SBP A

Identification des systmes
Version 2009/2010
Gonzalo Cabodevila
gonzalo.cabodevila@femto-st.fr
3
me
anne
Option Energie, Transport et
Environnement
ETE8
cole Nationale Suprieure de
Mcanique et des Microtechniques
26, chemin de lpitaphe
25030 Besanon cedex FRANCE
http://intranet-tice.ens2m.fr

3
" Je distingue deux moyens de cultiver les sciences : lun
daugmenter la masse des connaissances par des dcouvertes ;
et cest ainsi quon mrite le nom dinventeur ; lautre de
rapprocher les dcouvertes et de les ordonner entre elles, an
que plus dhommes soient clairs, et que chacun participe,
selon sa porte, la lumire de son sicle ... "
Diderot
4
Table des matires
I Identication des systmes 9
1 Modles de connaissance 11
1.1 Modles simples linaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.1.1 Exemple : le moteur courant continu . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Mthodes systmatiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1 Un exemple simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Dtermination des constantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Linarisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Identication de modles non paramtriques 15
2.1 Quelle entre ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1 Analyse harmonique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.2 Rponse impulsionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.3 Rponse indicielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Etude des rponses indicielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1 Systmes du premier ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.2 Systmes du second ordre rsonnant . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.3 Systmes du premier ordre retards ou du second ordre non rsonnant . . . . . 16
2.2.4 Systmes dordre suprieur 2 non rsonnants . . . . . . . . . . . . . . . . . . 17
2.2.5 Systme avec intgrateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Mthode de Ziegler-Nichols . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4 Autres modles ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3 Algorithme gnral didentication 21
3.1 Choix du signal dexcitation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2 Les squences binaires pseudo alatoires (SBPA) . . . . . . . . . . . . . . . . . . . . . 22
3.2.1 Choix des paramtre dune SBPA . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3 Identication base sur lerreur de sortie . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.4 Identication base sur lerreur de prdiction . . . . . . . . . . . . . . . . . . . . . . . 26
3.4.1 Mthode des moindres carrs simples . . . . . . . . . . . . . . . . . . . . . . . . 26
3.4.2 Calcul du biais de lestimateur . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4.3 Mthode des moindres carrs gnraliss . . . . . . . . . . . . . . . . . . . . . . 29
3.4.4 Mthode de la Matrice Instrumentale . . . . . . . . . . . . . . . . . . . . . . . . 31
3.5 Identication en boucle ferme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.6 Et Matlab
dans tout a ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4 Estimations rcursives 35
4.1 Moindres carrs rcursifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Variable instrumentale rcursive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5
6 TABLE DES MATIRES
5 Algorithmes doptimisation paramtrique. 39
5.1 Prsentation gnrale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.2 Exemple introductif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.3 Problme pos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.4 Revue bibliographique succincte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.5 Elments de comparaison des direntes mthodes. . . . . . . . . . . . . . . . . . . . . 41
5.5.1 Critres. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.5.2 Comparaisons. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.5.3 Rcapitulatif. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.5.4 Synthse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
6 Description des algorithmes utiliss. 45
6.1 Gradient et quasi-Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.1.1 Mthode du gradient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.1.2 Mthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.1.3 Mthode de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.1.4 Mthode de Levenberg-Markardt . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.1.5 lalgorithme BFGS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.2 Simplex de Nelder & Mead. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.2.1 Extensions - Amliorations. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.3 Algorithmes gntiques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
6.3.1 Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
6.3.2 Principe des algorithmes gntiques binaires. . . . . . . . . . . . . . . . . . . . 52
6.3.4 Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.4 Algorithmes gntiques cods rels. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.4.1 Principe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.4.2 Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
6.5 Mthode du Recuit simul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6.5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6.5.2 Principe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6.5.4 Mise en uvre du recuit simul. . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Bibliographie 56
7 Travaux dirigs 59
7.1 Strecj - Broida - Programmation non linaire . . . . . . . . . . . . . . . . . . . . . . . 59
7.1.1 Strecj - Broida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
7.1.2 Programmation non linaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
7.1.3 Limites de la Programmation non linaire . . . . . . . . . . . . . . . . . . . . . 59
7.2 Identication des systmes instables ou intgrateurs . . . . . . . . . . . . . . . . . . . . 59
7.3 Choix de la source dexcitation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
7.4 Les modles paramtriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
7.5 Cas pratique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
II Annexes 63
Examen nal janvier 2004 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Correction examen nal janvier 2004 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
TABLE DES MATIRES 7
8 TABLE DES MATIRES
Premire partie
Identication des systmes
9
Chapitre 1
Modles de connaissance
1.1 Modles simples linaires
Ce sont les modles issus de la physique. Lorsque le systme est peu complexe il est possible dcrire
les relations entre les direntes grandeurs physiques dcrivant les dirents sous-systmes.
1.1.1 Exemple : le moteur courant continu
i
J, f
`
u
R
L
Fig. 1.1 Schma bloc de lasservissement de la position du moteur
avec : u = E +Ri +Ldi/dt
C = ki
E = k
J
d
dt
= C f
De lensemble des quations on peut tirer dirents graphes :
Schma bloc
Graphe de uence (voir polycopi de cours de Bernard Lang)
Graphes Liens ou Bond graph (voir gure 1.2) (Hors du cadre de ce cours : cf Techniques de
lingnieur et autres bons bouquins sur la question)
De ces graphes, par rduction, on obtient la fonction de transfert, prliminaire la majorit des
mthodes danalyse et de synthse de correcteurs que vous connaissez.
La gure 1.3 rappelle les analogies entre les dirents domaines de la physique.
11
12 CHAPITRE 1. MODLES DE CONNAISSANCE
Fig. 1.2 Systme et son modle en Bond Graph. (tir de : http ://www.univ-
lille1.fr/l2ep/commande/ee/presentations/p-cs.htm)
Fig. 1.3 Analogie des quations direntielles linaires.
1.2 Mthodes systmatiques
Lorsque le systme savre plus complexe, il est souvent utile de mettre en uvre une mthode sys-
tmatique. Les quations de Lagrange sont lune de ses mthodes, particulirement adapte dans le
cadre de la robotique mais presque tous les systmes sont modlisables par cette mthode.
Les quations de Lagrange scrivent sous la forme :
d
dt
_
T

qi
_
T
qi
+
D

qi
+
V
qi
= Qi
avec : T = nergies cintiques
D =
1
2
pertes dpendantes de la vitesse
V = nergies potentielles
Q = Forces extrieures
1.2.1 Un exemple simple
On suppose L(x) =
L
0
x
1.2. MTHODES SYSTMATIQUES 13
i(t)
F = Mg
x(t)
R
L(x) =
L
0
x(t)
`
e(t)
Fig. 1.4 Sustentation magntique.
Mcanique Electrique
Coordonnes q
2
= x(t) q
1
= q(t)
Vitesse q
2
= x(t) q
1
= q(t) = i(t)
Travail des forces extrieures
2
= Mgx(t)
1
= e(t).q(t) = e.q
1
Forces extrieures Q
2
=

2
q
2
= Mg Q
1
=

1
q
1
= e
Energie cintique T
2
=
1
2
M q
2
2
T
1
=
1
2
L(x) q
2
1
=
1
2
L
0
q
2
q
2
1
Energie potentielle V
2
= 0 V
1
= 0 (pas de capacit)
Fonction de dissipation D
2
= 0 D
1
=
1
2
R q
2
1
T = T
2
+T
1
=
1
2
M q
2
2
+
1
2
L
0
q
2
q
2
1
V = V
2
+V
1
= 0
D = D
2
+D
1
=
1
2
R q
2
1
T
q
i
M q
2
L
0
q
2
q
1
d
dt
(
T
q
i
) M q
2
L
0
_
q
1
q
2
q
1
q
2
q
2
2
_
D
q
2
0 R q
1
V
q
i
0 0
T
q
i
L
0
2
(
q
2
1
q
2
2
) 0
Qi Mg e
do on en dduit les formules suivantes :
M q
2
+
_
L
0
2
__
q
2
1
q
2
2
_
= Mg
L
0
_
q
1
q
2
q
1
q
2
q
2
2
_
+R q
1
= e
q
2
= g
_
L
0
2M
__
q
2
1
q
2
2
_
q
1
=
q
2
L
0
_
e R q
1
+
L
0
q
1
q
2
q
2
2
_
Lutilisation de logiciels de calcul analytique (Maple, Mathematica, ...) permettent une modlisation
rapide et sans erreurs.
14 CHAPITRE 1. MODLES DE CONNAISSANCE
1.3 Dtermination des constantes
Evidemment, avant de pouvoir simuler le systme, il faut dterminer la valeur numrique des dirents
paramtres entrant en jeu. La bonne mthode consiste alors soumettre le systme une srie de
mesures permettant d"isoler" le paramtre que lon dsire mesurer. La littrature regorge de mthodes
permettant des mesures ables.
ATTENTION : lutilisation de mthodes de type "identication paramtrique" (voir chapitre 3) ne
permet en aucun cas de mesurer ces paramtres !
1.4 Linarisation
Ce systme tant non linaire et notre but tant den dterminer un modle linaire (fonction de
transfert, reprsentation dtat), la premire tape consiste donc le linariser. Il existe dinnombrables
mthodes de linarisation, la littrature vous fournira une mthode approprie votre problme. Je
nen prsenterai ici quune :
la linarisation autour dun point de fonctionnement.
Cela consiste en un dveloppement limit au premier ordre (a = a
0
+ a) autour dun point.
En reprenant lexemple du paragraphe 1.2.1
q
1
= F
1
(q
1
, q
2
, q
1
, q
2
, e)
La linarisation autour du point E est donne par :
q
1
=
F
1
q
1
E
q
1
+
F
1
q
2
E
q
2
+
F
1
q
1
q
1
+
F
1
q
2
q
2
+
F
1
e
E
e
Notez bien que cette tape de linarisation nest ncessaire que si vous comptez utiliser une mthode
de synthse fonde sur une reprsentation linaire !
Concernant la simulation : implantez les deux modles (linaris et non-linaris), le premier vous
permettra de vrier votre synthse de correcteur, le second (un peu plus proche de la ralit) vous
permettra de simuler la robustesse de votre correcteur vis--vis des non-linarits du systme.
1.5 Conclusions
Il faut toujours avoir un modle de connaissances, si mauvais soit-il pour pouvoir "sentir" le procd et
interprter vos rsultats. Ce modle de connaissances est le pralable toute identication de systme
quelle que soit la mthode employe.
Chapitre 2
Identication de modles non
paramtriques
Si le modle connaissance savre trop peu prcis ou impossible obtenir, on peut alors se sur un
modle de comportement entre - sortie. On parle alors didentication du systme. Lobjectif est
dobtenir un modle qui "se comporte comme" le systme. La plupart du temps, les paramtres de ce
modles nont quun rapport lointain avec les paramtres dun modle de connaissances.
En premier lieu, il faut donc rpondre aux deux questions suivantes :
Quelle entre ?
Comment traiter la sortie ?
2.1 Quelle entre ?
2.1.1 Analyse harmonique
Entre sinusodale de type u = Asin(t), balaye lespace des pulsations susceptibles de contenir
une pulsation de coupure du systme. En notant lamplitude et le dphasage de la sortie vis--vis de
lentre on trace un diagramme de Bode. De lanalyse de ce diagramme on dtermine le modle
Les rsultats sont diciles exploiter si les constantes de temps sont proches. Bonne excitation sur
tout le spectre de frquences. Ce nest pas une commande industrielle classique et par consquent elle
est dicile mettre en oeuvre.
2.1.2 Rponse impulsionnelle
Idalement la meilleure mthode car le spectre est constant. Mais il est impossible de raliser un Dirac
correct, sauf peut-tre en lectronique...
2.1.3 Rponse indicielle
Le spectre est correct, la commande est facile implanter car cest une commande classique. Cest la
mthode la plus utilise.
2.2 Etude des rponses indicielles
2.2.1 Systmes du premier ordre
Pas de retard pur, dmarrage franc ( comparer aux systmes dordre 2 ou suprieur).
En cas de bruit, la mthode de mesure de via lintersection de la pente de la tangente au dmarrage
avec la valeur nale est meilleure que le relev du temps 63% de la valeur nale.
15
16 CHAPITRE 2. IDENTIFICATION DE MODLES NON PARAMTRIQUES
Tab. 2.1 Rponse dun systme du premier ordre un chelon.
`
t
s
final
63% s
final
s(t)
H(p) =
A
1+p
2.2.2 Systmes du second ordre rsonnant
Tab. 2.2 Rponse dun systme du deuxime ordre un chelon.
`

t
T
pseudoperiode
s
final
D%
t
pic
H(p) =
A
1+
2m
w
0
p+
p
2
w
0
2
Le facteur damortissement m se dtermine laide de la mesure du dpassement :
D% = 100e
m
1m
2
La pulsation propre w
0
sobtient via lune des deux formules :
t
pic
=

w
0
1 m
2
ou
T
pseudo-priode
=
2
w
0
1 m
2
2.2.3 Systmes du premier ordre retards ou du second ordre non rsonnant
La mthode de Broda consiste "faire coller" un modle de la forme H(p) =
Ae
Tp
1+p
sur la rponse
du systme.
Les valeurs de T et de sont calcules partir des relations suivantes :
2.2. ETUDE DES RPONSES INDICIELLES 17
Tab. 2.3 Rponse dun systme du deuxime ordre non rsonnant un chelon.
`
s
final
s(t)
40% s
final
28% s
final
t
2
t
1
t
H(p) =
Ae
Tp
1+p
avec : = 5, 5 (t
2
t
1
)
T = 2, 8 t
1
1, 8 t
2
En pratique, la prise en compte du retard pur est dicile dans une synthse de correcteur. On utilise
donc lapproximation suivante :
H(p) =
Ae
Tp
1 +p

A(1 Tp)
1 +p

A
(1 +p)(1 +Tp)
Cette approximation reste valable jusqu la pulsation = 1/T
2.2.4 Systmes dordre suprieur 2 non rsonnants
La mthode la plus connue est la mthode de Strejc. Le modle est :
H(p) =
Ae
Tp
(1 +p)
n
1. Mesurer
Tu
Ta
.
2. Dans la colonne
Tu
Ta
du tableau 2.4 trouver la valeur immdiatement infrieure ce ratio.
3. Sur la ligne de ce ratio dterminer n.
4. Toujours laide des valeurs numriques de cette ligne, calculer avec
Ta
.
5. Calculer la nouvelle valeur de Tu
avec
Tu
.
6. En dduire T avec T = Tu Tu
.
Note :
Le tableau 2.4 vient du calcul de la rponse indicielle des fonctions de transfert de la forme
s(t) = L
1
_
Ae
Tp
p(1 +p)
n
_
Pour n = 4
s(t) = L
1
_
1
p(1 +p)
4
_
= 1 e

te

1
2
t
2
e
2

1
6
t
3
e
3
la drive seconde scrit :
d
2
s(t)
dt
2
=
1
2
t
2
e
4

1
6
t
3
e
5
Tab. 2.4 Mthode de Strejc : Rponse indicielle.
0 1 2 3 4 5 6 7 8
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
Ta
Tu
n Tu/Ta Tu/ Ta/
1 0 0 1
2 0.104 0.282 2.718
3 0.218 0.805 3.695
4 0.319 1.425 4.465
5 0.410 2.100 5.119
6 0.493 2.811 5.699
7 0.570 3.549 6.226
8 0.642 4.307 6.711
9 0.709 5.081 7.164
10 0.773 5.869 7.590
qui sannule pour t = 3.
la tangente de plus grande pente est donc la tangente la courbe en t = 3. Le calcul de la droite
tangente donne :
= 9/2
e
3
t
53
2
e
3
+ 1
Cette droite intercepte la droite dquation s = 1 en t =
53
9
et laxe des abscisses en t =
1/9
(53 e
3
2)
e
3
donc Ta =
53
9
1/9
(53 e
3
2)
e
3
et Tu/Ta = .3193573120
Note : si Tu/Ta < 0.1, donc n = 1, On applique plutt la mthode de Broda.
2.2.5 Systme avec intgrateur
Tab. 2.5 Mthode de Strejc (systme avec intgrateur)
0 1 2 3 4 5 6 7 8
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Tu
X
Y
t
y
n x/y
1 0.368
2 0.271
3 0.224
4 0.195
5 0.175
2.3. MTHODE DE ZIEGLER-NICHOLS 19
Identi sous la forme
H(p) =
k
u
p

1
(1 +p)
n
1. Avec x/y : dterminer n
2. Calcul de avec =
Tu
n
3. Calcul de k
u
=
y
u

1
t
En pratique il est assez rare didentier un systme intgrateur en boucle ouverte car le systme drive
rapidement en dehors de son domaine de linarit (saturation, ...). En pratique, on procde une
identication en boucle ferme.
2.3 Mthode de Ziegler-Nichols
Tous comptes fait, le but principal de lidentication en automatique est la mise en place dun correc-
teur ou dun rgulateur an damliorer les performances du systme en boucle ferme. Aussi lon est
en droit de se demander si cette tape didentication est bien ncessaire...
Cest exactement le principe de la mthode de Ziegler-Nichols, qui nest pas une mthode didentica-
tion proprement parler mais une mthode de rglage fonde sur des mesures eectues directement
sur le systme. Le tableau 2.6 rsume la mthode.
2.4 Autres modles ?
Les mthodes prcdentes sont trs performantes si toutefois le comportement du systme est proche
des rponses indicielles attendues.
Quen est-il pour les systmes dcrits par les fonctions de transfert suivantes :
H
1
(p) =
Ae
Tp
1 +
2z
w
0
p +
p
2
w
0
2
et H
2
(p) =
1 Tp
(1 +
1
p)(1 +
2
p)(1 + 2p)
Dans la plupart des cas, lun des modles prcdents sera susant. Noubliez pas que nous cherchons
un modle de comportement uniquement. Dans les quelques cas rsistant aux mthodes prcdentes,
un peu dastuce permet de trouver une mthode pour dterminer les constantes du systme. Et si rien
de ce qui prcde ne vous aide, Il reste les mthodes de modlisation paramtrique.
Tab. 2.6 Coecients dun PID rgl par les mthodes de Ziegler-Nichols et Chien-Hrones-Reswick :
essai indiciel et mthode du pompage.
Mthode de pompage
Boucle ferme
Mthodes apriodiques
Boucle ouverte
Systmes stables ou instables
en boucle ouverte
Systmes stables, instables
ou intgrateurs
Ziegler-Nichols Ziegler-Nichols Chien-Hrones-Reswick
Rgulation ou
Poursuite
Rgulation ou
Poursuite
Rgulation
Poursuite
P K = 0.5K
osc
K =
T
K = 0.3
T
K = 0.3
T
P.I K = 0.45K
osc
K = 0.9
T
K = 0.6
T
K = 0.35
T
T
i
= 0.83T
osc
T
i
= 3.3 T
i
= 4 T
i
= 1.2T
P.I.D K = 0.6K
osc
K = 1.2
T
K = 0.95
T
K = 0.6
T
T
i
= 0.5T
osc
T
i
= 2 T
i
= 2.4 T
i
= T
T
d
= 0.125T
osc
T
d
= 0.5 T
d
= 0.4 T
d
= 0.5
Chapitre 3
Algorithme gnral didentication
Il faut rpondre aux questions suivantes :
Quel genre de modle ?
Paramtrique ou non paramtrique ?
Quelles mesures eectuer ?
Quel signal dexcitation ?
Quelle structure adopter ?
Doit-on y inclure des connaissances a priori ?
Comment choisir le bon modle parmi tous ceux calculs ?
Ce modle est-il adapt ce que lon va lui demander ?
Mesures
Choix de la
structure
Critre de
slection
Donnes
Calcul dun
modle
Validation

_
`
Connaissances a priori
Modle nal
Fig. 3.1 Algorithme gnral didentication des systmes. Notez que le processus didentication est
un processus itratif, chaque passage apportant un peu plus de connaissances.
21
22 CHAPITRE 3. ALGORITHME GNRAL DIDENTIFICATION
b
0
b
1
b
2
b
3
b
4
b
5
b
6
b
7
Fig. 3.2 Principe de gnration de nombre alatoires fond sur un registre dcalage.
Tab. 3.1 Tableau des bits utiliser pour obtenir une squence de longueur maximale
n bits
3 b
2
b
1
4 b
3
b
2
5 b
4
b
2
6 b
5
b
4
7 b
6
b
5
8 b
7
b
3
b
2
b
1
9 b
8
b
4
10 b
9
b
6
3.1 Choix du signal dexcitation
Pour bien identier, il faut bien exciter dans tout le spectre de frquences susceptible de contenir des
constantes de temps du systme.
sin(wt) : parfait dun point de vue spectre (balayage en frquence) mais peu de systmes acceptent
ce genre dentres.
(t) : parfait du point de vue thorique, mais, hormis en lectronique, il est impossible de raliser
un tel signal.
u(t) : moins bon dun point de vue spectral (u(f) = sinc(f)), mais facile implanter
b(t) : bruit blanc idal dun point de vue spectral mais comment le raliser ?
Il arrive que vous nayez aucune possibilit dexciter le systme (ex : machine en production), il faudra
alors proter des commandes "naturelles" du systme comme signal dentre du systme. Dans ce cas,
le premier travail consiste calculer le spectre du signal dentre (FFT par exemple). Il faudra vrier
a posteriori que les constantes de temps identies sont bien dans des domaines de frquences dans
lesquels le systme a t excit.
3.2 Les squences binaires pseudo alatoires (SBPA)
Lun des moyens de raliser un signal "alatoire" est la mise en uvre de Squences Binaires Pseudo
Alatoires (en anglais PRBS : Pseudo Random Binary Sequence)
Principe :
Pour que le systme fonctionne, on doit initialiser le registre nimporte quelle valeur binaire sauf
zro. le nombre cod en binaire A = b
7
b
6
b
5
b
4
b
3
b
2
b
1
b
0
est "alatoire. de la mme faon, le bit b
7
semble
indpendant de ses valeurs prcdentes.
1
Une squence sur N bits une longueur de 2
N
1 = L dont 2
N1
1et 2
N1
1 0, sa valeur moyenne
est donc non nulle.
E(s(t)) =
a
L
1
Cela ne semble pas trs srieux, mais sachez que les gnrateurs de bruit en lectronique utilisent ce principe mais
sur 40 bits et que le cryptage de textes utilise un principe tout fait similaire sur 128 bits !
3.2. LES SQUENCES BINAIRES PSEUDO ALATOIRES (SBPA) 23
``
t
amplitude
a
"1"
"0"
Fig. 3.3 diagramme temporel dune squence binaire pseudo alatoire.
`
a
2
T
e
T
e
LT
e
a
2
L
t
Fig. 3.4 Fonction dauto-corrlation dune SBPA.
Pour dterminer la forme du spectre il faut en premier lieu calculer sa fonction dauto-corrlation, le
spectre tant la transforme de Fourier de la fonction dauto-corrlation
Fonction dauto-corrlation
C
xx
() =
1
LT
_
LT
0
x()x(t )dt
si [[ T
C
xx
() = a
2
(1
L + 1
L
.
[[
T
)
si [[ T
C
xx
() =
a
2
L
On en dduit le spectre qui est la transforme de Fourier de la fonction dauto-corrlation.
P(f) = a
2
L + 1
L
2
+
(v
n
LT
)(
sin
n
L
n
L
)
2
a
2
L
(v)
Le spectre de la SBPA reprsent en gure 3.5 est donc un peigne de Dirac modul par un sinus
cardinal. On considre que le bruit peut tre considr comme un bruit blanc dans le premier tiers du
premier lobe (1/3T
e
). On remarque donc que :
plus L grand plus la valeur moyenne est faible
plus L grand plus de raies, plus proche du bruit blanc
`
1/T
e
2/T
e
`
`
`
`
`
`
`
`
`
f
SBPA(f)
1
LT
e 2
LT
e
Fig. 3.5 Spectre dune SBPA.
3.2.1 Choix des paramtre dune SBPA
Il faut donc dterminer a, L etTe "optimum" vis--vis du systme identier.
Le premier compromis concerne L et T
e
.
Plus la squence est longue :
plus il y a dinformations
plus le transitoire est ngligeable
plus les organes sourent
plus les drives saccentuent
Le deuxime compromis est : plus a est petit,
plus le signal est noy dans le bruit (le vrai celui l !)
moins les organes sourent
moins les drives saccentuent
Le choix de a est donc avant tout li au bruit prsent dans le systme. On choisira a juste assez grand
pour avoir du signal en sortie du systme.
Choix de L et T
e
Une SBPA de longueur L = 2
N
envoye la frquence 1/T
e
prsente un plateau
de longueur maximale de longueur N T
e
. Le plus petit plateau tant de longueur T
e
Le choix de N (donc L) et T
e
est donc, encore une fois, un compromis entre :
une bonne identication du gain statique
une bonne excitation sur la bande de frquence du systme
Soit
max
la plus grande constante de temps du systme et
min
la plus petite constante de temps du
systme.
Pour une bonne identication du gain statique on choisira :
NTe = 3 5
max
Pour une bonne excitation sur le spectre entre 0 et la plus haute frquence de coupure on choisira :
0, 3
1
Te
=
1
2
min
La rsolution de ses deux quations donne N et T
e
Note 1 : si
max

min
N devient vite trs grand donc LT
e
devient prohibitif !
3.3. IDENTIFICATION BASE SUR LERREUR DE SORTIE 25
`
1/T
e
2/T
e
`
`
`
`
`
`
`
`
`
f
SBPA(f)
1
LT
e
2
LT
e
zone o la SBPA est un bruit blanc
f
b
= 0, 3/Te
,
`
t
a
plateau maximum=NT
e
..
t = 3 5
max
Fig. 3.6 Paramtres dune SBPA.
Note 2 : Si fe est bloque et trop grande (beaucoup de systmes sont sur-chantillonns), il est par-
faitement possible choisir T
e
= n/f
e
en rptant chaque bit n fois
Note 3 : Si fe est bloque et trop petite, abandonnez lide didentier la petite constante de temps :
de toutes faons vous ne pourrez pas la contrler !
3.3 Identication base sur lerreur de sortie
Le principe de cette mthode didentication est illustr en gure 3.7. Le modle est une fonction de
n paramtres
i
, i variant de 1 n. Il sagit alors de dterminer les paramtres
i
tels que le critre
soit minimum. Le critre est en gnral choisi de la forme J =
2
.
Systme
Modle
`
_
Critre

u
i
+
y
i
y
i
Fig. 3.7 Principe didentication fond sur lerreur de sortie.
La recherche des paramtres optimaux

i
se fait par programmation non linaire. IL sagit dutiliser
un algorithme qui partir de paramtres non optimaux
i
et un critre J donne les paramtres

i
.
Ces algorithmes sont nombreux, titre de dexemple voici les plus utiliss.
gradient
quasi Newton
Nelder et Mead
algorithmes gntiques
recuit simul
Avantages de cette mthode :
pas dhypothse sur la forme du modle : non linaire
adapt la recherche de paramtres physiques si modle de connaissances (modle continu !)
Linconvnient majeur est quaucun de ces algorithmes nest capable de garantir que le rsultat est
rellement loptimum.
3.4 Identication base sur lerreur de prdiction
Dans cette partie, nous supposerons que le modle obtenu est un prdicteur, cest dire quil permet
de calculer la sortie linstant i en fonction des entres et des sorties relles aux instants prcdents
u
ik
et y
ik
.
Systme
Modle
`
_
Critre

u
i

i
+
y
i
y
i
Fig. 3.8 Principe didentication fonce sur lerreur de prdiction.
3.4.1 Mthode des moindres carrs simples
Les calculs suivants seront fonds sur le modle prsent en gure 3.9.
B(z
1
)
A(z
1
)
`
_
i
y
i v
i u
i
Fig. 3.9 Modle du systme tudi.
La mise en quation du systme donne :
Av
i
= Bu
i
y
i
= v
i
+
i
A(y
i
i
) = Bu
i
Ay
i
= Bu
i
+A
i
posons :
e
i
= A
i
e
i
sont les rsidus de lestimation. On obtient nalement :
Ay
i
= Bu
i
+e
i
(3.1)
Si nous possdons N mesures conscutives, on peut crire N n fois
2
lquation 3.1.
2
n est lordre, suppos connu du polynme A, on appellera p lordre du polynme B.
3.4. IDENTIFICATION BASE SUR LERREUR DE PRDICTION 27
Sous forme matricielle, on obtient :
_
_
y
N
y
N1
y
N2
y
N3
.
.
.
y
n+2
y
n+1
_
_
=
_
_
y
N1
y
N2
. . . y
Nn
u
N
. . . u
Np
y
N2
y
N3
y
Nn1
u
N1
u
Np1
y
N3
.
.
.
.
.
. u
N2
u
Np2
.
.
. y
n+1
.
.
. u
Np3
y
n+1
y
n
.
.
. u
Np
y
n
y
n1
. . . y
1
u
n+1
_
_
_
_
a
1
a
2
.
.
.
a
n
b
0
b
1
.
.
.
b
m
_
_
+
_
_
e
N
e
N1
e
N2
.
.
.
.
.
.
e
n+2
e
n+1
_
_
soit
y = X +e
le critre J est :
J =
e
2
= e
T
e
donc
J = (y X)
T
(y X) = y
T
y
T
X
T
y y
T
X +
T
X
T
X
Nous cherchons la valeur

de qui minimise J. Ainsi
J
= 0 = 2X
T
y + 2X
T
X
Do on en dduit :
= (X
T
X)
1
X
T
y
Il reste vrier que la valeur obtenue est bien un minimum
2
J
= 2X
T
X
matrice dnie positive : cest bien un minimum!
3.4.2 Calcul du biais de lestimateur
E[
] = E[(X
T
X)
1
X
T
y] et y = X +e
= E[ + (X
T
X)
1
X
T
e]
= +E[(X
T
X)
1
X
T
e]
Lestimateur est non biais si
E[
] =
donc si
E[(X
T
X)
1
X
T
e] = 0
il faut donc que : X et e soient non corrls
e soit centr
Mais ce nest pas le cas ! Le calcul de ce biais sur lexemple prsent en gure 3.10 permet de le
montrer.
bz
1
1+az
1
`
_
i
y
i v
i u
i
Fig. 3.10 Systme du premier ordre bruit.
Les quations du systme sont :
v
i
+av
i1
= bu
i1
y
i
= v
i
+
i
o
i
est un bruit rpondant au deux quations suivantes :
E[
i
] = 0
E[
i
.
ik
] =
2
(k)
En rcrivant les quations du systme on obtient :
y
i
+ay
i1
= bu
i1
+
i
+a
i1
= bu
i1
+e
i
E[e
i
] = E[
i
+a
i1
] = E[
i
] +aE[
i1
] = 0
E[e
i
.e
ik
] = E[(
i
+a
i1
)(
ik
+a
ik1
)]
= E[
i
.
ik
] +aE[
i
.
ik1
] +aE[
i1
.
ik
] +a
2
E[
i1
.
ik1
]
=
2
[(1 +a
2
)(k) +a(k 1) +a(k + 1)]
`
` `
2
(1 +a
2
)
a
2
a
2
k 0 1 -1
Fig. 3.11 Fonction dauto-corrlation des rsidus destimation.
La fonction dauto-corrlation (voir g. 3.11) montre bien que les rsidus e
i
ne sont pas un bruit
blanc, notre estimateur est bien biais ! Il reste donc trouv une mthode qui permette de rendre ce
biais nul. Deux mthodes sont proposes ci-aprs : La mthode des moindres carrs gnraliss et la
mthode de la matrice instrumentale.
3.4. IDENTIFICATION BASE SUR LERREUR DE PRDICTION 29
3.4.3 Mthode des moindres carrs gnraliss
Le systme tudi est dcrit sur la gure 3.12
B(z
1
)
A(z
1
)
modle
_
i
y
i v
i
y
i
u
i
_
e
i
P(z
1
)
Q(z
1
)
i
Fig. 3.12 Systme tudi.
Av
i
= Bu
i
y
i
= v
i
+
i
A(y
i
i
) = Bu
i
Ay
i
= Bu
i
+A
i
(3.2)
les rsidus sont donc :
e
i
= A
i
crits en fonction du bruit blanc
i
e
i
= A
P
Q
i
quation que nous crirons dans un soucis de simplication dcriture :
Fe
i
=
i
En reprenant lquation 3.2 et en multipliant tous les termes par F on obtient :
AFy
i
= BFu
i
+AF
i
= BFu
i
+A
Q
AP

i
= BFu
i
+
i
En rcrivant cette dernire quation,
Ay
i
= Bu
i
+
i
o y
i
et u
i
sont, respectivement les sorties y
i
et les commandes u
i
ltres par le ltre F.
En appliquant la mthode des moindres carrs simples sur ces entres-sorties ltres le biais de lesti-
mateur sera nul car le bruit
i
est bien un bruit blanc. Lestimation des paramtres sera donc parfaite.
Toutefois il reste dterminer le ltre F.
Dtermination de F Reprenons 3.4.3 sous forme matricielle (avec F de la forme : F = 1+f
1
z
1
+
f
2
z
2
+. . . +f
n
z
n
)
_
_
e
N
e
N1
e
N2
e
N3
.
.
.
e
n+2
e
n+1
_
_
=
_
_
e
N1
e
N2
. . . e
Nn
e
N2
e
N3
e
Nn1
e
N3
.
.
.
.
.
.
.
.
. e
n+1
e
n+1
e
n
e
n
e
n1
. . . e
1
_
_
_
_
f
1
f
2
.
.
.
.
.
.
.
.
.
.
.
.
f
n
_
_
+
_
N1
N2
.
.
.
.
.
.
n
_
_
soit
e = X
e
f +
qui est une forme connue et dont on sais que la solution est :
f = (X
T
e
X
e
)
1
X
T
e
e
Les paramtres f de F sont donc dtermins condition de disposer des rsidus e. Mais cest justement
pour les avoir que lon droule toutes ces quations...
La solution propose consiste alors procder par itrations en utilisant une premire estimation des
rsidus e obtenue par un premier modle utilisant
1
une premire approximation des paramtres du
systme obtenue par la mthode des moindres carrs simples.
Lalgorithme est alors, partir des entres-sorties
1
u
i
= u
i
et
1
y
i
= y
i
1. Estimation des paramtres
k
= (
k
X
T k
X)
1k
X
T k
y
2. Estimation des rsidus
k
e =
k
y
k
X
k
3. Construction du ltre F
1
k
f = (
k
X
T
e
k
X
e
)
1k
X
T
e
k
e
4. Filtrage les donnes
k
y
i
=
k
y
i
et
k
u
i
=
k
F
k
u
i
5. Rebouclage en utilisant ce nouvel ensemble dentres sorties
Quelques remarques :
Si les ltres
k
F sont du premier ordre (n = 1), la matrice X
e
se rduit un rel ce qui simplie la
formule
k
f = (
k
X
T
e
k
X
e
)
1k
X
T
e
k
e =
k
e
k
X
e
.
Critre darrt de lalgorithme : Le premier rexe consiste calculer la "blancheur" des rsidus, mais
ce critre est assez dicile mettre en uvre. Un mthode plus simple consiste calculer un critre
darrt de la forme :
C
a
=
J
J
=
k
J
k1
J
k
J
avec J = e
T
e
En pratique on utilisera C
a
5%
A chaque itration le bruit "devient plus blanc" et pas consquent le critre dcrot.
3.5. IDENTIFICATION EN BOUCLE FERME 31
3.4.4 Mthode de la Matrice Instrumentale
Puisque le biais de lestimateur des moindres carrs est biais cause de la corrlation entre X et
e, on se propose de dterminer une autre matrice qui permette le calcul de tout en vitant cette
corrlation et donc le biais de lestimateur.
Posons :
= (Z
T
X)
1
Z
T
y
o Z est la matrice instrumentale.
Quelles sont les conditions sur Z pour que lquation prcdente ait un sens ?
En poursuivant le calcul :
= (Z
T
X)
1
Z
T
(X +e)
= + (Z
T
X)
1
Z
T
e
Pour que
E[
] =
il faut :
E[Z
T
X] ,= 0 et E[Z
T
e] = 0
Plusieurs choix de Z sont possibles, en voici deux :
le premier choix consiste faire deux campagnes de mesures avec la mme entre u
i
, le plus souvent
conscutives (dcales dans le temps). Vous avez alors la possibilit de dterminer deux matrices X
soit X
1
et X
2
. En posant
= (X
T
2
X
1
)
1
X
T
2
y
1
il ny a plus de corrlation entre X
2
et y
1
(le bruit est stochastique et ergodique) le biais est bien nul.
La deuxime proposition consiste crer les donnes ncessaires la cration de la matrice X
2
laide
dun modle de type moindre carrs simples issu de la premire campagne de mesure.
3.5 Identication en boucle ferme
Ce domaine de lidentication est actuellement trs actif. En eet ces modles sont ncessaires dans le
cadre de la commande prdictive. Plus pragmatiquement, rappelons que le plus souvent lidentication
en milieu industriel seectue sur une machine en production. Il est par consquent dicile voire
impossible douvrir la boucle pour procder une identication. Cest tout particulirement le cas des
systmes instables.
Il reste nanmoins possible dobtenir un modle. Le systme de la gure 3.13 reprsente le systme
identier en boucle ferme. le correcteur du systme est reprsent par la fraction rationnelle
C(z
1
)
D(z
1
)
.
Trois approches sont alors possibles.
La mthode directe Dans ce cas on utilise les entres v
i
et les sorties y
i
. Lidentication se fait
alors comme en boucle ouverte. Lavantage de cette approche est de ne pas ncessiter la connaissance
du rgulateur. Les mthodes ARX, ARMAX et les modles dtat donnent de bons rsultats. Les
meilleurs rsultats seront obtenus si :
Le modle de bruit est bon
la boucle de retour naecte pas ou peu le spectre du signal dentre (v
i
))
le rapport signal bruit est important (peu de bruit)
Dans le cas contraire, lestimateur est biais.
G(z
1
) =
B(z
1
)
A(z
1
)
H(z
1
) =
C(z
1
)
D(z
1
)
_ _
y
i
P(z
1
)
Q(z
1
)
i
u
i
v
i
+
+
+
Fig. 3.13 Identication des systmes en boucle ferme.

La mthode indirecte Dans ce cas on utilise les entres u
i
et les sorties y
i
. Bien entendu on identie
alors le systme en boucle ferme soit :
M(z
1
) =
B
(z
1
)
A
(z
1
)
=
H(z
1
)G(z
1
)
1 +H(z
1
)G(z
1
)
=
C(z
1
)B(z
1
)
C(z
1
)B(z
1
) +D(z
1
)A(z
1
)
La connaissance du rgulateur du rgulateur nous permet de dterminer le modle du systme :
G(z
1
) =
M(z
1
)
H(z
1
) M(z
1
)H(z
1
)
Lavantage de cette mthode est que nimporte quelle mthode didentication est applicable et don-
nera un modle du systme en boucle ferme. Par contre, la moindre erreur sur le rgulateur (pas
forcement bien connu, paramtres, saturations ...) se retrouve dans le modle.
La mthode "Joint Input-Output" Avec cette mthode on se propose de dterminer simultan-
ment les deux modles :
le modle du systme
le modle du correcteur.
Ceci seectue facilement en utilisant les modles paramtriques dtat sous Matlab.
_
y
v
_
= Au +B
La matrice A contient alors les dynamiques du correcteur G
uv
et celle du systme en boucle ferme
G
uy
. Comme pour la mthode prcdente on remonte au modle du systme par calcul.
3.6 Et Matlab
dans tout a ?
Matlab est avant tout un outil de calcul ! Scilab, gratuit, prsente les mmes fonctionnalits, il est
vrai, sans les boites outils du moins pas aussi compltes.
Matlab propose donc toute une srie doutils daide lidentication. En particulier, quatre modles
linaires, les plus couramment utiliss sont des fonctions de Matlab.
Dans le tableau 3.2 ces modles sont prsents avec leurs utilisations "classique" et la mthode de
dtermination des paramtres. Notez quune lecture de la documentation concernant la boite outils
"identication"est une excellente activit !
Face la facilit de calcul de modles, le problme nest plus vraiment de choisir une structure adapte
mais faire le tri parmi les quantits de modles calculs.
3.6. ET MATLAB
DANS TOUT A? 33
Tab. 3.2 Modles paramtriques implants sous Matlab.
B(z
1
)
A(z
1
)
_
y
i
1
A(z
1
)
i
+
+ u
i
Modle ARX
Le modle le plus simple, donne souvent de bons rsultats.
le seul hic est le traitement du bruit qui est soumis
la mme dynamique que lentre. A utiliser en premire
approximation ou lorsque le bruit est surtout lentre.
Mthode de dtermination des paramtres :
Moindres carrs ou Matrice instrumentale
B(z
1
)
A(z
1
)
_
y
i
C(z
1
)
A(z
1
)
i
+
+ u
i
Modle ARMAX
Proche du modle ARX, il sutilise dans les mmes cas. Il
permet en outre de crer un modle de bruit un peu plus
raliste. Cest le modle le plus utilis.
Maximum de vraisemblance
B(z
1
)
A(z
1
)
_
y
i
i
+
+ u
i
Modle OE
Bien que semblant plus simple que les prcdents, le calcul
des paramtres savre plus dicile. Parfait lorsque le bruit
est surtout un bruit de capteur, donc proche de la sortie.
B(z
1
)
A(z
1
)
_
y
i
P(z
1
)
Q(z
1
)
i
+
+ u
i
Modle de Box-Jenkins
Le modle complet par excellence, la dynamique dirente
pour lentre et le bruit en font un bon modle.
Chapitre 4
Estimations rcursives
4.1 Moindres carrs rcursifs
Lestimation de paramtres par la mthode des moindres carrs simples prsente un inconvnient
majeur, la ncessit de calculer linverse dune matrice, ce qui est long et parfois impossible sur un
microcontrleur. On se propose travers cet exercice de dterminer une forme rcursive de cette
estimation.
Les avantages dune formulation rcursive tiennent essentiellement en deux points.
La possibilit de traiter un plus grand nombre de donnes que dans le cas de la formulation directe
(pas de pseudo-inverse calculer), notamment dans le cas de limplantation sur un microcontrleur.
Dans le cas des systmes variants dans le temps, la forme rcursive permet de "suivre" les paramtres
du systme. Dans ce cas, lidentication en ligne est gnralement suivie dune commande qui elle
aussi "sadapte" aux paramtres courants, on entre alors dans le domaine des commandes auto-
adaptatives qui dpassent le cadre de ce cours.
Comme dans tout problme rcursif on sintresse dabord la boucle, ensuite comment on en sort et
enn comment on y entre. Supposons que nous possdions une estimation des paramtres linstant
N :
N
N
= (X
T
N
X
N
)
1
X
T
N
Y
N
linstant suivant la nouvelle estimation est :
N+1
= (X
T
N+1
X
N+1
)
1
X
T
N+1
Y
N+1
avec :
X
N+1
=
_
x
N+1
X
N
_
, Y
N+1
=
_
y
N+1
Y
N
_
et E
N+1
=
_
e
N+1
E
N
_
o x
N+1
= [y
N
y
N1
. . . y
Nn+1
u
N+1
. . . u
Np+1
]
N+1
scrit alors :
N+1
= (X
T
N+1
X
N+1
)
1
X
T
N+1
Y
N+1
= (X
T
N
X
N
+x
T
N+1
x
N+1
)
1
(X
T
N
Y
N
+x
T
N+1
y
N+1
)
En utilisant le lemme dinversion matricielle :
(A+BCD)
1
= A
1
A
1
B(C
1
+DA
1
B)
1
DA
1
on obtient :
35
36 CHAPITRE 4. ESTIMATIONS RCURSIVES
N+1
=
_
(X
T
N
X
N
)
1
(X
T
N
X
N
)
1
x
T
N+1
_
1 +x
N+1
(X
T
N
X
N
)
1
x
T
N+1
1
x
N+1
(X
T
N
X
N
)
1
_
_
X
T
N
Y
N
+x
T
N+1
y
N+1
_
En posant a = 1 +x
N+1
(X
T
N
X
N
)
1
x
T
N+1
N+1
=
_
(X
T
N
X
N
)
1
(X
T
N
X
N
)
1
x
T
N+1
_
1 +x
N+1
(X
T
N
X
N
)
1
x
T
N+1
1
x
N+1
(X
T
N
X
N
)
1
_
_
X
T
N
Y
N
+x
T
N+1
y
N+1
_
N+1
=
_
(X
T
N
X
N
)
1
(X
T
N
X
N
)
1
x
T
N+1
a
1
x
N+1
(X
T
N
X
N
)
1
_ _
X
T
N
Y
N
+x
T
N+1
y
N+1
_
= (X
T
N
X
N
)
1
X
T
N
Y
N
. .
N
+(X
T
N
X
N
)
1
x
T
N+1
y
N+1
(X
T
N
X
N
)
1
x
T
N+1
a
1
x
N+1
(X
T
N
X
N
)
1
X
T
N
Y
N
. .
N
(X
T
N
X
N
)
1
x
T
N+1
a
1
x
N+1
(X
T
N
X
N
)
1
x
T
N+1
y
N+1
=

N
+ (X
T
N
X
N
)
1
x
T
N+1
y
N+1
(X
T
N
X
N
)
1
x
T
N+1
a
1
x
N+1
N
(X
T
N
X
N
)
1
x
T
N+1
a
1
x
N+1
(X
T
N
X
N
)
1
x
T
N+1
y
N+1
=

N
(X
T
N
X
N
)
1
x
T
N+1
a
1
_
x
N+1
N
_
+(X
T
N
X
N
)
1
x
T
N+1
a
1
_
x
N+1
(X
T
N
X
N
)
1
x
T
N+1
y
N+1
_
+ (X
T
N
X
N
)
1
x
T
N+1
y
N+1
=

N
(X
T
N
X
N
)
1
x
T
N+1
a
1
_
x
N+1
N
_
+(X
T
N
X
N
)
1
x
T
N+1
_
a
1
x
N+1
(X
T
N
X
N
)
1
x
T
N+1
y
N+1
+y
N+1
_
=

N
(X
T
N
X
N
)
1
x
T
N+1
a
1
_
x
N+1
N
_
+(X
T
N
X
N
)
1
x
T
N+1
a
1
_
x
N+1
(X
T
N
X
N
)
1
x
T
N+1
+a
_
y
N+1
=

N
(X
T
N
X
N
)
1
x
T
N+1
a
1
_
x
N+1
N
_
+(X
T
N
X
N
)
1
x
T
N+1
a
1
y
N+1
=

N
+ (X
T
N
X
N
)
1
x
T
N+1
a
1
_
y
N+1
x
N+1
N
_
On obtient nalement une formule de rcurrence :
N+1
=

N
+ (X
T
N
X
N
)
1
x
T
N+1
a
1
_
y
N+1
x
N+1
N
_
Le terme
_
y
N+1
x
N+1
N
_
reprsente lerreur destimation laide des paramtres prcdents. Lqua-
tion est alors : la nouvelle estimation est lancienne estimation corrige par un terme proportionnel
lerreur destimation prcdente, que lon peut rcrire sous la forme.
N+1
=

N
+K
N+1
_
y
N+1
x
N+1
N
_
Lalgorithme gnral est donc :
N+1
=

N
+K
N+1
_
y
N+1
x
N+1
N
_
(4.1)
K
N+1
= P
N
x
T
N+1
_
I +x
N+1
P
N
x
T
N+1
_
1
(4.2)
P
N+1
= P
N
K
N+1
x
N+1
P
N
(4.3)
4.2. VARIABLE INSTRUMENTALE RCURSIVE 37
On remarquera une analogie avec le ltre de Kalman, en fait cest bien lquivalent dun ltre de
Kalman appliqu sur le systme suivant :
N+1
=
N
y
N+1
= x
N+1
N
+e
N+1
La condition de convergence est la mme : e
N
doit tre un bruit blanc.
Linitialisation de lalgorithme se fait de deux faons :
Si on connais une premire estimation de (en provenance dune mthode non rcursive par
exemple), on lutilise. Dans ce cas on prend P
0
= I avec petit (petite variance du bruit)
Si on ne connais pas de premire approximation, on prend
0
quelconque et P
0
= I avec grand
(grande variance du bruit).
Cet algorithme ne peut tre utilis que si les paramtres du systme sont constants, en eet lorsque N
tend vers linni, P
N
tend vers 0, alors une variation mme importante des paramtres ninue plus
sur lestimation de . Notons encore que sur le plan numrique la forme P
N+1
= P
N
K
N+1
x
N+1
P
N
est trs mal conditionne, on lui prfre la forme :
P
N+1
= (I K
N+1
x
N+1
)P
N
(I K
N+1
x
N+1
)
T
+K
N+1
K
T
N+1
Si les paramtres voluent brusquement, une solution consiste rinitialiser P
N
= I avec grand Si
les paramtres voluent lentement on peut utiliser :
N+1
=

N
+K
N+1
_
y
N+1
x
N+1
N
_
(4.4)
K
N+1
= P
N
x
T
N+1
_
I +x
N+1
P
N
x
T
N+1
_
1
(4.5)
P
N+1
= (P
N
K
N+1
x
N+1
P
N
)
1
(4.6)
Cependant cet algorithme prsente linconvnient de faire crotre P
N
de faon exponentielle sil ny a
plus dexcitation.
Voici dautres choix pertinents
gain constant : on force alors P
N+1
= P
N
; cela vite la diminution du gain en cours de recherche
des paramtres, et on donne ainsi plus de poids aux acquisitions les plus rcentes ; cette option
convient bien un systme dont les paramtres varient.
gain dcroissant : P
N
= cst, cas classique, qui convient un systme paramtres constants.
trace constante : on garde tr(P
N
) = cst (multiplication par un facteur correctif chaque itration) ;
on a les mmes avantages que dans la recherche gain constant mais on module en cours de recherche
le poids relatif de chaque paramtre.
Cette mthode prsente les mmes avantages que la mthode des moindre carres non rcursive,
mais aussi le mme inconvnient : lestimateur est biais ! Aussi on lui prfre gnralement dautres
mthodes telle que la mthode de la variable instrumentale rcursive.
4.2 Variable instrumentale rcursive
Lalgorithme, trs proche de celui nonc en
N+1
=

N
+K
N+1
_
y
N+1
x
N+1
N
_
(4.7)
K
N+1
= P
N
Z
T
N+1
_
2
+x
N+1
P
N
Z
T
N+1
_
1
(4.8)
P
N+1
= P
N
K
N+1
x
N+1
P
N
(4.9)
Dans ce cas Z
N+1
reprsente un vecteur ligne instrumental compos, un peu comme la matrice ins-
trumentale, soit dobservations retardes de la sortie soit de la sortie dun modle auxiliaire.
38 CHAPITRE 4. ESTIMATIONS RCURSIVES
Beaucoup dautres algorithmes existent, le lecteur intress en trouvera plthore dans la littrature.
Nanmoins ils sont tous a peu prs fonds sur le mme principe. En fait, ils se rsument lexpression
dun asservissement gain rglable : on asservit les paramtres pour annuler une erreur, dquation
ou de sortie selon la mthode. La valeur du gain inue, comme sur nimporte quel systme, sur la
stabilit, soit la convergence de la mthode, et sur la rapidit.
Moduler le gain revient donc moduler la rapidit de convergence : si lon a aaire un procd dont il
faut poursuivre les paramtres, qui varient eectivement dans le temps, on aura intrt avoir un gain
fort ; si par contre le systme est fortement bruit, on a intrt avoir un gain faible, sinon la sortie
du modle va poursuivre le bruit en faisant varier les paramtres chaque priode dchantillonnage,
ce qui na pas de sens physique. Un bon rglage du gain demande plusieurs essais et pas mal de bon
sens !
Chapitre 5
Algorithmes doptimisation paramtrique.
5.1 Prsentation gnrale.
Ce chapitre est consacr au choix dune mthode doptimisation des paramtres. Une tude biblio-
graphique succincte montre que le domaine de loptimisation paramtrique est en pleine volution
notamment dans le cadre des mthodes stochastiques.
Nous prsenterons les mthodes les plus connues an den extraire les principes doptimisation les plus
aptes rsoudre notre problme.
Les mthodes prsentes sont en fait celles qui reviennent le plus souvent dans la littrature. Parfois
anciennes, ces mthodes, en raison de leur capacit optimiser des fonctions trs direntes, sont
encore souvent utilises aujourdhui. Par ailleurs, ces mthodes sont souvent la base de nouvelles
mthodes doptimisation.
Le domaine dutilisation de chaque mthode est un point dlicat aborder. Une faon simple de
dterminer ce domaine serait de le limiter au domaine de convergence garantie, en gnral les fonctions
convexes. Mais cette approche est quelque peu rductrice et ne tient pas compte de la robustesse de la
mthode, cest pourquoi les spcialistes de loptimisation paramtrique prfrent se rfrer des tests
sur des fonctions connues et prsentant des caractristiques des plus diverses.
5.2 Exemple introductif
Imaginons que la fonction minimiser soit laltitude et que lespace sur lequel nous cherchons
optimiser laltitude soit la surface de notre plante. Il existe plusieurs faons de procder.
La premire faon consiste parcourir lensemble des points de la surface et de mesurer laltitude en
chaque point. En supposant un maillage de la plante de 10m sur 10m et raison dune mesure par
seconde : cela reprsente environs 160 000 ans de travail (numration).
La deuxime mthode consiste partir dun point et de descendre dans le sens de la plus grande pente.
Nous vitons ainsi tous les sommets locaux mais un observateur qui partirai dun point des Alpes a
peu de chances de trouver le fond de la mer (gradient). Nous pouvons amliorer cette mthode en
prenant trois observateurs qui se communiquent leur altitude. Celui qui se situe au point le plus haut
se dplace en direction dun point situ entre les deux autres observateurs et parcoure deux fois la
distance qui le spare de ce point. Ces observateurs spargnent le calcul de la pente mais ont toujours
peu de chances de trouver la mer (Nelder et Mead).
Une troisime mthode consiste donner notre observateur initial une soucoupe volante (et amphibie)
qui lui permet de se dplacer trs vite. Pendant un temps il se pose au hasard sur la plante et note
laltitude et la position de chaque point. puis au cours du temps il concentre sa recherche autour des
points les plus bas en eectuant des dplacements alatoires mais de plus en plus cours en moyenne.
Cet observateur trouverai trs rapidement un ocan et dterminerai son point le plus bas. Par contre
si il se concentre trop vite sur lun des ocans il risque de rater le point le plus bas de la plante (recuit
simul).
39
40 CHAPITRE 5. ALGORITHMES DOPTIMISATION PARAMTRIQUE.
La quatrime mthode consiste naturellement prendre plusieurs observateurs qui feraient le mme
travail que le prcdent. Rapidement il se constitueraient en groupes qui dterminent le relief de chaque
mers et ocans. Lorsquun groupe atteint le minimum de son tendue deau et remarque quun autre
groupe obtient un minimum plus faible, le premier groupe se dplace pour aider un autre groupe
nayant toujours pas atteint le fond (algorithmes gntiques).
5.3 Problme pos
Lide gnrale de loptimisation paramtrique consiste dterminer un ensemble de paramtres qui
optimise un critre soumis des contraintes. Dans la suite de ce mmoire, nous parlerons exclusivement
de minimisation, la maximisation tant la minimisation de loppos de la fonction.
minimiser f(x),
avec x = x
1
, x
2
, x
3
, , x
n
,
soumis C
k
(x) 0 k = 1 m,
et C
k
(x) = 0 k = m p.
(5.1)
Dans la premire partie de ce chapitre, nous nous consacrerons la dtermination de trajectoires
optimales sans contrainte. Ce cas, bien quinapplicable dans le cas des robots marcheurs, peut trs
bien ltre pour des robots manipulateurs.
5.4 Revue bibliographique succincte.
Les principales mthodes doptimisation peuvent tre classes en trois catgories principales :
1. Les mthodes analytiques, qui dterminent le point de calcul suivant en fonction des caractris-
tiques de la fonction au point considr.
2. Les mthodes stochastiques, qui intgrent une part de hasard dans le choix du point de calcul
suivant.
3. Lnumration, qui consiste discrtiser lespace engendr par le vecteur optimiser et calculer
lensemble des possibilits.
La gure 5.1 prsente les dirents groupes dalgorithmes doptimisation paramtrique et leur classi-
cation.
Lnumration : Elle consiste prendre un nombre ni de valeurs pour chaque paramtre et
calculer le critre associ pour lensemble des possibilits. Dans notre cas elle est inutilisable compte
tenu du nombre de paramtres. En utilisant 50 valeurs par paramtre et 13 paramtres par axe, il faut
examiner 50
135
possibilits !
Les algorithmes dordre n : Fonds sur une dcomposition lordre n en sries de Taylor de la
fonction minimiser, ces algorithmes utilisent la drive dordre n pour la dtermination du point de
calcul suivant. Ils sont trs rapides lorsque la fonction est continue, drivable et convexe. Par contre,
ils sont peu robustes si la fonction prsente des minima locaux.
Les algorithmes dordre 0 : Nutilisant que la valeur de la fonction en certains points, ces algo-
rithmes sont lents mais robustes en cas de discontinuits de la fonction.
Les algorithmes gntiques : Transposition linformatique de la slection naturelle selon Charles
Darwin, ils utilisent plusieurs vecteurs de paramtres (une population) qui voluent vers le minimum
par la mise en uvre de trois oprations stochastiques, la slection, le croisement et la mutation.
5.5. ELMENTS DE COMPARAISON DES DIFFRENTES MTHODES. 41
Fig. 5.1 Classes dalgorithmes doptimisation paramtrique
Les algorithmes de recuit simul : Algorithmes stochastiques par excellence, ils sont statisti-
quement capables de dterminer le minimum global dune fonction quelles que soient ses caractris-
tiques. Par contre, le temps de calcul ncessaire lobtention du minimum est long.
Les stratgies dvolution : Fondes sur une valuation itrative de la fonction, le dplacement
est alatoire mais il sadapte en fonction de la topologie locale de la fonction minimiser. La dirence
fondamentale entre stratgies dvolution et le recuit simul est que la premire mthode explore la
fonction de faon locale alors que la deuxime explore lensemble de lespace.
5.5 Elments de comparaison des direntes mthodes.
5.5.1 Critres.
La robustesse est laptitude de la mthode converger vers un minimum global sans tre perturbe
par des minima locaux. Cette notion couvre les notions de robustesse la rugosit de la fonction et la
notion daptitude trouver le minimum global dune fonction.
La vitesse est mesure en nombre ditrations sur la fonction de cot, le temps de calcul ncessaire
pour lalgorithme de la mthode elle-mme est considr comme ngligeable.
La globalit du minimum est donne pour une minimisation dune fonction multimodale sans aucune
connaissance a priori de la position du minimum global, donc dune initialisation alatoire.
5.5.2 Comparaisons.
Nous reprendrons ici quelques comparaisons trouves dans la littrature an dtablir un classement
des direntes mthodes par rapport aux trois critres dnis prcdemment, savoir : la robustesse,
la vitesse et la globalit du minimum.
Les algorithmes dordre n sont trs rapides, dautant plus rapides que les fonctions optimises r-
pondent aux hypothses formules, par contre ils sont peu robustes en cas de discontinuits. Dans le
cas de discontinuits, parmi les mthodes analytiques, ce sont les algorithmes dordre 0 qui sont les
meilleurs.
0% pistasie 100%
. .
gradient
. .
alatoire
. .
Quasi Newton
. .
Simplex
. .
algorithmes gntiques
. .
recuit simul
Fig. 5.2 Rcapitulatif des direntes mthodes en fonction de lpistasie.
5.5.3 Rcapitulatif.
Le tableau 5.1 est une synthse des donnes recueillies dans la littrature. Les notations sous forme
de + et permettent seulement une comparaison qualitative entre les mthodes sans augurer de la
qualit intrinsque dune mthode.
Principe robustesse vitesse minimum
ordre 1 : Gradient - - - ++ local
ordre 2 : Quasi Newton - - +++ local
ordre 0 : Simplex - + local
Algorithmes dvolution + - - global -
Algorithmes gntiques + - - - global ++
Recuit simul ++ - - - global ++
Tab. 5.1 Comparaison des mthodes doptimisation.
La gure 5.2 donne le domaine dutilisation de chaque mthode en fonction de lpistasie. Cette no-
tion directement tire du vocabulaire de la gntique indique la propension dun gne inhiber ou
augmenter leet dun autre gne sur la valeur de la fonction. Ainsi une fonction non linaire, multi-
modale prsente une forte pistasie, par contre prs dun minimum local de cette fonction, lpistasie
est minimale voire nulle.
An de xer les ides, voici trois exemples de fonctions :
f
1
(x) = x
2
1
+x
2
2
+x
2
3
, pistasie nulle (5.2)
f
2
(x) = 100(x
2
1
x
2
)
2
+ (1 x
3
)
2
, pistasie moyenne (5.3)
f
3
(x) = (x
2
2
x
3
)
2
si sin(x1) > 0
= (x
2
1
x
2
)
2
si sin(x1) < 0, pistasie forte
(5.4)
Ainsi f
1
(x) prsente une pistasie nulle puisque la valeur dun gne ne change pas linuence dun
autre gne sur le critre. Dans f
2
(x) linuence existe entre x
1
et x
2
. Dans f
3
(x) linuence est forte
puisque la valeur de x
1
dcide de quels gnes interviennent dans le critre.
5.5.4 Synthse
La meilleure mthode serait une mthode qui volue en fonction de la connaissance de la fonction
optimiser. Ainsi la recherche dans ce domaine soriente vers le couplage de plusieurs mthodes
5.5. ELMENTS DE COMPARAISON DES DIFFRENTES MTHODES. 43
doptimisation. Le problme doptimisation revient alors eectuer successivement :
1. Dnition du problme et en particulier des limites de lespace tudier notamment par la prise
en compte de limites sur la valeur des dirents paramtres optimiser.
2. Gnration alatoire dune population respectant les limites prcdentes et valuation de chaque
individu vis--vis du critre.
3. Optimisation lente permettant :
une exploration de lespace total,
la dtermination de sous-espaces convexes prsentant un minimum local.
4. Optimisation rapide dans les sous-espaces convexes.
Le passage dune mthode lautre peut tre fond sur la dtermination de lpistasie.
Chapitre 6
Description des algorithmes utiliss.
6.1 Gradient et quasi-Newton
Ces mthodes consistent crire un dveloppement limit de la fonction autour du point courant, puis
den dduire par la minimisation de ce dveloppement limit, le point suivant. Le lecteur intress par
ce chapitre lira avec bonheur Numerical recipes in C [5] o les "dtails" des algorithmes (initialisation,
choix de dcroissance, ...) seront parfaitement explicits.
6.1.1 Mthode du gradient
La drive de f : R
n
R scrit :
Df(x)
i
=
f
x
i
Df(x) est un vecteur ligne.
Le gradient de la fonction est :
f(x) = Df(x)
T
=
_
f
x
_
T
f(x) est un vecteur colonne.
La fonction f minimiser peut tre approche autour dun point x
0
par :
f(x
0
+ x) f(x
0
) +f(x
0
)
T
x
le point de calcul suivant sera calcul par :
x
i+1
= x
i
+ x
le pas tant dtermin par :
x = kf(x)
k tant un rel positif. Le choix de k donne lieu de nombreuses variantes de lalgorithme.
si k est trop petit, lalgorithme converge lentement,
si k est trop grand, lalgorithme converge oscille autour du minimum,
En pratique on choisi k variable au cours de loptimisation, la plus connue est le line search. une
mthode simple consiste faire varier k suivant :
Si f(x
i+1
) < f(x
i+1
) alors augmenter k
Si f(x
i+1
) = f(x
i+1
) alors augmenter k
Si f(x
i+1
) < f(x
i+1
) alors diminuer k et abandonner f(x
i+1
)
45
46 CHAPITRE 6. DESCRIPTION DES ALGORITHMES UTILISS.
6.1.2 Mthode de Newton
Cest en fait, lextension lordre 2 de la mthode du gradient. Ainsi la fonction f minimiser est
approche par :
f(x
0
+ x) f(x
0
) +f(x
0
)
T
x +
1
2
x
T
2
f(x
0
)x
ou
2
f(x
0
) est le Hessien de la fonction (la drive seconde)
Df(x) =
2
f(x)
ij
=

2
f
x
i
x
j
=
_
2
f
x
2
1
2
f
x
1
x
2

2
f
x
1
x
n
2
f
x
2
x
1
2
f
x
2
x
2

2
f
x
2
x
n
.
.
.
.
.
.
.
.
.

2
f
x
i
x
j
2
f
x
n
x
1
2
f
x
n
x
2

2
f
x
n
x
n
_
_
Le point o la fonction approche est minimum est tel que la drive de la fonction est nulle soit
lquation :
x
_
f(x
0
) +f(x
0
)
T
x +
1
2
x
T
2
f(x
0
)x
_
= 0
f(x
0
)
T
+
2
f(x
0
)x = 0
le pas est alors :
x =
2
f(x)
1
f(x)
On vois que par rapport la mthode du gradient, la direction de recherche est pondre par lin-
verse du hessien. En pratique cette mthode est trs peu utilise car la dtermination du hessien est
longue et coteuse en temps de calcul, son inverse aussi. On lui prfrera des mthodes fondes sur
lapproximation du hessien.
6.1.3 Mthode de Newton-Raphson
Comme pour la mthode de Newton le pas est calcul par :
x =
2
f(x)
1
f(x)
Mais au lieu de calculer le hessien puis son inverse
1
on se contente de calculer x tel que :
2
f(x)x = f(x)
Notez bien que lon a transform le calcul de linverse de
2
f(x)
1
en une rsolution dun systme
linaire chaque itration.
6.1.4 Mthode de Levenberg-Markardt
Les deux mthodes prcdentes prsentent linconvnient (que quelques variantes contournent) de ne
pas converger lorsque le point initial est loin du minimum recherch.
Lalgorithme Levenberg-Markardt lve cet inconvnient on proposant un compromis entre la mthode
du gradient (robuste mais lente lapproche du minimum) et celle de Newton (peu robuste loin du
minimum mais trs ecace prs). Le pas x
i
sobtient en rsolvant le systme dquations linaires :
(f(x
i
)f(x
i
)
T
+
i
I)x
i
= f(x
i
)
T
f(x
i
)
ainsi, lorsque
i
est grand devant le hessien, lalgorithme tend vers lalgorithme du gradient, lorsque
i
est petit, il converge aussi vite que celui de Newton.
1
Pour une fonction de 100 paramtres le hessien est une matrice 100 100 !
6.1. GRADIENT ET QUASI-NEWTON 47
6.1.5 lalgorithme BFGS
BFGS sont les initiales de Broyden-Fletcher-Goldfarb-Shanno, cest sans doute lalgorithme le plus
utilis.
A partir dun point initial x
0
et une premire approximation du hessien H
0
1. Calculer le pas par :
H
i
x
i
= f(x
i
)
2. Dterminer
i
optimal par une mthode de type "line search" et calculer
x
i+1
= x
i
+
i
x
i
3. calculer la variation du gradient :
y
i
=
f(x
i+1
) f(x
i
)
i
4. puis la nouvelle estimation du hessien
H
i+1
= H
i
+
y
i
y
T
i
y
T
i
x
i
+
H
i
x
i
x
i
T
H
T
i
x
i
T
H
i
x
i
Lensemble de ses mthodes convergent bien vers un minimum condition que la fonction soit convexe !
Le principal inconvnient de ses mthodes est de devoir calculer le gradient de la fonction chaque
itration aussi les mthodes suivantes se passent de cette tape de calcul et sont nettement plus
robustes si la fonction prsente des minima locaux.
6.2 Simplex de Nelder & Mead.
Parmi les algorithmes dordre 0, la mthode doptimisation Simplex de Nelder & Mead [5], est lune
des plus anciennes connues et est encore aujourdhui souvent utilise (fminsearch de matlab). La
dmonstration de la convergence de cet algorithme dans le cas de fonctions convexes, na t ralise
quen 1995.
Un Simplex est un tableau de n + 1 vecteurs (
i
x) de n paramtres (
i
). La mthode procde une
srie de :
rexions (le volume du Simplex reste constant)
pour dplacer le barycentre du Simplex en direction du point de critre le plus faible,
expansions (le volume augmente)
qui tendent le Simplex en direction du point de critre le plus faible,
contractions (le volume diminue)
qui lui permettent de passer dans des goulets.
Algorithme
Lalgorithme est prsent par lordinogramme de la gure 6.5 Le vecteur donnant le critre le plus
grand la k
me
itration (x
k
max
) est projet travers le barycentre des autres vecteurs du Simplex
(x
k
).
x
r
= (1 +)x
k
x
k
max
, avec = 1, rexion, (6.1)
La gure 6.1 reprsente la position des vecteurs du Simplex dans lespace des paramtres (ici reprsent
dans un espace de dimension 3).
`
`
`
`
`
`
>
>
>
>
Simplex original

`
`
`
`
`
`
-
-
-
-
-
-
.
.
.
.
.
.
.
.
Simplex aprs rexion
x
r

`
`
`
`
`
`
Fig. 6.1 Image dun Simplex de 4 vecteurs avant et aprs rexion.
Si la valeur du critre f(x
r
), associe au vecteur x
r
est la plus faible obtenue jusqu prsent, on tente
une expansion du Simplex dans la direction de la projection. Sinon on conserve x
r
et on recommence
une nouvelle itration. La procdure dexpansion (voir gure 6.2 est donne par :
x
e
= x
r
+ (1 )x
k
, avec = 2, expansion, (6.2)
`
`
`
`
`
`
>
>
>
>
Simplex original
`
`
`
`
`
`
Simplex aprs expansion
x
e
>
>
>
>
>
>
>
>
>
>
`
`
`
`
`
`
Fig. 6.2 Image dun Simplex de 4 vecteurs avant et aprs expansion.

Si la valeur du critre f(x
e
) est plus faible que celle associe aux autres vecteurs du Simplex on la
conserve, sinon on conserve x
r
et lon passe litration suivante.
Si f(x
r
) est plus grande que la valeur maximale des vecteurs du Simplex, on tente une compression
(voir gure 6.3) suivant la direction de la projection.
6.2. SIMPLEX DE NELDER & MEAD. 49
x
c
= x
max
+ (1 +)x
k
, avec = 1/2, compression, (6.3)
`
`
`
`
`
`
>
>
>
>
Simplex original

`
`
`
`
`
`
>
>
Simplex aprs compression

x
c
`
`
`
`
`
`
`
`
`
`
`
`
Fig. 6.3 Image dun Simplex de 4 vecteurs avant et aprs compression.
Si f(x
c
) est plus grande que la plus grande valeur associe des autres vecteurs du Simplex, on procde
alors une contraction (voir gure 6.4) de tous les vecteurs du Simplex en direction du vecteur donnant
le critre le plus faible (x
k
min
).
i
x
k+1
=
i
x
k
+x
k
min
2
, contraction. (6.4)
`
`
`
`
`
`
>
>
>
>
Simplex original
>
> `
`
`
`
`'
Simplex aprs contraction
`
`
`
`
`
`
Fig. 6.4 Image dun Simplex de 4 vecteurs avant et aprs contraction.
Initialisation. Linitialisation du Simplex peut tre quelconque condition que les vecteurs soient
linairement indpendants. Linitialisation classique est de la forme :
x
i
= x
0
+u
i
, i = 1..n, (6.5)
o :
_
_
x
0
= : vecteur initial quelconque,
x
i
= : vecteurs du Simplex,
= : paramtre rel,
u
i
= : vecteurs linairement indpendants (en gnral norms).
Les vecteurs u
i
forment donc une base de lespace des paramtres.
Critre darrt . Le critre darrt de loptimisation est :
s =

max
min
max
+
min
< (6.6)
tant une valeur relle positive choisie au dpart.
Le choix de est limit par :
La borne suprieure est lie la valeur approximative du critre optimal. Lapplication de 6.6 pour
une prcision relative voulue de 1% sur un critre optimal environ gal 10 conduit au choix de
= 5 10
3
.
La borne infrieure est lie la prcision du calculateur. On montre que doit tre choisi comme
gal la racine carre du plus petit nombre qui peut tre reprsent, ce qui donne, pour des calculs
eectus en virgule ottante et en double prcision, une limite infrieure de =
_
1, 7 10
308
=
1, 3 10
154
.
Fig. 6.5 Ordinogramme de lalgorithme du Simplex de Nelder et Mead.
6.2.1 Extensions - Amliorations.
Les amliorations sont souvent lies la vitesse de convergence de lalgorithme. Notons parmi les plus
connues :
La mthode du barycentre pondr (Weighted Centrod) :
Le point rchi est calcul par rexion non pas par rapport lisobarycentre mais par rapport au
barycentre pondr par linverse de la valeur du critre. Ainsi le point rchi tend se rapprocher
des points ayant le plus faible critre.
La mthode du Simplex super modie (Super Modied Simplex) : : Aprs calcul du critre au point
rchi et du critre du barycentre, nous faisons passer une quation du second degr par les trois
points (original, le barycentre et le point rchi) dont on dtermine loptimum. Cest ce dernier
point qui sera choisi comme point rchi.
Lintroduction dune variable alatoire dans la recherche de nouveaux points rend loptimisation plus
globale. Cette amlioration sort dj du cadre des mthodes dordre 0 pour entrer dans le cadre des
Algorithmes Gntiques (voir 6.3) ou des mthodes du recuit simul (voir 6.5).
6.2. SIMPLEX DE NELDER & MEAD. 51
Conclusions.
Cette mthode est la plus robuste des mthodes de type analytique. Les capacits dadaptation du
volume du Simplex ainsi que labsence de calcul du gradient en font une mthode rapide, peu sensible
aux discontinuits de la fonction de cot et facile mettre en uvre.
6.3 Algorithmes gntiques.
6.3.1 Introduction.
Dvelopps par Holland en 1970, ces algorithmes sont la transposition algorithmique de la thorie de
Ch. Darwin sur la survivance du plus fort ou la slection naturelle des espces. Selon Ch. Darwin,
les individus les plus faibles disparaissent, seuls les individus les plus forts se reproduisent et parfois
ceux-ci mutent.
6.3.2 Principe des algorithmes gntiques binaires.
Les algorithmes gntiques binaires travaillent sur une entit fondamentale appele chromosome qui
est en fait une chane de bits, lunit dinformation la plus simple. Lutilisation de cette structure
fondamentale lie au calculateur et non pas au processus optimiser permet une grande adaptabilit
aux dirents problmes (combinatoires, optimisation de critres fonction de variables relles). Ainsi
le vecteur de paramtres initial est transform en une chane de bits.
x = (
1
,
2
,
3
, ,
n
) x = (b
1
, b
2
, b
3
, b
4
, b
5
, , b
m
) (6.7)
o :
x : est un individu ou chromosome, (6.8)
b
i
: sont les gnes. (6.9)
Le passage de lun lautre fera lobjet du codage.
Lalgorithme travaille sur une population de taille constante (30 300 individus typiquement) qui
volue chaque itration, pour crer une nouvelle gnration.
Initialisation. La population initiale est cre alatoirement.
Slection. La slection des individus qui vont se reproduire est alatoire mais fonction de la valeur
de leur critre associ. Lindividu j est slectionn suivant une probabilit p
s
j
p
s
j
=
f(
j
x)
n
i=1
f(
i
x)
. (6.10)
Il existe une autre possibilit : la slection des parents croiser suivant leur rang (aprs classement
de lensemble de la population suivant la valeur de leur critre associ) et non la valeur de leur critre
associ. Cette deuxime mthode prsente lavantage dempcher une convergence trop rapide vers un
individu nettement meilleur que les autres.
Croisement. Le croisement est ltape principale de loptimisation. Cette opration consiste en-
gendrer 2 enfants ayant un chromosome compos de parties des chromosomes des 2 parents.
Exemple avec 2 points de croisement (|) :
parent1 = 001|00110010|1011

parent2 = 101|10011100|1101
_
_
_

enfant1 = 001|10011000|1011
enfant2 = 101|00110110|1101
(6.11)
Si la position des points de croisement tait constante, combin la slection, le croisement aurait pour
eet doptimiser chaque partie de la chane. Mais la position des points de croisement est alatoire, ce
qui participe lexploration de lespace total. La probabilit de croisement, cest--dire la probabilit
que deux individus slectionns pour le croisement subissent eectivement le croisement est en gnral
de p
c
= 0, 5 0, 7.
6.4. ALGORITHMES GNTIQUES CODS RELS. 53
Mutation. La mutation dun individu permet de raliser laristognse et sert ainsi empcher la
perte de diversit. En eet si au cours de loptimisation un gne de rang donn avait la mme valeur
pour toute une gnration, tous les descendants conserveraient ce gne. La probabilit de mutation
est en gnral de p
m
= 0, 01 0, 05.
individu = 001100|1|10001011 individu = 001100|0|10001011 (6.12)
Codage. Les fonctions que lon veut minimiser tant dans la grande majorit des cas des fonctions
de variables relles, un codage des chanes binaires est ncessaire. Le codage le plus utilis est le codage
binaire virgule xe, par exemple :
1001, 1010 12
3
+02
2
+02
1
+12
0
+12
1
+02
2
+12
3
+02
4
= 9, 625 (6.13)
La longueur de la chane dpend donc de la prcision souhaite sur les valeurs relles. Certains auteurs
prfrent le code de Gray qui prsente lavantage davoir des codes conscutifs toujours distants de 1,
Mais ce codage diminue laptitude lexploration de lespace total par le croisement. Ces mthodes
de codage donnent une grande facilit pour imposer des contraintes sur les valeurs dun paramtre.
Les algorithmes gntiques sont actuellement en pleine expansion. Le principal problme actuel des
algorithmes gntiques tant la faible propension lexploration de lespace complet, les recherches
portent en particulier sur ce point.
Longueur de la chane de gnes dynamique.
Notion de niche cologique.
Sur les croisements :
croisement multipoint (3,4,..) au lieu de 2 comme dcrit prcdemment,
croisement uniforme qui est un croisement bit bit avec une probabilit dchanger les bits
qui dpend du nombre dchanges dj eectus. Le croisement uniforme augmente la capacit
dexploration de lespace total, il est surtout utilis dans le cas de populations faibles (dans le cas
de fortes populations, le nombre lev dindividus assure dj un bonne exploration de lespace
total).
Conservation dune gnration sur lautre du ou des meilleurs individus.
6.3.4 Conclusion.
Cette mthode est bien adapte la minimisation dans le cas de fonctions fortement non linaires.
La mutation est surtout utile dans le cas dun critre forte pistasie, le croisement tant plutt
utile dans la phase de dtermination des minima locaux. Les algorithmes gntiques sont une bonne
mthode intermdiaire entre les mthodes analytiques et les mthodes stochastiques.
6.4 Algorithmes gntiques cods rels.
An de rsoudre le problme du codage et de la prcision des paramtres dans les algorithmes gn-
tiques, certains auteurs ont transpos les ides des algorithmes gntiques des gnes de type rel.
6.4.1 Principe.
La squence des oprations reste identique celle des algorithmes gntiques binaires, seules les op-
rations et le codage dirent.
Un chromosome est compos dun ensemble de gnes rels de la forme :
chromosome = (
1
,
2
,
3
,
4
,
5
, ,
n
), gnes =
i
, i = 1..n. (6.14)
Croisement. Le croisement, qui consiste engendrer des descendants par change de gnes, de-
vient :
parent1 = (
1
, |
2
,
3
, |
4
,
5
)

parent2 = (
1
, |
2
,
3
, |
4
,
5
)
_
_
_

enfant1 = (
1
, |
2
,
3
, |
4
,
5
)
enfant2 = (
1
, |
2
,
3
, |
4
,
5
)
(6.15)
ou
parent1 = (
1
, |
2
,
3
, |
4
,
5
)

parent2 = (
1
, |
2
,
3
, |
4
,
5
)
_
_
_

enfant1 = (
1
, |
2
+
2
2
,

3
+
3
2
, |
4
,
5
)
enfant2 = (
1
, |
2
+
2
2
,

3
+
3
2
, |
4
,
5
)
(6.16)
Mutation. L encore, la mutation consiste empcher la perte de matriel gntique. Transpos
au codage rel, cela revient ajouter un bruit sur un ou plusieurs chromosomes choisis alatoirement.
i
=
i
p
i
. (6.17)
o p est un nombre alatoire de moyenne nulle.
Renders propose une mutation dont lamplitude dcrot avec le temps, de la forme suivante :
i
=
i
+ (
i
max

i
)
_
1 r
1
k
k
0
5
_
si b = 1,
i
=
i
+ (
i
min

i
)
_
1 r
1
k
k
0
5
_
si b = 0,
(6.18)
o :
i
max
: valeur maximum du paramtre
i
,
i
min
: valeur minimum du paramtre
i
,
r : nombre rel alatoire donnant lamplitude de la mutation,
k : indice de la gnration courante,
k
0
: indice de la dernire gnration subissant une mutation,
b : nombre binaire alatoire donnant le sens de la mutation.
Par analogie avec les algorithmes de type recuit simul (voir 6.5), lamplitude des mutations dcrot
au fur et mesure que lalgorithme converge.
Amliorations. An damliorer la vitesse de convergence, il est courant de mettre en uvre une
combinaison de plusieurs mthodes doptimisation : algorithmes gntiques et mthodes analytiques.
Lalgorithme gntique recherche les minima locaux et la mthode analytique dtermine rapidement
la valeur du minimum de la fonction dans chaque minimum local.
6.4.2 Conclusion.
Les algorithmes gntiques rels prsentent lavantage de ne pas tre limits par le codage des variables
relles et la forme gnrale de lalgorithme permet un passage ais des algorithmes gntiques vers des
mthodes de type Simplex.
6.5. MTHODE DU RECUIT SIMUL 55
6.5 Mthode du Recuit simul
6.5.1 Introduction
La mthode du recuit simul (Simulated Annealing) repose sur un principe de la thermodynamique :
la loi de refroidissement des mtaux. Un atome donn est anim par un mouvement brownien dont
lamplitude dpend de la temprature. Lorsque la temprature dcrot ce mouvement sestompe et
latome tend se positionner dans un tat dnergie minimale.
6.5.2 Principe.
Le problme pos est la dtermination dun vecteur x qui minimise le critre (x). La mthode du
recuit simul la plus simple rsout le problme par un processus itratif et stochastique comme suit.
Aprs une initialisation alatoire du premier point de calcul x
0
, lalgorithme gnre, chaque itration,
un pas alatoire x suivant une loi de probabilit de type gaussienne g(x).
g(x) =
1
(2T(k))
n/2
e
(x)
2
2T(k)
(6.19)
Le nouveau point de calcul est :
x
k+1
= x
k
+x. (6.20)
Deux cas peuvent se prsenter :
1. Le nouveau point est meilleur : (x
k+1
) < (x
k
),
le point est accept et le processus recommence.
2. Le nouveau point est plus mauvais : (x
k+1
) > (x
k
),
le nouveau point peut tre accept suivant une probabilit :
p
k
= exp
_
(x
k+1
) (x
k
)
T(k)
_
(6.21)
A chaque itration la temprature T(k) diminue suivant la loi :
T(k) =
T
0
ln(1 +k)
. (6.22)
Une valeur minimale de T
0
est propose par Hajcek qui assure une convergence statistique vers un
minimum global.
Ainsi lorsque la temprature est grande, lalgorithme peut quitter un minimum local, soit par un saut
direct, soit par un point intermdiaire de critre plus grand. Au fur et mesure que la temprature
dcrot, la longueur du pas diminue et la probabilit daccepter un pas x qui fait augmenter le
critre dcrot. Lalgorithme nit par gnrer des pas de faible amplitude et naccepter pratiquement
plus de pas qui font augmenter le critre, les pas qui le font diminuer tant toujours accepts. Cette
mthode permet statistiquement de trouver un minimum global mais demande un trs grand nombre
ditrations.
Par extension, de nombreuses mthodes se rapportent celle-ci du moment que la probabilit dac-
ceptation du pas est de la forme de celle prsente par lquation (6.21).
Parmi les amliorations proposes dans la littrature, notons celle appele : Fast Annealing o g(x)
et T(k) sont choisis tels que :
g(x) =
T(k)
((x)
2
+T(k)
2
)
(n+1)/2
(6.23)
et
T(k) =
T
0
k
(6.24)
Lauteur propose donc une loi de dcroissance plus rapide, tout en conservant la mobilit du point de
calcul.
Dautre part, notons aussi la modication de [5] qui introduisent dans la mthode du Simplex une
probabilit dacceptation du pas. Cet algorithme prsente lavantage de converger vers lalgorithme
classique du Simplex (voir [5]) lorsque la temprature dcrot.
6.5.4 Mise en uvre du recuit simul.
Pour la mise en uvre de la mthode du recuit simul, nous avons choisi lalgorithme propos par
[5].
Lalgorithme prsente trois phases distinctes mais imbriques :
1. lorsque la temprature est grande vis--vis du critre, pratiquement tous les dplacements sont
accepts, le Simplex sagrandit et explore lespace,
2. lorsque la temprature est du mme ordre de grandeur que le critre, le Simplex converge vers
les grandes valles tout en acceptant des dplacements qui augmentent le critre, ce qui lui
permet de sortir des rugosits de celui-ci,
3. lorsque la temprature est faible vis--vis du critre, lalgorithme dtermine le minimum local
qui, selon toute probabilit, est le minimum global.
Choix de la temprature. Il est ncessaire de choisir une temprature initiale T
0
et une loi de
dcroissance au cours du temps. B. Hajcek a dmontr quune dcroissance de la forme :
T(k) =
T
0
ln(1 +k)
(6.25)
associe une probabilit dacceptation du pas de la forme :
p
k
= exp
_
(x
k+1
) (x
k
)
T(k)
_
(6.26)
assure statistiquement la dtermination dun minimum global condition de choisir T
0
suprieur au
maximum de profondeur de tous les minima locaux, minimum global exclu.
Le maximum de profondeur de tous les minima locaux est impossible dterminer, cest pourquoi
certains auteurs [5] prconisent lemploi dune valeur largement suprieure une approximation de ce
second membre.
Nous avons born cette profondeur maximale par :
T
0
= 10 la valeur maximale du critre linitialisation, (6.27)
la valeur minimale du critre tant minimise par 0.
Bibliographie
[1] C. Foulard, S.Gentil, and J.P. Sandraz. Commande et rgulation par calculateur numrique : de la
thorie aux applications. Eyrolles, Paris, 1987.
[2] Lennart Ljung. System identication (2nd ed.) : theory for the user. Prentice Hall PTR, Upper
Saddle River, NJ, USA, 1999.
[3] Lennart Ljung and Torkel Glad. Modeling of dynamic systems. Prentice-Hall, Inc., Upper Saddle
River, NJ, USA, 1994.
[4] Lennart Ljungs. System identication toolbox for use with matlab, 1997.
[5] William H. Press, Brian P. Flannery, Saul A. Teukolsky, and William T. Vetterling. Numerical
Recipes : The Art of Scientic Computing. Cambridge University Press, Cambridge (UK) and New
York, 2nd edition, 1992. Disponible gratuitement sur Internet.
Liens
http://www.mathworks.com/products/fuzzylogic.html
http://www.mathtools.net/MATLAB/Fuzzy_Logic/index.html
http://www.dbai.tuwien.ac.at/marchives/fuzzy-mail/
http://europa.eu.int/comm/research/rtdinfo/fr/24/02.html
http://www.gala.univ-perp.fr/~polit/chap0.html
http://www.eru.ulaval.ca/ptt15225
http://vcampus.u-strasbg.fr/uticeweb/mhiri/projet_V2
http://www.mathworks.fr/products/controldesign/modanal.shtml
57
58 BIBLIOGRAPHIE
Chapitre 7
Travaux dirigs
TDAO : Illustration de plusieurs aspect de lidentication des systmes
7.1 Strecj - Broida - Programmation non linaire
7.1.1 Strecj - Broida
Ouvrez le chier simulink intitul "TDAOident.mdl", lancez la simulation,
Appliquez la mthode de Broda puis celle de Strecj et implantez-les,
relancez la simulation, gnial non?
7.1.2 Programmation non linaire
Ouvrez le chier "pnl.m" et comprenez le contenu.
Dans la fentre de commande matlab, tapez "save ES Uin tout Yout" puis,
"X=fminsearch(pnl,[-1 -1 -1 1])" (tapez "help fminsearch" et lisez la doc.)
la valeur de X prsente le rsultat sous la forme "3 ples, gain"
implantez ce nouveau modle et relancez la simulation.
7.1.3 Limites de la Programmation non linaire
lancez "X=fminsearch(pnl,[0 0 0 0])", comparez les solutions.
Dans le chier "pnl.m" changez lutilisation de x0 en introduisant des zros et plus de ples.
7.2 Identication des systmes instables ou intgrateurs
Ouvrez le chier simulink intitul "instable.mdl" et choisissez le gain tel que le systme soit stable
en boucle ferme. Les entres - sorties sont dans le "workspace" de Matlab et simportent facilement
dans linterface ident (Tapez "ident" dans la fentre de commande de Matlab), voir gure 7.1.
Note : les modles calculs dans "ident" sexpotent vers le workspace par glisser dplacer dans la case
"to workspace" puis du workspace vers simulink par une commande comme :
[A1,B1,C1,D1]=ssdata(amx2122)
Observez les caractristiques spectrales de la SBPA et comparez celles du signal carr.
Aprs avoir annul le bruit, importez les donnes puis calculez un modle de type ARX752.
observez la qualit de la simulation.
observez les ples et les zros de ce modle.
dduisez-en un modle plus simple et tout aussi correct
vrier que vous obtenez bien les coecients du modle en boucle ferme
Observez la dirence destimation des paramtres du systme en fonction de :
la puissance de bruit (0 0,01 et 0,0001)
59
60 CHAPITRE 7. TRAVAUX DIRIGS
Fig. 7.1 Comment importer des variables dans ident de Matlab.
les dirents modles (en particulier, ARX, ARMAX, BOX-JENKINS)
les signaux utiliss pour lestimation (carr ou SBPA)
la position de la source dexcitation (entre de la boucle ou juste devant le systme identier)
Reprenez ce qui prcde en prenant comme entre la sortie du correcteur.
7.3 Choix de la source dexcitation
Lobjectif est de dterminer la bonne squence binaire pseudo-alatoire pour exciter correctement le
systme.
Ouvrez le chier "sbpa_ident.mdl"
Le rglage de la priode de la SBPA seectue en dclarant la variable TeSBPA=1 (ici 1 seconde).
Dterminer un premier modle (ARX441 par exemple).
Dduisez-en les constantes de temps du systme.
Dterminer un SBPA susceptible de bien exciter le systme dans toute la plage de frquences que
vous voulez identier.
Identier nouveau le systme.
7.4 Les modles paramtriques
Il sagit de prdire le cours dune action du CAC40 partir des cours des autres actions.
Excuter le chier "trait_don".
Importez les variables entree" comme entre et "sortie" comme sortie
Calculez et observez les rponses des dirents modles (ARX, ARMAX, BOX-JENKINS...)
En particulier, notez lerreur de prdiction 5 pas en avance
Peut-on devenir riche ? Si oui comment
Valider vos modles laide des donnes entreeV" comme entre et "sortieV"
7.5 Cas pratique
Le systme modlis dans le chier "MEMSswitch.mdl" contient un modle "raliste" dun interrupteur
fabriqu en technologies MEMS que lon dsire utiliser comme un bras de levier command en position.
Lobjectif est de dterminer un modle paramtrique du systme.
Lordre de grandeur de lentre est de 50V
Le comportement est du type second ordre.
Les caractristiques dynamiques varient un peu en fonction de la tension de commande continue.
7.5. CAS PRATIQUE 61
La mise en place des donnes physiques du systmes est faite par le chier "donneesMEMS.m".
Dbrouillez-vous !
62 CHAPITRE 7. TRAVAUX DIRIGS
Deuxime partie
Annexes
63
JANVIER 2004 65
3
me
anne
Option automatique
Examen dIdentication et Commande Floue
Cet examen consiste modliser et commander le systme de commande daltitude dun avion. Il
sagit dans un premier temps de dterminer un modle simple du systme de faon graphique, puis de
commander le systme par un rgulateur ou. Enn, le systme tant corrig par ce rgulateur ou
on dterminera un modle paramtrique plus prcis.
1 Mthodes graphiques
Time (sec.)
A
m
p
l
i
t
u
d
e
Step Response
0 1 2 3 4 5 6
1
0
1
2
3
4
5
From: U(1)
T
o
:

Y
(
1
)
Time (sec.)
A
m
p
l
i
t
u
d
e
Step Response
0 0.5 1 1.5 2 2.5
0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
From: U(1)
T
o
:

Y
(
1
)
Fig. 2 Rponses du systme un chelon : gauche en boucle ouverte, droite en boucle ferme.
_
+
-
correcteur systme
u
c s
Fig. 3 Identication en boucle ferme
1. La rponse un chelon du systme en boucle ouverte est donne sur la gure 2 (gauche). En
faisant lhypothse que le systme est un systme du premier ordre avec un retard pur, donnez
les valeurs numriques dun tel modle.
2. Toujours sur cette mme gure appliquez la mthode de Strejc an dobtenir un modle plus
prcis.
3. Ce mme systme est boucl par un retour unitaire et un gain de 0,1 en guise de correcteur
comme indiqu sur la gure 3. Sa rponse lchelon unit est donne sur la gure 2(droite).
(a) Dterminer un modle du systme en boucle ferme.
(b) En ngligeant le retard pur, dduisez-en un modle en boucle ouverte.
4. Finalement, on insre un gain variable dans la boucle et il savre que le systme oscille pour un
gain k = 1.
(a) Ce rsultat est-il concordant avec vos modles (raisonnement qualitatif !) ?
66 ANNEXE .ANNALES
(b) Au vu des rsultats prcdents, proposez un modle trois constantes de temps
5. Ce systme prsente de faon vidente un zro dit instable !
(a) Proposez alors un modle du systme incluant ce zro instable.
(b) Donnez une valeur numrique trs approche (pratiquement sans calcul) de ce zro agr-
ment dune ligne de commentaire sur ce choix.
2 Commande par contrleur ou
Finalement, le systme prcdent est command par un contrleur ou.
` ` `
-10 -5 -20 -10 5 20 10 10 0 0 0
(u) () ()
N N N P P P PG NG Z Z Z

u
Fig. 4 Fuzzication des variables
N Z P
N NG N Z
Z N Z P
P Z P PG
avec
oprateurs logiques : ET = min OU = max
mthode dinfrence : somme-produit
dfuzzication : moyenne des maximums.
1. En supposant = 10 et = 0, calculez la sortie u du contrleur.
2. Toujours en supposant = 0, calculez la sortie u du contrleur en fonction de la valeur de .
Tracez la courbe u = f() en prcisant les points importants et la forme de la courbe entre ses
points (droites, paraboles, ...)
3. Mme question mais en utilisant les hypothses suivantes :
mthode dinfrence : max-min
dfuzzication : centre de gravit
3 Modles paramtriques
Le systme tant corrig par le rgulateur ou prcdent, on dcide de dterminer un modle param-
trique du systme corrig. Dans ce qui suit, et quels que soient vos rsultats prcdents, on supposera
que le systme prsente :
3 constantes de temps de lordre de : 0,1, 0,05 et 0,02
1. Calculer la frquence dchantillonnage ncessaire pour pouvoir identier correctement ces trois
constantes de temps.
2. Calculer la longueur de la squence binaire pseudo alatoire en fonction de cette frquence
dchantillonnage pour bien identier le gain du systme.
3. Quelle est alors le temps dexcitation du systme ?
3. MODLES PARAMTRIQUES 67
4. On opte pour une mthode destimation des paramtres dite de la matrice instrumentale, dnie
par :
= (Z
T
X)
1
Z
T
y avec
_
, Paramtres estims ;
Z, Matrice instrumentale ;
y, Vecteur des sorties mesures ;
X, Construite partir du jeu dE/S (y = X +e) ;
e, Rsidus.
Montrez que pour que cet estimateur soit sans biais, il faut que
E[Z
T
X] ,= 0
E[Z
T
e] = 0
68 ANNEXE .ANNALES
3
me
anne
Option automatique
Corrig de lExamen dIdentication et Commande Floue
Time (sec.)
A
m
p
l
i
t
u
d
e
Step Response
0 1 2 3 4 5 6
1
0
1
2
3
4
5
From: U(1)
T
o
:

Y
(
1
)

T
Time (sec.)
A
m
p
l
i
t
u
d
e
Step Response
0 0.5 1 1.5 2 2.5
0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
From: U(1)
T
o
:

Y
(
1
)
Tu
Ta
Fig. 5 Rponses du systme un chelon : gauche en boucle ouverte, droite en boucle ferme.
1. Modle du premier ordre
On mesure T = 0, 3s et = 1, 9 0, 3 = 1, 6s le modle est donc :
G(p) =
Ae
Tp
1 +p
=
5e
0,3p
1 + 1, 6p
2. Modle Strejc en boucle ouverte
On mesure Tu = 0, 3s et Ta = 1, 6s. En appliquant la mthode :
Tu/Ta = 0, 1875 n = 2
Ta/ = 2, 718 = Ta/2, 718 = 0, 5887
Tu/ = 0, 282 Tu
= 0.1660
Tr = Tu Tu
Tr = 0.134
do le modle :
G
s
(p) =
Ae
Trp
(1 +p)
n
=
5e
0,166p
(1 + 0, 5887p)
2
3. En boucle ferme
(a) Modle du systme en boucle ferme,
On mesure Tu = 0, 33s et Ta = 1s. En appliquant la mthode :
Tu/Ta = 0, 330 n = 4
Ta/ = 4, 463 = Ta/4, 463 = 0, 2241
Tu/ = 1, 425 Tu
= 0, 319
Tr = Tu Tu
Tr = 0.01
2. COMMANDE PAR CONTRLEUR FLOU 69
do le modle :
G
s
(p) =
Ae
Trp
(1 +p)
n
=
0, 34e
0,01p
(1 + 0, 224p)
4
(b) Modle en boucle ouverte dduit :
G
s
(p) =
A/k
4
p
4
+ 4
3
p
3
+ 6
2
p
2
+ 4p + 1 A
4. Finalement, on insre un gain variable dans la boucle et il savre que le systme oscille pour un
gain k = 1.
(a) A priori oui, les deux modles obtenus sont susceptibles dtre instables dans une boucle
ferme si le gain est susamment grand.
(b) le plus simple est de reprendre le modle obtenu par la mthode de Strejc sur la boucle
ouverte :
G
s
(p) =
Ae
Trp
(1 +p)
n

A
(1 +p)
2
(1 +Trp)
5. Introduction du zro instable
(a) Encore une fois, en reprenant le modle prcdent et en dveloppant au premier ordre
lexponentielle, on obtient :
G
s
(p) =
Ae
Trp
(1 +p)
n

A(1 Trp)
(1 +p)
2
(b) Tr = 0.166. En fait pour tenir compte des termes que lon nglige on augmente "un peu"
la valeur de Tr. Ainsi Tr
= 1, 5Tr donne de bien meilleurs rsultats.

2 Commande par contrleur ou
1. Si = 10 et = 0, la sortie vaut 2,5.
2. En supposant = 0, calculez la sortie u du correcteur en fonction de
-20 -10 10 20
-2,5
-5
2,5
5
uu
Fig. 6 u = f()(courbe exagre !)
3. avec :
mthode dinfrence : max-min
dfuzzication : centre de gravit
70 ANNEXE .ANNALES
3 Modles paramtriques
Le systme prsente 3 constantes de temps de lordre de : 0,1, 0,05 et 0,02.
1. Une SBPA est un bruit blanc sur 0, 3f
e
donc :
0, 3f
e

1
2
min
f
e

1
0, 3 2
min
=
1
0, 3 2 0.02
= 26, 5Hz
2. Le plateau maximum est de NT
e
avec T
e
= 1/f
e
et 2
N
1 la longueur de la SBPA.
Il faut donc que :
NT
e
3 5
max
N 3 5f
e
max
= 3 5 26, 5 0, 1 = 8 13
N = 10 semble un bon compromis.
3. Le temps dexcitation est :
T
excitation
= (2
N
1)T
e
= 1023T
e
= 38, 6s
mais en gnral on envoie deux squences conscutives pour viter de prendre en compte le
transitoire au dbut de la squence, donc T
excitation
77, 2s
4. Mthode de la matrice instrumentale :
= (Z
T
X)
1
Z
T
y avec
_
, Paramtres estims ;
Z, Matrice instrumentale ;
y, Vecteur des sorties mesures ;
X, Construite partir du jeu dE/S (y = X +e) ;
e, Rsidus.
= (Z
T
X)
1
Z
T
(X +e)
= + (Z
T
X)
1
Z
T
e
pour que E[
] = , il faut que :
E[(Z
T
X)
1
Z
T
e] = 0
donc que :
E[Z
T
X] ,= 0
E[Z
T
e] = 0
1. MTHODES GRAPHIQUES 71
3
me
anne
Option mcatronique
Examen dIdentication
Cet examen consiste modliser un bras de robot prsentant deux types de drives lentes. En premier
lieu, la constante de temps principale varie dans le temps puis le systme prsente une drive lente de
la valeur moyenne de sortie.
0 1 2 3 4 5 6 7 8 9 10
0
5
10
15
20
25
30
35
40
0 1 2 3 4 5 6 7 8 9 10
0
1
2
3
4
5
6
7
8
9
10
Fig. 7 Rponse du systme un chelon au dbut de lidentication (gauche) et aprs une heure
(droite).
0 10 20 30 40 50 60 70 80 90 100
4
2
0
2
4
6
8
10
12
14
Fig. 8 Rponse du systme une excitation de type SBPA
72 ANNEXE .ANNALES
2 Modles de Strecj
1. La rponse un chelon du systme en boucle ouverte est donne sur la gure 7(gauche). En
faisant lhypothse que le systme est un systme du premier ordre avec un retard pur, donnez
les valeurs numriques dun tel modle.
2. Toujours sur cette mme gure appliquez la mthode de Strejc an dobtenir un modle plus
prcis.
3. Appliquez Strecj sur la gure 7(droite) et dduisez-en un nouveau modle du systme.
4. En faisant lhypothse dune variation linaire de la constante de temps dominante et laide
des deux modles prcdents, proposez un modle du systme H(p, t)
3 Modles ARX
An dtudier plus prcisment les autres constantes de temps du systme, vous dcidez de soumettre
le systme une squence binaire pseudo-alatoire. Le rsultat est donn g. 8
1. Rappeler le principe de calcul des modles ARX et la formule applique pour obtenir une esti-
mation des paramtres du systme.
2. La premire tentative de modlisation ARX est trs mauvaise ! Quels sont les deux phnomnes
qui "empchent" davoir un modle ARX correct.
3. An de compenser la drive lente de la valeur moyenne, vous envisagez deux mthodes
(a) Boucler le systme, et faire une identication en boucle ferme,
(b) Enlever cette drive par un traitement numrique hors ligne (un peu comme on enlve la
valeur moyenne).
4. Proposez un correcteur simple pour le bouclage du systme
5. Donnez la relation entre y(t) valeurs de la gure 8 et y
1
(t) qui reprsente y(t) sans la drive. Les
valeurs numriques approches seront prises sur la gure 8.
6. Aprs calcul des modles ARX, les modles restent passablement mauvais avec un lger avantage
pour le modle calcul partir des valeurs en boucle ferme, pourquoi ?
7. Les mthodes prcdentes ne donnant pas de modles susants pour lapplication envisage,
proposez une mthode qui permet didentier ce systme malgr toutes ses imperfections.
4. FUZZIFICATION DES VARIABLES 73
3
me
anne
Option mcatronique
Examen de commande oue
Cet examen est destin dterminer un estimateur ou de pluie en fonction de la pression atmosph-
rique, du taux dhygromtrie et de la temprature. Les valeurs numriques seront estimes grossire-
ment partir des graphiques donns o les abscisses sont en jours.
4 Fuzzication des variables
1. Aprs avoir observ les relations entre quantit de pluie et les variables dentre en gure
10(pression atmosphrique, taux dhygromtrie, temprature et leurs drives ) peu de temps
avant le dbut des prcipitations, proposez un choix densembles ous pertinents. justiez bri-
vement le choix du nombre densembles ous par variable et la forme de ses ensembles.
2. La forme de la variable de sortie est donne gure 9. Etablissez les rgles dinfrence pour chaque
prcipitation.
Lestimateur savre tre trop cher (trop de capteurs) et votre cahier des charges devient donc "esti-
mateur de pluie uniquement fonction de la pression atmosphrique et de ses variations".
1. proposez, dans ce cas, les rgles dinfrence sous la forme dun tableau :
p p N Z P
N
Z
P
2. Proposez une mthode pour chaque point suivant :
oprateurs logiques : ET =? OU =?,
mthode dinfrence,
dfuzzication.
3. Aprs un premier test en simulation il savre que votre estimateur prdit correctement dans
70% des cas mais le service marketing vous explique quil serait bon de donner outre le fait quil
pleuve ou pas une estimation de la probabilit dorage. Lorage est probable sil y a une baisse
de 1 2 hPa de la pression atmosphrique en une heure. Proposez un deuxime estimateur ou
donnant cette indication.
4. Question subsidiaire pour ceux qui ont suivit le cours didentication. Daprs vous, un modle
de type ARX serait-il meilleur ou moins bon pour ce type de prvisions ?
`
beau variable
pluie
0
pluviomtrie
fonction dappartenance
100 60 30
Fig. 9 Fuzzication de la variable de sortie
74 ANNEXE .ANNALES
Fig. 10 Donnes mtorologiques St-Philibert (abscisses en jours)
1. MODLE DE CONNAISSANCES 75
3
me
anne
Janvier 2006
Option mcatronique
Examen dIdentication des systmes
Tous documents autoriss
Cet examen consiste modliser un systme thermique particulirement pnible modliser. Les
questions suivantes sont lies mais peuvent tre traites dans le dsordre.
1 Modle de connaissances
La mise en quation du comportement dynamique du systme donne le schma linaire donn en
gure 11 avec les valeurs suivantes : R
2
= 0, 2; R
1
= 2, 1; C = 1; L = 1.
1
P est la puissance thermique
introduite dans le systme et T est la temprature que lon veut asservir.
R1
C
T
P
L
R2
+
Fig. 11 Modle thermique du systme.

1. Dterminer la fonction de transfert linaire continue (en p) du systme
T(p)
P(p)
.
2. Calculer le facteur damortissement m du systme.
3. Ce systme savre trop peu amorti, on cherche alors augmenter cet amortissement en agissant
sur la seule variable R
1
(rsistance thermique entre lintrieur et lextrieur de la chambre).
Comment doit varier R
1
?
2 Modle non-paramtrique
Le modle prcdent tant particulirement grossier, vous dcider de soumettre le systme un chelon
unit dmarrant linstant t = 0.
1. La rponse un chelon du systme en boucle ouverte est donne sur la gure 12. En faisant
lhypothse que le systme est un systme du second ordre avec un retard pur, donnez la forme
gnrale du modle.
2. Donnez les valeurs numriques des dirents coecients du modle.
1
Les inductances thermiques nexistent pas ! Il sagit en fait dun systme actif modlisable en premire approximation
par une inductance.
76 ANNEXE .ANNALES
0 2 4 6 8 10 12 14 16 18 20
0
0.2
0.4
0.6
0.8
1
1.2
1.4
0.91
Fig. 12 Rponse indicielle du systme.
H(z)
Intercorrlateur
u
i
y
i
_
b
i
v
i
Fig. 13 Identication par intercorrlation.
3 Modle par intercorrlation
Les deux modles prcdents ayant donn quelques nouvelles connaissances sur le systme, vous dcidez
de mettre en uvre une identication paramtrique fonde sur une identication par intercorrlation.
Dans cette partie les rponses demandent 1 ligne de calcul et une ou plusieurs interprtations du
rsultat. Pour les pinailleurs mathmatiques, et ils ont raison de ltre, on intervertira les signes

et
lim sans dmonstration.
y(i) =
j=0
(h(j) u(i j)) +b(i)
avec :
y(i) = la sortie linstant i
h(j) = la squence de pondration
u(i) = lentre linstant i
b(i) = le bruit linstant i
3. MODLE PAR INTERCORRLATION 77
Par dnition la fonction dintercorrlation entre deux signaux y et u est :
C
yu
(k) = lim
N
1
2N + 1
N
i=N
y(i) u(i k)
De la mme faon, la fonction dautocorrlation dun signal u est :
C
uu
(k) = lim
N
1
2N + 1
N
i=N
u(i) u(i k)
1. Quel est le lien entre H(z) et h(i) (cours des annes prcdentes)
2
2. Calculez C
yu
(k) en fonction de lentre, du systme et du bruit.
3. Introduisez dans ce rsultat la fonction dautocorrlation de lentre.
4. Montrez que si lentre et le bruit ne sont pas corrls on obtient :
C
yu
(k) =
j=0
h(j) C
uu
(j k)
5. Montrez que si lentre u est un bruit blanc parfait alors :
C
yu
(k) = A h(k)
ou A est un coecient li la puissance du bruit.
6. Que proposez vous pour raliser ce bruit blanc ?
7. La rponse du systme est donne en gure 14. Est-elle compatible avec celle prsente en gure
12.
0 2 4 6 8 10 12 14 16 18 20
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Fig. 14 Rponse de lintercorrlation entre-sortie du systme.
2
Un peu daide ? Calculer la sortie y
k
pour k variant de 0 5 de G(z) =
1
z0,5
soumis (z)
78 ANNEXE .ANNALES
4 Filtrage des mesures
Tout comptes fait, vous dcider de procder une identication paramtrique classique, et vous lancez
une campagne de mesures entre-sortie du systme. Malheureusement, le stagiaire qui devait faire cela,
trouvant que le signal de sortie tait trop bruit na rien trouv de plus malin que de ltrer les donnes
de la sortie avec un ltre passe bas.
1. Que pouvez-vous faire pour utilisez au mieux ces donnes ?
2. Essayer de le dmontrer.
3. le premier rsultat de calcul dun modle ARX 10 10 3 est donn en gure 15. Quel modle
tenteriez-vous ensuite ?
1 0.5 0 0.5 1 1.5
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Poles (x) and Zeros (o)
Fig. 15 Ples et zros du modle ARX 10 10 3.
1. MODLE DE CONNAISSANCES 79
3
me
anne
Janvier 2006
Option mcatronique
Corrig de lExamen dIdentication
1 Modle de connaissances
1. Fonction de transfert linaire continue
T(p)
P(p)
=
R
1
R
1
LCp
2
+ (L +R
1
R
2
C)p +R
1
+R
2
2. Facteur damortissement
m =
1
2
L +R
1
R
2
C
_
(R
1
+R
2
)R
1
LC
3. R
1
doit diminuer, il faut donc augmenter les pertes.
1. Forme gnrale du modle.
H(p) =
Ae
p
1 +
2m
w
0
p +
p
2
w
0
2
2. Coecients du modle.
A = 0, 91
0
= 1, 04
m = 0, 32
= 2
est "visible" mais sobtient par calcul en appliquant :
D% = 100e
m
1m
2
donne m
T
pseudo-priode
=
2
w
0
1z
2
donne w
0
t
pic
mesur
t
pic
calcul
= t
pic
mesur

w
0
1z
2
donne
3 Modle par intercorrlation
1. h(i) est la squence de pondration de la fonction de transfert H(z).
En temporel, tout systme est un convoluteur : sa sortie est le produit de convolution entre
lentre et sa squence de pondration.
En z, cette convolution est transforme en un produit (cest pour cela quon utilise les trans-
forme de Laplace et en z !).
La squence de pondration sobtient facilement en calculant la sortie du systme soumis une
impulsion de Dirac.
2. C
yu
(k)
80 ANNEXE .ANNALES
C
yu
(k) = lim
N
1
2N + 1
N
i=N
y(i) u(i k)
= lim
N
1
2N + 1
N
i=N
u(i k)
j=0
h(j) u(i j) +b(i)
=
j=0
h(j) lim
N
1
2N + 1
N
i=N
u(i k)u(i j) + lim
N
1
2N + 1
N
i=N
b(i) u(i k)
=
j=0
h(j) lim
N
1
2N + 1
N
i=N
u(i)u(i (j k)) + lim
N
1
2N + 1
N
i=N
b(i) u(i k)
3. Introduisez dans ce rsultat la fonction dautocorrlation de lentre
C
yu
(k) =
j=0
h(j) C
uu
(j k) +C
bu
(k)
4. Pour que :
C
yu
(k) =
j=0
h(j) C
uu
(j k)
il faut donc que
C
bu
(k) = 0
Ce qui est le cas si lentre est le bruit sont dcorrls.
5. Si lentre u est un bruit blanc parfait alors
C
uu
(k) = lim
N
1
2N + 1
N
i=N
u(i) u(i k) = A(k)
Par dnition dun bruit blanc, sa fonction dautocorrlation est une impulsion de Dirac et donc :
C
yu
(k) = A h(k)
ou A est la "puissance" du bruit, en fait cest le carr de sa valeur ecace.
6. Que proposez vous pour raliser ce bruit blanc ? Une squence binaire pseudo alatoire !
7. Oui, lune est la rponse indicielle (entre = chelon), lautre la rponse impulsionnelle (entre
= impulsion). Observez la pseudo-priode, pour le gain, il faut un peu plus de calcul...
4 Filtrage des mesures
1. Que pouvez-vous faire pour utilisez au mieux ces donnes ?
Filtrer les entres avec le mme ltre !
2. Essayer de le dmontrer.
Bonne chance ! (une dmonstration est donne dans le Ljung).
3. On observe facilement que 6 ou 8 zros compensent pratiquement 6 ou 8 ples. La prochaine
tentative serai donc ARX 4 4 3 ou ARX 2 2 3
1. MODLE NON-PARAMTRIQUE (5 PTS) 81
3
me
anne
Janvier 2007
Option mcatronique
1 Modle non-paramtrique (5 pts)
Fig. 16 Rponse du systme un crneau unit de dure t = 0, 5s.
1. Identier le systme avec le mthode de Strejc, comme si la rponse tait la rponse un chelon.
2. Dduisez-en la fonction de transfert du systme.
2 Modle paramtrique (5 pts)
Un systme sans bruit soumis une rampe unit donne la sortie suivante.
k 0 1 2 3 4 5
u
k
0 1 2 3 4 5
y
k
0 0 7 7 42 14
On se propose didentier un modle paramtrique de la forme
y
k
= a
1
y
k1
+b
1
u
2
k1
1. Ecrivez la relation prcdente pour k = 4 et k = 3.
2. Montrez que ces deux quations peuvent se mettre sous une forme matricielle de la forme :
y = X +e
3. Dterminez les coecients a
1
et b
1
.
82 ANNEXE .ANNALES
3 Moindres carrs rcursifs (5 pts)
estimation.
A linstant N on peut crire :
_
_
y
N
y
N1
y
N2
y
N3
.
.
.
y
n+2
y
n+1
_
_
=
_
_
y
N1
y
N2
. . . y
Nn
u
N
. . . u
Np
y
N2
y
N3
y
Nn1
u
N1
u
Np1
y
N3
.
.
.
.
.
. u
N2
u
Np2
.
.
. y
n+1
.
.
. u
Np3
y
n+1
y
n
.
.
. u
Np
y
n
y
n1
. . . y
1
u
n+1
_
_
_
_
a
1
a
2
.
.
.
a
n
b
0
b
1
.
.
.
b
m
_
_
+
_
_
e
N
e
N1
e
N2
.
.
.
.
.
.
e
n+2
e
n+1
_
_
(1)
sous forme condense :
Y
N
= X
N
N
+E
N
dont lestimation optimale est :
N
= (X
T
N
X
N
)
1
X
T
N
Y
N
1. Ecrivez la forme (1) linstant N + 1 en utilisant
X
N+1
=
_
x
N+1
X
N
_
, Y
N+1
=
_
y
N+1
Y
N
_
et E
N+1
=
_
e
N+1
E
N
_
2. Donnez le vecteur ligne x
N+1
3. Lestimation linstant N + 1 scrit :

N+1
= (X
T
N+1
X
N+1
)
1
X
T
N+1
Y
N+1
, crivez

N+1
en
fonction de X
N
, x
N+1
, Y
N
, y
N+1
.
Note :
_
a
A
_
T
_
a
A
_
= A
T
A+a
T
a
4. Sachant que :
(A+BCD)
1
= A
1
A
1
B(C
1
+DA
1
B)
1
DA
1
Montrez que :
N+1
=
_
(X
T
N
X
N
)
1
(X
T
N
X
N
)
1
x
T
N+1
_
1 +x
N+1
(X
T
N
X
N
)
1
x
T
N+1
1
x
N+1
(X
T
N
X
N
)
1
_
_
X
T
N
Y
N
+x
T
N+1
y
N+1
_
5. En posant a = 1 +x
N+1
(X
T
N
X
N
)
1
x
T
N+1
, montrez que :
N+1
=

N
+ (X
T
N
X
N
)
1
x
T
N+1
a
1
_
y
N+1
x
N+1
N
_
(2)
6. Que reprsente le terme
_
y
N+1
x
N+1
N
_
, interprtez alors lquation (2)
4. MODLISATION PARAMTRIQUE (5 PTS) 83
Fig. 17 Modle issus dun modle de connaissances
4 Modlisation paramtrique (5 pts)
Un premier modle issu dun modle de connaissance, est donn en gure 17.
1. Voyant que le systme est intgrateur, comment procdez vous pour obtenir un modle param-
trique du systme ?
2. Dterminer les paramtres dune squence binaire pseudo alatoire pour procder une identi-
cation paramtrique de ce systme.
3. Quel modle entre ARX et ARMAX donnera les meilleurs rsultats daprs vous.
84 ANNEXE .ANNALES
3
me
anne
Janvier 2006
Option mcatronique
Corrig de lExamen dIdentication
1 Modle non-paramtrique (5 pts)
1. Modle Strejc
On mesure Tu = 0, 3s et Ta = 1, 3s. En appliquant la mthode :
Tu/Ta = 0, 2308 n = 2
Ta/ = 2, 718 = Ta/2, 718 = 0, 4783
Tu/ = 0, 282 Tu
= 0, 1349
Tr = Tu Tu
Tr = 0, 1651
Gain : 0.83
do le modle :
G(p) =
Ae
Trp
(1 +p)
n
=
0.83e
0,134p
(1 + 0, 5887p)
2
Fig. 18 comparaison sortie relle et sortie du modle.
2. MODLE PARAMTRIQUE (5 PTS) 85
2. On crit lgalit : rponse indicielle du modle = rponse un crneau du systme.
G(p)
1
p
= G
2
(p)
1 e
0.5p
p
= G
2
(p) =
Ae
Trp
(1 +p)
n
1
1 e
0.5p

2Ae
Trp
p(1 +p)
n
2 Modle paramtrique (5 pts)
On se propose didentier un modle paramtrique de la forme
_
42
7
_
=
_
7 9
7 4
_ _
a
1
b
1
_
= y = X + e
..
=0
la solution est :
= (X
T
X)
1
X
T
y =
_
3
7
_
3 Moindres carrs rcursifs (5 pts)
estimation.
A linstant N on peut crire :
_
_
y
N
y
N1
y
N2
y
N3
.
.
.
y
n+2
y
n+1
_
_
=
_
_
y
N1
y
N2
. . . y
Nn
u
N
. . . u
Np
y
N2
y
N3
y
Nn1
u
N1
u
Np1
y
N3
.
.
.
.
.
. u
N2
u
Np2
.
.
. y
n+1
.
.
. u
Np3
y
n+1
y
n
.
.
. u
Np
y
n
y
n1
. . . y
1
u
n+1
_
_
_
_
a
1
a
2
.
.
.
a
n
b
0
b
1
.
.
.
b
m
_
_
+
_
_
e
N
e
N1
e
N2
.
.
.
.
.
.
e
n+2
e
n+1
_
_
(3)
sous forme condense :
Y
N
= X
N
N
+E
N
dont lestimation optimale est :
N
= (X
T
N
X
N
)
1
X
T
N
Y
N
1.
_
_
y
N+1
y
N
y
N1
y
N2
y
N3
.
.
.
y
n+2
y
n+1
_
_
=
_
_
y
N
y
N1
. . . y
Nn+1
u
N+1
. . . u
Np+1
y
N1
y
N2
. . . y
Nn
u
N
. . . u
Np
y
N2
y
N3
y
Nn1
u
N1
u
Np1
y
N3
.
.
.
.
.
. u
N2
u
Np2
.
.
. y
n+1
.
.
. u
Np3
y
n+1
y
n
.
.
. u
Np
y
n
y
n1
. . . y
1
u
n+1
_
_
_
_
a
1
a
2
.
.
.
a
n
b
0
b
1
.
.
.
b
m
_
_
+
_
_
e
N+1
e
N
e
N1
e
N2
.
.
.
.
.
.
e
n+2
e
n+1
_
_
(4)
2. x
N+1
= y
N
y
N1
. . . y
Nn+1
u
N+1
. . . u
Np+1
86 ANNEXE .ANNALES
3.
N+1
= (X
T
N+1
X
N+1
)
1
X
T
N+1
Y
N+1
= (X
T
N
X
N
+x
T
N+1
x
N+1
)
1
(X
T
N
Y
N
+x
T
N+1
y
N+1
)
4. Il sut de dvelopper
N+1
=
_
(X
T
N
X
N
)
1
(X
T
N
X
N
)
1
x
T
N+1
_
1 +x
N+1
(X
T
N
X
N
)
1
x
T
N+1
1
x
N+1
(X
T
N
X
N
)
1
_
_
X
T
N
Y
N
+x
T
N+1
y
N+1
_
5.
N+1
=
_
(X
T
N
X
N
)
1
(X
T
N
X
N
)
1
x
T
N+1
_
1 +x
N+1
(X
T
N
X
N
)
1
x
T
N+1
1
x
N+1
(X
T
N
X
N
)
1
_
_
X
T
N
Y
N
+x
T
N+1
y
N+1
_
N+1
=
_
(X
T
N
X
N
)
1
(X
T
N
X
N
)
1
x
T
N+1
a
1
x
N+1
(X
T
N
X
N
)
1
_ _
X
T
N
Y
N
+x
T
N+1
y
N+1
_
= (X
T
N
X
N
)
1
X
T
N
Y
N
. .
N
+(X
T
N
X
N
)
1
x
T
N+1
y
N+1
(X
T
N
X
N
)
1
x
T
N+1
a
1
x
N+1
(X
T
N
X
N
)
1
X
T
N
Y
N
. .
N
(X
T
N
X
N
)
1
x
T
N+1
a
1
x
N+1
(X
T
N
X
N
)
1
x
T
N+1
y
N+1
=

N
+ (X
T
N
X
N
)
1
x
T
N+1
y
N+1
(X
T
N
X
N
)
1
x
T
N+1
a
1
x
N+1
N
(X
T
N
X
N
)
1
x
T
N+1
a
1
x
N+1
(X
T
N
X
N
)
1
x
T
N+1
y
N+1
=

N
(X
T
N
X
N
)
1
x
T
N+1
a
1
_
x
N+1
N
_
+(X
T
N
X
N
)
1
x
T
N+1
a
1
_
x
N+1
(X
T
N
X
N
)
1
x
T
N+1
y
N+1
_
+ (X
T
N
X
N
)
1
x
T
N+1
y
N+1
=

N
(X
T
N
X
N
)
1
x
T
N+1
a
1
_
x
N+1
N
_
+(X
T
N
X
N
)
1
x
T
N+1
_
a
1
x
N+1
(X
T
N
X
N
)
1
x
T
N+1
y
N+1
+y
N+1
_
=

N
(X
T
N
X
N
)
1
x
T
N+1
a
1
_
x
N+1
N
_
+(X
T
N
X
N
)
1
x
T
N+1
a
1
_
x
N+1
(X
T
N
X
N
)
1
x
T
N+1
+a
_
y
N+1
=

N
(X
T
N
X
N
)
1
x
T
N+1
a
1
_
x
N+1
N
_
+(X
T
N
X
N
)
1
x
T
N+1
a
1
y
N+1
=

N
+ (X
T
N
X
N
)
1
x
T
N+1
a
1
_
y
N+1
x
N+1
N
_
6. Le terme
_
y
N+1
x
N+1
N
_
reprsente lerreur destimation laide des paramtres prcdents.
Lequation est alors : la nouvelle estimation est lancienne estimation corrige par un terme
proportionnel lerreur destimation prcdente.
4 Modlisation paramtrique (5 pts)
1. Par un bouclage simple, suivi dune identication.
2. Les paramtres dpendent nettement du choix fait pour le bouclage.
Par exemple, bouclage avec un gain A=0,25 = deux ples simples en -0,5 = 2s
Pour une bonne identication du gain statique on choisira :
NTe = 3 5
JANVIER 2007 87
Pour une bonne excitation sur le spectre entre 0 et la plus haute frquence de coupure on choisira :
0, 3
1
Te
=
1
2
Bon chantillonnage = T
e
3, 7s Bonne identication du gain statique = n
5
T
e
= 3.
3. ARMAX donnera les meilleurs rsultats.
88 ANNEXE .ANNALES
3
me
anne
Janvier 2008
Option mcatronique
Cet examen consiste dterminer un modle de la peau humaine soumise un chelon de compression.
La peau est un matriaux complexe (viscohyperlastique) trs variable dun individu lautre et mme
dune rgion lautre sur un mme individu. Lobjectif et de dterminer un modle de peau "local".
Les valeurs numriques des dirents modles sont volontairement direntes. Les questions suivantes
sont lies mais peuvent tre traites dans le dsordre.
Fig. 19 Systme tudi.
1 Modle de connaissances (5 pts)
Un modle simpli de la peau est donn par la gure 20
Fig. 20 Modle de peau viscolastique.
(t) = E(t) +
d(t)
dt
avec :
= contrainte
= dformation
3
E = module dYoung quivalent
= coecient de frottement visqueux
le modle de la force exerce par le poinon sur la peau est donn par :
F(p)
i(p)
=
K
f
1 +p
avec :
F = force
i = courant dans la bobine
= L/R = constante de temps =inductance/rsistance
Applications numriques : E=300 Mpa, /E = 100 ms, K
f
=10, =1ms, paisseur totale de la peau :
1mm, diamtre du poinon : =1mm.
1. Dterminer la fonction de transfer du systme H(p) =
x(p)
i(p)
.
2. Dterminer les termes T,D,V et Q utiliss dans le formalisme de Lagrange.
d
dt
_
T

qi
_
T
qi
+
D

qi
+
V
qi
= Qi
2. MODLE NON-PARAMTRIQUE 89
Fig. 21 Rponse indicielle de la peau.
1. Identier le systme avec la mthode de Broda.
2. Identier le systme avec la mthode de Strejc.
3. Quel modle vous semble le plus pertinent ?
3 Signal dexcitation
Notre systme tant trs sensible la valeur moyenne du signal dexcitation, on dcide dutiliser une
squence ternaire pseudo alatoire (STPA). Une mthode de synthse de squences ternaires pseudo
alatoires consiste les dduire dune SBPA par lalgorithme suivant :
y(i) =
1
2
(x(i) x(i 1))
z = y(0), y(2), y(4), , y(1), y(3),
avec : x = squence binaire pseudo alatoire (valeurs : -1 ou 1)
y = squence intermdiaire
z = squence ternaire pseudo alatoire
1. Reprsentez le diagramme temporel dune squence binaire pseudo alatoire utilisant n = 3 bits
soit de longueur L = 2
n
1 en prenant b
0
= b
2
b
1
.
2. En prenant une priode dchantillonnage T
e
=100 ms, quelles sont les constantes de temps
min
et
max
que lon peux correctement identier en utilisant la SBPA prcdente ?
3. Avec la mthode propose, dduisez-en une squence ternaire pseudo alatoire.
4. Quelle est la constante de temps
max
que lon est susceptible de bien identier ?
5. Calculer la valeur moyenne de la STPA calcule prcdemment.
6. Calculez sa fonction dautocorrlation ( ! long !).
90 ANNEXE .ANNALES
4 Modle paramtrique
On dcide de procder une identication paramtrique rcursive. Le modle contient 5 parametres :
a
1
, a
2
, a
3
, b
0
et b
1
.
H(z) =
b
0
+b
1
z
1
1 +a
1
z
1
+a
2
z
2
+a
3
z
3
1. Donner la taille des vecteurs et matrices suivants (notation du cours) :

N
, K
N
, P
N
. Attention
il y des erreurs dans le poly !
4
2. Le terme b
0
tends vers 0, que peut-on en dduire concernant le retard pur du systme ?
5 Modle dordre non entier
En fait il sagit dun modle incluant une partie approchant un modle dordre fractionnaire
(p
, R).
le modle est de la forme :
H(z) = K
n
i=0
z z
zi
z z
p
i
avec :
z
p
i+1
= z
p
i

z
zi
= z
p
i

z
p
0
= z
0
<
Fig. 22 Caractristiques dun modle dodre fractionnaire : rponse indicielle et ples et zros.
1. Proposez une mthode pour dterminer les paramtres , , z
0
et K optimums vis--vis dun
critre que vous dnirez.
4
dsol !
5. MODLE DORDRE NON ENTIER 91
Fig. 23 Rponse indicielle de la peau.

SBP A

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

SBP A

Transféré par

Droits d'auteur :

Formats disponibles

Identification des systmes

Fig. 3.13 Identication des systmes en boucle ferme.

Fig. 6.2 Image dun Simplex de 4 vecteurs avant et aprs expansion.

Simplex aprs compression

Simplex aprs contraction

= 1, 5Tr donne de bien meilleurs rsultats.

Fig. 11 Modle thermique du systme.

Vous aimerez peut-être aussi