RECHERCHER
VOTRE FORMATION
Vous souhaitez explorer les possibilités de la régulation numérique et aller au-delà du PID ? Au travers d’une pédagogie innovante par la pratique, venez développer les outils de la régulation numérique : filtres numériques, simulateur de système, régulateur à modèle plus performants que le simple PID. Une introduction sur les réseaux de neurones vous montrera leur potentiel pour réaliser des modèles de comportement non linéaire et des outils de maintenance prédictive
OBJECTIFS
• 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
• Enoncer le principe des réseaux de neurones et identifier leur utilité au service de la maintenance prédictive
• 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
• Enoncer le principe des réseaux de neurones et identifier leur utilité au service de la maintenance prédictive
MÉTHODE PÉDAGOGIQUE
• Cours à complexité progressive illustré au travers d’exemples pratiques
• L’accent est mis sur les travaux pratiques (+ de 60% du temps pédagogique)
• L’accent est mis sur les travaux pratiques (+ de 60% du temps pédagogique)
PUBLIC
• Techniciens et ingénieurs des services contrôle de procédés, informatique industrielle
• Toute personne souhaitant développer une stratégie de régulation sur calculateur, automate ou Système Numérique de Contrôle-Commande
• Toute personne souhaitant développer une stratégie de régulation sur calculateur, automate ou Système Numérique de Contrôle-Commande
PRÉREQUIS
• Connaissances de base en régulation ou avoir suivi les stages :
– REG1&2 : Régulation PID
– REI : Régulation Industrielle pour techniciens supérieurs et ingénieurs
– CAP : Panorama des commandes avancées par la pratique
– REG1&2 : Régulation PID
– REI : Régulation Industrielle pour techniciens supérieurs et ingénieurs
– CAP : Panorama des commandes avancées par la pratique
PROGRAMME
INTRODUCTION
• Le contexte industriel et ses exigences
• Limites du régulateur PID
• Analyse fonctionnelle d’un procédé industriel et de son contrôle- commande, représentation en bloc-diagramme
• Rappel sur les fonctions de transfert
SYSTEMES ÉCHANTILLONNÉS
• Choix de la période d’échantillonnage
• Transmittance en Z
• Discrétisation et simulation d’un élément de procédé
• Conceptions de filtres numériques
• Développement d’un outil d’identification numérique
• Démarche pour la conception d’un algorithme de régulation
• Méthodologie pratique pour simuler une boucle de régulation
• Les développements informatiques seront réalisés en script Matlab ou scilab et peuvent être aisément transcrits en Python
IDENTIFICATION NUMERIQUE & MODELISATION D’UN SYSTEME INDUSTRIEL
• Différents types de modèles : modèles de représentation et semi-physiques
• Les méthodes d’identification numérique
• Démarche pratique d’une identification, du recueil des données à la validation du modèle :
– Identification des paramètres caractéristiques du comportement d’un système à partir d’un relevé de données historisées : identification locale et globale
– Synthèse des protocoles d’essais et réduction de modèle
• Travaux pratiques d’identification à partir de données industrielles
INTRODUCTION A LA COMMANDE A MODELE
• Principe et réglage
• Comparaison des performances avec le régulateur PID
RÉSEAUX DE NEURONES
• Un outil majeur de l’industrie 4.0
• Les réseaux de neurones au service de la modélisation, de la maintenance prédictive
• Exemple pédagogique du développement d’un réseau de neurones sur Python
TRAVAUX PRATIQUES
• Le développement de tous les outils : filtres, outils d’identification numérique, simulateurs de procédés et correcteurs numériques sont menés en parallèle avec le cours
• Ces conceptions sont réalisées sur PC avec la possibilité de les transposer sur systèmes de conduite industriels : SNCC ou automates
• Les commandes mises en œuvre sont validées sous Scilab ou Matlab/Simulink
• Le contexte industriel et ses exigences
• Limites du régulateur PID
• Analyse fonctionnelle d’un procédé industriel et de son contrôle- commande, représentation en bloc-diagramme
• Rappel sur les fonctions de transfert
SYSTEMES ÉCHANTILLONNÉS
• Choix de la période d’échantillonnage
• Transmittance en Z
• Discrétisation et simulation d’un élément de procédé
• Conceptions de filtres numériques
• Développement d’un outil d’identification numérique
• Démarche pour la conception d’un algorithme de régulation
• Méthodologie pratique pour simuler une boucle de régulation
• Les développements informatiques seront réalisés en script Matlab ou scilab et peuvent être aisément transcrits en Python
IDENTIFICATION NUMERIQUE & MODELISATION D’UN SYSTEME INDUSTRIEL
• Différents types de modèles : modèles de représentation et semi-physiques
• Les méthodes d’identification numérique
• Démarche pratique d’une identification, du recueil des données à la validation du modèle :
– Identification des paramètres caractéristiques du comportement d’un système à partir d’un relevé de données historisées : identification locale et globale
– Synthèse des protocoles d’essais et réduction de modèle
• Travaux pratiques d’identification à partir de données industrielles
INTRODUCTION A LA COMMANDE A MODELE
• Principe et réglage
• Comparaison des performances avec le régulateur PID
RÉSEAUX DE NEURONES
• Un outil majeur de l’industrie 4.0
• Les réseaux de neurones au service de la modélisation, de la maintenance prédictive
• Exemple pédagogique du développement d’un réseau de neurones sur Python
TRAVAUX PRATIQUES
• Le développement de tous les outils : filtres, outils d’identification numérique, simulateurs de procédés et correcteurs numériques sont menés en parallèle avec le cours
• Ces conceptions sont réalisées sur PC avec la possibilité de les transposer sur systèmes de conduite industriels : SNCC ou automates
• Les commandes mises en œuvre sont validées sous Scilab ou Matlab/Simulink
DURÉE
19 h sur 2,5 jours
HORAIRES
lundi 13 h 30 – mercredi 17 h
TARIF
1 530 € HT
LIEUX
Arles
Lyon – Perrache
Paris – Gare de Lyon
Lyon – Perrache
Paris – Gare de Lyon
Nature des
connaissances
Perfectionnement des connaissances
Modalités d’évaluation
Questionnaire à réponses ouvertes
Niveau acquis
Fondamentaux
Responsable
Joëlle MALLET
Formateur principal
Joëlle MALLET
INFORMATIONS COMPLÉMENTAIRES
Formateur expert en Contrôle Avancé.
À l’issue de la formation : Remise d’une attestation de formation avec ou sans évaluation des acquis.
Évaluation de la formation par les stagiaires.
Les repas sur Arles vous sont offerts.
À l’issue de la formation : Remise d’une attestation de formation avec ou sans évaluation des acquis.
Évaluation de la formation par les stagiaires.
Les repas sur Arles vous sont offerts.
TRAVAUX PRATIQUES
50 %
Régulation Numérique industrielle : du PID à la commande prédictive
RNI
Vous souhaitez explorer les possibilités de la régulation numérique et aller au-delà du PID ? Au travers d’une pédagogie innovante par la pratique, venez développer les outils de la régulation numérique : filtres numériques, simulateur de système, régulateur à modèle plus performants que le simple PID. Une introduction sur les réseaux de neurones vous montrera leur potentiel pour réaliser des modèles de comportement non linéaire et des outils de maintenance prédictive
OBJECTIFS
• 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
• Enoncer le principe des réseaux de neurones et identifier leur utilité au service de la maintenance prédictive
• 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
• Enoncer le principe des réseaux de neurones et identifier leur utilité au service de la maintenance prédictive
MÉTHODE PÉDAGOGIQUE
• Cours à complexité progressive illustré au travers d’exemples pratiques
• L’accent est mis sur les travaux pratiques (+ de 60% du temps pédagogique)
• L’accent est mis sur les travaux pratiques (+ de 60% du temps pédagogique)
PUBLIC
• Techniciens et ingénieurs des services contrôle de procédés, informatique industrielle
• Toute personne souhaitant développer une stratégie de régulation sur calculateur, automate ou Système Numérique de Contrôle-Commande
• Toute personne souhaitant développer une stratégie de régulation sur calculateur, automate ou Système Numérique de Contrôle-Commande
PRÉREQUIS
• Connaissances de base en régulation ou avoir suivi les stages :
– REG1&2 : Régulation PID
– REI : Régulation Industrielle pour techniciens supérieurs et ingénieurs
– CAP : Panorama des commandes avancées par la pratique
– REG1&2 : Régulation PID
– REI : Régulation Industrielle pour techniciens supérieurs et ingénieurs
– CAP : Panorama des commandes avancées par la pratique
PROGRAMME
INTRODUCTION
• Le contexte industriel et ses exigences
• Limites du régulateur PID
• Analyse fonctionnelle d’un procédé industriel et de son contrôle- commande, représentation en bloc-diagramme
• Rappel sur les fonctions de transfert
SYSTEMES ÉCHANTILLONNÉS
• Choix de la période d’échantillonnage
• Transmittance en Z
• Discrétisation et simulation d’un élément de procédé
• Conceptions de filtres numériques
• Développement d’un outil d’identification numérique
• Démarche pour la conception d’un algorithme de régulation
• Méthodologie pratique pour simuler une boucle de régulation
• Les développements informatiques seront réalisés en script Matlab ou scilab et peuvent être aisément transcrits en Python
IDENTIFICATION NUMERIQUE & MODELISATION D’UN SYSTEME INDUSTRIEL
• Différents types de modèles : modèles de représentation et semi-physiques
• Les méthodes d’identification numérique
• Démarche pratique d’une identification, du recueil des données à la validation du modèle :
– Identification des paramètres caractéristiques du comportement d’un système à partir d’un relevé de données historisées : identification locale et globale
– Synthèse des protocoles d’essais et réduction de modèle
• Travaux pratiques d’identification à partir de données industrielles
INTRODUCTION A LA COMMANDE A MODELE
• Principe et réglage
• Comparaison des performances avec le régulateur PID
RÉSEAUX DE NEURONES
• Un outil majeur de l’industrie 4.0
• Les réseaux de neurones au service de la modélisation, de la maintenance prédictive
• Exemple pédagogique du développement d’un réseau de neurones sur Python
TRAVAUX PRATIQUES
• Le développement de tous les outils : filtres, outils d’identification numérique, simulateurs de procédés et correcteurs numériques sont menés en parallèle avec le cours
• Ces conceptions sont réalisées sur PC avec la possibilité de les transposer sur systèmes de conduite industriels : SNCC ou automates
• Les commandes mises en œuvre sont validées sous Scilab ou Matlab/Simulink
• Le contexte industriel et ses exigences
• Limites du régulateur PID
• Analyse fonctionnelle d’un procédé industriel et de son contrôle- commande, représentation en bloc-diagramme
• Rappel sur les fonctions de transfert
SYSTEMES ÉCHANTILLONNÉS
• Choix de la période d’échantillonnage
• Transmittance en Z
• Discrétisation et simulation d’un élément de procédé
• Conceptions de filtres numériques
• Développement d’un outil d’identification numérique
• Démarche pour la conception d’un algorithme de régulation
• Méthodologie pratique pour simuler une boucle de régulation
• Les développements informatiques seront réalisés en script Matlab ou scilab et peuvent être aisément transcrits en Python
IDENTIFICATION NUMERIQUE & MODELISATION D’UN SYSTEME INDUSTRIEL
• Différents types de modèles : modèles de représentation et semi-physiques
• Les méthodes d’identification numérique
• Démarche pratique d’une identification, du recueil des données à la validation du modèle :
– Identification des paramètres caractéristiques du comportement d’un système à partir d’un relevé de données historisées : identification locale et globale
– Synthèse des protocoles d’essais et réduction de modèle
• Travaux pratiques d’identification à partir de données industrielles
INTRODUCTION A LA COMMANDE A MODELE
• Principe et réglage
• Comparaison des performances avec le régulateur PID
RÉSEAUX DE NEURONES
• Un outil majeur de l’industrie 4.0
• Les réseaux de neurones au service de la modélisation, de la maintenance prédictive
• Exemple pédagogique du développement d’un réseau de neurones sur Python
TRAVAUX PRATIQUES
• Le développement de tous les outils : filtres, outils d’identification numérique, simulateurs de procédés et correcteurs numériques sont menés en parallèle avec le cours
• Ces conceptions sont réalisées sur PC avec la possibilité de les transposer sur systèmes de conduite industriels : SNCC ou automates
• Les commandes mises en œuvre sont validées sous Scilab ou Matlab/Simulink
DURÉE
19 h sur 2,5 jours
HORAIRES
lundi 13 h 30 – mercredi 17 h
TARIF
1 530 € HT
LIEUX
Arles
Lyon – Perrache
Paris – Gare de Lyon
Lyon – Perrache
Paris – Gare de Lyon
Nature des
connaissances
Perfectionnement des connaissances
Modalités d’évaluation
Questionnaire à réponses ouvertes
Niveau acquis
Fondamentaux
Responsable
Joëlle MALLET
Formateur principal
Joëlle MALLET
INFORMATIONS COMPLÉMENTAIRES
Formateur expert en Contrôle Avancé.
À l’issue de la formation : Remise d’une attestation de formation avec ou sans évaluation des acquis.
Évaluation de la formation par les stagiaires.
Les repas sur Arles vous sont offerts.
À l’issue de la formation : Remise d’une attestation de formation avec ou sans évaluation des acquis.
Évaluation de la formation par les stagiaires.
Les repas sur Arles vous sont offerts.
TRAVAUX PRATIQUES
50 %
RECHERCHER
VOTRE FORMATION