← Retour aux projets
En coursJanvier 2026
Commande automatique de processus industriels par apprentissage par renforcement profond avec garanties de stabilité Lyapunov
Les contrôleurs PID classiques peinent à s'adapter aux non-linéarités et aux perturbations variables des processus industriels réels. Ce projet propose une architecture de contrôle basée sur le reinforcement learning profond (SAC/PPO) avec des contraintes de stabilité intégrées via des fonctions de Lyapunov apprises, appliquée au contrôle de température de fours industriels et à la régulation de débit dans les réseaux de distribution d'eau.
Équipe
NR
Nadia RAHMANI
Chercheuse
KT
Karim TOUATI
Chercheur
Méthodologie
- Modélisation de deux environnements de simulation : four industriel à résistances (dynamique thermique non-linéaire) et réseau de distribution d'eau (modèle EPANET).
- Implémentation d'agents SAC et PPO avec contraintes de Lyapunov intégrées dans la fonction de perte (Lyapunov-constrained policy optimization).
- Comparaison systématique avec des contrôleurs PID auto-réglés, MPC linéaire et contrôleurs flous de référence sur 50 scénarios de perturbation.
- Validation sur un banc d'essai physique (four pilote du Fablab ENP Oran) pour évaluer le transfert sim-to-real.
Métriques d'évaluation
- Integral Absolute Error (IAE) — réduction de l'erreur de suivi par rapport au PID de référence.
- Taux de violation des contraintes de sécurité (dépassement de température critique) — objectif : 0 % sur 1 000 épisodes.
- Temps de convergence de l'entraînement et sample efficiency comparée entre SAC et PPO.
Budget
600 $ pour les composants du banc d'essai (capteurs, actionneurs, microcontrôleurs), 400 $ en crédits de calcul pour l'entraînement des politiques RL.
Livrables attendus
- Environnements de simulation Gymnasium compatibles, publiés en open-source.
- Protocole de transfert sim-to-real documenté et reproductible.
- Article soumis à ACC 2027 (American Control Conference).