Commande anticipatrice
multivariable pour procédés « batch ».
Application au compactage
isostatique à chaud de l’alumine
H.-F. Raynaud, C. Rizkallah, A. Vignes
L2TI/LIMHP, Université Paris-Nord, Villetaneuse
■ INTRODUCTION
Les procédés d’élaboration ou de transformation
discontinus (« batch ») traitent des produits
initiaux (matières premières, pièces) par lots.
Les caractéristiques du produit initial varient d’un
lot à l’autre, ce qui entraîne des variations de la
cinétique du processus de transformation. Si ces
variations sont suffisamment importantes et que
l’on ne corrige pas le cycle opératoire, le traitement
peut conduire à un produit final défectueux.
On montre qu’une commande par rétroaction est en
règle générale insuffisante pour rétablir la qualité
désirée du produit final. Si l’on dispose d’un modèle
du procédé réidentifiable en cours d’opération,
celui-ci peut être utilisé pour déterminer une
correction des variables opératoires permettant
d’amener les variables d’état du produit à une valeur
finale satisfaisante. Cet article propose, pour
calculer cette correction, une commande de type
anticipatrice (« feedforward ») fondée sur une
approximation linéaire du modèle du procédé, et de
ce fait considérablement plus simple et moins
gourmande en temps de calcul que les méthodes
classiques d’optimisation non linéaire, en particulier
dans le cas multivariable. À titre d’illustration,
cette technique est appliquée, en simulation, à la
conduite d’un procédé multivariable d’élaboration
des matériaux, le compactage isostatique à chaud
de la poudre d’alumine.
Les procédés industriels continus sont conçus pour fonctionner pendant de longues périodes autour d’un point de
fonctionnement fixe, correspondant à un état d’équilibre
du système et à une qualité satisfaisante du produit final.
Une fois atteint ce régime de fonctionnement stationnaire, la
conduite du procédé consiste à agir sur les variables opératoires pour compenser l’effet des perturbations et maintenir
le système à cet état d’équilibre.
Au contraire, dans un procédé discontinu (procédé
« batch »), où un produit initial est transformé en produit final
à l’issue d’un traitement de durée fixée, l’état du système
évolue en cours d’opération. La conduite classique, qui est
le mode opératoire généralement mis en œuvre pour de tels
systèmes, consiste à faire suivre aux variables opératoires
une trajectoire prédéterminée – le cycle opératoire nominal
– qui doit permettre d’obtenir la qualité désirée du produit
final. Ceci suppose évidemment que le procédé soit équipé
d’actionneurs permettant de contrôler avec la précision
requise les variables opératoires1. Ce cycle opératoire
nominal peut être déterminé soit empiriquement, soit à partir d’un modèle de référence, c’est-à-dire d’un modèle du
procédé préalablement validé expérimentalement2.
Si l’on dispose, en plus d’un modèle du procédé, de
mesures en ligne d’une ou plusieurs variables d’état du
produit, il est possible de substituer à la conduite classique
une conduite dite avancée. On utilise alors tout d’abord le
modèle pour calculer des trajectoires dites « de référence »
des différentes variables d’état du produit à partir des caractéristiques du produit initial. La trajectoire de référence, dans
la mesure où elle est engendrée à partir d’un modèle expérimentalement validé, représente des variations réalistes
1
Nous supposerons ici que ce premier problème de commande a
été préalablement résolu.
2
Manuscrit reçu le 20 juillet 2001, bon à publier le 5 octobre 2002.
© La Revue de Métallurgie 2002.
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
On se limitera ici au cas où le modèle du système se présente
sous la forme d’un système dynamique, c’est-à-dire d’un système
(plus ou moins complexe) d’équations différentielles ordinaires
reliant les différentes variables d’état du produit, et dépendant d’un
certain nombre de paramètres. Des modèles de ce type ont été
construits et validés pour un grand nombre de procédés d’intérêt
industriel ; ils présentent le double avantage de se prêter à un
certain nombre de manipulations mathématiques formelles et de
pouvoir être très facilement simulés par ordinateur en utlisant des
logiciels standard de calcul scientifique.
1081
Multivariable feedforward control
for batch processes. Application to
hot isostatic pressing of alumina
H.-F. Raynaud, C. Rizkallah, A. Vignes
L2TI/LIMHP, Université Paris-Nord, Villetaneuse
Batch processes transform batches of raw material
whose properties differ, leading to variations in the dynamics of the transformation process. If those variations are
important enough and the operating cycle is not modified,
this may lead to defective final products. It is shown that a
feedback control, as a general rule, would fail to restore
the desired quality of the final product. If a process model
which can be reidentified on-line is available, it can be
used to determine a correction of the process variables
enabling to drive the product state variables to a suitable
final value. In order to compute the correction, this article
proposes a feedforward control based on a linear approximation of the process model, and therefore significantly
simpler and less computation-intensive than classical
non-linear optimization methods, especially in the multivariable case. As an illustrative example, this method is
used to simulate a control action for hot isostatic pressing
of alumina powder, which is a multivariable elaboration
process.
Continuous industrial processes are designed to operate for long periods of time at a fixed set point associated to an equilibrium point and an adequate quality of
the final product. Once this stationary regime is reached,
the manipulated inputs are used to compensate the
effect of disturbances and to keep the system at the
required equilibrium point.
In contrast, in the case of a batch process where some
initial product is transformed into a final product through
an operation of fixed duration, the state of the system
evolves during processing. Conventional control, which
is the usual operating mode for such systems, the manipulated follows a prespecified trajectory, the recipe,
which is assumed to lead to the desired quality of the
final product. This obviously requires that the process
should be equipped with actuators enabling to control
the manipulated input with the requested accuracy. The
recipe can be determined either empirically, or through
a reference model, i.e. a process model which has been
previously validated.
If, in addition to a process model, on-line measurements
of some or all product state variables are available, one
can replace conventional control with so-called advanced control. In a first step, the model is used to compute
reference trajectories for the product state variables,
based on the properties of the initial product. Being
generated from an experimentally validated model, the
reference trajectory represents realistic variations of the
product state variables. One will act on the manipulated
1082
variables when occurs a tracking error between the
measured and reference trajectories.
The simplest advanced control is feedback control,
aiming at cancelling the tracking error before the end of
the operation. However, such a control, as a general
rule, would fail to cancel a tracking error resulting from a
variation of the parameters governing the dynamics of
the transformation process. This is because such a
variation can be shown to be equivalent to a non-zero
external disturbance acting on the differential equation
governing the closed-loop dynamics of the tracking
error, the effect of which could only be cancelled by
using (generally unacceptably) high feedback gain.
In such cases, a successful advanced control requires to
re-identify the process model from on-line measurements obtained during an initial stage of conventional
control ; the adjusted model is then used to determine
an appropriate correction of the manipulated inputs.
These two steps define respectively an identification
and a control problem.
Identification of a parametric model of dynamical system
from input-output data is a difficult problem for which
there exists no universal solution, but rather a whole
range of methods adapted to special situations. We refer
the interested reader to the tutorial work by E. Walter
and L. Pronzato (18). For the application considered in
this article, the identification of the model parameters
has been performed by minimizing the least-squares
error between experimental and simulated trajectories
of the one product variable for which on-line measurements were available ; this crude method turned out to
be quite effective in this particular case.
Once the model has been re-identified, one needs to
determine a new trajectory of the manipulated inputs
which enables to drive the tracking error to zero before
the end of the operation. This is a standard non-linear
control problem, which can be dealt within the framework of optimal control theory (see, e.g. (5)). Unfortunately, in order to compute the solution of such optimization problems, even in simple cases, one need to use
computation-intensive iterative algorithms, which may
be unsuitable for real-time implementation. Furthermore,
in the multivariable case, the complexity of the problem
increases at combinational speed with the number of
manipulated inputs and product state variable (on the
application of optimal control methods to batch processes, see, e.g., (9, 16)).
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
It is sometimes possible to greatly reduce the complexity
of the optimization problem by imposing a particular
form to the manipulated input trajectories, such as
plateaux or ramps. This kind of optimization with
constraints has been applied to hot isostatic pressing
(HIP) of a metal powder (Astroloy) (13-15). This process
features only one manipulated input, the temperature,
and one product state variable, the relative density of the
compact. In this case, one can without inconvenience
consider only new plateaux, thereby reducing the optimal control problem to the optimization of a function of
one variable, which can be solved using a standard iterative minimization algorithm compatible with real-time
constraints. However, this approach cannot be extended
to the general multivariable case where no a priori form
can be imposed on the manipulated inputs’ trajectories.
An alternative method, which can be applied to a large
class of multivariable processes, is to drive the tracking
error towards zero using a feedforward control derived
from a time-varying linear approximation of the dynamics of the system. This technique has been proposed
in (12) and applied to HIP of Astroloy ; it relies on linear
control engineering methods, which are far simpler
than non-linear optimization both from the mathematical standpoint and in terms of implementation. The
purpose of this article is to illustrate how this method
can easily be used to control multivariable batch processes, especially in the field of materials where variations in the properties of the initial product lead to
important variations in the process dynamics. For this
purpose, it is applied here to the control (in simulation)
of HIP of alumina powder.
des variables d’état du produit. On agit sur les variables opératoires quand apparaît une erreur de poursuite, c’est-à-dire
un écart entre les trajectoires mesurées et les trajectoires de
référence des différentes variables d’état du produit.
La conduite avancée la plus facile à mettre en œuvre est la
commande par rétroaction (« feedback control »), avec
comme objectif d’annuler l’erreur de poursuite avant la fin du
cycle opératoire. Cependant, une telle commande, pour des
raisons qui seront expliquées en détail au paragraphe
« Principe de la commande anticipatrice multivariable », ne
permet généralement pas de réduire une erreur de poursuite résultant d’une variation des paramètres gouvernant la
cinétique des processus de transformation.
Pour mettre en œuvre une conduite avancée dans de telles
situations, il sera nécessaire de réidentifier le modèle du
procédé à partir des mesures en ligne (obtenues pendant
une phase initiale où le processus est conduit de manière
classique), puis d’utiliser le modèle ainsi réajusté pour déterminer une correction appropriée des variables opératoires.
Ces deux étapes successives correspondent donc respectivement à un problème d’identification et à un problème de
commande.
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
HIP enables to elaborate metal or ceramic components
out of powder canisters filled under vacuum, which are
then submitted under isostatic pressure to conditions of
high temperature and pressure, in order to obtain a final
product of a given shape and density close to or equal
with the theoretical density of compact solid, and to
controlled microstructure (grain size). The densification
of alumina powder during HIP involves grain growth,
which can be detrimental to the mechanical properties
of the final product. Thus, two product state variables,
density and grain size, characterize the product state
during densification. The two manipulated inputs are the
temperature and pressure applied to the canister. This
defines a multivariable system with two inputs and two
outputs. Two different batches of alumina powder can
result in very different densification and grain growth
dynamics. Also, a model made of two coupled non linear
differential equations, is available for this system ; while
simple, it allows very accurate prediction of the system’s
behaviour.
This multivariable HIP model, while relatively simple, is
highly non-linear, and features an important dissymmetry in the respective influences of the two manipulated
inputs and a discontinuity in the densification equations.
It is therefore representative of several difficulties which
can be encountered with more complex processes.
Nevertheless, the feedforward control method is able to
coordinate in a coherent fashion the actions of the two
manipulated inputs in order to compensate the effect of
a significant variation of the powder’s properties. Also,
due to a low-pass filter imbedded into the control algorithm, the resulting trajectories of the manipulated inputs
feature neither hectic variations nor oscillations.
L’identification d’un modèle paramétrique de système dynamique à partir de données d’entrée-sortie est un problème
difficile, pour lequel il n’existe pas de solution générale, mais
toute une gamme de techniques ayant chacune leurs indications et contre-indications spécifiques. Une présentation
argumentée de ces techniques dans le cadre très général
des modèles de procédés « batch » déborderait nécessairement du cadre de cette introduction (nous renvoyons le
lecteur intéressé à l’ouvrage de synthèse de E. Walter et
L. Pronzato (18)). Pour l’application présentée ici, l’identification des paramètres du modèle a été réalisée en minimisant l’écart (au sens des moindres carrés) entre les trajectoires expérimentale et simulée de la variable d’état du
produit pour laquelle on disposait de mesures en ligne ;
cette méthode simple s’est révélée dans ce cas particulier
parfaitement efficace.
Une fois le modèle réidentifié, il reste à déterminer une nouvelle trajectoire des variables opératoires qui permettra de
réduire à zéro l’erreur de poursuite à la fin du cycle opératoire. Il s’agit là d’un problème standard d’automatique non
linéaire, qui peut être traité dans le cadre de la théorie de la
commande optimale (voir par exemple (5)). Malheureusement, la résolution effective de tels problèmes d’optimisa1083
compactage isostatique
tion, même dans des cas simples, requiert des algorithmes
itératifs extrêmement gourmands en temps de calcul, ce qui
peut rendre leur utilisation problématique dans un contexte
« temps réel ». En outre, dans le cas des procédés multivariables, la complexité de la tâche augmente à vitesse
combinatoire avec le nombre de variables opératoires et de
variables d’état du produit (sur l’application de méthodes de
commande optimale à la conduite de procédés « batch »,
voir par exemple (9, 16)).
Il est cependant parfois possible de réduire considérablement la complexité du problème d’optimisation en se restreignant à une forme particulière des trajectoires des variables
opératoires, comme des paliers ou des rampes. Ce type
d’optimisation avec contraintes sur la forme de la trajectoire
de commande a été étudiée et mise en œuvre dans le cadre
du compactage isostatique à chaud (CIC) d’une poudre
métallique (Astroloy) (13-15). Ce procédé comporte une seule
variable opératoire, la température, et une seule variable
d’état du produit, la densité relative de la poudre. En outre, on
peut simplifier sans inconvénient la replanification en se limitant à la recherche d’un nouveau palier de température. Le
problème d’optimisation correspondant se réduit alors à la
minimisation d’une fonction d’une seule variable, et peut être
résolu en utilisant une procédure itérative classique de
recherche du minimum d’une fonction non linéaire, pour un
coût en temps de calcul compatible avec les contraintes du
temps réel. Toutefois, cette approche n’est pas transposable
au cas général d’un procédé multivariable, pour lequel on ne
saurait pas imposer, a priori, une forme particulière adéquate
des trajectoires des variables opératoires.
Une technique alternative, applicable au contraire à une large
classe de procédés multivariables, consiste à faire tendre vers
zéro l’erreur de poursuite en utilisant une commande dite
anticipatrice (« feedforward control ») obtenue à partir d’une
approximation linéaire variable dans le temps de la dynamique du système. Cette procédure, proposée dans (12) et
appliquée également à la conduite du CIC de l’Astroloy,
repose sur des techniques d’automatique linéaire, beaucoup
plus simples que les techniques d’optimisation non linéaire à
la fois du point de vue mathématique et pour ce qui est de leur
mise en œuvre pratique. L’objectif de cet article est de montrer comment cette procédure peut être facilement utilisée
pour la conduite de procédés discontinus multivariables,
notamment dans le domaine de l’élaboration des matériaux
où des variations des caractéristiques du produit de départ
induisent des variations importantes des cinétiques de transformation. Pour ce faire, nous l’avons appliquée, en simulation, à la conduite d’une opération de CIC d’un matériau céramique, en l’occurrence une poudre d’alumine.
Le CIC permet d’élaborer des pièces métalliques ou céramiques à partir de poudres. Le procédé consiste à soumettre
une capsule remplie sous vide de poudre à un traitement thermique à haute température, sous pression isostatique, de
manière à obtenir un matériau de forme donnée, de densité
proche de ou égale à la densité théorique du matériau compact et de microstructure contrôlée (taille de grains). La densification d’une poudre d’alumine micronique au cours d’un
cycle de CIC s’accompagne d’une croissance granulaire qui
1084
peut être préjudiciable pour les caractéristiques mécaniques
du produit final. Deux variables d’état du produit, la densité et
la taille de grains, caractérisent donc l’état du produit en cours
de densification. Les deux variables opératoires sont la température et la pression appliquées à l’intérieur du réacteur.
On est ainsi en présence d’un système multivariable à deux
entrées et deux sorties.
Par ailleurs, d’un lot de poudre à l’autre, la cinétique de densification et de croissance des grains peut varier considérablement. Elle dépend notamment de la présence d’impuretés ségrégeant à la surface des particules ou des joints de
grains. Inversement, on ajoute des additifs en très faible
quantité pour modifier ces cinétiques. Enfin, on dispose pour
ce procédé d’un modèle relativement simple, car constitué
de deux équations différentielles non linéaires couplées,
mais néanmoins d’une grande efficacité prédictive. Ce
modèle et sa validation expérimentale seront décrits en
détails au paragraphe « Identification des modèles de densification …… du CIC de l’alumine ».
■ PRINCIPE DE LA COMMANDE
ANTICIPATRICE MULTIVARIABLE
Nous présentons dans ce paragraphe le principe de la commande anticipatrice multivariable, en utilisant comme
exemple le CIC de l’alumine. (Nous renvoyons le lecteur à
(12) pour le traitement détaillé des cas plus généraux.)
Le problème de commande
Dans le cas du CIC, les deux variables d’état du produit sont
la densité relative D et le rayon moyen des grains R, et les
deux variables opératoires la température T et la pression P
appliquées à l’intérieur du réacteur. Considéré comme un
système dynamique multivariable, ce procédé aura donc
comme entrée de commande le vecteur :
[1]
et comme sortie à commander le vecteur :
[2]
Le modèle du CIC de l’alumine, qui sera décrit et justifié en
détails dans le paragraphe « Identification des modèles de
densification …. du CIC de l’alumine » du présent article, est
constitué de deux équations différentielles non linéaires
donnant les vitesses d’évolution de D et de R, et peut donc
être mis sous la forme :
[3]
Les fonctions ƒ1 et ƒ2 définissent entre les variables opératoires P,T et les vitesse d’évolution des variables d’état du
produit D,R, des relations dépendant des mécanismes mis
en jeu au cours du compactage, et dans lesquelles figurent
des grandeurs (paramètres) caractéristiques de la poudre
utilisée, comme par exemple les énergies d’activation des
processus mis en jeu.
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
compactage isostatique
On désignera par ƒr la fonction ƒ correspondant aux caractéristiques d’un lot antérieur du produit, et par ƒi celle obtenue par identification pour le lot de produit à transformer.
Comme cela a été indiqué plus haut, l’identification avec une
précision suffisante des paramètres caractéristiques de ƒi
est un préalable absolument primordial pour la mise en
œuvre de la conduite avancée proposée ici.
On désigne par ur le cycle opératoire nominal, constitué par
un cycle de pression et un cycle de température spécifiés
pour un temps de traitement 0 ≤ t ≤ tF :
[4]
l’équation qui gouverne l’évolution de l’erreur de poursuite.
Plus précisément, d’après la définition de d et [8], on a :
[10]
~
~
À condition que les écarts y et u restent suffisamment petits
tout au long du cycle opératoire, on peut remplacer cette
équation par l’approximation linéaire :
[11]
où ∂ƒi/∂u et ∂ƒi/∂y ont les matrices jacobiennes qui mesurent la sensibilité des cinétiques d’évolution des variables
d’état du produit à des incréments soit des variables opératoires, soit des variables d’état elles-mêmes :
En appliquant ce cycle opératoire au modèle de référence,
et pour les conditions initiales D r (0) = D (0) et R r (0) = R (0)
supposées connues, on obtient une trajectoire de référence
yr, solution à chaque instant du cycle de l’équation :
[5]
Dans le cas où l’évolution du système n’est pas gouvernée
par le modèle de référence, autrement dit où ƒi ≠ ƒr, l’application du cycle opératoire nominal se traduit par l’apparition
d’une erreur de poursuite, c’est-à-dire un écart entre y et y r.
Le problème de commande consiste alors à déterminer une
correction à apporter au cycle opératoire nominal qui ramènera l’erreur de poursuite à zéro avant la fin du traitement.
Afin de formaliser plus commodément ce problème, on note
~
~
respectivement y et u l’erreur de poursuite et la correction à
apporter au cycle opératoire nominal, soit :
[12]
[13]
C’est l’équation [11] qui va être maintenant utilisée pour
~
construire une commande u permettant de ramener l’erreur
~
de poursuite y vers zéro.
Commande par rétroaction
La technique de commande avancée la plus simple consiste
en un retour d’état linéaire de la forme :
[14]
où K est une matrice de gains de rétroaction. En reportant
~
~
le retour d’état u = - Ky dans [11], on obtient alors :
[15]
[6]
[7]
Avec ces notations, l’équation d’évolution de l’erreur de
poursuite devient :
[8]
Introduisons maintenant un nouveau vecteur, noté d, qui
représente la différence entre les vitesses d’évolution de y
prédites par les fonctions ƒi et ƒr, évaluées toutes les deux
le long de la trajectoire de référence :
[9]
Puisque ur et yr ont connus à l’avance, le vecteur de vitesses
ƒi (ur, y r), et donc d, peuvent être calculés dès que les
paramètres de la fonction ƒi ont été identifiés. Bien que d n’ait
pas de sens physique directement évident, on peut traiter
cette variable comme une perturbation (connue) agissant sur
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
Une conséquence immédiate de cette équation est que
~
l’erreur de poursuite y ne peut converger vers zéro qu’à
condition que d soit nul. Cela signifie, a contrario, qu’une
~
commande par retour d’état ne réussira pas à faire tendre y
vers zéro quand d est non nul, c’est-à-dire quand le modèle
de référence ƒr le modèle identifié ƒi correspondent à des
cinétiques différentes. On peut évidemment objecter qu’il
sera alors toujours possible sinon d’annuler l’erreur de
poursuite, du moins de la rendre arbitrairement petite en
choisissant un gain de rétroaction K suffisamment grand.
Cependant, une commande à grand gain risque fort d’entraîner une sensibilité inacceptable de la commande aux
bruits de mesure et aux dynamiques négligées par la modélisation.
Commande anticipatrice
Une commande par rétroaction étant inadéquate quand
d ≠ 0, c’est-à-dire quand ƒi ≠ ƒr, une manière simple de
~
ramener y à zéro est alors d’appliquer la commande :
[16]
1085
compactage isostatique
~
En insérant cette valeur de u dans [11], on obtient une
équation d’évolution de l’erreur de poursuite indépendante
de d, en l’occurrence :
[17]
La question est évidemment de savoir à quelles conditions
cette commande permettra de ramener l’erreur de poursuite
à zéro avant la fin du cycle opératoire. L’équation différentielle autonome [17] définit un système linéaire variable dans
~
le temps, qui admet comme solution particulière y = 0. La
solution générale de cette équation (6) s’écrit :
[18]
où la matrice de transition ϕ est définie (6) comme la solution unique de l’équation différentielle matricielle :
[19]
L’objectif de commande sera atteint à condition que la
matrice de transition ϕ tende vers zéro. On dit alors que
~
y = 0 est une solution stable de [17]. Si l’on veut obtenir une
garantie mathématique de bon fonctionnement de la com~
mande anticipatrice, il faudra donc vérifier que y = 0 est une
solution stable de [17] en calculant ϕ soit analytiquement,
soit par intégration numérique.
On peut toutefois affirmer que cette propriété de stabilité a
de fortes chances d’être vérifiée dans le cas où la trajectoire
de référence yr est une solution stable de l’équation [5], ce
qui est une condition sine qua non pour pouvoir utiliser une
conduite classique. En effet, dans ce cas, la matrice de transition ϕr, solution de :
[20]
augmente de manière combinatoire avec le nombre de
variables opératoires disponibles, et qui constitue la principale difficulté intrinsèque des procédés multivariables. Cette
solution a cependant l’inconvénient de reposer sur une
approximation linéaire locale qui peut très bien se révéler
~ ~
trop grossière si y , u et d sont grands. En pratique, cela
signifie que cette procédure de conduite avancée ne pourra
être appliquée que dans le cas où l’écart entre les cinétiques
correspondant à ƒr et à ƒi n’est pas trop important, de sorte
qu’on puisse ramener le procédé sur la trajectoire de référence sans modifier de façon qualitative le cycle opératoire.
Commande anticipatrice avec filtre
de robustesse
La commande anticipatrice définie par [16] provoquera à l’instant où elle sera appliquée une variation brutale, et qui peut
être importante, de l’entrée u. En outre, elle sera fortement
sensible aux inévitables erreurs de calcul qu’impliquent l’évaluation et l’inversion de la matrice jacobienne ∂ƒi/∂u, notamment au passage de points où ƒi n’est pas différentiable.
Une manière simple de palier ces inconvénients est de
~
contraindre les différentes coordonnées de u à se comporter comme les sorties de filtres de type passe-bas. Ceci aura
pour effet, en moyennant les erreurs et les accidents de calcul, de faire suivre aux variables opératoires des trajectoires
« lissées », et d’éviter ainsi d’importunes sollicitations hautes
fréquences des actionneurs du procédé.
On utilisera ici les filtres passe-bas les plus simples, à savoir
des filtres linéaires du premier ordre de gain statique unitaire et de constante de temps τ > 0. Ceci revient à prendre
comme entrée de commande un nouveau vecteur e, dont
~
les coordonnées gouverneront celles de u à travers les
équations :
converge vers zéro. Il est alors raisonnable de supposer que
les matrices de transition ϕ et ϕr ont un comportement semblable quand les modèles ƒi et ƒr correspondent à des cinétiques qualitativement similaires3.
[21]
[22]
L’équation [16] définit une commande dite anticipatrice, en
anglais « feedforward control » (par opposition au « feedback control », la commande par rétroaction). Comme il a
été indiqué plus haut, la matrice jacobienne ∂ƒi/∂u(ur, yr) qui
apparaît dans cette expression mesure la sensibilité de la
cinétique d’évolution des variables d’état du produit à des
incréments positifs ou négatifs des variables opératoires. La
commande anticipatrice utilise cette information pour coordonner le plus efficacement possible l’action des différentes
variables opératoires.
L’introduction de ces filtres aura en règle générale pour autre
conséquence de ralentir la convergence de l’erreur de pour~
suite y vers zéro, et ce d’autant plus que la constante de
temps τ sera grande.
L’intérêt de cette méthode est qu’elle fournit une solution très
simple de ce problème de coordination, dont la complexité
[23]
3 Dans le cas où la matrice de transition ϕ ne convergerait pas
suffisamment vite vers zéro, on peut accélérer la convergence de
l’erreur de poursuite vers zéro en ajoutant à la commande anticipatrice un terme de rétroaction convenablement choisi (12).
1086
Le problème de commande anticipatrice se trouve maintenant transformé : il s’agit de déterminer non plus directe~
ment u , mais le vecteur e des entrées des filtres passe-bas
~
de manière à faire tendre l’erreur de poursuite y vers zéro.
Cette commande s’avère être de la forme :
où G est une matrice de gain variable dans le temps qui
est obtenue en résolvant un système explicite d’équations
différentielles matricielles dépendant de d et de la matrice
de sensibilité ∂ƒi/∂u(ur, yr) (voir l’Annexe pour le détail des
calculs).
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
compactage isostatique
Contrairement à une commande par rétroaction du type
[14], la commande anticipatrice ne dépend pas de la sortie
mesurée y. Comme le cycle opératoire nominal ur et la trajectoire de référence yr sont connues à l’avance, les valeurs
~
futures de u peuvent être calculées dès que le modèle ƒi a
été identifié. La modification du cycle opératoire correspondant à l’action anticipatrice peut par conséquent être calculée à l’avance puis stockée telle quelle dans le calculateur
du procédé. On peut donc appliquer ce type de commande
en utilisant le même interface de commande et de mesure
du procédé que celui nécessaire à la conduite classique, ce
qui constitue un avantage pratique appréciable dans certaines applications.
En outre, à la différence d’un certain nombre d’algorithmes
de commande non linéaire, cette procédure ne requiert
aucune manipulation algébrique de ƒi et ƒr. En pratique, il
suffit de disposer de la trajectoire du couple (ur, yr) et d’un
code informatique qui permette d’évaluer ƒi(u, y) pour différentes valeurs de u et y. Tous les calculs nécessaires peuvent être facilement programmés et réalisés en temps réel
en utilisant des logiciels de calcul standard. Les simulations
présentées dans cet article ont ainsi été réalisées avec
Matlab/Simulink.
Comme il a été indiqué plus haut, la procédure de conduite
anticipatrice décrite ici ne peut être appliquée qu’à partir
du moment où le modèle du procédé a été correctement
réidentifié. En pratique, on doit donc continuer à appliquer
le cycle opératoire nominal jusqu’au moment où l’on aura
récolté une quantité suffisante de mesures. Il est clair
qu’une telle procédure implique de négocier un compromis
qui peut être difficile : plus la commande anticipatrice sera
appliquée tôt, moins les variables d’état du produit se seront
écartées de la trajectoire de référence, et plus on aura de
chances d’obtenir un produit final satisfaisant ; d’un autre
côté, ménager un trop court délai pour l’identification risque
de se traduire par des paramètres mal estimés, et donc une
conduite anticipatrice défectueuse.
■ IDENTIFICATION DES MODÈLES DE
DENSIFICATION ET DE CROISSANCE
GRANULAIRE DU CIC DE L’ALUMINE
Une étude exhaustive du CIC de l’alumine a été réalisée
par C. Rizkallah, en utilisant l’installation du Laboratoire des
propriétés mécaniques et thermodynamiques des matériaux
(LPMTM) à Villetaneuse (14, 15). Celle-ci est équipée
d’un capteur dilatométrique qui fournit une mesure en ligne
de la variation d’une dimension (hauteur) de la capsule.
L’isotropie de la contraction des capsules a été vérifiée
expérimentalement. Connaissant la densité initiale préalablement mesurée de la capsule, on peut donc déduire de
cette mesure la variation de la densité au cours du compactage. L’analyse détaillée de la procédure de traitement de
l’information du capteur est présentée dans (15). On ne
dispose par contre d’aucune mesure en ligne de la taille des
particules élémentaires, caractérisée par leur rayon R.
Un cycle de CIC, tel que celui utilisé dans cette étude, comporte cinq étapes (fig. 1) :
1) le remplissage d’une capsule, avec un premier tassement
par compression axiale, puis fermeture de la capsule
sous vide ;
2) une compression isostatique à froid ;`
3) une rampe de montée en température et pression ;
4) un palier de température et de pression ;
5) une rampe de retour à froid et à la pression atmosphérique.
Figure 1 –
Cycle opératoire
typique de CIC.
Figure 1 –
Typical HIP
operating cycle.
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
1087
compactage isostatique
La poudre d’alumine utilisée, fournie gracieusement par la
société Baïkowski Chimie, est constituée de phase α. Elle
est fine et peu agglomérée : selon la distribution granulométrique déterminée par le fournisseur, le rayon moyen des
agglomérats est de l’ordre de 0,58 µm, le rayon d’une particule élémentaire, déduit de la surface spécifique du lot de
poudre (BET), est quant à lui égal à 0,215 µm ((14), page
108).
du joint de grain δ par le coefficient de diffusion aux joints
de grains Djg. Le coefficient δDjg est donné par la loi
d’Arrhénius :
La densité relative Di atteinte après remplissage, pour nos
capsules, est de l’ordre de 0,55. La densité Dcf atteinte
après la compression à froid, à des pressions de l’ordre de
90 MPa, est de 0,6. Dans cette deuxième étape, la densification se produit par destruction des agglomérats et réarrangement par glissement des particules les unes sur les
autres. Au cours de l’étape suivante, la rampe de température et de pression, la densification se poursuit par le même
processus jusqu’à T = 850°C, par suite de l’augmentation de
pression correspondante (de 140 à 200 bars suivant les
essais), pour atteindre une densité de l’ordre de 0,65.
Au-delà de 850°C, la densification se poursuit par un des
processus classiques décrits plus loin.
La distinction nette de deux étapes de densification avec
des équations différentes est une commodité pour la modélisation, et la valeur de densité de transition, 0,92, est relativement arbitraire. Dans la réalité, le passage entre la porosité ouverte (stade 1) et la porosité fermée (stade 2) est
progressif. Certains auteurs ont d’ailleurs proposé une formule pour décrire une transition douce entre les deux équations (1, 3). Toutefois, nous avons constaté dans toutes nos
simulations que les vitesses de densification prédites par
ces deux expressions étaient quasi identiques au voisinage
de la densité de transition 0,92 ((14), p. 126-127). En conséquence de quoi, il nous est apparu inutile de compliquer le
modèle en ménageant une transition douce entre les deux
stades, d’autant plus que, comme il a été indiqué plus haut,
une des caractéristiques spécifiques de l’algorithme de
commande anticipatrice proposé dans cet article est précisément une bonne tolérance de telles transitions.
De nombreuses études (4, 7, 11, 17) ont été effectuées sur
le CIC de l’alumine. Les résultats relatifs à la cinétique de
densification sont interprétés à l’aide de modèles faisant
appel à différents processus de densification : fluage, fluage
contrôlé par réaction d’interface, diffusion aux joints de
grains. Les cartes de densification de Artz, Ashby et
Easterling (1) et Helle, Ashby (2), Ashby et Easterling (10),
pour une poudre d’alumine de haute pureté (> 99,5 %) et
de rayon moyen de particule R = 1,25 µm indiquent le
domaine de température et de pression dans lequel la diffusion aux joints de grains et le fluage sont prépondérants.
Uematsu et al (17) ont quant à eux étudié la densification
par CIC de quatre poudres d’alumine de tailles de particule
différentes (de R = 0,25 µm pour une poudre présentant
des agglomérats jusqu’à R = 2,14 µm pour une poudre sans
agglomérats) dans des intervalles de température et de
pression allant de T = 1 100°C à T = 1 400°C et de P =
5 MPa à P = 200 MPa. Ils ont montré que la diffusion aux
joints de grains était le processus prépondérant dans ce
domaine de température et de pression.
Modèle de densification
et de croissance granulaire
Le modèle de densification proposé par Ashby et al., où la
diffusion aux joints de grains est le processus prédominant
pendant le palier, combine deux expressions distinctes pour
D < 0,92 (stade 1) et D > 0,92 (stade 2) :
[26]
où Qjg est une énergie d’activation de la diffusion et δDojg un
facteur pré-exponentiel.
On remarque que la cinétique de densification par diffusion
dépend fortement de la taille de grain R. Il est donc nécessaire de tenir compte de la croissance granulaire si l’on veut
prédire correctement la variation de la densité. Ce phénomène de grossissement de grain se manifeste à partir d’une
densité relative d’environ D = 0,8 et devient important durant
le stade 2 (2).
Différents modèles de croissance granulaire ont été proposés dans la littérature. Ce phénomène très complexe est
influencé par plusieurs facteurs, dont la température, la
pression, la porosité et les impuretés qui altèrent la mobilité
des joints de grains. Nous avons établi un modèle simple qui
prend en compte uniquement le phénomène d’ancrage des
joints de grain par les pores, en admettant que ceux-ci ont
une distribution volumique uniforme. Celle formule a été validée expérimentalement, les tailles des grains étant déterminées par microscopie électronique à balayage ((14), pages
116-118). On obtient alors :
[27]
Dans cette expression, Γjg est l’énergie du joint de grains et
Mjg sa mobilité, donnée par :
[24]
[25]
Dans ces expressions, Ω est le volume molaire du matériau
(soit pour l’alumine Ω = 1,42.10-29 m3/atome), k la
constante des gaz parfaits et δDjg le produit de l’épaisseur
1088
[28]
où Mojg est un facteur pré-exponentiel et Q*jg une énergie
d’activation de la mobilité des joints de grain.
En combinant les équations [24] à [28], on obtient bien un
•
modèle de la forme y = ƒ(u, y), avec :
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
compactage isostatique
TABLEAU I – Densités mesurées lors des deux essais utilisés
pour l’identification.
TABLE I – Densities measured during the two tests used
to calibrate the model.
[29]
[30]
Pression de palier (MPa)
1000
1100
Température de palier (°C)
210
160
Temps de palier (min)
840
360
0,689
0,568
Densité initiale
[31]
Identification des paramètres
gouvernant les cinétiques
Pour l’identification, quatre paramètres doivent être déterminés : Qjg, Q*jg, δDojg et ΓjgMojg. Sachant que l’énergie d’activation de croissance des grains Q*jg est du même ordre que
celle de la diffusion aux joints de grain (8, 19), on prend Q*jg
= Qig. On peut réduire encore le nombre de coefficients à
identifier en utilisant la valeur de Qjg déterminée dans (17),
soit Qjg = 390 kJ/mole – valeur comparable à celle utilisée
par Ashby, à savoir Qig = 419 kJ/mole. Restent alors à déterminer les deux coefficients pré-exponentiels δDojg et ΓjgMojg,
qui dépendent de la nature de la poudre et des impuretés
présentes (4). Afin de formaliser plus commodément ce problème, on désigne par θ le vecteur des paramètres à identifier, soit :
[32]
L’identification de ces paramètres a été réalisée à partir de
deux courbes expérimentales de densification correspondant à deux paliers de température et de pression, soit T =
Densité au palier (dilatomètre)
0,872
0,77
Densité finale (dilatomètre)
0,9335
0,973
Densité finale (Archimède)
0,93
0,977
1 000°C - P = 210 MPa et T = 1 100°C - P = 160 MPa. On
dispose des mesures en ligne, et donc des courbes d’évolution, de la densité D (obtenues par dilatométrie) tout au long
de ces deux paliers, ainsi que des mesures de la densité
finale par pesée d’Archimède (tabl. I). Par contre, comme
indiqué précédemment, on ne dispose pas de mesures en
continu de la variation de la taille des grains. L’identification
du paramètre caractéristique ΓjgMojg de la cinétique de densification est néanmoins possible, car la vitesse de densification dépend fortement de la taille de grains, et donc de ce
paramètre.
La détermination de θ a été réalisée en minimisant l’écart,
au sens des moindres carrés, entre les deux courbes de
densification expérimentales et les courbes obtenues par
intégration numérique des équations différentielles du
modèle, en prenant comme condition initiale la densité
atteinte en début de palier. Comme la taille de grains au
début du palier n’est pas connue, on choisit, pour l’identification, de ne faire démarrer le mécanisme de croissance
granulaire qu’à partir de D = 0,83. L’écart quadratique à
ex
ex
minimiser, en notant D 1 et D 2 les deux courbes expérimen-
Figure 2 – Courbes de densification expérimentale (trait plein) et
du modèle identifié (trait pointillé) pour un palier à P = 160 MPa
et T = 1 100°C.
Figure 2 – Experimental densification trajectory (solid line) and
densification trajectory generated by the identified model (dashed line)
for a plateau at P = 160 MPa and T = 1 100°C.
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
1089
compactage isostatique
tales, D1θ et D2θ les courbes simulées correspondant à une
valeur donnée de θ, est alors :
[33]
où les ti,k sont les instants de mesure disponibles pour l’essai i. En utilisant un algorithme itératif de minimisation d’une
fonction multivariable (en l’occurrence la fonction standard
fmins de Matlab), on détermine la valeur des paramètres qui
minimise J. On obtient ainsi comme valeur optimale :
[34]
On constate que la valeur identifiée de δDojg est très proche
de celle obtenue dans (17), à savoir δDojg = 3,3.10–11 m3/s.
On ne dispose par contre d’aucun élément de référence
pour ΓjgMojg.
La figure 2 présente une des courbes expérimentales et la
courbe de densification calculée par le modèle avec θ = θ*.
L’accord entre le modèle et l’expérience s’avère tout à fait
satisfaisant, compte tenu des incertitudes liées à la procédure de mesure dilatométrique.
En ce qui concerne le modèle de grossissement de grains,
la taille de grain prédite par le modèle a été comparée aux
tailles de grain mesurées par examen au microscope4 de la
microstructure de l’échantillon à la fin de plusieurs essais
correspondants à différents paliers de température et de
pression. Les résultats sont présentés dans le tableau II, et
montrent un accord satisfaisant entre les données expérimentales et les prévisions.
On verra plus loin que l’identification de θ peut être effectuée
à partir des mesures en ligne effectuées pendant un seul
essai.
TABLEAU II – Tailles de grain mesurées et calculées par le
modèle estimé lors des deux essais utlisés pour l’identification.
TABLE II – Calculated and measured grain sizes in the case
of the two tests used to calibrate the model.
Pression de palier (MPa)
1 000 1 100
Température de palier (°C)
210
160
Rayon final calculé (µm)
0,25
0,43
Rayon final mesuré (µm)
0,29
0,42
■ CONDUITE AVANCÉE DU CIC DE L’ALUMINE
La procédure de conduite avancée décrite au paragraphe
« Principe de la commande anticipatrice multivariable » de
cet article a été mise en œuvre et validée sur une installation de CIC, équipée d’un dispositif de mesure en ligne de la
4
et plus précisément par comptage des joints de grains sur une
grille le long de lignes parallèles.
1090
densité, et sur une poudre d’Astroloy. Dans cette application, après avoir procédé à l’identification en ligne du paramètre δDoig du modèle de densification, on utilisait une
seule variable opératoire, la température, pour obtenir une
densification complète en fin de cycle. En effet, dans le cas
de l’Astroloy, le processus dominant de densification est le
fluage, qui ne dépend pas de la taille de grains. De plus, la
taille de grains n’est pas une grandeur que l’on cherche à
contrôler pour ce matériau.
Dans le cas du compactage de l’alumine, comme on l’a vu
plus haut, la taille de grains influence fortement la densification. De plus, on cherche à contrôler (en l’occurrence à minimiser) la croissance granulaire de façon à garantir les caractéristiques mécaniques du produit densifié. Le contrôle
simultané des deux variables d’état du produit que sont la
densité D et la taille de grains R nécessite une conduite en
température et en pression. Comme l’installation de CIC dont
nous disposons ne permet, en l’état actuel, qu’une conduite
en température, il n’a pas été possible de mettre en œuvre
réellement la procédure de conduite avancée. Seules des
simulations ont été effectuées et sont présentées ci-dessous.
Du point de vue de la conduite avancée, une caractéristique
très importante du modèle décrit au paragraphe précédent
est que les mêmes paramètres, à savoir les coefficients préexponentiels δDojg et ΓjgMojg, gouvernent la cinétique du procédé au cours des deux stades D ≥ 0,92, alors même que
les lois de densification correspondantes diffèrent. Ceci a
comme conséquence que les valeurs des paramètres identifiées au début du palier, donc pendant le stade 1, pourront
être utilisées pour prédire l’évolution de la densité et de la
taille de grains pendant le stade 2.
D’autre part, le modèle indique que les influences des deux
variables opératoires, la pression et la température, sont
très différentes. L’effet de la pression est qualitativement
simple : une augmentation de P accroît la vitesse de densification, mais n’accélère pas la croissance granulaire. Une
augmentation de T se traduit initialement par une accélération à la fois de la densification et de la croissance granulaire, mais ce grossissement accéléré des grains va ensuite
ralentir la densification. Enfin, on constate que la sensibilité
de la cinétique de densification aux variations de température est beaucoup plus importante que sa sensibilité à des
variations de pression.
En pratique, cela signifie que la pression constitue une
variable de commande beaucoup plus simple à mettre en
œuvre que la température, parce que son effet est plus
facile à prévoir ; d’un autre côté, la température a une action
beaucoup plus prononcée, mais également beaucoup plus
délicate à doser en raison de ses effets contradictoires sur
la densification et la croissance granulaire.
Le modèle du CIC, avec les valeurs des paramètres validés
expérimentalement et décrits au paragraphe précédent, est
tout d’abord utilisé comme modèle de référence afin de
déterminer un cycle opératoire nominal adapté. Pour ce
faire, on prend donc pour ƒr l’expression de ƒ correspondant
à θr = θ*, soit δDojg = 2,64.10-11 m3/s et ΓjgMojg = 7.10-3 m2/s,
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
compactage isostatique
Figure 3 –
Cycle opératoire
nominal.
Figure 3 –
Nominal operating
cycle.
Figure 4 –
Trajectoires de
référence D r et
R r pour le cycle
opératoire nominal).
Figure 4 –
Reference
trajectories D r
et R r (nominal
operating cycle).
et comme conditions initiales D(0) = 0,65 et R(0) =
0,215 µm. Le cycle opératoire recherché doit permettre
d’obtenir une densité finale proche de l’unité, sans pour
autant conduire à un grossissement exagéré du grain.
Le cycle opératoire nominal sélectionné est représenté sur
la figure 3. D’une durée totale de 600 min, il est constitué
d’une rampe de 140 min suivie d’un palier à Pr = Pp =
260 MPa et Tr = Tp = 1 100°C. En appliquant ce cycle nominal au modèle de référence, on obtient les trajectoires de
référence D r et R r représentées sur la figure 4, avec pour
valeurs finales D r (600) = 0,997 et Rr (600) = 0,762 µm.
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
Comme on l’a vu, une variation des caractéristiques de la
poudre d’alumine, imputable essentiellement à des conditions d’élaboration différentes d’un lot à l’autre, se traduit par
une variation des paramètres δDojg et ΓjgMojg, et donc de
la fonction ƒ. On va considérer ici le cas particulier d’une
valeur plus faible des coefficients pré-exponentiels δDojg et
ΓjgMojg. Ceci constitue une situation physiquement réaliste
dans la mesure où des mécanismes similaires de diffusion
aux joints de grains contrôlent densification et grossissement. On prend comme modèle identifié :
[35]
1091
compactage isostatique
Figure 5 –
Trajectoires
obtenues en
appliquant le cycle
opératoire nominal
quand δDojg =
1,2.10-11 m3/s
and Mojg =
0,35.10-2 m2/s
(trait pointillé
= trajectoires de
référence).
Figure 5 –
Trajectories
obtained
by applying
the nominal
operating cycle
when δDojg =
1.2 x 10-11 m3/s
and Mojg =
0.35 x 10-2 m2/s.
La figure 5 présente les résultats qui seraient obtenus si l’on
appliquait la totalité du cycle opératoire de référence à ce
modèle. On constate que la densité finale obtenue dans ce
cas ne serait plus que de D(600) = 0,98, le grossissement
étant nettement moins important que pour le modèle de
référence, avec R(600) = 0,543 µm.
Comme cela a été indiqué plus haut, il est impérativement
nécessaire d’avoir réidentifié en ligne les paramètres du
modèle avant de pouvoir appliquer l’algorithme de commande anticipatrice décrit au paragraphe « Principe de
la commande anticipatrice multivariable ». Dans l’exemple
considéré ici, la réidentification des paramètres δDojg et
ΓjgMojg eut être réalisée en utilisant la technique de minimi-
sation de l’écart quadratique entre trajectoire mesurée et
trajectoire calculée décrite au paragraphe « Identification
des modèles de densification ... du CIC de l’alumine ». Plus
précisément, on retrouve exactement arg min J (θ) = θi en
appliquant cette procédure d’identification à la portion de
trajectoire de densification de la figure 5 correspondant à
l’intervalle de temps 0 ≤ t ≤ 300 min. Le temps de calcul
nécessaire étant de l’ordre de quelques minutes sur un ordinateur de type PC, cette procédure d’identification pourrait
être mise en œuvre sans aucune difficulté au cours d’une
opération de CIC réelle.
La commande anticipatrice correspondant au modèle de référence θr = θ* et au modèle identifié θi a été calculée à partir
Figure 6 – Schéma-bloc Simulink pour le calcul de la commande anticipatrice.
Figure 6 – Simulink block-diagram of the feedforward control.
1092
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
compactage isostatique
Figure 7 –
Commande
anticipatrice.
Figure 7 –
Feedforward
control.
Figure 8 –
Action de la
commande
anticipatrice
(trait pointillé
= trajectoires
de référence).
Figure 8 –
Effect of the
feedforward
control
(dashed lines
= reference
trajectories).
des formules du paragraphe « Principe de la commande anticipatrice multivariable » et de l’annexe. Le calcul a été effectué
avec le logiciel Matlab/Simulink en utilisant le schéma-bloc de
la figure 6 et les « S-fonctions » qui ne sont pas détaillées ici,
mais que les auteurs* peuvent communiquer aux lecteurs intéressés. La figure 7 présente les cycles de pression et de tem* Adresse e-mail : raynaud@l2ti.univ-paris13.fr
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
pérature calculés par ce programme en faisant démarrer la
commande anticipatrice au temps t1 = 300 min, soit donc
après une heure et quarante minutes de palier, et avec pour
constante de temps du filtre passe-bas τ = 30 min. L’action de
ce cycle corrigé est présentée sur la figure 8. On constate que
la commande anticipatrice permet d’atteindre des valeurs
finales des variables d’état du produit très proches des valeurs
de référence, à savoir D (600) = 0,998 et R (600) = 0,8 µm.
1093
compactage isostatique
■ CONCLUSION
En utilisant l’exemple du compactage isostatique à chaud de
l’alumine, on a montré qu’une conduite avancée de type
anticipatrice peut être utilisée pour compenser les effets de
variation des caractéristiques du produit initial pour un procédé « batch » d’élaboration des matériaux multivariable. Le
CIC de l’alumine constitue un exemple relativement simple
de procédé d’élaboration multivariable, dans la mesure où il
ne comporte que deux entrées de commande, la température et la pression, et deux sorties à commander, la densité
relative et la taille de grains. D’un autre côté, ce modèle peut
être considéré comme représentatif d’un certain nombre
de difficultés que peuvent présenter des procédés plus
complexes : il est fortement non linéaire, offre une très
importante dissymétrie des influences respectives des
deux variables opératoires, et comporte au beau milieu du
domaine de variation des variables d’état du produit une discontinuité des équations de densification5.
Une condition sine qua non pour utiliser une commande
anticipatrice est de disposer d’un modèle du procédé dont
les paramètres caractéristiques peuvent être réidentifiés en
cours d’opération. Bien que le modèle du CIC de l’alumine
soit fortement non linéaire, la technique de commande anticipatrice proposée, qui repose sur une succession de linéarisations locales, s’avère capable de coordonner de manière
cohérente l’action des deux variables opératoires pour compenser les effets d’une variation significative des caractéristiques de la poudre. D’autre part, l’incorporation d’un filtre
passe-bas dans l’algorithme de calcul de la commande permet d’obtenir des trajectoires de commande qui ne comportent ni variation brutale ni oscillation rapide.
5
Une autre particularité du modèle du CIC de l’alumine est qu’il est
constitué de deux équations différentielles du premier ordre ; de ce
fait, les sorties à commander coïncident avec les états internes du
système, au sens de la théorie de la commande. Toutefois, il
convient d’insister sur le fait que la méthode de commande anticipatrice utilisée ici peut être appliquée au cas général d’un modèle
comportant plus d’états internes que de sorties, à la seule condition
que le nombre de variables opératoires soit au moins égal au
nombre de sorties à contrôler (12).
(5)
BORNE (P.), DAUPHIN-TANGUY (G.), RICHARD (J.P.),
ROTELLA (F.), ZAMBETTAKIS (I.) – Commande et optimisation des processus. Éditions Technip, Paris, France (1990).
(6)
BROCKETT (R.W.) – Finite dimensional linear systems,
Wiley and Sons, New York, USA (1970).
(7)
CANNON (R.M.), RHODES (W.H.), HEUER (A.H.) – Plastic
deformation of finegrained alumina (Al2O3). I. interfacecontrolled diffusional creep. J. of the American Ceramic
Society, 63, No. 1-2 (Jan.-Feb., 1980), p. 46-53.
8)
COBLE (R.L.) – Sintering crystalline solids. II. Experimental
test of diffusion models in powder compacts, J. of Applied
Physics, 32, No. 5 (May 1961).
(9)
CUTHRELL (J.E.), BIEGLER (L.T.) – Simultaneous optimization and solution methods for batch reactor control profiles.
Comput. Chem. Eng., 13 (1989), p. 49-62.
(10)
HELLE (A.S.), EASTERLING (K.E.), ASHBY (M.F.) – Hot
isostatic pressing diagrams : new developments, Acta
Metallurgica, 33, No. 12 (1985), p. 2163-2174.
(11)
McCOY (J.K.), WILLS (R.R.) – Densification by interfacereaction controlled grain-boundary diffusion. Acta Metallurgica, 35, No. 3 (1987), p. 577-585.
(12)
RAYNAUD (H.-F.), VIGNES (A.) – Advanced feedforward
control of batch operations. Application to hot isostatic pressing. APII-JESA, 34, No. 4 (May 2000), p. 479-500.
(13)
RIZKALLAH (C.), FONDÈRE (J.P.), RAYNAUD (H.-F.),
VIGNES (A.) – Development of an intelligent control system
for a hot isostatic pressing unit. Actes du « Powder Metallurgy
Congress & Exhibition », Grenade, Espagne (octobre 1998).
(14)
RIZKALLAH (C.) – Développement et mise en œuvre d’un
système de conduite avancée pour le procédé de compactage isostatique à chaud. Mémoire de thèse de doctorat de
l’Université Paris 13, Villetaneuse, France (décembre 1999).
(15)
RIZKALLAH (C.), FONDÈRE (J.P.), RAYNAUD (H.-F.),
VIGNES (A.) – Conduite avancée du procédé de compactage
isostatique à chaud (CIC). Application au compactage de
l’Astroloy. Revue de métallurgie-CIT/SGM, 98, n° 12 (2001),
p. 1109-1128.
(16)
SOROUSH (M.), KRAVARIS (C.) – Optimal design and operation of batch reactors. 2. A case study. Ind. Eng. Chem.
Res., 32 (1993), p. 882-893.
(17)
UEMATSU (K.), ITAKURA (K.), UCHIDA (N.), SAITO (K.),
MIYAMOTO (A.), MIYASHITA (T.) – Hot isostatic pressing of
alumina and examination of the hot isostatic map, J. of the
American Ceramic Society, 73, No. 1 (1990), p. 74-78.
bibliographie
(1)
ARTZ (E.), ASHBY (M.F.), EASTERLING (K.E.) – Practical
applications of hot isostatic pressing diagrams : four case
studies. Metall. Trans. A, 14A (Feb., 1983), p. 211-221.
(18)
WALTER (E.), PRONZATO (L.) – Identification de modèles
paramétriques à partir de données expérimentales, Masson,
Paris, France (1994).
(2)
ASHBY (M.F.) – HIP 6.0 - Sintering and isostatic pressing
diagrams. Internal report, Cambridge University, Engineering
Department, UK (1990).
(19)
(3)
ASHBY (M.F.) – HIP 6.0 - Software for constructing maps
for sintering and hot isostatic pressing. Internal report,
Cambridge University, Engineering Department, UK (1990).
WLASSICH (J.J.), ASHBY (M.F.), BLANCHARD (D.R.), HENNIGES (B.L.), O’BRIEN (D.W.) – Modelization of densification
and coarsening during hot isostatic pressing. Intelligent
Processing of Materials, ouvrage publié sous la direction
de N.G. Haydn, H.N.G. Wadley et W.E. Eckhart Jr., The
Minerals, Metals & Materials Society (1990).
(4)
BESSON (J.) – Simulation numérique de la mise en forme
des céramiques : application à la compaction isostatique à
chaud, Rapport de thèse de l’École Nationale Supérieure des
Mines de Paris, Paris, France (1988).
1094
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
compactage isostatique
ANNEXE
Calcul de la commande anticipatrice e = - Gd
En utilisant les notations du paragraphe « Principe de la
commande anticipatrice multivariable » et l’approximation
~
linéaire [11], le système d’entrée e et de sortie y résultant de
l’interconnection de [11] et [21-22] est gouverné par la
représentation d’état (à matrices variables avec le temps) :
On cherche maintenant un couple (φ, G) satisfaisant les
équations matricielles suivantes, dites de rejet asymptotique :
[49]
[50]
[36]
[37]
Une solution simple de ces équations est :
avec :
[51]
[38]
[52]
[39]
avec :
[53]
[40]
où I est la matrice identité et :
[41]
On introduit maintenant un changement de coordonnées de
la forme :
[42]
[43]
Posons :
La commande e = - Gd, qui correspond a ec = 0, permet
alors de neutraliser l’influence de d dans [47]-[48], de sorte
que la représentation d’état dans les nouvelles coordonnées
devient :
[54]
[55]
Ce système linéaire variable dans le temps admet zc = 0,
~
y = 0 comme point d’équilibre. Si ce point d’équilibre est
stable, zc convergera vers zéro. D’après l’expression de
cette dernière quantité [42], il résulte que l’erreur de pour~
suite y = Czc onverge elle aussi vers zéro, et ce quelle que
soit la valeur initiale de y.
[44]
avec :
[45]
[46]
En utilisant cette notation, la représentation d’état dans les
nouvelles coordonnées devient :
[47]
[48]
La Revue de Métallurgie-CIT/Science et Génie des Matériaux
Décembre 2002
1095