⚡ electrical engineering

Model Predictive Control (MPC) Applied To Coupled Tank Liquid Level System

Cet article présente une approche systématique pour la conception et la modélisation d'une stratégie de commande prédictive (MPC) pour un système de niveau de liquide à deux réservoirs couplés, en se concentrant sur le développement du modèle d'espace d'état, l'implémentation du contrôleur via des vannes de régulation de débit, et l'analyse de la réponse du système aux perturbations.

Auteurs originaux : Med. Essahafi

Publié 2026-06-04

📖 5 min de lecture🧠 Analyse approfondie

CC BY 3.0

Auteurs originaux : Med. Essahafi

Article original sous licence CC BY 3.0 (http://creativecommons.org/licenses/by/3.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de maintenir le niveau d'eau de deux baignoires connectées parfaitement stable. Ce ne sont pas des baignoires ordinaires ; elles sont « couplées », ce qui signifie qu'il y a un trou au milieu reliant les deux, de sorte que l'eau circule d'une baignoire à l'autre. Si vous versez de l'eau dans la première baignoire, elle ne reste pas simplement là ; elle déborde dans la seconde, ce qui modifie également le niveau dans la première. C'est un problème classique dans les usines (comme les usines chimiques) où le mélange de liquides nécessite des niveaux précis.

Ce document est une « étude » ou un plan directeur pour résoudre ce problème en utilisant un cerveau informatique intelligent et prévoyant appelé Commande Prédictive de Modèle (MPC - Model Predictive Control).

Voici la décomposition du parcours de l'article, expliquée simplement :

1. Le Problème : Le Tir à la Corde

Les auteurs décrivent un système avec deux réservoirs, deux vannes (pour laisser entrer l'eau) et deux capteurs (pour mesurer la hauteur de l'eau). Parce que les réservoirs sont connectés, modifier l'eau dans l'un affecte l'autre. C'est comme un jeu de tir à la corde où tirer sur un côté provoque instantanément un coup sec de l'autre côté. Les contrôleurs traditionnels ont souvent du mal avec cela car ils réagissent après que les problèmes sont survenus.

2. La Solution : Le Contrôleur à la « Boule de Cristal »

L'article propose d'utiliser la Commande Prédictive de Modèle (MPC). Voyez le MPC non pas comme un pompier réactif, mais comme un joueur d'échecs ou un conducteur doté d'une boule de cristal.

Comment ça marche : Au lieu de simplement regarder le niveau de l'eau en ce moment même, le MPC regarde un modèle mathématique des réservoirs. Il se demande : « Si j'ouvre cette vanne un tout petit peu maintenant, que se passera-t-il pour les niveaux d'eau dans les 5 prochaines secondes ? Et dans les 10 suivantes ? »
La Stratégie : Il calcule tout un chemin de mouvements futurs pour s'assurer que l'eau reste exactement là où elle doit être, avant même qu'une perturbation ne se produise.

3. Les Mathématiques : Transformer une Route Sinueuse en une Ligne Droite

La physique réelle de l'eau circulant dans les tuyaux et les réservoirs est désordonnée et « non linéaire » (comme une route sinueuse et accidentée). Les ordinateurs détestent les routes sinueuses lorsqu'ils essaient de calculer l'itinéraire le plus rapide.

L'Astuce : Les auteurs ont pris ce système sinueux et désordonné et l'ont « linéarisé ». Imaginez prendre une très petite section de cette route sinueuse et faire comme si c'était une ligne parfaitement droite.
Le Résultat : Ils ont créé un « Modèle d'Espace d'État » simplifié. Il s'agit simplement d'un ensemble sophistiqué d'équations qui agit comme une carte, indiquant à l'ordinateur exactement comment les réservoirs se comportent dans une zone spécifique et gérable autour d'un niveau d'eau donné.

4. Le Moteur : L'Optimisation

Une fois que l'ordinateur possède sa « carte » (le modèle linéaire), il exécute un processus d'optimisation.

Le But : L'ordinateur veut minimiser l'« erreur ». Il veut que le niveau d'eau corresponde à la cible (le « point de consigne ») aussi fidèlement que possible.
La Fonction de Coût : L'article décrit une « fonction de coût ». Voyez cela comme un tableau de score. L'ordinateur cherche la séquence de mouvements de vannes qui donne le score le plus bas (ce qui signifie le moins d'erreur et le trajet le plus fluide).
La Matrice Hessienne : Elle est mentionnée comme faisant partie des mathématiques pour trouver la « meilleure » solution. Dans notre analogie, c'est la calculatrice qui garantit que l'ordinateur ne se contente pas de deviner, mais trouve le mouvement mathématiquement parfait.

5. Le Test de Conduite : Simulation

Les auteurs n'ont pas fait que parler ; ils ont construit une version virtuelle des réservoirs dans un programme informatique appelé Matlab.

La Configuration : Ils ont fixé les niveaux d'eau à des hauteurs spécifiques (4 unités et 3,5 unités).
Le Défi : Ils ont lancé une « perturbation » contre le système (une impulsion soudaine d'eau supplémentaire) et ont demandé au MPC de corriger le tir.
Le Résultat : L'article affirme que le MPC a parfaitement fonctionné. Lorsque le niveau de l'eau a bondi, le contrôleur a ajusté les vannes de manière fluide pour le faire redescendre sans secousses ni oscillations. Il a géré efficacement le « tir à la corde » entre les deux réservoirs.

6. La Conclusion

L'article conclut que cette approche « prédictive » est un outil puissant pour ces types de systèmes couplés. Il affirme que le MPC est :

Robuste : Il peut gérer les perturbations (comme cet éclaboussement soudain d'eau) sans paniquer.
Précis : Il maintient les niveaux exactement sur la cible.
Polyvalent : Les auteurs suggèrent que cette méthode pourrait être utilisée pour d'autres problèmes similaires de niveau de liquide à l'avenir.

En résumé : L'article montre comment apprendre à un ordinateur à être un « conducteur proactif » pour deux réservoirs d'eau connectés, en utilisant les mathématiques pour prédire l'avenir et ajuster les vannes parfaitement afin de maintenir le niveau d'eau stable, même quand les choses deviennent désordonnées.

Résumé Technique : Commande Prédictive par Modèle Appliquée à un Système de Niveaux de Liquide à Cuves Couplées

Énoncé du Problème
L'article traite du défi que représente le contrôle des niveaux de liquide dans un système de cuves couplées, un modèle courant représentant les processus à entrées multiples et sorties multiples (MIMO) que l'on trouve dans les milieux industriels, particulièrement dans les industries de transformation chimique. Ces systèmes sont caractérisés par de fortes interactions entre les signaux (par exemple, les débits et les niveaux de liquide dans des réservaux interconnectés), ce qui rend souvent insuffisantes les stratégies de commande classiques à entrée unique et sortie unique (SISO). Le problème spécifique implique la gestion de deux cuves avec deux vannes de régulation de débit (entrées) et deux mesures de niveau de liquide (sorties), tout en tenant compte de la dynamique non linéaire et des perturbations externes.

Méthodologie
Les auteurs proposent une approche systématique pour concevoir une stratégie de Commande Prédictive par Modèle (MPC) pour ce système couplé. La méthodologie suit les étapes suivantes :

Modélisation du Système : Le processus physique est initialement décrit par des équations différentielles non linéaires basées sur les principes de conservation de la masse, où les débits sont liés à la racine carrée des différences de hauteur de liquide.
Linéarisation : Pour faciliter la conception du contrôleur, le modèle non linéaire est linéarisé autour d'un point de fonctionnement spécifique ( $L_1 = 4$ , $L_2 = 3.5$ ) en utilisant un développement en série de Taylor. Cela produit une représentation d'état linéaire adaptée aux petites variations de niveau et de débit.
Formulation de l'Espace d'État Augmenté : Pour gérer l'action intégrale et les perturbations, les auteurs transforment le modèle linéaire en une forme d'espace d'état augmenté. Cela implique de définir des variables de différence pour les états et les entrées, ce qui donne un nouveau modèle où l'entrée est la variation incrémentielle des variables de commande ( $\Delta u$ ).
Conception de l'Algorithme MPC :
- Prédiction : En utilisant le modèle augmenté, les états et les sorties futurs sont prédits sur un horizon de prédiction ( $N_p$ ) basé sur un horizon de commande ( $N_c$ ).
- Optimisation : Une fonction de coût est définie pour minimiser l'erreur entre la sortie prédite et la consigne, tout en pénalisant l'effort de commande. La séquence de commande optimale ( $\Delta U$ ) est dérivée analytiquement en minimisant cette fonction de coût quadratique, aboutissant à une solution impliquant la matrice Hessienne.
Simulation : Le contrôleur conçu est implémenté dans un environnement de simulation en boucle fermée (Matlab). Le système est testé avec des changements de consigne impulsionnels pour les deux niveaux de cuve et une perturbation impulsionnelle sur le débit d'entrée.

Principales Contributions

Cadre de Conception Systématique : L'article présente une dérivation étape par étape d'un contrôleur MPC spécifiquement pour un système de deux cuves couplées, passant d'une modélisation non linéaire basée sur les premiers principes à une implémentation d'espace d'état linéaire.
Implémentation du Modèle Augmenté : Il détaille la construction du modèle d'espace d'état augmenté, ce qui est crucial pour que l'algorithme MPC puisse rejeter efficacement les perturbations et suivre les consignes sans erreur statique.
Analyse des Perturbations : L'étude examine explicitement l'effet des perturbations sur les sorties de niveau mesurées, démontrant la capacité du contrôleur à maintenir les performances malgré les perturbations externes.

Résultats
Les résultats de la simulation indiquent que le contrôleur MPC proposé atteint les objectifs suivants :

Performance de Suivi : Le système suit avec succès les changements de consigne impulsionnels pour les deux niveaux de cuve ( $h_1$ et $h_2$ ) avec de bonnes performances dynamiques.
Robustesse : Le contrôleur démontre sa robustesse en maintenant la stabilité et la performance en présence de perturbations.
Action de Commande : Les variables manipulées (débits $u_1$ et $u_2$ ) répondent directement aux variations des sorties mesurées, montrant une action de commande coordonnée typique des systèmes MIMO.
Stabilité : Le système répond sans oscillation, ce qui suggère un réglage efficace des horizons de prédiction et de commande ( $N_p=1$ , $N_c=3$ dans le cas spécifique de la simulation).

Signification et Revendications
L'article affirme que l'implémentation d'un Contrôleur Prédictif par Modèle sur une vanne de régulation de débit au sein d'un système de niveau de liquide à cuves couplées représente une nouvelle méthode de contrôle de tels processus. Les auteurs affirment que la MPC est très adaptée aux processus non linéaires et offre des avantages distincts, notamment :

Un rejet efficace des perturbations.
Une bonne robustesse contre les erreurs de modèle.
Des performances supérieures dans les systèmes multivariables par rapport aux stratégies de contrôle traditionnelles.

L'article conclut que cette approche fournit une base viable pour la conception d'autres modèles de contrôle de processus, tels que la Commande Prédictive Généralisée (GPC), qui pourrait intégrer davantage le bruit et les perturbations sur les entrées et les sorties. Ce travail positionne la MPC comme un outil pratique et avancé pour les applications industrielles de contrôle de niveau.