Optimisation de la conduite de processus par émulation floue des stratégies de commande

No Thumbnail Available

Date

2014

Journal Title

Journal ISSN

Volume Title

Publisher

Abstract

La théorie de commande multivariable offre des outils intéressants pour la conception de contrôleurs se basant sur des critères d’optimalité et de robustesse. Cependant, l’application de certaines de ces méthodologies conduit dans certains cas (systèmes de grandes dimensions, synthèse H1,. . . ) à des réalisations d’ordre élevé nécessitant le recours à des simplifications structurelles (notamment de réduction d’ordre ou d’approximation) avant toute éventuelle implémentation. Ces simplifications ne sont bien évidemment pas sans effets. En fait, dans bon nombre de cas, des dégradations de performances ou même des situations de désadaptation du contrôleur au processus à régler peuvent être observées. L’émulation par approches alternatives inspirées de l’intelligence Artificielle (AI) de ce type de lois de commande multivariable conduisant à des configurations réalisables représente une piste intéressante à étudier et à mettre en oeuvre. Dans le présent travail, nous nous sommes plus particulièrement intéressés aux systèmes d’inférence floue issus de la théorie de la logique floue pour étudier cette problématique. L’objectif de ce travail est de synthétiser des systèmes de commande à base de règles floues émulant des lois de commande optimale et robuste d’ordre élevé à partir d’une base de données dont la réalisation pratique est souvent difficile voire impossible à mettre en oeuvre. Pour ce faire, une méthodologie de synthèse de lois de commande multivariable basée sur la coalescence floue est proposée. L’objectif étant d’émuler le comportement dynamique d’un système de commande multivariable par la génération automatique de bases de règles floues susceptibles de le décrire à partir de données. Afin de mettre en oeuvre cette approche, deux différentes configurations de commande multivariable sont examinées : le contrôle H1 avec loop-shaping et le contrôle LQG. Pour démontrer la performance de la méthodologie d’émulation floue proposée, une application à la commande d’un générateur de turbine à vapeur est traitée. Plusieurs simulations sont effectuées dans différentes conditions de fonctionnement

Description

102 p. : ill. ; 30 cm

Keywords

Générateurs électriques, Turbines à vapeur, Intelligence artificielle

Citation

Collections

Endorsement

Review

Supplemented By

Referenced By