⚡ electrical engineering

DeePC vs. Koopman MPC for Pasteurization: A Comparative Study

Cette étude comparative démontre que, sur une unité de pasteurisation, le contrôle prédictif basé sur l'opérateur de Koopman (KMPC) offre un suivi plus précis tandis que le contrôle prédictif assisté par données (DeePC) génère des trajectoires de commande nettement plus lisses, permettant ainsi aux praticiens de choisir la méthode adaptée selon le compromis entre précision et lissage souhaité.

Auteurs originaux : Branislav Daráš, Patrik Valábek, Martin Klaučo

Publié 2026-04-02

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Branislav Daráš, Patrik Valábek, Martin Klaučo

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ 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

🥛 Le Grand Duel : Deux Chefs Cuisiniers pour la Pasteurisation

Imaginez que vous devez gérer une usine de pasteurisation. C'est comme une immense cuisine où l'on chauffe du lait (ou un autre produit) pour le rendre sûr à boire, sans le faire brûler. Le défi est de maintenir la température parfaite, tout en respectant des limites strictes : ne pas chauffer trop (sinon ça brûle), ne pas chauffer trop peu (sinon ce n'est pas stérile), et ne pas trop forcer sur les robinets et les chauffages électriques.

Traditionnellement, pour contrôler cela, on utilise des mathématiques complexes basées sur la physique (comment la chaleur se déplace, etc.). Mais construire ces modèles est long, difficile et souvent imprécis.

Cette étude compare deux nouvelles méthodes "intelligentes" qui n'ont pas besoin de connaître la physique du four. Elles apprennent directement en regardant les données. C'est un duel entre deux approches : DeePC et KMPC.

1. Les Deux Approches : Deux Manières de Penser

Imaginons que nous devons apprendre à conduire une voiture dans un brouillard épais.

KMPC (Le Cartographe qui apprend) :
Cette méthode est comme un élève qui observe la route, dessine une carte mentale simplifiée (un modèle) et utilise cette carte pour prédire le futur.
- L'analogie : C'est comme si un apprenti conducteur regardait des heures de vidéos de conduite, apprenait à reconnaître les virages et les freinages, puis dessinait un plan schématique de la route. Ensuite, il utilise ce plan pour décider comment tourner le volant. Il a besoin de construire un "modèle" interne avant de conduire.
DeePC (Le Mémoriste pur) :
Cette méthode est différente. Elle ne construit aucune carte ni aucun modèle. Elle se fie uniquement à sa mémoire immédiate des trajets passés.
- L'analogie : C'est comme un conducteur qui a une mémoire photographique incroyable. Il ne dessine pas de carte. Il se souvient exactement de ce qu'il a fait il y a 10 minutes et de ce qui s'est passé ensuite. Pour décider quoi faire maintenant, il cherche dans sa mémoire : "La dernière fois que j'ai fait ceci, il s'est passé cela. Donc, je vais essayer de répéter ce schéma." Il ne modélise pas le monde, il le recrée à partir de l'histoire.

2. L'Expérience : Le Test en Cuisine

Les chercheurs ont mis ces deux "chefs" à l'épreuve sur une simulation numérique d'une unité de pasteurisation. Ils leur ont donné les mêmes objectifs :

Suivre une température cible précise.
Ne pas dépasser les limites de sécurité.
Utiliser le moins d'énergie possible.

Ils ont tout rendu identique (les mêmes règles, les mêmes pénalités) pour voir qui était le meilleur uniquement grâce à sa méthode de réflexion.

3. Les Résultats : Qui gagne ?

C'est là que ça devient intéressant. Aucun des deux n'a perdu, mais ils ont des styles très différents, comme deux athlètes différents.

KMPC (Le Sprinter Précis) :
- Son style : Il est très réactif et précis. Quand la température doit changer, il frappe fort et vite pour atteindre l'objectif.
- Le résultat : Il suit la consigne de température avec une précision chirurgicale. C'est le meilleur pour atteindre le but exact.
- Le prix : Pour être si précis, il bouge beaucoup les robinets et les chauffages. C'est un peu comme un pianiste qui joue très vite : ses doigts bougent beaucoup, ce qui peut user les touches plus vite.
DeePC (Le Marathonien Fluide) :
- Son style : Il est beaucoup plus doux et progressif. Il ne fait pas de mouvements brusques.
- Le résultat : Il atteint aussi la bonne température, mais il y arrive en faisant des mouvements très lisses et calmes.
- Le prix : Il consomme un tout petit peu plus d'énergie totale (car il chauffe un peu plus longtemps pour y arriver doucement), mais il use beaucoup moins les machines. C'est comme un nageur qui glisse sur l'eau sans faire de vagues.

4. Le Verdict Final : Le Choix du Chef

L'étude conclut qu'il n'y a pas de "meilleur" absolu, tout dépend de ce que vous voulez :

Si vous voulez la précision absolue (atteindre la température exacte à la seconde près) et que vous ne vous souciez pas trop de l'usure des machines, choisissez KMPC. C'est le "sprinteur".
Si vous voulez protéger vos machines, réduire l'usure des pompes et avoir un processus très stable et doux, choisissez DeePC. C'est le "marathonien" qui économise ses forces.

En résumé :
Les deux méthodes fonctionnent très bien sans avoir besoin de connaître les lois de la physique.

KMPC dit : "Je vais construire un modèle pour être le plus précis possible."
DeePC dit : "Je vais me souvenir du passé pour être le plus doux possible."

Pour les industriels, c'est une excellente nouvelle : ils peuvent maintenant choisir leur "style de conduite" selon leurs priorités, sans avoir à passer des mois à modéliser leur usine.

1. Problématique et Contexte

Le contrôle des unités de pasteurisation est un défi critique pour la sécurité alimentaire et la qualité du produit. Ces procédés thermiques sont multivariables (plusieurs entrées et sorties) et fortement couplés, où les actions sur le chauffage, le refroidissement et les débits affectent simultanément plusieurs températures.

L'approche traditionnelle, le Contrôle Prédictif à Modèle (MPC), nécessite un modèle physique de premier principe précis. Cependant, l'élaboration de tels modèles est souvent longue, coûteuse et sujette à des erreurs en raison de pertes de chaleur non modélisées et de variations des conditions opératoires.

L'article se penche sur deux méthodes de contrôle prédictif basé sur les données (data-driven) qui évitent la modélisation physique explicite, mais qui diffèrent fondamentalement dans leur architecture :

DeePC (Data-enabled Predictive Control) : Utilise la théorie des systèmes comportementaux pour prédire directement à partir des trajectoires entrée-sortie via des matrices de Hankel, sans construire de modèle d'état.
KMPC (Koopman-based MPC) : Apprend une représentation linéaire d'état « relevée » (lifted) dans un espace de Koopman (via des réseaux de neurones) à partir des données, puis applique un MPC standard sur ce modèle linéarisé.

L'objectif est de comparer ces deux approches sur un problème de contrôle multivariable réel (pasteurisation) pour identifier les compromis de performance.

2. Méthodologie

A. Système Étudié

L'étude de cas porte sur une unité de pasteurisation continue à l'échelle laboratoire avec :

3 entrées manipulées ( $u$ ) : Débit d'alimentation, débit de circulation d'eau chaude, puissance de l'élément chauffant électrique.
3 sorties mesurées ( $y$ ) : Température à la sortie du tube de maintien ( $T_1$ ), température du réservoir chaud ( $T_2$ ), température à la sortie de l'échangeur ( $T_3$ ).
Simulateur : Un « jumeau numérique » basé sur un réseau de neurones, entraîné sur des données expérimentales, sert de plante pour les simulations en boucle fermée.

B. Formulation des Contrôleurs

Les deux contrôleurs partagent les mêmes horizons de prédiction ( $N=60$ ), les mêmes poids de coût ( $Q, R$ ) et les mêmes contraintes, afin d'isoler l'impact de la représentation prédictive.

DeePC (Formulation Régularisée) :
- Basé sur le Lemme fondamental de Willems. Il construit des matrices de Hankel à partir de données historiques d'entrée/sortie.
- Le problème d'optimisation cherche une combinaison linéaire de colonnes de la matrice de Hankel pour prédire les trajectoires futures.
- Une régularisation est ajoutée (pénalité Ridge sur les coefficients et variable de relâchement sur les sorties passées) pour gérer le bruit et les conditions numériques, rendant le problème un Programme Quadratique (QP) convexe.
- Aucune estimation d'état ni observateur n'est nécessaire.
KMPC (Modèle de Koopman) :
- Utilise la théorie de l'opérateur de Koopman pour approximer la dynamique non linéaire par un système linéaire dans un espace de dimension supérieure (état relevé $z_k$ ).
- Le modèle est identifié via un réseau de neurones profond pour obtenir les matrices $(A_K, B_K, C_K)$ .
- Une formulation sans décalage (offset-free) est implémentée en augmentant l'état avec une perturbation de sortie constante, estimée par un filtre de Kalman.
- Le MPC standard est ensuite résolu sur ce modèle linéaire augmenté.

C. Configuration Expérimentale

Données : 4000 échantillons générés par le jumeau numérique avec des séquences d'excitation aléatoires.
Horizon : $T_{ini}=10$ (initialisation), $N=60$ (prédiction).
Objectif : Suivre une trajectoire de consigne pour $T_1$ tout en respectant les limites des actionneurs.
Métriques : Erreur quadratique moyenne (RMSE), coût de suivi, coût d'effort de commande (lissage), et consommation d'énergie.

3. Résultats Clés

Les résultats montrent que les deux méthodes sont capables de contrôler le procédé avec succès, mais avec des compromis distincts :

Précision de suivi : Les deux contrôleurs atteignent une précision de suivi comparable. L'erreur quadratique moyenne ( $e_{RMS}$ ) du DeePC est très proche de celle du KMPC (100,7 % par rapport au KMPC).
Comportement des actionneurs (Le compromis majeur) :
- KMPC : Produit un suivi plus « serré » par rapport au coût pondéré, mais avec des commandes plus agressives et des variations plus rapides.
- DeePC : Génère des trajectoires d'entrée nettement plus lisses. Le coût d'effort de commande ( $J_{\Delta u}$ ) du DeePC est réduit de 84 % par rapport au KMPC.
Coût de suivi pondéré : Le KMPC obtient un coût de suivi ( $J_y$ ) 2,2 fois meilleur que le DeePC. Cela indique que le DeePC sacrifie une partie de la précision immédiate du coût pondéré pour obtenir la douceur de commande.
Consommation d'énergie : La différence est modérée. Le DeePC consomme environ 7 % d'énergie de plus que le KMPC, car le coût d'énergie mesure l'amplitude moyenne (puissance du chauffage) et non la variation de la commande.

4. Contributions Principales

Comparaison directe : C'est l'une des rares études comparant tête-à-tête DeePC et KMPC sur un problème de contrôle de procédé multivariable complexe, en isolant l'effet de la représentation du modèle.
Formulation pratique du DeePC : L'article propose une formulation complète du DeePC régularisé, incluant la construction des matrices de Hankel, le choix des paramètres de régularisation et la gestion des contraintes, applicable aux systèmes multivariables.
Identification d'un compromis clair : La démonstration que le choix entre ces deux méthodes ne dépend pas de la capacité à suivre la consigne (les deux sont efficaces), mais de la priorité opérationnelle :
- Privilégier le KMPC si le suivi précis et rapide de la consigne est critique.
- Privilégier le DeePC si la réduction de l'usure des actionneurs, la stabilité du procédé et la douceur des commandes sont prioritaires.

5. Signification et Limites

Signification :
Cette étude fournit aux praticiens un guide décisionnel pour les applications de traitement thermique. Elle démontre que le DeePC, bien qu'absence de modèle explicite, peut offrir des avantages opérationnels significatifs (lissage des commandes) par rapport aux approches basées sur un modèle appris (Koopman), sans sacrifier la stabilité globale.

Limites et Travaux Futurs :

Absence de mécanisme sans décalage (offset-free) dans le DeePC : L'absence d'erreur statique observée dans les résultats est due à l'utilisation d'un simulateur sans bruit et sans désaccord modèle-plante. Sur un système réel, une extension pour gérer les perturbations constantes serait nécessaire.
Simulation uniquement : Les expériences ont été menées sur un jumeau numérique. Les auteurs prévoient de déployer ces contrôleurs sur une unité physique réelle pour valider la robustesse face au bruit de mesure et aux incertitudes du modèle.

En conclusion, l'article valide l'efficacité des deux approches data-driven pour la pasteurisation, mettant en lumière que le choix de l'architecture de contrôle doit être guidé par les objectifs spécifiques de l'application (précision vs douceur de commande).