Vous êtes sur la page 1sur 223

Institut National

Polytechnique de Lorraine
Centre de Recherche
en Automatique de Nancy

Ecole doctorale IAEM Lorraine


Departement de Formation Doctorale en Automatique
Conception dobservateurs non
lineaires par approche multimod`ele :
application au diagnostic
TH
`
ESE
presentee et soutenue publiquement le 16 decembre 2004
pour lobtention du
Doctorat de lInstitut National Polytechnique de Lorraine
(specialite automatique et traitement du signal)
par
Abdelkader AKHENAK
Composition du jury
President : M. Darouach Professeur `a lUniversite de Nancy I
Rapporteurs : N. K. Msirdi Professeur `a lUniversite de Versailles St Quentin
F. Rotella Professeur `a lENI de Tarbes
Examinateurs : M. Kinnaert Professeur `a lUniversite Libre de Bruxelles
D. Maquin Professeur `a lINPL, Nancy
J. Ragot Professeur `a lINPL, Nancy
Centre de Recherche en Automatique de Nancy UMR 7039 - CNRS - UHP - INPL
2, Avenue de la Foret de Haye 54516 Vanduvre-L`es-Nancy
Tel.+33(0)3 83 59 59 59 Fax +33(0)3 83 59 56 44
Mis en page avec la classe thloria.
Remerciements
Le travail prsent dans ce mmoire a t eectu au sein du Centre de Recherche en
Automatique de Nancy (CRAN - UMR 7039) au sein du groupe thmatique "Sret de
Fonctionnement et Diagnostic des Systmes" sous la direction de Messieurs les Professeurs
Didier Maquin et Jos Ragot.
Je tiens leur tmoigner ma profonde gratitude pour laccueil, le suivi et laide prcieuse
quils mont apports tout au long de ce travail. Je leur suis trs reconnaissant pour la
conance quils mont tmoigne tout au long de mes travaux de recherche.
Jexprime ma gratitude Messieurs les Professeurs Frdric Rotella et Nacer Msirdi
davoir accept de rapporter sur mon mmoire et pour lintrt quils ont voulu porter
ce travail. Leur lecture approfondie du mmoire, leurs remarques et interrogations judi-
cieuses mont t trs prcieuses.
Je remercie galement Monsieur le Professeur Mohamed Darouach davoir accept dexa-
miner ce travail et dassurer la prsidence du jury. Mes remerciements sadressent aussi
Monsieur Michel Kinnaert pour sa participation au jury et pour ses remarques fructueuses.
Je tiens particulirement remercier tous les membres du CRAN et tous les doctorants
pour leur sympathie et lambiance chaleureuse quils ont su entretenir tout au long de
mon sjour parmi eux et tout particulirement Marjorie Schwartz pour sa constante dis-
ponibilit.
Enn, mes remerciements vont tous ceux qui mont soutenu ou qui, dune manire ou
dune autre, ont contribu llaboration de ce travail.
i
ii
Je ddie cette thse
mes chers parents.
toute ma famille,
toutes et tous mes ami(e)s
iii
iv
Table des matires
Table des gures xi
Rfrences personnelles 1
Introduction gnrale
Chapitre 1
Gnralits sur les systmes linaires
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Natures des incertitudes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1 Systme autonome . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.2 Systme non autonome . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Stabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Stabilit au sens de Lyapunov : mthode directe . . . . . . . . . . . 12
1.3.2 Fonctions de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Analyse convexe et ingalits linaires matricielles . . . . . . . . . . . . . . 18
1.4.1 Analyse convexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.2 Problmes classiques LMI . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.3 criture de contraintes sous forme LMI . . . . . . . . . . . . . . . . 20
1.4.4 Rgions LMIs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.5 Placement de ples par approche LMI . . . . . . . . . . . . . . . . 21
1.5 Observabilit et observateurs . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.1 Observabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.5.2 Observabilit des systmes linaires . . . . . . . . . . . . . . . . . . 24
1.5.3 Synthse dobservateur pour un systme linaire certain . . . . . . . 25
1.6 Commande structure variable (mode glissant) . . . . . . . . . . . . . . . 27
v
Table des matires
1.6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.6.2 Exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.6.3 Exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Chapitre 2
Observateurs de systmes linaires
2.1 Introduction au dveloppement dobservateurs continus . . . . . . . . . . . 35
2.2 Observateur entres inconnues . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.1 Reconstruction dtat en liminant les entres inconnues . . . . . . 36
2.2.2 Principe de la reconstruction . . . . . . . . . . . . . . . . . . . . . . 37
2.2.3 Conditions de convergence de lobservateur . . . . . . . . . . . . . . 38
2.2.4 Mthodes de rsolution . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.2.4.1 Linarisation par rapport aux variables . . . . . . . . . . . 39
2.2.4.2 Changement de variables . . . . . . . . . . . . . . . . . . . 40
2.2.5 Placement de ples . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.2.6 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3 Introduction au dveloppement dobservateurs discontinus . . . . . . . . . 45
2.4 Mthodes de conception dobservateurs discontinus . . . . . . . . . . . . . 46
2.4.1 Observateur dUtkin . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.2 Observateur de Walcott et ak . . . . . . . . . . . . . . . . . . . . 48
2.4.3 Exemple dapplication . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.5 Observateur mode glissant utilisant une forme canonique . . . . . . . . . 51
2.5.1 Simplication de lquation de sortie . . . . . . . . . . . . . . . . . 52
2.5.2 Dcouplage de la fonction inconnue . . . . . . . . . . . . . . . . . . 53
2.6 Synthse dun observateur mode glissant . . . . . . . . . . . . . . . . . . 55
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Chapitre 3
Sur lanalyse des systmes multimodles
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2 Obtention dune structure multimodle . . . . . . . . . . . . . . . . . . . . 64
3.3 Direntes structures multimodle . . . . . . . . . . . . . . . . . . . . . . . 65
3.3.1 Structure couple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
vi
3.3.2 Structure dcouple . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.3.3 Structure hirarchise . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.3.4 Recherche des modles locaux par identication . . . . . . . . . . . 68
3.3.5 Recherche des modles locaux par linarisation . . . . . . . . . . . . 69
3.4 Optimisation paramtrique . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.4.1 Algorithme du gradient . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4.2 Algorithme de Newton . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4.3 Algorithme de Gauss-Newton . . . . . . . . . . . . . . . . . . . . . 71
3.5 Exemple dillustration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.6 Stabilit des multimodles . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.6.1 Stabilit quadratique . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.6.2 Stabilit relaxe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.7 Stabilit des multimodles incertains . . . . . . . . . . . . . . . . . . . . . 78
3.8 Modlisation dun systme non linaire industriel par un multimodle . . . 80
3.8.1 Description du systme "turbo-racteur" . . . . . . . . . . . . . . . 80
3.8.2 Reprsentation du turbo-racteur par un multimodle . . . . . . . . 83
3.8.2.1 Reprsentation multimodle des fonctions coecients . . . 83
3.8.2.2 Simulation du modle non linaire . . . . . . . . . . . . . 89
3.8.2.3 Multimodle du turbo-racteur . . . . . . . . . . . . . . . 90
3.8.3 Simulation du modle du turboracteur . . . . . . . . . . . . . . . . 94
3.8.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Chapitre 4
Conception de multiobservateurs
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.2 Mthode de conception dun multiobservateur . . . . . . . . . . . . . . . . 100
4.2.1 Variables de dcision mesurables . . . . . . . . . . . . . . . . . . . . 100
4.2.2 Variables de dcision non mesurables . . . . . . . . . . . . . . . . . 102
4.2.3 Aectation des valeurs propres dun multiobservateur . . . . . . . . 104
4.2.4 Exemple dapplication . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.3 Conception dun multiobservateur entres inconnues . . . . . . . . . . . . 108
4.3.1 Matrices dinuence dentres inconnues identiques . . . . . . . . . 108
4.3.1.1 Convergence globale du multiobservateur . . . . . . . . . . 110
4.3.1.2 Mthode de rsolution . . . . . . . . . . . . . . . . . . . . 111
4.3.1.3 Placement de ples . . . . . . . . . . . . . . . . . . . . . . 112
vii
Table des matires
4.3.2 Matrices dinuence des entres inconnues direntes . . . . . . . . 113
4.3.2.1 Convergence globale du multiobservateur . . . . . . . . . . 115
4.3.2.2 Mthode de rsolution . . . . . . . . . . . . . . . . . . . . 115
4.3.2.3 Placement de ples . . . . . . . . . . . . . . . . . . . . . . 116
4.4 Estimation des entres inconnues . . . . . . . . . . . . . . . . . . . . . . . 117
4.5 Exemple dapplication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
Chapitre 5
Conception de multiobservateurs mode glissant
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.2 Direntes approches de conception de multiobservateur . . . . . . . . . . 126
5.2.1 1
re
approche : extension de lobservateur de Walcott et Zak . . . . 126
5.2.2 2
me
approche : relaxation de certaines conditions dexistence . . . . 133
5.2.2.1 Principe de reconstruction . . . . . . . . . . . . . . . . . . 133
5.2.2.2 Convergence du multiobservateur . . . . . . . . . . . . . . 134
5.2.3 3
me
approche : elimination des contraintes structurelles . . . . . . . 135
5.2.3.1 Convergence du multiobservateur . . . . . . . . . . . . . . 136
5.2.3.2 Mthode de rsolution . . . . . . . . . . . . . . . . . . . . 137
5.2.4 Estimation des entres inconnues . . . . . . . . . . . . . . . . . . . 138
5.2.5 Exemple de simulation . . . . . . . . . . . . . . . . . . . . . . . . . 139
5.3 Multiobservateur pour un multimodle incertain . . . . . . . . . . . . . . . 143
5.3.1 Formulation du problme . . . . . . . . . . . . . . . . . . . . . . . . 143
5.3.2 Conception du multiobservateur . . . . . . . . . . . . . . . . . . . . 144
5.3.2.1 Convergence du multiobservateur . . . . . . . . . . . . . . 145
5.3.2.2 Relaxation des conditions de stabilit . . . . . . . . . . . . 146
5.3.3 Exemple de simulation . . . . . . . . . . . . . . . . . . . . . . . . . 148
5.4 Multiobservateur en prsence dentres inconnues et dincertitudes de modle151
5.4.1 Principe de reconstruction . . . . . . . . . . . . . . . . . . . . . . . 151
5.4.2 Convergence du multiobservateur . . . . . . . . . . . . . . . . . . . 152
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
Chapitre 6
Diagnostic base de multiobservateurs
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
viii
6.2 Surveillance utilisant les modles . . . . . . . . . . . . . . . . . . . . . . . 158
6.2.1 Redondance physique ou matrielle . . . . . . . . . . . . . . . . . . 158
6.2.2 Redondance analytique . . . . . . . . . . . . . . . . . . . . . . . . . 159
6.2.3 Dtection de dfauts . . . . . . . . . . . . . . . . . . . . . . . . . . 159
6.2.4 Localisation et caractrisation des dfauts . . . . . . . . . . . . . . 160
6.2.5 Prise de dcision . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
6.3 Diagnostic base dobservateur . . . . . . . . . . . . . . . . . . . . . . . . 160
6.3.1 Dtection par observateur unique . . . . . . . . . . . . . . . . . . . 162
6.3.2 Dtection par un banc dobservateurs . . . . . . . . . . . . . . . . . 162
6.3.3 Dtection par observateur gnralis . . . . . . . . . . . . . . . . . 163
6.3.4 Dtection de dfauts actionneurs . . . . . . . . . . . . . . . . . . . 163
6.4 Dtection et isolation de dfauts sur un turbo-racteur davion . . . . . . . 164
6.4.1 Gnration de rsidus . . . . . . . . . . . . . . . . . . . . . . . . . . 164
6.4.2 Dtection de dfauts capteurs . . . . . . . . . . . . . . . . . . . . . 165
6.4.2.1 Elaboration de la table de signatures . . . . . . . . . . . . 167
6.4.3 Dtection et localisation de dfauts capteurs par un banc de mul-
tiobservateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
6.4.3.1 Simulation sans dfauts . . . . . . . . . . . . . . . . . . . 169
6.4.3.2 Simulation en prsence de dfauts . . . . . . . . . . . . . . 171
6.4.3.3 Analyse des rsidus . . . . . . . . . . . . . . . . . . . . . . 175
6.4.3.4 Principe de la localisation de dfauts . . . . . . . . . . . . 175
6.4.3.5 Evaluation des rsidus . . . . . . . . . . . . . . . . . . . . 175
6.4.3.6 Localisation de dfauts . . . . . . . . . . . . . . . . . . . . 176
6.4.4 Performance de la procdure de diagnostic utilise . . . . . . . . . . 179
6.4.5 Dtection de dfaut actionneur . . . . . . . . . . . . . . . . . . . . 182
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
Conclusion
Bibliographie 191
ix
Table des matires
x
Table des gures
1.1 Plan de phase du systme . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2 Exemples de rgions LMI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3 Diagramme structurel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.4 Diagramme structurel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5 Plan de phase ainsi que lensemble nal de bornes . . . . . . . . . . . . . . 27
1.6 Plans de phase pour direntes commandes . . . . . . . . . . . . . . . . . . 29
1.7 Plans de phase dun systme structure variable. . . . . . . . . . . . . . . 30
2.1 Rgion LMI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2 Entre connue u(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3 Entre inconnue u(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.4 Erreurs destimation dtat . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.5 Entre connue u(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.6 Entre inconnue u(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.7 Erreurs destimation dtat . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.1 Architecture dun multimodle modles locaux coupls . . . . . . . . . . 66
3.2 Architecture dun multimodle modles locaux dcoupls . . . . . . . . . 67
3.3 Architecture dun multimodle hirarchique . . . . . . . . . . . . . . . . . 68
3.4 Evolution du critre doptimisation . . . . . . . . . . . . . . . . . . . . . . 73
3.5 Entre u(t) et les fonctions dactivation . . . . . . . . . . . . . . . . . . . . 74
3.6 tats du modle non linaire et ceux du multimodle . . . . . . . . . . . . 74
3.7 tats du modle non linaire et ceux du modle linaire . . . . . . . . . . . 74
3.8 Section dun turbo-racteur . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.9 Fonctions coecients et leurs fonctions dactivation . . . . . . . . . . . . . 88
3.10 Commande u(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.11 Les sorties du modle tabul et celles du modle non linaire . . . . . . . . 90
3.12 Fonctions dactivation
i
(u(t)) . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.13 y
1
(t) du modle non linaire et du multimodle . . . . . . . . . . . . . . . . . 94
xi
Table des gures
3.14 y
2
(t) du modle non linaire et du multimodle . . . . . . . . . . . . . . . . . 94
3.15 y
3
(t) du modle non linaire et du multimodle . . . . . . . . . . . . . . . . . 94
3.16 y
4
(t) du modle non linaire et du multimodle . . . . . . . . . . . . . . . . . 94
4.1 Entre et fonctions dactivation . . . . . . . . . . . . . . . . . . . . . . . . 106
4.2 Convergence asymptotique des erreurs destimation dtat . . . . . . . . . 106
4.3 Entres connue u(t) et inconnue u(t) . . . . . . . . . . . . . . . . . . . . . 120
4.4 Rsultats des estimations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.1 Systme trois cuves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
5.2 Dbit Q
1
(t) du systme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
5.3 Dbit Q
2
(t) du systme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
5.4 Entre inconnue u(t) et son estime . . . . . . . . . . . . . . . . . . . . . . 141
5.5 Estimation dtat dun systme trois rservoirs . . . . . . . . . . . . . . 142
5.6 Entre u(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
5.7 Estimation dtat dun multimodle incertain . . . . . . . . . . . . . . . . 150
5.8 Erreurs destimation dtat dun multimodle incertain . . . . . . . . . . . 150
6.1 Principe de la gnration de rsidus . . . . . . . . . . . . . . . . . . . . . . 158
6.2 Dtection par observateur unique . . . . . . . . . . . . . . . . . . . . . . . 162
6.3 Dtection par un banc dobservateurs . . . . . . . . . . . . . . . . . . . . . 162
6.4 Dtection par observateurs gnraliss . . . . . . . . . . . . . . . . . . . . 163
6.5 Dtection par observateurs entres inconnues . . . . . . . . . . . . . . . . 164
6.6 Gnration de rsidus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
6.7 Entre applique au turboracteur et au multiobservateur . . . . . . . . . . 170
6.8 Les sorties du turboracteur et leurs estimations . . . . . . . . . . . . . . 170
6.9 Evolution des rsidus en labsence de dfauts . . . . . . . . . . . . . . . . 170
6.10 Perturbations sur les mesures . . . . . . . . . . . . . . . . . . . . . . . . . 171
6.11 Rsidus r
ij
(t) en prsence de dfauts . . . . . . . . . . . . . . . . . . . . . 172
6.12 Rsidus r
ij
(t) en prsence de dfauts . . . . . . . . . . . . . . . . . . . . . 173
6.13 Rsidus r
ij
(t) en prsence de dfauts . . . . . . . . . . . . . . . . . . . . . 174
6.14 Matrice de signatures exprimentales z

ij
(t) . . . . . . . . . . . . . . . . . 177
6.15 Matrice de signatures exprimentales z

ij
(t) . . . . . . . . . . . . . . . . . 178
6.16 Distance entre les signatures thoriques et exprimentales en labsence de
bruits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
6.17 Distance entre les signatures thoriques et exprimentales en prsence de
bruits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
xii
6.18 Distance entre les signatures thoriques et exprimentales en prsence de
bruits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
6.19 Banc de multiobservateurs pour la gnration de rsidus r(t) . . . . . . . . 182
6.20 Sorties du turboracteur et leurs estimes en prsence de dfauts . . . . . 184
6.21 Dfaut actionneur estim et lentre u(t) applique au turboracteur . . . 184
xiii
Table des gures
xiv
Rfrences personnelles
Congrs internationaux avec comit de lecture et actes
A. Akhenak, M. Chadli, J. Ragot et D. Maquin, State estimation of uncertain mul-
tiple model with unknown inputs, 43rd IEEE Conference on Decision and Control,
Atlantic, Paradise Island, Bahamas, December 14-17, 2004.
A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Estimation of state and unknown
inputs of a nonlinear system represented by a multiple model, 11th IFAC Sympo-
sium on Automation in Mining, Mineral and Metal processing, MMM 2004, Nancy,
France, September, 8-10 2004.
A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Estimation dtat et dentres in-
connues dun systme non linaire reprsent par un multimodle, Confrence Inter-
nationale Francophone dAutomatique, CIFA2004, Douz, Tunisie, 22-24 Novembre
2004.
A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Design of robust fuzzy observer for
uncertain Takagi-Sugeno models, IEEE International Conference on Fuzzy Systems,
Fuzz-IEEE, Budapest, Hungary, 25-29 July, 2004.
A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Sliding mode multiple observer for
fault detection and isolation, 42th IEEE Conference on Decision and Control, pp.
Vol. 1, pp. 953-958, Hawaii, USA, December 9-12, 2003.
A. Akhenak, M. Chadli, J. Ragot et D. Maquin, State estimation via Multiple obser-
ver with unknown input. Application to the three tank system, 5th IFAC Symposium
on Fault Detection Supervision and Safety for Technical Processes, Safeprocess, pp.
245-251, Washington, USA, June 9-11 2003.
1
Rfrences personnelles
Congrs nationaux avec comit de lecture et actes
A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Multiobservateur modes glissants,
Journes Doctorales dAutomatique, pp. 89-94, Valenciennes, France, 25-27 Juin
2003.
A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Multiple observer with unknown
input. Application to a three tank system, IAR Annual meeting, Grenoble, France,
21 November 2002.
A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Conception dun observateur ou
entres inconnues, Rencontres francophones sur la Logique Floue et ses Applica-
tions, Nantes, France, 18-19 Novembre 2004.
2
Introduction gnrale
Un systme est un ensemble dobjets ou de phnomnes lis entre eux et isols arti-
ciellement du monde extrieur. La modlisation regroupe un ensemble de techniques
permettant de disposer dune reprsentation mathmatique du systme tudier. Le mo-
dlisation thorique requiert une connaissance prcise des phnomnes intervenant dans
le systme et une aptitude les reprsenter par des quations mathmatiques. Les sys-
tmes physiques sont souvent complexes et dicilement exploitables, notamment pour la
commande et le diagnostic des systmes.
Le grand problme de lautomaticien est de reprsenter ces systmes physiques avec une
prcision susante et un modle de structure simple. Le dilemme rside alors entre la
dlit du modle vis--vis du processus rel et ladquation de ce modle une forme
mathmatiquement exploitable.
En automatique, pour dcrire le comportement dun systme, une hypothse commun-
ment faite est la linarit du systme, car les techniques danalyse des modles linaires,
dits LTI, ont t largement dveloppes dans la littrature. Cependant, lhypothse de
linarit nest vrie que dans une plage de fonctionnement restreinte autour dun point
dquilibre du systme. Alors, les performances du modle se dgradent ds quon sen
loigne et la recherche dun modle plus adapt et notamment non linaire devient nces-
saire.
La structure mathmatique qui puisse remdier linconvnient cit ci-dessus, tout en
gardant la simplicit mathmatique des modles LTI, est lapproche globale, dite multi-
modle ; cest une reprsentation polytopique convexe pouvant tre obtenue soit directe-
ment partir dun modle mathmatique non linaire par transformation directe dun
modle ane [Mor 00] ou par linarisation autour de dirents points de fonctionnement
[Murr 97], soit partir de donnes sur les entres et les sorties dun systme physique
[Gass 00b].
Modliser un processus nest pas une n en soi ; ce qui est demand au processus est la
ralisation dune mission particulire de production. Pour que cette production soit garan-
3
Introduction gnrale
tie en quantit et qualit, il faut que toute anomalie de fonctionnement soit rapidement
dtecte puis prise en compte dans la stratgie de conduite du systme considr. Cette
anomalie peut avoir comme lorigine des dfauts de systme, capteur, dorganes de com-
mande (actionneur), des bruits, ...La non-dtection temps dune anomalie peut entraner
des accidents provoquant des dangers humains et des dgts matriels considrables.
La dtection de dfaut est une opration dlicate puisquil faut, dans un contexte sou-
mis aux alas de fonctionnement du systme et aux perturbations de lenvironnement,
dcider dune faon binaire et avec certitude sil y a dfaut ou non. Les acteurs de la-
ronautique et du nuclaire ont fait largement usage de la redondance analytique. Celle-ci
repose sur la disponibilit dun modle de connaissance ou de reprsentation. Elle consiste
utiliser des informations supplmentaires issues de modles gnrant des grandeurs ho-
mognes celles provenant des capteurs. Elle a pour consquence daugmenter la sret
dun systme de dtection en comparant un capteur matriel par un capteur information-
nel (analytique). Son champ dapplication ne se limite pas aux pannes de capteurs mais
peut tre tendu aux pannes dactionneurs ou du systme lui mme. Parmi les techniques
permettant de gnrer des redondances analytiques nous avons retenu celles qui sont ba-
ses sur la connaissance de modles permettant la conception dobservateur dtat et en
particulier les multiobservateurs ddis aux systmes non linaires reprsent sous forme
multimodle.
De faon gnrale, la connaissance, entire ou partielle, de ltat dun systme est une
exigence importante qui intervient dans les domaines de la commande, du diagnostic et de
la surveillance des systmes. Sur le plan pratique, cette exigence savre dicile satisfaire
directement dans la plupart des cas. Ceci est d, dune part, au fait que les variables
dtat nont pas toujours une signication physique et leur mesure directe est impossible
raliser. Dautre part, lorsquune variable dtat existe physiquement, sa mesure peut
tre dlicate eectuer dun point de vue technique (capteur ncessaire indisponible ou de
prcision insusante ...). De plus dun point de vue conomique, il est souvent souhaitable
dinstaller un minimum de capteurs an de rduire les cots dinstrumentation et de
maintenance. Par consquent, ds quune stratgie de commande, de diagnostic ou de
surveillance demande lutilisation de variables dtat non mesures, il est indispensable,
de reconstruire entirement ou partiellement, le vecteur dtat du systme. Ce problme
peut tre rsolu en utilisant un systme dynamique auxiliaire, appel observateur dtat
(multiobservateur pour les systmes reprsents par des multimodles), dont le rle est
de fournir en temps rel une estimation du vecteur dtat du systme tudi en fonction
des entres connues, des sorties et du modle dynamique de celui-ci.
4
Organisation
Ce mmoire, dcompos en six chapitres, est organis de la faon suivante :
Chapitre 1
Aprs un bref rappel des dirents types dincertitudes pouvant aecter un systme phy-
sique, ce chapitre est consacr aux notions et aux outils utiliss le long de ce document.
On y trouve un rappel de dnition de la stabilit au sens de Lyapunov ainsi que de
lobservabilit des systmes linaires. Nous prsentons galement loutil numrique LMI.
Enn, nous prsentons le concept du mode glissant ainsi que ses particularits propres
travers deux exemples acadmiques.
Chapitre 2
Ce chapitre est consacr aux mthodes de reconstruction dtat des systmes linaires
aects par des perturbations. Nous avons regroup ces mthodes selon la nature de
lobservateur utilis. La premire est consacre la synthse dobservateurs entres
inconnues continus, la seconde la synthse dobservateur discontinus (observateur dot
dun terme glissant).
Chapitre 3
Le troisime chapitre est ddi ltude de lapproche multimodle qui permet de re-
prsenter un systme dynamique non linaire comme la combinaison dun ensemble de
modles linaires ou anes valables dans des zones de fonctionnement. Les direntes
structures les plus utilises (modles locaux coupls, dcoupls et hirarchiss) sont d-
crites. Lanalyse de la stabilit des multimodles incertains a t considre.
Pour illustrer cette approche, nous avons montr comment, partir dun modle tabul
(turbo-racteur dun avion "Snecma"), prsentant des commutations entre zones de fonc-
tionnement et des non-linarits entre les variables, construire un multimodle compos
de trois modle locaux linaires.
Chapitre 4
Ce chapitre est consacr la conception de multiobservateur structure continue. Nous
avons propos une structure de multiobservateur qui est une somme (pondre par des
fonctions dactivation) dobservateurs locaux de type de Luenberger. Ces fonctions dacti-
vation peuvent tre les mmes que celles utilises pour dcrire le multimodle ou bien consi-
5
Introduction gnrale
dres comme des paramtres de synthse du multiobservateur. Linconvnient principal
du multiobservateur propos rside dans lincapacit reconstruire ltat du multimodle
lorsque le vecteur de sortie de ce dernier prsente une forme multimodle, cest--dire,
C
1
,= C
2
,= ... ,= C
M
.
Chapitre 5
Ce chapitre traite lestimation dtat et dentres inconnues par la synthse de dirents
multiobservateurs pour des systmes non linaires, soumis la prsence dentres incon-
nues et dincertitudes de modles, reprsents sous forme multimodles.
Pour surmonter linconvnient principal des multiobservateur structure continue, une al-
ternative est de proposer une autre structure de multiobservateur, bas sur lextension des
observateur discontinus utilis dans le deuxime chapitre de ce mmoire. Ainsi, nous avons
montr que le multiobservateur mode glissant est robuste vis--vis des perturbations,
bornes en norme, de nature additive ou multiplicative.
La convergence du multiobservateur se traduit par la recherche dune fonction de Lyapu-
nov, peut tre nonce comme un problme doptimisation convexe en terme de LMI qui
dispose de mthodes et doutils de rsolution bien tablis.
Chapitre 6
Nous avons prsent dans ce dernier chapitre les direntes tapes indispensables la sur-
veillance des systmes partir dun modle. Nous nous sommes spcialement intresss
aux mthodes de dtection et de localisation de dfauts base de banc de multiobserva-
teurs, que nous avons testes sur le modle dun turbo-racteur dun avion "Snecma".
Une procdure de diagnostic de dfauts capteurs et actionneurs a t mise en place. La
mthode de localisation est base sur la gnration pralable dune matrice de signatures
thoriques des dfauts dtecter. Lutilisation dun banc de multiobservateurs permet
ensuite de constituer une matrice de signatures exprimentales. La localisation des dfauts
peut alors tre obtenue en comparant les signatures thoriques et exprimentales.
6
1
Gnralits sur les systmes linaires
Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Natures des incertitudes . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1 Systme autonome . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.2 Systme non autonome . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Stabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Stabilit au sens de Lyapunov : mthode directe . . . . . . . . 12
1.3.2 Fonctions de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Analyse convexe et ingalits linaires matricielles . . . . . . 18
1.4.1 Analyse convexe . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.2 Problmes classiques LMI . . . . . . . . . . . . . . . . . . . . . 18
1.4.3 criture de contraintes sous forme LMI . . . . . . . . . . . . . 20
1.4.4 Rgions LMIs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.5 Placement de ples par approche LMI . . . . . . . . . . . . . . 21
1.5 Observabilit et observateurs . . . . . . . . . . . . . . . . . . . 22
1.5.1 Observabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.5.2 Observabilit des systmes linaires . . . . . . . . . . . . . . . . 24
1.5.3 Synthse dobservateur pour un systme linaire certain . . . . 25
7
Chapitre 1. Gnralits sur les systmes linaires
1.6 Commande structure variable (mode glissant) . . . . . . . . 27
1.6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.6.2 Exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.6.3 Exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
8
1.1. Introduction
1.1 Introduction
Au cours des deux dernires dcennies, les performances des quipements industriels ont
considrablement t augmentes. Lintgration de calculateurs performants dans les sys-
tmes automatiss a permis de dvelopper des algorithmes sophistiqus, tant au niveau
de la commande quau niveau du traitement des donnes. Cependant, ces algorithmes de-
viennent inecaces si les informations quils utilisent sont errones. Dans ce dernier cas,
les performances du systme sen trouvent dgrades, mais pire encore, les consquences
au niveau des installations, de lenvironnement et de la scurit des personnes peuvent
tre dramatiques.
Deux points jouent un rle important en automatique. Le premier est la stabilit du sys-
tme tudier. En gnral, la stabilit est analyse partir de son modle qui peut tre
linaire ou non linaire. Mais comme les systmes physiques ne sont jamais parfaitement
modliss, il existe donc des incertitudes sur sa structure (dimension) et ses paramtres
(valeurs numriques). Il faut donc disposer de techniques dtude qui prennent en compte
ces incertitudes. Le deuxime point est la reconstruction de tout ou partie de ltat dun
systme laide dobservateurs. Ce point est important dans deux domaines de lAu-
tomatique : la commande dun systme et sa surveillance qui utilisent tous les deux la
connaissance de ltat de ce systme.
La reconstruction de ltat dun systme incertain (et par extension la reconstruction de
sa sortie) est galement un problme classique de lAutomatique. Luenberger [Luen 63] a
tudi un reconstructeur dtat, auquel son nom a t attribu. Lobservateur de Luen-
berger nest pas toujours susant pour la dtection de dfauts, car lerreur destimation
(de ltat ou de la sortie) engendre par cet observateur pour un systme incertain ou
entres inconnues ne converge pas forcment vers la valeur nulle. Pour remdier ce
problme, nous pouvons utiliser les observateurs de systmes singuliers [Lewi 86] ou les
observateurs entres inconnues [Chen 91]. Le problme de conception dobservateurs
action proportionnelle et intgrale, pour des systmes linaires entres inconnues, a t
galement considr [So 96] [Jian 00].
Dans ce chapitre, nous prsentons dirents types dincertitudes et direntes mthodes
pour la conception dun observateur de systmes linaires incertains. Nous tudions la
synthse de dirents types dobservateur (continus et discontinus) et discutons la nature
des erreurs destimation de ltat et de la sortie. Nous prsentons un exemple acadmique
permettant de comparer ces dirents observateurs.
9
Chapitre 1. Gnralits sur les systmes linaires
1.2 Natures des incertitudes
1.2.1 Systme autonome
Nous prsentons dans ce paragraphe trois types dincertitudes qui peuvent aecter un
systme. Pour allger la prsentation, nous nous limitons au cas des systmes linaires
pour lesquels les termes de commande ne sont pas pris en compte.
Incertitudes non structures paramtriques dterministes : ce cas correspond
un systme dcrit par lquation dtat suivante :
x(t) = (A + A) x(t) (1.1)
o A reprsente lincertitude. Cette incertitude est gnralement borne en norme (d-
signe par ) par un scalaire a :
|A|

a
Le qualicatif non structur est justi par le fait que certains paramtres de la matrice
A varient (dans un intervalle) et que lon ne dispose que dune information globale sur
ces variations. Ces incertitudes permettent de prendre en compte des dynamiques et des
non-linarits ngliges dans le modle [Chan 72].
Incertitudes structures non paramtriques stochastiques : [Wonh 67] a prsent
un systme sous la forme :
x (t) = Ax(t) + H(x) w(t) (1.2)
o w(t) est un bruit blanc. Les lments de H sont supposs linaires par rapport x(t).
Ces incertitudes peuvent tre vues comme une perturbation alatoire, intervenant sur une
large bande de frquences de la matrice A [Camo 95].
Incertitudes structures paramtriques dterministes : dans ce cas, la structure
des incertitudes est bien connue puisquelle aecte chaque paramtre du systme. Le
systme peut tre crit sous la forme suivante :
x (t) = (A + A) x(t) (1.3)
o A =
q

i=1
k
i
E
i
(1.4)
Les k
i
sont des paramtres incertains qui peuvent varier et la structure des matrices E
i
,
qui indique la faon dont les incertitudes agissent, est connue. Ces incertitudes sont dues
aux variations de paramtres ou la prcision des estimations des paramtres. Ce modle
a t souvent utilis pour des tudes de stabilit [Bien 92] [Gao 93].
10
1.3. Stabilit
1.2.2 Systme non autonome
Nous pouvons maintenant examiner le cas dun systme muni dune commande dont la
matrice dinuence prsente des incertitudes :
x(t) = (A + A) x(t) + (B + B)u(t) (1.5)
o la matrice A est dnie de la mme faon que la matrice (1.3), la matrice B est
connue et la matrice de perturbation dentre est dnie par :
B =
q

i=1
k
i
B
i
(1.6)
Sans atteinte la gnralit, nous pouvons considrer les mmes paramtres incertains k
i
que pour les perturbations de la matrice dtat. La structure des matrices B
i
est galement
suppose connue.
Remarque : Dans la suite de ce mmoire, nous nous limiterons aux incertitudes bornes
en norme (incertitudes non structures) A ou B aectant la matrice dtat ou la
matrice dentre.
1.3 Stabilit
Le problme de la stabilit des systmes dynamiques est un sujet de proccupation majeur
du travail des mathmaticiens, des physiciens et des ingnieurs depuis le sicle dernier.
Beaucoup de livres ont t crits dans ce domaine [Lyap 07], [Hahn 67], [Park 81] la fois
sur le plan thorique et sur le plan pratique.
Deux types dtudes complmentaires peuvent tre considres : la conception de test
pour savoir si un systme est stable ou non, ltude des lois de contre-raction (retour
dtat) qui permettent de rendre stable un systme instable.
Les critres danalyse de stabilit peuvent tre classs en deux catgories : les critres
frquentiels ( partir des diagrammes de Bode ou de Nyquist, ...) et les critres temporels
(cercles de Gerschgorin, deuxime mthode de Lyapunov, ...). Si un systme est linaire,
invariant par rapport au temps, il est facile dtudier la stabilit avec la plupart des critres
existant dans la littrature (Nyquist, Hurwitz, ...). Mais le nombre de critres pouvant
aisment tre mis en oeuvre se rduit fortement si le systme linaire est paramtres
incertains. Dans ce paragraphe, nous prsentons quelques critres de stabilit qui peuvent
tre utiliss pour analyser les systmes incertains linaires ou non linaires. Dune faon
gnrale, les systmes non linaires sont les plus diciles tudier parce quil est dlicat
den faire ltude dans le domaine frquentiel (fonction de transfert dicile exploiter).
11
Chapitre 1. Gnralits sur les systmes linaires
Il est alors prfrable davoir un critre utilisant le modle du systme dans le domaine
temporel. Pour tudier ce problme, nous avons retenu les mthodes de Lyapunov.
Dnition 1.1 : un systme est localement stable, si la stabilit peut tre garantie
autour dune valeur particulire x
s
dtat.
Bien sr, si lquilibre x
s
est stable, il existe un petit domaine autour de ce point o le
systme est stable ; mais la taille de ce domaine est inconnue et nous navons pas prouv
la stabilit du domaine autour de ltat x
s
.
Dnition 1.2 : une valeur particulire x
e
de ltat dun systme, appele tat dqui-
libre, est asymptotiquement stable si :
il est stable,
il existe r > 0 tel que
si |x
0
| < r alors lim
t
|x| 0
Au contraire de la stabilit locale, la taille du sous-ensemble est connue et tout le sous-
ensemble est stable.
Dnition 1.3 : Si un systme est asymptotiquement stable pour nimporte quelle
condition initiale dans lespace dtat, on dira que le point dquilibre x
e
est asympto-
tiquement stable au sens large. On dira aussi quil est globalement stable.
Maintenant, nous allons prsenter quelques critres de stabilit. Comme la plupart
des critres prsents sont bien connus, nous ne donnons pas les preuves et renvoyons le
lecteur aux rfrences bibliographiques.
1.3.1 Stabilit au sens de Lyapunov : mthode directe
La mthode directe de Lyapunov sappuie sur une observation physique fondamentale : si
lnergie totale dun systme, linaire ou non linaire, est continment dissipe (on parle
de systme dissipatif), alors on peut esprer que le systme tende vers un point dquilibre.
Ainsi lide de Lyapunov est dexaminer la variation dune fonction scalaire dpendant de
lnergie pour tudier la stabilit dun systme donn [Khal 96], [Nare 89]. Considrons
tout dabord le systme non linaire en rgime libre dcrit par
x(t) = f(x(t)) (1.7)
avec f(x(t)) (
1
: R
n
R
n
. Le systme (1.7) est dit en quilibre autour de x
0
si, en
labsence dinuence externe, son tat ne varie pas au cours du temps ; x
0
est alors point
dquilibre.
12
1.3. Stabilit
Dnition 1.4 (Point dquilibre) : x
0
est appel point dquilibre du systme (1.7)
si f(x
0
) = 0 t > 0.
Par la suite, on considre que lorigine de lespace dtat est point dquilibre (x
0
= 0)
du systme (1.7). Cette hypothse trs classique ne nuit en rien la gnralit du propos
car si x
0
,= 0 est point dquilibre de (1.7) alors x
0
= 0 est point dquilibre du systme
z(t) = f(z(t) + x
0
).
Dnition 1.5 : une fonction continue (r) : [0, a) [0, ) est dite de classe
si elle est strictement croissante et (0) = 0. Si a = et lim
r
(r) = , la fonction
est dite de classe

.
Thorme 1.1 [Isi99][Vid93] : soit une fonction scalaire V (x(t)) (
1
telle que

1
(x(t)) V (x(t))
2
(x(t)) (1.8)
|x(t)| < d, o
1
(t) et
2
(t) sont des fonctions de classe dnies sur
[0, d), d R
+
Si
V (x(t))
x(t)
f (x(t)) 0, |x(t)| < d, alors le point dquilibre (x
0
= 0) et (1.7) est
localement stable (il est globalement stable si, de plus, d = et les fonctions
1
(.)
et
2
(.) sont de classe

.
Si
V (x(t))
x(t)
f (x(t))
0
(|x(t)|) , |x(t)| < d avec
0
(.) fonction de classe
dnie sur [0, d), alors le point dquilibre de (1.7) est localement asymptotiquement
stable.
Si
V (x(t))
x(t)
f (x(t))
0
(|x(t)|) , (d = ) et les fonctions
1
(.) et
2
(.) sont de
classe

alors le point dquilibre de (1.7) est globalement asymptotiquement stable.


Si
V (x(t))
x(t)
f (x(t))
0
(|x(t)|) , (d = ) et les fonctions
0
(.),
1
(.) et
2
(.)
sont de classe

de la forme :

1
(|x(t)|) = a |x(t)|
p
,
2
(|x(t)|) = b |x(t)|
p
,
0
(|x(t)|) = c |x(t)|
p
telle
que a, b, c 1, alors le point dquilibre de (1.7) est globalement exponentiellement
stable.
Pour des dnitions relatives aux systmes non linaires discrets, le lecteur peut se rfrer
par exemple [Born 93].
13
Chapitre 1. Gnralits sur les systmes linaires
1.3.2 Fonctions de Lyapunov
Dans le cas gnral, il nexiste pas de mthode pour trouver toutes les fonctions candi-
dates de Lyapunov. Ds lors, la thorie de Lyapunov conduit des conditions susantes
de stabilit dont le pessimisme dpend de la forme particulire impose la fonction
V (x(t)) et de la structure du systme. Cependant, il existe des familles de fonctions de
Lyapunov souvent utilises et dont ladoption dpend de la nature du systme tudier
(systmes linaires, systmes continus par morceaux, systmes retard, systmes linaires
incertains,...).
Ltude de la stabilit laide de ce type de fonction a constitu la base de trs nom-
breux travaux jusqu maintenant. Ce type de fonction, adopte pour tudier la stabilit
des systmes linaires [Lien 04] et [Hua 04] et aussi utilise dans le cas des multimodle
[Chad 01] et [Tana 98]. Dans le cas des systmes incertains, quand aucune information
nest connue sur la vitesse dvolution des paramtres incertains, cest pratiquement la
seule mthode possible.
Le choix le plus classique consiste choisir une fonction de Lyapunov sous forme quadra-
tique :
V (x(t)) = x(t)
T
Px(t), P > 0 et symtrique (1.9)
o x(t) reprsente la solution de lquation dtat (1.7). La drive par rapport au temps
de la fonction de Lyapunov le long de la trajectoire de la variable x(t) est :

V (x(t)) = x
T
(t)Px(t) + x
T
(t)P x(t)
= 2x
T
(t)P x(t)
= 2x
T
(t)Pf(x(t))
Dnition 1.6 : pour le systme (1.7), lorigine est dite quadratiquement stable sil
existe des matrices symtriques et dnies positives P, Q R
nn
telle que la drive
de la fonction de Lyapunov est ngative et vrie la condition suivante :

V (x(t)) = 2x
T
(t)Pf(x(t)) x
T
(t)Qx(t)
Lingalit prcdente implique que |x(t)| < e
t
o =
min
(P
1
Q) et par consquent
lorigine est asymptotiquement stable. Si f(x(t)) = Ax(t) alors, la matrice A a des valeurs
propres stables si et seulement si, il existe des matrices (P, Q) symtriques et dnies
positives vriant lquation de Lyapunov suivante :
A
T
P + PA = Q (1.10)
Par consquent, nimporte quel systme linaire stable est quadratiquement stable. Une
matrice P symtrique dnie positive et qui satisfait lquation (1.10) sera appele matrice
14
1.3. Stabilit
de Lyapunov pour la matrice A.
La mthode de Lyapunov peut galement tre utilise pour examiner la robustesse des
systmes linaires prsentant des incertitudes de la forme suivante :
x(t) = Ax(t) + (x(t)) (1.11)
o A est une matrice stable et (.) est une fonction qui reprsente des incertitudes. Soit la
paire de matrices (P, Q) symtriques et dnies positives, vriant lquation de Lyapunov
(1.10). Dnissons
=

min
(Q)

max
(P)
(1.12)
Si la fonction incertaine satisfait :
|(x(t))|
1
2
|x(t)| (1.13)
alors le systme (1.11) est stable. Ceci peut tre dmontr en utilisant V (x(t)) = x
T
(t)Px(t)
comme fonction de Lyapunov. Sa drive par rapport au temps le long de la trajectoire
de x(t) tant :

V (x(t)) = x
T
(t) PAx(t) + x
T
(t) A
T
Px(t) + 2x
T
(t) P (x(t))
= x
T
(t)
_
A
T
P + PA
_
x(t) + 2x
T
(t) P (x(t))

V (x(t)) x
T
(t) Qx(t) + 2 |Px(t)| | (x(t))| (1.14)
Notons que nous avons utilis lingalit de Cauchy-Schwarz pour obtenir la dernire
ingalit (1.14). De plus, lingalit de Rayleigh permet dcrire :
|Px(t)|
max
(P)|x(t)| (1.15)
De mme, on peut montrer que :
x
T
(t)Qx(t)
min
(Q)|x(t)|
2
(1.16)
Partant de lingalit (1.14) et en utilisant (1.15) et (1.16), la fonction

V (x(t)) peut tre
majore de la faon suivante :

V (x(t))
min
(Q)|x(t)|
2
+ 2
max
(P)|x(t)||(x(t))|

max
(P)|x(t)|
_
|x(t)| 2|(x(t))|
_
Ainsi, si la fonction (.) satisfait la condition (1.13), la drive de la fonction de Lyapunov
est ngative, et la stabilit du systme est garantie.
15
Chapitre 1. Gnralits sur les systmes linaires
Exemple
Considrons un systme incertain dcrit par lquation dtat suivante :
x(t) = Ax(t) + D(x(t)) (1.17)
avec
A =
_
0 1
4 1
_
et D =
_
0
1
_
o (t) est une fonction inconnue borne et satisfait la condition suivante :
[ (x(t))[ 1 pour tout t, x(t). (1.18)
Soit P une matrice symtrique et dnie positive et solution de lquation de Lyapunov
suivante :
A
T
P + PA = I (1.19)
Pour montrer la stabilit de ce systme incertain, considrons la fonction de Lyapunov
suivante : V (x(t)) = x
T
(t)Px(t) ; sa drive par rapport au temps le long de la trajectoire
du systme est :

V (x(t)) = x(t)(A
T
P +PA)x(t) + 2x
T
(t)PD(x(t))
|x(t)|
2
+ 2[x
T
(t)PD[ [(x(t))[
(1.20)
Comme le terme x
T
(t)PD est un scalaire, alors
[x
T
(t)PD[ =
_
x
T
(t)PDD
T
Px(t)

max
(PDD
T
P)|x(t)| (1.21)
Posons = 2
_

max
(PDD
T
P), partir des quations (1.20) et (1.21) la fonction

V (x(t))
devient :

V (x(t)) |x(t)|
_
|x(t)| [(x(t))[
_
|x(t)|
_
|x(t)|
_
(1.22)
Soit D

un disque centr lorigine est dni comme suit :


D

= x(t) : |x(t)| < (1.23)


Alors, on peut facilement dduire partir de lquation (1.22) que le systme (1.17) et
stable si x(t) / D

.
Considrons maintenant le cas particulier (x(t)) = sin(2t) qui satisfait la condition (1.18).
Dans le plan de phase de la gure (1.1), on a reprsent une simulation du systme (1.17)
16
1.3. Stabilit
avec la condition initiale x
0
= [10 0]. Le domaine D

est donc un disque de rayon


= 1.2748 (voir gure (1.1)).
10 5 0 5 10 15
15
10
5
0
5
10
D


Fig. 1.1 Plan de phase du systme
17
Chapitre 1. Gnralits sur les systmes linaires
1.4 Analyse convexe et ingalits linaires matricielles
1.4.1 Analyse convexe
La notion de convexit tient dans ce mmoire une place importante tant donnes les
orientations choisies. En eet, les problmes danalyse et de synthse dont il est question
sont formuls, lorsque cela est possible, en termes doptimisation convexe [Chad 02a]. La
convexit dun problme doptimisation a un double avantage :
les temps de calcul pour trouver une solution sont raisonnables ;
il nexiste pas de minimum local de la fonction cot optimiser ; le rsultat obtenu
correspond un minimum global unique.
La convexit est une notion la fois ensembliste et fonctionnelle, voici les dnitions dans
chacun des cas.
Dnition 1.7 : ensemble convexe. Soit un ensemble c R
n
, c est un ensemble
convexe si et seulement si :

_
0 1
_
R, (x
1
, x
2
) c
2
, x
1
+ (1 ) x
2
c (1.24)
Dnition 1.8 : fonction convexe. Soit une fonction f : c R
n
R avec c un
ensemble convexe, alors f est convexe si et seulement si :

_
0 1
_
R, (x
1
, x
2
) c
2
, f (x
1
+ (1 ) x
2
) f (x
1
) + (1 ) f (x
2
)
(1.25)
Un problme doptimisation convexe snonce donc comme suit : min
xE
(f (x)), o c est un
ensemble convexe et f est une fonction convexe.
De mme, une contrainte f
i
(x) 0 est dite convexe si la fonction f
i
est convexe. Un des
avantages de la convexit est que toute optimisation dune fonction convexe dnie sur
un ensemble convexe peut se traiter localement car toute solution locale devient globale.
1.4.2 Problmes classiques LMI
Depuis quelques annes, de nombreux travaux ayant pour principal objectif de rduire
une grande varit de problmes de synthse ou danalyse des problmes doptimisation
convexe impliquant des LMI ont vu le jour. Paralllement, des mthodes ecaces de rso-
lution des problmes doptimisation convexes ont t dveloppes. Ces mthodes, appeles
mthodes de point-intrieur, dveloppes initialement par Karmarkar [Karm 84] pour la
programmation linaire, furent tendues ensuite par Nesterov et Nemirovskii [Nest 94] au
cas de la programmation convexe dans lespace des matrices dnies positives.
18
1.4. Analyse convexe et ingalits linaires matricielles
Dnition 1.9 : tant donne une famille de matrices symtriques P
0
et P
i
, i
1, ..., n de R
pp
et un vecteur x = (x
1
, x
2
, ... x
n
)
T
R
n
, une LMI stricte (resp. non
stricte) en x
i
, i 1, ..., n scrit sous la forme :
F(x) = P
0
+
n

i=1
x
i
P
i
> 0 (resp. 0) (1.26)
Remarquons que lensemble E dni par E = x R : F(x) > 0 est convexe, ce qui
nous amne considrer une contrainte LMI comme une contrainte convexe.
Les trois problmes doptimisation convexe les plus rencontrs sous forme de LMI sont :
Problme de ralisabilit (Faisabilit) : il sagit de trouver un vecteur o tel
que la contrainte convexe F(x) > 0 est satisfaite. Ce problme peut tre rsolu en
cherchant le vecteur x minimisant le scalaire t tel que :
F(x) < t.I (1.27)
Si la valeur minimale de t est ngative, le problme est ralisable.
Problme de valeurs propres (EVP, Eigenvalue Problems) : il sagit de
minimiser la plus grande valeur propre dune matrice symtrique sous une contrainte
de type LMI :
minimiser
sous les contraintes
_
I A(x) > 0
B(x) > 0
(1.28)
Problme de valeurs propres gnralises (GEVP, Generalized Eigenvalue
Problems) : il sagit de minimiser la plus grande valeur propre gnralise dune
paire de matrices, par rapport une contrainte LMI :
minimiser
sous les contraintes
_

_
B(x) A(x) > 0
B(x) > 0
C (x) > 0
(1.29)
Ces problmes doptimisation convexe peuvent alors tre rsolus par dirents types de
mthodes [Hass 99] et [Boyd 94] :
Mthode des plans scants
Mthode de lellipsode
Mthode du type simplexe
Mthode des points intrieurs
19
Chapitre 1. Gnralits sur les systmes linaires
1.4.3 criture de contraintes sous forme LMI
Parmi les exemples les plus classiques de contraintes de type LMI dont nous aurons besoin
tout au long de ce mmoire, citons :
Complment de Schur : soient trois matrices R(x) = R
T
(x), Q(x) = Q
T
(x) et
S(x) anes par rapport la variable x. Les LMI suivantes sont quivalentes :
1.
_
Q(x) S (x)
S
T
(x) R(x)
_
> 0
2. R(x) > 0, Q(x) S(x)R
1
(x)S
T
(x) > 0
Contraintes quadratiques convexes : la contrainte sur la norme |Z(x)| < 1,
o Z(x) R
pq
est ane par rapport la variable x R
p
est reprsente par :
_
I
p
Z (x)
Z
T
(x) I
q
_
> 0 (1.30)
1.4.4 Rgions LMIs
Dnition 1.10 [Chil 96] : une rgion o du plan complexe est appele une rgion
LMI si il existe une matrice symtrique R
mm
est une matrice R
mm
telles
que :
o = z ( : f
S
(z) < 0 (1.31)
avec f
S
(z) = +z +z

T
. La notation z

dsigne le conjugu de z. f
S
(z) est appele
la fonction caractristique de o.
En dautres termes, une rgion LMI est une rgion du plan complexe qui est caractrise
par une LMI en fonction de z et z

, ou de a = Re(z) et b = Im(z). Les rgions LMI sont


donc des ensembles convexes.
Exemples de rgions LMI
En posant a = Re(z) et b = Im(z), il vient
a =
z

+z
2
, et b =
z z

2j
(1.32)
Le demi-plan gauche pouvant tre caractris par a < 0, la fonction caractristique du
demi-plan complexe gauche est donne par :
f
S
(z) = z

+ z (1.33)
20
1.4. Analyse convexe et ingalits linaires matricielles
Considrons les trois rgions du demi-plan complexe gauche illustres sur la gure (1.2).
La rgion o
1
du plan complexe, a < , est une rgion LMI caractrise par la fonction
f
S
1
(z) suivante :
f
S
1
(z) = z

+ z + 2 (1.34)
Fig. 1.2 Exemples de rgions LMI
Le disque centr lorigine o
2
du plan complexe est une rgion caractrise par la relation
suivante :
z

z
2
< 0 (1.35)
soit encore en utilisant le complment de Schur :
f
S
2
(z) =
_
z
z

_
(1.36)
Le secteur o
3
, a tan () < [b[, du plan complexe est une rgion LMI caractrise par la
fonction f
S
3
(z) suivante (en utilisant le complment de Schur) :
f
S
3
(z) =
_
sin (z + z

) cos (z z

)
cos (z

z) sin (z + z

)
_
(1.37)
1.4.5 Placement de ples par approche LMI
Thorme 1.2 [Chil 96] : les valeurs propres dune matrice relle M sont places
dans une rgion LMI o (1.31) du plan complexe si, et seulement si, il existe une
matrice symtrique X telle que :
M
S
(M, X) = X + MX +
T
XM
T
< 0 (1.38)
dnote le produit matriciel de Kronecker.
21
Chapitre 1. Gnralits sur les systmes linaires
En dautres termes, les valeurs propres dune matrice relle M sont toutes dans une rgion
du plan complexe, sil existe une matrice X > 0 telle que la LMI M
S
(M, X) < 0 soit
ralisable, o M
S
(M, X) est dtermine en eectuant la substitution suivante dans la
fonction caractristique o :
(X, MX, XM
T
) (1, z, z

) (1.39)
Les valeurs propres de la matrice M sont donc toutes dans la rgion o
1
du plan complexe
si et seulement si :
X > 0 : 2X + MX + XM
T
< 0 (1.40)
De mme, les valeurs propres de la matrice M sont toutes dans la rgion o
2
du plan
complexe si et seulement si :
X > 0 :
_
X MX
XM
T
X
_
< 0 (1.41)
Enn, les valeurs propres de la matrice M sont toutes dans la rgion o
3
du plan complexe
si et seulement si :
X > 0 :
_
sin
_
MX + XM
T
_
cos
_
MX XM
T
_
cos
_
XM
T
MX
_
sin
_
MX +XM
T
_
_
< 0 (1.42)
Thorme 1.3 [Chil 96] : soient deux rgions LMI o
1
et o
2
du plan complexe. Les
valeurs propres de la matrice M sont toutes dans la rgion LMI o
1
o
2
si et seulement
si il existe une matrice symtrique X > 0 solution du systme
M
S
1
(M, X) < 0
M
S
2
(M, X) < 0
(1.43)
Ces rsultats seront utiliss dans le quatrime chapitre dans le cadre de la synthse des
gains des observateurs entres inconnues.
1.5 Observabilit et observateurs
Lobservabilit dun processus est un concept trs important en Automatique. En eet,
pour reconstruire ltat et la sortie dun systme, il faut savoir, a priori, si les variables
dtat sont observables ou non.
En gnral, pour des raisons de ralisabilit technique, de cot, etc... la dimension du
vecteur de sortie est infrieure celle de ltat. Ceci entrane qu linstant donn t, ltat
22
1.5. Observabilit et observateurs
x(t) ne peut pas tre dduit algbriquement de la sortie y(t) cet instant. Par contre, sous
des conditions dobservabilit qui seront explicites plus loin, cet tat peut tre dduit de
la connaissance des entres et sorties sur un intervalle de temps pass : u([0, t]), y([0, t]).
Le but dun observateur est de fournir avec une prcision garantie une estimation de
la valeur courante de ltat en fonction des entres et sorties passes. Cette estimation
devant tre obtenue en temps rel, lobservateur revt usuellement la forme dun systme
dynamique.
Dnition 1.11 [Foss 93] : on appelle observateur (ou reconstructeur dtat) dun
systme dynamique :
o :
_
x (t) = f (x(t) , u(t))
y (t) = h(x(t))
(1.44)
un systme dynamique auxiliaire O dont les entres sont constitues des vecteurs den-
tre et de sortie du systme observer et dont le vecteur de sortie x(t) est ltat estim :
O :
_
z (t) =

f (z (t) , u(t) , y (t))
x(t) =

h(z (t) , u(t) , y (t))
(1.45)
telle que lerreur entre le vecteur dtat x(t) et x(t) tende asymptotiquement vers zro.
|e(t)| = |x(t) x(t)| 0 quand t . (1.46)
Le schma dun tel observateur est donn sur la gure (1.3).
-
o
-
O
-
-
-
u(t) y(t)
x(t)
Fig. 1.3 Diagramme structurel
Avant toute synthse dobservateur, on doit se demander si sa conception est possible. La
notion dobservabilit et certaines proprits des entres appliques au systme fournissent
des conditions ncessaires la synthse dun observateur. Nous discutons dans cette partie
de lobservabilit des systmes linaires.
23
Chapitre 1. Gnralits sur les systmes linaires
1.5.1 Observabilit
Le problme fondamental de lanalyse dobservabilit dun systme physique est de pouvoir
dire si ltat du systme peut tre dtermin en fonction des entres et des sorties. Dans
larmative, la thorie de lestimation fournit alors des outils pour reconstruire cet tat ;
nous rappelons que la connaissance des composantes de ltat non mesures est en gnral
ncessaire pour rgler un systme ou pour dtecter des fautes du systme.
La valeur initiale de ltat dun systme est, en gnral, inconnue. On peut alors se poser
la question : sous quelles conditions ltat du systme peut-il tre dtermin partir
des sorties et des entres ? Ce problme est appel problme dobservabilit. Fossard et
Normand-Cyrot [Foss 93] ont donn une dnition de lobservabilit partir de la notion
dindiscernabilit.
Dnition 1.12 [Foss 93] : pour le systme (1.44), deux tats x
0
et x

0
sont dit
indiscernables si, pour toute fonction dentre u(t) et pour tout t 0, les sorties
(h(x(t)), x
0
) et (h(x(t)), x

0
) qui en rsultent sont gales.
Dnition 1.13 [Foss 93] : le systme (1.44) est dit observable sil ne possde pas de
couple dtats initiaux distincts x
0
, x

0
indiscernables.
1.5.2 Observabilit des systmes linaires
Les critres dobservabilit dun systme linaire sont dcrits dans de nombreuses rf-
rences [ORei 83], [Foll 85], [Born 92], etc. Nous prsenterons uniquement ceux concernant
les systmes linaires certains et rguliers. Considrons le systme dynamique linaire :
x(t) = Ax(t) + Bu(t) (1.47a)
y(t) = Cx(t) (1.47b)
o x(t) R
n
, u(t) R
m
et y(t) R
p
. Les matrices A, B et C ont des dimensions
appropries. La matrice dobservabilit du systme (1.47) est dnie [Foll 85] par :
O =
_
_
_
_
_
_
C
CA
.
.
.
CA
n1
_
_
_
_
_
_
Lobservabilit du systme (1.47) est garantie si le rang de la matrice dobservabilit O
est gal n [Kalm 60]. OReilly [ORei 83] a prsent un deuxime critre ; le systme
(1.47) est compltement observable si :
rang
_
sI A
C
_
= n
24
1.5. Observabilit et observateurs
pour tout s complexe. Si un systme linaire est compltement observable, il est globa-
lement observable, cest--dire que toutes les composantes du vecteur dtat du systme
sont observables, et donc peuvent tre reconstruites par un observateur. Si le systme est
non linaire, nous devons distinguer lobservabilit globale de lobservabilit locale.
1.5.3 Synthse dobservateur pour un systme linaire certain
Un observateur est utilis dans le but destimer ltat ou une fonctionnelle linaire de
ltat (telle que la sortie dun systme) [Born 90], [Magn 91]. La comparaison de la sor-
tie mesure son estime permet de gnrer des signaux appels "rsidus" devant tre
capables de nous informer sur ltat de fonctionnement des capteurs et actionneurs ainsi
que sur ltat du processus.
Comme lindique la gure (1.3), un reconstructeur dtat ou estimateur est un systme
ayant comme entres, les entres et les sorties du processus et dont la sortie est une
estimation de ltat de ce processus. Nous cherchons donc estimer ltat dun systme
linaire dterministe dni par (1.47).
Le principe de construction dun observateur consiste corriger lerreur destimation entre
la sortie relle et la sortie reconstruite. Cet observateur est dni par :

x(t) = A x(t) + Bu(t) + K(y(t) y(t))


= (A KC) x(t) + Bu(t) + Ky(t)
y(t) = C x(t)
(1.48)
o K R
np
est le gain de lobservateur (1.48). Compte tenu des quations dtat et
de sortie de lobservateur (1.48) et du systme (1.47), nous en dduisons le diagramme
structurel prsent la gure (1.4).
Lobservateur est synthtis de telle sorte que la dirence entre ltat du systme et son
estim tende vers zro quand t tend vers , donc si les valeurs propres de (A KC)
sont dans le demi-plan gauche du plan complexe. Le gain de lobservateur K peut tre
dtermin par la mthode de placement de ples si le thorme suivant est vri :
Thorme 1.4 : les valeurs propres de (A KC) peuvent tre xes arbitrairement
si et seulement si la paire (A, C) est observable [Born 90].
25
Chapitre 1. Gnralits sur les systmes linaires
B
- -

-
_
-
C
-
A
6
x(t) x(t) y(t)
Systme

-
_
-
C
A

x(t)
x(t)
-
y(t)
B
-
-
u(t)
6
?

K
6
+
-
+
+
+
-
Observateur
Fig. 1.4 Diagramme structurel
Si la paire (A, C) est observable, alors une grande libert est laisse lutilisateur pour
xer la matrice K. De faon gnrale, elle est choisie telle que les valeurs propres de la
matrice (AKC) soient dans le demi-plan gauche du plan complexe et que la partie relle
des valeurs propres soit plus grande, en valeur absolue, que la partie relle des valeurs
propres de la matrice dtat A; dans ces conditions, la dynamique de lerreur dobservation
est donc plus rapide que celle du processus (systme). Mais, il existe deux considrations
contradictoires dont on doit tenir compte et qui interviennent dans le choix de la matrice
K [Dieu 87] :
les perturbations sur la paire (A, B) conduisent, si elles sont importantes, choisir
une valeur leve de la matrice K an de renforcer linuence des mesures sur
lestimation dtat.
le bruit entachant la mesure des grandeurs de sortie, ampli par le gain, exige une
petite valeur de K.
Le gain de lobservateur doit donc tre choisi en eectuant un compromis pour satisfaire
au mieux ces contraintes.
26
1.6. Commande structure variable (mode glissant)
1.6 Commande structure variable (mode glissant)
1.6.1 Introduction
La commande structure variable est sans doute mettre quelque peu part parmi les
divers types de commande pour deux raisons : dune part parce que, au moins thorique-
ment, la commande applique au processus est fondamentalement discontinue, dautre
part parce que la dynamique du processus command dans le rgime recherch, dit de
glissement, ne dpend pas de la commande applique au processus. On pourrait ajouter
galement quelle se caractrise par des proprits de robustesse, en particulier vis--vis
des variations paramtriques du systme.
Le concept de base est facile comprendre. Il sut dimaginer un systme dynamique :
x(t) = f(x(t), u(t)) (1.49)
continu par morceaux, o la fonction f(.) est discontinue, de part et dautre dune surface
S(x(t)) = 0, de sorte que :
x(t) =
_
_
_
f
+
(x(t) , u(t)) si S (x(t)) > 0
f

(x(t) , u(t)) si S (x(t)) < 0


(1.50)
Si les trajectoires correspondant ces quations sont telles quelles soient toujours diriges
vers la surface S(x) = 0, il est intuitif quune fois sur cette surface on ne peut plus la
quitter et quon est "condamn" voluer sur celle-ci.
Fig. 1.5 Plan de phase ainsi que lensemble nal de bornes
Un systme dni par les quations (1.50) est dit structure variable du fait que, par
suite de la discontinuit, on peut considrer quil y a plusieurs dnitions possibles des
27
Chapitre 1. Gnralits sur les systmes linaires
quations dvolution ; bien plus, le mouvement rsultant sur la surface est fondamenta-
lement dirent de chacun des mouvements hors de la surface... et ne sexplique pas du
reste par la thorie des quations direntielles ordinaires.
Le principe de base de lapproche des systmes structure variable est expliqu dune
faon simple en considrant la conception de rgulateur (correcteur) par retour dtat
pour le systme linaire suivant :
x(t) = Ax(t) +Bu(t) (1.51)
La structure du retour dtat est la suivante :
u(t) = k
T
x(t) (1.52)
o les direntes procdures de conception permettent de choisir les paramtres k (pla-
cement de ples par exemple). Les systmes structure variable sont caractriss par le
choix dune fonction et dune logique de commutation. Ce choix permet de commuter
tout instant entre chaque structure, en combinant les proprits utiles de chacune de ces
structures, an davoir un comportement dsir du systme. Les deux exemples suivants,
de dimension 2, sont prsents pour illustrer ce propos.
Lide de changer de structure est naturelle et la premire utilisation de cette approche
peut tre trouve dans des rfrences publies il y a plusieurs annes [Flug 56], [Leto 57],
[Masl 56] et [Ostr 56].
Lavantage de cette approche est la possibilit de combiner les proprits utiles de chaque
structure. De plus, un systme structure variable peut possder de nouvelles proprits
non prsentes dans chacune des structures utilises ; par exemple, un systme asympto-
tiquement stable peut tre constitu de deux structures dont aucune nest asymptoti-
quement stable [Utki 81]. Nous prsentons deux exemples pour montrer les avantages de
changement de structure pendant une phase de commande.
1.6.2 Exemple 1
Soit un systme du second ordre dni par :
x(t) = u(t)x(t) (1.53)
o u(t) est la commande (entre) du systme et x(t) est la variable dtat. Le compor-
tement du systme (1.53) dpend de la valeur de la commande u(t). Cette dernire peut
avoir deux valeurs
2
1
,
2
2
. Pour des grandes valeurs de la commande
2
1
, la gure (1.6-a)
donne la reprsentation dans le plan de phase du comportement du systme. Dans le cas
28
1.6. Commande structure variable (mode glissant)
o la commande change et prend la valeur
2
2
nettement infrieure
2
1
, le systme change
de structure et sa reprsentation dans le plan de phase est donne par la gure (1.6-b). Les
plans de phase prsents sur les gures (1.6-a) et (1.6-b), montrent quaucune structure
nest asymptotiquement stable. Cependant, la stabilit asymptotique est ralise (garan-
tie) si la structure du systme change selon une logique de commutation dnie comme
suit [Utki 77] :
u(t) =
_
_
_

2
1
si x(t) x(t) > 0

2
2
si x(t) x(t) < 0
(1.54)
Le choix dune fonction de commutation dpendant du produit x(t) x(t) divise le plan de
phase en quatre quadrants reprsents la gure (1.6-c). Il en rsulte un comportement
stable convergeant vers lorigine prsent par la gure (1.6-c).
Fig. 1.6 Plans de phase pour direntes commandes
1.6.3 Exemple 2
Pour mieux cerner lintrt du mode de glissement, considrons le systme du second ordre
dni par lquation dtat suivante :
x(t) x(t) + x(t) = 0 > 0 (1.55)
o la commande par retour dtat correspond au terme u(t) = x(t). La contre-raction
est positive quand = > 0, elle est ngative quand = < 0. Les deux structures
sont instables, voir les gures (1.7-a) et (1.7-b).
29
Chapitre 1. Gnralits sur les systmes linaires
Par contre, si la variable suit une logique de commutation dnie par lquation suivante

_
_
_
, si x(t)s(t) > 0
, si x(t)s(t) < 0
, o s(t) = cx (t) + x(t)
c = =

2

_

2
4
+
(1.56)
alors les trajectoires de phase sont diriges vers la ligne de commutation s(t) = cx(t) +
x(t) = 0 voir la gure (1.7-c). Donc, le systme structure variable rsultant est asympto-
tiquement stable. Comme nous lavons expliqu prcdemment, de nouvelles proprits du
systme sont obtenues en composant une trajectoire partir des trajectoires de direntes
structures instables. Un aspect bien plus fondamental des systmes structure variable
est la possibilit dobtenir la trajectoire non inhrente partir de nimporte laquelle de
ces direntes structures. Ces trajectoires dcrivent un nouveau type de mouvement qui
est appel le mode de glissement [Utki 77].
Fig. 1.7 Plans de phase dun systme structure variable.
1.7 Conclusion
Dans ce chapitre, nous avons rappel les outils fondamentaux que nous allons utiliser
dans ce mmoire, savoir, ltude de la stabilit des systmes dynamiques linaires par
la mthode de Lyapunov et lutilisation des ingalits linaires matricielles (LMI). Nous
avons prsent galement la notion dobservabilit et dobservateur.
30
1.7. Conclusion
A la n de cette premire partie, nous avons introduit la notion de mode glissant qui
prsente des avantages multiples concernant sa robustesse aux direntes perturbations
qui peuvent aecter un systme linaire ou non linaire ; deux exemples ont t donns
pour expliquer cette notion.
31
Chapitre 1. Gnralits sur les systmes linaires
32
2
Observateurs de systmes linaires
Sommaire
2.1 Introduction au dveloppement dobservateurs continus . . . 35
2.2 Observateur entres inconnues . . . . . . . . . . . . . . . . . 35
2.2.1 Reconstruction dtat en liminant les entres inconnues . . . . 36
2.2.2 Principe de la reconstruction . . . . . . . . . . . . . . . . . . . 37
2.2.3 Conditions de convergence de lobservateur . . . . . . . . . . . 38
2.2.4 Mthodes de rsolution . . . . . . . . . . . . . . . . . . . . . . 39
2.2.5 Placement de ples . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.2.6 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3 Introduction au dveloppement dobservateurs discontinus . 45
2.4 Mthodes de conception dobservateurs discontinus . . . . . . 46
2.4.1 Observateur dUtkin . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.2 Observateur de Walcott et ak . . . . . . . . . . . . . . . . . . 48
2.4.3 Exemple dapplication . . . . . . . . . . . . . . . . . . . . . . . 50
2.5 Observateur mode glissant utilisant une forme canonique . 51
2.5.1 Simplication de lquation de sortie . . . . . . . . . . . . . . . 52
2.5.2 Dcouplage de la fonction inconnue . . . . . . . . . . . . . . . . 53
33
Chapitre 2. Observateurs de systmes linaires
2.6 Synthse dun observateur mode glissant . . . . . . . . . . . 55
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
34
2.1. Introduction au dveloppement dobservateurs continus
2.1 Introduction au dveloppement dobservateurs conti-
nus
Le problme du contrle optimal de procd, lorsque certaines composantes du vecteur
dtat ne sont pas mesurables, a sans doute initi les premiers travaux sur les observa-
teurs. Ces derniers permettent llaboration dun modle destimation dtat utilisant les
grandeurs accessibles du systme, telle que ses entres et ses sorties. Dans le cas dtermi-
niste, ce modle est appel observateur dtat [Luen 64] et [Will 1968] et dans le cas dun
systme stochastique ce modle est appel ltre [Kalm 60], [Aoki 67] et [Newm 70].
Cette estimation dtat utilise les sorties mesures du systme, ses entres et son modle.
Lorsquun systme est compltement observable, la reconstruction dtat peut tre eec-
tue soit par un observateur dordre complet (lordre de lobservateur et le mme que celui
du systme), soit par un observateur dordre rduit (lordre de lobservateur et plus petit
que celui du systme).
La convergence asymptotique de lerreur destimation dtat vers zro, ncessite une dter-
mination trs prcise des matrices de lobservateur. Raymond [Raym 76] a montr quune
faible erreur sur les paramtres des matrices A et B dun systme pouvait engendrer
une importante erreur de reconstruction (obtenue en comparant lestimation la valeur
mesure). Plusieurs auteurs ont prsent des techniques destimation dtat bases sur
la conception dobservateurs actions proportionnelle et intgrale pour des systmes li-
naires incertains [Busa 00] et des systmes singuliers [Koen 02][Gao 04].
En prsence dentres inconnues et de dfauts de capteurs, il existe plusieurs techniques
destimation dtat qui feront lobjet de la suite de ce chapitre.
2.2 Observateur entres inconnues
Un processus physique est souvent soumis des perturbations qui ont comme origine des
bruits ds lenvironnement du processus, des incertitudes de mesures, des dfauts de
capteurs ou dactionneurs ; ces perturbations ont des eets nfastes sur le comportement
normal du processus et leur estimation peut servir concevoir un systme de commande
capable den minimiser les eets. Les perturbations sont appeles entres inconnues lors-
quelles aectent lentre du processus et leur prsence peut rendre dicile lestimation
de ltat du systme.
Plusieurs travaux ont t raliss concernant lestimation de ltat et de la sortie en pr-
sence dentres inconnues ; ils peuvent tre regroups en deux catgories. La premire
35
Chapitre 2. Observateurs de systmes linaires
suppose la connaissance a priori dinformations sur ces entres non mesurables ; en par-
ticulier, Johnson [John 75] propose une approche polynomiale et Meditch [Medi 71] sug-
gre dapprocher les entres inconnues par la rponse dun systme dynamique connu. La
deuxime catgorie procde soit par estimation de lentre inconnue [Xion 03], soit par
son limination complte des quations du systme [Dass 00] et [Valc 99].
Parmi les techniques ne ncessitant pas llimination des entres inconnues, plusieurs au-
teurs ont propos des mthodes de conception dobservateur capable de reconstruire enti-
rement ltat dun systme linaire en prsence dentres inconnues [Wang 75] [More 01] ;
Kobayashi [Koba 82], Lyubchik [Lyub 93] et Liu [Liu 02] utilisent une mthode dinver-
sion de modle pour lestimation dtat.
Parmi les techniques qui permettent llimination des entres inconnues, celle de Kudva
[Kudv 80] sintresse, dans le cas des systmes linaires, aux conditions dexistence de
lobservateur dun systme entres inconnues en se basant sur la technique dinverse g-
nralise de matrice. Guan a procd llimination des entres inconnues des quations
dtat dun systme linaire continu [Guan 91]. Beaucoup dautres variantes existent, mais
la grande majorit dentre elles ont t dveloppes pour des systmes linaires.
Koenig [Koen 02] a prsent une mthode simple pour concevoir un observateur action
proportionnelle et intgrale pour des systmes singuliers entres inconnues. Des condi-
tions susantes dexistence de cet observateur ont t tablies.
Des observateurs dordre rduit ont t considrs par plusieurs auteurs durant ces der-
nires annes [Yang 88] [Zasa 00] [Koen 01]. Cependant, Yang et Wilde [Yang 88] ont
dmontr que lobservateur entres inconnues dordre plein peut avoir une vitesse de
convergence plus rapide que lobservateur dordre rduit.
Lutilisation dobservateurs entres inconnues pour le diagnostic de dfaut et les systmes
de surveillance de processus a galement attir beaucoup dattention [Wata 82], [Saif 93],
[Dass 00], [Koen 01] et [Guer 04]. Dassanayake [Dass 00] a considr un observateur, en
liminant les entres inconnues dans les quations dtat, pour pouvoir dtecter et isoler
plusieurs dfauts de capteurs, en prsence dentres inconnues, sur un moteur (turbo-
racteur).
2.2.1 Reconstruction dtat en liminant les entres inconnues
La reconstruction de ltat dun systme dynamique linaire dont une partie des entres
nest pas mesurable a un grand intrt dans la pratique. Dans de telles circonstances, un
observateur conventionnel, qui exige la connaissance de toutes les entres, ne peut pas tre
36
2.2. Observateur entres inconnues
utilis directement. Lobservateur entres inconnues (UIO) a t dvelopp pour estimer
ltat dun systme, en dpit de lexistence des entres inconnues ou des perturbations en
les liminant dans les quations dtat. Ce type dobservateurs a suscit lattention de
beaucoup de chercheurs [John 75], [Hou 92], [Daro 94], [More 01] et [Liu 02].
Dans cette section, nous montrons que les conditions de convergence dun observateur
entres inconnues sont solutions dingalits bilinaires matricielles (BMI) qui peuvent
tres linarises par direntes techniques pour obtenir des ingalits linaires matricielles
(LMI).
2.2.2 Principe de la reconstruction
Considrons le systme dynamique linaire soumis linuence dentres inconnues dcrit
par les quations suivantes :
_
_
_
x(t) = Ax(t) + Bu(t) + R u (t)
y (t) = Cx(t)
(2.1)
o x(t) R
n
est le vecteur dtat, u(t) R
m
est le vecteur des entres connues, u(t) R
q
,
q < n, est le vecteur des entres inconnues et y(t) R
p
reprsente le vecteur des sorties
mesurables. A R
nn
est la matrice dtat du systme linaire, B R
nm
est la matrice
dentre, R R
nq
est la matrice dinuence des entres inconnues et C R
pn
est la
matrice de sortie.
On suppose que la matrice R est de plein rang colonne et que la paire (A, C) est obser-
vable. Lobjectif est lestimation complte du vecteur dtat malgr la prsence des entres
inconnues u(t). Ainsi, considrons lobservateur dordre plein [Chen 91] :
_
_
_
z (t) = Nz (t) + Gu(t) +Ly (t)
x (t) = z (t) Ey (t)
(2.2)
o z(t) R
n
et x(t) R
n
est lestimation du vecteur dtat x(t). Pour que cette estimation
soit garantie, il faut que x(t) approche asymptotiquement x(t) cest--dire quil faut que
lerreur destimation dtat :
e(t) = x(t) x(t) (2.3)
tende vers zro asymptotiquement. Lquation de la dynamique dvolution de cette erreur
scrit de la faon suivante :
e (t) = x(t) z (t) + EC x(t) = (I + EC) x(t) z (t)
= (I +EC)
_
Ax(t) + Bu(t) + R u (t)
_

_
Nz (t) + Gu(t) +Ly (t)
_
= (I +EC)
_
Ax(t) + Bu(t) + R u (t)
_

_
N x(t) + Gu(t) + (L + NE) Cx(t)
_
37
Chapitre 2. Observateurs de systmes linaires
Posons P = I + EC, on obtient alors :
e(t) = Ne(t) + (PB G)u(t) + PR u(t) + (PA NP LC)x(t)
Lerreur destimation dtat converge asymptotiquement vers zro si et seulement si :
LC = PA NP (2.4a)
G = PB (2.4b)
PR = 0 (2.4c)
N est stable
1
(2.4d)
La solution numrique du systme dquation (2.4) est base sur le calcul de la pseudo-
inverse de la matrice (CR), cela est possible si la matrices (CR) soit de plein rang ligne
[Rote 95].
E = R(CR)
T
((CR)(CR)
T
)
1
(2.5a)
P = I R(CR)
T
((CR)(CR)
T
)
1
C (2.5b)
G = PB (2.5c)
N = PA KC (2.5d)
L = K NE (2.5e)
N est stable (2.5f)
Donc, si le systme dquation (2.5) est satisfait, la dynamique de lerreur destimation
dtat se rduit :
e(t) = Ne(t) (2.6)
Compte tenu des proprits de N, lerreur destimation dtat converge bien asymptoti-
quement vers zro.
2.2.3 Conditions de convergence de lobservateur
Dans cette partie, nous dveloppons les conditions susantes pour la convergence asymp-
totique de lerreur destimation dtat vers la valeur nulle. Daprs (2.6), cette convergence
est garantie sil existe une matrice symtrique et dnie positive X, telle que :
N
T
X + XN < 0 (2.7)
1
Par abus de langage, on dira quune matrice est stable si ses valeurs propres sont parties relles
ngatives
38
2.2. Observateur entres inconnues
Comme N = PA KC, lingalit (2.7) devient :
(PA KC)
T
X + X(PA KC) < 0 (2.8)
On remarque malheureusement que lingalit prcdente (2.8) prsente linconvnient
dtre non linaire (bilinaire) par rapport aux variables K et X. Deux mthodes de
rsolution peuvent tres utilises :
Linarisation par rapport aux variables K et X,
Changement de variables.
2.2.4 Mthodes de rsolution
Des mthodes de rsolution ont t proposes pour rsoudre les ingalit matricielles non
linaires et en particulier bilinaires [Chad 02].
2.2.4.1 Linarisation par rapport aux variables
On peut utiliser une mthode "locale", base sur la linarisation des ingalits, par rapport
aux variables K et X, autour de valeurs initiales K
0
et X
0
"bien choisies". On pose :
K = K
0
+ K et X = X
0
+ X (2.9)
A partir de lingalit (2.8), on obtient :
_

_
_
(PA (K
0
+ K) C) + (PA (K
0
+ K) C)
T
_
(X
0
+ X) +
(X
0
+ X)
_
(PA (K
0
+ K) C) + (PA (K
0
+ K) C)
T
_
< 0
X
0
+ X > 0
(2.10)
en ngligeant les termes du second ordre de lingalit (2.10), on obtient alors :
_

_
_
(PA K
0
C) + (PA K
0
C)
T
_
X + X
_
(PA K
0
C) + (PA K
0
C)
T
_

KCX
0
(CX
0
)
T
K
T
C
T
K
T
X
0
X
0
KC+
_
(PA K
0
C) + (PA K
0
C)
T
_
X
0
+ X
0
_
(PA K
0
C) + (PA K
0
C)
T
_
< 0
X
0
+ X > 0
(2.11)
Le systme (2.11) est alors un problme de type de LMI (ingalit linaire matricielle)
et sa rsolution par rapport K et X est standard [Boyd 94]. Notons que le choix des
valeurs initiales K
0
et X
0
demeure linconvnient principal de cette mthode et dailleurs la
convergence vers une solution nest pas toujours garantie. Malheureusement, dun point
39
Chapitre 2. Observateurs de systmes linaires
de vue pratique, on peut tre amen examiner divers choix de valeurs initiales an
dobtenir une solution.
Remarque : Le systme LMI (2.11) nest valide quau voisinage de K
0
et de X
0
; ceci
nous a encourag, an damliorer la rsolution, proposer, pour limiter les variations
des matrices K et X, les contraintes additionnelles suivantes :
_
_
_
|K
0
| < |K
0
|
|X
0
| < |X
0
|
, avec 0 < << 1 (2.12)
La formulation LMI de ces contraintes (2.12) est dcrite par les ingalit matricielles
suivantes :
_

_
|X
0
| I
nn
X
X |X
0
| I
nn
_

_
> 0 et
_

_
|K
0
| I
nn
K
K |K
0
| I
mm
_

_
> 0 (2.13)
Si les systmes LMI (2.11) et (2.13) sont ralisables, lobservateur (2.2) estime alors asymp-
totiquement ltat du systme linaire entres inconnues (2.1).
2.2.4.2 Changement de variables
Pour surmonter les inconvnients de la mthode prcdente, une mthode base sur un
changement de variables savre plus intressante. Pour cela, considrons le changement
de variables suivant :
W = XK (2.14)
Lingalit obtenue aprs ce changement de variables scrit de la manire suivante :
(PA)
T
X + X(PA) (C
T
W
T
+ WC) < 0 (2.15)
La solution du problme initial est obtenu en deux tapes. On rsoud tout dabord lin-
galit matricielle linaire (2.15) par rapport aux inconnues X et W. On dduit ensuite
la valeur du gain K par la formule :
K = X
1
W (2.16)
2.2.5 Placement de ples
Dans cette partie, nous examinons comment amliorer le fonctionnement de lobservateur
en particulier en ce qui concerne la vitesse de convergence vers zro de lerreur destimation
dtat. Pour une meilleure estimation de ltat, la dynamique de lobservateur est choisie
40
2.2. Observateur entres inconnues
plus rapide que celle du systme. Pour cela, on xe les valeurs propres de lobservateur
dans le demi-plan gauche du plan complexe de sorte que leurs parties relles soient plus
grandes en valeur absolue que celles de la matrice dtat A.
Pour assurer une certaine dynamique de convergence de lerreur destimation dtat, on
dnit la rgion complexe S(, ) par lintersection dun cercle de centre (0, 0) et de rayon
gal et la moiti gauche de la rgion limite par une droite verticale de coordonnes
gale o est une constante positive.
Fig. 2.1 Rgion LMI
Corollaire 2.2.1 : les valeurs propres de la matrice N sont dans la rgion LMI
S(, ) sil existe des matrices X et K telle que :
_
_
(X
0
+ X) N
T
0
X (KC)
T
X
0
XN
0
X
0
(KC) (X
0
+ X)
_
_
< 0
N
T
0
X + XN
0
C
T
K
T
X
0
X
0
KC + N
T
0
X
0
+ X
0
N
0
+ 2(X
0
+ X) < 0
(2.17)
avec
_
_
_
N
0
= PA K
0
C
X = X
0
+X
.
2.2.6 Exemple
Considrons un systme dynamique linaire entres inconnues modlis de la faon
suivante :
_
_
_
x(t) = Ax(t) + Bu(t) + R u (t)
y (t) = Cx(t)
(2.18)
41
Chapitre 2. Observateurs de systmes linaires
avec :
A =
_

_
0.2 0.1 0.01
0.1 0.2 0
0.2 0.1 0.5
_

_
, B =
_

_
1
0.5
0.5
_

_
, R =
_

_
1
1
1
_

_
et C =
_
1 1 1
_
On notera que la matrice R est de plein rang colonne et que la paire (A, C) est observable.
Lobservateur dtat qui reconstruit compltement le vecteur dtat du systme (2.18) est
le suivant :
_
_
_
z (t) = Nz (t) + Gu(t) + Ly (t)
x(t) = z (t) Ey (t)
(2.19)
Sil existe une matrice de Lyapunov X et un gain K satisfaisant les contraintes (2.5) et
(2.8), lobservateur (2.19) estime asymptotiquement le vecteur dtat du systme (2.18).
En utilisant la deuxime mthode de rsolution (changement de variables), les conditions
de convergence sont les suivantes :
E = R(CR)
T
((CR)(CR)
T
)
1
(2.20a)
P = I R(CR)
T
((CR)(CR)
T
)
1
C (2.20b)
G = PB (2.20c)
N = PA KC (2.20d)
L = K NE (2.20e)
W = XK (2.20f)
(PA)
T
X + X(PA) (C
T
W
T
+WC) < 0 (2.20g)
1. la relation (2.20a) dtermine compltement la matrice E de lobservateur, on en
dduit alors les valeurs des matrices P et G.
2. le calcul des matrices W et X est eectu par la rsolution de lingalit (2.20g)
dans laquelle nous avons remplac la matrice N par sa valeur issue de (2.20d), on
en dduit par un calcul direct la valeurs de la matrice K = X
1
W (2.20f).
3. les matrices N et L sont dtermines directement partir des relations (2.20d) et
(2.20e).
Une solution satisfaisant les contraintes (2.20) est la suivante :
42
2.2. Observateur entres inconnues
E =
_

_
0.33
0.33
0.33
_

_
, P =
_

_
0.66 0.33 0.33
0.33 0.66 0.33
0.33 0.33 0.66
_

_
, G =
_

_
0.33
0.16
0.16
_

_
N =
_

_
0.41 0.08 0.01
0.23 0.03 0.33
0.003 0.06 0.5
_

_
, K =
_

_
0.35
0.34
0.35
_

_
, L =
_

_
0.18
0.16
0.16
_

_
La gure (2.2) montre lentre connue applique au systme et la gure (2.3) montre len-
tre inconnue u(t), les conditions initiales sont x
0
=
_
1.5 0 0
_
T
et x
0
=
_
0.1 0.1 0.1
_
T
.
Les gures (2.4) visualisent les erreurs destimation dtat. On observe la bonne qualit
de lestimation, sauf au voisinage de lorigine des temps, cela est d au choix des valeurs
initiales de lobservateur dtat.
0 10 20 30 40 50 60
0
0.5
1
1.5
2
2.5
3
3.5
4
Fig. 2.2 Entre connue u(t)
0 5 10 15 20 25 30 35 40
0
0.5
1
1.5
Fig. 2.3 Entre inconnue u(t)
0 10 20 30 40 50 60
0
1
2
3
4
5
6
7
8
9
10
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
1
0
1
2
3
4
5
x
1
(t) x
1
(t) x
2
(t) x
2
(t) x
3
(t) x
3
(t)
Fig. 2.4 Erreurs destimation dtat
43
Chapitre 2. Observateurs de systmes linaires
2.2.7 Conclusion
Dans cette partie, nous avons montr comment concevoir un observateur pour un systme
dynamique linaire soumis linuence dentres inconnues. La dtermination du gain de
lobservateur pour garantir sa convergence et assurer certaines performances dynamiques
conduit la rsolution dun problme du type BMI (ingalits bilinaires matricielles).
La rsolution de ces contraintes BMI est eectue par deux mthodes :
la premire est dite mthode locale qui consiste linariser lingalit (2.8) par rap-
port aux variables autour de valeurs initiales "bien choisies". Linconvnient princi-
pal de cette mthode rside dans le choix des valeurs initiales des matrices K et X
et du domaine de validit de la solution.
la deuxime, base sur un changement de variables et quon peut qualier de m-
thode globale permet une dtermination plus aise des matrices dcrivant lobser-
vateur.
Un tel changement de variable nest pas toujours possible, cela dpend de la structure
de lquation bilinaire initiale. Nous verrons ultrieurement des situations o seule la
premire mthode peut tre employe.
44
2.3. Introduction au dveloppement dobservateurs discontinus
2.3 Introduction au dveloppement dobservateurs dis-
continus
Ces dernires annes, le problme de commande ou de diagnostic des systmes dynamiques
incertains soumis des perturbations externes a fait lobjet dun grand intrt. Dans la
pratique, il nest pas toujours possible de mesurer le vecteur dtat ; dans ce cas, on utilise
une mthode de conception base seulement sur les sorties mesures et les entres connues.
Du point de vue de la commande robuste, les proprits souhaitables des systmes de com-
mande structure variable, particulirement avec un mode glissant, sont bien dveloppes
[Utki 92] [DeCa 88]. Malgr lactivit fructueuse de la recherche et de dveloppement de
la thorie de la commande structure variable et son insensibilit par rapport aux incer-
titudes ou aux entres inconnues, peu dauteurs ont considr lapplication des principes
fondamentaux au problme de conception dobservateur. [Utki 81] prsente une mthode
de conception dun observateur structure discontinue pour lequel lerreur entre les sor-
ties estimes et mesures est force converger vers zro. Dorling et Zinober [Dorl 86]
explorent lapplication pratique de cet observateur un systme incertain et examinent
les dicults du choix dun gain appropri glissant. Walcott et al. [Walc 87], Walcott et
Zac [Walc 88] et Zak [Zak 90] prsentent une mthode de conception dobservateur base
sur lapproche de Lyapunov et, sous des hypothses appropries, montrent la dcroissance
asymptotique de lerreur destimation dtat en prsence de non-linearits/incertitudes
bornes.
Rcemment, Ha [Ha 03] prsent une mthodologie pour concevoir un contrleur mode
glissant, pour un systme linaire incertain, bas sur la technique de placement de ples
en utilisant un observateur mode glissant. Xiong [Xion 01] a considr un observateur
mode glissant pour lestimation dtat dun systme non linaire incertain, les incerti-
tudes sont considres comme tant des entres inconnues. Islam [Isla 03] a propos une
valuation thorique et exprimentale dun observateur mode glissant pour mesurer la
position et la vitesse sur un moteur reluctance commute.
Dans cette partie, on cherche construire un observateur mode glissant sappuyant
sur les contributions existantes dcrites ci-dessus ; la section 2 de cette partie fournit
un rappel dtaill des approches de conception dUtkin [Utki 92] et de Walcott et Zac
[Walc 86] [Walc 88]. Dans la section 3, nous nous sommes intresss la mthodologie
dveloppe par Edwards et Spurgeon [Edwa 94] [Edwa 00] pour dterminer lexpression
du gain dun observateur et qui surmonte les inconvnients de lobservateur de Walcott
et Zak [Walc 88] ; une approche de Lyapunov est utilise pour assurer la convergence
asymptotique de lerreur destimation dtat. La rsolution des ingalits de Lyapunov
45
Chapitre 2. Observateurs de systmes linaires
conduit la rsolution dun problme de type LMI.
2.4 Mthodes de conception dobservateurs discontinus
Considrons un systme dynamique incertain dcrit par :
_
_
_
x (t) = Ax(t) + Bu(t) + f (x, u, t)
y (t) = Cx(t)
(2.21)
o x(t) reprsente le vecteur dtat, u(t) est le vecteur dentres connues du systme et
y(t) est la sortie mesure, A R
nn
, B R
nm
, C R
pn
avec p m. La fonction
inconnue f : R
n
R
m
R
+
R
n
reprsente les incertitudes et satisfait les conditions
suivantes :
|f (x, u, t)| , x(t) R
n
, u(t) R
m
, t 0 (2.22)
En outre, la matrice C est suppose de plein rang ligne. Le problme considr ici est la
reconstruction du vecteur dtat en dpit de la prsence des entres inconnues.
2.4.1 Observateur dUtkin
Considrons tout dabord le systme (2.21) et supposons que la paire (A, C) soit observable
et que la fonction f(x, u, t) 0. La reconstruction des tats sappuyant sur les sorties
mesures, il est naturel deectuer un changement de coordonnes pour que les sorties du
systme apparaissent directement comme des composantes du vecteur dtat. Sans perte
de gnralit, la matrice de sortie peut tre crite comme suit :
C =
_
C
1
C
2
_
(2.23)
o C
1
R
p(np)
, C
2
R
pp
avec det(C
2
) ,= 0. Alors, la matrice de transformation
T =
_
I
np
0
C
1
C
2
_
(2.24)
est non singulire et, dans ce nouveau systme de coordonnes, on peut facilement vrier
que la nouvelle matrice de sortie scrit comme suit :
CT
1
=
_
0 I
p
_
Les nouvelles matrices dtat et de commande scrivent :
A = TAT
1
=
_
A
11
A
12
A
21
A
22
_
et B = TB =
_
B
1
B
2
_
46
2.4. Mthodes de conception dobservateurs discontinus
Le systme nominal peut alors tre crit de la faon suivante :
_
x
1
(t) = A
11
x
1
(t) + A
12
y (t) +B
1
u(t)
y (t) = A
21
x
1
(t) +A
22
y (t) +B
2
u(t)
(2.25)
o
_
x
1
(t)
y (t)
_
= Tx(t) et x
1
(t) R
np
Lobservateur propos par Utkin [Utki 81] a la forme suivante :
_
_
_

x
1
(t) = A
11
x
1
(t) +A
12
y (t) + B
1
u(t) + Lv (t)

y (t) = A
21
x
1
(t) + A
22
y (t) + B
2
u(t) v (t)
(2.26)
o ( x
1
(t), y(t)) sont les estims de (x
1
(t), y(t)), L R
(np)p
est le gain de lobservateur
et les composantes du vecteur discontinu v(t) sont dnies par lquation :
v
i
(t) = Msgn( y
i
(t) y
i
(t)) pour M R
+
(2.27)
o y
i
(t) et y
i
(t) sont respectivement les composantes des vecteur y(t) et y(t) et sgn
reprsente la fonction signe. Dsignons par e
1
(t) et e
y
(t) les erreurs destimation dtat et
de sortie :
e
1
(t) = x
1
(t) x
1
(t)
e
y
(t) = y(t) y(t)
(2.28)
A partir des quations (2.25), (2.26) et (2.28), le systme suivant peut tre obtenu :
_
_
_
e
1
(t) = A
11
e
1
(t) + A
12
e
y
(t) + Lv (t)
e
y
(t) = A
21
e
1
(t) + A
22
e
y
(t) v (t)
(2.29)
Comme la paire (A, C) est observable, la paire (A
11
, A
21
) lest galement. Par consquent,
L peut tre choisi pour que les valeurs propres de la matrice A
11
+ LA
21
soient dans le
demi-plan gauche du plan complexe. Dnissons maintenant le nouveau changement de
variable :
T
s
=
_
I
np
L
0 I
p
_
et
_
x

1
(t)
y (t)
_
= T
s
_
x
1
(t)
y (t)
_
Aprs ce changement de variable, les erreurs destimation scrivent :
e

1
(t) = A

11
e

1
(t) + A

12
e
y
(t) (2.30)
e
y
(t) = A
21
e

1
(t) + A

22
e
y
(t) v (t) (2.31)
47
Chapitre 2. Observateurs de systmes linaires
avec e

1
(t) = e
1
(t) +Le
y
(t) et A

11
= A
11
+LA
21
, A

12
= A
12
+LA
22
A

11
L et A

22
= A
22

A
21
L. On peut montrer, en utilisant la thorie des perturbations singulires, que pour un
M assez grand, un mouvement glissant peut prendre naissance sur lerreur de sortie (2.31).
Donc, aprs un temps ni t
s
, lerreur e
y
(t) et sa drive sont nulles (e
y
(t) = 0, e
y
(t) = 0).
Lquation (2.30) devient :
e

1
(t) = A

11
e

1
(t) (2.32)
En choisissant correctement la matrice de gain L (pour que la matrice A

11
soit stable),
le systme dquations des erreurs (2.30-2.31) est stable, cest--dire e

1
(t) 0 quand
t . Par consquent x
1
(t) x
1
(t) et lautre composante du vecteur dtat x
2
(t) peut
tre reconstruite dans le systme de coordonnes originales comme suit :
x
2
(t) = C
1
2
(y(t) C
1
x
1
(t)) (2.33)
La dicult pratique principale de cette approche rside dans le choix dun gain appropri
M pour induire un mouvement glissant dans un temps ni. Dorling et Zinober [Dorl 86]
montrent la ncessit de modier le gain M pendant lintervalle de temps an de rduire
les commutations excessives.
2.4.2 Observateur de Walcott et ak
Le problme considr par Walcott et ak [Walc 86] [Walc 88] est lestimation dtat dun
systme dcrit par (2.21) de sorte que lerreur tende vers zro dune faon exponentielle
malgr la prsence des incertitudes considres. Dans cette partie, on suppose que :
f(x, u, t) = R(x, t) (2.34)
o la fonction : R
n
R
+
R
q
est une fonction borne et inconnue, telle que :
| (x(t) , t)| , x(t) R
n
, t 0
On considre quil existe une matrice G R
np
telle que la matrice A
0
= (AGC) a des
valeurs propres stables, une paire de matrices de Lyapunov (P, Q) symtriques et dnies
positives et une matrice F respectant la contrainte structurelle suivante :
(A GC)
T
P + P(A GC) = Q
C
T
F
T
= PR
(2.35)
Lobservateur propos est de la forme

x(t) = A x(t) +Bu(t) G(C x(t) y(t)) +v(t) (2.36)


48
2.4. Mthodes de conception dobservateurs discontinus
v(t) =
_
_
_

P
1
C
T
F
T
FCe (t)
|FCe (t)|
si FCe (t) ,= 0
0 sinon
(2.37)
o
e(t) = x(t) x(t) (2.38)
La dynamique de lerreur destimation dtat engendre par cet observateur est rgie par
lquation suivante :
e(t) =

x(t) x(t)
= A x(t) +Bu(t) G(C x(t) y(t)) +v(t) (Ax(t) + Bu(t) + R(x, t))
= (A GC)e(t) + v(t) R(x, t)
Considrons la fonction de Lyapunov suivante :
V (e(t)) = e
T
(t)Pe(t)
Sa drive le long de la trajectoire de lerreur destimation scrit :

V (e(t)) = e
T
(t)Pe(t) + e
T
(t)P e(t)
=
_
(A GC)e(t) + v(t) R(x, t)
_
T
Pe(t) +e
T
(t)P
_
(A GC)e(t) + v(t) R(x, t)
_
= e
T
(t)Qe(t) + 2e
T
(t)Pv(t) 2e
T
(t)PR(x, t)
= e
T
(t)Qe(t) + 2e
T
(t)Pv(t) 2e
T
(t)C
T
F
T
(x, t)
Pour continuer la dmonstration, on distingue deux cas.
Cas 1 : Lorsque FCe(t) ,= 0, en remplaant lexpression de v(t) par lquation (2.37), la
drive de la fonction de Lyapunov devient :

V (e(t)) = e
T
(t)Qe(t) 2e
T
(t)
C
T
F
T
FCe(t)
|FCe(t)|
2e
T
(t)C
T
F
T
(x, t)
= e
T
(t)Qe(t) 2|FCe(t)| 2e
T
(t)C
T
F
T
(x, t)
En utilisant le fait que la fonction inconnue (x, t) est borne par un scalaire positif
, la drive de la fonction de Lyapunov peut tre majore de la faon suivante :

V (e(t)) e
T
(t)Qe(t) 2|FCe(t)| + 2|FCe(t)|
e
T
Qe(t) < 0
Cas 2 : Lorsque FCe(t) = 0, en remplaant lexpression de v(t) par lquation (2.37), la
drive de la fonction de Lyapunov devient :

V (e(t)) = e
T
(t)Qe(t) < 0
49
Chapitre 2. Observateurs de systmes linaires
Donc, dans les deux cas, nous avons bien montr que la drive de la fonction de Lyapunov
est ngative ce qui montre que lerreur destimation dtat converge asymptotiquement
vers zro.
Pour garantir la convergence asymptotique de lobservateur, on doit vrier que :
la paire (A, C) est observable,
il existe une paire de matrices de Lyapunov (P, Q) et une matrice F respectant les
contraintes (2.35).
2.4.3 Exemple dapplication
Considrons un systme linaire soumis linuence dune entre inconnue et modlis
sous la forme :
_
_
_
x(t) = Ax(t) + Bu(t) +R(x, t)
y (t) = Cx(t)
(2.39)
avec :
A =
_

_
2 1 1
1 3 0
2 1 6
_

_
, B =
_

_
1
0.5
0.5
_

_
, R =
_

_
1
1
1
_

_
et C =
_
1 1 1
1 0 1
_
On remarquera que la matrice R et de plein rang colonne et que la paire (A, C) est ob-
servable. Lobservateur dtat, qui reconstruit compltement le vecteur dtat du systme
(2.39) est le suivant :

x(t) = A x(t) +Bu(t) G(C x(t) y(t)) +v(t) (2.40)


o Ce(t) = y(t) y(t) et v(t) =
_

P
1
C
T
F
T
FCe (t)
|FCe (t)|
si FCe (t) ,= 0
0 sinon
(2.41)
Les matrices de lobservateur (2.40) sont dtermines, en utilisant la mthode de chan-
gement de variables voqu prcdemment, par la rsolution des contraintes (2.35). Les
valeurs numriques sont les suivantes :
avec : = 1.5, P =
_

_
0.73 0.10 0.01
0.10 0.1 0.10
0.01 0.10 0.73
_

_
, G =
_

_
2.04 2.01
1.54 0.19
2.80 2.17
_

_
, et F =
_
0.31 0.53
_
50
2.5. Observateur mode glissant utilisant une forme canonique
0 5 10 15 20 25 30 35 40
4
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
5
Fig. 2.5 Entre connue u(t)
0 5 10 15 20 25 30 35 40
0
0.5
1
1.5
Fig. 2.6 Entre inconnue u(t)
0 2 4 6 8 10 12 14 16 18 20
0.2
0
0.2
0.4
0.6
0.8
1
2 4 6 8 10 12 14 16 18 20
0.1
0
0.1
0.2
0.3
0.4
0.5
2 4 6 8 10 12 14 16 18 20
0.5
0.4
0.3
0.2
0.1
0
0.1
x
1
(t) x
1
(t) x
2
(t) x
2
(t) x
3
(t) x
3
(t)
Fig. 2.7 Erreurs destimation dtat
Les gures (2.5) et (2.6) montrent respectivement les entres connue et inconnue du sys-
tme (2.39). Les gures (2.7) visualisent lerreur destimation dtat entre les tats gnrs
par le systme (2.39) et leurs estimations respectives gnres par lobservateur (2.40),
on constate, sur cet exemple que les tats estims convergent asymptotiquement vers les
tats du systme.
Linconvnient majeur de lobservateur de Walcott et Zak survient lorsque le terme FCe(t) = 0
alors que lerreur destimation de la sortie Ce(t) ,= 0, Cest--dire lorsque la matrice F
est orthogonale au vecteur Ce(t). Dans ce cas de gure, la convergence de lobservateur
nest pas garantie.
2.5 Observateur mode glissant utilisant une forme ca-
nonique
Edward et Spurgeon [Edwa 94] [Edwa 00] ont prsent une mthode de conception dun
observateur mode glissant, base sur la structure de lobservateur de Walcott et Zak
51
Chapitre 2. Observateurs de systmes linaires
[Walc 88], tout en vitant linconvnient majeur de lobservateur de Walcott et Zak signal
prcdemment.
Pour cela, considrons de nouveau le systme dynamique prsent au paragraphe prc-
dent :
_
_
_
x (t) = Ax(t) +Bu(t) +R (x, u, t)
y (t) = Cx(t)
(2.42)
o A R
nn
, B R
nm
, C R
pn
et D R
nq
o p q. On suppose que les matrices
A, B et R sont de plein rang et la fonction : R
+
R
n
R
m
R
q
est une fonction
borne inconnue telle que :
|(x, u, t)| (2.43)
Avant de passer lestimation du vecteur dtat et de sortie du systme (2.42), nous allons
procder deux changements de coordonnes du vecteur dtat.
2.5.1 Simplication de lquation de sortie
Supposons que le systme dcrit ci-dessus soit observable, au sens particulier o la paire
(A, C) est observable. Il est assez naturel deectuer un changement de coordonnes pour
que les sorties du systme apparaissent directement comme des composantes du vecteur
dtat. Sans perte de gnralit, la matrice de sortie peut tre crite [Walc 88] :
C =
_
C
1
C
2
_
(2.44)
o C
1
R
p(np)
, C
2
R
pp
et det(C
2
) ,= 0. Eectuons alors le changement de coordon-
nes suivant :
x(t) =

Tx(t) (2.45)
o

T est une matrice non singulire dnie de la manire suivante :

T =
_
I
np
0
C
1
C
2
_
(2.46)
Dans ce nouveau systme de coordonnes, on peut facilement vrier que la nouvelle
matrice de sortie scrit :

C = C

T
1
=
_
0 I
p
_
(2.47)
Les autres matrices se transforment de la manire suivante :

A =

TA

T
1
=
_

A
11

A
12

A
21

A
22
_
,

B =

TB =
_

B
1

B
2
_
et

R =

TR =
_

R
1

R
2
_
(2.48)
52
2.5. Observateur mode glissant utilisant une forme canonique
Le systme (2.42) peut alors tre crit sous la forme :
_
_
_

x(t) =

A x(t) +

Bu(t) +

R (x, u, t)
y (t) =

C x(t) = x
2
(t)
(2.49)
Le changement de coordonnes permet donc dexprimer directement le vecteur de sortie
en fonction dune partie du vecteur dtat.
Les contraintes (2.35) et les matrices de Lyapunov (P, Q) subissent alors les transforma-
tions suivantes :
(

A

G

C)
T

P +

P(

A

G

C) =

C
T
F
T
=

P

R
(2.50)
_

P =
_

T
1
_
T
P

T
1

Q =
_

T
1
_
T
Q

T
1

G =

T
1
G
(2.51)
2.5.2 Dcouplage de la fonction inconnue
Nous pouvons maintenant utiliser un rsultat tabli par Walcott et Zak concernant la
conception dun observateur robuste par rapport la prsence dentres inconnues ou
dincertitudes de modle.
Soit le modle linaire (

A,

B,

R,

C) dni par lquation dtat (2.49) o

A est une matrice
stable, et soit (

A,

B,

R,

C) li (

A,

B,

R,

C) par le changement de coordonnes suivant :
x(t) =

T x(t) (2.52)
Le quadruplet (

A,

B,

R,

C) scrit alors :
_

A =

T

A

T
1
=
_

A
11

A
12

A
21

A
22
_
,

B =

T

B =
_

B
1

B
2
_
,

R =

T

R =
_

R
1

R
2
_
et

C =

C

T
1
=
_
0 I
p
_
(2.53)
Les contraintes (2.50) et les matrices (

P,

Q) deviennent :
(

A

G

C)
T

P +

P(

A

G

C) =

C
T
F
T
=

P

R
(2.54)
53
Chapitre 2. Observateurs de systmes linaires
_

P =
_

T
1
_
T

P

T
1

Q =
_

T
1
_
T

T
1

G =

T
1

G
(2.55)
Proposition 1 : soit le modle linaire (

A,

B,

R,

C) dni par lquation dtat (2.49)
pour lequel il existe une paire de matrices (

P, F) dnies par les contraintes (2.35) et
(2.51), alors il existe une transformation non singulire

T telle que les nouvelles coor-
donnes du quadruplet (

A,

B,

R,

C) et la paire (

P, F) correspondante ont les proprits
suivantes :
1.

A =
_

A
11

A
12

A
21

A
22
_
o

A
11
R
(np)(np)
est une matrice stable.
2.

R =
_
0
P

22
F
T
_
o P
22
R
pp
avec P

22
= (P

22
)
T
> 0.
3.

C =
_
0 I
p
_
.
4. La matrice de Lyapunov a une structure bloc-diagonale

P =
_

P
1
0
0

P
2
_
avec

P
1

R
(np)(np)
et

P
2
R
pp
.
Dmonstration : soit la paire (

P, F) associe au modle linaire (

A,

B,

R,

C) et soit
la matrice de Lyapunov

P crite sous la forme suivante :

P =
_

P
11

P
12

P
T
12

P
22
_
o
_

P
11
R
(np)(np)
est rgulire

P
12
R
(np)p
et

P
22
R
pp
(2.56)
Le changement de coordonnes utilise la matrice de transformation

T suivante :

T =
_

P
11

P
12
0 I
p
_
(2.57)
qui est non singulire, la matrice

P
11
tant une matrice symtrique dnie positive

P
11
=

P
T
11
> 0. Dans les nouvelles coordonnes, on obtient :

C =

C

T
1
=
_
0 I
p
_
. Ainsi, la
proprit 3 est satisfaite.
A partir de lquation (2.51) on obtient :

R =

P
1

C
T
F
T
. Si lon note :

P
1
=
_
P

11
P

12
P

21
P

22
_
(2.58)
on obtient :

R =

T

R =
_

P
11

P
12
0 I
p
__
P

11
P

12
P

21
P

22
__
0
I
p
_
F
T
=
_
0
P

22
F
T
_
=
_
0

R
2
_
(2.59)
54
2.6. Synthse dun observateur mode glissant
Ainsi, la deuxime proprit explicitant le dcouplage des entres inconnues (fonction
incertaine) est prouve.
Sil existe une matrice de Lyapunov

P qui satisfait les contraintes (2.51), alors la matrice

P =
_

T
1
_
T

P

T
1
reprsente la matrice de Lyapunov pour la matrice dtat

A
0
=

A

G

C
et satisfait la contrainte

C
T
F
T
=

P

R. En utilisant un calcul direct, on peut aisment
trouver :

P =
_

P
1
11
0

P
T
12

P
1
11
I
p
__

P
11

P
12

P
T
12

P
22
__

P
1
11

P
1
11

P
12
0 I
p
_
=
_

P
1
11
0
0

P
2
_
(2.60)
o

P
2
=

P
22


P
T
12

P
1
11

P
12
. Ainsi, la matrice

P a la structure bloc-diagonale indique la
proprit 4.
Enn, en remplaant la matrice

P (2.60) dans la contrainte (2.54), on obtient :
_

A
011

A
012

A
021

A
022
_
T
_

P
1
0
0

P
2
_
+
_

P
1
0
0

P
2
__

A
011

A
012

A
021

A
022
_
< 0

_
_
_

A
T
011

P
1
+

P
1

A
011
< 0

A
T
022

P
2
+

P
2

A
022
< 0
avec

A
0
=
_

A
011

A
012

A
021

A
022
_
(2.61)
Or on a

A
011
=

A
11

_

G

C
_
11
=

A
11
, car (

G

C)
11
= 0 G R
np
parce que

C =
_
0 I
p
_
et par consquent la matrice

A
11
est stable. Ainsi la proprit 1 est prouve.
2.6 Synthse dun observateur mode glissant
Soit un systme (2.49) dcrit par (

A,

B,

R,

C) pour lequel il existe une paire de matrices
de Lyapunov (

P,

Q) vriant les contraintes (2.62) suivantes :
(

A

G

C)
T

P +

P(

A

G

C) =

C
T
F
T
=

P

R
(2.62)
Alors, il existe une transformation non singulire

T de telle sorte que le systme linaire
soumis linuence des entres inconnues ou bien aux incertitudes de modle dni par
55
Chapitre 2. Observateurs de systmes linaires
(

A,

B,

R,

C) peut tre crit sous la forme suivante :
_

x
1
(t) =

A
11
x
1
(t) +

A
12
x
2
(t) +

B
1
u(t)

x
2
(t) =

A
21
x
1
(t) +

A
22
x
2
(t) +

B
2
u(t) +

R
2
(x, u, t)
y (t) = x
2
(t)
(2.63)
On constate que x
1
(t) ne dpend pas explicitement de la fonction inconnue (incertaine)
et que la deuxime composante du vecteur dtat nest autre que la sortie mesurable y(t).
Lobservateur propos par Edwards et Spurgeon [Edwa 94] a la forme suivante :
_

x
1
(t) =

A
11

x
1
(t) +

A
12

x
2
(t) +

B
1
u(t)

A
12
e
y
(t)

y (t) =

A
21

x
1
(t) +

A
22
y (t) +

B
2
u(t)
_

A
22


A
s
22
_
e
y
(t) + (t)
y (t) =

x
2
(t)
(2.64)
o
_

x
1
(t)

x
2
(t)
_
T
reprsente le vecteur dtat estim,

A
s
22
est une matrice stable arbitraire et
la variable (t) est dnie comme suit :
(t) =
_

_
_
R
2
_
_
P
2
e
y
(t)
|P
2
e
y
(t)|
si e
y
(t) ,= 0
0 si e
y
(t) = 0
(2.65)
avec P
2
R
pp
matrice symtrique et dnie positive, solution de lquation de Lyapunov
suivante :
P
2

A
s
22
+ (

A
s
22
)
T
P
2
= Q
2
(2.66)
Notons que les erreurs destimation dtat et de sortie sont dnies par les quations
suivantes :
_
_
_
e
1
(t) =

x
1
(t) x
1
(t)
e
y
(t) = y (t) y (t)
(2.67)
et que leurs dynamiques vrient respectivement :
e
1
(t) =

A
11
e
1
(t) (2.68)
e
y
(t) =

A
21
e
1
(t) +

A
s
22
e
y
(t) + (t)

R
2
(x, u, t) (2.69)
An de dmontrer la convergence asymptotique de lobservateur (2.64), considrons la
fonction de Lyapunov suivante :
V (e
1
(t), e
y
(t)) = e
T
1
(t)P
1
e
1
(t) + e
T
y
(t)P
2
e
y
(t) (2.70)
56
2.6. Synthse dun observateur mode glissant
Sa drive par rapport au temps le long de la trajectoire du systme (2.68)(2.69) en
utilisant lquation (2.65) et la contrainte (2.54) sexplicite :

V (e
1
(t), e
y
(t)) = e
T
1
(t)
_

A
T
11
P
1
+ P
1

A
11
_
e
1
(t) + e
T
y
(t)
_
_

A
s
22
_
T
P
2
+ P
2

A
s
22
_
e
y
(t) +
e
T
1
(t)

A
T
21
P
2
e
y
(t) + e
T
y
(t) P
2

A
21
e
1
(t) + 2e
T
y
(t) P
2
(t) 2e
T
y
(t) P
2

R
2
(x, u, t)
(2.71)
Proposition 2 : il existe une matrice symtrique dnie positive P
2
, telle que les erreurs
destimation (2.68) et (2.69) tendent asymptotiquement vers zro.
Dmonstration : soient Q
1
R
(np)(np)
et Q
2
R
pp
des matrices symtriques et
dnies positives. Dnissons la matrice

Q symtrique et dnie positive :

Q =

A
T
21
P
2
Q
1
2
P
2

A
21
+ Q
1
(2.72)
Soit P
1
R
(np)(np)
une matrice dnie symtrique et positive, choisie comme unique
solution de lquation de Lyapunov suivante :

A
T
11
P
1
+ P
1

A
11
=

Q (2.73)
La drive de la fonction de Lyapunov tenant compte de lexpression (2.73) scrit alors :

V (e
1
(t), e
y
(t)) =e
T
1
(t)

Qe
1
(t) e
T
y
(t)Q
2
e
y
(t) +e
T
1
(t)

A
T
21
P
2
e
y
(t)+
e
T
y
(t)P
2

A
21
e
1
(t) + 2e
y
(t)
T
(t)P
2
(t) 2e
T
y
(t)P
2

R
2
(x, u, t)
(2.74)
On peut vrier aisment que :
_
e
y
(t) Q
1
2
P
2

A
21
e
1
_
T
Q
2
_
e
y
(t) Q
1
2
P
2

A
21
e
1
(t)
_
=
e
T
y
(t)Q
2
e
y
(t) e
T
1
(t)

A
T
21
P
2
e
y
(t) e
y
(t)
T
P
2

A
21
e
1
(t) + e
T
1
(t)

A
T
21
P
2
Q
1
2
P
2

A
21
e
1
(t)
(2.75)
En utilisant la relation (2.75), la drive de la fonction de Lyapunov devient :

V (e
1
(t), e
y
(t)) =e
T
1
(t)

Qe
1
(t) + e
T
1

A
T
21
P
2
Q
1
2
P
2

A
21
e
1
(t)
e
T
y
(t)Q
2
e
y
(t) + 2e
T
y
(t)P
2
(t) 2e
T
2
P
2

R
2
(x, u, t)
avec e
y
(t) = e
y
(t) Q
1
2
P
2

A
21
e
1
(t)
En utilisant lquation (2.72), la drive de la fonction de Lyapunov scrit :

V (e
1
(t), e
y
(t)) = e
T
1
(t)Q
1
e
1
(t) e
T
y
(t)Q
2
e
y
(t) + 2e
T
y
(t)P
2
(t) 2e
T
y
(t)P
2

R
2
(x, u, t)
57
Chapitre 2. Observateurs de systmes linaires
1. Supposons que lerreur de sortie e
y
(t) soit non nulle. En utilisant lexpression (2.65)
de la variable (t), la drive de la fonction V devient :

V (e
1
(t), e
y
(t)) = e
T
1
(t)Q
1
e
1
(t) e
T
y
(t)Q
2
e
y
(t)2
_
_
R
2
_
_
_
_
e
T
y
(t)P
2
_
_
2e
T
y
(t)P
2

R
2
(x, u, t)
En utilisant le fait que les entres inconnues sont bornes, on a :

V (e
1
(t), e
y
(t)) e
T
1
(t)Q
1
e
1
(t) e
T
y
(t)Q
2
e
y
(t) 2
_
_
R
2
_
_
_
_
e
T
y
(t)P
2
_
_
+ 2
_
_
R
2
_
_
_
_
e
T
y
(t)P
2
_
_
e
T
1
(t)Q
1
e
1
(t) e
T
y
(t)Q
2
e
y
(t) < 0
pour (e
1
(t), e
y
(t)) ,= 0
2. Supposons maintenant que lerreur de sortie soit nulle, la fonction

V (t) scrit alors :

V (e
1
(t), e
y
(t)) = e
T
1
(t)Q
1
e
1
(t) e
T
y
(t)Q
2
e
y
(t) < 0
On a donc dmontr que les erreurs e
1
(t) et e
y
(t) tendent vers zro de faon asymptotique.
En rsum, pour le systme dynamique incertain :
_
_
_
x (t) = Ax(t) +Bu(t) +R (x, u, t)
y (t) = Cx(t)
(2.76)
tel que |(x, u, t)| , lobservateur propos permettant de saranchir des incertitudes
scrit :
_
_
_

x(t) = A x(t) + Bu G
l
( y(t) y(t)) + G
n
(t)
y (t) = C x(t)
(2.77)
_

_
G
l
=
_

T

T
_
1
_

A
12

A
22


A
s
22
_
, G
n
=
_

T

T
_
1
_
0
I
p
_
(t) =
_

_
_
R
2
_
_
P
2
Ce(t)
|P
2
Ce(t)|
si Ce(t) ,= 0
0 sinon
e
y
(t) = y(t) y(t)
(2.78)
La structure de lobservateur (2.77) est dirente de celle de Walcott et Zak [Walc 88]
(2.36) et (2.37), la variable glissante (t), qui compense les incertitudes du systme (2.42),
dpend de lerreur de lestimation de la sortie e
y
(t).
58
2.7. Conclusion
2.7 Conclusion
Dans cette section, nous avons montr lutilisation du mode glissant dans la conception
des observateurs pour une classe de systmes linaires incertains. Nous avons considr
la conception selon Walcott et Zak. Linconvnient de cette mthode rside dans le calcul
de la variable glissante, car dans le cas o la matrice F (2.35) est orthogonale au vecteur
Ce(t), la convergence de lobservateur nest pas garantie. Pour remdier ce problme,
Edwards et Spurgeon ont labor un observateur, en utilisant la forme canonique du
systme, bas sur la structure de lobservateur de Walcott et Zak o le calcul de la variable
glissante dpend de lexistence de quelques matrices appropries et de lerreur de sortie an
de rsoudre cette dicult. Enn, nous avons montr que le problme de la convergence
dun observateur mode glissant peut se traduire par un problme de type LMI.
59
Chapitre 2. Observateurs de systmes linaires
60
3
Sur lanalyse des systmes multimodles
Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2 Obtention dune structure multimodle . . . . . . . . . . . . . 64
3.3 Direntes structures multimodle . . . . . . . . . . . . . . . . 65
3.3.1 Structure couple . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.3.2 Structure dcouple . . . . . . . . . . . . . . . . . . . . . . . . 66
3.3.3 Structure hirarchise . . . . . . . . . . . . . . . . . . . . . . . 67
3.3.4 Recherche des modles locaux par identication . . . . . . . . . 68
3.3.5 Recherche des modles locaux par linarisation . . . . . . . . . 69
3.4 Optimisation paramtrique . . . . . . . . . . . . . . . . . . . . . 70
3.4.1 Algorithme du gradient . . . . . . . . . . . . . . . . . . . . . . 71
3.4.2 Algorithme de Newton . . . . . . . . . . . . . . . . . . . . . . . 71
3.4.3 Algorithme de Gauss-Newton . . . . . . . . . . . . . . . . . . . 71
3.5 Exemple dillustration . . . . . . . . . . . . . . . . . . . . . . . . 72
3.6 Stabilit des multimodles . . . . . . . . . . . . . . . . . . . . . 76
3.6.1 Stabilit quadratique . . . . . . . . . . . . . . . . . . . . . . . . 76
3.6.2 Stabilit relaxe . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.7 Stabilit des multimodles incertains . . . . . . . . . . . . . . . 78
61
Chapitre 3. Sur lanalyse des systmes multimodles
3.8 Modlisation dun systme non linaire industriel par un
multimodle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.8.1 Description du systme "turbo-racteur" . . . . . . . . . . . . . 80
3.8.2 Reprsentation du turbo-racteur par un multimodle . . . . . 83
3.8.3 Simulation du modle du turboracteur . . . . . . . . . . . . . 94
3.8.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
62
3.1. Introduction
3.1 Introduction
La modlisation reprsente lindispensable tape prliminaire la conduite de processus
industriels. Cette tape fondamentale est ncessaire que ce soit pour llaboration dune
loi de commande ou bien pour le dveloppement dune procdure de diagnostic. La mo-
dlisation dun processus vise tablir les relations qui lient les variables caractristiques
de ce processus entre elles et reprsenter dune manire rigoureuse le comportement de
ce processus dans un domaine de fonctionnement donn.
En fonction des connaissances a priori sur le processus tudier, on peut envisager di-
rents types de modles en vue de reprsenter son comportement. Dans ce rapport, on se
limitera ltude de la modlisation par lapproche multimodle.
Lapproche multimodle a connu un intrt certain depuis la publication des travaux de
Johansen et Foss [Joha 92]. Lide de lapproche multimodle est dapprhender le com-
portement non linaire dun systme par un ensemble de modles locaux (linaires ou
anes) caractrisant le fonctionnement du systme dans direntes zones de fonctionne-
ment.
La motivation de cette approche dcoule du fait quil est souvent dicile de concevoir un
modle qui tient compte de toute la complexit du systme tudi. Au dpart, certains
auteurs ont essay de reprsenter des systmes non linaires avec des modles linaires
par morceaux construits partir dun arbre de dcision. Il en rsulte une approxima-
tion discontinue du systme due aux commutations entre les dirents modles linaires.
Malheureusement ces discontinuits peuvent tre indsirables dans la majorit des appli-
cations industrielles. Pour remdier ce problme, il est prfrable dassurer un passage
progressif dun modle un autre. On substitue aux fonctions de commutation front
raide des fonctions pente douce, ce qui cre un chevauchement entre les zones de va-
lidit des modles. Dans ce cas, les fonctions de commutation deviennent des fonctions
drives continues dont la pente dtermine la vitesse de passage dun modle un autre.
En 1985, Takagi et Sugeno ont propos un modle ou dun systme constitu dun en-
semble de rgles "si prmisse alors consquence", telle que la consquence dune rgle est
un modle ane. Le modle global sobtient par lagrgation des modles locaux. Quelques
annes aprs, Jacob et al [Jaco 91] ont prsent lapproche multi-experts qui est la com-
binaison de dirents experts par lentremise de fonctions dactivation, tel quun expert
est un modle dcrivant le comportement local dun systme. Lensemble de toutes ces
techniques conduit un modle global dun systme qui est une combinaison de modles
localement valables.
63
Chapitre 3. Sur lanalyse des systmes multimodles
Lidentication dune structure multimodle concerne la recherche dune structure opti-
male et lestimation des paramtres. Dans ce chapitre, on sintressera au choix de la
structure du multimodle et loptimisation paramtrique qui consiste estimer les pa-
ramtres des fonctions dactivation et ceux des modles locaux. Les raisons qui nous ont
conduit choisir comme mthode de modlisation lapproche multimodle sont multiples ;
la structure multimodle permet de simplier et dtudier aisment :
la stabilit dun systme non linaire, grce loutil numrique LMI qui permet de
trouver des solutions aux quations de Lyapuonv.
la synthse des correcteurs (constitu par exemple dun retour dtat pour chaque
modle local) et la synthse des multiobservateurs.
3.2 Obtention dune structure multimodle
Les multimodles reprsentent les systmes non linaires sous forme dune interpolation
entre des modles linaires locaux. Chaque modle local est un systme dynamique LTI
valide autour dun point de fonctionnement. Selon linformation dont on dispose, trois
mthodes distinctes peuvent tre utilises pour lobtention dun multimodle. Si lon ne
dispose que des mesures des entres et sorties du systme, on procde par identication
[Gass 00a] et [Gass 00b] en cherchant ou en imposant la structure du multimodle. Si, en
revanche, on dispose dun modle non linaire explicite que lon souhaite "simplier" ou
rendre plus manipulable on pourra procder par linarisation autour de dirents points
de fonctionnement (dans ce cas, il sagit de modles locaux anes d la prsence de
la constante provenant de la linarisation) [Joha 92] ou par transformation polytopique
convexe.
Illustrons la seconde approche en considrant un systme statique non linaire (3.1), pour
lequel nous cherchons dterminer une reprsentation multimodle permettant de dcrire
le comportement de ce systme.
y (t) = F (x(t)) (3.1)
Supposons quon dispose dun ensemble de M modles locaux f
i
(x(t)) descriptifs du com-
portement du systme dans direntes zones de fonctionnement. Ces modles peuvent
tre construits par exemple partir de connaissances physiques sur le fonctionnement
du systme dans ces zones. La validit locale de chaque modle f
i
est indique par une
fonction de validit
i
(x(t)) pour i 1, ..., M. Le modle global sobtient de la manire
64
3.3. Direntes structures multimodle
suivante :
y
m
(t) =
M

i=1

i
(x(t)) f
i
(x(t))
M

j=1

j
(x(t))
(3.2)
posons :

i
(x(t)) =

i
(x(t))
M

j=1

j
(x(t))
(3.3)
En combinant les quations (3.2) et (3.3), on obtient lexpression gnrale dune structure
multimodle [Joha 93] :
y
m
(t) =
M

i=1

i
(x(t)) f
i
(x(t)) (3.4)
La fonction dactivation
i
(x(t)) dtermine le degr dactivation du i
me
modle local
associ. Selon la zone o volue le systme, cette fonction indique la contribution plus ou
moins importante du modle local correspondant dans le modle global (multimodle).
Elle assure un passage progressif de ce modle aux modles locaux voisins. Ces fonctions
sont gnralement de forme triangulaire, sigmodale ou Gaussienne, et doivent satisfaire
les proprits suivantes (convexit) :
_

_
M

i=1

i
(x(t)) = 1
0
i
(x(t)) 1
(3.5)
3.3 Direntes structures multimodle
On peut numrer direntes formes de multimodles selon que lon fait la segmentation
sur lentre ou sur la sortie (i. e. sur les variables dtat mesurables) et aussi selon la nature
du couplage entre les modles locaux associs aux zones de fonctionnement. Cependant,
on peut noter trois structures de multimodles :
1. structure couple,
2. structure dcouple,
3. structure hirarchise.
3.3.1 Structure couple
La reprsentation multimodle est obtenue par interpolation de M modles locaux li-
naires :
65
Chapitre 3. Sur lanalyse des systmes multimodles
_

_
x
m
(t) =
M

i=1

i
( (t)) (A
i
x
m
(t) +B
i
u(t) + D
i
)
y
m
(t) =
M

i=1

i
( (t)) (C
i
x
m
(t) + E
i
u(t) +N
i
)
(3.6)
o
i
((t)), i 1, ..., M sont les fonctions dactivation et (t) est le vecteur des variables
de dcision dpendant des variables dtat mesurables et ventuellement de la commande
u(t). Cette structure est la plus utilise en analyse bien quen synthse des multimodles.
-
y(t)
-

?
R

- q
_
y
m
(t)
-
Systme non linaire
-
-

-
u(t)
x
m
(t)
.
.
.
.
.
.
.
.
.
-
-
A
2
x
m
(t) +B
2
u(t) +D
2
-
-
-
-
A
1
x
m
(t) +B
1
u(t) +D
1

1
()
?

2
()
-

M
()
A
M
x
m
(t) +B
M
u(t) +D
M

?
R

q
-

.
.
.
.
.
.
.
.
.
-
-
C
2
x
m
(t) +E
2
u(t) +N
2
-
-
-
-
C
1
x
m
(t) +E
1
u(t) +N
1

1
()
?

2
()
-

M
()
C
M
x
m
(t) +E
M
u(t) +N
M
Fig. 3.1 Architecture dun multimodle modles locaux coupls
3.3.2 Structure dcouple
Une autre forme de multimodle, propose par Filev [File 91], rsulte de lagrgation
de modles locaux dcrits dune faon dcouple. La dirence entre cette structure et
celle prsente au paragraphe prcdent rside dans le fait que chaque modle local est
66
3.3. Direntes structures multimodle
indpendant de tous les autres (3.7) :
_
_
_
x
i
(t) = A
i
x
i
(t) + B
i
u(t) + D
i
y
i
(t) = C
i
x
i
(t) +E
i
u(t) + N
i
(3.7)
Dans cette structure, la notion dtat local, correspondant un domaine de fonction-
nement, apparat beaucoup clairement. Le multimodle (modle global) est ainsi donn
par :
_

_
x
i
(t) = A
i
x
i
(t) + B
i
u(t) + D
i
, i 1, ..., M
y
m
(t) =
M

i=1

i
( (t)) (C
i
x
i
(t) + E
i
u(t) + N
i
)
(3.8)
Rappelons que les variables locales x
i
(t) nont pas forcment un sens physique. Les ma-
trices A
i
, B
i
et D
i
ainsi que les fonctions dactivation
i
((t)) sont calcules de la mme
faon que prcdemment (structure couple). Cette structure peut tre vue comme la
connexion parallle de M modles anes pondrs par leurs poids respectifs.
-
y(t)
_
_
-
-
_
-

-

-
-
-
-
-
Systme non linaire
-
-

-
u(t)
.
.
.
.
.
.
.
.
.
?
A
2
x
2
(t) +B
2
u(t) +D
2
y
m
(t)
A
1
x
1
(t) +B
1
u(t) +D
1
A
M
x
M
(t) +B
M
u(t) +D
M
-
6
-
?

1
()
-
?

2
()

M
()
?
x
1
(t)
x
2
(t)
x
M
(t)
Fig. 3.2 Architecture dun multimodle modles locaux dcoupls
3.3.3 Structure hirarchise
Bien que lapproche multimodle ait connu un grand succs dans beaucoup de domaines
(commande, diagnostic, ...), son application est limite aux systmes ayant peu de va-
riables (dimension rduite). Le nombre de modles locaux augmente dune faon expo-
nentielle avec laugmentation du nombre de variables. Par exemple, un multimodle
sortie unique avec n variables et m fonctions dactivation dnies pour chaque variable
67
Chapitre 3. Sur lanalyse des systmes multimodles
est compos de m
n
modles locaux. Les chercheurs ont tudi ce problme en utilisant
direntes approches [Frie 81], [Brei 84] et [Hube 85].
Pour surmonter ce problme, Raju et al [Raju 91] ont propos un multimodle structure
hirarchique an de rduire le nombre de modles locaux. La gure (1) montre un exemple
typique dun multimodle hirarchique qui comporte n entres et n1 sorties ; dans cette
structure, les modles locaux ont deux entres chacun, le modle global est alors compos
de n modles locaux ; pour plus de dtails, voir [Wang 98], [Wei 00]et [Joo 02].
modle local 1
6 6
modle local 2
6 6
modle local 3
6 6
6
x
1
(t) x
2
(t) x
3
(t) x
4
(t)
. . . . . . .
modle local (n-1)
6
6
6
x
n
(t)
y
1
(t)
y
2
(t)
y
3
(t)
y
n1
(t)
y
n2
(t)
Fig. 3.3 Architecture dun multimodle hirarchique
3.3.4 Recherche des modles locaux par identication
Lidentication dun systme, en temps rel ou non, est une tape essentielle de nimporte
quelle conception de systme de commande ou de diagnostic. Lidentication des sys-
tmes linaires a t tudie depuis de trs nombreuses annes et beaucoup de mthodes
permettent de conduire cette tude [Sark 84], [Knoc 86] et [Ljun 87].
Cependant, dans beaucoup de situations pratiques, lhypothse de linarit ne peut pas
tre vrie et savre inaproprie en raison de lexistence dlments non linaires et/ou
variants dans le temps. Dans ce cas, il est dicile dappliquer les mthodes convention-
nelles didentication. Ces dernires annes, le dveloppement de nouvelles mthodologies
de commande dans le domaine de lintelligence articielle comme les rseaux de neurones
et la thorie de la logique oue, ont fourni des outils alternatifs pour aborder le problme
de lidentication des systmes non linaires [Gao 03], [Chen 03], [Ren 03], [Marc 02],
68
3.3. Direntes structures multimodle
[Zhu 00], [Bout 00], [Gri 00], [Hoja 00]. En particulier, depuis lintroduction de la notion
de la logique oue par Zadeh [Zade 65], beaucoup de chercheurs ont montr lintrt de
cette thorie pour lidentication des systmes reprsents par des multimodles [Plam 04],
[Drag 04], [Joha 03], [Abon 01], [Wu 99], [Joha 00].
En reprsentant un systme non linaire sous forme multimodle, le problme de lidenti-
cation de systmes non linaires est rduit lidentication des sous-systmes dnis par
des modles locaux linaires. Les mthodes destimation bases sur les moindres carrs
sont alors utilises pour identier les paramtres du multimodle (modles locaux) et ceux
des fonctions dactivation. Cependant, cette mthode exige la connaissance des donnes
entres-sorties du systme non linaire autour de dirents points de fonctionnement an
de pouvoir caractriser les modles locaux.
3.3.5 Recherche des modles locaux par linarisation
Dans ce cas, on dispose de la forme analytique du modle non linaire du processus
physique quon linarise autour de dirents points de fonctionnement judicieusement
choisis [Abon 01] [Marc 99]. Considrons le systme non linaire suivant :
_
_
_
x(t) = F(x(t), u(t))
y(t) = G(x(t), u(t))
(3.9)
o (F, G) R
2n
sont des fonctions non linaires continues, x(t) R
n
est le vecteur dtat
et u(t) R
m
est le vecteur dentre. Par la suite, nous reprsenterons le systme non li-
naire (3.9) par un multimodle, compos de plusieurs modles locaux linaires ou anes,
tel que chaque modle local est obtenu en linarisant le systme non linaire autour dun
point de fonctionnement arbitraire (x
i
, u
i
) R
n
R
m
.
Dans ce cas, on considre le choix suggr par Johansen et Foss [Joha 93], cest--dire
quon dnit les modles locaux comme le premier terme du dveloppement en srie de
Taylor du systme (3.9) [Gass 00b].
Dun point de vue mathmatique, ceci correspond approcher une fonction non linaire
par son plan tangent au point (x
i
, u
i
). On suppose que les dirents modles locaux sont
issus dune linarisation autour de M points de fonctionnement (x
i
, u
i
) i 1, ..., M. La
formulation multimodle est la suivante :
_

_
x
m
(t) =
M

i=1

i
( (t)) (A
i
x
m
(t) + B
i
u(t) + D
i
)
y
m
(t) =
M

i=1

i
( (t)) (C
i
x
m
(t) + E
i
u(t) + N
i
)
(3.10)
69
Chapitre 3. Sur lanalyse des systmes multimodles
avec
A
i
=
F (x, u)
x

x=x
i
u=u
i
, B
i
=
F (x, u)
u

x=x
i
u=u
i
, D
i
= F (x
i
, u
i
) A
i
x
i
B
i
u
i
C
i
=
G(x, u)
x

x=x
i
u=u
i
, E
i
=
G(x, u)
u

x=x
i
u=u
i
, N
i
= G(x
i
, u
i
) C
i
x
i
E
i
u
i
Notons que dans ce cas, le nombre de modles locaux (M) dpend de la prcision de
modlisation souhaite, de la complexit du systme non linaire et du choix de la structure
des fonctions dactivation, ces dernires devant satisfaire les proprits (3.5).
3.4 Optimisation paramtrique
Lorsque le modle du systme est non linaire par rapport aux paramtres, il nexiste
pas de solution analytique an destimer ces paramtres. On recourt des techniques
itratives doptimisation non linaire. Dans cette section, on sintresse loptimisation
paramtrique dune structure multimodle.
Plusieurs mthodes doptimisation peuvent tre utilises, selon les information disponibles
a priori. Si la connaissance a priori sur les paramtres des fonctions dactivation et ceux
des modles locaux ne sont pas disponibles. Alors, ces paramtres doivent tre optimi-
ss au moyen dune procdure itrative en raison des non-linarits du modle global
(multimodle) par rapport ses paramtres.
Les mthodes didentication de lensemble de tous les paramtres sont gnralement
bases sur la minimisation dune fonctionnelle de lcart entre la sortie estime du multi-
modle y
m
(t) et la sortie mesure du systme y(t). Le critre le plus utilis est le critre
qui reprsente lcart quadratique entre les deux sorties indiques.
J () =
1
2
N

t=1
(t, )
2
=
1
N
N

t=1
_
y
m
(t) y (t)
_
2
(3.11)
o N est lhorizon dobservation et est le vecteur de paramtres des modles locaux et
ceux des fonctions dactivation.
Les mthodes de minimisation du critre J() sappuient, le plus souvent, sur un dvelop-
pement limite du critre J() autour dune valeur particulire du vecteur de paramtres
et dune procdure itrative de modication progressive de la solution. Si lon note k
lindice ditration de la mthode de recherche et (k) la valeur de la solution litration
k, la mise jour de lestimation seectue de la manire suivante :
(k + 1) = (k) D(k) (3.12)
70
3.4. Optimisation paramtrique
o reprsente un facteur dajustement permettant de rgler la vitesse de convergence
vers la solution. D(k) est la direction de recherche dans lespace paramtrique. Selon la
faon dont D(k) est calcule, on distingue direntes mthodes doptimisation dont les
principales sont rappeles ci-dessus.
3.4.1 Algorithme du gradient
Cette mthode est base sur un dveloppement du critre J() (3.11) au premier ordre.
La direction de recherche litration k est spcie par le gradient G((k)) du critre de
la manire suivante :
D(k) = G((k)) =
J

=(k)
=
N

t=1
(t, )

(t, )

=(k)
(3.13)
dpend de la vitesse de convergence du critre. Gnralement, il est calcul par une
mthode heuristique qui consiste augmenter si le critre dcrot et le rduire dans
le cas contraire [Gass 00b].
3.4.2 Algorithme de Newton
Cette fois, lalgorithme est bas sur le dveloppement au deuxime ordre. La direction et
le pas de recherche sont spcis simultanment par lquation :
D(k) = H
1
(k)G((k)) (3.14)
o H(k) est la matrice hessienne du critre dni par :
H (k) =
N

t=1
(t, )

(t, )

T
+
N

t=1

2
(t, )

2
(t, )

=(k)
(3.15)
Dans ce cas, le pas de recherche = 1. Linconvnient principal de cet algorithme rside
dans le calcul de linversion du hessien chaque itration.
3.4.3 Algorithme de Gauss-Newton
An de simplier la mthode de Newton, On utilise une expression approche du hessien
en ngligeant les termes du deuxime ordre, on obtient :
H
a
=
N

t=1
(t, )

(t, )

T
(3.16)
71
Chapitre 3. Sur lanalyse des systmes multimodles
Le hessien tant dni positif, cet algorithme garantit la convergence vers un minimum.
Cet algorithme est sensible au choix initial du vecteur des paramtres et lorsque la
dimension de lespace des paramtres est trs important, lalgorithme risque de converger
vers des minimas locaux.
Dans ce mmoire, nous avons opt pour loptimisation simultane des paramtres des fonc-
tions dactivation et des modles locaux. Cette mthode prsente linconvnient dtre
lourde lorsque le nombre de paramtres est lev. Les mthodes doptimisation non li-
naires sont trs nombreuses et nous navons pas souhait dvelopper plus compltement
cette partie. Notons cependant que Gasso a prsent plusieurs mthodes doptimisation
paramtrique dune structure multimodle [Gass 01], [Gass 00a] et [Gass 00b]. Pour sim-
plier le problme, soit il suppose que la position des points de fonctionnement est connue,
soit il met en oeuvre une procdure deux niveaux qui alterne entre loptimisation du
vecteur de paramtres des modles locaux et celle du vecteur de paramtres des fonctions
dactivation.
3.5 Exemple dillustration
Soit approcher un systme dynamique non linaire modlis par les quations dtat
suivantes :
_
x
1
(t) = u(t) x
1
(t) + u(t)
x
2
(t) = x
2
(t) x
1
(t) + u(t)
(3.17)
Cet exemple illustre la mise en oeuvre de lapproximation dun modle non linaire par
plusieurs modles locaux interpols par des fonctions dactivation.
Pour cela, nous considrons un multimodle compos de trois modles locaux coupls et
de trois fonctions dactivation de forme triangulaire.
x
m
(t) =
3

i=1

i
( (t)) (A
i
x
m
(t) +B
i
u(t) + D
i
) (3.18)
avec : x
m
(t) =
_
x
m1
(t)
x
m2
(t)
_
Les points de fonctionnement P
i
initiaux sont choisis nuls, cest--dire :
P
i
= (x
1i
, x
2i
, u) = (0, 0, 0), pour i 1, ..., 3
72
3.5. Exemple dillustration
0 20 40 60 80 100 120
0
10
20
30
40
50
60
70
80
90
100
Fig. 3.4 Evolution du critre doptimisation
Le critre doptimisation utilis est dni par lquation (3.11). La gure (3.4) montre
la convergence du critre vers un minimum. Cette convergence est rapide, cela est d au
nombre rduit de modles locaux ainsi que la dimension du modle non linaire. La mise
jour des paramtres a t eectue par lalgorithme de Gauss-Newton en utilisant loutil
numrique "Matlab".
Les trois points de fonctionnement obtenus aprs optimisation sont :
P
1
=
_
0.99 0.98 0.15
_
, P
2
=
_
1.00 0.57 0.59
_
et P
3
=
_
0.99 1.39 0.97
_
Les matrices du multimodle (3.18) sont alors :
A
1
=
_
0.19 0
0.98 0.99
_
A
2
=
_
0.58 0
0.43 0.99
_
A
3
=
_
0.97 0
1.39 0.99
_
B
1
=
_
0.0029
1
_
B
2
=
_
0.0055
1
_
B
3
=
_
0.0016
1
_
D
1
=
_
0.19
0.98
_
D
2
=
_
0.58
0.43
_
D
3
=
_
0.96
1.39
_
La gure (3.5) montre lvolution de lentre applique et les trois fonctions dactivation.
Les gures (3.6) illustrent lapproximation des variables dtat du modle non linaire
(3.17) par le multimodle dcrit par lquation (3.18). Les gures (3.7) montrent la mme
approximation avec un modle linaire (multimodle avec M = 1).
73
Chapitre 3. Sur lanalyse des systmes multimodles
0 0.5 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
u(t)

3
(u)

2
(u)

1
(u)
Fig. 3.5 Entre u(t) et les fonctions dactivation
0 5 10 15 20 25 30 35 40
0
0.2
0.4
0.6
0.8
1
1.2
1.4
0 5 10 15 20 25 30 35 40
0
0.5
1
1.5
x
1
(t) et x
m1
(t) x
2
(t) et x
m2
(t)
Fig. 3.6 tats du modle non linaire et ceux du multimodle
0 5 10 15 20 25 30 35 40
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
0 5 10 15 20 25 30 35 40
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
x
1
(t) et x
m1
(t) x
2
(t) et x
m2
(t)
Fig. 3.7 tats du modle non linaire et ceux du modle linaire
74
3.5. Exemple dillustration
Cette premire partie du chapitre 3 a t consacre la prsentation de lapproche mul-
timodle. Nous avons montr, travers un exemple acadmique, la qualit de lapproxi-
mation dun systme dynamique non linaire par un multimodle.
Direntes structures de modles locaux sont possibles : coupls (le plus couramment
utilis), dcoupls et hirarchiss. Leur utilisation dpend de la nature et du cahier des
charges de modlisation du phnomne.
75
Chapitre 3. Sur lanalyse des systmes multimodles
3.6 Stabilit des multimodles
La stabilit des multimodles a t beaucoup tudie. Tanaka et Sugeno ont prsent des
conditions susantes de la stabilit [Tana 92] en utilisant une fonction quadratique de
Lyapunov. La stabilit dpend de lexistence dune matrice commune, symtrique et d-
nie positive, qui garantit la stabilit de tous les modles locaux. Ces conditions de stabilit
peuvent tre exprimes en utilisant des ingalits linaires matricielles (LMI) [Boyd 94].
Dans cette section, nous prsentons quelques conditions susantes de stabilit des mul-
timodles. Lapproche propose tout au long de ce mmoire repose sur les fonctions de
Lyapunov quadratiques. Il sagit de chercher une matrice symtrique et dnie positive et
sa fonction de Lyapunov associe telles que certaines conditions simples garantissent les
proprits de stabilit.
3.6.1 Stabilit quadratique
Considrons un systme non linaire en boucle ouverte et reprsent sous forme multimo-
dle par lquation dtat suivante :
x(t) =
M

i=1

i
( (t))A
i
x(t) (3.19a)
M

i=1

i
((t)) = 1 et
i
((t)) 1 (3.19b)
Selon Tanaka et Sugeno [Tana 92], la stabilit dun systme reprsent par lquation
(3.19) peut tre vrie en utilisant le thorme suivant.
Thorme 3.1 : le multimodle (3.19) est asymptotiquement stable sil existe une
matrice P symtrique et dnie positive telle que les LMI suivantes sont vries
[Boyd 94], [Tana 98] et [Chad 02] :
A
T
i
P + PA
i
< 0, i 1, ..., M (3.20)
Ce thorme ore une condition susante pour assurer la stabilit asymptotique du mul-
timodle (3.19). Lingalit matricielle (3.20) peut tre rsolue en utilisant des outils nu-
mriques LMI. Ce rsultat est obtenu en drivant, le long de la trajectoire du multimodle
(3.19), la fonction de Lyapunov V (x(t)) = x
T
(t)Px(t) (voir chapitre 1). Lexistence de la
matrice de Lyapunov P dpend de deux conditions :
la premire est lie la stabilit de tous les modles locaux. Il est ncessaire que
chaque matrice A
i
pour i 1, ..., M ait des valeurs propres dans le demi-plan
gauche du plan complexe.
76
3.6. Stabilit des multimodles
la deuxime condition est relative lexistence dune fonction de Lyapunov commune
aux M modles locaux.
3.6.2 Stabilit relaxe
Dans le paragraphe prcdent, lexistence dune matrice, symtrique et dnie positive
P, commune pour toutes les ingalits (3.20) est indispensable pour assurer la stabilit
asymptotique du multimodle (3.19). Cependant, si le nombre de modles locaux est
grand, il peut tre dicile de trouver une matrice commune qui garantisse la stabilit
simultane de tous les modles locaux. De plus, ces contraintes sont souvent trs conser-
vatrices et il est bien connu que, dans beaucoup de cas, une matrice symtrique et dnie
positive commune nexiste pas, alors que le systme (3.19) est stable.
Pour surmonter ce problme, de nombreux travaux ont t dvelopps an dtablir des
conditions de stabilit relaxant certaines des contraintes prcdentes. Par exemple, Jo-
hanson et al [Joha 98] considrent une fonction de Lyapunov quadratique par morceaux.
Chai et al [Chai 98] ont propos des conditions de stabilit asymptotique dpendantes
de la nature de lentre et de la dynamique de la sortie. Jadbabaie [Jadb 99] utilise une
fonction de Lyapunov non quadratique.
En utilisant la technique de Lyapunov et la formulation LMI, Chadli et al [Chad 00]
[Chad 01] ont galement tabli des conditions susantes de stabilit asymptotique dun
multimodle (3.19).
An de rduire le conservatisme de lapproche quadratique (fonction de Lyapunov qua-
dratique), Chadli et al [Chad 02] ont prsent dautres conditions de stabilit en utilisant
des fonctions de Lyapunov non quadratiques de la forme :
V
i
(x(t)) = x
T
(t) P
i
x(t) , i 1, ..., M (3.21a)
V (x(t)) = max(V
1
(x(t)), ..., V
i
(x(t)), ..., V
M
(x(t))) (3.21b)
o P
i
sont des matrices symtriques et dnies positives.
Thorme 3.2 [Chad 02] : supposons quil existe des matrices symtriques et dnies
positives P
i
pour i 1, ..., M et des scalaires positifs
ijk
, vriant les ingalits
suivantes :
A
T
i
P
j
+ P
j
A
i
+
M

k=1

ijk
(P
j
P
k
) < 0 i, j 1, ..., M (3.22)
alors le multimodle (3.19) est globalement asymptotiquement stable.
77
Chapitre 3. Sur lanalyse des systmes multimodles
Ce rsultat annonc par Chadli et al [Chad 01] nexige pas lexistence dune fonction de
Lyapunov quadratique commune aux dirents modles locaux et ne sappuie que sur les
fonctions locales de Lyapunov pour assurer la stabilit asymptotique globale du multimo-
dle (3.19), pour la dmonstration du thorme le lecteur peut se rfrer [Chad 02].
3.7 Stabilit des multimodles incertains
Dans les paragraphes prcdents, nous avons rappel quelques conditions de stabilit
concernant les systmes non linaires certains reprsents sous forme multimodle. Or,
lorsque ces derniers sont soumis linuence de perturbations ou bien dincertitudes de
modle, les conditions de stabilit trouves (3.20) et (3.22) ne sont plus valables. Pour
cela, considrons le multimodle suivant, prsentant des incertitudes sur les matrices dtat
locales.
x(t) =
M

i=1

i
( (t))(A
i
+ A
i
(t))x(t) (3.23)
o les matrices A
i
(t) sont des matrices inconnues et variables dans le temps, la seule
information dont nous disposons est la suivante :
|A
i
(t))|
i
, i 1, ..., M (3.24)
o
i
est un scalaire positif.
Thorme 3.3 le multimodle incertain (3.23) est globalement asymptotiquement
stable, sil existe une matrice symtrique est dnie positive P et un scalaire posi-
tif solutions des ingalits matricielles suivantes :
A
T
i
P +PA
i
+ P
2
+
1

2
i
I
nn
< 0, > 0 et i 1, ..., M (3.25)
Preuve : Fan et al [Fan 02] ont dmontr la stabilit dun systme linaire incertain avec
retard. Dans cette partie, nous nous appuyons sur les travaux de ces derniers ainsi que ceux
de Tanaka [Tana 01] an de trouver les conditions susantes de stabilit asymptotique
du multimodle incertain (3.23). Pour cela, nous avons choisi la fonction de Lyapunov
quadratique suivante :
V (x(t)) = x
T
(t)Px(t)
Sa drive par rapport aux temps le long de la trajectoire du systme (3.23) est la suivante :

V (x(t)) =
M

i=1

i
((t))
_
x
T
(t)
_
(A
i
+ A
i
(t))
T
P + P(A
i
+ A
i
(t))
_
x(t)
_
=
M

i=1

i
((t))
_
x
T
(t)
_
A
T
i
P + PA
i
_
x(t) + x
T
(t)A
T
i
(t)Px(t) + x
T
(t)PA
i
(t)x(t)
_
78
3.7. Stabilit des multimodles incertains
Pour continuer la dmonstration, nous avons besoin du lemme suivant :
Lemme 3.1 : pour toutes les matrices X et Y ayant des dimensions appropries, la pro-
prit suivante est vrie :
X
T
Y + Y
T
X X
T
X +
1
Y
T
Y, avec > 0 (3.26)
En utilisant la relation (3.26) donne par lemme prcdent, la drive de la fonction de
Lyapunov peut tre majore comme suit :

V
M

i=1

i
((t))
_
x
T
(t)
_
A
T
i
P + PA
i
+ P
2
_
x(t) +
1
x
T
(t)A
T
i
(t)A
i
(t)x(t)
_

i=1

i
((t))
_
x
T
(t)
_
A
T
i
P + PA
i
+ P
2
+
1

2
i
I
nn
_
x(t)
_
Donc, sil existe une matrice P symtrique, dnie positive et solution des ingalits
(3.25), alors la drive de la fonction de Lyapunov est ngative ce qui garantit la stabilit
du multimodle (3.23). Les ingalits (3.25) sont non linaires ; en utilisant le complment
de Schur [Boyd 94], elles deviennent :
_
A
T
i
P +PA
i
+
1

2
i
I
nn
P
P
1
_
< 0, i 1, ..., M (3.27)
et peuvent donc tre traites par des outils LMI.
Dans cette section, aprs avoir rappel quelques rsultats concernant la stabilit quadra-
tique des multimodles, en sappuyant sur ltude de la stabilit des systmes linaires
incertains, nous avons montr que la stabilit des multimodles prsentant des incerti-
tudes de modles bornes en norme est garantie sous rserve de lexistence dune matrice
de Lyapunov P et dun scalaire positif vriant lingalit linaire matricielle (3.27).
79
Chapitre 3. Sur lanalyse des systmes multimodles
3.8 Modlisation dun systme non linaire industriel
par un multimodle
3.8.1 Description du systme "turbo-racteur"
Le dveloppement de llectronique et de linformatique a favoris lutilisation de modles
mathmatiques dans les domaines des sciences de lingnierie. Laronautique et plus par-
ticulirement les constructeurs de moteurs davions nont pas chapp cette rgle. Les
modles peuvent tre conus pour rpondre des objectifs divers : dimensionnement, r-
gulation, simulation, diagnostic, aide la maintenance... Dans ce qui suit, les modles ont
comme nalit laide au diagnostic et la validation des mesures.
Fig. 3.8 Section dun turbo-racteur
Nous nous intressons la modlisation dun turboracteur double corps. Ce type de mo-
teur reprsent par la gure (3.8) se dcompose en plusieurs lments :
roue directrice dentre (1),
compresseur basse pression (BP)(2),
compresseur haute pression (HP) (3),
chambre de combustion (4),
turbine HP (5),
turbine BP (6),
canal djection (7),
tuyre variable existante sur certains moteurs militaires (8).
Nous rappelons succinctement le fonctionnement du moteur. Lair admis lentre du
moteur est contrl par la roue directrice dentre, puis compress par les deux tages de
compression (BP et HP). Ces derniers permettent lair datteindre la pression ncessaire
80
3.8. Modlisation dun systme non linaire industriel par un multimodle
pour avoir une bonne combustion du mlange air-carburant dans la chambre. Le gaz ainsi
chau prend de la vitesse et entrane les turbines en rotation. Chaque turbine entrane
mcaniquement les compresseurs en rotation. Le gaz est ensuite dtendu dans le canal
djection et la tuyre, ce qui a pour eet de lui donner plus de vitesse.
Le moteur possde un grand nombre dquipements tel que les actionneurs et les capteurs
qui permettent le changement et la surveillance de son tat thermodynamique. Les cap-
teurs sont destins la mesure du rgime de rotation des compresseurs, des pressions et
tempratures en dirents points du moteur. Les principaux actionneurs sont : la vanne
de dbit carburant et les vrins des gomtries variables (i.e. permettant de modier la
gomtrie des tages compresseurs).
Le milieu des annes 1960 et le dbut des annes 1970 voient apparatre les premires pu-
blications parlant de modles utiles la commande. En 1971, Mueller [Muel 71] conoit
un modle linaire dun racteur double corps qui permet de trouver les conditions gn-
rales de stabilit, dobservabilit et de commandabilit du racteur. A partir des annes
1980, on voit apparatre les premiers travaux de rgulation totalement numriques ; ds
lors lutilisation dun modle est devenu indispensable. Rcemment, de nombreux auteurs
utilisent cette notion de modle pour faire de la commande [Hre 97] et [Trev 03], ou de
diagnostic qui utilisent des modles soit pour des simulations du moteur ou directement
pour la dtection et la localisation de dfauts du moteur [Wu 04] et [Savy 03].
Il existe plusieurs types de modles chez les motoristes : les modles thermodynamiques
stabiliss (statique), les modles thermodynamiques transitoires, les modles de corr-
lation des mesures et les modles linariss en dirents points de fonctionnement. Le
modle thermodynamique stabilis est une reprsentation des phnomnes thermiques
et thermodynamiques des dirents tages du moteur lors du fonctionnement en rgime
stabilis : chaque tage est reli au suivant par des quations de continuit. Le modle
thermodynamique transitoire est une reprsentation dynamique des phnomnes transi-
toires (essentiellement les changes thermiques) entre les tages suivant : compresseur HP,
chambre de combustion et turbine HP. Les modles de corrlation entre les mesures sont
des reprsentations polynomiales dune mesure en fonction dautres mesures aux instants
prcdents. Le modle linaris en dirents points de fonctionnement est souvent issu de
la linarisation des modles thermodynamiques. Les deux premiers modles sont utiliss
pour dimensionner les tages du moteur en fonction des performances attendues par le
client, et aussi pour la synthse des correcteurs des asservissements.
Le moteur dun avion est un systme fortement non linaire quil est dicile de reprsenter
sans lutilisation de tables de donnes ou dalgorithmes de commutation. La prsence de
81
Chapitre 3. Sur lanalyse des systmes multimodles
discontinuits dans les modles nest pas sans poser des problmes de robustesse dans la
rgulation, ou dans la prise de dcision en diagnostic. De plus, les mthodes du domaine
de la commande et du diagnostic sappuient de prfrence sur des modles analytiques
continus (en opposition aux systmes vnement discrets) entre les tats et leur drives
et entre les sorties et les tats.
Nous nous sommes donc penchs sur la conception dun modle permettant dobtenir des
relations analytiques entre les tats, leurs drives et la commande. La base de travail
est un modle non linaire, prsentant des coecients fonctions dune variable dtat
donnes par le tableau (1), fourni par Snecma Moteur qui dcrit de faon trs succincte
un moteur davion civil double corps. Nous avons donc un modle SIMO (Single Input
Multiple Output) qui est reprsent par deux quations dynamiques :
_
_
_
x
1
(t) = K
1
(x
1
(t)) (x
2
(t) y
2R
(x
1
(t))) +K
2
(x
1
(t)) (u(t) u
R
(x
1
(t)))
x
2
(t) = K
3
(x
1
(t)) (x
2
(t) y
2R
(x
1
(t))) +K
4
(x
1
(t)) (u(t) u
R
(x
1
(t)))
(3.28)
et par quatre quations statiques de sortie qui correspondent quatre capteurs disponibles
sur le racteur :
_

_
y
1
(t) = x
1
(t)
y
2
(t) = x
2
(t)
y
3
(t) = K
5
(x
1
(t)) (x
2
(t) y
2R
(x
1
(t))) +K
6
(x
1
(t)) (u(t) u
R
(x
1
(t))) +y
3R
(x
1
(t))
y
4
(t) = K
7
(x
1
(t)) (x
2
(t) y
2R
(x
1
(t))) +K
8
(x
1
(t)) (u(t) u
R
(x
1
(t))) +y
4R
(x
1
(t))
(3.29)
Dans les quations des systmes (3.28) et (3.29), x
1
(t) reprsente le rgime du compresseur
basse pression, x
2
(t) le rgime du compresseur haute pression, y
3
(t) la pression statique
la sortie du compresseur, y
4
(t) la temprature de la chambre de combustion et u(t) le
dbit carburant. Les fonctions K
i
(x
1
(t)), y
2R
(x
1
(t)), y
3R
(x
1
(t)), y
4R
(x
1
(t)) et u
R
(x
1
(t))
seront appeles dans la suite de cette thse : fonction coecient.
Les expressions analytiques des fonctions coecients ne sont pas connues, par contre les
valeurs de ces fonctions sont fournies pour 8 points de fonctionnement (voir tableau (3.1)).
Pour des raisons de condentialit les valeurs numriques ont t modies par Snecma
Control System, la cohrence numrique du systme a t conserve. Ainsi, les rgimes de
rotation des compresseurs sont donns en pourcentage. La pression est exprime en Bar,
la temprature en Kelvin et le dbit carburant en kg/s. Notre but est dobtenir un modle
non linaire qui dcrit le fonctionnement du moteur en tous points. Nous allons pour cela
utiliser la reprsentation multimodle.
82
3.8. Modlisation dun systme non linaire industriel par un multimodle
x
1
(t) 33.58 49.30 59.60 64.46 75.02 79.89 89.19 93.48
K
1
0.8674 1.5000 2.2186 2.2989 1.8728 1.4068 1.2300 1.1320
K
2
0.04799 0.06927 0.07049 0.07255 0.07065 0.06575 0.06792 0.06931
K
3
-0.3266 -0.7633 -1.2828 -1.400 -1.1087 -0.9261 -1.1446 -1.2441
K
4
0.04884 0.04691 0.04237 0.03972 0.03521 0.03215 0.02889 0.02862
K
5
0.0615 0.1001 0.1416 0.1445 0.0998 0.07525 0.06125 0.05812
K
6
0.002531 0.003234 0.003161 0.003030 0.002917 0.003106 0.003054 0.003063
K
7
-9.23 -8.55 -9.83 -9.54 -5.625 -3.506 -1.656 -2.162
K
8
1.9926 1.1441 0.8702 0.7406 0.5477 0.4710 0.3578 0.3177
y
2R
56.94 69.09 74.25 76.80 82.50 86.93 93.11 95.03
y
3R
2.667 4.225 5.543 6.452 8.642 10.01 12.76 14.06
y
4R
630.0 649.3 680.5 712.5 776.5 824.2 899.5 930.2
u
R
155.1 259.0 364.3 451.6 675.9 840.4 1178.3 1346.9
Tab. 3.1 Tableau des valeurs des fonctions coecients
Par la suite, on considre que : y
2R
(x
1
) = K
9
(x
1
), y
3R
(x
1
) = K
10
(x
1
), y
4R
(x
1
) = K
11
(x
1
)
et U
R
(x
1
) = K
12
(x
1
).
3.8.2 Reprsentation du turbo-racteur par un multimodle
Dans la premire partie de ce paragraphe, nous allons montrer comment, partir des don-
nes entres/sorties du tableau (3.1), approcher chaque fonction coecient K
i
(x
1
), i =
1, ..., 12 par un multimodle. Les paramtres de chaque modle local et ceux des fonc-
tions dactivation sont identis par rapport aux dirents points de fonctionnement, voir
le tableau (3.1).
3.8.2.1 Reprsentation multimodle des fonctions coecients
Avant de passer lapproximation du modle non linaire par un multimodle, une mo-
dlisation des fonctions coecients semble donc une tape indispensable. Pour cela, on
va modliser les fonctions coecients K
i
(x
1
) par des multimodles composs de plusieurs
modles locaux. Chaque modle local est valide dans un domaine de fonctionnement. La
formulation mathmatique de chaque fonction coecient est donne par lquation :

K
i
(x
1
(t)) =
M

j=1

ij
(x
1
(t))(
ij
x
1
(t) +
ij
), i = 1, ..., 12 (3.30)
83
Chapitre 3. Sur lanalyse des systmes multimodles
o

K
i
(x
1
) reprsente lapproximation des fonctions coecients K
i
(x
1
(t)), lindice i est
relatif la i
me
fonction coecient, lindice j correspond au j
me
modle local de la fonction
coecient correspondante et M est le nombre de modles locaux calcul dune faon
empirique. Les paramtres
ij
,
ij
ainsi que ceux des fonctions dactivation
ij
(x
1
(t))
sont identier par les mthodes doptimisation paramtrique existantes. Notons que
ces fonctions dactivation sont choisies drivables et elles sont de forme gaussienne et
sigmodale.
La mthode doptimisation que nous avons choisie est base sur la minimisation du critre
quadratique dni par :
J
i
() =
N

t=1
_
K
i
_
x
1
(t)
_


K
i
_
x
1
(t)
_
_
2
N

t=1
_
K
i
_
x
1
(t)
_
)
_
2
(3.31)
o J
i
est le critre minimiser relatif la i
me
fonction coecient, = [
ij

ij
] reprsente
le vecteur des paramtres identier et N = 8 est le nombre de rgimes de fonctionne-
ment
1
.
Les fonctions coecients K
i
(x
1
(t)) ayant des dynamiques direntes les unes des autres,
la structure des multimodles construire sera dirente pour chaque fonction coecient.
M J
6
J
5
J
4
J
3
J
2
J
1
4 1.12 10
6
1.39 10
5
1.6 10
6
2.2 10
4
8.47 10
7
2.7 10
3
3 1.24 10
5
1.94 10
5
6.86 10
6
2.4 10
4
1.3 10
5
0.012
2 1 10
4
4.4 10
4
2.78 10
5
3.2 10
3
1.5 10
4
0.035
1 2.3 10
3
0.074 6.6 10
4
0.23 5.5 10
3
3.86
M J
7
J
8
J
9
J
10
J
11
J
12
4 7.4 10
5
4.8 10
6
4.5 10
6
1.6 10
6
4.3 10
6
2.2 10
6
3 1 10
4
1.8 10
5
1.8 10
5
2.9 10
6
5.1 10
6
7 10
6
2 2.6 10
4
1.6 10
4
4.5 10
5
1.2 10
5
1.4 10
5
7.1 10
6
1 3.7 10
3
0.015 0.04 7.3 10
5
0.007 0.001
Tab. 3.2 Table comparative du critre J
i
1
Lindice de la somme de la formule (3.31) dsigne en ralit le numro du rgime de fonctionnement
parmi les 8 rgimes correspondant aux 8 valeurs de x
1
(t) du tableau (3.1)
84
3.8. Modlisation dun systme non linaire industriel par un multimodle
Le tableau (3.2) montre quil existe une relation inversement proportionnelle entre le
critre rsiduel J
i
(3.31) et le nombre M de modles locaux choisi.
Cette tude comparative, aide au choix du nombre de modles locaux pour une bonne
approximation des fonctions coecients K
i
(x
1
(t)). Le tableau (3.3) indique le nombre M
de modles locaux retenus pour chaque fonction

K
i
(x
1
(t)) pour i = 1, ..., 12.
K
1
K
2
K
3
K
4
K
5
K
6
K
7
K
8
K
9
K
10
K
11
K
12
M 3 3 3 2 3 3 3 2 2 2 2 2
Tab. 3.3 Nombre de modles locaux retenus pour chaque

K
i
(x
1
(t))
Les paramtres
ij
et
ij
des modles locaux obtenus aprs optimisation sont prsents
sur le tableau (3.4).
Fonction

K
i
(x
1
(t))
i1

i2

i3

i1

i2

i3

K
1
(x
1
(t)) -0.04047 -0.00037 0.11230 5.0588 1.2314 -5.8506

K
2
(x
1
(t)) -0.00003 0.00027 0.00134 0.07519 0.0424 0.00031

K
3
(x
1
(t)) 0.02394 -0.02435 0.028317 -3.04046 1.13799 -0.6829

K
4
(x
1
(t)) 0.00047 0.00085 - -0.0234 0.04117 -

K
5
(x
1
(t)) -0.00404 -0.00123 0.00234 0.4189 0.1777 -0.02158

K
6
(x
1
(t)) -0.000049 -0.000002 0.000037 0.00590 0.00324 0.00122

K
7
(x
1
(t)) -0.4575 0.66200 -1.5222 16.5531 -14.6319 13.8271

K
8
(x
1
(t)) -0.05779 -0.0843 - 4.0511 12.5300 -

K
9
(x
1
(t)) 8.1252 4.8809 - 855.90 -17.841 -

K
10
(x
1
(t)) 0.6718 0.6578 - 34.157 31.048 -

K
11
(x
1
(t)) -0.0474 0.0777 - 24.222 -0.0945 -

K
12
(x
1
(t)) 8.766 8.2391 - 370.93 124.52 -
Tab. 3.4 Paramtres
ij
et
ij
des modles locaux
Remarque : le choix de 4 modles locaux pour tous les multimodles,

K
i
(x
1
(t)) pour
i = 1, ..., 12, ore une trs bonne approximation des fonctions coecients, mais aussi
une certaine complexit de modlisation et un grand nombre de paramtres identier.
Nous avons donc fait un compromis entre ces trois dernires contraintes savoir la com-
plexit, le nombre de paramtres identier et la qualit de lapproximation.
Dans le cas dune approximation laide de trois modles locaux j = 1, 3, les fonctions
85
Chapitre 3. Sur lanalyse des systmes multimodles
dactivation
ij
ont t construites de la manire suivante :

i1
(x
1
(t)) =
w
i1
(x
1
(t))
3

j=1
w
ij
(x
1
(t))
,
i2
(x
1
(t)) =
w
i2
(x
1
(t))
3

j=1
w
ij
(x
1
(t))
et
i3
(x
1
(t)) =
w
i3
(x
1
)
3

j=1
w
ij
(x
1
)
w
i1
(x
1
(t)) = exp
_
(x
1
(t) B
i1
)
2
2A
2
i1
_
, w
i2
(x
1
(t)) =
1
1 + exp
_
A
i2
x
1
(t) B
i2
_
w
i3
(x
1
(t)) =
1
1 + exp
_
A
i3
x
1
(t) B
i3
_
Aprs identication, les paramtres obtenus sont regroups dans la table (3.5).

11
(x
1
)
12
(x
1
)
13
(x
1
)
21
(x
1
)
22
(x
1
)
23
(x
1
)
31
(x
1
)
32
(x
1
)
33
(x
1
)
A -74.48 1.127 -0.312 4.120 0.110 -0.196 3.985 0.194 -0.691
B 38.651 80.254 58.656 75.673 96.139 36.225 73.016 88.548 43.464

51
(x
1
)
52
(x
1
)
53
(x
1
)
61
(x
1
)
62
(x
1
)
63
(x
1
)
71
(x
1
)
72
(x
1
)
73
(x
1
)
A 5.110 0.519 -0.312 7.509 0.7488 -0.254 78.256 -0.158 -0.016
B 66.809 88.263 65.211 61.458 84.892 68.096 67.810 97.594 26.043
Tab. 3.5 Paramtres des fonctions dactivation
Pour une approximation sappuyant sur deux modles locaux, les fonctions dactivation
retenues sont :

i1
(x
1
(t)) = exp
_
(x
1
(t) b
i1
)
2
2a
2
i1
_
et
i2
(x
1
(t)) = 1
i1
(x
1
(t))
La table (3.6) regroupe les valeurs des paramtres identis.

41
(x
1
)
81
(x
1
)
91
(x
1
)
101
(x
1
)
111
(x
1
)
121
(x
1
)
A 110.3 38.46 113.06 46.97 123.35 21.87
B 47.89 63.46 22.94 11.66 25.34 20.94
Tab. 3.6 Paramtres des fonctions dactivation
Les rsultats de lidentication sont montrs sur les gures (3.9). Aprs avoir optimis les
paramtres des fonctions dactivation et ceux des modles locaux, par la minimisation du
critre quadratique (3.31), on constate que les multimodles

K
i
(x
1
(t)) approximent bien
les fonctions coecients donnes par le tableau (3.1).
86
3.8. Modlisation dun systme non linaire industriel par un multimodle
30 40 50 60 70 80 90 100
0.8
1
1.2
1.4
1.6
1.8
2
2.2
2.4
2.6
K
1
(x
1
(t))
x
1
(t)
30 40 50 60 70 80 90 100
0.045
0.05
0.055
0.06
0.065
0.07
0.075 K
2
(x
1
(t))
x
1
(t)
30 40 50 60 70 80 90 100
1.5
1
0.5
0
0.5
1
K
3
(x
1
(t))
x
1
(t)
K
1
(x
1
(t)) K
2
(x
1
(t)) K
3
(x
1
(t))
30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
1
(t)

11
(x
1
)

12
(x
1
)

13
(x
1
)
30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

21
(x
1
)

22
(x
1
)
23
(x
1
)
x
1
(t)
30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

31
(x
1
)

32
(x
1
)
33
(x
1
)
x
1
(t)

1i
(x
1
(t))
2i
(x
1
(t))
3i
(x
1
(t))
30 40 50 60 70 80 90 100
0.025
0.03
0.035
0.04
0.045
0.05
$K
4
(x
1
(t))$
$x
1
(t)$
30 40 50 60 70 80 90 100
0.04
0.06
0.08
0.1
0.12
0.14
0.16
K
5
(x
1
(t))
x
1
(t)
30 40 50 60 70 80 90 100
2.5
2.6
2.7
2.8
2.9
3
3.1
3.2
3.3
x 10
3
K
6
(x
1
(t))
x
1
(t)
K
4
(x
1
(t)) K
5
(x
1
(t)) K
6
(x
1
(t))
30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
$
41
(x
1
)$
$
42
(x
1
)$
$x
1
(t)$
30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

51
(x
1
)
53
(x
1
)
52
(x
1
)
x
1
(t)
30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

61
(x
1
)

62
(x
1
)
63
(x
1
)
x
1
(t)

4i
(t))
5i
(x
1
(t))
6i
(x
1
(t))
87
Chapitre 3. Sur lanalyse des systmes multimodles
30 40 50 60 70 80 90 100
10
9
8
7
6
5
4
3
2
1
K
7
(x
1
(t))
x
1
(t)
30 40 50 60 70 80 90 100
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
2.2
$K
8
(x
1
(t))$
$x
1
(t)$
30 40 50 60 70 80 90 100
0
200
400
600
800
1000
1200
1400
K
9
(x
1
(t))
x
1
(t)
K
7
(x
1
(t)) K
8
(x
1
(t)) K
9
(x
1
(t))
30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
72
(x
1
)

71
(x
1
)

73
(x
1
)
x
1
(t)
30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

81
(x
1
)

82
(x
1
)
t
30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

92
(x
1
)

91
(x
1
)
x
1
(t)

7i
(t))
8i
(x
1
(t))
9i
(x
1
(t))
30 40 50 60 70 80 90 100
55
60
65
70
75
80
85
90
95
100
$K
10
(x
1
(t))$
$x
1
(t)$
30 40 50 60 70 80 90 100
2
4
6
8
10
12
14
16
$K
11
(x
1
(t))$
$x
1
(t)$
30 40 50 60 70 80 90 100
600
650
700
750
800
850
900
950
$K
12
x
1
(t))$
$x
1
(t)$
K
10
(x
1
(t)) K
11
(x
1
(t)) K
12
(x
1
(t))
30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
$
101
(x
1
)$ $
102
(x
1
)$
$x
1
(t)$
30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
$
112
(x
1
)$
$
111
(x
1
)$
$x
1
(t)$
30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
$
122
(x
1
)$
$
121
(x
1
)$
$x
1
(t)$
(
10i
(t))
11i
(x
1
(t))
12i
(x
1
(t))
Fig. 3.9 Fonctions coecients et leurs fonctions dactivation
88
3.8. Modlisation dun systme non linaire industriel par un multimodle
Notons que par la suite, pour des raisons de simplicit, on note x(t) et y(t) respectivement
le vecteur dtat et le vecteur de sortie du modle non linaire, obtenu aprs approximation
des fonctions coecients.
3.8.2.2 Simulation du modle non linaire
En remplaant les fonctions coecients dnies par le tableau (3.1) par leurs multimodles
correspondants

K
i
(x
1
(t)), on obtient un modle non linaire du turbo-racteur :
_

_
x
1
(t) =

K
1
(x
1
(t))
_
x
2
(t)

K
10
(x
1
(t))
_
+

K
2
(x
1
(t))
_
u(t)

K
9
(x
1
(t))
_
x
2
(t) =

K
3
(x
1
(t))
_
x
2
(t)

K
10
(x
1
(t))
_
+

K
4
(x
1
(t))
_
u(t)

K
9
(x
1
(t))
_
(3.32)
_

_
y
1
(t) = x
1
(t)
y
2
(t) = x
2
(t)
y
3
(t) =

K
5
(x
1
(t))
_
x
2
(t)

K
10
(x
1
(t))
_
+

K
6
(x
1
(t))
_
u(t)

K
9
(x
1
(t))
_
+

K
11
(x
1
(t))
y
4
(t) =

K
7
(x
1
(t))
_
x
2
(t)

K
10
(x
1
(t))
_
+

K
8
(x
1
(t))
_
u(t)

K
9
(x
1
(t))
_
+

K
12
(x
1
(t))
(3.33)
La gure (3.10) montre lvolution de lentre de commande u(t), les gures (3.11) illus-
trent la superposition des composantes du vecteur de sortie du modle non linaire ana-
lytique (3.32), (3.33) et de sa description (3.28) et (3.29) laide des valeurs tabules du
tableau (3.1) (les tracs sont parfaitement superposs).
En conclusion, le modle propos permet de substituer aux tables un modle continu ;
ainsi, lors de la simulation du modle tout mcanisme dextrapolation dans les tables est
inutile, les multimodles ralisent implicitement cette fonction.
0 10 20 30 40 50 60
100
200
300
400
500
600
700
800
900
1000
1100
u(t)
t
Fig. 3.10 Commande u(t)
89
Chapitre 3. Sur lanalyse des systmes multimodles
0 10 20 30 40 50 60
50
55
60
65
70
75
80
85
90 y
1
(t) rel et multimodle
t
0 10 20 30 40 50 60
60
65
70
75
80
85
90
95
y
2
(t) rel et multimodle
t
y
1
(t) y
2
(t)
0 10 20 30 40 50 60
3
4
5
6
7
8
9
10
11
12
y
3
(t) rel et multimodle
t
0 10 20 30 40 50 60
400
600
800
1000
1200
1400
1600
y
4
(t) rel et multimodle
t
y
3
(t) y
4
(t)
Fig. 3.11 Les sorties du modle tabul et celles du modle non linaire
3.8.2.3 Multimodle du turbo-racteur
Notre objectif dans cette partie est de reprsenter le comportement du racteur par un
multimodle alors que prcdemment, seul certains coecients du modle taient sous la
forme de multimodle. Comme nous disposons maintenant de la forme analytique dun
modle non linaire, lobtention de son multimodle est eectue par la mthode classique
de linarisation du modle non linaire (3.32) et (3.33) autour de plusieurs points de
fonctionnement. Le i
me
modle local est obtenu en linarisant le modle non linaire
autour du point de fonctionnement x
1i
, x
2i
, u
i
. Les quations du multimodle sont :
_

_
x
m1
(t) =
M

i=1

i
(u(t)) (A
11i
x
m1
(t) + A
12i
x
m2
(t) + B
1i
u(t) + D
1i
)
x
m2
(t) =
M

i=1

i
(u(t)) (A
12i
x
m1
(t) + A
22i
x
m2
(t) + B
2i
u(t) + D
2i
)
(3.34)
_

_
y
m1
(t) = x
m1
(t)
y
m2
(t) = x
m2
(t)
y
m3
(t) =
M

i=1

i
(u(t)) (C
11i
x
m1
(t) + C
12i
x
m2
(t) + E
1i
u + N
1i
)
y
m4
(t) =
M

i=1

i
(u(t)) (C
21i
x
m1
(t) + C
22i
x
m2
(t) + E
2i
u(t) +N
2i
)
(3.35)
90
3.8. Modlisation dun systme non linaire industriel par un multimodle
Les fonctions dactivation
i
(u(t)) sont choisies de forme triangulaire. Ces dernires ne
dpendent que de la commande u(t). Les matrices du multimodle obtenues comme suit :
A
11i
=

x
1
_

K
1
(x
1
)(x
2


K
10
(x
1
)) +

K
2
(x
1
)(u

K
9
(x
1
))
_

x
1
=x
1i
x
2
=x
2i
u =u
i
A
12i
=

x
2
_

K
1
(x
1
)(x
2


K
10
(x
1
)) +

K
2
(x
1
)(u

K
9
(x
1
))
_

x
1
=x
1i
x
2
=x
2i
u =u
i
A
21i
=

x
2
_

K
3
(x
1
)(x
2


K
10
(x
1
)) +

K
4
(x
1
)(u

K
9
(x
1
))
_

x
1
=x
1i
x
2
=x
2i
u =u
i
A
22i
=

x
2
_

K
3
(x
1
)(x
2


K
10
(x
1
)) +

K
4
(x
1
)(u

K
9
(x
1
))
_

x
1
=x
1i
x
2
=x
2i
u =u
i
B
1i
=

u
_

K
1
(x
1
)(x
2


K
10
(x
1
)) +

K
2
(x
1
)(u

K
9
(x
1
))
_

x
1
=x
1i
x
2
=x
2i
u =u
i
B
2i
=

u
_

K
3
(x
1
)(x
2


K
10
(x
1
)) +

K
4
(x
1
)(u

K
9
(x
1
))
_

x
1
=x
1i
x
2
=x
2i
u =u
i
C
11i
=

x
1
_

K
5
(x
1
)(x
2


K
10
(x
1
)) +

K
6
(x
1
)(u

K
9
(x
1
)) +

K
11
(x
1
)
_

x
1
=x
1i
x
2
=x
2i
u =u
i
C
12i
=

x
2
_

K
5
(x
1
)(x
2


K
10
(x
1
)) +

K
6
(x
1
)(u

K
9
(x
1
)) +

K
11
(x
1
)
_

x
1
=x
1i
x
2
=x
2i
u =u
i
C
21i
=

x
1
_

K
7
(x
1
)(x
2


K
10
(x
1
)) +

K
8
(x
1
)(u

K
9
(x
1
)) +

K
12
(x
1
)
_

x
1
=x
1i
x
2
=x
2i
u =u
i
C
22i
=

x
2
_

K
7
(x
1
)(x
2


K
10
(x
1
)) +

K
8
(x
1
)(u

K
9
(x
1
)) +

K
12
(x
1
)
_

x
1
=x
1i
x
2
=x
2i
u =u
i
E
1i
=

u
_

K
5
(x
1
)(x
2


K
10
(x
1
)) +

K
6
(x
1
)(u

K
9
(x
1
)) +

K
11
(x
1
)
_

x
1
=x
1i
x
2
=x
2i
u =u
i
E
2i
=

u
_

K
7
(x
1
)(x
2


K
10
(x
1
)) +

K
8
(x
1
)(u

K
9
(x
1
)) +

K
12
(x
1
)
_

x
1
=x
1i
x
2
=x
2i
u =u
i
D
1i
=

K
1
(x
1i
)(x
2i


K
10
(x
1i
)) +

K
2
(x
1i
)(u
i


K
9
(x
1i
)) A
12i
x
2i
B
1i
u
i
D
2i
=

K
3
(x
1i
)(x
2i


K
10
(x
1i
)) +

K
4
(x
1i
)(u
i


K
9
(x
1i
)) A
22i
x
2i
B
2i
u
i
N
1i
=

K
5
(x
1i
)(x
2


K
10
(x
1i
)) +

K
6
(x
1i
)(u
i


K
9
(x
1i
)) +

K
11
(x
1i
) C
11i
x
1i
C
12i
x
2i
E
1i
u
i
N
2i
=

K
7
(x
1i
)(x
2i


K
10
(x
1i
)) +

K
8
(x
1i
)(u
i


K
9
(x
1i
)) +

K
12
(x
1i
) C
21i
x
1i
C
22i
x
2i
E
2i
u
i
Le nombre de modles locaux a t choisi en minimisant un critre quadratique, fonction-
nelle de lcart entre les valeurs donnes par le modle (3.32), (3.33) et celles donnes par
le multimodle (3.34) et (3.35). Le critre utilis est le suivant :
J () =
t
f

t=0
4

i=1
_
y
i
(t) y
mi
(t)
y
i max
y
i min
_
2
(3.36)
91
Chapitre 3. Sur lanalyse des systmes multimodles
avec = (x
1i
, x
2i
, u
i
), y
i max
et y
i min
reprsentent respectivement les valeurs maximales
et minimales du vecteur y
i
(t) pour i 1, ..., 4. Le critre J() (3.36) est choisi normalis
a cause de la grande disparit entre valeurs des variables y
i
(t).
La procdure que nous avons adopte, pour dterminer le nombre de modles locaux est
la mme que celle utilise pour approximer les fonctions coecients. Nous avons fait des
tests en faisant varier le nombre M de modles locaux de 1 4. Les valeurs des dirents
critres sont montrs sur le tableau (3.7).
M 1 2 3 4
J 17.145 3.257 0.810 0.688
Tab. 3.7 Table comparative du critre J
Nous avons alors choisi M = 3 en eectuant un compromis qualit-complexit. Les valeurs
numriques des points de fonctionnement sont :
i x
1i
x
2i
u
i
1 65.88 66.87 344.25
2 72.37 80.43 557.01
3 90.07 85.05 1033.71
Tab. 3.8 Les trois points de fonctionnement
0 200 400 600 800 1000 1200
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

1
(u)
2
(u)
3
(u)
u(t)
Fig. 3.12 Fonctions dactivation
i
(u(t))
Le critre quadratique global utilis dans le jeu de lidentication pour loptimisation des
paramtres (points de fonctionnement), recherche une adquation entre le modle non
linaire et le multimodle sans se soucier de la qualit de lapproximation locale produite
par les modles locaux. Ces derniers sont positionns de sorte que leur interpolation donne
92
3.8. Modlisation dun systme non linaire industriel par un multimodle
une bonne approximation du comportement global du systme.
La structure des direntes matrices A
i
, B
i
, F
i
, C
i
, D
i
et H
i
est la suivante :
A
i
=
_
A
11i
A
12i
A
12i
A
22i
_
, B
i
=
_
B
1i
B
2i
_
, D
i
=
_
D
1i
D
2i
_
C
i
=
_
_
_
_
_
1 0
0 1
C
11i
C
12i
C
12i
C
22i
_
_
_
_
_
, E
i
=
_
_
_
_
_
0
0
E
1i
E
2i
_
_
_
_
_
, N
i
=
_
_
_
_
_
0
0
N
1i
N
2i
_
_
_
_
_
et leurs valeurs numriques sont :
A
1
=
_
2.427 2.323
0.0223 1.424
_
, A
2
=
_
2.652 2.0442
0.366 1.1970
_
, A
3
=
_
3.107 1.295
0.350 0.935
_
B
1
=
_
0.072
0.040
_
, B
2
=
_
0.073
0.036
_
, B
3
=
_
0.065
0.031
_
D
1
=
_
46.146
89.543
_
, D
2
=
_
7.165
102.366
_
, D
3
=
_
93.974
85.076
_
C
1
=
_

_
1 0
0 1
0.054 0.145
2.185 9.680
_

_
, C
2
=
_

_
1 0
0 1
0.108 0.1150
6.752 6.893
_

_
, C
3
=
_

_
1 0
0 1
0.130 0.0678
6.729 2.670
_

_
E
1
=
_

_
0
0
0.003
0.772
_

_
, E
2
=
_

_
0
0
0.003
0.586
_

_
, E
3
=
_

_
0
0
0.003
0.441
_

_
N
1
=
_

_
0
0
9.8
1254.3
_

_
, N
2
=
_

_
0
0
11.3
1471.6
_

_
, N
3
=
_

_
0
0
9.5
1260.2
_

_
Le modle ainsi obtenu est beaucoup plus facilement exploitable que le modle initial
dcrit laide de la table (3.1). Il peut tre exploit en particulier pour le diagnostic
de fonctionnement du turboracteur en utilisant des techniques classiques (laboration
dun multiobservateur ou dun banc de multiobservateurs et comparaison des direntes
estimations dtat). Nous dcrirons cette utilisation lors du chapitre 6.
93
Chapitre 3. Sur lanalyse des systmes multimodles
3.8.3 Simulation du modle du turboracteur
Pour permettre dvaluer les rsultats de simulation, nous simulons en parallle deux mo-
dles : le multimodle (3.34), (3.35) et le modle non linaire (3.32), (3.33). Lentre appli-
que est la mme que celle utilise pour identier les paramtres des fonctions coecients.
Les gures (3.13), (3.14), (3.15) et (3.16) montrent la superposition des composantes du
vecteur de sorties du modle non linaire (3.32) et (3.33) du turbo-racteur et leurs ap-
proximation par le multimodle (3.34) et (3.35).
0 5 10 15 20 25 30 35 40
50
55
60
65
70
75
80
85
90
95
Fig. 3.13 y
1
(t) du modle non li-
naire et du multimodle
0 5 10 15 20 25 30 35 40
60
65
70
75
80
85
90
95
Fig. 3.14 y
2
(t) du modle non
linaire et du multimodle
0 5 10 15 20 25 30 35 40
3
4
5
6
7
8
9
10
11
12
Fig. 3.15 y
3
(t) du modle non
linaire et du multimodle
0 5 10 15 20 25 30 35 40
400
600
800
1000
1200
1400
1600
1800
Fig. 3.16 y
4
(t) du modle non
linaire et du multimodle
3.8.4 Conclusion
Dans cette section, nous avons montr comment, partir dun modle tabul dun systme
physique (turboracteur), prsentant des commutations entre zones de fonctionnement et
94
3.8. Modlisation dun systme non linaire industriel par un multimodle
des non-linarits entre les variables, construire un multimodle bas sur plusieurs modles
locaux linaires ou anes. Les rsultats de simulation montrent la capacit des multimo-
dles approcher le comportement des systmes non linaires, le nombre de modles
locaux augmente en fonction de la complexit de la dynamique du modle apprhender
et de la prcision souhaite.
Laugmentation du nombre de modles locaux permet la prise en compte de la complexit
plus ou moins grande de systme et permet galement datteindre la prcision souhaite
du modle global selon les objectifs poursuivis.
La modlisation propose a t eectue en deux tapes : modlisation multimodle des
fonctions coecient et laboration dun modle non linaire, puis linarisation locale du
modle non linaire pour obtenir le multimodle dnitif.
Cependant, une dmarche directe est tout fait ralisable. Dans ce cas, le multimodle
aurait t dtermin directement partir des donnes exprimentales aprs avoir impos
une structure. Linconvnient principal de cette dernire approche rside dans le nombre
de paramtres identier, beaucoup plus grand par rapport au nombre de points de
fonctionnement choisi prcdemment.
95
Chapitre 3. Sur lanalyse des systmes multimodles
96
4
Conception de multiobservateurs
Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.2 Mthode de conception dun multiobservateur . . . . . . . . . 100
4.2.1 Variables de dcision mesurables . . . . . . . . . . . . . . . . . 100
4.2.2 Variables de dcision non mesurables . . . . . . . . . . . . . . . 102
4.2.3 Aectation des valeurs propres dun multiobservateur . . . . . . 104
4.2.4 Exemple dapplication . . . . . . . . . . . . . . . . . . . . . . . 105
4.3 Conception dun multiobservateur entres inconnues . . . . 108
4.3.1 Matrices dinuence dentres inconnues identiques . . . . . . . 108
4.3.2 Matrices dinuence des entres inconnues direntes . . . . . . 113
4.4 Estimation des entres inconnues . . . . . . . . . . . . . . . . . 117
4.5 Exemple dapplication . . . . . . . . . . . . . . . . . . . . . . . . 118
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
97
Chapitre 4. Conception de multiobservateurs
4.1 Introduction
Les techniques de dtection et disolation de dfauts base de modle ont t appliques
avec succs aux systmes linaires [Chen 00], [Comm 02], [Shaf 02] et [Wang 03]. Lide
principale est de gnrer des rsidus qui retent des anomalies entre le comportement
nominal du systme et son comportement courant. Cependant, la dtection et lisolation
de dfaut pour les systmes non linaires restent toujours diciles tudier. La plupart
des tudes faites dans ce sens ont t abordes en utilisant deux tapes :
linarisation du modle non linaire autour dun point de fonctionnement,
gnration des rsidus robustes par rapport aux petites variations de paramtres.
Cette stratgie fonctionne seulement lorsque la linarisation ne cause pas une grande dis-
parit entre le modle linaire et le modle non linaire, cest--dire lorsque le systme
fonctionne autour dun point de fonctionnement. Par consquent, ces techniques montrent
leurs limites lorsque le systme change de point de fonctionnement (modication de la dy-
namique ou de non linarit) .
Lutilisation des rseaux de neurones [Wang 94], [Benk 96], [Patt 96], [Cami 01] et [Chua 01]
constitue une approche alternative pour traiter les problmes de non-linarits lors de la
dtection et lisolation de dfauts (FDI). Le problme principal de cette approche rside
dans la dicult danalyser la robustesse et la sensibilit dune faon mathmatique rigou-
reuse. Des approches bases sur la logique oue ont galement t suggres par [Fran 93],
[Iser 93], [Schn 94] et [Dext 95]. Cependant, la seule utilisation de la "logique oue" nest
pas ecace pour la dtection de dfaut naissant (dfauts de faible amplitude et/ou de
dynamique lente).
Comme nous lavons indiqu prcdemment, la dtection et la localisation de dfauts
peuvent tre traites par deux approches direntes : la premire utilise le modle et les
mesures des entres et des sorties du systme (gnration de rsidus par exemple), la
seconde utilise lensemble des donnes disponibles le modle ntant pas disponible (ACP
par exemple). Les chercheurs ont naturellement essay de combiner ces deux approches
pour tirer prot de leurs avantages respectifs [Benk 96], [Fran 93], [Iser 93] et [Schn 94].
Ces dernires annes, il y a eu un nombre croissant de travaux sur lapplication des mo-
dles de Takagi-Sugeno (TS) [Patt 97] dans la modlisation et la commande des systmes
non linaires. Deux mthodes sont principalement utilises pour obtenir les modles lo-
caux dun multimodle dun systme non linaire :
Identication de type boite noire lorsque le systme non linaire na pas de forme
analytique.
98
4.1. Introduction
Linarisation du modle non linaire autour de plusieurs points de fonctionnement
dans lespace dtat.
Dans les deux cas, le systme non linaire est approch par un multimodle localement
linaire ou ane, qui est une combinaison non linaire des modles locaux issus de liden-
tication ou de la linarisation, par lutilisation des fonctions dactivation dnissant
direntes rgions de lespace dtat pour les dirents modles locaux.
Cependant, la grande majorit des mthodes de conception/analyse et les applications
trouves dans la littrature considrent le cas o le vecteur dtat est compltement me-
surable. Puisque cest rarement le cas en pratique, les problmes de conception/analyse
dobservateur pour les multimodle sont devenus dactualit.
Ces dernires annes cette problmatique a commenc susciter une certaine attention
chez les automaticiens. Dans [Plam 04], [Palm 99] et [Patt 98] les auteurs utilisent la no-
tion dobservateur ou pour des raisons didentication et de dtection de dfauts. Le
systme est dcrit par un multimodle de type Takagi-Sugeno o chaque modle local
est dni comme un systme bilinaire et lobservateur local est alors associ chaque
systme bilinaire. Lobservateur global cependant, est une combinaison linaire des ob-
servateurs locaux et des techniques de conception et danalyse des observateurs linaires
existantes peuvent tre appliques.
Tanaka et al [Tana 98] ont prsent de nouvelles conditions de stabilit pour une classe
de systmes non linaires reprsents sous forme multimodle continue ou discrete lors
de la conception dun multiobservateur. A partir de l, on trouve une premire tentative
de conception dun multiobservateur comme une combinaison non linaire de plusieurs
observateurs locaux [Patt 98].
Assawinchaichote et al [Assa 02] ont considr le problme de la conception dun ob-
servateur ou pour une classe de systmes non linaires perturbation singulire. Tong
Shaocheng et al (2000) ont considr lanalyse et la conception de lobservateur ou ro-
buste pour une classe de systmes non linaires incertains reprsents par un modle de
type Takagi-Sugeno ; ils ont montr la convergence de lerreur destimation dtat vers
zro en utilisant lapproche de Lyapunov.
Dans ce chapitre, nous prsentons les techniques de reconstruction dtat des systmes non
linaires reprsents sous forme multimodle et comment saranchir de la prsence des en-
tres inconnues sur les quations dynamique et statique du multimodle. Nous prsentons
galement une technique de dtermination des matrices des dirents multiobservateurs
proposs.
99
Chapitre 4. Conception de multiobservateurs
4.2 Mthode de conception dun multiobservateur
Considrons un systme dynamique non linaire reprsent par un multimodle, compos
de M modles locaux, dcrit par les quations suivantes :
_

_
x (t) =
M

i=1

i
( (t)) (A
i
x(t) + B
i
u(t) +D
i
)
y (t) =
M

i=1

i
( (t)) (C
i
x(t) + F
i
u(t))
(4.1)
o x(t) R
n
est le vecteur dtat, u(t) R
m
est le vecteur dentres et y(t) R
p
reprsente le vecteur de sortie. Les matrices A
i
, B
i
, D
i
, C
i
et F
i
sont de dimensions
appropries.
i
((t)) sont les fonctions dactivation des modles locaux et (t) reprsente
le vecteur de variables de dcision qui peuvent dpendre de ltat, des sorties ou des
entres.
Dans cette partie, deux cas sont considrs pour les variables de dcision :
(t) est mesure,
(t) dpend des variables dtat estimes.
4.2.1 Variables de dcision mesurables
Un observateur est destin estimer le vecteur dtat dun systme. Pour le concevoir,
on suppose que les modles locaux sont localement observables, cest--dire que toutes
les paires (A
i
, C
i
) sont observables. Pour concevoir le multiobservateur, on associe
chaque modle local un observateur local, le multiobservateur (observateur global) est
une somme des observateurs locaux pondre par des fonctions dactivation identiques
celles associes aux modles locaux du multimodle [Patt 97]. Les quations qui rgissent
le multiobservateur sont les suivantes :
_

x(t) =
M

i=1

i
( (t))
_
A
i
x (t) + B
i
u(t) + D
i
+ G
i
(y(t) y(t))
_
y (t) =
M

i=1

i
( (t))
_
C
i
x(t) + F
i
u(t)
_
(4.2)
o x(t) reprsente le vecteur dtat estim par le multiobservateur, y(t) est le vecteur de
sortie estim et G
i
R
np
sont les gains des observateur locaux. Lerreur destimation
dtat est dnie par lquation suivante :
e(t) = x(t) x(t) (4.3)
100
4.2. Mthode de conception dun multiobservateur
La dynamique de lerreur destimation dtat sexplicite :
e (t) = x(t)

x(t)
=
M

i=1
M

j=1

i
( (t))
j
( (t)) (A
i
G
i
C
j
) e (t)
(4.4)
Si lerreur destimation dtat (4.4) converge asymptotiquement vers zro, lestimation des
vecteurs dtat et de sortie (4.2) converge asymptotiquement vers les vecteurs dtat et
de sortie du multimodle (4.1) respectivement.
Tanaka [Tana 96] et Ma [Ma 98] ont nonc les conditions de convergence de lerreur
destimation dtat :
Thorme 4.1 [Tana 96] et Ma [Ma 98] : le multiobservateur (4.2) est asymptotique-
ment stable, sil existe une matrice symtrique et dnie positive P et des matrices de
gain G
i
vriant les ingalits suivantes :
_

_
(A
i
G
i
C
i
)
T
P + P (A
i
G
i
C
i
) < 0 i 1, ..., M
_
A
i
G
i
C
j
+ A
j
G
j
C
i
2
_
T
P + P
_
A
i
G
i
C
j
+ A
j
G
j
C
i
2
_
< 0, (i < j < M)
(4.5)
Le multiobservateur (4.2) peut tre simpli si la sortie y(t) est linaire, cest--dire (C
1
=
C
2
= ... = C
M
= C). Dans ce cas, y(t) = Cx(t) et le multimodle devient :
_
_
_
x(t) =
M

i=1

i
( (t)) (A
i
x(t) + B
i
u(t) + D
i
)
y (t) = Cx(t)
(4.6)
Le multiobservateur est donn par la relation suivante :
_
_
_

x(t) =
M

i=1

i
( (t))
_
A
i
x (t) + B
i
u(t) + D
i
+G
i
(y(t) y(t))
_
y (t) = C x(t)
(4.7)
et la dynamique de lerreur destimation dtat devient :
e (t) =
M

i=1

i
( (t)) (A
i
G
i
C) e (t) (4.8)
Les conditions de stabilit du multiobservateur (4.7) sont alors donnes par le thorme
suivant :
101
Chapitre 4. Conception de multiobservateurs
Thorme 4.2 [Patt 98] : le multiobservateur (4.7) est asypmtotiquement stable, sil
existe une matrice de Lyapunov symtrique et dnie positive P vriant les ingalits
suivantes :
(A
i
G
i
C)
T
P + P (A
i
G
i
C) < 0 i 1, . . . , M (4.9)
4.2.2 Variables de dcision non mesurables
Supposons maintenant quune partie (ou la totalit) des variables de dcision ne sont pas
mesurables. On note

(t) une estimation des variables de dcision dpendant des variables
dtat estimes x(t). Ainsi les fonctions dactivation du multiobservateur sont direntes
de celles du multimodle (4.6). Dans le cas dune matrice dobservation C unique, le
multiobservateur sexplicite alors :
_

x(t) =
M

i=1

i
(

(t))
_
A
i
x(t) + B
i
u(t) +D
i
+ G
i
(y(t) y(t))
_
y (t) = C x(t)
(4.10)
Lerreur de sortie entre le multimodle (4.1) et le multiobservateur (4.10) est :
r(t) = y(t) y(t)
= C(x(t) x(t))
(4.11)
La dynamique de lerreur destimation dtat scrit :
e(t) = x(t)

x(t)
=
M

i=1

i
(

(t))
_
(A
i
G
i
C)e(t) +
_
(t),

(t), x(t), u(t)
_
_
(4.12)
avec :

_
(t),

(t), x(t), u(t)
_
=
_
M

i=1

i
((t))
M

i=1

i
(

(t))
__
A
i
x(t) + B
i
u(t)
_
(4.13)
Notons que lorsque e(t) 0 alors,
_
(t),

(t), x(t), u(t)
_
0.
Cest--dire,
_
(t),

(t), x(t), u(t)
_
agit comme une perturbation non structure qui est
cense tre croissante borne comme :
_
_
_
_
(t) ,

(t) , x(t) , u(t)
__
_
_ |e (t)| , avec > 0 (4.14)
Cependant, si on suppose aucune structure particulire de telles perturbations peut tre
tout fait conservative [Khal 96]. Des conditions susantes de stabilit pour (4.12) sont
donnes [Palm 99].
102
4.2. Mthode de conception dun multiobservateur
Pour trouver les conditions de convergence du multiobservateur (4.10), nous avons choisi
la fonction de Lyapunov donne par (4.15).
V (t) = e
T
(t)Pe(t) (4.15)
Sa drive par rapport au temps est :

V (t) =
M

i=1

i
_

(t)
_ _
e
T
(t)
_
(A
i
G
i
C)
T
P + P(A
i
G
i
C)
_
e(t) + 2
T
Pe(t)
_

i=1

i
_

(t)
_ _
e
T
(t)
_
(A
i
G
i
C)
T
P +P(A
i
G
i
C) + P
2
_
e(t) +
T

_
(4.16)
En utilisant la relation (4.14),

V (t) devient :

V (t)
M

i=1

i
_

(t)
_ _
e
T
(t)
_
(A
i
G
i
C)
T
P + P(A
i
G
i
C) + P
2
_
e(t) +
2
|e(t)|
2
_

min
((A
i
G
i
C)
T
P P(A
i
G
i
C) P
2
)|e(t)|
2
+
2
|e(t)|
2
(4.17)
Donc, la drive de la fonction de Lyapunov

V (t) est ngative si :

min
((A
i
G
i
C)
T
P P(A
i
G
i
C) P
2
) >
2
(4.18)
En utilisant le complment de Schur [Boyd 94], (4.18) est satisfaite si :
_
_
(A
i
G
i
C)
T
P P(A
i
G
i
C)
2
P
P I
_
_
> 0 (4.19)
La convergence du multiobservateur (4.10) est conditionne par lexistence de la matrice
symtrique P, des matrices de gain G
i
et dun scalaire positif vriant la relation (4.19).
Lingalit (4.19) est non linaire par rapport aux variables P et G
i
. An davoir un
problme de type LMI, un changement de variable simpose. Posons :
W
i
= PG
i
(4.20)
lingalit (4.19) devient :
_
_
(A
T
i
P + PA
i
) C
T
W
T
i
W
i
C
2
P
P I
_
_
> 0 (4.21)
Ce rsultat permet alors dnoncer le thorme (4.3).
103
Chapitre 4. Conception de multiobservateurs
Thorme 4.3 : lerreur destimation dtat entre le multiobservateur (4.10) et le
multimodle (4.6), converge asymptotiquement vers zro, sil existe une matrice de
Lyapunov P symtrique et dnie positive, des matrices W
i
et un scalaire positif
tels que pour i 1, ..., M :
_
_
(A
T
i
P + PA
i
) + C
T
W
T
i
+W
i
C
2
P
P I
_
_
> 0 (4.22)
Les gains du multiobservateur se dduisent alors laide de lquation :
G
i
= P
1
W
i
(4.23)
4.2.3 Aectation des valeurs propres dun multiobservateur
Pour assurer la vitesse de la convergence de lerreur destimation dtat du multiobser-
vateur (4.7), il est ncessaire daecter toutes les valeurs propres des observateur locaux,
dans une rgion spcique.
Une premire ide est de garantir que les parties relles des valeurs propres des
observateurs locaux sont comprises entre deux valeurs
min
et
max
, avec
min
>

max
> 0, lingalit (4.9) devient :
_
_
_
(A
i
G
i
C +
max
I)
T
P + P (A
i
G
i
C +
max
I) < 0
(A
i
G
i
C +
min
I)
T
P P (A
i
G
i
C +
min
I) < 0
(4.24)
Remarque : la partie imaginaire des valeurs propres des observateurs locaux nest
pas limite avec cette contrainte, ce qui peut gnrer une dynamique fortes oscil-
lations.
104
4.2. Mthode de conception dun multiobservateur
Une autre ide est daecter les valeurs propres des observateurs locaux dans une
rgion o(, ), qui est lintersection entre un cercle, de centre (0, 0), de rayon et
du demi-plan gauche limit par une droite dabscisse gale ().
Corollaire 4.1 : les observateurs locaux dun multiobservateur ont des valeurs propres
dans la rgion o(, ), sil existe une matrice P dnie positive telle que pour i
1, ..., M :
_

_
_
_
P (A
i
G
i
C)
T
P
P (A
i
G
i
C) P
_
_
< 0
(A
i
G
i
C)
T
P + P (A
i
G
i
C) + 2P < 0
(4.25)
Ces ingalits peuvent tre rsolues laide doutils numriques LMI [Boyd 94]. Si les
valeurs propres de toutes les matrices dtat des observateurs locaux (A
i
G
i
C) pour
i 1..., M sont dans la rgion o(, ), les ples de la dynamique de lerreur du mul-
tiobservateur sont dans la rgion o(, ).
4.2.4 Exemple dapplication
Considrons un systme non linaire reprsent par le multimodle dcrit par lquation
(4.6), avec M = 2. Les valeurs numriques des matrices A
i
, B
i
et C sont les suivantes :
A
1
=
_

_
2 1 1
1 3 0
2 1 6
_

_
A
2
=
_

_
3 2 2
5 8 0
0.5 0.5 4
_

_
B
1
=
_

_
1
0.5
0.5
_

_
B
2
=
_

_
0.5
1
0.25
_

_
C =
_
1 1 1
1 0 1
_
Dans cette exemple, les matrices D
i
sont supposes nulles et le vecteur de dcision (t) =
u(t). Les valeurs initiales des variables dtat et des variables estimes sont :
105
Chapitre 4. Conception de multiobservateurs
x =
_

_
1
0.5
0
_

_
et x(0) =
_

_
0
0
1
_

_
En utilisant le multiobservateur (4.7), les gains G
i
et la matrice de Lyapunov obtenus
sont les suivants :
G
1
=
_

_
2.04 2.01
1.54 0.19
2.80 2.17
_

_
G
2
=
_

_
1.80 0.61
0.35 5.17
5.39 4.45
_

_
et P =
_

_
37.97 5.84 0.51
5.84 22.75 16.74
0.51 16.74 29.46
_

_
0 2 4 6 8 10 12 14 16 18 20
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2 2.5 3 3.5 4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Fig. 4.1 Entre et fonctions dactivation
0 2 4 6 8 10 12 14 16 18 20
0.2
0
0.2
0.4
0.6
0.8
1
1.2
0 2 4 6 8 10 12 14 16 18 20
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0 2 4 6 8 10 12 14 16 18 20
1
0.8
0.6
0.4
0.2
0
0.2
0.4
x
1
(t) x
1
(t) x
2
(t) x
2
(t) x
3
(t) x
3
(t)
Fig. 4.2 Convergence asymptotique des erreurs destimation dtat
Les gures (4.1) visualisent levolution de lentre u(t) du multimodle ainsi que levolu-
tion des trois fonctions dactivation, choisies triangulaires, en fonction de lentre u(t). Les
gures (4.2) montrent les erreurs destimation entre les composantes du vecteur dtat du
multimodle (4.6) et celles du multiobservateur (4.7).
Le multiobservateur dcrit dans cette section est bas sur la combinaison de plusieurs
observateurs locaux de type Luenberger. Pour assurer une convergence rapide de lerreur
106
4.2. Mthode de conception dun multiobservateur
destimation dtat ou de sortie, une technique de placement de ples a t utilise, an
daecter les valeurs propres des observateurs locaux dans une rgion spcique. La condi-
tion de convergence et les contraintes daectation des valeurs propres ont t formules
en termes dingalits linaires matricielles. Ce type dobservateur peut tre utilis dans le
domaine du diagnostic an de dtecter des dfauts capteurs comme nous le prsenterons
au chapitre 6.
107
Chapitre 4. Conception de multiobservateurs
4.3 Conception dun multiobservateur entres incon-
nues
Dans ce paragraphe, nous considrons un systme non linaire reprsent par un multi-
modle, o une partie des entres est inconnue. Lobjectif est lestimation des tats et
des sorties de ce systme ainsi que des entres inconnues. Pour cela, on propose la syn-
thse dun multiobservateur base sur llimination de ces entres inconnues. On montre
comment dterminer les gains des observateurs locaux, ces derniers tant solutions dun
ensemble dingalits matricielles non linaires.
Cette section est compose de deux parties. La premire dcrit la conception dun mul-
tiobservateur, lorsque les matrices dinuence des entres inconnues sont les mmes pour
tous les modles locaux constituant le multimodle et lorsque les entres inconnues nin-
terviennent que sur lquation dvolution dtat. Dans la seconde partie, on tend la
porte de la mthode en dcrivant la conception dun multiobservateur dans le cas o les
matrices dinuence des entres inconnues sont distinctes pour chaque modle local.
4.3.1 Matrices dinuence dentres inconnues identiques
Considrons un systme non linaire reprsent sous forme multimodle soumis lin-
uence des entres inconnues :
_

_
x(t) =
M

i=1

i
((t))
_
A
i
x(t) + B
i
u +R u(t) + D
i
_
y(t) = Cx(t)
(4.26)
avec :
_

_
M

i=1

i
((t)) = 1
0
i
((t)) 1 i = 1, ..., M
o x(t) R
n
est le vecteur dtat, u(t) R
m
est le vecteur des entres, u(t) R
q
,
q < n, est le vecteur des entres inconnues et y(t) R
p
reprsente le vecteur des sorties
mesurables.
Pour le i
me
modle local, A
i
R
nn
est la matrice dtat, B
i
R
nm
est la matrice
dentre connue, R R
nq
et D
i
R
n1
reprsente un vecteur dpendant du point de
fonctionnement ; C R
pn
est la matrice de sortie. Enn, (t) reprsente le vecteur de
dcision dpendant de lentre connue et/ou des variables dtat.
108
4.3. Conception dun multiobservateur entres inconnues
Considrons le multiobservateur, dtat x(t), dcrit de la faon suivante [Akhe 02] :
_

_
z (t) =
M

i=1

i
( (t))
_
N
i
z(t) + G
i1
u(t) + G
i2
+ L
i
y(t)
_
x (t) = z(t) Ey(t)
(4.27)
N
i
R
nn
, G
i1
R
nm
, L
i
R
np
est le gain du i
me
observateur local, G
i2
R
n
est
un vecteur constant et E est une matrice de transformation. En utilisant lexpression de
lerreur de reconstruction dtat donne par lquation (4.3) et lexpression de x(t) donne
par lquation (4.27), lexpression de lerreur devient :
e(t) = (I + EC)x(t) z(t) (4.28)
Sa drive par rapport au temps sexplicite :
e(t) =
M

i=1

i
((t))
_
P
_
A
i
x(t) + B
i
u(t) + R u(t) +D
i
_

N
i
z(t) G
i1
u(t) G
i2
L
i
y(t)
_
(4.29)
avec :
P = I + EC (4.30)
Lexpression (4.29) peut galement tre crite de la manire suivante :
e (t) =
M

i=1

i
((t))
_
N
i
e(t) +
_
PA
i
N
i
P L
i
C
_
x(t) + (PB
i
G
i1
) u(t)+
(PD
i
G
i2
) + PR u(t)
_
=
M

i=1

i
((t))
_
N
i
e(t) +
_
PA
i
N
i
K
i
C
_
x(t) + (PB
i
G
i1
) u(t)+
(PD
i
G
i2
) + PR u(t)
_
(4.31)
avec K
i
= N
i
E + L
i
. Si lon impose les conditions suivantes :
PR = 0 (4.32a)
P = I + EC (4.32b)
N
i
= PA
i
K
i
C (4.32c)
L
i
= K
i
N
i
E (4.32d)
G
i1
= PB
i
(4.32e)
G
i2
= PD
i
(4.32f)
M

i=1

i
((t))N
i
est stable (4.32g)
109
Chapitre 4. Conception de multiobservateurs
lerreur de reconstruction dtat tend asymptotiquement vers zro et (4.29) se rduit :
e (t) =
M

i=1

i
((t)) N
i
e(t) (4.33)
Il est important de noter que la stabilit des matrices N
i
, i 1, ..., M, ne garantit pas
forcment la stabilit de la matrice

M
i=1

i
((t))N
i
. Ce point est trait dans le paragraphe
qui suit.
La convergence asymptotique de lerreur destimation dtat (4.31) est garantie par la
rsolution des conditions (4.32) selon les trois tapes suivantes :
1. calcul de la matrice E en utilisant la relation (4.32a), on en dduit alors la matrice
P laide de (4.32b).
2. calcul des matrices N
i
et K
i
garantissant la stabilit de la matrice

M
i=1

i
((t))N
i
,
ce point technique concernant la mthode de rsolution fait lobjet du paragraphe
(4.3.1.2).
3. dduction des matrices de gain L
i
, G
i1
et G
i2
des matrices prcdentes.
4.3.1.1 Convergence globale du multiobservateur
Lquation dynamique (4.33) est globalement asymptotiquement stable, sil existe une
matrice symtrique et dnie positive X, telle que :
N
T
i
X + XN
i
< 0, i 1, ..., M (4.34)
En sappuyant sur lquation (4.34), on peut noncer le thorme suivant :
Thorme 4.4 [Akhe 03a] : lerreur destimation dtat entre le multimodle en-
tres inconnues (4.26) et le multiobservateur (4.27) converge asymptotiquement vers
zro, si toutes les paires (A
i
, C) sont observables et si les conditions suivantes sont
vries i 1, ..., M :
N
T
i
X + XN
i
< 0 (4.35a)
PR = 0 (4.35b)
N
i
= PA
i
K
i
C (4.35c)
L
i
= K
i
N
i
E (4.35d)
G
i1
= PB
i
(4.35e)
G
i2
= PD
i
(4.35f)
o P = I + EC et X R
nn
est une matrice symtrique dnie positive.
110
4.3. Conception dun multiobservateur entres inconnues
En utilisant lquation (4.32c), lingalit (4.34) devient :
(PA
i
K
i
C)
T
X + X (PA
i
K
i
C) < 0 (4.36)
Lingalit (4.39) est non linaire par rapport aux variables K
i
et X. Nous prsentons,
dans le paragraphe suivant, la dmarche permettant de rsoudre lensemble des contraintes
(4.35).
4.3.1.2 Mthode de rsolution
Des mthodes de rsolution ont t proposes pour rsoudre des ingalits matricielles
non linaires et en particulier bilinaires [Chad 01]. La mthode que nous avons adopte
est base sur un changement de variable. La rsolution des contraintes (4.35) seectue,
comme indiqu prcdemment en trois tapes.
1. Si la matrice CR est de plein rang ligne, la relation (4.35b) dtermine compltement
la matrice E du multiobservateur. En notant (CR)
()
= (CR)
T
(CR(CR)
T
)
1
la
pseudo-inverse de (CR), on a :
E = R(CR)
()
(4.37)
On en dduit alors la valeur de la matrice P :
P = I R(CR)
()
C (4.38a)
2. Ensuite, la rsolution des ingalits matricielles (4.35a) dans lesquelles on a remplac
les matrices N
i
par leurs valeurs issues de (4.35c) scrivent :
(PA
i
K
i
C)
T
X + X (PA
i
K
i
C) < 0, i 1, ..., M (4.39)
An de linariser ces ingalits, nous considrons le changement de variable suivant :
W
i
= XK
i
(4.40)
Les ingalits (4.39) peuvent alors tre rcrites, i 1, ..., M :
(PA
i
)
T
X + X(PA
i
) W
i
C C
T
W
T
i
< 0, i 1, ..., M (4.41)
Ces dernires ingalits matricielles sont linaires par rapport aux variables incon-
nues X et W
i
. Par consquent, des outils LMI peuvent tre utiliss pour rsoudre
(4.41).
Ayant rsolu ce problme et obtenu des solutions X et W
i
vriant (4.41), on en
dduit les gain K
i
:
K
i
= X
1
W
i
(4.42a)
(4.42b)
111
Chapitre 4. Conception de multiobservateurs
3. Les matrices E, P, K
i
ayant t dtermines, on en dduit les matrices dtat N
i
et
les gains L
i
, G
i1
et G
i2
:
N
i
= PA
i
K
i
C (4.43a)
L
i
= K
i
N
i
E (4.43b)
G
i1
= PB
i
(4.43c)
G
i2
= PD
i
(4.43d)
4.3.1.3 Placement de ples
Dans cette partie, on examine comment amliorer les performances du multiobservateur,
notamment en ce qui concerne la vitesse de convergence vers zro de lerreur destimation
dtat. La dynamique du multiobservateur est choisie de telle manire quelle soit sensi-
blement plus rapide que celle du multimodle.
Pour assurer une certaine dynamique de convergence de lerreur destimation dtat, on
dnit dans le plan complexe la rgion S(, ) comme lintersection entre un disque, de
centre (0, 0) et de rayon , et du demi-plan gauche limit par une droite dabscisse ().
Pour garantir que les valeurs propres de la matrices
M

i=1

i
( (t)) N
i
appartiennent la
rgion S(, ), la rsolution de lquation (4.41) de ltape 2 de la dmarche prcdente
est remplace par la rsolution des ingalits suivantes [Akhe 03a] :
_
X PA
T
i
X C
T
W
T
i
XPA
i
W
i
C X
_
< 0
PA
T
i
X + XPA
i
C
T
W
T
i
W
i
C + 2X < 0
(4.44)
Linconvnient majeur de la conception du multiobservateur (4.27) rside dans son inca-
pacit assurer la convergence asymptotique de lerreur destimation dtat lorsque les
matrices dinuence des entres inconnues sont direntes pour chaque modle local. En
eet, lorsque R
1
,= R
2
.... ,= R
i
... ,= R
M
, la contrainte suivante :
PR
i
= 0, pour i 1, ..., M (4.45)
ne peut tre satisfaite. Si lentre inconnue, en plus dagir sur lquation dtat, intervient
galement, de manire directe, sur lquation de sortie, une solution ce problme peut
tre obtenue. La dmarche est prsente la section suivante.
112
4.3. Conception dun multiobservateur entres inconnues
4.3.2 Matrices dinuence des entres inconnues direntes
Cette section explicite la construction dun multiobservateur lorsque les matrices din-
uence sont direntes pour chaque modle local et que le vecteur de sortie du multimo-
dle (4.26) est soumis aux entres inconnues.
Considrons le multimodle suivant, compos de M modles locaux :
_

_
x(t) =
M

i=1

i
((t))
_
A
i
x(t) + B
i
u(t) + R
i
u(t) + D
i
_
y(t) = Cx(t) + F u(t)
(4.46)
avec :
_

_
M

i=1

i
((t)) = 1
0
i
((t)) 1, i 1, ..., M
o R
i
R
nq
et F R
pn
sont respectivement les matrices dinuence des entres incon-
nues qui interviennent sur les quations dtat et de sortie respectivement.
La forme du multiobservateur capable destimer les vecteurs dtat et de sortie du multi-
modle (4.46) est la mme que celle donne par lquation (4.27). Comme prcdemment,
les matrices N
i
et les matrices de gains L
i
, G
i1
, G
i2
, E doivent tre dtermines pour
assurer la convergence asymptotique de ltat estim x(t) vers ltat du multimodle x(t).
A partir de la dnition de lerreur destimation (4.3) et en utilisant lexpression de x(t)
donn par (4.27), lexpression de lerreur devient :
e(t) = (I + EC)x(t) z(t) + EF u(t) (4.47)
Par la suite, on cherche expliciter lvolution temporelle de lerreur destimation an
den matriser la convergence vers zro. Pour cela valuons lexpression la dynamique de
cette erreur :
e(t) =
M

i=1

i
((t))
_
P (A
i
x(t) + B
i
u(t) + R
i
u(t) + D
i
) N
i
z(t)
G
i1
u(t) G
i2
L
i
y(t)
_
+ EF

u(t)
(4.48)
avec :
P = I + EC (4.49)
En remplaant y(t) et z(t) par leurs expressions donnes par lquation (4.27) et (4.46),
113
Chapitre 4. Conception de multiobservateurs
la dynamique de lerreur scrit :
e(t) =
M

i=1

i
((t))
_
N
i
x(t) +
_
PA
i
K
i
C
_
x(t)+ (PB
i
G
i1
) u(t)+
(PD
i
G
i2
) +
_
PR
i
K
i
F
_
u(t)
_
+ EF

u(t)
(4.50)
avec K
i
= N
i
E+L
i
. Si lon ajoute et on soustrait lexpression
M

i=1

i
((t)) N
i
x(t) lqua-
tion (4.50), e(t) devient :
e(t) =
M

i=1

i
((t))
_
N
i
e(t) +
_
PA
i
K
i
C N
i
_
x(t) + (PB
i
G
i1
) u(t)+
(PD
i
G
i2
) +
_
PR
i
K
i
F
_
u(t)
_
+EF

u(t)
Si les conditions (4.51) sont satisfaites :
_

_
N
i
= PA
i
K
i
C
PR
i
= K
i
F
G
i1
= PB
i
G
i2
= PD
i
EF = 0
M

i=1

i
()N
i
est stable
(4.51)
lerreur destimation dtat tend asymptotiquement vers zro et lquation (4.48) se rduit
:
e(t) =
M

i=1

i
((t)) N
i
e(t) (4.52)
La dcroissance asymptotique de lerreur destimation dtat est alors dpendante de la
nature de la matrice N =
M

i=1

i
()N
i
et, comme prcdemment, la stabilit des matrices
N
i
, i 1, ..., M ne garantit par forcment la stabilit de cette dernire. Ainsi, les
contraintes (4.51) dnissent le multiobservateur capable destimer ltat du systme
entres inconnues. Il reste cependant montrer comment estimer les entres inconnues
u(t) du multimodle et cela est propos au paragraphe (4.4). Enn, la stabilit de la
matrice N doit tre garantie en respectant lensemble des contraintes matricielles (4.51),
ce point technique concernant la mthode de rsolution fait lobjet du paragraphe (4.3.2.2).
114
4.3. Conception dun multiobservateur entres inconnues
4.3.2.1 Convergence globale du multiobservateur
Dans cette partie, des conditions susantes de la convergence asymptotique globale de
lerreur destimation dtat sont prcises. Comme lindique lquation de la dynamique de
lerreur destimation (4.52), la convergence est troitement lie la nature de la matrice
N =
M

i=1

i
()N
i
.
Thorme 4.5 [Akhe 04e] : lerreur destimation dtat entre le multimodle en-
tres inconnues (4.46) et le multiobservateur (4.27) converge asymptotiquement vers
zro, si toutes les paires (A
i
, C) sont observables et si les conditions suivantes sont
vries i 1, ..., M :
N
T
i
X + XN
i
< 0 (4.53a)
N
i
= PA
i
K
i
C (4.53b)
PR
i
= K
i
F (4.53c)
EF = 0 (4.53d)
L
i
= K
i
N
i
E (4.53e)
G
i1
= PB
i
(4.53f)
G
i2
= PD
i
(4.53g)
o P = I + EC et X R
nn
est une matrice symtrique dnie positive.
Le systme dquations (4.53) est compos de lingalit bilinaire matricielle (4.53a), qui
doit tre rsolue en tenant compte des contraintes linaires (4.53b) (4.53d). Notons
que les quations (4.53e), (4.53f) et (4.53g) servent uniquement pour le calcul des gains
L
i
, G
i1
et G
i2
une fois les matrices K
i
et N
i
dtermines. An de rsoudre ce problme
laide des outils numriques LMI, lingalit (4.53a) doit tre linarise. La technique
choisie, quivalente celle utilise au paragraphe (4.3.1.2), est base sur des changements
de variables.
4.3.2.2 Mthode de rsolution
Considrons les changements de variables suivants :
W
i
= XK
i
(4.54a)
S = XE (4.54b)
115
Chapitre 4. Conception de multiobservateurs
Les contraintes (4.53d) et (4.53c) peuvent alors tre rcrites, i = 1, ..., M :
SF = 0 (4.55a)
(X + SC)R
i
= W
i
F (4.55b)
De mme lingalit (4.53a) scrit sous la forme :
A
T
i
X + XA
i
+A
T
i
C
T
S
T
+ SCA
i
W
i
C C
T
W
T
i
< 0, i 1, ..., M (4.56a)
Ces dernires ingalits matricielles (4.56) sont linaires par rapport aux matrices incon-
nues X, S et W
i
. Par consquent, des outils classiques LMI peuvent tre utiliss pour
rsoudre (4.56) sous les contraintes galit (4.55a) et (4.55b).
Les autres matrices dnissant le multiobservateur (4.27) sont ensuite dduites de la
connaissance X, S et W
i
:
E = X
1
S (4.57a)
P = I + EC (4.57b)
G
i1
= PB
i
(4.57c)
G
i2
= PD
i
(4.57d)
K
i
= X
1
W
i
(4.57e)
N
i
= PA
i
K
i
C (4.57f)
L
i
= K
i
N
i
E (4.57g)
Lensemble des matrices dcrivant le multiobservateur (4.27) peut ainsi tre dtermin en
utilisant des outils LMI largement rpandus [Boyd 94].
4.3.2.3 Placement de ples
Comme dans le cas prcdent, on peut contrler la vitesse de convergence du multiob-
servateur en imposant que les valeurs propres des matrices N
i
du multiobservateur soient
dans la rgion S(, ) prcdemment dnie. En sappuyant sur la dnition (??) et les
contraintes (4.56), nous nonons le corollaire suivant :
116
4.4. Estimation des entres inconnues
Corollaire 4.2 [Akhe 03a] : les valeurs propres de la matrice

M
i=1

i
((t))N
i
appar-
tiennent la rgion S(, ), sil existe une matrice X dnie positive et des matrices
S et W
i
telles que pour i 1, ..., M :
_

_
SF = 0
(X + SC) R
i
= W
i
F
_
_
X A
T
i
X +A
T
i
C
T
S
T
C
T
W
T
i
XA
i
+ SCA
i
W
i
C X
_
_
< 0
A
T
i
X + XA
i
+ A
T
i
C
T
S
T
+ SCA
i
C
T
W
T
i
W
i
C + 2X < 0
(4.58)
Dans cette dernire partie, nous avons montr, comment passer des contraintes BMI (in-
galits bilinaires matricielles) des contraintes LMI (ingalits linaires matricielles)
en utilisant des changements de variables. La convergence du multiobservateur (4.27) est
garantie par la rsolution dun ensemble de contraintes "galits et ingalits" qui peut
tre rsolu par des techniques classiques LMI.
Nous avons dj voqu le problme li la recherche dune matrice de Lyapunov commune
pour un nombre M dingalits matricielles (4.35a) ou (4.53a). Une autre mthode base
sur lexistence de direntes matrices locales de Lyapunov X
i
> 0 pour i 1, ...M,
peut tre exploite, en sappuyant sur lnonc du thorme (3.2) explicit au chapitre
prcdent.
4.4 Estimation des entres inconnues
Plusieurs travaux ont t raliss pour lestimation des entres inconnues dans le cadre des
systmes dynamiques linaires [Maqu 94] et [Stot 01]. Edwards et Spurgeon ont propos
deux mthodes sappuyant sur des observateurs mode glissant, pour dtecter et estimer
les dfauts de capteurs [Edwa 00]. Liu et Peng ont prsent, en utilisant un observateur
de Luenberger, lestimation des tats inconnus dun systme dynamique linaire soumis
des perturbations. Lalgorithme destimation de ces perturbations est bas sur linverse
de la dynamique du systme [Liu 02].
Nous avons dmontr prcdemment que la convergence de lobservateur (4.27) du systme
(4.46) est garantie si les conditions (4.53) sont vries et les paires (A
i
, C) sont obser-
vables. En rgime permanent, lerreur destimation dtat tend vers zro ; en remplaant
117
Chapitre 4. Conception de multiobservateurs
x(t) par x(t) dans lquation (4.46) nous obtenons :
_

x(t) =
M

i=1

i
((t))
_
A
i
x(t) + B
i
u(t) +R
i

u(t) + D
i
_
y(t) = C x(t) +F

u(t)
(4.59)
Remarquons que dans lquation (4.59) la seule variable inconnue est bien la variable

u(t) qui reprsente une estimation de lentre inconnue, lquation peut tre rcrite de la
manire suivante :
_

x(t)
y (t)
_
=
_
_
M

i=1

i
( (t)) (A
i
x(t) + B
i
u(t))
C x (t)
_
_
+ W

u(t) (4.60)
o
W =
_
_
M

i=1

i
((t)) R
i
F
_
_
(4.61)
Sous lhypothse que cette matrice que nous appelons W soit de plein rang colonne, alors
on est ramen un systme dquation linaire en

u(t) qui est quivalent un problme
doptimisation linaire quon sait rsoudre avec la mthode des moindre carr. La solution
numrique de ce problme est base sur le calcul de la pseudo-inverse de la matrice W. En
n lexpression de lestimation de lentre inconnue est donne par lquation suivante :

u(t) = (W
T
W)
1
W
T
_
_

x(t)
M

i=1

i
((t)) (A
i
x(t) +B
i
u(t) + D
i
)
y(t) C x(t)
_
_
(4.62)
Remarque : Dans le cas o la matrice F est de plein rang colonne le calcul de lestimation
de lentre inconnue peut seectuer de faon plus simple :

u(t) = (F
T
F)
1
F
T
(y(t) y(t)) (4.63)
4.5 Exemple dapplication
Considrons le multimodle suivant, compos de deux modles locaux et comportant deux
sorties et trois tats.
_

_
x(t) =
2

i=1

i
((t))
_
A
i
x(t) + B
i
u(t) +R
i
u(t)
_
y(t) = Cx(t) + F u(t) +(t)
(4.64)
118
4.5. Exemple dapplication
Dans cet exemple, le vecteur des variables de dcision est le vecteur des entres connues
u(t). La sortie y(t) supporte un bruit additif (t) centr de variance gale 0,01. Les
valeurs numriques des matrices A
i
, B
i
, R
i
C et F sont les suivantes :
A
1
=
_

_
2 1 1
1 3 0
2 1 6
_

_
A
2
=
_

_
3 2 2
5 8 0
0.5 0.5 4
_

_
B
1
=
_

_
1
0.5
0.5
_

_
B
2
=
_

_
0.5
1
0.25
_

_
F =
_
1
1
_
R
1
=
_

_
1
1
1
_

_
R
2
=
_

_
1
0.5
2
_

_
C =
_
1 1 1
1 0 1
_
Le multiobservateur capable destimer ltat du multimodle (4.64) est le suivant :
_

_
z (t) =
2

i=1

i
( (t))
_
N
i
z(t) + G
i1
u(t) + G
i2
+ L
i
y(t)
_
x (t) = z(t) Ey(t)
(4.65)
En appliquant la mthode de rsolution prsente au paragraphe (4.3.2.2), les valeurs
numriques des matrices du multiobservateur (4.65) sont :
N
1
=
_

_
8.25 0.69 2.62
0.45 13.76 0.22
0.61 1.00 7.80
_

_
N
2
=
_

_
15.82 4.74 2.31
1.02 14.11 0.11
1.13 0.13 1.59
_

_
E =
_

_
2.62 2.62
0.77 0.77
0.80 0.80
_

_
G
11
=
_

_
2.31
0.11
0.09
_

_
G
21
=
_

_
3.12
0.22
1.05
_

_
L
1
=
_

_
33.91 30.28
22.32 22.54
13.13 11.32
_

_
L
2
=
_

_
71.11 71.42
20.58 20.47
11.48 13.88
_

_
X =
_

_
0.1 0 0.02
0 0.1 0
0.02 0 0.29
_

_
Le systme (4.64) a t simul en choisissant, pour lentre inconnue, un signal alatoire
dont lamplitude change toutes les 5 secondes.
Les gures (4.3) reprsentent respectivement lvolution des entres connue u(t) et incon-
nue u(t). Quant aux gures (4.4), elles montrent les erreurs destimation dtat (x(t)
x(t)) et lentre inconnue u(t) du multimodle ainsi que leurs estimations respectives
119
Chapitre 4. Conception de multiobservateurs
x(t) et

u(t). On constate que la qualit de lestimation et satisfaisante sauf au voisi-
nage de lorigine ; cela est d au choix des valeurs initiales du multiobservateur (4.65)
_
x(0) =
_
1.5 0 0
_
T
et x(0) =
_
0.3 0.25 0.3
_
T
_
.
0 5 10 15 20 25 30 35 40
0
0.5
1
1.5
2
2.5
3
0 5 10 15 20 25 30 35 40
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
Fig. 4.3 Entres connue u(t) et inconnue u(t)
0 5 10 15 20 25 30 35 40
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
0 5 10 15 20 25 30 35 40
0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
x
1
(t) x
1
(t) x
2
(t) x
2
(t)
0 5 10 15 20 25 30 35 40
0.3
0.25
0.2
0.15
0.1
0.05
0
0.05
0 5 10 15 20 25 30 35 40
0.5
0
0.5
1
1.5
2
2.5
3
x
3
(t) x
3
(t) u(t) et

u(t)
Fig. 4.4 Rsultats des estimations
120
4.6. Conclusion
On observe donc de bonnes performances destimation de lobservateur propos mme en
prsence de bruit.
4.6 Conclusion
A partir dune reprsentation multimodle, on a montr comment concevoir un mul-
tiobservateur utilisant le principe de linterpolation dobservateurs locaux ; de plus, on a
considr le cas o certaines entres du systme sont inconnues. Le calcul des gains de
lobservateur global est alors ramen un calcul de gains des observateurs locaux ; la
stabilit de lensemble ncessite cependant la prise en compte de contraintes de couplage
entre ces observateurs locaux, ce qui conduit la rsolution dun problme de type BMI.
De simples changements de variables permettent de transformer les ingalits bilinaires
obtenues en des ingalits linaires ce qui facilite la rsolution de point de vue num-
rique en utilisant des outils LMI. Ce rsultat est valable uniquement lorsque la matrice de
Lyapunov est commune pour toutes les ingalits matricielles, ce qui fait linconvnient
principal de la mthode.
121
Chapitre 4. Conception de multiobservateurs
122
5
Conception de multiobservateurs mode
glissant
Sommaire
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.2 Direntes approches de conception de multiobservateur . . 126
5.2.1 1
re
approche : extension de lobservateur de Walcott et Zak . . 126
5.2.2 2
me
approche : relaxation de certaines conditions dexistence . 133
5.2.3 3
me
approche : elimination des contraintes structurelles . . . . 135
5.2.4 Estimation des entres inconnues . . . . . . . . . . . . . . . . . 138
5.2.5 Exemple de simulation . . . . . . . . . . . . . . . . . . . . . . . 139
5.3 Multiobservateur pour un multimodle incertain . . . . . . . 143
5.3.1 Formulation du problme . . . . . . . . . . . . . . . . . . . . . 143
5.3.2 Conception du multiobservateur . . . . . . . . . . . . . . . . . . 144
5.3.3 Exemple de simulation . . . . . . . . . . . . . . . . . . . . . . . 148
5.4 Multiobservateur en prsence dentres inconnues et dincer-
titudes de modle . . . . . . . . . . . . . . . . . . . . . . . . . . 151
5.4.1 Principe de reconstruction . . . . . . . . . . . . . . . . . . . . . 151
5.4.2 Convergence du multiobservateur . . . . . . . . . . . . . . . . . 152
123
Chapitre 5. Conception de multiobservateurs mode glissant
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
124
5.1. Introduction
5.1 Introduction
Parmi les mthodes de dtection et localisation de dfauts pour les systmes reprsents
laide dun modle dynamique, celles qui sappuient sur la gnration dindicateurs de
dfauts, souvent appels rsidus, calculs comme la dirence entre des mesures prleves
sur le systme rel et des estimations calcules par un modle, sont dsormais classiques.
De nombreux rsultats sappuyant, en particulier, sur des modles linaires ont t d-
velopps dans diverses situations (systme rgulier ou singulier, cadre stochastique ou
dterministe, prsence dentres inconnues, etc.). Lorsquon souhaite reprsenter le com-
portement dun systme laide dun modle non linaire, la conception dobservateurs
est en gnral plus dlicate, notamment si lon souhaite prendre en compte des entres
inconnues [Patt 97]. Le systme peut alors tre dcrit laide dun multimodle.
Dans ce prsent chapitre, nous montrons comment transposer les techniques dobserva-
teurs mode glissant, appliques pour lestimation dtat et dentres inconnues de sys-
tmes linaires, pour la conception de multiobservateurs.
Le concept de mode glissant a merg en Union Sovitique vers la n des annes 60,
o des lois de commande discontinues pour les systmes dynamiques ont t analyses.
En utilisant une loi de commande commute judicieuse, on a constat que les tats du
systme pouvaient tre forcs pour atteindre et rester ultrieurement sur une surface pr-
dnie dans lespace dtat. Contraint sur cette surface, le mouvement rsultant, appel
mouvement glissant, sest avr peu sensible toutes les incertitudes ou signaux externes
de perturbation.
Cette proprit inhrente de robustesse a eu comme consquence le dveloppement de
recherches dans le domaine de la commande par mode glissant. Ces ides ont t ult-
rieurement utilises dans dautres situations comprenant le problme destimation dtat
par lintermdiaire dun observateur. Les premiers travaux ont t raliss par Utkin en
utilisant une structure discontinue dans un observateur [Utki 92]. Walcott et Zak ont
utilis une approche base sur la mthode de Lyapunov consistant synthtiser un ob-
servateur qui, avec des hypothses appropries, assure la dcroissance asymptotique de
lerreur destimation dtat mme en prsence de non linarits et dincertitudes sur len-
tre du systme [Walc 88]. Edwards et Spurgeon [Edwa 94] et [Edwa 00] ont propos
une stratgie de conception dobservateur, semblable du point de vue structure de mo-
dle celle de Walcott et de Zak, en orant de plus un algorithme explicite de conception.
Dans le cadre de lapproche multimodle, Palm et al [Palm 00] ont prsent une mthode
de conception dun multiobservateur pour un modle ou de forme canonique. Bregsten
et al [Breg 02] ont prsent lanalyse et la conception dun multiobservateur mode glis-
125
Chapitre 5. Conception de multiobservateurs mode glissant
sant, pour un multimodle constitu de fonction dactivation dpendant de variables non
mesurables.
5.2 Direntes approches de conception de multiobser-
vateur
Le multiobservateur synthtis dans le chapitre prcdent permet de saranchir de per-
turbations additives (entres inconnues). Dans cette section, les multiobservateurs sont
dots de termes discontinus (glissants) pour compenser la fois les entres inconnues
(perturbations additives) et les incertitudes de modles (perturbations multiplicatives).
Dans le but de simplier les conditions dexistence des multiobservateurs, nous proposons
trois approches direntes de conception.
5.2.1 1
re
approche : extension de lobservateur de Walcott et Zak
Dans ce paragraphe, nous proposons une dmarche originale de conception dun multiob-
servateur structure variable (mode glissant), capable de reconstruire le vecteur dtat
et le vecteur de sortie en prsence dentres inconnues. Chaque observateur local est un
observateur de type "Edwards et Spurgeon" [Edwa 00]. La technique est base sur llimi-
nation partielle des entres inconnues. Il sagit en fait disoler les entres inconnues dans
une partie de lquation dtat.
Considrons de nouveau un systme non linaire reprsent par le multimodle suivant :
_

_
x(t) =
M

i=1

i
((t) (t))
_
A
i
x(t) + B
i
u(t) + R
i
u(t) + D
i
_
y (t) = Cx(t)
(5.1)
Nous considrons que les entres inconnues u(t) sont bornes et non nulles :
| u(t)| (5.2)
o est un scalaire positif et | | reprsente la norme euclidienne.
Le multiobservateur de la forme suivante :
_

x(t) =
M

i=1

i
((t))
_
A
i
x(t) + B
i
u(t) + D
i
G
i
(C x(t) y(t)) + K
i

i
(t)
_
y (t) = C x(t)
(5.3)
126
5.2. Direntes approches de conception de multiobservateur
est capable destimer le vecteur dtat du multimodle (5.1), sil existe des matrices de
gain G
i
R
np
, telle que A
0i
= A
i
G
i
C sont stables, des paires de matrices de Lyapunov
(P, Q
i
) et des matrices F
i
R
mp
respectant les contraintes suivantes :
_
_
_
A
T
0i
P + PA
0i
= Q
i
C
T
F
T
i
= PR
i
, i 1, ..., M
(5.4)
Les matrices G
i
, K
i
et les termes
i
(t), avec
i
(t) R
q
sont dtermins de manire
garantir la convergence asymptotique de x(t) vers ltat x(t) du multimodle (5.1). La
deuxime quation des contraintes (5.4) permet le dcouplage des entres inconnues.
La dmarche suivie pour dterminer les matrices du multiobservateur (5.3) est semblable
la dmarche eectue au paragraphe (2.5) du chapitre 2. An disoler les entres incon-
nues dune partie des quations dtat, deux tapes sont indispensables :
1. Exprimer le vecteur de sortie comme une partie du vecteur dtat On
considre le changement de variable suivant :
x(t) =

Tx(t) (5.5)
o

T est une transformation non singulire, dnie par lexpression suivante :

T =
_
I
np
0
C
1
C
2
_
(5.6)
et C =
_
C
1
C
2
_
, C
1
R
p(np)
et C
2
R
pp
avec det(C
2
) ,= 0
Le multimodle (5.1) et les contraintes (5.4) deviennent alors dans ce nouveau sys-
tme de coordonnes :
_

x(t) =
M

i=1

i
( (t))
_

A
i
x(t) +

B
i
u(t) +

R
i
u (t) +

D
i
_
y (t) = x
2
(t)
(5.7)
_
_
_

A
T
0i

P +

P

A
0i
=

Q
i

C
T
F
T
i
=

P

R
i
, i 1, ..., M
(5.8)
o le calcul des matrices du multimodle

A
i
,

B
i
,

R
i
,

D
i
et

C ainsi que les matrices

P et

Q
i
est eectu de la mme faon que pour calculer les matrices

A,

B,

R,

D et
127
Chapitre 5. Conception de multiobservateurs mode glissant

C relatives un seul modle linaire (voir les quations (2.47) et (2.48) du chapitre
2).
_

A
i
=

TA
i

T
1
=
_

A
i11

A
i12

A
i21

A
i22
_
,

B
i
=

TB
i
=
_

B
i1

B
i2
_
et

R
i
=

TR
i
=
_

R
i1

R
i2
_

C = C

T
1
=
_
0 I
p
_
et

D
i
=

TD
i
=
_

D
i1

D
i2
_
(5.9)
_

P =
_

T
1
_
T
P

T
1

Q
i
=
_

T
1
_
T
Q
i

T
1
avec

P =
_

P
11

P
12

P
T
12

P
22
_
o
_

P
11
R
(np)(np)
est rgulire

P
12
R
(np)p
et

P
22
R
pp
(5.10)
Notons que :

P
1
=
_
P

11
P

12
P

21
P

22
_
On constate alors que y(t) sexprime en fonction dune partie du vecteur dtat
uniquement.
2. Isoler explicitement les entres inconnues dune partie du vecteur dtat
De mme, en utilisant la transformation non singulire

T donne par la relation
suivante :

T =
_

P
11

P
12
0 I
p
_
(5.11)
et le changement de coordonnes suivant :
x(t) =

T x(t) =
_
x
1
(t)
x
2
(t)
_
(5.12)
Le multimodle (5.7) et les contraintes (5.8) deviennent alors dans ce nouveau sys-
tme de coordonnes :
_

x(t) =
M

i=1

i
( (t))
_

A
i
x(t) +

B
i
u(t) +

R
i
u(t) +

D
i
_
y (t) = x
2
(t)
(5.13)
128
5.2. Direntes approches de conception de multiobservateur
_
_
_

A
T
0i

P +

P

A
0i
=

Q
i

C
T
F
T
i
=

P

R
i
, i 1, ..., M
(5.14)
et les matrices

A
i
,

B
i
,

R
i
,

D
i
,

C,

P et

Q
i
scrivent alors :
_

A
i
=

T

A
i

T
1
=
_

A
11i

A
12i

A
21i

A
22i
_
,

B
i
=

T

B
i
=
_

B
1i

B
2i
_
et

R
i
=

T

R
i
=
_

R
1i

R
2i
_

C =

C

T
1
=
_
0 I
p
_
et

D
i
=

T

D
i
=
_

D
1i

D
2i
_
(5.15)
_
_
_

P =
_

T
1
_
T

P

T
1

Q
i
=
_

T
1
_
T

Q
i

T
1
avec

P =
_

P
11

P
12

P
T
12

P
22
_
(5.16)
et elles ont les proprits suivantes :
(a)

A
i
=
_

A
11i

A
12i

A
21i

A
22i
_
o

A
11i
R
(np)(np)
sont des matrices stables.
(b)

R
i
=
_
0
P

22
F
T
i
_
o P
22
R
pp
avec P

22
= (P

22
)
T
> 0.
(c)

C =
_
0 I
p
_
.
(d) la matrice de Lyapunov a une structure bloc-diagonale

P =
_

P
1
0
0

P
2
_
avec

P
1
R
(np)(np)
et

P
2
R
pp
.
Remarque : les quatres proprits ont t dj dmontres lors du chapitre 2, voir
le paragraphe (2.5.2).
La forme dveloppe du multimodle (5.13) peut alors tre rcrite sous la forme :
_

x
1
(t) =
M

i=1

i
( (t))
_

A
11i
x
1
(t) +

A
12i
x
2
(t) +

B
1i
u(t) +

D
1i
_

x
2
(t) =
M

i=1

i
( (t))
_

A
21i
x
1
(t) +

A
22i
x
2
(t) +

B
2i
u(t) +

R
2i
u(t) +

D
2i
_
y (t) = x
2
(t)
(5.17)
Remarque : x
1
(t) ne dpend pas explicitement des entres inconnues u(t).
129
Chapitre 5. Conception de multiobservateurs mode glissant
On peut alors proposer la forme suivante pour le multiobservateur du systme (5.17) :
_

x(t) =
M

i=1

i
( (t))
_

A
i

x(t) +

B
i
u(t) +

D
i


G
i
( y (t) y (t)) +

K
i

i
(t)
_
y (t) =

C

x(t)
avec

G
i
=
_

A
12i

A
22i


A
s
22
_
et

K
i
=
_
0
P
1
2

R
2i
_
(5.18)
o

x(t) reprsente lestimation du vecteur dtat x(t),

A
s
22
est une matrice stable choisie
arbitrairement et les variables
i
(t) sont dnies par la relation suivante :
_
_
_
si e
y
(t) ,= 0, alors
i
(t) = E
T
i
_
E
i
E
T
i
_
1
_
_
e
T
y
(t) P
2

R
2i
_
_
si e
y
(t) = 0, alors
i
(t) = 0
(5.19)
avec e
y
(t) = y(t) y(t), E
i
= e
T
y
(t)

R
2i
i 1, ..., M et P
2
R
pp
est une matrice
symtrique et dnie positive, solution de lquation de Lyapunov suivante :
(P
2

A
s
22
)
T
+P
2

A
s
22
= Q
2
(5.20)
Si lon note e
1
(t), lerreur destimation dtat :
e
1
(t) =

x
1
(t) x
1
(t) (5.21)
alors la dynamique des erreurs destimation e
1
(t) et e
y
(t) sont :
_

_
e
1
(t) =
M

i=1

i
( (t))

A
11i
e
1
(t)
e
y
(t) =
M

i=1

i
( (t))
_

A
21i
e
1
(t) +

A
s
22
e
y
(t) + P
1
2

R
2i


R
2i
u (t)
_
(5.22)
Convergence du multiobservateur
An de dmontrer la convergence asymptotique du multiobservateur (5.18), considrons
la fonction de Lyapunov suivante :
V (t) = e
T
1
(t)P
1
e
1
(t) + e
T
y
(t)P
2
e
y
(t) (5.23)
o P
1
R
(np)(np)
et P
2
R
pp
sont des matrices symtriques et dnies positives, P
2
est dnie par (5.20) et P
1
est une solution des quations de Lyapunov suivantes :

A
T
11i
P
1
+ P
1

A
11i
=

Q
i
Q
1i
=

Q
i


A
T
21i
P
2
Q
1
2
P
2

A
21i
(5.24)
130
5.2. Direntes approches de conception de multiobservateur
o Q
1i
sont des matrices symtriques et dnies positives.
Remarque : Les matrices P
2
et Q
2
sont dtermines en utilisant (5.20). Les contraintes
(5.24) sont donc linaires par rapport aux variables P
1
,

Q
i
et Q
1i
.
La drive de (5.23) par rapport au temps le long de la trajectoire du systme en utilisant
les expressions de e
1
(t) et e
y
(t) sexplicite :

V (t) =
M

i=1

i
( (t))
_
e
T
1
(t)
_

A
T
11i
P
1
+ P
1

A
11i
_
e
1
(t) + e
T
y
(t)
_
_

A
s
22
_
T
P
2
+ P
2

A
s
22
_
e
y
(t) +
e
T
1
(t)

A
T
21i
P
2
e
y
(t) + e
T
y
(t) P
2

A
21i
e
1
(t) + 2e
T
y
(t)

R
2i

i
(t) 2e
T
y
(t) P
2

R
2i
u (t)
_
=
M

i=1

i
( (t))
_
e
T
1
(t)

Q
i
e
1
(t) e
T
y
(t) Q
2
e
y
(t) + e
T
1
(t)

A
T
21i
P
2
e
y
(t) +
e
T
y
(t) P
2

A
21i
e
1
(t) + 2e
T
y
(t)

R
2i

i
(t) 2e
T
y
(t) P
2

R
2i
u (t)
_
(5.25)
En sappuyant sur lgalit suivante et les contraintes (5.24) :
_
e
y
(t) Q
1
2
P
2

A
21i
e
1
(t)
_
T
Q
2
_
e
y
(t) Q
1
2
P
2

A
21i
e
1
(t)
_
=
_
e
T
y
(t) Q
2
e
y
(t) e
T
1

A
T
21i
P
2
e
y
(t) e
T
y
(t) P
2

A
21i
e
1
(t) + e
T
1
(t)

A
T
21i
P
2
Q
1
2
P
2

A
21i
e
1
(t)
_
(5.26)
alors (5.25) devient :

V (t) =
M

i=1

i
( (t))
_
e
T
1
(t)
_

Q
i


A
T
21i
P
2
Q
1
2
P
2

A
21i
_
e
1
(t)
e
T
yi
(t) Q
2
e
yi
(t) + 2e
T
y
(t)

R
2i

i
(t) 2e
T
y
(t) P
2

R
2i
u (t)
_
=
M

i=1

i
( (t))
_
e
T
1
(t) Q
1i
e
1
(t) e
T
yi
(t) Q
2
e
yi
(t) +
2e
T
y
(t)

R
2i

i
(t) 2e
T
y
(t) P
2

R
2i
u (t)
_
(5.27)
avec : e
T
yi
(t) = e
y
(t) Q
1
2
P
2

A
21i
e
1
(t)
An de montrer que la drive de la fonction de Lyapunov (5.27) est ngative, considrons
les deux cas suivants :
1. Supposons que e
y
(t) ,= 0, en utilisant lexpression de
i
(t) donne par (5.19), lex-
pression (5.27) devient :

V (t) =
M

i=1

i
( (t))
_
e
T
1
(t) Q
1i
e
1
(t) e
T
yi
(t) Q
2
e
yi
(t)
2
_
_
e
T
y
(t) P
2

R
2i
_
_
2e
T
y
(t) P
2

R
2i
u(t)
_
(5.28)
131
Chapitre 5. Conception de multiobservateurs mode glissant
u(t) est born alors :

V (t)
M

i=1

i
( (t))
_
e
T
1
(t) Q
1i
e
1
(t) e
T
yi
(t) Q
2
e
yi
(t)
2
_
_
e
T
y
(t) P
2

R
2i
_
_
+ 2
_
_
e
T
y
(t) P
2

R
2i
_
_
_

i=1

i
( (t))
_
e
T
1
(t) Q
1i
e
1
(t) e
T
yi
(t) Q
2
e
yi
(t)
_
< 0
pour (e
1
(t) , e
yi
(t)) ,= 0, i 1, ..., M
(5.29)
2. Dans le cas o e
y
(t) = 0, alors (5.27) devient :

V
M

i=1

i
( (t))
_
e
T
1
(t) Q
1i
e
1
(t) e
T
yi
(t) Q
2
e
yi
(t)
_
< 0 (5.30)
Ainsi, nous avons dmontr que les erreurs e
1
(t) et e
y
(t) convergent asymptotiquement
vers zro.
En rsum, le multiobservateur (5.3) peut tre crit :
_

x(t) =
M

i=1

i
()
_
A
i
x(t) +B
i
u(t) + D
i
G
i
(C x(t) y(t)) + K
i

i
(t)
_
y (t) = C x(t)
(5.31)
o
_

_
G
i
=
_

T

T
_
1
_
_

A
12i

A
22i


A
s
22
_
_
, K
i
=
_

T

T
_
1
_
0
P
1
2

R
2i
_
_
_
_
si e
y
(t) ,= 0, alors
i
(t) = E
T
i
_
E
i
E
T
i
_
1
_
_
e
T
y
(t) P
2

R
2i
_
_
si e
y
(t) = 0, alors
i
(t) = 0
avec e
y
(t) = y(t) y(t) et E
i
= e
T
y
(t)

R
2i
(5.32)
Sous rserve dexistence de quelques matrices appropries, nous avons montr que la
reconstruction du vecteur dtat et de sortie du multimodle est possible. La mthode est
base sur lexistence de deux transformations non singulires

T et

T, telle que la premire
permette de reprsenter le vecteur de sortie directement comme composante du vecteur
dtat et la deuxime permette disoler les entres inconnues dans une partie du vecteur
dtat.
Lavantage principal de cette mthode rside dans lexistence des deux transformations

T
et

T pour nimporte quel multimodle crit sous la forme (5.1). La stabilit du multiob-
servateur est lie au respect des ingalits linaires matricielles (5.20) et (5.24).
132
5.2. Direntes approches de conception de multiobservateur
5.2.2 2
me
approche : relaxation de certaines conditions dexis-
tence
Dans le paragraphe prcdent, lexistence du multiobservateur est garantie sous rserve
dexistence dune matrice de Lyapunov, des matrices F
i
ainsi que dune matrice stable
A
s
22
. Dans cette section, notre objectif est de concevoir un multiobservateur estimant les
vecteurs dtat et de sortie du multimodle (5.1) tout en relaxant les conditions dexistence
de ce multiobservateur par rapport celles nonces prcdemment.
5.2.2.1 Principe de reconstruction
On considre ici que les conditions (5.4) sont vries. La forme du multiobservateur
considre est celle de lquation (5.3) avec des gains K
i
gaux aux matrices dinuence
des entres inconnues, cest--dire :
_

x(t) =
M

i=1

i
((t))
_
A
i
x(t) + B
i
u(t) + D
i
+ G
i
(y(t) C x(t)) + R
i

i
(t)
_
y (t) = C x(t)
(5.33)
Les gains G
i
et les expressions des variables
i
(t) doivent tre dtermins pour assurer
la convergence du multiobservateur (5.33). Pour cela, nous utilisons les expressions de
lerreur destimation dtat e(t) dcrite par :
e(t) = x(t) x(t) (5.34)
et celle de lerreur destimation du vecteur de sortie r(t) dnie par :
r(t) = y(t) y(t) (5.35)
La dynamique de lerreur destimation dtat sexprime alors sous la forme :
e (t) =
M

i=1

i
((t))
_
(A
i
G
i
C) e(t) + R
i
u(t) R
i

i
(t)
_
(5.36)
133
Chapitre 5. Conception de multiobservateurs mode glissant
Thorme 5.1 [Akhe 04b] : lerreur destimation dtat entre le multimodle (5.1) et
le multiobservateur (5.33), converge asymptotiquement vers zro, si les termes
i
(t)
sont dnis par :
_
_
_
si r (t) ,= 0, alors
i
(t) =
F
i
r (t)
|F
i
r (t)|
si r (t) = 0, alors
i
(t) = 0
(5.37)
et sil existe des matrices de gain G
i
et une matrice symtrique et dnie positive P
qui satisfont les contraintes suivantes :
(A
i
G
i
C)
T
P + P(A
i
G
i
C) < 0
C
T
F
T
i
= PR
i
, i 1, ..., M.
(5.38)
5.2.2.2 Convergence du multiobservateur
An de dmontrer la convergence asymptotique de cet observateur, considrons la fonction
de Lyapunov suivante :
V (t) = e
T
(t) Pe (t) (5.39)
Sa drive par rapport au temps le long de la trajectoire du systme en utilisant les
quations (5.34) et (5.36) sexplicite de la faon suivante :

V (t) =
M

i=1

i
((t))
_
e
T
(t)((A
i
G
i
C)
T
P+P(A
i
G
i
C))e(t)+
2e
T
(t)PR
i
u(t) 2e
T
(t)PR
i

i
(t)
_
(5.40)
En utilisant la deuxime galit de la contrainte (5.38), la drive de la fonction de Lya-
punov est donne de la faon suivante :

V (t) =
M

i=1

i
((t)) (e
T
(t)((A
i
G
i
C)
T
P+P(A
i
G
i
C))e(t)+
2e
T
(t)C
T
F
T
i
u(t) 2e
T
(t)C
T
F
T
i

i
(t)
_
(5.41)
=
M

i=1

i
((t))
_
e
T
(t)((A
i
G
i
C)
T
P+P(A
i
G
i
C))e(t)+
2r
T
(t)F
T
i
u(t) 2r
T
(t)F
T
i

i
(t)
_
(5.42)
que lon peut majorer par :

V (t)
M

i=1

i
((t))
_
e
T
(t)
_
(A
i
G
i
C)
T
P+P(A
i
G
i
C)
_
e(t)+
2|F
i
r(t)| 2r
T
(t)F
T
i

i
(t)
_
134
5.2. Direntes approches de conception de multiobservateur
Dans le cas o lerreur destimation de la sortie r(t) est non nulle (r(t) ,= 0), en utilisant
la relation (5.37), la majoration de la drive de la fonction de Lyapunov se simplie :

V (t)
M

i=1

i
((t))
_
e
T
(t)
_
(A
i
G
i
C)
T
P+P(A
i
G
i
C)
_
e(t)+
2|F
i
r(t)| 2r
T
(t)F
T
i
F
i
r(t)
|F
i
r(t)|
_

i=1

i
((t))
_
e
T
(t)
_
(A
i
G
i
C)
T
P+P(A
i
G
i
C)
_
e(t)+
2|F
i
r(t)| 2|F
i
r(t)|
_

i=1

i
((t))
_
e
T
(t)
_
(A
i
G
i
C)
T
P+P(A
i
G
i
C)
_
e(t)
_
Dans le cas o r(t) est nul, alors
i
(t) = 0 (5.37), on obtient donc la mme majoration
de la fonction

V (t). Ainsi

V (t) est toujours ngative. Le multiobservateur (5.33) converge
donc si les relations (5.37) et (5.38) sont satisfaites.
Dans cette partie, nous avons pu concevoir un multiobservateur pour un multimodle en
prsence dentres inconnues bornes. Les conditions de convergence du multiobservateur
se limitent lexistence dune matrice de Lyapunov P, des gains G
i
et des matrices F
i
qui
vrient les contraintes (5.38). Cette approche, plus directe que la prcdente, requiert la
rsolution dun nombre moins important de contraintes.
5.2.3 3
me
approche : elimination des contraintes structurelles
An dallger plus encore les conditions dexistence dun multiobservateur pour le multi-
modle soumis linuence dentres inconnues, une autre mthode de conception peut
tre propose. Si toutes les paires (A
i
, C) sont observables, dnissons un multiobservateur
reconstruisant ltat du multimodle (5.1) de la forme suivante :
_

x(t) =
M

i=1

i
((t))
_
A
i
x(t) + B
i
u(t) +D
i
+ G
i
(y(t) C x(t)) +
i
(t)
_
y(t) = C x(t)
(5.43)
Les matrices G
i
et les vecteurs
i
(t) avec
i
(t) R
n
doivent tre dtermins an de
garantir la convergence asymptotique de x (t) vers x(t). Il faut noter que les termes
i
(t)
compensent les erreurs dues aux entres inconnues.
La dynamique de lerreur destimation dtat est obtenue en utilisant les quations (5.1),
(5.34) et (5.43) :
e(t) =
M

i=1

i
((t))
_
(A
i
G
i
C) e(t) +R
i
u(t)
i
(t)
_
(5.44)
135
Chapitre 5. Conception de multiobservateurs mode glissant
Thorme 5.2 [Akhe 04b] : lerreur destimation dtat entre le multimodle (5.1) et
le multiobservateur robuste (5.43) converge asymptotiquement vers zro, si les termes

i
(t) sont dnis par :
_

_
si r(t) ,= 0, alors
i
(t) = 0.5

1
|PR
i
|
2
r
T
(t)r(t)
P
1
C
T
r(t)
si r(t) = 0, alors
i
(t) = 0
(5.45)
avec un scalaire positif, P est une matrice symtrique et dnie positive et les gains
G
i
satisfont les ingalits suivantes :
(A
i
G
i
C)
T
P + P (A
i
G
i
C) + I
nn
< 0 i 1, . . . , M (5.46)
5.2.3.1 Convergence du multiobservateur
An de dmontrer la convergence asymptotique du multiobservateur (5.43), nous avons
considr la fonction de Lyapunov (5.39). Sa drive par rapport au temps le long de la
trajectoire du systme en utilisant lquation (5.44) sexplicite :

V (t) =
M

i=1

i
((t))
_
e
T
(t)
_
(A
i
G
i
C)
T
P+P(A
i
G
i
C)
_
e(t)+ (5.47)
2e
T
(t)PR
i
u(t) 2e
T
(t)P
i
(t)
_
On peut remarquer que :
2e
T
(t)PR
i
u(t) = e
T
(t)PR
i
u(t) + u
T
(t)R
T
i
Pe(t)
En utilisant le lemme (3.1) page 79, nous obtenons donc :
e
T
(t)PR
i
u(t) + u
T
(t)R
T
i
Pe(t) e
T
(t)e(t) +
1
u
T
(t)R
T
i
PPR
i
u(t)
e
T
(t)e(t) +
1
|PR
i
u(t)|
2
e
T
(t)e(t) +
2

1
|PR
i
|
2
On en dduit :
2e
T
(t)PR
i
u(t) e
T
(t)e(t) +
2

1
|PR
i
|
2
Dans le cas o r(t) est non nul, en utilisant la relation (5.45) et le fait que les entres
136
5.2. Direntes approches de conception de multiobservateur
inconnues sont bornes, la drive de la fonction de Lyapunov peut tre majore par :

V (t)
M

i=1

i
((t))
_
e
T
(t)
_
(A
i
G
i
C)
T
P + P (A
i
G
i
C)
_
e(t) + e
T
(t)e(t)+

1
|PR
i
|
2

1
|PR
i
|
2
r
T
(t)r(t)
e
T
(t)C
T
r(t)
_

i=1

i
((t))
_
e
T
(t)
_
(A
i
G
i
C)
T
P + P (A
i
G
i
C) + I
_
e(t)+

1
|PR
i
|
2

1
|PR
i
|
2
r
T
(t)r(t)
r
T
(t)r(t)
_

i=1

i
((t))
_
e
T
(t)
_
(A
i
G
i
C)
T
P + P (A
i
G
i
C) + I
_
e(t)
_
Dans le cas o r(t) est nul,
i
(t) est nul (5.45), partir de (5.47) on obtient la mme
majoration de la fonction

V (t).
Lerreur destimation dtat converge asymptotiquement vers zro, si les conditions (5.45)
et les ingalits (5.46) sont vries. Les ingalits (5.46) sont non linaires en P et
G
i
. Les techniques LMI ne peuvent donc tre utilises quaprs linarisation du systme
dingalits. Nous avons choisi la technique de changement de variable.
5.2.3.2 Mthode de rsolution
Considrons le changement de variable suivant :
W
i
= PG
i
(5.48)
Les ingalits (5.46) obtenues aprs ce changement de variable scrivent de la manire
suivante :
A
T
i
P + PA
i
C
T
G
T
i
P PG
i
C + I < 0 (5.49)
ainsi, on obtient des ingalits linaires en P et W
i
:
A
T
i
P +PA
i
C
T
W
T
i
W
i
C + I < 0 (5.50)
La solution des ingalits (5.50) peut alors tre obtenue en utilisant des techniques clas-
siques de rsolution LMI. Les gains G
i
sont ensuite obtenus en calculant G
i
= P
1
W
i
.
Remarque : lavantage principal de cette technique par rapport toutes les prcdentes,
est le pouvoir de reconstruire ltat et la sortie du multimodle dans le cas o les matrices
137
Chapitre 5. Conception de multiobservateurs mode glissant
C
i
sont direntes pour chaque modle local, le multimodle dans ce cas scrit :
_

_
x(t) =
M

i=1

i
( (t)) (A
i
x(t) + B
i
u(t) + R
i
u(t) + D
i
)
y (t) =
M

i=1

i
( (t)) C
i
x(t)
(5.51)
La structure du multiobservateur capable de reconstruire le vecteur dtat et de sortie est
la suivante :
_

x(t) =
M

i=1

i
((t))
_
A
i
x(t) + B
i
u(t) + D
i
+ G
i
(y(t) C x(t)) +
i
(t)
_
y(t) =
M

i=1

i
((t)) C
i
x(t)
avec :
_

_
si r(t) ,= 0, alors
i
(t) = 0.5

1
|PR
i
|
2
r
T
(t)r(t)
P
1
M

j=1

i
((t))C
T
j
r(t)
si r(t) = 0, alors
i
(t) = 0
(5.52)
La dmonstration de la convergence du multiobservateur (5.52) est semblable au cas o
le vecteur de sortie y(t) est une combinaison linaire du vecteur dtat.
5.2.4 Estimation des entres inconnues
La mthode que nous prsentons ici est originale. Pour son application, le nombre dentres
inconnues doit tre infrieur la dimension du vecteur dtat (q < n). Connaissant les
matrices A
i
, B
i
, D
i
, R
i
et la matrice de sortie C dnissant le multimodle (5.1), on dnit
le multimodle suivant :
_

x(t) =
M

i=1

i
((t))
_
A
i
x(t) + B
i
u(t) + D
i
_
y(t) = C x(t)
(5.53)
Nous avons montr prcdemment que la convergence du multiobservateur est garantie
sous des contraintes appropries, les contraintes changent selon la structure du multiobser-
vateur retenue. Lorsque le rgime permanent est atteint, lerreur destimation dtat tend
asymptotiquement vers zro, x(t) = x(t) et en remplaant cette valeur dans lquation
(5.1), on obtient :
_

x(t) =
M

i=1

i
((t))
_
A
i
x(t) + B
i
u(t) +R
i

u(t) + D
i
_
y(t) = C x(t)
(5.54)
138
5.2. Direntes approches de conception de multiobservateur
o

u(t) reprsente une estimation des entres inconnues u(t).
La dynamique de lerreur entre les tats des multimodles (5.54) et (5.53) est donne par :

x(t)

x(t) =
M

i=1

i
((t))
_
A
i
_
x(t) x(t)
_
+ R
i

u(t)
_
(5.55)
Si la matrice
M

i=1

i
((t)) R
i
est de plein rang colonne, lestimation de lentre inconnue
u(t) est donne comme suit :

u(t) =
_
M

i=1

i
((t)) R
i
_

_
_

x(t)

x(t)
_

i=1

i
((t)) A
i
_
x(t) x(t)
_
_
(5.56)
_
M

i=1

i
( (t)) R
i
_

=
_
_
_
M

i=1

i
( (t)) R
i
_
T
_
M

i=1

i
( (t)) R
i
_
_
_
1 _
M

i=1

i
( (t)) R
i
_
T
5.2.5 Exemple de simulation
Le systme non linaire choisi est reprsent la gure (5.1). Il est issu dun benchmark
classique et schmatise un processus hydraulique compos de trois rservoirs. Ces trois
rservoirs T
1
, T
2
et T
3
de sections identiques A sont relis entre eux par des conduites
cylindriques de sections identiques S
n
. La valve de sortie situe lextrmit du rservoir
T
2
, assure lcoulement des pompes 1 et 2 de dbits respectifs Q
1
(t) et Q
2
(t).
? ?
?
?
6
-
T
1
T
2
T
3
f (t)
x
1
x
3
x
2
Q
1
(t) Q
2
(t)
S
n
Fig. 5.1 Systme trois cuves
139
Chapitre 5. Conception de multiobservateurs mode glissant
Les trois niveaux x
1
, x
2
et x
3
sont rgis pour x
1
> x
3
> x
2
(sens de lcoulement impos),
par lquation (5.57). A partir des lois fondamentales de conservation de la matire, on
peut expliciter le fonctionnement de chaque rservoir et on obtient alors un modle non
linaire traduit par les quations dtat suivantes :
_

_
A
dx
1
(t)
dt
= Q
1
(t)
1
S
n
(2g (x
1
(t) x
3
(t)))
1/2
+
1
f (t)
A
dx
2
(t)
dt
= Q
2
(t) +
3
S
n
(2g (x
3
(t) x
2
(t)))
1/2

2
S
n
(2g (x
2
(t)))
1/2
+
2
f (t)
A
dx
3
(t)
dt
=
1
S
n
(2g (x
1
(t) x
3
(t)))
1/2

3
S
n
(2g (x
3
(t) x
2
(t)))
1/2
+
3
f (t)
(5.57)

1
,
2
et
3
sont des constantes, f (t) dsigne lcoulement supplmentaire dans les rser-
voirs provoqus par des fuites (considrs comme une entre inconnue), g est la constante
de gravitation. Les valeurs numriques des constantes sont les suivantes :
A = 0.0154,
1
= 0.78,
2
= 0.78,
3
= 0.75, g = 9.8 et S
n
= 5 10
5
Le systme non linaire (5.57) est modlis sous la forme suivante :
_

_
x(t) =
2

i=1

i
((t)) (A
i
x(t) +B
i
u(t) + R
i
u(t) + D
i
)
y (t) = Cx(t)
(5.58)
Les matrices A
i
, B
i
, R
i
, C et D
i
sont calcules en linarisant le systme initial (5.57) autour
de deux points choisis dans le domaine de fonctionnement (voir les points ci-dessous).
Le nombre de modles locaux, gal 2, a t choisi de faon heuristique, cette valeur
garantissant, dans le domaine de fonctionnement choisi, une bonne approximation de
ltat du systme rel par celui du multimodle. Les valeurs numriques de toutes les
matrices sont :
A
1
= 10
3
_

_
18.5 0 18.5
0 20.9 15.0
18.5 15.0 33.5
_

_
A
2
= 10
3
_

_
22.1 0 22.1
0 23.3 17.6
22.1 17.6 39.7
_

_
B
1
= B
2
=
1
154
_

_
1 0
0 1
0 0
_

_
D
1
=
_

_
0.225
0.089
0.005
_

_
D
2
=
_

_
0.182
0.141
0.003
_

_
C =
_
1 0 0
0 1 0
_
R
1
= R
2
=
_

1

2

3
_
T
= 10
3
_
0.57 0.50 0.54
_
T
140
5.2. Direntes approches de conception de multiobservateur
Les paires (A
i
, C), i 1, 2, sont observables. En utilisant les quations du multiobser-
vateur (5.33), pour M = 2, les expressions des variables discontinues
i
(t) donnes par
(5.37), la rsolution des ingalits matricielles (5.38) conduit :
P = 10
3
_

_
1.11 0.38 0.46
0.38 0.88 0.34
0.46 0.31 0.81
_

_
F
1
= F
2
=
_
0.57 0.45
_
Les rsultats de simulation sont indiqus sur les gures (5.2)-(5.5). Le modle (5.57) a t
simul en choisissant, pour lentre inconnue deux crneaux se dclenchant aux instants
35 sec et 95 sec, de dures 22 sec et 30 sec et damplitudes respectives gales 40 et 20.
0 20 40 60 80 100 120 140 160 180 200
59
60
61
62
63
64
65
66
67
68
69
Fig. 5.2 Dbit Q
1
(t) du systme
0 20 40 60 80 100 120 140 160 180 200
40
42
44
46
48
50
52
Fig. 5.3 Dbit Q
2
(t) du systme
20 40 60 80 100 120 140 160 180 200
5
0
5
10
15
20
25
30
35
40
45
Fig. 5.4 Entre inconnue u(t) et son estime
141
Chapitre 5. Conception de multiobservateurs mode glissant
0 20 40 60 80 100 120 140 160 180 200
1
0
1
2
3
4
5
0 20 40 60 80 100 120 140 160 180 200
1
0
1
2
3
4
5
0 20 40 60 80 100 120 140 160 180 200
1
0
1
2
3
4
5
6
x
1
(t) x
1
(t) x
2
(t) x
2
(t) x
3
(t) x
3
(t)
Fig. 5.5 Estimation dtat dun systme trois rservoirs
Il est important de noter quil peut y avoir un problme lors de limplmentation du mul-
tiobservateur : quand lerreur destimation de sortie r(t) tend vers zro, la grandeur
i
(t)
tend vers . Ce problme est surmont de la faon suivante.
Posons : r(t) = (r
1
(t), r
2
(t), ..., r
p
(t)),
si [r
i
(t)[ < o << 1, alors r
i
(t) = pour i 1, ..., M
Ainsi, si lon a [r
i
(t)[ < , i, le dnominateur de lquation (5.68) devient :
r
T
(t)r(t) = p
2
o p est la dimension du vecteur de rsidus. Dans ce cas lerreur destimation dtat ne
converge pas asymptotiquement vers zro mais elle est conne dans un voisinage de zro
dpendant du choix de > 0. Les rsultats de simulation montrent bien lecacit du
multiobservateur propos.
Dans cette section, nous avons procd la conception de trois structures direntes de
multiobservateurs. Chacune dentre elle a apport des amliorations successives.
1. Le multiobservateur (5.3) est une extension de lobservateur de Edwards et Spurgeon
capable destimer le vecteur dtat dun multimodle. Les contraintes dnissant les
direntes matrices sont nombreuses et la conception assez dlicate.
2. Le multiobservateur (5.33) est bas sur la structure de lobservateur de Walcott et
Zac tendu au cas multimodle. Sa nature est assez semblable au prcdent.
3. An de rduire le nombre de contraintes imposes aux multiobservateurs prc-
dent et liminer, en particulier, les contraintes structurelles (5.38). Nous avons
propos une nouvelle structure de multiobservateur (5.43). Cette structure per-
met galement de prendre en compte une sortie non linaire par rapport ltat
(y (t) =
M

i=1

i
( (t)) C
i
x(t)).
142
5.3. Multiobservateur pour un multimodle incertain
5.3 Multiobservateur pour un multimodle incertain
La reconstruction dtat dun systme incertain est un problme fondamental en automa-
tique, un systme ntant connu quavec une prcision limite.
Plusieurs structures dobservateur ont t conues dans le cas des systmes linaires incer-
tains. Xiong et al [Xion 00] ont propos un observateur mode glissant pour un systme
linaire incertain, bas sur lobservateur de Walcott et Zac [Walc 88], capable destimer
le vecteur dtat et les entres inconnues. Fan et al [Fan 02] ont prsent une mthode
de conception dun observateur pour un systme linaire incertain avec retard, la conver-
gence de lobservateur se traduit par la rsolution dingalits linaires matricielles (LMI).
Notre objectif est de concevoir un multiobservateur mode glissant bas sur linterpo-
lation convexe des observateurs classiques de Luenberger impliquant des termes additifs
pour surmonter les incertitudes de modle [Akhe 04a].
5.3.1 Formulation du problme
Considrons le multimodle incertain dni par les quations suivantes :
_

_
x(t) =
M

i=1

i
((t))
_
(A
i
+ A
i
(t)) x(t) +B
i
u(t)
_
y (t) =
M

i=1

i
((t)) C
i
x(t)
(5.59)
M

i=1

i
((t)) = 1, avec 0
i
((t)) 1, i 1, ..., M (5.60)
o A
i
(t) R
nn
reprsentent les erreurs de modlisation ou dapproximation qui doivent
tre prises en considration dans la conception du multiobservateur. Notons que les incer-
titudes A
i
sont bornes en norme :
|A
i
(t)| <
i
(5.61)
o |.| est la norme spectrale.
143
Chapitre 5. Conception de multiobservateurs mode glissant
5.3.2 Conception du multiobservateur
En supposant les paires (A
i
, C
i
) observables, la structure du multiobservateur pouvant
approximer le vecteur dtat et de sortie du multimodle (5.59) est la suivante :
_

x(t) =
M

i=1

i
((t))
_
A
i
x(t) + B
i
u(t) + G
i
(y(t) y(t)) +
i
(t)
_
y(t) =
M

i=1

i
((t)) C
i
x(t)
(5.62)
o x(t) R
n
est lestimation dtat, y(t) R
p
est la sortie du multiobservateur. G
i

R
nm
est le gain du i
me
observateur local et
i
(t) R
n
reprsente un terme ajout la
structure de chaque observateur local an de compenser les incertitudes A
i
. Les gains
G
i
et
i
doivent tre dtermins pour forcer lerreur destimation dtat converger vers
zro. Lerreur destimation dtat est toujours dnie par :
e(t) = x(t) x(t) (5.63)
et lerreur de sortie :
r(t) = y(t) y(t) =
M

i=1

i
((t))C
i
e(t) (5.64)
La dynamique de lerreur destimation dtat sexplicite :
e(t) = x(t)

x(t)
=
M

i=1
M

j=1

i
((t))
j
((t))
_

A
ij
e(t) + A
i
(t)x
i
(t)
_ (5.65)

A
ij
= A
i
G
i
C
j
(5.66)
On peut noncer le thorme suivant :
Thorme 5.3 [Akhe 04a] : Supposons quil existe une matrice P symtrique et d-
nie positive et des matrices G
i
telles que :
(A
i
G
i
C
j
)
T
P + P(A
i
G
i
C
j
) + P
2
+ 2
2
i
I < 0, i, j 1, ..., M (5.67)
alors lerreur destimation dtat du multiobservateur (5.62) converge asymptotique-
ment vers zro, si les conditions (5.68) sont vries :
_

_
si r(t) ,= 0, alors
i
(t) =

2
i
x
T
(t) x(t)
r(t)
T
r(t)
P
1
M

i=1

i
((t)) C
T
i
r(t)
si r(t) = 0, alors
i
(t) = 0
(5.68)
144
5.3. Multiobservateur pour un multimodle incertain
5.3.2.1 Convergence du multiobservateur
Considrons la fonction de Lyapunov V (t) = e
T
(t)Pe(t) ; sa drive par rapport aux temps
le long de la trajectoire du systme (5.65) sexplicite :

V (t) = e
T
(t)Pe(t) + e
T
(t)P e(t)
=
M

i=1
M

j=1

i
((t))
j
((t))
_
e
T
(t)(

A
T
ij
P + P

A
ij
)e(t)+
2x
T
(t)A
T
i
Pe(t) 2
T
i
(t)Pe(t)
_
En utilisant la relation donne par le lemme (3.1) page 79, la drive de la fonction de
Lyapunov

V (t) peut tre majore de la faon suivante :

V (t)
M

i=1
M

j=1

i
((t))
j
((t))
_
e
T
(t)
_

A
T
ij
P + P

A
ij
+ P
2
_
e (t) +
x
T
(t) A
T
i
A
i
x(t) 2
T
i
(t) Pe (t)
_

i=1
M

j=1

i
((t))
j
((t))
_
e
T
(t)
_

A
T
ij
P + P

A
ij
+ P
2
_
e (t) +

2
i
x
T
(t) x(t) 2
T
i
(t) Pe (t)
_
(5.69)
En utilisant (5.63), la majoration devient :

V (t)
M

i=1
M

j=1

i
((t))
j
((t))
_
e
T
(t)
_

A
T
ij
P + P

A
ij
+P
2
_
e (t) +

2
i
( x(t) + e (t))
T
( x (t) + e (t)) 2
T
i
(t) Pe (t)
_

i=1
M

j=1

i
((t))
j
((t))
_
e
T
(t)
_

A
T
ij
P + P

A
ij
+P
2
+ 2
2
i
I
_
e(t)+
2
2
i
x
T
(t) x(t) 2
T
i
(t)Pe(t)
_
(5.70)
Cas 1 : r(t) ,= 0 - avec lexpression (5.68), on peut tablir lgalit suivante :

T
i
(t) Pe (t) =
2
i
x
T
(t) x(t)
r
T
(t) r (t)
r
T
(t)
M

k=1

k
((t))C
k
P
1
Pe (t)
=
2
i
x
T
(t) x (t)
r
T
(t) r (t)
r
T
(t) r (t) =
2
i
x
T
(t) x (t)
Lexpression (5.70) peut alors tre majore comme suit :

V (t)
M

i=1
M

j=1

i
((t))
j
((t))e
T
(t)
_

A
T
ij
P + P

A
ij
+ P
2
+ 2
2
i
I
_
e(t) (5.71)
145
Chapitre 5. Conception de multiobservateurs mode glissant
Cas 2 : r(t) = 0 - nous obtenons directement (5.71).
Par consquent, les conditions (5.67) garantissent que

V (t) < 0 ; lerreur destimation
dtat converge donc asymptotiquement vers zro.
Les conditions (5.67) sont non linaires par rapport aux variables P et G
i
, elles peuvent
tre facilement converties en un problme LMI, ce quon verra dans la prochaine section.
5.3.2.2 Relaxation des conditions de stabilit
An de rduire le conservatisme des ingalits (5.67), nous allons faire une hypothse
(frquente en pratique) que seules o fonctions dactivation parmi M sont simultanment
direntes de zro. Pour tenir compte de cette proprit tablissons tout dabord le lemme
suivant :
Lemme 5.1 : En tenant compte des proprits des fonctions dactivation (5.60), les in-
galits suivantes sont vries [Tana 98] :
M

i=1

2
i
((t))
2
o 1
M

i=1
i<j
M

j=1

i
((t))
j
((t)), 2 o M (5.72)
Thorme 5.4 : Supposons quil existe une matrice symtrique et dnie positive P,
Q et des matrices G
i
telles que :

A
T
ii
P + P

A
ii
+ P
2
+ 2
2
i
I + (o 1) Q < 0, i 1, ..., M (5.73a)
1
2
_
_

A
ij
+

A
ji
_
T
P + P
_

A
ij
+

A
ji
_
_
+ P
2
+ 2
2
i
I Q < 0 i < j 1, ..., M
(5.73b)
o

A
ij
= A
i
G
i
C
j
, alors lerreur destimation dtat du multiobservateur (5.62),
converge asymptotiquement vers zro si les conditions (5.68) sont vries.
Preuve : A partir de lexpression (5.70), on peut crire :

V (t)
M

i=1
M

j=1

i
((t))
j
((t))e
T
(t)
_

A
T
ij
P + P

A
ij
+ P
2
+ 2
2
i
I
_
e(t)
=
M

i=1

i
((t))
2
e
T
(t)
_

A
T
ii
P + P

A
ii
+ P
2
+ 2
2
i
I
_
e(t)+
2
M

i=1
M

j=1
i<j

i
((t))
j
((t)) e
T
(t)
_
P
2
+ 2
2
i
I +
1
2
_
_

A
ij
+

A
ji
_
T
P + P
_

A
ij
+

A
ji
_
_ _
e(t)
146
5.3. Multiobservateur pour un multimodle incertain
En utilisant lexpression (5.73), on obtient :

V (t) e
T
(t)
_
_
_

i=1

2
i
((t)) (o 1) + 2
M

i=1
i<j
M

j=1

2
i
((t))
j
((t))
_
_
_
Qe(t) (5.74)
Compte tenu du lemme (5.1), la drive de la fonction de Lyapunov est ngative, ce qui
dmontre la convergence du multiobservateur (5.62).
Les conditions (5.73) sont non linaires par rapport aux variables P et G
i
. An de conver-
tir les ingalits (5.73) en un problme LMI, nous proposons le changement de variable
suivant :
W
i
= PG
i
(5.75)
Compte tenu de la dnition (5.66), les ingalits (5.73) deviennent alors :
A
T
i
P + PA
i
C
T
i
W
T
i
W
i
C
i
+ P
2
+ 2
2
i
I + (o 1) Q < 0
(A
i
+ A
j
)
T
2
P + P
(A
i
+A
j
)
2
C
T
j
W
T
i
W
i
C
j
C
T
i
W
T
j
W
j
C
i
+ P
2
+ 2
2
i
I Q < 0
(5.76)
En utilisant le complment de Schur [Boyd 94], les ingalits (5.76) scrivent sous la forme
LMI suivante :
_

_
A
T
i
P +PA
i
C
T
i
W
T
i
W
i
C
i
+ (o 1) Q + 2
2
i
I P
P I
_

_
< 0
_

_
(A
i
+ A
j
)
T
2
P + P
(A
i
+ A
j
)
2
C
T
j
W
T
i
W
i
C
j

C
T
i
W
T
j
W
j
C
i
Q + 2
2
i
I
P
P I
_

_
< 0
(5.77)
En conclusion, le multiobservateur du systme (5.59) est entirement dcrit par (5.62),
(5.64), (5.68), la matrice de Lyapunov P et les gains G
i
= P
1
W
i
solutions de (5.77).
Remarque : Lorsque la sortie du multimodle y(t) est linaire par rapport aux variables
dtat, cest--dire, C
1
= C
2
= ... = C
M
, ce qui couvre une grande classe de systmes
physiques rels, le thorme (5.3) se simplie sous la forme :
147
Chapitre 5. Conception de multiobservateurs mode glissant
Thorme 5.5 : supposons quil existe une matrice P symtrique et dnie positive
et des matrices G
i
telles que :

A
T
ij
P + P

A
ij
+ P
2
+ 2
2
i
I < 0, i, j 1, ..., M (5.78)
o

A
ij
= A
i
G
i
C
j
, alors lerreur destimation dtat du multiobservateur (5.62)
converge asymptotiquement vers zro si les conditions (5.79) sont vries :
_
_
_
si r (t) ,= 0, alors
i
(t) =

2
i
x
T
(t) x (t)
r
T
(t) r (t)
P
1
C
T
r (t)
si r (t) = 0, alors
i
(t) = 0
(5.79)
5.3.3 Exemple de simulation
Considrons le multimodle suivant, compos de deux modles locaux et comportant deux
sorties et trois tats.
_

_
x(t) =
2

i=1

i
((t))
_
(A
i
+ A
i
(t))x(t) +B
i
u(t)
_
y(t) = Cx(t)
(5.80)
Les valeurs numriques des matrices A
i
, B
i
, C et R
i
sont les suivantes :
A
1
=
_

_
2 1 1
1 3 0
2 1 6
_

_
A
2
=
_

_
3 2 2
5 8 0
0.5 0.5 4
_

_
B
1
=
_

_
1
0.5
0.5
_

_
B
2
=
_

_
0.5
1
0.25
_

_
C =
_
1 1 1
1 0 1
_
Les incertitudes de modle ont t choisies de la manire suivante :
A
i
(t) = 0.1 A
i
(j, k) (t)
|A
i
(t)| <
i
(5.81)
o j et k sont respectivement les indices des lignes et les colonnes des matrices A
i
(t), la
fonction (t) est une variable alatoire de distribution uniforme sur
_
1 1

. Les matrices
dtat A
i
vrient :
A
i
A
i
(t) A
i
A
i
+ A
i
(t)
Les valeurs propres des matrices A
i
sont :
(A
1
) =
_

_
1
3.58
6.41
_

_
et (A
2
) =
_

_
9.45
1
4.55
_

_
148
5.3. Multiobservateur pour un multimodle incertain
On peut alors aisment dterminer les bornes des incertitudes :
2
1
= 0.7 et
2
2
= 1.1
Le multiobservateur qui estime le vecteur dtat du multimodle est dcrit par :
_

x(t) =
2

i=1

i
()
_
A
i
x(t) + B
i
u(t) +G
i
(y(t) C x(t)) +
i
(t)
_
y(t) = C x(t)
(5.82)
avec
(A
i
G
i
C)
T
P + P(A
i
G
i
C) + P
2
+ 2
2
i
I < 0, i 1, 2 (5.83)
En utilisant le complment de Schur et le changement de variable (5.75), les ingalits
(5.83) deviennent :
_
_
A
T
i
P + PA
i
C
T
W
T
i
W
i
C + 2
2
i
I P
P I
_
_
< 0 (5.84)
La rsolution des ingalits (5.84), en utilisant loutil numrique LMI, mne aux solutions
P et G
i
= P
1
W
i
suivantes :
P =
_

_
0.6365 0.5836 0.0332
0.5836 0.9584 0.1814
0.0332 0.1814 0.2343
_

_
G
1
=
_

_
0.26 7.34
28.97 29.28
0.64 7.30
_

_
G
2
=
_

_
7.00 4.55
38.82 33.34
1.11 8.50
_

_
Lentre u(t) choisie pour simuler le multimodle (5.80) et le multiobservateur (5.82) est
prsente sur la gure (5.6). Les incertitudes A
i
(t) sont gnres dune faon alatoire,
telle que chaque lment de la matrice A
i
(t) est gnr indpendamment des autres
lments (5.81).
Les rsultats de simulation sont prsents sur les gure (5.7) et (5.8). Limplmentation
des variables
i
(t), i 1, 2 (5.68) est faite en prenant comme seuil de prcision =
10
3
, valeur juge susante pour garantir une bonne estimation du vecteur dtat. La
convergence du vecteur dtat du multiobservateur vers ceux du multimodle est garantie.
Au voisinage de lorigine (t = 0), la disparit entre ltat estim et rel est due au choix
des conditions initiales du multiobservateur.
149
Chapitre 5. Conception de multiobservateurs mode glissant
0 5 10 15 20 25 30 35 40
0
0.5
1
1.5
2
2.5
3
3.5
4
Fig. 5.6 Entre u(t)
0 5 10 15 20 25 30 35 40
0
0.5
1
1.5
2
2.5
3
3.5
0 5 10 15 20 25 30 35 40
0
0.5
1
1.5
2
2.5
0 5 10 15 20 25 30 35 40
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
x
1
(t) et x
1
(t) x
2
(t) et x
2
(t) x
3
(t) et x
3
(t)
Fig. 5.7 Estimation dtat dun multimodle incertain
2 4 6 8 10 12 14 16 18 20
0.2
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 10 12 14 16 18 20
0
0.1
0.2
0.3
0.4
0.5
0 2 4 6 8 10 12 14 16 18 20
0.5
0.4
0.3
0.2
0.1
0
0.1
x
1
(t) x
1
(t) x
2
(t) x
2
(t) x
3
(t) x
3
(t)
Fig. 5.8 Erreurs destimation dtat dun multimodle incertain
Dans cette partie, nous avons propos une mthode de conception de multiobservateur
robuste vis--vis des incertitudes de modles. La synthse dun tel multiobservateur est
base sur lexistence dune matrice de Lyapunov et des matrices de gains, solution dinga-
lit linaires matricielles, assurant la convergence du multiobservateur. La stabilit de ce
dernier exige cependant la considration des contraintes galits et ingalits ainsi que la
connaissance dune borne relative aux incertitudes. Les rsultats de simulation montrent
que lestimation du vecteur dtat du multimodle est trs satisfaisante.
150
5.4. Multiobservateur en prsence dentres inconnues et dincertitudes de modle
5.4 Multiobservateur en prsence dentres inconnues
et dincertitudes de modle
La section prcdente (5.2) (resp. 5.3) est consacre la conception de multiobservateurs
mode glissant pour des multimodles prsentant des entres inconnues (resp. des incer-
titudes de modle).
Dans cette section, nous combinons les deux approches an de prendre en compte simul-
tanment ces deux types de perturbations (entres inconnues et incertitudes de modles).
Le multimodle considr la forme suivante :
_

_
x(t) =
M

i=1

i
((t))
_
(A
i
+ A
i
(t)) x(t) + (B
i
+ B
i
(t))u(t) + R
i
u(t) + D
i
_
y(t) = Cx(t)
(5.85)
Les matrices variables A
i
(t) et B
i
(t) sont bornes en norme, cest--dire :
|A
i
(t)| <
1i
,
|B
i
(t)| <
2i
.
(5.86)
5.4.1 Principe de reconstruction
Si lon suppose que toutes les paires (A
i
, C) sont observables et sil existe des matrices
de gain G
i
tels que les matrices

A
i
= A
i
G
i
C sont stables, i 1, ..., M et des paires
de matrices (P, F
i
) respectant les contraintes suivantes :
_
_
_

A
T
i
P + P

A
i
= Q
i
C
T
F
T
i
= PR
i
, i 1, ..., M
(5.87)
le multiobservateur du multimodle (5.85) revt la forme suivante :
_

x(t) =
M

i=1

i
((t))
_
A
i
x(t) + B
i
u(t) + D
i
+ G
i
(y(t) C x(t)) + R
i

i
(t) +
i
(t)
_
y(t) = C x(t)
(5.88)
La conception du multiobservateur est base sur la dtermination des matrices de gain
G
i
, des variables
i
(t) R
q
et
i
(t) R
n
.
Notons que les variables
i
(t) et
i
(t) compensent respectivement les erreurs dues aux en-
tres inconnues et aux incertitudes de modles A
i
(t) et B
i
(t). En utilisant lexpression
151
Chapitre 5. Conception de multiobservateurs mode glissant
de lerreur destimation dtat dcrite par les quations (5.63), on montre que :
e(t) =
M

i=1

i
((t))
_
(A
i
G
i
C) e(t) + A
i
(t)x(t) + B
i
(t)u(t) +R
i
u(t) R
i

i
(t)
i
(t)
_
(5.89)
Thorme 5.6 : lerreur destimation dtat, entre le multiobservateur (5.88) et le
multimodle (5.85), converge asymptotiquement vers zro, si
i
(t) et
i
(t) sont donns
par les relations suivantes :
_

_
si r(t) ,= 0
_

i
(t) =
F
i
r(t)
|F
i
r(t)|

i
(t) =
_

1
(1 +
2
)
2
1i
x
T
(t) x(t) +
3

2
2i
|u(t)|
2
_
P
1
C
T
r(t)
2r
T
(t)r(t)
si r(t) = 0
_

i
(t) = 0

i
(t) = 0
(5.90)
et sil existe une matrice P symtrique et dnie positive, des matrices F
i
et des
scalaires positifs
1
,
2
et
3
satisfaisant les contraintes suivantes :
_
_
_

A
T
i
P + P

A
i
+ (
1
1
+
1
3
)P
2
+
1
_
1 +
1
2
_

2
1i
I < 0
C
T
F
T
i
= PR
i
, i 1, ..., M
(5.91)
avec :

A
i
= A
i
G
i
C et r(t) = y(t) y(t) (5.92)
5.4.2 Convergence du multiobservateur
Nous utilisons la mme procdure que dans les sections prcdentes pour dmontrer la
convergence du multiobservateur (5.88). La drive de la fonction quadratique de Lyapu-
nov est donne par :

V (t) =
M

i=1

i
((t))
_
e
T
(t)(

A
T
i
P + P

A
i
)e(t) + 2e
T
(t)P
_
A
i
(t)x(t) + B
i
u(t)
_
+
2e
T
(t)P
_
R
i
u(t) R
i

i
(t)
i
(t)
_
_
Dans le cas o r(t) ,= 0, en remplaant
i
(t) par leurs expressions (5.90) et en utilisant la
152
5.4. Multiobservateur en prsence dentres inconnues et dincertitudes de modle
relation donne par le lemme (3.1) page 79, on obtient les majorations suivantes :
2e
T
(t)P
_
R
i
u(t) R
i

i
(t)
_
= 2e
T
(t)C
T
F
T
i
u(t) 2e
T
(t)C
T
F
T
i

i
(t)
= 2r
T
(t)F
T
i
u(t) 2r
T
(t)F
T
i
F
i
r(t)
|F
i
r(t)|
= 2r
T
(t)F
T
i
u(t) 2|F
i
r(t)|
2|F
i
r(t)| 2|F
i
r(t)| < 0
2e
T
(t)PA
i
(t)x(t) = e
T
(t)PA
i
(t)x(t) +x
T
(t)A
T
i
(t)Pe(t)

1
1
e
T
(t)P
2
e(t) +
1
x
T
(t)A
T
i
(t)A
i
(t)x(t)

1
1
e
T
(t)P
2
e(t) +
2
1i

1
(e(t) + x(t))
T
(e(t) + x(t))
e
T
(t)
_

1
1
P
2
+
2
1i

1
_
e(t) +
2
1i

1
x
T
(t) x(t) + 2
2
1i

1
e
T
(t) x(t)
e
T
(t)
_

1
1
P
2
+
2
1i

1
_
e(t) +
2
1i

1
x
T
(t) x(t) +
2
1i

1
_
e
T
(t) x(t) + x
T
(t)e(t)
_
e
T
(t)
_

1
1
P
2
+
2
1i

1
(1 +
1
)
_
e(t) +
2
1i

1
(1 +
2
) x
T
(t) x(t)
2e
T
(t)PB
i
u(t) = e
T
(t)PB
i
u(t) + u
T
(t)B
T
i
Pe(t)

1
3
e
T
(t)P
2
e(t) +
3
u
T
(t)B
T
i
B
i
u(t)

1
3
e
T
(t)P
2
e(t) +
3

2
2i
|u(t)|
La drive de la fonction

V (t) peut alors tre majore par la fonction suivante :

V (t)
M

i=1

i
((t))
_
e
T
(t)(

A
T
i
P + P

A
i
+ (
1
1
+
1
3
)P
2
+
1
(1 +
1
2
)
2
1i
I)e(t)+

1
(1 +
2
)
2
1i
x
T
(t) x(t) +
3

2
2i
|u(t)|
2
2
T
i
(t)Pe(t)
_
avec un calcul direct, on peut montrer que :

1
(1 +
2
)
2
i1
x
T
(t) x(t) +
3

2
2i
|u(t)|
2
2
T
i
(t)Pe(t) = 0

V (t)
M

i=1

i
((t))
_
e
T
(t)(

A
T
i
P + P

A
i
+ (
1
1
+
1
3
)P
2
+
1
(1 +
1
2
)
2
1i
I)e(t)
_
On conclut que, sil existe une matrice de Lyapunov P > 0, des matrices F
i
et des scalaires
positifs
1
,
2
et
3
satisfaisant les contraintes (5.91), lerreur destimation dtat tend
asymptotiquement vers zro.
153
Chapitre 5. Conception de multiobservateurs mode glissant
5.5 Conclusion
Tout au long de ce chapitre, nous avons prsent des techniques de conception de mul-
tiobservateurs, an destimer les vecteur dtat et de sortie dun systme non linaire,
reprsent par une forme multimodle, lorsque celui-ci est soumis linuence des en-
tres inconnues et dincertitudes de modle. Nous avons montr lexistence de conditions
supplmentaires de convergence dun multiobservateur lorsque les fonctions dactivation
dpendent des variables estimer (thorme 4.3).
Ensuite, plusieurs structures de multiobservateurs, prenant en compte linuence des en-
tres inconnues ont t dveloppes. Chaque structure a ses avantages et ses inconvnients :
Lavantage du multiobservateur ayant une structure continue, prsent dans le cha-
pitre 4, rside dans le fait que la structure des observateurs locaux est linaire ou
ane. Son inconvnient rside dans le fait que le multiobservateur ne peut pas
tre exploit lorsque, les matrices de sortie des modles locaux sont direntes
(C
1
,= C
2
... ,= C
i
.... ,= C
n
).
Les termes glissants du multiobservateur a structure discontinue (5.33) sont majo-
rs par la borne des entres inconnues, (relation 5.37), ce qui constitue son grand
avantage. Son inconvnient est le mme que celui voqu pour le multiobservateur
(4.27).
Les multiobservateurs (5.43) et (5.52) ont t conus pour remdier aux limites
montres par les multiobservateurs prcdents (4.27) et (5.33). Les bornes des termes
discontinus nexistent pas dans ce cas, (les relations 5.45 et 5.52), ce qui constitue
un inconvnient de ce type de multiobservateur.
Parmi les perturbations aectant un processus physique, on peut citer la dgradation ma-
trielle, phnomne modlis par des incertitudes de modle A
i
(t) et B
i
(t). Pour cela,
nous avons construit un multiobservateur insensible ce genre de perturbation, (qua-
tion 5.62). Linconvnient principal de ce multiobservateur rside dans la non-linarit des
termes discontinus (termes ncessaires pour compenser les incertitudes).
Enn, pour surmonter tout problme dentres inconnues et dincertitudes de modle,
nous avons considr une structure multiobservateur insensible aux perturbations (5.88).
154
6
Diagnostic base de multiobservateurs
Sommaire
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
6.2 Surveillance utilisant les modles . . . . . . . . . . . . . . . . . 158
6.2.1 Redondance physique ou matrielle . . . . . . . . . . . . . . . . 158
6.2.2 Redondance analytique . . . . . . . . . . . . . . . . . . . . . . 159
6.2.3 Dtection de dfauts . . . . . . . . . . . . . . . . . . . . . . . . 159
6.2.4 Localisation et caractrisation des dfauts . . . . . . . . . . . . 160
6.2.5 Prise de dcision . . . . . . . . . . . . . . . . . . . . . . . . . . 160
6.3 Diagnostic base dobservateur . . . . . . . . . . . . . . . . . . 160
6.3.1 Dtection par observateur unique . . . . . . . . . . . . . . . . . 162
6.3.2 Dtection par un banc dobservateurs . . . . . . . . . . . . . . . 162
6.3.3 Dtection par observateur gnralis . . . . . . . . . . . . . . . 163
6.3.4 Dtection de dfauts actionneurs . . . . . . . . . . . . . . . . . 163
6.4 Dtection et isolation de dfauts sur un turbo-racteur davion164
6.4.1 Gnration de rsidus . . . . . . . . . . . . . . . . . . . . . . . 164
6.4.2 Dtection de dfauts capteurs . . . . . . . . . . . . . . . . . . . 165
6.4.3 Dtection et localisation de dfauts capteurs par un banc de
multiobservateurs . . . . . . . . . . . . . . . . . . . . . . . . . . 169
155
Chapitre 6. Diagnostic base de multiobservateurs
6.4.4 Performance de la procdure de diagnostic utilise . . . . . . . 179
6.4.5 Dtection de dfaut actionneur . . . . . . . . . . . . . . . . . . 182
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
156
6.1. Introduction
6.1 Introduction
Le dveloppement de lautomatisation des systmes industriels vise amliorer leurs per-
formances. Il a conduit llaboration de systmes de plus en plus complexes multipliant
les risques de dysfonctionnement pouvant mettre en pril le systme lui mme et son en-
vironnement.
Par consquent, pour un grand nombre dapplication, il est ncessaire dimplanter un sys-
tme de surveillance an de dtecter, isoler, voir identier tout dysfonctionnement.
Un systme de surveillance doit permettre de caractriser le mode de fonctionnement
dun systme en enregistrant des informations, en reconnaissant et en indiquant les ano-
malies de comportement. Cette surveillance peut tre ralise en cours exploitation ou
hors exploitation et chaque mode prsente chacun un certain nombre davantages et din-
convnients.
Le mode dimplmentation "en exploitation" permet de ragir rapidement en cas de pro-
blmes et saccompagne souvent dune procdure de maintenance sur site. Il impose un
traitement en temps rel des dirents signaux.
Le mode dimplementation "hors exploitation" permet de choisir un protocole de test :
choix des signaux dentre ou choix des mesures appropries. Ce mode dimplmentation
est choisi dans les cas de gure suivants :
pour tester des systmes en sortie de chane de production et avant la livraison aux
clients,
pour tester des systmes intervalles rguliers (maintenance prventive),
en complment du mode dimplementation en exploitation lorsque celui-ci ne per-
met pas de prciser la raison du dysfonctionnement du systme.
Le systme de surveillance doit raliser les trois tches suivantes :
1. La dtection, qui consiste prendre une dcision binaire : soit le systme fonctionne
correctement, soit une panne sest produite. Le cas chant, la procdure doit d-
terminer linstant doccurrence du dfaut ayant provoqu la panne.
2. La localisation, qui consiste dterminer le composant dfectueux.
3. Lidentication, qui consiste dterminer le type de la panne en vue de dterminer
le type de maintenance ou de correction (accommodation, reconguration) raliser
sur linstallation. Cette tape ncessite souvent la connaissance dun modle de la
panne.
Beaucoup de systmes de surveillance nimplmentent que les deux premires tches.
157
Chapitre 6. Diagnostic base de multiobservateurs
Lidentication dune panne nest ralise que lorsquune action de reconguration de la
commande ou des objectifs atteindre est envisage. Lorsquun algorithme de surveillance
ne comporte que ces deux tches, il est quali dalgorithme de FDI (Fault Detection and
Isolation).
6.2 Surveillance utilisant les modles
Lutilisation des modles pour la surveillance des systmes date du dbut des annes 70.
Depuis, de nombreux articles font rgulirement le point sur lavancement des direntes
approches [Patt 97], [Benn 99], [Jian 02] et [Kimm 05]. La gure (6.1) illustre le concept
gnral dun systme de diagnostic utilisant un modle. Ces mthodes reposent sur ltude
de signaux appels rsidus.
Dnition 6.1 Un rsidu est un signal potentiellement indicateur de dfauts. Il rete
la cohrence des donnes vis--vis du modle comportemental du systme.

Actionneurs
-

Systme
-

Capteurs
Gnrateur de
rsidus
-
-
Sortie y(t)
Fig. 6.1 Principe de la gnration de rsidus
Les mthodes de surveillance base de modle utilisent la redondance dinformation
prsente sur un systme. Deux types de redondance peuvent tre distingus : la redondance
matrielle et la redondance analytique.
6.2.1 Redondance physique ou matrielle
La redondance physique consiste utiliser plusieurs actionneurs, capteurs, processeurs et
logiciels pour mesurer et/ou contrler une variable particulire. Un principe de vote est
appliqu sur les valeurs redondantes pour dcider si une faute est prsente ou non. Cette
approche entrane un cot important en instrumentation mais savre extrmement able
et simple implanter. Elle est mise en oeuvre essentiellement sur des systmes haut
risques tels que les centrales nuclaires ou les avions.
158
6.2. Surveillance utilisant les modles
Le diagnostic utilisant la redondance physique se limite la surveillance des lments
redondants (capteur, actionneurs, ...) prsents sur une installation. A laide de cette unique
technique, il ne sera pas possible de dtecter des pannes survenant sur des lments non
redondants.
6.2.2 Redondance analytique
Un complment la redondance physique consiste exploiter les contraintes liant les dif-
frentes variables du systme. Ces contraintes peuvent souvent sexprimer sous la forme
de relations analytiques liant les variables connues (relations dentre/sortie ou de sor-
tie/sortie). Ces relations sont appeles relations de redondances analytiques. Le principe
de la surveillance consiste vrier la fermeture algbrique de ces relations en utilisant
les mesures prleves en ligne sur le systme. Le concept de redondance analytique repose
sur lutilisation dun modle mathmatique du systme surveiller. Pour cette raison, les
mthodes utilisant la redondance analytique pour la surveillance sont appeles mthodes
base de modle [Fran 94], [Maqu 00]. Le principe de la surveillance utilisant un modle
peut tre spar en deux tapes : la gnration de rsidus et la prise de dcision.
6.2.3 Dtection de dfauts
La dtection des dfauts consiste rpondre la question : un ou des dfauts sont-ils
apparus linstant considr ? La dtection peut sappuyer sur deux types de mthodes :
les mthodes locales et les mthodes globales.
Le premier type de mthodes se base sur lanalyse du signal issu de chaque capteur (on
parle galement danalyse monosignal). On tudie alors les signaux sparment et on v-
rie directement quils voluent dans des domaines dsirs correspondants un mode
normal de fonctionnement du systme. On peut encore les tudier indirectement en fai-
sant des tests statistiques.
Par opposition, la seconde catgorie de mthodes sappuie sur lensemble des signaux (on
parle encore danalyse multisignaux). Cette classe de mthodes se dcompose en deux
groupes suivant quelles utilisent ou non un modle. Pour ces dernires, on peut citer les
techniques de reconnaissance de formes ou les techniques neuronales. Les premires uti-
lisent par contre des relations de redondances, statiques ou dynamiques, entre plusieurs
signaux. Ce groupe de mthodes comprend, dune part, les techniques base de redon-
dance matrielle (approche passive) et, dautre part, les techniques base de redondance
analytique (approche active). Ces dernires feront plus particulirement lobjet de notre
tude.
159
Chapitre 6. Diagnostic base de multiobservateurs
6.2.4 Localisation et caractrisation des dfauts
Une fois le dfaut dtect, il convient de le localiser. Il faut donc rpondre la question :
sur quelle composant le dfaut est-il apparu linstant considr ? La caractrisation du
dfaut prcisera le type du dfaut, sa dure, son amplitude voire son volution probable.
Ceci est possible partir de la signature du dfaut (la signature dun dfaut tant leet
particulier de celui-ci sur un ou plusieurs rsidus). On gnre donc des fonctions de dcision
construites partir des signaux rvlateurs du ou des dfauts (les rsidus) permettant de
conclure au fonctionnement correct ou non du systme. Ce type de dcision est ralis
laide doprations logiques. Son implmentation laide de rseaux de neurones par
exemple semble intressante [Wang 04]. De plus, on retiendra lutilisation avec succs
de la logique oue dveloppe ces dernires annes [Mand 98]. Comme le fait remarquer
Frank [Schn 96] la logique oue peut sappliquer indiremment ltape dvaluation
des rsidus ou ltape de gnration des rsidus [Cate 02].
6.2.5 Prise de dcision
Une fois le fonctionnement incorrect du systme constat, il est primordial dagir de
faon maintenir les performances souhaites. Cette prise de dcision permet de choisir
entre plusieurs options comme arrter le systme ou encore ne rien faire, rvaluer les
objectifs ou accepter un fonctionnement dgrad, faire de la maintenance. Il peut encore
sagir, quand cela est possible, de recongurer ou de rorganiser le systme [Bear 71]. Le
rle de la reconguration est de saranchir des consquences du dfaut pour conserver
les performances initiales lorsque cela est possible ou encore de rvaluer les objectifs
an dassurer le fonctionnement dgrad du systme si celui-ci est tolrable. Il est bien
vident que ce nest pas toujours le cas et on se rend bien compte quil est important
que le dfaut soit identi avec exactitude (tendue, amplitude, type, cause) an den
permettre sa compensation ventuelle. La reconguration peut donc porter sur le systme
de rgulation (ou une partie de celui-ci), sur la structure de la loi de commande, sur
le processus physique (en prsence de redondance matrielle, on peut basculer sur les
lments ayant un fonctionnement correct) ou encore sur la rvaluation des objectifs
assigns au systme.
6.3 Diagnostic base dobservateur
Un grand nombre de processus physiques peuvent se modliser par un systme dquations
direntielles (linaires ou non) du premier ordre. Le modle obtenu, appel modle dtat
du systme, fait intervenir un certain nombre de variables internes (les variables dtat)
160
6.3. Diagnostic base dobservateur
qui sont souvent inconnues soit pour des raisons pratiques (par exemple, les courants ro-
toriques dun moteur asynchrone cage dcureuil ne sont pas physiquement mesurables)
soit pour des raisons conomiques (par exemple, le couple dun moteur est mesurable mais
lajout dun tel capteur entrane un surcot important).
La surveillance dun systme physique modlis sous forme dtat, consiste tudier la
cohrence comportementale du modle vis vis du systme rel. Une des approches per-
mettant de raliser ceci, consiste comparer les variables mesures avec les variables
calcules ou estimes (en ligne) partir du modle lorsque celui-ci est soumis aux mmes
signaux dentre que ceux du systme rel. Le systme permettant dobtenir ces estima-
tions est appel un observateur. Par dnition, un observateur est un systme dynamique
prenant pour entres les signaux connus du systme sur lequel il est implant et dont les
sorties convergent vers une estimation des variables dtat (ou dune partie des variables
dtat).
Dans ce chapitre, nous allons prsenter lutilisation des multiobservateurs pour la sur-
veillance dun systme physique. Contrairement la commande, o les observateurs sont
utiliss uniquement pour estimer le vecteur dtat (ou une partie du vecteur dtat), les
multiobservateurs utiliss pour la surveillance estiment les sorties (ou une fonction des
sorties) du systme et les variables dtat.
Les observateurs dtat permettent lestimation de la sortie dun systme partir des
connaissances de la commande ou parfois une partie de la commande et des mesures de
sortie ou une partie de ces mesures. Cette estimation est compare la valeur mesure de
la sortie dans le but de gnrer des rsidus. Ces rsidus doivent servir dindicateurs ables
du comportement du processus. Ils sont donc nuls en labsence de dfauts et dpendants
des dfauts en leur prsence. Suivant les lments contrler, les mthodes de dtection
sont classes en trois catgories :
dtection de dfauts capteurs,
dtection de dfauts dactionneurs,
dtection de dfauts de systme.
Dixon [Dixo 04] a propos une procdure de dtection et didentication de dfauts en uti-
lisant un banc dobservateurs pour un systme lectromcanique. Zolghadri et al [Zolg 96]
ont dvelopp un gnrateur de rsidus, en utilisant un banc dobservateurs pour la d-
tection et la localisation de dfauts, sur une installation hydraulique en tenant compte
des non linarits du systme. Tan et al [Tan 02] ont propos une mthode de dtection
et de reconstruction de dfauts de capteurs en utilisant un observateur mode glissant.
Les direntes structures de banc dobservateurs que nous prsentons ici sont valables
161
Chapitre 6. Diagnostic base de multiobservateurs
pour les structures de banc de multiobservateurs.
6.3.1 Dtection par observateur unique
La dtection consiste estimer compltement le vecteur de sortie y(t) laide dun seul
observateur pilot par une seule mesure, voir gure (6.2).
Systme
- -
Capteurs
-
-
-
i
me
observateur
?
-
-
-
-
-
-
.
.
.
.
.
.
.
.
.
Logique
de
dcision
y
1
y
p
y
1i
y
pi
-
u(t)
y
i
y
i
Fig. 6.2 Dtection par observateur unique
6.3.2 Dtection par un banc dobservateurs
Cette fois, on suppose que le vecteur dtat est compltement observable et on reconstruit
autant de sorties quil y a de mesures. Le nombre dobservateurs est donc gal au nombre
de sorties mesures, voir gure (6.3).
Systme
- -
Capteurs
-
-
Observateur 1
Observateur 2
Observateur p
?
?
?
Logique
de dcision
-
-
-
-
-
-
-
-
-
-
-
-
y
i
-
-
y
1
y
p
y
11
y
p1
y
1i
y
pi
y
1p
y
pp
u
y
- -
-
Fig. 6.3 Dtection par un banc dobservateurs
162
6.3. Diagnostic base dobservateur
6.3.3 Dtection par observateur gnralis
Le nombre dobservateurs utiliss est gal au nombre de combinaisons possibles de me-
sures, voir la gure (6.4). Chaque observateur dtat peut tre pilot par direntes sorties,
ce qui augmente le nombre de degrs de libert de la dtection de dfauts.
Exemple
Dans un souci de clart, nous proposons un exemple ayant deux sorties y
1
et y
2
, le nombre
de combinaisons gal 2
2
1 = 3.
Systme
- -
Capteurs
-
Observateur 1
Observateur 2
?
?
-
Logique
de dcision
-
y
1
-
-
-
u
y
Observateur 3
?
-
?
y
2
-
-
-
-
-
y
11
y
21
y
12
y
22
y
13
y
23
Fig. 6.4 Dtection par observateurs gnraliss
6.3.4 Dtection de dfauts actionneurs
An de pouvoir dtecter et localiser les dfauts dactionneurs, nous pouvons utiliser des
observateurs entres inconnues prsents au chapitre 1 de ce mmoire, dans le cas des
systmes linaires ou des multiobservateurs entres inconnues dvelopps dans les cha-
pitres 4 et 5 dans le cas des multimodles.
Un banc de multiobservateurs entres inconnues reconstruit le vecteur de sortie et le
vecteur dtat par autant de multiobservateurs quil y a dentres. Le i
me
multiobservateur
est pilot par toutes les sorties et toutes les entres excepte la i
me
(u
i
). La dtection et
la localisation de dfaut du i
me
actionneur est eectue en considrant lentre u
i
comme
tant une entre inconnue au systme, voir la gure (6.5).
163
Chapitre 6. Diagnostic base de multiobservateurs
-
-
Systme
-
-
Capteurs
Observateur 1
Observateur i
Observateur p
-
?
?
?
Logisue
-
y
-
-
-
-
-
-
-
-
-
u
1
u
i
u
m
y
y
y
Fig. 6.5 Dtection par observateurs entres inconnues
6.4 Dtection et isolation de dfauts sur un turbo-racteur
davion
Plusieurs auteurs ont utilis lapproche multimodle pour le diagnostic de systmes. Bou-
khris et al [Bouk 99] utilisent lapproche multimodle pour modliser la relation pluie-
dbit dans le but deectuer le diagnostic de fonctionnement des capteurs dun rseau
automatique dassainissement. Gasso et al [Gass 00b] exploitent lapproche multimodle
pour la prvision de pointes de concentration dozone. Amann et al [Aman 01] prsentent
une mthode didentication paramtrique pour la mise en oeuvre dun multimodle dans
le but de gnrer des rsidus pour le diagnostic.
6.4.1 Gnration de rsidus
Lobjectif de cette section est de mettre en oeuvre une technique de diagnostic de dfauts
capteurs et actionneurs en utilisant des multiobservateurs. Le multimodle conu dans le
chapitre 3 fonctionne en parallle avec le moteur. La structure du multiobservateur est
choisie en fonction de la nature de dfaut dtecter (capteur ou actionneur).
Le vecteur de rsidus r(t) est calcul par la dirence entre le vecteur de sortie du moteur
y(t) et le vecteur de sortie du multiobservateur y(t) (voir la gure (6.6)).
164
6.4. Dtection et isolation de dfauts sur un turbo-racteur davion
Moteur
Multiobservateur
- -
-
?
-
?
-
-
?
6
-
u(t)
y(t)
y(t)
r(t)
u(t) y(t)
+
-
Fig. 6.6 Gnration de rsidus
6.4.2 Dtection de dfauts capteurs
Considrons de nouveau le modle non linaire et la reprsentation multimodle du turbo-
racteur tablie au chapitre 3. Les quations dynamiques du modle non linaire scrivent
sous la forme suivante :
_
_
_
x
1
(t) = K
1
(x
1
(t)) (x
2
(t) y
2R
(x
1
(t))) +K
2
(x
1
(t)) (u(t) u
R
(x
1
(t)))
x
2
(t) = K
3
(x
1
(t)) (x
2
(t) y
2R
(x
1
(t))) +K
4
(x
1
(t)) (u(t) u
R
(x
1
(t)))
(6.1)
Les quatre quations statiques de sortie correspondent quatre capteurs disponibles sur
le turboracteur :
_

_
y
1
(t) = x
1
(t)
y
2
(t) = x
2
(t)
y
3
(t) = K
5
(x
1
(t)) (x
2
(t) y
2R
(x
1
(t))) +K
6
(x
1
(t)) (u(t) u
R
(x
1
(t))) +y
3R
(x
1
(t))
y
4
(t) = K
7
(x
1
(t)) (x
2
(t) y
2R
(x
1
(t))) +K
8
(x
1
(t)) (u(t) u
R
(x
1
(t))) +y
4R
(x
1
(t))
(6.2)
Les fonctions coecients K
i
(x
1
(t)) sont donnes par le tableau (3.1).
Les quations du multimodle sont les suivantes :
_

_
x
m
(t) =
3

i=1

i
(u(t)) (A
i
x
m
(t) +B
i
u(t) + D
i
)
y
m
(t) =
3

i=1

i
(u(t)) (C
i
x
m
(t) + E
i
u(t) +N
i
)
(6.3)
165
Chapitre 6. Diagnostic base de multiobservateurs
o
i
(u(t)) sont des fonctions dactivation choisies triangulaires.
Les valeurs numriques des matrices A
i
, B
i
, F
i
, C
i
, D
i
et H
i
sont les suivantes :
A
1
=
_
2.427 2.323
0.0223 1.424
_
, A
2
=
_
2.652 2.0442
0.366 1.1970
_
, A
3
=
_
3.107 1.295
0.350 0.935
_
B
1
=
_
0.072
0.040
_
, B
2
=
_
0.073
0.036
_
, B
3
=
_
0.065
0.031
_
D
1
=
_
46.146
89.543
_
, D
2
=
_
7.165
102.366
_
, D
3
=
_
93.974
85.076
_
C
1
=
_

_
1 0
0 1
0.054 0.145
2.185 9.680
_

_
, C
2
=
_

_
1 0
0 1
0.108 0.1150
6.752 6.893
_

_
, C
3
=
_

_
1 0
0 1
0.130 0.0678
6.729 2.670
_

_
E
1
=
_

_
0
0
0.003
0.772
_

_
, E
2
=
_

_
0
0
0.003
0.586
_

_
, E
3
=
_

_
0
0
0.003
0.441
_

_
N
1
=
_

_
0
0
9.8
1254.3
_

_
, N
2
=
_

_
0
0
11.3
1471.6
_

_
, N
3
=
_

_
0
0
9.5
1260.2
_

_
Les paires (A
i
, C
j
), i, j 1, 2, 3 sont observables. La dtection de dfauts est alors
eectue base dun banc de multiobservateurs. Le turboracteur comporte quatre sor-
ties
_
y
1
(t) y
2
(t) y
3
(t) y
4
(t)
_
T
, le nombre de multiobservateurs gnraliss que lon peut
labor est gal 2
4
1 = 15.
La forme du j
me
multiobservateur sexplicite :
_

x
j
(t) =
3

i=1

i
(u(t))
_
A
i
x
j
(t) + B
i
u(t) +D
i
+ G
i
_
f
j
(y (t)) f
j
( y
j
(t))
__
y
j
(t) =
3

i=1

i
(u(t))
_
A
i
x
j
(t) + E
i
u(t) + N
i
_
(6.4)
o x
j
(t) (respectivement y
j
(t)) reprsente le vecteur dtat estim (respectivement le vec-
teur de sortie estim) par le j
me
multiobservateur. La fonction f
j
, dnie par le tableau
(6.1), dtermine les sorties utilises par le j
me
multiobservateur, j tant dni par :
166
6.4. Dtection et isolation de dfauts sur un turbo-racteur davion
j = 2
0
s
1
+ 2
1
s
2
+ 2
2
s
3
+ 2
3
s
4
(6.5)
o s
i
est une variable boolenne valant 1 si la sortie y
i
(t) est utilise, 0 sinon, i 1, ..., 4.
La table (6.1) explicite les sorties du systme et du multiobservateur utilises pour chaque
observateur j.
j f
j
(y
(
t))
T
: sortie(s) utilise(s) f
j
( y(t))
T
: sortie(s) estime(s) utilise(s)
1 y
1
(t) y
1
1
(t)
2 y
2
(t) y
2
2
(t)
3 [y
1
(t) y
2
(t)] [ y
3
1
(t) y
3
2
(t)]
4 y
3
(t) y
4
3
(t)
5 [y
1
(t) y
3
(t)] [ y
5
1
(t) y
5
3
(t)]
6 y
m2
(t) et y
3
(t) y
6
2
(t) et y
6
3
(t)
7 [y
1
(t) y
2
(t) y
m3
(t)] [ y
7
1
(t) y
7
2
(t) y
7
3
(t)]
8 y
4
(t) y
8
4
(t)
9 [y
1
(t) y
4
(t)] [ y
9
1
(t) y
9
4
(t)]
10 [y
2
(t) y
4
(t)] [ y
10
2
(t) y
10
4
(t)]
11 [y
1
(t) y
2
(t) y
4
(t)] [ y
11
1
(t) y
11
2
(t) y
11
4
(t)]
12 [y
3
(t) y
4
(t)] [ y
12
3
(t) y
12
4
(t)]
13 [y
1
(t) y
3
(t) y
4
(t)] [ y
13
1
(t) y
13
3
(t) y
13
4
(t)]
14 [y
2
(t) y
3
(t) y
4
(t)] [ y
14
2
(t) y
14
3
(t) y
14
4
(t)]
15 [y
1
(t) y
2
(t) y
3
(t) y
4
(t)] [ y
15
1
(t) y
15
2
(t) y
15
3
(t) y
15
4
(t)]
Tab. 6.1 Le(s) sortie(s) utilise(s) par le j
me
multiobservateur
Le banc de multiobservateurs permet dengendrer dirents rsidus :
r
ij
(t) = y
i
(t) y
j
i
(t), pour i 1, ..., 4 et j 1, ...15 (6.6)
6.4.2.1 Elaboration de la table de signatures
Dans cette tude, on suppose que le nombre de capteurs pouvant tre simultanment d-
faillants est gal 2. Nous dressons alors tous les cas possibles de dfaillances de capteurs.
On dnit une fonction binaire des rsidus :
z
ij
(t) =
_
_
_
0 si r
ij
(t) = 0
1 si r
ij
(t) ,= 0
(6.7)
167
Chapitre 6. Diagnostic base de multiobservateurs
1 =
1

2

3

4

12

13

14

23

24

34
z
11
(t) 1 0 0 0 1 1 1 0 0 0
z
21
(t) 1 1 0 0 1 1 1 1 1 0
z
31
(t) 1 0 1 0 1 1 1 1 0 1
z
41
(t) 1 0 0 1 1 1 1 0 1 1
Z
12
(t) 1 1 0 0 1 1 1 1 1 0
Z
22
(t) 0 1 0 0 1 0 0 1 1 0
Z
32
(t) 0 1 1 0 1 1 0 1 1 1
Z
42
(t) 0 1 0 1 1 0 1 1 1 1
Z
13
(t) 1 1 0 0 1 1 1 1 1 0
Z
23
(t) 1 1 0 0 1 1 1 1 1 0
Z
33
(t) 1 1 1 0 1 1 1 1 1 1
Z
43
(t) 1 1 0 1 1 1 1 1 1 1
Z
14
(t) 1 0 1 1 1 1 1 1 0 1
Z
24
(t) 0 1 1 0 1 1 0 1 1 1
Z
34
(t) 0 0 1 0 0 1 0 1 0 1
Z
44
(t) 0 0 1 0 0 1 1 1 1 1
Z
15
(t) 1 0 1 0 1 1 1 1 0 1
Z
25
(t) 1 1 1 0 1 1 1 1 1 1
Z
35
(t) 1 0 1 0 1 1 1 1 0 1
Z
45
(t) 1 0 1 1 1 1 1 1 1 1
Z
16
(t) 1 1 1 0 1 1 1 1 1 1
Z
26
(t) 0 1 1 0 1 0 0 1 1 1
Z
36
(t) 0 1 1 0 1 1 0 1 1 1
Z
46
(t) 0 1 1 1 1 0 1 1 1 1
Z
17
(t) 1 1 1 0 1 1 1 1 1 1
Z
27
(t) 1 1 1 0 1 1 1 1 1 1
Z
37
(t) 1 1 1 0 1 1 1 1 1 1
Z
47
(t) 1 1 1 1 1 1 1 1 1 1
Z
18
(t) 1 0 0 1 1 1 1 0 1 1
Z
28
(t) 0 1 0 1 1 0 1 1 1 1
Z
38
(t) 0 0 1 1 0 1 1 1 1 1
Z
48
(t) 0 0 0 1 0 0 1 0 1 1
Z
19
(t) 1 0 0 1 1 1 1 0 1 1
Z
29
(t) 1 1 0 1 1 1 1 1 1 1
Z
39
(t) 1 0 1 1 1 1 1 1 1 1
Z
49
(t) 1 0 0 1 1 1 1 0 1 1
Z
110
(t) 1 1 0 1 1 1 1 1 1 1
Z
210
(t) 0 1 0 1 1 0 1 1 1 1
Z
310
(t) 0 1 1 1 1 1 1 1 1 1
Z
410
(t) 0 1 0 1 1 0 1 1 1 1
Z
111
(t) 1 1 0 1 1 1 1 1 1 1
Z
211
(t) 1 1 0 1 1 1 1 1 1 1
Z
311
(t) 1 1 0 1 1 1 1 1 1 1
Z
411
(t) 1 1 1 1 1 1 1 1 1 1
Z
112
(t) 1 0 1 1 1 1 1 1 1 1
Z
212
(t) 0 1 1 1 1 1 1 1 1 1
Z
312
(t) 0 0 1 1 0 1 1 1 1 1
Z
412
(t) 0 0 1 1 0 1 1 1 1 1
Z
113
(t) 1 0 1 1 1 1 1 1 1 1
Z
213
(t) 1 1 1 1 1 1 1 1 1 1
Z
313
(t) 1 0 1 1 1 1 1 1 1 1
Z
413
(t) 1 0 1 1 1 1 1 1 1 1
Z
114
(t) 1 1 1 1 1 1 1 1 1 1
Z
214
(t) 0 1 1 1 1 1 1 1 1 1
Z
314
(t) 0 1 1 1 1 1 1 1 1 1
Z
414
(t) 0 1 1 1 1 1 1 1 1 1
Z
115
(t) 1 1 1 1 1 1 1 1 1 1
Z
215
(t) 1 1 1 1 1 1 1 1 1 1
Z
315
(t) 1 1 1 1 1 1 1 1 1 1
Z
415
(t) 1 1 1 1 1 1 1 1 1 1
Tab. 6.2 Signature thorique de dfaillances des capteurs
168
6.4. Dtection et isolation de dfauts sur un turbo-racteur davion
o i reprsente la i
me
composante du vecteur de rsidus et j est dni par la relation
(6.5). Notons
i
une variable associe au capteur i ; celle-ci peut prendre deux valeurs 0
ou 1, voir le tableau (6.2).

i
= 1 le capteur i est dfaillant,

i
= 0 fonctionnement normal,

ij
= 1 les capteurs i et j sont dfaillants,

ij
= 0 fonctionnement normal.
A partir du tableau (6.2), nous remarquons que les signatures de dfaillances sont indpen-
dantes. Ainsi, il est thoriquement possible de dtecter et de localiser le capteur dfaillant.
Dans le cas o les signatures sont dpendantes, il faudrait avoir plus dinformations (plus
de capteurs) sur la mme variable pour pouvoir dcoupler ces signatures.
6.4.3 Dtection et localisation de dfauts capteurs par un banc
de multiobservateurs
Lobjectif ici est de mettre en oeuvre une technique de dtection et localisation de dfauts
capteurs et acionneurs en utilisant un banc de multiobservateurs. Les dfauts qui sont
pris en compte sont les dfauts capteurs y(t). Le vecteur de dfaut capteurs scrit :
y (t) =
_

_
y
1
(t)
y
2
(t)
y
3
(t)
y
4
(t)
_

_
(6.8)
6.4.3.1 Simulation sans dfauts
Nous avons suppos lexistence de bruits de mesures sur les capteurs. La gure (6.7)
montre lvolution de lentre u(t) applique au turboracteur. Les bruits de mesures
considrs sont dirents pour chaque sortie, voir la gure (6.10).
Les gures (6.8) montrent les sorties y(t) du turboracteur et leurs estimations par le
multiobservateur. Lvolution des rsidus, en labsence de dfauts, apparat sur les gures
(6.9). En rgime permanent, ces gures mettent en vidence, dune part, le caractre
alatoire des rsidus et, dautre part, le fait quen labsence de dfauts les rsidus sont
statistiquement nuls.
169
Chapitre 6. Diagnostic base de multiobservateurs
0 10 20 30 40 50 60
500
600
700
800
900
1000
1100
1200
Fig. 6.7 Entre applique au turboracteur et au multiobservateur
0 10 20 30 40 50 60
40
45
50
55
60
65
70
75
80
85
90
0 10 20 30 40 50 60
50
55
60
65
70
75
80
85
90
y
1
(t) et y
1
(t) y
2
(t) et y
2
(t)
0 10 20 30 40 50 60
2
3
4
5
6
7
8
9
10
11
12
0 10 20 30 40 50 60
600
800
1000
1200
1400
1600
1800
y
3
(t) et y
3
(t) y
4
(t) et y
4
(t)
Fig. 6.8 Les sorties du turboracteur et leurs estimations
0 10 20 30 40 50 60
4
2
0
2
4
6
8
10
0 10 20 30 40 50 60
4
2
0
2
4
6
8
10
y
1
(t) y
1
(t) y
2
(t) y
2
(t)
0 10 20 30 40 50 60
2
1.5
1
0.5
0
0.5
1
1.5
2
2.5
3
0 10 20 30 40 50 60
50
0
50
100
150
200
250
300
350
400
450
y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Fig. 6.9 Evolution des rsidus en labsence de dfauts
170
6.4. Dtection et isolation de dfauts sur un turbo-racteur davion
6.4.3.2 Simulation en prsence de dfauts
Considrons prsent le cas de lapparition de dfauts aectant les mesures y
1
(t) et y
4
(t)
du moteur. En sappuyant sur le banc de multiobservateurs donn par lquation (6.4)
pour j = 1 : 15, nous localisons les capteurs dfaillants.
La gure (6.10) montre lvolution des dfauts considrs sur les mesures y
1
(t) et y
4
(t)
ainsi que les bruits de mesures ajouts sur les quatre sorties, les sorties y
2
(t) et y
3
(t)
sont supposes sans dfaut. Le dfaut inject sur la sortie y
1
(t) (respectivement y
4
(t)) se
dclenche linstant t = 20 sec (respectivement t = 30 sec) et disparat linstant t =
40 sec (respectivement t = 50 sec) et a une amplitude constante gale 20 (respectivement
150).
0 10 20 30 40 50 60
5
0
5
10
15
20
25
0 10 20 30 40 50 60
4
3
2
1
0
1
2
3
Dfaut et bruit considrs sur y
1
(t) Dfaut et bruit considrs sur y
2
(t)
0 10 20 30 40 50 60
2
1.5
1
0.5
0
0.5
1
1.5
0 10 20 30 40 50 60
50
0
50
100
150
200
Dfaut et bruit considrs sur y
3
(t) Dfaut et bruit considrs sur y
4
(t)
Fig. 6.10 Perturbations sur les mesures
Les gures (6.11), (6.12) et (6.13) montrent les rsidus obtenus par le banc de multiob-
servateurs.
171
Chapitre 6. Diagnostic base de multiobservateurs
0 10 20 30 40 50 60
10
5
0
5
10
15
20
25
0 10 20 30 40 50 60
20
10
0
10
20
30
40
0 10 20 30 40 50 60
4
2
0
2
4
6
8
0 10 20 30 40 50 60
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i1
(t) (j = 1) et i = 1, ..., 4
0 10 20 30 40 50 60
5
0
5
10
15
20
25
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
2
1
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i2
(t) (j = 2) et i = 1, ..., 4
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
2
1
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
100
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i3
(t) (j = 3) et i = 1, ..., 4
0 10 20 30 40 50 60
5
0
5
10
15
20
25
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
2
1
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i4
(t) j = 4 et i = 1, ..., 4
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
2
1
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
150
100
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i5
(t) (j = 5) et i = 1, ..., 4
Fig. 6.11 Rsidus r
ij
(t) en prsence de dfauts
172
6.4. Dtection et isolation de dfauts sur un turbo-racteur davion
0 10 20 30 40 50 60
5
0
5
10
15
20
25
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
2
1
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
100
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i6
(t) (j = 6) et i = 1, ..., 4
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
2
1
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
100
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i7
(t) pour j = 7 et i = 1, ..., 4
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
2
1
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
100
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i8
(t) j = 8 et i = 1, ..., 4
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
40
45
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
2
1
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
150
100
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i9
(t) (j = 9) et i = 1, ..., 4
0 10 20 30 40 50 60
10
5
0
5
10
15
20
25
0 10 20 30 40 50 60
10
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
3
2
1
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i10
(t) (j = 10) et i = 1, ..., 4
Fig. 6.12 Rsidus r
ij
(t) en prsence de dfauts
173
Chapitre 6. Diagnostic base de multiobservateurs
0 10 20 30 40 50 60
150
100
50
0
50
100
0 10 20 30 40 50 60
40
20
0
20
40
60
80
0 10 20 30 40 50 60
8
6
4
2
0
2
4
6
8
0 10 20 30 40 50 60
200
100
0
100
200
300
400
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i11
(t) (j = 11) et i = 1, ..., 4
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
40
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
2
1
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
150
100
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i12
(t) (j = 12) et i = 1, ..., 4
0 10 20 30 40 50 60
10
0
10
20
30
40
50
0 10 20 30 40 50 60
10
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
2
1
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
100
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i13
(t) (j = 13) et i = 1, ..., 4
0 10 20 30 40 50 60
10
5
0
5
10
15
20
25
30
35
40
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
2
1
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
100
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i14
(t) (j = 14) et i = 1, ..., 4
0 10 20 30 40 50 60
10
5
0
5
10
15
20
25
30
35
40
0 10 20 30 40 50 60
5
0
5
10
15
20
25
30
35
0 10 20 30 40 50 60
2
1
0
1
2
3
4
5
6
7
0 10 20 30 40 50 60
100
50
0
50
100
150
200
250
300
y
1
(t) y
1
(t) y
2
(t) y
2
(t) y
3
(t) y
3
(t) y
4
(t) y
4
(t)
Les rsidus r
i15
(t) (j = 15) et i = 1, ..., 4
Fig. 6.13 Rsidus r
ij
(t) en prsence de dfauts
174
6.4. Dtection et isolation de dfauts sur un turbo-racteur davion
6.4.3.3 Analyse des rsidus
Pour chaque rsidu r
ij
(t), il faut dterminer une tolrance
ij
qui doit indiquer les limites
de son domaine dvolution en labsence de dfauts. La valeur des tolrances est xe
en fonction des caractristiques statistiques de chacun des rsidus en fonctionnement
normal. Les rsidus considrs tant des fonctions non linaires des mesures, on ne peut
pas facilement accder aux proprits statistiques de ceux-ci. On peut en revanche estimer
la variance des rsidus en fonctionnement normal (absence de dfauts) et sappuyer sur
cette information pour dterminer le domaine dvolution des rsidus en fonctionnement
normal. La valeur de la tolrance
ij
peut, par exemple, tre dtermine partir de
lexpression suivante :

ij
=
_
V ar(r
ij
(t)) (6.9)
o r
ij
(t) est la i
me
composante du vecteur de rsidu gnr par le j
me
multiobservateur,
est un paramtre de rglage de la sensibilit de dtection et V ar(r
ij
(t)) la variance
empirique du rsidu r
ij
(t) en fonctionnement normal.
6.4.3.4 Principe de la localisation de dfauts
Notre intrt sest port sur les mthodes de localisation bases sur les signatures de d-
fauts. Pour ce type de mthode, la localisation de dfauts ncessite la gnration pralable
dune matrice de signatures thoriques des direntes dfauts dtecter, voir le tableau
(6.2). Cette matrice traduit linuence thorique des dirents dfauts que lon cherche
dtecter sur les rsidus qui sont gnrs par le banc de multiobservateurs.
Lvolution des rsidus permet ensuite de constituer une matrice de signatures expri-
mentales. En comparant les signatures thoriques des dirents rsidus avec les signatures
exprimentales, les dfauts susceptibles dtre lorigine des symptmes observs peuvent
tre localiss.
6.4.3.5 Evaluation des rsidus
La gnration de la matrice de signatures exprimentales consiste associer chaque
rsidu la valeur 0 ou 1 selon quil est aect ou non par un dfaut. De manire simplie, la
dtection de dfauts au niveau dun rsidu, sapparente au test logique suivant [Mand 98] :
si [r
ij
(t)[
ij
alors aucun dfaut naecte le rsidu r
ij
(t)
si [r
ij
(t)[ >
ij
alors le rsidu r
ij
(t) est aect par un dfaut
(6.10)
175
Chapitre 6. Diagnostic base de multiobservateurs
o la variable
ij
reprsente la tolrance associe au rsidu r
ij
(t).
A lissue du test de chacun des rsidus r
ij
(t), une signature binaire exprimentale, note
z

ij
, est gnre chaque instant t, de la manire suivante :
z

ij
=
_
_
_
0 si r
ij
(t) = 0
1 si r
ij
(t) ,= 0
(6.11)
6.4.3.6 Localisation de dfauts
La localisation des dfauts est base sur la comparaison, chaque instant, de la signature
de dfaut exprimentale avec les direntes signatures thoriques. Lhypothse de dfaut
la plus vraisemblable est dsigne par la signature de dfaut thorique la plus proche de la
signature exprimentale. La localisation de dfauts ncessite donc le calcul dune distance
entre les signatures de dfauts. La mesure de distance que nous avons adopte, dans le
cas de signatures binaires, est la distance euclidienne [Cass 92] :
D
k
(t) =
_
_
z
ij
(t) z

ij
(t)
_
T
_
z
ij
(t) z

ij
(t)
_
_1
/
2
(6.12)
o D
k
(t) dsigne la distance entre la signature de dfaut exprimentale et la signature de
dfaut thorique du dfaut y
k
(t). An de reprer les direntes situations de dfauts, on
a utilis lindice k (k = 1, ..., 10) dsignant le numro correspondant de la colonne de la
matrice de signatures thoriques. La comparaison des matrices de signatures thoriques
et exprimentales est eectue par le calcul de la distance entre les colonnes de la table
(6.2) et les valeurs de z

ij
(t) donnes par les gures (6.14 - 6.15), en utilisant la relation
(6.12).
An de montrer lecacit de la mthode de localisation, nous avons mis en correspon-
dance chaque distance D
k
(t) avec le minimum de toutes les distances lexception de
D
k
(t). Par exemple, la partie gauche de la gure (6.16) prsente lvolution de la distance
D
1
(t) et, en superposition, celle de min
i=1,...,10;i=1
D
i
(t), la partie centrale, la distance
D
7
(t) (relative la proximit de la signature exprimentale la signature thorique issue
de la prsence simultane des deux dfauts sur y
1
(t) et y
4
(t) voir la table de signatures
(6.2) ) et min
i=1,...,10;i=7
D
i
(t) et enn dans la partie droite, D
4
(t) et min
i=1,...,10;i=4
D
i
(t).
Notons que les donnes analyses ici lont t en labsence de bruit de mesures.
176
6.4. Dtection et isolation de dfauts sur un turbo-racteur davion
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

11
(t) z

21
(t) z

31
(t) z

41
(t)
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

12
(t) z

22
(t) z

32
(t) z

42
(t)
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

13
(t) z

23
(t) z

33
(t) z

43
(t)
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

14
(t) z

24
(t) z

34
(t) z

44
(t)
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

15
(t) z

25
(t) z

35
(t) Z

45
(t)
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

16
(t) z

26
(t) z

36
(t) z

46
(t)
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

17
(t) z

27
(t) z

37
(t) z

47
(t)
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

18
(t) z

28
(t) z

38
(t) z

48
(t)
Fig. 6.14 Matrice de signatures exprimentales z

ij
(t)
177
Chapitre 6. Diagnostic base de multiobservateurs
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

19
(t) z

29
(t) z

39
(t) z

49
(t)
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

110
(t) z

210
(t) z

310
(t) z

410
(t)
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

111
(t) z

211
(t) z

311
(t) z

411
(t)
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

112
(t) z

212
(t) z

312
(t) z

412
(t)
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

113
(t) z

213
(t) z

313
(t) z

413
(t)
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

114
(t) z

214
(t) z

314
(t) z

414
(t)
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 10 20 30 40 50 60
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
z

115
(t) z

215
(t) z

315
(t) z

415
(t)
Fig. 6.15 Matrice de signatures exprimentales z

ij
(t)
Lanalyse de la gure (6.16) permet clairement de localiser les dfauts. Entre les instants
20 et 30, D
1
(t) est la plus petite distance indiquant la prsence dun dfaut sur y
1
(t). Entre
30 et 40, cest D
7
(t) la plus petite distance ; il y a donc prsence simultane de deux dfauts
sur y
1
(t) et y
4
(t). Enn, sur lintervalle de temps [40 50], cest D
4
(t) la distance minimale
178
6.4. Dtection et isolation de dfauts sur un turbo-racteur davion
do la prsence dun dfaut sur y
4
(t). Cette analyse peut tre reconduite en prsence
de bruits sur les mesures (gure (6.17)). Pour cet exemple, des conclusions identiques
peuvent tre tires.
0 10 20 30 40 50 60
0
5
10
15
20
25
30
35
40
D
1
min(D
i
), i={1,...,10}1
0 10 20 30 40 50 60
0
10
20
30
40
50
60 D
14
min(D
i
), i={1,...,10}{1,4}
0 10 20 30 40 50 60
0
5
10
15
20
25
30
35
40
min(D
i
), i={1,...,10}4 D
4

Fig. 6.16 Distance entre les signatures thoriques et exprimentales en labsence de
bruits
0 10 20 30 40 50 60
0
5
10
15
20
25
30
35
40
D
1
min(D
i
), i={1,...,10}1
0 10 20 30 40 50 60
0
10
20
30
40
50
60 min(D
i
), i={1,...,10}7 D
7

0 10 20 30 40 50 60
0
5
10
15
20
25
30
35
40
45
min(D
i
), i={1,...,10}4 D
4

Fig. 6.17 Distance entre les signatures thoriques et exprimentales en prsence de
bruits
La sensibilit des rsidus par rapport aux dirents dfauts dpend de la matrice de sortie
3

i=1

i
(u(t)) C
i
, qui est une combinaison non linaire des matrices C
i
. A partir de la gure
(6.11), on peut observer que le rsidu r
33
= y
3
(t) y
3
(t) est moins sensible aux dfauts,
aectant la sortie y
1
(t) que le rsidu r
35
= y
3
(t) y
3
(t). Cette dirence de sensibilit
peut conduire parfois des non-dtections.
6.4.4 Performance de la procdure de diagnostic utilise
Dans cette section, nous allons discuter de la performance de la procdure de diagnostic
mise en place dans la section prcdente. La dtection et la localisation des dfauts a
t ralise avec succs, car les amplitudes de dfauts sont susamment grandes pour
sensibiliser les rsidus. An de montrer les limites de la dtection, nous simulons les
179
Chapitre 6. Diagnostic base de multiobservateurs
dfauts avec des amplitudes de plus en plus petites tout en gardant le mme niveau
de bruits pour chaque capteur et la mme procdure de dtection. Les performances de
la procdure peuvent tre analyses directement partir des gures qui montrent les
distances les plus faibles entre z
ij
(t) et z

ij
(t) pour direntes amplitudes de dfauts. Pour
faire le test, nous considrons cinq cas prsents sur le tableau suivant :
y
1
(t) 20/2 20/4 20/6 20/8 20/10
y
4
(t) 150/2 150/4 150/6 150/8 150/10
Tab. 6.3 Direntes amplitudes de dfauts
0 10 20 30 40 50 60
0
5
10
15
20
25
30
35
40
D
1
min(D
i
), i={1,...,10}1
0 10 20 30 40 50 60
0
10
20
30
40
50
60 min(D
i
), i={1,...,10}7 D
7

0 10 20 30 40 50 60
0
5
10
15
20
25
30
35
40
min(D
i
), i={1,...,10}4 D
4

Dfauts considrs reprsentent 50% de lamplitude initiale.
0 10 20 30 40 50 60
0
5
10
15
20
25
30
35
40
D
1
min(D
i
), i={1,...,10}1
0 10 20 30 40 50 60
0
10
20
30
40
50
60 min(D
i
), i={1,...,10}7 D
7

0 10 20 30 40 50 60
0
5
10
15
20
25
30
35
40
min(D
i
), i={1,...,10}4 D
4

Dfauts considrs reprsentent 25% de lamplitude initiale.
180
6.4. Dtection et isolation de dfauts sur un turbo-racteur davion
0 10 20 30 40 50 60
5
10
15
20
25
30
35
40
D
1
min(D
i
), i={1,...,10}1
0 10 20 30 40 50 60
5
10
15
20
25
30
35
40
45
50
55
min(D
i
), i={1,...,10}7 D
7

0 10 20 30 40 50 60
5
10
15
20
25
30
35
40
min(D
i
), i={1,...,10}4 D
4

Dfauts considrs reprsentent 16.67% de lamplitude initiale.
0 10 20 30 40 50 60
5
10
15
20
25
30
35
40
D
1
min(D
i
), i={1,...,10}1
0 10 20 30 40 50 60
5
10
15
20
25
30
35
40
45
50
55
min(D
i
), i={1,...,10}7 D
7

0 10 20 30 40 50 60
5
10
15
20
25
30
35
40
min(D
i
), i={1,...,10}4 D
4

Dfauts considrs reprsentent 12.5% de lamplitude initiale.
0 10 20 30 40 50 60
5
10
15
20
25
30
35
40
D
1
min(D
i
), i={1,...,10}1
0 10 20 30 40 50 60
5
10
15
20
25
30
35
40
45
50
55
min(D
i
), i={1,...,10}7 D
7

0 10 20 30 40 50 60
5
10
15
20
25
30
35
40
min(D
i
), i={1,...,10}4 D
4

Dfauts considrs reprsentent 10% de lamplitude initiale.
Fig. 6.18 Distance entre les signatures thoriques et exprimentales en prsence de
bruits
La gure (6.18) tmoigne de la qualit de la dtection et localisation de dfauts cap-
teurs considrs sur les sorties y
1
(t) et y
4
(t). En prsence de bruits de mesures et partir
dun certain niveau damplitude de dfauts, la localisation savre pas possible. En eet,
en considrant 25% de lamplitude de dfauts initiaux, la localisation nest pas garantie
entre les instants 30 et 40 seconde. La localisation dpend galement de la sensibilit des
rsidus par rapport aux dirents dfauts.
181
Chapitre 6. Diagnostic base de multiobservateurs
La mise en oeuvre de cette mthode est relativement aise mais elle prsente cependant
un inconvnient majeur. En eet, il se peut bien quun dfaut nait pas une amplitude
susante pour tre dtect au niveau de lensemble des rsidus quil devrait en thorie
aecter. Cette situation conduit la gnration dune signature de dfaut errone, ce qui
entrane une mauvaise localisation de dfaut.
6.4.5 Dtection de dfaut actionneur
An de pouvoir dtecter et localiser ces dfauts, nous construisons un banc de multiobser-
vateurs gnrant dirents rsidus, (gure (6.19)). Ainsi, dans cette partie, on considre
un dfaut sur lentre u(t) du turboracteur. La procdure de dtection est base sur la
gnration dun vecteur de rsidus en utilisant un multiobservateur entre inconnue.
Pour cet exemple particulier, le systme ne disposant que dune seule commande, les en-
tres du multiobservateur sont uniquement constitues des sorties du turboracteur.
Processus
Multiobservateur 1
Multiobservateur r
Gnrateur de
rsidu 1
Gnrateur de
rsidu r
-
? ?
-
-
-
-
-
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
u(t) y(t)
r
1
(t)
r
r
(t)
? ?
y(t)
Le vecteur de rsidus
x
1
(t)
x
r
(t)
-
?
u(t)
Fig. 6.19 Banc de multiobservateurs pour la gnration de rsidus r(t)
Comme nous avons suppos que lentre u(t) est aecte par un dfaut u(t), les fonctions
dactivation du multiobservateur dpend cette fois de la sortie y
1
(t) du turboracteur. Pour
182
6.4. Dtection et isolation de dfauts sur un turbo-racteur davion
cela, nous considrons le multiobservateur suivant :
_

x(t) =
3

i=1

i
(y
1
(t)) (A
i
x (t) + G
i
(y
12
(t) y
12
(t)) + B
i

i
(t))
y
12
(t) =
_
y
1
(t)
y
2
(t)
_
=
_
1 0
0 1
__
x
1
(t)
x
2
(t)
_
(6.13)
avec
y
12
(t) =
_
y
1
(t)
y
2
(t)
_
=
_
1 0
0 1
__
x
1
(t)
x
2
(t)
_
_
_
_
si r (t) ,= 0, alors
i
(t) =
F
i
r (t)
|F
i
r (t)|
si r (t) = 0, alors
i
(t) = 0
pour i 1, ...3
r(t) = y
12
(t) y
12
(t)
(6.14)
= 120 reprsente la borne de dfaut u(t), les gains G
i
du multiobservateur et les
matrices F
i
sont dtermins par la rsolution des contraintes :
_
_
_
(A
i
G
i
)
T
P + P (A
i
G
i
) < 0
C
T
F
T
i
= PB
i
i 1, ..., 3
P =
_
0.02 0
0 0.02
_
G
1
=
_
24.27 1.02
1.02 25
_
G
2
=
_
23.10 0.70
0.70 25.10
_
G
3
=
_
23.22 0.79
0.79 25.02
_
F
1
= 10
3
_
1.4 0.9
_
F
2
= 10
3
_
1.4 0.7
_
F
3
= 10
3
_
1.4 0.7
_
La gure (6.20) montre le vecteur de sortie du turboracteur est son estim par le mul-
tiobservateur entres inconnues (6.13).
183
Chapitre 6. Diagnostic base de multiobservateurs
0 10 20 30 40 50 60
30
40
50
60
70
80
90
0 10 20 30 40 50 60
30
40
50
60
70
80
90
y
1
(t) et y
1
(t) y
2
(t) et y
2
(t)
0 10 20 30 40 50 60
3
4
5
6
7
8
9
10
11
12
0 10 20 30 40 50 60
500
1000
1500
2000
2500
3000
3500
4000
y
3
(t) et y
3
(t) y
4
(t) et y
4
(t)
Fig. 6.20 Sorties du turboracteur et leurs estimes en prsence de dfauts
0 10 20 30 40 50 60
300
200
100
0
100
200
300
0 10 20 30 40 50 60
300
400
500
600
700
800
900
1000
1100
Dfaut actionneur estim Entre u(t)
Fig. 6.21 Dfaut actionneur estim et lentre u(t) applique au turboracteur
Lestimation du vecteur de sortie en considrant lentre du systme comme tant une
entre inconnue est possible. Ne disposant que dune seule entre, lestimation de dfaut
est trs perturbe par les bruits de mesures. La partie gauche de la gure (6.21) montre
lvolution du dfaut u(t) et de son estim par le multiobservateur (6.13). Ces rsultats
peuvent tre amliors en ltrant les sorties du turboracteur.
6.5 Conclusion
Ce chapitre a fourni une tude de dtection et localisation de dfauts capteurs et action-
neurs sur un turboracteur davion. Lobjectif a t de mettre en oeuvre une technique
de diagnostic de dfauts par lutilisation de banc de multiobservateurs. Les rsultats de
184
6.5. Conclusion
simulation ont montr les performances des multiobservateurs pour eectuer la dtection
et la localisation de dfauts. Un ltrage appropri des sortie du turboracteur permet
davoir une bonne estimation du dfaut actionneur. La mthode de dtection de dfauts
que nous avons utilise est robuste vis--vis des entres inconnues. Mais quand les mesures
sont fortement bruites les dfauts de faibles amplitudes ne sont pas dtects.
Enn, une autre procdure de localisation peut tre utilise. Celle-ci consiste mettre en
oeuvre un banc de multiobservateurs capable de raliser la dtection et la localisation de
dfauts capteurs et actionneurs. Dans ce cas, le banc de multiobservateurs sera constitu
de multiobservateurs structure continue pour la dtection et la localisation de dfauts
capteurs et, de multiobservateurs entres inconnues (multiobservateurs mode glissant)
an de dtecter et de localiser les dfauts actionneurs.
185
Chapitre 6. Diagnostic base de multiobservateurs
186
Conclusion
Les travaux dvelopps dans ce mmoire de thse reprsentent une contribution ltude
des mthodes de dtection et de localisation de dfauts par redondance analytique. En ef-
fet, nous avons dvelopp des mthodes de reconstruction dtat et destimation de dfauts
aectant sparment lentre et la sortie dun systme. Nous avons test ces mthodes sur
des exemples de simulation issus dun modle de turbo-racteur davion.
Dans le premier et le deuxime chapitre, nous avons fait des rappels sur lanalyse de
stabilit des systmes linaires incertains et lutilisation des outils numriques LMI avec
lesquels nous vrions lexistence de conditions de stabilit. Ensuite, nous avons prsent
les mthodes de reconstruction dtat des systmes linaires soumis linuence den-
tres inconnues. Nous avons regroup les mthodes de reconstruction dtat selon quelles
ncessitent (observateurs continus) ou pas llimination dentres inconnues (observateur
discontinus).
Le troisime chapitre a t consacr ltude de lapproche multimodle. Aprs avoir rap-
pel les formes de multimodles les plus utilises, nous avons montr leur capacit ap-
proximer le comportement dun systme physique dynamique non linaire (turbo-racteur
dun avion), en utilisant les deux principales mthodes dobtention de multimodles (iden-
tication et linarisation).
La synthse des multiobservateurs a constitu le coeur de notre travail de recherche.
Ltude que nous avons mene a t organise en deux parties : la premire a trait de la
mthode de conception de multiobservateurs continus, la deuxime a fait appel la notion
de mode glissant, o les multiobservateurs sont dots des termes additifs (glissants) an
de compenser les entres inconnues et les incertitudes de modles.
Dans la premire partie, nous avons montr que la reconstruction dtat et dentres
inconnues tait possible. Nous avons tabli des conditions susantes de convergence du
multiobservateur ; la seule condition stricte dexistence du multiobservateur est relative
au nombre dentres inconnues qui doit tre infrieur au nombre de variables dtat du
multimodle. Les deux limites principales de ce genre de multiobservateur rsident dans
son incapacit estimer ltat lorsque :
187
Conclusion
le vecteur de sortie est une combinaison non linaire de variables dtat,
les perturbations agissant sur le multimodle sont de nature multiplicative (non
additive).
Pour surmonter ces limites, nous avons eu recours la notion dobservateurs mode
glissant, en sappuyant sur la structure des observateurs de Walcott et Zac ainsi que celle
de Edwards et Spurgeon. Nous avons utilis direntes structures de multiobservateurs
pour le problme de reconstruction dtat et dentres inconnues en utilisant linformation
dlivre par les entres connues et les sorties mesures du systme.
Dans cette partie, nous avons dvelopp deux types de multiobservateurs mode glissant.
Le premier fait appel une contrainte structurelle (contrainte galit) conjointement
des ingalits linaires matricielles (LMI), son principal avantage rside dans la bornitude
des termes discontinus. La deuxime structure que nous avons dveloppe a pour objectif
de relaxer les conditions de convergence et en particulier celles relatives la contrainte
structurelle prcdente. Cette forme de multiobservateur permet la reconstruction du
vecteur dtat en prsence dentres et dincertitudes de modle
Le dernier chapitre a t consacr une application pratique concernant la dtection de
dfauts capteurs et actionneurs dun turboracteur davion. Le systme considr est non
linaire et sa description t disponible sous la forme de valeurs tabules des gains des
direntes variables dtat. Nous avons substitu ce modle tabul un multimodle (non
linaire) permettant une manipulation plus aise. La dtection - localisation des dfauts a
alors t eectue laide de bancs de multiobservateurs. Ceux-ci ont permis de dtecter
et localiser les dfauts dune manire satisfaisante. Ces travaux de recherche ont mis en
vidence certains problmes mritant des rexions plus approfondies.
concernant lobtention dune structure multimodle, les incertitudes de modle vo-
ques dans ce mmoire doivent tre tolres par zones de fonctionnement.
les structures des multiobservateurs mode glissant proposes montrent leurs limites
lorsque le vecteur de sorties dun multimodle prsente des perturbations multipli-
catives, car la principale information utilise par les termes glissants est le rsidu
entre les sorties du multimodles et leurs estimes.
le choix dune fonction de Lyapunov nous a amen la recherche dune matrice,
symtrique et dnie positive, unique pour plusieurs ingalits matricielles. Dautre
choix sont explorer pour trouver des conditions de convergence moins restrictives,
par exemple en utilisant des fonctions de Lyapunov non quadratiques.
les multiobservateurs proposs peuvent tre adapts pour la reconstruction dtat
des systmes retard prsents sous forme multimodle. Les structures restent les
mmes, les conditions de convergence tant sans doute plus restrictives.
la structure des multiobservateur propose dans le chapitre 4 reste valable pour des
188
systme non linaires reprsents sous forme multimodle discret. Les conditions de
convergence sont bases sur ltude de la stabilit des multimodles discrets.
189
Conclusion
190
Bibliographie
[Abon 01] J. Abonyi, R. Babuska et F. Szeifert, Fuzzy Modeling With Multivariate Mem-
bership Functions : Gray-Box Identication and Control Design, IEEE Trans. on
Systems, Man and Cybernetics, Vol. 31 (5), pp. 755-767, 2001.
[Abon 01] J. Abonyi, R. Babuska et F. Szeifert, Fuzzy model-based predictive control by
instantaneous linearization, Fuzzy Sets and Systems, Vol. 120 (1), pp. 109-122,
2001.
[Akhe 04e] A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Conception dun observateur
ou entres inconnues, Rencontres francophones sur la Logique Floue et ses
Applications, Nantes, France, 18-19 Novembre 2004.
[Akhe 04d] A. Akhenak, M. Chadli, J. Ragot et D. Maquin, State estimation of uncertain
multiple model with unknown inputs, 43rd IEEE Conference on Decision and
Control, Atlantic, Paradise Island, Bahamas, December 14-17, 2004.
[Akhe 04c] A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Estimation dtat et den-
tres inconnues dun systme non linaire reprsent par un multimodle, Conf-
rence Internationale Francophone dAutomatique, CIFA2004, Douz, Tunisie, 22-
24 Novembre 2004.
[Akhe 04b] A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Estimation of state and
unknown inputs of a nonlinear system represented by a multiple model, 11th IFAC
Symposium on Automation in Mining, Mineral and Metal processing, MMM
2004, Nancy, France, September, 8-10 2004.
[Akhe 04a] A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Design of robust fuzzy observer
for uncertain Takagi-Sugeno models, IEEE International Conference on Fuzzy
Systems, Fuzz-IEEE, Budapest, Hungary, 25-29 July, 2004.
[Akhe 03c] A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Multiobservateur modes
glissants, Journes Doctorales dAutomatique, pp. 89-94, Valenciennes, France,
25-27 Juin 2003.
191
Bibliographie
[Akhe 03b] A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Sliding mode multiple observer
for fault detection and isolation, 42th IEEE Conference on Decision and Control,
pp. Vol. 1, pp. 953-958, Hawaii, USA, December 9-12, 2003.
[Akhe 03a] A. Akhenak, M. Chadli, J. Ragot et D. Maquin, State estimation via Multiple
observer with unknown input. Application to the three tank system, 5th IFAC
Symposium on Fault Detection Supervision and Safety for Technical Processes,
Safeprocess, pp. 245-251, Washington, USA, June 9-11 2003.
[Akhe 02] A. Akhenak, M. Chadli, J. Ragot et D. Maquin, Multiple observer with unk-
nown input. Application to a three tank system, IAR Annual meeting, Grenoble,
France, 21 November 2002.
[Aman 01] P. Amann, J. M. Perronne, G. L. Gissenger et P. M. Frank, Identication of
fuzzy relational models for fault detection, Control Engineering Practice, Vol. 9
(5), pp. 555-562, 2001.
[Amat 02] F. Amato et M. Mattei, Design of full unknown input observers with H

performance, IEEE, International Conference on Control Applications, Vol. 1,


pp. 74-75, 2002.
[Aoki 67] M. Aoki et J. R. Huddle, Estimation of the state vector of a linear stochastic
system with a constrained estimator, IEEE Trans. on Automatic Control, Vol.
12 (4), pp. 432-433, 1967.
[Assa 02] W. Assawinchaichote et K. Nguang, Fuzzy observer-based controller design for
singularly perturbed nonlinear systems : an LMI approach, IEEE conference on
Decision and Control, Vol. 2, pp. 2165-2170, 2002.
[Bear 71] R. V. Beard, Failure accommodation in linear systems through self-
reorganisation, Rept. MTV-71-1Man Vehicle Laboratory, Technology and me-
tallurgy seris, Vol. 199, pp. 1-20, 1971.
[Ball 99] P. Ball, Fuzzy-model-based parity equations for fault isolation, Control Enginee-
ring Practice, Vol. 7 (2), pp. 261-270, 1999.
[Bara 99] G. I. Bara, H. Rafaralahy, M. Zasadzinski et M. Darouach, State observers for a
class of bilinear descriptor systems subjected to unmeasurable disturbances, IEEE
Conference on Decision and Control, Vol. 1, pp. 85-87, 1999.
[Benk 96] H. Benkhedda et R. J. Patton, B-spline network integrated qualitative fault
detection, IFAC World Congress, pp. 163-168, USA, 1996.
[Benn 99] S. M. Bennett, R. J. Patton et S. Daley, Sensor fault-tolerant control of a rail
traction drive, Control Engineering Practice, Vol. 7 (2), pp. 217-225, 1999.
192
[Bien 92] Z. Bien et J. H. Kim, A robust stability bound of linear system with structured
uncertainty, IEEE Trans. on Automatic Control, Vol. 37 (10), pp. 1549-1551,
1992.
[Boyd 94] S. Boyd, L. El Ghaoui, E. Feron et V. Balakrishnan, Linear Matrix Inequalities
in System and Control Theory, Philadelphia : SIAM, 1994.
[Born 93] P. Borne, G. Dauphin-Tanguy, J. P. Richard, F. Rotella et I. Zambetta-
kis,Analyse et rgulation des processus industriels, Technip, Paris, 1993.
[Born 92] P. Borne, G. Dauphin-Tanguy, J. P. Richard, F. Rotella et I. Zambettakis,
Modlisation et identication des processus, tome 1. Editions Technip, Paris,
1992.
[Born 90] P. Borne, G. Dauphin-Tanguy, J. P. Richard, F. Rotella et I. Zambettakis,
Commande et optimisation des processus, Collection mthodes et techniques de
lingnieur. Editions Technip, Paris, 1990.
[Bouk 99] A. Boukhris, G. Mourot et J. Ragot, Sensor fault diagnosis for urban sewer
network management, In Computers and Computational Engineering in Control.
N. E. Mastorakis, Electrical and Computer Engineering series, World Scientic
Engineering Society, 1999.
[Bout 00] M. Boutayeb, Identication of Nonlinear Systems in the Presence of Unknown
but Bounded Disturbances, IEEE Trans. on Automatic Control, Vol. 45 (8), pp.
1503-1507, 2000.
[Breg 02] P. Bregsten, R. Palm et D. Driankov, Observers for Takagi-Sugeno fuzzy sys-
tems, IEEE Transactions on Systems, Man and Cybernetics, Part B, Vol. 32 (1),
pp. 114-121, 2002.
[Brei 84] L. Breiman, J. Friedman, J. Olshen et C. Stone, Classication and Regression
Trees, Wadsworth, Belmont, CA, 1984.
[Buck 93] J. J. Buckley, Sugeno type controllers are universal controllers, Fuzzy Sets and
Systems, Vol. 53 (3), pp. 299-303, 1993.
[Buck 92] J. J. Buckley, Universal fuzzy controllers, Automatica, Vol. 28 (6), pp. 1245-
1248, 1992.
[Busa 00] K. K. Busawon et P. Kabor, On the design of integral and proportional integral
observers, American Control Conference, Vol. 6, pp. 3725-3729, 2000.
[Byrs 93] W. Byrski, Integral descriptor of the optimal state observers, ECC93, vol. 4,
pp. 1832-1837, 1993.
[Cami 01] W. M. Caminhas et R. H. Takahashi, Dynamic system failure detection and
diagnosis employing sliding mode observer and fuzzy neural networks, IFSA
193
Bibliographie
World Congress and 20th NAFIPS International Conference, Vol. 1, pp. 304-
309, 2001.
[Camo 95] P. Camozzi, Systmes modlisation incertains : Commande par placement
de ple, Thse, Universit Paul Sabatier de Toulouse, France, 1995.
[Cass 92] J. P. Cassar, M. Starowiecki et R. Ferhati, Multivalued logic voting
scheme for residual evaluation in failure detection and isolation systems,
IFAC/IFIP/IMACS/ Symposium on Articiel Intelligence in Real-Time Control,
pp. 573-579, 1992.
[Cast 95] J. Castro, Fuzzy logic controllers are universal approximator, IEEE Trans. on
Systems, Man and Cybernetics, Vol. 25, pp. 629-635, April 1995.
[Cate 02] M. Catelani et A. Fort, Soft Fault Detection and Isolation in Analog Circuits :
Some Results and a Comparison Between a Fuzzy Approach and Radial Basis
Function Networks, IEEE Trans. on Instrumentation and Measurement, Vol. 51
(2), pp. 196-202, 2002.
[Chad 02a] M. Chadli, D. Maquin, J. Ragot, Nonquadratic stability analysis of Takagi-
Sugeno models, IEEE Conference on Decision and Control, Vol. 2, pp. 2143-2148,
2002.
[Chad 02] M. Chadli, D. Maquin, J. Ragot, Output stabilization in multiple model ap-
proach, International Conference on Control Applications, Vol. 2, pp. 1315-1320,
2002.
[Chad 01] M. Chadli, D. Maquin, J. Ragot, On the stability of multiple model systems,
Proceedings of the European Control Conference, pp. 1894-1899, 2001.
[Chad 00] M. Chadli, D. Maquin et J. Ragot, Relaxed stability conditions for the T-S fuzzy
systems, IEEE International Conference on Systems, Man, and cybernetics, Vol.
5, pp. 3514-3519, 2000.
[Chai 98] J. S. Chai, S. Tan, Q. Chan et C. C. Hang, A general fuzzy control scheme for
nonlinear processes with stability analysis, Fuzzy Sets and Systems, Vol. 100 (1),
pp. 179-195, 1998.
[Chan 72] S. S. L. Chang et T. K. C. Peng, Adaptive guaranteed cost control systems with
uncertain parameters, IEEE Trans. on Automatic Control, Vol. 17, pp. 474-483,
1972.
[Chen 03] Y. W. Chen, S. Narieda et K. Yamashita, Blind Nonlinear System Identication
Based on a Constrained Hybrid Genetic Algorithm, IEEE Trans. on Instrumen-
tation and Measurement, Vol. 52 (3), pp. 898-902, 2003.
194
[Chen 00] W. Chen, M. Saif et Y. C. Soh, A variable structure adaptive observer approach
for actuator fault detection and diagnosis in uncertain nonlinear systems, Ame-
rican Control Conference, Vol. 4, pp. 2674-2678, 2000.
[Chen 91] J. Chen et H. Zhang, Robust detection of faulty actuators via unknown input
observers, International Journal of Systems Science, Vol. 22, pp. 1829-1839, 1991.
[Cheo 82] K. C. Cheok, N. K. Loh et R. R. Beck, General structured observers for discrete
time linear systems, IEEE Proc. American Control Conf., Vol. 2, pp. 614-619,
1982.
[Chil 96] M. Chilali et P. Gabinet, H

Design with pole placement constraints : an LMI


approch, IEEE Trans. on Automatic Control, Vol. 41 (3), pp. 358-367, 1996.
[Chua 01] Z. Chuan, H. Qingwei, W. Xiaobei et H. Shousong, An approach to nonlinear
fault diagnosis based neural network adaptive observer, world congress on Intel-
ligent Control and Automation, pp. 2733-2736, 2001.
[Comm 02] C. Commault, J. M. Dion, O. Sename et R. Motyeian, Observer-based fault de-
tection and isolation for structured systems, IEEE Trans. on Automatic Control,
Vol. 47 (12), pp. 2074-2079, 2002.
[Cont 03] G. Conte, A. M. Perdon et G. G. Peroli, Unknown input observers for linear
delay systems : a geometric approach, IEEE, Conference on Decision and Control,
Vol. 6, pp. 6054-6059, 2003.
[Daro 94] M. Darouach, M. Zasadzinski et S. J. Xu, Full-order observers for linear systems
with unknown inputs, IEEE Trans. on Automatic Control, Vol. 39 (3), pp. 606-
609, 1994.
[Dass 00] S. K. Dassanake, G. L. Balas et J. Bokor, Using unknown input observers to
detect and isolate sensor faults in a turbofan engine, Digital Avionics Systems
Conferences, Vol. 7, pp. 6E51-6E57, 2000.
[DeCa 88] R. A. DeCarlo, S. H. Zak et G. P. Matthews, Variable structure control of
nonlinear multivariable systems : a tutorial, Proceeding of the IEEE, Vol. 76
(3), pp. 212-232, 1988.
[Dext 95] A. L. Dexter, Fuzzy model-based fault-diagnosis, IEE Control Theory and Ap-
plications, Vol. 142 (6), pp. 545-550, 1995.
[Dieu 87] E. Dieulessaint et D. Royer, Systmes linaires de commande signaux chan-
tionns, Automatique Applique, Masson, 1994.
[Dixo 04] R. Dixon, Observer-based FDIA : application to an electromechanical positio-
ning system, Control Engineering Practice, Vol. 12, pp. 1113-1125, 2004.
195
Bibliographie
[Dorl 86] C. M. Dorling et A. S. I. Zinober, Two approaches to hyperplane design in
multivariable variable structure control systems, International Journal of Control,
Vol. 44, pp. 65-82, 1986.
[Drag 04] D. Kukolj et E. Levi, Identication of Complex Systems Based on Neural and
Takagi-Sugeno Fuzzy Model, IEEE Trans. on Systems, Man, and Cybernetics,
Part B, , Vol. 34 (1), pp. 272-282, 2004.
[Edwa 00] C. Edwards et S. K. Spurgeon, Sliding mode observers for fault detection and
isolation, Automatica, Vol. 36 (4), pp. 541-553, 2000.
[Edwa 94] C. Edwards et S.K. Spurgeon, On the development of discontinuous observers,
International Journal of Control, Vol. 25, pp. 1211-1229, 1994.
[Fan 02] K. K. Fan et J. G. Hsieh, LMI Approach to design of robust state observer for
uncertain systems with time-delay perturbation, IEEE International Conference
on Industrial Technology, Vol. 42, pp. 1111-1115, Bangkok, Thailand, 2002.
[Fatt 99] A. Fattouh, O. Sename et J. M. Dion, An unknown input observer design for
linear time-delay systems, IEEE, Conference on Decision and Control, Vol. 4,
pp. 4222-4227, 1999.
[File 91] D. Filev, modelling of complexe systems, International Journal of Approximate
Res., Vol. 5, pp. 281-290, 1991.
[Flug 56] I. Flugge-Lotz et C. Taylor, Synthesis of nonlinear control systems, IRE Trans.
on Automatic Control, Vol. 1 (1), pp. 3-9, 1956.
[Foll 85] O. Fllinger, Regelungstechnik - Einfhrung in die methoden und ihre anwen-
dungen, Dr. Alfred Hthig Verlag, Heidelberg, 1985.
[Foss 93] A. J. Fossard et D. Normand-Cyrot, Systme non linaire, tome 1 : modlisation
- estimation. Masson, Paris, 1993.
[Fran 94] P. M. Frank, Enhancement of robustness in observer-based fault detection, In-
ternational Journal of Control, Vol. 59, pp. 955-981, 1994.
[Fran 93] P. M. Frank et N. Kiupel, Fuzzy supervision and application to lean production,
International Journal of System Sci., Vol. 24 (10), pp. 1935-1944, 1993.
[Fran 90] P.M. Frank, Fault diagnosis in dynamic system using analytical and knowledge
based redundancy - a survey and some new results, Automatica, Vol. 26 (3), pp.
459-474, 1990.
[Frie 81] J. Friedman et W. Stuetzle, Projection pursuit regression, J. Amer. Statist. As-
soc., Vol. 76, pp. 817-823, 1981.
[Gadd 95] B. Gaddouna, Contribution au diagnostic des systmes linaires invariants
entres inconnues. Application un processus hydraulique, Thse de lInstitut
National Polytechnique de Lorraine, Vandoeuvre-ls-Nancy France, 1995.
196
[Gao 04] Z. Gao et D. W. C. Ho, Proportional multiple-integral observer design for des-
criptor systems with measurement output disturbances,Control Theory and Ap-
plications, IEE Proceedings, Vol. 151, pp. 279-288, 2004.
[Gao 03] Y. Gao, et M. J. Er, Online Adaptive Fuzzy Neural Identication and Control
of a Class of MIMO Nonlinear Systems, IEEE Trans. on Fuzzy Systems, Vol. 11
(4), pp. 462-477, 2003.
[Gao 93] Z. Gao et P. J. Antsaklis, Explicit asymmetric bounds for robust stability of
continuous and discret-time systems, IEEE Trans. on Automatic Control, Vol.
38, pp. 332-335, 1993.
[Garc 97] G. Garcia, Contribution la synthse de lois de commande robuste par lap-
proche quadratique, HDR, Universit Paul Sabatier, Rapport LASS n 97543,
1997.
[Gass 01] K. Gasso, G. Mourot et J. Ragot, Structure identication in multiple model
representation : elimination and merging of local models, IEEE Conference on
Decision and Control, Vol. 3, pp. 2992-2997, 2001
[Gass 00a] K. Gasso, G. Mourot et J. Ragot, Identication of an output error Takagi-
Sugeno model, IEEE International Conference on Systems, Man, and Cyberne-
tics, Vol. 1, pp. 14-19, 2000.
[Gass 00b] K. Gasso, Identication des systmes dynamiques non linaires : approche mul-
timodle, Doctorat de lInstitut National Polytechnique de Lorraine, Vandoeuvre-
ls-Nancy, 2000.
[Gri 00] R. Grio, G. Cembrano et C. Torras, Nonlinear System Identication Using
Additive Dynamic Neural Networks-Two On-Line Approaches, IEEE Trans. on
Circuits and Systems-I : Fundamental Theory and Applications, Vol. 47 (2), pp.
150-165, 2000.
[Guan 91] Y. Guan, et M. Saif, A novel approach to the design of unknown input observers,
IEEE Trans. on Automatic Control, Vol. 36 (5), pp. 632-635, 1991.
[Guer 04] R. M. Guerra et S. Diop, Diagnosis of nonlinear systems using an unknown-
input observer : An algebraic and dierential approach, IEE Control Theory and
Applications, Vol. 15 (1), pp. 130-135, 2004.
[Ha 03] Q. P. Ha, H. T. Nguyen et H. D. Tuan, Dynamic output feedback sliding-mode
control using pole placement and linear functional observers, IEEE Transactions
on Industrial Electronics, Vol. 50 (5), pp. 1030-1037, 2003.
[Hass 99] A. Hassibi, J. How et S. Boyd, A path-following method for solving BMI pro-
blems in control, American Control Conference, Vol. 2, pp. 1385-1389, San Diego,
California, 1999.
197
Bibliographie
[Hahn 67] W. Hahn, Stability of motion, Springer-Verlag, Berlin, 1967.
[Hamm 02] H. Hammouri, P. Kabore, S. Othman et J.Biston, Failure diagnosis and non-
linear observer. Application to a hydraulic process, Journal of the Franklin Ins-
titute, Vol. 339, pp. 455-478, 2002
[Hre 97] M. Hrefors, Application of H

robust control to the RM12 jet engine, Control


Engineering Practice, Vol. 5 (9), pp. 1189-1201, 1997.
[Hoja 00] M. Hojati et S. Gazor, Hybrid Adaptive Fuzzy Identication and Control of
Nonlinear Systems, IEEE Trans. on Fuzzy Systems, Vol. 10 (2), pp. 198-210,
2002.
[Hou 92] M. Hou et P. C. Mtiller, Design of observers for linear systems with unknown
inputs, IEEE Trans. on Automatic Control, Vol. 37, pp. 871, 1992.
[Hua 04] C. Hua, F. Li et X. Guan, Observer-based adaptive control for uncertain time-
delay systems, Information Sciences, 2004. (Article in press).
[Hube 85] P. Huber, Projection pursuit (with discussion), Ann. Statist. 13, pp. 435-475,
1985.
[Iser 93] R. Isermann et M. Ulieru, Integrated fault detection and diagnosis, IEEE Confe-
rence on Systems, Man, and Cybernetics, Vol. 1, pp. 743-748, 1993.
[Isla 03] M. S. Islam, I. Husain, R. J. Veillette et C. Batur, Sliding mode observer for
nonlinear uncertain systems, IEEE Trans. on Control Systems Technology, Vol.
11 (3), pp. 383-389, 2003.
[Jaco 91] R. A. Jacobs, M. I. Jordan, J. S. Nowlan et G. E. Hinton, Adaptive of local
experts, Neural Computation, Vol. 6, pp. 181-214, 1991.
[Jadb 99] A. Jadbabaie, A reduction in conservatism in stability and L2 Gain analysis
of T-S fuzzy systems via Linear matrix inequalities, IFAC., 14th triennial World
congress, Beijing, P.R. China. pp. 285-289, 1999.
[Jian 00] G. P. Jiang, S. P. Wang ete W. Z. Song, Design of observer with intergrators
for linear systems with unknown input disturbances, Electronics Letters, Vol. 36
(13), pp. 1168-1169, 2000.
[Jian 02] Bin Jianga et J. L. Wang, Actuator fault diagnosis for a class of bilinear systems
with uncertainty, Journal of the Franklin Institute, Vol. 339, pp. 361-374, 2002.
[Joha 03] T. A. Johansen et R. Babuska, Multiobjective Identication of Takagi-Sugeno
Fuzzy Models, IEEE Trans. on Fuzzy Systems, Vol. 11 (6), pp. 847-860, 2003.
[Joha 00] Tor A. Johansen, R. Shorten et R. Murray-Smith, On the Interpretation and
Identication of Dynamic Takagi-Sugeno Fuzzy Models, IEEE Trans. on Fuzzy
Systems, Vol. 8 (3), pp. 297-312, 2000.
198
[Joha 98] M. Johansson, A. Rantzer et K. Arzen, Piecewise quadratic stability for ane
Sugeno systems, IEEE International Conference on Fuzzy Systems Proceedings,
IEEE World Congress on Computational Intelligence, Vol. 1, pp. 55-60, 1998.
[Joha 93] T. A. Johansen et A. B. Foss, Constructing NARMAX using ARMAX, Inter-
national Journal of Control, Vol. 58 (5), pp. 1125-1153, 1993.
[Joha 92] T. A. Johansen et A. B. Foss, Non linear local model representation for adaptive
systems. IEEE International Conference on Intelligent control and instrumenta-
tion, Vol. 2, pp. 677-682, 1992.
[John 75] C. D. Johnson, Observers for linear systems with unknown and inaccessible
inputs, International Journal of Control, Vol. 21, pp. 825-831, 1975.
[Joo 02] M. G. Joo et J. S. Leeb, Universal approximation by hierarchical fuzzy system
with constraints on the fuzzy rule, Fuzzy Sets and Systems, Vol. 130, pp. 175-188,
2002.
[Kalm 60] R. E. Kalman et J. E. Betram, Control system analysis and design via the
"second method" of Lyapunov -I : Continuous-time system, ASME journal of
Basic Engineering, Vol. 82, pp. 371-393, 1960.
[Karm 84] N. Karamarkar, A new polynomial time algorithm for linear programming,
Combinatorica, Vol. 4 (4), pp. 373-395, 1984.
[Khal 96] H. K. Khalil, Nonlinear system, Prentice Hall, Upper Saddle River, N. J. 07458,
1996.
[Kimm 05] F. Kimmich, A. Schwarte et R. Isermann, Fault detection for modern Die-
sel engines using signal- and process model-based methods, Control Engineering
Practice, Vol. 13, pp. 189-203, 2005.
[Knoc 86] L. Knockaert, A recursive algorithm for linear system identication, IEEE,
Trans. on Acoustic, Speech and Signal Processing, Vol. 34 (3), pp. 492-498, 1986.
[Koba 82] N. Kobayashi and T. Nakamizo, An observer design for linear systems with
unknown inputs, International Journal of Control, Vol. 35, pp. 605-619, 1982.
[Koen 02] D. Koenig et S. Mammar, Design of Proportional-integral observer for unknown
input descriptor systems, IEEE, Trans. on Automatic Control, Vol. 47 (12), pp.
2057-2062, 2002.
[Koen 01] D. Koenig et S. Mammar, Design of a class of reduced order unknown inputs
nonlinear observer for fault diagnosis, American Control Conference, Vol. 3, pp.
2143-2147, 2001.
[Kudv 80] P. Kudva, N. Viswanadham et A. Ramakrishna, Observers for linear systems
with unknown inputs, IEEE Trans. on Automatic Control Vol. 25 (1), pp. 113-
115, 1980.
199
Bibliographie
[Leto 57] A. M. Letov, Conditionally stable control systems (on a class of optimal control
systems), Automat. Remote contr., n. 7, pp. 649-664, 1957.
[Lewi 86] F. L. Lewis, A survey of linear singular systems, Circuits Systems Signal Pro-
cess, Vol. 5, pp. 3-36, 1986.
[Lich 61] W. Lichtenbergert, A technique of linear system identication using correlating
lters, IEEE, Trans. on Automatic Control, Vol. 6 (2), pp. 183-199, 1961.
[Lien 04] C. H. Lien, An ecient method to design robust observer-based control of uncer-
tain linear systems, Applied Mathematics and Computation, Vol. 158, pp. 29-44,
2004.
[Liu 02] C. S. Liu et H. Peng, Inverse-dynamics based state and disturbance observers for
linear time-invariant systems, Journal of Dynamic System, Measurement, and
Control, Vol. 124, 375-381, 2002.
[Ljun 87] L. Ljung, System identication : theory for the user, Prentice-Hall, Englewood
Clis, N. J., 1987.
[Luen 02] Z. Zhu et H. Lueng, Identication of linear systems driven by chaotic signals
using nonlinear prediction, IEEE Trans. on Circuits and Systems I : Fundamental
Theory and Applications, Vol. 49 (2), pp. 170-180, 2002.
[Luen 64] D. G. Luenberger, Observing the state of a linear system, IEEE Trans. Mil.
Electron., ME-8, pp. 74, 1964.
[Luen 63] D. G. Luenberger, Determining the state of the linear system with observers of
low dynamic order, Ph.D. dissertation, Departement of Elec. Engrg., Stanford
University, California, 1963.
[Lyap 07] A. M. Lyapunov, Problme gnral de la stabilit du mouvement, Ann. Fac. Sci.
Toulouse, Vol. 9, pp. 203-474, 1907 (traduction en fraais du mmoire Russe, Ob-
shchaya Zadacha Ustoichivosti dvizheniya, Kharkov, 1892, et dune note, Comm.
Soc. Math Kharkov, Vol. 3, pp. 265-272, 1893).
[Lyub 93] L. M. Lyubchik et Y. T. Kostenko, The output control of multivariable systems
with unmeasurable arbitrary disturbances - The inverse model approach, ECC93,
pp. 1160-1165, Groningen, The Netherlands, 1993.
[Ma 98] X. J. Ma, Z. Q. Sun et Y. Y. He, Analysis and design of fuzzy controller and
fuzzy observer, IEEE Trans. of Fuzzy Systems, Vol. 9 (1), pp. 41-51, 1998.
[Magn 91] J. F. Magni et P. Mouyon, A generalized approach to observers for fault diag-
nosis, Proc. of the 30th Conference on Decision and Control, Brignton, Vol. 3,
pp. 2236-2241, England, 1991.
200
[Mand 98] D. Mandel, Diagnostic base de redondance analytique application un rseau
urbain de distribution deau potable, Doctorat de lInstitut National Polytech-
nique de Lorraine, Vandoeuvre-ls-Nancy, 1998.
[Maqu 00] J. Ragot et D. Maquin, Diagnostic des systmes linaires, Herms Science
Publication, 2000.
[Maqu 94] D. Maquin, B. Gaddouna et J. Ragot, Estimation Of Unknown Inputs In Li-
near Systems, American Control Conference, Vol. 1, pp. 1195-1197, 1994.
[Marc 02] V. C. Marcelo, L. Aguirre et R. Saldanha, Using Steady-State Prior Knowledge
to Constrain Parameter Estimates in Nonlinear System Identication, IEEE
Trans. on Circuits and Systems-I : Fundamental Theory and Applications, Vol.
49 (9), pp. 1376-1381, 2002.
[Marc 99] C. M. Marcelo Teixeira et H. Stanislaw, Stabilising controller design for uncer-
tain nonlinear systems using fuzzy models, IEEE Trans. of Fuzzy Systems, Vol.
7 (2), pp. 133-142, 1999.
[Masl 56] V. A. Maslennikov, High-quality control of neutral plants by means of an astatic
controller, Automat. Remote Contr., n. 2, 1956.
[Medi 71] J. S. Meditch et G. H. Hostetter, Observers for systems with unknown and
inaccessible inputs, International Journal of Control, Vol. 19, pp. 637-640, 1971.
[More 01] J. Moreno, Quasi-Unknown input observers for linear systems, IEEE Confe-
rence on Decision and Control, pp. 732-737, 2001.
[More 01] J. Moreno, Existence of unknown input observers and feedback passivity for
linear systems, IEEE Conference on Decision and Control, Vol. 1, pp. 3366-3371,
2001.
[More 00] J. Moreno, Unknown input observers for SISO nonlinear systems, IEEE Confe-
rence on Decision and Control, Vol. 1, pp. 790-801, 2000.
[Mor 00] Y. Morre, Mise en oeuvre de lois de commandes pour les modles ous de type
Takagi-Sugeno, Doctorat de luniversit de Valenciennes et du Haut Cambrsis,
Lille, 2000.
[Muel 71] Mueller et G. S, Linear model of a 2-shaft turbojet and its properties, Institution
of Electrical Engineers, pp. 813-815, 1971.
[Murr 97] R. Murray-Smith, Multiple model approaches to modelling and control, Taylor
and Francis, 1997.
[Mull 99] M. Hou et P. C. Muller, Observer design for descriptor systems, IEEE Trans.
on Automatic Control, Vol. 44, pp. 164-169, 1999.
201
Bibliographie
[Nare 89] K. S. Narendra, A. M. Annaswamy, Stable adaptive systems, Prentice Hall In-
formation ans System Sciences Series, N. J. 07632, 1989.
[Nest 94] Y. Nesterov et J. Balakrishnan, A common Lyapunov function for stable LTI
systems with commuting A-matrices, IEEE Trans. on Automatic Control, Vol.
39 (12), pp. 2469-2471, 1994.
[Newm 70] M. M. Newmann, Specic optimal control of the linear regulator using a dy-
namical controller based on the minimal-order observer, International Journal of
Control, Vol. 12, pp. 33-48, 1970.
[ORei 83] J. OReilly, Observer for linear system, Richard Bellman, Mathematics in
Science and Engineering, Vol. 140, Academic Press, New York, 1983.
[Ostr 56] G. M. Ostrovsky, Application of nonlinear correction to control systems of the
second order, Automat. Remote Contr., n. 11, 1956.
[Palm 99] R. Palm et D. Driankov, Towards a systematic analysis of fuzzy observer, In-
ternational Conference of the North American, Fuzzy Information Processing
Society, pp. 179-183, 1999.
[Palm 00] R. Palm et P. Bergstern, Sliding mode observer for a Takagi Sugeno fuzzy
system, The Ninth IEEE International Conference on Fuzzy Systems, Vol. 2, pp.
665-670, 2000.
[Park 81] P. C. Parks et V. Hahn, Stabililttstheorie, Springer-Verlag, Berlin, 1981.
[Park 01] B. J. Park, W. Pedrycz et S. K. Oh, Identication of fuzzy models with the aid
of evolutionary data granulation, IEE Proc. Control Theory Application, Vol.
148 (5), pp. 406-418, 2001.
[Patt 98] R. J. Patton, J. Chen et C. J. Lopez-Toribio, Fuzzy observer for nonlinear
dynamic systems fault diagnosis, IEEE Conference on Decision and Control,
Vol. 1, pp. 84-89, 1998.
[Patt 97] R. J. Patton et J. Chen, Observer-based fault detection and isolation : Robust-
ness and applications, Control Engineering Practice, Vol. 5 (5), pp. 671-682,
1997.
[Patt 96] R. J. Patton et J. Chen ,Neural networks in nonlinear dynamic systems fault
diagnosis, Engineering simulation, Vol. 13 (6), pp. 905-924, 1996.
[Plam 04] A. Plamen et D. P. Filev, An Approach to Online Identication of Takagi-
Sugeno Fuzzy Models, IEEE Trans. on Systems, Man, and Cybernetics, Vol. 34
(1), pp. 484-498, 2004.
[Raju 91] G.V.S. Raju, J. Zhou et R.A. Kisner, Hierarchical fuzzy control, International
Journal of Control, Vol. 54, pp. 1201-1216, 1991.
202
[Raym 76] T. S. Raymond, Observer steady-state errors induced by errors in realization,
IEEE Trans. on Automatic Control, pp. 280-281, 1976.
[Ren 03] X. M. Ren, A. B. Rad, P. T. Chan et Wai Lun Lo, Identication and Control
of Continuous-Time Nonlinear Systems via Dynamic Neural Networks, IEEE
Trans. on Industrial Electronics, Vol. 50 (3), pp. 478-486, 2003.
[Rote 95] F. Rotella et P. Borne, Thorie et pratique du calcul matriciel, Editions Technip,
1995.
[Saif 93] M. Saif et Y. Guan, A new approach to robust fault detection and identication,
IEEE Trans. on Aerospace and Electronic Systems, Vol. 29 (3), pp. 685-695,
1993.
[Sark 84] K. T. Sarkar, A. S. Dianat et D. D. WEINER, A discussion of various ap-
proaches to the linear system identication problem, IEEE, Trans. on Acoustic,
Speech and Signal Processing, Vol. 32 (3), pp. 654-656, 1984.
[Savy 03] A. Savy, Diagnostic de dfauts capteurs sur turboracteur, Doctorat de lInstitut
National Polytechnique de Lorraine, Vandoeuvre-ls-Nancy, 2003.
[Shao 00] T. Shaocheng et T. Yiqian, Analysis and design of fuzzy robust observer for
uncertain nonlinear systems IEEE International Conference on Fuzzy Systems,
Vol. 2, pp. 993-996, 2000.
[Schn 96] H. Schneider et P. M. Frank, Observer-based supervision and fault detection
in robots using nonlinear and fuzzy logic residual evaluation, IEEE Trans. on
Control Systems Technology, Vol. 4 (3), pp. 274-282, 1996.
[Schn 94] H. Schneider et P. M. Frank, Fuzzy logic based threshold adaptation for fault
detection in robots, IEEE Conference on Control Applications, pp. 1127-1132,
1994.
[Shaf 02] B. Shafai, C. T. Pi et S. Nork, Simultaneous disturbance attenuation and fault
detection using proportional integral observers, American Control Conference,
Vol. 2, pp. 1647-1649, 2002.
[Shen 04] S. Xu, J. Lu, S. Zhou et C. Yang, Design of observer for a class of discrete-time
uncertain nonlinear systems with time delay, Journal of the Franklin Institute,
pp. 295-308, 2004.
[Shen 03] S. F. Lin et A. P. Wang, Unknown input observers for singular systems designed
by eigenstructure assignment, Journal of the Franklin Institute, pp. 43-61, 2003.
[So 96] D. Soker, Fault detection using proportional integral observers for application to
elastic mechanical structures, Proceeding of the Multiconference CESA IMACS,
symposium on control, optimization and supervision, Lille, France, pp. 522-527,
1996.
203
Bibliographie
[Stot 01] A. Stotsky et I. Kolmanovsky, Simple unknown input estimation techniques for
automotive applications, American Control Conference, pp. 3312-3317, 2001.
[Suge 88] M. Sugeno et G. T. Kang, Structure identication of fuzzy model, Fuzzy Sets
and Systems, Vol. 28 (1), pp. 15-33, 1988.
[Taka 88] M. Takagi et M. Sugeno, Fuzzy identication of systems and its application to
modelling and control, IEEE Trans. on Systems Man and cybernetics, Vol. 15
(1), pp. 116-132, 1988.
[Tan 02] C. P. Tan et C. Edwards, Sliding mode observers for detection and reconstruction
of sensor faults, Automatica, Vol. 38, pp. 1815-1821, 2002.
[Tana 01] K. Tanaka et T. Hori et H. O. Wang, A fuzzy Lyapunov approach to fuzzy control
system design, IEEE American Control Conference, Vol. 6, pp. 4790-4795, 2001.
[Tana 98] K. Tanaka, T. Ikeda et Y. Y. He, Fuzzy regulators and fuzzy observers : relaxed
stability conditions and LMI-based design, IEEE Trans. Fuzzy Systems, Vol. 6
(1), pp. 250-256, 1998.
[Tana 96] K. Tanaka, T. Ikeda et H. O. Wang, Robust stabilisation of a class of uncer-
tain nonlinear systems via fuzzy control : quadratic stability, IEEE Trans. Fuzzy
Systems, Vol. 4 (1), pp. 1-13, 1996.
[Tana 92] K. Tanaka et M. Sugeno, Stability and design of fuzzy control systems, Fuzzy
Set and Systems, Vol. 45 (2), pp. 135-156, 1992.
[Tont 01] C. Tontiruttananonet et J. K. Tugnait, Identication of closed-loop linear sys-
tems via cyclic spectral analysis given noisy input-output time-domain data,
IEEE Trans. on Automatic Control, Vol. 46 (2), pp. 258-275, 2001.
[Trev 03] L. C. Trevino et S. Olcmen, Use of soft computing technologies for rocket engine
control, IEEE Digital Avionics Systems Conference, Vol. 1, pp. 3.A.1.1-3.A.1.7,
2003.
[Utki 92] V. I. Utkin, Sliding modes in control optimization, Springer-Verlag, Berlin, 1992.
[Utki 81] V. I. Utkin, Principles of identication using sliding regimes, Soviet Trans. on
Automatic Control, Vol. 26, pp. 271-272, 1981.
[Utki 77] V. I. Utkin, Variable structure systems with sliding modes, IEEE Trans. on
Automatic Control, Vol. 22 (22), pp.212-222, 1977.
[Umen 01] T. Umenoa et K. Asano, Observer based estimation of parameter variations
and its application to tyre pressure diagnosis, Control Engineering Practice, Vol.
9, pp. 639-645, 2001.
[Valc 99] M. E. Valcher, State observers for discrete-time linear systems with unknown
inputs, IEEE, Trans. on Automatic Control, Vol. 44 (2), pp. 397-401, 1999.
204
[Walc 88] B. L. Walcott et S. H. Zak, Combined observer-controller synthesis for uncer-
tain dynamical systems with applications, IEEE Trans. on Systems, Man and
Cybernetics, Vol. 18, pp. 88-104, 1988.
[Walc 87] B. L. Walcott, M. J. Corless et S. H. Zak, Comparative study of nonlinear state
observation, International Journal of Control, Vol. 45, pp. 2109-2132, 1987.
[Walc 86] B. L. Walcott, M. J. Corless et S. H. Zak, Obervation of dynamical systems in
the presence of bounded nonlinearitie/uncertainties, IEEE Conference on Deci-
sion and Control, pp. 961-966, 1986.
[Wang 04] S. Wang et Z. Jiang, Valve fault detection and diagnosis based on CMAC neural
networks, Energy and Buildings, Vol. 36, pp. 599-610, 2004.
[Wang 03] H. Wang, J. Wang, J. Liu et J. Lam, Iterative LMI approach for robust fault
detection observer design, Vol. 2, pp. 1974-1979, 2003.
[Wang 02] W. Wang et Y. Zou, The Detectability and Observer Design of 2-D Singular
Systems Weiqun Wang and Yun Zou, IEEE Trans. on Circuit and Systems, pp.
698-703, 2002.
[Wang 98] L. X. Wang, Universal approximation by hierarchical fuzzy systems, Fuzzy Sets
and Systems, Vol. 93, pp. 223-230, 1998.
[Wang 94] H. Wang, M. Brown et C.J. Harris, Fault detection for a class of unknown
nonlinear system via associative memory networks, IMechE, Journal of Systems
and Control Engineering, Vol. 208 (2), pp. 101-107, 1994.
[Wang 75] S. H. Wang, E. J. Davison et P. Dorato, Observing the states of systems with
unmeasurable disturbances, IEEE Trans. on Automatic Control, Vol. 20, pp.716-
717, 1975.
[Wata 82] K. Watanabe et D. M. Himmelblau, Instrument fault detection in systems with
uncertainties, International Journal of System Sci., Vol. 13, pp. 137, 1982.
[Will 68] H. F. Williams, A solution of the multivariable observer for linear time varying
discrete systems, Rec. 2nd Asilomar Conf. Circuit and systems, pp. 124-129,
1968.
[Wei 00] C. Wei et L. X. Wang, A note on universal approximation by hierarchical fuzzy
systems, Information Sciences, Vol. 123, pp. 241-248, 2000.
[Wonh 67] W. M. Wonham, Optimal stationary control of linear system with state de-
pendent noise, SIAM Journal of Control, 1967.
[Wu 04] X. Wu et G. Campion, Fault detection and isolation of systems with slowly va-
rying parameters-simulation with a simplied aircraft turbo engine model, Me-
chanical Systems and Signal Processing, Vol. 18 (2), pp. 353-366, 2004.
205
Bibliographie
[Wu 99] H. C. Wu et C. N. Lu, Automatic fuzzy model identication for short-term load
forecast, IEE Generation, Transmission and Distribution, Vol. 146 (5), pp. 477-
482, 1999.
[Xion 03] Y. Xiong et M. Saif, Unknown disturbance inputs estimation based on a state
functional observer design, Automatica, Vol. 39, pp. 1389-1398, 2003.
[Xion 01] Y. Xiong et M. Saif, Sliding mode observer for nonlinear uncertain systems,
IEEE Trans. on Automatic Control, Vol. 46 (12), pp. 2012-2017, 2001.
[Xion 00] Y. Xiong et M. Saif, Sliding-mode observer for uncertain systems. I Linear
systems case, IEEE Conference on Decision and Control, Vol. 1, pp. 316-321,
2000.
[Yang 88] F. Yang et R. W. Wilde, Observers for linear systems with unknown inputs,
IEEE Trans. on Automatic Control, Vol. 33, pp. 677, 1988.
[Yeu 02] T. K. Yeu et S. Kawaji, Sliding mode observer based fault detection and isolation
in descriptor systems, American Control Conference, pp. 4543-4548, 2002.
[yeu 01] T. K. Yeu et S. Kawaji, Fault detection and isolation for descriptor systems
using sliding mode observer, IEEE Conference on Decision and Control, Vol. 1,
pp. 596-597, 2001.
[Zade 65] L. Zadeh, Fuzzy sets, Information Control, Vol. 8, pp. 338-353, 1965.
[Zak 90] S. H. Zak et B. L. Walcott, State observation of nonlinear control systems via
the method of Lyapunov, Deterministic Control of Uncertain Systems, Edited bu
A. S. I. Zinober (London, U. K. : Peter Peregrinus), 1990.
[Zasa 00] M. Zasadzinski, E. Magarotto et M. Darouach, Unknown input reduced order
observer for singular bilinear systems with bilinear measurements, IEEE Confe-
rence on Decision and Control, Vol. 1, pp. 796-801, 2000.
[Zhan 03] T. Zhang et M. Guay, Adaptive control for a class of second-order nonlinear
systems with unknown input nonlinearities, IEEE Trans. on Systems, Man and
Cybernetics, Part B, Vol. 33 (1), pp. 143-149, 2003.
[Zhan 98] H. Y. Zhang, C.W. Chan, K. C. Cheung et H. Jing, Sensor fault diagnosis sys-
tems with unknown nonlinearity using neural network based nonlinear observers,
IEE UKACC International Conference on Control, Vol. 2, pp. 981-986, 1998.
[Zhen 01] W. X. Zheng, Parametric identication of linear systems operating under feed-
back control, IEEE Trans. on Circuits and Systems I : Fundamental Theory and
Applications, Vol. 48 (4), pp. 451-458, 2001.
[Zhu 00] Zhiwen Zhu et Henry Leung, Adaptive Identication of Nonlinear Systems with
Application to Chaotic Communications, IEEE Trans. on Circuits and Systems-
I : Fundamental Theory and Applications, Vol. 47 (7), pp. 1072-1080, 2000.
206
[Zolg 96] A. Zolghadri, D. Henry et M. Monsion, Design of nonlinear observer for fault
diagnosis : A case study, Control Engineering Practice, Vol. 4 (11), pp. 1535-
1544, 1996.
207