4.2 Le cas du réacteur parfaitement agité
4.2.3 Validation de l'observateur
Une première série de simulations a été mise en place pour la validation de
l'observa-teur construit à partir du modèle avec la séparation d'états.
Le premier test concerne les variations des entrées. Pour cela, des échelons de 50 % de
la valeur initiale de D etIC
eont été ajoutés au même instant comme des perturbations
en entrée pendant toute la durée de la simulation. L'observateur a été initialisé avec
des valeurs arbitraires pour tester la convergence de l'estimation. La performance de
l'observateur Takagi-Sugeno est montrée sur la gure 4.7.
Fig. 4.7 Performance de l'observateur en considérant un échelon sur les entrées
La convergence est clairement remarquée au début de la simulation. En eet, les états
estimés partent des conditions initiales choisies de manière arbitraire et après un temps de
convergence (300h ce qui est lent), ils suivent les états non linéaires. Après la convergence,
la biomasse et le carbone inorganique sont estimés correctement. Par contre l'estimation
du substrat présente une erreur en régime transitoire (induite par la linéarisation du
modèle) qui est corrigée en régime permanent.
Dans ce contexte, la dynamique de convergence est réglée de manière locale. En
eet, les vecteurs de gains K
jont été calculés en utilisant l'algorithme d'optimisation
LQR comme nous l'avons expliqué précédemment. Vu que les résultats sont satisfaisants
par rapport aux objectifs, nous n'avons pas eu besoin de réajuster le réglage après
l'interpolation des états locaux estimés, mais un un nouveau réglage pourrait accélérer la
convergence.
Le deuxième test consiste à vérier la tolérance de l'observateur aux éventuelles erreurs
de modélisation. Pour cela, la valeur du taux de croissance de la biomasse a été altéré de
20 % de sa valeur initiale sur l'ensemble de la simulation. Au même instant, les entrées
ont été perturbées en leur ajoutant des échelons comme dans le premier test. Les résultats
sont illustrés dans les graphiques de la gure 4.8.
Fig. 4.8 Performance de l'observateur en considérant des erreurs sur le taux de
crois-sance biologique
Comme pour le test précédent, la biomasse et le carbone inorganique sont bien estimés
et une erreur importante sur l'estimation du substrat est remarquée. En eet, la variation
du taux de croissance biologique est interprétée comme un changement du modèle non
linéaire ce qui n'est pas considéré par les modèles linéarisés. Ainsi, la dynamique de ces
derniers contient l'erreur de modélisation ce qui induit le biais sur l'estimation du substrat.
Le dernier test, illustré par la gure 4.9, concerne l'étude du bruit sur les mesures.
Fig. 4.9 Performance de l'observateur en considérant du bruit sur les mesures
Pour ce test, un bruit blanc a été ajouté aux mesures du méthane et du dioxyde de
carbone. On constate que l'estimation ne contient ni biais ni erreur statique ni erreur
transitoire. De plus, le bruit est ltré lors de l'estimation.
De manière générale, cet observateur (en utilisant le modèle avec séparation d'états)
estime correctement les variables d'état de la digestion anaérobie en RPA. Néanmoins,
l'estimation du substrat présente des erreurs en régime transitoire et des biais. Par
ailleurs, la transformation d'état pour séparer les états observables et non observables
peut devenir dicile à mettre en place si on souhaite considérer un nombre plus
impor-tant des modèles locaux. De plus, l'inversion des matrices T
jpeut induire des erreurs
numériques vu la dimension du modèle et le mauvais conditionnement des matrices.
Ainsi, pour éviter les éventuelles erreurs numériques induites par la séparation d'états
et pour améliorer l'estimation du substrat, nous avons implémenté l'observateur à partir
d'une réduction du modèle.
Le premier test concerne les variations des entrées. Dans ce cas, une perturbation sous
forme de créneau sur le substrat en entrée a été considérée. Le résultat est montré par la
gure 4.10.
Fig. 4.10 Performance de l'observateur en considérant un créneau sur S
2eLa convergence est clairement remarquée au début de la simulation, mais le temps de
convergence (200h) a été amélioré par rapport à l'observateur à séparation d'états. Après
la convergence, la biomasse est estimée correctement ainsi que le carbone inorganique
et le substrat. Mais ces derniers présentent une erreur d'estimation lors du transitoire.
Cette erreur est induite par la réduction du modèle considéré pour la conception de
l'observateur. En eet, le modèle réduit ne considère pas la contribution de la biomasse
X
1à l'estimation du substratS
2et du carbone inorganiqueIC. Plusieurs réglages ont été
testés sans réussir à éliminer l'erreur transitoire. En principe, cette erreur d'estimation
ne pose pas un grand problème dans le sens où seule la biomasse, qui est parfaitement
estimée, sera utilisée pour l'élaboration des stratégies de commande.
Le deuxième test consiste à vérier la tolérance de l'observateur aux éventuelles
er-reurs de modélisation. Pour cela, les paramètres du modèle peuvent être modiés. Les
performances de l'observateur sont particulièrement sensibles au taux de mortaliték
d. En
eet, le taux de croissance peut varier jusqu'à 20 % de sa valeur réelle sans modication
majeure des performances de l'observateur et notamment sans apparition d'un biais trop
important. Par contre, l'estimation du carbone inorganique et du substrat présente une
erreur statique à partir d'une variation de k
dd'à peine 10 %. Cette erreur est induite à
cause des changements des conditions opératoires. Le modèle linéarisé ne prend pas en
considération les variations des paramètres du modèle non linéaire. Ainsi, si ces variations
sont considérables, il y aura un écart important entre les variables réelles et celles
esti-mées. La gure 4.11 montre l'estimation des variables d'état pour une variation du taux
de croissance de 20 % de sa valeur réelle.
Fig. 4.11 Performance de l'observateur en considérant une erreur du taux de mortalité
Le dernier test considéré concerne l'étude de l'eet du bruit des mesures. Pour ce
test, un bruit blanc a été ajouté aux mesures du méthane et du dioxyde de carbone. Les
résultats sont montrés dans la gure 4.12.
Dans ce cas, on remarque des bonnes performances de l'observateur. Même si le
substrat et le carbone inorganique sont estimés avec une légère erreur transitoire (induit
toujours par la linéarisation du modèle), on peut considérer que les trois variables d'état
sont estimées correctement.
Ainsi, de manière générale, les deux approches proposées présentent de bonnes
performances lors de l'estimation des variables d'état de la digestion anaérobie en RPA.
L'avantage principale de cet observateur concerne l'estimation de la biomasse qui se
fait correctement sous diérentes conditions opératoires. Le point faible de l'observateur
concerne les variations rapides des entrées. En eet, on remarque dans la plupart de cas
une erreur (transitoire ou statique) d'estimation sur le substrat et le carbone inorganique.
Même si l'erreur d'estimation n'est pas trop importante, certaines modications
peuvent être mises en place pour l'éliminer. Ainsi, il est possible d'ajouter une
troi-sième variable de fuzzication pour considérer l'information que les variables actuelles
ne peuvent pas prendre en compte. Cette troisième variable pourrait être soit une mesure,
soit une autre entrée. En eet, le biogaz est un indicateur direct de l'activité biologique à
l'intérieur du réacteur et il peut apporter un information importante lors de la sélection
des modèles locaux. Mais, il est aussi possible que l'information manquante soit fournie
par une autre entrée comme le carbone inorganique ou le substrat.
Validation expérimentale
Pour cette étape, nous avons utilisé les mesures du pH et du biogaz produit issues
des expériences en continu. Dans certaines séries d'expériences, la perte d'information,
à cause des situations expliquées au chapitre 3, rend dicile l'exploitation des données.
Malgré cette situation, nous avons réussi à tester l'observateur sur plusieurs expériences.
Ainsi, nous allons présenter les performances de l'observateur en considérant l'expérience
la plus riche en information à exploiter.
Les conditions opératoires correspondants à cette expérience sont :
Volume à l'intérieur du réacteur : 5 litres
Étape de démarrage (batch à 5g/l de DCO en entrée) : 0 - 192 heures
Fonctionnement en continu à 5g/l de DCO en entrée : 193 - 430 heures
Débit d'entrée : 0.4l/h
Fonctionnement en continu à 7.5g/l de DCO en entrée : 431 - 690 heures
Arrêt de l'expérience : à l'heure 691.
L'étape de démarrage a été utilisée pour permettre au procédé d'atteindre son point
d'équilibre, c'est-à-dire d'établir les conditions initiales pour le fonctionnement en continu.
Au début de ce dernier, le procédé a eu un comportement irrégulier provoqué par le
changement des conditions opératoires. Pour cette raison, les premières heures du continu
ont été considérées comme une étape transitoire entre les deux modes d'opération. Ainsi,
l'observateur a été validé avec les données réelles à partir de l'heure 295. Les résultats
obtenus de cette validation sont bien encourageants comme on peut le constater dans la
gure 4.13.
Fig. 4.13 Performance de l'observateur en considérant du bruit sur les mesures
Les graphiques montrent que X
2est estimée correctement. En eet, la courbe de
la biomasse estimée suit avec une erreur statique négligeable la courbe de la biomasse
obtenue à partir du modèle simulé. Par contre, sur l'estimation du substrat, on remarque
une erreur transitoire et une erreur statique comme dans la validation en simulation. Deux
situations peuvent être à l'origine de cette erreur. La première concerne l'instrumentation
des appareils, il faut rappeler que le système d'analyse de biogaz est susceptible d'induire
des erreurs. La deuxième concerne la linéarisation du modèle. En eet, il est possible que
le nombre de modèles locaux ne soit pas susant pour représenter le procédé ou que les
dynamiques linéaires ne soient pas capables de s'adapter, surtout en régime transitoire,
aux changements des conditions opératoires. Pour résoudre cette nouvelle problématique
dans des futurs travaux de recherche, on pourrait envisager d'augmenter le nombre de
modèles locaux ou d'implémenter un intégrateur dans l'observateur pour éliminer les
erreurs statiques. Par ailleurs, il serait aussi raisonnable de construire des observateurs
en évitant la linéarisation du modèle, par exemple en utilisant l'observateur de [Bastin et
Dochain, 1991] ou une approche étendue de l'observateur de Luenberger.
Dans le document
Stratégies de commande intégrée intelligente de procédés de traitement des eaux usées par la digestion anaérobie
(Page 107-112)