Vous êtes sur la page 1sur 156

Thse prsente pour obtenir le grade de Docteur de lUniversit Louis Pasteur Strasbourg I Discipline : lectronique, lectrotechnique, Automatique Spcialit

: Automatique par Ali Zemouche

Soutenue publiquement le Mars


Directeur de Thse : Rapporteur Interne : Rapporteur Externe : Rapporteur Externe : Examinatrice : Examinateur : Mohamed BOUTAYEB, Professeur, Universit Louis Pasteur, Strasbourg Michel de MATHELIN, Professeur, Universit Louis Pasteur, Strasbourg Jean-Jacques SLOTINE, Professeur, Institut de Technologie de Massachusetts, USA Olivier BERNARD, Charg de Recherche, HDR, INRIA SophiaAntipolis Gabriela Iuliana BARA, Matre de Confrences, Universit Louis Pasteur, Strasbourg Mondher FARZA, Matre de Confrences, Universit de Caen, Caen

ii

Remerciements

Ce travail a t ralis au Laboratoire des Sciences de lImage, de lInformatique et de la Tldtection (LSIIT), au sein de lquipe AVR (Automatique, Vision et Robotique) dirige par Monsieur le Professeur Michel De Mathelin que je remercie pour mavoir accuilli au sein de son groupe de recherche et mis ma disposition les moyens ncessaires pour mener cette thse son terme. Je remercie trs chaleureusement mon directeur de thse, Mohamed Boutayeb, Professeur lUniversit Louis Pasteur Strasbourg I, pour avoir dirig mes travaux et mavoir fait dcouvrir le monde de la recherche. Merci pour vos changes scientiques, vos conseils et votre rigueur. Merci pour votre soutien scientique et humain. Je voudrais aussi vous remercier davoir cru en mes capacits et de mavoir fourni dexcellentes conditions me permettant daboutir la production de cette thse. Cette thse naurait vu le jour sans votre conance et votre gnrosit. Je tiens remercier galement mon encadrante de thse, Gabriela Iuliana Bara davoir accpt dencadrer ce travail tout au long de ces trois annes. Je la remercie aussi pour ses relectures efcaces des diffrents crits. Jexprime galement mes remerciements aux membres du jury, qui ont accept dvaluer mon travail de thse. Merci Monsieur Michel De Mathelin, Professeur lUniversit Louis Pasteur Strasbourg I, davoir accept dtre au mme temps rapporteur interne et prsident du jury de cette thse, et Messieurs Jean Jacques Slotine de lInstitut de Technologie de Massachusetts (MIT, Boston) et Olivier Bernard, habilit diriger des recherches lINRIA Sophia Antipolis davoir accept dtre les rapporteurs externes de ce manuscrit. Leurs remarques et suggestions lors de la lecture de mon rapport mont permis dapporter des amliorations la qualit de ce dernier. Jadresse galement mes remerciements Monsieur Mondher Farza, Matre de Conferences lUniversit de Caen pour avoir accept dexaminer mon mmoire et de faire partie de mon jury de thse. Je tiens aussi remercier mes collgues de lquipe AVR pour leur soutien durant ses annes passes avec eux. Jadresse mes vifs remerciements tous mes amis, thsards ou non, pour leur sympathie et la bonne ambiance : Adlane et sa femme Haoua, Ahmed et sa femme Yosra, Chadi et sa femme Waod, Mohamed, Hua yunjie, Estelle, Karima et Sarah. Je noublie pas non plus mes autres amis parmi lesquels je remercierai Boualem et Alexandra, Sad et Laurence, Himane et les deux Rabah. Merci plus particulirement Youcef et Hamitouche pour leur dplacement de Paris jusqu Strasbourg. Je remercie particulirement Alexandra pour sa relecture efcace du manuscrit. Toute ma gratitude et mes chaleureux remerciements vont ma famille et ma belle famille. Je remercie plus particulirement et sincrement ma grand-mre. Enn, je ne remercierai sans doute jamais assez ma trs chre pouse, qui a su faire preuve dune grande patience, de comprhension et ma accompagn et soutenu de faon permanente dans les moments difciles tout au long de ces annes.

iii

iv

vi

Table des matires

Introduction gnrale Chapitre 1 tat de lart sur les observateurs dtat des systmes non linaires 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Rappels et gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2.1 Stabilit des systmes dynamiques : Stabilit de Lyapunov . . . . . . . . . 1.2.2 Mthode directe de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . 1.2.3 Stabilit des systmes retard . . . . . . . . . . . . . . . . . . . . . . . . . 1.2.4 Analyse de la contraction . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 Observateurs dtat des systmes non linaires . . . . . . . . . . . . . . . . . . . . 1.3.1 Principe destimation dtat . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.2 Observabilit des systmes non linaires . . . . . . . . . . . . . . . . . . . 1.3.3 Les diffrents types dobservateurs : tat de lart . . . . . . . . . . . . . . . 1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Chapitre 2 Synthse dobservateurs dtat des systmes temps continu 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Approche base sur le DMVT : Transformation en LPV . . . . . . . . . . . . . . . 2.2.1 Prliminaires et formulation du problme . . . . . . . . . . . . . . . . . . vii

6 6 6 8 9 10 12 12 15 17 28

32 32 32

Table des matires 2.2.2 Procdure de synthse dobservateur . . . . . . . . . . . . . . . . . . . . . 2.2.3 Observateur avec gain afne . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.4 Systmes sorties non linaires . . . . . . . . . . . . . . . . . . . . . . . . 2.2.5 Systmes non diffrentiables . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Extension au ltrage H : observateur robuste . . . . . . . . . . . . . . . . . . . 2.3.1 Synthse dobservateur H . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4 Extension au cas des systmes entres inconnues . . . . . . . . . . . . . . . . . 2.5 DMVT et Observateur de Luenberger Gnralis (OLG) . . . . . . . . . . . . . . . 2.5.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.2 Synthse dobservateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.3 Exemple numrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.4 Cas des systmes entres inconnues . . . . . . . . . . . . . . . . . . . . . 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Chapitre 3 Synthse dobservateurs dtat des systmes temps discret 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Synthse dobservateurs temps discret : premire approche . . . . . . . . . . . . 3.2.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.2 Synthse de lobservateur . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.3 Premire amlioration : utilisation de nouvelles fonctions de Lyapunov . . 3.2.4 Deuxime amlioration : utilisation dun observateur de Luenberger gnralis (OLG) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.5 Extension la restauration dentres inconnues . . . . . . . . . . . . . . . 3.3 Transformation en LPV laide du DMVT : seconde approche . . . . . . . . . . . . 3.3.1 Formulation du Problme . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.2 Mthode de synthse dobservateur . . . . . . . . . . . . . . . . . . . . . . 3.3.3 Exemple numrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Chapitre 4 Extensions aux systmes retard 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Premire mthode : transformation en LPV . . . . . . . . . . . . . . . . . . . . . . 4.2.1 Formulation du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.2 Procdure de synthse dobservateur . . . . . . . . . . . . . . . . . . . . . 4.2.3 Cas des systmes non diffrentiables . . . . . . . . . . . . . . . . . . . . . viii 82 82 82 84 87 69 73 75 75 77 77 79 62 62 62 63 65 35 38 39 41 45 46 48 51 52 53 56 58 59

4.3 Deuxime mthode : utilisation des OLGs . . . . . . . . . . . . . . . . . . . . . . 4.3.1 Formulation du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.2 Synthse dobservateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4 Systmes temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.1 Formulation du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.2 Conditions de synthse de lobservateur . . . . . . . . . . . . . . . . . . . 4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Chapitre 5 Application la synchronisation et au cryptage/dcryptage

91 91 93 94 96 96 98 99

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 5.2 Sur les systmes chaotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 5.2.1 Caractrisation globale du chaos . . . . . . . . . . . . . . . . . . . . . . . 102 5.2.2 Quelques exemples de systmes chaotiques . . . . . . . . . . . . . . . . . 104 5.3 Communiquer avec le chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 5.3.1 Synchronisation des systmes chaotiques . . . . . . . . . . . . . . . . . . . 108 5.3.2 Quelques techniques de cryptage/dcryptage . . . . . . . . . . . . . . . . 110 5.4 Applications : transmission dimages . . . . . . . . . . . . . . . . . . . . . . . . . 113 5.4.1 Utilisation de la mthode avec deux lignes de transmission . . . . . . . . . 113 5.4.2 Synchronisation et dcryptage simultanment . . . . . . . . . . . . . . . . 115 5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 Conclusion gnrale Annexes Annexe A Quelques rappels mathmatiques A.1 Thorie des Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 A.2 Rappels sur la Convexit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 Annexe B Rfrences Personnelles Bibliographie 133 121

ix

Table des matires

Table des gures

1.1 Principe destimation dtat. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1 Convergence asymptotique de ltat (ligne continue) vers son estim (ligne pointille). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Le comportement asymptotique de lerreur destimation. . . . . . . . . . . . . . . 2.3 Example 1 : Comportement asymptotique de lerreur et de ltat du systme. . . . 3.1 3.2 3.3 3.4 Example 2 : Le comportement asymptotique de lerreur destimation. Le comportement asymptotique de lerreur destimation . . . . . . . Le Comportement de lerreur destimation. . . . . . . . . . . . . . . . La convergence asymptotique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

37 46 57 65 69 73 78 87 90 95 103 103 104 105 105 106 107 109 110 110

4.1 Evolution exponentielle de lerreur destimation. . . . . . . . . . . . . . . . . . . . 4.2 Le comportement de lerreur destimation. . . . . . . . . . . . . . . . . . . . . . . 4.3 La convergence exponentielle de lerreur destimation. . . . . . . . . . . . . . . . 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 5.10 Evolution dans le temps pour deux conditions initiales trs proches. . . . . Evolution dans le temps dun systme chaotique, compar une sinusode. Systme chaotique de Lorenz. . . . . . . . . . . . . . . . . . . . . . . . . . Systme chaotique de Rssler. . . . . . . . . . . . . . . . . . . . . . . . . . Le circuit lectrique de Chua. . . . . . . . . . . . . . . . . . . . . . . . . . Lattracteur chaotique de Chua. . . . . . . . . . . . . . . . . . . . . . . . . Systme chaotique de Henon. . . . . . . . . . . . . . . . . . . . . . . . . . Principe de Pecora-Carroll. . . . . . . . . . . . . . . . . . . . . . . . . . . . Principe de synchronisation base dobservateurs. . . . . . . . . . . . . . Schma de communication par addition. . . . . . . . . . . . . . . . . . . . xi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Table des gures 5.11 5.12 5.13 5.14 5.15 5.16 5.17 5.18 5.19 Schma de communication par dcalage. . . . . . . . . . . . . . . . . . Schma de communication en utilisant les cryptosystmes chaotiques. Schma de communication deux lignes de transmission. . . . . . . . Image originale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Image crypte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Composantes de lerreur de synchronisation. . . . . . . . . . . . . . . . Image dcrypte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Images originale et dcrypte aprs augmentation de la taille. . . . . . Images crypte et dcrypte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 112 112 114 115 116 117 118 118

xii

Notations et acronymes

Ensembles

R R+ N N Rs R r s Br C ([a, b], Rs ) Ls 2 s l2 Co(x, y )

Ensemble des nombres rels Ensemble des nombres rels positifs Ensemble des entiers naturels Ensemble des entiers naturels non nuls Espace rel euclidien de dimension s Ensemble des matrices relles de dimension r s Boule de Rn de rayon r > 0, avec n N Ensemble des fonctions continues sur [a, b] dans Rs Ensemble des vecteurs fonctions de Rs carres intgrables sur R+ Ensemble des suites vectorielles de Rs carres sommables sur N Ensemble convexe dni par Co(x, y ) := x + (1 )y, 0 1 . xiii

Notations et acronymes

Matrices et normes
M > 0 (M 0) M < 0 (M 0) Is (I ) 0rs (0) MT M 1 M11 M12 () M22 min (M ) resp. max (M ) min (M ) x x x
Ls 2
s l2

Matrice M symtrique dnie (resp. semi-dnie) positive Matrice M symtrique dnie (resp. semi-dnie) ngative Matrice identit de dimension s s (resp. approprie) Matrice nulle de dimension r s (resp. approprie) Transpose de la matrice M Inverse de la matrice M
T Matrice symtrique, le symbole () reprsente M12

Valeur propre minimale resp. maximale de M Valeur singulire minimale de M Norme euclidienne du vecteur x Norme Ls 2 de x, dnie par x
s de x, dnie par x Norme l2 Ls 2
s l2

:=

x(t) 2 dt
1 2

1 2

:=
k =0

x(k) 2 ds

Acronymes
EKF LMI LTI LPV LTV SCI SISO MIMO OLG DMVT Filtre de Kalman tendu (Extended Kalman Filter) Ingalit matricielle linaire (Linear Matrix Inequality) Linaire Temps Invariant Linaire paramtres variants Linaire temps variants Sensibilit aux Conditions Initiales Entre simple sortie simple (Single Input Single Output) Entre multiple sortie multiple (Multiple Input Multiple Output) Observateur de Luenberger gnralis Thorme des accroissements nis (Differential Mean Value Theorem)

xiv

Introduction gnrale

Une bonne matrise dun procd passe en gnral par une bonne information sur ce procd. Les variables directement mesures ne couvrant gnralement pas la totalit des grandeurs susceptibles de dcrire le comportement du procd (les tats), on peut se poser le problme de reconstruction de linformation non directement mesure au moyen de celle disponible : cest le rle de lobservateur, ou estimateur dtat. Le principe est le suivant : Le procd tant modlis comme un systme dynamique soumis laction de grandeurs externes (entres) faisant varier un ensemble de grandeurs mesures (sorties), lobservateur consiste en un systme dynamique auxiliaire dont les entres sont les entres/sorties mesures du procd, et les sorties sont supposes donner une estimation de son tat interne. Contexte du travail Au cours des dernires dcennies, une part importante des activits de recherche en automatique sest focalise sur le problme de lobservation de ltat des systmes dynamiques non linaires. Ceci est motiv par le fait que lestimation de ltat est une tape importante voir indispensable pour la synthse de lois de commande, pour le diagnostic ou la supervision des systmes industriels. Rcemment, dautres applications telles que la synchronisation et le dcryptage dans les systmes de communication, sont devenues lun des secteurs de recherche les plus dynamiques. Dans ce contexte, nous avons men des travaux de recherche sur lestimation de ltat et des entres inconnues dune classe de systmes non linaires avec ou sans retards. Les premires approches utilises pour lestimation de ltat des systmes dynamiques non linaires sont bases sur des techniques dapproximation, citons le clbre Filtre de Kalman Etendu. Le gain de lestimateur est calcul, chaque instant, par rapport une approximation au premier ordre de lquation de ltat et de lquation de mesure. Dans de nombreux cas pratiques, cette approche donne des rsultats relativement satisfaisants. Notons que malgr des conditions peu restrictives dapplicabilit, ces approches souvent locales, souffrent cependant dune grande sensibilit aux 1

Introduction gnrale conditions initiales et aux erreurs de modlisation. Il existe trs peu de rsultats sur la stabilit des estimateurs et encore moins lorsque ils sont utiliss pour la commande. La deuxime approche concerne la classe des systmes non linaires composs dune partie non linaire satisfaisant la condition de Lipschitz et une partie linaire o A, C est suppose observable. Cette technique a lavantage dtre simple implanter car le gain de lobservateur, quand il existe, est constant. Cependant, les conditions de convergence sont fortement restrictives et ne concernent que les systmes avec des constantes de Lipschitz trs faibles. La dernire approche consiste se ramener un systme linaire ou bilinaire modulo une injection de sortie par un changement de coordonnes non linaire. Ces approches sappliquent sous des conditions restrictives de linarisation ou de bi-linarisation, dautant plus que la robustesse aux perturbations et aux incertitudes a t peu tudie. Rcemment, une nouvelle conception dobservateurs dtat a t tablie (observateur de Luenberger gnralis (OLG)). Cette conception consiste ajouter lobservateur de Luenberger un deuxime gain dans la partie non linaire du systme. Cependant, cette technique est applicable sur une classe rduite de systmes non linaires. Objectifs du travail de thse Les principaux objectifs de cette thse sont : 1. Dveloppement de nouvelles mthodes de synthse dobservateurs pour la classe des systmes non linaires, notamment les systmes lipschitziens. Lobjectif est dtablir des conditions de synthse non restrictives du point de vue de faisabilit par rapport des rsultats existant dans la littrature. 2. Proposition de nouvelles structures dobservateurs en se basant sur celles dveloppes rcemment dans la littrature. Le but est dtendre lapplicabilit des mthodes que nous avons obtenues des classes plus larges de systmes dynamiques, savoir les systmes non lipschitziens. 3. Recherche de nouvelles fonctions de Lyapunov qui permettent dobtenir des conditions de synthse dobservateurs non contraignantes : gnralisation de la fonction de Lyapunov quadratique standard en tenant compte de la non-linarit du systme tudi. 4. Application des mthodes obtenues la restitution dinformations utiles dans les systmes de communications chaotiques : synchronisation et dcryptage dans les rseaux de tlcommunication. Structure du mmoire Aprs quelques rappels, sur les notions de stabilit et dobservabilit, indispensables et ncessaires la comprhension de ce manuscrit, le chapitre 1 prsente un tat de lart sur les diffrentes mthodes existantes concernant la conception dobservateurs pour les systmes non linaires. Cinq mthodes ont t prsentes de faon non exhaustive, leur classication nest pas unique. Lune des contributions principales de notre travail de recherche, prsente dans le chapitre 2 de ce rapport de thse, rside dans lutilisation du Thorme des Accroissements Finis (DMVT : 2

Differential Mean Value Theorem, pour le sigle anglais) qui permet de ramener le problme destimation dtat dun systme dynamique non linaire un problme de stabilit dun systme Linaire Paramtres Variant (LPV). En fait, le DMVT intervient au niveau de la dynamique de lerreur destimation (qui dnit un systme non linaire quelconque) an de la transformer en un systme LPV dont la stabilit asymptotique implique la convergence asymptotique de lerreur destimation vers zro. En sinspirant des techniques LPV, des conditions de stabilit sous forme dIngalits Linaires Matricielles (LMIs) ont t obtenues. Des gnralisations ont t obtenues pour les systmes non diffrentiables, les systmes partiellement LPV et les systmes sorties non linaires. Lutilisation de la thorie H nous a permis dadapter notre approche au cas des systmes affects par un bruit born. Une conception dun observateur robuste a t dtaille dans le manuscrit. Des conditions de synthse du gain de lobservateur, tenant compte de la robustesse au bruit, ont t tablies. En utilisant quelques transformations, cette technique a t ensuite tendue aux systmes entres inconnues, savoir lestimation de ltat et des entres inconnues (simultanment) avec des conditions de synthse moins restrictives que celles dveloppes dans la littrature. Une deuxime mthode a t galement prsente dans le chapitre 2 du manuscrit. Cette mthode repose sur lutilisation dune nouvelle structure de lobservateur, base sur un OLG. Cette structure permet de complter les rsultats dvelopps dans la littrature dune part, et dautre part, elle permet dtendre la mthode base sur la transformation en LPV une classe plus large de systmes, savoir les systmes non lipschitziens. Nous avons galement dvelopp des techniques spciques aux systmes non linaires lipschitziens temps discret. Les rsultats, dtaills dans le chapitre 3, que nous avons obtenus sont trs intressants. En effet, cette classe de systmes est peu tudie par la communaut scientique. Peu de mthodes ont t tablies dans la littrature. La contribution principale se situe dans lutilisation de fonctions de Lyapunov plus gnrales qui ont permis dobtenir des conditions de synthse moins restrictives que celles obtenues antrieurement. Une amlioration de ce rsultat a t ensuite propose. Cette amlioration repose sur lutilisation dun observateur de Luenberger gnralis (OLG) et lcriture du systme tudi sous une forme plus dtaille, cest dire, la spcication de la matrice de distribution de la non-linarit dans le systme, B , et la matrice de distribution de ltat dans la non-linarit, H . En fait, linjection de ces matrices dans le systme et lutilisation dun OLG permettent dliminer leffet de la constante de Lipschitz et rendent les conditions de synthse moins contraignantes dans la plupart des cas. Il est signaler galement que la spcication des matrices B et H joue un rle trs important sur la faisabilit des conditions de synthse. En effet, labsence de la matrice H signie que la mthode de synthse ne distingue pas un systme, dont la non-linarit dpend de ltat entier, dun autre dont quune partie de ltat est prsente dans la non-linarit. La matrice H aussi permet daboutir des conditions de synthse qui font la diffrence entre un systme dont toutes les composantes comportent des non-linarits et un autre dont la non-linarit nintervient que sur quelques composantes. Une application de cette mthode la restauration des entres inconnues a t directement envisage. Notons quune extension directe, au cas des systmes temps discret, de la technique de transformation en LPV, laide du DMVT, prsente dans le chapitre 2 a t aussi aborde dans le chapitre 3.

Introduction gnrale

Les extensions des rsultats des chapitres 2 et 3, au cas des systmes retard, ont t prsentes dans le chapitre 4. Ces extensions ont t obtenues grce lutilisation dune fonction de Lyapunov-Krasovskii particulire. Les conditions de synthse tablies sont exprimes sous forme dingalits linaires matricielles (LMIs) non restrictives par rapport celles donnes par beaucoup dapproches existantes dans la littrature. An de valider certaines procdures de synthse dobservateurs dveloppes dans les chapitres 2 et 3, nous avons propos dans le chapitre 5 une application la synchronisation et au dcryptage dans les systmes de communications chaotiques. Pour cela, nous avons choisi comme application la transmission dimages couleurs. Pour raliser cette application, deux techniques ont t utilises : la premire est la mthode deux lignes de transmission, et la seconde sinspire des observateurs entres inconnues.

C HAPITRE

tat de lart sur les observateurs dtat des systmes non linaires

Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Rappels et gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 6


12

1.3 Observateurs dtat des systmes non linaires . . . . . . . . . . . . . . . .


1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires

1.1 Introduction
Le but de ce chapitre est de prsenter dune part quelques rappels indispensables et ncessaires la comprhension de ce mmoire, et dautre part un tat de lart sur les diffrentes mthodes de construction dobservateurs pour les systmes non linaires. La section 1.2 regroupe un ensemble de dnitions relatives la stabilit (le concept de stabilit considr est celui de Lyapunov) et lobservabilit des systmes dynamiques non linaires (notion dobservabilit et principe destimation dtat). Contrairement aux systmes linaires, lobservabilit des systmes non linaires est lie aux entres et aux conditions initiales. Nous rappelons ici la dnition base sur le concept dindistinguabilit des tats. La section 1.3 fournit un tat de lart sur les diffrentes techniques de conception dobservateurs pour les systmes non linaires. Nous allons voir quil nexiste pas de mthode universelle pour la synthse dobservateurs, et les approches envisageables sont soit une approximation des algorithmes linaires, soit des algorithmes non linaires spciques. Nous prsentons quelques algorithmes dobservation dune faon non exhaustive, leur classication nest pas unique.

1.2 Rappels et gnralits


1.2.1 Stabilit des systmes dynamiques : Stabilit de Lyapunov
Dans cette premire partie, nous rappelons quelques concepts sur la stabilit des systmes dynamiques. Les systmes temps continu, les systmes temps discret et les systmes retard seront tous abords. La notion de stabilit dun systme dynamique caractrise le comportement de ses trajectoires autour des points dquilibre. Lanalyse de la stabilit dun systme dynamique permet donc dtudier lvolution de sa trajectoire dtat lorsque ltat initial est proche dun point dquilibre. La stabilit au sens de Lyapunov est une thorie gnrale valable pour toute quation diffrentielle. Cette notion signie que la solution dune quation diffrentielle initialise au voisinage dun point dquilibre en reste sufsamment proche. Cas des systmes temps continu Considrons la classe des systmes non linaires dcrits par lquation dynamique : x (t) = f (x(t), t), x(t0 ) = x0 (1.1)

o x(t) Rn et f : Rn R+ Rn continue. Nous dsignons par xe un point dquilibre de (1.1) tel que f (xe , t) = 0, t t0 , et par x(t, t0 , x0 ) la solution linstant t t0 du systme (1.1) initialise en x0 linstant t0 . Comme le contenu de ce mmoire ne concerne que la stabilit dune erreur destimation, alors nous supposons que le systme (1.1) possde un unique point dquilibre xe = 0. Ceci nous mne prsenter les dnitions de la stabilit du systme (1.1) autour de lorigine.

1.2. Rappels et gnralits Dnition 1.2.1. (Stabilit) Lorigine est un point dquilibre stable au sens de Lyapunov pour (1.1) si > 0, t0 0, il existe un scalaire positif (, t0 ) tel que : x0 < (, t0 ) x(t, t0 , x0 ) < , t t0 .

On dit que lorigine est instable dans le cas contraire. Dnition 1.2.2. (Stabilit uniforme) Lorigine est un point dquilibre uniformment stable pour (1.1) si > 0, il existe un scalaire positif () tel que : x0 < () x(t, t0 , x0 ) < , t t0 .

Dnition 1.2.3. (Attractivit) Lorigine est un point dquilibre attractif pour (1.1) si > 0, il existe un scalaire positif (t0 ) tel que : x0 < (t0 )
t

lim (x(t, t0 , x0 )) = 0, t t0 .

Lorsque (t0 ) = +, on dit que lorigine est globalement attractive. Dnition 1.2.4. (Stabilit asymptotique) Lorigine est un point dquilibre asymptotiquement (resp. globalement asymptotiquement) stable pour (1.1) sil est stable et attractif (resp. globalement attractif). Dnition 1.2.5. (Stabilit exponentielle) Lorigine est un point dquilibre localement exponentiellement stable pour (1.1) sil existe deux constantes strictement positives et telles que : x(t, t0 , x0 ) exp( (t t0 )), t t0 , x0 Br . Lorsque Br = Rn , on dit que lorigine est globalement exponentiellement stable. Cas des systmes temps discret Dans le cas des systmes temps discret, nous considrons le systme analogue suivant : x(k + 1) = f (x(k), k), x(k0 ) = x0 (1.2)

o x(t) Rn et f : Rn R+ Rn continue. Nous dsignons par x(k, k0 , x0 ) la solution linstant k k0 du systme (1.2) initialise en x0 linstant k0 . Les dnitions prcdentes restent valables pour les systmes temps discret de la forme (1.2). Cependant, concernant la stabilit exponentielle, il convient dapporter la dnition suivante :

Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires Dnition 1.2.6. (Stabilit exponentielle) Lorigine est un point dquilibre localement exponentiellement stable pour (1.2) sil existe des constantes > 0 et 0 < < 1 telles que : x(k, k0 , x0 ) x0 (kk0 ) , k k0 0, x0 Br . Lorsque Br = Rn , on dit que lorigine est globalement exponentiellement stable. Lutilisation des dnitions prcdentes, pour dmontrer la stabilit de (1.1) (resp. (1.2)) autour de son point dquilibre exige la rsolution explicite de lquation diffrentielle (1.1) (resp. lquation aux diffrences (1.2)), ce qui est souvent trs difcile voir impossible dans la plupart des cas. De ce fait, la mthode directe de Lyapunov permet de contourner cet obstacle. Cette mthode consiste dnir une fonction particulire dont lexistence garantit la stabilit.

1.2.2 Mthode directe de Lyapunov


La mthode directe de Lyapunov permet danalyser la stabilit dun systme autour de son point dquilibre sans le rsoudre explicitement [100]. Lexistence dune fonction particulire fournit des informations sur la stabilit du systme. Dnition 1.2.7. Soit V (x, t) : Rn R+ R+ une fonction continue. V est dite propre dnie positive si : 1. t R+ , x Rn , x = 0 3. t R+ , lim
x V

V (x, t) > 0;

2. t R+ , V (x, t) = 0 x = 0; (x, t) = .

Dnition 1.2.8. (Fonction de Lyapunov) Une fonction V (x, t) de classe C 1 est une fonction de Lyapunov locale (resp. globale) au sens large pour le systme (1.1) si elle est propre dnie positive et sil existe un voisinage de lorigine V0 tel que x V0 (resp. x Rn ) : (x, t) = V (x, t) + ( V (x, t) )f (x(t), t) 0. V t x (x, t) < 0, alors V est appele fonction de Lyapunov au sens strict pour (1.1). Si V Dnition 1.2.9. (Mthode directe de Lyapunov) Si le systme (1.1) admet une fonction de Lyapunov locale au sens large (resp. au sens strict) alors lorigine est un point dquilibre localement stable (resp. asymptotiquement stable). Ce rsultat peut tre valid globalement x Rn . Dnition 1.2.10. (Stabilit exponentielle) Lorigine de (1.1) est localement exponentiellement stable sil existe des constantes , , > 0, p 0 et une fonction V (x, t) : V0 R+ R+ de classe C 1 telles que, x V0 : 1. x 8
p

V (x, t) x

1.2. Rappels et gnralits (x, t) < V (x, t). 2. V

Si V0 = Rn , alors lorigine de (1.1) est globalement exponentiellement stable. Remarque 1.2.11. En choisissant la fonction de Lyapunov quadratique V (x, t) = xT P x, P = P T > 0, le systme linaire x (t) = Ax(t) est globalement exponentiellement stable lorigine si et seulement si P est la solution de lquation AT P + P A = Q, pour une matrice Q dnie positive. Pour le cas des systmes temps discret, la mthode directe de Lyapunov est directement transposable. Cependant, la notion de stabilit exponentielle dans le cas temps discret snonce comme suit : Dnition 1.2.12. (Stabilit exponentielle) Lorigine de (1.2) est localement exponentiellement stable sil existe une fonction propre dnie positive V (xk , k) : Br R+ R+ , V (0, k) = 0, et des constantes , et 0 < < 1 telles que, x0 Br et k k0 0 : 1. xk
2

V (x, t) xk

2;

2. La suite de Lyapunov {V (xk , k)}k=k0 ,... est strictement dcroissante, i.e : V (xk , k) = V (xk+1 , k + 1) V (xk , k) V (xk , k) o xk+1 = x(k + 1, k0 , x0 ) = f (x(k + 1), k + 1). Si Br = Rn , alors lorigine de (1.2) est globalement exponentiellement stable. Remarque 1.2.13. En choisissant la fonction de Lyapunov quadratique V (xk , k) = xT k P xk , P = T P > 0, le systme linaire xk+1 = Axk est globalement exponentiellement stable lorigine si et seulement si P est la solution de lquation AT P A P = Q, pour une matrice Q dnie positive.

1.2.3 Stabilit des systmes retard


Dans cette partie, nous prsentons uniquement la notion de stabilit exponentielle (concernant les systmes temps continu) utilise dans ce manuscrit pour les systmes retard. Pour les autres types de stabilit, veuillez voir [56]. An de simplier la prsentation des dnitions de stabilit des systmes retards, nous considrons la classe des systmes avec un seul retard dnie par les quations suivantes : x (t) = f (xt ( ), t), t t0 xt0 ( ) = ( ), [, 0] (1.3)

o xt ( ) C = C ([, 0], Rn ) est ltat du systme linstant t + , x(t) est ltat du systme linstant t, est la fonction initiale du systme (1.3).

Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires Dnition 1.2.14. (Stabilit exponentielle) Lorigine est un point dquilibre exponentiellement stable pour (1.3) sil existe des constantes > 0 et > 0 telles que pour toute solution x(t, t0 , ), C: x(t, t0 , ) exp((t t0 )), t t0 , C . La constante est appele le taux de convergence. Cette dnition exige la connaissance explicite de la solution de (1.3), ce qui est souvent difcile raliser. Ci-aprs, nous prsentons une dnition particulire, au sens de Lyapunov, qui dcoule du thorme de Lyapunov-Krasovskii [70]. Dnition 1.2.15. (Stabilit exponentielle) Le systme (1.3) est exponentiellement stable lorigine sil existe des constantes > 0, > 0, , p > 0 et une fonction V (xt , t) : C R+ R+ telles que : 1. x(t) p V (xt , t) xt p ; (xt , t) V (xt , t), xt Rn , t t0 . 2. V

Remarque 1.2.16. La thorie de la contraction est un outil rcent permettant ltude de la stabilit des trajectoires des systmes non linaires. Cet outil appartient la classe des mthodes de stabilit incrmentale. Nous disposons de quelques articles et livres qui reprennent en dtail toutes les dnitions [76], [77], [107], [64]. Dans [63], la dnition originale (classique) de la thorie de la contraction a t prolonge dans le but dincorporer dune faon explicite lentre (la commande) du systme considr. Une telle prolongation est appele "contraction universelle". Dans la suite, on prsentera un peu plus en dtail cette thorie.

1.2.4 Analyse de la contraction


On considre un systme dynamique sous la forme gnrale (1.1). En supposant que la nonlinarit f est continment diffrentiable, on aboutit la relation diffrentielle exacte suivante : x = f (x, t)x x (1.4)

o x est le dplacement virtuel (un dplacement innitsimal en xant le temps [107]). En drivant xT x par rapport au temps, on obtient d f (xT x) = 2xT x = 2xT x. dt x Si max (x, t) est la valeur propre maximale de la partie symtrique de la jacobienne valeur propre de
1 2 f x f T x f x

(i.e., la

), alors d (xT x) 2max xT x dt

10

1.2. Rappels et gnralits et par consquent


t
0

x x0 e

max (x,s)ds

(1.5)

Supposons maintenant que max (x, t) est uniformment strictement ngative (i.e., > 0, x, t 0, max (x, t) < 0). Daprs lquation (1.5) tout dplacement innitsimal converge exponentiellement vers zro. Do la dnition suivante : Dnition 1.2.17. Etant donn le systme (1.1), une rgion de lespace dtat est appele "rgion de contraction" si la jacobienne f x est uniformment dnie ngative dans cette rgion. Par
f x

uniformment dnie ngative on sous-entend que > 0, x, t 0, 1 f f T + 2 x x I < 0.

Thorme 1.2.18. Toute trajectoire de (1.1), initialise dans une boule de rayon constant centre autour dune trajectoire donne et contenue dans une rgion de contraction, reste dans cette boule et converge exponentiellement vers cette trajectoire. En outre, la convergence globale vers la trajectoire donne est assure si lespace dtat entier est une rgion de contraction. Ce rsultat sufsant de convergence exponentielle peut tre vu comme une version renforce du thorme de Krasovskii classique sur la convergence asymptotique globale. Le vecteur x peut tre galement exprim en utilisant le changement de coordonnes diffrentielles z = x (1.6) avec (x, t) une matrice carre. Par consquent, z T z = xT Mx (1.7)

o M(x, t) = T reprsente une mtrique symtrique et continment diffrentiable. En calculant la dynamique de z (ou la dynamique virtuelle), on a d z = F z dt avec (1.8)

+ f 1 . F = (1.9) x En suivant le mme raisonnement que le Thorme 1.2.18, la convergence exponentielle de z (et donc de x) vers zro peut tre dtermine dans des rgions avec F uniformment dnie ngative. Lquation (1.8) peut tre rcrite de faon quivalente, en fonction de la coordonne x, comme suit : d f x T z = M + T (1.10) dt x 11

Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires et donc

d f T + M f x. (xT Mx) = xT (1.11) M+M dt x x Par consquent, on peut conclure la convergence exponentielle vers une trajectoire simple dans T f des rgions o f x M + M x + M M M, o M est une constante strictement positive. Ceci amne remplacer la dnition 1.2.17 (qui correspond = M = I ) par la dnition plus gnrale suivante : Dnition 1.2.19. Etant donn le systme (1.1), une rgion de lespace dtat est appele "rgion de contraction" par rapport la mtrique uniformment dnie positive M(x, t) = T , si F est T M M, dans cette rgion. uniformment dnie ngative ou f M + M f + M
x x

On obtient ainsi le thorme plus gnral suivant : Thorme 1.2.20. Toute trajectoire de (1.1), initialise dans une boule de rayon constant par rapport la mtrique uniformment dnie positive M(x, t) centre autour dune trajectoire donne et contenue dans une rgion de contraction par rapport la mtrique uniformment dnie positive M(x, t), reste dans cette boule et converge exponentiellement vers cette trajectoire. En outre, la convergence globale vers la trajectoire donne est assure si lespace dtat entier est une rgion de contraction par rapport la mtrique uniformment dnie positive M(x, t).

1.3 Observateurs dtat des systmes non linaires


Cette section consiste en une introduction au problme dobservation dtat des systmes non linaires. Nous prsentons le principe destimation dtat, quelques dnitions sur la notion dobservabilit et un tat de lart sur les diffrentes techniques de conception dobservateurs pour les systmes non linaires.

1.3.1 Principe destimation dtat


Un observateur consiste en un systme dynamique auxiliaire (O) dont les entres sont les entres/sorties mesures dun systme (S ), et les sorties sont supposes donner une estimation de sont tat, selon le schma dcrit sur la Figure 1.1. Comme la suite de ce mmoire concerne les systmes temps continu et temps discret, nous utilisons la notation unie suivante pour dcrire un systme dynamique (S ) : x = f (x, u) y = h(x, u) o x (t) = x (t), t R+ dans le cas temps continu x(t + 1), t N dans le cas temps discret (1.12a) (1.12b)

12

1.3. Observateurs dtat des systmes non linaires

F IG. 1.1 Principe destimation dtat.

Dnition 1.3.1. Le systme dynamique (O) dcrit par les quations z = (z, u, y ) x = (z, u, y ) (1.13a) (1.13b)

z Rs , est un observateur asymptotique local pour le systme (S ) si les deux conditions suivantes sont vries : 1. x(0) = x (0) x(t) = x (t) t 0; 2. Il existe un voisinage ouvert Rn de lorigine tel que : x(0) x (0) x(t) x (t) 0 quand t +.

Si x(t) x (t) tend exponentiellement vers zro, le systme (O) est dit observateur exponentiel de (S ). Lorsque = Rn , le systme (O) est dit observateur global de (S ).

La condition 2 signie que lerreur destimation doit tre asymptotiquement stable. Un systme pour lequel un observateur de la forme (1.13) existe et tel que la condition 2 soit satisfaite est dit dtectable. Quant la condition 1, elle signie que si lobservateur (O) et le systme (S ) possdent tous les deux le mme tat initial, alors ltat estim de (O) devrait tre gal ltat rel du systme (S ) tout instant. Si ltat estim x est gal z , alors (1.13) peut tre remplace par : x x, u, y ) = ( (1.14) 13

Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires La condition 1 peut tre exprime par x = x x = x ce qui est quivalent x = x ( x, u, y ) = f ( x, u). Par consquent, sans perte de gnralit, (1.14) peut se rcrire comme suit : x x, u) + ( x, u, y ) = f ( o x = x ( x, u, y ) = 0. (1.15) Une fonction qui contient le facteur x x satisfait (1.15), mais puisque x nest pas mesur, ceci nest pas possible. Cependant, x = x h( x, u) = h(x, u) = y, donc nous pouvons prendre une fonction de la forme : ( x, u, y ) = K ( x, u, y ) y y o y = h( x, u). Lobservateur peut donc sexprimer comme suit : x, u) + K ( x, u, y ) y y x = f ( y = h( x, u) (1.16a) (1.16b)

La plupart des structures dobservateurs proposes dans ce mmoire sont sous la forme (1.16).

Observateur dordre rduit Pour les systmes sans couplage direct entre lentre et la sortie, i.e : y = h(x), il est possible de trouver une transformation dtat de faon ce que les sorties forment une partie du nouveau (x) vecteur dtat. En supposant que la jacobienne de lapplication de sortie h x soit de plein rang p, il est toujours possible de trouver une matrice constante T telle que la transformation Tx = (x) = y h(x) soit localement inversible (voir [103]). Le systme transform scrit : = (, u, y ) y = (, u, y ) y = C [ y ]T o (, u, y ) = T f (x, u) 14
x=1 ([ y ]T )

1.3. Observateurs dtat des systmes non linaires (, u, y ) = et C = [0p(np) Ip ]. Lobservateur dordre rduit joue un rle important. En effet, puisque y est mesur, il nest pas besoin dtre estim, ce qui rduit la dimension du vecteur dtat estim de n n p. h(x, u) f (x, u) x

x=1 ([ y ]T )

1.3.2 Observabilit des systmes non linaires


Avant dentamer une procdure de conception dobservateur pour un systme dynamique, il est important et ncessaire de sassurer que ltat de ce dernier peut tre estim partir des informations sur lentre et la sortie. Lobservabilit dun systme est la proprit qui permet de dire si ltat peut tre dtermin uniquement partir de la connaissance des signaux dentre et de sortie. Dans le cas des systmes non linaires, la notion dobservabilit est lie aux entres et aux conditions initiales. Dans cette section, une dnition plus prcise dobservabilit sera donne dans le cas des systmes temps continu de la forme x = f (x, u), y = h(x, u) avec f : Rn Rm Rn et h : Rn Rm Rp .
0 (t), t 0 et y 1 (t), t 0 deux signaux de sortie Dnition 1.3.2. (Indistinguabilit) Soient yu u gnrs par lapplication du signal dentre u(t), t 0 au systme (1.17) avec les conditions initiales x0 et x1 , respectivement. On dit que x0 et x1 sont indistinguables si 0 1 yu (t) = yu (t), t 0, pour tout entre u.

(1.17)

Dans le cas contraire, on dit que x0 et x1 sont distinguables. Dnition 1.3.3. (Observabilit) Le systme (1.17) est dit observable en x0 si x0 est distinguable de tout x Rn . En outre, le systme (1.17) est observable si x0 Rn , x0 est distinguable. Si nous supposons que u et y sont connus, les drives de u et y peuvent tre values. Dans ce cas, le concept dobservabilit peut tre interprt de manire clair. Pour un systme SISO, nous dnissons y = [y y y ... y (n1) ]T et u = [u u u ... u(n1) ]T . Chaque drive y (i) est une fonction de x et u, u, ..., u(i) , et donc aussi une fonction de x et u si i n 1. Soit i une fonction dnie par y (i) = i (x, u ). 15

Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires La drive de y (i) est alors donne par y (i+1) = i (x, u ) i (x, u ) du f (x, u) + x u dt

ce qui est, par dnition, i+1 (x, u ) si i + 1 n 1. En dnissant loprateur linaire Mf par : Mf (x, u ) = alors y scrit : y = (x, u ), o h(x, u) Mf h (x, u) . . .
1 h (x, u) Mn f

(x, u ) (x, u ) du f (x, u) + x u dt

est la matrice dobservabilit. Si la matrice dobservabilit (1.18) est inversible, i.e : il existe 1 telle que x = 1 (y , u ) alors le systme correspondant est observable. En outre, si la jacobienne de la matrice dobservabilit, (x, u ) , (x, u ) = x est inversible en x0 , alors il existe un voisinage Vx0 de x0 sur lequel est inversible. Dans ce cas, le systme correspondant est localement observable, ce qui signie que x0 est distinguable de tous les points de Vx0 . Pour les systmes multi-sorties, cest--dire y Rp , p > 1, la notion dobservabilit peut tre investigue dune manire similaire. Soit N = [n1 n2 ... np ]T
i=p

(x, u ) =

(1.18)

un vecteur dentiers positifs, avec


i=1

ni = n. y = [y1 y2 ... yp ]T ,

Dnissons et h(x, u) = [h1 (x, u) h2 (x, u) ... hp (x, u)]T .

16

1.3. Observateurs dtat des systmes non linaires En posant j (x, u ) =

hj (x, u) Mf hj (x, u) . . . Mf j
n 1

hj (x, u)

les drives de y j jusqu lordre nj sont

j ... yj [yj y

(nj ) T

] = j (x, u ).

Sil existe N tel que N (x, u ) soit inversible, alors ltat x peut tre dtermin partir de u , y, et les drives de chaque yj jusqu lordre nj . De ce fait, le systme correspondant est observable. Dans le domaine non linaire, il existe plusieurs faons de dnir la notion dobservabilit. En lien avec le concept dindistinguabilit des tats, une dnition trs frquente a t tablie dans [58]. Des rsultats importants ont t tablis dans [46] et [87] pour une classe spciale de systmes afnes en la commande. Pour plus de dtails sur les diffrents types de dnitions sur lobservabilit des systmes non linaires, nous renvoyons le lecteur [58], [102] [87] et [14]. Remarque 1.3.4. Le concept dobservabilit cit prcdemment peut tre tendu directement la classe des systmes temps discret. Diffrents types de dnitions ont t abords dans [85].

La matrice dobservabilit pour les systmes multi-sorties est alors dnie par : 1 (x, u ) 2 (x, u ) . N (x, u ) = . . . q (x, u )

1.3.3 Les diffrents types dobservateurs : tat de lart


Initialement les systmes abords ont t les systmes linaires, pour lesquels les observateurs de Kalman et Luenberger ont donn de bons rsultats. Le ltre de Kalman est utilis dans le cas des systmes stochastiques en minimisant la matrice de covariance de lerreur destimation, et lobservateur de Luenberger a t utilis pour les systmes linaires dterministes. Dans le cas des systmes non linaires, lobservation dtat est un peu plus dlicate et il nexiste pas, lheure actuelle, de mthode universelle pour la synthse dobservateurs. Les approches envisageables sont soit une extension des algorithmes linaires, soit des algorithmes non linaires spciques. Dans le premier cas, lextension est base sur une linarisation du modle autour dun point de fonctionnement. Pour le cas dalgorithmes non linaires spciques, les nombreuses recherches menes sur ce sujet (voir [106], [81]) ont donn naissance de nombreux algorithmes dobservation. Nous prsenterons ces algorithmes dans la suite de ce chapitre. 1. Mthodes de transformations non linaires : Cette technique fait appel un changement de coordonnes an de transformer un systme non linaire en un systme linaire. Une 17

Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires fois quune telle transformation est faite, lutilisation dun observateur de type Luenberger sufra pour estimer ltat du systme transform, et donc ltat du systme original en utilisant le changement de coordonnes inverse. 2. Observateurs tendus : Dans ce cas, le calcul du gain de lobservateur se fait partir du modle linaris autour dun point de fonctionnement. Cest par exemple le cas du ltre de Kalman tendu et lobservateur de Luenberger tendu. 3. Observateurs grand gain : Ce type dobservateurs est utilis en gnral pour les systmes lipschitziens. Son nom est d au fait que le gain de lobservateur choisi est sufsamment grand pour compenser la non-linarit du systme. 4. Observateurs de Luenberger gnraliss (OLG) : Cest un nouveau type dobservateurs qui a t propos rcemment pour la classe des systmes monotones. Cette nouvelle conception consiste ajouter lobservateur de Luenberger un deuxime gain lintrieur de la partie non linaire du systme. 5. Observateurs bass sur la thorie de la contraction : Ce type dobservateurs, comme son nom lindique, est bas sur la thorie de la contraction utilise comme outil danalyse de la convergence. Cette technique mne de nouvelles conditions de synthse diffrentes de celles fournies par les techniques prcdentes. Ci-aprs, nous prsentons un peu plus en dtails ces cinq mthodes. Mthodes de transformations non linaires Cette technique consiste transformer, laide dun changement de coordonnes, un systme non linaire en un systme linaire modulo une injection de sortie. Une fois quun tel changement de coordonnes est obtenu, lutilisation dun observateur de type Luenberger (corrig par linjection de sortie) sufra pour estimer ltat du systme transform, et donc ltat du systme non linaire original en utilisant le changement de coordonnes inverse. Lun des premiers travaux raliss dans ce domaine est propos dans [71], o le systme autonome de la forme x = f (x) y = h(x) (1.19a) (1.19b)

est transform, par un changement de coordonnes non linaire z = (x), en un systme linaire sous la forme canonique observable suivante : z = Ac z + (y ) y = Cc z o Ac et Cc sont sous la forme duale de Brunovsky, i.e : Ac = 18 0n1 In1 , Cc = 1 0T n1 . 0 0T n1 (1.20a) (1.20b)

1.3. Observateurs dtat des systmes non linaires Lobservateur de Luenberger correspondant (1.20) est donn par : = Ac z z + (y ) + K (y Cc z ), dont la dynamique de lerreur = z z est linaire et scrit : = (Ac KCc ). (1.22) (1.21)

Le calcul du gain K se fait par un placement de ples. Ce travail a t tendu dans [72] au cas des systmes sorties multiples et la transformation non linaire a t gnralise comme suit : z = (x), v = (y ). (1.23) (1.24)

o v est la transformation de la sortie y laide du changement de coordonnes non linaire (.). Les conditions sous lesquelles une telle transformation existe ont t tablies. Cependant, trois problmes sont lis cette approche : 1. La classe des systmes pour lesquels une telle transformation existe est trs restreinte ; 2. La procdure dobtention dune telle transformation est trs complique ; 3. Dans le cas des systmes avec entres (systmes commands), le systme transform contient toutes les drives des entres. Dans [66], le systme x = f (x, u) y = h(x, u) (1.25a) (1.25b)

a t considr. Dans ce cas, le systme transform sous forme canonique gnralise est dni par : z = Ac z + (y, u ) v = Cc z o u = u u ... u(n)
T

(1.26a) (1.26b)

. La transformation non linaire utilise est z = (x, u ), v = (x, u ).

En supposant que les drives de lentre u sont disponibles, la structure de lobservateur suggr est : = Ac z z + (y, u ) + K (v v ) v = Cc z . (1.27a) (1.27b) 19

Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires La dynamique de lerreur est donne par (1.22). Dautres gnralisations aux systmes sorties multiples ont t proposes dans [112], [99] et [59]. Un algorithme simpli permettant de calculer la transformation convenable, pour le cas des systmes autonomes, a t conu dans [92]. Des conditions ncessaires et sufsantes dexistence de la transformation pour les systmes mono-sortie ont t donnes dans [51]. Ces rsultats ont t gnraliss dans [93] aux systmes sorties multiples, et un algorithme de calcul du changement de variables a t donn. Une des raisons pour laquelle la classe des systmes qui peuvent tre transforms sous forme linaire observable est restreinte est due au fait que la sortie doit tre linaire comme dans (1.20b) et (1.26b). Cette condition est relaxe dans [65] pour la classe des systmes autonomes monosortie. Lide est de transformer le systme(1.19), en utilisant le changement de variables z = (x), en z = Az + Ly y = (z ) o (z ) = h(x)|x=1 (z ) . Lobservateur scrit : = Az z + Ly, et la dynamique de lerreur = z z est = A. (1.30) (1.29) (1.28a) (1.28b)

La transformation est choisie de faon obtenir une matrice A avec des proprits souhaitables. An de surmonter la difcult dobtention de la transformation convenable, indpendamment des travaux prcdents, une nouvelle approche a t prsente dans [16] pour la classe des systmes non linaires autonomes et mono-sortie. Une mthode constructive base sur des techniques de synthse linaires a t propose. Les conditions ncessaires et sufsantes dexistence de la forme canonique ont t nonces dans [73]. Plusieurs extensions de cette approche au cas des systmes non linaires commands et multi-sorties sont donnes dans [118], [117] et [18]. Observateurs tendus Il est possible dtendre quelques techniques linaires des systmes non linaires, ceci en calculant le gain de lobservateur partir du modle linaris autour dun point de fonctionnement. Cest par exemple le cas du ltre de Kalman tendu et lobservateur de Luenberger tendu que nous citons un peu plus en dtail dans la suite. A) Filtre de Kalman Etendu (EKF) Le ltre de Kalman tendu est lune des techniques destimation les plus populaires et largement tudies dans le domaine destimation dtat des systmes dynamiques non linaires. Ce 20

1.3. Observateurs dtat des systmes non linaires ltre tendu consiste utiliser les quations du ltre de Kalman standard au modle non linaire linaris par la formule de Taylor au premier ordre. Ce ltre tendu a t appliqu avec succs sur diffrents types de procds non linaires. Malheureusement, les preuves de stabilit et de convergence tablies dans le cas des systmes linaires, ne peuvent tre tendues de manire gnrale au cas des systmes non linaires. Dans un environnement dterministe, une preuve de la convergence du ltre de Kalman tendu a t tablie dans [24] et [23] pour la classe des systmes non linaires temps discret. Cependant, cette convergence nest que locale. Lanalyse de la convergence de cet estimateur reste, lheure actuelle, un problme ouvert. Les nombreuses recherches qui ont t menes sur ce sujet ont donn naissance de nombreuses publications et ouvrages [35], [55], [33], [32], [101], [29], [25], [24], [7]. Avant dintroduire le fameux ltre de Kalman tendu, nous avons besoin de prsenter lestimateur de Kalman standard pour les systmes linaires temps variant (LTV). Cas des systmes LTV temps continu : Pour le systme LTV de la forme x = A(t)x + B (t)u + v1 (t) y = C (t)x + v2 (t) lestimateur de Kalman standard est donn par : = A(t) x x + B (t)u + P C T (t)R1 (y C (t) x) o P est la solution symtrique et dnie positive de lquation de Riccati suivante : = AP + P AT + Q P C T R1 CP. P Cas des systmes LTV temps discret : Pour le systme LTV de la forme xk+1 = Ak xk + Bk uk + vk yk = Ck xk + wk lestimateur de Kalman standard est donn par : x k+1 = x k+1/k + Kk+1 yk+1 Ck+1 x k+1/k ;
1 1 T Pk+1 = Pk +1/k + Ck +1 Rk +1 Ck +1 1

(1.31a) (1.31b)

(1.32)

(1.33)

(1.34a) (1.34b)

(1.35a) (1.35b)
1

T T Kk+1 = Pk+1/k Ck +1 Ck +1 Pk +1/k Ck +1 + Rk +1

(1.35c)

o x k+1/k = Ak x k + Bk uk ; Pk+1/k = Ak Pk AT k + Qk ; (1.36a) (1.36b)

o P0 = In > 0. x k+1 et x k+1/k sont lestimation et la prdiction de ltat xk+1 . Les matrices 21

Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires Pk+1 et Pk+1/k sont les covariances des erreurs destimation et de prdiction. Qk et Rk+1 sont des matrices de pondration dpendant des variables stochastiques vk et wk . Le ltre de Kalman tendu [61] est une extension directe du ltre de Kalman standard en remplaant les matrices dtat et de sortie, A, C du systme linaire (1.31) ou (1.34) par les jacobiennes des non-linarits du systme en question. Considrons le systme non linaire suivant : x = f (x, u) + v (t) y = h(x, u) + w(t) LEKF sexprime de la manire suivante : x = f ( x, u) + P H ( x, u)R1 (y h( x, u)) (1.38a) (1.38b) (1.37a) (1.37b)

= F ( P x, u)P + P F ( x, u)T + Q P H ( x, u)T R1 H ( x, u)P o F ( x, u) =

f ( x, u); x h H ( x, u) = ( x, u). x Ce type destimateur a t utilis dans [64]. Dans le cas des systmes temps discret de la forme : xk+1 = f (xk , uk ) + Gk vk yk = h(xk , uk ) + Dk wk lEKF est donn par : k+1/k + Kk+1 ek+1 x k+1 = x o Pk+1 = In Kk+1 Hk+1 Pk+1/k ; x k+1/k = f ( xk , uk );
T Pk+1/k = Fk Pk Fk + Qk ; T T Kk+1 = Pk+1/k Hk +1 Hk +1 Pk +1/k Hk +1 + Rk +1 1

(1.39a) (1.39b)

(1.40)

(1.41a) (1.41b) (1.41c) ; (1.41d) (1.41e) (1.41f) (1.41g)

ek+1 = yk+1 h( xk+1/k , uk+1 ); f Fk = F ( xk , uk ) = ( xk , uk ); x h Hk = H ( xk , uk ) = ( xk , uk ) x

o P0 = In > 0. Il est courant (ceci na encore t dmontr) de choisir en pratique, pour loptimalit du ltre de Kalman tendu, Qk et Rk+1 comme les matrices de covariance des bruits du systme et des 22

1.3. Observateurs dtat des systmes non linaires mesures, i.e :


T Qk = Gk GT k , Rk +1 = Dk +1 Dk +1 .

Ce choix est valable sous certaines conditions [8]. Dans un contexte dterministe, la synthse de Qk et Rk+1 joue un rle primordial dans lamlioration des performances du ltre de Kalman tendu. Pour plus de dtails sur ce dernier point, nous invitons le lecteur consulter [41], [40], [29], [97] et [98]. B) Observateur de Luenberger tendu Lobservateur de Luenberger tendu intervient, soit au niveau du systme original avec un gain constant, soit par le biais dun changement de coordonnes avec un gain dpendant de ltat estimer. Dans le premier cas, un modle linaris est ncessaire, et le gain de lobservateur est calcul par placement de ples. Ce type dobservateur ne peut tre utilis que lorsque lon est sr que ltat restera au voisinage de ltat dquilibre. Pour cette raison, cette mthode nest pas trs utilise, parce que son utilisation peut tre compromise par les instabilits qui peuvent se rvler si lon sloigne du point de fonctionnement. Dans le deuxime cas, comme nous lavons mentionn prcdemment, les mthodes de changement de coordonnes ne concernent quune classe restreinte de systmes non linaires. En effet, beaucoup dapproches utilisant les changements de coordonnes ncessitent lintgration dun ensemble dquations aux drives partielles non linaires, ce qui est souvent trs dlicat raliser. De ce fait, lutilisation de solutions approches est envisageable.

Observateurs grand gain : Approche de Thau et ses gnralisations Une mthode directe de conception dobservateur est dutiliser un retour de sortie linaire. Cette approche, introduite initialement dans [105], sapplique sur la classe des systmes non linaires scrivant sous la forme suivante : x = Ax + (x, u) y = Cx (1.42a) (1.42b)

o x Rn , u Rm et y Rp reprsentent respectivement les vecteurs dtat, des entres et des sorties du systme. La paire (A, C ) est dtectable et la non-linarit, satisfait la proprit de Lipschitz par rapport x : (x, u) ( x, u) x x , x, x Rn et u Rm o est la constante de Lipschitz de la fonction . Ce type dobservateurs est relativement classique en observation des systmes non linaires. Son nom est d au fait que le gain de lobservateur choisi est sufsamment grand pour compenser la non linarit du systme. 23 (1.43)

Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires Lobservateur de type Luenberger correspondant (1.42) est de la forme : = Ax x + ( x, u) + K (y C x ) La dynamique de lerreur destimation = x x est donne par lquation : = (A KC ) + (x, u) ( x, u) (1.45) (1.44)

Lobjectif est de dterminer sous quelles conditions le gain K peut garantir la stabilit de lerreur destimation en zro. La mthode de Thau [105] fournit une condition sufsante de stabilit asymptotique de lerreur destimation (1.45). Le rsultat de cette mthode est donn par le thorme suivant : Thorme 1.3.5. ([105]) Considrons le systme(1.42) et lobservateur(1.44). Si le gain dobservation K est choisi tel que min (Q) < (1.46) 2max (P ) o min (S ) et max (S ) dsignent respectivement les valeurs propres minimale et maximale de la matrice carre S , les matrices P = P T > 0 et Q = QT > 0 dsignent les solutions de lquation de Lyapunov : (A KC )T P + P (A KC ) + Q = 0 (1.47) alors lerreur destimation (1.45) est exponentiellement stable. La preuve de ce thorme est base sur lutilisation de la fonction de Lyapunov standard V = V () = T P . Pour plus de dtails sur la preuve du Thorme 1.3.5, nous invitons le lecteur consulter [105]. Il a t dmontr dans [89] que le rapport donc rduit choisir un gain K qui satisfait < o (A KC )T P + P (A KC ) = In . Lapproche de Thau nest pas une mthode de synthse systmatique. Elle permet seulement de vrier la convergence de lobservateur (1.44), a posteriori. En effet, le choix des matrices P , Q et K qui satisfont lingalit (1.46) nest pas direct. Par exemple, le placement des valeurs propres de (A KC ) dans le demi-plan gauche nimplique pas que la condition (1.46) est satisfaite. Il nexiste aucune relation spcique entre les valeurs propres de (A KC ) et max (P ), ceci a t prouv dans [95] par un simple exemple numrique. Ce type dobservateurs a t largement tudi dans la littrature par de nombreux chercheurs 24
min (Q) 2max (P )

est maximal si Q = In . Le problme est

1 2max (P )

(1.48)

1.3. Observateurs dtat des systmes non linaires spcialistes dans le domaine de lobservation dtat. Une mthode constructive a t propose par Raghavan dans [95], o une solution explicite et systmatique du choix du gain de lobservateur est tablie. Cette solution est illustre dans le thorme suivant : Thorme 1.3.6. ([95]) Considrons le systme(1.42) et lobservateur(1.44). Sil existe > 0 tel que lquation de Riccati 1 2 AP + P AT + P In C T C P + In + In = 0 admette une solution P symtrique dnie positive, alors le gain K= 1 P CT 2 (1.50) (1.49)

stabilise asymptotiquement la dynamique de lerreur destimation (1.45). Cependant, cet algorithme nest pas efcace pour toutes les paires (A, C ) observables et malheureusement ne donne pas dinformations sur les conditions que doit vrier la matrice (A KC ) an dassurer la stabilit de lerreur destimation. Nous avons vu que le placement des valeurs propres de (A KC ) dans le demi-plan gauche est certainement insufsant. Dans [116], lauteur a suggr une procdure de conception lie directement la matrice (A KC ). Dans cette procdure, le choix du gain K tel que min (A KC ) > (1.51)

assure lingalit (1.48). Les valeurs singulires de (A KC ) jouent, en effet, un rle sur la convergence de lobservateur. Malheureusement, ce rsultat est en gnral incorrect. Ceci a t dmontr par un contre exemple dans [96]. Linexactitude du rsultat prcdent est intuitivement comprhensible. En effet, les valeurs singulires dune matrice dterminent si cette matrice est proche dtre singulire. Une matrice pourrait tre proche dtre singulire, mais ses valeurs propres restent proches de laxe imaginaire. Cette distinction a t clarie aprs la nouvelle mthode propose dans [96]. En effet, dans [96], Rajamani a tabli un nouveau rsultat permettant de corriger le prcdent. Ce rsultat est rsum dans le thorme suivant qui fournit des conditions ncessaires et sufsantes que doit vrier la matrice (A KC ) an de justier la convergence de lobservateur. Thorme 1.3.7. ([96]) Considrons le systme(1.42) et lobservateur(1.44), avec (A, C ) observable et satisfait (1.43). Alors, lerreur destimation est asymptotiquement stable si le gain K peut-tre choisi tel que (A KC ) soit stable et min min (A KC jIn ) >
0

(1.52)

o j est tel que j 2 = 1. La dmonstration complte de ce thorme est donne en trois tapes dans [96].

25

Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires Dautres mthodes de synthse dobservateurs ont t dveloppes spcialement pour la classe des systmes uniformment observables [47], [20] et [19]. Ces mthodes utilisent un changement de variables pour se ramener un systme de la forme (1.42). Une fois le systme transform, lutilisation dun observateur grand gain est systmatique. Ce type dobservateurs a t appliqu une classe de systmes biologiques et des procds biotechnologiques dans [47], [45] et [15].

Observateurs de Luenberger Gnraliss (OLG) Rcemment, une nouvelle conception dobservateurs a t propose dans [4], [6], [5], [3], [43] et [44]. La classe des systmes concerns par cette nouvelle conception consiste ajouter lobservateur de Luenberger un deuxime retour de sortie linaire lintrieur de la partie non linaire du systme. Cette approche concerne les systmes dcrits par les quations suivantes : x = Ax + G (Hx) + (y, u) y = Cx. Lobservateur dtat propos a la structure suivante : = Ax x + G H x + K (y C x ) + (y, u) + L(y C x ). (1.54) (1.53a) (1.53b)

Des conditions de convergence de lobservateur (1.54) ont t tablies dans [4] et [5]. Ce rsultat concerne les systmes pour lesquels la fonction non linaire satisfait les hypothses suivantes : 1. chaque composante i est une fonction scalaire variable scalaire, i.e :
j =n

i = i
j =1

Hij xj , i = 1, ..., r.

(1.55)

2. Toutes les composantes de sont des fonctions non dcroissantes, i.e : 0 i (v ) i (w) , v = w R. vw (1.56)

En utilisant (1.53) et (1.54), la dynamique de lerreur destimation = x x scrit : = (A LC ) + G (v ) (w) o v = Hx et w = H x + K (y C x ). Ces conditions de convergence sont illustres dans le thorme suivant : Thorme 1.3.8. Lerreur destimation (1.57) est exponentiellement stable lorigine sil existe une 26 (1.57)

1.3. Observateurs dtat des systmes non linaires matrice P = P T > 0, une constante > 0 et une matrice diagonal > 0 tel que lingalit (A LC )T P + P (A LC ) + In P G + (H KC )T 0 GT P + (H KC ) 0 soit satisfaite. Cette technique a t tendue dans [43] et [44] au cas des systmes monotones multi-variables. Des conditions de convergence analogues ont t obtenues. De nouvelles conditions sufsantes de synthse des gains K et L ont t proposes dans [6] pour une classe de systmes dont la non-linarit est une fonction scalaire variable scalaire. Ce rsultat est plus gnral que le ) (w ) prcdent, puisquil prend en compte les bornes du terme (vv quand elles existent, cest w dire quand la non-linarit satisfait la condition 0 (v ) (w) b, v = w R. vw (1.59) (1.58)

Dans ce cas, en exploitant la condition (1.59), les auteurs ont tabli le thorme suivant : Thorme 1.3.9. Lobservateur dtat (1.54) converge exponentiellement sil existe une matrice P = P T > 0, une constante > 0 et une matrice diagonal > 0 telles que lingalit (A LC )T P + P (A LC ) + In P G + (H KC )T GT P + (H KC ) 2 b soit satisfaite. Cette dernire ingalit est moins restrictive que (1.58). En effet, dans (1.58) il est ncessaire davoir P G + (H KC )T = 0 cause de la prsence dun zro sur la diagonale. Ceci rend lingalit (1.58) contraignante. Cependant, dans (1.60), le zro sur la diagonale est remplac T par 2 b , ce qui nimpose pas P G + (H KC ) dtre nul. Notons quen particulier, pour b = +, nous retrouvons lingalit (1.58). Observateurs bass sur la thorie de la contraction Cette technique, nouvelle en observation dtat, a t introduite dans [76], [77], [78], [64], [79] et [42]. Le principe de la mthode est le suivant : Etant donn un systme non linaire de la forme : x = f (x, t) y = h(x, t) lobservateur correspondant est lobservateur classique de Luenberger : = f ( x x, t) + L(y y ) y = h( x, t ) (1.62a) (1.62b) 27 (1.61a) (1.61b) 0 (1.60)

Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires Lobjectif est de dterminer la matrice L telle que le systme gnral suivant soit contractant : = f (X, t) + L(y h(X, t)). X (1.63)

En effet, si le systme (1.63) est contractant, alors, daprs le Thorme 1.2.20, les deux solutions particulires x et x de (1.63) convergent exponentiellement lune vers lautre. En utilisant la thorie de la contraction, le systme (1.63) est contractant si la valeur propre maximale de la partie symtrique de la matrice suivante est ngative : f h (X, t) L (X, t). X X De faon gnrale, le systme (1.63) est contractant sil existe une mtrique M(X, t) et une constante positive M telles que f h L X X
T

M+M

f h L X X

+M

M M.

(1.64)

Dans le cas o M est constante, lingalit (1.64) devient f h L X X


T

M+M

f h L X X

M M.

(1.65)

En posant S = LT M dans (1.65), on obtient lingalit suivante : f T f h T h M+M S ST + M M 0. X X X X Par consquent, si la condition (1.66) est soluble pour tout X Rn , alors le gain L = M 1 S T rend le systme (1.63) contractant. De ce fait, les deux solutions x et x de (1.63) convergent exponentiellement lune vers lautre. La thorie de la contraction a t applique plusieurs types dobservateurs tels que le ltre de Kalman tendu [64] et les observateurs PD [76]. Pour plus de dtails, nous renvoyons le lecteur aux articles [76], [77], [78], [79] et [42]. Des conditions sous forme de LMI ont t tablies dans [78] et une analogie avec les systmes LTV est galement propose dans [76] et [42]. Cette thorie a t utilise aussi dans [13] comme outil danalyse de convergence dans le contexte de la synchronisation des systmes de communications chaotiques. (1.66)

1.4 Conclusion
Ce chapitre a t consacr dune part quelques rappels sur des concepts relatifs la stabilit (stabilit au sens de Lyapunov, thorie de la contraction) et lobservabilit (rappels sur quelques dnitions sur la notion dobservabilit et formulation du principe destimation dtat). 28

1.4. Conclusion Dautre part, nous avons prsent un tat de lart qui regroupe la plupart des techniques de conception dobservateurs pour les systmes non linaires temps discret et temps continu. Pour cette classe gnrale de systmes, nous avons vu quil nexiste pas, lheure actuelle, de mthode universelle pour la synthse dobservateurs. Les approches dveloppes ce jour sont soit une approximation des algorithmes linaires (linarisation autour dun point de fonctionnement), soit des algorithmes non linaires spciques pour certaines classes de systmes.

29

Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires

30

C HAPITRE

Synthse dobservateurs dtat des systmes temps continu

Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Approche base sur le DMVT : Transformation en LPV . . . . . . . . . . . . 32 32

2.3 Extension au ltrage H : observateur robuste . . . . . . . . . . . . . . . . 45 H 2.4 Extension au cas des systmes entres inconnues . . . . . . . . . . . . . . 48 2.5 DMVT et Observateur de Luenberger Gnralis (OLG) . . . . . . . . . . . . 51

2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

59

31

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu

2.1 Introduction
Dans ce chapitre, nous proposons deux mthodes de synthse dobservateurs. La premire consiste transformer le problme destimation dtat dun systme non linaire un problme de stabilit dun systme Linaire Paramtres Variants (LPV). Lide est base sur lutilisation du thorme des accroissements nis (the Differential Mean Value Theorem (DMVT) pour le sigle anglais) qui permet de transformer la dynamique de lerreur destimation (qui dnit un systme non linaire quelconque) en un systme LPV. En se basant sur les techniques LPV [12], [11], des conditions de stabilit sous forme de LMIs ont t obtenues. Des extensions ont t galement tablies dans le cas des systmes sorties non linaires et une classe particulire de systmes non diffrentiables. Une version de cette mthode, qui tient compte de la robustesse aux bruits qui affectent la dynamique et la sortie du systme, a ensuite t labore. En utilisant quelques transformations, nous avons pu gnraliser la mthode propose lestimation de ltat et des entres inconnues (simultanment). La deuxime mthode propose dans ce chapitre est base sur un observateur de Luenberger gnralis (OLG). Cette technique fait intervenir le DMVT qui permet dtendre les travaux dvelopps dans [4] et [6] une classe plus large de systmes non linaires. Une nouvelle condition de synthse dobservateurs a t obtenue. Une extension, au cas des systmes entres inconnues, est galement obtenue.

2.2 Approche base sur le DMVT : Transformation en LPV


Dans cette section nous prsentons une mthode de construction dobservateurs dtat pour les systmes non linaires. La contribution principale rside dans lutilisation du thorme des accroissements nis (DMVT). Ce dernier permet de ramener le problme destimation dtat dun systme non linaire quelconque un problme de stabilit dun systme LPV.

2.2.1 Prliminaires et formulation du problme


Prliminaires Avant dintroduire la classe des systmes non linaires concerne, nous avons besoin dnoncer les deux thormes suivants : Thorme 2.2.1. (Le DMVT pour des fonctions scalaires) Soit : Rn R. Soit a, b Rn . Supposons que soit diffrentiable sur Co(a, b). Alors, il existe une constante z Co(a, b), z = a, z = b tel que : (a) (b) = (z )(a b) x (2.1)

Dmonstration : La preuve de ce thorme est base sur le thorme des accroissements nis classique pour les fonctions scalaires variable scalaire qui lui mme dcoule du fameux thorme de Rolle. 32

2.2. Approche base sur le DMVT : Transformation en LPV Remarque 2.2.2. Le DMVT est incorrect dans le cas des fonctions vectorielles. Ceci veut dire quon peut pas toujours trouver une seule constante z Co(a, b) telle que lquation (2.1) soit vrie. En effet, on peut construire facilement des contre-exemples. An dobtenir une quation similaire (2.1), on peut imaginer lexistence de plusieurs constantes zi Co(a, b) pour i = 1, ..., q o q est le nombre de composantes de la fonction non linaire en question. Pour ceci, nous proposons de procder comme suit : Soit Es = es (i) | es (i) = (0, ..., 0, 1, 0, ..., 0)T , i = 1, ..., s. la base canonique de Rs pour tout s 1. Considrons la fonction vectorielle : Rn Rq . Cette fonction peut toujours scrire sous la forme (x) = [1 (x), ..., q (x)]T o i : Rn R est la ime composante de . Daprs la dnition de Es , on peut crire
q

(x) =
i=1

eq (i)i (x).

En appliquant le Thorme 2.2.1 sur chaque fonction scalaire i et en utilisant le fait que i (.) = x on obtient le thorme suivant : Thorme 2.2.3. (Le DMVT pour des fonctions vectorielles) Soit : Rn Rq . Soit a, b Rn . Supposons que soit diffrentiable sur Co(a, b). Il existe alors des constantes z1 , ..., zq Co(a, b), zi = a, zi = b pour i = 1, ..., q tel que : (a) (b) =
q,n i,j =1 n

eT n (j )
j =1

i (.) xj

i eq (i)eT (zi ) (a b) n (j ) xj

(2.2)

Formulation du problme Considrons la classe des systmes non linaires dcrite par les quations suivantes : x (t) = Ax(t) + Bf (x(t), y (t), u(t)) y (t) = Cx(t) (2.3a) (2.3b) 33

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu o x Rn est le vecteur dtat du systme, u Rm le vecteur dentre et y Rp le vecteur de sortie. A, B et C sont des matrices constantes de dimensions appropries. La fonction f (x, y, u) : Rn Rp Rm Rq est diffrentiable par rapport x. Supposons de plus que la fonction f satisfasse lhypothse suivante : Hypothse 2.2.4. aij fi (x, y, u) bij , x, y, u xj (2.4)

pour tout i = 1, ..., q et j = 1, ..., n, avec aij et bij des constantes relles. Lobservateur dtat correspondant (2.3) est de type Luenberger. Lquation dtat de cet observateur est donne par : (t) = Ax x (t) + Bf ( x(t), y (t), u(t)) + K (y (t) C x (t)) o x reprsente ltat estim de x. Lobjectif principal est de dterminer la matrice K telle que lerreur destimation (t) = x(t) x (t) (2.6) (2.5)

converge asymptotiquement vers zro. La dynamique de lerreur est donne par lquation suivante : (2.7) (t) = A KC (t) + Bft o ft = f (x(t), y (t), u(t)) f ( x(t), y (t), u(t)). (2.8) En appliquant le Thorme 2.2.3 sur la fonction x f (x(t), y (t), u(t)), nous dduisons quil existe des constantes zi (t) Co(x(t), x (t)) pour tout i = 1, ..., q telles que : q,n fi ft = eq (i)eT (zi (t), y (t), u(t)) (t). n (j ) xj
i,j =1

Pour des raisons de simplications, nous introduisons les notations suivantes : hij (t) = fi (zi (t), y (t), u(t)) xj

(2.9a) (2.9b) (2.9c) (2.9d)

q Hij = eq (i)eT n (j ) for 1 i q and 1 j n

h = h11 , ..., h1n , ..., hqn


q,n

A(h(t)) = A + B 34

q hij (t)Hij i,j =1

2.2. Approche base sur le DMVT : Transformation en LPV De ce fait, la dynamique de lerreur destimation se rcrit comme suit : (t) = A(h(t)) KC (t). (2.10)

Lquation (2.10) dnit un systme LPV. Daprs lhypothse (2.2.4), le paramtre h(t) volue dans un domaine born Hq,n dont les 2qn lments sont dnis par lensemble VHq,n = = (11 , ..., 1n , ..., qn ) | ij {aij , bij } (2.11)

2.2.2 Procdure de synthse dobservateur


En sinspirant des techniques LPV [12], [11], de nouvelles conditions sufsantes de convergence de lobservateur propos sont obtenues. Ces conditions sont exprimes sous forme dingalits linaires matricielles (LMIs). Thorme 2.2.5. ( [124]) lerreur destimation (t) converge asymptotiquement vers zro sil existe des matrices P = P T > 0 et R de dimensions appropries telles que les LMIs suivantes soient satisfaites : (2.12) AT ()P C T R + P A() RT C < 0, VHq,n . Par consquent, le gain K sera donn par K = P 1 RT . Dmonstration : An dtudier la convergence asymptotique de lerreur destimation, nous considrons la fonction de Lyapunov quadratique suivante : V (t) = V ((t)) = T (t)P (t) o P est une matrice symtrique dnie positive. (t) < 0 pour tout Lerreur destimation converge asymptotiquement vers zro si V (t) > 0 et V (t) = 0. Nous avons (t) = T (t)F (h(t))(t) V o F (h(t)) = A(h(t)) KC
T

P + P A(h(t)) KC .

(t) < 0 La condition V (t) > 0 est satisfaite car la matrice P est dnie positive. La condition V est vrie si F (h(t)) < 0 for all h(t) Hq,n . Comme la fonction matricielle F est afne en h(t), en utilisant le principe de convexit [31], (t) < 0 condition que : nous dduisons que V F () < 0, VHq,n . (2.13) 35

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu Si on utilise la notation R = LT P , on constate que la condition (2.13) est quivalente (2.12). Lerreur destimation est donc asymptotiquement stable si les ingalits (2.12) sont satisfaites avec P dnie positive. Cette dernire condition permet linversion de P et par consquent le calcul du gain K par P 1 RT . Remarque 2.2.6. Il nest pas difcile dobtenir les bornes suprieures et infrieures des fonctions fi hij (.) dans le domaine Hq,n . En effet, pour beaucoup de systmes non linaires, les termes x (.) sont j borns, ce qui permet de dduire directement et sans difcult les bornes aij et bij . Par exemple, pour la plupart des systmes lipschitziens abords dans la littrature abondante, ces bornes apparaissent aisment. Exemple numrique Pour montrer la performance de lapproche prcdente, on propose une application numrique. Considrons un robot exible [88] dont le modle dynamique est un systme non linaire quon peut mettre sous la forme (2.3) avec les paramtres : 0 0 1 0 0 48.6 1.25 48.6 0 0 A= , B = , 0 0 0 0 1 1 19.5 0 19.5 0 C = 1 0 0 0 , f (x, y, u) = 3.33 sin(l ), o x = m m l l
T

avec m la position angulaire du moteur, m la vitesse angulaire du moteur, l la position angulaire du bras et l la vitesse angulaire du bras. Lapplication de lapproche propose nous donne : h1j (t) = 0 pour tout j = 1, 2, 4; h13 (t) = 3.33 cos(z3 (t)). Lensemble des sommets VH1,4 peut tre rduit VH1,4 = {3.33, +3.33}, et donc nous avons deux LMIs rsoudre an de dduire le gain de lobservateur assurant la convergence asymptotique de lerreur destimation vers zro. Les LMIs (2.12) fournissent les solutions suivantes : 5.4786 0.2172 1.7595 0.1330 0.2172 0.0649 0.2061 0.0671 P = , 1.7595 0.2061 3.4710 0.3989 0.1330 0.0671 0.3989 0.3164 36

2.2. Approche base sur le DMVT : Transformation en LPV

5 4

Amplitude

2 1 0 1 0 1 2 3 t (Temps) 4 5

Amplitude

10

15 0

2 3 t (Temps)

(a) Position angulaire du moteur et son estime.

(b) Vitesse angulaire du moteur et son estime.

4 3

6 4

Amplitude

Amplitude
1 2 3 t (Temps) 4 5

2 1 0 1 2 0

2 0 2 4 0

2 3 t (Temps)

(c) Position angulaire du bras et son estime.

(d) Vitesse angulaire du bras et son estime.

F IG. 2.1 Convergence asymptotique de ltat (ligne continue) vers son estim (ligne pointille).

R = 14.2797 3.9211 11.1406 1.2633 et donc 12.5131 156.2855 L= . 9.8934 21.9507

Les rsultats des simulations numriques sont illustrs sur la Figure 2.1.

Remarque 2.2.7. Dans la mthode prcdente, nous avons propos un observateur avec un gain constant. Ceci est d au fait que les paramtres hij (t) sont inconnus cause des constantes zi (t) qui dcoulent du thorme des accroissements nis. Il est connu dans la littrature que pour les systmes LPV paramtres mesurables ou connus, on utilise toujours un observateur afne qui dpend de ces paramtres, an de rduire le conservatisme d au gain constant. Nous envisageons de proposer dans la section suivante, un observateur avec un gain afne pour une classe particulire de systmes non linaires qui regroupe la classe des systmes LPV. 37

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu

2.2.3 Observateur avec gain afne


Nous allons montrer que sous une hypothse supplmentaire, nous pouvons utiliser un gain afne. Lobjectif du gain afne est de rduire le conservatisme de lapproche propose, dans le sens o les conditions de stabilit deviennent moins restrictives. Avant de prsenter lobservateur correspondant au systme (2.3), nous introduisons une hypothse supplmentaire qui dnit la classe des systmes concerns. Hypothse 2.2.8. Supposons quil existe un sous ensemble S {1, ..., q } {1, ..., n} tel que : fi (x, y, u) = gij (y, u) = 0, (i, j ) S. xj (2.14)

fi Cette hypothse signie que x (x, y, u) est indpendant de x pour tout (i, j ) S . De plus, elle j nest pas restrictive. En effet, la classe des systmes satisfaisant la condition (2.14) inclue une varit tendue de systmes chaotiques tels que le systme de Lorenz et le systme de Rssler prsents dans [74]. En dehors de ces systmes, nous mentionnons que la condition (2.14) est vrie par la classe des systmes tudie dans [9].

Remarque 2.2.9. Lhypothse 2.2.8 ne signie gure que la fonction f est totalement afne en x. En effet, le sous ensemble S peut tre strictement inclus dans lensemble {1, ..., q } {1, ..., n}, i.e : S {1, ..., q }{1, ..., n}. Pour clarier cette remarque, on propose un exemple dune telle fonction : Soit f : R2 R R R2 une fonction dnie par : f (x, y, u) = sin(x1 ) + yx2 . cos(x1 )
f1 x2

Cette fonction nest pas afne en x cause des termes sin(x1 ) et cos(x1 ). Nous avons donc S = {(1, 2)} {1, 2} {1, 2} = {(1, 1), (1, 2), (2, 1), (2, 2)}.

= y , et

Sous lhypothse 2.2.8, nous proposons lobservateur correspondant (2.3) dcrit par : (t) = Ax x (t) + Bf ( x(t), y (t), u(t)) + L y (t), u(t) avec L(y (t), u(t)) = L0 +
(i,j )S

y (t) C x (t)

(2.15)

gij (y (t), u(t))Lij .

Lobjectif principal consiste dterminer les matrices L0 et Lij pour tout (i, j ) S de faon ce que lerreur destimation (t) = x(t) x (t) (2.16) converge asymptotiquement vers zro. La dynamique de lerreur scrit : (t) = A L(y (t), u(t))C (t) + Bft . 38 (2.17)

2.2. Approche base sur le DMVT : Transformation en LPV En utilisant (2.8) et les notations (2.9) de la section 2.2.1, lquation (2.17) se rcrit sous la forme suivante : (t) = A(h(t)) L(y (t), u(t))C (t). (2.18) Dans ce cas, on a hij (t) = gij (y (t), u(t)) pour tout (i, j ) S , et par consquent pour VHq,n , on a ij {g ij , g ij } pour tout (i, j ) S , avec g ij = min gij (y (t), u(t)) ,
t

g ij = max gij (y (t), u(t)) .


t

Thorme 2.2.10. Sous lhypothse 2.2.8, lerreur destimation (2.18) converge asymptotiquement vers zro sil existe des matrices P = P T > 0, R0 et Rij , (i, j ) S de dimensions appropries telles que les LMIs suivantes soient solubles : AT ()P C T R0 +
T ij Rij + P A() R0 + T ij Rij C<0 (i,j )S

(i,j )S

VHq,n . (2.19)
T et L 1 RT pour tout Par consquent, les gains L0 et Lij sont donns par L0 = P 1 R0 ij = P ij (i, j ) S .

Remarque 2.2.11. Lintroduction dun gain afne (une ide trs classique dans la littrature LPV) dans le cas des systmes satisfaisant lhypothse 2.2.8 permet dobtenir des conditions de stabilit moins contraignantes. Ceci signie que les LMIs (2.19) sont moins restrictives que les LMIs (2.12). En effet, il y a plus de degrs de libert dans (2.19) que dans (2.12).

2.2.4 Systmes sorties non linaires


Considrons une classe plus gnrale de systmes non linaires avec sorties non linaires : x (t) = Ax(t) + Bf (x(t), y (t), u(t)) y (t) = g(x(t), u(t)). La fonction f satisfait (2.4) et g : Rn Rm Rp vrie lhypothse suivante : Hypothse 2.2.12. Supposons que la fonction g satisfasse la condition suivante : a ij gi (x, u) bij , x, u xj (2.21) (2.20a) (2.20b)

pour tout i = 1, ..., p et j = 1, ..., n, avec a ij et bij des constantes relles. Lobservateur dtat que nous considrons est sous la forme suivante : (t) = Ax x (t) + Bf ( x(t), y (t), u(t)) + K y (t) g( x(t), u(t)) (2.22) 39

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu La dynamique de lerreur destimation (t) = x(t) x (t) scrit : (t) = A(t) + Bft Kgt o gt = g(x(t), u(t)) g( x(t), u(t)) (2.24) En appliquant le Thorme 2.2.3 sur la fonction x g(x, u) nous dduisons quil existe des vecteurs z i (t) Co(x(t), x (t)) pour tout i = 1, ..., p tels que
p,n

(2.23)

avec ij (t) =

gt =

i,j =1

p ij (t)Hij (t)

(2.25)

gi p ( zi (t), u(t)) et Hij = ep (i)eT n (j ). xj

En utilisant (2.8), (2.9) et les notations = 11 , ..., 1n , ..., pn


p,n

(2.26a) (2.26b)

G ((t)) =

p ij (t)Hij i,j =1

lquation (2.23) se rcrit sous forme dun systme LPV comme suit : (t) = A(h(t)) K G ((t)) (t) (2.27)

o h(t) et A(h(t) sont dnis dans (2.9). Le problme destimation dtat devient donc un problme de stabilit du systme LPV dni dans (2.27). Comme dans la section 2.2.1, lhypothse 2.2.12 implique que le paramtre (t) volue dans un domaine born Fp,n pour lequel lensemble des 2pn sommets est donn par : ij , bij } . WFp,n = = (11 , ..., 1n , ..., pn ) | ij {a En sinspirant des techniques LPV, on obtient, sous les hypothses 2.2.4 et 2.2.12, le thorme suivant qui constitue les conditions de synthse de lobservateur propos. Ces conditions sont exprimes sous forme de LMIs. Thorme 2.2.13. Lerreur destimation (t) est asymptotiquement stable sil existe deux matrices P = P T > 0 et R de dimensions appropries telles que les LMIs suivantes soient solubles : AT ()P G ( )T R + P A() RT G ( ) < 0, VHq,n , WFp,n . De ce fait, le gain K est donn par K = P 1 RT . Dmonstration : Supposons, tout dabord, quil existe deux matrices P = P T > 0 et R telles 40 (2.28)

2.2. Approche base sur le DMVT : Transformation en LPV que les conditions (2.28) soient solubles. Faisons appel la fonction de Lyapunov suivante : V (t) = V ((t)) = T (t)P (t). (t) < 0. Puisque Lerreur destimation converge asymptotiquement vers zro si V (t) > 0 et V la matrice P est dnie positive alors la condition V (t) > 0 est satisfaite pour tout (t) = 0. (t) < 0 est satisfaite. Cependant, il reste montrer que V Aprs calcul, on obtient : (t) = T (t) A(h(t))T P G ((t))T K T P + P A(h(t)) P K G ((t)) (t). V En utilisant la notation R = K T P , (t) = T (t) A(h(t))T P G ((t))T R + P A(h(t)) RT G ((t)) (t). V (t) < 0 est satisfaite si la fonction matricielle La condition V (h(t), (t)) = A(h(t))T P G ((t))T R + P A(h(t)) RT G ((t)) est dnie ngative pour tout h(t) Hq,n et pour tout (t) Fp,n . La fonction est convexe en h et , puisquelle est afne en ces deux paramtres. Daprs le principe de convexit, est dnie ngative sur Hq,n Fp,n si elle est dnie ngative sur VHq,n WFp,n , ce qui signie que (, ) < 0, VHq,n , WFp,n . (2.29)

(t) < 0 Comme les ingalits (2.29) sont quivalentes aux ingalits (2.28), on dduit que V pour tout (t) = 0 et do la stabilit asymptotique de lerreur destimation. Remarque 2.2.14. La mthode de transformation en LPV introduite dans ce chapitre ainsi que lapproche base sur la thorie de la contraction sont conceptuellement trs proches mais diffrentes. En effet, la premire est base sur le DMVT (version vectorielle) en utilisant la thorie classique de Lyapunov comme outil danalyse de convergence. En revanche, la deuxime approche utilise la thorie de la contraction base sur la notion de dplacement virtuel (dnie dans le chapitre 1) qui lui mme utilise implicitement le thorme des valeurs intermdiaires. Remarque 2.2.15. Les rsultats prcdents ne peuvent tre appliqus aux systmes pour lesquels la partie non linaire nest pas diffrentiable. Dans la section suivante, nous gnralisons cette approche une classe particulire de systmes non linaires et non diffrentiables.

2.2.5 Systmes non diffrentiables


Introduction et prliminaires Dans le cas des systmes non diffrentiables, le DMVT nest plus applicable, nous utilisons alors une nouvelle manire pour transformer la dynamique de lerreur destimation en un systme LPV. Ceci mne des conditions de stabilit identiques celles du Thorme 2.2.5. 41

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu Avant de formuler le problme et donner la classe des systmes concerne, nous introduisons dabord les deux propositions suivantes : Proposition 2.2.16. Considrons une fonction : R R. Il existe toujours une fonction : R R R telle que : (v ) (w) = (v, w) v w , v, w R. (2.30)

Dmonstration : Considrons la fonction dnie par : (v, w) = 0


(v)(w ) v w

si v=w sinon v = w

(2.31)

Si v = w, on a (v ) (w) = 0, do lgalit (2.30). Si v = w, nous pouvons toujours crire (v ) (w) = (v ) (w) (v w), vw

ce qui signie que la fonction dnie par (2.31) satisfait (2.30) pour tout v, w R. Proposition 2.2.17. Soit : Rn Rq une fonction telle que 1 (H1 x) . (x) = . . q (Hq x) o HiT Rn , pour tout i {1, ..., q }. Il existe q fonctions i : R R R telles que :
i=q

(2.32)

(x) (z ) = o

i (vi , wi )Gi
i=1

x z , x, z Rn ,

(2.33)

vi = Hi x, wi = Hi z, Gi = eq (i)Hi , o eq (i) est un lment de la base canonique Eq de Rq . Dmonstration : On sait quon peut toujours crire (x) sous la forme :
i=q

(2.34)

(x) =
i=1

eq (i)i (Hi x).

Donc (x) (z ) = 42

i=q i=1

eq (i) i (Hi x) i (Hi z ) .

2.2. Approche base sur le DMVT : Transformation en LPV Daprs la Proposition 2.2.16 et les notations (2.34), nous dduisons quil existe i : R R R tel que : i (vi ) i (wi ) = i (vi , wi )(vi wi ). Do (x) (z ) =
i=q

i (vi , wi )Gi
i=1

xz .

Formulation du problme Considrons la classe des systmes non linaires dcrite par les quations dynamiques suivantes :

x (t) = Ax(t) + Bf (x(t), y (t), u(t)) y (t) = Cx(t)

(2.35a) (2.35b)

o x Rn est le vecteur dtat du systme, u Rm le vecteur dentre et y Rp le vecteur de sortie. A, B et C sont des matrices constantes de dimensions appropries. Lapplication f : Rn Rp Rm Rq possde la forme particulire suivante : f1 (H1 x(t), y (t), u(t)) . f (x(t), y (t), u(t)) = . . fq (Hq x(t), y (t), u(t)) avec HiT Rn pour tout i {1, ..., q }. Hypothse 2.2.18. Supposons que les fonctions fi satisfassent la proprit de Lipschitz |fi (v, y, u) fi (w, y, u)| i |v w|, v, w R pour tout u(t) Rm et y (t) Rp . Lobservateur dtat correspondant que nous considrons ici est le suivant : (t) = Ax x (t) + Bf ( x(t), y (t), u(t)) + K (y (t) C x (t)) (2.38) (2.37)

(2.36)

Le problme destimation dtat consiste trouver une matrice K qui stabilise la dynamique de lerreur destimation (t) = x(t) x (t) (2.39) La dynamique de lerreur scrit : (t) = (A KC )(t) + Bft (2.40) 43

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu avec ft = f (x(t), y (t), u(t)) f ( x(t), y (t), u(t)) En appliquant la Proposition 2.2.17 sur la fonction x f (x, y, u), on obtient
i=q

(2.41)

ft =
i=1

i,y,u (Hi x(t), Hi x (t))Gi (t)

(2.42)

o les fonctions i,y,u sont donnes par la Proposition 2.2.16 et sont sous la forme (2.31). Daprs (2.31) et la proprit de Lipschitz (2.37), on a i,y,u (Hi x(t), Hi x (t)) i En posant i (t) = i,y,u (Hi x(t), Hi x (t)) (t) = 1 (t), ..., q (t)
i=q

(2.43)

(2.44a) (2.44b) (2.44c)

A((t)) = A +

i (t)BGi
i=1

la dynamique de lerreur destimation se rcrit sous la forme : (t) = A((t)) KC (t) (2.45)

qui dnit un systme LPV. Selon (2.43), le paramtre (t) volue dans un domaine born Hq de 2q sommets dnis par lensemble : VHq = = (1 , ..., q ) | i {i , i } (2.46) Les conditions sufsantes pour que lerreur destimation soit asymptotiquement stable autour de lorigine sont prsentes dans le thorme suivant : Thorme 2.2.19. ( [122]) Lerreur destimation (t) converge asymptotiquement vers zro sil existe deux matrices P = P T > 0 et R de dimensions appropries telles que les LMIs (2.47) soient solubles : AT ()P C T R + P A() RT C < 0, VHq . (2.47) Le gain K sera donn par K = P 1 RT . Remarque 2.2.20. Les LMIs (2.47) sont identiques aux LMIs (2.12). En revanche, nous avons montr que le rsultat de la section 2.2.2 peut tre tendu une classe particulire de systmes non linaires et non diffrentiables. Remarque 2.2.21. De la mme manire que la section 2.2.4, nous pouvons tendre ce rsultat des systmes avec sorties non linaires. Les conditions de stabilit seront toujours les mmes. Nous pouvons aussi considrer un gain afne sous rserve dune condition supplmentaire du type (2.14). 44

2.3. Extension au ltrage H : observateur robuste La condition quivalente (2.14) dans le cas des systmes non diffrentiables est : S {1, ..., q } tel que i,y,u = gi (y, u) = 0, i S. Le gain afne scrit donc : L(y (t), u(t)) = L0 +
iS

(2.48)

gi (y (t), u(t))Li .

Exemple numrique Considrons le systme chaotique de Chua dcrit par les paramtres suivants : (1 + b) 0 A= 1 1 1 , B = 0 , 0 0 et f (x(t), y (t), u(t)) = 1 (a b) |x1 + E | |x1 E | . 2

La matrice de sortie du systme est C = 1 0 0 . La constante de Lipschitz de la fonction non diffrentiable f est 1 = |a b|. Avec lapproche propose, on a G1 = H1 = 1 0 0 . Pour les valeurs numriques suivantes : = 75, = 31.25, = 3.125, a = 2.40, b = 0.98, E = 1, les LMIs (2.19) fournissent le gain : K = 555.98 98.65 573.81 Les simulations numriques sont illustres dans la Figure 2.2.
T

2.3 Extension au ltrage H : observateur robuste


Dans cette section, nous proposons une extension des rsultats de la section prcdente au cas des systmes comportant des bruits dans la dynamique et la sortie du systme. Pour simplier 45

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu

2 20 0

0 10 20 2 10 0 x
2

Amplitude
0 2 10 x
1

10

2 4 6 8 10 0 0.5 1 t (Temps) 1.5 2

(a) Attracteur chaotique de Chua.

(b) Erreur destimation.

F IG. 2.2 Le comportement asymptotique de lerreur destimation. la prsentation, nous considrons les systmes dcrits par : x = Ax + Bf (x, y, u) + W1 y = Cx + W2 (2.49a) (2.49b)

o W1 et W2 sont des matrices constantes de dimensions appropries et Ls 2 le vecteur des perturbations born. Le fait dintroduire le mme bruit dans la dynamique du systme et sur la sortie y ninduit aucune restriction. En effet, la dimension du vecteur Rs est quelconque et les matrices W1 et W2 peuvent tre diffrentes et de dimensions appropries. Il est par consquent inutile dintroduire un autre vecteur de perturbation diffrent de . Si on remplace dans la dynamique du systme le terme W1 par Ev1 et W2 par Dv2 sur la sortie, alors on peut toujours se ramener T v T ]T . au systme (2.49) en posant W1 = [E 0], W2 = [0 D] et = [v1 2

2.3.1 Synthse dobservateur H


Lobjectif est de reconstruire ltat x du systme (2.49) avec une certaine prcision malgr la prsence du bruit . Cette prcision sera dtermine de faon optimale. Sa valeur dpend des paramtres du systme en question. Lobservateur propos est prsent comme suit : = Ax x + Bf ( x, y, u) + K y C x Problme de conception dobservateur H robuste : tant donn le systme (2.49) et lobservateur (2.50), le problme de conception dobservateur H robuste revient dterminer la matrice K telle que les conditions suivantes soient vries :
t

(2.50)

lim (t) = 0 pour (t) = 0


L2

(2.51) (2.52)

(t) 46

L2

(t)

pour (t) = 0 et (0) = 0.

2.3. Extension au ltrage H : observateur robuste o = x x reprsente lerreur destimation et un scalaire positif dterminer. An de satisfaire les conditions (2.51) et (2.52), il suft de faire appel la thorie de Lyapunov. Il sagit de trouver une fonction de Lyapunov V telle que + T 2 T < 0 V (2.53)

Lexpression de la dynamique de lerreur scrit, aprs transformation en LPV laide du DMVT, comme suit : = A(h(t)) KC + W1 KW2 . (2.54) o A(.) et h(.) ont t dnis dans (2.9). Sous lhypothse (2.2.4) (h(.) born), lanalyse de la stabilit a donn lieu au thorme suivant :

Thorme 2.3.1. ( [123]) Le problme H , dni par (2.51)-(2.52), li au systme (2.49) et lobservateur (2.50) est soluble sil existe un scalaire positif et deux matrices P = P T > 0 et R de dimensions appropries, solutions du problme doptimisation convexe suivant : Min ( = 2 ) sous contrainte Block-Diag (1 ), (2 ), ..., (2 ) < 0, j VHq,n . (2.55) avec (j ) = AT (j )P C T R + P A(j ) RT C + In () P W1 R T W2 , 2 Is (2.56)
qn

o VHq,n est dni dans (2.2.1). Une fois que (2.55) est rsolu, le gain K sera donn par K = P 1 RT .

Dmonstration : Il suft de trouver une fonction de Lyapunov V telle que lingalit (2.53) soit vrie. La fonction de Lyapunov candidate est V = T P . Aprs calcul de la drive de V , on obtient + = V
T 2 T T

M P, K, h(t) ()

P W1 KW2 2 Is

avec M P, K, h(t) = A(h(t)) KC

P + P A(h(t)) KC + In .

En effectuant le changement de variable R = K T P , on dduit que + T 2 T = V


T

(h(t))

47

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu o (h(t)) = A(h(t))T P C T R + P A(h(t)) RT C + In P W1 RT W2 () 2 Is

Comme la matrice A(.) est convexe en h(.), (.) lest aussi, et daprs le principe de convexit, lingalit (2.53) est vrie si la matrice () est dnie ngative pour tout VHq,n , ce qui est quivalent qn Block-Diag (1 ), (2 ), ..., (2 ) < 0, j VHq,n . (2.57) Lobtention dune meilleure prcision revient minimiser le niveau de performance sous la contrainte (2.57), ce qui mne au problme doptimisation convexe (2.55).

2.4 Extension au cas des systmes entres inconnues


Lobjectif de cette section est de gnraliser lapproche base sur le DMVT au cas des systmes entres inconnues. Le problme considr ici concerne lestimation simultane de ltat et des entres inconnues. La gnralisation propose permet damliorer lapproche propose dans [28] en terme de faisabilit des conditions de synthse. En effet, les conditions tablies dans [28] semblent ne pas tre directes cause du choix a priori dune certaine matrice stable qui permet de linariser les conditions de convergence. En revanche, la mthode propose dans cette section fournit directement des conditions de synthse sous forme de LMIs. On considre la classe de systmes dynamiques dont le modle est le suivant : x = Ax + Bu + f (x, u, y ) y = Cx + Du (2.58)

o u Rm est le vecteur des entres inconnues estimer simultanment avec ltat x Rn du systme. La fonction non linaire f (x, u, y ) : Rn Rm Rp Rn est diffrentiable par rapport x et u. La matrice D est de plein rang colonne. An de dnir la classe des systmes concerns, nous avons besoin dintroduire lhypothse suivante : Hypothse 2.4.1. Supposons que la fonction f (., ., .) satisfasse la condition suivante : ij o = x . u fi (, y ) ij , Rn+m , y Rp , i = 1, ..., n; j = 1, ..., n + m j (2.59)

Notons que cette hypothse nest pas restrictive. En effet, elle est satisfaite pour la plupart des systmes chaotiques. Dautre part, cette hypothse peut tre considre comme une reformulation de la condition de Lipschitz. Cette reformulation permet daboutir des conditions de 48

2.4. Extension au cas des systmes entres inconnues synthse moins restrictives que celles obtenues, en utilisant directement la proprit de Lipschitz avec des majorations de types ingalits de Cauchy-Schwartz et les ingalits de Young. An de simplier la prsentation, nous prservons les mmes notations que [28]. E = In 0 M= A B H= C D . E H
1 T 1

(2.60a) (2.60b) (2.60c) E H


T

Puisque D est de plein rang colonne, alors la matrice Posons prsent P Q = E H


T

existe.

E H

E H

(2.61)

avec P et Q sont des matrices relles de dimensions respectives (n + m) n et (n + m) p. Nous dduisons de (2.61) que (2.62) P E + QH = In+m . La structure de lobservateur dtat que nous considrons ici est de la forme suivante : z = N z + Ly + P f z + Qy, y = z + Qy (2.63)

dnote lestim de . o Lobjectif est de trouver des conditions qui permettent de synthtiser les matrices N et L telles converge asymptotiquement vers , ce qui mne estimer simultanment ltat du sysque tme (2.58) et lentre inconnue u. Considrons, maintenant, le vecteur derreur . = Compte tenu du fait que y = H , nous obtenons : = z + QH In+m . De mme, daprs (2.58), lquation de lerreur devient = z P E. Aprs quelques transformations, la dynamique de lerreur scrit : = N + N + F H P M + P f (2.67) (2.66) (2.65) (2.64)

49

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu avec y f , y f = f , et F = L N Q. Si nous prenons N = PM FH alors la dynamique de lerreur devient = P M F H + P f. (2.71) (2.70) (2.69) (2.68)

En utilisant le DMVT [124], nous transformons le systme (2.71) en un systme LPV. Par cons) pour tout i = 1, ..., n, tels que : quent, daprs le Thorme 2.2.3 (le DMVT), i Co(, n,n+m fi Hij (i , y ) . (2.72) f = j
i,j =1

Hij = en (i)eT n (j ), i, j = 1, ..., n + m. En utilisant les notations ij (t) = fi (i , y ) j


n,n+m

(2.73a) (2.73b) (2.73c)

(t) = 11 (t), ..., 1n (t), 21 (t), ..., n(n+m) (t) M((t)) = P M + ij (j , y )P Hij ,
i,j =1

lquation de lerreur devient un systme LPV qui scrit : = M((t)) F H . (2.74)

Le but est de dterminer la matrice F telle que lerreur (t) converge asymptotiquement vers zro. Lhypothse 2.4.1 implique que le paramtre (t) volue dans un domaine born Hn,m dont les 2n(n+m) sommets sont dnis par lensemble : VHn,m = = 11 , ..., n(n+m) | ij {ij , ij } o ij = max ij (t) et ij = min ij (t) .
t t

(2.75)

A ce stade, nous nonons un thorme qui fournit les conditions de synthse des matrices N et L de lobservateur (2.63). 50

2.5. DMVT et Observateur de Luenberger Gnralis (OLG) Thorme 2.4.2. ( [120]) Lerreur (t) converge asymptotiquement vers zro sil existe des matrices S = S T > 0 et R de dimensions appropries telles que les LMIs suivantes soient solubles : MT ()S H T R + S M() RT H < 0, VHn . Aprs rsolution de ces LMIs, les matrices F , N et L sont donnes par : F = S 1 R T N = PM FH L = F + NQ (2.77) (2.78) (2.79) (2.76)

Dmonstration : La preuve de ce thorme est identique celle du Thorme (2.2.5). Il suft de remplacer dans ce dernier les matrices A(.), C, P par M(.), H, S respectivement. Remarque 2.4.3. En terme de comparaison avec le rsultat prsent dans [28], nous citons les avantages suivants : 1. La mthode propose est systmatique. En effet, les gains N et L de lobservateur sont donns directement par les LMIs proposes (2.76). 2. Analytiquement, nous pouvons montrer que les conditions (2.76) sont moins contraignantes que celles donnes dans [28]. En effet, avec lapproche propose ici, on a lquivalence entre () < 0, = 0. les conditions (2.76) et V

2.5 DMVT et Observateur de Luenberger Gnralis (OLG)


Rcemment, une nouvelle conception dobservateurs pour une classe de systmes non linaires a t prsente dans [4] et [44]. Cette conception consiste ajouter lobservateur de Luenberger un deuxime gain dans la partie non linaire du systme. La condition de stabilit exprime en terme de LMI nest pas restrictive. La technique est applique une classe de systmes dont la non-linarit est monotone et multi-variables. Le seul inconvnient est la prsence dun lment nul sur la diagonale de la LMI obtenue. En effet, cet lment impose un certain terme dpendant des variables dtre nul, ce qui est souvent difcile satisfaire. Cet obstacle a t surmont dans [6]. En revanche, ceci ne concerne quune classe restreinte de systmes pour lesquels la non-linarit est une fonction scalaire variable scalaire. Dans cette section, en faisant intervenir le DMVT, nous avons pu amliorer les travaux concernant cette nouvelle technique. La mthode propose ici traite la non-linarit du systme composante par composante et exploite les bornes des lments de la jacobienne quand elles existent. 51

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu

2.5.1 Position du problme


Considrons la classe des systmes non linaires suivante : x = Ax + Bf (x, y, u) y = Cx (2.80a) (2.80b)

o x Rn est le vecteur dtat du systme, u Rm le vecteur dentre et y Rp le vecteur de sortie. A, B et C sont des matrices constantes de dimensions appropries. La fonction f est diffrentiable par rapport x et scrit sous la forme gnrale suivante : f1 (H1 x, y, u) . f (x, y, u) = . . fq (Hq x, y, u)

(2.81)

avec Hi Rsi n pour tout i {1, ..., q }. Sans perte de gnralit, nous supposons que la matrice B est de plein rang colonne et que fi = fj pour tout i = j . On introduit lhypothse suivante : Hypothse 2.5.1. Supposons que les fonctions fi , i = 1, ..., q , satisfont la double ingalit ci-aprs : aij o v i = Hi x. fi i (v , y, u) bij , v i Rsi , y Rp , u Rm i vj (2.82)

Remarque 2.5.2. Sans perte de gnralit, nous supposons que aij = 0 pour tout i = 1, ..., q et j = 1, ..., s, o s = max (si ). En effet, sil existe deux sous ensembles S1 {1, ..., q } et S2 {1, ..., s}
1iq

tels que aij = 0 pour tout (i, j ) S1 S2 , alors nous pourrons considrer une nouvelle fonction (x, y, u) = f (x, y, u) f avec Hij = eq (i)eT si (j ). satisfait (2.82) avec a La fonction f ij = 0 et bij = bij aij . Dans ce cas, nous crirons alors (2.80) comme suit : (x, y, u) + Bf x = Ax avec =A+B A
(i,j )S1 S2

aij Hij Hi x
(i,j )S1 S2

aij Hij Hi .

52

2.5. DMVT et Observateur de Luenberger Gnralis (OLG)

Lobservateur dtat que nous proposons ici a la structure suivante : = Ax ( x + Bf x, y, u) + L(y C x ) (2.83a) (2.83b)

x, y, u) = fi Hi x + Ki (y C x ), y, u f i (

me composante de f . o f i reprsente la i Le but principal est de trouver les matrices L Rnp et Ki Rsi p pour i = 1, ..., q , telles que lerreur destimation =xx (2.84)

soit asymptotiquement stable. La dynamique de lerreur (2.84) est donne par : ( = (A LC ) + B f (x, y, u) f x, y, u) (2.85)

En utilisant le DMVT (voir Thorme 2.2.3) nous dduisons quil existe zi Co(v i , wi ) pour tout i = 1, ..., q tels que :
i=q j =si

( f (x, y, u) f x, y, u) = o

hij (t)Hij i
i=1 j =1

(2.86)

Hij = fi hij (t) = i (zi (t), y, u) vj v i = Hi x, wi = Hi x + Ki (y C x ) v w = (Hi Ki C ).


i i

i = (Hi Ki C ) eq (i)eT si (j )

(2.87a) (2.87b) (2.87c) (2.87d) (2.87e)

En utilisant les notations (2.87a), (2.87b), (2.87c), (2.87d), (2.87e), la dynamique de lerreur destimation (2.85) devient :
i=q j =si

= A LC + B

hij (t)Hij i .
i=1 j =1

(2.88)

2.5.2 Synthse dobservateur


Nous prsentons la mthode de synthse des gains de lobservateur assurant la convergence exponentielle de lerreur destimation vers zro. Lanalyse de la stabilit est tudie en utilisant la thorie de Lyapunov qui permet dobtenir des conditions exprimes sous forme de LMIs. Thorme 2.5.3. ( [125]) Lerreur destimation (2.84) converge exponentiellement vers zro sil existe un scalaire positif et des matrices P = P T > 0, R, Ki , i = 1, ..., q de dimensions appropries 53

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu tels que lingalit linaire matricielle suivante soit satisfaite : M(P, R, ) N1 (P, K1 ) Nsq (P, Kq ) () 11 Is1 0 0 . . . .. . () 0 () () qsq Isq M(P, R, ) = AT P + P A C T R RT C + In Nj (P, Ki ) = P BHij + (Hi Ki C ) 2 ij = . bij
T

(2.89a)

(2.89b) (2.89c) (2.89d) (2.89e)

Le gain L est alors donn par L = P 1 RT et les gains Ki sont des solutions libres de la LMI (2.89a).

Dmonstration : Considrons la fonction de Lyapunov quadratique candidate V = T P . La drive de V scrit :


i=q j =si

= T (A LC )T P + P (A LC ) + 2T P B V Daprs (2.82) nous savons que

hij (t)Hij i
i=1 j =1

1 1 pour tout i = 1, ..., q et j = 1, ..., si . hij (t) bij Alors (hij (t)i )T (hij (t)i )( ce qui implique T i (hij (t)i ) En posant ij = hij (t)i , nous obtenons lingalit
i=q j =si i=1 j =1

1 1 )0 hij (t) bij

1 (hij (t)i )T (hij (t)i ) 0. bij

T i ij

1 T ij 0. bij ij

(2.90)

Donc, daprs (2.90) nous avons


i=q j =si

V +2 V 54

i=1 j =1

T i ij

1 T ij bij ij

(2.91)

2.5. DMVT et Observateur de Luenberger Gnralis (OLG) En utilisant (2.87a), lingalit (2.91) est quivalente + V avec
2

T M

(2.92)

et

M(P, R, ) N1 (P, K1 ) Nsq (P, Kq ) () 11 Is1 0 M= . . . .. . () 0 () () qsq Isq = [11 , ..., 1s1 , 21 , ..., qsq ]T .

Puisque (2.89a) implique M 0 alors 2 . V Daprs (2.93) et le fait que min (P ) on dduit que (t) (0) et avec = max (P ) , = . min (P ) 2max (P ) (2.94)
2

(2.93)

V max (P ) 2 ,

Lingalit (2.94) signie que lerreur destimation converge exponentiellement vers zro. Ceci complte la preuve du Thorme 2.5.3.

Remarque 2.5.4. Dans lingalit (2.82) on peut avoir bij = +. Dans ce cas, lingalit (2.89a) est satisfaite si P BHij +(Hi Ki C )T = 0. Cependant, pour tout i {1, ..., q } xe, pour que (2.89a) soit vrie il est ncessaire davoir un seul indice j pour lequel bij = +. En effet, considrons deux indices j1 et j2 tels que bij1 = bij2 = +. Ceci signie que : P BHij1 + (Hi Ki C )T = 0 P BHij2 + (Hi Ki C )T = 0 ce qui implique que P B (Hij1 Hij2 ) = 0. En utilisant la dnition des Hij , nous dduisons que cette dernire galit est satisfaite si et seulement si la ime colonne de la matrice B est nulle, ce qui contredit le fait que B est de plein rang colonne.

55

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu

2.5.3 Exemple numrique


An de valider les performances de la mthode propose, nous prsentons un exemple numrique pour lequel les mthodes dveloppes dans [4], [6], [5], [3], [43], [44] et [124] ne sont pas applicables cause de la non faisabilit des conditions de synthse. Lexemple est choisi de faon avoir un terme bij = +. Notons que la plupart des approches dveloppes dans la littrature ne peuvent pas traiter cet exemple. En effet, le systme propos nest ni lipschitzien ni tat born. Il comporte deux composantes non linaires, la premire est monotone, et la seconde lispchitzienne. Ce systme scrit sous la forme (2.80) avec les paramtres suivants : 0 1 0 0 0 A = 0 1 1 , B = 1 0 , C = 1 0 0 , 0 1 1 0 1 H 1 = 1 1 0 , H 2 = 1 0 0 , 0 0 1

1 f1 (H1 x, y, u) = (x1 x2 )3 , 3 f2 (H2 x, y, u) = 0.1 sin(x1 ) sin(x3 ). En utilisant lapproche propose, on obtient : 0 h11 (t) +, 0.1 h21 (t) 0.1, 0.1 h22 (t) 0.1, H11 = 1 0 0 , H21 = 0 1 0 et H22 0 0 . 0 1

Daprs la Remarque 2.5.2, nous devons rsoudre la LMI (2.89a) avec = A + a21 BH21 H2 + a22 BH22 H2 , A et b21 = b21 a21 , b22 = b22 a22 . Aprs la rsolution de la LMI (2.89a), nous avons les gains suivants : 10 2 1 T P = 2 1 0 , L = 3 8 4 , 1 0 1 K1 = 1, K2 = 0.49 0.54
T

Comme b11 = +, nous devons avoir P BH11 + (H1 K1 C )T = 0, ce qui est bien le cas. 56

2.5. DMVT et Observateur de Luenberger Gnralis (OLG) En effet, P BH11 2 2 T = 1 et (H1 K1 C ) = 1 = P BH11 . 0 0

Le comportement asymptotique de lerreur et de ltat du systme est reprsent la Figure 2.3.

2000

0.2

1500

Amplitude

1000

Amplitude
2 4 t (Temps) 6 8

0.2

500

0.4

0 0

0.6 0

4 t (Temps)

(a) La composante x1 de ltat du systme.

(b) La convergence de (x1 x 1 ).

2000

1 0.5

1500

Amplitude

1000

Amplitude
2 4 t (Temps) 6 8

0 0.5 1 1.5

500

0 0

2 0

4 t (Temps)

(c) La composante x2 de ltat du systme.

(d) La convergence de (x2 x 2 ).

1000 800

0.6 0.4 0.2

Amplitude

600 400 200 0 0

Amplitude
2 4 t (Temps) 6 8

0 0.2 0.4 0.6 0.8 0 2 4 t (Temps) 6 8

(e) La composante x3 de ltat du systme.

(f) La convergence de (x3 x 3 ).

F IG. 2.3 Example 1 : Comportement asymptotique de lerreur et de ltat du systme.

57

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu

2.5.4 Cas des systmes entres inconnues


Comme dans la section 2.4, cette mthode utilisant un observateur de type Luenberger gnralis, peut facilement tre gnralise au cas des systmes entres inconnues. Pour viter les rptitions, nous reprenons le mme modle de systmes (2.58) et les mmes notations (2.60)-(2.61) que la section 2.4. La fonction f (x, u, y ) peut toujours tre mise sous la forme : f1 (H1 x, F1 u, y ) . (2.95) f (x, u, y ) = . , Hi Rsi n , Fi Rri m . . fn (Hn x, Fn u, y ) Lobservateur propos scrit : , y z = N z + Ly + P f f i i , y = fi v , y , i = 1, ..., n + Ki y H i vi = H = z + Qy o i = H Hi 0ri n 0si m . Fi

(2.96)

En utilisant les mmes transformations (2.64)-(2.70), on obtient la dynamique de lerreur : = P M F H + P f avec (, y ). f = f (, y ) f En outre, lutilisation du DMVT permet dcrire f sous la forme :
i=n j =si +ri

(2.97)

f =
i=1 j =1

ij hij (t)H i

(2.98)

o i Ki H ) i = (H ij = en (i)eT H (j )
(si +ri )

(2.99a) (2.99b) (2.99c) (2.99d) (2.99e) (2.99f)

ij (t) = fi (zi (t), y ) h i vj + Ki (y H x i , wi = H i vi = H ) i + Ki (y H x i w =H ) zi (t) Co(v i , wi ).

58

2.6. Conclusion La dynamique de lerreur destimation (2.97) devient :


i=n j =si +ri

= PM FH + P

ij (t)H ij h i .
i=1 j =1

(2.100)

Comme dans la section 2.5.1, nous supposons, sans perte de gnralit, que les fonctions hij (.) sont positives bornes, i.e : (2.101) 0 hij (t) bij . La synthse des gains N, L et Ki , i = 1, ..., n, est assure par le thorme suivant : Thorme 2.5.5. Lerreur destimation converge exponentiellement vers zro sil existe un scalaire positif et des matrices S = S T > 0, R, Ki , i = 1, ..., n de dimensions appropries tels que lingalit linaire matricielle suivante soit satisfaite : Nsn +rn (S, Kn ) M(S, R, ) N1 (S, K1 ) () 11 Is1 +r1 0 0 (2.102a) . . . . . . () 0 () () n(sn +rn ) Isn +rn M(S, R, ) = (P M )T S + S (P M ) H T R RT H + In+m ij + (H i Ki H )T Nj (S, Ki ) = SP H ij = 2 . bij (2.102c) (2.102d) (2.102e)

(2.102b)

Les gains Ki sont donns directement en rsolvant la LMI (2.102a). Les matrices F , N et L sont calculs par : F = S 1 R T , N = PM FH et L = F + N Q.

2.6 Conclusion
Dans ce chapitre, nous avons prsent deux mthodes de synthse dobservateurs dtat des systmes non linaires. La premire utilise le DMVT pour ramener le problme destimation dtat dun systme dynamique non linaire un problme de stabilit dun systme LPV. En effet, le DMVT intervient au niveau de la dynamique de lerreur destimation, an de la transformer en un systme LPV dont la stabilit asymptotique implique la convergence asymptotique de lerreur destimation vers zro. Des conditions de stabilit sous forme de LMIs ont t obtenues. Lutilisation du thorme des accroissements nis au problme dobservation dtat des systmes 59

Chapitre 2. Synthse dobservateurs dtat des systmes temps continu dynamiques non linaires est une technique possdant deux avantages. Premirement, elle permet damliorer les approches dveloppes dans la littrature dans le sens o les conditions de convergence sont moins contraignantes et faciles rsoudre numriquement vu quelles sexpriment sous forme de LMIs. Deuximement, cette technique peut tre applique une classe large de systmes non linaires, tels que les systmes lipschitziens et les systmes chaotiques. La deuxime mthode dveloppe dans ce chapitre est base sur un observateur de type Luenberger gnralis combin avec le DMVT. Cette combinaison permet damliorer les travaux dvelopps dans la littrature [4], [6], [5], [3], [43], [44]. Une nouvelle condition de synthse dobservateur moins contraignante a t obtenue. En effet, la non-linarit du systme est traite dune faon dtaille (composante par composante) et les bornes de certains lments de la jacobienne, quand elles existent, ont t exploites. Lavantage de cette deuxime mthode par rapport la premire (transformation en LPV) se trouve dans le fait quelle est applicable des fi systmes de type (2.3) o x(.) et x (.) ne sont pas borns. j

60

C HAPITRE

Synthse dobservateurs dtat des systmes temps discret

Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Synthse dobservateurs temps discret : premire approche . . . . . . . . 62 62

75

3.3 Transformation en LPV laide du DMVT : seconde approche . . . . . . . .


3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

61

Chapitre 3. Synthse dobservateurs dtat des systmes temps discret

3.1 Introduction
Malgr lintret donn, durant ces dernires dcennies, au problme dobservation dtat des systmes non linaires, peu dattention a t prte aux systmes temps discret. On ne trouve dans la littrature quun nombre rduit de mthodes destines ltude de cette classe de systmes. Lune dentre elles consiste en lutilisation du ltre de Kalman tendu (EKF) [23], [98], [27]. Dans un contexte dterministe, lEKF est lune des techniques destimation les plus utilises, et il sadresse une large classe de systmes. Cependant, il est connu que la stabilit de cet estimateur nest garantie que localement. Notons que la plupart des approches concernant la classe des systmes lipschitziens temps continu ne peuvent tre transposes directement au cas des systmes temps discret. En effet, dans la variation de la fonction de Lyapunov, il apparat un terme additif (positif) empchant de complter la procdure de synthse. Dans ce chapitre, nous abordons le problme de synthse dobservateurs dtat des systmes non linaires lipschitziens temps discret. Deux approches sont proposes : la premire utilise la condition de Lipschitz conjointement avec lingalit classique de Lyapunov. Deux extensions sont tablies. La premire fait appel de nouvelles fonctions de Lyapunov et la deuxime exige une nouvelle conception de lobservateur, savoir un observateur de Luenberger gnralis (OLG). La seconde approche, base sur le DMVT, est une extension directe de celle dveloppe dans le chapitre 2. Elle permet de rduire le problme destimation dtat dun systme non linaire un problme de stabilit dun systme LPV.

3.2 Synthse dobservateurs temps discret : premire approche


3.2.1 Position du problme
Considrons lensemble des systmes non linaires suivant : x(k + 1) = Ax(k) + f (x(k), y (k)) y (k) = Cx(k) (3.1a) (3.1b)

o x Rn est le vecteur dtat du systme et y Rp le vecteur de sortie. A et C sont des matrices constantes de dimensions appropries. f (x, y ) : Rn Rp Rn est une application non linaire lipschitzienne par rapport x, cest--dire : f (x1 , y ) f (x2 , y ) x1 x2 (3.2)

pour tout x1 , x2 Rn et > 0 indpendant de y . Lobservateur dtat correspondant au systme (3.1) est de type Luenberger et il scrit de la manire suivante : x (k + 1) = Ax (k) + f ( x(k), y (k)) + L(y (k) C x (k)) (3.3)

o x (k) est ltat estim de x(k). En dnissant lerreur destimation par (k) = x(k) x (k) et en utilisant (3.1) et (3.3), la 62

3.2. Synthse dobservateurs temps discret : premire approche dynamique de lerreur destimation est dcrite par : (k + 1) = (A LC )(k) + fk o fk = f (x(k), y (k)) f ( x(k), y (k)). Le problme de la synthse de lobservateur (3.3) revient dterminer le gain constant L, assurant la convergence asymptotique de lerreur destimation vers zro. (3.4)

3.2.2 Synthse de lobservateur


Comme nous lavons mentionn plus haut, le problme principal dans le cas des systmes temps discret est la prsence dun terme additif positif qui apparat au niveau de la variation de la fonction de Lyapunov. Pour viter cet obstacle, nous avons utilis un nouvel artice de calcul en rcrivant la proprit de Lipschitz autrement. Ceci mne au thorme suivant : Thorme 3.2.1. ( [10]) Lerreur destimation converge asymptotiquement vers lorigine sil existe deux matrices P = P T > 0 et R de dimensions appropries et un scalaire positif tel que la LMI suivante soit satisfaite : P + 2 In AT P C T R AT P C T R (3.5) () P In 0 <0 () () P

et alors le gain L est donn par L = P 1 RT .

Dmonstration : Nous allons montrer que sous la condition (3.5) lerreur destimation converge asymptotiquement vers lorigine. Considrons la fonction de Lyapunov quadratique suivante : V ((k)) = (k)T P (k). Alors, la variation de la fonction de Lyapunov est :
T V = (k)T (A LC )T P (A LC ) P (k) + 2(k)T (A LC )T P fk + fk P fk .

o V = V ((k + 1)) V ((k)). La fonction de Lyapunov propose garantit la stabilit asymptotique de lerreur destimation si V ((k)) > 0 pour tout (k) = 0 V < 0 pour toutes les trajectoires possibles de (3.4). La condition V ((k)) > 0 est satisfaite car la matrice P est dnie positive. Donc, il reste montrer que V < 0. 63

Chapitre 3. Synthse dobservateurs dtat des systmes temps discret Nous avons V = (k)T o = (A LC )T P (A LC ) P P (A LC ) (A LC )T P . P
T fk

(k) fk

(3.6)

Dautre part, daprs la condition de Lipschitz (3.2), nous dduisons que


T fk 2 (k)T (k) fk

ce qui est quivalent = (k)T


T fk

2 In 0 0 In

(k) 0. fk

(3.7)

Comme le scalaire est ngatif ou nul alors V V = (k)T Explicitement, nous avons = (A LC )T P (A LC ) P + 2 In (A LC )T P 2 In 0 = . 0 In P (A LC ) P In
T fk

2 In 0 0 In

(k) fk

Do en utilisant le complment de Schur et la notation P L = RT , lingalit < 0 est quivalente (3.5), ce qui signie que V < 0 et donc lerreur destimation converge asymptotiquement vers zro.

Exemple numrique An de tester notre solution, nous proposons lexemple numrique dni par les paramtres suivants : 1 T , C= 1 0 A= 0 1 + aT et f (x(k), y (k)) = 0 ay (k)2 x2 (k) y (k)3 + b cos(ck)
T

o a = 0.2, b = 5.8 et c = 3. Notons que cet exemple est le modle discret du systme de Van Der Pol obtenu par la mthode de discrtisation dEuler avec un pas de discrtisation T = 0.01 seconde. La constante de Lipschitz de f est = 0.01. La LMI (3.5) du Thorme 3.2.1 nous permet de calculer le gain de lobservateur suivant : T L = 1.0649 6.3407 . 64

3.2. Synthse dobservateurs temps discret : premire approche La gure 3.1(b) montre la convergence asymptotique de lerreur destimation vers zro. Le diagramme de phase du systme de Van Der Pol est illustr sur la gure 3.1(a).

6 4

Amplitude
2 0 x1 2 4

2 0 2

x2

4 4

4 0

50

100 k (Temps)

150

200

(a) Diagramme de phase du systme de Van Der Pol.

(b) Convergence asymptotique de x x .

F IG. 3.1 Example 2 : Le comportement asymptotique de lerreur destimation.

Remarque 3.2.2. La condition de synthse dobservateur prsente dans le Thorme 3.2.1 est obtenue par injection de la condition de Lipschitz dans lingalit de stabilit de Lyapunov classique.

Remarque 3.2.3. Si la condition LMI du Thorme 3.2.1 est satisfaite, alors les blocs (1, 1) et (2, 2) de (3.5) seront dnis ngatifs. Ceci signie que 2 In < P < In , ce qui implique que < 1. Cette condition ncessaire rduit lapplicabilit du Thorme 3.2.1 une classe particulire de systmes lipschitziens avec une constante de Lipschitz infrieure 1. Cest le cas de la classe des systmes ayant une partie non linaire appele fonction contractante. Dans la suite de cette section, nous proposons deux amliorations du rsultat prcdent. La premire utilise de nouvelles fonctions de Lyapunov tandis que la deuxime ncessite une nouvelle conception de lobservateur, savoir un observateur de Luenberger gnralis.

3.2.3 Premire amlioration : utilisation de nouvelles fonctions de Lyapunov


Grce deux nouvelles fonctions de Lyapunov, nous prsentons deux thormes qui fournissent des conditions de synthse dobservateur moins restrictives que celles imposes dans le Thorme 3.2.1. Thorme 3.2.4. ([121]) Lerreur destimation converge asymptotiquement vers lorigine sil existe des scalaires > 0, > 0, R et des matrices P = P T > 0, Q = QT et R de dimensions 65

Chapitre 3. Synthse dobservateurs dtat des systmes temps discret appropries tel que les ingalits suivantes soient satisfaites : P + Q + (1 + ) 2 I < 0 (3.8a)

T T T T 1+ P 1+ Q A P C R A P C R T P I 0 <0 PA R C T 0 P PA R C Quand les ingalits admettent une solution, alors le gain K sera donn par L = P 1 RT .

(3.8b)

Dmonstration : Pour dmontrer ce Thorme, nous introduisons la fonction de Lyapunov dnie par : T fk Vk = V ((k)) = (k)T D(k) + fk o D= P+ Q. 1+ 1+

Nous montrons que sous les conditions (3.8), Vk > 0 et Vk+1 Vk < 0 pour tout (k) = 0. La condition Vk > 0 est satisfaite. En effet, daprs (3.8b) et le fait que P = P T et Q = QT , conduit ce que D = DT > 0. Puisque > 0 alors Vk > 0. Nous avons galement min (D) (k)
2

Vk max (D) + 2

(k) 2 .

Il reste montrer que la fonction de Lyapunov Vk est strictement dcroissante, i.e : V = Vk+1 Vk < 0, (k) = 0. On a
T T T V = (k + 1)T D(k + 1) + fk +1 fk +1 (k ) D(k ) fk fk .

Daprs (3.8a) et la condition de Lipschitz (3.2), on obtient :


T 2 T T fk +1 fk +1 (k + 1) (k + 1) (k + 1)

1 P Q (k + 1). 1+ 1+ (3.9)

Do
T V (k + 1)T P (k + 1) (k)T D(k) fk fk .

En utilisant (3.4) et (3.9), on aura : V (k)T avec M= 66 (A LC )T P (A LC ) D (A LC )T P . P (A LC ) P I


T M fk

(k) , fk

3.2. Synthse dobservateurs temps discret : premire approche Avec la notation R = LT P et le complment de Schur (voir Annexe A), nous dduisons de (3.8b) que M < 0. Donc, V < 0 pour tout (k) = 0, ce qui complte la preuve du Thorme 3.2.4. Synthse des gains Dans ce paragraphe, nous fournissons quelques directives pour calculer le gain dduit des ingalits matricielles (3.8). Tout dabord, notons que dans le Thorme 3.2.4 nous avons obtenu des ingalits matricielles o les inconnues sont : les matrices P, Q et R et les scalaires positifs , et . Aprs la dtermination de P et Q, le gain de lobservateur (3.3) est dduit par L = P 1 RT . An dviter la bilinarit du problme (problme non convexe), nous procdons comme suit : 1. On xe a priori et ; 2. On rsout les ingalits (3.8a)-(3.8b) en fonction de P, Q, R et . A laide dune autre nouvelle fonction de Lyapunov, nous arrivons obtenir de nouvelles conditions de synthse dobservateur nonces dans le thorme suivant : Thorme 3.2.5. (voir [121] et [119]) Lerreur destimation converge asymptotiquement vers lorigine sil existe deux scalaires > 0, > 0 et des matrices P = P T > In , Q = QT > 0 et R de dimensions appropries tel que la LMI suivante soit satisfaite : 0 AT P C T R P + 2 In (AT P C T R) () P Q In 0 0 <0 () () Q In 0 1 () () () P o = 1 + 2.

(3.10)

Dmonstration : Considrons la fonction de Lyapunov suivante :


T Vk = T (k)P (k) + fk Qfk .

Daprs (3.2), nous dduisons que 1 (k) avec 1 = min (P ) and 2 = max (P ) + 2 max (Q). Aprs avoir calcul V = Vk+1 Vk , on obtient (A LC )T P (A LC ) P T T T V = (k) fk fk+1 P (A LC ) 0
2

Vk 2 (k)

(A LC )T P P Q 0

0 (k) 0 fk Q fk+1 67

Chapitre 3. Synthse dobservateurs dtat des systmes temps discret Daprs la condition (3.2)
T 2 T (k)(k) fk fk 0, > 0,

ce qui peut se rcrire comme suit : 2 In 0 0 (k) In 0 fk 0. 0 0 0 0 fk+1

(k)T

T fk

T fk +1

(3.11)

De plus, du fait que P > In , on a

T 2 T T 2 T (k + 1)P (k + 1) fk +1 fk+1 > (k + 1)(k + 1) fk+1 fk+1 0.

La dynamique de lerreur (3.4) nous donne :


(k )T
T fk T fk +1

2 (A LC )T P (A LC ) 2 (A LC )T P 2 P (A LC ) 2P 0 0

0 (k ) 0 fk 0. In fk+1

(3.12)

Les ingalits (3.11) et (3.12) impliquent : (k) M fk fk+1

V (k)T o

T fk

T fk +1

(3.13)

En utilisant le complment de Schur et la notation L = P 1 RT , lingalit M < 0 est quivalente (3.10). Par consquent, V < 0, ce qui signie que lerreur destimation converge asymptotiquement vers zro. Remarque 3.2.6. Notons que dans les Thormes 3.2.5 et 3.2.4, la contrainte < 1 a t limine grce lutilisation de nouvelles fonctions de Lyapunov. Cet avantage est illustr numriquement ci-dessous.

(A LC )T P (A LC ) P + 2 In (A LC )T P 0 M= 0 P (A LC ) P Q In . 0 0 Q In

Exemple numrique Pour montrer lintrt de cette amlioration, nous proposons un exemple pour lequel la constante de Lipschitz est suprieure 1. Considrons le systme dcrit par les paramtres suivants : A= 68 a 1 , C = 1 2.5 , a = 0.42 0 0

3.2. Synthse dobservateurs temps discret : premire approche et f (x(k), y (k)) = 0 5 4 tanh(x1 (k ))

La constante de Lipschitz correspondant ce systme est = 1.25. Il est vident que le Thorme 3.2.1 nest pas applicable. En effet la condition ncessaire < 1 nest pas satisfaite. En revanche, lapplication du Thorme 3.2.5 nous donne, aprs la rsolution de la LMI (3.10), le gain L = 0.1247 0.0004 Lerreur destimation est illustre dans la Figure 3.2.
T

0.8 0.6 0.4

Amplitude

0.2 0 0.2 0.4 0.6 0 5 10 15 20 k (Temps) 25 30

F IG. 3.2 Le comportement asymptotique de lerreur destimation

3.2.4 Deuxime amlioration : utilisation dun observateur de Luenberger gnralis (OLG)


Notons que dans le cas des systmes avec constantes de Lipschitz assez importantes, les conditions de synthse prcdentes deviennent contraignantes dans le sens ou elles offrent difcilement des solutions, ceci a t constat numriquement. An de surmonter cet obstacle, nous proposons une autre conception de lobservateur. Une telle conception est appele observateur de Luenberger gnralis (OLG). Grce cette nouvelle structure de lobservateur leffet de la constante de Lipschitz est limin et les conditions de synthse deviennent non contraignantes. Dans cette section, on modie lgrement la classe des systmes (3.1), an davoir une nouvelle forme plus dtaille. Lquation des systmes tudier scrit donc sous la forme dtaille suivante : x(k + 1) = Ax(k) + Bf Hx(k), y (k) + c y (k) = Cx(k) (3.14a) (3.14b)

o B, H sont des matrices de dimensions appropries, c Rn et f est une fonction non linaire lipschitzienne de constante de Lipschitz > 0. Les matrices B et H jouent un rle important sur la faisabilit des conditions de synthse de lobservateur. B est appele matrice de distribution de la non-linarit dans le systme et H est la matrice de distribution de ltat dans la nonlinarit du systme. Le fait de ne pas spcier la matrice B signie quau niveau des conditions 69

Chapitre 3. Synthse dobservateurs dtat des systmes temps discret de synthse, il ny a aucune diffrence entre un systme dont la non-linarit est prsente sur toutes les composantes et un systme qui ne possde que quelques composantes non linaires. De mme, labsence de la matrice H signie que la mthode de synthse ne distingue pas un systme, dont la non-linarit dpend de ltat entier, dun systme dont la non-linarit ne dpend que dune partie de ltat. Considrons un OLG correspondant au systme (3.14). Cet observateur scrit : x (k + 1) = Ax (k) + Bf z (k), y (k) + L y (k) C x (k) + c z (k) = H x (k) + K y (k) C x (k) (3.15a) (3.15b)

Lobjectif est de trouver les gains K et L tels que lerreur destimation (k) = x(k)x (k) converge asymptotiquement vers zro. La dynamique de lerreur destimation est donne par : (k + 1) = (A LC )(k) + B fk o fk = f Hx(k), y (k) f z (k), y (k) Comme la fonction f est de constante de Lipschitz alors nous dduisons que f k H KC (k) (3.17) (3.16)

Lintroduction du gain K sert rduire leffet de la constante de Lipschitz . A ce stade, nous nonons le thorme ci-aprs qui fournit les conditions sufsantes de convergence de lerreur destimation vers zro.

Thorme 3.2.7. ([127]) Lerreur destimation converge asymptotiquement vers zro sil existe des scalaires > 0, > 0 et des matrices P = P T > 0, Q = QT > 0, R et K de dimensions appropries tels que les ingalits suivantes soient satisfaites : 1 Is H KC (3.18) <0 (H KC )T P (H KC )T 0 0 0 70
1 2 Is

H KC P () () ()

0 N (P, R)B L(P, Q, ) () ()

0 0 0 Q Iq ()

N (P, R) 0 <0 0 1 P

(3.19)

3.2. Synthse dobservateurs temps discret : premire approche avec N (P, R) = AT P C T R =1+ .
2

(3.20a) (3.20b) (3.20c)

L(P, Q, ) = B T P B Q Iq

Quand ces ingalits admettent une solution, le gain L est donn par L = P 1 RT et la matrice K est une solution libre des ingalits (3.18) et (3.19). Dmonstration : La preuve de ce thorme est similaire celle du Thorme 3.2.5. Il suft dutiliser convenablement le complment de Schur. La fonction de Lyapunov candidate est
T Vk = T (k)P (k) + fk Qfk .

Le calcul de V = Vk+1 Vk permet dobtenir (A LC )T P (A LC ) P T V = k B T P (A LC ) 0 o


T T k = T (k) fk

(A LC )T P B 0 BT P B Q 0 k 0 Q

(3.21)

T f k +1 .

Daprs (3.17), > 0, on a 2 T (k) H KC


T T H KC (k) fk fk 0.

(3.22)

En utilisant le complment de Schur, lingalit (3.18) est quivalente P > H KC Les conditions (3.17) et (3.23), impliquent :
T 2 T (k + 1)P (k + 1) fk +1 fk +1 0. T

H KC .

(3.23)

(3.24)

La combinaison des ingalits (3.22), (3.24) et (3.21) donne lingalit suivante :


T V k Mk

(3.25)

avec
M=

(A LC )T P (A LC ) P + 2 H KC B T P (A LC ) 0

H KC (A LC )T P B B T P B Q Iq 0 0 0 Q Iq .

A laide du complment de Schur et la notation R = LT P , lingalit M < 0 est quivalente (3.19). 71

Chapitre 3. Synthse dobservateurs dtat des systmes temps discret Par consquent, sous les conditions (3.18) et (3.19), V < 0, et donc lerreur destimation converge asymptotiquement vers zro.

Remarque 3.2.8. Notons que les ingalits (3.18) et (3.19) ne sont pas linaires par rapport aux inconnues P, Q, R, K, , . An de les rendre linaires, nous proposons de xer a priori les variables scalaires inconnues > 0 et > 0 ensuite on rsout (3.18) et (3.19) en fonction des variables P, Q, R et K pour dsigner les gains L et K . Le gain K est une solution directe de (3.18) et (3.19) et L = P 1 RT .

Exemple numrique Dans le but de montrer lefcacit du nouvel observateur, nous proposons un systme pour lequel la LMI (3.10) nest pas satisfaite tandis que linjection du second gain K et la spcication des deux matrices B et H permettent de rduire leffet de la constante de Lipschitz. Pour ce faire, nous considrons le systme chaotique de Lozi dcrit par : A= 0 b 1 , B= , H= 1 0 , 1 0 0 C = 1 1 , c = et f (Hx, y ) = 1 a|x1 |. Ce systme possde un comportement chaotique pour a = 1.4 et b = 0.3. La constante de Lipschitz de f est = a = 1.4. Il est clair que la LMI (3.10) nest pas satisfaite. En effet, la constante de Lipschitz est suprieure 1. De plus, en utilisant la toolbox LMI de MATLAB, la LMI (3.10) a t trouve insatisfaite. Cependant, laide dun OLG et la spcication des matrices B et H , la convergence de lerreur a t tablie. Pour = = 1, xs a priori, les ingalits (3.18) et (3.19) donnent les solutions suivantes : P = 0.4275 0.0390 , 0.0390 0.7420 0 1

R = 0.0249 0.4567 , Q = 0.6781, K = 0.6028 et L= 0.1149 . 0.6215

Le diagramme de phase du systme et lerreur destimation sont illustrs dans la Figure 3.3. 72

3.2. Synthse dobservateurs temps discret : premire approche

3 2.5

0.4 0.2

Magnitude
0.5 0 0.5 x1 1 1.5 2

0 0.2 0.4 0.6 0

x2

1.5 1 0.5 0 1

10

20 30 k (Time)

40

50

(a) Lattracteur chaotique du systme.

(b) Lerreur destimation.

F IG. 3.3 Le Comportement de lerreur destimation.

3.2.5 Extension la restauration dentres inconnues


Considrons le systme entres inconnues dont le modle scrit de la manire suivante : x(k + 1) = Ax(k) + Au u(k) + Bf Hx x(k), Hu u(k), y (k) y (k) = Cx(k) + Du(k) (3.26)

o x(k) Rn est le vecteur dtat, u(k) Rm le vecteur des entres inconnues et y (k) Rp le vecteur de sortie. A, Au , B, C, D, Hx et Hu sont des matrices constantes de dimensions appropries. La fonction f : Rd1 Rd2 Rp Rq est lipschitzienne, i.e. : f (v, w, y ) f ( v , w, y ) f vv ww (3.27)

v, w, v , w et y . La matrice D est de plein rang colonne, i.e : rang(D) = m. Nous introduisons les notations suivantes E = In 0Rnm M = A Au H= C D Hx,u = Hx 0Rd2 n = x . u 0Rd1 m Hu (3.28a) (3.28b) (3.28c) (3.28d) (3.28e)

73

Chapitre 3. Synthse dobservateurs dtat des systmes temps discret On pose S T = E H


T

E H

E H

(3.29)

avec S et T deux matrices de dimensions (n + m) n et (n + m) p respectivement. Daprs lquation (3.29), on a SE + T H = In+m .

(3.30)

Notons que ce problme dobservateur dtat entres inconnues a t tudi dans [22] en utilisant le ltre de Kalman tendu (EKF) comme observateur dtat. Cependant, il a t prouv dans [29] que lEKF nest que localement stable dans le cas des systmes non linaires temps discret. La mthode de synthse dveloppe dans la section 3.2.4 permet dobtenir la convergence globale de lerreur destimation vers zro. Lobservateur propos est un OLG qui scrit : z (k + 1) = N z (k) + Ly (k) + SBf (v (k), y (k)) (k) + K y (k) H (k) v (k) = Hx,u (k) = z (k) + T y (k) (k) (k) (k) = converge asymptotiquement vers lorigine. En reprenant les mmes dveloppements que dans la section 2.4, nous obtenons (k + 1) = N (k) + N + F H SM (k) + SBf o f = f v (k), y (k) f Hx,s (k), y (k) et F = L N T. Si on pose N = SM F H alors, la dynamique de lerreur devient (k + 1) = SM F H (k) + SBf. En sinspirant des rsultats de la section 3.2.4, nous nonons le thorme suivant : (3.36) (3.35) (3.34) (3.33) (3.32)

(3.31)

Lobjectif principal est de dterminer les matrices N, L et K telles que lerreur

Thorme 3.2.9. ([127]) Lerreur destimation est asymptotiquement stable sil existe deux scalaires > 0, > 0 et des matrices P = P T > 0, Q = QT > 0 R et K de dimensions appropries 74

3.3. Transformation en LPV laide du DMVT : seconde approche tels que les ingalits matricielles ci-dessous soient satisfaites : 1 I(d1 +d2 ) Hx,u KH <0 T (Hx,u KH ) P
1 2 I(d1 +d2 ) f () () () () Hx,u KH P () () () 0 (SM )T P (SB ) H T R(SB ) (SB )T P (SB ) Q Iq () () 0 0 0 Q Iq () 0

(3.37)

et

T T (SM ) P H R < 0 (3.38) 0 0 1 P

o = 1 + 2 f. La matrice F est gale P 1 RT . Les gains N et L sont dduits des quaions (3.34) et (3.35) et le gain K est une solution libre des ingalits (3.37) et (3.38). Dmonstration : La preuve de ce thorme est similaire celle du Thorme 3.2.7.

3.3 Transformation en LPV laide du DMVT : seconde approche


Dans cette section, nous proposons une extension directe de la mthode dveloppe dans la section 2.2 du chapitre 2. Elle utilise le DMVT an de transformer la dynamique de lerreur destimation en un systme LPV. Pour pouvoir comparer cette technique avec les rsultats prcdents de ce chapitre, nous allons considrer une classe de systmes lipschitziens. Cependant, la condition de Lipschitz est traduite sous une autre forme.

3.3.1 Formulation du Problme


Considrons la classe des systmes non linaires dnie par les quations suivantes : x(k + 1) = Ax(k) + Bf (x(k), y (k), u(k)) y (k) = Cx(k) (3.39a) (3.39b)

o x Rn est le vecteur dtat du systme, u Rm le vecteur dentre et y Rp le vecteur de sortie. A, B et C sont des matrices constantes de dimensions appropries. f (x, y, u) : Rn Rp Rm Rq est une application non linaire diffrentiable par rapport x. Supposons que la fonction f satisfasse la condition suivante : aij fi (x, y, u) bij , x, y, u xj (3.40) 75

Chapitre 3. Synthse dobservateurs dtat des systmes temps discret pour tout i = 1, ..., q et j = 1, ..., n. Il est noter que la classe des systmes vriant la proprit (3.40) contient une large varit de systmes traits dans la littrature, savoir la classe des systmes lipschitziens diffrentiables [96], [88], [74], [2], [9], [129]. Lobservateur dtat correspondant au systme (3.39) est donn par : x (k + 1) = Ax (k) + Bf ( x(k), y (k), u(k)) + L(y (k) C x (k)) o x (k) reprsente lestim de ltat x(k). La dynamique de lerreur destimation (t) = x(t) x (t) scrit : (k + 1) = A LC (k) + B f (x(k), y (k), u(k)) f ( x(k), y (k), u(k)) . (3.42) (3.41)

Toutes les approches dveloppes dans la littrature pour la classe des systmes lipschitziens reposent sur des majorations fortes en essayant de dominer le terme f (x(t), y (t), u(t))f ( x(t), y (t), u(t)), en utilisant directement la condition de Lipschitz. Cette technique de majoration directe fournit des conditions de synthse restrictives. Pour cela, nous avons tabli une nouvelle mthode qui aboutit des conditions de synthse moins contraignantes. Cette mthode consiste utiliser le DMVT qui permet de transformer la dynamique de lerreur destimation en un systme LPV. Puisque la fonction f est diffrentiable par rapport x, le DMVT est applicable (voir Thorme 2.2.3) sur la fonction x f (x, y, u). Daprs le Thorme 2.2.3, il existe zi (t) Co(x(t), x (t)), pour tout i = 1, ..., q, tel que : q,n fi f (x(k), y (k), u(k)) f ( x(k), y (k), u(k)) = eq (i)eT (zi (k), y (k), u(k)) (k). n (j ) xj
i,j =1

Nous dnissons les notations suivantes : hij (k) =

fi (zi (k), y (k), u(k)) xj

(3.43a) (3.43b) (3.43c) (3.43d)

q Hij = eq (i)eT n (j ) pour 1 i q et 1 j n

h = h11 , ..., h1n , ..., hqn


q,n

A(h(k)) = A + B

q hij (k)Hij . i,j =1

En utilisant ces notations, lquation de lerreur destimation (3.42) devient : (k + 1) = A(h(k)) LC (k). (3.44)

Lquation dynamique (3.44) dnit donc un systme LPV. Daprs la proprit (3.40), nous dduisons que le vecteur des paramtres h(k) volue dans un

76

3.3. Transformation en LPV laide du DMVT : seconde approche domaine born Hq,n pour lequel les 2qn sommets sont dnis par : VHq,n = = (11 , ..., 1n , ..., qn ) | ij {aij , bij } .

3.3.2 Mthode de synthse dobservateur


En sinspirant des techniques LPV (voir [11] pour plus de dtails), on obtient des conditions sufsantes de convergence de lerreur destimation. Ces conditions, exprimes en terme de LMIs, permettent de synthtiser le gain L. On a le thorme suivant : Thorme 3.3.1. ( [124]) Lerreur destimation (k) converge asymptotiquement vers zro sil existe des matrices P = P T > 0 et R de dimensions appropries telles que les LMIs suivantes soient satisfaites : P AT ()P C T R < 0, VHq,n . (3.45) () P Quand ces LMIs sont satisfaites, le gain dobservateur L sera donn par L = P 1 RT . Dmonstration : Considrons la fonction de Lyapunov suivante : V (k) = V ((k)) = T (k)P (k). La variation de cette fonction scrit comme : V = V (k + 1) V (k) = (k)T A(h(k)) LC
T

P A(h(k)) LC P (k).

Daprs la dnition de la stabilit au sens de Lyapunov, V doit tre dnie ngative an de garantir la convergence asymptotique de lerreur destimation. En utilisant le complment de Schur, V < 0 si P AT (h(k))P C T R < 0. F (h(k)) = () P Le principe de convexit permet de dduire que V < 0 si F est dnie ngative sur VHq,n , ce qui est quivalent lingalit (3.45). Comme P est dnie positive, nous pouvons calculer le gain L par P 1 RT .

3.3.3 Exemple numrique


Nous illustrons les performances de cette dernire mthode laide du modle discret du systme chaotique de Lorenz prcdemment tudi dans [74] et [28]. Ce systme, obtenu par la mthode de discrtisation dEuler, est dcrit par les matrices 1 10T 10T 0 0 0 A = 28T 1T 0 , B = T 1 0 , C = 1 0 0 0 0 1 8 0 1 3T 77

Chapitre 3. Synthse dobservateurs dtat des systmes temps discret et la fonction non linaire f (x(k), y (k), u(k)) = y (k)x3 (k) . y (k)x2 (k)

o T = 0.001 est le pas de discrtisation. En appliquant lapproche propose, nous obtenons hij (t) = 0 pour tout (i, j ) = (1, 3), (2, 2) et h22 (t) = h13 (t) = y (t) pour tout t > 0. Nous avons donc deux LMIs rsoudre avec a22 = 9.1974 et b22 = 19.9613. Les LMIs (3.45), nous fournissent le gain L = 1.4282 12.9770 1.6781
T

Les rsultats de la simulation numrique sont illustrs par la Figure 3.4.

0.005 60 40 0 0.005

Amplitude
20 0 x
2

x3

0.01 0.015 0.02 0.025 0.03 0 500 1000 1500 k (Temps) 2000 2500

20 0 50 0 50 20 x1

(a) Attracteur de Lorenz

(b) Evolution de (x1 x 1 ).

0.5 0 0.5

Amplitude

1 1.5 2 2.5 3 0 500 1000 1500 k (Temps) 2000 2500

Amplitude

0.5

1.5 0

500

1000 1500 k (Temps)

2000

2500

(c) Evolution de (x2 x 2 ).

(d) Evolution de (x3 x 3 ).

F IG. 3.4 La convergence asymptotique.

Remarque 3.3.2. Comme dans le Chapitre 2, mme dans le cas des systmes temps discret, cette mthode de transformation en LPV laide du DMVT peut tre tendue dautres classes de systmes non linaires, savoir les systmes sorties non linaires, les systmes non differentiables et les systmes partiellement afnes o lon peut proposer un gain dobservateur afne. La mthode peut galement tre gnralise au cas des systmes avec des incertitudes dans la dynamique et sur la sortie du systme. Elle est galement extensible la restauration dentres inconnues.

78

3.4. Conclusion

3.4 Conclusion
Dans ce chapitre, nous avons prsent deux approches de synthse dobservateurs dtat des systmes non linaires lipschitziens temps discret. La premire consiste utiliser la condition de Lipschitz conjointement avec lingalit classique de Lyapunov. Ceci permet dobtenir un terme positif ainsi ajout la variation de la fonction de Lyapunov. Ensuite, deux amliorations ont t tablies en utilisant respectivement des nouvelles fonctions de Lyapunov et un observateur de Luenberger gnralis (OLG). Une gnralisation au cas des systmes entres inconnues a t galement aborde. La deuxime mthode est base sur le DMVT qui permet de mettre la dynamique de lerreur sous une forme LPV. Cette mthode ncessite la traduction de la condition de Lipschitz sous forme de la condition (3.40), an daboutir des conditions de synthse moins restrictives. En utilisant des techniques LPV [12], [11], des conditions de synthse dobservateur ont t obtenues. Ces conditions sont exprimes sous forme de LMIs non restrictives et faciles rsoudre numriquement.

79

Chapitre 3. Synthse dobservateurs dtat des systmes temps discret

80

C HAPITRE

Extensions aux systmes retard

Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Premire mthode : transformation en LPV . . . . . . . . . . . . . . . . . . 82 82


4.3 Deuxime mthode : utilisation des OLGs . . . . . . . . . . . . . . . . . . .

91


4.4 Systmes temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . .


96


99

4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

81

Chapitre 4. Extensions aux systmes retard

4.1 Introduction
Lanalyse et la synthse des systmes retard deviennent de plus en plus des sujets de recherche en constante volution, comme peut le montrer la littrature abondante. Ceci est principalement d au fait que le retard est frquemment rencontr dans les systmes technologiques et peut affecter leur fonctionnement de manire signicative. Dans le cas des systmes linaires, lanalyse de la stabilit aussi bien que le problme dobservateurs dtat ont t largement tudis [26], [27], [21], [48], [90], [82], [68], [67], [109], [94], [17]. Contrairement au cas linaire, trs peu de rsultats ont t tablis dans le cas non linaire. Parmi ces quelques rsultats, on trouve lapproche dveloppe par Germani et al. dans [49] et [50]. Dans [80], une autre mthode a t propose, en utilisant des preuves lgantes pour lanalyse de la stabilit dune classe de systmes retard. Une approche alternative, prsente dans [1], concerne les systmes avec des non-linarits lipschitziennes. Il sagit dune gnralisation des rsultats obtenus pour une classe de systmes non linaires standards [95], [96]. Cependant, la condition de synthse dobservateur semble restrictive. Dans ce chapitre, on prsente deux mthodes de synthse dobservateurs dtat des systmes non linaires retard. La premire est une extension de la technique de transformation en LPV laide du DMVT aux cas des systmes retard. Des conditions de synthse ont t obtenues en utilisant une fonction de Lyapunov-Krasovskii particulire, utilise antrieurement dans [82] pour les systmes linaires. Ces conditions sont exprimes sous forme dingalits matricielles qui deviennent par la suite linaires (LMIs), en xant a priori une variable scalaire inconnue. En terme de faisabilit, les conditions de synthse obtenues par lapproche propose sont moins contraignantes que celles tablies dans [1] ainsi que celles donnes par toutes les approches concernant la classe des systmes lipschitziens. La deuxime mthode utilise simultanment le DMVT et les observateurs de Luenberger gnraliss (OLGs). Avec cette technique, une nouvelle condition de synthse dobservateurs sous forme de LMI est obtenue. Ce rsultat peut tre considr comme une amlioration de la premire mthode. En effet, la nouvelle condition de synthse est applicable mme si le systme concrn est jacobienne non borne, ce qui nest pas le cas pour la mthode de transformation en systme LPV.

4.2 Premire mthode : transformation en LPV


4.2.1 Formulation du problme
Considrons la classe des systmes non linaires retard suivante : x (t) = Ax(t) + A x (t) + Bf x(t), x (t), y (t) y (t) = Cx(t). (4.1a) (4.1b)

o x Rn est le vecteur dtat du systme, u Rm le vecteur dentre et y Rp le vecteur de sortie. A, A , B et C sont des matrices constantes de dimensions appropries. La fonction 82

4.2. Premire mthode : transformation en LPV f x, x , y : Rn Rn Rm Rq est diffrentiable par rapport x(t) et x (t) avec x (t) = x(t ). Pour des raisons de simplicit, on suppose sans perte de gnralit que x(t) est constant sur lintervalle [ 0]. La classe des systmes non linaires concerne est dnie par lhypothse suivante : Hypothse 4.2.1. Supposons que la fonction non linaire, f , satisfasse les conditions suivantes : fi (x, x , y ) bij , x, x , y xj fi a (x, x , y ) b ij ij , x, x , y. x j aij pour tout i = 1, ..., q et j = 1, ..., n. (4.2a) (4.2b)

Notons ainsi z (t) = z (t ) pour tout vecteur z . Lobservateur dtat correspondant (4.1) scrit : (t) = Ax x (t) + A x (t) + Bf x (t), x (t), y (t) + L y (t) y (t) + L y (t) y (t) y (t) = C x (t). (4.3a) (4.3b)

Lobjectif est de trouver deux gains L et L tels que lerreur destimation (t) = x(t) x (t) converge exponentiellement vers zro. La dynamique de lerreur destimation est : (t) = A LC (t) + A L C (t) + Bf. avec f = f x(t), x (t), y (t) f x (t), x (t), y (t) . En posant X (t) = x(t) (t) (t) = x , X x (t) x (t) (4.4)

(t) , pour et en utilisant le Thorme 2.2.3 (le DMVT), on dduit quil existe zi (t) Co X (t), X tout i = 1, ..., q, tel que : f = Sq,n (t)(t) + Sq,n (t) (t), o Sq,n (t) =
i,j =1 q,n

eq (i)eT n (j )
q,n

fi (zi (t), y (t)), xj (t)

et
Sq,n (t) =

eq (i)eT n (j )
i,j =1

fi (zi (t), y (t)). x j (t) 83

Chapitre 4. Extensions aux systmes retard En utilisant les notations hij (t) = fi (zi (t)), pour i = 1, ...q et j = 1, ..., n, xj (t) h(t) = (h11 (t), ..., h1n (t), ..., hqn (t)), h ij (t) = fi (zi (t)), pour i = 1, ...q et j = 1, ..., n, xj (t )
h (t) = (h 11 (t), ..., h1n (t), ..., hqn (t)),

A(h(t)) = A + BSq,n (t) et


(t), B (h (t)) = A + BSq,n

la dynamique de lerreur destimation (4.4) devient (t) = A(h(t)) LC (t) + B (h (t)) L C (t). (4.5)

Daprs lhypothse 4.2.1, le vecteur des paramtres, h(t) (resp. h (t)) volue dans un domaine born Hq,n (resp. H q,n ) pour lequel les 2qn sommets sont dnis par : VHq,n = = (11 , ..., 1n , ..., qn ) | ij {aij , bij }
(resp. VH = = (11 , ..., 1n , ..., qn ) | ij {a ij , bij } ). q,n

Nous prsenterons dans la section suivante la mthode propose pour la synthse dobservateur. Lanalyse de la stabilit est base sur une fonctionnelle de Lyapunov-Krasovskii particulire.

4.2.2 Procdure de synthse dobservateur


Les conditions de synthse proposes pour la classe des systmes (4.1) sont nonces dans le thorme suivant : Thorme 4.2.2. ([126]) Lobservateur dtat (4.3) est exponentiellement convergent sil existe un scalaire > 0 et des matrices P = P T > 0, Q = QT > 0, R et R de dimensions appropries tels que les ingalits matricielles suivantes soient satisfaites : M(P, Q, , ) + N (P ) L(R, R ) < 0, VHq,n , V H q,n . o M(P, Q, , ) = N (P ) = 84 P 0 AT ()P + P A() + Q P B ( ) () e Q (4.7) (4.6)

0 C T R + RT C R C , L(R, R ) = . 0 () 0

(4.8)

4.2. Premire mthode : transformation en LPV Quand les ingalits sont satisfaites, les matrices L et L seront donnes par L = P 1 RT et L = P 1 R .

Dmonstration : Pour dmontrer ce rsultat, nous faisons appel la fonctionnelle de LyapunovKrasovskii suivante : V (t) = V ((t)) = T (t)P (t) + et A ce stade, on peut calculer la drive de V (t) par : = T V A((t)) LC
T t t

e T ( )Q( )d.

P + P A((t)) LC + Q
t

+ T (B ( (t)) L C )T P + P (B ( (t)) L C )
t e T Q e

e T ( )Q( )d.

Donc, + V = T V + T A((t)) LC
T

P + P A((t)) LC + Q
T

B ( (t)) L C

P + P B ( (t)) L C

e T Q En utilisant les notations R = LT P , R = P L et (4.7)-(4.8), on dduit que : (t) + V (t) = T (t) M(P, Q, h(t), h (t)) + N (P ) L(R, R ) (t), V o T (t) = T (t) T (t) . Daprs le principe de convexit, si la condition (4.6) est satisfaite, alors M(P, Q, h(t), h (t)) + N (P ) L(R, R ) < 0, pour tout h(t) Hq,n et h (t) H q,n . Do, (t) + V (t) < 0. V Cette ingalit signie que V (t) V (0)et . Compte tenu du fait que min (P ) (t)
2

(4.9)

V (t) 85

Chapitre 4. Extensions aux systmes retard alors (t)


V (0) e 2 t min (P )

(4.10)

ce qui implique que lobservateur (4.3) est exponentiellement convergent.

Exemple Considrons le systme dcrit sous la forme (4.1) par les paramtres suivants : 0 0.5 0.3 1 0 4 2 0 A = 0 4 2 , A = 0.5 0 0.3 , B = 0 1 , C = 1 0 0 , 0.3 0.3 0 0 0 0 0 3 et
x1 (t0.1) f (x, x , y ) = 1+x2 (t0.1)
1

) x2 (t2

1+x2 (t)

Nous avons

f1 f2 (x, x , y ) = 0, (x, x , y ) = 0, j = 1, 2, 3 xj x j f1 (x, x , y ) = x 1 1 1+ x2 1 (t 1 1+ x2 2 (t)


1 3 1 3

0.1) .

et

f2 (x, x , y ) = x2

Do 0 h22 (t) 1 et 0 h 11 (t) 1. En rsolvant les ingalits (4.6) avec = 1, nous obtenons les gains suivants : L = 11.9232 4.2041 1.4261 L = 0.5 0.5 0.3
T T

Les rsultats de simulation sont illustrs sur la Figure 4.1.

Remarque 4.2.3. Notons que le rsultat prcdent ne peut pas tre appliqu aux systmes non diffrentiables. En revanche, pour une classe particulire de systmes non diffrentiables, lapproche dveloppe a pu tre gnralise grce une nouvelle mthode qui permet de mettre la dynamique de lerreur destimation sous une forme LPV. Ceci mne des conditions de synthse identiques celles du Thorme 4.2.2.

86

4.2. Premire mthode : transformation en LPV

0.4 0.2 0

0.4 0.2 0

0.4 0.2 0

Amplitude

Amplitude

0.2 0.4 0.6 0.8 1 0 5 10 t (Temps) 15 20

0.2 0.4 0.6 0.8 1 0 5 10 t (Temps) 15 20

Amplitude

0.2 0.4 0.6 0.8 1 0 5 10 t (Temps) 15 20

(a) La 1re composante de lerreur.

(b) La 2me composante de lerreur.

(c) La 3me composante de lerreur.

F IG. 4.1 Evolution exponentielle de lerreur destimation.

4.2.3 Cas des systmes non diffrentiables


Considrons la classe des systmes non linaires suivante : x (t) = Ax(t) + A x (t) + Bf x(t), y (t), u(t) + Gg x (t), y (t), u(t) y (t) = Cx(t). (4.11a) (4.11b)

o x Rn est le vecteur dtat du systme, u Rm le vecteur dentre et y Rp le vecteur de sortie. A, A , B , G et C sont des matrices constantes de dimensions appropries. Supposons que les fonctions f et g puissent scrire sous la forme suivante :
f1 (H1 x(t), y (t), u(t)) g1 (F1 x (t), y (t), u(t)) . . f x(t), y (t), u(t) = . . , g x (t), y (t), u(t) = . . fq (Hq x(t), y (t), u(t)) gs (Fs x (t), y (t), u(t))

(4.12)

avec HiT Rn pour tout i {1, ..., q } et FiT Rn pour tout i {1, ..., s}. Les fonctions fi , i = 1, ..., q sont lipschitziennes par rapport x(t) avec des constantes de Lipschitz i i = 1, ..., q . De mme, les fonctions gi , i = 1, ..., s sont lipschitziennes par rapport x(t) avec les constantes de Lipschitz i . Lobservateur dtat correspondant (4.11) scrit comme : (t) = Ax x (t) + A x (t) + Bf x (t), y (t), u(t) + L y (t) C x (t) + Gg x (t), y (t), u(t) + L y (t) C x (t) La dynamique de lerreur destimation, (t) = x(t) x (t), est donne par : (t) = A LC (t) + A L C (t) + Bft + Ggt , (4.14) 87

(4.13)

Chapitre 4. Extensions aux systmes retard o ft = f x(t), y (t), u(t) f x (t), y (t), u(t) , (t), y (t), u(t) . gt = g x (t), y (t), u(t) g x (4.15) (4.16)

Dans ce cas nous ne pouvons pas appliquer le DMVT, car les fonctions f et g ne sont pas ncessairement diffrentiables. La forme particulire (4.12) des non-linarits nous permet dutiliser un nouvel artice de calcul, an de transformer lquation dynamique de lerreur destimation en un systme LPV. Nous rsumons cet artice en deux propositions. Proposition 4.2.4. Pour tout i {1, ..., q }, il existe une fonction i,y,u : R R R telle que : fi (v, y, u) fi (w, y, u) = i,y,u (v, w) v w , |i,y,u (v, w)| i , v, w R. (4.17) (4.18)

Dmonstration : La preuve de cette Proposition est donne dans [122]. Indication : Il suft de dnir la fonction i,y,u (., .) comme suit : i,y,u (v, w) = 0
fi (v,y,u)fi (w,y,u) v w

if v = w if v = w

(4.19)

Proposition 4.2.5. Pour tout x, z Rn , il existe des fonctions i,y,u : R R R, i = 1, ..., q , telles que :
i=q

f =
i=1

i,y,u (vi , wi )Gi (x z )

(4.20)

o f = f (x, y, u) f (z, y, u) vi = Hi x, wi = Hi z, Gi = eq (i)Hi . (4.21) (4.22)

Les deux propositions prcdentes sont valables pour la fonction g ainsi que pour toute fonction scrivant sous la forme (4.12). Daprs la Proposition 4.2.5, il existe des fonctions i , i = 1, ..., q et des fonctions j , j = 1, ..., s telles que
i=q

ft =
i=1 j =s

i,y,u (Hi x(t), Hi x (t))Gi (t)

(4.23)

gt =
j =1

j,y,u Fj x (t), Fj x (t) Ej (t)

(4.24)

88

4.2. Premire mthode : transformation en LPV avec Ej = es (j )Fj et |j,y,u (v, w)| j , v, w R. Nous introduisons les notations suivantes : (t)), (t) = 1 (t), ..., q (t) i (t) = i,y,u (Hi x(t), Hi x j (t) = j,y,u (Fj x (t), Fj x (t)), (t) = 1 (t), ..., s (t) ,
i=q j =s

(4.25) (4.26)

(4.27) (4.28) (4.29)

A((t)) = A +

i=1

i (t)BGi , G ( (t)) = A +

j (t)GEj
j =1

) pour lequel Le vecteur des paramtres (resp. ) volue dans un domaine born Hq (resp. Hs les 2q (resp. 2s ) sommets sont dnis par lensemble suivant :

VHq = = (1 , ..., q ) | i {i , i } (resp.


VH = (1 , ..., s ) | j {j , j } .) = s

(4.30)

(4.31)

En utilisant les notations (4.23), (4.24), (4.27), (4.28), (4.9), lquation de lerreur (4.14) devient : (4.32) (t) = A((t)) LC (t) + G ( (t)) L C (t) Lquation (4.32) dnit un systme LPV retard. En se basant sur les techniques LPV (voir [111] et [104]), nous obtenons le thorme suivant : Thorme 4.2.6. Lobservateur dtat (4.13) est exponentiellement convergent sil existe un scalaire > 0 et des matrices P = P T > 0, Q = QT > 0, R et R de dimensions appropries tels que les ingalits matricielles suivantes soient satisfaites :
M(P, Q, , ) + N (P ) L(R, R ) < 0, VHq , VH . s

(4.33)

o M(P, Q, , ) = N (P ) = P 0 AT ()P + P A() + Q P G ( ) () e Q R C . 0 (4.34)

0 C T R + RT C , L(R, R ) = T C T R 0

(4.35)

Dans ce cas, les matrices L et L sont donnes par L = P 1 RT et L = P 1 R . Remarque 4.2.7. Les conditions du Thorme 4.2.6 sont identiques celles du Thorme 4.2.2. Ceci signie que pour la classe particulire de systmes retard 4.11 satisfaisant 4.12, lutilisation de la Proposition 4.2.5 est plus gnrale que le DMVT. En effet, la Proposition 4.2.5 est valable 89

Chapitre 4. Extensions aux systmes retard mme si la non-linarit du systme nest pas diffrentiable, contrairement au DMVT qui sapplique seulement aux systmes diffrentiables.

Exemple Comme exemple de systme non diffrentiable, nous proposons le systme chaotique de Chua modi (voir [108]). Ce systme est dcrit sous la forme (4.11) par les paramtres suivants :
1 (R + Gb ) C1 1 RC2

A=

1 RC1 1 RC 2 1 L

1 C 0 1 1 , A = 0Rnn , B = 0 , G = 0 , C = 0 1 0 , C2 R0 0 0
L

1 f (x(t), y (t), u(t)) = (Ga Gb ) |x1 + E | |x1 E | , et g(x (t), y (t), u(t)) = sin(x1 (t )). 2 Nous avons H1 = 1 0 0 et F1 = 1 0 0 . Les constantes de Lipschitz des fonctions f et g sont respectivement 1 = |Ga Gb | et 1 = . Ce systme possde un comportement chaotique pour les valeurs numriques suivantes : R = 1950, C1 = 108 , C2 = 107 , L = 18.68.103 , R0 = 16, E = 1 Ga = 0.75.103 , Gb = 0.41.103 , = 0.001, = 0.2, = 0.5. En rsolvant les ingalits (4.33) avec = 200, nous obtenons L = 104 24.9130 18.8075 0.0046
T

, L = 0R3 .

x 10 6 4

200 150

Magnitude
10 0 x 2 10
2

100 50 0

0 2 4 2 0 x1

50 0

0.5

1 t (Time)

1.5 x 10

2
3

(a) Attracteur de Chua modi.

(b) Evolution de lerreur destimation.

F IG. 4.2 Le comportement de lerreur destimation.

90

4.3. Deuxime mthode : utilisation des OLGs

4.3 Deuxime mthode : utilisation des OLGs


La mthode prcdente concerne les systmes retard dont les non-linarits sont jacobiennes bornes. En revanche, dans cette section, nous proposerons une amlioration en utilisant les OLGs. Ceci permettra daboutir des conditions de synthse applicables des systmes jacobiennes non bornes.

4.3.1 Formulation du problme


Considrons la classe des systmes non linaires retard suivante : x = Ax + A x + Bf (x, y, u) + Gg(x , y, u) y = Cx. (4.36a) (4.36b)

Comme les non-linarits f : Rn Rp Rm Rq et g : Rn Rp Rm Rr sont quelconque, alors nous pouvons toujours crire f et g sous la forme gnrale suivante : f1 (H1 x, y, u) g1 (F1 x , y, u) . . f (x, y, u) = . . , g(x , y, u) = , Hi Rqi n , Fi Rri n (4.37) . . fq (Hq x, y, u) gr (Fr x , y, u) Avant dintroduire notre observateur dtat, nous avons besoin dune hypothse qui dnit la classe des systmes concerne par cette approche. Hypothse 4.3.1. Supposons que les fonctions f et g satisfassent les conditions suivantes : fi i (v , y, u) bij , v i Rqi , y Rp , u Rm , i vj gi i i ri p m a ij i (v , y, u) bij , v R , y R , u R . vj aij (4.38a) (4.38b)

Lobservateur dtat que nous proposons ici est de la forme suivante : = Ax ( x + A x + B f x, y, u) + Gg ( x , y, u) + L y C x + L y C x , f x, y, u) = fi Hi x + Ki (y C x ), y, u , i = 1, ...q, i ( g i ( x, y, u) = gi Fi x + Ki (y C x , y, u), i = 1, ...r. (respectivement g o f i ) est la ime composante de f ). i (respectivement g La dynamique de lerreur destimation = x x est donne par :
( = (A LC ) + (A L C ) + B f (x, y, u) f x, y, u) + G g (x , y, u) g ( x , y, u) . (4.40)

(4.39a) (4.39b) (4.39c)

91

Chapitre 4. Extensions aux systmes retard En utilisant le DMVT (Thorme 2.2.3), nous dduisons quil existe zi Co(v i , wi ) pour tout Co(v i , w i ) pour tout i = 1, ..., r tel que i = 1, ..., q et zi
i=q j =qi

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

q hij (t)Hij i i=1 j =1 i=r j =ri

(4.41)

g(x , y, u) g ( x , y, u) =

r h ij (t)Hij i i=1 j =1

(4.42)

i = (Hi Ki C ), i = (Fi Ki C ) q Hij

(4.43a) (4.43b) (4.43c) (4.43d) (4.43e) (4.43f)

eq (i)eT si (j ),

r Hij

er (i)eT si (j )

hij (t) =

gi fi i (zi (t), y, u), hij (t) = v i (zi (t), y, u) vj j = Fi x , w


i

v i = Hi x, wi = Hi x + Ki (y C x ) = Fi x +
Ki (y i

v i wi = (Hi Ki C ), v i w

= (Fi Ki C ) .

Cx )

Par consquent, daprs (4.39)-(4.43), la dynamique de lerreur destimation (4.40) scrit :


i=q j =qi i=r j =ri q hij (t)BHij i i=1 j =1

= (A LC ) + (A L C ) +

+
i=1 j =1

r h ij (t)GHij i .

(4.44)

Remarque 4.3.2. Sans perte de gnralits, nous supposons que f et g satisfont (4.38a) et (4.38b) avec aij = 0 pour tout i = 1, ...q, j = 1, ..., q et a , ij = 0 pour tout i = 1, ..., r, j = 1, ..., r o q = max (qi ) et r = max (ri ). En effet, sil existe des sous ensembles S1 , S2 et S1 , S2 tels que
aij = 0, (i, j ) S1 S2 et a ij = 0, (i, j ) S1 S2 , alors nous pouvons considrer les fonctions 1iq 1ir

(x, y, u) = f (x, y, u) f g (x , y, u) = g(x , y, u)

q aij Hij Hi x, (i,j )S1 S2 r a ij Hij Fi x ,


S (i,j )S1 2

qui vrient (4.38a) et (4.38b) avec a ij = 0, bij = bij aij et a ij = 0, bij = bij aij . Nous rcrivons dans ce cas lequation (4.36a) sous la forme suivante :

(x, y, u) + Gg +A x + B f x = Ax (x , y, u), avec =A+B A


(i,j )S1 S2 q aij Hij Hi ,

= A + G A
S (i,j )S1 2

r a ij Hij Fi .

92

4.3. Deuxime mthode : utilisation des OLGs

Remarque 4.3.3. Notons que lhypothse 4.3.1 nest pas restrictive. En effet, dune part, on trouve dans la littrature une multitude de systmes vriant cette hypothse. Dautre part, comme nous allons le voir plus tard, la mthode propose est valable mme si bij = +.

4.3.2 Synthse dobservateur


Dans cette section, nous nonons un thorme qui fournit des conditions de synthse de notre observateur. Ces conditions sont exprimes sous forme dingalits matricielles. Thorme 4.3.4. ( [128]) Lobservateur dtat (4.39) est exponentiellement convergent sil existe un scalaire > 0 et des matrices P = P T > 0, Q = QT > 0, R, R , Ki , i = 1, ..., q et K i , i = 1, ..., r de dimensions appropries tels que lingalit matricielle suivante soit soluble : L(P ) M(P, R, ) P A R C N(P, K1 , ..., Kq ) () e Q 0 (K 1 , ..., K r ) (4.45) 0 () () 0 () () () avec
M(P, R, ) = AT P + P A C T R RT C + P + Q, N(P, K1 , ..., Kq ) = N1 (P, K1 ) Nq1 (P, K1 )N1 (P, K2 ) Nqq (P, Kq ) ,
q Nj (P, Ki ) = P BHij + (Hi Ki C )T ,

(4.46a) (4.46b) (4.46c)

L (P ) = P G

r H11

r r H1 r1 H21

r Hrr r

(4.46d) (4.46e) (4.46f) (4.46g) (4.46h) (4.46i)

(K 1 , ..., K r ) = 1 (K 1 )...r (K r ) , i (K i ) = (Fi K i C )T ...(Fi K i C )T ,

ri fois

= bloc-diag(11 Iq1 , ..., 1q1 Iq1 , 21 Iq2 , ..., qqq Iqq ), =


bloc-diag(11 Ir1 , ..., 1 r1 Ir1 , 21 Ir2 , ..., rrr Irr ),

ij

2 2 = , ij = . bij bij

A partir de (4.45), les matrices L et L sont donnes par L = P 1 RT et L = P 1 R . et les gains Ki , i = 1, ..., q et K i , i = 1, ..., r sont des solutions directes de (4.45).

Dmonstration : La preuve utilise la mme fonction de Lyapunov-Krasovskii prcdente. En 93

Chapitre 4. Extensions aux systmes retard exploitant (4.38a) et (4.38b), on obtient les ingalits suivantes :
i=q j =qi

Sq =
i=1 j =1 i=r j =ri Sq

T i ij
T i ij

1 T ij 0, bij ij 1 T ij ij 0. b ij

(4.47a)

=
i=1 j =1

(4.47b)

o
ij = hij (t)i , ij = h ij (t)i .

Ceci implique que


+ V V + V + 2(Sq + Sq ), V

ce qui est quivalent + V T V o T T T M , (4.48)

L(P ) M(P, R, ) P A R C N(P, K1 , ..., Kq ) 0 (K 1 , ..., K r ) () e Q M= , () () 0 () () ()


T T T T T T T T T T T = [11 , ..., 1 = [11 , ..., 1 q1 , 21 , ..., qqq ] , et r1 , 21 , ..., rrr ] ,

et M(P, R, ), N(P, K1 , ..., Kq ), L(P ), (K 1 , ..., K r ), et sont dnis par (4.46). Lingalit M 0 est identique (4.45), ce qui signie que lerreur destimation est exponentiellement convergente. Remarque 4.3.5. Dans (4.38a), nous pouvons avoir bij = + (fonctions non lipschitziennes). Dans ce cas, pour que lingalit (4.45) soit vrie il est ncessaire davoir
q P BHij + (Hi Ki C )T = 0.

4.3.3 Exemple
Nous reprenons le systme propos dans la section 2.5.3 modi, en ajoutant une partie non linaire dpendant du retard. Ce systme est dni par les matrices 0 1 0 0 0 0 A = 0 1 1 , A = 0R33 , B = 1 0 , G = 0 , C = 1 0 0 , 0 1 1 0 1 94

4.3. Deuxime mthode : utilisation des OLGs 1 0 0 , F1 = 1 0 0 0 0 1

H 1 = 1 1 0 , H 2 = et les non-linarits f1 (H1 x, y, u) =

1 (x1 x2 )3 , f2 (H2 x, y, u) = 0.5 sin(x1 ) sin(x3 ), 3 g1 (x , y, u) = 1 + x2 1,

o = = 0.1. Les ingalits (4.45) fournissent les solutions suivantes : 10 2 1 12.5834 3.2229 1.6643 P = 2 1 0 , Q = 3.2229 1.2688 0.6672 , 1 0 1 1.6643 0.6672 0.3903

La Figure 4.3 reprsente le comportement asymptotique de lerreur destimation.

3 1 0.5610 L = 8 , L = 0 , K1 = 1, K2 = , K 1 = 1. 0.3168 4 0

2 1.5

0.5

Amplitude

Amplitude
5 t (Temps) 10 15

0.5 0 0.5 1

0.5

1 0

1.5 0

5 t (Temps)

10

15

(a) 1re composante de lerreur.

(b) 2me composante de lerreur.

0.5

Amplitude

0.5

1 0

5 t (Temps)

10

15

(c) 3me composante de lerreur.

F IG. 4.3 La convergence exponentielle de lerreur destimation.

95

Chapitre 4. Extensions aux systmes retard Remarque 4.3.6. Les ingalits (4.6), (4.33) et (4.45) sont non linaires par rapports leurs variables cause des couplages P et e Q. An de les rendre linaires (LMIs), nous proposons de xer a priori la variable scalaire . Nous dduisons de lingalit (4.10) que la rapidit de convergence de lerreur destimation dpend de . Plus grand est , plus rapide est la convergence de lerreur destimation vers zro. La synthse dobservateurs devient donc un problme doptimisation avec contraintes linaires dont lobjectif est de maximiser . Les contraintes sont les ingalits (4.6), (4.33) et (4.45) selon la classe du systme tudier et la mthode de synthse utilise.

4.4 Systmes temps discret


Dans cette section, nous abordons le problme de synthse dobservateurs dune classe de systmes retard temps discret. Une gnralisation de la mthode prsente dans la section 3.2.4 du chapitre 3 sera mise en oeuvre.

4.4.1 Formulation du problme


Considrons le systme sous la forme dtaille suivante : x(k + 1) = Ax(k) + Ad xd (k) + Bf Hx(k), Hd xd (k), y (k) + c y (k) = Cx(k) (4.49a) (4.49b)

o les matrices constantes A, Ad , B, C, H, Hd et c sont de dimensions adquates et la fonction f : Rs1 Rs2 Rp Rq est lipschitzienne de constante de Lipschitz f , i.e : f z1 , z2 , y f z 1 , z 2 , y f z1 z 1 z2 z 2 , z1 , z2 , z 1 , z 2 , y. (4.50)

Nous proposons lobservateur dtat suivant : x (k + 1) = Ax (k) + Ad x d (k) + Bf v (k), w(k), y (k) + c + L y (k) C x (k) + Ld yd (k) C x d (k)
1 v (k) = H x (k) + K 1 y (k) C x (k) + Kd yd (k) C x d(k) 2 w(k) = Hd x d (k) + K 2 y (k) C x (k) + Kd yd (k) C x d (k) .

(4.51a)

(4.51b) (4.51c)

La dynamique de lerreur destimation est donne par : (k + 1) = A LC (k) + Ad Ld C d (k) + Bfk o fk = f Hx(k), Hd xd (k), y (k) f v (k), w(k), y (k) . 96 (4.52)

4.4. Systmes temps discret Daprs (4.50), nous obtenons fk f


1 C (k ) (H K 1 C )(k) Kd d 2 (Hd Kd C )d (k) K 2 C(k)

(4.53)

97

Chapitre 4. Extensions aux systmes retard

4.4.2 Conditions de synthse de lobservateur


Les conditions de synthse, exprimes sous forme de LMI, sont donnes dans le thorme suivant : Thorme 4.4.1. Lerreur destimation est asymptotiquement stable sil existe un scalaire > 0 1 et K 2 de dimensions appropries tels que la LMI et des matrices P = P T > 0, R, Rd , K 1 , K 2 , Kd d suivante soit satisfaite :
P + Q () () () () () 0 Q () () () () AT P B C T RB AT d PB T B P B Iq () () () C Rd B
T

AT P C T R AT dP 0 P () () C Rd
T

2 1C f H K 2 f

2 2 f K C 2 f

1C K d

0 0 2 f Is1 ()

2C Hd K d 0 0 0 2 f Is2

<0

(4.54)

1 et K 2 sont donns par : Les gains L, Ld , K 1 , K 2 , Kd d T L = P 1 RT , Ld = P 1 Rd

1 1 1 2 K , K2 = K , 1 1 1 2 1 2 Kd = K K . d , Kd = d K1 =

Dmonstration : Considrons la fonction de Lyapunov-Krasovskii suivante :


i=d

Vk = T (k)P (k) +
i=1

T (k i)Q(k i) .

(4.55)

En utilisant la dynamique (4.52), nous obtenons


T Vk+1 Vk = k M1 k

o
M1 =

A LC

P A LC P + Q () ()

A LC Ad Ld C
T

P Ad Ld C

A LC Ad Ld C

PB
T

P Ad Ld C Q ()

PB

BT P B

T T k = T (k) T d (k ) fk .

En utilisant les notations 1 = K 1 , K 2 = K 2 , K 1 = K 1 , K 2 = K 2 , K d d d d 98

4.5. Conclusion la condition (4.53) peut scrire de la manire suivante :


T k M2 k 0

(4.56)

o M2 = et
M3 =

1 2 M3 f

0 Iq
1C H K
2 d Hd K C T T 1 d 2C K C + K 2 d Hd K C T 1 d K C

1C H K

1C + K 2C H K ()

2C K

2 1 d d Hd K C + K C

Par consquent
T Vk+1 Vk k M1 + M2 k .

(4.57)

En utilisant le complment de Schur et les notations R = LT P, Rd = LT d P , lingalit M1 + M2 < 0 est quivalente (4.54). Ceci signie que sous les conditions du Thorme 4.4.1, la fonction Vk est strictement dcroissante et donc lerreur destimation est asymptotiquement stable.

4.5 Conclusion
Dans ce chapitre, nous avons propos deux mthodes de synthse dobservateurs. La premire est une extension de lapproche base sur le DMVT propose dans le Chapitre 2 au cas des systmes retard. Cette approche consiste transformer la dynamique de lerreur destimation en un systme LPV avec retard. Les systmes concerns forment une classe de systmes dont les non-linarits sont jacobiennes bornes. La deuxime mthode utilise une nouvelle structure de lobservateur. Cette structure, de type Luenberger gnralis, permet dobtenir des conditions de synthse applicables une classe plus large de systmes, savoir les systmes non lipschitziens. Toutes les conditions de synthse prsentes dans ce chapitre sont exprimes sous forme dingalits matricielles que lon peut rendre linaires (LMIs) en xant a priori une variable scalaire positive. En terme de comparaison, nous concluons les points suivants :
fi gi 1. Dans le cas o les termes x et x sont borns, il est prfrable dutiliser le Thoj j rme 4.2.2 (ou bien le Thorme 4.2.6 pour les systmes non diffrentiables). fi fi 2. Sil existe des termes x non borns et tels que 0 x +, alors nous sommes dans j j lobligation dutiliser le Thorme 4.3.4 sous rserve quune solution existe.

Nous avons galement abord, dans la dernire section de ce chapitre, les systmes retard temps discret. Une extension de la mthode prsente dans la section 3.2.4 du chapitre 3 a t tablie en utilisant une fonction de Lyapunov-Krasovskii classique. Les conditions de synthse proposes contiennent plus de degrs de libert, ce qui les rend moins contraignantes.

99

Chapitre 4. Extensions aux systmes retard

100

C HAPITRE

Application la synchronisation et au cryptage/dcryptage

Sommaire
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 5.2 Sur les systmes chaotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 102


5.3 Communiquer avec le chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . 107


5.4 Applications : transmission dimages . . . . . . . . . . . . . . . . . . . . . . 113


5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

101

Chapitre 5. Application la synchronisation et au cryptage/dcryptage

5.1 Introduction
Dans ce chapitre, nous prsentons une application des rsultats introduits dans les chapitres prcdents la synchronisation et au dcryptage dans les systmes de communications chaotiques. Nos rsultats interviennent au niveau de la synchronisation qui constitue une tape centrale dans les schmas de communications. Nous avons choisi la transmission dimages comme application. Avant de donner les rsultats des simulations numriques en utilisant nos mthodes de synthse dobservateurs (synchronisation), nous commenons par une brve introduction aux systmes chaotiques, suivie dune section sur les systmes de communication chaotiques. Dans cette section, nous faisons un tat de lart sur lutilisation du chaos dans les systmes de communication. En suite, nous prsentons deux principales mthodes de synchronisation des systmes chaotiques et quelques techniques de cryptage/dcryptage existantes dans la littrature.

5.2 Sur les systmes chaotiques


Cette section est consacre aux systmes chaotiques, exploits couramment dans les schmas de communication chaotiques. Ltude thorique approfondie du chaos est loin dtre lobjectif de ce mmoire. Nous nous limitons dnir brivement le phnomne chaotique apparaissant dans un systme dynamique dterministe. Nous nous contentons de donner une dnition globale suivie de quelques exemples de systmes chaotiques clbres.

5.2.1 Caractrisation globale du chaos


Quelques systmes physiques se comportent de manire chaotique. Parmi ces systmes, on peut citer latmosphre, un robinet qui goutte, un pendule excit dans un champ magntique... Ces quelques systmes se dmarquent par leurs dimensions et lorigine de leurs mouvements. Il existe plusieurs dnitions possibles du chaos. Ces dnitions ne sont pas toutes quivalentes, mais elles convergent vers certains points communs caractrisant ainsi le chaos. Ci-dessous, nous prsentons quelques caractristiques qui permettent de comprendre qualitativement les points marquants dun systme chaotique. Sensibilit aux conditions initiales (SCI) Tout dabord, les systmes chaotiques sont extrmement sensibles aux perturbations. On peut illustrer ce fait par leffet papillon, popularis par le mtorologue Edward Lorenz. Lvolution dun systme dynamique chaotique est imprdictible en ce sens quelle est sensible aux conditions initiales. Ainsi, deux trajectoires de phases initialement voisines scartent toujours lune de lautre, et ceci quelle que soit leur proximit initiale. Il est en particulier clair que la moindre erreur ou simple imprcision sur la condition initiale interdit de dcider tout temps quelle sera la trajectoire effectivement suivie et, en consquence, de faire une prdiction autre que statistique sur le devenir long terme du systme. Ainsi, bien que lon traite de systmes dterministes, il est impossible de prvoir long terme leurs comportements. La seule manire est doprer effectivement lvolution du systme. Si cette simulation se fait informatiquement, 102

5.2. Sur les systmes chaotiques un problme de prcision sur les conditions initiales se pose alors : de petites erreurs darrondissement dues la prcision du type de la variable codant ces conditions initiales peuvent exponentiellement samplier de telle sorte que la trajectoire de phases obtenue nest pas reprsentative de la ralit. Illustrons ce phnomne de SCI par une simulation numrique. On affecte un systme chaotique deux conditions initiales trs proches. Dans un premier temps, les deux systmes voluent de la mme manire ; mais, trs vite, leur comportement devient diffrent. Ceci est illustr dans la gure suivante.

40 30 20 10

x
0 10 20 30 0 5 t (Temps) 10 15

F IG. 5.1 Evolution dans le temps pour deux conditions initiales trs proches.

Aspect alatoire Les courbes prcdentes (Figure 5.1) illustrent la sensibilit aux conditions initiales. Cependant, une autre caractristique des systmes chaotiques peut tre observe sur les courbes prcdentes. En effet, un systme chaotique volue dune manire qui semble alatoire. La courbe suivante permet de comparer une volution simple, priodique et donc predictible dun systme classique avec lvolution plus complexe, non priodique et non predictible dun systme chaotique.

40 30 20

Amplitude

10 0 10 20 30 0 2 4 6 t (Temps) 8 10

F IG. 5.2 Evolution dans le temps dun systme chaotique, compar une sinusode. Ainsi, les systmes chaotiques semblent voluer de manire alatoire. En tout cas, on ne peut 103

Chapitre 5. Application la synchronisation et au cryptage/dcryptage prvoir facilement quelle sera leur volution dans le temps. Notons que les systmes chaotiques obissent tout de mme aux lois de la physique. Si on se place dans lapproximation de la physique classique, on peut afrmer que le systme est totalement dterministe. Il ne faut donc pas se laisser abuser par le caractre a priori alatoire qui ne dnote quune complexit du systme.

5.2.2 Quelques exemples de systmes chaotiques


Dans cette section, nous prsentons quelques exemples de systmes chaotiques les plus clbres.

Exemples de systmes temps continu Les exemples considrs sont : le systme de Lorenz, le systme de Rssler et le systme de Chua.

Systme de Lorenz Le systme de Lorenz est un exemple clbre de systme diffrentiel au comportement chaotique pour certaines valeurs de paramtres. Ce systme est dni par les quations suivantes : = (y x) x (5.1) y = rx y xz z = bz + xy

Ci-dessous lattracteur de Lorenz (lespace des phases) et la coordonne x obtenus partir des valeurs numriques = 10, r = 8 3 et b = 28.

40 30 20 100

Amplitude

0 10 20 0 30 0 2 4 6 t (Temps) 8 10 y 50 50 x 0 0 50 50

(a) La premire coordonne, x.

10

50

(b) Attracteur chaotique de Lorenz.

F IG. 5.3 Systme chaotique de Lorenz.

104

5.2. Sur les systmes chaotiques Systme de Rssler Les quations de ce systme sont les suivantes : = (y + z ) x y = x + ay z = b + z (x c)

(5.2)

Ce systme, qui a t propos par lAllemand Otto Rssler, est li ltude de lcoulement des uides ; il dcoule des quations de Navier-Stokes. Les quations de ce systme ont t dcouvertes la suite de travaux en cintique chimique. Pour une simulation numrique, nous prenons a = 0.398, b = 2 et c = 4. Nous obtenons lvolution dans le temps de la coordonne z et lattracteur de Rssler dans la gure ci-dessous.

6 5 6 4

Amplitude

4 3 2 1 0 0 20 40 60 t (Temps) 80 100

z
2 0 10 10 0 0 y 10 5 x 5

(a) La troisime coordonne, z .

(b) Attracteur chaotique de Rssler.

F IG. 5.4 Systme chaotique de Rssler.

Systme de Chua Le systme de Chua est la base un circuit lectrique dont le schma est donn dans la Figure 5.5.

F IG. 5.5 Le circuit lectrique de Chua. 105

Chapitre 5. Application la synchronisation et au cryptage/dcryptage Ce simple circuit lectrique, dvelopp par Leon Chua, possde une dynamique chaotique. La dynamique de ce circuit peut tre dcrite par les quations dtat suivantes : 1 1 1 = C1 x R (x1 x2 ) + C1 f (x1 ) 1 1 (5.3) x 2 = C2 R (x1 x2 ) + C2 x3 x R0 1 3 = L x2 + L x3 1 f (x1 ) = Gb x1 + (Ga Gb ) |x1 + E | |x1 E | 2 v1 x1 x = x2 = v2 . x3 i3

avec et

Le portrait de phases de ce systme est donn sur la Figure 5.6.

20 10

0 10 20 2 10 0 x2 2 10 0 x1

F IG. 5.6 Lattracteur chaotique de Chua.

Aprs quelques transformations simples, ce systme peut scrire sous une autre forme, appele forme sans dimension du circuit de Chua : = y x f (x) x y =xy+z z = y z

(5.4)

o , , sont des constantes et f reprsente la fonction caractristique de la diode de Chua, qui est donne par 1 f (x) = bx + (a b) |x + 1| |x 1| . 2 avec a < b < 0 sont deux constantes. 106

5.3. Communiquer avec le chaos Exemples de systmes temps discret Systme de Henon Le systme de Hnon est un modle propos en 1976 par le mathmaticien Michel Hnon. Il sagit dun systme qui introduit des itrations dans le plan. Ces itrations sont dnies par les relations suivantes. xk+1 = a x2 k + byk (5.5) yk+1 = xk Le portrait de phases (lattracteur) ainsi que la premire coordonne, x, du systme sont reprsents sur la Figure 5.7 pour a = 1.4 et b = 0.3.

2 1 0

2 1 0

xk

1 2 3 0

y
1 2 3 3 20 40 k (Temps) 60 80

1 x

(a) La premire coordonne, x.

(b) Attracteur chaotique de Henon.

F IG. 5.7 Systme chaotique de Henon. Il existe dautres systmes chaotiques discrets. Nous citons le systme de Lozi qui consiste en le systme de Henon pour lequel la non-linarit x2 k est remplace par |xk |.

5.3 Communiquer avec le chaos


Lide dutilisation du chaos dans les systmes de communication a t inspire de la dcouverte de Pecora-Carroll en 1990 [91]. Ils ont montr que deux systmes chaotiques identiques avec des conditions initiales diffrentes peuvent ventuellement se synchroniser sils sont coupls dune certaine manire convenable, cest dire sous certaines conditions. Le dveloppement des systmes de communication utilisant le chaos a commenc donc avec des schmas de synchronisation trs simples de circuits lectroniques, visant pour le cryptage et la reconstruction simultans dun signal dinformation. Pour plus de dtails, voir [57], [37]. Dans la suite, nous introduisons quelques dnitions et rsultats concernant la synchronisation des systmes chaotiques. En effet, la synchronisation joue un rle primordial dans les schmas de communication. 107

Chapitre 5. Application la synchronisation et au cryptage/dcryptage

5.3.1 Synchronisation des systmes chaotiques


Dans le contexte de la communication, nous signions par synchronisation quun systme esclave se force se synchroniser avec un systme matre. Le systme matre peut tre dcrit par un systme diffrentiel x (t) = f (x(t)), dans le cas continu, ou par une quation aux diffrences x(k + 1) = f (x(k)), dans le cas discret avec le vecteur dtat x Rn , la condition initiale x(0) et une sortie y = h(x). Par analogie, le systme esclave est dni par le systme diffrentiel (t) = f ( x x(t), y (t)), dans le cas continu, ou par une quation aux diffrences ( x (k + 1) = f x(k), y (k)), dans le cas discret avec le vecteur dtat x Rn et la condition initiale x (0). Nous disons que le systme matre se synchronise avec le systme esclave si lim x x =0
+

(5.6)

pour tout (x(0), x (0)) Rn Rn . Ce type de synchronisation est appel synchronisation dtat. Il existe deux mthodes principales de synchronisation dtat que nous prsentons en dtails ci-dessous :

Auto-synchronisation : Principe de Pecora-Carroll Certains systmes chaotiques possdent la proprit dauto-synchronisation, cest--dire quon peut les dcomposer en deux sous-systmes, lun matre, lautre esclave. Ces derniers peuvent se synchroniser sous leffet dun couplage avec un signal commun. Dans le schma de synchronization propos par Pecora et Carroll [91], un systme chaotique x = f (x) (5.7)

avec une sortie scalaire y = h(x) est dcompos en deux sous-systmes dont les tats sont x1 et x2 respectivement : x 1 = f1 (x1 , x2 ) (5.8) x 2 = f2 (x2 , y ) o x = xT 1 108 xT 2
T

(5.9)

5.3. Communiquer avec le chaos Le systme est partition de faon ce que les Exposants de Lyapunov Conditionnels (ELCs) [91] du sous-systme (5.9) soient positifs. Qualitativement, les ELCs caractrisent la stabilit de (5.9). Si tous les ELCs sont ngatifs, alors la trajectoire x2 (t) est asymptotiquement stable [91]. Ceci signie que les tats de plusieurs copies du sous-systme (5.9) se synchroniseront laide du mme signal y (t). En particulier, on considre le systme dcrit par : 2 = f2 ( x x2 , y ) (5.10)

Si les ELCs de ce systme sont tous ngatifs et x 2 (0) est sufsamment proche de x2 (0), alors ltat x 2 converge asymptotiquement vers x2 , i.e :
t+

lim

x2 x 2 = 0.

En gros, le problme dans le principe de Pecora-Carroll est de trouver une dcomposition (5.8)(5.9) convenable, cest dire telle que les ELCs de (5.9) soient ngatifs. Ce principe, qui a t initi par Pecora et Carroll [91] en 1990 et ensuite repris dans beaucoup de papiers tels que [34] et [69], peut tre rsum par la gure 5.8.

F IG. 5.8 Principe de Pecora-Carroll.

Synchronisation base dobservateurs Aprs la dcouverte de Pecora-Carroll [91], le problme de synchronisation a t rapidement reli au problme plus gnral de lobservation dtat non linaire classique [83], [84], [86]. Dans cette approche, Le systme matre est un systme chaotique quelconque et le systme esclave est un observateur dtat correspondant. La Figure 5.9 illustre ce principe de synchronisation. Cette approche est frquemment utilise dans la littrature, le lecteur peut se rfrer de nombreuses publications telles que [54], [52], [53], [38], [74], [60], [75], [120], [9], [122]. Pour ce principe, nous disons que lmetteur et le rcepteur se synchronisent si le systme =f ( x x, u) est un observateur convergent pour le systme x = f (x, u), y = h(x). Autrement telle que : dit, le problme de synchronisation revient dterminer une fonction f x(t) x (t) 0, quand t +. 109

Chapitre 5. Application la synchronisation et au cryptage/dcryptage

F IG. 5.9 Principe de synchronisation base dobservateurs.

5.3.2 Quelques techniques de cryptage/dcryptage


On dispose dans la littrature de diffrents schmas de communications chaotiques ncessitant la synchronisation. Dans [113], lauteur a prsent toutes les techniques existantes, gnration par gnration. Il existe de nombreuses techniques de cryptage/dcryptage utilisant comme tape centrale la synchronisation du chaos [113]. Parmi ces techniques, nous citons les quatres principales suivantes : Masquage par addition (The additive chaos masking scheme) Cette technique dveloppe en 1993 [36] est illustre par la gure 5.10. Elle consiste en deux systmes chaotiques identiques, lmetteur et le rcepteur. Le signal chaotique c(t) est lune des variables dtat du systme dans lmetteur. Le message dinformation (le signal utile qui doit tre crypt) m(t), qui est typiquement trs faible devant c(t), est ajout au signal c(t) et donne le signal transmis s(t). Comme c(t) est trs complexe et m(t) est beaucoup plus petit que c(t), alors il est difcile de sparer m(t) du signal s(t) sans connatre c(t).

F IG. 5.10 Schma de communication par addition.

110

5.3. Communiquer avec le chaos Masquage par dcalage (The chaos shift keying) La mthode de dcalage illustre par la gure 5.11 a t rserve la transmission de messages numriques [39]. Dans ce schma de communication, le message dinformation est utilis pour commuter le signal transmis entre deux attracteurs chaotiques statistiquement similaires, qui sont utiliss respectivement pour coder le bit 0 et le bit 1 du message dinformation numrique. Ces deux attracteurs sont gnrs par deux systmes chaotiques de mme structure et de paramtres diffrents. A la rception, le signal reu est utilis pour produire un systme chaotique identique ceux de lmetteur. Le message dinformation est restitu par application dun ltre passe-bas et ensuite un seuillage de lerreur de synchronisation e(t).

F IG. 5.11 Schma de communication par dcalage.

Les cryptosystmes chaotiques Cette gnration de systmes de communication reprsente la gure 5.12 a t dveloppe en 1997 [115]. Cette mthode combine la technique de cryptographie classique et la synchronisation du chaos an damliorer le degr de scurit un niveau beaucoup plus lev que les prcdentes. Dans un cryptosystme chaotique, le message m(t) est crypt par une rgle de cryptage, e(.), avec un signal cl, k(t), qui est gnr par le systme chaotique de lmetteur. Le signal masqu, y (t), est ensuite inject dans le systme chaotique an de changer sa dynamique et la rendre plus complexe. Une autre variable dtat du systme chaotique, s(t), est transmise travers un canal de transmission publique accessible par lintrus. Puisque lintrus na pas accs la cl chaotique, k(t), alors il est trs difcile de dduire m(t) de s(t). Au niveau du rcepteur, le signal reu r (t) = s(t) + n(t), o n(t) est le bruit du canal, est utilis pour synchroniser les deux systmes chaotiques de lmetteur et du rcepteur. Une fois que la synchronisation est acheve, les (t) et y signaux k(t) et y (t) seront reconstruits par k (t) respectivement. En utilisant la rgle de dcryptage, d(.), et les signaux reconstruits k(t) et y (t), alors le message dinformation peut tre restitu par m (t). 111

Chapitre 5. Application la synchronisation et au cryptage/dcryptage

F IG. 5.12 Schma de communication en utilisant les cryptosystmes chaotiques.

Systme de communication avec deux lignes de transmission Pour cette technique, les deux tapes, synchronisation et cryptage, sont indpendantes. En effet, deux lignes de transmission sont utilises. La premire sert synchroniser lmetteur et le rcepteur, tandis que la deuxime est utilise pour le cryptage. En gros, ce nouveau schma de communication est compos de trois tapes : 1) cryptage ; 2) synchronisation ; et 3) dcryptage. Dans la premire tape, une fonction fortement non linaire est utilise pour crypter simultanment le message condentiel s(t) et ltat chaotique x(t). Le signal crypt sc (t) est ensuite envoy travers un canal de transmission vers le rcepteur. Dans la deuxime tape, un signal chaotique y = h(x) est transmis via un deuxime canal de transmission spar du premier. Ce signal y est utilis seulement pour la synchronisation, et ne contient aucune information du message s(t). Dans la troisime et la dernire tape, lestim z (t) de ltat x(t), gnr par le rcepteur chaotique (construit par le processus de la synchronisation) et la fonction de dcryptage sont utiliss pour reproduire lestim approximatif sd (t) du message condentiel s(t). Une description systmatique de cette procdure est illustre par la gure 5.13. Pour un exemple de fonctions et , le lecteur peut se rfrer [62].

F IG. 5.13 Schma de communication deux lignes de transmission.

Remarque 5.3.1. Mis part les techniques abordes prcdemment, il existe une autre gnration de cryptage/dcryptage, connue sous le nom de modulation chaotique, propose entre 1993 et 1995. Il y a deux faons diffrentes de moduler le message avec la porteuse chaotique. La pre112

5.4. Applications : transmission dimages mire appele modulation des paramtres [114] utilise le message pour changer les paramtres de lmetteur chaotique. Quant la deuxime mthode, appele modulation non-autonome [110], elle utilise le message pour changer lespace de phase de lmetteur chaotique.

5.4 Applications : transmission dimages


Dans cette section, nous prsentons une application des mthodes proposes dans ce manuscrit la synchronisation et au dcryptage dans les systmes de communications chaotiques. Deux techniques de cryptage/dcryptage sont utilises. La premire est la mthode avec deux lignes de transmission reprsentes la gure 5.13. An de synchroniser lmetteur et le rcepteur, on utilise la mthode de synchronisation base dobservateurs. La procdure de synthse du gain de lobservateur utilise est celle propose dans la section 2.2.2 du chapitre 2 (Thorme 2.2.5). La seconde technique est base sur les observateurs entres inconnues. Dans ce cas, on utilise un systme temps discret et la procdure de synthse des gains propose dans le Thorme 3.2.9 du chapitre 3. Il sagt de la restauration de ltat et de lentre inconnue du systme. Ici, lentre inconnue joue le rle du signal dinformation condentielle crypter. Dans les deux cas, il sagt de la transmission dimages comme application. An de raliser le processus de transmission dune image, les transformations suivantes sont ncessaires : 1. A partir dune image en couleurs, on gnre un signal une dimension en concatnant les lignes des trois matrices dnissant limage pour obtenir un seul vecteur. Lutilisation de la fonction "reshape" du logiciel MATLAB permet davoir cette transformation. 2. Les coefcients du vecteur form sont ensuite normaliss, pour obtenir un signal s(t) [0, 1].

5.4.1 Utilisation de la mthode avec deux lignes de transmission


Pour commencer, on garde les mmes notations que la gure 5.13. Dans cette premire technique, on a choisi comme metteur chaotique le systme de Rssler (voir la section 5.2) dcrit par les quations : 1 = (x2 + x3 ) x (5.11) x 2 = x1 + ax2 x 3 = b + x3 (x1 c)

o a = 0.398, b = 2 et c = 4. Limage originale choisie pour la transmission est reprsente la gure 5.14. Processus de cryptage La fonction de cryptage utilise est la suivante : (x, s) = arctan(x2 1 + s) + x2 .

(5.12) 113

Chapitre 5. Application la synchronisation et au cryptage/dcryptage

F IG. 5.14 Image originale.

Limage correspondant au signal crypt (envoy travers un canal de transmission vers le rcepteur), sc = (x, s), est reprsente la gure 5.15.

Processus de synchronisation Cette tape est utilise pour la conception du rcepteur. On choisit comme signal de sortie y = x3 , i.e. C = 0 0 1 . Ce signal, ne contenant aucune information du message s, est utilis seulement pour la synchronisation. Il est envoy via un deuxime canal de transmission spar du premier. Les tats initiaux de lmetteur et du rcepteur sont les suivants : x0 = 1 0 2 z0 = 2 2 1
T

, .

En utilisant les LMIs (2.12) du Thorme 2.2.5, on trouve le gain suivant pour lobservateur (2.5) : L = 303.7043 179.9254 76.7712
T

La gure 5.16 montre la convergence vers zro des trois composantes de lerreur de synchronisation x z . La variable x reprsente ltat de lmetteur et z est ltat du rcepteur. 114

5.4. Applications : transmission dimages

F IG. 5.15 Image crypte.

Processus de dcryptage Cette tape sert reconstruire limage de dpart. La fonction de dcryptage , linverse de par rapport s, est dnie par :
2 (z, sc ) = tan(sc z2 ) z1

(5.13)

o z1 et z2 sont respectivement la premire et la deuxime composante de ltat z du rcepteur. La gure 5.17 montre limage correspondant au signal sd = (z, sc ) reconstruit. On constate daprs la gure 5.17 une perte dinformations provenant des conditions initiales inconnues de lmetteur. An de palier cette limitation, on a choisi daugmenter la taille de limage originale par ajout dune partie vide lentre (pixels noirs ou blancs, selon limage utilise). Les gures 5.18(a) et 5.18(b) reprsentent respectivement limage originale et limage reconstruite aprs augmentation de la taille. La gure 5.18(b) montre que limage est bien reconstruite. Seuls les pixels ajouts lentre de limage originale ont subit une perte dinformations.

5.4.2 Synchronisation et dcryptage simultanment


Dans cette seconde technique, ltat de lmetteur et le signal dinformation correspondant limage transmettre sont reconstruits simultanment. La technique sinspire des observateurs entres inconnues tudis dans la section 3.2.5. Les entres inconnues jouent le rle du signal 115

Chapitre 5. Application la synchronisation et au cryptage/dcryptage

Magnitude

2 0

4 t (Time)

F IG. 5.16 Composantes de lerreur de synchronisation.

dinformation. Le systme chaotique correspondant lmetteur est la version discrete du systme de Lorenz obtenue par la mthode de discrtisation dEuler avec un pas de discrtisation h = 0.01 s. Ce systme scrit aprs ajout du signal dinformation sous la forme (3.26) avec les paramtres suivants : 1 10h 10h 0 30 A = 28h 1h 0 , Au = h 28 , 0 0 1 8 10 3h 0 0 0 1 0 B = h 1 0 , Hx = , 0 0 1 0 1

Hu = 1, C = 1 0 0 , D = 1 et la fonction non linaire f Hx x(k), Hu u(k), y (k) = y (k)x3 (k) y (k)u(k) . y (k)x2 (k) + y (k)u(k)

La variable u est le signal une dimension correspondant limage originale reprsente la gure 5.14. Le systme chaotique correrspondant au rcepteur est lobservateur (3.31). Les tats initiaux de lmetteur et du rcepteur sont les suivants : x0 = 0.1 0.5 0.1
T

, u0 = 0,
T

z0 = 0.5 1 1 0.1 116

5.4. Applications : transmission dimages

F IG. 5.17 Image dcrypte.

En utilisant les ingalits matricielles (3.37)-(3.38) du Thorme 3.2.9 du chapitre 3, on trouve les gains suivants pour lobservateur (3.31) : 0.3000 0.1000 0 0.3000 0 0.9900 0 0 N = , 0.0500 0 0.9733 0.0500 0.3000 0.1000 0 0.3000 0.3000 0 0.2800 L= , K = 0 . 0.1000 0.5 0.3000

Les matrices auxiliaires sont :

1.6948 0.0269 0.0046 0.0854 0.0269 1.9032 0.0015 0.0269 P = , 0.0046 0.0015 1.9038 0.0046 0.0854 0.0269 0.0046 1.6948 0 1 0 0 0 0 0 0 , T = . 0 1 0 1 117

1 0.5388 0 0 Q= , S= 0 0 0.5388 1

Chapitre 5. Application la synchronisation et au cryptage/dcryptage

(a) Image originale augmente.

(b) Image dcrypte.

F IG. 5.18 Images originale et dcrypte aprs augmentation de la taille. Les gures 5.19(a) et 5.19(b) montrent respectivement limage envoye travers un canal de transmission (limage crypte) et limage dcrypte. Daprs la gure 5.19(b), limage est bien reconstruite. Elle prsente seulement quelques pixels incorrects lentre de limage, qui sont ds la non connaissance des conditions initiales.

(a) Image crypte.

(b) Image dcrypte.

F IG. 5.19 Images crypte et dcrypte.

Remarque 5.4.1. Il est signaler que les problmes de scurit dans les systmes de communications chaotiques ne sont pas considrs dans ce manuscrit. Il sagt dune application de certaines procdures de synthse dobservateurs proposes dans ce mmoire aux problmes de synchronisation.

118

5.5. Conclusion

5.5 Conclusion
Dans ce chapitre, aprs une introduction aux systmes chaotiques et un tat de lart sur la synchronisation et les diffrentes techniques de cryptage/dcryptage en utilisant le chaos, une application de nos mthodes de synthse dobservateurs est prsente dans la section 5.4. Deux techniques de cryptage/dcryptage sont utilises : la premire est la mthode avec deux lignes de transmission. La procdure de synthse du gain de lobservateur utilise pour la synchronisation de lmetteur et le rcepteur est celle propose dans la section 2.2.2 du chapitre 2 (Thorme 2.2.5). La seconde technique est inspire des observateurs entres inconnues. Dans ce cas, on a utilis la mthode de synthse des gains propose dans le Thorme 3.2.9 du chapitre 3. Il sagt de la restauration de ltat et de lentre inconnue du systme considr. On a utilis un systme temps discret pour valider les rsultats du chapitre 3. Lentre inconnue est le signal dinformation transmettre. Dans les deux cas, le signal dinformation correspond une image.

119

Chapitre 5. Application la synchronisation et au cryptage/dcryptage

120

Conclusion gnrale

Durant cette thse, nous avons propos plusieurs mthodes de synthse dobservateurs dtat des systmes non linaires qui permettent damliorer les rsultats existant dans la littrature. Ces mthodes rduisent le conservatisme de certaines techniques mentionnes dans le chapitre 1, dans le sens o les conditions de synthse sont moins contraignantes et applicables une classe plus large de systmes non linaires. Lune des contributions principales de notre travail de recherche, prsente dans le chapitre 2, rside dans lutilisation du Thorme des Accroissements Finis (DMVT) qui permet de ramener le problme destimation dtat dun systme dynamique non linaire un problme de stabilit dun systme Linaire Paramtres Variant (LPV). En fait, le DMVT intervient au niveau de la dynamique de lerreur destimation (qui dnit un systme non linaire quelconque) an de la transformer en un systme LPV. En se basant sur les techniques LPV reportes dans la littrature, des conditions de stabilit sous forme dIngalits Linaires Matricielles (LMIs) ont t obtenues. Des gnralisations ont t obtenues pour les systmes non diffrentiables, les systmes partiellement LPV et les systmes sorties non linaires. Lutilisation de la thorie H nous a permis dadapter notre approche au cas des systmes affects par un bruit born. Une conception dun observateur robuste a t dtaille dans le chapitre 2. Des conditions de synthse du gain de lobservateur, tenant compte de la robustesse au bruit, ont t tablies. Cette technique a t ensuite tendue aux systmes non linaires entres inconnues, savoir lestimation de ltat et des entres inconnues (simultanment) avec des conditions de synthse non contraignantes. Une deuxime mthode a t galement prsente dans le chapitre 2. Cette dernire repose sur lutilisation dune nouvelle structure de lobservateur, base sur les observateurs de Luenberger gnraliss. Cette structure permet de complter les rsultats dvelopps dans [44] dune part, et dautre part elle permet dtendre la mthode base sur la transformation en LPV une 121

Conclusion gnrale classe plus large de systmes. Une version de cette mthode de transformation en systme LPV a t prsente dans le chapitre 3 pour le cas des systmes temps discret. Nous avons galement dvelopp des techniques spciques aux systmes non linaires lipschitziens temps discret. Les rsultats, dtaills dans le chapitre 3, que nous avons obtenus sont intressants. En effet, cette classe de systmes est peu tudie par la communaut scientique. Peu de mthodes ont t tablies dans la littrature. La contribution principale se situe dans la construction de nouvelles fonctions de Lyapunov qui ont permis dobtenir des conditions de synthse moins restrictives que celles obtenues antrieurement. Une amlioration de ce rsultat a t ensuite propose. Cette amlioration repose sur lutilisation dun OLG et lcriture du systme tudi sous une forme plus dtaille, cest--dire, la spcication de la matrice B de distribution de la non-linarit dans le systme, et la matrice H de distribution de ltat dans la non-linarit. En fait, linjection de ces matrices dans le systme et lutilisation dun OLG permettent dliminer leffet de la constante de Lipschitz et rendent les conditions de synthse moins contraignantes et satisfaites dans la plupart des cas. Il est signaler galement que la spcication des matrices B et H joue un role trs important sur la faisabilit des conditions de synthse. En effet, labsence de la matrice H signie que la mthode de synthse ne distingue pas un systme, dont la non-linarit dpend de ltat entier, dun autre dont une partie de ltat est prsente dans la non-linarit. Une application de cette mthode la restauration dentres inconnues a t directement envisage. Grce une fonctionnelle de Lyapunov-Krasovskii particulire, une gnralisation, des rsultats obtenus dans les chapitres 2 et 3, des systmes non linaires retard a t prsente dans le chapitre 4. Dans le chapitre 5, aprs un bref tat de lart sur la synchronisation et les diffrentes techniques de cryptage/dcryptage dans les systmes de communications chaotiques, une application la transmission dimages a t prsente. Deux techniques ont t utilises : la premire est la mthode deux lignes de transmission (gure 5.13), et la seconde sinspire des observateurs entres inconnues. Lobjectif de cette application est de valider certaines mthodes de synthse dobservateurs dveloppes dans ce manuscrit. Ce travail ouvre la voie dautres dveloppements qui restent ouverts notamment en ce qui concerne la recherche de nouvelles fonctions de Lyapunov qui permettent de rduire le conservatisme des approches actuellement disponibles dans la littrature. Une autre voie concerne la recherche dune nouvelle structure dobservateurs qui permet lapplicabilit de nos rsultats des classes plus larges de systmes non linaires. Lhypothse sous laquelle la mthode de transformation en systme LPV en utilisant le DMVT fi est la bornitude de la jacobienne de la fonction non linaire f , cest dire x (.) doivent tre j des fonctions bornes. Cet obstacle a ouvert deux voies de recherche qui sont actuellement ltude. Ces deux voies sont les suivantes : 1. Systmes tat born : Il existe plusieurs systmes dynamiques pour lesquels la jacobienne de la non-linarit nest pas borne et pourtant ltat du systme est born, cest le cas 122

des systmes chaotiques par exemple. Pour cette classe de systmes, nous avons pens construire un ensemble de systmes dynamiques tats borns bas sur le systme original. La question qui se pose est comment choisir un lment de cet ensemble dont ltat convergera vers ltat du systme original ? 2. Systmes tat non born : Pour cette classe de systmes, nous sommes la recherche dune transformation non linaire gnrale qui puisse transformer le systme en un autre dont la jacobienne de la nouvelle non-linarit soit borne. Une fois que la transformation est obtenue, nous utilisons la mthode de transformation en LPV pour estimer ltat du systme transform et puis utiliser la transformation inverse pour estimer ltat du systme de dpart. La rsolution de ces deux problmes permet dtablir une mthode de synthse dobservateurs pour une classe large de systmes non linaires, avec des conditions de synthse non contraignantes.

123

Conclusion gnrale

124

A NNEXE

Quelques rappels mathmatiques

Sommaire
A.1 Thorie des Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 A.2 Rappels sur la Convexit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

125

Annexe A. Quelques rappels mathmatiques

A.1 Thorie des Matrices


Cette annexe regroupe des rappels sur quelques notions mathmatiques utilises dans ce mmoire. Dnition A.1.1. Une matrice symtrique S Rnn est dite : 1. dnie positive 2. semi-dnie positive 3. dnie ngative 4. semi-dnie ngative S>0 S0 S<0 S0

ssi xT Sx > 0 pour tout x Rn , x = 0.

ssi xT Sx < 0 pour tout x Rn , x = 0.

ssi xT Sx 0 pour tout x Rn , x = 0. ssi xT Sx 0 pour tout x Rn , x = 0.

Complment et lemme de Schur Ici, nous prsentons brivement le complment et le lemme de Schur utiliss dans le chapitre 3. Dnition A.1.2. (Complment de Schur [30]) Pour une matrice A inversible, le complment de Schur de A, dans la matrice M donne par : M := est la matrice D CA1 B. Dnition A.1.3. (Lemme de Schur [30]) Pour A = AT et C = C T , A BT si et seulement si C B T A1 B > 0 si A > 0 ou de faon quivalente, si et seulement si A BC 1 B T > 0 si C > 0. B C >0 A B C D

A.2 Rappels sur la Convexit


Comme notre nouvelle approche base sur le DMVT require principalement le principe de convexit, alors nous prsentons dans cette section quelques dnitions et proprits sur les ensembles convexes, les fonctions convexes et le principe de convexit lui mme. 126

A.2. Rappels sur la Convexit Dnition A.2.1. (Ensemble convexe) Un ensemble E est dit convexe si x1 + (1 )x2 E pour tout x1 , x2 E et pour tout 0 1. Gomtriquement, ceci signie que tout segment liant deux points quelconques appartenant un ensemble convexe est inclus dans cet ensemble. Dnition A.2.2. (Fonction convexe) Une fonction : Rn R est dite convexe si x1 + (1 )x2 (x1 ) + (1 )(x2 ) pour tout x1 , x2 Rn et pour tout 0 1. La fonction est strictement convexe si et seulement si x1 + (1 )x2 < (x1 ) + (1 )(x2 ) pour tout x1 = x2 et pour tout 0 < < 1.

127

Annexe A. Quelques rappels mathmatiques

128

A NNEXE

Rfrences Personnelles

Sommaire

129

Annexe B. Rfrences Personnelles

Revues internationales avec comit de lecture


A. Zemouche and M. Boutayeb. Observer design for Lipschitz nonlinear systems. The discrete-time case. IEEE Transactions on Circuits & Systems II : Analog and Digital Signal Processing, 53(8) : 777781, 2006. A. Zemouche, M. Boutayeb, and G. I. Bara. Observers for a Class of Lipschitz Systems with Extension to H Performance Analysis. Systems & Control Letters, 2007. A. Zemouche, M. Boutayeb, and G. I. Bara. Observer Design for a Class of Lipschitz TimeDelay Systems. International Journal of Modelling, Identication and Control (IJMIC), Special Issue on : Observers for Nonlinear Systems.

Confrences internationales avec comit de lecture


A. Zemouche, M. Boutayeb, and G. I. Bara. Nonlinear observers for lipschitz discrete-time systems. Application to synchronization and input recovery. In 2007 European Control Conference ECC07, Kos, Greece, July 2007. A. Zemouche, M. Boutayeb, and G. I. Bara. Observer Design for a Class of Nonlinear TimeDelay Systems. In 2007 American Control Conference ACC07, New York City, USA, July 2007. A. Zemouche, M. Boutayeb, and G. I. Bara. Observers design for a class of nonlinear systems. In 45th IEEE Conference on Decision and Control CDC 2006, San Diego, California, USA, December 2006. A. Zemouche, M. Boutayeb, and G. I. Bara. On observers design for nonlinear time-delay systems. In 2006 American Control Conference ACC06, Minneapolis, Minnesota, USA, June 2006. A. Zemouche and M. Boutayeb. Synchronization by observer based approach for a class of nonlinear chaotic systems. In 1st IFAC Conference on Analysis and Control of Chaotic Systems, CHAOS06, Reims, France, 28-30 June 2006. A. Zemouche and M. Boutayeb. Nonlinear observers design for synchronization and information recovery in communication systems. In Second IEEE-EURASIP International Symposium on Communications, Control and Signal Processing, Marrakech, Morocco, March 2006. A. Zemouche, M. Boutayeb, and G. I. Bara. Observer design for nonlinear systems : An approach based on the differential mean value theorem. In 44th IEEE Conference on Decision and Control and European Control Conference CDC-ECC 2005, Seville, Spain, December 2005. G. I. Bara, A. Zemouche, and M. Boutayeb. A new approach for the observer-based synchronization of chaotic systems. In 16th IFAC World Congress, Prague, July 2005. G. I. Bara, A. Zemouche, and M. Boutayeb. Observer synthesis for Lipschitz discrete-time systems. In IEEE International Symposium on Circuits and Systems, Japan, Kobe, May 2005. 130

Confrence nationale avec comit de lecture


A. Zemouche, G. I. Bara, and M. Boutayeb. Synchronisation par une approche baseobservateur pour les systmes non linaires lipschitziens temps discret. In Journes Doctorales et Nationales du GDR MACS du CNRS, JDMACS-JNMACS, Lyon, France, September 2005.

Revues internationales en cours de soumission


A. Zemouche, M. Boutayeb, and G. I. Bara. H Filtering Based Synchronization for a Class of Nonlinear Systems. IEEE Transaction on Signal Processing. (En rvision) A. Zemouche and M. Boutayeb. Observer Synthesis Method for a Class of Lipschitz Nonlinear Systems with Some Extensions. IEEE Transaction on Automatic Control. (En prparation) A. Zemouche and M. Boutayeb. Nonlinear Observers for Lipschitz Discrete-Time Systems. Application to Robust Synchronization and Unknown Input Recovery. IEEE Transaction on Circuits & Systems I. (En prparation)

Confrence internationale en cours de soumission


A. Zemouche and M. Boutayeb. A New Observer design method for a Class of Lipschitz Nonlinear Discrete-Time Systems with Time-Delay. Extension to H Performance Analysis. In 46th IEEE Conference on Decision and Control CDC 2007, New Orleans, USA, December 2007. (Soumis)

131

Annexe B. Rfrences Personnelles

132

Bibliographie

[1] W. Aggoune, M. Boutayeb, and M. Darouach. Observers design for a class of nonlinear systems with time-varying delay. In 38th IEEE Conference on Decision and Control CDC 1999, Phoenix, Arizona, USA, December 1999. [2] A. Alessandri. Design of observers for Lipschitz nonlinear systems using LMI. NOLCOS, IFAC Symposium on Nonlinear Control Systems, Stuttgart, Germany, 2004. [3] M. Arcak. A global separation theorem for a new class of nonlinear observers. In 41th IEEE Conference on Decision and Control CDC 2002, Las Vegas, Nevada, USA, December 2002. [4] M Arcak and P. Kokotovic. Nonlinear observers : A circle criterion design. In 38th IEEE Conference on Decision and Control CDC 1999, Phoenix, Arizona, USA, December 1999. [5] M Arcak and P. Kokotovic. Nonlinear observers : A circle criterion design and robustness analysis. Automatica, 37(12) :19231930, 2001. [6] M Arcak and P. Kokotovic. Observer-based control of systems with slope-restricted nonlinearities. IEEE Trans. Automatic Control, 46(7) :15, 2001. [7] D. Aubry, M. Boutayeb, and M. Darouach. Observateurs de type Kalman tendu pour les systmes non linaires temps discret. application une machine asynchrone. In Colloque Inter-GDR Thme Commande des Entranements Electriques, Paris, France, 1998. [8] D. Aubry, M. Boutayeb, and M. Darouach. On extended Kalman type observers design with application to the ball and beam system. In 5th IFAC Symposium of the 15th IMACS Nonlinear Systems- NOLCOS 2001, Saint-Petersburg, Russia, pages 14311436, 2001. [9] G. I. Bara, A. Zemouche, and M. Boutayeb. A new approach for the observer-based synchronization of chaotic systems. In 16th IFAC World Congress, Prague, July 2005. [10] G. I. Bara, A. Zemouche, and M. Boutayeb. Observer synthesis for Lipschitz discrete-time 133

Bibliographie systems. In IEEE International Symposium on Circuits and Systems, Japan, Kobe, May 2005. [11] G.I. Bara. State estimation of linear parameter-varying systems. PhD Thesis, National Polytechnic Institute of Lorraine, 2001. [12] G.I. Bara, J. Daafouz, F. Kratz, and J. Ragot. Parameter dependent state observer design for afne LPV systems. Int. J. of Control, 74(16) :16011611, 2001. [13] M. Benallouch, E. Laroche, M. Boutayeb, and J.-J. E.Slotine. Nonlinear observer design for synchronization and information recovery in communication systems using contraction theory. In 2007 European Control Conference ECC07, Kos, Greece, July 2007. [14] O. Bernard and J. L. Gouz. State estimation for bioprocesses. In lecture notes : Mathematical Control Theory, Trieste, ICTP, 2002. [15] O. Bernard, G. Sallet, and A. Sciandra. Nonlinear observers for a class of biological systems : Application to validation of a Phytoplanktonic growth model. IEEE Trans. on Automatic Control, 43(8) :10561065, 1998. [16] D. Bestle and M. Zeitz. Canonical form observer design for nonlinear time-variable systems. International Journal of Control, 38(2) :419431, 1983. [17] K. P. M. Bhak and H. N. Koivo. An observer theory for time-delay systems. IEEE Transaction on Automatic Control, 21(4) :266269, 1976. [18] J. Birk and M. Zeitz. Extended Luenberger observer for nonlinear multi-variable systems. International Journal of Control, 47(6) :18231836, 1988. [19] G. Bornard, F. Celle-Couenne, and G. Gilles. Observabilit et observateurs. chapitre 3. systmes non linaires. tome 1 : Modlisation-Estimation. Masson, 1993. [20] G. Bornard and H. Hammouri. A high gain observer for a class of uniformly observable systems. In Proceedings of the 30th IEEE Conference on Decision and Control , Brighton, England, 1991. [21] M. Boutayeb. Observers design for linear time-delay systems. Systems and Control Letters, 44 :103109, 2001. [22] M. Boutayeb. Synchronization and input recovery in digital non-linear systems. IEEE Trans. Circuits Syst. II :Express Brief, 51(8) :393399, 2004. [23] M. Boutayeb and D. Aubry. A strong tracking extended Kalman observer for nonlinear discrete-time systems. IEEE Trans. on Automatic Control, 44(8) :15501556, 1999. [24] M. Boutayeb, D. Aubry, and M. Darouach. Robust observers design for a class of nonlinear discrete-time systems. In Proceedings of the 4th European Control Conference , Bruxelle, Belgique, 1997. [25] M. Boutayeb, D. Aubry, M. Darouach, and P. M. Frank. Observers design for nonlinear descriptor systems. In Proceedings of the 15th IMACS World Congress , Berlin, Allemagne, 1997. [26] M. Boutayeb and M. Darouach. A kalman type observer for discrete-time systems with multiple delays. In 37th IEEE Conference on Decision and Control CDC 2006, TampaFlorida, USA, December 1998. 134

[27] M. Boutayeb and M. Darouach. A reduced order observer for nonlinear discrete-time systems. Systems & Control Letters, 39 :141151, 2000. [28] M. Boutayeb, M. Darouach, and H. Rafaralahy. Generalized state-space observers for chaotic synchronization and secure communication. IEEE Trans. Circuits Syst. I, 49(3) :345349, 2002. [29] M. Boutayeb, H. Rafaralahy, and M. Darouach. Convergence analysis of the extended Kalman lter used as an observer for nonlinear deterministic discrete-time systems. IEEE Trans. on Automatic Control, 42(4) :581586, 1997. [30] S. Boyd, L. El Ghaoui, E. Feron, and V. Balakrishnan. Linear matrix inequalities in system and control theory. In SIAM Studies in Applied Mathematics, Philadelphia, USA, 1994. [31] S. Boyd and L. Vandenberghe. Convex optimization with engineering applications. Lecture Notes, Stanford University, Stanford, 2001. [32] E. Brookner. Tracking and Kalman ltering made easy. John Wiley & Sons, 1998. [33] R. Brown and P Hwang. Introduction to random signals and applied Kalman ltering : with Matlab exercises and solutions. John Wiley & Sons, Third Edition, 1997. [34] T.L. Carroll and L.M. Pecora. Synchronizing chaotic circuits. IEEE Trans. Circuits Syst. I, 38(4) :453456, 1991. [35] G. Chen. Approximate Kalman ltering. World Scientic series in approximations and decompositions, 1993. [36] K. M. Cuomo, A. V. Oppenheim, and S. H. Strogatz. Synchronization of lorenz-based chaotic circuits with applications to communications. IEEE Trans. Circuits Syst. II, 40(10) :626633, 1993. [37] P. Curran and L. Chua. Absolute stability theory and the synchronization problem. Int. J. of Bifurcation and Chaos, 7(6) :13751382, 1997. [38] A De Angeli, R Genesio, and A Tesi. Dead-beat chaos synchronization in discrete-time systems. IEEE Trans. Circuits Syst. I, 42(1) :5456, 1995. [39] H. Dedieu, M. P. Kennedy, and M. Hasler. Chaos shift keying : modulation and demodulation of a chaotic carrier using self-synchronizing chuas circuits. IEEE Trans. Circuits Syst. II, 40(10) :634642, 1993. [40] F. Deza, D. Bossanne, E. Busvelle, J. P. Gauthier, and D. Rakotopara. Exponential observers for nonlinear systems. IEEE Trans. Automatic Control, 38(3) :482484, 1993. [41] F. Deza, E. Busvelle, J. P. Gauthier, and D. Rakotopara. High gain estimation for nonlinear systems. Systems & Control letters, 18, 1992. [42] K. El Rifai and J.J.E. Slotine. Compositional contraction analysis of hybrid nonlinear systems. IEEE. Trans. Aut. Control, 2006. [43] X. Fan and M. Arcak. Nonlinear observer design for systems with multivariable monotone nonlinearities. In 41th IEEE Conference on Decision and Control CDC 2002, Las Vegas, Nevada, USA, December 2002. [44] X. Fan and M Arcak. Observer design for systems with multivariable monotone nonlinearities. Systems and Control Letters, 50 :319330, 2003. 135

Bibliographie [45] M. Farza, K. Busawon, and H. Hammouri. Simple nonlinear observers for on-line estimation of Kinetic rates in bioreactors. Automatica, 34(3) :301318, 1993. [46] J. P. Gauthier and G. Bornard. Observability for any u(t) of a class of nonlinear systems. IEEE Trans. Automatic Control, 26(4) :922926, 1994. [47] J. P. Gauthier, H. Hammouri, and S. Othman. A simple observer for nonlinear systems. Applications to bioreactors. IEEE Trans. on Automatic Control, 37(6) :875880, 1992. [48] A. Germani, C. Manes, and P. Pepe. Numerical solution for optimal regulation of stochastic hereditary systems with multiple discrete delays. In 34th IEEE Conference on Decision and Control CDC 2006, New Orleans, Louisiana, USA, December 1995. [49] A. Germani, C. Manes, and P. Pepe. A state observer for nonlinear delay systems. In 37th IEEE Conference on Decision and Control CDC 2006, Tampa-Florida, USA, December 1998. [50] A. Germani and P. Pepe. A state observer for nonlinear delay systems. 2004. [51] A. Glumineau, C. H. Moog, and F. Plestan. New algebro-geometric conditions for the linearization by input-output injection. IEEE Trans. Automatic Control, 41(4) :598603, 1996. [52] G. Grassi and S. Mascolo. Nonlinear observer design to synchronize hyperchaotic systems via a scalar signal. IEEE Trans. Circuits Syst. I, 44(10) :10111014, 1997. [53] G. Grassi and S. Mascolo. Synchronizing hyperchaotic systems by observer design. IEEE Trans. Circuits Syst. II, 46(4) :478483, 1999. [54] G. Grassi and D.A. Miller. Theory and experimental realization of observer-based discretetime hyperchaos synchronization. IEEE Trans. Circuits Syst. I, 49(3) :373378, 2002. [55] M. Grewal and A. Andrews. Kalman ltering : Theory and practice. Prentice Hall, 1993. [56] K. Gu, V.L. Kharitonov, and J. Chen. Stability of time-delay systems. Birkhuser, 2003. [57] M. Hasler. Engineering chaos for encryption and broadband communication. Phil. Trans. Royal Soc. London, A, 353 :115126, 1995. [58] R. Herman and J. Krener. Nonlinear controlability and observability. IEEE Trans. Automatic Control, 22(5) :728740, 1977. [59] M. Hou and A.C. Pugh. Observer with linear error dynamics for nonlinear multi output systems. Systems and Control Letters, 37(1) :19, 1999. [60] H.J.C. Huijberts, T. Lilge, and H. Nijmeijer. Nonlinear discrete-time synchronization via extended observers. I. J. of Bifurcation and Chaos, 11(7) :19972006, 2001. [61] A. H. Jazwinski. Stochastic processes and ltering theory. New York Academic, 1970. [62] Z. P. Jiang. A note on chaotic secure communication systems. IEEE Trans. Circuits Syst. I, 49(1) :9296, 2002. [63] J. Jouffroy. A simple extension of contraction theory to study incremental stability properties. In 2003 European Control Conference ECC03, Cambridge, United Kingdom, September 2003. [64] J. Jouffroy and J.-J. E.Slotine. Methodological remarks on contraction theory. IEEE conference on Decision and control, pages 25372543, 2004. 136

[65] N. Kazantzis and C. Kravaris. Nonlinear observer design using Lyapunovs auxiliary theorem. Systems & Control Letters, 34(5) :241247, 1998. [66] H. Keller. Nonlinear observer design by transformation into a generalized observer canonical form. International. Journal of Control, 46(6) :19151930, 1987. [67] V.L. Kharitonov. Robust stability analysis of time delay systems : A survey. Annu. Rev. Control, 23 :185196, 1999. [68] V.L. Kharitonov and A.P. Zhabko. Lyapunov-krasovskii approach for robust stability of time delay systems. Automatica, 39 :1520, 2003. [69] G. Kolumbn, M. P. Kennedy, and L. O. Chua. The role of synchronization in digital communications using chaos : Part II : Chaotic modulation and chaotic synchronization. IEEE Trans. Circuits Syst. I, 45(11) :11291140, 1998. [70] N.N. Krasovskii. Stability of motion. Stanford University Press,Stanford CA, USA (translation by J. Brenner), 1963. [71] A. J. Krener and A. Isidori. Linearization by output injection and nonlinear observers. Systems and Control Letters, 3(1) :4752, 1983. [72] A. J. Krener and W. Respondek. Nonlinear observer with linearizable error dynamics. SIAM Journal on Control and Optimization, 23(2) :197216, 1985. [73] C. W. Li and L. W. Tao. Observing nonlinear time-variable systems through a canonical form observer. International Journal of Control, 44(6) :17031713, 1987. [74] T.L. Liao and N.S. Huang. An observer-based approach for chaotic synchronization with applications to secure communications. IEEE Trans. Circuits Syst. I, 46(9) :11441150, 1999. [75] T. Lilge. Nonlinear discrete-time observers for synchronization problems, volume 244. Springer verlag edition, 1999. New directions in nonlinear observer design. [76] J. Lohmiller and J.-J. E.Slotine. On contraction analysis for nonlinear systems. Automatica, 34(6) :683696, 1998. [77] J. Lohmiller and J.-J. E.Slotine. Control system design for mechanical systems using contraction theory. IEEE Trans. Aut. Control, 45(5) :984989, 2000. [78] W. Lohmiller and J.J.E. Slotine. Nonlinear process control using contraction theory. A.I.Ch.E. Journal, 2000. [79] W. Lohmiller and J.J.E. Slotine. Contraction analysis of nonlinear distributed systems. International Journal of Control, 2005. [80] F. Mazenc and S. I. Niculescu. Lyapunov stability analysis for nonlinear delay systems. In 39th IEEE Conference on Decision and Control CDC 2000, Sydney, Australia, December 2000. [81] E. A. Misawa and J. K. Hedrick. Nonlinear observers-a state of the art survey. ASME Journal of Dynamic Systems, Measurement, and Control, 111 :344352, 1989. [82] S. Mondi and V.L. Kharitonov. Exponential estimates for retarded time-delay systems : An lmi approach. IEEE Transaction on Automatic Control, 50(2) :268273, 2005. 137

Bibliographie [83] O. Morgl and E. Solak. Observer based synchronization of chaotic systems. Phys. Rev. E., 54 :48024811, 1996. [84] O. Morgl and E. Solak. On the synchronization of chaotic systems by using state observations. Int. J. Bifurcations Chaos, 7(6) :13071322, 1997. [85] H. Nijmeijer. Observability of autonomous discret-time nonlinear systems : a geometric approach. Int. J. of Control, 36 :862874, 1982. [86] H. Nijmeijer and I. M. Y. Mareels. An observer looks at synchronization. IEEE Trans. Circuits Syst. I, 44(10) :882890, 1997. [87] H. Nijmeijer and A. J. Van der Schaft. Nonlinear dynamical control systems. SpringVerlag, 1990. [88] P. R. Pagilla and Y. Zhu. Controller and observer design for Lipschitz nonlinear systems. In IEEE American Control Conference ACC04, Boston, Massachusetts, USA, July 2004. [89] R. V. Patel and M. Toda. Quantitative measures of robustness in multivariable systems. In American Control Conference, San-Francisco, USA, 1980. [90] A. E. Pearson and Y. A. Fiagbedzi. An observer for time lag systems. IEEE Transaction on Automatic Control, 34(8) :775777, 1989. [91] L.M. Pecora and T.L. Carroll. 64(8) :821824, 1990. Synchronization in chaotic systems. Phys. Rev. Lett.,

[92] A. R. Phelps. On constructing nonlinear observers. SIAM Journal on Control and Optimization, 29(3) :516534, 1991. [93] F. Plestan and A. Glumineau. Linearization by generalized input-output injection. Systems and Control Letters, 31(2) :115128, 1997. [94] K. M. Przyluski and A. Sosnowski. On observers for linear discrete-time systems with delays and unknown disturbances. Systems and Control Letters, 13 :165170, 1989. [95] S. Raghavan and J. K. Hedrick. Observer design for a class of nonlinear systems. Int. J. of Control, 59(2) :515528, 1994. [96] R Rajamani. Observers for Lipschitz nonlinear systems. IEEE Trans. Automatic Control, 43(3) :397401, 1998. [97] K. Reif, F. Sonnemann, and R. Unbehauen. An EKF based nonlinear observer with a prescribed degree of stability. Automatica, 34(9) :11191123, 1998. [98] K. Reif, F. Sonnemann, and R. Unbehauen. Nonlinear state observation using H -ltring riccati design. IEEE Trans. Automatic Control, 44(1) :203208, 1999. [99] J. Rudolph and M. Zeitz. A block triangular nonlinear observer normal form. Systems and Control Letters, 23 :18, 1994. [100] Jean-Jacques Slotine and Weiping Li. Applied nonlinear control. Prentice Hall, Englewood Cliffs, New Jersey, January 1991. [101] Y. Song and J. W. Grizzle. Th extended Kalman lter as a local asymptotic observer for discrete-time nonlinear systems. Journal of Mathematical Systems Estimation and Control, 5(1) :5978, 1995. 138

[102] E. D. Sontag. A concept of local observability. Systems and Control Letters, 5(1) :4147, 1984. [103] M. Soroush. Nonlinear state observer design with application to reactors. Chemical Engineering Science, 52(3) :387404, 1997. [104] K. Tan and K. M. Grigoriadis. L2 L2 and L2 L Output feedback control of timedelayed LPV systems. In 39th IEEE Conference on Decision and Control CDC 2000, 2000. [105] F. E. Thau. Observing the state of nonlinear dynamic systems. 17(3) :471479, 1973. Int. J. of Control,

[106] B. L. Walcott, M. J. Corless, and S. H. Zak. Comparative study of nonlinear state observation techniques. Int. J. of Control, 45(6) :21092132, 1987. [107] W. Wang and J.-J.E. Slotine. On partial contraction analysis for coupled nonlinear oscillators. Biological Cybernetics, 92(1), 2004. [108] X.F. Wang, G.-Q. Zhong, K.-S. Tang, K.F. Man, and Z.-F. Liu. Generating chaos in chuas circuit via time-delay feedback. IEEE Trans. Circuits Syst. I, 48(9) :11511156, 2001. [109] K. Watanabe. Finite spectrum assignment and observer for multivariable systems with commensurate delays. IEEE Transaction on Automatic Control, 31(6) :543550, 1986. [110] C. W. Wu and L. O. Chua. A simple way to synchronize chaotic systems with applications to secure communication systems. Int. J. of Bifur. Chaos, 3 :16191627, 1994. [111] F. Wu and K. M. Grigoriadis. LPV systems with parameter-varying time delays : analysis and control. Automatica, 37 :221229, 2001. [112] X. H. Xia and W. B. Gao. Nonlinear observer design by observer error linearization. SIAM J. Control and Optimization, 27(1) :199216, 1989. [113] Tao Yang. A survey of chaotic secure communication systems. International Journal of Computational Cognition, 2(2) :81130, 2004. [114] Tao Yang and L. O. Chua. Secure communication via chaotic parameter modulation. IEEE Trans. Circuits Syst. I, 43(9) :817819, 1996. [115] Tao Yang, C. W. Wu, and L. O. Chua. Cryptography based on chaotic systems. IEEE Trans. Circuits Syst. I, 44(5) :469472, 1997. [116] S. H. Zak. On the stabilization and observation of nonlinear/uncertain dynamic systems. IEEE Trans. on Automatic Control, 35(5) :397401, 1990. [117] M. Zeitz. Comments on comparative study of nonlinear state observation techniques. Int. J. of Control, 46(5) :18611863, 1987. [118] M. Zeitz. The extended Luenberger observer for nonlinear systems. Systems and Control Letters, 9 :149156, 1987. [119] A. Zemouche, G. I. Bara, and M. Boutayeb. Synchronisation par une approche baseobservateur pour les systmes non linaires lipschitziens temps discret. In Journes Doctorales et Nationales du GDR MACS du CNRS, JDMACS-JNMACS, Lyon, France, September 2005. 139

Bibliographie [120] A. Zemouche and M. Boutayeb. Nonlinear observers design for synchronization and information recovery in communication systems. In Second IEEE-EURASIP International Symposium on Communications, Control and Signal Processing, Marrakech, Morocco, March 2006. [121] A. Zemouche and M. Boutayeb. Observer design for Lipschitz nonlinear systems. The discrete-time case. IEEE Transactions on Circuits & Systems II : Analog and Digital Signal Processing, 53(8) :777781, 2006. [122] A. Zemouche and M. Boutayeb. Synchronization by observer based approach for a class of nonlinear chaotic systems. In 1st IFAC Conference on Analysis and Control of Chaotic Systems, CHAOS06, Reims, France, 28-30 June 2006. [123] A. Zemouche, M. Boutayeb, and G. I. Bara. Observers for a class of Lipschitz systems with extension to H performance analysis. Submitted to Systems & Control Letters. [124] A. Zemouche, M. Boutayeb, and G. I. Bara. Observer design for nonlinear systems : An approach based on the differential mean value theorem. In 44th IEEE Conference on Decision and Control and European Control Conference CDC-ECC 2005, Seville, Spain, December 2005. [125] A. Zemouche, M. Boutayeb, and G. I. Bara. Observers design for a class of nonlinear systems. In 45th IEEE Conference on Decision and Control CDC 2006, San Diego, California, USA, December 2006. [126] A. Zemouche, M. Boutayeb, and G. I. Bara. On observers design for nonlinear time-delay systems. In 2006 American Control Conference ACC06, Minneapolis, Minnesota, USA, June 2006. [127] A. Zemouche, M. Boutayeb, and G. I. Bara. Nonlinear observers for lipschitz discrete-time systems. Application to synchronization and input recovery. In 2007 European Control Conference ECC07, Kos, Greece, July 2007. [128] A. Zemouche, M. Boutayeb, and G. I. Bara. Observer design for a class of nonlinear time-delay systems. In 2007 American Control Conference ACC07, New York, USA, July 2007. [129] F. Zhu and Z. Han. A note on observers for Lipschitz nonlinear systems. IEEE Trans. Automatic Control, 47(10) :17511754, 2002.

140

Rsum
Lobjectif de cette thse tait de dvelopper des mthodes de synthse dobservateurs offrant des conditions de synthse non contraignantes. Trois mthodes ont t proposes et diffrentes classes de systmes ont t traites. La premire est la mthode de transformation en systme LPV base sur lutilisation du thorme des accroissements nis (DMVT). Cette technique, qui fournit des conditions de synthse non restrictives, est tendue plusieurs classes de systmes non linaires tels que les systmes non diffrentiables, les systmes sorties non linaires, les systmes entres inconnues, les systmes retard et les systmes temps discret. La seule limitation lie la mthode est le fait quelle nest applicable que pour des non-linarits jacobiennes bornes. An de surmonter cette limitation, une deuxime mthode est obtenue en combinant la technique du DMVT avec une nouvelle structure dobservateurs de type Luenberger gnraliss. Grce cette structure, de nouvelles conditions de synthse sont tablies. Ces conditions sont valables mme si la jacobienne de la non-linarit nest pas borne. Par ailleurs, une nouvelle mthode de synthse dobservateurs spcique aux systmes temps discret est galement propose. Cette mthode utilise la condition de Lipschitz conjointement avec la fonction de Lyapunov standard. Des amliorations, qui permettent dobtenir des conditions de synthse non contraignantes, sont ensuite proposes en faisant appel une nouvelle fonction de Lyapunov plus gnrale (qui tient compte de la non-linarit du systme) et un observateur de Luenberger gnralis (OLG) qui permet de rduire leffet de la constante de Lipschitz. Enn, les rsultats obtenus sont valids par une application la synchronisation et au cryptage/dcryptage dans les systmes de communications chaotiques. Mots-cls: observateurs non linaires, stabilit au sens de Lyapunov, systmes temps discret, systmes retard, synchronisation des systmes chaotiques, synthse H , principe de convexit, thorme des accroissement nis, systmes LPV, LMI

Abstract
The objective of this thesis was to develop observers synthesis methods providing nonrestrictive synthesis conditions. Three methods are proposed and different classes of systems are treated. The rst one is the method of transformation into LPV system based on the use of the Differential Mean Value Theorem (DMVT). This technique, which provides nonrestrictive synthesis conditions, is extended to several classes of nonlinear systems such as nondifferentiable systems, systems with nonlinear outputs, systems with unknown inputs, time-delay systems and discrete-time systems. The only limitation related to this method lies in the fact that it is applicable only for nonlinearities with bounded jacobian. In order to overcome this limitation, a second method is obtained by combining the DMVT technique with a new structure of generalized Luenberger observers. Thanks to this structure, new synthesis conditions are established. These conditions are valid even if the jacobian of the nonlinearity is not bounded. In addition, a new observers synthesis method for discrete-time systems is also proposed. This method uses conjointly the Lipschitz condition with the Lyapunov standard function. Improvements, which allow to obtain nonrestrictive synthesis conditions, are proposed by using a new more general Lyapunov function (which takes account of the nonlinearity of the system) and with a generalized Luenberger observer (OLG) which allows to reduce the effect of the Lipschitz constant. Finally, the obtained results are validated by an application to synchronization and encoding/decoding in chaotic communication systems. Keywords: nonlinear observers, Lyapunov stability, discrete-time systems, time-delay systems, synchronization of chaotic systems, H ltering, convexity principle, differential mean value theorem, LPV systems, LMI