Résumé
1
Résumé Résumé Algorithme de commande en ligne : MPC@CB Algorithme de commande en ligne : MPC@CB ( (http://MPC-AT-CB.univ- lyon1.fr) • Modèle de comportement de la peinture fonction des propriétés radiatives peintures et émetteurs IR • Optimisation de la commande u(k) (le flux IR) pour minimiser le critère de performance J Conclusions Conclusions Résultats expérimentaux Résultats expérimentaux 26-29 Mai 2009 Golfe du Morbihan - VANNES Bruno da Silva, Isabelle Bombard, Bruno da Silva, Isabelle Bombard, Pascal Dufour*, Pierre Laurent Pascal Dufour*, Pierre Laurent * : [email protected], http://www.lagep.univ-lyon1.fr/signatures/dufour.pascal * : [email protected], http://www.lagep.univ-lyon1.fr/signatures/dufour.pascal Université de Lyon, Université Lyon 1 CNRS UMR 5007, LAGEP, F-69622 Villeurbanne Cedex Objectifs de commande en ligne Objectifs de commande en ligne Evaluer les performances du cycle de cuisson commandée en boucle fermée : la commande prédictive (via le logiciel MPC@CB) doit être robuste vis-à-vis des incertitudes sur la connaissance de différentes propriétés radiatives des peintures et des comportements émetteurs difficiles à modéliser. Étude expérimentale de la robustesse d’une commande prédictive d’un procédé de cuisson sous infrarouge de peintures en poudre L’objectif est de montrer la robustesse d’une loi de commande prédictive en temps réel d’un procédé de cuisson de peintures en poudre sur un support plan et métallique sous infrarouge. En dépit d’un modèle de connaissance non parfait dû à des propriétés radiatives (statique et dynamique) de l’émetteur et de la peinture complexes à modéliser et à mesurer en ligne, cette commande en boucle fermée permet de contrôler expérimentalement l’état du feuil de peinture qui est étroitement lié à la maîtrise de l’évolution des températures pendant le cycle de cuisson, en particulier au sein de la couche de peinture. 2 1 min () () (() ()) vérifiantlescontraintesentréessorties etvérifiantle m odèlereliant à k j k Np ref m uu j k m Ju y j ek y j u y -2 -2 IR -2 1 -2 1 0 W.m u(k)= () 23 500 W.m du 2000 W .m . (k) 2000 W.m . dt () () 450 p mesurée k s s y k T k K 1. Four pilote Malgré des incertitudes de modélisation et de certains de ces paramètres, le cycle de cuisson choisi à l’avance est suivi, quelque soit la couleur de l’échantillon. La couleur blanche est la plus sensible à la variation en ligne de l’absorptivité. La commande prédictive basée sur le modèle possède de façon intrinsèque des propriétés de robustesse intéressantes. Réglage de la commande : existence d’un optimum sur le réglage de l’horizon de prédiction Np. Perspective : utilisation d’un observateur (capteur logiciel en ligne basé sur un modèle) pour estimer le coefficient d’absorption. Cette estimation peut ensuite être utilisée en ligne dans le modèle afin d’améliorer les performances de commande. 3. Etude expérimentale pour différentes valeurs des coefficients d’absorption de la peinture introduite dans le modèle Modèle de peinture noire Modèle de peinture blanche Modèle moyen n = 0.95 (-) b = 0.55 (-) m = 0.75 (-) 2 _ 1 2 1 ( () ()) ( () ()) k k k N ref const p P k k k N p m M k k y k y k RMSE N y k y k RMSE N 4. Critères d’évaluation des performances : erreur quadratique moyenne RMSE P représente la différence entre la référence contrainte et la sortie du procédé, RMSE M représente la différence entre la sortie du procédé et la sortie du modèle 5. Résultats expérimentaux pour la peinture blanche : - - - température modèle - - - référence température ____ température expérimentale …… contraintes ____ flux IR …… contraintes o modèle avec n x modèle avec p + modèle avec m Meilleure performance :Np =12, = 0.55 M 2.. Contraintes à vérifier pour le flux infrarouge pendant l’optimisation P Meilleure commande : Np =12, = 0.55
description
Étude expérimentale de la robustesse d’une commande prédictive d’un procédé de cuisson sous infrarouge de peintures en poudre. Bruno da Silva, Isabelle Bombard, Pascal Dufour*, Pierre Laurent * : [email protected], http://www.lagep.univ-lyon1.fr/signatures/dufour.pascal. Résumé. - PowerPoint PPT Presentation
Transcript of Résumé
RésuméRésumé
Algorithme de commande en ligne : MPC@CB Algorithme de commande en ligne : MPC@CB ((http://MPC-AT-CB.univ-lyon1.fr)• Modèle de comportement de la peinture fonction des propriétés radiatives peintures et émetteurs IR• Optimisation de la commande u(k) (le flux IR) pour minimiser le critère de performance J
ConclusionsConclusions
Résultats expérimentauxRésultats expérimentaux
26-29 Mai 2009Golfe du Morbihan - VANNES
Bruno da Silva, Isabelle Bombard,Bruno da Silva, Isabelle Bombard, Pascal Dufour*, Pierre Laurent Pascal Dufour*, Pierre Laurent * : [email protected], http://www.lagep.univ-lyon1.fr/signatures/dufour.pascal* : [email protected], http://www.lagep.univ-lyon1.fr/signatures/dufour.pascal
Université de Lyon, Université Lyon 1CNRS UMR 5007, LAGEP, F-69622 Villeurbanne Cedex
Objectifs de commande en ligneObjectifs de commande en ligne Evaluer les performances du cycle de cuisson commandée en boucle fermée : la commande prédictive (via le logiciel MPC@CB) doit être robuste vis-à-vis des incertitudes sur la connaissance de différentes propriétés radiatives des peintures et des comportements émetteurs difficiles à modéliser.
Étude expérimentale de la robustesse d’une commande prédictive
d’un procédé de cuisson sous infrarouge de peintures en poudre
L’objectif est de montrer la robustesse d’une loi de commande prédictive en temps réel d’un procédé de cuisson de peintures en poudre sur un support plan et métallique sous infrarouge. En dépit d’un modèle de connaissance non parfait dû à des propriétés radiatives (statique et dynamique) de l’émetteur et de la peinture complexes à modéliser et à mesurer en ligne, cette commande en boucle fermée permet de contrôler expérimentalement l’état du feuil de peinture qui est étroitement lié à la maîtrise de l’évolution des températures pendant le cycle de cuisson, en particulier au sein de la couche de peinture.
2
1
min ( ) ( ) ( ( ) ( ))
vérifiant les contraintes entrées sorties
et vérifiant le modèle reliant à
k
j k Np
ref mu u
j k
m
J u y j e k y j
u y
-2 -2IR
-2 1 -2 1
0 W.m u(k) = ( ) 23 500 W.m
du 2000 W.m . (k) 2000 W.m .
dt( ) ( ) 450p mesurée
k
s s
y k T k K
1. Four pilote
Malgré des incertitudes de modélisation et de certains de ces paramètres, le cycle de cuisson choisi à l’avance est suivi, quelque soit la couleur de l’échantillon.La couleur blanche est la plus sensible à la variation en ligne de l’absorptivité. La commande prédictive basée sur le modèle possède de façon intrinsèque des propriétés de robustesse intéressantes.Réglage de la commande : existence d’un optimum sur le réglage de l’horizon de prédiction Np.Perspective : utilisation d’un observateur (capteur logiciel en ligne basé sur un modèle) pour estimer le coefficient d’absorption. Cette estimation peut ensuite être
utilisée en ligne dans le modèle afin d’améliorer les performances de commande.
3. Etude expérimentale pour différentes valeurs des coefficients d’absorption de la peinture
introduite dans le modèle
Modèle de peinture noire
Modèle de peinture blanche
Modèle moyen
n = 0.95 (-) b = 0.55 (-) m = 0.75 (-)
2_
1
2
1
( ( ) ( ))
( ( ) ( ))
k
k
k Nref const p
Pk
k
k Np m
Mk
k
y k y kRMSE
N
y k y kRMSE
N
4. Critères d’évaluation des performances : erreur quadratique moyenne RMSEP représente la différence entre la référence contrainte et la sortie du procédé, RMSEM représente la différence entre la sortie du procédé et la sortie du modèle
5. Résultats expérimentaux pour la peinture blanche :
- - - température modèle
- - - référence température
____ température expérimentale
…… contraintes
____ flux IR
…… contraintes
o modèle avec n
x modèle avec p
+ modèle avec m
Meilleure performance :Np =12, = 0.55
M
2.. Contraintes à vérifier
pour le flux infrarouge
pendant l’optimisationP
Meilleure commande : Np =12, = 0.55
