Académique Documents
Professionnel Documents
Culture Documents
Representation Des Systemes Multivariable Cours - Rep PDF
Representation Des Systemes Multivariable Cours - Rep PDF
Analyse et representation
Page 2/70
Contents
Introduction
Notations
1 Rappels dalg`
ebre lin
eaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Probl`eme de linversion . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1 Introduction des moindres carres (LMS) . . . . . . . . . . . . .
1.2.2 Methodes numeriques pour resoudre les LMS . . . . . . . . . . .
1.2.3 Illustration: probl`eme de lapproximation polynomiale . . . . .
1.2.4 Formule dinversion des matrices partitionnees - Lemme dinversion
matricielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Decomposition des matrices . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1 Decomposition spectrale (help eig) . . . . . . . . . . . . . . .
1.3.2 Decomposition de Schur (help schur) . . . . . . . . . . . . .
1.3.3 Decomposition de Cholesky (help chol) . . . . . . . . . . . .
1.3.4 Decomposition en valeurs singuli`eres -SVD (help svd) . . . . .
13
13
13
13
16
17
27
27
28
19
20
20
22
23
24
28
30
32
33
3 Repr
esentation d
etat des syst`
emes multivariables d
efinis par des matrices de transfert
37
Analyse et representation
Page 3/70
4
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
Contents
Probl`eme general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Rappels: gouvernabilite, observabilite, minimalite . . . . . . . . . . . . 39
3.2.1 Crit`eres generaux . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.2 Crit`eres particuliers . . . . . . . . . . . . . . . . . . . . . . . . . 40
Rappel: passage transfert/etat dans le cas SISO (Single Input Single
Output) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.1 Formes diagonales . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.2 Formes compagnes . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.3 Formes de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . 43
Cas SIMO (Single Input Multi Output) et MISO (Multi Input Single
output) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Cas MIMO avec des modes simples: methode de Gilbert . . . . . . . 44
Cas general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.6.1 Diagonalisation dune matrice polynomiale par operations elementaires 45
3.6.2 Calcul algorithmique des invariants . . . . . . . . . . . . . . . . 46
3.6.3 Invariants dune matrice rationnelle . . . . . . . . . . . . . . . . 47
3.6.4 Construction dune realisation minimale . . . . . . . . . . . . . 48
Calcul dune realisation non-minimale . . . . . . . . . . . . . . . . . . . 49
Methode du graphe minimal (cas des valeurs propres multiples) . . . . 51
Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4 Repr
esentation d
etat des syst`
emes multivariables d
efinis par un syst`
eme
d
equations diff
erentielles
55
4.1 Notations et Probl`ematique . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Rappel cas SISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3 Cas general multivariable . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3.1 Pre-multiplication du syst`eme: triangularisation (superieure) de
L(D) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3.2 Changement de variable (post-multiplication) . . . . . . . . . . 57
4.3.3 Mise sous forme detat . . . . . . . . . . . . . . . . . . . . . . . 57
4.4 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5 Gouvernabilit
e et observabilit
e: analyse pratique par
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Definitions . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.1 Grammien de gouvernabilite (help gram) . . .
Analyse et representation
Page 4/70
les
. .
. .
. .
grammiens
. . . . . . .
. . . . . . .
. . . . . . .
63
63
63
64
Contents
5.3
R
ef
erences
Analyse et representation
65
66
69
Page 5/70
Analyse et representation
Contents
Page 6/70
Introduction
Ces notes de cours regroupent les outils mathematiques et les techniques utilises pour
lanalyse et la representation des syst`emes dynamiques lineaires multi-variables (ou
MIMO: Multi Input Multi Output). On presentent principalement lanalyse par les
valeurs singuli`eres (chapitre 2) apr`es quelques rappels dalg`ebre lineaires (chapitre 1)
et le calcul dune realisation minimale `a partir dune matrice de transfert (chapitre 3)
ou dun syst`eme dequations differentielles (chapitre 4). Les notions pratiques de gouvernabilite et dobservabilite (grammiens) ainsi la realisation equilibree sont abordees
dans le chapitre 5. Les methodes de reduction, bien quelles auraient trouvees leur place
dans ces notes, ne sont pas presentees ici et nous renvoyons le lecteur aux references
[5] et [7] pour plus de details.
Les pre-requis pour la lecture de ces notes sont principalement la theorie des
asservissements lineaires et les notions de base sur la representation detat, la gouvernabilte et lobservabilite des syst`emes lineaires [6]. Il sadresse donc tout particuli`erement
aux etudiants de SUPAERO qui ont dej`a suivi les cours de tronc commun en seconde
annee.
Il sagit dune edition provisoire qui sera completee par les rappels dautomatique
necessaires pour rendre ce document autonome. La bibliographie (incompl`ete) est principalement constituee de references internes afin que les etudiants puissent positionner
ces notes par rapport aux autres documents disponibles.
Analyse et representation
Page 7/70
Analyse et representation
Introduction
Page 8/70
Notations
Symboles courants
R
C
Rn
Cn
Rmn
Cmn
j
|.|
ln
log10
kxk, kxk2
Re (x)
E[x]
x
N (m, )
In
0n ou 0nm
Mi,j
MT
M
Herm(M )
M 1
M T
M
M+
i (M )
min (M )
max (M )
Analyse et representation
Page 9/70
10
i (M )
)
(M
(M )
(M )
Trace (M )
det(M )
spec(M )
ker(M )
Im (M )
dim(V )
rang (M )
Notations
i-`eme valeur propre de M
valeur propre maximale de M
rayon spectral de M , (M ) = maxi |i (M )|
conditionnement de M : max (M )/min (M )
P
trace de M , trace(M ) = ni=1 Mi,i
determinant de M
ensemble des valeurs propres de M
noyau de M , ker(M ) = {x : M x = 0}
espace image de M , Im (M ) = {M x : x Cn }
dimension de lespace V
dim(Im (M ))
Notations syst`
eme
s
variable de Laplace
A B
parfois matrice de transfert C(sI A)1 B + D
C D
,
incertitudes parametriques
Acronymes
B.F.
B.O.
LFT
LMI
LQG
LTI
LTV
SVD
VSS
Boucle fermee
Boucle Ouverte
Transformation Lineaire Fractionnaire
Inegalite Matricielle Lineaire
Lineaire Quadratique Gaussien
Lineaire `a Temps Invariant
Lineaire `a Temps Variant
Decomposition en Valeurs Singuli`eres
Valeur Singuli`ere Structuree
Analyse et representation
Page 10/70
Notations
Propriete
Symetrique
Hermitienne
Anti-symetrique
Anti-hermitienne
Orthogonale
Unitaire
Idempotente
Nilpotente
Positive definie
Positive semi-definie
11
definition
A = AT
A = A
A = AT
A = A
AAT = AT A = I
AA = A A = I
A2 = A
Ak = 0 k 2
x A x > 0 x 6= 0
x A x 0 x 6= 0
Analyse et representation
Page 11/70
12
Analyse et representation
Notations
Page 12/70
13
Chapter 1
Rappels dalg`
ebre lin
eaire
1.1
Introduction
1.2
1.2.1
Probl`
eme de linversion
Introduction des moindres carr
es (LMS)
Analyse et representation
Page 13/70
(1.1)
`bre line
aire
1. Rappels dalge
14
que lon note matriciellement :
y1
y2
y = Ax avec y = .. ,
.
x=
ym
x1
x2
..
.
et A =
xn
a11
a21
..
.
a12
a22
am1 am2
a1n
a2n
amn
x = A1 y
a) moins d
equations que dinconnues
m<n
pulsieurs solutions
1 T
x x + T (y Ax)
2
a
Principe: J
=0
x x=b
x
Ja
=0
x
b AT = 0
y = Ab
x
= (AAT )1 y
x
b = AT (AAT )1 y
Pour distinguer les differents cas, on compare le nombre dequations m et le nombre dinconnues
n. Il sagit en fait du nombre dequations independantes et du nombre dinconnues minimal afin que:
rang(A) =min(m, n).
Analyse et representation
Page 14/70
`me de linversion
1.2 Proble
[xT y]
x
= y,
[xT M x]
x
[y T x]
x
15
= y,
= (M + M T )x.
a) plus d
equations que dinconnues
m>n
1
1
1
kek2 = eT e =
(y Ax)T (y Ax)
2
2
2
1 T
=
(y y xT AT y yAx + xT AT Ax) .
2
J
= 0 2AT y + 2AT Ab
x=0
x x=bx
(La derivee sannule `a loptimum et il sagit bien dun minimum car la fonction
est quadratique).
x = (AT A)1 AT y
Exemple: approximation polynomiale (macro polyfit sous matlab). Soit m couples de mesures (ti , yi ). On cherche les coefficients xi du polynome dordre n 1
passant par les points (ti , yi ); soit :
yi = x1 + x2 ti + x3 t2i + xn tn1
i
ou encore :
y1
y2
..
.
ym
i = 1, 2, , m
tn1
x1
1
n1
t 2 x2
..
.
2
n1
1 tm tm tm
xn
matrice de Vandermonde
1 t1
1 t2
..
.
t21
t22
(soit: y = Ax)
Le conditionnement dune matrice est le rapport de la plus grande valeur singuli`ere de cette
matrice sur la plus petite: (A) = max (A)/min (A)
Analyse et representation
Page 15/70
`bre line
aire
1. Rappels dalge
16
1.2.2
M
ethodes num
eriques pour r
esoudre les LMS
a) Inversion brutale:
x
b1 = (AT A)1 AT y
probl`emes numeriques si AT A est mal conditionnee.
b) Elimination gaussienne: on ecrit
(AT A)b
x2 = AT y .
La solution est obtenue en pre-multipliant cette equation par une sequence de
matrices elementaires (operations sur les lignes et les colonnes) pour mettre AT A
sous forme triangulaire superieure. x
b2 peut alors etre calcule par substitution
arri`ere.
methode rapide.
c) Factorisation QR: soit A Rmn de rang n (m n) alors A peut-etre factorisee
sous la forme:
A = QR
U
Q1
x
b3 = Q y =
Q2
Ux
b3 = Q1 y,
Analyse et representation
Page 16/70
`me de linversion
1.2 Proble
1.2.3
17
Illustration: probl`
eme de lapproximation polynomiale
Soit :
[ti ] = [0, 1, 2, 3, , m 1],
x = [1, 1, 1, 1, , 1] (n fois) la valeur vraie vraie du vecteur des coefficients du
polynome recherche dordre n-1.
La session Matlab qui suit presente les resultats obtenus par les methodes a), c) et d)
dans le cas m = 20 et n = 8. Nous pouvons constater que linversion directe est tr`es
mauvaise et que les techniques de la pseudo-inverse et par factorisation QR donnent
des resultats satisfaisants.
>>
>> %
LMS: probl`
eme de lapproximation polynomiale
>>
>>
>> clear all
>> format long e
>> m=20;
>> n=8;
>> t=[0:1:m-1];
>> x=ones(n,1);
>> a=[];
>> for ii=1:n,a=[a t.^ii];end;
>> y=a*x;
>>
>> % Inversion directe:
>> xhat1=inv(a*a)*a*y
Warning: Matrix is close to singular or badly scaled.
Results may be inaccurate. RCOND = 1.315754e-22.
xhat1 =
4.990038871765137e-01
1.020576477050781e+00
1.205293655395508e+00
1.030517876148224e+00
9.941211566329002e-01
1.000405412632972e+00
9.999893351923674e-01
1.000000218589548e+00
>> norm(xhat1-x)/norm(x)
Analyse et representation
Page 17/70
`bre line
aire
1. Rappels dalge
18
ans =
1.918762776683313e-01
>>
>> % Utilisation de la pseudo-inverse:
>> xhat4=pinv(a)*y
xhat4 =
1.000003337860107e+00
9.999985694885254e-01
1.000000953674316e+00
9.999998211860657e-01
1.000000022351742e+00
9.999999990686774e-01
1.000000000014552e+00
1.000000000000227e+00
>> norm(xhat4-x)/norm(x)
ans =
1.328986586111962e-06
>>
>>
>>
>>
>>
>>
>>
>>
>>
% Utilisation de la d
ecomposition QR de A:
[q,r]=qr(a);
u=r(1:n,1:n);
qt=q;
q1t=qt(1:n,:);
xhat3=zeros(n,1);
sec=q1t*y;
for ii=n:-1:1,
prem=0;
for jj=ii+1:n,
prem=prem+u(ii,jj)*xhat3(jj);
end
xhat3(ii)=1/u(ii,ii)*(sec(ii)-prem);
end
>> xhat3
xhat3 =
Analyse et representation
Page 18/70
`me de linversion
1.2 Proble
19
9.999995821321698e-01
1.000000000037892e+00
1.000000094150625e+00
9.999999700429867e-01
1.000000004047405e+00
9.999999997290243e-01
1.000000000008738e+00
9.999999999998931e-01
>> norm(xhat3-x)/norm(x)
ans =
1.518188652864724e-07
1.2.4
y1
=
y2
On peut alors ecrire :
y = Ax partitionnee en 2 (A : n n) :
A11 A12
x1
y1 = A11 x1 + A12 x2
ou
A21 A22
x2
y2 = A21 x1 + A22 x2
1
x1 = A1
11 y1 A11 A12 x2
1
y2 = A21 A1
11 y1 + (A22 A21 A11 A12 )x2
1
Posons: = A22 A21 A11
A12 , alors :
x2 = 1 y2 1 A21 A1
11 y1
1
1
1
1
x1 = (A1
+
A
A
A21 A1
11
11 12
11 )y1 A11 A12 y2
1 1
1
1
1
A11 A12
A11 + A1
A1
1
11 A12 A21 A11
11 A12
A =
=
A21 A22
1 A21 A1
1
11
De facon analogue, on peut demontrer :
1
1 A12 A1
A11 A12
22
=
1
1
1
1
A1
A1
A21 A22
22 A21
22 + A22 A21 A12 A22
avec = A11 A12 A1
u le lemme dinversion :
22 A21 . Do`
1
1
1
1
1
1
A1
11 + A11 A12 (A22 A21 A11 A12 ) A21 A11 = (A11 A12 A22 A21 )
Ce lemme est utilise pour les methodes dinversion iteratives (actualisation de la matrice
de covariance en estimation).
Analyse et representation
Page 19/70
`bre line
aire
1. Rappels dalge
20
1.3
D
ecomposition des matrices
Les methodes de decomposition des matrices jouent un role important dans lanalyse,
lestimation et la commande des syst`emes dynamiques lineaires.
1.3.1
D
ecomposition spectrale (help eig)
x = Ax + Bu
y = Cx
avec: dim(A) = n n, dim(B) = n m, dim(C) = p n et on suppose que A est
diagonalisable.
Effectuons le changement de variable :
x=Vx
e avec V
x
e = e
x + U Bu
y = CV x
e
avec :
= diag(i ) = V 1 AV (matrice diagonale),
Analyse et representation
Page 20/70
x
C
(p)
21
V
(n)
(n)
B
(n)
(n)
(m)
u1
u2
U = .. avec ui A = i ui .
.
un
Le syst`eme peut-etre represente de la facon suivante (figure 1.1) :
R
eponse autonome: (u = 0) les xei (t) evoluent de facon decouplee
i t
xei (t) = xf
.
0i e
Ce sont les modes du syst`eme. Les sorties y et les etats x du mod`ele ne sont que des
combinaisons lineaires des modes x
e.
La matrice V decrit linfluence des modes x
e du syst`emes sur les etats x.
La matrice C decrit linfluence des etats x du syst`emes sur les sorties y.
La matrice B decrit linfluence des commandes u sur les variations des etats x.
La matrice U decrit linfluence des variations des etats x sur les variations des modes
x
e .
La decomposition en elements simples de la matrice de transfert secrit :
Z(s) = C(sI A)1 B =
Pn
i=1
Cvi ui B
si
Remarque 1.3.1 Pour une valeur propre complexe , on parle de mode du second
i (i ).
ordre qui associe xei (i ) et son conjugue xe
Analyse et representation
i = 1, , nr ,
Page 21/70
et
cj
j = 1, , nc ,
`bre line
aire
1. Rappels dalge
22
alors n = nr + 2nc et :
Z(s) =
=
nr
X
Cvi ui B
i=1
nr
X
i=1
nc
X
Cvj uj B C vj uj B
+
(
+
)
r
s i
s cj
s cj
j=1
n
c
C(j s + j )B
Cvi ui B X
+
r
2
s i
s + 2j j s + j2
j=1
avec 4 :
j = |cj | (pulsation en rd/s),
j = Re(cj )/j (amortissement),
j = 2 Re(vj uj ),
j = (cj vj uj + cj vj uj ).
Remarque 1.3.2
on a suppose que les valeurs propres etaient distinctes. Dans le cas de valeurs
propres multiples, la matrice bloc-diagonale fait apparatre des bloc de Jordan.
On parle alors de matrice de vecteurs propres generalises.
1.3.2
D
ecomposition de Schur (help schur)
T =
3
Page 22/70
..
.
n
Analyse et representation
..
.
..
.
23
...
Re(ci ) Im(ci )
T =
Im(ci ) Re(ci )
..
.
..
.
..
.
..
.
n
La decomposition de Schur est utilise pour calculer des sous-espaces invariants, cest`a-dire des sous-espaces propres de dimensions superieure `a 1. En effet, `a partir de la
decomposition de Schur, on peut ecrire :
AU = U T,
si lon partitionne en 2 cette egalite, on obtient:
T11 T12
A [U1 , U2 ] = [U1 , U2 ]
.
T22
La premi`ere composante de cette egalite secrit:
A U1 = U1 T11
qui traduit que les vecteurs colonnes de U1 engendrent un sous-espace propre associe
aux valeurs propres: diag(T11 ).
Les decompositions spectrale et de Schur sont utilisees pour resoudre les equations
de Riccati. la decomposition de Schur est reputee etre plus stable numeriquement
pour les equations de taille elevee (n100).
1.3.3
D
ecomposition de Cholesky (help chol)
Soit Ann une matrice definie positive, alors A peut etre dcomposee de la facon suivante :
l11 0 0
..
l22 0
.
l
A = L LT avec L = 21
.
.
.. 0
..
ln1 lnn
Cest la generalisation aux matrices de la fonction racine carree. Elle est utilisee pour
parametriser les matrices dont on veut garantir quelles sont definies positives
(ponderations, covariances, ...),
dans le forme square root de lalgorithme dactualisation de la matrice de covariance du filtre de Kalman.
Analyse et representation
Page 23/70
`bre line
aire
1. Rappels dalge
24
1.3.4
D
ecomposition en valeurs singuli`
eres -SVD (help svd)
Les valeurs singuli`eres dune matrice A sont les racines carrees des valeurs propres de
AT A. on les note i :
p
i = i (AT A) .
Alors que les valeurs propres sont liees aux directions invariantes par la transformation
A, les valeurs singul`eres contiennent linformation metrique sur cette transformation. Limage du cercle unite par A est un ellipsode dont la longueur des demi-axes
principaux correspondent aux valeurs singuli`eres maximale et minimale :
max = max
u6=0
kAuk
kuk
et min = min
u6=0
kAuk
kuk
o`
u kxk designe la norme euclidienne de x: kxk = xT x.
D
ecomposition en valeurs singuli`
eres Soit A une matrice de dimension m n et
de rang r (r < min(m, n)). A peut etre factorisee sous la forme:
A = Umm mn Vnn
1rr
V1
|r n
= [U1 , U2 ]
V2
|r (n r)
avec :
U Cmm matrice unitaire (U U = Imm ),
V Cnn matrice unitaire (V V = Inn ),
1 = diag(i ),
U1 et U2 de dimension m r et m (m r) respectivement,
V1 et V2 de dimension n r et n (n r) respectivement.
U est la matrice des vecteurs singuliers U = [u1 , u2 , , um ] (voir figure 1.2). V
est la matrice des vecteurs dont les images par A sont les vecteurs singuliers V =
[v1 , v2 , , vn ]. En effet :
Avi = U V vi or
1
0
.. ..
. .
0
n
Page 24/70
u2
25
u1
cercle unit
avec =
1
1 rr 0
0
0
1
et 1
1 = diag( 1 , ,
1
).
r
kAuk
.
kuk
Page 25/70
`bre line
aire
1. Rappels dalge
26
min (A1 ) =
1
;
max (A)
max (A1 ) =
1
.
min (A)
Analyse et representation
Page 26/70
27
Chapter 2
Analyse des syst`
emes
multi-variables par les valeurs
singuli`
eres
2.1
G
en
eralit
es
x
y
A B
C D
x
u
2pm
La notation
Y
U (s)
Analyse et representation
Page 27/70
Singular Values
16
x 10
5
10
15
20
1
10
10
10
Frequency (rad/sec)
1s
1+s
* Dans le cas multi-variable, le trace des r valeurs singuli`eres (r = min(m, p)) offre
une information plus synthetique, mais la perte de la notion de phase peut-etre
dommageable pour certaines analyses.
)
. La commande Matlab sigma(tf([-1 1],[1 1])) conExercice: tracer ( 1s
1+s s=j
duit alors au diagramme suivant (figure 2.1), cest-`a-dire une valeur
singuli`ere unitaire
1s
sur toute la plage de frequence. Esquisser le trace de (1 1+s ) s=j .
2.2
2.2.1
Page 28/70
K(s)
29
G(s)
Im(G(j )K(j ))
marge de gain
(1,0)
p
Re(G(j )K(j ))
1
|| S ||
marge de
phase
c
G(j )K(j )
Analyse et representation
Page 29/70
(2.1)
o`
u p est la pulsation `a laquelle le trace de Nyquist traverse le demi-axe de phase
180 (phase crossover). Elle mesure de combien le gain peut varier `a cet endroit avant
de toucher le point critique. La marge de phase est:
marge de phase = Arg(G(jc )K(jc )) 180
(2.2)
o`
u c est la pulsation `a laquelle le trace de Nyquist traverse le cercle unite centre `a
lorigine (pulsation de coupure). Elle mesure de combien la phase peut varier (rotation
du trace autour de lorigine) avant de rencontrer le point critique.
Enfin la marge de retard est liee `a la marge de phase exprimee en degre par la
relation :
2.2.2
Les valeurs singuli`eres permettent de generaliser directement au cas des syst`emes multivariables la notion de marge de module. La plus petite distance du gain de boucle
G(j)K(j) au point critique secrit alors:
r = min min (I + G(j)K(j))
soit encore:
r = min
Analyse et representation
1
max (I + G(j)K(j))1
Page 30/70
K(s)
G(s)
31
y+
+
r
avec S(s) = (I + G(s)K(s))1 la fonction de sensibilite en sortie 2 .
On notera egalement que dans le cas multi-variable on peut distinguer :
On peut pour chacun de ces transferts tracer les lieux de Black chane par chane, les
autres chanes etant ouverte et/ou fermee. Cela permet dapprecier les couplages entre
les chanes. On notera toutefois quil faut fermer les autres chanes, pour apprecier
les marges de gain, de phase et de retard relatives `a une chane. La marge de module
(en sortie) permet de determiner la taille de la plus petite perturbation additive
destabilisante selon le schema de la figure 2.4. En effet lapplication directe de la
propriete de singularite des valeurs singuli`eres enoncee page 26 permet decrire :
La boucle fermee est stable si (condition suffisante) max () < min min (I+G(j)K(j))
Analyse et representation
Page 31/70
K(s)
G(s)
2.2.3
Illustration
Considerons la boucle dasservissement presentee figure 2.2 dans le cas SISO. Le transfert de boucle (apr`es developpement) secrit :
L(s) = K(s)G(s) =
3s2 + 0.01s + 1
2
+ 2
.
s 1 2s + 0.01s + 1
Solution sous Matlab: la sequence Matlab qui suit conduit aux figures 2.6 `a 2.8. On
peut verifier dans le plan de Nyquist que le lieu entoure effectivement une fois le point
critique (le lieu complementaire pour les pulsations negatives est automatiquement
trace). Etant donne quil y a un pole instable en boucle ouverte, on peut garantir que
la boucle fermee est stable. Dans le plan de Black, cela se traduit par un depart
du lieu sur laxe au dessus du point critique. Enfin, les marges de gain et phase sont
correctes mais la marge de module (ou plutot le minimum de la valeur singuli`ere de
1 + L) permet de deceler la proximite du lieu avec le point critique `a la pulsation de
0.7 rds.
>>
>>
>>
>>
Mg =
0.5025
Mp =
60.5275
wc =
0
Analyse et representation
Page 32/70
10
0
0.7078
0
2.675
5
5.553
dB
10
15
13.23
20
26.68
25
53.78
30
108.4
35
40
45
90
135
180
PHASE
225
270
315
360
wp =
1.7137
>> figure,sigma(1+L)
2.3
Le mod`ele G de vol lateral dun avion rigide est donne par la reprsesentation detat :
0.080 0.104 0.995 0.045
0
0.016
r 1.711 0.179 0.293
0.010
0.782
0
r
0
1.000
0.104
0
0
0
. (2.4)
0
0.0002 0.0023
ny 0.0224 0.0013 0.0015
p
dp
0
1.0000
0
0
0
0
r
dr
0
0
1.0000
0
0
0
0
0
0
1.0000
0
0
Une loi de commande par retour statique de sortie a ete synthetisee afin de placer
correctement les modes rigides :
Page 33/70
Nyquist Diagrams
From: U(1)
1.5
To: Y(1)
Imaginary Axis
0.5
0.5
1.5
2
1.5
0.5
0.5
Real Axis
Singular Values
1
8
1
10
10
Frequency (rad/sec)
Analyse et representation
Page 34/70
10
Analyse et representation
Page 35/70
Analyse et representation
Page 36/70
37
Chapter 3
Repr
esentation d
etat des syst`
emes
multivariables d
efinis par des
matrices de transfert
3.1
Probl`
eme g
en
eral
telle que: Z(s) = D + C(sI A)1 B, cest `a dire une realisation qui soit
equivalente du point de vue du comportement entree-sortie,
qui soit minimale, cest `a dire enti`erement gouvernable et observable car la matrice de transfert initiale ne represente que la partie gouvernable et observable
du syst`eme.
Analyse et representation
Page 37/70
sentation de
tat des syste
`mes multivariables de
finis par des
3. Repre
38
matrices de transfert
une realisation detat correcte secrit immediatement en choisissant la position et la
vitesse comme vecteur detat :
y
0 1 0
y 0 0 1 y
=
y 1 0 0 y
u
y
0 1 0
Pourtant, il est facile de se rendre compte que Matlabr fournit sur cet exemple une
realisation non-minimale (dordre 3) et donc incorrecte comme le montre la session qui
suit :
>> sys=tf({1;1},{[1 0 0];[1 0]})
Transfer function from input to output...
1
#1: --s^2
1
s
#2:
>> [a,b,c,d]=ssdata(sys)
a =
0
1
0
0
0
0
0
0
0
1
0
0
1
b =
1
0
1
c =
0
0
Analyse et representation
Page 38/70
, observabilite
, minimalite
39
d =
0
0
Cela est d
u au fait que la fonction tf2ss ne garantit pas la minimalite de la realisation.
Ce probl`eme de minimalite est dilicat `a resoudre dans le cas general comme nous allons
le voir dans les sections qui suivent 1 .
3.2
Rappels: gouvernabilit
e, observabilit
e, minimalit
e
3.2.1
Crit`
eres g
en
eraux
A11 A12
B1
T
T
Ug AUg =
et Ug B =
,
0 A22
0
avec (A11 , B1 ) gouvernable. A22 represente la partie ingouvernable.
Dualement la paire (A, C) peut se decomposer de la facon suivante (help obsvf) :
0
A11 A012
T
Uo AUo =
et CUo = [0 C2 ],
0 A022
avec (A022 , C2 ) observable. A011 represente la partie inobservable.
Le calcul pratique dune realisation minimale utilise ces 2 transformations de facon
sequentielle (help minreal):
premi`ere transformation Ug : on reduit les lignes et les colonnes du bloc ingouvernable A22 ,
deuxi`eme transformation Uo : on reduit les lignes et les colonnes du bloc inobservable A011 .
Analyse et representation
Page 39/70
sentation de
tat des syste
`mes multivariables de
finis par des
3. Repre
40
matrices de transfert
3.2.2
Crit`
eres particuliers
Il existe des crit`eres particuliers dans le cas de matrices A compagnes ou sous forme
bloc diagonale de Jordan. Voir polycopie SUPAERO: A.J. Fossard Representation,
observation et commande des syst`emes lineaires dans lespace detat (syst`emes monoentre/mono-sortie) (p 90-97).
On retiendra particuli`erement le crit`ere sur les formes de Jordan :Si la matrice
form
ee des derni`
eres lignes des p blocs de la matrice B correspondants aux
p blocs de Jordan de la matrice A associ
es `
a une m
eme valeur propre nest
pas de rang p alors le syst`
eme est ingouvernable.
Ce crit`ere permet daffirmer que dans le cas mono-variable, la presence de 2 blocs
de Jordan (ou plus) associes `a une meme valeur propre entrane lingouvernabilite du
syst`eme.
Exemple : Considerons un satellite dinertie Js autour de son axe de tangage. Pour
controler son attitude s/i par rapport au rep`ere inertiel, on applique des couple us/r
sur une roue dinertie Jr reperee par son attitude r/s par rapport au satellite.
Le principe daction/reaction nous permet decrire :
= us/r
Js s/i
+ s/i
) = us/r
Jr (r/s
do`
u la representation detat :
s/i
s/i
r/s =
r/s
y
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
1/Js
1
0
0 1/Js + 1/Jr
0
0
s/i
s/i
r/s
r/s
u
3.3
(voir [4], pages 27 `a 30). Dans le cas SISO, lordre de la representation est directement
le degre du denominateur de la fonction de transfert.
Analyse et representation
Page 40/70
3.3.1
Formes diagonales
Sil ny a que des valeurs propres simples, on peut decomposer Z(s) en elements simples :
n
X
N (s)
i
F (s) = n
=
.
1 (s + i )
s
+
i
1
On a alors directement une realisation minimale :
1
1
2
1
..
...
x .
=
n
n
y
u
1
2 1
0
Les elements i et 1 sont permutables dans B et C.
3.3.2
Soit :
Formes compagnes
N (s)
bm sm + bm1 sm1 + bm2 sm2 + + b1 s + b0
F (s) =
=
D(s)
1sn + an1 sn1 + an2 sn2 + + a1 s + a0
..
xh ..
.
= .
a0 a1
y
b0
0
0
..
.. ..
.
.
.
..
. 1
0
0
1
an1
bm 0
0
..
.
..
.
0
1
0
xh
Analyse et representation
Page 41/70
sentation de
tat des syste
`mes multivariables de
finis par des
3. Repre
42
matrices de transfert
de la facon suivante :
0
1
0
0
..
x0 = ..
h
.
.
0
0
h a0 a
C(0)
y =
C(0) 1!
avec:
0
..
.
...
..
.
...
a
A = n1
...
a1 an1
0
..
.
0
1
0
0
..
.. ..
..
.
.
.
.
0
x + A1 B(0)/2!
..
. 1
h
0
B(0)/1!
0
1
B(0)
an1i
C(0)
2!
x0h
N (s)
et N (0) =
s s=0
an1 1 0 0
..
.
.
.
.
0 . . . . ..
..
.. . .
xv
. 1 0
.
.
a
0 0 1
1
a0 0 0
y
1
0 0
Comme precedemment, une formulation plus generale
du numerateur:
..
xv
bm
(3.2)
..
b0
u
0
fait intervenir une factorisation
N (s) = C(s)B(s)
Les deux polynomes C(s) et B(s) ou, dans le cas multi-variable, les matrices polynomiales colonne C(s) et ligne B(s) (voir section 3.6.4), alimentent les matrices C et B
de la facon suivante :
an1 1 0 0
..
. . . . ..
..
.
. .
.
0
..
.. . .
x0v +
x0v =
B(0)/2! u
. 1 0
.
.
B(0)/1!
a
0
0
1
1
B(0)
h a0 0 0 i
C(0)
C(0)
y = C(0)
A1 x0v
1!
2!
avec A definie par lequation 3.1.
Analyse et representation
Page 42/70
3.4 Cas SIMO (Single Input Multi Output) et MISO (Multi Input
Single output)
43
3.3.3
Formes de Jordan
F (s) =
alors :
x
=
0
..
.
..
.
0
1
..
.
..
.
0
..
.
..
.
..
.
C()
C()
1!
C()
2!
..
0
.
..
..
..
. .
.
..
. 0 B()/2!
x
..
. 1 B()/1!
0 B()
Cas particuliers: pour les syst`emes SISO on prend souvent: C(s) = 1 et B(s) = N (s)
ou C(s) = N (s) et B(s) = 1.
3.4
Les methodes precedentes peuvent setendre directement aux matrices de transfert ligne
(cas MISO) ou colonne (cas SIM0). Lordre de la representation est egalement le degre
de (s): denominateur commun de la matrice de transfert sous la forme:
Z(s) =
M (s)
(s)
Comme dans le cas SISO il faut isoler prealablement la transmission directe et normalise
`a 1 le coefficient de plus haut degre de (s).
Exemple:
Analyse et representation
Page 43/70
sentation de
tat des syste
`mes multivariables de
finis par des
3. Repre
44
matrices de transfert
alors:
0
x
= 0
0
a a
0
1
y1
b0
y2
c0
3.5
0
0
0
..
.
0
..
...
1
.
0
1
0
an1 1
bm 0
d1
cm 0
d2
Sil le denominateur (s) na que des racines simples, alors on peut decomposer la
matrice de transfert en elements simples:
q
X Mi
M (s)
Zpm (s) =
=
.
(s + 1 )(s + 2 ) (s + q )
s
+
i
i=1
Lordre du syst`eme est la somme des rangs des matrices Mi (de dimension p m):
n=
q
X
rang(Mi ) =
i=1
Ci (p ri ),
q
X
ri
avec ri = rang(Mi )
i=1
Bi (ri m) / Mi = Ci Bi
La representation detat est sous forme diagonale (avec i apparaissant ri fois), les
matrices B et C sont formees des matrices Bi et Ci .
Exemple:
2
s + 4s + 1
s
3s + 1
s
4s
3s + 1
4s
3s + 1
1 0
Z(s) =
=
+
(3.3)
0 0
s2 + s
s(s + 1)
2 1
1 0
4 2
0 1
1 0
+
+
(3.4)
=
0 0
s
s+1
1 0
1
[2 1]
0 1
2
1 0
=
+
+
(3.5)
0 0
s
s+1
Les valeurs propres 0 et -1 vont donc apparatre respectivement 2 fois et 1 fois dans la
Analyse et representation
Page 44/70
ne
ral
3.6 Cas ge
45
x
=
3.6
1
0
0
1 2
1 0 1 1
0 1 2 0
0
1
1
0
0
Cas g
en
eral
Dans le cas general, la premi`ere question `a se poser est: quel est lordre de la realisation
thode des invariants qui est presentee ci-dessous permet de
minimale?. La me
repondre `a cette question et permet egalement de trouver une realisation minimale
bloc-diagonale. On supposera dans ce que suit que la matrice de transfert de depart
est strictement propre (tous les polynomes du numerateur sont de degre strictement
inferieur au degre du denominateur commun (s)). Dans le cas contraire, on prendra
soin dextraire prealablement la transmission directe et de la rajouter directement `a la
realisation minimale finalement obtenue. On note:
Z(s)pm =
3.6.1
M (s)pm
(s)
el
ementaires
Etant donnee une matrice polynomiale M (s) de dimension pm, il est toujours possible
de trouver des matrices polynomiales, mais `a determinant constant (i.e. independant
de s et non nul) V (s) et W (s) de dimensions p p et m m telles que :
M (s) = V (s)(s)W (s)
avec (s) diagonale si m = p ou quasi diagonale
1 (s)
..
(s) =
.
m (s)
(s) =
1 (s)
..
.
p (s) 0 0
Analyse et representation
cas p = m
Page 45/70
cas p < m
sentation de
tat des syste
`mes multivariables de
finis par des
3. Repre
46
matrices de transfert
(s) =
1 (s)
..
m (s)
..
.
0
cas p > m
Les elements i (s) sont appeles les invariants de la matrice M (s). Ils ont la propriete
suivante: i divise i+1 .
On peut ecrire:
V 1 (s)M (s)W 1 (s) = (s)
V 1 (s) et W 1 (s) sont des matrices de pre-multiplication et de post-multiplication
calculees pour diagonaliser M (s).
Exemple:
1
s + 3 3s + 8
Z(s) =
1
s + 4 &M (s)
(s + 2)2
Diagonalisation de M (s) par pre et post multiplication:
1 s 3
s + 3 3s + 8
0
1
1
s+4
2
0 1
0 s 4s 4
1 0
s+4
1
1
s+4
1 s+4
0 s2 4s 4
0 1
1
0
|{z}
|{z}
0
(s
+
2)2
W 1 (s)
{z
}
|
0
1
V 1 (s)=
(s)
1 s 3
s+3 1
1 s+4
V (s) =
W (s) =
1
0
0 1
1
0
1
s
+
4
s+3 1
2
(s+2)
Z(s) =
0 1
1
0
0
1
(voir aussi les exemples 13,14 et 15 pages 38 et 39 de la reference [4].)
3.6.2
Page 46/70
ne
ral
3.6 Cas ge
47
et C correspondantes, il sera preferable, dans certains cas (cas des poles reels multiples), de ne pas chercher les matrices V (s) et W (s) mais dappliquer la methode du
graphe minimal (voir section 3.8) connaissant lordre et la structure de la dynamique
du syst`eme.
Calcul direct des i (s): on pose:
0 = 1,
1 = pgcd
1
,
0
2 =
2
,
1
Exemple:
M (s) =
i
i1
s + 3 3s + 8
1
s+4
0 = 1
1 = 1
1 = 1
2
2
2 = s + 7s + 12 3s 8 = (s + 2)
2 = (s + 2)2
3.6.3
Z(s) = V (s)
i (s)
(s)
1 (s)
(s)
..
i (s)
(s)
..
Page 47/70
Analyse et representation
W (s)
sentation de
tat des syste
`mes multivariables de
finis par des
3. Repre
48
matrices de transfert
Il peut y avoir eventuellement simplification totale:
Z(s) = V (s)
i (s)
(s)
1 (s)
1 (s)
2 (s)
2 (s)
..
0
..
.
..
.
..
.
..
.
..
.
.
k (s)
k (s)
k+1
= i .
...
p 0
Lordre du syst`
eme est
egal `
a la somme des degr
es des d
enominateurs des
invariants rationnels r
eduits:
n=
Pmin(m,p)
i=1
degre(i (s)).
det(sI A) = i=1
Exemple:
Z(s) =
3.6.4
s+3 1
1
0
1
(s+2)2
0
1
1 s+4
0 1
syst`eme dordre 2 .
Construction dune r
ealisation minimale
1 (s)
0
1 (s)
..
2 (s)
2 (s)
.
...
.. w1 (s)
w2 (s)
..
k (s)
Z(s) = [v1 (s), v2 (s), , vp (s)]
..
.
k (s)
.
..
k+1
. wm (s)
..
..
.
.
p 0
Analyse et representation
Page 48/70
alisation non-minimale
3.7 Calcul dune re
Z(s) =
k
X
i=1
49
min(m,p)
min(m,p)
k
X
X
X
i (s)
vi
wi +
vi i wi =
Zi +
Di
i (s)
i=1
i=k+1
i=k+1
1
s+3
1
Z(s) =
[1 s + 4] +
[0 1]& ignore
1
0
(s + 2)2
Do`
u la realisation minimale dordre 2 :
2
1
0
1
0 2 1 2 x
x
=
y
1
1 0 0 u
1
0 0 0
3.7
Calcul dune r
ealisation non-minimale
si p m: decomposition en colonne:
Z(s) =
m
X
Mi (s)
i=1
(s)
[0 0
Page 49/70
0 0]
1
|{z}
iieme colonne
sentation de
tat des syste
`mes multivariables de
finis par des
3. Repre
50
matrices de transfert
Pour chaque terme Mi (s), on adoptera une forme compagne horizontale ou une
forme de Jordan (cas des valeurs propres multiples). La realisation finalement
obtenue est bloc-diagonale et gouvernable mais pas necessaire observable.
si p m: decomposition en ligne
0
..
.
p 0
X
M i (s)
1
Z(s) =
(s)
i=1 0
..
.
avec M (s) =
M 1 (s)
M 2 (s)
..
.
M p (s)
0
Pour chaque terme M i (s), on adoptera une forme compagne verticale ou une
forme de Jordan (cas des valeurs propres multiples). La realisation finalement
obtenue est bloc-diagonale et observable mais pas necessaire gouvernable.
Exemple:
1
Z(s) =
(s + 2)2
s + 3 3s + 8
1
s+4
2 1
0 2
x1 =
y =
1
1
0
s+3
[1 0]
1
+
=
(s + 2)2
1
x +
0
2 1 1
0 2
0
2
3
x1
2
1
3s + 8
[0 1]
s+4
(s + 2)2
0
0
u
0
1
0 0
0
1
4 4
x2 + 1 0 u
x2 =
0 0
0
1
0 1
4 4
3
1 8
3
y =
x2
1
0 4
1
Analyse et representation
Page 50/70
Z(s) =
1
0
[s + 3 3s + 8]
+
(s + 2)2
0
1
[1 s + 4]
(s + 2)2
1 3
2 1
0 2
x3 + 1 2 u
x3 =
0 1
2 1
0 2
1 2
1
0 0
0
y =
x3
0
0 1
0
4 1
1 3
4 0
3 8
x4
+
x4 =
0 1 u
4 1
4 0
1 4
1
0 0
0
y =
x4
0
0 1
0
3.8
M
ethode du graphe minimal (cas des valeurs
propres multiples)
On decompose Z(s) =
M (s)
(s+)r
Z(s) =
en elements simples :
Mr
Mr1
M1
+
+
.
r
r1
(s + )
(s + )
s+
Mj1
..
.
i
Mj =
Mj j = 1, , r
..
.
Mjp
Y1 (s) =
..
.
Mr1
U
(s+)r
1
Mr1
U
(s+)r1
+ +
M11
U
s+
Yi (s) =
..
.
Mri
U
(s+)r
i
Mr1
U
(s+)r1
+ +
M1i
U
s+
Yp (s) =
Mrp
U
(s+)r
p
Mr1
U
(s+)r1
+ +
M1p
U
s+
Analyse et representation
Page 51/70
sentation de
tat des syste
`mes multivariables de
finis par des
3. Repre
52
matrices de transfert
xr
x r-1
+
+
x1
y1
[1 3]u
x2
y1
x1
+
+
+
-
y2
1 3
1 2
0 1
1 2
1
s + 3 3s + 8
Z(s) =
+
=
2
2
1
s+4
(s + 2)
(s + 2)
s+2
(
[1 2]
[1 3]
Y1 (s) = (s+2)
2 U + s+2 U
[1 2]
[0 1]
Y2 (s) = (s+2)
2 U + s+2 U
On obtient le graphe presente figure 3.2. En effet :
Y2 (s) = Y1 (s)
[1 2]
U.
s+2
Do`
u la realisation minimale (dordre 2) :
2
1
1
3
x5 +
u
x5 =
1 2
0 2
1 0
y =
x5
1 1
Analyse et representation
Page 52/70
3.9 Exercice
3.9
53
Exercice
3
p + 3p2 + 2p + 1 2p2 + p + 1
3p2 + p + 1
3p2 + p + 1
Z(p) =
(3.6)
p2 (p2 + p + 1)
a) De quel ordre est le syst`eme ?
b) Quelle est sont equation caracteristique? Sous forme bloc diagonale, quelle serait
la structure de la matrice A?
c) Donner une realisation minimale de ce syst`eme.
Analyse et representation
Page 53/70
sentation de
tat des syste
`mes multivariables de
finis par des
3. Repre
54
matrices de transfert
Analyse et representation
Page 54/70
55
Chapter 4
Repr
esentation d
etat des syst`
emes
multivariables d
efinis par un
syst`
eme d
equations diff
erentielles
4.1
Notations et Probl`
ematique
(k)
000
0
0
0
y1 + 2y1 + 3y1 + y2 + y2 = u1 + u2 + u3
0
0
0
y1 + y1 + 3y2 + y2 = u2 + u3 + u3
D + 2D + 3 D + 1
D+1
3D + 1
y1
y2
D 1
1
0 1 D+1
u1
u2
u3
Page 55/70
sentation de
tat des syste
`mes multivariables de
finis par un
4. Repre
`me de
quations diffe
rentielles
56
syste
Hypoth`
ese : Comme precedemment et comme dans le cas SISO, on supposera s r
pour que le syst`eme est une signification physique. Si r = s, le syst`eme nest pas
strictement propre et on commencera par isoler la transmission directe. Lattention
est toutefois attiree sur le fait que, contrairement au cas SISO, la condition s > r
nimplique pas que syst`eme soit strictement propre. Il peut meme ne correspondre `a
rien de physique.
4.2
Dans le cas SISO, lequation differentielle entree-sortie, apr`es avoir isoler la transmission
directe et apr`es normalisation `a 1 du coefficient de la derivee de la sortie y de plus haut
degre, secrit :
1 y n + an1 y n1 + + a1 y + a0 y = b0 u + b1 u + + bm1 um1 + bm um .
On prendra comme representation detat
prietes dobservabilite (equation 3.2) :
an1 1
..
.
0
.
..
xv
..
.
a
0
1
a0 0
y
1
0
4.3
0
..
.
0
0 1
0
0
..
xv
bm
..
b0
u
0
Cas g
en
eral multivariable
Dune facon analogue aux matrices de transfert, nous allons chercher `a diagonaliser
L(D) par une succession doperations licites (pre-multiplications et post-multiplication
par des notations `a determinant constant; ni nul ni dependant de D).
4.3.1
Pr
e-multiplication du syst`
eme: triangularisation (sup
erieure)
de L(D)
V (D)L(D)y = V (D)M (D)u
L11 (D)
0
L22 (D)
V (D)L(D) = T (D) =
.
..
.
.
.
0
Analyse et representation
Page 56/70
avec
L1p (D)
..
...
.
..
..
.
.
0
Lpp (D)
ne
ral multivariable
4.3 Cas ge
4.3.2
57
4.3.3
0
L1
s Ls1 Ipp
..
... ...
.
0
..
..
...
.
.
Ipp
x
=
1
s L1
L1
Ls L0
y
Ipp
Analyse et representation
0
0
0
Page 57/70
0
..
.
0
Ipp
0
0
..
.
0
x
M
L1
r
s
..
.
1
Ls M0
u
0
sentation de
tat des syste
`mes multivariables de
finis par un
4. Repre
`me de
quations diffe
rentielles
58
syste
Cas 2: Ls est de rang < p
Par pre-multiplication
et post-multiplication, on peut se ramener au cas o`
u L(s) =
I p
et on decompose le syst`eme en blocs 2 2 :
p pp
()
(p )
y1
y2
M1 (D)
M2 (D)
x1
A1 B1 K
x1
x1 = A1 x1 + B1 u Ky2
=
ou
u
y1 = C1 x1
y1
C1
y2
Second sous-syst`eme :
L22 (D)y2 = M2 (D)u L21 (D)y1
(4.1)
des relations statiques sur x1 qui permettront de supprimer (reduire) des variables
detats dans le vecteur x1 (si s > n).
Analyse et representation
Page 58/70
4.4 Exemple
59
x2
x2
A2 B2 T
x2 = A2 x2 + B1 u + T x1
ou
=
u
y2 = C2 x2
y2
C2
x1
et la representation globale :
x1
x2
y1
y2
A1 KC2
T
A2
C1
C2
B1
B2
x1
x
2
Remarques :
4.4
I p
L(s) =
p pp
Exemple
D2 + D + 1 D2 D
D+1 D+2
y=
u note: (L(D)y = M (D)u)
D2 + 2D + 1 D2 + D
D + 3 2D + 4
Ordre du syst`
eme
det (L(D)) = D4 + 2D3 + 2D2 + D (D4 + D3 + ) = D3 +
n=3
Normalisation de Ls
1 1
s = 2 ; L2 =
1 1
Analyse et representation
Page 59/70
sentation de
tat des syste
`mes multivariables de
finis par un
4. Repre
`me de
quations diffe
rentielles
60
syste
Pre-multiplication:
1 0
D + D + 1 D2 D
D+1 D+2
(Ly = Du)
y=
u.
1 1
D
2D
2
D+2
1 1
Changement de variable: y =
z
0 1
2
D+1 D+2
D + D + 1 2D 1
z=
u.
2
D+2
D
D
Premier sous-syst`
eme:
(D2 + D + 1)z1 = [D + 1 D + 2]u + (2D + 1)z2
1 1
1 1
2
x1 =
x1 +
u+
z2
1 0
1 2
1
z1 = [ 1 0 ]x1
Second sous-syst`
eme:
1]x1
Cette derni`ere egalite met en evidence une transmission directe unitaire entre z2 et u2
(deuxi`eme composante de u). On pose donc: ze2 = z2 u2 = z2 [0 1]u et on obtient :
(D + 2)ze2 = [1
1]u + [1
do`
u la representation du second sous-syst`eme :
x2 = 2x2 + [1 1]u + [1
ze = x2
2
z2 = x2 + [0 1]u
1]x1 ,
1]x1
Repr
esentation globale
x1
x
2
=
z1
z2
Analyse et representation
1 1
2 1 3
1 0
1 1 3
x1
1 1 2 1 1
x2
1
0
0 0 0 u
0
0
1 0 1
Page 60/70
4.5 Exercices
61
x1
x
2
=
y1
y2
4.5
1 1
2
1 0
1
1 1 2
1
0 1
1
0
0
1 1
0 1
z:
1 3
1 3
x1
1 1
x2
0 1 u
0 1
Exercices
Exercice 1
On consid`ere le syst`eme defini par les equations :
2
D
3
2D2 + D + 2 D2 +
+1
D2 1
D2 + 13 D 2
y1
y2
D+1 D+2 1
D
1
1
u1
u2
u3
a) De quel ordre est ce syst`eme ? (On ne vous demande pas les modes, seulement
lordre. Repondez, en justifiant, le plus facilement possible).
b) Donnez-en une representation detat minimale.
c) Comment les etats que vous avez choisi sont-ils lies aux sorties et aux entrees du
syst`eme?
Exercice 2
D2 D
D2 + 1
2
2
D + D D + 2D 1
y=
Analyse et representation
Page 61/70
1 2
2 1
sentation de
tat des syste
`mes multivariables de
finis par un
4. Repre
`me de
quations diffe
rentielles
62
syste
Analyse et representation
Page 62/70
63
Chapter 5
Gouvernabilit
e et observabilit
e:
analyse pratique par les grammiens
5.1
Introduction
Les notions de gouvernabilite et dobservabilite presentees jusquici donne une information binaire sur les proprietes du syst`eme (gouvernable ou pas, observable ou pas).
Les crit`eres theoriques sont dailleurs fondes sur un calcul de rang. En pratique, il
parat necessaire de pouvoir apprecier, de mesurer la gouvernabilite ou lobservabilite
(on parle alors dindice de gouvernabilite ou dobservabilite).
Exemple: Cas de 2 blocs de Jordan associes `a la meme valeur propre dans le cas
monovariable. Que se passe t-il lorsque legalite des valeurs propres nest pas parfaite
?:
0
1
x
x
= 0 + 1
avec petit .
y
u
1
1
0
Dans le cas des syst`emes asymptotiquement stables, les grammiens de gouvernabilite et
dobservabilite fournissent cette mesure et permettent dapprehender ces probl`emes.
5.2
D
efinitions
Analyse et representation
Page 63/70
et observabilite
: analyse pratique par les
5. Gouvernabilite
grammiens
64
5.2.1
Grammien de gouvernabilit
e (help gram)
Xc =
R At
T AT t
e
BB
e
dt
0
Premi`
ere interpr
etation
La reponse de letat x(t) du syst`eme `a une impulsion sur lentree u secrit : x(t) =
eAt B, t > 0.
Z
Xc =
x(t)xT (t)dt
Le grammien de gouvernabilite represente lintegrale du carre de la reponse impulsionnelle des etats du syst`eme.
Calcul pratique
Xc est solution de lequation de Lyapunov (help lyap ) :
AXc + Xc AT + BB T = 0
(5.1)
Justification:
Z
T
AXc + Xc A
h
i
d(eAt BB T eA t )
At
T AT t
dt = e BB e
dt
0
=
Z
=
0
Tt
AeAt BB T eA
T
+ eAt BB T eA t AT dt
Page 64/70
finitions
5.2 De
65
Propri
et
es:
1 0
0 ...
Xc = Vc 2c VcT avec 2c = . . 2 .
.. ..
..
0 0
en valeurs singuli`eres
0
..
.
0
n
5.2.2
Grammien dobservabilit
e
Xo =
A B
C
R
0
T
eA t C T CeAt dt
AT C T
BT
A B
C
Dualite:
Xo solution de : AT Xo + Xo A + C T C = 0,
T
,
0
x
x
= 0 + 1
y
u
1
1
0
x11 x12
Soit: Xc =
alors lequation de Lyapunov devient:
x12 x22
0
1 1
0 0
x11 x12
0
x11 x12
+
=
.
+
0 +
1 1
0 0
x12 x22
0 +
x12 x22
1
1
2
2+
Xc =
(> 0 car < 0)
1
1
2+
2+2
Rq: Xo = Xc
(cas particulier) .
Page 65/70
66
5.3
et observabilite
: analyse pratique par les
5. Gouvernabilite
grammiens
Repr
esentation
equilibr
ee (help balreal)
e e eT A
eT t
At
f
dt est solution de:
Xc =
e BB e
0
eX
fc + X
fc A
eT + B
eB
eT = 0
A
fc + X
fc M T AT M T + M 1 BB T M T = 0
M 1 AM X
(5.2)
fc M T ou encore :
Lidentification des equations 5.1 et 5.2 donne: Xc = M X
fc = M 1 Xc M T .
X
De facon analogue on peut demontrer :
fo = M T Xo M .
X
fc X
fo = M 1 Xc Xo M donc les valeurs propres de Xc Xo sont invariantes
Remarque: X
par le changement de base M .
Repr
esentation
equilibr
ee:
fc = X
fo = 2 = diag(i ) i = 1, , n avec :
M /X
e B,
e C)
e associee `a ce changement de base M est dite
la representation (A,
equilibr
ee.
Exemple
el
ementaire: F (s) =
Analyse et representation
1
,
s+1
Page 66/70
sentation e
quilibre
e (help balreal)
5.3 Repre
x
y
1 0.01
100 0
x
u
x
y
1 1
1 0
x
u
67
Xo = 5000,
representation equilibree :
Xc = Xo = 0.5 .
Xo = Vo 2o VoT ,
= V
| {zV}
I
fo = M T Xo M
X
= 1 V T c VcT Vo 2o VoT Vc c V 1
|
{z
}
PTP
V V U U 2 V T V 1
= 2
Analyse et representation
Page 67/70
68
et observabilite
: analyse pratique par les
5. Gouvernabilite
grammiens
Analyse et representation
Page 68/70
69
R
ef
erences
0 J.L. Junkins et Y. Kim: Introduction to Dynamics and Control of flexible structures (chapitre 1) AIAA, Education series.
1 Robustesse et Commande Optimale: D. Alazard, C. Cumer, P. Apkarian, M.
Analyse et representation
Page 69/70
fe
rences
Re
70
Analyse et representation
Page 70/70