Cette thèse a pour cadre le contrôle auto-adaptatif de procédés biologiques et son objectif est de permettre l'application de ce contrôle à une grande variété de problèmes distincts en évitant la phase usuelle de leur modélisation. Les bioprocédés sont des systèmes complexes, hautement dynamiques et parvenir à les contrôler en vue d'obtenir une production définie se révèle une tâche difficile. De plus, les incertitudes liées aux mesures et le manque de connaissances des réactions biologiques précises se déroulant à l'intérieur même du bioprocédé, font que les méthodes usuelles mises en œuvre pour contrôler un bioprocédé particulier doivent être largement re-calibrées dès qu'il s'agit d'adapter ce contrôle à un bioprocédé différent. L'apport de cette thèse est de proposer une approche informatique de cette problématique, centrée sur l'utilisation de Systèmes Multi-Agents Adaptatifs (AMAS). Les propriétés auto-organisatrices de tels systèmes, ainsi que leur conception centrée sur les comportements locaux, permettent d'appréhender la complexité des procédés biologiques et de fournir un système apte à leur contrôle sans nécessiter d'informations détaillées sur ceux-ci, tout en étant capable de s'adapter à leurs dynamiques. Deux systèmes multi-agents adaptatifs distincts, répondant chacun à un ensemble de contraintes différentes, ont permis d'étudier la faisabilité et l'apport de cette approche au domaine du contrôle de procédés. L'aboutissement est un modèle AMAS générique qui est associé à chaque variable contrôlable du procédé afin d'apprendre et de déterminer les actions de contrôle pour atteindre les objectifs définis par l'utilisateur. Les agents observent en temps réel l'évolution des variables du procédé pour en extraire les informations nécessaires à son contrôle. Le système de contrôle établit alors une contextualisation des contrôles à appliquer qui devient indépendante de la connaissance du bioprocédé. Ce contrôle auto-adaptatif a été évalué sur un ensemble de problèmes de contrôle de systèmes dynamiques, notamment celui d'un bioprocédé simulé, et les résultats obtenus sont analysés dans ce mémoire / This work aims at creating a self-adaptive approach to control bioprocesses while still being generic enough to be applied on a wide range of problems without relying on their modeling. Bioprocesses are complex and highly dynamic systems, and controlling them to reach a user-defined objective is a difficult task. Furthermore, the limited amount of available measures and the lack of a precise biological knowledge of what is happening inside the bioprocess lead usual control approaches to be recalibrated before being applied on a different bioprocess. The benefit of this work is a computer-based approach relying on the Adaptive Multi-Agent Systems (AMAS) theory. The objectives of adaptability and genericity are reached thanks to the self-organization of such systems and their design focusing on the local behavior of the agents, dealing with the complexity of such a problem without needing an extensive amount of information on the system to control.Two distinct multi-agent systems, defined by a specific set of constraints, were created to study the feasibility and benefits of such an approach. The outcome is a generic AMAS model, associated with each controllable variable, which learns the actions to apply in order to fulfill user-defined objectives. Agents observe in real-time the evolution of the variables and extract the information needed to control the target system. The AMAS is then able to contextualize the control without modeling the behavior of the system to control itself.This self-adaptive control was evaluated on a set of problems involving the control of dynamic systems, such as bioprocesses, and the associated results are analyzed
Identifer | oai:union.ndltd.org:theses.fr/2011ISAT0009 |
Date | 06 July 2011 |
Creators | Videau, Sylvain |
Contributors | Toulouse, INSA, Uribelarrea, Jean-Louis |
Source Sets | Dépôt national des thèses électroniques françaises |
Language | French |
Detected Language | French |
Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0014 seconds