La contribution de ce mémoire a porté essentiellement sur le problème de validation de don-nées des systèmes présentant des incertitudes. Les incertitudes peuvent provenir de la qualité des mesures collectées par le système d’instrumentation, de la mauvaise connaissance du mo-dèle décrivant le système ou encore être présentes simultanément sur les mesures et le momo-dèle. De manière générale, la prise de décision, pour l’accomplissement des objectifs définis par le cahier des charges, dépend fortement de la qualité des données collectées par le système d’instrumentation. C’est pourquoi, pour fonctionner de manière satisfaisante, les systèmes de contrôle-commande et de surveillance des systèmes industriels ont besoin de recevoir, en perma-nence, des informations représentatives de leur état. La performance et la fiabilité de l’ensemble des moyens de commande et de contrôle sont donc liées à la qualité des systèmes de mesure.
Les méthodes de validation de données exploitent la redondance analytique issue de la connaissance du modèle du système à surveiller. Le but de ces méthodes est d’analyser la co-hérence des mesures, puis de fournir des estimées dont la qualité soit suffisante pour l’étape de prise de décision. La plupart des méthodes de réconciliation de données “classiques” s’appuient sur la connaissance (supposée parfaite) d’un modèle de comportement du système. L’incohé-rence des mesures collectées sur le système avec ce modèle est alors révélatrice de la présence de défauts. Or, dans la pratique, un modèle de système réel se révèle approximatif, d’où la dif-ficulté de différencier un défaut de mesure des conséquences d’une erreur de modélisation.
Ceci est particulièrement vrai dans le cas du convertisseur à oxygène dont le modèle est assez imprécis et pour lequel certaines mesures sont également d’assez mauvaise qualité. Pour ce type de système qui fonctionne en “traitement par lots”, le réglage des points de consigne constitue une étape essentielle. Actuellement, les systèmes qui réalisent cette fonction s’ap-puient sur une démarche adaptative qui, à partir des déséquilibres de bilans calculés en utilisant les mesures, modifie les paramètres des modèles employés. Ce mécanisme d’adaptation n’est
Chapitre 7. Conclusion générale
pas satisfaisant, car il ne prend pas en compte simultanément les informations relatives à la qualité des mesures et à celles des modèles.
L’objectif de cette thèse consiste donc à améliorer la précision des informations utilisées par le système de commande du convertisseur en utilisant des méthodes de réconciliation de données. La solution que nous avons retenue est une méthode permettant simultanément la réconciliation de données et l’estimation paramétrique du modèle par l’emploi d’une fenêtre d’observation glissante.
Le premier chapitre a présenté le fonctionnement général du convertisseur à oxygène ainsi que la description du modèle associé à l’opération de préréglage. Cette opération, régulièrement utilisée dans le domaine de la sidérurgie, s’apparente à de la commande en boucle ouverte sur des procédés de traitement par lots. Il s’agit donc de déterminer, à partir d’un modèle statique, la valeur de la commande pour atteindre les objectifs définis par un cahier des charges, sachant qu’une fois cette commande calculée, on est obligé d’attendre la fin du processus pour avoir un aperçu de l’état du système. On a également exposé, dans ce chapitre, le fonctionnement et les limites du mécanisme d’adaptation traditionnellement mis en place sur ces modèles afin d’améliorer les performances du préréglage.
Un état de l’art des différentes techniques de réconciliation de données a été réalisé dans le chapitre 2. L’utilisation de la réconciliation de données dans le cas des modèles non linéaires a été présentée plus en détails pour effectuer le diagnostic de fonctionnement d’un processus.
Dans le chapitre 3, on s’est concentré sur la caractérisation des incertitudes de modèles et tout particulièrement sur l’étude de deux méthodes de réconciliation de données permettant de prendre en compte ces incertitudes dans le cas de modèles non linéaires.
La première est une méthode permettant de les prendre en compte en pénalisant les équa-tions du modèle. Ainsi, on peut pondérer le degré de satisfaction de chaque équation en fonction de son incertitude globale. L’algorithme présenté permet aussi de calculer automatiquement les facteurs de pondération qui pénalisent les équations. L’analyse de simulations numériques a montré que cette technique engendre moins de fausses alarmes que la réconciliation de données classique si le modèle présente un certain degré d’incertitude. Cependant, cette méthode ne per-met pas d’obtenir une estimation des incertitudes du modèle, ce qui pourrait être utile dans le cadre des processus de traitement par lots pour l’amélioration de l’opération du préréglage.
Les bénéfices apportés par la deuxième méthode d’estimation simultanée des variables et des paramètres du modèle sont importants dans l’étape d’optimisation du fonctionnement d’un système. Cette méthode permet l’estimation des grandeurs physiques des systèmes ainsi que celles des paramètres du modèle dans un ensemble cohérent. L’approche proposée s’appuie sur la connaissance des fonctions de distribution statistique des mesures et des paramètres incer-tains. Cependant cette méthode n’effectuant pas de distinction entre les paramètres du modèle et les variables du système, les bruits de mesures peuvent contaminer notoirement les estima-tions paramétriques.
simultané-L’utilisation d’une fenêtre d’observation de longueur donnée, sur laquelle on considère que les paramètres sont constants, a permis de rendre moins sensible leurs estimations à l’égard des incertitudes de mesures. En faisant glisser cette fenêtre d’observation au cours du temps, on peut ainsi obtenir un suivi de l’évolution lente des paramètres du modèle, correspondant à des éléments représentatifs de la dégradation du système. Il est alors possible de mettre à jour le modèle du système de préréglage grâce aux estimées des paramètres. Nous avons également intégré à cette méthode la possibilité de prendre en compte les indisponibilités des mesures. De même, la robustesse aux erreurs aberrantes de mesure a été introduite par l’intermédiaire de deux méthodes, d’une part, en utilisant une distribution des erreurs dite “contaminée” et, d’autre part, en modifiant itérativement la variance des mesures incriminées.
Les chapitres 5 et 6 ont concerné l’application de la méthode développée dans le chapitre 4 à des données réelles. Dans l’un, on s’intéresse à une première application sur un échantillon d’équations du modèle “Generic Steel Making” du convertisseur à oxygène en utilisant des données réelles provenant de l’usine d’ArcelorMittal de Gent. Dans l’autre, on met en garde l’utilisateur de cette méthode quant aux précautions à prendre pour une bonne utilisation. En effet, il n’est pas possible à partir de trop peu d’informations d’estimer la globalité des variables et des paramètres du modèle, cela amènerait la méthode d’estimation simultanée par fenêtre glissante à des conclusions qui seraient fortement discutables.
Les suites de ces travaux de recherche portent sur l’application de la méthode développée sur le modèle complet du convertisseur à oxygène de l’usine ArcelorMittal de Gent et sur l’élabo-ration d’un guide pratique plus abouti concernant la sélection des paramètres qu’il est possible et souhaitable d’estimer.
Annexe 1 : Test de “Page-Hinkley”
La détection de ruptures dans les signaux est un problème particulièrement important dans la détection de défaut où, souvent, c’est précisément dans le changement brusque que se concentre une part prépondérante de l’information. Les applications des tests de rupture sont nombreuses, parmi celles-ci, on peut citer tous les problèmes de segmentation (reconnaissance de début et fin d’événement, tri en zones homogènes, détection de contours ligne par ligne en imagerie,...) ainsi que ceux de surveillance (changement de modes vibratoires, apparition de chocs,...).
Le problème de changement le plus simple et celui qui nous intéresse est celui du saut de moyenne, mais on peut encore envisager le cas d’un saut de variance ou encore tout type de variation dans les paramètres d’un modèle.