Académique Documents
Professionnel Documents
Culture Documents
Com Rob
Com Rob
Universit
e de Strasbourg
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5.2 Norme H
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6 Lemmes de simplication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.6.1 Complement de Schur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.6.2 Lemme de projection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.6.3 Lemme de Finsler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.6.4 S-procedure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3 Modelisation des syst`emes 19
3.1 Les dierentes representations detat . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.1 Syst`eme lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.2 Syst`eme lineaire `a param`etres variants (LPV) . . . . . . . . . . . . . . . . 19
3.1.3 Syst`eme non-lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2 Operations sur les syst`emes LTI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.1 Operations elementaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.2 Linear Fracional Transformation . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Representation lineaire fractionaire . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4 Analyse des syst`emes 29
4.1 Stabilite au sens de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1.1 Denition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1.2 Syst`eme lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.1.3 Cas des syst`emes `a temps-discret . . . . . . . . . . . . . . . . . . . . . . . 30
4.2 Dissipativite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.1 Denition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.2 Caracterisation LMI de la norme H
. . . . . . . . . . . . . . . . . . . . . 32
4.2.3 Passivite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.3 Performances dun syst`eme asservi . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.3.1 Schema de commande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.3.2 Les crit`eres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.3.3 Schemas danalyse et de synth`ese H
. . . . . . . . . . . . . . . . . . . . 35
4.4 Lieu des poles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3
4 TABLE DES MATI
`
ERES
4.4.1 Regions LMI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.4.2 Condition LMI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5 Synth`ese pour les syst`emes LTI 43
5.1 Retour detat stabilisant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2 Commande H
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.1 Probl`eme et solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.2 Methodologies de synth`ese . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6 Analyse des syst`emes LPV incertains 49
6.1 Stabilite au sens de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.1.1 Syst`eme non-lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.1.2 Syst`eme lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.1.3 Syst`eme LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.1.4 Maximisation du taux de decroissance . . . . . . . . . . . . . . . . . . . . 50
6.1.5 Matrice de Lyapunov dependant des param`etres . . . . . . . . . . . . . . 50
6.2 Dissipativite, norme H
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
6.2.1 Syst`eme LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
6.2.2 Dissipativite avec matrice de Lyapunov dependant des param`etres . . . . 52
6.3 Application `a un syst`eme mecanique . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.3.1 Presentation du syst`eme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.3.2 Analyse `a partir du mod`ele LPV . . . . . . . . . . . . . . . . . . . . . . . 54
6.3.3 -analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6.3.4 Lieu des poles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Chapitre 1
Introduction
En Automatique, la synth`ese dune loi de commande se fait generalement sur un mod`ele
nominal simplie qui ne prend pas en compte toute la complexite du syst`eme. Des dynamiques
sont negligees, comme celles qui se trouvent en dehors de la bande passante du syst`eme asservi ;
les valeurs des param`etres du mod`ele sont consideres egales `a leurs valeurs nominales.
Du fait de ces approximations, il est generalement necessaire de recourir `a une etape de val-
idation a posteriori de la loi de commande. On parle danalyse de la robustesse ; il sagit en eet
danalyser la robustesse du comportement du syst`eme asservi face aux perturbations externes
(variation des conditions de fonctionnement, comme la temperature) ou internes (variation des
param`etres) du syst`eme.
Lanalyse de la robustesse sappuie generalement sur la formulation dun mod`ele variant dans
le temps, variation qui peut sexprimer en fonction dun certain nombre de param`etres incer-
tains. La premi`ere question concerne la stabilite. Lanalyse de la robustesse en stabilite consiste
`a etablir si le syst`eme demeure stable malgre les variations attendues des param`etres. On peut
aussi souhaiter que le syst`eme maintienne certaines performances (comme la bande passante).
Lanalyse de la robustesse en performance cherche `a etablir si le syst`eme maintient les perfor-
mances prevues pour les variations attendues des param`etres.
On peut distinguer deux principales sources de perturbation susceptibles de destabiliser un
syst`eme asservi ou de diminuer ses performances : les variations de ses param`etres et les dy-
namiques negligees. Pour traiter le second cas, celui des dynamiques qui ont ete negligees lors
de la synth`ese, il sut simplement de les inclure dans le mod`ele danalyse. On se retrouve donc
nalement `a analyser la robustesse `a partir dun mod`ele qui peut etre plus sophistique que le
mod`ele de synth`ese et dont les param`etres sont incertains dans certains intervalles et peuvent,
selon les cas, varier au cours du temps avec des dynamiques eventuellement bornees.
Avant de se lancer dans lanalyse de la robustesse, cest-`a-dire dans letude des modication
du comportement du syst`eme en fonction des param`etres, il convient de connatre son fonc-
tionnement nominal. La premi`ere question est celle de la stabilite nominale, la seconde est celle
des performances nominales. Une etude de robustesse en stabilite na de sens que si la stabilite
nominale est assuree. De meme pour les performances.
La question de la robustesse peut-etre abordee de deux mani`eres, pour la stabilite comme
pour les performances :
etant donne les intervalles de variation des param`etres, le syst`eme est-il robuste ? A cette
question, on repond par oui ou non ;
quel taux de dilatation faut-il appliquer aux intervalles des param`etres pour amener le
syst`eme en limite de stabilite ou de performance ? Le taux de dilatation est aussi appele
marge de robustesse. La robustesse est assuree si la marge de robustesse est superieure
5
6 CHAPITRE 1. INTRODUCTION
`a 1. Puisque la stabilite est une condition susante pour les performances, la marge de
robustesse en performance est necessairement plus faible que la marge de robustesse en
stabilite.
Les methodes danalyse di`erent en fonction du mod`ele choisi. Les mod`eles lineaires dependant
des param`etres (LPV), mod`eles pour lesquels des methodes ecaces et desormais bien connues,
sont disponibles sous deux formes :
les mod`ele LPV avec une dependance ane des matrices detat en fonction des param`etres ;
les representations lineaires fractionnaire (LFR) formes dun bouclage entre un syst`eme
linaire `a temps invariant (LTI) et une matrice de gains fonction des param`etres. Ce second
type correspond aux syst`emes lineaires dont les matrices detat dependent rationnellement
des param`etres ; il sagit donc dune generalisation du premier type.
Pour les syst`emes LPV anes, des formulation LMI sont disponibles pour lanalyse en
stabilite et en performance dans le cas de param`etres constants ou variants. Ces methodes,
disponibles dans les boites `a outils
1
de Matlab, sont presentees dans ce fascicule. La methode la
plus classique destinee aux mod`eles LFR est la -analyse
2
. Cette methode fait egalement parti
du contenu du cours. Dautres boites `a outils sont egalement disponibles. Citons par exemple
Romuloc, developpee par D. Peaucelle qui permet de traiter `a la fois les mod`eles LPV anes et
les LFR [10].
1. Les methodes danalyse des syst`emes LPV anes ont ete proposees dans la LMI Control Toolbox [7]. Ces
fonctions sont desormais disponibles dans les version recentes de la Robust Control Toolbox[8]
2. Ces methodes sont disponibles dans la -Analysis and Synthesis Toolbox [9] ou dans les versions recentes
de la Robust Control Toolbox [8].
Chapitre 2
Notions mathematiques
Les Inegalites Matricielles Anes ou LMI prennent une place de plus importante dans les
methodes modernes de lautomatique. De nombreux resultats anterieurs trouvent une formula-
tion LMI et ce formaliste permet aussi de resoudre de nouveaux probl`emes qui navaient pas
trouve jusqualors de solution.
2.1 Valeurs propres
Denition 1 (Valeur propre)
Soit A une matrice carree de reels ou de complexes. On appelle valeur propre la grandeur telle
quil existe un vecteur propre x veriant Ax = x.
>> eig([1 2; 3 4])
ans =
-0.3723
5.3723
La matrice A de dimension n n represente une application lineaire de R
n
dans R
n
. Les
directions propres, cest-`a-dire les directions des vecteurs propres, sont les directions de R
n
in-
variantes par A. Les valeurs propres sont les gains damplications dans ces directions. Le nombre
de valeurs propres distinctes est au plus n. La dimension du sous-espace propre correspondant
`a une valeur propre donnee est variable. Une base de vecteurs propres peut etre obtenue.
En utilisant la relation Ax
i
=
i
x
i
o` u
i
est la i
`eme
valeur propre et x
i
un vecteur propre
qui lui est associe, on peut concatener les n relations obtenues pour i = 1 . . . n en AX = XD
o` u X = [x
1
. . . x
n
] est la matrices des vecteurs propres formant une base et D = diag
1
, . . .
n
est la matrice des valeurs propres o` u chaque valeur propre est repetee autant de fois que la
dimension de son sous-espace propre.
Propriete 1 (Matrice symetrique ou hermitienne)
Les valeurs propres des matrices reelles symetriques (A
T
= A) et complexes hermitiennes (A
H
=
(A
)
T
) sont toutes reelles.
2.2 Positivite dune matrice
Denition 2 (Matrice positive)
Une matrice A R
n
est dite positive et on note A 0 si la forme quadratique x
T
Ax est positive
pour tout vecteur x.
Cette denition se transpose evidemment au cas negatif. On peut toujours ecrire une forme
quadratique `a partir dune matrice symetrique. Ainsi, x
T
Ax =
1
2
x
T
(A
T
+A)x. On ne contentera
7
8 CHAPITRE 2. NOTIONS MATH
EMATIQUES
donc de considerer le cas des matrices symetriques. Ces matrices ont la particularite davoir
toutes leurs valeurs propres reelles.
Propriete 2 (Matrice positive)
Une matrice A symetrique est positive si et seulement si toutes ses valeurs propres sont positives
et on note A 0.
On denit aussi la positivite stricte et on dit quune matrice est denie positive si toutes
ses valeurs propres sont strictement positives. Cest equivalent `a dire que la forme quadratique
correspondante x
T
Ax est strictement positive pour tout x non nul.
Propriete 3
Soit un scalaire, AI > 0 si et seulement si les valeurs propres de A sont strictement
superieures `a .
P > 0 P < 0 ; on peut donc toujours se ramener `a un probl`eme de positivite (ou de
negativite).
Propriete 4 (Somme de matrices)
A > 0, B > 0 A+B > 0
Cette propriete se demontre facilement `a partir de la denition A > 0 x
T
Ax > 0 x ,= 0.
Propriete 5 (Produit de matrices)
A > 0, B > 0 AB > 0
A > 0, B < 0 AB < 0
Demonstration 1 (Explication) Ces proprietes se comprennent facilement en considerant
quune matrice positive est une application qui, `a un vecteur de composantes positives, associe un
vecteur de composantes toutes positives ; une matrice negative, au contraire, est une application
qui, `a un vecteur de composantes positives, associe un vecteur dont les composantes sont toutes
negatives.
Demonstration 2 (Demonstration plus compl`ete)
Pour une demonstration plus compl`ete, on peut considerer une valeur propre
AB
de AB associee
au vecteur propre V
AB
, veriant donc
AB
V
AB
= ABV
AB
, (2.1)
et chercher `a montrer quelle est positive. Lidee des calculs ci-dessous consiste `a calculer les
coordonnees du vecteur propre dabord dans la base des vecteurs propres de B notes V
B
k
puis
dans ceux de A notes V
A
l
. Ainsi, on peut ecrire
V
AB
=
k
V
B
k
(2.2)
o` u les
k
sont les coordonnees de V
AB
dans la base des vecteurs propres de B et
V
B
k
=
kl
V
A
l
(2.3)
o` u les
kl
sont les coordonnees de V
B
k
dans la base des vecteurs propres de A. En remplacant
dans (2.1) et en utilisant le fait que AV
A
l
=
A
l
V
A
l
et BV
B
k
=
B
k
V
B
k
o` u
A
l
et
B
k
sont les
valeurs propres respectivement de A et B, on obtient :
A
l
_
B
k
k
kl
_
V
A
l
=
AB
l
_
kl
_
V
A
l
(2.4)
2.3. IN
EGALIT
EAIRE 9
Il sagit dune egalite entre deux vecteurs. Leurs coordonnees dans la base V
A
l
sont donc iden-
tiques et
A
l
B
k
k
kl
=
AB
kl
l (2.5)
Dans lhypoth`ese o` u A et B sont toutes deux positives, les quantites
A
l
k
B
k
k
kl
et
k
k
kl
sont necessairement de meme signe et
AB
est donc positif (AB positive). Si A et B sont de
signe contraire, ces deux quantites seront de signe contraire et AB est alors negative.
2.3 Inegalite matricielle ane ou lineaire
2.3.1 Presentation
Denition 3 (Inegalite matricielle ane)
On appelle inegalite matricielle ane (ou inegalite matricielle lineaire et en anglais linear ma-
trix inequality, note LMI) le probl`eme suivant : etant donnees les matrices reelles, carrees et
symetriques M
k
, k = 1..n, trouver les reels x
k
, k = 1...n tels que M
0
+x
1
M
1
+... +x
n
M
n
> 0.
Le succ`es des LMI vient du developpement des methodes dites du point interieur (interior
point methods) qui permettent de resoudre de mani`ere ecace ces probl`emes [11]. Il est egalement
lie au fait que de nombreux probl`emes, notamment de lautomatique, peuvent etre formule sous
forme de LMI.
Remarque 1 (Un syst`eme de plusieurs LMI est une LMI)
_
P(x) > 0
Q(x) > 0
_
P(x) 0
0 Q(x)
_
> 0 (2.6)
2.3.2 Exemple de LMI
Les LMI ne se presentent pas directement sous la forme de linegalite presentee ci-dessus.
Prenons un exemple classique de lautomatique : la stabilite de Lyapunov
1
pour un syst`eme
lineaire x = Ax. Il sagit de trouver une matrice reelle P = P
T
> 0 de meme dimensions que A
telle que A
T
P +PA < 0. Considerons `a titre dexemple, le cas o` u A est une matrice 2 2.
A =
_
a
1
a
2
a
3
a
4
_
(2.7)
La matrice P depend alors de 3 param`etres x
i
, k = 1..3 et peut secrire
P =
_
x
1
x
2
x
2
x
3
_
(2.8)
La condition de positivite de P secrit
x
1
_
1 0
0 0
_
+x
2
_
0 1
1 0
_
+x
3
_
0 0
0 1
_
> 0 (2.9)
Linegalite de Lyapunov, elle se reecrit :
x
1
_
2a
1
a
2
a
2
0
_
+x
2
_
2a
2
a
1
+a
4
a
1
+a
4
2a
2
_
+x
3
_
0 a
3
a
3
2a
4
_
< 0 (2.10)
1. Mathematicien russe ne en 1857 et mort en 1918, Lyapunov est le p`ere dune theorie qui porte son nom et
qui est ` a la base de nombreux developpements recents de lautomatique(voir http://en.wikipedia.org/wiki/
Aleksandr_Lyapunov).
10 CHAPITRE 2. NOTIONS MATH
EMATIQUES
Figure 2.1 Fenetre de lediteur graphique de LMI de Matlab
2.3.3 Resolution
An de rendre les solvers de LMI facilement utilisables pour les probl`emes de lautomatique,
des interfaces ont ete developpees permettant decrire les probl`eme sous des formes matricielles
simples (voir gure 2.1). On peut citer LMI-Tools de El Ghaoui
2
, la LMI Control Toolbox de
MathWorks [7] et linterface SeDuMi developpe au LAAS par Peaucelle et alli [12]. Notons aussi
loutil YALMIP
3
qui permet de denir un probl`eme LMI et de le resoudre avec nimporte quel
solveur installe sur votre machine.
Les trois probl`emes classiques que ces outils resolvent sont
la fesabilite (ou existence) : trouver x solution de A(x) < 0,
la minimisation dune fonction lineaire : trouver x minimisant c
T
x sous la contrainte
A(x) < 0,
le probl`eme de valeur propre generalisee : minimiser sous les contraintes A(x) < B(x),
B(x) > 0 et C(x) < 0.
2.4 Valeurs singuli`eres
Denition 4 (Valeur singuli`ere)
Les valeurs singuli`eres dune matrice complexe M sont les racines carrees des valeurs propres
de M
H
M o` u M
H
est le hermitien (transpose conjugue) de M. On les note
i
(M).
Propriete 6 (Proprietes generales)
Les valeurs singuli`eres sont des nombres reels positifs.
Les valeurs singuli`eres non nulles de M sont identiques ` a celles de M
H
(invariance par
loperation transpose/conjugue)
2. http ://robotics.eecs.berkeley.edu/elghaoui/
3. http ://control.ee.ethz.ch/joloef/yalmip.php
2.4. VALEURS SINGULI
`
ERES 11
Les valeurs singuli`eres non nulles sont au plus au nombre de min(n
u
, n
y
), la plus petite
dimension de M.
Exemple 1 (Valeurs singuli`eres de matrices simples)
Les n valeurs singuli`ere de I
n
, o` u R sont toutes egales `a .
Les valeurs singuli`eres dune matrice diagonale reelle sont egales aux valeurs absolues des
elements diagonaux ; pour une matrice de complexes, les valeurs singuli`eres sont egales
aux modules des elements de la diagonale.
svd([2,0;0,-3j]);
ans =
3.0000
2.0000
Propriete 7 (Norme matricielle)
La valeur singuli`ere maximale (M) est une norme matricielle. Les proprietes generales des
normes sappliquent donc.
(M) = [[(M)
(M +N) (M) +(N)
(MN) (M)(N)
Propriete 8 (Inversion de matrice)
M est inversible si et seulement si sa plus petite valeur singuli`ere est non nulle ((M) > 0).
Alors, (M) =
1
(M
1
)
et (M) =
1
(M
1
)
.
On en deduit les proprietes suivantes :
Propriete 9 (Autres proprietes)
(M) = [[(M)
(M +N) (M) +(N)
(M)(N) (MN)
Propriete 10 (Interpretation)
La norme est la norme induite sur les matrices par la norme euclidienne des vecteurs :
(M) = max
z=0
[[Mz[[
2
[[z[[
2
2
(M) = max
z=0
z
H
M
H
Mz
z
H
z
(2.11)
Ainsi, la norme est lamplication maximale du syst`eme de transfert M.
Exemple 2 (Valeurs singuli`eres dun syst`eme multivariable)
Le programme suivant sous Matlab denit un syst`emes LTI `a deux etats, deux entrees et deux
sorties puis trace les valeurs singuli`eres de sa matrice de transfert en fonction de sa pulsation
(voir gure 2.2). A la place de la fonction ltiview, on peut utiliser la fonction sigma.
A = [-1 0; 1 -2];
B = eye(2);
C = [1 1; 0 1];
D = 0.1*ones(2,2);
Sys = ss(A,B,C,D)
ltiview(sigma,Sys,{1e-1,1e2});
G1 = C*inv((j*1*eye(2)-A)*B+D; % matrice de transfert `a 1 rad/s
SV = svd(G1)
u = randn(2,1)
Ampli = norm(G1*u)/norm(u)
12 CHAPITRE 2. NOTIONS MATH
EMATIQUES
Figure 2.2 Trace des valeurs singuli`eres dun syst`eme LTI multivariable
La partie nale du script permet de calculer lamplication dune entree u `a la pulsation 1 rad/s.
A partir des resultats ci-dessous, on verie que cette amplication est bien toujours comprise
entre la valeur singuli`ere max et la valeur singuli`ere min de G(j 1).
SV =
1.3257
0.2872
u =
1.1892
-0.0376
Ampli =
1.1032
2.5 Norme des syst`emes LTI
2.5.1 Norme H
Denition 5 (Norme /
2
sur les signaux)
Pour un signal x(t) `a valeur dans R
n
, la norme /
2
est denie par :
[[x(t)[ [
L
2
=
_
0
x
T
(t) x(t) dt (2.12)
Denition 6 (Norme 1
= max
[[y(t)[ [
L
2
[[u(t)[ [
L
2
(2.13)
Ainsi, la norme H
est lamplication maximale dun signal par un syst`eme. Pour les ma-
trices, nous avions vu que la valeur singuli`ere maximale etait lamplication maximale dun
vecteur. On peut donc facilement se ramener `a linterpretation suivante.
Propriete 11 (Norme 1
et valeur singuli`ere)
[[G(s)[ [
= max
(G(j)) (2.14)
4. On consid`ere des conditions initiales nulles.
2.5. NORME DES SYST
`
EMES LTI 13
Exemple 3 (Valeurs singuli`eres maximale)
En faisant le calcul sur lexemple numerique precedent :
norm(Sys,inf)
On obtient une norme de 1.881, ce qui correspond `a 5.49 dB, ce qui est coherent avec le trace
de la gure 2.2.
Propriete 12 (Norme 1
)
Pour une matrice de transfert sous forme de blocs :
G(s) =
_
G
11
(s) G
12
(s)
G
21
(s) G
22
(s)
_
(2.15)
on a :
[[G(s)[[
< [[G
kl
(s)[[
_
1
2
_
tr [G
H
(j)G(j)] d
_
(2.18)
Proprietes
Soit g la reponse impulsionnelle du syst`eme. Dans le cas monovariable, le theor`eme de Par-
seval donne une forme equivalente
6
:
[[G[[
2
2
=
_
0
g
T
(t)g(t)dt. (2.19)
Dans le cas monovariable, la norme H
2
du syst`eme est egale `a lenergie de la reponse impulsion-
nelle.
5. Cette restriction est necessaire pour que la norme du syst`eme soit nie.
6. On rappelle que la fonction de transfert est la transformee de Laplace de la reponse impulsionnelle.
14 CHAPITRE 2. NOTIONS MATH
EMATIQUES
Supposons maintenant que v soit un bruit blanc gaussien veriant
Ev(t)v
T
() = I(t ) et calculons la puissance de sortie :
Ez
T
z = tr
_
Ezz
T
= tr
_
E
__
+
_
+
g(t
1
)v(
1
)v
T
(
2
)g
T
(t
2
)d
1
d
2
__
= tr
__
+
_
+
g(t
1
)E
_
v(
1
)v
T
(
2
)
_
g
T
(t
2
)d
1
d
2
_
= tr
__
+
g(t )g
T
(t )d
_
= tr
__
+
g()g
T
()d
_
=
_
+
tr
_
g
T
()g()
d
=
1
2
_
+
tr
_
G
H
(j)G(j)
d
= [[G[[
2
Ainsi, la norme H
2
est la puissance de sortie lorsque le syst`eme est alimente pas un bruit blanc
gaussien unitaire.
Calcul
La norme H
2
peut etre calculee pour tous les syst`emes strictement propres (D = O) et
strictement stables. En eet, elle peut secrire ainsi :
[[G[[
2
2
=
_
0
tr
_
g
T
(t)g(t)
dt (2.20)
= tr
_
0
_
B
T
exp(A
T
t)C
T
_
(C exp(At)B) dt (2.21)
= tr
_
B
T
_
0
exp(A
T
t)C
T
C exp(At)dtB
_
(2.22)
ou encore :
[[G[[
2
2
=
_
0
tr
_
g(t)g
T
(t)
dt (2.23)
= tr
_
0
(C exp(At)B)
_
B
T
exp(A
T
t)C
T
_
dt (2.24)
= tr
_
C
_
0
exp(At)BB
T
exp(A
T
t)dtC
T
_
(2.25)
soit :
[[G[[
2
2
= tr
_
B
T
W
o
B
= tr
_
CW
c
C
T
(2.26)
o` u W
o
et W
c
sont les gramiens de commandabilite et dobservabilite :
W
o
=
_
0
exp(At)BB
T
exp(A
T
t)dt (2.27)
W
c
=
_
0
exp(A
T
t)C
T
C exp(At)dt (2.28)
2.6. LEMMES DE SIMPLIFICATION 15
Ils peuvent etre obtenus comme les solutions des equations de Lyapunov
7
suivantes :
AW
c
+W
c
A
T
+BB
T
= 0 (2.29)
A
T
W
o
+W
o
A+C
T
C = 0 (2.30)
En eet, partons de :
d
dt
_
exp(At)BB
T
exp(A
T
t)
= Aexp(At)BB
T
exp(A
T
t) + exp(At)BB
T
exp(A
T
t)A
T
. (2.31)
En notant que pour un syst`eme stable :
lim
t
exp(At) = 0, (2.32)
et en integrant sur [0, ], on obtient directement les deux equations de Lyapunov. Cest cette
methode qui est utilisee dans les Toolboxes de Matlab pour le calcul de la norme H
2
[14].
Formulation LMI
Les inegalites matricielles anes (LMI pour inegalites matricielles lineaires) sont devenues
un outil classique de lautomatique. Ils sont `a la base de nombreuses methodes innovantes et les
methodes classiques ont generalement une formulation LMI. Une introduction sur les LMI est
developpee en Annexe B. Voici la formulation LMI de la norme H
2
[15].
Soit S
0
la solution de lequation de Lyapunov (2.29), cest-`a-dire veriant :
AS
0
+S
0
A
T
+BB
T
= 0, (2.33)
avec S
0
= S
T
0
0. Alors toute matrice S veriant :
AS +SA
T
+BB
T
< 0 (2.34)
verie aussi S > S
0
.
Le syst`eme G(s) stable avec D = 0 verie [[G[[
2
2
< si et seulement si il existe une matrice
symetrique positive, :
S > 0, (2.35)
veriant (2.34) et :
tr
_
CSC
T
< . (2.36)
Lensemble des inegalites (2.34-2.36) constitue un syst`eme LMI et peut se resoudre avec les
solveurs disponibles [11, 7].
2.6 Lemmes de simplication
2.6.1 Complement de Schur
Il sagit dun resultat preliminaire qui permettra, dans ce qui suit, de simplier des expres-
sions matricielles.
Lemme 1 (Complement de Schur)
La LMI :
_
Q S
S
T
R
_
< 0, (2.37)
7. Dapr`es la theorie de Lyapunov, lequation AX + X
T
A + Q = 0 dinconnue X, avec Q symetrique denie
positive, a une solution positive si A est Hurwitz (ses p oles sont ` a partie reelle strictement negative). Alors une
solution symetrique peut etre facilement obtenue par la resolution dun syst`eme de n(n +1) equations lineaires ` a
autant dinconnues (les composantes de X), o` u n est la dimension de A. La resolution de lequation de Lyapunov
est disponible dans les Toolboxes [14].
16 CHAPITRE 2. NOTIONS MATH
EMATIQUES
o` u Q = Q
T
et R = R
T
est equivalente `a :
_
R < 0
QSR
1
S
T
< 0.
(2.38)
Demonstration 3
La demonstration se fait facilement en multipliant (2.37) ` a droite par :
_
I 0
R
1
S
T
I
_
(2.39)
et `a gauche par la transposee de cette derni`ere matrice. Ces deux matrices etant denies, on
obtient alors une condition equivalente :
_
QSR
1
S
T
0
0 R
_
< 0. (2.40)
2.6.2 Lemme de projection
Theor`eme 1 (Lemme de projection [16])
Soit une matrice symetrique R
mm
et deux matrices P et Q de nombre de colonnes m. Et
considerons le probl`eme consistant `a trouver une matrice de dimensions adequoites telle que :
+P
T
T
Q+Q
T
P < 0 (2.41)
Notons W
P
et W
Q
des matrices dont les colonnes forment une base des noyaux de respectivement
P et Q. Alors, une solution de lequation (2.41) existe si et seulement si :
_
W
T
P
W
P
< 0
W
T
Q
W
Q
< 0.
(2.42)
Preuve. Comme les colonnes de W
P
font partie du noyau de P, on a W
P
P = 0 et de meme,
W
Q
Q = 0. Ainsi limplication (2.41) = (2.42) se montre facilement en multipliant (2.41) `a
gauche par P
T
et `a droite par P, puis en procedant de meme avec Q. Une demonstration de la
reciproque a ete donnee par Gahinet et Apkarian [16].
2.6.3 Lemme de Finsler
Theor`eme 2 (Lemme de Finsler)
i=1
i
_
A
i
b
H
i
b
i
c
i
_
0 (2.44)
De plus, linverse est vrai pour p = 1 en reel et meme pour p = 2 en complexe.
18 CHAPITRE 2. NOTIONS MATH
EMATIQUES
Chapitre 3
Modelisation des syst`emes
3.1 Les dierentes representations detat
Nous nous limitons, dans ce cours, aux syst`emes dynamiques continus multivariables (dits
aussi MIMO pour multi input multi output). Le vecteur des entrees est u, celui des sorties y ; le
vecteur detat est x.
3.1.1 Syst`eme lineaire
On parle aussi de syst`eme lineaire invariant dans le temps o` u en anglais de linear time-
invariant system (LTI). I l sagit du cas o` u les equations sont lineaires par rapport aux entrees
et aux variables detat. Le syst`eme peut etre mis sous la forme :
_
x = Ax +Bu
y = Cx +Du
(3.1)
Cette representation ne concerne que les syst`emes propres (qui ne contiennent pas deet derivatif
pur) ; pour les syst`emes strictement propres, D = 0. On note G(s) la fonction de transfert du
syst`eme :
G(s) = C(sI
n
A)
1
B +D (3.2)
o` u n est lordre du syst`eme. On se permettra de designer le syst`eme par sa fonction de transfert
G(s) meme si les calculs sont faits sur la representation detat.
La fonction de transfert permet de relier les transformees de Laplace des signaux dentree
et de sortie, cest-`a-dire que pour une condition initiale nulle, on peut ecrire Y (s) = G(s) U(s),
o` u U(s) et Y (s) sont respectivement les transformees de Laplace des signaux u(t) et y(t). On se
permet parfois labus de notation suivant : y(t) = G(s)u(t) qui signie que y(t) est la sortie du
syst`eme G(s) pour une entree u(t).
Sous Matlab, on peut denir un syst`eme LTI avec les fonctions ss et tf.
3.1.2 Syst`eme lineaire `a param`etres variants (LPV)
Dans un syst`eme LPV, les matrices detat A, B, C et D dependent dun vecteur des
param`etres qui peut varier en fonction du temps.
_
x = A()x +B()u
y = C()x +D()u
(3.3)
A defaut de connatre `a lavance la trajectoire de , on connat souvent des bornes sur ses
dierentes composantes :
k
k
k
et peut-etre aussi sur les vitesses de variation :
k
.
Le vecteur des param`etres peut etre vu comme une entree supplementaire du syst`eme qui
ne rentre alors plus dans la classe des syst`emes lineaires. Parmi les syst`emes LPV, certains
types particuliers sont interessants `a etudier : les syst`emes LPV anes, LPV polytopiques et les
representations lineaires fractionnaires).
19
20 CHAPITRE 3. MOD
_
M
s
1
= M
0
+
1
M
1
+
2
M
2
M
s
2
= M
0
+
1
M
1
+
2
M
2
M
s
3
= M
0
+
1
M
1
+
2
M
2
M
s
4
= M
0
+
1
M
1
+
2
M
2
(3.5)
Construisons maintenant le syst`eme polytopique
M =
1
M
s
1
+
2
M
s
2
+
3
M
s
3
+
4
M
s
4
avec
_
1
=
1
2
=
1
3
=
1
4
=
1
2
(3.6)
En remplacant dans lexpression de
M les M
s
k
et les
k
par leurs expressions ci-dessus, verie
que lon retrouve bien
M = M. Ce resultat est encore valable pour un nombre de param`etres
plus eleve. On retiendra quil y a equivalence entre les representations ane et polytopique.
Exercice 1 (
x
= A()
x
+B()
u
y
= C()
x
+D()
u
(3.9)
3.2. OP
- -
-
u
1
u
2
= z
y
1
y
2
= v
Figure 3.2 Representation lineaire fractionnaire lft
l
(G(s), H(s))
1. Montrez que le syst`eme en boucle fermee S(s) dentree r et de sortie e peut se mettre sous
la forme suivante :
S(s) = lft
l
(M, H
bo
(s)) (3.12)
2. Determinez la matrice M correspondant.
3. Deduisez en le script Matlab permettant de calculer la fonction de sensibilite S(s) `a partir
de H
bo
(s).
ESENTATION LIN
EAIRE FRACTIONAIRE 23
3.3 Representation lineaire fractionaire
Une representation lineaire fractionnaire (LFR en anglais) est linterconnexion dun syst`eme
LTI avec une matrice (un syst`eme statique) dependant des param`etres, comme represente sur
la gure 3.3. Tout type de syst`eme LPV dont les matrices detat dependent rationnellement des
param`etres peut etre mis sous forme de LFR; cependant il nest pas toujours aise de trouver
une representation LFR dordre minimale, cest `a dire avec une matrice de taille minimale.
La LFR Toolbox, developpee `a lOnera, permet de creer et de manipuler les LFR [17]. Vous
trouverez des exemples de modelisation LFR dun syst`eme physiques dans [1]
1
pour un syst`eme
mecanique elementaire et dans [18]
2
pour un syst`eme electromecanique denroulement de bande.
Des travaux sur la machine asynchrone sont egalement disponibles [19, 20].
Q(s)
()
- -
-
u
v
y
z
Figure 3.3 Mod`ele LFR
Notons v et u les entrees provenant respectivement de et de la commande et z et y les
sorties destinees respectivement `a et `a la mesure. Le syst`eme Q(s) secrivant :
x = Ax +B
1
v +B
2
u (3.16)
z = C
1
x +D
11
v +D
12
u (3.17)
y = C
2
x +D
21
v +D
22
u (3.18)
En rebouclant avec la matrice (), cest-`a-dire en ecrivant que
v = () z (3.19)
on peut ecrire les equation du syst`eme boucle dentree u et de sortie y :
x =
A()x +
B()u (3.20)
y =
C()x +
D()u (3.21)
avec :
A() = A+B
1
()(I D
11
())
1
C
1
(3.22)
B() = B
2
+B
1
()(I D
11
())
1
D
12
(3.23)
C() = C
2
+D
21
()(I D
11
())
1
C
1
(3.24)
D() = D
22
+D
21
()(I D
11
())
1
D
12
(3.25)
On peut faire dierentes remarques sur cette representation :
1. cette representation nexiste que si la matrice I D
11
() nest pas singuli`ere (on parle
de LFR bien posee (well-posed en anglais) ;
2. dans le cas general, il sagit dun mod`ele LPV o` u les matrices detat dependent de mani`ere
rationnelle des param`etres ;
1. Ouvrage disponible ` a la biblioth`eque du p ole API de lULP.
2. Article disponible ` a partir du reseau internet de lULP sur le site du LSIIT (http ://lsiit.u-
strasbg.fr/Publications) ou par le SCD (http ://www-scd-ulp.u-strasbg.fr).
24 CHAPITRE 3. MOD
ESENTATION LIN
EAIRE FRACTIONAIRE 25
c =
x1
y1 0.9494
y2 0.1646
y3 1.284
y4 0.867
d =
u1 u2 u3 u4
y1 -1 2.22e-16 1.214 0
y2 -1.11e-16 -1 -0.4742 0
y3 0 0 0 0
y4 -0.6326 -1.619 0 0
Input groups:
Name Channels
L_NC 1,2
R_NC 3
Output groups:
Name Channels
L_NC 1,2
R_NC 3
Continuous-time model.
UMAT: 3 Rows, 3 Columns
L: real, nominal = 1, variability = [-1 1], 2 occurrences
R: real, nominal = 1, variability = [-1 1], 1 occurrence
% autre methode
S = tf(1);
H2 = 1/(L*S+R);
[M2,Delta2] = lftdata(H2)
d =
u1 u2 u3
y1 -0.5 -0.5 0.5
y2 -0.5 -0.5 0.5
y3 -0.5 -0.5 0.5
Input groups:
Name Channels
L_NC 1
R_NC 2
Output groups:
Name Channels
L_NC 1
R_NC 2
Static gain.
UMAT: 2 Rows, 2 Columns
L: real, nominal = 1, variability = [-1 1], 1 occurrence
R: real, nominal = 1, variability = [-1 1], 1 occurrence
echo on
% definition des param`etres
R = ureal(R,1); % param`etre incertain
L = ureal(L,1);
26 CHAPITRE 3. MOD
ESENTATION LIN
EAIRE FRACTIONAIRE 27
Name Channels
L_NC 1
R_NC 2
Output groups:
Name Channels
L_NC 1
R_NC 2
Static gain.
UMAT: 2 Rows, 2 Columns
L: real, nominal = 1, variability = [-1 1], 1 occurrence
R: real, nominal = 1, variability = [-1 1], 1 occurrence
k
o` u k
0
=
1
2
(k
min
+k
max
)
et w
k
=
1
2
(k
max
k
min
). Les autres param`etres sont supposes connus.
1. Montrez que le syst`eme peut secrire sous la forme G(s) = lft
u
(H(s), k) o` u H(s) ne depend
pas de k. Determinez H(s).
2. Montrez que k peut se mettre sous la forme k = lft
u
(H
k
,
k
) o` u H
k
ne depend que de k
0
et
de w
k
. Determinez H
k
.
3. Deduisez-en le mod`ele incertain normalise G(s) = lft
u
(
H(s),
k
) o` u
H(s) ne depend que
de m, f, k
0
et w
k
.
4. On suppose desormais que tous les param`etres sont inconnus. Determinez le syst`eme sous
la forme G(s) = lft
u
(F(s), ) o` u la matrice depend des param`etres m, k et f alors que
F(s) nen depend pas. Donnez F(s) et .
k
pour k = 1, ..., 3.
Chapitre 4
Analyse des syst`emes
4.1 Stabilite au sens de Lyapunov
4.1.1 Denition
Soit un syst`eme dynamique `a temps continu, sans entree exog`ene, de vecteur detat x et
dequation detat x = f(x). Soit x
0
un point dequilibre, veriant donc la condition dequilibre
f(x
0
) = 0. Pour que le syst`eme soit stable autour de cet equilibre, il faut aussi que que ce point
dequilibre soit attractif, cest-`a-dire que les trajectoires de x convergent vers x
0
.
Denition 7 (Fonction denergie ou fonction de Lyapunov)
Une fonction de Lyapunov V est une fonction de letat possedant un minimum global `a lequilibre
x
0
:
V (x) > V (x
0
) pour x ,= x
0
Denition 8 (Stabilite au sens de Lyapunov)
x
0
est un point stable au sens de Lyapunov sil existe une fonction de Lyapunov V (x) veriant
la condition suivante :
d
dt
(V (x)) < 0 pour x ,= x
0
A partir dune condition initiale x
i
dierente de x
0
, lenergie interne du syst`eme va decrotre
jusqu`a atteindre son minimum qui correspond `a lunique point x
0
; letat du syst`eme tendra
donc necessairement vers x
0
.
Pour demontrer la stabilite par cette methode, la diculte reside dans le choix dune bonne
fonction denergie. Une classe de fonctions souvent utilisees sont les fonction quadratiques V (x) =
(x x
0
)
T
Q(x x
0
) avec Q = Q
T
> 0 ; on parle alors de stabilite quadratique.
Pour la fonction denergie choisie, il reste `a demontrer que
d
dt
(V (x)) =
dV (x)
dx
f(x) < 0 pour
tout x.
Exemple 6 (Fonction denergie dun syst`eme physique)
Soit un syst`eme mecanique de masse m, connecte au sol par lintermediaire dun ressort de
raideur k et dun amortisseur f. On note z la position de la masse et z sa vitesse. On consid`ere
que lequilibre est obtenu pour z = 0.
Lequation fondamentale de la dynamique donne lequation dynamique du syst`eme :
m z = kz f z (4.1)
Letat est compose de la position et de la vitesse :
x =
_
z
z
_
(4.2)
Lenergie du syst`eme est composee de lenergie cinetique E
c
=
1
2
m z
2
et de lenergie potentielle
emmagasinee dans le ressort E
p
=
1
2
kz
2
. On denit donc V (x) =
1
2
m z
2
+
1
2
kz
2
.
29
30 CHAPITRE 4. ANALYSE DES SYST
`
EMES
La variation de lenergie secrit :
V (t) =
V (x)
z
z +
V (x)
z
z (4.3)
= kz z +m z z (4.4)
= z(kz + (kz f z)) (4.5)
= f z
2
(4.6)
Ainsi, lenergie est decroissante d`es que la vitesse est non nulle. A terme, la decroissance de
lenergie entraine la convergence de x vers zero. Toutefois, cette decroissance ne depend pas de
z et ne satisfait donc pas exactement la condition
d
dt
(V (x)) < 0 pour x ,= x
0
.
4.1.2 Syst`eme lineaire
Dans ce cas, f(x) = Ax. Le point dequilibre candidat est necessairement x = 0. En choisis-
sant V (x) = x
T
Qx avec Q = Q
T
> 0, la condition de stabilite secrit alors x
T
(A
T
Q+QA)x < 0
pour x ,= 0, ce qui secrit aussi A
T
Q + QA < 0 et qui signie que toutes les valeurs propres
(reelles) de la matrice symetrique A
T
Q + QA sont strictement negatives. Dans le cas present,
la stabilite quadratique au sens de Lyapunov est equivalente `a la stabilite classique
au sens des syst`emes lineaires (valeurs propres `a parties reelles negatives). On enonce ainsi
le theor`eme suivant.
Theor`eme 4 (Stabilite dun syst`eme lineaire `a temps continu)
Le syst`eme x = Ax est stable si et seulement si il existe une matrice denie positive Q veriant
le syst`eme LMI suivant :
Q > 0 (4.7)
A
T
Q+QA < 0 (4.8)
Remarque : dans ce cas, cette stabilite (quadratique de Lyapunov) est equivalente `a la sta-
bilite au sens de Hurwitz
1
dont le crit`ere est que la matrice A ait ses valeurs propres `a partie
reelle positive.
4.1.3 Cas des syst`emes `a temps-discret
Considerons un syst`eme dequation detat x(k + 1) = Ax(k) et une fonction de Lyapunov
quadratique V (x) = x
T
Qx avec Q = Q
T
> 0. Le syst`eme est stable si et seulement si lenergie
decroit sur toutes les trajectoires, cest-`a-dire sil existe une matrice Q telle que !
Theor`eme 5 (Stabilite dun syst`eme lineaire `a temps discret)
Le syst`eme x(k + 1) = Ax(k) est stable si et seulement si il existe une matrice denie positive
Q veriant le syst`eme LMI suivant :
Q > 0 (4.9)
A
T
QA+Q < 0 (4.10)
En eet, la decroissance de lenergie secrit V (x(k + 1)) < V (x(k)) ce qui secrit encore
x
T
(k)A
T
QAx(k) < x
T
(k)Qx(k).
1. Une matrice est dite de Hurwitz si ses valeur propres sont ` a parties reelles strictement negatives.
4.2. DISSIPATIVIT
E 31
4.2 Dissipativite
4.2.1 Denition
Syst`eme non-lineaire
On sinteresse maintenant `a un syst`eme non-lineaire de vecteur dentree u, de vecteur de
sortie y, de vecteur detat x. Son equation detat est x = f(x, u) et son equation de sortie est
y = g(x, u). Soit S(u, y) une fonction scalaire que nous appellerons ux denergie entrant.
Denition 9 (Dissipativite)
Un syst`eme dynamique est dit S-dissipatif sil existe une fonction denergie V (x) telle que
dV (x)
dt
< S(u, y) (4.11)
pour tout x ,= x
0
o` u x
0
est le point dequilibre considere veriant f(x
0
, 0) = 0
On peut sinteresser `a des fonctions S de type particulier comme :
S(u, y) =
_
y
u
_
T
_
Q
11
Q
12
Q
12
T
Q
22
_ _
y
u
_
(4.12)
On parle alors de Q
11
, Q
22
, Q
12
-dissipativite.
Syst`eme lineaire
Soit le syst`eme dequation detat x = Ax +Bu et dequation de sortie y = Cx +Du.
Theor`eme 6 (Caracterisation LMI de la dissipativite)
Le syst`eme ci-dessus est Q
11
, Q
22
, Q
12
-dissipatif sil existe une matrice Q = Q
T
veriant le
syst`eme de LMI suivant :
Q > 0 (4.13)
_
A
T
Q+QAC
T
Q
11
C QB C
T
Q
11
D C
T
Q
12
B
T
QD
T
Q
11
C Q
T
12
C D
T
Q
11
D D
T
Q
12
Q
T
12
D Q
22
_
< 0 (4.14)
Demonstration 4
On peut remplacer le vecteur [y
T
, u
T
]
T
dans la fonction S(u, y) par
_
y
u
_
=
_
C D
0 I
_ _
x
u
_
(4.15)
On obtient alors une nouvelle expression
S(x, u) du ux denergie :
S(x, u) =
_
x
u
_
T
_
C
T
0
D
T
I
_ _
Q
11
Q
12
Q
12
T
Q
22
_ _
C D
0 I
_ _
x
u
_
(4.16)
soit
S(x, u) =
_
x
u
_
T
_
C
T
Q
11
C C
T
Q
11
D +C
T
Q
12
D
T
Q
11
C +Q
T
12
C D
T
Q
11
D +D
T
Q
12
+Q
T
12
D +Q
22
_ _
x
u
_
(4.17)
Par ailleurs, la derivee de la fonction denergie secrit :
dV (x)
dt
= x
T
Qx +x
T
Q x (4.18)
= (Ax +Bu)
T
Qx +x
T
Q(Ax +Bu) (4.19)
=
_
x
u
_
T
_
A
T
Q+QA QB
B
T
Q 0
_ _
x
u
_
(4.20)
La dissipativite (4.11) secrit alors comme une LMI en Q = Q
T
> 0 :
_
A
T
Q+QAC
T
Q
11
C QB C
T
Q
11
D C
T
Q
12
B
T
QD
T
Q
11
C Q
T
12
C D
T
Q
11
D D
T
Q
12
Q
T
12
D Q
22
_
< 0 (4.21)
32 CHAPITRE 4. ANALYSE DES SYST
`
EMES
4.2.2 Caracterisation LMI de la norme H
Lemme 2 (Yakubovitch-Kalman)
Soit un syst`eme lineaire. Les propositions suivantes sont equivalentes :
(i) est Q
11
, Q
22
, Q
12
-dissipatif.
(ii) R
+
det(jI A) ,= 0,
_
G(j)
I
_
T
_
Q
11
Q
12
Q
T
12
Q
22
_ _
G(j)
I
_
0 (4.22)
Ce resultat sobtient facilement en considerant un signal harmonique u(t) = Uexp(jt).
On peut maintenant montrer que la norme H
et dissipativite)
Soit un syst`eme lineaire et la fonction de ux denergie S(u, y) =
2
u
T
uy
T
y. Les propositions
suivantes sont equivalentes :
(i) est S-dissipatif
(ii) [[[[
Grace au lemme de Yakubovitch-Kalman, la proposition (ii) est equivalente `a (G
T
(j)G(j)+
2
I 0 ce qui est equivalent `a dire que les valeurs propres de G(j)
T
G(j) sont inferieures
`a
2
. Or les valeurs propres (reelles et positives) de G(j)
T
(G(j) sont les carres des valeurs
singuli`eres de G(j). CQFD car la norme H
e u
d
v y
b
m
y
m
Figure 4.1 Syst`eme asservi avec reference, perturbation en entree et buit de mesure
Lobjectif general de la commande est dobtenir y(t) = r(t) en depit des perturbations d(t)
et b
m
(t). Mais evidemment, on ne peut obtenir cette egalite parfaitement. De mani`ere generale,
on note T
zv
(s) le transfert en boucle fermee entre lentree v(t) et la sortie z(t). La sensibilite en
sortie (cote mesure) est denie par S
y
(s) = T
er
(s). La sensibilite en entree (cote commande) est
denie par S
u
(s) = T
vd
(s).
4.3.2 Les crit`eres
Marge de module
La stabilite est evaluable `a partir du lieu des poles (tous les poles de la boucle fermee doivent
etre `a partie reelle strictement positive), ce qui sevalue en multivariable de la meme mani`ere
34 CHAPITRE 4. ANALYSE DES SYST
`
EMES
quen monovariable. Cependant, on sait que la stabilite ne sut pas et que des marges de stabilite
sont necessaires. La marge de module est denie en monovariable comme la distance minimale
au point 1 du transfert complexe en boucle ouverte, ce qui secrit avec les notations utilisees :
M
= min
[1 +K(j)G(j)[. (4.32)
En notant que :
min
[1 +K(j)G(j)[ =
_
max
[(1 +K(j)G(j))
1
[
_
1
, (4.33)
on denit en multivariable la marge de module en sortie :
M
=
1
[[S
y
(s)[[
, (4.34)
et la marge de module en entree :
M
=
1
[[S
u
(s)[[
. (4.35)
-1
0
M
Im
Re
G(j) K(j)
Figure 4.2 Illustration de la marge de module en monovariable sur le lieu de Nyquist
Bande passante
An davoir un bon comportement en suivi de consigne, il faut que le transfert entre la
reference et la mesure ait un comportement de type passe-bas avec une frequence de coupure
de laxe -3 dB susamment elevee. De mani`ere equivalente, on peut considerer quil faut que le
transfert T
er
(s) = S
y
(s) entre la reference et lerreur soit de type coupe-bas (ou passe-haut) avec
la meme pulsation de coupure. On pourra alors tracer la representation frequentielle de S
y
(s) et
relever la bande passante `a -3 dB ainsi que lattenuation maximale (en continu).
Precision
Lerreur statique en reponse `a un echelon unitaire sur la reference est donnee par S
y
(0).
Rejet de perturbation
An davoir un bon comportement en rejet de perturbation, il faut que le transfert entre la
perturbation et lerreur soit le plus faible possible notamment en basse frequence. Ce transfert
est generalement de type passe-bande. On pourra alors tracer la representation frequentielle de
T
ed
(s) = S
y
(s) G(s) et relever lattenuation maximale (en continu) ainsi que lamplication
maximale en precisant la frequence.
4.3. PERFORMANCES DUN SYST
`
EME ASSERVI 35
(log)
0 dB
-3 dB
BP
20 log((S
y
(j)))
20 log((S
y
(0)))
20 log([[S
y
(s)[[
)
Figure 4.3 Allure typique de la sensibilite en sortie S
y
(s) permettant de determiner la marge
de module, la bande passante et la precision (syst`eme avec deux entrees et deux sorties).
Eet du bruit de mesure
Le bruit de mesure b
m
peut se repercuter par un bruit sur la commande qui risque de fatiguer
les actionneurs, entrainera une surconsommation et un vieillissement accelere. An de limiter
cet eet, il importe que le transfert en boucle fermee entre une perturbation en sortie du syst`eme
(cote mesure) et la commande ait un gain limite, notamment en haute frequence. On pourra se
donner un gabarit dattenuation du transfert T
ud
(s) du type (T
ud
(j)) [H(j)[ o` u H(s) est
le gabarit (transfert SISO).
Robustesse
Les syst`emes dynamiques physiques sont generalement de type passe-bande et on dont un
gain qui diminue en haute frequence. Il en resulte donc quau del`a dune certaine bande de
frequences, ces dynamiques sont necessairement mal connues. Ainsi, une des sources classique
de manque de robustesse des syst`emes asservis correspond `a des amplications de modes hautes
frequence mal connus, entranant ainsi des instabilites. An de palier ce probl`eme, il convient de
sassurer que le gain du correcteur decroit au del`a de la bande passante. Une mani`ere detournee
de sen assurer consiste `a considerer la reponse frequentielle du transfert S
u
(s)K(s) ou K(s)S
y
(s)
du transfert entre r et u.
4.3.3 Schemas danalyse et de synth`ese H
Position du probl`eme
Reprenons le schema de commande de la gure 4.1 o` u G(s) comporte n
u
commandes et n
y
mesure. En notant S
y
(s) = (I
n
y
+G(s) K(s))
1
et S
u
(s) = (I
n
u
+K(s) G(s))
1
, on peut calculer
les dierents transferts en boucle fermee :
_
_
e
u
v
y
y
m
_
_
=
_
_
S
y
(s) S
y
(s)G(s) S
y
(s)
S
u
(s)K(s) S
u
(s)K(s)G(s) S
u
(s)K(s)
S
u
(s)K(s) S
u
(s) S
u
(s)K(s)
S
y
(s)G(s)K(s) S
y
(s)G(s) S
y
(s)G(s)K(s)
S
y
(s)G(s)K(s) S
y
(s)G(s) S
y
(s)
_
_
_
_
r
d
b
m
_
_
(4.36)
Etude asymptotique
0 dB
(G(j)K(j)) 1
(G(j)K(j)) 1
20 log(
k
(G(j)K(j)))
c
(log)
Figure 4.4 Allure typique des valeurs singuli`eres de la boucle ouverte.
Pour un syst`eme asservi simple, le gain en boucle ouverte (ou ses valeurs singuli`eres si on
travaille en multivariable) est generalement decroissant en fonction de la pulsation et la pulsation
de coupure
c
de laxes 0 dB denit la bande passante (voir gure 4.4). Considerons maintenant
deux approximations : basse et haute frequence.
Pour
c
, on peut considerer que (K(s)G(s)) 1 et (G(s)K(s)) 1. Il en resulte
que S
y
(s) K
1
(s) G
1
(s) et S
u
(s) G
1
(s) K
1
(s), du moins dans lhypoth`ese de
transferts carres inversibles. Ainsi, les dierents transferts se reecrivent :
_
_
e
u
v
y
y
m
_
_
=
_
_
K
1
(s) G
1
(s) K
1
(s) K
1
(s) G
1
(s)
G
1
(s) I
n
u
G
1
(s)
G
1
(s) G
1
(s) K
1
(s) G
1
(s)
I
n
y
K
1
(s) I
n
y
I
n
y
K
1
(s) K
1
(s) G
1
(s)
_
_
_
_
r
d
b
m
_
_
(4.37)
On observe que certains transferts ne dependent plus du correcteur. Cest le cas du transfert
T
yr
entre la reference et la mesure (ou grandeur `a asservir), egal `a lidentite (le syst`eme
est bien asservi). Cest egalement le cas du transfert entre le bruit et la commande avec
T
ub
m
(s) = G
1
(s), ce qui signie que leet du bruit de mesure sur la commande ne peut
etre attenue dans la bande passante. A linverse, le transfert T
yd
(s) entre la perturbation
et la grandeur `a asservir depend enti`erement du correcteur ; un bon rejet de perturbation
necessite donc un gain du correcteur eleve independamment du gain du syst`eme (cest
ainsi que la presence dun integrateur pur dans le syst`eme G(s) nest daucune aide pour
le rejet de perturbation mais quil faudra prevoir un eet integrateur dans le correcteur).
Pour
c
, on peut considerer que (K(s)G(s)) 1 et (G(s)K(s)) 1. Il en resulte
4.3. PERFORMANCES DUN SYST
`
EME ASSERVI 37
K(s)
G
e
(s)
-
- -
u
v v
e ou y
z z
W
e
(s) W
s
(s)
-
Figure 4.5 Schema general pour la synth`ese H
que S
y
(s) I
n
y
et S
u
(s) I
n
u
. Ainsi, les dierents transferts se reecrivent :
_
_
e
u
v
y
y
m
_
_
=
_
_
I
n
y
G(s) I
n
y
K(s) K(s)G(s) K(s)
K(s) I
n
u
K(s)
G(s)K(s) G(s) G(s)K(s)
G(s)K(s) G(s) I
n
y
_
_
_
_
r
d
b
m
_
_
(4.38)
A nouveau, certains transferts ne dependent plus du correcteur, mais pas les memes que
dans le cas precedent. A linverse, le transfert T
ub
m
(s) entre le bruit de mesure et le
signal de commande est egal, au signe pr`es, au correcteur. Ainsi, il sera necessaire de
prevoir lattenuation du gain du correcteur en dehors de la bande passante an de limiter
lamplication du bruit.
i
s
,
3. un PI + un ltre passe-bas K
3
(s) = K
2
(s)
1
1+
f
s
.
On prendra comme valeurs numeriques K = 1, = 1, K
p
= 5,
i
= 4 et
f
= 0.05. On consid`ere
les dierents signaux suivants :
1. Tracez de mani`ere approximative les transferts suivants : T
er
(s), T
ur
(s), T
yr
(s), T
ur
(s) et
T
ub
m
(s).
2. Commentez les dierents transferts et les dierences entre les trois correcteurs.
Schema general de synth`ese
Un schema general danalyse ou de synth`ese H
du transfert en boucle
fermee de v vers y.
De nombreux schemas de synth`ese sont possibles suivant les objectifs recherches et les dif-
cultes rencontrees en pratique. Lidee est de choisir le schema le plus simple qui permet de
resoudre le cahier des charges. Il convient donc de commencer par le schema le plus simple et
danalyser en detail les resultats obtenus. Si un crit`ere de performances nest pas atteint, on
choisit de passer `a un schema plus complexe en ajoutant des signaux de performance dans G
a
(s)
an dintroduire dans la synth`ese le canal de performance supplementaire pour lequel la synth`ese
precedente sest montree insusante.
38 CHAPITRE 4. ANALYSE DES SYST
`
EMES
Schema 1 bloc
Le transfert crucial est la sensibilite T
er
(s) = S
y
(s) qui permet de gerer `a la fois la bande
passante, la marge de stabilite et la precision. Ainsi, le schema de synth`ese le plus simple est
un schema dans lequel on ne sinteresse qu`a ce transfert. Ce schema, donne sur la gure 4.6
fait apparaitre une seule ponderation en sortie (W
s
(s) = W
1
(s)) et pas de ponderation dentree
(W
e
(s) = I
n
y
).
K(s)
G(s)
u(t)
+
-
y(t)
r(t)
e(t)
W
1
(s)
z(t)
Figure 4.6 Schema de synth`ese `a 1 bloc
Considerons la ponderation suivante :
W
11
(s) =
s +a
k(s +b)
(4.39)
avec a < b et K 1. Ce transfert a un gain statique de
a
kb
, un gain minimal de
1
K
et presente
un gain `a 3 dB `a la pulsation
c
=
_
a
2
2k
2
b
2
2k
2
1
(4.40)
Denissons le ltre multivariable diagonal :
W
1
(s) = W
11
(s)I
n
y
. (4.41)
On a :
W
1
1
(s) =
1
W
11
(s)
I
n
y
. (4.42)
Appliquons `a lentree de ce ltre lerreur de regulation e ; notons z
1
sa sortie. Si on est capable
de verier que la norme du transfert entre r et z
1
est inferieure `a 1, alors [W
1
11
(j)[ est un
majorant de (S
y
(j)) pour tout . On en deduit que :
la marge de gain du syst`eme est superieure `a
1
k
;
lerreur statique relative est inferieure `a
Kb
a
;
la bande passante est superieure `a
c
.
Il sut dinverser ces trois relations pour denir la ponderation permettant correspondant `a un
cahier des charges donne :
K est determine `a partir de la marge de gain ;
le rapport
b
a
est ensuite deduit `a partir de lerreur statique acceptable ;
le coecient a est alors determine par lexpression de la bande passante :
a =
c
2k
2
1
1 2k
2
_
b
a
_
2
(4.43)
on determine ensuite b grace `a la valeur de
b
a
.
Si on souhaite une erreur statique nulle, il convient de prendre b = 0. On peut aussi chercher
`a imposer une erreur de suivi de rampe nulle en choisissant une ponderation de la forme :
W
11
(s) =
(s +a)
2
k(s +b)
2
(4.44)
o` u b est choisi tr`es faible voire nul
2
. Il convient toutefois de refaire les calculs ci-dessus.
2. Il est parfois preferable de choisir b faible non nul an de ne pas rendre le syst`eme instable par ladjonction
dun pole nul ; cest notamment le cas pour lanalyse de la robustesse.
4.3. PERFORMANCES DUN SYST
`
EME ASSERVI 39
0
. La ponderation W
31
(s) est alors choisie egale `a un ltre passe bande resonnant de nature `a
amplier le signal `a la pulsation
0
:
W
31
(s) =
0
s
s
2
+ 2
0
s +
2
0
(4.47)
o` u est choisit dautant plus faible que lattenuation doit etre forte.
4.4 Lieu des p oles
On sait que la condition Q = Q
T
> 0A
T
Q+QA > 0 permet de garantir que la matrice A
est Hurwitz ; cest-`a-dire que toutes ses valeurs propres sont dans le demi-plan complexe gauche.
Dautres conditions LMI permettent de garantir la localisation des poles dans des regions plus
reduites. A partir des formulations polynomiales de Gutman et Jury [21], des contraintes LMI
ont ete derivees par Chilali, Scherer et al. [22, 15]. Une formulation generale, valable en temps-
continu et en temps-discret est disponible dans Peaucelle et Arzelier [23].
4.4.1 Regions LMI
Les regions du plan complexe permettant daboutir `a une formulation LMI secrivent sous
la forme :
R
11
+R
12
z +R
H
21
z
+R
22
zz
< 0 (4.48)
o` u R
11
= R
H
11
, R
12
et R
22
= R
H
22
sont des matrices complexes et o` u z est un pole du syst`eme.
Exemple 7 (Exemples de contraintes LMI)
Pour obtenir [z[
1
, il sut dimposer
2
1
+zz
< 0.
Pour obtenir [z[
2
, il sut dimposer
2
2
zz
< 0.
Pour obtenir Re(z) , il sut dimposer 2 +z +z
< 0.
Pour garantir que les poles sont places dans un cone symetrique par rapport `a laxe des
reels, dirige vers les reels negatifs et douverture , il faut imposer les conditions :
_
hRe(z) + Im(z) < 0
hRe(z) Im(z) < 0
(4.49)
o` u h = tan(). Ces relations se reecrivent sous la forme :
_
(h j)z + (h +j)z
< 0
(h +j)z + (h j)z
< 0
(4.50)
ce qui secrit sous la forme (4.48) avec R
11
= R
22
= O
22
et R
12
=
_
h j 0
0 h +j
_
.
Denition 10 (Produit de Kronecker)
Pour une matrice A = [a
i,j
] de dimention n p et une matrice B, on note :
AB =
_
_
a
11
B . . . a
1n
B
.
.
.
.
.
.
a
n1
B . . . a
nn
B
_
_
(4.51)
4.4. LIEU DES P
OLES 41
4.4.2 Condition LMI
Theor`eme 9 (Condition LMI de placement de pole)
Les p oles dun syst`eme dequation detat A sont dans le domaine caracterise par lequation (4.48)
sil existe une matrice symetrique P telle que la condition suivante est veriee :
R
11
P +R
12
(PA) +R
H
12
(A
H
P) +R
22
(A
H
PA) < 0 (4.52)
En pratique, les dierentes contraintes sont agglomerees an daboutir `a une formulation
unique sous la forme (4.48).
2.
2. Justiez linteret de ces trois contraintes, notamment en terme de cahier des charge tem-
porel.
42 CHAPITRE 4. ANALYSE DES SYST
`
EMES
Chapitre 5
Synth`ese pour les syst`emes LTI
5.1 Retour detat stabilisant
Syst`eme `a temps continu
On cherche une commande de la forme u = Kx pour un syst`eme x = Ax+Bu. Le syst`eme en
boucle fermee secrit x = (A+BK)x. Il est stable sil existe une matrice Q = Q
T
> 0 veriant
linegalite matricielle :
(A+BK)
T
Q+Q(A+BK) < 0 (5.1)
La resolution du probl`eme suppose de trouver simultanement les matrices K et Q. On voit que
cette inegalite nest pas lineaire `a cause du terme QBK; elle ne peut donc etre resolue par les
outils numeriques classiques.
Toutefois, en multipliant `a droite et `a gauche linegalite par R = Q
1
, on obtient une
inegalite equivalente sous la forme :
R(A+BK)
T
+ (A+BK)R < 0 (5.2)
En eectuant le changement de variable S = KR, on se ram`ene `a resoudre linegalite matricielle
lineaire suivante :
RA
T
+S
T
B +AR+BS < 0 (5.3)
Une fois determines R et S, on determine K = SQ
1
.
Formulation Riccati de la stabilisation. On peut egalement utiliser le lemme de Finsler
an de transformer lequation non-lineaire.
Commencons par developper lequation (5.1) :
A
T
Q+QA+K
T
B
T
Q+QBK < 0 (5.4)
En identiant cette equation avec la quatri`eme formulation du lemme de Finsler (page 16), la
troisi`eme formulation equivalente donnee dans le lemme secrit :
A
T
Q+QA+QBB
T
Q < 0 (5.5)
Il sagit dune inegalite de Riccati o` u la matrice inconnue K a disparu. En introduisant une
matrice P = P
T
> 0, cette inegalite se transforme en egalite :
A
T
Q+QA+QBB
T
Q+P = 0 (5.6)
Il sagit dune equation algebrique de Riccati. Des algorithmes sont disponibles pour les resoudre
(sous Matlab, voir are pour Algebraic Riccati Equation).
43
44 CHAPITRE 5. SYNTH
`
ESE POUR LES SYST
`
EMES LTI
5.2 Commande H
On presente ici les techniques de synth`ese de retour dynamique de sortie. Des resultats sont
egalement disponibles concernant la synth`ese de retour detat statique
1
5.2.1 Probl`eme et solutions
Position du probl`eme
Pour le syst`eme P(s) de representation detat :
_
_
x
z
y
_
_
=
_
_
A B
1
B
2
C
1
D
11
D
12
C
2
D
21
D
22
_
_
_
_
x
v
u
_
_
(5.7)
on cherche un correcteur dynamique K(s) de representation detat :
_
x
K
u
_
=
_
A
K
B
K
C
K
D
K
_ _
x
K
y
_
(5.8)
tel que
[[lft
l
(P(s), K(s))[[
. (5.9)
Les methodes de synth`ese presentees ci-dessous, disponibles sous Matlab, sappuient sur
lhypoth`ese suivante :
H1. (A, B
2
) est stabilisable
2
; (C
2
, A) est detectable
3
Ces deux hypoth`eses sont des hypoth`eses classiques pour la synth`ese de correcteur.
Resolution par equation de Riccati
La premi`ere methode de synth`ese, due `a Glover et Doyle, sappuie sur la resolution dune
equation de Riccati [24, 25]. Lexpose rapide de la methode donne ci-dessous est tire de louvrage
de Duc et Font [1].
Pour P = P
T
et Q = Q
T
de meme dimension dune matrice A. On note :
X = Ric
_
A P
Q A
T
_
(5.10)
la solution symetrique de lequation de Riccati :
XA+A
T
X XPX +Q = 0 (5.11)
telle que toutes les valeurs propres de APX ont une partie reelle strictement negative.
Outre lhypoth`ese H1, les hypoth`eses suivantes doivent etre satisfaites :
H2. rang(D
12
) = n
u
et rang(D
21
) = n
y
o` u n
u
est la taille de u et n
y
est la taille de n
y
.
H3. R, rang
_
AjI
n
B
2
C
1
D
12
_
= n +n
u
o` u n est la taille de x.
H4. R, rang
_
AjI
n
B
1
C
2
D
21
_
= n +n
y
.
H5. D
11
= 0, D
T
12
_
C
1
D
12
=
_
O I
n
u
, D
22
= 0,
_
B
1
D
21
_
D
T
21
=
_
O I
n
y
.
1. Voir aussi le cours de Denis Arzelier sur http://www.laas.fr/
~
arzelier/polycop/dea/commande_etat2.
pdf.
2. La stabilisabilite est une condition moins forte que la commandabilite. La paire (A, B
2
) est stabilisable sil
existe un retour detat qui stabilise le syst`eme x = Ax +B
2
u.
3. La detectabilite est une condition moins forte que lobservabilite. La paire (C
2
, A) est detectable sil existe
un observateur
x = Ax +L(C x y) telle que lerreur dobservation x x converge vers zero.
5.2. COMMANDE H
45
Vous trouverez dans la litterature, et notamment dans [1] quelques explications sur ces hy-
poth`eses.
Theor`eme 10 (Synth`ese H
2
Y aXa)
1
En particulier, le correcteur central est obtenu avec (s) = 0.
Resolution par LMI
La caracterisation LMI de la boucle fermee est donnee par le lemme borne reel (4.29). Pour
le syst`eme en boucle fermee lft
l
(P(s), K(s)), ce resultats se reecrit :
_
_
A
T
bf
Q+QA
bf
QB
bf
C
T
bf
B
T
bf
Q I D
T
bf
C
bf
D
bf
I
_
_
< 0 (5.14)
o` u les matrices du syst`eme en boucle fermee sont donnees par :
_
A
bf
B
bf
C
bf
D
bf
_
=
_
_
A+B
2
D
K
C
2
B
2
C
K
B
1
+B
2
D
K
D
21
B
K
C
1
A
K
B
K
D
21
C
1
+D
12
D
K
C
2
D
12
C
K
D
11
+D
12
D
K
D
21
_
_
(5.15)
dans le cas o` u D
22
= O.
Il sagit dun probl`eme non-lineaire `a cause du produit entre la matrice de Lyapunov Q et
les matrices du correcteur `a determiner. La methode suivante permet de resoudre le probl`eme
[16]. Elle consiste `a resoudre dabord un probl`eme LMI o` u les matrices du correcteur ont ete
supprimees.
Theor`eme 11 (Synth`ese LMI de correcteur H
)
Le probl`eme H
a une solution sil existe des matrices symetriques R et S qui verient les trois
conditions LMI suivantes :
_
N
R
0
0 I
n
v
_
T
_
_
AR +RA
T
RC
T
1
B
1
C
2
R I
n
z
D
21
B
T
1
D
T
21
I
n
v
_
_
_
N
R
0
0 I
n
v
_
< 0 (5.16)
_
N
S
0
0 I
n
z
_
T
_
_
A
T
S +SA SB
1
C
1
B
T
1
S I
n
v
D
T
21
C
T
2
D
21
I
n
z
_
_
_
N
S
0
0 I
n
z
_
< 0 (5.17)
_
R I
n
I
n
S
_
0 (5.18)
o` u N
R
et N
S
sont des bases des noyaux respectivement de
_
B
T
2
D
T
12
et
_
C
2
D
21
.
La determination du correcteur se fait suivant les etapes suivantes :
46 CHAPITRE 5. SYNTH
`
ESE POUR LES SYST
`
EMES LTI
1. On determine dabord les matrices R et S `a partir des LMI du theor`eme 11.
2. Soit r le rang de la matrice I
n
RS. Une decomposition en valeurs singuli`ere permet de
determiner les matrices M et N R
nr
telles que :
MN
T
= I
n
RS (5.19)
3. On determine ensuite la matrice de Lyapunov :
Q =
_
S N
N
T
M
RN
_
(5.20)
o` u M
est la pseudo-inverse de M.
4. Il ne reste plus qu`a resoudre (5.14) avec Q connu ; ce qui est une LMI en A
K
, B
K
, C
K
et
D
K
.
5.2.2 Methodologies de synth`ese
Synth`ese par la methode des sensibilites mixtes
On sappuiera sur les explications donnees sur lanalyse des syst`emes presente au paragraphe
4.3.3. Il sagit de traduire un cahier des charge sous forme de gabarits sur un certain nombre
de transferts en boucle fermee ; den deduire les ponderations `a appliquer puis de synthetiser le
correcteur minimisant la norme H
du
transfert de [d
1
d
2
]
T
vers [ u y]
T
:
= min
S(s)
S(s)
G(s)
K(s)S
a
(s)
K(s)
S(s)
G(s)
(5.21)
5.2. COMMANDE H
47
Figure 5.2 Loop-shaping : schema de commande
o` u
S(s) = (I +
G(s)
K(s))
1
est la fonction de sensibilite en entree. Ce correcteur etant
etabli `a partir de lensemble syst`eme + correcteur initial, il est dordre n + n. Cette etage
permet de conferer de bonnes marges de stabilite, ce qui est le cas si est susamment
faible. On consid`ere generalement des valeurs entre 3 et 5 comme satisfaisantes. Des valeurs
plus elevees correspondraient `a des marges de stabilite reduites ; des valeurs plus elevees
sont le signe quil est possible dameliorer les performances o` u la robustesse du syst`eme.
Le correcteur nal est K(s) = W
1
(s)
K(s)W
2
(s). Son ordre est donc n + 2 n. Le schema de
commande est donne sur la gure 5.2.
Figure 5.3 Fonctions de transfert du syst`eme et de la ponderation
Figure 5.4 Fonctions de transfert du syst`eme pondere avec et sans correcteur H
Un exemple de mise en uvre sur un syst`eme electromecanique avec resonnance est developpe
dans [19]. Sur la gure 5.3, on observe la reponse frequentielle de la fonction de transfert G(s)
initial ainsi que la ponderation W
2
(s). On a choisi W
1
(s) = 1. La bande passante est prevue pour
des frequences inferieures et proches de la resonance. Sur la gure 5.4, on observe le syst`eme
48 CHAPITRE 5. SYNTH
`
ESE POUR LES SYST
`
EMES LTI
pondere
G(s) puis le syst`eme corrige
K(s)
G(s). On observe que le correcteur H
na modie le
comportement quaux frequences proches de la pulsation de coupure.
Chapitre 6
Analyse des syst`emes LPV incertains
6.1 Stabilite au sens de Lyapunov
6.1.1 Syst`eme non-lineaire
Soit un syst`eme libre de vecteur detat x et dequation detat x = f(x). Soit x
0
un point
stable candidat. Il doit alors verier la condition dequilibre f(x
0
) = 0. De plus, il faut aussi que
que ce point soit attractif, cest-`a-dire que les trajectoires de x convergent vers x
0
.
Denition 11 (Stabilite au sens de Lyapunov)
x
0
est un point stable au sens de Lyapunov sil existe une fonction scalaire V (x) veriant les
conditions suivantes :
V (x) > V (x
0
) pour x ,= x
0
d
dt
(V (x)) < 0 pour x ,= x
0
Une telle fonction V (x) est dite fonction denergie du syst`eme ou fonction de Lyapunov.
A partir dune condition initiale x
i
dierente de x
0
, lenergie interne du syst`eme va decrotre
jusqu`a atteindre son minimum qui correspond `a lunique point x
0
; letat du syst`eme tendra
donc necessairement vers x
0
.
Pour demontrer la stabilite par cette methode, la diculte reside dans le choix dune bonne
fonction denergie. Une classe de fonctions souvent utilisees sont les fonction quadratiques V (x) =
(x x
0
)
T
Q(x x
0
) avec Q = Q
T
> 0 ; on parle alors de stabilite quadratique.
Pour la fonction denergie choisie, il reste `a demontrer que
d
dt
(V (x)) =
dV (x)
dx
f(x) < 0 pour
tout x.
6.1.2 Syst`eme lineaire
Dans ce cas, f(x) = Ax. Le point dequilibre candidat est x = 0. En choisissant V (x) = x
T
Qx
avec Q = Q
T
> 0, la condition de stabilite secrit alors x
T
(A
T
Q + QA)x < 0 pour x ,= 0, ce
qui secrit aussi A
T
Q + QA < 0 et qui signie que toutes les valeurs propres (reelles) de la
matrice symetrique A
T
Q + QA sont strictement negatives. La stabilite quadratique peut ainsi
se caracteriser par un syst`eme de LMI dont linconnue est la matrice symetrique Q :
Q > 0 (6.1)
A
T
Q+QA < 0 (6.2)
Remarque : dans ce cas, cette stabilite (quadratique de Lyapunov) est equivalente `a la sta-
bilite au sens classique dont le crit`ere est que la matrice A ait ses valeurs propres `a partie reelle
positive.
49
50 CHAPITRE 6. ANALYSE DES SYST
`
EMES LPV INCERTAINS
6.1.3 Syst`eme LPV
Pour un syst`eme LPV autonome x = A()x, la condition de decroissance secrit (A())
T
Q+
QA() < 0 pour tout dans lensemble admissible. En absence dhypoth`ese supplementaires sur
la dependance en de A, nous trouvons alors devant une innite de conditions LMI `a verier
1
(pour chaque valeur des param`etres). Une issue consiste `a se ramener `a un nombre ni de LMI en
discretisant lensemble des param`etres. Linconvenient de cette methode reside dans le nombre
eleve de LMI `a resoudre, meme pour un petit nombre de param`etres ; elle est irrealiste dans le
cas de syst`emes dependant dun nombre eleve de param`etres.
Dans le cas dun syst`eme LPV ane ou polytopique, on verie quil sut que la condition
soit veriee au sommets de lespace pour quelle le soit sur lensemble du domaine. En eet, si
A =
k
A
s
k
,
V =
k
x
T
((A
s
k
)
T
Q+QA
s
k
)x
T
. Il sut de verier ((A
s
k
)
T
Q+QA
s
k
) < 0 pour tout
k. Letude de la stabilite quadratique dun syst`eme LPV ane ou polytopique setudie par le
syst`eme de 2
p
+ 1 LMI suivantes o` u p est le nombre de param`etres :
Q > 0 (6.3)
(A
s
k
)
T
Q+QA
s
k
< 0 (6.4)
Remarquez que la stabilite quadratique dun syst`eme LPV nest, dans le cas general, quune
condition susante de stabilite. En eet, la stabilite pourrait etre etablie avec des fonction de
Lyapunov non quadratiques.
6.1.4 Maximisation du taux de decroissance
Plutot que de se contenter dassurer que V decrot, il est interessant de chercher `a maximiser
cette decroissance. Dans le cas dune fonction quadratique V (x) = x
T
Qx, on peut chercher `a
assurer
V (x) < x
T
x o` u le taux de croissance est un scalaire ; il est negatif si le syst`eme est
stable. Pour un syst`eme lineaire, il sagit donc de trouver Q = Q
T
et minimal veriant :
Q > 0 (6.5)
A
T
Q+QA < I (6.6)
Il sagit dun probl`eme de valeurs propres generalisees. Ce resultat est generalisable aux syst`emes
LPV ane et polytopique ; on assure alors un taux de decroissance minimal sur le domaine.
6.1.5 Matrice de Lyapunov dependant des param`etres
Dans le cas dun syst`eme LPV, on peut introduire une matrice de Lyapunov Q() dependant
des param`etres. La derivee de lenergie secrit alors :
dV
dt
= x
T
Qx +x
T
Q x +x
T
Qx (6.7)
= x
T
(A
T
Q+QA+
Q)x, (6.8)
o` u
Q =
Q((t))
dt
=
Q
k
. La stabilite est donc assuree si :
Q() < 0 (6.9)
A
T
Q+QA+
Q < 0 et
(6.10)
o` u est lensemble de variation des param`etres et celui des variations de
; comme on la
fait pour , on suppose que chaque composante de
est bornee, cest-`a-dire que
k
.
Dans le cas general, cette inegalite peut etre veriee en echantillonnant et .
Restreignons nous desormais `a des matrices de Lyapunov dependant de mani`ere ane des
param`etres : Q() = Q
0
+
1
Q
1
+
2
Q
2
. Il sut alors de verier la positivite de Q aux
1. On parle en fait de LMI semi-innie dans le cas ou les param`etres sont bornes ; le terme de LMI in-
nieLMI !innie sappliquant au cas ou les param`etres ne sont pas bornes
6.2. DISSIPATIVIT
E, NORME H
51
sommets de , cest-`a-dire sur
s
. On observe alors que
Q =
1
Q
1
+
2
Q
2
= Q(
) Q
0
.
Linegalite `a verier secrit alors :
Q() < 0
s
(6.11)
(A())
T
Q() +Q()A() +Q(
) Q
0
< 0 (,
)
s
. (6.12)
Dans le cas dun syst`eme LPV ane (A() = A
0
+
1
A
1
), il sagit dune inegalite matricielle
polynomiale dordre 2 quon ne peut resoudre avec les techniques classiques. Par contre, il est
possible dobtenir une condition susante sous forme de LMI. Pour cela, nous allons nous
appuyer sur le resultat suivant :
Lemme 5 (Condition susante de negativite)
Soit f une fonction de E vers R o` u E est un parallelepip`ede rectangle (E = [x
1
; x
1
][x
2
; x
2
] ).
Notons E
s
lensemble des sommets de E (E
s
= (x
1
, x
2
, ...), (x
1
, x
2
, . . .) . . .). La proposition (ii)
implique la proposition (i)
i. f(x) < 0 x E
ii.
_
f(x) < 0 x E
s
2
f
x
k
0 x E
(6.13)
Pour que la fonction f soit negative, il sut quelle soit negative aux sommets et quelle soit
multiconvexe. Remarquons que la multiconvexite, cest-`a-dire la convexite dans chacune des
directions des axes de lespace est une condition moins forte que la convexite (la convexite
implique la multiconvexite). Pour comprendre ce resultat, prenons lexemple dune fonction de
R
2
. Lensemble de depart E est donc un rectangle. Supposons que les conditions (ii) soient
veriees. Il est alors evident que f(x) < 0 sur chacun des cotes du rectangle, par convexite.
Ensuite, pour un point `a linterieur du rectangle, on peut dire quil appartient `a un segment
parall`ele `a lun des bords du rectangle ; par convexite, f est negative en tous les points de ce
segment.
Il sagit alors dappliquer ce lemme `a linegalite matricielle (6.12) avec E = et E
s
=
s
. La condition de multiconvexite se ramenant `a A
T
k
Q
k
+Q
k
A
k
0 k 1, on obtient le
syst`eme de LMI suivant :
Q() < 0
s
(6.14)
(A())
T
Q() +Q()A() +Q(
) Q
0
< 0
s
et
s
(6.15)
A
T
k
Q
k
+Q
k
A
k
0 k 1 (6.16)
Remarque : la stabilite quadratique simple (avec matrice de Lyapunov constante) est un cas
particulier de la stabilite quadratique avec matrice de Lyapunov dependant des param`etres. Il
sut en eet de choisir Q
k
= 0 k 1.
6.2 Dissipativite, norme H
est
inferieure `a pour tout ge dans si le lemme borne reel 2 est verie pour tout
s
.
Ce resultat est immediat du fait du caract`ere ane de linegalite matricielle et du fait du
caract`ere ane de la dependance des matrices detat en fonction des param`etres.
6.2.2 Dissipativite avec matrice de Lyapunov dependant des param`etres
Comme nous lavons fait pour la passivite, nous pouvons introduire une matrice de Lyapunov
Q() dependant des param`etres (en abrege PDLF pour parameter-dependent Lyapunov function)
pour traiter le probl`eme de la dissipativite. Remarquons tout de suite que seule la fonction
denergie x
T
Qx est aectee ; la fonction S(u, y) de ux denergie nest en rien concernee par ce
changement. Comme pour la passivite, le terme A
T
Q + QA est desormais aecte dun terme
supplementaire
Q. Pour un syst`eme LPV, sous pouvons alors enoncer le resultat suivant :
Theor`eme 13 (LMI semi-innie de dissipativite avec PDLF)
Le syst`eme LPV est S-dissipatif (S(u, y) = y
T
y + u
T
u) sil existe des matrices symetriques
Q
0
, Q
1
... avec Q() = Q
0
+
1
Q
1
telles que :
Q() > 0
s
(6.22)
_
_
M(,
) Q()B() C()
T
(B())
T
Q() I (D())
T
C() D() I
_
_
< 0 (,
) (6.23)
o` u M(,
) = (A())
T
Q() +Q()A() +
Q().
Cette caracterisation est une LMI semi-innie. Comme nous lavions fait pour la passivite
dependant des param`etres, on peut obtenir une caracterisation plus conservative sous forme dun
nombre ni de LMI, ce qui est fait dans le theor`eme ci-dessous.
6.3. APPLICATION
`
A UN SYST
`
EME M
ECANIQUE 53
r
actionneur
transmission
souple
charge
rgulateur
y
u
Figure 6.1 Schema du syst`eme mecanique etudie
Theor`eme 14 (Condition LMI de dissipativite avec PDLF)
Le syst`eme LPV est S-dissipatif (S(u, y) = y
T
y + u
T
u) sil existe des matrices symetriques
Q
0
, Q
1
... avec Q() = Q
0
+
1
Q
1
telles que :
Q() > 0
s
(6.24)
_
_
M(,
) Q()B() C()
T
(B())
T
Q() I (D())
T
C() D() I
_
_
< 0 (,
)
s
s
(6.25)
_
A
T
k
Q
k
+Q
k
A
k
Q
k
B
k
B
T
k
Q
k
0
_
0 k 1 (6.26)
o` u
M(,
) = (A())
T
Q() +Q()A() +Q(
) Q
0
.
6.3 Application `a un syst`eme mecanique
On traite dans cette partie la modelisation dun syst`eme dynamique sous forme LPV ane
et sous forme LFR. Des resultats danalyse par dierentes methodes sont presentes.
6.3.1 Presentation du syst`eme
Le syst`eme est presente sur la gure 6.1. Il est compose de deux sous-syst`emes dinerties
respectives J
1
et J
2
et de coecients de dissipation (frottements uides) f
1
et f
2
reliees par
un accouplement de raideur K et de coecient de dissipation f. Le premier sous-syst`eme est
actionne et on commande le couple u. On note q
k
les positions et
k
les vitesses. On cherche
`a asservir la vitesse
2
du second sous-syst`eme. On consid`ere que la raideur K et linertie J
2
sont entachees dincertitudes. Les valeurs nominales des param`etres sont J
1
= J
2
= 10 mkg.m
2
,
f
1
= f
2
= 20 mNms/rad, f = 40 mNms/rad, K = 10 N/rad. On consid`ere des variations de
50 % sur K et sur
1
J
2
.
Le couple transmis par la liaison exible entre les deux sous-syst`emes est C
K
= K(q
1
q
2
) +
f(
1
2
). Les equations de la dynamique appliquees aux deux sous-syst`emes secrivent :
J
1
d
1
dt
= u C
K
f
1
1
(6.27)
J
2
d
1
dt
= C
K
f
2
2
(6.28)
Il sagit dun mod`ele lineaire dordre 4. Il peut secrire sous forme detat avec x = [q
1
1
q
2
2
]
T
et les matrices detat suivantes :
A =
_
_
0 1 0 0
K
J
1
f+f
1
J
1
K
J
1
f
J
1
0 0 0 1
K
J
2
f
J
2
K
J
2
f+f
2
J
2
_
_
, B =
_
_
0
1
J
1
0
0
_
_
(6.29)
C =
_
0 0 0 1
, D = 0 (6.30)
54 CHAPITRE 6. ANALYSE DES SYST
`
EMES LPV INCERTAINS
Figure 6.2 Lieu de Bode du syst`eme mecanique
Ce mod`ele a linconvenient detre non observable. En eet, seule la difference q
1
q
2
des
positions a de linuence sur la mesure
2
; la somme etant sans eet
2
. Ainsi, il est preferable
de simplier les equations en notant q = q
1
q
2
et qui verie lequation :
q =
1
2
(6.31)
En reprenant les equations de la dynamique avec C
K
= K q + f(
1
2
), on peut ecrire le
mod`ele detat avec x = [
1
2
q]
T
et les matrices detat :
A =
_
f+f
1
J
1
f
J
1
K
J
1
f
J
2
f+f
2
J
2
K
J
2
1 1 0
_
_
, B =
_
_
1
J
1
0
0
_
_
(6.32)
C =
_
1 0 0
, D = 0 (6.33)
Le lieu de Bode
3
du syst`eme mecanique est presente sur la gure 6.2. La resonance se situe
entre 40 et 50 rad/s. An dasservir la vitesse de la charge, on a choisi un correcteur de fonction
de transfert :
K(s) =
2(s + 2)
(s + 10)(s + 0, 01)
(6.34)
Il sagit dun correcteur de type PI
4
avec une troncature du terme integral pour les pulsations
inferieures `a 10 mrad/s et un ltrage passe bas du premier ordre pour les frequences superieures
`a 10 rad/s. La reponse du syst`eme nominal asservi `a un echelon unitaire est donnee sur la
gure 6.3. On note un depassement de lordre de 15 % et un temps de reponse `a 5 % de 500 ms.
6.3.2 Analyse `a partir du mod`ele LPV
Modelisation
le mod`ele developpe ci-dessus fait apparatre des produits entre les variables incertaines K et
1
J
2
et ne peut secrire directement comme un mod`ele LPV ane. Cela sera rendu possible par un
2. Ajouter un oset identique sur les conditions initiales de q
1
et q
2
est sans eet sur la trajectoire de
2
.
3. Hendrik Wade Bode a vecu de 1905 ` a 1982. Americain dorigine hollandaise, il est considere comme un
pionnier de la regulation et des telecommunications. Voir http://fr.wikipedia.org/wiki/Hendrik_Wade_Bode.
4. Ce correcteur simple a ete developpe pour illustrer les procedures danalyse de robustesse. De meilleurs
resultats peuvent-etre obtenus avec un correcteur dordre plus eleve comme ceux obtenus par les methodes H
.
Vous trouverez un exemple dans [19], article disponible depuis le reseau de lULP sur le cite du SCD (http ://www-
scd-ulp.u-strasbg.fr, rubrique Revues electroniques) ou ` a partir du cite du LSIIT (http ://lsiit.u-strasbg.fr).
6.3. APPLICATION
`
A UN SYST
`
EME M
ECANIQUE 55
Figure 6.3 Reponse `a un echelon du syst`eme nominal asservi
changement de variable detat x = [J
1
1
J
2
2
]
T
. Remarquons que ce changement de variable
est justie par la physique car, en presence dinerties variables, les equations de la dynamique
secrivent rigoureusement sous la forme :
d
dt
(J
1
1
) = u C
K
f
1
1
(6.35)
d
dt
(J
2
2
) = C
K
f
2
2
(6.36)
Le mod`ele detat secrit alors avec les matrices suivantes :
A =
_
f+f
1
J
1
f
J
2
K
f
J
1
f+f
2
J
2
K
f
J
1
f
J
2
0
_
_
, B =
_
_
1
0
0
_
_
(6.37)
C =
_
0
f
J
2
0
_
, D = 0 (6.38)
Les matrices detat sexpriment de mani`ere ane en fonction des param`etres incertains K et
1
J
2
.
En notant par commodite :
M =
_
A B
C D
_
(6.39)
le mod`ele secrit M = M
0
+KM
1
+
1
J
2
M
2
avec :
M
0
=
_
f+f
1
J
1
0 0 1
f
J
1
0 0 0
f
J
1
0 0 0
0 0 0 0
_
_
(6.40)
M
1
=
_
_
0 0 1 0
0 0 1 0
0 0 0 0
0 0 0 0
_
_
(6.41)
M
2
=
_
_
0 f 0 0
0 (f +f
2
) 0 0
0 f 0 0
0 f 0 0
_
_
(6.42)
Le script de denition du mod`ele sous Matlab est donne ci-dessous
5
:
5. Les codes Matlab de cette partie requi`erent la boite ` a outil LMI toolbox ou la version 3 ou posterieure de
la Robust Control Toolbox.
56 CHAPITRE 6. ANALYSE DES SYST
`
EMES LPV INCERTAINS
Aa0 = [ 1/J1*[-(f+f1); f; 1] zeros(3,2) ];
Aa1 = [zeros(3,2) [-1; 1; 0]];
Aa2 = [zeros(3,1) [f; -(f+f2); -1] zeros(3,1)];
Ba0 = [1; 0; 0]; Ba1 = zeros(3,1); Ba2 = Ba1;
Ca0 = zeros(1,3); Ca1 = Ca0; Ca2 = [0 1 0];
Da0 = 0; Da1 = 0; Da2 = 0;
S0 = ltisys(Aa0,Ba0,Ca0,Da0);
S1 = ltisys(Aa1,Ba1,Ca1,Da1,zeros(3));
S2 = ltisys(Aa2,Ba2,Ca2,Da2,zeros(3));
K0 = 10; w1 = 5; % ponderation sur K
J20 = 1e-2; w2 = 50; % ponderation sur 1/J2
range = [K0-w1 K0+w1; 1/J20-w2 1/J20+w2];
pv = pvec(box,range)
sysGaff = psys(pv,[S0,S1,S2]);
psinfo(sysGaff)
Robustesse en stabilite
Le correcteur est deni comme suit :
Kp = 2; ti = 1; w1K = 2 ; w2K = 10;
NumK = Kp*[1 w1K]; DenK = conv([1 1e-2],[1 w2K]);
sysK = nd2sys(NumK,DenK);
On calcule le syst`eme en boucle ouverte compose du correcteur et du process :
sysboaff = smult(sysK,sysGaff);
On peut ensuite denir le syst`eme boucle, ayant comme entree la reference et comme sortie
lerreur, par une simple lft :
sysbfaff = slft([1 -1; 1 -1],sysboaff);
On peut ensuite etudier la stabilite quadratique avec une matrice de Lyapunov constante :
[tau,P] = quadstab(sysbfaff);
On obtient tau = -0.0039 negatif, ce qui montre que le syst`eme est robustement stable. La
stabilite quadratique avec matrice de Lypaunov dependant des param`etres de mani`ere ane est
etudiee avec :
[tau2,Q0,Q1,Q2] = pdlstab(sysbfaff);
qui donne tau2 = -0.0222, et qui montre que le syst`eme est robustement stable
6
.
Robustesse en performance
On calcule la norme H
du syst`eme avec :
[perf,Pp] = quadperf(sysbfaff);
On obtient un gain de 1,77, ce qui correspond `a une marge de module pire cas (distance au point
-1 dans le lieu de Nyquist
7
) de 0,564.
On peut etudier la robustesse en performance en ajoutant une ponderation frequentielle
W
1
(s) sur lerreur et en calculant la norme H
ECANIQUE 57
Figure 6.4 Schema-bloc du mod`ele dynamique dordre 3
Le syst`eme pondere est calcule par :
sysbfaffp = smult(sysbfaff,W1lti);
et on calcule la norme H
du syst`eme avec :
[perf,Pp] = quadperf(sysbfaffp);
On obtient une norme de 0,863, ce qui montre que la sensibilite en sortie (le transfert entre la
reference et lerreur) verie le gabarit W
1
1
(s) avec une marge de robustesse de 1,13. Le syst`eme
est robuste en performance.
6.3.3 -analyse
La -analyse est une analyse de robustesse qui sappuie sur la notion de valeur singuli`ere
structuree. Le mod`ele doit-etre donne sous forme de LFR.
Mod`ele LFR
La methode la plus simple pour obtenir une representation LFR dun syst`eme consiste `a
travailler sur le schema-bloc et `a la simplier au maximum de sorte `a faire intervenir un nombre
minimum de fois chacun des param`etres. Dans le cas du syst`eme mecanique considere, chaque
param`etre peut etre utilise une seule fois, comme le montre le schema de la gure 6.4.
A partir de ce schema, il est possible de construire simplement la LFR en rempla cant chaque
param`etre incertain par une entree v
k
et une sortie z
k
. Ainsi, en rempla cant la raideur K par v
1
et z
1
puis
1
J
2
par v
2
et z
2
, on obtient le mod`ele presente sur la gure 6.5.
Ce mod`ele se met alors sous la forme (3.16-3.18) avec :
_
_
A B
1
B
2
C
1
D
11
D
12
C
2
D
21
D
22
_
_
=
_
_
(f +f1)/J1 0 0 1 f 1
f/J1 0 0 1 (f +f2) 0
1/J1 0 0 0 1 0
0 0 1 0 0 0
0 1 0 0 0 0
0 0 0 0 1 0
_
_
(6.43)
On observe que la matrice D
11
est nulle, ce qui fait que le mod`ele LFR est aussi un mod`ele LPV
ane.
Une etape de normalisation est ensuite operee. Les param`etres K et
1
J
2
sont respectivement
remplaces par K
0
+w
1
1
et
1
J
20
+w
2
2
o` u
1
et
2
sont deux param`etres dont les variations sont
58 CHAPITRE 6. ANALYSE DES SYST
`
EMES LPV INCERTAINS
Figure 6.5 Schema-bloc du mod`ele LFR
Figure 6.6 Schema-bloc du mod`ele LFR normalise
6.3. APPLICATION
`
A UN SYST
`
EME M
ECANIQUE 59
comprises entre -1 et 1. Le schema correspondant est celui de la gure 6.6. Le script de denition
du mod`ele LFR normalise est donne ci-dessous
8
:
A = [-(f+f1)/J1 f/J20 -K0; f/J1 -(f+f2)/J20 K0; 1/J1 -1/J20 0];
B1 = [-1 f; 1 -(f+f2); 0 -1];
B2 = [1; 0; 0];
C1 = [0 0 w1; 0 w2 0];
C2 = [0 1/J20 0];
D11 = zeros(2);
D12 = zeros(2,1);
D21 = [0 1];
D22 = 0;
sysLFR = pck(A,[B1 B2],[C1;C2],[D11 D12; D21 D22]);
blk = [-1 0; -1 0]; % structure des incertitudes
La variable blk indique que le syst`eme contient deux incertitudes reelles scalaires
9
.
Robustesse en stabilite
On presente ensuite les resultats danalyse de la robustesse en stabilite `a partir du mod`ele
boucle. Apr`es avoir deni le correcteur au format adequat :
Kp = 2; ti = 1; w1K = 2 ; w2K = 10;
NumK = Kp*[1 w1K]; DenK = conv([1 1e-2],[1 w2K]);
Ktf = tf(NumK,DenK);
sysK = nd2sys(NumK,DenK);
La denition du mod`ele boucle peut se faire `a partir de la fonction sysic de la mani`ere
suivante :
systemnames = sysLFR sysK ;
inputvar = [ v2];
outputvar = [ sysLFR(1:2) ];
input to sysK = [ -sysLFR(3) ];
input to sysLFR = [ v;sysK ];
sysoutname = sysLFRbf;
cleanupsysic = yes;
sysic;
Avant danalyser la robustesse, il importe de verier que le mod`ele nominal (avec des incer-
titudes nulles) est stable
10
. Cela se fait de la mani`ere suivante :
if max(real(spoles(sysLFRbf))) >= 0,
disp(Syst`eme nominal instable)
else
disp(Syst`eme nominal stable)
end
Le calcul de la valeur singuli`ere singuli`ere structuree sur un ensemble de valeurs de la pulsa-
tion se fait ainsi :
TabPuls = logspace(0,2,400);
sysLFRbf w = frsp(sysLFRbf,TabPuls);
[bnds,rowd,sens,rowp,rowg] = mu(sysLFRbf w,blk);
8. Les codes Matlab de cette partie requi`erent la boite ` a outil -analysis and synthesis toolbox ou la version
3 ou posterieure de la Robust Control Toolbox.
9. Chaque ligne de la variable code un bloc dincertitude. Les incertidudes reelles diagonales rI sont codees
par [-r 0] ; les incertitudes complexes diagonales cI sont codees par [c 0] ; les incertitudes complexes pleine de
taille l c sont codees par [l c].
10. Une valeur de inferieure ` a 1 signie quaucun p ole ne traverse laxe imaginaire mais ne garantie pas que
le syst`eme nominal est stable.
60 CHAPITRE 6. ANALYSE DES SYST
`
EMES LPV INCERTAINS
Figure 6.7 Valeur singuli`ere structuree pour lanalyse en stabilite (borne superieure et borne
inferieure)
Figure 6.8 Schema-bloc du mod`ele LFR pour lanalyse en performance
figure
vplot(liv,m,bnds)
et donne le trace de la gure 6.7. On note un majorant de 0,55 de la borne superieure et un
minorant de 0,53 de la borne inferieure, do` u une marge de robustesse de lordre de 1,8. Remar-
quons que la borne inferieure a de grandes dicultes `a converger. Cest l`a une caracteristique
de la borne inferieure pour les probl`emes purement reels.
Robustesse en performance
Le calcul de la robustesse en performance se fait en incluant une ponderation W
1
(s) sur
lerreur de regulation
11
et en ajoutant une incertitude complexe pleine entre la sortie de W
1
(s)
et la reference. Le schema du syst`eme est presente sur la gure 6.8. La ponderation est denie
sous Matlab comme suit :
w1c = 8; NumW1 = 0.25*[1 1/w1c]; DenW1 = [1 1e-3];
W1 = nd2sys(NumW1,DenW1);
On denit ensuite le mod`ele boucle sous forme LFR :
systemnames = sysLFR sysK W1;
inputvar = [ v2; vp];
11. Avec une ponderation placee sur lerreur de regulation, on peut traiter les probl`emes de bande-passante, de
marge de module et de precision statique.
6.3. APPLICATION
`
A UN SYST
`
EME M
ECANIQUE 61
Figure 6.9 Valeur singuli`ere structuree pour lanalyse en performance (borne superieure et
borne inferieure)
outputvar = [ sysLFR(1:2); W1 ];
input to sysK = [ vp-sysLFR(3) ];
input to sysLFR = [ v;sysK ];
input to W1 = [ vp-sysLFR(3) ];
sysoutname = sysLFRbfp;
cleanupsysic = yes;
sysic;
Le trace de la valeur singuli`ere structuree se fait avec le script ci-dessous :
sysLFRbfp w = frsp(sysLFRbfp,TabPuls);
blkp = [blk; [1 0]]; % ajout de lincertitude complexe liee aux performances
[bnds,rowd,sens,rowp,rowg] = mu(sysLFRbfp w,blkp);
figure
vplot(liv,m,bnds)
et donne les resultats presentes sur la gure 6.9. On observe que les bornes superieure et
inferieure sont proches ; lajout dune incertitude complexe pour lanalyse en performance permet
de regulariser le probl`eme. Le syst`eme est robuste en performance avec une marge de robustesse
de 1,5 (1/0,66). Cest-`a-dire que le syst`eme maintient les performances denies par le gabarit
W
1
1
(s) sur la sensibilite en sortie (le transfert entre la reference et lerreur de regulation) pour
toutes les valeurs des param`etres dans les intervalles predenis.
6.3.4 Lieu des poles
Letude du lieu des poles multimod`ele presentee ici sappuie sur une modelisation LFR
presentee dans le paragraphe 6.3.3. Elle utilise des fonctions developpee par lauteur (archive
des chiers : http://eavr.u-strasbg.fr/
~
laroche/student/MasterISTI/Test2.zip).
Le lieu des poles multimod`ele, trace sur la gure 6.10, obtenu par un echantillonnage de
lespace parametrique est obtenu par :
[poles,para0] = polesMM(sysLFRbf,blk,5);
figure
plot(real(poles),imag(poles),*)
On observe que la partie reelle des poles demeure inferieure `a -1,9 ; le syst`eme est donc robuste-
ment stable.
62 CHAPITRE 6. ANALYSE DES SYST
`
EMES LPV INCERTAINS
Figure 6.10 Lieu des poles multimod`ele pour les variations nominales des param`etres (55
mod`eles)
Figure 6.11
Evolution de la partie relle pire-cas des poles en fonction du coecient de dilata-
tion de lensemble de variation des param`etres (55 mod`eles)
6.3. APPLICATION
`
A UN SYST
`
EME M
ECANIQUE 63
Figure 6.12 Lieu des poles multimod`ele pour les variations maximales des param`etres (1010
mod`eles)
On peut tracer levolution de la partie reelle maximale en fonction dun coecient r que lon
applique au domaine de variation des param`etres. Les resultats produits sur la gure 6.11 sont
obtenu avec les commandes :
tabr = linspace(0,3,40);
tabpole = [];
for ind = 1:length(tabr),
r = tabr(ind);
rsysLFR = mmult(r*eye(2),sysLFRbf);
[poles,para0] = polesMM(rsysLFR,blk,10);
tabpole = [tabpole max(real(poles))];
end
figure
plot(tabr,tabpole)
On observe quau moins un pole est `a partie reelle positive `a partir dune dilatation de 1.875.
Cette valeur est aussi la marge de robustesse obtenue.
Cette valeur peut etre obtenue automatiquement par dichotomie avec la commande :
[Mu,para] = mumm(sysLFRbf,blk,10,1,1,[])
On obtient Mu = 0.5334 et para = [-1.0000 -0.1111], ce qui montre que la marge de ro-
bustesse est de 1.8746 et le pire cas est obtenu pour les incertitudes normalisees
1
= 1, 8746 et
2
= 0, 2083. Remarquons que, dans le cas present, le pire cas nest pas obtenu sur un sommet
de lespace parametrique.
Le lieu des poles multimod`ele avec les variations maximales des param`etres, presente sur
la gure 6.12, est obtenu en multipliant le canal de par 1/ et en tracant les poles pour
[[[[
Electricite,
1994.
[14] The MathWorks Inc., Getting Started with the Control System Toolbox, 2000-2002.
[15] C. Scherer, P. Gahinet, and M. Chilali, Multi-objective output-feedback control via LMI
optimization, IEEE Trans. Autom. Control, vol. 42, no. 7, pp. 896911, 1997.
[16] P. Gahinet and P. Apkarian, A linear matrix inequality approach to h
control, Int. J.
Robust Nonlin. Control, vol. 4, no. 4, pp. 421448, 1994.
[17] J.F. Magni, Linear fractional representation with a toolbox for use with Matlab, Tech.
Rep., ONERA, 2001.
[18] E. Laroche and D. Knittel, An improved linear fractional model for robustness analysis of
a winding system, Control Engineering Practice, vol. 13, no. 5, pp. 659666, 2005.
[19] E. Laroche, Y. Bonnassieux, H. Abou-Kandil, and J.-P. Louis, Controller design and
robustness analysis for induction machine-based positioning system, Control Engineering
Practice, vol. 12, pp. 757767, 2004.
[20] E. Laroche, Robustness analysis of nonlinear systems - application to induction motor,
in IFAC World Congress, Prague, Praha, July 2005.
65
66 BIBLIOGRAPHIE
[21] S. Gutman and E. Jury, A general theory for matrix root-clustering in subregions of the
complex plane, IEEE Trans. Autom. Control, vol. 26, no. 4, pp. 853863, 1981.
[22] M. Chilali and P. Gahinet, H
control problems, IEEE Trans. Autom. Control, vol. 34, no. 8, pp.
831847, 1989.
[26] D. C. McFarlane and K. Glover, A loop shaping design procedure using H
synthesis,
IEEE Trans. Autom. Control, vol. 37, no. 6, pp. 759769, 1992.
[27] P.M. Young, Structured singular value approach for systems with parametric uncertainty,
Int. J. Robust Nonlinear Control, vol. 11, no. 7, pp. 653680, 2001.