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