Soutenance mémoire
ELECTROLYSE DANS LES FOURS À ARC
INTRODUCTION
Une entreprise consomme des ressources afin de fournir des biens et des services à des clients. Afin d’accroître la profitabilité, ses dirigeants sont constamment à la recherche de moyens d’amélioration. Celle-ci doit donc être en constante évolution. Dans les industries, une telle amélioration peut s’obtenir avec un meilleur contrôle, une meilleure efficacité et l’automatisation des procédés. Au cours des dernières décennies, d’autres raisons ont poussé les industries à vouloir s’améliorer. Tout d’abord, nous avons assisté à une demande grandissante du respect de l’environnement et de l’efficacité énergétique. Ensuite, la concurrence féroce a forcé les entreprises à augmenter la qualité de leurs produits. Finalement, d’importantes avancées technologiques ont eu lieu. Toutes ces raisons ont amené les entreprises du milieu industriel à devoir améliorer leurs opérations et l’efficacité de leurs procédés [1]. Cette amélioration passe par un meilleur contrôle et
l’automatisation de ceux-ci devenus de plus en plus complexes [2]. Le contrôle de procédé est très difficile et demeure une fonction clé dans la gestion de la production des industries. En effet, sans un contrôle rationnel et rigoureux, les bénéfices potentiels ne peuvent être entièrement atteints [3]. Il est reconnu que les techniques de contrôle avancées permettent d’améliorer les performances des procédés [4]. La plupart d’entre elles tentent de représenter ou reproduire le comportement d’un système réel en effectuant une modélisation de ce dernier. Pour ce faire, nous utilisons des modèles qui peuvent être une description du système à être contrôlé, du bruit ou des perturbations
qui peuvent agir sur ce dernier, des commandes que les opérateurs peuvent émettre ou encore des qualités voulues ou désirées du système à son état final [5]. De tels modèles peuvent être déterministes utilisant par exemple des équations différentielles (ordinaires ou partielles), stochastiques ou probabilistes et peuvent être conçus en utilisant différentes approches. La première est la modélisation physique (physical modelling) qui consiste à appliquer des lois de la physique comme les équations de Newton ou de la conservation d’énergie. La seconde est la modélisation empirique qui consiste à développer des modèles à partir des données mesurées ou observées. Finalement, nous retrouvons la modélisation mathématique qui permet de décrire un système en utilisant le langage et les concepts mathématiques. De manière générale, les équations de ces différents types de modèles sont composées de variables qui représentent les éléments d’un système et d’opérateurs (opérateurs algébriques, fonctions, opérateurs différentiels, etc.) qui agissent sur celles-ci.
La composition de ces équations nous amène à distinguer deux types de modèles : linéaires et non linéaires. Tout d’abord, les modèles linéaires ont la propriété de satisfaire le principe de superposition [6]. Ainsi, un système satisfait cette propriété si la sortie pour une entrée ax±(t) + bx2(i) est ay±(t) + by2(t) et que yi(t) et y2 (0 est la sortie obtenue en réponse aux entrées x±(t) et x2(t) et où a et b sont des constantes. De plus, les équations de ce type de modèle sont composées uniquement de fonctions linéaires [7]. Les systèmes non linéaires quant à eux ne satisfont pas la propriété de superposition. À titre d’exemple, leur forme la plus simple est lorsque la sortie dépend uniquement sur la valeur courante de l’entrée, mais de manière non linéaire comme dans l’équation suivante : y(t) = ax(t) + èx3 (t).La linéarité d’un système que nous tentons de modéliser est une caractéristique importante puisque la modélisation d’un système non linéaire est beaucoup plus complexe que lorsque nous tentons de modéliser un système linéaire. Les procédés représentés par les modèles linéaires se contrôlent bien et la recherche a permis de trouver des solutions pour une large gamme de problèmes de contrôle [8].
Depuis les vingt dernières années, la majorité de ces solutions sont issues de stratégies basées sur les modèles et elles sont devenues très populaires en partie grâce à la complexité grandissante des procédés et la nécessité d’avoir recours à de nouvelles techniques qui permettent de les contrôler et les automatiser. Nous utilisons ce genre de stratégie dans les problèmes complexes à variables multiples entre autres [9] et ce sont les méthodes MPC (Model Predictive Control) qui sont les plus souvent utilisées. Ces techniques consistent à utiliser une modélisation linéaire du procédé afin d’en prédire la sortie ou l’état futur [10]. Nous y parvenons à l’aide de contrôleurs munis de senseurs, de capteurs et d’actionneurs et le contrôleur le plus utilisé est le PDD (Proportional plus Integral plus Derivative) [5]. Celui-ci joue le rôle d’opérateur linéaire qui s’applique à l’état actuel du système. Il contient des états finis et connus d’avance. Il est intéressant de savoir que nous avons en grande partie tout fait ce que nous pouvions faire avec cette approche. C’est par contre une tout autre histoire pour les procédés représentés par les modèles non linéaires, car lorsque nous nous retrouvons avec des procédés non-stationnaires et imprédictibles, les techniques de contrôle traditionnelles sont difficilement applicables puisqu’il est impossible d’établir de relation fonctionnelle clairement définie entre les entrées et la sortie du procédé et qu’il est très difficile d’obtenir un modèle précis caractérisant ce dernier. Problématique
La difficulté dans le contrôle de procédé est bien présente dans les fours à arc. D’une part, car il s’agit d’un système non linéaire et d’autre part, car nous avons peu d’information sur l’état de la réaction interne. Cela implique qu’il est nécessaire de représenter le procédé par un modèle non linéaire et que les techniques de contrôle qui se basent sur les modèles linéaires sont inefficaces. De plus, la réaction dans le four est à haute température et l’industrie ne possède pas le niveau de technologie qui permet de prendre des mesures en continu à cet endroit. Ceci accroît de beaucoup la complexité des mécanismes de contrôle. Bien que l’industrie possède beaucoup d’expérience dans la production de métaux dans ce genre de fournaise, le contrôle du procédé reste difficile et loin d’être optimal ce qui se traduit par de fréquentes pertes de production, avec tous les impacts financiers et environnementaux qui s’y rattachent. La difficulté dans le contrôle du procédé en question est donc en grande partie liée aux non-linéarités et à l’impossibilité d’observer directement l’état interne du four. Une première source de non-linéarité est le contrôle par rétroaction (feedback) puisque cela engendre des non-linéarités, car nous réinjectons la sortie du système dans son entrée.
Ensuite, les procédés sont soumis à des perturbations et à des incertitudes ce qui produit des comportements non linéaires [11]. Puis, d’un point de vue chimique, les sources typiques de comportements non linéaires peuvent être des mécanismes de réaction complexe, la loi d’Arrhenius, le transfert de chaleur radiative, etc. [2]. Finalement, il n’est pas toujours possible d’avoir recours à de l’instrumentation pour la saisie de données et pour l’observation du bon déroulement du procédé. Ce sont toutes des sources de non-linéarités qui rendent le contrôle de procédé dans les fours à arc une tâche très complexe et difficile. La recherche a tout de même permis de trouver des solutions qui permettent de contrôler des aspects du procédé. Tout d’abord, certaines d’entre elles sont basées sur des modèles (physiques, empiriques ou mathématiques) mettant en relation des données ou des signaux. De plus, nous avons souvent recours à des techniques comme la linéarisation entrée/sortie (input/output linearization), les techniques NMPC (Nonlinear Model Predictive Control), la linéarisation par feedback et le mode de contrôle coulissant [9]. Mais la grande difficulté avec ces méthodes est d’obtenir un modèle précis caractérisant le procédé. Puisque ceux-ci sont complexes, imprécis et incertains, il est fréquent que nous ne puissions pas avoir de modèle fiable. De plus, elles permettent de contrôler uniquement certains aspects des procédés où nous retrouvons des non-linéarités et non le procédé en entier. Ensuite, nous retrouvons le contrôle intelligent qui propose des solutions utilisant des techniques de contrôle issues de l’intelligence artificielle [12]. Celles-ci consistent à effectuer une modélisation du procédé en partie grâce aux données historiques [13]. Nous pouvons subdiviser le contrôle intelligent en sous-domaines en fonction des techniques d’intelligence artificielle utilisées. Parmi celles-ci, nous retrouvons les réseaux de neurones, la logique floue, une combinaison des deux que nous nommons modèle hybride, les systèmes experts, les modèles basés sur l’observation d’évidences comme les réseaux markoviens ou les réseaux bayésiens, les algorithmes génétiques ou évolutionnaires, les agents intelligents et les algorithmes d’apprentissage [14]. La grande majorité des solutions que nous retrouvons dans la littérature permettent de contrôler uniquement certains sousaspects du procédé et non le procédé en entier. Par exemple, nous retrouvons des solutions qui permettent de contrôler le positionnement des électrodes ou d’estimer la température du métal dans le four, mais cela ne permet pas d’automatiser le procédé ou de prédire l’état du procédé et de l’intérieur du four. Donc malgré l’existence de plusieurs solutions, la difficulté de l’automatisation et le contrôle de procédé des fours à arc est toujours présente. Cela force les entreprises à dépendre de l’expertise des opérateurs qui doivent constamment prendre des décisions sur la base d’information imprécise et incomplète. Dans cette optique, nous retrouvons des outils d’aide au contrôle qui permettent de raisonner et de proposer une action à prendre en se basant sur l’expertise que nous leur avons transmise. Nous les appelons les systèmes experts et ils permettent de codifier l’expertise et la rendre accessible à tout le monde en servant d’outil d’aide à la décision. Ils font partie de la classe des approches de contrôle intelligent. À ce jour, un nombre très restreint de systèmes de ce genre a été proposé pour contrôler les fours à arc.
|
Table des matières
RESUME
REMERCIEMENTS
TABLE DES MATIÈRES
LISTE DES TABLEAUX
LISTE DES FIGURES
CHAPITRE 1 INTRODUCTION
CHAPITRE 2 ELECTROLYSE DANS LES FOURS À ARC
2.1 LES FOURS À ARC ET LEURS COMPOSANTES
2.2 PROCÉDÉ D’ÉLECTROLYSE DANS LES FOURS À ARC
2.3 PRODUCTION DE FERROSILICIUM DANS LES FOURS À ARC
CHAPITRE 3 CONTROLE DU PROCÉDÉ D’ÉLECTROLYSE
3.1 CONTRÔLE DE PROCÉDÉ DANS UN FOUR À ARC
3.2 APPROCHES EXISTANTES POUR CONTRÔLER LE PROCÉDÉ
3.2.1 CONTRÔLE DE SOUS-SYSTÈMES D’UN FOUR À ARC
3.2.2 CONTRÔLE GLOBAL DU SYSTÈME
3.2.3 BILAN DES APPROCHES PROPOSÉES
CHAPITRE 4 SYSTÈME EXPERT
4.1 INTRODUCTION DES SYSTÈMES EXPERTS
4.2 HISTORIQUE DES SYSTÈMES EXPERTS
4.3 COMPOSANTES ET ARCHITECTURE D’UN SYSTÈME EXPERT
4.4 APPROCHE DE DÉVELOPPEMENT D’UN SYSTÈME EXPERT
4.4.1 SYSTÈME EXPERT BASÉ SUR LES RÈGLES
4.4.2 SYSTÈME EXPERT BASÉ SUR UN RÉSEAU DE NEURONE
4.4.3 SYSTÈME EXPERT BASÉ SUR LA LOGIQUE FLOUE
4.4.4 SYSTÈME EXPERT BASÉ SUR L’ORIENTÉ OBJET
4.4.5 SYSTÈME EXPERT À RAISONNEMENT PAR CAS
4.5 MÉTHODOLOGIE POUR LE DÉVELOPPEMENT D’UN SYSTÈME EXPERT
4.6 ENVIRONNEMENTS DE DÉVELOPPEMENT D’UN SYSTÈME EXPERT
4.7 REPRÉSENTER ET MANIPULER L’INCERTITUDE DANS LES SYSTÈMES EXPERTS
4.7.1 APPROCHE PROBABILISTE ET RÉSEAUX BAYÉSIENS
4.7.2 LOGIQUE MULTIVALENTE
4.7.3 FACTEURS DE CONFIANCE
4.7.4 APPROCHE RETENUE POUR GÉRER L’INCERTITUDE
CHAPITRE 5 SYSTÈME EXPERT POUR LE CONTROLE D’UN FOUR À ARC
5.1 POSITIONNEMENT DE LA SOLUTION PROPOSÉE PAR RAPPORT AUX SOLUTIONS
5.2 ARCHITECTURE DU SYSTÈME EXPERT PROPOSÉ
5.2.1 TYPES DE FAITS
5.2.2 COMPOSANT DE LECTURE ET DE PRÉPARATION DES DONNÉES
5.2.3 CONTENEURS DE DONNEES
5.2.4 MOTEUR D’INFÉRENCE ET ENVIRONNEMENT CLIPS
5.2.5 INTERFACE UTILISATEUR
5.3 PROCESSUS D’ACQUISITION DE LA CONNAISSANCE ET DE L’EXPERTISE
5.4 PROCESSUS DE DÉVELOPPEMENT DES MODÈLES ET DES RÈGLES
5.4.1 RÈGLES DE PRODUCTION
5.4.2 MODÈLES MATHÉMATIQUES
CHAPITRE 6 MISE EN ŒUVRE ET EXPÉRIMENTATION
6.1 INTRODUCTION DE L’ENTREPRISE ELKEM MÉTAL
6.2 PROBLÉMATIQUE ET SOLUTION PROPOSÉE
6.3 TECHNOLOGIE UTILISÉE
6.4 MISE EN ŒUVRE DU SYSTÈME EXPERT
6.5 VALIDATION DU SYSTÈME EXPERT ET DE SES COMPOSANTS
6.5.1 INTRODUCTION
6.5.2 VALIDATION DES MODÈLES
6.5.3 VALIDATION DES RÈGLES
6.5.4 VALIDATION DU SYSTÈME ET TESTS UNITAIRES
6.6 EXPÉRIMENTATION DU SYSTÈME EXPERT
6.7 POINTS FORTS DU SYSTÈME EXPERT PROPOSÉ
6.8 POINTS FAIBLES DU SYSTÈME EXPERT PROPOSÉ
CHAPITRE 7 CONCLUSION
7.1 RÉALISATION DES OBJECTIFS
7.2 REVUE DU SYSTÈME PROPOSÉ EN SOLUTION
7.3 LIMITATIONS ET AMÉLIORATIONS POSSIBLES DANS LE FUTUR
7.4 EN TERMINANT
LISTE DE RÉFÉRENCES
ANNEXE 1
ANNEXE 2
ANNEXE 3
Télécharger le rapport complet
