Introduction : Le défi de mesurer l'incommensurable

La commande proportionnelle-intégrale-dérivative (PID) demeure l'épine dorsale de l'automatisation industrielle, que l'on retrouve dans tout, des réacteurs chimiques et des centrales électriques aux bras robotiques et aux systèmes CVC. Sa popularité durable découle de sa simplicité, de sa robustesse et de ses antécédents éprouvés. Cependant, les contrôleurs PID ne sont que des signaux de rétroaction qu'ils reçoivent. Chaque boucle de commande dépend de mesures précises et opportunes de variables de processus telles que la température, la pression, le débit ou la concentration.

Entrez des capteurs virtuels[—aussi appelés capteurs logiciels ou capteurs souples.Ce sont des modèles algorithmiques qui évaluent des variables de processus non mesurées ou difficiles à mesurer à l'aide de données provenant d'autres capteurs et modèles de processus disponibles.En fournissant une estimation fiable et continue de la variable d'intérêt, les capteurs virtuels peuvent améliorer considérablement les performances des boucles de contrôle PID, permettant une meilleure stabilité, une réponse plus rapide et une plus grande résilience aux défauts des capteurs.

Qu'est-ce que les capteurs virtuels?

Un capteur virtuel n'est pas un appareil physique, mais une construction mathématique qui induit une variable de processus à partir d'autres mesures et connaissances de processus. Le concept est enraciné dans la théorie de l'estimation d'état et a été autour pendant des décennies, mais les progrès récents dans l'apprentissage automatique, la disponibilité des données, et la puissance de calcul ont rendu beaucoup plus accessible et précis.

Comment fonctionnent les capteurs virtuels

À son cœur, un capteur virtuel prend des entrées d'un ou de plusieurs capteurs physiques (plus éventuellement des signaux de commande ou des données historiques) et applique un modèle pour prédire la variable cible. Le modèle peut être basé sur:

  • Modèles de premiers principes :[ Dérivés de lois physiques (balances masse/énergie, thermodynamique, cinétique), ceux-ci sont précis lorsque le processus est bien compris, mais peuvent être complexes et coûteux en calcul.
  • Modèles axés sur les données: Utilisant la régression, les réseaux neuronaux, les machines vectorielles de soutien ou d'autres techniques d'apprentissage machine formées sur des données historiques.
  • Modèles hybrides:[ Combiner les deux approches pour tirer parti de la compréhension physique tout en utilisant des données pour adapter des paramètres résiduels ou incertains.

Une fois formé et validé, le capteur virtuel fonctionne en temps réel (ou quasi réel) à côté des capteurs physiques, fournissant une estimation qui peut être utilisée pour la surveillance, le contrôle ou la détection de défaillances.

Types de capteurs virtuels

Les capteurs virtuels peuvent être classés selon leur but :

  • Sondes inferentielles:[ Estimer une variable de qualité (p. ex. composition du produit) difficile à mesurer en ligne en utilisant des proxies faciles à mesurer (p. ex. température, pression, débit).
  • Fournir une estimation de sauvegarde d'une variable déjà mesurée, aidant à détecter la dérive ou la défaillance du capteur.
  • Capteurs de détection et d'isolement des défauts (FDI) : Estimer les résidus ou les indicateurs de santé pour diagnostiquer les défauts dans les capteurs physiques ou les actionneurs.
  • Sondes prédictives:[ Prévision des valeurs futures d'une variable, permettant des améliorations de contrôle prédictive ou de l'alimentation.

Comment les capteurs virtuels améliorent le contrôle PID

Les contrôleurs PID génèrent une sortie de contrôle basée sur l'erreur entre un point de consigne et la variable de processus mesurée. La qualité de cette mesure affecte directement les performances de contrôle.

1. Réduction du bruit et filtrage des signaux

Un capteur virtuel peut fusionner plusieurs signaux bruyants pour produire une estimation plus fluide et plus fiable. Le capteur virtuel lui-même peut aussi être conçu avec un filtre à passe basse intégré qui n'introduise pas le décalage de phase aussi agressive qu'un filtre analogique traditionnel. Par exemple, dans une boucle de contrôle de débit, combiner un signal sonore de plaque d'orifice avec une lecture de vitesse de pompe donne une estimation plus propre du débit, permettant au contrôleur PID de réagir plus régulièrement et d'éviter les bavardages de valve.

2. Compensation pour la dérive et la défaillance du capteur

Au fil du temps, les capteurs physiques dérivent en raison de la perte d'étalonnage, de l'encrassement ou du vieillissement. Un capteur virtuel bien conçu peut détecter la dérive (en comparant sa sortie au capteur physique) et soit alerter l'opérateur ou automatiquement passer à l'estimation virtuelle lorsque le signal physique s'écarte au-delà d'un seuil. Ce contrôle tolérant les défauts garantit que la boucle PID continue à fonctionner en toute sécurité même si un capteur échoue complètement – une capacité critique dans les processus où l'arrêt est coûteux ou dangereux.

3. Mesure des variables inaccessibles

De nombreuses boucles PID sont conçues pour contrôler une variable qui ne peut pas être mesurée directement. Par exemple, dans un réacteur à eau bouillante, la fraction vide (bulles de vapeur) affecte la modération des neutrons et donc la puissance du réacteur, mais il est peu pratique de mesurer la fraction vide dans chaque canal de combustible.

4. Amélioration de la réponse dynamique

Un capteur virtuel, en particulier un modèle de procédé, peut fournir une valeur estimée avec moins de retard, "prédire" efficacement la valeur actuelle. Cela réduit le décalage de phase dans la boucle de commande, permettant au contrôleur PID d'utiliser un gain plus élevé sans sacrifier la stabilité. Le résultat est une réponse plus rapide et plus agressive aux perturbations – essentielle pour les processus comme les réacteurs à lots où le timing est critique.

5. Réduction du coût d'instrumentation

Dans de nombreuses installations, le coût matériel des capteurs de haute qualité (par exemple, chromatographes en phase gazeuse, spectromètres de masse, moniteurs de rayonnement) est prohibitif, en particulier pour les petites et moyennes entreprises. Les capteurs virtuels peuvent estimer la même variable en utilisant des capteurs moins chers et plus courants (température, pression, conductivité) avec une précision suffisante.

Principales applications dans les systèmes complexes

Les capteurs virtuels ont constaté une adoption généralisée dans les industries où les processus sont multivariables, non linéaires ou soumis à des conditions extrêmes.

Traitement et polymérisation des produits chimiques

Dans un réacteur de polymérisation, l'indice de flux de fusion (IMF) est un paramètre de qualité crucial. La mesure traditionnelle de l'IMF nécessite un test de laboratoire long. Un capteur virtuel peut estimer l'IMF en ligne en utilisant la température du réacteur, la pression, le débit d'alimentation du catalyseur et la puissance du agitateur. L'IMF estimé devient la rétroaction pour un contrôleur PID qui ajuste le catalyseur ou l'alimentation du monomère, en maintenant la qualité du polymère dans des spécifications serrées.

Production d'énergie: turbines à gaz et cycles de vapeur

Un capteur virtuel peut estimer la température d'entrée de turbine (TIT) à partir de mesures de la pression de décharge du compresseur, du débit de carburant et de la température des gaz d'échappement, variable qui est autrement trop chaude pour n'importe quel capteur pratique. Les contrôleurs PID utilisant ce signal virtuel TIT peuvent réguler le débit de carburant pour maintenir des conditions de fonctionnement sûres et maximiser l'efficacité. De même, dans les cycles de vapeur, les capteurs virtuels surveillent la qualité de la vapeur (fraction de sécheresse) pour empêcher l'érosion des pales et optimiser le transfert de chaleur.

Véhicules aériens aérospatials et sans équipage (UAV)

Dans les systèmes de contrôle de vol, un angle d'attaque précis (AoA) et une vitesse d'air sont essentiels pour les pilotes automatiques basés sur PID. Les capteurs physiques AoA sont vulnérables au givrage, aux débris et aux dommages lors de manœuvres agressives. Les capteurs virtuels qui fusionnent les données de l'unité de mesure d'inertie (IMU), la vitesse GPS et les mesures pitot-statiques peuvent estimer AoA avec une grande fidélité, fournissant un signal de secours qui maintient la commande PID stable même si le capteur primaire échoue.

Considérations relatives à la mise en œuvre des capteurs virtuels dans les boucles PID

L'intégration d'un capteur virtuel dans une boucle de contrôle PID ne consiste pas seulement à ajouter un bloc logiciel. Les ingénieurs doivent traiter plusieurs problèmes pratiques pour assurer un fonctionnement sûr et fiable.

Élaboration et validation de modèles

La précision du capteur virtuel dépend de la qualité du modèle et des données utilisées pour le construire. Les étapes clés sont les suivantes :

  • Collection de données: Les données historiques doivent couvrir toute la gamme de fonctionnement, y compris les conditions transitoires, de démarrage/de chute et anormales. Les régimes manquants feront que le modèle extrapolera mal.
  • Choix des caractéristiques:[ Choisir les bonnes variables d'entrée est critique. La perspicacité physique aide, mais des méthodes automatisées comme l'information mutuelle ou la régression LASSO peuvent être utilisées.
  • Validation du modèle: Le modèle doit être testé sur des données invisibles et, idéalement, validé par un capteur physique dédié pendant une période d'essai. Les paramètres comme l'erreur carrée moyenne racine (RMSE) et l'erreur absolue maximale sont standard, mais pour des fins de contrôle, la précision dynamique (comment le signal estimé suit le vrai signal pendant les changements) importe le plus.

Survol et latence informatiques

Les contrôleurs PID fonctionnent en temps réel, souvent avec des temps d'échantillonnage de millisecondes à seconde portée. Le modèle de capteur virtuel doit être exécuté assez rapidement pour fournir une estimation actualisée dans cet intervalle d'échantillonnage. Les modèles linéaires et les réseaux neuraux simples (p. ex., flux de faible profondeur) sont généralement bien adaptés; les modèles d'apprentissage profond peuvent nécessiter une accélération matérielle.

Manipulation de la matrice de plant

Les conditions du processus changent au fil du temps en raison de la désactivation du catalyseur, de l'encrassement ou des changements environnementaux. Un capteur virtuel formé sur des données anciennes peut devenir progressivement inexact. Les stratégies d'adaptation peuvent aider:

  • Recyclage périodique à l'aide de données récentes.
  • Correction des biais en ligne : comparer la sortie du capteur virtuel à une mesure physique lorsque disponible (p. ex., à partir d'un échantillon de laboratoire) et ajuster l'estimation.
  • Les techniques d'estimation récursive (par exemple, les filtres Kalman) qui mettent à jour en permanence les paramètres du modèle.

Intégration impossible avec PID

Le système de contrôle doit gérer le cas où la sortie du capteur virtuel devient peu fiable (p. ex. en raison de la perte de signaux d'entrée). Une approche typique consiste à avoir un mécanisme sans bumpless de transfert : lorsque le capteur virtuel est sain, sa sortie alimente le PID; sinon, le système revient à une valeur de sécurité en panne ou se déplace vers le capteur physique (si disponible). La transition devrait empêcher les bosses ou oscillations dans la sortie du contrôle.

Défis et limites

Malgré leur promesse, les capteurs virtuels ne sont pas une balle d'argent. Les ingénieurs doivent être conscients des pièges suivants:

  • Données: Les capteurs virtuels pilotés par les données nécessitent de grands ensembles de données représentatifs. Si le processus est nouveau ou rarement exploité sur toute sa gamme, il est difficile de construire un bon modèle.
  • Des modèles complexes (p. ex., des réseaux neuronaux profonds) peuvent mémoriser le bruit dans l'ensemble de formation, ce qui entraîne une généralisation médiocre.
  • Explabilité:[ Dans les industries réglementées (pharmacies, nucléaires), les exploitants peuvent avoir besoin de comprendre pourquoi un capteur virtuel a donné une estimation particulière. Les modèles de boîtes noires peuvent être difficiles à justifier.
  • Cybersecurity:[ Comme les capteurs virtuels sont des logiciels, ils peuvent être vulnérables aux cyberattaques. Un acteur malveillant pourrait manipuler les données d'entrée ou le modèle lui-même pour causer des estimations incorrectes, conduisant à des actions de contrôle dangereuses.
  • Entretien des frais généraux: Les capteurs virtuels nécessitent une surveillance continue, un recyclage et des cycles de mise à jour.

Orientations futures : AI, Jumelles numériques et calcul des bords

La prochaine génération de capteurs virtuels sera plus puissante et plus facile à déployer grâce à plusieurs tendances convergentes.

Apprentissage approfondi et apprentissage auto-surveillant

Bien que les méthodes linéaires dominent encore dans l'industrie, l'apprentissage profond, en particulier les réseaux neuronaux récurrents (RNN) et les transformateurs, peut saisir des dépendances temporelles complexes dans les données de processus.

Twins numériques comme plateformes de capteurs virtuels

Un jumeau numérique est un modèle complet et de haute fidélité d'un processus ou d'un atout entier. Il peut servir de capteur virtuel maître, fournissant des estimations de chaque variable du système, y compris ceux nécessaires pour les boucles PID. Le jumeau numérique peut également simuler des scénarios « what-if » et optimiser les paramètres. L'intégration des jumelles numériques avec les systèmes de contrôle est un domaine de recherche actif; les premiers adoptants signalent des améliorations significatives dans le rendement et l'efficacité énergétique.

L'informatique de bord et l'apprentissage fédéré

L'utilisation de capteurs virtuels sur les périphériques de bord (PLC, passerelles de bord) réduit l'utilisation de la latence et de la bande passante. L'apprentissage fédéré permet à plusieurs nœuds de bord de collaborer à la formation des modèles sans partager de données brutes, ce qui est avantageux pour les processus sensibles à la vie privée ou propriétaires.

Intégration avec le contrôle avancé au-delà de PID

Bien que cet article se concentre sur le PID, les capteurs virtuels sont des compléments naturels au contrôle prédictif du modèle (MPC), où un modèle de processus est explicitement utilisé pour l'optimisation. Les capteurs virtuels fournissent les estimations d'état dont le MPC a besoin. Nous pouvons voir des architectures de contrôle hybrides où une boucle PID est supervisée par une couche MPC qui tire parti des sorties du capteur virtuel – créant un système robuste et performant qui combine la simplicité du PID avec la capacité prédictive de MPC.

Conclusion

Les capteurs virtuels sont passés d'un concept académique de niche à un outil pratique qui améliore le contrôle des PID dans des systèmes industriels complexes. En fournissant des estimations plus propres, plus fiables et souvent plus rapides des variables clés du processus, ils abordent les limites fondamentales des capteurs physiques – bruit, dérive, coût et inaccessibilité. Le résultat est une meilleure précision du contrôle, une stabilité accrue et une plus grande résilience aux défauts des capteurs.

Ressources extérieures: