. Les données
du système sont liées à des grandeurs physiques qui, en général, n'ont pas les mêmes
dimensions. Par conséquence les variables qui ont la plus grande valeur numérique obtiendront
automatiquement le poids le plus élevé dans la fonction du cout quadratique qui sera minimisé
pour déterminer le modèle. Ce problème peut être résolu en corrigeant les données par la
normalisation en les mettant à l'échelle commun entre -1 et 1.

Pour effectuer cette transformation, on soustrait aux données leur moyenne afin de
permettre l'utilisation d'un modèle linéaire sans décalage qui décrit le comportement
dynamique du processus autour de son point de fonctionnement. Puis on les divise par leur
écarte type .
𝑋 − 𝑋̅
𝑋𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑠é =
𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛
Où :

𝑋̅ : C’est la moyenne empirique.

𝑋𝑚𝑎𝑥 : C’est la valeur maximale de la variable.
𝑋𝑚𝑎𝑥 : C’est la valeur minimale de la variable.

III.3. Identification de l’épaississeur

L'identification consiste à chercher les paramètres de modèles mathématiques d'un

système, à partir de données expérimentales et de connaissances disponibles a priori. Ces
paramètres peuvent avoir une signification physique, comme dans les modèles de connaissance
(issus de lois de la mécanique, de l'électricité, etc.…), ou ne pas en avoir, comme c'est le cas
pour les modèles de comportement.

Dans les deux cas, ils doivent fournir une approximation fidèle des comportements du
système physique, dans la mesure où leurs paramètres sont ajustés à partir de données
expérimentales. L'objectif cherché est de rendre identiques les réponses du processus et du

36
modèle, pour des séquences d'entrée données. Il existe plusieurs méthodes d'identification
paramétrique, mais la plupart des méthodes utilisées sont basées sur le calcul du gradient pour
trouver les paramètres cherchés avec une précision acceptable.

Il sera raisonnable d'affirmer que les bonnes valeurs des paramètres cherchés seront
celles qui minimisent le critère quadratique appelé souvent fonction coût. Néanmoins, il n'est
pas toujours possible d'évaluer les gradients lorsque les mesures sont noyées dans le bruit.
L'identification paramétrique est donc une tâche primordiale pour déterminer les valeurs
numériques de paramètres d'un système pour leur utilisation dans la simulation et dans la loi
de commande.

III.3.1. Méthode de Minimisation d’Erreur de prédiction (MEP)

Dans cette partie, nous supposerons que le modèle obtenu est un prédicteur, c’est à dire
qu’il permet de calculer la sortie à l’instant i en fonction des entrées et des sorties réelles aux
instants précédents ui-k et yi-k.

Ce type d'identification se base sur le concept de prédiction de la sortie du système réel

à l’aide d'équations algébriques de prédiction [9].

Le principe est de la même nature de la commande prédictive, où l'on cherche à

minimiser l'écart entre la consigne et la sortie en calculant la variable manipulée (la variable à
la sortie du prédicteur). Le principe est illustré à la figure (15) suivante:

Figure 15 : Structure d'identification basée sur l'erreur de prédiction.

37
 Les entrées et sorties du système, 𝑢(𝑘), 𝑦(𝑘), sont considérées mesurables. A partir de
ces mesures, un prédicteur, 𝑦̂(𝑘, 𝜃) est construit. La sortie du prédicteur est comparée
avec la sortie mesurée 𝑦(𝑘). La différence entre les deux signaux représente l’erreur de
prédiction. Un algorithme d’optimisation est mis en place, pour minimiser la valeur de cette
erreur. Ce procédé est fait en ajustant les paramètres du prédicteur, à chaque
évaluation de l’erreur de prédiction.

Le gros avantage est de ne pas passer par une intégration numérique du style Runge-Kutta
et donc le temps de calcul de la sortie est réduit. Le principe est de considérer l'erreur de
prédiction ou d'équation 𝜀(𝑘) comme étant un bruit de mesure. Ces méthodes peuvent être
facilement implantées en temps réel sous forme récursive.

Dans le formalisme des méthodes à erreurs de prédiction, des structures de modèles

dynamiques, données par l’expression suivante, sont considérées :

(9)
𝐴 (𝑞 −1)𝑦(𝑘) = 𝐵(𝑞 −1 )𝑢(𝑘) + 𝜀(𝑘)

Où : 𝑞 −1 : Est l’opérateur de retard.

Et 𝜀(𝑘) représente l’erreur d’équation.

𝐴 (𝑞 −1) = 1 + 𝑎1 𝑞 −1 + ⋯ + 𝑎 𝑛𝑎 𝑞−𝑛𝑎

𝐵(𝑞 −1 ) = 1 + 𝑏1 𝑞 −1 + ⋯ + 𝑏𝑛𝑏 𝑞−𝑛𝑏

Avec : 𝑛𝑎 : Est l’ordre du procédé.

𝑛𝑏 : Est le degré du polynôme 𝐵( 𝑞 −1 ) + 1, spécifié comme nombre de zéros.

Le modèle défini précédemment peut être écrit sous la forme suivante :

𝑦(𝑘 ) = 𝜑𝑇 (𝑘 )θ + 𝜀(𝑘) (10)

Ou :

𝜑𝑇 (𝑘 ) = [−𝑦 (𝑘 − 1) … … … − 𝑦(𝑘 − 𝑛𝑎) 𝑢(𝑘 − 1) … … … 𝑢(𝑘 − 𝑛𝑏)]

𝜃 = [𝑎1 … … … 𝑎 𝑛𝑎 𝑏1 … … … 𝑏𝑛𝑏 ]𝑇

En utilisant N échantillons, on peut exprimer l’équation (9) comme suit :

𝑌 = Ψ𝜃 (11)
Avec:

𝑌𝑇 = [𝑦 (𝑛 + 1) ⋯ 𝑦(𝑁) ]

38
 𝜃 𝑇 = [𝑎1 ⋯ 𝑎 𝑛 𝑏1 ⋯ 𝑏𝑛 ]

−𝑦(𝑛) ⋯ −𝑦(1) 𝑢(𝑛 − 𝑑 + 1) ⋯ 𝑢(1 − 𝑑)

⋮ ⋱ ⋮ ⋮ ⋱ ⋮
Ψ=[ ]
⋮ ⋱ ⋮ ⋮ ⋱ ⋮
−𝑦(𝑁 − 1) ⋯ −𝑦(𝑁 − 𝑛) 𝑢(𝑁 − 𝑑) ⋯ 𝑢(𝑛 − 𝑑 − 𝑛)

La qualité de l'approximation d'un système réel par un système modèle peut être
exprimée comme la variation de l'erreur de prédiction autour de sa valeur moyenne. Essayons
de minimiser la fonction de coût en choisissant un critère défini par:

𝑁
1
𝐽𝑁 (𝜃) = ∑ 𝜀 2 (𝑘) (12)
𝑁
𝑘=1

Ce critère peut être minimisé en fonction du vecteur de paramètres que nous

recherchons de telle sorte que :

𝛿𝐽𝑁
= [ 𝜃̂ − [ Ψ 𝑇Ψ]−1 Ψ𝑇𝑌]Ψ 𝑇 Ψ[𝜃̂ − [Ψ 𝑇 Ψ]−1 Ψ𝑇 𝑌] = 0 (13)
𝛿𝜃̂

Ensuite, le vecteur de paramètres qui minimise la somme des erreurs de l’équation (12)
est donné par l’expression suivante :

𝜃̂ = [ Ψ 𝑇Ψ]−1 Ψ𝑇𝑌 (14)

Ce qui revient à :

𝑁 −1 𝑁
1 1
𝜃̂ = [ ∑ 𝜑(𝑘) . 𝜑 𝑇 (𝑘)] [ ∑ 𝜑 (𝑘) . 𝑦(𝑘)] (15)
𝑁 𝑁
𝑘=1 𝑘=1

Il faut noter que si l’erreur 𝜀(𝑘) est considérée négligeable dans l’équation (10) à
l’instant de temps k, la sortie peut être prédite comme suit :

𝑦̂ (𝑘) = −𝑎1 𝑦(𝑘 − 1) − ⋯ − 𝑎 𝑛𝑎 𝑦(𝑘 − 𝑛𝑎) + 𝑏1 𝑢(𝑘 − 1) + ⋯ + 𝑏𝑛𝑏𝑢(𝑘 − 𝑛𝑏) (16)

Par conséquence 𝜀(𝑘) = 𝑦̂ (𝑘) − 𝑦(𝑘) peut-être considéré comme l’erreur de prédiction,
et l’on se retrouve dans le cas de la méthode des moindres carrés, qui détermine le vecteur
de paramètres pour lequel la somme des erreurs de prédiction est minimale. Pour cette
raison la méthode des moindres carrés est considérée comme un cas particulier des
méthodes à erreur de prédiction.

39
 La solution présentée par l’équation (14) est utilisée dans des situations où le traitement
hors ligne est une option viable. Les vecteurs  et Г contiennent toutes les paires de mesures
du système enregistrées à ce moment. On pourrait ajouter que plus il y a de mesures
disponibles, plus l'estimation du paramètre vecteur () est plus précise.

Une autre solution consiste à rechercher des équations pour calculer des séquences de
vecteurs de paramètres ( (k)) chaque fois que de nouvelles données de mesure sont
disponibles. Cette méthode conduit à des équations récursives facilement utilisables dans les
applications en ligne. Un ensemble typique de ces équations est:

𝜃̂(𝑘) = 𝜃̂ (𝑘 − 1) + Ϝ(𝑘 − 1) . Ψ(𝑘 − 1). Γ(𝑘) (17)

1 Ϝ(𝑘 − 1). Ψ(𝑘 − 1). Ψ 𝑇(𝑘 − 1) . Ϝ(𝑘 − 1)

Ϝ(𝑘) = [Ϝ (𝑘 − 1) − ] (18)
𝜆1 (𝑘) 𝜆1 (𝑘) 𝑇
+ Ψ (𝑘 − 1). Ϝ(𝑘 − 1). Ψ(𝑘 − 1)
𝜆2 (𝑘)

𝑦 (𝑘) − θ̂(𝑘 − 1) . Ψ(𝑘 − 1)

Γ(𝑘) = (19)
1 + Ψ 𝑇 (𝑘 − 1). Ϝ(𝑘 − 1) . Ψ(𝑘 − 1)

Avec :
0 < 𝜆1 (𝑘) ≤ 1 ; 0 < 𝜆2 (𝑘) ≤ 2 𝐸𝑡 Ϝ(0) > 0

o Ψ(𝑘 − 1): est le vecteur de mesure du système (c'est-à-dire le vecteur contenant

les données de mesure acquises à partir du système) qui est mis à jour à chaque
cycle de traitement.
o Γ (𝑘): représente l'erreur d’estimation a priori.
o Ϝ (𝑘 − 1): L'équation (18) représente le gain d’estimation.

40
 L’algorithme MEP peut être résumé par l’organigramme suivant :

Initialiser Γ (𝑘) 𝑒𝑡 𝜃(𝑘)

Acquérir les valeurs de U(k)

et Y(k)

Calculer l’erreur d’estimation

𝜀(𝑘) = 𝑌(𝑘) − Ψ 𝑇 (𝑘). 𝜃̂ (𝑘)

Calculer :
Γ (𝑘).Ψ(𝑘)
Ϝ (𝑘 ) =
1 + Ψ 𝑇 (𝑘). Γ (𝑘).Ψ(𝑘)

Estimer les nouveaux paramètres :

𝜃̂(𝑘 + 1) = 𝜃̂(𝑘) + Ϝ (𝑘).𝜀(𝑘)

Recalculer :

Γ (𝑘 + 1) = [𝐼 − Ϝ (𝑘).Ψ 𝑇 (𝑘)]. Γ (𝑘)

Mettre à jour Ψ(𝑘)

𝑘 = 𝑘 +1

Figure 16 : Algorithme de MEP.

La méthode de la minimisation d'erreur de prédiction permet de trouver un modèle

discret, Or pour convertir ce modèle en un modèle continu, nous utilisons l'algorithme suivant:

41
 Equation aux différences

Transformée en z

Fonction de transfert en z

1
Changement de variable 𝑠= ∗ ln(𝑧)
𝑇𝑠

Fonction de transfert en s

Figure 17 : Algorithme de conversion du modèle discret vers modèle continu.

III.3.2. Estimation des paramètres du modèle

Il existe une variété de méthodes pour l’identification des systèmes quoi que ce soit un
système SISO (Single Input Single Output) ou les systèmes MIMO (Multi-Inputs Multi-
Outputs) qui est le cas du procédé de l’unité d’épaississement. Après avoir importé les données
des entrées-sorties après leurs traitement, nous allons utiliser la fonction procest() [10] pour
obtenir un modèle de l’épaississement. Cette fonction utilise la méthode de l’erreur de
prédiction final (MEP) décrite précédemment.

Ainsi le modèle de l’unité d’épaississement est donné par les deux équations (20) et
(21) suivantes :

𝑌1 (𝑠) = 𝐺11 (𝑠) 𝑈1 + 𝐺12 (𝑠) 𝑈2 + 𝐺𝑝11 (𝑠)𝐷1 + 𝐺𝑝12 (𝑠) 𝐷2 + 𝐺𝑝13 (𝑠)𝐷3 (20)

𝑌2(𝑠) = 𝐺21 (𝑠)𝑈1 + 𝐺22 (𝑠) 𝑈2 + 𝐺𝑝21 (𝑠)𝐷1 + 𝐺𝑝22 (𝑠)𝐷2 + 𝐺𝑝23 (𝑠) 𝐷3 (21)

42
 On résume ces deux équations sous la forme matricielle suivante :

𝑌(𝑠) = 𝐺 (𝑠) × 𝑈 (𝑠) + 𝐺𝑝 (𝑠) × 𝐷(𝑠) (22)

Avec:
𝐷1
𝑌 𝑈
𝑌 (𝑠) = [ 1 ] ; 𝑈 (𝑠) = [ 1 ] Et 𝐷 (𝑠) = [𝐷2 ]
𝑌2 𝑈2
𝐷3

𝐺 (𝑠) 𝑒𝑡 𝐺𝑝 (𝑠) : Représente les fonctions de transfert avec l’unité de temps est en
minutes et sont donné comme suite :

0.07 0.06
𝑒 −150𝑠 𝑒 −120𝑠
𝐺(𝑠) = [659𝑠 + 1 560𝑠 + 1 ]
0.03 −0.31 −36𝑠
𝑒 −75𝑠 𝑒
446𝑠 + 1 954𝑠 + 1

Ainsi :

1.69 −2.47 −90𝑠 0.97

𝑒 −150𝑠 𝑒 𝑒 −150𝑠
𝐺𝑝 (𝑠) = [707𝑠 + 1 740𝑠 + 1 587𝑠 + 1 ]
0.51 −1.33 −36𝑠 0.83
𝑒 −75𝑠 𝑒 𝑒 −75𝑠
156𝑠 + 1 423𝑠 + 1 147𝑠 + 1

III.3.3. Validation du modèle

La validation du modèle a pour but d’évaluer l’adaptation du modèle identifié avec les
valeurs du système réel, cette approche a été faite par le calcul de l’erreur quadratique (RMSE)
donnée par l’équation (23) entre le modèle et le système réel.

𝑛
(𝑦̂𝑖 − 𝑦𝑖 ) 2 (23)
𝑅𝑀𝑆𝐸 = √ ∑
𝑛
𝑖=1

Le calcul de cette erreur donne les résultats suivants :

𝑅𝑀𝑆𝐸1 = 0.124 : Pour la sortie Y1 « Densité de sortie ».
𝑅𝑀𝑆𝐸2 = 0,186 Pour la sortie Y2 « Niveau de lit ».
On constate que ces erreurs sont proches de zéro ce qui justifie la validation du modèle
identifié.

43
 La figure suivante illustre la réponse du système réel et celui du modèle identifié, pour
les deux sorties :

Figure 18 : Validation du modèle.

Conclusion
Dans ce chapitre nous avons étudié l’identification de l’unité d’épaississement. Pour ce
faire, la méthode de l’erreur de prédiction a été adoptée comme un moyen efficace pour
l’identification du procédé de l’épaississeur. En premier lieu, nous avons détaillé le principe de
l’approche de l’erreur de prédiction, puis nous avons utilisé cette méthode pour estimer les
paramètres du modèle, ensuite nous avons validé le modèle identifié.

44
CHAPITRE IV : CONTROLE AVANCEE DE L’UNITE D’EPAISSISSEMENT

Ce chapitre présente dans un premier temps l’étude théorique de quelques méthodes de

contrôle avancée à savoir : le découplage d’un système et la commande prédictive (MPC), puis
nous allons aborder une application de ces deux méthodes.

Introduction

Les controleurs industriels sont souvent réalisé par des régulateurs numériques à base des
trois actions P, PI, PD, ou PID avec une efficacité acceptable et un bon rapport
performance/prix. Toutefois, ce type de régulateurs ne couvre pas tous les besoins et ses
performances souffrent dans un certain champ d'applications. Au niveau de l’unité
d’épaississement, il n’existe aucun régulateur qui permet de calculer les paramètres de marches
à savoir le débit du floculant et le débit de recirculation pour maintenir le niveau de lit et la
densité de la pulpe de sortie, c’est juste l’expérience de l’opérateur qui lui permet de changer
ces paramètres de marches pour garder les sorties (le niveau de lit et la densité de la pulpe de
sortie) de l’épaississeur à une valeur désirée.

Donc nous devons changer la structure du système de commande où proposer d’autres

algorithmes de commande plus sophistiqués. Ces méthodes sont communément appelées
méthodes de régulation avancées à savoir le modèle de contrôle prédictif (MPC), la logique
floue, le découplage du système, les réseaux de neurones. Dans ce chapitre nous avons traité
en particulier la commande multivariable par la technique du découplage et le modèle de
contrôle prédictif

IV.1. La commande multivariable par la technique du découplage

Les systèmes multivariables se caractérisent par le phénomène d’interaction entre leurs

variables, ou une action sur une entrée induit généralement un effet indésirable sur toutes les
sorties, ce que rend ces systèmes difficiles a commandés. Pour avoir une synthèse d’une loi de
commande assurant les performances désirées, on doit d’abord éliminer ces interactions.
L’objectif de ce chapitre c’est d’utilisé le découplage pour découplé un système qui a plusieurs
entrées et plusieurs sorties (MIMO) d’une manière à rendre ce système facile a commandé.

45
 IV.1.1. Analyse des interactions dans un système multivariable
L’interaction dans un système multivariable en boucle fermée, c’est l’influence des
fonctions de transfert reliant les entrées et les sorties du système ou les perturbations et les
sorties affectant plusieurs sorties ou alternativement.

Pour bien expliquer le phénomène d’interaction on prend un exemple (2×2) :

P1

I Gz s

Gcs
c1
G11 s
+ u1 y1
1 +

G21 s P2

Gz s
2

c2 + Gc s
2
u2
G22 s y2

II

Figure 19 : Commande multivariable.

Lorsque la perturbation P 1 affecte la sortie y1, cette dernière s’écarte de sa valeur de

consigne c 1, le régulateur Gc1(s) génère donc une commande u1 d’une manière à annuler cet
écart. Néanmoins, la commande u1 générée affecte en plus la sortie y2 à travers la transmittance
G21(s) donc la sortie y2 s’écarte aussi de sa valeur de consigne c 2. Ceci oblige le régulateur
Gc2(s) de générer une commande u2 pour maintenir la sortie y2 à la position désirée c 2. L’action
correctrice du régulateur Gc2(s) de la deuxième boucle(II) (la commande u2) affecte aussi la
sortie y1 à travers la transmittance G12(s). Alors le maintien des sorties y1 et y2 à leurs positions
désirées, en dépit de la perturbation z1 qui doit être annulé par le régulateur Gc1(s), est une tâche
ardue.

Par cet exemple, on a montré comment une commande affecte plusieurs sorties et
comment une perturbation affectant une sortie se propage dans le système et perturbe d’autres
sorties. Cela est dû essentiellement à l’existence des interactions entre les deux boucles (I) et
(II) de la configuration de commande.

46
 Exemple :

Considérons une fonction de transfert pour un système qui a deux entrées et deux sorties :

22.89 × 𝑒 −0.2𝑠 −11.64 × 𝑒 −0.4𝑠

G(s) = 4.57𝑠 + 1 1.81𝑠 + 1
4.69 × 𝑒 −0.2𝑠 5.8 × 𝑒 −0.4𝑠
[ 2.17𝑠 + 1 1.80𝑠 + 1 ]

Pour ce système s’il n’existe aucune perturbation alors les deux sorties sont sous la forme :

Figure 20:Simulation du système TITO non perturbé sans découplage

47
 Lorsque nous appliquons une perturbation P(s) sur la sortie y1 nous constatons d’après
la figure (19) que la sortie y2 change c’est-à-dire que u1 affecte aussi y2 par la suite nous devons
faire le découplage du système.

Figure 21: Simulation du système TITO perturbé sans découplage

IV.1.2. Quelques méthodes d’analyse des interactions

Après le succès de la méthode de la RGA (Relative Gain Array) des travaux de
recherches ont abouti à des méthodes plus efficaces assurant un meilleur choix de la
configuration de commande et une étude de niveau d’interaction entre les boucles de régulation.

a. La méthode de RGA (Relative Gain Array)

La matrice des gains relatifs (RGA) a été proposée par Bristol en 1966. Cette technique
est basée sur la matrice des gains statiques du système en boucle ouverte et elle est relativement
simple à expliquer et interpréter. [11]

 La mesure des interactions entre les entrées et les sorties.

48
 Chaque élément de la RGA est déterminé par l’expression suivante :

(𝜕𝑦𝑖/𝜕𝑢𝑗)𝑢
𝜆𝑖𝑗 = (24)
(𝜕𝑦𝑖/𝜕𝑢𝑗)𝑦

Le numérateur de cette formule représente le gain statique en boucle ouverte entre uj et

yi et le dénominateur c’est le gain statique entre uj et yi lorsque les autres sorties sont contrôlées
par des correcteurs parfaits. Le gain relatif indique que si le gain d’une boucle ouverte [u j-yi]
change lorsque toutes les autres boucles sont fermées.

𝑎 𝑢1 𝑢2 ⋯ 𝑢𝑛
𝑦1 𝜆11 𝜆12 ⋯ 𝜆1𝑛
𝑅𝐺𝐴 = 𝑦 [ 𝜆21 𝜆22 ⋯ 𝜆2𝑛
] (25)
⋮ ⋮ ⋮ ⋱ ⋮
𝑦𝑛 𝜆𝑛1 ⋯ ⋯ 𝜆𝑛𝑛

Les coefficients de cette matrice peuvent satisfaire 2 propriétés :

o La somme des colonnes est égale à 1.

o La somme des lignes est égale à 1.

 Interprétation de RGA :
Si les éléments de la diagonale de la RGA sont proches de 1 ; alors le niveau
d’interaction dans le système est très faible, dans le cas contraire les interactions sont fortes.

1/ si λij=1 : il n’y a aucune interaction entre la boucle de régulation de couple (yi,uj) et les
autres boucles de régulation.

2/ λij =0 l’entrée j n’a aucun effet sur la sortie i.

3/ 0.5< λij <1 : il y a de l’interaction entre les boucles de régulation. Cependant, ce serait la
sélection préférable car elle réduirait au minimum les interactions.

Pour un système (2 x 2) .si 0.5< λij <1 .la sortie y1 doit être commandée par u1 et si

0.5< λij <1, la sortie y1 doit être commandée par u2.

4/ λij = 0.5 il y a un niveau important d’interaction. Les autres boucles de régulation ont le
même effet de l’entrée j sur la sortie i.

5/ λij >1 l’interaction est forte, donc on doit l’affaiblir, cependant, ce serait la sélection
préférable dans la configuration de commande.

49
 6/ λij < 0 il y a de fortes interactions, la réponse de la boucle correspondante peut changer
de ses de variation. Si les autres boucles sont fermées. En plus la boucle elle-même peut être
instable ou le système global devient instable si jamais la boucle considérée s’ouvre, d’où
le couple correspondant ne doit pas être choisi dans la configuration de commande.

 Le choix de la configuration de commande porte sur les couples ayant un gain

relatif λ proche de 1.

 Limitation du RGA :
o Elle donne des prédictions justes dans le cas statique mais pour le cas dynamique,
on ne peut rien dire. Elle n’est applicable que pour les systèmes qui travaillent
autour de la fréquence nulle.

b. La méthode RDA (Relative Dynamic Array)

Cette méthode est basée sur les réponses transitoires des sorties en boucle ouverte en
calculant le potentiel dynamique Φij (ѳ) :

ѳ
Φij (ѳ) = ∫0 𝑦𝑖 (𝑡 )𝑑𝑡 (𝑖, 𝑗, … … . . 𝑚) (26)

Où : Φij (ѳ) : l’intégrale de la réponse transitoire yi en boucle ouvert pour un changement de

commande uj à l’instant t=0.

λij (ѳ) = Φij(ѳ) ∗ (Φij(ѳ) 𝑇 )−1 (27)

𝑅𝐷𝐴 = λij(ѳ) 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑖 = 1, … , 𝑚 ; 𝑗 = 1, . . , 𝑚 (28)

Avec ѳ est entre 0.2 et 1 de la constante du temps dominante du processus.

 Avantages :
La RDA fournit des informations utiles sur les interactions puisqu’elle prend en
considération la réaction du processus à tout instant t.

 Limitations :
La période du temps ѳ utilisée est arbitraire, ce qui implique que RDA est aussi arbitraire,
donc même le degré d’interaction et la détermination de la configuration des couples de
commande seront arbitraires.

50
 IV.1.3. Le découplage des systèmes multivariables
Si l’étape de l’analyse des interactions nous montre un niveau d’interactions non désiré,
on devra d’abord l’affaiblir afin de nous permettre le passage d’une synthèse multivariable à
un ensemble de synthèses monovariables effectuées séparément. On appelle la procédure qui
affaiblit les interactions : Le découplage.

a. Conception du découpleur
Une procédure de conception systématique est présentée dans le cas d'un découplage
dynamique stratégie pour le système à l'étude. L'objectif de contrôle est de contrôler Y 1(s) et
Y2(s). Indépendamment, malgré les changements dans U 1(s) et U2(s).

Par conséquent, pour atteindre ces objectifs, la première étape consiste à concevoir les
découpleurs et, deuxièmement, à concevoir les contrôleurs systèmes découplés. La plupart des
approches de découplage utilisent le schéma décrit dans la figure 2 où le modèle de plante
apparent est diagonal.

Figure 22:Le système en boucle fermée découplé.

Le découplage à l'entrée d'une fonction de transfert de processus 2x2 Gp(s) nécessite la

conception d'une matrice de fonction de transfert D(s), telle que Gp(s)x D (s) est une matrice
de fonction de transfert diagonale Q(s), où;

𝐐(𝐬) = 𝐆𝐩 (𝐬)𝐃(𝐬) (29)

Où:

51
 𝐺11 (𝑠) 𝐺12 (𝑠) 𝐷11 (𝑠) 𝐷12 (𝑠)
𝐺𝑝 (𝑠) = [ ] Et 𝐷(𝑠) = [ ] (30)
𝐺21 (𝑠) 𝐺22 (𝑠) 𝐷21 (𝑠) 𝐷22 (𝑠)

Avec :
𝐆𝟏𝟏(𝐬) = 𝐠 𝟏𝟏(𝐬) ∗ 𝐞 −𝛕 𝟏𝟏𝐬

G12 (s) = g12 (s) ∗ e −τ12s

G21 (s) = g 21 (s) ∗ e−τ21s

G22 (s) = g 22 (s) ∗ e−τ22s

Où : g ij (s) est une fonction de transfert sans retard

Pour un découplage complet, les découpleurs doivent être conçus conformément à

l’équation:

𝐷 (𝑠) = 𝐺𝑝 −1 (𝑠) . 𝑄(𝑠) (31)

La matrice D(s) est sous la forme : [12]

𝑣1 (𝑠) 𝑑12 (𝑠)𝑣2 (𝑠)

𝐷 (𝑠) = [ ] (32)
𝑑12 (𝑠) 𝑣1 (𝑠) 𝑣2 (𝑠)

1 τ21 ≥ τ22
Avec : v1 (s) = { ( r21−r22 ) s (33)
e τ21 < τ22

𝟏 𝛕 𝟏𝟐 ≥ 𝛕 𝟏𝟏
𝐯𝟐 (𝐬) = { (34)
𝐞( 𝐫𝟏𝟐−𝐫𝟏𝟏 ) 𝐬 𝛕 𝟏𝟐 < 𝛕𝟏𝟏

𝐠 𝟏𝟐(𝐬) −( 𝐫 −𝐫 )𝐬
𝐝𝟏𝟐 (𝐬) = − 𝐞 𝟏𝟐 𝟏𝟏 (35)
𝐠 𝟏𝟏(𝐬)

𝐠 𝟐𝟏(𝐬) −( 𝐫 −𝐫 )𝐬
𝐝𝟐𝟏 (𝐬) = − 𝐞 𝟐𝟏 𝟐𝟐 (36)
𝐠 𝟐𝟐(𝐬)

d11 (s) = 1 Et d22 (s) = 1 (37)

Q(s) = G (s) D(s) = diag { q1 (s) , q2 (s) } (38)

Puisque la fonction de transfert Q(s) est une matrice contenant deux éléments q1 (s) et
q2 (s), alors le système sera contrôlé par deux régulateurs k1(s) et k2(s) de tel façon que ces
deux régulateurs commandent respectivement q1 (s) et q2 (s) indépendamment l’un de l’autre.

52
 Cependant, la matrice de transfert diagonale Q(s) devient compliqué. Cela peut
nécessiter une approximation de chaque terme dans ses termes diagonaux par une fonction de
transfert plus simple afin de faciliter le réglage plus facile du contrôleur C(s).

L’approximation d'ordre supérieur processus par processus d'ordre inférieur est une
pratique courante. Bien qu'un Le modèle FOPDT (First Ordre Plus Dead Time ) qui s’agit
d’un modèle premier ordre avec retard ne capture pas toutes les caractéristiques d'un processus
d'ordre supérieur, il décrit raisonnablement le gain de processus, global temps mort constant et
effectif de c’est un processus. Afin de trouver un modèle FOPDT approximatif pour q 1 (s)et
q2(s), trois paramètres inconnus à savoir 𝐾𝑝 , 𝜏𝑑 et T doivent être déterminés.

L'équation du système du premier ordre est donnée par :

𝐾𝑝 𝑒 −𝜏𝑑𝑠
𝑙(𝑠) =
1 + 𝑇𝑠

IV.2. Conception du prédicteur de Smith

IV.2.1. Les systèmes à retard

Un certain nombre de systèmes physiques peuvent être modélisés par une fonction de
transfert incluant un retard pur, ou temps mort. Ces retards peuvent avoir une origine physique:
prenons l’exemple d’une réaction chimique, il existe un retard intrinsèque dû à la dynamique
du mélange. Ces retards peuvent se retrouver dans d’autres situations ; bien souvent celui-ci
peut être associé à un transport de matière : transport de l’eau dans une conduite avant d’arriver
au niveau du capteur, ou bien un objet sur un circuit de convoyage en industrie.

Il est important de noter qu’un retard n’apparait pas uniquement dans une fonction de
transfert par une réalité physique. Dans bien des cas, afin de limiter l’ordre de la fonction de
transfert lors de la phase d’identification, on choisit d’inclure un retard. Ce retard permet alors
de décrire une partie de la dynamique du système d’une manière plus simple qu’en utilisant un
ordre plus élevé. La fonction de transfert d’un système est sous la forme :

𝑒 −𝜏𝑠
𝐻(𝑠) =
𝑇𝑠 + 1

Nous allons à présent introduire les différentes notations utilisées dans ce document.
Notons τ le retard, H(p) la fonction de transfert globale du système et G(p) la fonction de
transfert du système sans retard. On a alors:

53
 𝐻(𝑠) = 𝑒 −𝜏𝑠 𝐺(𝑠)

Voyons dans un premier temps les limites de la correction d’un tel système par les
méthodes classiques, telles la correction Proportionnelle Intégrale Dérivée.

IV.2.2. Les limites du PID

On considère à présent un système du premier ordre, avec retard pur. Si l’on note T la
constante de temps du premier ordre, la fonction de transfert du système s’écrit :

𝑒 −𝜏𝑠
𝐻(𝑠) =
𝑇𝑠 + 1

Pour illustrer l’influence du retard τ sur le système corrigé, nous allons considérer le
cas particulier de la régulation de niveau d’une cuve.

Ce système peut être décrit par le modèle suivant, du premier ordre :

𝑒 −𝜏𝑠
𝐻(𝑠) =
20𝑠 + 1

On va considérer un correcteur PID, de fonction de transfert C(p) :

1
𝐶 (𝑠) = 𝐾𝑝(1 + + 𝑇𝑑 ∗ 𝑠)
𝑇𝑖 ∗ 𝑠

Où Kp = 1 Et Ti = 10 ET Td = 11.

On décide de simuler le comportement du système corrigé par ce correcteur PID, et ce

pour plusieurs valeurs du rapport τ /T.

54
 Figure 23: Réponse du système pour différents retards.

On constate que l’introduction d’un retard τ impose des oscillations de plus en plus
marquées au fur et à mesure que le rapport τ /T évolue. Une première conséquence sera donc
une régulation moins efficace. En pratique, on considère que dès lors que le rapport τ /T est
supérieur à 0.5, la régulation PID n’est plus satisfaisante. Il apparait ainsi que la régulation PID
n’est pas adaptée aux systèmes avec retard trop importants.

Nous avons mis en évidence les différents problèmes qui peuvent survenir lors d’une
régulation PID d’un système avec retard : performances en baisse. Voyons à présent une
structure de correcteur permettant l’obtention de bonnes performances : le prédicteur de Smith.

IV.2.3. Structure du prédicteur de Smith

Le prédicteur de Smith a été proposé pour la première fois par Smith 2 en 1957. L’idée
principale derrière ce prédicteur est la suivante : étant donné que l’on sait bien corriger des
systèmes sans retard avec un correcteur (PID par exemple), pourquoi ne pas corriger le système
sans retard ? On estimera ensuite la sortie en la retardant de la valeur du retard du système.
Cette approche, très simple, conduit à la structure suivante : [13]

55
 Figure 24 : Structure du prédicteur de Smith.

IV.2.4. Conception du contrôleur PI du prédicteur de Smith

La conception du contrôleur du prédicteur de Smith se fait sur la fonction de transfert du
procédé sans retard c’est-à-dire G(s) de la figure (22) pour les deux sous-systèmes SISO. Donc
deux contrôleurs PI indépendants sont conçus pour chaque boucle en utilisant une technique
de Ziegler-Nichols. Il est donc prudent d'utiliser le contrôleur PI qui a la fonction de transfert
idéale de la forme :

1
𝐶(𝑠) = 𝐾𝑝 (1 + 𝐾𝑖 ) (39)
𝑠
Où Kp et Ki sont les paramètres de réglage du contrôleur représentant sa constante de
gain et la constante de gain intégral.

Pour un système TITO, le contrôleur est sous la forme :

1
𝐶 (𝑠) 0 𝐾𝑝1 (1 + 𝐾𝑖1 ) 0
𝐶(𝑠) = [ 1 ]=[ 𝑠 ] (40)
0 𝐶2(𝑠) 1
0 𝐾𝑝2 (1 + 𝐾𝑖2 )
𝑠

 Méthode de Ziegler Nichols pour un système FOPDT :

Ziegler et Nichols proposent de calculer les paramètres du régulateur P, PI ou

PID à l’aide des recommandations suivantes :

56
 Tableau 3 : Paramètres de contrôleur par méthode Ziegler

Type du contrôleur Kp Ti Td
P 0.3/a --- ---
PI 0.6/a 4L ---
PID 0.95/a 2.5L 0.42L
𝐿
Avec: 𝑎 = 𝐾 ∗
𝑇

Remarque :

Pour un procédé déterminé, s’il existe des perturbations mesurées il est utile d’utiliser la
commande anticipative pour corriger l’influence de ces perturbations avant qu’elles affectent
le procédé, d’où la commande anticipative .

IV.3. Contrôle par commande anticipative

Le concept de base de la commande anticipative consiste à mesurer les variables de
perturbation importantes et prendre des mesures correctives avant de perturber le procédé. En
revanche, un le contrôleur de rétroaction ne prend aucune mesure corrective avant que les
perturbations perturbent le procédé.

Donc pour annuler l’influence des perturbations mesurées il faut ajouter un bloc annulant la
perturbation D(s).

Figure 25: Schéma bloc de la commande anticipative

57
  Calcul de la fonction de transfert Gff (s) :
D’après la figure (23) nous avons :

𝑌(𝑠) = 𝑌𝑑 (𝑠) + 𝑌𝑢 (𝑠)

𝑌(𝑠) = 𝐺𝑝 (𝑠) ∗ 𝑈(𝑠) + 𝐺𝑑 (𝑠) ∗ 𝐷(s)
𝑌(𝑠) = 𝐺𝑝 (𝑠) ∗ 𝐺𝑐 (𝑠) ∗ 𝐸(𝑠) + 𝐺𝑝 (𝑠) ∗ 𝐺𝑓𝑓 (𝑠) ∗ 𝐷(𝑠) + 𝐺𝑑 (𝑠) ∗ 𝐷(𝑠)
Donc pour annuler les perturbations D(s) nous devons mettre Gff (s)sous la forme:
−𝐺𝑑 (𝑠)
𝐺𝑓𝑓 (𝑠) =
𝐺𝑝 (𝑠)
 Cas où Gp(s)et Gd(s) sont des fonctions de transfert du premier ordre avec retard :

Soit Gp(s) la fonction de transfert du procédé et Gd(s) la fonction de transfert de la perturbation

sous la forme :

𝐾𝑝 𝑒−𝜏𝑝 𝑠 𝐾𝑑 𝑒 −𝜏𝑑 𝑠
𝐺𝑝 (𝑠) = et 𝐺𝑑 (𝑠) =
1+𝑇𝑝 𝑠 1+𝑇𝑑 𝑠

Donc :

−𝐾𝑑 1+𝑇 𝑠
𝐺𝑓𝑓 (𝑠) = 𝐾𝑝
∗ 1+𝑇𝑝𝑠 ∗ 𝑒 −(𝜏𝑝 −𝜏𝑑 )∗𝑠 Avec : 𝜏𝑝 < 𝜏𝑑
𝑑

IV.4. Application de la commande multivariable pour l’épaississeur

On rappelle le modèle de l’unité d’épaississement trouvé dans le chapitre III, qui se

représenté par les deux équations suivantes :

𝑌1 (𝑠) = 𝐺11 (𝑠) 𝑈1 (𝑠) + 𝐺12 (𝑠) 𝑈2 (𝑠) + 𝐺13 (𝑠) 𝐷1 (𝑠) + 𝐺14 (𝑠) 𝐷2 (𝑠) + 𝐺15 (𝑠) 𝐷3 (𝑠)

𝑌2 (𝑠) = 𝐺21 (𝑠) 𝑈1 (𝑠) + 𝐺22 (𝑠) 𝑈2 (𝑠) + 𝐺23 (𝑠) 𝐷1 (𝑠) + 𝐺24 (𝑠)𝐷2 (𝑠) + 𝐺25 (𝑠) 𝐷3 (𝑠)

58
 Le modèle de contrôle de l’épaississeur représenté dans la figure suivante :

Débit Débit de Densité

d’entrée sortie d’entrée

Débit du floculant Densité de sortie

Epaississeur
Débit de recirculation Niveau de lit

Figure 26 : Schéma procédé de l'épaississeur.

IV.4.1. Analyse des interactions entre les entrées/Sorties

a. Calcul du RGA
Les équations décrites précédemment ont été implémentées, afin de calculer la matrice
RGA de notre système, et on trouve les résultats suivants :

0.9234 0.0766
𝑅𝐺𝐴 = [ ]
0.0766 0.9234

 Interprétation de la matrice RGA :

Les éléments diagonaux sont proches de 1 donc nous concluons que le débit de floculation
u1 va commander la densité de sortie y1 et le débit de circulation u2 va commander le niveau
de lit y2.

IV.4.2. Calcul de la matrice du découplage D(s)

Soit le procédé suivant (L’unité de temps est en minute) :

0.07 × 𝑒 −150𝑠 0.06 × 𝑒 −120𝑠

659𝑠 + 1 560𝑠 + 1 (41)
𝐺𝑝 (s) =
0.03 × 𝑒 −75𝑠 −0.31 × 𝑒 −36𝑠
[ 446𝑠 + 1 954𝑠 + 1 ]

59
De l’équation (32) nous trouvons:

𝑣1 (𝑠) = 1 𝑐𝑎𝑟 75 ≥ 36

𝑣2 (𝑠) = 𝑒 −30𝑠 𝑐𝑎𝑟 120 ≤ 150

−𝑔12 (𝑠)
𝑑12 (𝑠) = × 𝑒 30𝑠
𝑔11 (𝑠)

−𝑔21 (𝑠)
𝑑21 (𝑠) = × 𝑒 −39𝑠
𝑔22 (𝑠)

𝑑11 (𝑠) = 1 𝑒𝑡 𝑑22 (𝑠) = 1

Et :

𝑄 (𝑠) = 𝐺𝑝 (s) . D(s) = diag {𝑞1 (𝑠) , 𝑞2 (𝑠) }

Tout calcule faite on trouve :

𝐺 (𝑠) × 𝑣 1(𝑠) + 𝐺12 (𝑠) × 𝑑21 (𝑠) × 𝑣 1(𝑠) 0

𝑄 (𝑠) = [ 11 ]
0 𝐺22 (𝑠) × 𝑣2(𝑠) + 𝐺21 (𝑠) × 𝑑12 (𝑠) × 𝑣 2 (𝑠)

Donc les éléments diagonaux de Q(s) sont complexes. Il faut par la suite les approximer
en appliquant un échelon à l’entrée de chaque fonction de transfert on trouve alors :

−𝑔21 (𝑠)
𝑞1 (𝑠) = 𝑔11 (𝑠) × 𝑒 −150𝑠 + 𝑔11 (𝑠) × × 𝑒 −39𝑠 × 𝑒 −120𝑠
𝑔22 (𝑠)

−𝑔12 (𝑠)
𝑞2 (𝑠) = 𝑔21 (𝑠) × 𝑒 −75𝑠 × × 𝑒 30𝑠 × 𝑒 −30𝑠 + 𝑔22 (𝑠) × 𝑒 −36𝑠 × 𝑒 −30𝑠
𝑔11 (𝑠)

0.0443 × 𝑒 −150∗𝑠
𝑞1 (𝑠) =
480 𝑠 + 1

−0.3042 × 𝑒 −150∗𝑠
𝑞2 (𝑠) =
490 𝑠 + 1

Avec : le temps en minute

60
 IV.4.3. Analyses des performances pour le prédicteur de Smith
 Système U1 _Y1 :
Densité de sortie (Kg/m3)

Figure 27:Rejet des perturbations par le prédicteur de Smith pour U 1_Y1

Nous constatons d’après la figure (25) qu’il y a un rejet de la densité d’entrée par le
prédicteur de Smith en diminuant le débit du floculant. Par la suite la densité de sortie garde sa
valeur au niveau du point de fonctionnement 1640 Kg\m3.

61
  Système U2_Y2 :

Figure 28:Rejet des pe rturbations par le prédicteur de Smith pour U 2-Y2

Nous constatons d’après la figure (26) qu’il y a un rejet de la perturbation (la densité
d’entrée) par le prédicteur de Smith en augmentant le débit de recirculation. Par la suite le
niveau de lit reste à 2 m.

62
 IV.4.4. Analyse des performances pour la commande anticipative

 Système U1_Y1 :

Figure 29:Rejet de la perturbation par la commande anticipative pour le système U1_Y1

Nous constatons que la commande anticipative rejette la perturbation mesurable avant

qu’elles affectent le procédé. Ainsi la déviation de la densité de sortie et la commande appliquée
par l’anticipation est moins par rapport au prédicteur de Smith.

63
  Système U2_Y2 :

Figure 30:Rejet de la perturbation par la commande anticipative pour le système U2_Y2

Nous constatons que la commande anticipative rejette la perturbation mesurable avant

qu’elles affectent le procédé. Ainsi la déviation du niveau de lit et la commande appliquée par
l’anticipation est moins par rapport au prédicteur de Smith.

64
IV.5. Le modèle du contrôle prédictif

Introduction du MPC
Le modèle de contrôle prédictif (MPC) n'est pas une stratégie de contrôle spécifique
mais plus d'une gamme très large de méthodes de contrôle développées autour de certains
courants des idées. Ces méthodes de conception conduisent à des contrôleurs linéaires qui ont
pratiquement la même structure et présentent des degrés de liberté adéquats. Les idées qui
apparaissent dans plus ou moins dans toute la famille de contrôle prédictif sont essentiellement:

o Utilisation explicite d'un modèle pour prédire la sortie du processus à de futurs

instants temporels (horizon).
o Calcul d'une séquence de contrôle minimisant une certaine fonction objective.
o Application du premier signal de commande de la séquence calculée à chaque
instant.

Les différents algorithmes MPC diffèrent seulement entre eux dans le modèle utilisé pour
représenter le processus et les bruits et la fonction de coût à minimiser.

Les avantages du MPC:

 Choix large du modèle de prédiction : linéaire/non-linéarie, monovariables/

multivariable, à retard.

 Effet anticipatif : technique bien adaptée pour des problèmes de suivi de trajectoire.

 Le cas multivariable peut être facilement traité.

 Le contrôleur résultant est une loi de commande linéaire facile à mettre en œuvre.

 Les systèmes à longue des temps de retard.

65
 IV.5.1. Principe de base
Dans sa formulation la plus générale, le principe du fonctionnement de la commande
prédictive à horizon fuyant (ou glissant), connue aussi par MPC (Model Predictive Control),
peut s’illustrer sur le schéma donné par la figure suivante :

Figure 31 : La stratégie du MPC

L’interprétation de cette figure est donnée comme suit :

1. A chaque instant présent k, les sorties futures sur l’horizon de prédiction Np sont
prédites à l’aide d’un modèle du système à commander ; ce modèle est identifié hors ligne dans
l’espace d’état. Les sorties prédites y(k+i) avec i (=1, 2,, Np) dépendent des valeurs des entrées
et des sorties connues jusqu’à l’instant k et des commandes futures u(k+i) avec (i=1,2….N -1)
N étant l’horizon de commande.

2. les commandes futures u(k+j), sont calculées en minimisant un certain critère spécifié
afin que la sortie du procédé soit la plus proche possible de la trajectoire de référence w (k+j).

3. à partir du vecteur du signal de commande optimale u(k+i), calculé à l’étape

précédente, seule la première composante u(k) est appliquée au système et les autres valeurs
de commande sont rejetées. Pendant le prochain temps d’échantillonnage.

La résolution recommence avec la première étape en tenant en compte des nouvelles

mesures actualisées du procédé y (k+1).

66
 Ainsi, l’algorithme de base de la commande prédictive à horizon fuyant peut être
résumé en quatre étapes :

1. Obtenir une mesure ou une estimation de l’état du système.

2. Calculer un signal d’entrée optimal en minimisant une fonction coût donnée sur un
certain horizon de prédiction en utilisant le modèle du système identifié dans l’espace
d’état.

3. Appliquer au système la première partie du signal d’entrée optimal ainsi obtenu,

pendant un pas d’échantillonnage,

4. Retourner à la première étape.

Donc, la philosophie du MPC peut se résumer en : « utiliser le modèle pour prédire

le comportement du système et choisir la décision la meilleure au sens d’un certain cout
tout en respectant les contraintes ».

IV.5.2. Les éléments du MPC

Tous les algorithmes MPC possèdent des éléments communs et différentes options
peuvent être choisies pour chacun de ces éléments donnant lieu à des algorithmes différents.
Ces éléments sont:

o Modèle de prédiction.

o Fonction objectif.

o Obtention de la loi de contrôle.

67
 Entrées et sorties Référence
passées Sorties
prédites
Modèle

Sorties
future

Optimiseur
Erreur

La fonction
Les contraintes
cout

Figure 32 : Le schéma bloc du MPC.

a. Modèle de prédiction
Le modèle est la pierre angulaire de MPC; une conception complète doit inclure les
mécanismes pour obtenir le meilleur modèle possible, qui devrait être suffisamment complet
pour saisir pleinement la dynamique du processus et devrait également être capable de
prédictions à calculer et en même temps, à être intuitives et à permettre analyse théorique.
L'utilisation du modèle de processus est déterminée par la nécessité de calculer la sortie prévue
aux instants futurs.

Les différentes stratégies de MPC peuvent utiliser différents modèles pour représenter la
relation entre les sorties et les entrées mesurables, dont certaines sont des variables manipulées
et d'autres peuvent être considérées comme des perturbations mesurables qui peuvent être
compensées par action directe.

Un modèle de perturbation peut également être pris en compte pour décrire le

comportement qui n'est pas reflété par le modèle de processus, y compris l’effet des entrées
non mesurables, du bruit et des erreurs de modèle. Le modèle peut être séparé en deux parties:
le modèle de processus réel et le modèle de perturbations. Les deux parties sont nécessaire pour
la prédiction.

68
  Le modèle du procédé :
Pratiquement toutes les formes possibles de modélisation d'un processus apparaissent
dans une formulation MPC donnée, les suivantes étant les plus couramment utilisées:

 La réponse Impulsive :

Ce modèle peut être utilisé dans GPC, la relation liant les entrées et les sorties est
∝

𝑦(𝑡 ) = ∑ hi ∗ u(t − i) (42)

𝑘=0

Où : hi est la sortie échantillonnée lorsque le processus est excité par une impulsion unitaire
d'amplitude égale à la période d’échantillonnage. Cette somme est tronquée et seules N valeurs
sont prises en compte. Les sorties prédites sont:

ŷ (𝑡 + 𝑘 |𝑡) = ∑ ℎ𝑖 ∗ 𝑢(𝑡 + 𝑘 − 𝑖 |𝑡) (43)

𝑖=1

Cette méthode est largement acceptée dans la pratique industrielle car elle est très
intuitive et reflète clairement l'influence d'un phénomène déterminé sur une sortie déterminée.
Notez que si le processus est multivariable, les différentes sorties refléteront l'effet des entrées
M de la manière suivante :

𝑀 𝑁

𝑦𝑗 (𝑡) = ∑ ∑ ℎ 𝑖 𝑘𝑗 𝑢𝑘 (𝑡 − 𝑖) (44)
𝑘=1 𝑖 =1

Un grand avantage de cette méthode est qu'aucune information préalable sur le

processus n'est nécessaire, de sorte que le processus d'identification est simplifié et en même
temps, il permet de décrire facilement des dynamiques complexes telles qu'une phase non
minimale ou des retards.

69
 Figure 33 : La réponse impulsionnelle.

 La réponse indicielle :

Utilisé par DMC et ses variantes, il est très similaire à la précédente sauf que maintenant
le signal d'entrée est un pas. Pour les systèmes stables, la réponse est donnée par:

𝑦(𝑡) = 𝑦0 + ∑ ∆𝑢(𝑡 − 𝑖) = 𝑦0 + 𝐺 ( 𝑧 −1 )(1 − 𝑧 −1 )𝑢(𝑡) (45)

𝑖=1

Ce qui donne:

𝑦(𝑡) = 𝑦0 + ∑ ∆𝑢(𝑡 − 𝑖) (46)

𝑖=1

Les sorties prédites sont:

ŷ(𝑡 + 𝑘 |𝑡) = ∑ 𝑔𝑖 ∗ ∆𝑢(𝑡 − 𝑖) (47)

𝑖=1

Cette méthode a les mêmes avantages et inconvénients que la dernière méthode.

70
 Figure 34 : La réponse indicielle.

 Fonction de transfert :

Elle est utilisée par le GPC, le modèle est :

𝐴 (𝑧 −1)𝑦(𝑡) = 𝐵( 𝑧 −1)𝑢(𝑡) (48)

𝑛𝑎 𝑛𝑏

𝐴 (𝑧 −1 ) = 1 + ∑ 𝑎𝑖 ∗ 𝑧 −𝑖 𝑒𝑡 𝐵(𝑧 −1 ) = ∑ 𝑏𝑖 ∗ 𝑧 −𝑖 (49)
𝑖=1 𝑖=1

Les sorties prédites sont :

𝐵(𝑧 −1 )
ŷ(𝑡 + 𝑘 |𝑡) = ∗ 𝑢(𝑡 + 𝑘 |𝑡) (50)
𝐴(𝑧 −1)
 Représentation d’état :

La méthode PFC utilise ce modèle :

𝑥(𝑡 + 1) = 𝐴𝑥(𝑡) + 𝐵𝑢(𝑡)

{ (51)
𝑦(𝑡) = 𝐶𝑥(𝑡)

Les sorties prédites sont:

ŷ(𝑡 + 𝑘|𝑡) = 𝐶 𝒙
̂(𝑡 + 𝑘 |𝑡) (52)

Il présente l'avantage de pouvoir être utilisé pour des processus multivariés de manière
simple. La loi de commande est simplement la rétroaction d'une combinaison linéaire du
vecteur d'état, bien que parfois la base d'état choisie n'ait aucune signification physique. Les

71
calculs peuvent être compliqués avec une nécessité supplémentaire d'inclure un observateur si
les états ne sont pas accessibles.

 Le modèle de perturbation :

Le choix du modèle utilisé pour représenter les perturbations est aussi important que le
choix du modèle de processus. Un modèle largement utilisé est la moyenne mobile
autorégressive et intégrée contrôlée (CARIMA) dans laquelle les perturbations, les différences
entre la sortie mesurée et celle calculée par le modèle sont données par :

𝐶 (𝑧 −1 )𝑒(𝑡)
𝑛(𝑡) = (53)
𝐷 (𝑧 −1 )

Ce modèle s’utilise par la méthode du GPC et UPC.

La prédiction est obtenue en se basant sur l’équation de Diophantine :

𝐸𝑘 (𝑧 −1)𝐷 (𝑧 −1 ) + 𝑧 −𝑘 𝐹𝑘 (𝑧 −1 ) = 1 (54)

n̂ (t + k|t) = 𝐹𝑘 (𝑧 −1 )𝑛(𝑡) (55)

b. La fonction objective
Les différents algorithmes MPC proposent différentes fonctions de coût pour obtenir la
loi de commande. L'objectif général est que la sortie future (y) à l'horizon considéré suive un
signal de référence déterminé (w) et, en même temps, l'effort de commande (Δu) nécessaires à
cette fin devraient être pénalisés. L'expression générale d'une telle fonction objective sera:

𝑁2 𝑁𝑢

𝐽 (𝑁1,𝑁2 , 𝑁𝑢 ) = Ε { ∑ 𝛿 (𝑗)[𝑦(𝑡 + 𝑗| 𝑡) − 𝑤 (𝑡 + 𝑗)]2 + ∑ 𝜆(𝑗)[∆𝑢(𝑡 + 𝑗 − 1]2} (56)

𝑗=𝑁1 𝑗 =1

Dans certaines méthodes, le deuxième terme, qui considère l'effort de commande, n'est
pas pris en compte, tandis que dans d'autres (UPC), les valeurs du signal de commande (et non
ses incréments) apparaissent également directement. Dans la fonction de coût, il est intéressant
de choisir : Les paramètres et savoir les contraintes.

72
 IV.5.3. Les différents types du MPC

a. DMC (Dynamic matrix control)

Cette méthode se base sur le modèle d’une réponse indicielle.

Figure 35 : L’Algorithme du DMC

 Les contraintes sur le signal de commande :

𝑢𝑚𝑖𝑛 ≤ 𝑢(𝑡) ≤ 𝑢𝑚𝑎𝑥 (57)

 Les contraintes sur la vitesse de variation du signal de commande :

∆𝑢𝑚𝑖𝑛 ≤ 𝑢(𝑡) − 𝑢(𝑡 − 1) ≤ ∆𝑢𝑚𝑎𝑥 (58)

 Les contraintes de la sortie :

𝑦(𝑡)𝑚𝑖𝑛 ≤ 𝑦(𝑡) ≤ 𝑦(𝑡)𝑚𝑎𝑥 (59)

b. GPC (Generalized Predictive Control)

La GPC est une structure complète qui s’assure de fournir un système corrigé stable pour
un jeu de paramètres élaboré. Cette méthodologie permet de résoudre des problèmes comme:

o Processus à déphasage non minimal.

o Système intrinsèquement instable ou possédant des pôles mal amortis.
o Système avec retard variables ou inconnus.

73
 o Système d’ordre inconnu.

Le principe de la commande prédictive réside dans la création d’un effet anticipatif. La

mise en place de cette commande nécessite:

 Le modèle de prédiction utilisé par CARIMA, qui est une extension du

modèle CARMA.
 L’utilisation de la prédiction à horizon fini supérieur au retard.
 La résolution récursive de l’équation de DIOPHANTINE.
 L’introduction de la pondération sur les incréments de commande dans le
critère.

Il fournit une solution analytique (en l'absence de contraintes), il peut traiter des phases
instables et non minimales et intègre le concept d’horizon de contrôle ainsi que la prise en
compte de pondération des incréments de contrôle dans la fonction de coût. La plupart des
installations a entrée unique et à sortie unique (SISO), lorsqu'elles envisagent de fonctionner
autour d'un point de consigne particulier et après la linéarisation, peuvent être décrites par :

𝐴 (𝑧 −1 )𝑦(𝑡) = 𝑧 −𝑑 𝐵(𝑧 −1 )𝑢(𝑡 − 1) + 𝐶(𝑧 −1 )𝑒(𝑡) (60)

c. Programmation non linéaire(NPL) :

Lorsque le problème est un problème d’optimisation, nous pouvons passer à cette

méthode, dans un premier temps il faut déterminer les caractéristiques du problème c’est-à-
dire, déterminer :

o La fonction objective que nous voulons minimiser

o Le choix des variables de décisions

o Les contraintes pour ce problème

Après cette phase il suffit juste de trouver la forme qui combine et la fonction objective et
les contrainte et le modèle linéaire du système. Il existe plusieurs formes mathématiques pour
un problème d’optimisation parmi ces formes :

74
  La forme NPL (Non-linear Programming) :

𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑒 𝑓 (𝑥)
𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 𝑔𝑖 (𝑥) ≤ 0 𝐹𝑜𝑟 𝑒𝑎𝑐ℎ 𝑖 ∈ {1,2, … , 𝑚 }
(61)
ℎ 𝑖 (𝑥) = 0 𝐹𝑜𝑟 𝑒𝑎𝑐ℎ 𝑗 ∈ {1,2, … , 𝑝}
𝑥 ∈ 𝑋.

Par la suite pour trouver le minimum il faut chercher un outil adéquat pour trouver ce
minimum.

IV.5.4. Simulation Matlab/Simulink

La conception de la commande MPC sur MATLAB sera faite à l’aide du bloc MPC
suivant [14] :

Figure 36 : Bloc MPC de Matlab/Simulink.

 Les entrées de ce bloc sont :

o mo : Measured Output c’est-à-dire les sorties mesurées

o ref : la référence du système, dans notre cas la référence se compose du niveau
de lit et de la densité de la pulpe à la sortie du système.
o md : measured disturbances c’est-à-dire les perturbations mesurées qui sont
dans notre cas le débit et la densité de la pulpe à l’entrée du système, et le
débit à la sortie du système.
 La sortie du bloc :
o mv : Manipulated Variable c’est-à-dire la commande à appliquer à notre
système pour maintenir les consignes désirées .

75
 Figure 37:schéma sur Simulink de la régulation par MPC

Voici un algorithme permettant la conception du contrôleur MPC dans Simulink : [15]

 Importer le modèle dans Simulink depuis Matlab Workspace (P, Pert).

 Définir la structure du MPC :
o Définir les variables manipulées.
o Définir les variables mesurées.
o Définir les perturbations.
 Configurer les horizons de prédiction et de contrôle.
 Définir les contraintes.
 Enregistrer les résultats pour faire fonction le code Simulink.

76
 IV.5.5. Analyse des performances

Figure 38 : Rejet des perturbations par la commande prédictive.

Nous constatons que le rejet de la perturbation par la commande prédictive est plus
rapide par rapport aux deux types de contrôleurs précédents.

Figure 39: Les signaux de commandes du système par la commande prédictive.

77
CONCLUSION

Dans ce chapitre nous avons présenté la partie théorique de quelques méthodes de la

commande à savoir la commande multivariable et le contrôle prédictif, puis nous avons
appliqué ces deux méthodes sur le système d’épaississement.

78
 Chapitre V : Architecture du contrôle avancé et des algorithmes de
communication via OPC

V.1. Description de l’architecture DCS

V.1.1. Le système de contrôle

Les systèmes de contrôle commande sont divers et différents dans l'industrie. Parmi les
systèmes de contrôle commande les plus courants, et s'intégrant dans la logique programmée,
on cite : Le système de contrôle commande par PLC, Le système de contrôle commande et
supervision SCADA, Le système de contrôle commande et supervision DCS.

L'architecture du système de contrôle implémenté dans l’unité d’épaississement est le

DCS CENTUM VP de Yodogawa illustré dans la figure (38).

V.1.2. Architecture DCS

a. Station de contrôle FCS

La station de contrôle FCS (Field Control Stations) est le cœur du système DCS et de
ses fonctions avancées, fiable et performante, il intègre la technologie éprouvée « pair and
spare» (Redondance Active “Hot Standby” : Pas d'interruption du traitement, transfert sans à-
coups, remplacement en ligne) depuis l'unité centrale de la station FCS jusqu'au bus de
communication et au module d'entrées/sorties. Cela donne un système extrêmement fiable et
très ouvert.
La station de contrôle FCS réalise les fonctions suivantes :
o Fonctions de contrôle : Fonctions de régulation et de calcul.
o Intégration des sous-systèmes : possibilités d’intégration des sous-systèmes en
utilisant les interfaces standards (RS232 et RS485) et des logiciels de
communication compatibles avec les sous-systèmes des principaux sous-traitants.
o Liaison avec les instruments : possibilité de communiquer avec les instruments de
terrain en utilisant soit des modules d’entrées/sorties déportées soit des bus de
terrain.

La station de contrôle est constituée de l'unité de traitement de données FCU (Field Control
Unity) et des nœuds E/S.
L’unité de contrôle FCU se compose des éléments suivants :
o Une carte processeur et une carte d’alimentation redondante.

79
 o Des batteries de mémorisation (72 heures).
o Une interface Vnet redondante.

b. La station INGENIEUR
La station INGENIEUR a comme fonction principale la supervision, la modification des
paramètres de contrôle, la maintenance et l’attribution des droits d’accès.

c. Les stations HIS

La station opérateur (HIS : Human Interface Station) assure la surveillance et la supervision
du processus et permet de piloter et contrôler ce dernier. Elle a aussi pour fonctions l’archivage
des données, la gestion des alarmes et la génération des courbes.

d. HISTORIAN

La station HISTORIAN recueille, stocke, traite et archive les données du système de

contrôle. Afin de fournir des données pour les tendances, les tableaux de contrôle des processus
et les feuilles de calcul.

e. PRM

Precision Runway Monitor (PRM) est un outil qui permet d'accéder en ligne à tous les
appareils de terrain via un réseau numérique afin que de pouvoir effectuer des tâches de gestion.
PRM aide les opérateurs et le personnel de maintenance à prévenir les temps d'arrêt et à réduire
les coûts de maintenance.

f. Vnet/IP

Liaison électrique ou optique redondante intégrant sur le même média :

- Communications (temps réel garanti) utilisées pour le contrôle commande.

- Communications ouvertes sur Ethernet pour les échanges avec les systèmes externes.

80
 Figure 40 : Architecture DCS de l'épaississeur.

V.2. Architecture de communication

Introduction

Les processus complexes tels que le traitement chimique du phosphate exigent des solutions
de contrôle avancé sophistiquées pour maximiser l'efficacité et optimiser la consommation de
ressources énergétiques et chimiques, même dans les conditions les plus défavorables. Un
système de contrôle avancé nécessite une architecture bien définie pour garantir à la fois les
volets efficacité, flexibilité et sécurité, nous avons proposé une architecture de contrôle avancé
pour l’unité d’épaississement.

V.2.1. Architecture APC

Le système APC se connecte avec le système de contrôle existant. Le serveur OPC est
utilisé par l'APC pour garantir une lecture sans problèmes des instruments et une écriture sur
les éléments de contrôle.
Dans cette optique, les algorithmes du contrôle avancé seront implémentés dans une unité
à part nommé APC. Cette unité sera installée dans la salle des ingénieurs (Figure 2). Une

81
communication avec l’unité OPC sera établie via Ethernet sachant qu’elle communique déjà
avec les unités FCS et remonte les données terrains.

V.2.2. Communication client–serveur

Pour la lecture et l’écriture dans l’OPC serveur, les algorithmes de contrôle avancé ont
besoin d’une couche de communication. Sachant que la communication sera sur deux PC
Windows, une configuration sera nécessaire pour l’autoriser. Le système de communication et
la configuration sont détaillés ci-dessous :

Figure 41: L’unité APC intégrée dans l’architecture DCS.

82
 OPC Serveur

Figure 42 : L’architecture de communication de l’unité APC.

Conclusion
Dans ce chapitre nous avons montré l’architecture DCS de l’épaississeur, puis nous
avons intégré un pc qui contient les algorithmes de commande (APC), en fin nous avons mis
une architecture de communication entre l’OPC et l’APC.

83
 Conclusion Générale

Au cours de ce projet de fin d’études, nous avons pu remplir le cahier des charges qui
consistait à contribuer à la commande avancée du procédé de production de l’acide
phosphorique de la Ligne E à l’OCP Jorf Lasfar. Ce cahier des charges répond à une
problématique principale qui est la variation de la densité de sorite et le niveau de lit ce qui a
un mauvais impact sur les conditions de la réaction et donc sur la qualité de l’acide
phosphorique produit.

Concrètement, notre travail consistait dans un premier lieu, à la modélisation de

l’épaississeur pour faire la commande avancée sur le modèle, pour cela nous avons fait un
traitement de données puis nous avons utilisé une méthode identification permettant de
déterminer les paramètres du modèle à savoir le gain statique, la constante du temps et le retard.

Après la modélisation nous avons essayé trois méthodes de contrôle à savoir le

Prédicteur de Smith puisque le procédé présente des retards importants, puis nous avons fait la
commande anticipative pour une perturbation mesurable, et puisque le système contient trois
perturbations mesurables et vu la complexité de calcul juste pour une seule perturbation, nous
avons passé à la commande prédictive qui contient et le découplage et la commande
anticipative et la commande par compensation du retard, par la suite, il suffit juste de
programmer l’algorithme de la commande prédictive pour l’appliquer sur le procédé. En fin,
nous avons passé à l’architecture DCS existante et comment intégrer une station APC pour
commander le procédé à distance.

Comme perspectives, nous pouvons utiliser une autre méthode de contrôle avancé qui
est la logique floue et par la suite on n’aura pas besoin d’un modèle, et faisons aussi une
implémentation des résultats sur site.

84
 Références

[1] https://www.um6p.ma/fr/um6p/vision

[2] https://www.um6p.ma/fr/recherche/laboratoires/innovation-lab-operations-ilo

[3] Rapport PFE EMI, M. DRISSI Abdelhamid et M. TAMAALIT Taoufik, Juin 2017, Sujet :
« Contribution à la commande avancée du procédé de production de l’acide phosphorique de
la ligne E OCP Jorf Lasfar ».

[4] Rapport d’objectifs, Groupe OCP, M. KASRI Mohamed Amine, Juin 2014, Sujet : «
Procédé d’épaississement de la pulpe au niveau de la ligne E ».

[5] S. N. Vadukootu, R. A. Angry, P. Riley, State University Atlanta, Georgia, Proceedings

of the Thirtieth International Florida Artificial Intelligence Research Society Conference,
“Evaluating Preprocessing Strategies for Time Series Prediction Using Deep Learning
Architectures”.

[6] Yu-Cai Zhu, Elsevier Science & Technology Books, October 2001, “Multivariable System
Identification For Process Control”.

[7] S. A. BILLINGS, International Journal of Bifurcation and Chaos, Vol. 5, No. 6(1995)
1541-1556 © World Scientific Publishing Company, “Effects of the sampling time on the
dynamics and identification of nonlinear models”.

[8] Abarbanel, H. D. I., Brown, R., and Kadtke, J. B. (1990). Prediction in Chaotic nonlinea r
systems: Methods for time series with broadband Fourier spectra. Phys. Rev. A, 41(4): 1782-
1807.

[9] PID Controllers Theory Design and Tunning - Astrom & Hagglund.

[10] https://www.mathworks.com/help/ident/ref/procest.html

[11] JAIN, AMIT. Studies on RGA Analysis for Control Configuration Selection of
Decentralized Multivariable Nonlinear Chemical Processes. Diss. BITS, 2015.

85
[12] HOD, E. (2006). TUNING OF DECENTRALISED PI (PID) CONTROLLERS FOR
TITO PROCESS. Control Engineering Practice, 14(9), 1069-1080.

[13] Seborg, D. E., Mellichamp, D. A., Edgar, T. F., & Doyle III, F. J. (2010). Process
dynamics and control. John Wiley & Sons.

[14] Bemporad, Alberto, Manfred Morari, and N. Lawrence Ricker. "Model Predictive Control
Toolbox User’s Guide." The mathworks (2010).

[15]https://fr.mathworks.com/help/mpc/gs/designing-a-model-predictive-controller-for-a-
simulink-plant.html

86