Contrôle intelligent

Le domaine du contrôle intelligent s’est développé depuis quelques années. Ces techniques modernes de contrôle ont vu le jour avec les nouveaux modèles de comportement intelligent et les méthodes numériques pour les implémenter. Toutes ces nouvelles lois de contrôle s’inspirent des diverses approches stochastiques telles que les réseaux de neurones, les réseaux bayesiens, les simulations probabilistes, la logique floue, les calculs évolutifs et les algorithmes génétiques. Une attention particulière sera portée à deux familles de contrôle particulières : le contrôle par logique floue et le contrôle à l’aide de réseaux de neurones artificiels (« Artificial Neural Network » - ANN).

La logique floue permet à des procédés analogiques, évoluant sur une plage continue de valeurs, et un ordinateur digital, effectuant des tâches à partir de valeurs abstraites, d’interagir ensemble comme s’il s’agissait de valeurs numériques discrètes. Le qualificatif « floue » ne se réfère pas à la rigueur de la méthode employée. Elle découle en réalité du fait que cette dernière peut manipuler des concepts flous, c’est-à-dire des concepts ne pouvant pas être qualifiés vrais ou faux, mais plutôt partiellement vrais ou partiellement faux. L’avantage principal de ce type de contrôle par rapport aux autres méthodes de contrôle stochastiques telles que le contrôle génétique et le contrôle ANN est que la solution du problème posé peut être transmise dans des termes compréhensibles pour un usager. Ainsi, l’expérience personnelle de l’opérateur peut jouer un rôle prépondérant dans la phase de conception du contrôleur. Cela rend plus facile la mécanisation et l’automatisation des tâches déjà réalisées avec succès par l’homme. Ce type de contrôleur apparaît souvent dans des applications de contrôle de procédés non-linéaires qui sont difficiles à modéliser mathématiquement. De plus, les systèmes contrôlés par la logique floue ont généralement une dynamique lente et un long temps de réponse tels que les échangeurs de chaleur pour le contrôle thermique de fluides caloporteurs (voir Figure 1-6) ou les processus biochimiques comme la fermentation par exemple (Lee, Lee et al. 1999). Ce type d’algorithme de contrôle flou est aussi présent dans les machines à laver, les systèmes de ventilation, les fours industriels et les machines de refroidissement. Il devient donc un outil de choix pour le contrôle de la température des fluides caloporteurs circulant dans les moules des procédés LCM (Chen and Turng 2005), dans les systèmes complexes d’aide à la décision (Ho, Lau et al. 2006) et dans de futurs systèmes de contrôle de qualité en temps réel des pièces composites fabriquées par procédés LCM. Cependant, ce type de contrôle s’applique moins bien à l’automatisation de systèmes industriels ayant des temps de réponse plus rapides tels qu’un système d’injection RTM.

Figure 1-6 : Système de contrôle flou de la température.

De son côté, le réseau de neurones artificiel est un groupe d’unités virtuelles interconnectées qui permet d’effectuer le traitement de l’information sur la base d’une approche calculatoire dite « connexionniste ». Largement inspirée de la neurobiologie et de ses terminologies, cette approche cognitive repose sur le principe que les phénomènes complexes peuvent tous être décrits par ces réseaux d’unités simples, représentant des neurones, et de connections, constituant les synapses (voir Figure 1-7). Dans la plupart des cas, ce réseau de neurones est un système flexible qui modifie sa structure selon l’information y circulant. Les ANN sont donc des outils servant à la modélisation de la correspondance non linéaire entre divers lots de données statistiques. Ils permettent de découvrir les relations complexes s’établissant entre des valeurs d’entrée et de sortie d’un réseau donné ou de cerner des tendances présentes au sein d’ensemble de données en utilisant des algorithmes de rétro-propagation d’erreur (Bishop 1995).

Figure 1-7 : Vue simplifiée de la structure d’un réseau de neurones artificiel.

La plus grande force des ANN réside dans leur capacité naturelle à apprendre progressivement cette correspondance, et ce, uniquement à partir de données issues de plusieurs observations. De plus, si le modèle du réseau, l’algorithme d’apprentissage et les divers hyper-paramètres

(fonction de coût, etc.) sont choisis stratégiquement, le réseau ANN résultant peut être très robuste face aux diverses perturbations des commandes. Les applications de ce type d’approche ANN sont très diversifiées :

- Système d’identification et de contrôle (contrôle d’automobile et contrôle de procédé) - Jeux électroniques et aide à la prise de décision (jeux d’échecs, etc.)

- Reconnaissance de profils (radars, etc.) et de séquence (reconnaissance de voix, etc.) - Applications financières (prédictions, etc.)

- Exploitation de données (traitement de base de données, « data mining », etc.)

Ainsi, les ANN deviennent tout désignés pour s’inscrire dans une future stratégie de contrôle de la qualité en temps réel en effectuant des prédictions sur l’état final des pièces composites produites par procédés LCM, à partir des paramètres d’entrée du procédé. Justement, cette relation reliant les paramètres de fabrication aux propriétés finales des pièces fabriquées est souvent très complexe et difficilement modélisable autrement qu’avec des ANN. À cet effet, un survol du domaine du contrôle intelligent du procédé « Injection Molding » est effectué par Chen et Turng (Chen and Turng 2005). De leur côté, Pillai, Beris et al. ont développé un système expert opérant dans le cadre de la cuisson en autoclave de laminés verre/polyester (Pillai, Beris et al. 1997). Plus particulièrement, ce système expert avait pour objectif de minimiser le temps de cuisson d’une pièce, tout en la produisant avec la meilleure qualité possible. Quant à eux, Nielsen et Pitchumani ont utilisé une stratégie de contrôle robuste s’appuyant sur un ANN entraîné afin d’obtenir une progression de front de résine stable et préétablie malgré une perméabilité hétérogène des préformes fibreuses (Nielsen and Pitchumani 2001). Il est intéressant de souligner que Martins et Coelho ont présenté une façon d’améliorer la performance d’un contrôleur PID standard d’un réacteur thermique en utilisant également un réseau de neurones (Martins and Coelho 2000). En revanche, les réseaux de neurone ne fournissent pas une compréhension claire et directe des concepts théoriques sur lesquels s’appuient ces observations. Cette approche dite « boîte noire » peut constituer une faiblesse dans le cadre d’une étude expérimentale comme celle réalisée dans cette thèse. De plus, très peu de données sont disponibles a priori sur le système d’injection RTM conçu pour réaliser les plans d’expériences et sur le comportement dynamique de ce dernier système durant l’injection du polymère liquide dans le renfort fibreux. Or, ces données sont essentielles pour soutenir l’apprentissage, par le réseau de neurones, de la relation entre les paramètres de contrôle « procédé » en entrée et les paramètres de contrôle « machine »

en sortie. Pour toutes ces raisons, les algorithmes de contrôle de procédé s’appuyant sur les ANN ont été mis de côté dans le cadre de cette thèse mais ils pourraient tout de même être considérés dans de futurs travaux.