Vous êtes sur la page 1sur 20

IDENTIFICATION PARAMETRIQUE DUN ` SYSTEME SERRE

ECOLE NATIONALE DES SCIENCES APPLIQUEED DE KHOURIBGA 2 em e Ann ee cycle ing enieur : G enie Electrique Encadre par : M. Massour Alaoud Sliman Ennayri Omar Barmaki Yacine a.Amkassou

Remerciements
Nous tenons a ` remercier dans un premier temps, toute l equipe p edagogique de lEcole Nationale des Sciences Appliqu ees de Khouribga , pour avoir assur e la partie th eorique de notre formation. Nous remercions egalement Mr.Massour El Aoud pour laide et les conseils quil nous a apport e lors des di erentes etapes de l elaboration de notre projet. Nous tenons a ` vous remercier du fond du cur egalement pour chaque minute pass ee avec nous ; pour chaque information et pour chaque nouvelle le con que vous avez enseign ee. On sait bien que na pas et e du facile de nous enseigner ; parfois d ua ` notre manque de base dautre fois ` a notre surcharge, merci de ne pas avoir baiss e les bras quand m eme ; de nous avoir tant soutenu et encourager pour arriver au bout, que Dieu vous b enisse.

Table des mati` eres


1 La Serre 1.1 Mod elisation de la serre . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Le mod` ele de la serre . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 Algorithme didentication . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1 Mod` eles de connaissances des serres . . . . . . . . . . . . . . . . 1.3.2 Le mod` ele de simulation identi es par minimisation dun crit` ere 1.3.3 Les mod` eles de commande . . . . . . . . . . . . . . . . . . . . . 1 1 1 2 2 3 4 5 5 6 8 8 8 10 10 10 11 12 12 12 13 14 14 15 16

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

2 Identication De La Serre 2.1 m ethodes didentication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Algorithme des moindres carr es r ecursifs . . . . . . . . . . . . . . . . . . . . . . 3 Validation des mod` eles 3.1 Le principe de la m ethode de validation . . . . . . . . . . . . . . . . . . . . . . 3.2 Le test de blancheur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Impl ementation sur MatLab 4.1 D eclaration et initialisation . . . . . . 4.2 Programme des moindres carr es . . . . 4.3 Repr esentation graphique du mod` ele : . 4.4 Validation . . . . . . . . . . . . . . . . 4.5 Les gures des r esultats . . . . . . . . 4.5.1 Les param` etres du mod` ele . . . 4.5.2 Le mod` ele : Sortie Ti n : . . . . 4.5.3 Le mod` ele : Sortie Hi n . . . . 4.5.4 La validation . . . . . . . . . . 4.5.5 Lautocorr elation de lerreur . . Conclusion

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

R esum e Identier un syst` eme, cest d eterminer a ` partir des informations disponibles relatives aux entr ees et sorties de ce syst` eme, un mod` ele math ematique appartenant a ` une classe de mod` eles donn es, qui soumis aux m emes sollicitations que le syst` eme initial doit donner des r eponses consid er ees comme equivalentes compte tenu de nos objectifs et de la pr ecision souhait ee. En pratique, lidentication a pour objectif la d etermination de mod` eles de conduites, utilisable pour simuler, commander ou r eguler un processus plut ot que de mod` eles de connaissances qui ne sont en g en eral quune etape int eressant souvent le physicien que lautomaticien. Le probl` eme didentication consiste ` a d eterminer les param` etres caract eristiques dun mod` ele externe ou dun mod` ele interne a ` partir dun ensemble de mesures entr ee sotie du processus. Il sagit donc de d eduire dune exp erience, les valeurs num eriques des param` etres dun mod` ele du processus. Les probl` emes didentication sont g en eralement r esolus ` a laide de trois ensembles : Les donn ees issues de lexp erience : le probl` eme consiste ` a choisir une exp erience donnant le maximum des informations. Les mod` eles : le choix dun mod` ele candidat peut se faire a ` partir des lois physiques r egissant le syst` eme dont les param` etres sont peu connus ou mal connus (bo te grise), ou bien a ` partir de r esultat de lexp erience sans connaissance a priori. Les algorithmes didentication : ils permettent a ` partir des donn ees, de pr eciser les param` etres du mod` ele candidat. Le choix dun el ement dans chacun des ces ensembles conduit ` a une identication dun syst` eme qui se d eroule a ` trois etapes : Estimation structurelle : cette etape, li ee au choix du mod` ele, consiste ` a d eterminer les param` etres de structure ; Estimation param etrique : il faut d eterminer les valeurs num eriques des coecients de la structure choisie ; le choix dun crit` ere que lalgorithme didentication doit minimaliser, permet de juger de la conance a ` attribuer a ` ces valeurs ; Validation du mod` ele : le mod` ele math ematique obtenu nest valable que pour lexp erience utilis e ; il faut donc v erier sil est compatible avec lutilisation que lon fera. Lidentication dun syst` eme est une proc edure interactive o` u les choix doivent etre remis en question lors dun echec de la validation du mod` ele. La plupart des m ethodes demandent la r esolution dun syst` eme lin eaire dont les coecients d ependent des donn ees.

Chapitre 1 La Serre
Une serre est une structure qui peut etre parfaitement close destin ee en g en eral ` a la production agricole. Elle vise ` a soustraire aux el ements climatiques les cultures vivri` eres ou de loisir pour une meilleure gestion des besoins des plantes et pour en acc el erer la croissance ou les produire ind ependamment des saisons. La culture sous serre sappelle la serriculture. La serre peut etre aussi un edice architectural dagr ement qui satisfait lesth etique par sa forme et par les plantes quelle contient, ou qui satisfait la curiosit e. Leet de serre est connu depuis longtemps et bien d emontr e par lh elio thermom` etre de Horace-B en edict de Saussure, mais son explication ne l etait pas. Cest Arrh enius qui en donne lexplication encore aujourdhui la plus populaire : les rayons solaires entrent, le sol les convertis en infra-rouge, le verre (opaque a ` ces rayons) les bloque et ainsi la temp erature augmente. Pourtant Robert Williams Wood a r efut e cette th eorie en 1909, simplement en rempla cant le verre par du halite transparent aux infra-rouges : on observe alors que la temp erature atteinte par la serre reste quasiment la m eme. Ainsi, paradoxalement, une serre ne fonctionne pas selon leet de serre tel quil est entendu de nos jours, cest-` a-dire suivant la th eorie dArrh enius. Cest le blocage de la convection qui maintient la temp erature.

1.1

Mod elisation de la serre

La serre de point de vue de son climat est un processus non lin eaire et a ` param` etres r epartis. Il faut distinguer trois grandes classes que lon utilise dans la conception des serres.

1.2

Le mod` ele de la serre

Une serre a un seul but : fournir et maintenir lenvironnement qui se traduira par la production v eg etale optimale pour un prot maximum. Ceci comprend un milieu qui fonctionne de mani` ere ecace, ainsi que la croissance des cultures. Nous sommes en pr esence dune entr ee multi - sorties multiples (MIMO), non lin eaire et non stationnaire dans lequel interviennent les echanges energisants des fonctions biologiques assurant le d eveloppement des plantes. Di erents travaux ont et e r ealis es sur les serres agricoles. En eet, nous pouvons distinguer deux classes de mod` eles, les mod` eles statistiques et les dynamiques. 1

Pour d ecrire les di erentes propri et es de leet de serre, nous prenons le mod` ele suivant :

Les variables de perturbations (m et eo) : 1. Te : Temp erature ext erieure 2. He : Humidit e ext erieure 3. Rs : Le rayonnement solaire 4. Vv : Vitesse du vent Les variables de commandes : 1. Ch : Chauage 2. Br : humidication 3. Ov : Couverture 4. Om : Ombrage Nous avons lintention de contr oler : 1. T : Temp erature interne 2. H : Humidit e interne.

1.3

Algorithme didentication

On va utiliser lalgorithme des moindres carr ees r ecursif parce quelle a beaucoup de plusieurs avantages par rapport au moindre carr ees simple qui n ecessite de calculer linverse dune matrice ce qui est long et parfois impossible sur un controlleure Les avantages dune formulation r ecursive tiennent essentiellement en deux points : 1. La possibilit e de traiter un plus grand nombre de donn ees que dans le cas de la formulation directe 2. Dans le cas des syst` emes variant dans le temps, la forme r ecursive permet de suivre les param` etres du syst` eme. Dans ce cas, lidentication en ligne est g en eralement suivie dune commande qui elle aussi sadapte aux param` etres courants.

1.3.1

Mod` eles de connaissances des serres

Le mod` ele de connaissance qui d ecrit le bilan des echanges energ etiques de point de vue des equations de la physique. Ils sont tr` es lourds a ` mettre en uvre, il demande la connaissance pr ecise de tous les composants mat eriels de la serre tant du point de vue des dimensions, de la conductivit e, de l emissivit e...

Les echanges thermiques se font par convention au niveau du sol et surtout par rayonnement. Des etudes tr` es d etaill ees sur ce sujet ont et e eectu ee. Ils permettent de prendre en compte par une analyse tr` es ne la plupart des ph enom` enes qui r egissent sur l evolution thermodynamique du processus. Ils sont d enis a ` partir de la connaissance pr ecise des param` etres physiques. Ils explicitent les non lin earit es des echanges par radiations et par changement de phase. Nous nous r ef erons principalement ` a deux types de mod` eles. 1. Les mod` eles de connaissances statiques d ecrivent un etat stable de la serre (r egime permanant). Ils sont d etermin es ` a partir du bilan thermique instantan e. Ils permettent par exemple de proportionner le chauage. 2. Les mod` eles de connaissances dynamiques, etablis a ` partir des variations energ etiques. Ils sont b atis en utilisant des param` etres r epartis en param` etres localis es. Ils sont d ecrits par des equations di erentielles qui d ecrivent des variations des ux energ etiques. Ils permettent une simulation du d etail des evolutions des echanges energ etiques de la serre. Ils peuvent etre dicilement utilis es pour r ealiser les algorithmes de commande dans le cas dune simulation. La dicult e de mise en uvre vient du fait quil faut une reconnaissance pr ecise des valeurs des param` etres physiques. Certains de ces param` etres sont variant dans le temps (la conductivit e du sol, volume foliaire). Il est pratiquement impossible de conna tre l evolution de ces param` etres climatiques. Ces mod` eles seront pr ecis sur une petite echelle de temps pour une serre particuli` ere. Leur mise en uvre est tr` es dicile car le nombre d equation est important ; dicult e de mesurer les param` etres physiques. Lint er et des mod` eles de connaissance pour lautomaticien est den d eduire quelles sont les entr ees signicatives du syst` eme. Dans le cas de la serre, l etude des bilans d energie permet de d eduire par exemple que l evolution de la temp erature int erieure de la serre en fonctions des perturbations d epend principalement : 1. de l ecart T e T i entre la temp erature de lair interne et externe. 2. de lensoleillement 3. du vent 4. de lhygrom etrie interne

1.3.2

Le mod` ele de simulation identi es par minimisation dun crit` ere

Ils sont obtenus ` a partir des mod` eles de connaissance en globalisant pour chaque variable les param` etres physiques multiplicatifs en un seul param` etre multiplicatif et en lin earit e les termes de seconde importance ou lentement variables. Ces mod` eles prennent en compte les non lin earit es et les non stationnarit es importantes dans la dynamique. La validation des param` etres se fait par minimisation de crit` ere quadratique sur horizon de temps qui permet ` a lerreur quadratique d etre acceptable. Leur mise en place est ais e si lon dispose denregistrements des variables dentr ees et de sorties de la serre.

1.3.3

Les mod` eles de commande

Les mod` eles de commande sont g en eralement choisis lin eaires pour mettre en oeuvre une commande bas ee sur les outils qui d ecoulent les th eories classique de lautomatique. Ils r ealisent une approximation lin eaire autour dun point de fonctionnement. La th eorie de la commande non lin eaire ne sapplique qu` a des cas particuliers. Pour pouvoir appliquer des m ethodes g en erales de commande qui nexiste que pour le cas lin eaire nous devons faire une approximation lin eaire du processus. Cette repr esentation peut se faire dans le cadre soit dune repr esentation par fonction de transfert, soit dans le cas dune repr esentation sous forme d etat.

Chapitre 2 Identication De La Serre


Actuellement, le domaine didentication des proc ed es est parmi ceux le plus riche et le plus vari e. Cependant, les m ethodes didentication sont devenues de plus en plus nombreuses et malgr e les probl` emes quelles soul` event, elles permettent de donner, dans la majorit e des cas, des r esultats satisfaisants.

2.1

m ethodes didentication

Parmi les m ethodes les plus couramment utilis ees, on cite : 1. M ethode des Moindres Carr es Pond er es admettant comme cas particulier la m ethode des Moindres Carr es Ordinaires 2. M ethode des Moindres Carr es G en eralis es 3. M ethode de la Variable Instrumentale 4. M ethode du Maximum de Vraisemblance Approch e (RML1, AML, RML 2 et RML 2 modi e) Ces m ethodes sont des m ethodes destimations des param` etres non r ecursives vis a ` vis du temps. Mais, on sint eresse ici aux m ethodes destimations r ecursives. On peut distinguer trois types de m ethodes r ecursives. 1. Les m ethodes dites d equation derreur (moindres carr es r ecursifs et les di erentes extensions : moindres carr es etendus, moindres carr es g en eralis es, maximum de vraisemblance r ecursifs). Chaque m ethode tend a ` obtenir une erreur de pr ediction blanche bruit blanc. 2. La m ethode dites de variable instrumentale (` a observations retard ees ou ` a mod` ele auxiliaire). Chaque m ethode tend a ` obtenir E ((t), (t)) = 0 par la modication du vecteur dobservation de lalgorithme des moindres carr es. 3. Les m ethodes dites de lerreur de sortie (` a compensateur xe, a ` compensateur ajustable, a ` mod` ele de pr ediction etendu). Ces m ethodes tendent ` a obtenir asymptotiquement soit E ((t), (t)) = 0 , soit la blanchissement de lerreur dadaptation.

Ceci repr esente un total de neuf m ethodes didentications fondamentales, avec des nombreuses variantes en fonction du gain dadaptation choisi. Aucune r` egle ne permet de choisir a priori une m ethode particuli` ere didentication lors de la r esolution dun probl` eme donn e : il sagit dune question dexp erience et de circonstance. Les sp ecicit es du proc ed e, les moyens de calcul, la structure de commande que lon d esire adopter sont autant d el ements qui inuent sur le choix de la m ethode. Parmi un ensemble tr` es large de m ethodes destimation des param` etres toutes adapt es et applicables en particulier ` a des proc ed es industriels on se limite volontairement dans le pr esent travail a ` la m ethode de moindres carr es r ecursifs.

2.2

Algorithme des moindres carr es r ecursifs

On r esume lalgorithme des moindres carr es r ecursifs dans lorganigramme ci-dessous :

Avec : Y : vecteur des mesures : vecteur des param` etres ` a estimer H : Cest la matrice des commandes, des perturbations et des sortie . : Une matrice correspond aux lignes de la matrice H.

Chapitre 3 Validation des mod` eles


On sint eresse ici a ` la validation des mod` eles identi es a ` laide de la m ethode des moindres carr es r ecursifs (et tous les m ethodes didentication bas ee sur le blanchissement de lerreur de pr ediction).

3.1

Le principe de la m ethode de validation

Le principe de la m ethode de validation est le suivant : 1. si la structure mod` ele + perturbation choisie est correcte, cest a ` dire repr esentatif de la r ealit e, 2. si on a utilis e une m ethode didentication appropri e pour la structure choisie, 3. si le degr es des polyn omes A(q 1)etB (q 1) et la valeur de d ont et e correctement choisis, alors lerreur de pr ediction tend asymptotiquement vers un bruit blanc, ce qui implique :
x

lim E ( (t) (t 1)) = 0; i = 1, 2, 3, 4..

La m ethode de validation met en uvre en ce principe. Elle comprend plusieurs etapes : Constitution dun chier E/S pour le mod` ele identi e. Constitution dun chier des erreurs de pr ediction pour le mod` ele identi e. Test de blancheur (de d ecorr elation) sur la s equence des erreurs de pr ediction.

3.2

Le test de blancheur

Soit la s equence centr ee des erreurs de pr ediction r esiduelles (centr e = valeurs mesur ees valeurs moyennes). On calcule : N R(0) 1 2 R(0) = (t); R(0) = =1 N t=1 R(0) 1 R(i) = N
N

(t) (t 1); R(0) =


t=1

R(i) = 1; i = 1, 2, 3, .., imax R(0)

imax = max(nA , nB + d) et les RN (i) sont des estimations des auto corr elations (normalis ees). 8

Si la s equence des erreurs de pr ediction r esiduelles est parfaitement blanche (situation th eorique) et le nombre d echantillons tr` es grand, alors on obtient : RN (0) = 1; RN (i) = 0; i 1 Dans des situations r eelles cela nest jamais le cas, cest a ` dire que les RN (i) ne sont pas tout a ` fait nuls pour i 1 ; car dune part, contient des erreurs r esiduelles de structure (erreurs sur lordre, eet non lin eaire, bruit non gaussien), et dautre part, le nombre des echantillons est relativement petit (quelques centaines). On consid` ere alors comme crit` ere pratique de validation : 2.17 R(0) = 1; abs[RN (i)] ; N i 1 Si on tient compte de poids relatif des di erentes erreurs non gaussiennes et des erreurs de mod elisation qui augmentent avec le nombre des echantillons, le crit` ere de validation peut etre l eg` erement resserr e pour des valeurs faibles de N. Dans un souci de simplication, on peut consid erer comme une valeur num erique pratique pour le crit` ere de validation ; la valeur : abs[RN (i)] 0.15; i = 1, 2, 3, 4, .., imax Un crit` ere de validation trop bon indique que des simplications du mod` ele sont possibles A complexit e egale des mod` eles, on choisit le mod` ele donn e par la m ethode qui conduit aux RN (i)les plus petits. Notons aussi quune validation compl` ete du mod` ele implique, apr` es la validation utilisant la s equence dentr ee/sorties ayant servi pour lidentication, une validation utilisant un jeu dentr ee/sorties du proc ed e di erent de celui ayant servi pour lidentication.

Chapitre 4 Impl ementation sur MatLab


4.1 D eclaration et initialisation

D eclaration et initialisation des variables et le choix de chier sur lequel on va r ealiser notre mod` ele :

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

[nf,path]=uigetfile('*.mat'); load(nf) N=length(M) ; TT(1)=0; for i=1:1:N TT(i+1)=TT(i)+1/60; end %initialisation H=zeros(1440,10); %matrice d'observation = M' thetaE=zeros(10,2); %thataE(0)=0 Y=zeros(1440,2); %matrice des sorties err=zeros(1,2); % erreur selon une iteration E=zeros(1440,2); %matrice d'erreur ErreurMin = 5*ones(1440,2); %matrice erreur min a=zeros(10,1440); %pour le plot des ai b=zeros(10,1440); %pour le plot des bi theta=zeros(10,2); %plot de theta %sorties y1=zeros(1,1440); %sortie 1 y2=zeros(1,1440); %sortie 2 %sorties estimes y1M=zeros(1,1440); %sortie 1 du modele y2EM=zeros(1,1440); %sortie 2 du modele I=eye(10); P=1000*I;%intialisation de P en P(0)

4.2

Programme des moindres carr es

10

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

%Algo for t=1:1:1440 %iteration %calcul de P(k) P=P((P*H(t,:)'*H(t,:)*P)/(0.56+H(t,:)*P*H(t,:)')); %Calcul du gain K K=P*H(t,:)';% K est de taille (12,1) %calcul de thetaE thetaE=thetaE+K*(Y(t,:)H(t,:)*thetaE); %affectation des ai,bi,et theta for i=1:1:10 a(i,t)=thetaE(i,1); b(i,t)=thetaE(i,2); end y1(1,t)=Y(t,1)'; y2(1,t)=Y(t,2)'; %calcul de l erreur %matrice d erreur E=abs(YH*thetaE); YM = H*thetaE; %calcul de thetaE optimale if (E < ErreurMin) ErreurMin = E; THETA ESTIME = thetaE; end end

4.3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Repr esentation graphique du mod` ele :

%sorties estimees pour thetaE optimal Ye=H*THETA ESTIME; y1E=Ye(:,1)'; y2E=Ye(:,2)'; figure(1) for i=1:1:10 xlim([0 24]); set(gca,'XTick',[0,5,10,15,20,24]); subplot(5,2,i); %plot(TT,Hi,'k','LineWidth') plot(TT,a(i,:),'red') end figure(2); for i=1:1:10 subplot(5,2,i); plot(b(i,:),'red') end figure(3); plot(Y(:,1)','green'); hold on plot(y1E,'yellow'); figure(4); xlim([0 24]); set(gca,'XTick',[0,5,10,15,20,24]);

11

25 26 27

plot(TT,Y(:,2)); hold on plot(TT,y2E);

4.4
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Validation

% Validation % [nf,path]=uigetfile('*.mat'); load(nf); HM =[M(2,:)',M(4,:)',M(5,:)',M(7,:)',... M(8,:)',M(9,:)',M(10,:)',M(11,:)',M(12,:)',M(13,:)']; YV=[M(4,:)',M(7,:)']; YM = HM*THETA ESTIME; yM1=YM(:,1)'; Epsilon = abs(YM YV); figure(6) xlim([0 24]); set(gca,'XTick',[0,5,10,15,20,24]); plot(TT,YV(:,1)','red') hold on plot(TT,yM1,'blue') figure (7) plot (xcorr(Epsilon)/max(xcorr(Epsilon)))

4.5
4.5.1

Les gures des r esultats


Les param` etres du mod` ele

Les ai :

12

Les bi :

4.5.2

Le mod` ele : Sortie Ti n :

13

4.5.3

Le mod` ele : Sortie Hi n

4.5.4

La validation

14

4.5.5

Lautocorr elation de lerreur

On remarque bien que cest un erreur blanc, donc la m ethode est convergente.

15

Conclusion
Les avantages dune formulation r ecursive tiennent essentiellement en deux points. La possibilit e de traiter un plus grand nombre de donn ees que dans le cas de la formulation directe (pas de pseudo-inverse ` a calculer), notamment dans le cas de limplantation sur un contr oleur. Dans le cas des syst` emes variant dans le temps, la forme r ecursive permet de suivre les param` etres du syst` eme. Dans ce cas, lidentication en ligne est g en eralement suivie dune commande qui elle aussi sadapte aux param` etres courants, on entre alors dans le domaine des commandes auto adaptatives.

16

Vous aimerez peut-être aussi