Académique Documents
Professionnel Documents
Culture Documents
Rapport Pfe Hamdaoui-Oumessaoud - Modifié
Rapport Pfe Hamdaoui-Oumessaoud - Modifié
Réalisé par :
HAMDAOUI ABDELHAMID
OUMESSAOUD M’BARK
Devant le jury :
M.HALOUA Président
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 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.
3
Abstract
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
5
III.2.2. Echantillonnage de données .........................................................................31
a. Conception du découpleur..............................................................................51
a. Calcul du RGA............................................................................................59
6
IV.5.1. Principe de base ..........................................................................................66
b. La station INGENIEUR...............................................................................80
d. HISTORIAN...............................................................................................80
e. PRM ...........................................................................................................80
f. Vnet/IP .......................................................................................................80
7
LISTE DES FIGURES
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
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 .
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.
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 :
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.
14
Figure 2 : Logo d'ILO.
Le ILO devra fonctionner avec une multitude d’acteurs de son écosystème. Les acteurs
identifiés sont:
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
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].
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
II.2.1. Epaississement
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
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 :
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 :
L’attaque est considérée comme une étape déterminante dans la production de l’acide
phosphorique. Cette unité est constituée de:
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
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].
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.
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.
Ce projet que nous avons réalisé au sein de l’entité Innovation Lab for Operations
de l’UM6P a comme objectifs :
22
II.6. Démarche de réalisation du projet
Etape 1:
Etape 2:
Etape 3:
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.
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.
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.
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.
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 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).
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
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.
26
Tableau 1 : Les entrées/Sorties de pilotage de l'épaississeur.
Epaississeur
Débit de recirculation Niveau de lit
27
Tableau 2 : Les valeurs du point de fonctionnement.
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
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.
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.
Dans notre cas, en remplace les données manquantes par la valeur « NAN ».
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 :
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 .
On remarque également que les valeurs à grandes occurrences restantes sont, en gén
éral, de l'ordre de 10-17 - 10-16.
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].
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
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 :
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.
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 :
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 :
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].
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.
𝑓𝑠
𝑓𝑁 =
2
Application numérique:
1 1
𝑓𝑠 = = = 0,55 × 10 −3 𝐻𝑧
𝑇𝑠 30 × 60
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 :
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.
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.
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.
(9)
𝐴 (𝑞 −1)𝑦(𝑘) = 𝐵(𝑞 −1 )𝑢(𝑘) + 𝜀(𝑘)
𝐴 (𝑞 −1) = 1 + 𝑎1 𝑞 −1 + ⋯ + 𝑎 𝑛𝑎 𝑞−𝑛𝑎
𝑌 = Ψ𝜃 (11)
Avec:
𝑌𝑇 = [𝑦 (𝑛 + 1) ⋯ 𝑦(𝑁) ]
38
𝜃 𝑇 = [𝑎1 ⋯ 𝑎 𝑛 𝑏1 ⋯ 𝑏𝑛 ]
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
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 :
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 :
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:
Avec :
0 < 𝜆1 (𝑘) ≤ 1 ; 0 < 𝜆2 (𝑘) ≤ 2 𝐸𝑡 Ϝ(0) > 0
40
L’algorithme MEP peut être résumé par l’organigramme suivant :
Calculer :
Γ (𝑘).Ψ(𝑘)
Ϝ (𝑘 ) =
1 + Ψ 𝑇 (𝑘). Γ (𝑘).Ψ(𝑘)
Recalculer :
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
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 :
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 :
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
43
La figure suivante illustre la réponse du système réel et celui du modèle identifié, pour
les deux sorties :
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
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.
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.
P1
I Gz s
Gcs
c1
G11 s
+ u1 y1
1 +
G21 s P2
Gz s
2
c2 + Gc s
2
u2
G22 s y2
II
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 :
Pour ce système s’il n’existe aucune perturbation alors les deux sorties sont sous la forme :
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.
48
Chaque élément de la RGA est déterminé par l’expression suivante :
(𝜕𝑦𝑖/𝜕𝑢𝑗)𝑢
𝜆𝑖𝑗 = (24)
(𝜕𝑦𝑖/𝜕𝑢𝑗)𝑦
𝑎 𝑢1 𝑢2 ⋯ 𝑢𝑛
𝑦1 𝜆11 𝜆12 ⋯ 𝜆1𝑛
𝑅𝐺𝐴 = 𝑦 [ 𝜆21 𝜆22 ⋯ 𝜆2𝑛
] (25)
⋮ ⋮ ⋮ ⋱ ⋮
𝑦𝑛 𝜆𝑛1 ⋯ ⋯ 𝜆𝑛𝑛
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.
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
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.
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.
ѳ
Φij (ѳ) = ∫0 𝑦𝑖 (𝑡 )𝑑𝑡 (𝑖, 𝑗, … … . . 𝑚) (26)
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.
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
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)
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.
𝐾𝑝 𝑒 −𝜏𝑑𝑠
𝑙(𝑠) =
1 + 𝑇𝑠
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.
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.
𝑒 −𝜏𝑠
𝐻(𝑠) =
20𝑠 + 1
1
𝐶 (𝑠) = 𝐾𝑝(1 + + 𝑇𝑑 ∗ 𝑠)
𝑇𝑖 ∗ 𝑠
Où Kp = 1 Et Ti = 10 ET Td = 11.
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.
55
Figure 24 : Structure du prédicteur de Smith.
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.
1
𝐶 (𝑠) 0 𝐾𝑝1 (1 + 𝐾𝑖1 ) 0
𝐶(𝑠) = [ 1 ]=[ 𝑠 ] (40)
0 𝐶2(𝑠) 1
0 𝐾𝑝2 (1 + 𝐾𝑖2 )
𝑠
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 .
Donc pour annuler l’influence des perturbations mesurées il faut ajouter un bloc annulant la
perturbation D(s).
57
Calcul de la fonction de transfert Gff (s) :
D’après la figure (23) nous avons :
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
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 :
Epaississeur
Débit de recirculation Niveau de lit
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
59
De l’équation (32) nous trouvons:
𝑣1 (𝑠) = 1 𝑐𝑎𝑟 75 ≥ 36
−𝑔12 (𝑠)
𝑑12 (𝑠) = × 𝑒 30𝑠
𝑔11 (𝑠)
−𝑔21 (𝑠)
𝑑21 (𝑠) = × 𝑒 −39𝑠
𝑔22 (𝑠)
Et :
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
60
IV.4.3. Analyses des performances pour le prédicteur de Smith
Système U1 _Y1 :
Densité de sortie (Kg/m3)
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 :
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 :
63
Système U2_Y2 :
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:
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.
Effet anticipatif : technique bien adaptée pour des problèmes de suivi de trajectoire.
Le contrôleur résultant est une loi de commande linéaire facile à mettre en œuvre.
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 :
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).
66
Ainsi, l’algorithme de base de la commande prédictive à horizon fuyant peut être
résumé en quatre étapes :
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.
o Modèle de prédiction.
o Fonction objectif.
67
Entrées et sorties Référence
passées Sorties
prédites
Modèle
Sorties
future
Optimiseur
Erreur
La fonction
Les contraintes
cout
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.
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
∝
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:
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
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:
Ce qui donne:
70
Figure 34 : La réponse indicielle.
Fonction de transfert :
𝑛𝑎 𝑛𝑏
𝐴 (𝑧 −1 ) = 1 + ∑ 𝑎𝑖 ∗ 𝑧 −𝑖 𝑒𝑡 𝐵(𝑧 −1 ) = ∑ 𝑏𝑖 ∗ 𝑧 −𝑖 (49)
𝑖=1 𝑖=1
𝐵(𝑧 −1 )
ŷ(𝑡 + 𝑘 |𝑡) = ∗ 𝑢(𝑡 + 𝑘 |𝑡) (50)
𝐴(𝑧 −1)
Représentation d’état :
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 )
𝐸𝑘 (𝑧 −1)𝐷 (𝑧 −1 ) + 𝑧 −𝑘 𝐹𝑘 (𝑧 −1 ) = 1 (54)
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
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
73
o Système d’ordre inconnu.
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 :
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.
75
Figure 37:schéma sur Simulink de la régulation par MPC
76
IV.5.5. Analyse des performances
Nous constatons que le rejet de la perturbation par la commande prédictive est plus
rapide par rapport aux deux types de contrôleurs précédents.
77
CONCLUSION
78
Chapitre V : Architecture du contrôle avancé et des algorithmes de
communication via OPC
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.
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.
d. HISTORIAN
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
- Communications ouvertes sur Ethernet pour les échanges avec les systèmes externes.
80
Figure 40 : Architecture DCS de l'épaississeur.
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.
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.
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 :
82
OPC Serveur
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.
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 ».
[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