Control-BUFFER a été validé sur de nombreux procédés (bioréacteur à membranes, lit fluidisé, lit fixe, CSTR) de tailles diverses (de quelques litres au mètre cube) et pour diverses réactions biologiques (digestion anaérobie et nitrification en particulier).
Les problèmes d’environnement liés aux activités humaines se posent aujourd'hui en termes cruciaux. Les normes de rejets devenant très contraignantes, un effort croissant est donc entrepris au niveau mondial pour mieux comprendre et maîtriser les phénomènes inhérents à la dépollution. Bien qu’aujourd’hui, 43 % de la pollution totale soit éliminée contre 32,5 % en 1981, il convient de ne pas oublier la norme, fixée par la réglementation.
Mots clés : Automatique - Biotechnologie - Logiciel - Commande - Diagnostic
Catégorie : Conduite de Processus Industriels et Applications Industries Agroalimentaires
européenne, de 65 % pour l'année 2002. Un des défis majeurs de notre société est ainsi de développer des procédés de traitement à la fois fiables, robustes, performants et permettant le traitement conjoint du carbone, de l'azote et du phosphore.
Le traitement biologique des effluents compte certainement parmi les systèmes les plus efficaces et les plus employés. Toutefois, il a été montré qu'actuellement, les installations de traitement biologique, même bien instrumentées, ne peuvent satisfaire aux normes de rejets dans 8 à 9 % des temps de fonctionnement, et ce, sans compter les dysfonctionnements d’une durée inférieure à un jour.
[Photo : Figure 1 : Control-BUFFER, une architecture modulaire]
Nos approches en commande
Face à la problématique spécifique des procédés biologiques de dépollution, nos études reposent toutes sur une volonté forte de garantir la stabilité des installations et ce, en dépit de la méconnaissance des phénomènes à traiter liée au manque de capteurs dédiés et des perturbations qui peuvent affecter un schéma réactionnel.
* La commande robuste
Nos études se sont donc orientées pour partie vers le développement de lois de commandes robustes faisant explicitement intervenir les perturbations et les incertitudes dans les algorithmes. En effet, le fonctionnement optimal d’un procédé de traitement des effluents peut être caractérisé par la minimisation des rejets polluants en sortie. Un des intérêts de la commande est alors de stabiliser les charges perçues par les microorganismes. Nous avons été largement confortés dans cette voie puisque des résultats très probants ont d’ores et déjà pu être obtenus par ces techniques de contrôle avancées [Harmand et coll., 1996].
* La commande floue
La logique floue offrant également, de par sa théorie, une solution au problème d'imprécision lié à un procédé, elle constitue un de nos domaines de recherche actif. En collaboration avec l'Université de Perpignan, nous avons en particulier abordé la modélisation et le problème du maintien des performances d’un procédé de digestion anaérobie en dépit de diverses perturbations [Estaben et coll., 1995].
[Photo : Figure 2 : Le panneau de la tâche principale (vue d'écran)]
* La commande par réseaux de neurones
De façon complémentaire, nous développons des approches de contrôle par le biais des réseaux de neurones. Entre autres avantages, cela nous permet d’élaborer des contrôleurs à modèle interne dont les propriétés de robustesse sont largement reconnues. Nous exploitons également pleinement leur capacité d'apprentissage en ligne pour adapter les actions à la dynamique des procédés [Bouvier et coll., 1996].
* Monitoring avancé
Finalement, nous regroupons sous l’appellation « monitoring avancé » des systèmes de conduite n’intégrant pas de mesures directes des éléments principaux de la réaction biologique (i.e., biomasse, substrat ou produit). Il s'agit là de schémas simples où l’expérience acquise sur un procédé est prépondérante. À titre d’exemple, nous pouvons citer le système de contrôle que nous avons développé et breveté pour traiter les rejets de caves viticoles par digestion anaérobie. En n’utilisant que deux capteurs très simples, le pH et le débit de gaz, nous avons pu démarrer une installation semi-industrielle (i.e., un lit fluidisé de 150 litres utiles) et augmenter de façon automatique la charge jusqu’à traiter plus de 110 kgDCO/m³/j. De plus, cette montée en charge a été réalisée en moins de 5 mois tout en maintenant des rendements d’épuration toujours supérieurs à 70 % [Steyer et coll., 1996a].
Le logiciel Control-BUFFER
Pour permettre la mise en œuvre de ces différentes méthodologies, nous avons développé un logiciel d’acquisition et de commande des procédés biologiques de dépollution, nommé Control-BUFFER.
Caractéristiques générales de Control-BUFFER
Control-BUFFER repose sur une architecture modulaire (voir figure 1) qui lui permet
[Photo : Figure 3 : Le module d'entrées-sorties (vue d'écran)]
[Photo : Figure 4 : Le module de commande : cas du débit d’alimentation (vue d’écran)]
[Photo : Figure 5 : Réglage du débit d’alimentation par un PID (vue d’écran)]
très facilement d’être dédié à une application spécifique.
Son interface ergonomique lui permet un apprentissage rapide pour des utilisateurs non informaticiens en particulier pour :
* acquérir et filtrer les signaux : calibration des capteurs, nombre d’entrées modifiable directement grâce à la souris, fréquence d’acquisition et de sauvegarde… (voir figures 2 et 3),
* choisir un schéma de contrôle prédéfini mais entièrement paramétrable par l’utilisateur (voir figures 4 et 5),
* afficher les résultats sous forme de graphiques avec zoom possible (voir figure 6) ou de synoptiques avec alarmes visuelles (voir figure 7).
Control-BUFFER est ainsi utilisé au laboratoire depuis près de 3 ans et a été validé sur de nombreux réacteurs de configurations (bioréacteur à membranes, lit fluidisé, lit fixe, CSTR) et tailles variables (de quelques litres au mètre cube).
De plus, l’architecture de Control-BUFFER permet très facilement de rajouter de nouveaux éléments tant sur le plan matériel que logiciel (incrémentations de nouvelles fonctions de commande, en particulier).
Exemples de problèmes rencontrés sur des procédés réels
Les lois de commande telles que celles présentées précédemment permettent d’optimiser le traitement des effluents et de stabiliser les installations de manière à respecter les normes de rejet. Malheureusement, nous avons pu constater à de nombreuses reprises que le passage du stade de la simulation à celui du procédé réel ne se fait pas sans rencontrer de nombreux – et divers ! – problèmes (voir figure 8 pour un exemple de perturbation du débit de gaz de sortie suite à la présence de mousse et figure 9 pour un exemple de colmatage du tuyau de recirculation – le pourcentage d’ouverture de la vanne est normalement constant – sur un procédé de digestion anaérobie).
Le module supervision : diagnostic et explications
Aussi, afin de prendre en compte ces « incidents » de fonctionnement et de permettre aux lois de commande de donner leur pleine mesure, nous avons intégré au logiciel Control-BUFFER un module de diagnostic. Ce module, validé sur site réel, permet, pour l’ensemble des variables suivies :
* détecter, aussitôt que possible, les dérives par rapport à des conditions opératoires normales ;
* analyser les causes du signal d’alarme ;
* assister l’opérateur en lui donnant des conseils sur les actions pouvant rétablir le système et en lui indiquant le degré d’urgence de ces actions ;
* stocker les conditions opératoires normales et anormales qui se sont produites dans le passé et utiliser cet historique pour guider l’opérateur en lui donnant des suggestions pour améliorer la situation actuelle.
Ce module est issu de nos travaux en Intelligence Artificielle [Steyer 1991] ayant été appliqués à un procédé de production industrielle de la société Elf-Sanofi Chimie [Steyer et coll., 1996b]. Nous avons depuis élargi la stratégie du raisonnement qualitatif que nous avions développée (i.e. « raisonnement sur état standard ») pour simplifier l’écriture des bases de règles et permettre à un utilisateur non informaticien de les modifier.
[Photo : Figure 6 : L’affichage des courbes (vue d’écran)]
[Photo : Figure 7 : L’affichage des synoptiques (vue d’écran)]
[Photo : Perturbation du débit de gaz due à la formation de mousse]
Pour chaque variable à diagnostiquer, la base de règles ne contient en effet que deux lignes accessibles sous tout éditeur de texte (voir figure 10).
Les avantages de cette approche par rapport à un système expert classique sont multiples :
- * gestion automatisée des inter-relations entre variables grâce à des tests statistiques (table de Student en particulier),
- * possibilité de modifications en temps réel de la base de règle,
- * pas de nécessité d’utiliser un moteur d’inférence.
Dans cette approche, nous utilisons également une qualification des problèmes par logique floue et un apprentissage du diagnostic par réseaux de neurones artificiels [Steyer et coll., 1997]. Cela nous permet en particulier d’augmenter la robustesse des algorithmes de diagnostic et d’automatiser la procédure d’apprentissage, permettant ainsi d’éviter le recours à un expert du procédé pour la mise à jour du système.
Caractéristiques informatiques
Control-BUFFER peut être utilisé sur tout PC disposant de Microsoft Windows. Il a été développé en utilisant Visual Basic et Matlab. La taille de la version exécutable est de 441 Ko. Une sauvegarde sur fichier des différentes variables peut être effectuée, permettant ainsi un post-traitement des données en utilisant un tableur type Excel. L’ensemble des actions permettant d’utiliser Control-BUFFER se fait au moyen de la souris, le clavier servant uniquement à indiquer de nouvelles valeurs de paramètres au logiciel. Le rôle associé aux différents boutons est explicitement indiqué sur leur légende (affichage graphique et/ou textuel), assurant ainsi une grande convivialité au logiciel.
[Photo : Base de règles associée à la variable TRC300]
[Photo : Débit de recirculation vs. ouverture de la vanne automatique lors d’un colmatage]
Conclusion et perspectives
L’Automatique est une étape désormais nécessaire pour aider à respecter les normes de rejets en sortie de procédés biologiques de dépollution. Ainsi, face à l’obligation de traiter notre pollution – obligation renforcée par les directives nationales et européennes – un effort important de pluridisciplinarité doit être entrepris : se contenter d’étudier purement les aspects biologiques sans se préoccuper par exemple du dimensionnement des réacteurs, du positionnement et du nombre de capteurs ou de l’élaboration de lois de commande appropriées peut en effet mener à une utilisation largement sous-optimale des installations.
De par l’ensemble de ses potentialités, Control-BUFFER joue, depuis 3 ans, un rôle important dans le suivi et la maîtrise des procédés de dépollution. Aussi, devant l’attrait suscité par ce logiciel auprès des biologistes du laboratoire, il a été décidé de le commercialiser pour tenter d’apporter une solution appropriée au problème du contrôle/commande et de la supervision des procédés industriels de dépollution.
Références bibliographiques
Bouvier J-C., Steyer J-Ph., Moletta R. (1996) : « Utilisation des réseaux de neurones artificiels pour la commande de procédés de dépollution », Colloque PROSETIA, Rennes, France, 28-29 novembre 1996, pp 80-86.
Estaben M., Polit M., Labat P., Steyer J-Ph., Buffière P. (1995) : « Modélisation floue d’un procédé de digestion anaérobie », Récents progrès en génie des procédés, vol. 9, n° 44, pp 137-142.
Harmand J., Skelton R.E., Steyer J-Ph. (1996) : « Disturbance accommodation control of a nitrification process with structural uncertainties », IEEE-IMACS Conference CESA’96, Lille, France, pp 70-75.
Steyer J-Ph. (1991) : « Sur une approche qualitative des systèmes physiques – Aide en temps réel à la conduite des procédés fermentaires », Thèse de l’Université Paul Sabatier de Toulouse LAAS-CNRS, 192 pages.
Steyer J-Ph., Buffière P., Rolland D., Moletta R. (1996a) : « Contrôle d’un pilote semi-industriel de dépollution carbonée », Revue de l’électricité et de l’électronique, n° 7, pp 88-91.
Steyer J-Ph., Queinnec I., Capit F., Pourciel J-B. (1996b) : « Qualitative rules as a way to handle the biological state of a fermentation process : an industrial application », Journal Européen des Systèmes Automatisés, vol. 30, n° 23/1996, pp 381-388.
Steyer J-Ph., Rolland D., Bouvier J-C., Moletta R. (1997) : « Hybrid fuzzy neural network for diagnosis – Application to the anaerobic treatment of wine distillery wastewater in a fluidized bed reactor », 8th International Conference on Anaerobic Digestion, AD-97, Sendai, Japan, 25-29 mai 1997.
