introduction - Université de technologie de Troyes
Transcription
introduction - Université de technologie de Troyes
3e Conférence Francophone de MOdélisation et SIMulation «Conception, Analyse et Gestion des Systèmes Industriels» MOSIM’01 – du 25 au 27 avril 2001 – Troyes (France) DEVELOPPEMENT D’UN SERVEUR DE DONNEES INDUSTRIELLES POUR L’IMPLEMENTATION DE CAPTEURS LOGICIELS A RESEAUX DE NEURONES Richard LORION1 , Laurent CHANE-KUANG-SANG1 , Michel BENNE1 , 2 , Jean-Pierre CHABRIAT1 1 2 Laboratoire de Génie Industriel Université de La Réunion 15, avenue René Cassin, BP 7151 97715 Saint-Denis Messageries Cedex 9 Mél : [email protected] Sucrerie de Bois Rouge 2, chemin Bois Rouge BP 1017, Cambuston 97440 Saint-André Mél : [email protected] Résumé : Cet article présente une étude sur la mise en œuvre de capteurs logiciels en sucrerie de cannes. Il s’appuie sur nos travaux concernant le développement d’une interface multitâche pour l’acquisition et le traitement en ligne des données industrielles. A partir des bases de données collectées et d’une modélisation systémique du procédé industriel, nous avons étudié l’implantation d’un capteur logiciel pour la mesure de la concentration en saccharose du jus de cannes, le Brix. Les résultats obtenus pour le procédé d’évaporation montrent la validité de cette approche et nous permettent d'envisager son intégration au schéma de commande avancée in situ. Mots clés : Acquisition de données, Procédé industriel, Capteur logiciel, Modélisation non-linéaire, Réseaux de neurones 1 contraintes et un coût d’installation qui pénalisent la multiplication des points de mesure. INTRODUCTION La conduite de procédés représente un enjeu technologique et économique de première importance en sucrerie de cannes. Dans le cadre de notre collaboration avec la Sucrerie de Bois Rouge (S.B.R), nous avons mis en œuvre une méthodologie de modélisation de type systémique (réseaux de neurones) du procédé d’évaporation. La modélisation des systèmes industriels nécessite la constitution d’une base de données expérimentales fiable. Pour ce faire, sur la base du système de supervision et de commande disponible au sein de la sucrerie, nous avons développé un serveur de données réalisant l’interface entre l’acquisition de données industrielles et l’environnement de simulation développé sous MATLAB. Cette interface, nommée I-MEDIA1, autorise le développement de modèles de simulation et l’analyse des données industrielles en ligne. L’association de données existantes et d’une méthode de modélisation systémique nous permet de mettre en œuvre des capteurs logiciels. Notre attention s’est portée sur une grandeur essentielle dans la modélisation des procédés sucriers : la concentration en matière sèche des produits sucrés, dont la lecture directe présente des 2 La première étape de la cristallisation du sucre est réalisée par la concentration du jus de cannes2 constitué principalement de saccharose et d’eau. Cette fonction, obtenue par l'évaporation du solvant, fait l’objet d’une seule transformation unitaire, une séparation liquideliquide. L’association en cascade de plusieurs opérations élémentaires couplées par des transfert de masse et de chaleur permet de minimiser la consommation énergétique de ce procédé : c'est le principe du multiple-effets. A la Sucrerie de Bois Rouge (S.B.R), le procédé en multiple-effets comporte 6 évaporateurs qui totalisent une surface de chauffe de 13 700 m 2 pour 34 000 tubes (Figure 1). 2 1 Interface under Multitask Industrial Applications Environment for L’ENVIRONNEMENT EXPERIMENTAL : L’ATELIER D’EVAPORATION Digital - 273 - La concentration en sucre (saccharose) est représentée par la fraction massique en matière sèche, le Brix exprimé en pourcentage (% Bx) MOSIM’01 – du 25 au 27 avril 2001 – Troyes (France) Vapeur de chauffage entrée évaporation (450 kg.t-1 ) Jus à l’entrée à Bx = 12% (400 m3.h-1) condenseur Sirop en sortie à Bx=72% (50 m3.h-1) é v a po rat e ur s bac de sirop Figure 1. Les entrées-sorties du procédé d’évaporation en multiple-effets Dans des conditions optimales, l’atelier traite en moyenne 450 m3.h-1 de jus de cannes à un Brix de 12 % (entrée) pour une production de 50 m3.h-1 de sirop à un Brix de 72 % (sortie). Cette opération d’évaporation nécessite un apport d’énergie de 450 kg de vapeur à la pression de 2.5 bars par tonne de cannes traitées (entrée). L’évaporation présente deux enjeux économiques pour l’industriel : la maîtrise de la consommation d’énergievapeur et le contrôle de la qualité du sirop en sortie. Le respect de ce double objectif requiert l’optimisation et la conduite du procédé qui reposent sur la modélisation physico-chimique de chaque échangeur. Cela nécessite la connaissance des grandeurs thermodynamiques et physico-chimiques qui décrivent le procédé dont le Brix à l’entrée et à la sortie de chaque évaporateur. A Bois Rouge nous disposons de la mesure des pressions, des températures et des débits sur l’ensemble de l’atelier d’évaporation, mais du fait des contraintes économiques et expérimentales, l’instrumentation se limite à deux capteurs pour la mesure du Brix : • un gamma densimètre dont l’installation et la maintenance imposent des règles strictes (législation) ; • et un réfractomètre, moins contraignant au niveau de la mobilité de l’installation, mais nécessitant une maintenance fréquente pour diminuer les risques d’encrassement. algorithme de traitement de l’information (Cheyruy, 1998). Le premier aspect a fait l’objet du développement d’un outil réalisant la collecte des mesures industrielles : un serveur de données qui nous a permis de constituer une base de connaissances durant trois campagnes sucrières depuis 1998. Nous présentons ci-après l’architecture physique et logicielle mise en œuvre pour le développement de ce serveur. 3.1 Le système industriel LE SERVEUR DE DONNEES : I-MEDIA Le développement de capteurs logiciels nécessite l’association de mesures accessibles in situ et d’un supervision L’ensemble des données mesurées à la S.B.R. est géré par une station de conduite et de supervision (S.C.S.) informatisée : le MODUMAT 8000 de Bailey. L’organisation modulaire et évolutive de cet environnement de contrôle et de supervision permet un traitement réparti de l’ensemble des opérations de traitement au sein de la sucrerie. Les tâches d’acquisition et de régulation sont traitées par des A.P.I. autonomes : les ACTIMAT. Leur association par « grappe » de 1 à 32 unités constitue un ensemble de microprocesseurs adapté au traitement réparti à haut débit de transmission (10000 mesures/250 ms). Dans une grappe la liaison inter-équipement est réalisée par des coupleurs d’automates programmables (C.A.P.), et chaque grappe est connectée au réseau par l’intermédiaire d’un serveur (Figure 2). S.C.S. contrôle, supervision et archivage Dans la perspective de limiter l’installation contraignante de gamma densimètres ou de réfractomètres supplémentaires, nous avons développé un capteur logiciel s’appuyant sur des mesures existantes, une initiative confortée par les résultats obtenus lors du travail de thèse de Michel Benne sur le contrôle du procédé d’évaporation (Benne, 1999-a). 3 de MEDIAMAT S MEDIAMAT P grappe de 6 A.P.I. couplés par 1 C.A.P. liaison inter équipement via les réseaux MEDIAMAT Figure 2. Le réseau MEDIAMAT MOSIM’01 – du 25 au 27 avril 2001 – Troyes (France) La définition des priorités entre les serveurs est assurée par un équipement maître : un calculateur de type PC fonctionnant sous un système d’exploitation multitâche temps réel CONCURRENT-DOS. La distribution des informations est réalisée au moyen de deux réseaux de communication : • le bus MEDIAMAT-P pour la communication entre les A.P.I. ; • et le bus MEDIAMAT-S pour l’information entre les grappes et les équipements maîtres. 3.2 Le serveur de données I-MEDIA Pour accéder aux données véhiculées sur le SCS, nous avons développé une interface de communication avec les réseaux MEDIAMAT baptisée I-MEDIA (Benne et al., 1998). Implantée sur un calculateur de type PC fonctionnant sous le système d’exploitation multitâche Microsoft Windows 2000, I-MEDIA communique avec un C.A.P. par le biais d’une liaison physique de type série (RS-232) en utilisant le protocole de communication Modbus-Jbus (Figure 3). réseaux MEDIAMAT grappe de 6 A.P.I. couplés par 1 C.A.P. liaison série RS-232 P.C. (I-MEDIA) acquisition, identification et contrôle Figure 3. Intégration du PC au réseau MEDIAMAT Les principales contraintes que nous avons rencontrées dans le développement de ce système sont liées au fonctionnement de la S.C.S. : • L’utilisation des protocoles spécifiques pour le transfert des données. • La gestion d’une communication série à faible débit dans ce contexte. • Et la nécessité de construire un environnement multitâche afin de respecter le traitement distribué et indépendant des données. Le respect de ces différentes contraintes nous a inspiré une organisation logicielle dérivée de la structure matérielle adoptée par Bailey. 3.3 nous avons développé un serveur, chargé de la communication et du transfert de données avec un C.A.P., et plusieurs clients respectant le fonctionnement des A.P.I. du système : les A.P.I. virtuels. Dans cette structure, la liaison série RS232 autorise la conversation de plusieurs A.P.I. virtuels avec le réseau MEDIAMAT-S via le C.A.P. connecté au P.C. (Figure 3). Le traitement distribué du système MODUMAT repose sur un ordonnancement interne à chaque grappe. Les A.P.I. sont interrogés séquentiellement par le serveur qui initie toutes les conversations sur le réseau, et les informations transmises ou reçues sont transférées sur le bus de données vers les destinataires. De la même manière, l’environnement logiciel multitâche permet au serveur I-MEDIA de communiquer séquentiellement avec l’ensemble des A.P.I. virtuels (les clients). Le mode de conversation choisi repose sur l’utilisation des canaux D.D.E. (Dynamic Data Exchange) du système d’exploitation. Chaque A.P.I. virtuel, construit sur la base d’un objet, représente un processus indépendant pour le système d’exploitation. Le traitement multi-thread des opérations de lecture et d’écriture permet une conversation asynchrone avec le serveur. La synchronisation est par la suite réalisée par le serveur au moyen d’un délai de traitement constant. Ainsi le temps de cycle du serveur pour la réalisation de l’ensemble des conversations avec chaque A.P.I. virtuel est défini en rapport avec la dynamique du procédé. En pratique, chaque A.P.I. représente un potentiel de 175 variables analogiques mesurées simultanément avec une période d’échantillonnage de 250 ms. Avec ce développement nous pouvons bénéficier d’un espace de 32 A.P.I. sur le C.A.P. connecté au serveur pour la réalisation de nos applications industrielles en ligne. Après une période de validation de trois ans durant les campagnes sucrières 1998, 1999 et 2000, I-MEDIA permet actuellement de proposer plusieurs applications développées autour de deux ateliers : la cristallisation et l’évaporation. Dans notre cas d’étude, un capteur logiciel est un A.P.I. virtuel qui permet l’estimation d’une valeur non mesurée à partir de l’acquisition d’un certain nombre de variables disponibles sur le réseau (Figure 4). client 1 serveur de données liaison série RS-232 I- MEDIA MEDIAMAT client 2 flux de données canal DDE L’architecture du serveur I-MEDIA P.C. A l’instar de la S.C.S. MODUMAT 8000 , I-MEDIA est défini sur la base d’une architecture client-serveur. Conformément à la définition du système MODUMAT, Figure 4. Schéma synoptique de la conversation serveur-client (A.P.I. virtuel) MOSIM’01 – du 25 au 27 avril 2001 – Troyes (France) 4 APPLICATION : UN CAPTEUR LOGICIEL DU BRIX POUR L’EVAPORATION A partir du serveur I-MEDIA, nous disposons des mesures accessibles in situ à travers une interface de communication bidirectionnelle. Nous avons retenu une approche systémique à base de réseaux de neurones pour la modélisation et le traitement de l’information. 4.1 Description du modèle Le caractère non linéaire des neurones cachés est représenté par la fonction tangente hyperbolique largement répandue pour la modélisation des systèmes non linéaires (Jodouin, 1994 ; Norgaard et al., 2000). Afin de tenir compte de la cinétique du processus d’évaporation, deux types de régression sont utilisés en fonction de la variable d’entrée considérée (Marcos et al., 1993, Figure 6) : • nb : ordre de régression des entrées ; • nk : retards purs entrées-sortie. Nous pouvons représenter le procédé d’évaporation sous la forme d’un système S décrit à partir d’un ensemble de variables d’entrée-sortie : • les grandeurs d’observation : c’est le vecteur des sorties physiques Y ; • et le vecteur d’informations U : c’est le vecteur des caractéristiques physiques mesurées en entrée et des variables de commande ; ^ (k) y θ2 Σ f NL Σ f NL Σ f NL θ1 L’identification d’un modèle systémique du procédé repose sur la description paramétrée de son comportement à partir des vecteurs U et Y qui définissent l’espace d’état. ... ... u (k-nb-nk) u (k-…-nk) u(k-1-nk) u (k-nk) Figure 6. Structure du réseau de neurones Les vecteurs Y et U sont définis en fonction de l’application et des mesures disponibles en entrée et en sortie du système modélisé. Dans l’optique de l’implémentation d’un capteur logiciel de la concentration du jus en sortie d’un effet, nous avons identifié un modèle neuronal du Brix (Bx) de type feed-forward direct qui comporte une sortie ( B̂x ), une couche cachée et 6 entrées (cf. Figure 5) : e • la pression du fluide de travail Pvs (vapeur saturée) ; • le débit du fluide de travail Devs ; • le Brix de la solution de saccharose à l’entrée d’un évaporateur Bx ej ; • le débit de la solution de saccharose à l’entrée d’un évaporateur Dej ; • la température de la solution de saccharose à l’entrée d’un évaporateur Tje ; • et la pression imposée dans la partie supérieure de la calandre de l’évaporateur où se fait la séparation s liquide-vapeur Pvj (pression de la vapeur émise). e Pvs e Dvs Bx e j Dej Tje s Pvj La topologie du réseau de neurones étant définie, l’identification des poids est réalisée au moyen d’un apprentissage en mode série-parallèle (Rivals et al., 1995, Figure 7). récurrence interne du procédé y Procédé ^ y Figure 5. R.N. associé à un effet - Figure 7. Apprentissage en mode série-parallèle La minimisation du critère d’écart quadratique moyen entre la cible y (sortie du procédé) et l’estimée ŷ (sortie du modèle) est basée sur l’algorithme de LevenbergMarquardt (Levenberg, 1944 ; Marquardt, 1963). 4.2 Bx sj + X Résultats de simulation sur des mesures industrielles Pour les phases d’apprentissage et de validation du réseau, nous avons utilisé des mesures issues de plusieurs campagnes sucrières entre 1998 et 2000, auxquelles nous avons appliqué un pré-traitement : normalisation, filtrage. MOSIM’01 – du 25 au 27 avril 2001 – Troyes (France) Les données cibles du Brix (Bx) proviennent du gamma densimètre et constituent notre référence. Nous avons décidé d’atténuer cet effet par un filtre passe-bas numérique sur la sortie simulée (Figure 9). Nous présentons les résultats obtenus sur un jeu de données industrielles correspondant à 24 heures de fonctionnement nominal de l’atelier d’évaporation. Pour définir les paramètres de configuration du modèle systémique, nous avons analysé les temps caractéristiques du système physique : • la couche cachée comporte 5 neurones ; • le retard du Brix de sortie par rapport aux entrées varie de 1 à 5 ; • les paramètres de régression se limitent au vecteur des entrées avec nb = 1. Bx sirop : cible (noir) et estimee (gris) 80 75 70 65 60 0 5 10 15 20 Valeur absolue de l'erreur absolue en prediction 6 4 Les figures 8 et 9 illustrent une comparaison de la sortie B̂x du capteur logiciel avec les mesures de référence issues du gamma densimètre (Bx). Chaque courbe présente l’erreur de modélisation et l’erreur relative avec la cible comme référence (erreurs en valeur absolue). 0.81531 2 0 Bx sirop : cible (noir) et estimee (gris) 0 5 10 15 20 Valeur absolue de l'erreur relative en prediction (en %) 10 80 75 5 70 1.1558 65 0 60 0 0 5 5 10 15 20 Valeur absolue de l'erreur absolue en prediction 10 temps [h] 15 20 6 Figure 9. Résultats du capteur logiciel après un filtrage passe-bas 4 0.86025 2 0 0 5 10 15 20 Valeur absolue de l'erreur relative en prediction (en %) L’erreur absolue moyenne est inférieure à 1 point de Brix, ce qui représente moins de 1.5 % d’erreur relative. Ces résultats démontrent que les réseaux de neurones sont bien adaptés à l’implantation de capteurs logiciels pour la supervision de l’atelier d’évaporation. 10 5 5 1.2237 0 0 5 10 temps [h] 15 20 Figure 8. Résultats du capteur logiciel en fonctionnement normal Le capteur logiciel présente une capacité de généralisation assez satisfaisante, et notamment un comportement dynamique similaire à celui du gamma densimètre. Cependant B̂x présente un bruit de mesure plus important, sans doute généré par la combinaison de l’ensemble des signaux transmis par les transmetteurs de débit, de température et de pression. CONCLUSION Cette étude, inscrite dans le prolongement des recherches menées depuis plusieurs années au L.G.I., confirme l’intérêt de l’implantation en milieu industriel des outils d’analyse et de modélisation que nous avons développés (Chabriat, 1994 ; Benne et al., 1997 ; Benne, 1999-b). Sur la base des résultats que nous avons présentés, le serveur de données I-MEDIA, pivot de ce transfert technologique, permet l’intégration in situ de capteurs logiciels et d’outils d’aide à la conduite en ligne. Dans la perspective de leur intégration dans une stratégie de commande en temps réel des procédés industriels, il est nécessaire d’effectuer de plus amples investigations sur la fiabilité et la précision des capteurs logiciels, au moyen notamment de l’analyse des résidus que nous avons initiée sur l’ensemble des bases de données collectées à Bois Rouge. MOSIM’01 – du 25 au 27 avril 2001 – Troyes (France) Notre objectif final étant l’implantation d’une commande avancée, nous travaillons actuellement sur l’implémentation d’une commande prédictive que nous envisageons de tester en simulation sur des données industrielles dès la prochaine campagne (fin 2001). Cette approche, basée sur l’identification de modèles prédicteurs du Brix, requiert l’introduction d’une récurrence sur la sortie ŷ (na ≠ 0) qui permet d’améliorer sensiblement la précision du capteur (Russel et Baker, 1997) et d’accroître sa robustesse aux perturbations. REMERCIEMENTS Nous remercions Monsieur Jean-Claude PONY, Directeur de la S.B.R., pour nous avoir accueilli au sein de son entreprise, les personnels du staff technique de la S.B.R. pour leur collaboration fructueuse, et Monsieur Jean-Paul DIJOUX, Ingénieur du Centre d’Etudes, de Recherche et de Formation des sucriers de La Réunion (CERF), pour son soutien technique. REFERENCES Benne M., Lorion R., Grondin-Perez B., Lan-Sun-Luk J D. (1997), Nouvelles technologies de modélisation appliquées au milieu industriel, Actes du congrès international de l’ARTAS, pp. 37-53, La Réunion, septembre 1997 Benne M., Lorion R., Chane-Kuang-Sang L., Lan-Sun-Luk J.-D. et Chabriat, J.-P. (1998), I-MEDIA 1.0. An Interface under Multitask Environment for Digital Industrial Applications, Industrial Engineering Laboratory, University of La Reunion Benne M. (1999-a), Les réseaux de neurones pour la modélisation et le contrôle du procédé d’évaporation : expérimentations et applications industrielles en sucrerie de cannes, Thèse de Doctorat, Université de La Réunion Benne M., Lorion R., Grondin-Perez B., Chabriat J-P. (1999-b), Modélisation et commande à réseaux de neurones d’un procédé d’évaporation industriel, Actes des JDA3 99, pp.209-212, Nancy, septembre 1999 Chabriat, J.-P. (1993), Analyse énergétique de procédés industriels en sucrerie de cannes, Thèse de Doctorat, Université Claude Bernard, Lyon Cheruy, A. (1998), L’apport de l’automatique dans la maîtrise des procédés agroalimentaires illustré par une étude de cas industriel en brasserie, Ind. Alim. Agr., Special Automatique, pp. 17-20 Jodouin, J.-F. (1994), Les réseaux de neurones. Principes et définitions, Hermès, Paris 3 Journées Doctorales de l’Automatique Levenberg, K. (1944), A method for the resolution of certain non-linear problems in least-squares, Quart. Appl. Math., II (2), pp. 164-168 Marcos, S., Roussel-Ragot, P., Personnaz, L., Nerrand, O. et Dreyfus, G. (1993), Réseaux de neurones pour le filtrage non linéaire adaptatif, Tratitement du signal, 8(6), pp. 409-421 Marquardt, D. W. (1963), An algorithm for least-squares estimation of non-linear parameters, J. Soc. Indust. Appl. Math., 11(No 2, June), pp. 431-441 Norgaard, M., Ravn, O., Poulsen, N. K., Hansen, L. K., (2000), Neural networks for modelling and control of dynamic systems, Springer-Verlag, London, 280 p. Rivals, I., Personnaz, P. et Dreyfus, G. (1995), Modélisation, classification et commande par réseaux de neurones. Principes fondamentaux, méthodologie de conception et illustrations industrielles, Récents progrès en génie des procédés, 9, pp. 1-37 Russel, N. T. and Bakker, H. H. C. (1997), Modular modelling of an evaporator for long-range prediction, Artificial Intelligence in Engineering, 11, pp. 347-355