- Décrire les principes fondamentaux des techniques de régulation avancée.
- Identifier les techniques de contrôle avancé disponibles sur un système numérique.
- Découvrir par la pratique l’intérêt de ces solutions pour optimiser les boucles de régulation.
- Sélectionner la commande avancée adaptée au besoin et au contexte de chaque procédé industriel.
- Évaluer les avantages techniques et économiques de chaque type de correcteur par rapport au PID et identifier leurs domaines d'application spécifiques.
Formations : RÉGULATION AVANCÉE
- Présenter un panorama des opportunités et technologies des réseaux de neurones au service de l’industrie des procédés continus.
- Expliquer des techniques pouvant apparaître complexes en milieu industriel.
- Présenter les domaines d’applications de ces outils : optimisation de qualité, maintenance préventive.
- Évaluer les avantages et les limites des techniques d'intelligence artificielle dans des applications de modélisation du procédé, d'optimisation de la qualité et de maintenance préventive.
- Redonner un sens aux données de la production historisées pour construire des modèles non linéaires boîtes noires et comparer les résultats issus de ces modèles aux connaissances métiers.
- Exploiter les différentes options disponibles sur un régulateur PID pour améliorer les performances des boucles de régulation.
- Analyser les performances des boucles de régulation et identifier les situations nécessitant la mise en œuvre des stratégies cascade ou tendance.
- Évaluer l'efficacité des correcteurs à modèle par rapport aux régulations classiques PID.
- Mettre en œuvre et ajuster les paramètres des correcteurs numériques à base de modèle (commande IMC ou correcteur de SMITH).
- Intégrer à la régulation les mesures issues du procédé ainsi que les lois physiques qui régissent son comportement, pour étendre le champ d’application de la régulation PID à des procédés non linéaires ou à fort retard.
- Mettre au point les paramètres de réglage des régulations multi-boucles ainsi obtenues.
- Déterminer les étapes nécessaires pour identifier les paramètres caractéristiques du comportement d’un système industriel.
- Interpréter les modèles mathématiques utilisés pour représenter le comportement d'un système et comprendre leur intégration à un régulateur.
- Expliquer les principes sous-jacents au correcteur de SMITH et à la commande à modèle interne (IMC).
- Mettre en œuvre et optimiser le réglage de ces correcteurs à modèle sur SNCC ou automates industriels.
- Évaluer la pertinence et l'efficacité, par rapport au régulateur PID, de la commande à modèle interne (IMC) et du prédicteur de SMITH dans des scénarios industriels spécifiques.
- Déterminer les étapes nécessaires pour identifier les paramètres caractéristiques du comportement d’un système industriel.
- Interpréter les modèles mathématiques utilisés pour représenter le comportement d'un système et comprendre leur intégration à un régulateur.
- Expliquer les principes sous-jacents au correcteur de SMITH et à la commande à modèle interne (IMC).
- Sur une unité pilote, mettre en œuvre et optimiser le réglage de ces correcteurs à modèle sur SNCC ou automates industriels.
- Évaluer la pertinence et l'efficacité, par rapport au régulateur PID, de la commande à modèle interne (IMC) et du prédicteur de SMITH dans des scénarios industriels spécifiques.
- Décrire les principes de base des outils de régulation numérique : filtres numériques, outils d'identification numérique.
- Utiliser les outils de régulation numérique pour concevoir des systèmes de contrôle adaptés à des processus spécifiques utilisant des régulateurs avancés, des scripts d’identification numérique, des simulateurs de procédés.
- Analyser les avantages et les limites des différents types de régulateurs numériques, en comparant les performances des régulateurs à modèle avec celles d'un régulateur PID.
- Énoncer le principe des réseaux de neurones et identifier leur utilité au service de la maintenance prédictive.