Abstract : The performances of controlled system are strongly linked to performances of the control architecture timed. To manage these performances, the control engineer has to evaluate them at each stage of the life cycle: from the project requirements to the detailed design and at the setup stage. However, the engineer expectations levels concerning the estimated performances are variables. Approximated results quickly obtained with rough data are enough at the beginning of the life cycle. But he needs reliable results at the detailed design stage even if the performances are longer and more difficult to obtain. Our approach takes into account theses various engineer needs. The proposed method evaluates timed performances of networked control architecture and guides the engineer throughout the architecture development. A modular design has been retained to model the dynamic behavior of the control architecture using Timed Colored Petri Nets. Three points of view are considered: The dynamic behavior model of functional architecture is obtained by modeling the control tasks and their interactions; The dynamic behavior model of hardware architecture is obtained by modeling the topology and the connections between hardware components (PLC, communication networks ...); The dynamic behavior model of operational architecture is obtained by modeling the mapping of the control tasks and data flows to the hardware components. Then the timed performances evaluation is obtained by simulation of the Petri net. To validate our approach, we treat a relevant example using the software platform Design/CPN. With this case study, we present different studies concerning the dynamic behavior models convergence, the simulation results sensitivity according to the parameters settings error and the simulation performances accuracy by confrontation with the performances measured on the real system.
Résumé : Les performances temporelles d'une architecture de contrôle-commande conditionnent fortement celles du système automatisé de production commandé. Pour maîtriser ces performances temporelles, l'architecte automaticien doit pouvoir les évaluer à chaque phase du cycle de développement : de l'étude d'avant-projet à la conception détaillée ainsi que lors de la mise au point. Il n'a cependant pas les mêmes attentes concernant les performances estimées. Des résultats approximatifs, obtenus rapidement à partir de données encore imprécises, lui suffisent en début de cycle de développement, alors que des prévisions fiables, même si elles sont plus difficiles à obtenir, lui sont nécessaires en conception détaillée. L'approche que nous présentons prend en compte ces différents besoins et contraintes. Elle consiste en une méthode d'évaluation des performances temporelles d'architectures de commande complexes distribuées en réseaux, destinée à accompagner l'architecte tout au long du cycle de développement. Cette méthode est basée sur une modélisation modulaire du comportement temporel de la commande par réseaux de Petri Colorés Temporisés. Pour ce faire, trois temps sont nécessaires dans la modélisation. La modélisation de l'architecture fonctionnelle consiste à représenter les fonctions de commande, et leurs interactions. La modélisation de l'architecture matérielle permet de traduire la topologie et les connexions entre équipements de commandes (automates programmables, réseaux de communication, ...). L'affectation des fonctions de commande aux équipements ainsi que la prise en compte des communications entre ces fonctions via des réseaux de communication constitue le modèle de l'architecture opérationnelle. Une fois le modèle de comportement de l'ensemble de l'architecture opérationnelle constitué, l'évaluation des performances temporelles est réalisée par simulation du réseau de Petri obtenu. Pour valider notre approche, nous traitons un exemple significatif à l'aide de la plate forme logicielle Design CPN. Cette étude de cas nous permet de présenter une série d'études portant sur la convergence de nos modèles, sur la sensibilité des résultats de simulation aux erreurs de paramétrages et sur la précision des performances obtenues par simulation en les confrontant à celles mesurées sur le système réel.