En milieu industriel, domaine privilégié d’application des approches de « commande prédictive », l’enjeu est avant tout l’augmentation de la productivité, notamment par une diminution du taux de défauts, parallèlement à une baisse de la non-qualité.
Les techniques de commande prédictive sont apparues dans les années 1960, avec les méthodes de programmation linéaire. Le principe était déjà, à l’époque, de prévoir l’évolution d’un procédé (industriel, chimique, alimentaire..) en insérant dans l’algorithme de commande un élément permettant de prévoir, à partir d’un échantillon, la qualité des éléments en sortie et, de fait, d’adapter le procédé pour maximiser la qualité.
Pour que le principe fonctionne, il faut toutefois respecter quatre conditions. La première est évidemment de se fixer un objectif, par exemple d’améliorer les performances, de diminuer de x % de taux de produits non conformes à un cahier des charges, d’améliorer la sécurité ou encore de mieux respecter l’environnement (par exemple, pour diminuer la concentration d’un produit polluant dans la composition d’un bien industriel).
On le voit, les objectifs peuvent être divers et il est difficilement concevable d’initier une démarche de commande prédictive sans savoir où l’on va…
Deuxième condition, il convient de disposer de la description du modèle du procédé à optimiser. Il existe deux approches pour construire un modèle. D’une part, les modèles de connaissances, dans lesquels, par exemple, on tient compte et on modélise des phénomènes physiques tels qu’ils sont observés de façon générale. D’autre part, des modèles dits « d’entrée-sortie », de type « boîte noire », dans lesquels ont gère des paramètres en fonction de données expérimentales lié au procédé à améliorer.
La troisième condition concerne la formulation du problème à résoudre. Cela fait appel à des concepts mathématiques (équations) que nous ne développerons pas ici. Retenons simplement qu’interviennent deux notions importantes, avec des données qui y sont associées : un horizon de commande (période de collecte des données) et un horizon de prédiction, période de référence sur laquelle on va se baser pour évaluer l’amélioration de performance. L’idée étant de trouver, par des voies mathématiques, l’optimum qui maximise les performances et minimisant les contraintes.
Enfin, la quatrième condition suppose de définir et de maîtriser la méthode de résolution que l’on va appliquer. Rappelons que le principe de la commande prédictive aboutit à optimiser la performance en continu, pendant le cycle de production (ou, au moins à chaque période d’analyse d’un échantillon), il faut déterminer en permanence quelle est la meilleure séquence de commande qui permette d’atteindre l’objectif d’amélioration des performances par rapport à l’horizon de prédiction que l’on se fixe.
En réalité, si cette approche de commande prédictive est séduisante dans ses principes, son application ne va pas de soi. Plusieurs difficultés concourent en effet à atténuer son efficacité : le choix de l’échantillon, suffisamment large mais compatible avec les temps de calcul que nécessitent l’analyse ; la bonne appréciation de l’horizon de production ; les éventuelles erreurs dans la modélisation, la possible instabilité dans le temps du phénomène étudié, et les contraintes d’analyse en temps réel qui ne rendent pas toujours faisables une approche de commande prédictive.