Vous êtes sur la page 1sur 4

Estimation d'tat et estimation paramtrique simultane avec technique de rgularisation pour les sries temporelles courtes et bruites.

Anass BOUKHRIS, Gilles MOUROT, Jose RAGOT


Centre de Recherche en Automatique de Nancy - ESA CNRS 7039 Institut National Polytechnique de Lorraine F - 54 516 Vandoeuvre les Nancy Fax : (33) 03 83 59 56 44 Rsum. On expose ici une mthode d'estimation des paramtres d'un modle de type ARX qui prend en compte simultanment la prsence de bruit de mesure sur l'entre et la sortie de ce modle ainsi que des contraintes sur les fluctuations de cette entre. Conjointement, l'tat complet du systme (entres et sorties) est estim. La mthode est teste sur des donnes de simulation. Abstract. For process control improvement, coherency of information supplied by instrument lines and sensors must first be ensured ; because of the presence of random and possibly gross errors, the model equations of the process are not generally satisfied. The problem of how to reconcile the measurements so that they satisfy the model constraints is considered in this article. The proposed procedure to resolve this problem involve the use of a special filter to estimate both the parameters, the states and the inputs of a process ; smoothing of both estimations of the input and the output is increased by adding in the filter a variance term. Application is proposed in the field of rainfall processing in order to increase the quality of the supervision of this process.

1. Introduction Connatre l'tat de fonctionnement d'un processus physique est sans doute l'un des problmes les plus tudis dans le domaine de la conduite automatise. En effet, ds que cela fut rendu techniquement possible, les oprateurs chargs de la conduite d'un systme de production mais aussi ceux ayant en charge la surveillance de processus naturels ou lis l'environnement, ont cherch interprter les comportements partir des mesures et des informations disponibles. Comme il s'est vite rvl impossible, pour des raisons techniques et aussi conomiques, de mesurer toutes les grandeurs caractrisant un systme, force a t de limiter le nombre de capteurs a une valeur cependant suffisante pour permettre une estimation correcte de l'tat du systme considr. La limitation du nombre de capteurs s'est accompagn d'une recherche de modles physiques ou mathmatiques permettant de faon indirecte de dduire certaines grandeurs inaccessibles la mesure directe [7]. D'une faon gnrale, le problme d'estimation de l'tat d'un systme peut se formuler de la faon suivante : partir de mesures Ym ( t ) collectes sur le systme dont l'tat est caractris par les variables X (t ) , connaissant le modle du systme de mesure Y (t ) = g( X ( t )) , connaissant le modle du systme f ( X ( t ), ) = 0 , o reprsentent les paramtres du (t ) de l'tat systme, peut-on fournir une estimation X du systme ? Le problme est trs complexe rsoudre quand il est formul de faon gnrale. Cependant, pour certaines classes de systmes et de systmes de mesure, on peut fournir les conditions d'existence de sa solution ainsi que la solution ellemme [2], [5], [6]. C'est le cas classique o des -1-

modles linaires sont utilisables pour dcrire le comportement du processus et du systme de mesure : dX(t ) = A( ) X (t ) dt Y ( t ) = CX (t ) pour lesquels, lorsque les paramtres sont connues, la thorie des observateurs apporte des rponses. Le problme qui nous proccupe est cependant plus gnral puisque les paramtres sont inconnus. On cherche donc estimer l'tat du systme mais aussi et simultanment les paramtres de son modle. De faon gnrale, il s'agit d'un problme d'estimation non linaire. Cox [3] est sans doute le premier a avoir abord ce problme d'estimation d'tat et de paramtres par une mthode itrative fonde sur le maximum de vraisemblance. El Sherief [4] a propos galement une mthode d'estimation interactive linaire partir du filtre de Kalman. Ces mthodes sont aussi connues sous le nom "Bootstrap" et Puthenpura en a propos une version robuste. 2. Principe de la mthode Dans le cas de systme mono-entre et mono-sortie, le systme modliser est caractris par une entre x (t ) et une sortie y(t ) chantillonnes, aprs mise en forme des signaux, la mme priode constante. On note x m (t ) et ym ( t ) les valeurs mesures ainsi obtenues aprs chantillonnage. On suppose que les grandeurs thoriques x (t ) et y(t ) vrifient une quation de type ARX : y(k ) = ai y (k i ) + bi x (k i )
i=1 i=1 n m

(1)

A partir de N mesures ym (k ) et x m (k ) , on souhaite estimer les paramtres ai et bi du modle. Les mesures tant bruites, elles ne vrifient pas le modle ; on cherche donc galement estimer les grandeurs vraies y(k ) et x (k ) ; dans la suite de l'expos, ces (k ) et x (k ) . Le principe de estimations sont notes y cette estimation mixte (paramtres et variables du systme) consiste minimiser un critre fonction des carts entre mesures et estimations ; pour des raisons de simplicit, un critre quadratique a t retenu : (k ) y m (k ) )2 + ( x (k ) x m (k ) )2 = (y
k= 1 k =1 N N 1

(6) dans laquelle on rappelle les dimensions : Z 2 N 1 M (N 1).(2 N 1) 2 N 1 Z N 1

Les quations d'optimalit s'expriment 1 : L T ( ) =Z Z+M =0 Z L =0 = M ( ) Z L M ( ) = I p T Z=0 (7a) (7b) (7c)

(2)

Sans atteinte la gnralit, les carts apparaissant dans ce critre ne sont pas pondrs. Les estimations doivent satisfaire : (k ) = ai y (k i ) + bi x (k i ) y
i=1 i=1 n m

(3)

Le systme d'quations (7), non linaire, peut se rsoudre de la faon suivante. Des quations (7a) et (7b), on extrait aisment :
T T 1 = I Z 2 N 1 M ( )( M ( ) M ( )) M ( ) Z

(k ) et x (k ) La calcul des estimations des variables y et des paramtres ai et bi est fait en minimisant le critre (2) compte tenu de la contrainte (3) qui s'applique chaque instant. D'un point de vue numrique, il s'agit donc d'un problme classique d'optimisation quadratique sous contraintes nonlinaires de type galit, la non-linarit provenant du couplage entre les variables du systmes et ses paramtres. En raison de la dimension importante du vecteur de mesure et des bruits qui affectent ces dernires, les techniques classiques de rsolution peuvent s'avrer inefficaces ; pour cette raison, nous avons dvelopp une technique originale. 3. Mise en oeuvre Pour rsoudre le problme d'optimisation, on propose au pralable une prsentation matricielle. Pour cela, dfinissons tout d'abord les vecteurs des variables et de leurs estimations ainsi que celui des paramtres : Z = ( y (1) x (1) y(2 ) x ( N 1) y ( N )) = (y (1) x (1) ( N 1) y ( N )) T Z y(2 ) x = ( a1 an b1 ... bm )
T T

(8)

On note que si M ( ) est de plein rang ligne, ce qui est toujours le cas compte tenu de sa structure, alors la matrice M ( )M T ( ) est rgulire. L'quation (7c) tant non-linaire par rapport , on estime ce paramtre par une mthode itrative. La mthode de Newton-Raphson est utilise. On a l'itration courante i+1 : 2 L L i +1 = i T i i
1

(9)

qui ncessite le calcul du Hessien du Lagrangien. On peut au pralable remarquer que le gradient du lagrangien par rapport peut s'crire indiffremment : L M ( ) = I p T Z L T M ( ) = Ip Z

(4a) (4b) (4c)

( (

) )

(10a) (10b)

A partir de (10a) et (10b), on peut calculer : 2 L Z T M T = I p T M0 T + I p Z 0 T T

La contrainte (3), exprime sur l'horizon d'observation N , peut s'crire : =0 M ( ) Z o M R


( N n).(n + m + N +1)

(5) , , p = n + m .
1 p

La matrice M ( ) s'explicite ainsi trs simplement et de faon linaire en fonction des paramtres du modle. Le Lagrangien associ au problme d'optimisation peut alors se mettre sous la forme : -2-

Rgle de drivation d'un produit de matrice par rapport une matrice


A Rn. m , B Rm .q , Rr. s ( AB) A (Is B) + ( Ir A) B =

M ( ) . On donne : aussi la faon de calculer les drives de et de Z avec la dfinition suivante M0 = M T Z T = T I p + M ( ) T T 1 = M ( )M T ( ) T

contraintes. La figure (2) montre une situation de ce type ; nous avons utilis l'exemple prcdent mais avec des bruits de mesure beaucoup plus importants. On constate sur la figure (2) un filtrage mdiocre du signal d'entre alors que la signal de sortie ne prsente pas de perturbations excessives.
0.15 0.1 0.05 0 -0.05 0 0.2 10 20 30 40 50

M ( ) M ()M T ( ) I Z Ip p T T

M ( ) M T ( ) T

) = M ( ) I M T ( ) + M ( ) M T ( ) (p ) T T

0.15

4. Rsultats de simulation La figure 1 montre les signaux d'entre et de sortie d'un systme dynamique du premier ordre ; les donnes sont lgrement bruites partir d'un gnrateur pseudo-alatoire valeurs centres. Aprs application de la technique propose un modle du premier ordre, on a obtenu les paramtres suivants : a1 = 0.904 b1 = 0.205

0.1 0.05 0 -0.05 0 10 20 30 40 50

Figure 2. Estimation des entre et sortie comparaison avec les mesures. On propose dans ce cas d'introduire une contrainte supplmentaire ayant un rle de rgularisation ; de faon intuitive, au vu des rsultats de la figure (2), on impose qu'entre deux pas d'chantillonnage l'entre estime aie des variations d'amplitude limite. La quantit suivante : (k + 1) x (k ) )2 = (x
k =1 N 1

La figure 1, donne les valeurs estimes des grandeurs vraies d'entre et de sortie. On peut apprcier la qualit du modle par son aptitude reconstruire les signaux d'entre et de sortie du systme. On note cependant que cette reconstruction s'accompagne d'un filtrage plus efficace pour la sortie que pour l'entre.
0.15 0.1 0.05 0 -0.05 0 10 20 30 40 50

(11)

reprsente la somme des carrs des variations de l'entre estime. Le problme d'estimation est alors modifi en minimisant le critre : m = + p
(12)

0.2 0.15 0.1 0.05 0 -0.05 0 10 20 30 40 50

sous la contrainte (3). Le paramtre p permet de donner "plus ou "moins" d'importance l'effet de filtrage des estimations de l'entre. Son rglage est laiss la discrtion de l'utilisateur. Comme prcdemment, une formulation vectorielle est propose. Pour cela, on dfinit la matrice C : 0 C = .. . 1 .. . 0 0 .. . 1 1 0 0 0 1
2

... 1 0

0 1

Figure 1. Estimation des entre et sortie comparaison avec les mesures. 4. Amlioration de la mthode Dans le cas de mesures trs bruites, on a constat l'impuissance de la technique propose restituer des estimations du signal d'entre "suffisamment filtres" bien que vrifiant parfaitement les quations de -3-

... 0

. Le lecteur pourra ce qui permet d'crire = C Z tablir les conditions d'optimalit du Lagrangien associ au problme d'optimisation :

L + M T ( ) = 0 = Z Z + pC T C Z Z L =0 = M ( ) Z L M ( ) = T Z=0

(13a) (13b) (13c)

Le principe de rsolution est le mme que prcdemment. On rsout les quations (13a) et (13b) : = (MQM T ) 1 MQZ T T 1 =Q I Z 2 N 1 M ( )(M ( ) QM ( )) M ( )Q Z av

ec :

Q = I + pC T C

Les valeurs de sont obtenues en rsolvant de faon itrative les quations (13c) comme cela a t indiqu prcdemment. Pour illustrer les performances de la mthodes proposes, les donnes de l'exemple prcdent sont rutilises. Le poids attribu au critre de filtrage est p = 1. La figure 3 met bien en vidence l'effet de filtre des estimations.
0.15 0.1 0.05 0 -0.05 0.2 0.15 0.1 0.05 0 -0.05 0 10 20 30 40 50 0 10 20 30 40 50

Figure 3. Estimation des entre et sortie comparaison avec les mesures. 5. Conclusion On a prsent une technique d'estimation des paramtres d'un modle ARX dans le cas o les signaux d'entre et de sortie sont soumis des erreurs de mesure. La technique utilise simultanment une estimation des paramtres et des variables d'entre et de sortie ; le volume des calculs est limit compte tenu du fait que l'estimations des variables utilise une procdure analytique et que les seuls les paramtres sont estimes de faon itrative. Il est possible d'tendre cette technique un traitement en ligne comme cela est propos dans [8] et [12] pour le cas de l'estimation d'tat. Rfrences -4-

[1] V. Charpentier, L.J. Chang, G.M. Schwenzer, M.C. Bardin. An on-line data reconciliation system for crude and vacuum units. NPRA Computer Conference, Houston, 1991. [2] S. Bousghiri, F. Kratz, J. Ragot., Comparison of the data reconciliation and the finite memory observer at the inverted pendulum. Safeprocess'94, IFAC/IMACS Symposium, 1994. [3] H. Cox. On the estimation of state variables and parameters for noisy dynamic systems. IEEE Transactions on Automatic Control, AC-9, p.5-12, 1964. [4] H. El Sherief, N.K. Sinha. Determination of the structure of a system. IEEE Trans. on systems, man and cybernetic, 12 (5), p. 568-673, 1982. [5] T.W. Karjala, D.M. Himmelblau. Dynamic rectification of data via recurrent neural nets and the extended Kalman filter. AIChe Journal, 42 (8), p. 2225-2239, 1996. [6] M.J. Liebman, T.F. Edgar, L.S. Lasdon. Efficient data reconciliation and estimation for dynamic process using non linear programming techniques. Computer Chem. Eng., 16, p. 963, 1992. [7] S. Makni, D. Hodouin, C. Bazin. A recursive imbalance method incorporating a model of flowrate dynamics for on line material balance. Minerals Engineering, 8 (7), p. 753-766, 1995. [8] K.R. Muske, J.B. Rawlings, J.H. Lee. Receeding horizon recursive state estimation. Proceeding of the American Control Conference, p.900, 1993. [9] G. Nicolao, G. Sparacino, C. Cobelli. Nonparametric input estimation in physiological systems : problems, methods and case studies. Automatica, 33 (5), p. 851-870, 1997. [10] J. Ragot., D. Maquin., D. Sauter. Data validation using orthogonal filters. IEE Proceedings D, control theory and applications, vol. 139, n 1, p. 47-52, 1992. [11] J. Ragot, M. Darouach, D. Maquin., G. Bloch. Validation de donnes par quilibrage de bilan. Trait des nouvelles technologies, srie diagnostic et maintenance, HERMES, juin 1990. [12] D.G. Robertson, J.H. Lee, J.B. Rawlings. A moving horizon-based approach for least-squares estimation. AIChE Journal, 42 (8), p. 2209-2224, 1996. [13] D.E. Simson, M.G. Everett, V.R. Voller. Reducing the number of unknown in a constrained minimisation problem - an application to material balance. Applied Mathematical Modelling, 12, p. 204-211, 1988.