Comment implémenter un filtre de Kalman 1D en texte structuré pour des données de capteurs bruitées

Un filtre de Kalman 1D en texte structuré (IEC 61131-3) estime la valeur réelle d'un processus à partir de données de capteurs bruitées en mettant à jour l'état, le gain et la covariance à chaque cycle. Comparé à un filtre passe-bas standard, il permet de réduire la variance tout en préservant une réactivité plus élevée, ce qui est crucial lorsque les boucles PID, les alarmes ou les verrouillages ne peuvent tolérer un retard de phase évitable.

Les données de processus bruitées ne sont pas un simple désagrément de programmation ; c'est un problème de contrôle. Les capteurs de niveau à ultrasons, les pesons, les transmetteurs de pression et les débitmètres produisent tous du bruit de mesure dans des conditions d'usine courantes, car les vibrations, les interférences électromagnétiques (EMI), la turbulence, l'air entraîné et les réalités de montage ne disparaissent pas par magie pour le confort d'une courbe propre.

Indicateur Ampergon Vallis : Lors de tests en laboratoire au sein du simulateur de signal OLLA Lab, un filtre de retard du premier ordre appliqué à un signal de niveau bruité a produit environ 400 ms de retard de réponse, tandis qu'un filtre de Kalman 1D implémenté en texte structuré a suivi la même forme d'onde sous-jacente avec environ 45 ms de retard pour une fluidité visuelle comparable. Méthodologie : 12 cycles de test simulés, tâche de suivi de niveau à capteur unique, comparateur de référence à retard du premier ordre, fenêtre de test 3/2026. Cela confirme l'affirmation pratique selon laquelle l'estimation prédictive peut mieux préserver la réactivité qu'un lissage simple dans ces conditions de test. Cela ne prouve pas une supériorité universelle pour tous les capteurs, temps de cycle ou choix de réglage.

Le point technique est simple : si votre boucle PID poursuit le bruit, un filtre passe-bas peut calmer la courbe tout en dégradant silencieusement la réponse de contrôle. Les vannes et les registres s'en aperçoivent généralement avant que la réunion ne commence.

Le texte structuré (ST) est le langage IEC 61131-3 approprié pour cette classe d'algorithmes, car le filtrage de Kalman est une opération mathématique itérative avec état conservé, et non une logique de verrouillage centrée sur les barreaux. Vous pouvez forcer les équations dans un diagramme à contacts (Ladder), mais « possible » n'est pas synonyme de « sensé ».

Le texte structuré convient mieux à l'algorithme pour trois raisons

- Clarté d'exécution : Le ST exprime les opérations algébriques directement. La séquence prédiction-mise à jour se lit dans le même ordre que les équations sous-jacentes.

- Conservation de l'état : Un filtre de Kalman doit conserver les valeurs d'estimation précédentes d'un cycle à l'autre, y compris la covariance précédente et l'estimation d'état précédente. Le ST gère cela naturellement avec des variables rémanentes.

- Auditabilité : En Ladder, le même filtre devient souvent une chaîne de blocs `ADD`, `SUB`, `MUL` et `DIV` répartis sur plusieurs réseaux. Cela est plus difficile à réviser, plus difficile à maintenir et plus facile à casser lors des modifications.

- Discipline du cycle de balayage : Les calculs complexes en virgule flottante en Ladder peuvent augmenter la charge visuelle et d'exécution. Le problème n'est pas que les automates ne peuvent pas faire de mathématiques ; ils le peuvent. Le problème est que le Ladder est un mauvais endroit pour dissimuler une méthode numérique.

La distinction pratique est la syntaxe par rapport à la déployabilité

Le Ladder est excellent pour les permissifs, les séquences, les verrouillages et la visibilité du contrôle discret. Ce n'est pas le meilleur support pour l'estimation numérique compacte. Un filtre de Kalman 1D est petit, mais il reste un estimateur d'état. Traitez-le comme tel.

Pourquoi cela est important pour le risque de mise en service

L'utilisation de ST personnalisé sur un contrôleur en service introduit des modes de défaillance réels. Des boucles mal bornées, une mauvaise initialisation, des conditions de division par zéro ou des erreurs de logique simples peuvent déclencher des défauts de chien de garde ou un comportement instable selon la plateforme et l'implémentation. OLLA Lab est utile ici en tant qu'environnement de validation borné : les ingénieurs peuvent compiler, simuler, injecter du bruit et régler les paramètres avant le déploiement sur site, où les erreurs sont moins pédagogiques et plus coûteuses.

Un filtre de Kalman 1D estime un état scalaire unique à partir de mesures bruitées en répétant une phase de prédiction et une phase de mise à jour à chaque cycle. En termes d'automate, il s'agit d'un estimateur récursif qui décide de la confiance à accorder au modèle par rapport à la valeur entrante du capteur.

Variables fondamentales

La valeur filtrée que vous souhaitez utiliser en aval.

• X — Estimation de l'état actuel

L'estimation conservée du cycle précédent.

• X_prev — Estimation de l'état précédent

Une mesure de l'incertitude dans l'estimation actuelle.

• P — Covariance de l'erreur d'estimation

La covariance conservée du cycle précédent.

• P_prev — Covariance de l'erreur d'estimation précédente

L'incertitude supposée dans le système lui-même. Un `Q` plus élevé rend le filtre plus réactif aux changements.

• Q — Covariance du bruit de processus

L'incertitude supposée dans la mesure du capteur. Un `R` plus élevé rend le filtre moins confiant envers le capteur.

• R — Covariance du bruit de mesure

Le facteur de pondération dynamique entre la prédiction et la mesure.

• K — Gain de Kalman

La variable de processus bruitée entrant dans le filtre.

• Raw_Input — Valeur mesurée du capteur

Équations de prédiction et de mise à jour

Pour la forme 1D la plus simple, où l'état est supposé persister entre les cycles sans modèle de mouvement détaillé :

Phase de prédiction

• `P = P_prev + Q`

Phase de mise à jour

• `K = P / (P + R)`
• `X = X_prev + K * (Raw_Input - X_prev)`
• `P_prev = (1 - K) * P`
• `X_prev = X`

Signification opérationnelle de Q et R

Le comportement de réglage est principalement régi par `Q` et `R`.

• Augmentez Q lorsque le processus sous-jacent peut changer rapidement et que l'estimateur doit s'adapter plus vite.
• Augmentez R lorsque le capteur est bruité et que l'estimateur doit moins se fier aux mesures.
• Si Q est trop faible, le filtre devient lent.
• Si R est trop faible, le filtre suit le bruit trop avidement.
• Si les deux sont mal estimés, le résultat reste un filtre, mais pas un filtre utile. Les mathématiques ne remplacent pas la compréhension du processus.

Une implémentation minimale nécessite des variables rémanentes, une initialisation explicite et un chemin d'exécution par cycle. Le code ci-dessous est volontairement simple et adapté à une intégration dans un bloc fonctionnel ou une section de programme cyclique.

### Exemple : Filtre de Kalman 1D en texte structuré

Exemple en texte structuré :

VAR Raw_Input : REAL; // Entrée capteur bruitée Filtered_Output : REAL; // Résultat filtré

X : REAL; // Estimation état actuel X_prev : REAL := 0.0; // Estimation état précédent

P : REAL; // Covariance erreur actuelle P_prev : REAL := 1.0; // Covariance erreur précédente

Q : REAL := 0.01; // Covariance bruit processus R : REAL := 0.10; // Covariance bruit mesure

K : REAL; // Gain de Kalman

InitDone : BOOL := FALSE; END_VAR

// Initialisation unique IF NOT InitDone THEN X_prev := Raw_Input; P_prev := 1.0; InitDone := TRUE; END_IF;

// Phase de prédiction P := P_prev + Q;

// Phase de mise à jour K := P / (P + R); X := X_prev + K * (Raw_Input - X_prev);

// Stockage pour le cycle suivant P_prev := (1.0 - K) * P; X_prev := X;

// Sortie Filtered_Output := X;

Notes d'implémentation importantes sur un automate réel

• Initialisez à partir de la première mesure réelle plutôt qu'à zéro si possible. Cela évite un transitoire de démarrage inutile.
• Ne conservez que ce dont l'algorithme a besoin. Sous cette forme simple, il s'agit principalement de `X_prev` et `P_prev`.
• Utilisez des types à virgule flottante appropriés à la plateforme. Certains automates traitent `REAL` et `LREAL` de manière suffisamment différente pour influencer la stabilité du réglage.
• Évitez la réinitialisation cachée. Si `InitDone` se réinitialise de manière inattendue, le filtre semblera « sauter » au redémarrage.
• Maintenez une exécution déterministe. Le filtre doit s'exécuter une fois par cycle ou une fois par tâche planifiée, et non de manière opportuniste.

Quand encapsuler cela dans un bloc fonctionnel

Un bloc fonctionnel est préférable lorsque vous avez besoin de :

• plusieurs instances pour différents capteurs,
• une encapsulation explicite de l'état,
• un comportement d'initialisation standardisé,
• une réutilisation plus propre entre les projets.

C'est généralement le bon modèle de production. La version en ligne reste utile pour la compréhension et la validation sur banc d'essai.

Tester fait la différence entre écrire du code et valider un comportement. OLLA Lab est pertinent ici car il fournit un environnement basé sur navigateur pour répéter la partie risquée : prouver le filtre dans des conditions bruitées, changeantes et proches de la défaillance avant qu'il ne touche un processus réel.

Définir correctement « Simulation-Ready »

Simulation-Ready ne signifie pas « capable d'écrire la syntaxe automate de mémoire ». Cela signifie qu'un ingénieur peut prouver, observer, diagnostiquer et durcir la logique de contrôle face à un comportement de processus réaliste avant qu'il n'atteigne un système réel. Cela inclut l'observation des E/S, la comparaison de l'état Ladder ou ST par rapport à l'état de l'équipement simulé, l'injection de conditions anormales et la révision de la logique après un cas de défaillance.

C'est une norme plus stricte que la simple réalisation d'un tutoriel. C'est aussi plus proche de la mise en service réelle.

Un flux de travail de test pratique avec OLLA Lab

• Ouvrez le panneau des variables.
• Mappez `Raw_Input` vers une source analogique simulée dans le simulateur de signal.

• Utilisez un profil analogique lent (sinusoïdal, rampe ou échelon) pour représenter une valeur de processus changeante telle qu'un niveau de réservoir, une pression ou un débit.

• Superposez du bruit sur le signal de base pour simuler des vibrations, des turbulences ou des interférences électriques.
• Commencez par un bruit modéré, puis augmentez l'amplitude pour tester la robustesse de l'estimateur.

• Visualisez `Raw_Input` et `Filtered_Output` ensemble.
• Observez si le signal filtré supprime le bruit sans prendre un retard matériel sur la forme d'onde sous-jacente.

• Augmentez `R` si le filtre suit le bruit de trop près.
• Augmentez `Q` si le filtre est trop lent pour suivre le mouvement réel du processus.

• Introduisez des changements d'échelon, des pics ou des inversions de processus soudaines.
• Confirmez que l'estimateur récupère proprement et ne déstabilise pas la logique en aval.

1. Lier le signal brut
2. Appliquer une forme d'onde de base
3. Injecter du bruit de mesure
4. Observer la réponse filtrée
5. Régler Q et R en direct
6. Tester les transitions anormales

Ce qu'OLLA Lab fait et ne fait pas ici

OLLA Lab est un environnement de validation et de répétition pour les tâches de mise en service à haut risque. Dans ce contexte, il permet aux ingénieurs de tester la logique ST, d'inspecter le comportement des variables et de comparer la réponse du processus simulé avec la sortie de l'algorithme sans risquer un contrôleur physique ou une séquence d'usine réelle. Ce n'est pas un substitut à la réception sur site, au contrôle des boucles, à la validation de sécurité ou à la formation des opérateurs sur l'actif réel. Ces limites sont importantes.

Un filtre passe-bas supprime la variation haute fréquence en lissant le signal dans le temps. Un filtre de Kalman 1D estime l'état réel le plus probable en équilibrant l'incertitude de l'estimation précédente par rapport à l'incertitude de la mesure. Le premier est un lissage direct ; le second est une estimation récursive.

Comparaison pratique

| Critère | Retard 1er ordre / Filtre passe-bas | Filtre de Kalman 1D | |---|---|---| | Méthode principale | Lissage temporel | Estimation d'état prédictive | | Termes de réglage principaux | Constante de temps / coeff. de filtre | Bruit de processus `Q`, bruit de mesure `R` | | Réponse au bruit | Bonne | Bonne | | Retard de réponse | Souvent significatif | Souvent plus faible si bien réglé | | Connaissance du modèle | Minimale | Pondération explicite de l'incertitude | | Complexité d'implémentation | Faible | Modérée | | Cas d'utilisation idéal | Applications simples où le retard est acceptable | Mesures bruitées où la réactivité reste importante |

La conséquence sur le contrôle n'est pas subtile

Si un filtre passe-bas ajoute suffisamment de retard de phase, la boucle peut sembler plus calme sur la courbe tout en étant moins performante en opération. C'est le piège. Une courbe qui flatte l'œil peut toujours punir l'actionneur.

Une affirmation d'ingénierie bornée

Un filtre de Kalman 1D n'est pas automatiquement meilleur qu'un filtre passe-bas. Il est mieux adapté lorsque :

• le bruit du capteur est important,
• la réponse du processus est importante,
• la logique PID ou d'alarme en aval est sensible au retard,
• et que l'ingénieur peut régler `Q` et `R` avec une certaine discipline.

Si l'application est lente, tolérante et non critique, un simple filtre passe-bas peut être tout à fait adéquat. La complexité doit justifier son existence.

Les captures d'écran ne sont pas des preuves d'ingénierie en soi. Ce sont des souvenirs, à moins d'être liées à une définition de test.

Lors de la documentation de la validation d'un filtre, construisez un ensemble de preuves compact en utilisant cette structure :

1. Description du système Définissez l'actif simulé, le type de capteur, la variable de processus, le contexte de cycle et la pertinence du contrôle en aval.
2. Définition opérationnelle du « correct » Indiquez ce que signifie le succès en termes observables, comme une variance réduite, un retard de suivi acceptable, un comportement PID stable ou une réduction des fausses alarmes.
3. Logique Ladder et état de l'équipement simulé Enregistrez le contexte de la logique de contrôle et le comportement du processus simulé au moment du test.
4. Le cas de défaillance injecté Spécifiez le profil de bruit, la condition de pic, la perte de signal ou la perturbation introduite.
5. La révision effectuée Documentez les changements de paramètres, de code ou d'initialisation appliqués.
6. Leçons apprises Capturez quelle hypothèse de réglage a tenu, ce qui a échoué et ce qui doit être vérifié avant le déploiement.

C'est le genre de preuve qui survit à une revue. Une galerie de captures d'écran y parvient rarement.

Le filtrage n'est pas une revendication de sécurité fonctionnelle en soi, mais la qualité de l'implémentation s'inscrit dans une discipline plus large de correction logicielle, de validation et de performance de contrôle. Les normes et la littérature pertinentes aident à définir ce à quoi ressemble une bonne ingénierie.

Contexte normatif

• IEC 61131-3 régit les langages de programmation des automates, y compris le texte structuré et le diagramme à contacts. C'est le cadre linguistique pertinent pour la forme de l'implémentation.
• IEC 61508 est pertinente lorsque le comportement logiciel affecte les systèmes liés à la sécurité ou la rigueur du cycle de vie. Elle n'« approuve » pas un filtre de Kalman, mais elle renforce les attentes concernant la vérification, la traçabilité et l'intégrité logicielle.
• Les conseils d'organisations telles qu'exida sont utiles pour discuter de la discipline de validation, du comportement en cas de défaillance et de la séparation entre confort de contrôle et fonction de sécurité.

Contexte littéraire

La littérature récente sur le contrôle de processus, la fusion de capteurs et la simulation numérique soutient généralement quelques conclusions bornées :

• les mesures industrielles sont régulièrement corrompues par le bruit et les perturbations ;
• les choix de filtrage affectent à la fois la qualité du signal et la réactivité du contrôle ;
• les environnements de simulation et de jumeaux numériques peuvent améliorer la validation avant déploiement lorsqu'ils sont utilisés pour tester un comportement observable plutôt que simplement démontrer des graphiques ;
• la programmation assistée par IA peut accélérer la rédaction, mais une revue déterministe reste essentielle.

Ce dernier point mérite d'être dit clairement : le code généré reste votre problème une fois qu'il atteint un contrôleur.

Un filtre de Kalman 1D est utile dans le travail sur automate car il résout un problème réel d'usine : des mesures bruitées qui ne peuvent pas être lissées avec un retard important sans dégrader la qualité du contrôle. Le texte structuré est le support d'implémentation correct pour cet algorithme car la méthode dépend d'un état conservé et d'expressions numériques compactes. OLLA Lab devient opérationnellement utile au stade de la validation, où les ingénieurs doivent injecter du bruit, suivre la réponse, régler `Q` et `R` et durcir la logique avant le déploiement.

La distinction à retenir est simple : le filtrage ne consiste pas seulement à rendre une courbe plus propre ; il s'agit de préserver la qualité de la décision sous le bruit. Dans le contrôle de processus, cette différence atteint l'actionneur rapidement.

- IEC 61131-3: Programmable controllers — Part 3 - IEC 61508 functional safety standards family - exida functional safety and validation resources - NAMUR NE 107 status signaling recommendation - Digital twin in industry: state-of-the-art (DOI)