2.4 Les applications au contrôle de moteurs
2.4.3 Bilan du contrôle de moteurs
Actuellement, l’approche la plus répandue du contrôle de moteurs est la commande prédictive basée sur les modèles. Elle peut s’utiliser dans les deux couches du contrôle et s’appuyer sur des modèles solides développés depuis une cinquantaine d’années. En outre, la difficulté d’appliquer les méthodes de contrôle intelligent freine leur installation dans ce domaine où les contraintes techniques sont fortes. Par exemple, l’indisponibilité de certaines mesures lors du fonctionnement du moteur prive les contrôleurs d’une partie de l’information qui pourrait leur être nécessaire.
Un enjeu important pour l’industrie est la rapidité de mise au point d’un contrôleur. Chaque nouveau moteur s’accompagne en effet d’un long travail pour lui fournir un contrô- leur adapté. La calibration prend une part importante de ce travail. Étant donné la structure en deux couches des contrôleurs, elle revient à faire la correspondance entre la consigne, l’état du moteur et les actions à entreprendre. Cela équivaut en fait à contrôler le moteur asservi.
Aussi, l’apprentissage (aussi bien du contrôle que de la calibration) devient crucial, il permet de gagner du temps à l’instanciation et d’obtenir de meilleurs résultats. Il permet aussi de se passer de modèle, ce qui est un avantage pour accélérer la prise en compte de nouvelles technologies moteur. Il est cependant souvent figé : une fois réalisé, les résultats ne
sont plus mis en cause. Or un moteur s’use avec le temps et le contrôle doit en tenir compte. Le prochain défi est donc l’obtention d’un contrôleur capable de s’adapter, sur la durée, aux changements du moteur.
2.5
Conclusion
Ce chapitre a présenté les trois grandes familles de systèmes de contrôle que sont les PID, le contrôle adaptatif et le contrôle intelligent. Le tableau 2.5 en récapitule les caractéristiques principales. L’accent a été mis sur l’importance des techniques d’intelligence artificielle (en particulier des algorithmes d’apprentissage) et la diversité de leur mise en œuvre dans les systèmes de contrôle.
Table 2.5 – Tableau récapitulatif du contrôle.
Critère PID Contrôle adaptatif Contrôle intelligent
Généricité + + + +
Instanciation - - - -
Adaptativité - - + + +
Apprentissage
Aucun (la connaissance du procédé est implici- tement contenue dans le paramétrage
Limité (ajustement de paramètres d’une struc- ture fixe)
Variable (de limité à très important)
Cet état de l’art souligne également certaines limites des méthodes actuelles. La principale est celle des lourdes tâches de spécification et de paramétrisation nécessaires à leur application sur un système particulier. Pour les algorithmes les plus anciens, ce travail d’instanciation consiste en l’apport de connaissances sur le système contrôlé, par exemple par le biais des paramètres d’un PID ou du modèle mathématique des contrôleurs adaptatifs. Les techniques d’apprentissage automatique permettent d’apprendre tout ou partie de ces connaissances. Mais, étant plus complexes, elles conservent un degré de paramétrisation important et ne font au final que déplacer le travail d’instanciation vers des problèmes propres aux algorithmes utilisés. Un contrôleur devrait être facile à instancier. L’utilisateur ne devrait pas avoir besoin de connaissances techniques sur l’algorithme employé, ni devoir fournir un lourd travail de paramétrisation. Un problème lié est la division du contrôle en plusieurs couches. Un même système de contrôle devrait être capable de transformer directement une consigne en action de bas niveau sur le procédé.
Une caractéristique importante que doit avoir un contrôleur est la capacité de s’adapter à l’évolution du système contrôlé. L’apprentissage ne doit pas être figé. La dynamique d’un système réel se modifie au cours du temps, à mesure qu’il s’use, et un contrôleur doit en tenir compte. Il doit également s’adapter lorsque des avaries surviennent sur les capteurs et modifient la perception qu’il a du procédé.
Enfin, si plusieurs techniques existantes de contrôle intelligent permettent de contrôler la non-linéarité de certains systèmes, peu sont dans le même temps capables de passer à
l’échelle. Contrôler plusieurs variables tout en conciliant plusieurs objectifs et contraintes reste un problème ouvert lorsqu’il s’agit de l’appliquer à un système réel.
Les besoins se situent donc sur trois axes :
– un système de contrôle facile à appliquer à une instance particulière de procédé – un système de contrôle capable de suivre l’évolution du procédé, autrement dit capable
d’apprendre en parallèle du contrôle
– un système de contrôle capable de passer à l’échelle, c’est-à-dire de gérer simultanément un grand nombre de variables contrôlées et de critères d’optimisation.
Le premier implique un système se passant de modèle prédéfini, et possédant des paramètres en petit nombre et faciles à déterminer. Le deuxième axe oriente la solution vers la classe des algorithmes d’apprentissage par renforcement, dont l’objet serait la fonction de contrôle elle- même et non un modèle ou sa calibration. L’apprentissage devrait en outre être suffisamment contrôlé pour ne pas risquer de dégrader le procédé. Enfin, le troisième axe encourage un contrôle distribué.
Parmi toutes les approches d’apprentissage et d’intelligence artificielle qui ont été abordées dans ce chapitre, il en est une qui a été volontairement omise et qui pourrait bien répondre à ces besoins : les systèmes multi-agents. Ils sont l’objet du chapitre suivant.
CHAPITRE
3
Systèmes multi-agents et coopération
L’objectif de ce chapitre est d’introduire les systèmes multi-agents (SMA) et de montrer en quoi cette approche est intéressante pour le contrôle de systèmes complexes. Les concepts principaux sont présentés avant d’aborder quelques techniques de contrôle et d’apprentissage utilisant les SMA. La suite du chapitre se focalise sur la notion d’auto-organisation et présente une vision particulière des SMA, fondée sur la coopération.3.1
Les systèmes multi-agents
Les systèmes multi-agents (SMA) sont des systèmes composés de plusieurs entités au- tonomes en interaction que l’on appelle agents. La distribution au sein du système de la connaissance, des calculs, ou encore du contrôle en est la principale caractéristique. Ils ap- partiennent ainsi à la branche que l’on appelle distribuée de l’intelligence artificielle (IAD), celle qui s’intéresse à la résolution collective de problèmes, c’est-à-dire à l’élaboration de comportements au sein d’un collectif menant à la réalisation d’une tâche globale particulière.
Cette section commence par définir ce qu’est un agent, puis s’intéresse aux interactions entre plusieurs d’entre eux pour aborder le principe de système multi-agent. Quelques techniques multi-agents de contrôle et d’apprentissage sont ensuite présentées.