Robustification de la commande prédictive non linéaire - Application à des procédés pour le développement durable.

Robustification of Nonlinear Model Predictive Control - Application to sustainable development processes.

• Auteur / Autrice : Seif Eddine Benattia
• Direction : Didier Dumur
• Type : Thèse de doctorat
• Discipline(s) : Automatique
• Date : Soutenance le 21/09/2016
• Etablissement(s) : Université Paris-Saclay (ComUE)
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des signaux et systèmes (Gif-sur-Yvette, Essonne ; 1974-....)
• Jury : Président / Présidente : Hugues Mounier
• Jury : Examinateurs / Examinatrices : Didier Dumur, Estelle Courtial, Sihem Tebbani
• Jury : Rapporteur / Rapporteuse : Alain Vande Wouwer, Mohammed M'Saad

Mots clés

Mots clés contrôlés

Systèmes non linéaires

Commande robuste

Commande prédictive

Mots clés libres

Commande prédictive non linéaire

Robustesse

Systèmes incertains

Bioprocédé

Nonlinear model predictive control

Robustness

Uncertain Systems

Bioprocess

Résumé

Les dernières années ont permis des développements très rapides, tant au niveau de l’élaboration que de l’application, d’algorithmes de commande prédictive non linéaire (CPNL), avec une gamme relativement large de réalisations industrielles. Un des obstacles les plus significatifs rencontré lors du développement de cette commande est lié aux incertitudes sur le modèle du système. Dans ce contexte, l’objectif principal de cette thèse est la conception de lois de commande prédictives non linéaires robustes vis-à-vis des incertitudes sur le modèle. Classiquement, cette synthèse peut s’obtenir via la résolution d’un problème d’optimisation min-max. L’idée est alors de minimiser l’erreur de suivi de la trajectoire optimale pour la pire réalisation d'incertitudes possible. Cependant, cette formulation de la commande prédictive robuste induit une complexité qui peut être élevée ainsi qu’une charge de calcul importante, notamment dans le cas de systèmes multivariables, avec un nombre de paramètres incertains élevé. Pour y remédier, une approche proposée dans ces travaux consiste à simplifier le problème d’optimisation min-max, via l’analyse de sensibilité du modèle vis-à-vis de ses paramètres afin d’en réduire le temps de calcul. Dans un premier temps, le critère est linéarisé autour des valeurs nominales des paramètres du modèle. Les variables d’optimisation sont soit les commandes du système soit l’incrément de commande sur l’horizon temporel. Le problème d’optimisation initial est alors transformé soit en un problème convexe, soit en un problème de minimisation unidimensionnel, en fonction des contraintes imposées sur les états et les commandes. Une analyse de la stabilité du système en boucle fermée est également proposée. En dernier lieu, une structure de commande hiérarchisée combinant la commande prédictive robuste linéarisée et une commande par mode glissant intégral est développée afin d’éliminer toute erreur statique en suivi de trajectoire de référence. L'ensemble des stratégies proposées est appliqué à deux cas d'études de commande de bioréacteurs de culture de microorganismes.

The last few years have led to very rapid developments, both in the formulation and the application of Nonlinear Model Predictive Control (NMPC) algorithms, with a relatively wide range of industrial achievements. One of the most significant challenges encountered during the development of this control law is due to uncertainties in the model of the system. In this context, the thesis addresses the design of NMPC control laws robust towards model uncertainties. Usually, the above design can be achieved through solving a min-max optimization problem. In this case, the idea is to minimize the tracking error for the worst possible uncertainty realization. However, this robust approach tends to become too complex to be solved numerically online, especially in the case of multivariable systems with a large number of uncertain parameters. To address this shortfall, the proposed approach consists in simplifying the min-max optimization problem through a sensitivity analysis of the model with respect to its parameters, in order to reduce the calculation time. First, the criterion is linearized around the model parameters nominal values. The optimization variables are either the system control inputs or the control increments over the prediction horizon. The initial optimization problem is then converted either into a convex optimization problem, or a one-dimensional minimization problem, depending on the nature of the constraints on the states and commands. The stability analysis of the closed-loop system is also addressed. Finally, a hierarchical control strategy is developed, that combines a robust model predictive control law with an integral sliding mode controller, in order to cancel any tracking error. The proposed approaches are applied through two case studies to the control of microorganisms culture in bioreactors.