Commande prédictive hiérarchisée. Application à la commande de fours de réchauffage sidérurgiques

Hierarchical distributed predictive control. Application to the control of slab reheating furnace in the steel industry

• Auteur / Autrice : Xuan Manh Nguyen
• Direction : Didier Dumur
• Type : Thèse de doctorat
• Discipline(s) : Automatique (STIC)
• Date : Soutenance le 18/05/2015
• Etablissement(s) : CentraleSupélec
• Ecole(s) doctorale(s) : Ecole doctorale Sciences et Technologies de l'Information, des Télécommunications et des Systèmes (Orsay, Essonne ; 2000-2015)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des signaux et systèmes (Gif-sur-Yvette, Essonne ; 1974-....)
• Jury : Président / Présidente : Dorothée Normand-Cyrot
• Jury : Examinateurs / Examinatrices : Estelle Courtial, Fayçal Lawayeb, Mohammed M'Saad, Pedro Rodriguez Ayerbe
• Jury : Rapporteurs / Rapporteuses : Edouard Laroche, Pierre Riedinger

Mots clés

Mots clés contrôlés

Chauffage

Commande prédictive

Mots clés libres

Commande prédictive

Structure hiérarchisée et distribuée

Four de réchauffage de brames d’acier

Optimisation énergétique

Predictive control

Hierarchical distributed structure

Slab walking-beam reheating furnace

Optimization of energy consumption

Résumé

Dans l'industrie sidérurgique, les fours de réchauffage sont les plus grands consommateurs d'énergie après les hauts fourneaux. Réduire leur consommation énergétique est donc la préoccupation majeure de la commande des fours. Dans un four de réchauffage, des brames d'acier sont chauffées en traversant successivement plusieurs zones, de la température ambiante à un profil de température homogène de 1250 °C en sortie du four, avant d’être laminées dans les laminoirs à chaud. La température de brames est contrôlée par une structure de commande hiérarchisée à deux niveaux (niveau 1 et 2).L'objectif de ces travaux est d'améliorer la performance du chauffage et donc de réduire la consommation énergétique du four via une stratégie de commande prédictive distribuée hiérarchisée sur les deux niveaux de commande. Une approche de commande prédictive distribuée est tout d’abord développée pour le niveau 1 afin de suivre les consignes de température de zone, prenant en compte les couplages entre les zones et induisant une moindre complexité d’implantation par rapport à une approche centralisée. L’implantation industrielle a permis une amélioration significative de la précision du suivi de température et une réduction de la consommation d'énergie de 3%. Une deuxième étape propose l’élaboration de la commande prédictive hiérarchisée du niveau 2 afin, à partir de la consigne de température de brame, de déterminer les consignes de température optimales des zones en se fondant sur un modèle de transfert thermique du four. Les résultats de simulation, comparés aux données industrielles, montrent une réduction de la consommation énergétique de 5% et une meilleure qualité de chauffage des brames. L’approche précédente est enfin étendue pour prendre en compte et optimiser le cadencement des brames afin d’augmenter la productivité du four. La simulation montre une augmentation potentielle de productivité du four de 15 tonnes par heure tout en améliorant la qualité de chauffage des brames.

In steel industry, reheating furnaces are the biggest energy consumers after blast furnaces. As a result, reduction of energy consumption is the major concern of furnace control. In a walking-beam slab reheating furnace, steel slabs are heated by moving through successive zones from ambient temperature to a homogenous temperature profile of 1250°C at the furnace exit, to be rolled subsequently in the hot rolling mills. Temperature of slabs is controlled mainly by a two-level hierarchical structure, so called level 1 and level 2.The aim of this thesis is to improve the heating performance and consequently to reduce the energy consumption of the furnace by using hierarchical distributed model predictive control (MPC) strategy for both levels. In a first step, distributed model predictive controllers are developed for the level 1 in order to track zone temperature set-points. The distributed feature of the control law enables to consider coupling effects between zones while reducing the computation complexity compared to a complete centralized approach. The industrial results showed significant improvement on temperature tracking accuracy and an energy consumption reduction of 3%. In a second step, the hierarchical MPC is constructed for the level 2 in order to determine the optimal zones temperature setpoint from the slab temperature setpoint, based on a numerical heat transfer model of the furnace. The simulation results obtained with this strategy compared against industrial data show an energy consumption reduction of 5% and a better heating quality. The previous structure is finally extended to take into account and optimize the scheduling of the slabs within the MPC level 2 in order to increase productivity of the considered furnace. The simulation shows a potential increase of productivity of the furnace of 15 tons per hour while improving the slab heating quality.