European Scientific Journal June 2015 edition vol.11, No.

18 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431

UTILISATION DES RESEAUX DE NEURONES

ARTIFICIELS DE TYPE RBF POUR LA
MODELISATION DU REGIME NORMAL A
POINT DE FONCTIONNEMENT VARIABLE
D’UNE INSTALLATION INDUSTRIELLE

Bouchra Boudebbouz
Laboratoire de Mécanique, Mécatronique et Commande, ENSAM –
Université Moulay Ismail Meknès, Maroc
Imad Manssouri
Laboratoire de Mécanique, Mécatronique et Commande, ENSAM –
Université Moulay Ismail Meknès, Maroc
Ahmed Mouchtachi
Directeur de l’école nationale supérieure d’arts et métiers de Casablanca -
Université Hassan II Mohammedia Casablanca – Campus BEN M’SIK -
Maroc.
Tajeddine Manssouri
Laboratoire de Géo-Ingénierie et Environnement, Faculté des Sciences,
Université Moulay Ismail, Zitoune, Meknès- Maroc.
Bachir El kihel
Laboratoire de génie industriel et mécanique de production ENSA –
Université Moulay Ismail Oujda, Maroc

Abstract
This work presents the development of a mathematical model based on
stochastic artificial neural networks type RBF (Radial Basis Function) for
modeling the normal mode at a variable point of functionning of an
industrial installation. The studied industrial facility is a distillation column
of methylcyclohexane (C6H11-CH3) from toluene-methylcyclohexane
mixture (C6H5-CH3 / C6H11-CH3) which was defined in the mass composition
by 23% in methylcyclohexane. Neuronal architecture proposed for the
modeling of this system consists of an input layer containing seven neurons,
a hidden layer containing nine neurons and an output layer having a single
neuron. The hidden layer is activated by a Gaussian function whose center is
determined by using the K-means algorithm; however the output layer is
activated by a linear function. Regarding existing weight between the hidden

259
 European Scientific Journal June 2015 edition vol.11, No.18 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431

layer and the output layer, they are determined by the back-propagation
algorithm of the error gradient. The RBF neural architecture type so
determined was validated on a new database and has achieved better results
compared to conventional methods.

Keywords: RBF neural networks, modeling, algorithm of K-means,

distillation column, Back-propagation gradient

Résumé
Ce travail présente le développement d’un modèle mathématique
stochastique basé sur les réseaux de neurones artificiels de type RBF (Radial
Basis Function) pour la modélisation du régime normal d’une installation
industrielle à point de fonctionnement variable.
L’installation industrielle étudiée est une colonne de distillation de
méthylcyclohexane (C6H11-CH3) à partir d’un mélange Toluène-
méthylcyclohexane (C6H5-CH3/C6H11-CH3) dont on a définit la composition
massique à 23% en méthylcyclohexane.
L’architecture neuronale proposée pour la modélisation de cette installation
se compose d’une couche d’entrée contenant sept neurones, d’une couche
cachée contenant neuf neurones et d’une couche de sortie contenant un seul
neurone. La couche cachée est activée par une fonction gaussienne dont le
centre est déterminé à l’aide de l’algorithme des K-means ; par contre, la
couche de sortie est activée par une fonction linéaire. En ce qui concerne les
poids existants entre la couche cachée et la couche de sortie, ils sont
déterminés par l’algorithme de Rétro-propagation du gradient d’erreur.
L’architecture neuronale de type RBF ainsi déterminée a été validée sur une
nouvelle base de données et a permis d’obtenir de meilleurs résultats par
rapport aux méthodes classiques.

Mots clés: Réseaux de neurones RBF, Modélisation, Algorithme des K-

moyennes, colonne de distillation, Rétro-propagation du gradient

Introduction
La modélisation du fonctionnement normal d’une unité industrielle
est devenue une nécessité vitale qui permet à l’opérateur de détecter
n’importe quelle avarie qui conduira à la modification du régime normal du
système et causera par la suite une perturbation de son fonctionnement, cette
situation engendre un manque de protection et de sécurité en plus d’une
perte au niveau de la qualité requise.
La modélisation est indispensable pour la compréhension et l'analyse
des phénomènes mis en jeu dans les systèmes industriels. La conduite de tels
systèmes repose également sur l'utilisation de modèles. Ces derniers doivent

260
 European Scientific Journal June 2015 edition vol.11, No.18 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431

rendre compte de la structure et du comportement du système et permettre

l'analyse de ses propriétés qualitatives et quantitatives.
Ces analyses conduisent à la définition des grandeurs caractérisant le
processus, c'est-à-dire ses entrées, ses variables d’état, ses sorties, et aussi les
perturbations, mesurables ou non, auxquelles il est soumis.
On trouve dans la littérature plusieurs méthodes de modélisation,
parmi lesquelles on cite à titre d’exemple les méthodes basées sur les réseaux
de neurones artificiels :
(Nohair, 2008) ont utilisé les réseaux de neurones pour prédire les
changements dans un flux d’eau en fonction des variables climatiques telles
que la température de l'air ambiant et la température de l'écoulement de l'eau
reçue par le courant d’eau. Deux méthodes ont été utilisées: la première, de
type itératif, utilise le jour j estimé pour prédire la valeur de la température
de l'eau du jour j+1, et la deuxième méthode est beaucoup plus simple à
mettre en œuvre, il s’agit d’estimer la température de tous les jours pris en
une seule fois.
(Sharma, 2004) ont utilisé les réseaux de neurones feedforward pour
la détection de six dysfonctionnements, dans une colonne de distillation de
NH3-H2O. De ce point de vue, ils ont comparé deux architectures de réseaux:
[6-4-6] et [3-4-6] et ont adopté la seconde structure [3-4-6] qui a permis de
réduire le temps de calcul et de détecter les défauts en ligne.
(Chen, 2008) ont utilisé un système hybride pour la détection et le
diagnostic des défauts, connu sous le nom de « système neuro-flou ». C’est
un système qui combine les avantages de la logique floue et les réseaux de
neurones. Chen et al. ont montré que la méthode proposée a permis de
détecter et de diagnostiquer correctement les défauts les plus fréquents du
circuit de chemin de fer dans une installation de test au laboratoire.
(Jian-Da, 2008) ont présenté une technique de diagnostic de défauts
du moteur à combustion interne. La technique proposée est basée sur
l'analyse des WPT (Wavelet Packet Transform) combinée avec les réseaux
de neurones artificiels (ANN) pour détecter et classifier les défauts de
fonctionnement dans un moteur à combustion interne dans divers régimes.
La technique proposée du WPT présente de nombreux avantages en ce qui
concerne CWT (Continuous Wavelet Transform) et DWT (Discrete Wavelet
Transform), pour vérifier l'efficacité de GRNN (Generalized Regression
Neural Network). Cette technique a été comparée à un réseau BPN (Back
Propagation Networks). L'étude a montré que le réseau GRNN a été efficace
pour diagnostiquer et classifier le fonctionnement d'un moteur à combustion
interne dans divers régimes.
(Ertunc, 2008) ont établi une analyse comparative d'un condenseur à
évaporation en utilisant les réseaux de neurones artificiels (ANN) et un
système d'interface adaptatif neuro-flou (ANFIS). Les performances de

261
 European Scientific Journal June 2015 edition vol.11, No.18 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431

prédiction statistiques des deux modèles sont mesurées en termes de

coefficient de corrélation, erreur relative moyenne, erreur quadratique
moyenne et la fraction absolue de la variance. Bien que les prédictions des
deux modèles aient donné une bonne performance statistique, les précisions
de prédictions ANFIS étaient généralement supérieures à celles des ANN.
(Sanaye, 2011) ont appliqué les réseaux de neurones artificiels à la
modélisation d'un compresseur à palettes rotatives. Le réseau de neurones
artificiel (ANN) et le modèle de la régression non linéaire (NLREG) ont été
utilisés pour prédire la performance du système du compresseur en prédisant
les températures du débit massique de réfrigérant et la décharge de ce
dernier. Trois critères, le coefficient de corrélation, l’erreur relative moyenne
et l'erreur quadratique moyenne ont été appliqués pour la comparaison des
résultats. La modélisation ANN a démontré une meilleure performance
statistique que celle de la modélisation NLREG.
(Boudebbouz, 2014) ont utilisé la régression linéaire multiple totale
et les réseaux de neurones artificiels - Perceptron Multicouches pour la
modélisation du système normal, au point de fonctionnement variable d'une
colonne de distillation continue de Méthylcyclohexane, le modèle réalisé sur
la base du réseau de neurones artificiels de type MLP a donné le meilleur
résultat, l'architecture choisie du modèle [7-14-1] a donné un coefficient de
détermination de 81,9% dans la phase de test et validation et une erreur
quadratique moyenne de 0,12.

Génération du modèle
La structure typique d'un réseau de neurones RBF (Figure.1) se
compose de trois couches à savoir: une couche d'entrée, une couche cachée
et une couche de rendement. Chaque couche se compose d'un certain nombre
de neurones (noeuds). Dans la couche d'entrée, les noeuds sont employés
pour faire passer seulement les données d'entrée à la couche cachée. Aucun
calcul n'est exécuté dans les noeuds de la couche d'entrée.

Figure.1 : Structure typique des réseaux RBF

262
 European Scientific Journal June 2015 edition vol.11, No.18 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431

La couche cachée contient les k noeuds, qui appliquent une

transformation non linéaire sur les variables d'entrée. Plus spécifiquement,
chaque noeud j a un centre cj ; où cj est un vecteur dont la dimension est
égale au nombre d'entrées.
Pour chaque nouveau vecteur d’entrée X= [x1, x2, …, xN], la norme
de la distance euclidienne entre le vecteur d'entrée et le centre de noeud est
calculée comme suit :

∑(x − c )
N
ν j ( X ) = cj − X = [1]
2
i j ,i
i =1

Le rendement (sortie) des noeuds de la couche cachée est déterminé

par une fonction d’activation non linéaire (fonction gaussienne) :
 ν2 
f=(ν ) exp  − 2  [ 2]
 σ 
Avec σ l'écart type de la fonction d'activation. Une règle empirique
(Schobbens, 2000)
consiste à prendre: 1 N
=σj ∑ x −c i j [3]
N 8 i =1
Ainsi, la sortie du nœud j de la couche cachée est donnée par:
Z j = f (ν j ) [ 4]
Un ensemble de poids synaptique wj, j = 1,2..., k est appliqué aux
raccordements entre la couche cachée et la couche de rendement. Les nœuds
dans la couche de rendement servent seulement comme unités d'addition, qui
produisent le rendement final du réseau. La sortie de la couche de rendement
sera donnée comme suit:
 j =k 
= y L  ∑ wj Z j + bj  [ 5]
 j =1 
Avec L(n) = n fonction linéaire
Les poids synaptiques qui existent entre la couche cachée et la
couche de sortie sont calculés par l'algorithme de rétro propagation du
gradient de la manière suivante:
d
w j=
+1 w j − α * errj * Zj [ 6]
dZ j
Avec Z la matrice contenant différentes sorties des neurones de la
couche cachée, α le taux d'apprentissage et errj l’erreur commise entre le
vecteur cible et le vecteur prédit.

263
 European Scientific Journal June 2015 edition vol.11, No.18 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431

Détermination des centres par l’algorithme des K-Means

La position des centres c1, c2,…..... ck des fonctions de base est
également un paramètre à déterminer. Dans notre cas l’algorithme K-means
est utilisé pour sélectionner un ensemble de centres. Le principe de cet
algorithme consiste à fixer au préalable un nombre k de centres de classes.
C'est-à-dire connaître à priori le nombre de classes. On commence par le
choix aléatoire de k centres. Puis on calcule la distance de chaque élément de
la base des données par rapport à chacun des centres. Par la suite on affecte
l’élément à la classe du centre qui lui est le plus proche. Une fois, la base des
données est balayée entièrement, on recalcule les nouveaux centres des
classes. On répète les trois opérations de calcul de distance, d’affectation et
de détermination des nouveaux centres jusqu’à satisfaction d’un critère
d’arrêt. Le critère d’arrêt le plus utilisé consiste à arrêter le processus lorsque
les changements des positions des centres deviennent insignifiants.
Cet algorithme vise à réduire au minimum une fonction objective,
dans ce cas-là il s’agit d’une fonction erreur carrée.
K N

∑∑ xi( j ) − c j [7]
2
=j
=j 1 =i 1

Figure.2 : Installation de distillation continue

Où ‖xi(j) - cj‖ est une mesure choisie de distance entre un point de
repères xi(j) et le centre cj.
L'algorithme se compose des étapes suivantes :
- Placer les K points dans l'espace représenté par les objets. Ces points

264
 European Scientific Journal June 2015 edition vol.11, No.18 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431

représentent les centres initiaux des classes.

- Assigner chaque objet à la classe du centre le plus proche de lui.
- Quand tous les objets ont été assignés, recalculer les nouvelles positions
des centres.
- Répéter les étapes 2 et 3 jusqu'à ce que les centres ne se déplacent plus.

Partie expérimentale
L’installation étudiée est une installation de distillation de
Méthylcyclohexane à partir d’un mélange Toluène/méthylcyclohexane dont
on a défini la composition massique à 23% de méthylcyclohexane.
Les principaux organes constituant l’installation de distillation
continue sont la colonne à garnissage, le bouilleur, le condenseur en tête de
colonne et la pompe doseuse. (Figure.2).

Description du fonctionnement de la colonne de distillation continue

Le mélange (toluène/méthylcyclohexane) est introduit à travers le
plateau d’alimentation de la colonne, une partie de ce mélange est volatilisée
alors que l’autre partie redescend dans le bouilleur avec le reflux venant de la
tête de colonne.
La qualité du produit recueilli en tête de la colonne dépend du débit
de reflux dont le taux varie à l’aide d’un clapet électromagnétique régulé par
la température en tête de colonne, lorsque cette dernière est atteinte, le clapet
s’ouvre, dans le cas inverse, il demeure fermé. Le condenseur ayant la
surface d’échange 0,08m2, est placé en tête de colonne pour condenser
complètement les vapeurs.
Des échangeurs de chaleurs sont intégrés pour assurer un
refroidissement soit du distillat soit du résidu.
Le système de préchauffe est constitué de trois sous ensemble de
résistances chauffantes d’une puissance de 250 W chacune, avec en plus un
capteur de niveau empêchant la mise en marche si le niveau dans le corps de
verre est trop bas dans le bouilleur.
La pompe doseuse est constituée d’une membrane assurant
l’aspiration du mélange à distiller et son refoulement vers le réservoir de
préchauffe.
Le garnissage de la colonne de distillation continue favorise le
transfert de la matière entre la phase vapeur et la phase liquide. Le type de
garnissage choisi pour assurer ce rôle est MULTIKNIT inox 316 L, en plus,
pour se rapprocher aux conditions adiabatiques, un calorifuge constitué de
laine de verre est utilisé.
Pour le système de supervision, il est constitué du logiciel ETP200 et
il a plusieurs fonctionnalités, il permet de modifier les paramètres d’entrée et
de sortie du système, de suivre leur évolution et d’assurer la tendance de

265
 European Scientific Journal June 2015 edition vol.11, No.18 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431

groupe. La tendance de groupe permet de suivre l’évolution des mesures de

chaque appareil lié à la régulation. Cette évolution peut être visualisée en
temps réel ou en historique.

Détermination du mode normal de l’installation de distillation continue

Pour déterminer l’intervalle de travail, nous avons défini l’objectif
d’obtenir un mélange riche en méthylcyclohexane, pour cela, et à partir du
diagramme isobare liquide vapeur du mélange toluène/méthylcyclohexane,
nous avons déterminé une plage de température [101,1°C ; 103,4°C]
équivalente à un intervalle de titres de [0,48 ; 0,84] définissant le mode
normal de fonctionnement et cela en utilisant le modèle de Wilson pour la
modélisation du mélange (Figure.3). La définition de cette plage de
température découle du fait que la purification de ce mélange binaire en
industrie s’effectue dans cette gamme.

Figure.3 : Comportement normal de la colonne de distillation continue

Cette sélection a permis d’affecter une gamme pour chaque entrée

(Figure.4) du système pour avoir une température constante à la sortie

Figure.4 : Détermination des entrées/sorties de la colonne de distillation

266
 European Scientific Journal June 2015 edition vol.11, No.18 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431

Résultats et discussions
La température en tête de colonne du distillat (Td) est modélisée en
fonction des variables d'entrée du processus tels que : la puissance de chauffe
(x1), la puissance de préchauffe (x2), le taux de reflux (x3), le débit
d'alimentation (x4), les pertes de charges (x5), la température de préchauffe
(x6) et la température du bouilleur (x7), par un modèle neuronale de type
RBF-BP vu sa capacité à identifier des relations complexes et non linéaires
entre les entrées et les sorties des ensembles de données sans la nécessité de
comprendre la nature des phénomènes [Ada 10].
De manière générale, les bases de données doivent subir un
prétraitement afin d’être adaptées aux entrées et sorties des modèles
mathématiques stochastiques. Un prétraitement courant consiste à effectuer
une normalisation appropriée, qui tient compte de l’amplitude des valeurs
acceptées par les modèles. On obtient une base de données normalisée entre
0,1 et 0,9.
La normalisation de chaque entrée xi est donnée par la formule:
x ik old - min(x i )
k
x i new = 0,8* + 0,1 [8]
max(x i ) - min(x i )
Le réseau de neurones artificiels de type RBF est composé d’une
couche d’entrée contenant sept neurones, d’une couche cachée contenant
neuf neurones et d’une couche de sortie contenant un seul neurone.
La couche cachée est activée par une fonction gaussienne dont le
centre est déterminé à l’aide de l’algorithme des K-means ; par contre, la
couche de sortie est activée par une fonction linéaire. En ce qui concerne les
poids existants entre la couche cachée et la couche de sortie, ils sont
déterminés par l’algorithme de Rétro-propagation du gradient d’erreur.
Les figures 5 et 6 représentant respectivement RMSE et R2 calculés
pour les différents nombres de neurones de la couche cachée, donnent la
possibilité de choisir 9 neurones pour cette couche. Nous obtenons alors
l’architecture [7-9-1] comme meilleure configuration du réseau de neurones
RBF.

Figure.5 : Erreur quadratique moyenne

267
 European Scientific Journal June 2015 edition vol.11, No.18 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431

Figure.6 : Coefficient de détermination R2

Apprentissage et validation
Le réseau de neurones artificiel de type RBF se compose d’une
couche d’entrée contenant sept neurones, d’une couche cachée contenant
neuf neurones et d’une couche de sortie contenant un seul neurone

(Figure.7).
Figure.7 : Réseau de neurones RBF – Architecture [7-9-1]

La base d’apprentissage du réseau neuronal est constituée de 577

échantillons c’est à dire 60% de la totalité des données. Les poids et les biais
du réseau ont été réajustés à l’aide de l’algorithme de Rétro-propagation du
gradient d’erreur.
Une fois que l’architecture, les poids et les biais du réseau neuronal

268
 European Scientific Journal June 2015 edition vol.11, No.18 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431

ont été fixés il faut savoir si ce modèle neuronal est susceptible d’être
généralisé.
La validation de l’architecture neuronale [7-9-1] consiste donc à
juger sa capacité de prédiction de la température en tête de colonne en
utilisant les poids et les biais calculés durant l’apprentissage, pour les
appliquer à une autre base de données tests composés de 384 échantillons
c'est-à-dire 40% de la totalité des données. (Figure.8).

Figure.8 : Résultats de la prédiction de la température dans la tête de la colonne RNA-RBF

[7-9-1]

Le modèle de RNA-RBF [7-9-1] a donné un coefficient de

détermination pour la phase de test et de validation de 0.8828 et une erreur
quadratique moyenne de 0,0455.
La moyenne des valeurs absolues des résidus (Résidu = Target –
Output) est de l’ordre de 0,17. (Figure.9)

Figure.9 : Graphe des résidus

269
 European Scientific Journal June 2015 edition vol.11, No.18 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431

Conclusion:
Dans cette étude, L’apprentissage du modèle neuronal RBF
développé a été effectué en déterminant les poids et les biais à l’aide de
l’algorithme de Rétro-propagation du gradient d’erreur. Pour construire la
base d’apprentissage, nous nous sommes basés seulement sur les données en
régime normal de notre système de distillation.
L’architecture retenue de ce modèle est l’architecture ANN-RBF [7-
9-1] qui a permis d’obtenir un coefficient de détermination de 88.28% et
une erreur quadratique moyenne de 0.0455, ce qui représente le meilleur
résultat.
Dans une étude faite précédemment [Bou 14], nous avons utilisé
deux modèles à savoir la régression linéaire multiple totale et les réseaux de
neurones artificiels - Perceptron Multicouches pour la modélisation du
même système, le modèle retenu était le modèle ANN-MLP qui a donné un
coefficient de détermination de 81,9% dans la phase de test et de validation
et une erreur quadratique moyenne de 0,12.
En comparaison avec cette étude, nous concluons que le modèle
ANN-RBF-BP a donné un résultat meilleur que celui du modèle ANN-MLP.

References:
M Nohair, A St-Hilaire et T. B Ouarda, «Schobbens Utilisation de réseaux
de neurones et de la régularisation bayésienne en modélisation de la
température de l’eau en rivière ». Revue des sciences de l'eau. Journal of
Water Science, vol. 21, n° 3, p. 373-382, 2008.
Sharma R., Singh K., Singhal D. and Ghoshd R. «Neural network
applications for detecting process faults in packed towers», Chemical
Engineering and Processing, Vol. 43, pp.841–847, 2004.
Chen J. Roberts C. and Weston P. «Fault detection and diagnosis for railway
track circuits using neuro-fuzzy systems». Control Engineering Practice,
Volume 16, Issue 5, pp: 585-596, 2008.
Jian-Da Wu, C.H. «An expert system for fault diagnosis in internal
combustion engines using wavelet packet transform and neural network».
Expert Systems with Applications, In Press, Corrected Proof, 2008.
H. Metin Ertunc, Murat Hosoz, «Comparative analysis of an evaporative
condenser using Artificial neural network and adaptive neuro-fuzzy -
inference system»- International journal of refrigeration 31, pages 1426 –
1436, 2008.
Sanaye S, Dehghandokht M, Mohammadbeigi H, Bahrami S, - «Modeling of
rotary vane compressor applying artificial neural network» International
journal of refrigeration 34, pages 764 – 772, 2011.
Boudebbouz B, Manssouri I, Mouchtachi A, El Kihel B «Using the Total
Multiple Linear Regression and Artificial Neurons Network-Multi Layer

270
 European Scientific Journal June 2015 edition vol.11, No.18 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431

Perceptron for modelling the normal system, at variable point of functioning

of a continuous distillation column methylcyclohexane» - International
Journal of Science and Research (IJSR) ISSN: 2319-7064 Volume 3 Issue 6,
June 2014.
Schobbens, P.Y, Cours d’intelligence artificielle: Application aux systèmes
d’aide à la décision. Facultés Universitaires Notre Dame de la paix,
Belgique, 2000.
Adamowski J., Sun K. «Development of a coupled wavelet transform and
neural network method for flow forecasting of non-perennial rivers in semi-
arid watersheds». Journal of Hydrology, Vol. 390, No.1, p 85–91, 2010.

271