Robust Nonlinear Model Predictive Control based on Constrained Saddle Point Optimization : Stability Analysis and Application to Type 1 Diabetes

par Maxime Penet

Thèse de doctorat en Automatique (STIC)

Sous la direction de Hervé Guéguen.

Le président du jury était Jean-Jacques Loiseau.

Le jury était composé de Aziz Belmiloudi.

Les rapporteurs étaient Jamal Daafouz, Mazen Alamir.

  • Titre traduit

    Commande Prédictive Nonlinéaire Robuste par Méthode de Point Selle en Optimisation sous Contraintes : Analyse de Stabilité et Application au Diabète de Type 1


  • Résumé

    Cette thèse s’intéresse au développement d’un contrôleur sûre et robuste en tant que partie intégrante d’un pancréas artificiel. Plus précisément, nous sommes intéressés à contrôler la partie du traitement usuel qui a pour but d’équilibrer la glycémie du patient. C’est ainsi que le développement d’une commande prédictive nonlinéaire robuste basée sur la résolution d’un problème de point selle a été envisagé. Afin de valider les performances du contrôleur dans une situation réaliste, des simulations numériques en utilisant une plate-forme de tests validée par la FDA sont envisagées.Dans une première partie, nous présentons une extension de la classique commande prédictive nonlinéaire dont le but est d’assurer le contrôle robuste de systèmes décrits par des équations différentielles ordinaires non linéaires dans un cadre échantillonné. Ce contrôleur, qui calcule une action de contrôle adéquate en considérant la solution d’un problème de point selle, est appelé saddle point model predictive controller (SPMPC). En utilisant cette commande, il est prouvé que le système converge en temps fini dans un espace borné et, en supposant une certaine structure dans le problème, qu’il est pratiquement stable entrée-état. Ensuite, nous nous sommes intéressés à la résolution numérique. Pour ce faire, nous proposons une méthode de résolution inspirée de la méthode du Langrangien augmenté et qui fait usage de modèles adjoints.Dans un deuxième temps, nous considérons l’application de ce contrôleur au problème du contrôle artificiel de la glycémie. Après une phase de modélisation, nous avons retenu deux modèles : un modèle simple qui est utilisé pour développer la commande et un modèle complexe qui est utilisé comme un simulateur réaliste de patients. Ce dernier est nécessaire pour valider notre approche de contrôle. Afin de calculer une entrée de commande adéquate, la commande SPMPC a besoin de l’état complet du système. Or, les capteurs ne peuvent fournir qu’une valeur du glucose sanguin. C’est pourquoi le développement d’un observateur est envisagé. Ensuite, des simulations sont réalisées. Les résultats obtenus témoignent de l’intérêt de l’approche retenue. En effet, pour tous les patients, aucune hypoglycémie n’a été observée et le temps passé en état hyperglycémique est suffisamment faible pour ne pas être dommageable. Enfin, l’intérêt d’étendre l’approche de commande SPMPC au problème de contrôle de systèmes décrits par des équations différentielles retardées non linéaires dans un cadre échantillonné est formellement investigué.


  • Résumé

    This thesis deals with the design of a robust and safe control algorithm to aim at an artificial pancreas. More precisely we will be interested in controlling the stabilizing part of a classical cure. To meet this objective, the design of a robust nonlinear model predictive controller based on the solution of a saddle point optimization problem is considered. Also, to test the controller performances in a realistic case, numerical simulations on a FDA validated testing platform are envisaged.In a first part, we present an extension of the usual nonlinear model predictive controller designed to robustly control, in a sampled-data framework, systems described by nonlinear ordinary differential equations. This controller, which computes the best control input by considering the solution of a constrained saddle point optimization problem, is called saddle point model predictive controller (SPMPC). Using this controller, it is proved that the closed-loop is Ultimately Bounded and, with some assumptions on the problem structure, Input-to State practically Stable. Then, we are interested in numerically solving the corresponding control problem. To do so, we propose an algorithm inspired from the augmented Lagrangian technique and which makes use of adjoint model.In a second part, we consider the application of this controller to the problem of artificial blood glucose control. After a modeling phase, two models are retained. A simple one will be used to design the controller and a complex one will be used to simulate realistic virtual patients. This latter is needed to validate our control approach. In order to compute a good control input, the SPMPC controller needs the full state value. However, the sensors can only provide the value of blood glucose. That is why the design of an adequate observer is envisaged. Then, numerical simulations are performed. The results show the interest of the approach. For all virtual patients, no hypoglycemia event occurs and the time spent in hyperglycemia is too short to induce damageable consequences. Finally, the interest of extending the SPMPC approach to consider the control of time delay systems in a sampled-data framework is numerically explored.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse ?