Upload
dinhtram
View
216
Download
0
Embed Size (px)
Citation preview
1
A L I M E N T A T I O N
A G R I C U L T U R E
E N V I R O N N E M E N T
Laboratoire de Biotechnologie de l’Environnement
(INRA-LBE, Narbonne)
CONDUITE DE PROCÉDÉS AGRO-ALIMENTAIRES ET BIOLOGIQUES
Eric Latrille
Journée réseaux de neurones
11 janvier2012
Paris
2
La commande de processus : un élément de l ’automatisation et de
l ’optimisation des procédés.
Les verrous :
• Les capteurs pour récupérer de l ’information
développement de méthodes de mesures indirectes
• La modélisation des processus
pour la prédiction ou la commande avec modèle interne
• La stratégie de commande
souvent on cherche à commander/réguler plusieurs
paramètres à la fois
Régulateur Actionneur Procédé
Capteur
consigne
variable
à réguler
retour variable mesurée
erreur
3
Qu'est-ce qu'un système dynamique ?
SYSTEME Variables internes
(variables d'état)
Variables externes
(variables de contrôle)
Variables mesurées
(variables de mesure
ou variables de sortie)
U
X
Y
Evolution dans le temps des différentes
variables
4
EXEMPLE
La température d'un fermenteur,
d’un réacteur chimique ou d’un four
Température
fluide caloporteur
(variable de contrôle)
(variable d'état)
Pour le thermicien :
La température est une variable d’état.
Pour le chimiste ou le biologiste :
La température est une variable de
commande.
Les véritables variables d’état sont les
concentrations en substrats (réactifs) et
en produits.
5
Les deux types de modèles d'un système dynamique
Modèle entrée-sortie :
Y f Y Y U U U t t t t t t + - - - = 1 1 1 2 ( , , , , )
Modèle d'état :
X f X U t t t + = 1 ( , )
Y g X U t t t = ( , )
modèle
d'évolution
de mesure
beaucoup plus puissant et explicatif
Difficulté :
Trouver la représentation adaptée et les variables pertinentes.
6
RN
Vale
urs
d'e
ntré
es
Vale
urs
de s
ortie
s
Do
nn
ées d
e s
ortie
s
-
Erreur
Algo. d'optimisation
- rétropropagation
- gradient conjugué
- quasi Newton
. .
DONNEES
- Ens. apprentissage
- Ens. de validation
ALGO. d’apprentissage
- mode dirigé
- mode semi-dirigé
Nombre de
noeuds cachés ?
CONNAISSANCE
- Variables d'état
- Variables de contrôle
- Ordre du système (valisation croisée) - Utilisation d'un
modèle de connaissance
Les ingrédients des modèles à base de réseaux de neurones
7
Commande prédictive de la production de levures de Champagne 1/4
FERMENTEUR
(Pulse) CO2
température Interface
Imprimante
débitmètre
température
condenseur
condenseur
air
pompe
Résistance
chauffante
Fluide réfrigérant
CO2
moteur
CO2
Vin
Sucre
Levures
actionneurs
opto22
Simulation
Estimation
Contrôle
PC
8
Contrôle en boucle ouverte de la concentration finale en levures Xf
Détermination d’une température constante de culture pour atteindre une
concentration finale cible de levures
Dans 5% des cas, un profil de température non constant a dû être appliqué.
22.0 32.5
43.0 53.5 64.0
11.0
12.5
14.0
15.5
17.0
0
27
53
80
P1
P2
S Température optimale= 13.6°C
Points
expérimentaux
Valeurs simulées
pH=3.05
1/4
9
Modèles de croissance des levures
t
+
=
+pH
T
bb
bb
CO
X
aa
aa
CO
X
2221
1211
t22221
1211
1t2
Modèle linéaire
Ensemble d’apprentissage : 29 cultures
(3 années)
Ensemble de tests : 36 cultures
(3 années)
Ensemble de validation : 175 cultures
(3 années + 1)
Prédiction de la concentration
en levures
Modèle
non-
linéaire
Modèle
linéaire
Erreur
moyenne
4% 7%
Erreur
maximum
6% 12%
f
f
f
f
f
f
f
Xt
CO2, t
Tt
pH
Xt+1
CO2, t+1
Modèle non-linéaire
-1
1/4
10
Contexte
• Production de métabolites secondaires
(enzymes utilisées pour la production de bioéthnaol de 2ème génération)
• Pilotage d ’un procédé discontinu puis alimenté
• Absence de capteurs pour les variables pertinentes
Biomasse
Concentration en sucre
Activité enzymatique
Objectifs
• Elaborer des capteurs-logiciels pour la mesure indirecte et la prédiction
Concentration en biomasse
Concentration en sucre
Activité enzymatique
Prédiction d ’activité enzymatique : production de cellulases. 2/4
11
Sucres
résiduels (S)
Phase de production
Phase discontinue
Phase transitoire
Déclenchement de l ’alimentation en sucre inducteur
Les phases du procédé
Temps
2/4
12
Estimation et prédiction des concentrations en sucres résiduels (S)
Temps
Co
nc
en
tra
tio
n e
n s
ucre
Dosages effectués
Estimations
Prédictions
Temps prédit
Dosages à venir
Instant courant
Instant de démarrage de
l’alimentation en sucre inducteur
Formule d’estimation a posteriori,
prise en compte des dosages effectués
dans le passé.
)()(ˆ)(ˆ /0 tNYtStS NS -=
)()()(ˆ/0 iNSi tNYtStS +=Avec
2/4
Prédiction par un modèle
dynamique à base de
réseaux de neurones
13
MODELISATION DE LA PHASE ALIMENTEE
Lien entre les débits d ’alimentation (Ammoniaque : N ; Sucre : Ds) et la production d ’enzymes (Enz)
f
f
f
f
f
f
f
f
Enz t
N t
Ds t
pH t
Enz t+1
N t+1
-1
-1
Estimation
Prédiction
6 neurones cachés sur les données pilotes.
2 neurones cachés sur les données industrielles.
Les bruits sur les mesures étaient différents.
2/4
Modèle dynamique
14
Surfaces de réponse des activités finales xylanases et b-glucanase
en fonction du pH et du débit d’alimentation en sucre inducteur
Rôle différent du pH et du débit de sucre sur les productions d ’activités enzymatiques
2/4
MODELISATION DE LA PHASE ALIMENTEE
15
CONCLUSIONS
Développement d’un capteur-logiciel en deux étapes :
* faisabilité à l’échelle pilote
* adaptation au contexte industriel
Temps de développement :
* à l’échelle pilote : 2 ans.
* à l’échelle industriel 1 an + 6 mois
Essentiellement pour l ’obtention des données.
La modélisation ne représente que 20% du temps.
2/4
16
Modélisation des relations entre
Acide tartrique (AT), Potasium (K), pH, conductivité électrique (σ) et
acide nitrique (HNO3)
[AT ; K] =f(σ,pH) - par modèles linéaires et non-linéaires (réseaux
de neurones et surfaces quadratiques).
Sur des solutions en laboratoires.
Sur les vinasses réelles.
2 groupes de vinasses : les acidifiées et les non-acidifiées.
Procédé d’extraction d’acide tartrique des résidus viticoles 3/4
Objectifs Réduire les apports en acide nitrique lors de l’extraction
Contexte Durée de l’étude : 2 ans.
17
Modélisation de la relation [AT ; K] =f(σ,NO3)
Potassium = f(HNO3, conductivité électrique)
On peut se passer de la mesure du pH !!
3/4
18
s, NO3 comme uniques prédicteurs sans la mesure du pH
0 5000 10000 15000 2000
4000
6000
8000
10000
12000
14000
Valeurs Expérimentales (mg/L)
Va
leu
rs P
réd
ites
Potassium : Nh=7
0 1 2 3 4 5
x 10 4
0.5
1
1.5
2
2.5
3
3.5
4
4.5 x 10 4
Valeurs Expérimentales (mg/L)
Va
leu
rs P
réd
ites
AcideTartrique
Err=0.6 g/L Err=3.1 g/L
Modélisation de la relation [AT ; K] =f(σ,NO3) 3/4
19
Elaboration d’un modèle d’estimation du risque d’apparition
de mousse dans un procédé de digestion anaérobie.
Incorporation dans une plate-forme logiciel de simulation de
station d’épuration.
Détermination des variables pertinentes du modèle d’estimation
Développement de logiciel de simulation et de contrôle-commande
de procédés biologiques de traitement des eaux usées 4/4
20
Conclusions
Depuis 2005, les applications dans le contrôle-commande des
bioprocédés se fait surtout à l’aide de SVM (Support vector machine)
Les modèles statiques demeurent beaucoup plus utilisés que les modèles
dynamiques plus difficiles à appréhender.
Une bonne connaissance des procédés reste nécessaire.
21
A L I M E N T A T I O N
A G R I C U L T U R E
E N V I R O N N E M E N T
Merci de votre attention