Les centaines de millions de véhicules du parc automobile mondial nous rappellent à quel point notre société dépend du moteur à combustion interne. Malgré des progrès significatifs en termes d'émissions polluantes et de consommation, les moteurs à essence et diesel demeurent l'une des principales sources de pollution de l'air des centres urbains modernes. Ce constat motive les autorités à renforcer les normes anti-pollution, qui tendent à complexifier la définition technique des moteurs. En particulier, un nombre croissant d'actionneurs fait aujourd'hui, du contrôle de la chaîne d'air, un challenge majeur. Dans un marché de plus en plus mondialisé et où le temps de développement de moteurs se doit d'être de plus en plus court, ces travaux entendent proposer une solution aux problèmes liés à cette augmentation de la complexité. La proposition repose sur une approche en trois étapes et combine : modélisation physique du moteur, contrôle prédictif non linéaire et programmation multiparamétrique. Le cas du contrôle de la chaîne d'air d'un moteur à essence suralimenté sert de fil conducteur au document. Dans son ensemble, les développements présentés ici fournissent une approche quasi-systématique pour la synthèse du contrôle de la chaîne des moteurs à essence suralimentés. Intuitivement, le raisonnement doit pouvoir être étendu à d'autres boucles de contrôle et au cas des moteurs diesel.

Les dernières années ont permis des développements très rapides, tant au niveau de l’élaboration que de l’application, d’algorithmes de commande prédictive non linéaire (CPNL), avec une gamme relativement large de réalisations industrielles. Un des obstacles les plus significatifs rencontré lors du développement de cette commande est lié aux incertitudes sur le modèle du système. Dans ce contexte, l’objectif principal de cette thèse est la conception de lois de commande prédictives non linéaires robustes vis-à-vis des incertitudes sur le modèle. Classiquement, cette synthèse peut s’obtenir via la résolution d’un problème d’optimisation min-max. L’idée est alors de minimiser l’erreur de suivi de la trajectoire optimale pour la pire réalisation d'incertitudes possible. Cependant, cette formulation de la commande prédictive robuste induit une complexité qui peut être élevée ainsi qu’une charge de calcul importante, notamment dans le cas de systèmes multivariables, avec un nombre de paramètres incertains élevé. Pour y remédier, une approche proposée dans ces travaux consiste à simplifier le problème d’optimisation min-max, via l’analyse de sensibilité du modèle vis-à-vis de ses paramètres afin d’en réduire le temps de calcul. Dans un premier temps, le critère est linéarisé autour des valeurs nominales des paramètres du modèle. Les variables d’optimisation sont soit les commandes du système soit l’incrément de commande sur l’horizon temporel. Le problème d’optimisation initial est alors transformé soit en un problème convexe, soit en un problème de minimisation unidimensionnel, en fonction des contraintes imposées sur les états et les commandes. Une analyse de la stabilité du système en boucle fermée est également proposée. En dernier lieu, une structure de commande hiérarchisée combinant la commande prédictive robuste linéarisée et une commande par mode glissant intégral est développée afin d’éliminer toute erreur statique en suivi de trajectoire de référence. L'ensemble des stratégies proposées est appliqué à deux cas d'études de commande de bioréacteurs de culture de microorganismes. / The last few years have led to very rapid developments, both in the formulation and the application of Nonlinear Model Predictive Control (NMPC) algorithms, with a relatively wide range of industrial achievements. One of the most significant challenges encountered during the development of this control law is due to uncertainties in the model of the system. In this context, the thesis addresses the design of NMPC control laws robust towards model uncertainties. Usually, the above design can be achieved through solving a min-max optimization problem. In this case, the idea is to minimize the tracking error for the worst possible uncertainty realization. However, this robust approach tends to become too complex to be solved numerically online, especially in the case of multivariable systems with a large number of uncertain parameters. To address this shortfall, the proposed approach consists in simplifying the min-max optimization problem through a sensitivity analysis of the model with respect to its parameters, in order to reduce the calculation time. First, the criterion is linearized around the model parameters nominal values. The optimization variables are either the system control inputs or the control increments over the prediction horizon. The initial optimization problem is then converted either into a convex optimization problem, or a one-dimensional minimization problem, depending on the nature of the constraints on the states and commands. The stability analysis of the closed-loop system is also addressed. Finally, a hierarchical control strategy is developed, that combines a robust model predictive control law with an integral sliding mode controller, in order to cancel any tracking error. The proposed approaches are applied through two case studies to the control of microorganisms culture in bioreactors.

Cette thèse propose une méthodologie de commande d'un bioréacteur fed-batch de culture E. coli. La stratégie consiste à maximiser la croissance de la bactérie, c'est-à-dire à maintenir le bioréacteur à un point de fonctionnement « optimal », caractérisé par la frontière entre les régimes oxydatif et oxydo-fermentatif. La démarche proposée comprend une première étape de modélisation mathématique et de détermination d'un modèle paramétrique simplifié. Une deuxième phase consiste en une identification paramétrique du modèle en se basant sur l'analyse de sensibilité du modèle vis-à-vis de ses paramètres. Un profil optimal d'alimentation est ensuite élaboré pour la maximisation de la croissance de la biomasse. A partir de toutes ces données, la synthèse et l'application de la commande prédictive non-linéaire au bioprocédé E. coli sont mises en œuvre. L'objectif est de réguler la concentration en acétate à une valeur faible donnée, tout en forçant le débit d'alimentation à suivre un profil de référence. La stratégie de commande proposée se base sur la transformation du problème de commande prédictive non-linéaire classique en un problème de programmation non-linéaire non contraint, résolu par des techniques de CVP. Pour une meilleure robustesse de la structure proposée, la différence entre le système et le modèle est explicitement incluse dans l'algorithme. Enfin, une étude de robustesse par une approche statistique de type Monte Carlo permet de juger de l'applicabilité de la loi de commande proposée sur le système réel. Ce travail constitue une étude préliminaire en vue d'une implantation de cette loi de commande à un bioréacteur à l'échelle du laboratoire ou industrielle

Les centaines de millions de véhicules du parc automobile mondial nous rappellent à quel point notre société dépend du moteur à combustion interne. Malgré des progrès significatifs en termes d’émissions polluantes et de consommation, les moteurs à essence et diesel demeurent l’une des principales sources de pollution de l’air des centres urbains modernes. Ce constat motive les autorités à renforcer les normes anti-pollution, qui tendent à complexifier la définition technique des moteurs. En particulier, un nombre croissant d’actionneurs fait aujourd’hui, du contrôle de la chaîne d’air, un challenge majeur. Dans un marché de plus en plus mondialisé et où le temps de développement de moteurs se doit d’être de plus en plus court, ces travaux entendent proposer une solution aux problèmes liés à cette augmentation de la complexité. La proposition repose sur une approche en trois étapes et combine : modélisation physique du moteur, contrôle prédictif non linéaire et programmation multiparamétrique. Le cas du contrôle de la chaîne d’air d’un moteur à essence suralimenté sert de fil conducteur au document. Dans son ensemble, les développements présentés ici fournissent une approche quasi-systématique pour la synthèse du contrôle de la chaîne des moteurs à essence suralimentés. Intuitivement, le raisonnement doit pouvoir être étendu à d’autres boucles de contrôle et au cas des moteurs diesel. / The hundreds of millions of passenger cars and other vehicles on our roads emphasize our society’s reliance on internal combustion engines. Despite striking progress in terms of pollutant emissions and fuel consumption, gasoline and diesel engines remain one of the most important sources of air pollution in modern urban areas. This leads the authorities to lay down increasingly drastic pollutant emission standards, which entail ever more complex engine technical definitions. In particular, due to an increasing number of actuators in the past few years, the air path of internal combustion engines represents one of the biggest challenges of engine control design. The present thesis addresses this issue of increasing engine complexity with respect to the continuous reduction in development time, dictated by a more and more competitive globalized market. The proposal consists in a three-step approach that combines physics-based engine modeling, nonlinear model predictive control and multi-parametric nonlinear programming. The latter leads to an explicit piecewise affine feedback control law, compatible with a real-time implementation. The proposed approach is applied to the particular case of the control of the air path of a turbocharged gasoline engine. Overall, the developments presented in this thesis provide a quasi-systematic approach for the synthesis of the control of the air path of turbocharged gasoline engines. Intuitively, this approach can be extended to other control loops in both gasoline and diesel engines.

Cette thèse traite du problème de la locomotion des robots humanoïdes dans le contexte du projet européen KoroiBot. En s'inspirant de l'être humain, l'objectif de ce projet est l'amélioration des capacités des robots humanoïdes à se mouvoir de façon dynamique et polyvalente. Le coeur de l'approche scientifique repose sur l'utilisation du controle optimal, à la fois pour l'identification des couts optimisés par l'être humain et pour leur mise en oeuvre sur les robots des partenaires roboticiens. Cette thèse s'illustre donc par une collaboration à la fois avec des mathématiciens du contrôle et des spécialistes de la modélisation des primitives motrices. Les contributions majeures de cette thèse reposent donc sur la conception de nouveaux algorithmes temps-réel de contrôle pour la locomotion des robots humanoïdes avec nos collégues de l'université d'Heidelberg et leur intégration sur le robot HRP-2. Deux contrôleurs seront présentés, le premier permettant la locomotion multi-contacts avec une connaissance a priori des futures positions des contacts. Le deuxième étant une extension d'un travail réalisé sur de la marche sur sol plat améliorant les performances et ajoutant des fonctionnalitées au précédent algorithme. En collaborant avec des spécialistes du mouvement humain nous avons implementé un contrôleur innovant permettant de suivre des trajectoires cycliques du centre de masse. Nous présenterons aussi un contrôleur corps-complet utilisant, pour le haut du corps, des primitives de mouvements extraites du mouvement humain et pour le bas du corps, un générateur de marche. Les résultats de cette thèse ont été intégrés dans la suite logicielle "Stack-of-Tasks" du LAAS-CNRS. / This thesis covers the topic of humanoid robot locomotion in the frame of the European project KoroiBot. The goal of this project is to enhance the ability of humanoid robots to walk in a dynamic and versatile fashion as humans do. Research and innovation studies in KoroiBot rely on optimal control methods both for the identification of cost functions used by human being and for their implementations on robots owned by roboticist partners. Hence, this thesis includes fruitful collaborations with both control mathematicians and experts in motion primitive modeling. The main contributions of this PhD thesis lies in the design of new real time controllers for humanoid robot locomotion with our partners from the University of Heidelberg and their integration on the HRP-2 robot. Two controllers will be shown, one allowing multi-contact locomotion with a prior knowledge of the future contacts. And the second is an extension of a previous work improving performance and providing additional functionalities. In a collaboration with experts in human motion we designed an innovating controller for tracking cyclic trajectories of the center of mass. We also show a whole body controller using upper body movement primitives extracted from human behavior and lower body movement computed by a walking pattern generator. The results of this thesis have been integrated into the LAAS-CNRS "Stack-of-Tasks" software suit.

Cette thèse adresse le problème de la commande prédictive non linéaire (CPNL) appliquée aux systèmes à dynamiques rapides. Pour ces systèmes, le temps de calcul disponible peut s'avérer insuffisant pour la résolution des problèmes d'optimisation fortement non linéaires et contraints. Dans ce contexte, l'approche paramétrique utilisée dans cette thèse peut s'avérer un choix pertinent pour résoudre ce type de problèmes. Deux exemples d'application sont présentés pour souligner les avantages de la méthode paramétrique: le circuit d'air d'un moteur diesel et le système des pendules jumeaux sur un chariot. Une validation expérimentale sur les deux procédés est aussi proposée pour montrer l'efficacité des solutions proposées.

Cette thèse porte sur l'optimisation et la commande prédictive des centrales de production d'énergie en utilisant des modèles physiques des installations. Les modèles sont réalisés à l'aide du langage Modelica, un langage équationnel adapté à la modélisation de systèmes multi-physiques. La modélisation de systèmes physiques dans ce langage est présentée dans une première partie, ainsi que les traitements symboliques réalisés par les compilateurs Modelica pour mettre les modèles sous une forme adaptée à l'optimisation. On présente dans une seconde partie le développement d'une méthode d'optimisation dynamique hybride pour les centrales de production d'énergie, qui fournit une trajectoire optimisée de l'installation sur un horizon long. Les trajectoires calculées incluent les trajectoires des commandes continues ainsi que les décisions d'engagement des différents équipements. L'algorithme d'optimisation combine la méthode de collocation et une méthode nommée Sum Up Rounding (SUR) pour la prise en compte des décisions d'engagement. Un algorithme de commande prédictive (MPC) est enfin introduit afin de garantir le suivi des trajectoires optimales et de prendre en compte en temps réel la présence de perturbations et les erreurs du modèle d'optimisation. L'algorithme MPC utilise des modèles linéarisés tangents générés automatiquement à partir du modèle non linéaire. / This thesis deals with hybrid optimal control and Model Predictive Control (MPC) of power plants by use of physical models. Models of the facilities are developped with Modelica, an equation based language tailored for modelling multi-physics systems. Modeling of physical systems with Modelica is introduced in a first part, as well as some of the symbolic processing done by Modelica compilers that transform the original model to a form suited for optimization. Then, a method to solve optimal control problems on hybrid systems (such as power plants) is presented. This methods provides an optimal trajectory for the power plant on a long horizon. The optimal trajectory computed by the method includes the trajectories of continuous inputs as well as switching decisions for components in the plant. The optimization algorithm combines the collocation method and a method named Sum Up Rounding (SUR) for dealing with switches. Finally, a Model Predictive Controller is developped in order to follow this optimal trajectory in real time, and to cope with disturbances on the actual system and modelling errors. The proposed MPC uses tangent linear models of the plant that are derived automatically from the nonlinear model.

Cette thèse porte sur l'optimisation et la commande prédictive des centrales de production d'énergie en utilisant des modèles physiques des installations. Les modèles sont réalisés à l'aide du langage Modelica, un langage équationnel adapté à la modélisation de systèmes multi-physiques. La modélisation de systèmes physiques dans ce langage est présentée dans une première partie, ainsi que les traitements symboliques réalisés par les compilateurs Modelica pour mettre les modèles sous une forme adaptée à l'optimisation. On présente dans une seconde partie le développement d'une méthode d'optimisation dynamique hybride pour les centrales de production d'énergie, qui fournit une trajectoire optimisée de l'installation sur un horizon long. Les trajectoires calculées incluent les trajectoires des commandes continues ainsi que les décisions d'engagement des différents équipements. L'algorithme d'optimisation combine la méthode de collocation et une méthode nommée Sum Up Rounding (SUR) pour la prise en compte des décisions d'engagement. Un algorithme de commande prédictive (MPC) est enfin introduit afin de garantir le suivi des trajectoires optimales et de prendre en compte en temps réel la présence de perturbations et les erreurs du modèle d'optimisation. L'algorithme MPC utilise des modèles linéarisés tangents générés automatiquement à partir du modèle non linéaire. / This thesis deals with hybrid optimal control and Model Predictive Control (MPC) of power plants by use of physical models. Models of the facilities are developped with Modelica, an equation based language tailored for modelling multi-physics systems. Modeling of physical systems with Modelica is introduced in a first part, as well as some of the symbolic processing done by Modelica compilers that transform the original model to a form suited for optimization. Then, a method to solve optimal control problems on hybrid systems (such as power plants) is presented. This methods provides an optimal trajectory for the power plant on a long horizon. The optimal trajectory computed by the method includes the trajectories of continuous inputs as well as switching decisions for components in the plant. The optimization algorithm combines the collocation method and a method named Sum Up Rounding (SUR) for dealing with switches. Finally, a Model Predictive Controller is developped in order to follow this optimal trajectory in real time, and to cope with disturbances on the actual system and modelling errors. The proposed MPC uses tangent linear models of the plant that are derived automatically from the nonlinear model.