<p>Математички модели за естимацију тешко мерљивих величина називају<br />се софт сензорима. Процес формирања софт сензора није тривијалан и<br />квалитет естимације тешко мерљиве величине директно зависи од<br />начина формирања. Недостаци постојећих алгоритама за формирање<br />спречавају аутоматску конфигурацију софт сензора. У овом раду су<br />реализовани нови алгоритми који имају за сврху аутоматизацију<br />конфигурације софт сензора. Реализовани алгоритми решавају<br />проблеме проналаска оптималног сета улаза у софт сензор и кашњења<br />сваког од њих као и одабира структуре и начина обуке софт сензора<br />заснованих на вештачким неуронским мрежама са радијално базираним<br />функцијама.</p> / <p>Matematički modeli za estimaciju teško merljivih veličina nazivaju<br />se soft senzorima. Proces formiranja soft senzora nije trivijalan i<br />kvalitet estimacije teško merljive veličine direktno zavisi od<br />načina formiranja. Nedostaci postojećih algoritama za formiranje<br />sprečavaju automatsku konfiguraciju soft senzora. U ovom radu su<br />realizovani novi algoritmi koji imaju za svrhu automatizaciju<br />konfiguracije soft senzora. Realizovani algoritmi rešavaju<br />probleme pronalaska optimalnog seta ulaza u soft senzor i kašnjenja<br />svakog od njih kao i odabira strukture i načina obuke soft senzora<br />zasnovanih na veštačkim neuronskim mrežama sa radijalno baziranim<br />funkcijama.</p> / <p>Mathematical models that are used for estimation of variables that can not be<br />measured in real time are called soft sensors. Creation of soft sensor is a<br />complex process and quality of estimation depends on the way soft sensor is<br />created. Restricted applicability of existing algorithms is preventing automatic<br />configuration of soft sensors. This paper presents new algorithms that are<br />providing automatic configuration of soft sensors. Presented algorithms are<br />capable of determing optimal subset of soft sensor inputs and their time<br />delays, as well as optimal architecture and automatic training of the soft<br />sensors that are based on artificial radial basis function networks.</p>

Cette thèse porte sur la modélisation, pour le contrôle, des profils de compositions dans les colonnes de distillation cryogénique. Nous obtenons un modèle non-linéaire de convection-diffusion par réduction d'un modèle d'équations-bilans singulièrement perturbé. Du point de vue de l'automatique, nous nous intéressons à la stabilité des profils de compositions résultants, ainsi qu'à leur observabilité. Du point de vue du procédé, la nouvauté de notre modèle réside dans la prise en compte d'une efficacité de garnissage dépendant des conditions d'opération de la colonne. Le modèle est validé par des comparaisons avec des données de fonctionnement dynamique issues d'une unité de séparation réelle, pour la séparation d'un mélange binaire. Sur le cas plus complexe d'une cascade de colonnes séparant un mélange ternaire, le modèle montre une grande sensibilité aux erreurs d'estimation des taux de reflux. Des résultats adaptés du champ de la chromatographie nous permettent de relier cette sensibilité à des erreurs d'estimation des vitesses d'ondes de compositions cohérentes. En parallèle, nous proposons et testons également un modèle de fonctions de transfert simple (fondé sur des gains statiques et des retards purs uniquement) pour les petites dynamiques de compositions, qui dépend explicitement de valeurs mesurables ou observables sur le procédé / This thesis addresses the problem of modeling the composition profiles dynamics inside cryogenic distillation columns, for control applications. We obtain a non-linear convection-diffusion model from the reduction of a singularly perturbed mass-balances model. In the control theory framework, we consider the stability of the resulting composition profiles and their observability. From the process viewpoint, we express the novelty of our model in terms of operating-conditions dependent packing efficiency. The model is validated against real dynamic plant data for a binary separation case. On a more complex, ternary separation columns cascade, the model shows highly sensitive to reflux rate estimation errors. Result adapted from the field of chromatography allows us to interpret this sensitivity in terms of erroneous coherent composition waves speeds. In parallel, we also propose and test a simple transfer functions model (based on static gains and pure delays only) for small composition dynamics, which explicitly depends on measurable or observable process data.