Méthode de contrôle intelligent distribué basée sur l’auto-apprentissage d’état et son application dans les processus en cascade

Contexte académique

Dans l’industrie des procédés, l’opération en cascade de plusieurs réacteurs est une caractéristique notable. Cependant, établir un modèle précis et global pour les processus en cascade de plusieurs réacteurs présente de nombreux défis. L’état dynamique complexe des réacteurs ainsi que les relations de couplage entre les réacteurs avant et après rendent le contrôle fin de l’ensemble du processus extrêmement difficile. Les méthodes de contrôle traditionnelles telles que le contrôle PID (Proportionnel-Intégral-Dérivé) et le contrôle flou fonctionnent bien dans les processus de contrôle à une seule variable et à une seule boucle, mais elles sont inadéquates pour le contrôle coopératif des systèmes en cascade de plusieurs réacteurs. Le contrôle prédictif par modèle (Model Predictive Control, MPC), bien que largement utilisé dans l’industrie des procédés, présente encore des limitations dans le traitement des processus en cascade à grande échelle et non linéaires, en particulier en matière de contrôle et d’optimisation en temps réel.

Avec le développement des technologies émergentes telles que l’intelligence artificielle et le big data, l’exploration de nouvelles méthodes de contrôle pour atteindre une précision élevée dans l’ensemble du processus est devenue un besoin urgent. Cet article propose une méthode de contrôle intelligent distribué basée sur l’auto-apprentissage d’état (State Self-Learning, SSL), visant à résoudre les problèmes de modélisation et de contrôle dans les processus en cascade de plusieurs réacteurs, et offrant un paradigme de contrôle innovant et efficace pour l’industrie des procédés.

Source de l’article

Cet article est co-écrit par Shulong Yin, Yonggang Li, Zhenxiang Feng, Bei Sun et Huiping Liang, tous affiliés à l’École d’Automatisation de l’Université Centrale du Sud. L’article a été soumis le 23 octobre 2024, accepté le 3 décembre 2024 et publié dans la revue IEEE Transactions on Automation Science and Engineering. La recherche a été soutenue par la Fondation Nationale des Sciences Naturelles de Chine (NSFC) et les fonds de recherche de base pour les universités centrales de l’Université Centrale du Sud.

Détails de la recherche

1. Processus de recherche

a) Modélisation dynamique non linéaire

La recherche commence par établir un modèle dynamique à variation temporelle pour chaque unité de réacteur basé sur l’auto-apprentissage d’état. En apprenant les paramètres du modèle de régression à chaque point d’état, une description non linéaire du réacteur dans des conditions complexes est réalisée. Plus précisément, un réseau de neurones RBF (Radial Basis Function) est utilisé pour apprendre les coefficients du modèle autorégressif du réacteur dans différents états, saisissant ainsi les caractéristiques dynamiques non linéaires du réacteur.

b) Prédiction collaborative en plusieurs étapes

Basée sur le modèle dynamique et le principe de conservation de la matière entre les réacteurs, l’équipe de recherche effectue une prédiction collaborative en plusieurs étapes le long de la direction de la cascade des réacteurs. En utilisant les informations de prédiction de sortie d’un réacteur précédent comme informations d’entrée futures pour le réacteur suivant, une prédiction collaborative entre les réacteurs en cascade est réalisée. Cette méthode combine des modèles pilotés par les données et des connaissances mécanistiques, améliorant considérablement la précision de la prédiction.

c) Contrôle intelligent distribué

La recherche utilise une méthode de contrôle prédictif distribué basée sur la correction automatique des erreurs (Distributed Model Predictive Control, DMPC) pour réaliser un contrôle intelligent distribué des réacteurs en cascade. Cette méthode simplifie le processus d’optimisation en ligne en linéarisant localement le modèle prédictif non linéaire, transformant le problème complexe de contrôle non linéaire en sous-problèmes linéaires.

2. Principaux résultats

a) Effet de la modélisation dynamique non linéaire

En comparant la méthode de modélisation basée sur SSL avec la méthode utilisant directement un réseau de neurones (NN), la recherche valide la supériorité de la méthode SSL dans la capture des caractéristiques dynamiques non linéaires des réacteurs. Les données de test montrent que l’erreur de prédiction de la méthode SSL est significativement inférieure à celle de la méthode NN, en particulier dans des conditions de fonctionnement complexes, où elle présente une précision de modèle plus élevée.

b) Effet de la prédiction collaborative en plusieurs étapes

Dans les expériences de prédiction collaborative en plusieurs étapes, la méthode SSL est capable de transmettre efficacement les informations de prédiction entre les réacteurs en cascade, améliorant considérablement la précision globale de la prédiction. En particulier dans les changements dynamiques du processus en cascade, la méthode SSL montre une robustesse accrue.

c) Effet du contrôle intelligent distribué

Dans les expériences de simulation du processus de lixiviation dans la fonderie de zinc, la méthode de contrôle intelligent distribué basée sur SSL dépasse les méthodes traditionnelles de contrôle PID et le contrôle distribué basé sur les réseaux de neurones en termes de précision de contrôle et de vitesse de réponse. Cette méthode est capable de suivre rapidement la valeur de consigne et de maintenir un contrôle stable sous des conditions de perturbation.

3. Conclusion et signification

Cette recherche démontre que la méthode de contrôle intelligent distribué basée sur l’auto-apprentissage d’état peut efficacement résoudre les problèmes de modélisation et de contrôle dans les processus en cascade de plusieurs réacteurs. Par rapport aux méthodes de contrôle traditionnelles, la méthode SSL montre des avantages significatifs en termes de précision de modélisation, de capacité de prédiction et d’efficacité de contrôle, offrant un nouveau paradigme de contrôle pour l’industrie des procédés.

Points forts de la recherche

1. Méthode de modélisation innovante : La méthode de modélisation dynamique non linéaire basée sur l’auto-apprentissage d’état permet de mettre à jour les paramètres du modèle en temps réel, améliorant considérablement la précision de la prédiction du modèle.
2. Prédiction collaborative en plusieurs étapes : En combinant des modèles pilotés par les données et des connaissances mécanistiques, une prédiction collaborative entre les réacteurs en cascade est réalisée, améliorant la capacité de prédiction globale.
3. Contrôle intelligent distribué : La méthode de contrôle prédictif distribué basée sur la correction automatique des erreurs simplifie le processus d’optimisation en ligne, améliorant la précision et la vitesse de réponse du contrôle.
4. Validation pratique : Les expériences de simulation dans le processus de lixiviation de la fonderie de zinc valident l’efficacité et la robustesse de cette méthode, fournissant un soutien solide pour son application dans la production industrielle.

Valeur de la recherche

La valeur scientifique de cette recherche réside dans la proposition d’une méthode innovante combinant l’auto-apprentissage d’état et le contrôle distribué, offrant une nouvelle perspective pour résoudre les problèmes complexes de contrôle en cascade de plusieurs réacteurs dans l’industrie des procédés. Sa valeur pratique se reflète dans la capacité de cette méthode à améliorer considérablement l’efficacité et la stabilité de la production dans l’industrie des procédés, fournissant un support technique pour l’automatisation et l’intelligence industrielles. De plus, l’application réussie de cette méthode dans des industries typiques comme la fonderie de zinc offre une référence pour sa promotion dans d’autres scénarios industriels similaires.