Rapport Dea Ebattaglia 07 1999

Ministre de l'Education Nationale de l'Enseignement Suprieur et de la Recherche
Universit Bordeaux I / ENSERB

Laboratoire d'Automatique et de Productique
(L.A.P.)
Universit de Poitiers
Laboratoire d'Automatique et d'Informatique Industrielle
(L.A.I.I.)
Diplme d'Etudes Approfondies
(D.E.A.)
AUTOMATIQUE ET PRODUCTIQUE
Option : Automatique
Ecole Doctorale des Sciences Physiques
et de l'Ingnieur de l'Universit Bordeaux I
IDENTIFICATION TEMPORELLE PAR MODELE
NON ENTIER
Eric BATTAGLIA
Responsables du Projet : A. OUSTALOUP 1998 / 99
J. SABATIER
O.COIS
Equipe CRONE
L.A.P.
Remerciements
Ce travail a t effectu au Laboratoire dAutomatique et de Productique dirig par le
professeur Alain OUSTALOUP au sein de lquipe CRONE.
Dans le cadre de ce projet, je tiens remercier M. Alain OUSTALOUP, professeur
lENSERB, pour mavoir accueilli au sein de son quipe ainsi que pour la confiance quil ma
tmoign.
Je remercie M. Jocelyn SABATIER et M. Olivier COIS pour leurs aides prcieuses et
leurs prcieux conseils.
Je remercie le professeur BENCH et son quipe de luniversit Bordeaux II, ms J.L.
BATTAGLIA et J.C. BASTALE du LEPT et M. PATOUILLE pour leurs aides lors des
diverses expriences qui ont t ralises lors de ce projet.
Je remercie galement les membres des diffrentes quipes du laboratoire pour leur
accueil ainsi que les tudiants DEA pour leur sympathie.
Jadresse mes parents ainsi qu mes proches ma plus grande reconnaissance pour le
soutien et la confiance quils mont accords.
Sommaire
Sommaire
REMERCIEMENTS .............................................................................................................................. 2
SOMMAIRE ........................................................................................................................................... 3
ACTIVITES THEMATIQUES DE LEQUIPE CRONE ................................................................... 5
DESCRIPTION DU TRAVAIL DEMANDE ....................................................................................... 6
ORGANISATION DU RAPPORT ....................................................................................................... 7
CHAPITRE 1
IDENTIFICATION : DEFINITIONS ET GENERALITES..............................................................8
.1.1 - DFINITIONS [TRIG88] [WALT94]....................................................................................................8
.1.2 - QUELQUES RAPPELS SUR LES STATISTIQUES ET PROBABILITS [LECL96] [SPIE95].....................................10
.1.2.1 - Introduction................................................................................................................................10
.1.2.2 - Variable alatoire continue........................................................................................................10
.1.2.3 - Variable alatoire discrte..........................................................................................................11
.1.2.4 - Dfinitions..................................................................................................................................11
.1.3 - CRITRES DE VALIDIT DES PARAMTRES [LAND96].............................................................................14
.1.4 - MODLES ET MTHODES DIDENTIFICATION EXISTANTES.............................................................................16
.1.4.1 - Introduction................................................................................................................................16
.1.4.2 - Modles didentification............................................................................................................16
.1.4.3 - Modles discrets et continus......................................................................................................17
.1.4.4 - Mthodes didentification..........................................................................................................18
CHAPITRE 2
LA DERIVATION NON-ENTIERE...................................................................................................19
.2.1 - INTRODUCTION [OUST95].................................................................................................................19
.2.2 - REPRSENTATION DTAT GNRALISE [COIS98].................................................................................20
.2.2.1 - Dfinitions..................................................................................................................................20
.2.2.2 - Diagonalisation et Stabilit........................................................................................................20
.2.2.3 - Commandabilit et observabilit................................................................................................22
.2.3 - EXEMPLE DTUDE.............................................................................................................................22
.2.4 - IDENTIFICATION PAR MODLE NON ENTIER...............................................................................................24
.2.4.1 - Mthodes existantes...................................................................................................................24
.2.4.2 - Optimisation non linaire...........................................................................................................24
.2.5 - DESCRIPTION DE L'ALGORITHME NON LINAIRE [GALA96]......................................................................25
.2.5.1 - Position du problme..................................................................................................................25
.2.5.2 - Principe de rsolution.................................................................................................................26
.2.5.3 - Algorithme de Levenberg Marquardt.........................................................................................27
.2.6 - PRINCIPAUX AVANTAGES DU MODLE......................................................................................................28
CHAPITRE 3
PROGRAMME DIDENTIFICATION...................................................................................................................30
.3.1 - PRSENTATION DU PROGRAMME............................................................................................................30
.3.1.1 - Ligne de commande...................................................................................................................30
.3.1.2 - Menu Modifier les paramtres de calcul ..............................................................................31
.3.1.3 - Menu Calcul des paramtres didentification ......................................................................32
.3.1.4 - Menu Visualisation des paramtres .....................................................................................32
.3.1.5 - Menu Visualisation des graphiques .....................................................................................32
.3.1.6 - Menu Localisation des ples ................................................................................................34
.3.1.7 - Menu Essai de validation .....................................................................................................35
.3.2 - EXEMPLES.........................................................................................................................................35
.3.2.1 - Introduction................................................................................................................................35
.3.2.2 - Exemple 1...................................................................................................................................35
.3.2.3 - Exemple 2...................................................................................................................................39
.3.2.4 - Conclusion..................................................................................................................................43
.3.3 - APPLICATIONS....................................................................................................................................43
.3.3.1 - Introduction................................................................................................................................43
.3.3.2 - Systme thermique.....................................................................................................................43
.3.3.2.1 - Introduction du non entier dans le domaine thermique [BATT99]........................................43
.3.3.2.2 - Application un outil dusinage.............................................................................................45
.3.3.3 - Systme chimique.......................................................................................................................47
.3.3.3.1 - Introduction du non entier dans le domaine chimique [DARL97] [LEME83].......................47
.3.3.3.2 - Application une batterie au plomb.......................................................................................50
.3.3.4 - Systme biologique....................................................................................................................51
.3.3.4.1 - Introduction du non entier dans le domaine biologique [CLAU97] [GARN98]....................51
.3.3.4.2 - Application un muscle de la patte dun lapin.......................................................................52
.3.3.5 - Conclusion..................................................................................................................................54
CONCLUSION ET PERSPECTIVES ................................................................................................ 56
BIBLIOGRAPHIE ............................................................................................................................... 57
Activits thmatiques de lquipe CRONE
ACTIVITES THEMATIQUES DE LEQUIPE CRONE
Les projets de lquipe CRONE (Commande Robotique Ordres Non Entiers)
sinscrivent autour de la drivation non entire (ou drivation fractionnaire). Loprateur D
x
(t) (drivateur dordre non entier) est tudi en tant que quoutil de modlisation et sa synthse
est tendue aux sciences pour lingnieur. Ses applications sont diverses : commande CRONE
(Commande Robuste dordre non entier), identification par modle non entier, robotique,
traitement du signal et de limage.
Un lien entre la rcursivit et la drivation non entire ayant t montr, nous pouvons
rapprocher cette dernire des systmes paramtres distribus. Les principaux
dveloppements mathmatiques de loprateur D
x(t) concernent la rsolution dquations

diffrentielles gnralises (fonctions linaires des drives gnralises des signaux dentre
et de sortie), la reprsentation continue dans un espace gnralis dun systme linaire
dordre quelconque et ltude de sa stabilit.
Deux principaux axes de recherche sont privilgis : lautomatique avec la commande
CRONE et lidentification par modle non entier, et la robotique avec la suspension CRONE,
la planification non entire de trajectoire et la gnration dun terrain fractal.
Collaborations et partenariat :
CNRS, INRIA Rocquencourt, ISMANS, LAII, LAN, Lectra Systmes, MENRT, PSA
Peugeot Citron.

Desciption du travail demand
DESCRIPTION DU TRAVAIL DEMANDE
Titre du projet : Identification temporelle par modle non entier.
Certains systmes naturels tels que les systmes biologiques et thermiques sont
difficilement identifiables par un modle entier possdant peu de paramtres. Pour cette
raison, des mthodes didentification par modle non entier ont t dveloppes au sein de
lquipe CRONE [LELAY98].
Afin de se familiariser avec les mthodes didentification, une premire partie du
travail consistera en une large recherche bibliographique concernant lidentification
temporelle par modle entier.
Une seconde partie du travail consistera dvelopper des mthodes didentification
par modle non entier, bases sur lidentification des modes propres du systme. Lalgorithme
mis en uvre optimise la fois les valeurs propres, les ordres non entiers correspondants et la
constante multiplicative.
Par ailleurs, durant le projet de fin dtude 97/98, une exprimentation biologique a t
entirement ralise en collaboration avec le service du professeur Bench de luniversit
Bordeaux II. Elle a permis de recueillir la force dveloppe par un muscle de lapin. Cet effort
tait issu de contractions isomtriques ( longueur constante) de deux types : la contraction
mono choc et la contraction ttanique.
Dans le cadre du DEA, le travail consistera complter les mesures dj effectues. A
cet effet, il sagira deffectuer un relev de la commande motrice dun muscle (en
loccurrence le perroneus longus) au niveau dun nerf moteur, puis de stimuler ce muscle avec
cette mme commande, tout en mesurant la force dveloppe.
Organisation du rapport
ORGANISATION DU RAPPORT
Dans le premier chapitre, plusieurs dfinitions sur lidentification et les probabilits en
gnral sont rappeles. Une partie est consacre la validit des paramtres obtenus et leurs
domaines dincertitudes. Enfin, nous tudions certains des algorithmes doptimisation
existants et prcisons dans quels cas ils sont utiliss.
Le second chapitre concerne le non entier et notamment la drivation non entire.
Nous rappelons les proprits inhrentes aux systmes non entiers, telles que la stabilit,
lobservabilit... Nous voyons aussi pourquoi il peut tre intressant dutiliser ces modles
dans certaines applications, telles que les systmes biologiques et thermiques, et la fabrication
de composants ou de batteries. Pour terminer, nous prsentons leurs avantages par rapport aux
modles entiers.
Enfin, le troisime chapitre prsente une application directe des algorithmes
didentification pour diffrents fichiers Entre / Sortie (E / S) correspondants des systmes
existants : systmes biologique, thermique et chimique. Une prsentation rapide du
programme didentification est galement propose.
En conclusion, un bref rcapitulatif est fourni sur les apports de ce projet
lidentification par modles non entiers, puis quelques perspectives sont nonces.
Chapitre 1 Identification : Dfinitions et gnralits
Chapitre 1
IDENTIFICATION : DEFINITIONS ET GENERALITES
.1.1 - Dfinitions [TRIG88] [WALT94]
Lidentification consiste dterminer les paramtres caractristiques dun modle
externe (type boite noire) ou interne (compos dlments physiques : Rsistances, capacits)
partir dun ensemble de donnes E / S Lors de la phase dacquisition, il intervient des
erreurs (bruits de capteurs, erreurs de mesure...) qui peuvent provoquer un biais des
paramtres. Pour en tenir compte, on distingue trois grands types de mthodes
didentification :
Variable instrumentale : on cherche obtenir une dcorrlation entre les vecteurs
de sorties et lerreur de prdiction.
Erreur dquation : on cherche obtenir une erreur de prdiction blanche (ou un
bruit blanc). Principe didentification Figure 1.1.1 b.
Erreur de sortie : on cherche obtenir asymptotiquement lun ou lautre des deux
critres prcdents. Principe didentification Figure 1.1.1 a.
Lerreur de sortie (t) est non linaire par rapport aux paramtres
est
, alors que lerreur
de sortie e(t) lest. On parle destimateur non biais lorsque la moyenne - ou esprance - du
vecteur paramtres identifi est gale au vecteur paramtre recherch. La fiabilit est alors
lerreur (ou la prcision) de lestimation.
Figure 1.1.1 - Principes didentification (a - Erreur de sortie et b - Erreur dquation)
Chercher obtenir une erreur de modlisation e(t) = y(t) - y
m
(t) nulle est aberrant car il
existe des erreurs de mesures et des incertitudes sur le modle (erreurs de structure) qui
impliquent ncessairement lexistence dune erreur entre les sorties relle y(t) et estime y
m
(t).
Aussi, on considre gnralement deux types de critres que lon cherche minimiser :
quadratique (1.1.0) et valeur absolue (1.1.0) .
Critre quadratique = =
=
e t dt e k
k
N
( ) ( )
1
(1.1.0)
Critre valeur absolue = =

=
e t dt e k
k
N
( ) ( )
1
(1.1.0)
Par la suite, on ne sintressera quau premier critre, qui prsente plus dintrt et de
possibilits que le second. Il existe dautres critres, qui sont des variantes des prcdents.
= =
=

= = =
=
N
k
N
k
N
k
N
k
k
N k y m m k y k e
k e
1 1 1
k
1
/ ) ( o ) ) ( ( / ) ( * 100
ble gain varia un est o ) ( *
critres Autres

(1.1.0)
Ainsi, au minimum absolu du critre quadratique (ou J) correspond la meilleure
approximation des mesures y(k) par le modle f(
n
, u(k)) sur [1...N] observations.
La phase didentification peut se dcomposer ainsi :
Acquisition des vecteurs E / S ;
Estimation structurelle du modle (choix de la structure permettant la
meilleure description du comportement du systme) ;
Estimation paramtrique (valeurs numriques des paramtres) => Choix
dun critre de minimisation pour lalgorithme de calcul ;
Validation du modle par un nouveau jeu de donnes E / S
Lors de la phase dacquisition des donnes, il est souhaitable - voire ncessaire -
dappliquer une entre u(t) riche en frquences sur le systme, pour avoir le maximum
dinformations sur ce dernier. En effet, une entre type chelon unitaire implique plusieurs
solutions pour lalgorithme doptimisation, et le vecteur paramtre trouv nest pas forcment
optimal. Ainsi, il nest pas rare de trouver pour u(t) une squence binaire pseudo alatoire
(sbpa) que lon peut rapprocher dun bruit blanc (qui comporte toutes les frquences).
En conclusion, on peut dire quil ny a pas un mais plusieurs minima (global et
locaux) : lidentification consiste trouver les paramtres qui assurent la plus petite erreur.
Une fois ces paramtres trouvs, il faut estimer lerreur commise sur ces paramtres, et les
valider par une nouvelle exprience.
.1.2 - Quelques rappels sur les statistiques et probabilits [LECL96]
[SPIE95]
.1.2.1 - Introduction
Comme on la vu auparavant, les variables alatoires (v. a.) jouent un rle important
lors de lidentification dun systme. En effet, le bruit (suppos blanc) intervenant lors de
lacquisition des donnes est dfini comme une suite de v. a. indpendantes et de mme loi
(bruit blanc au sens fort), ou bien comme une suite de v. a. non corrles et en gnral
centres (bruit blanc au sens faible). Sa fonction de corrlation est nulle partout sauf
lorigine, o elle vaut une impulsion de Dirac. On parle de bruit color lorsquil est corrl.
On distingue deux types de v. a. : discrte (elle peut prendre un nombre fini de valeurs)
et continue (elle prend un nombre de valeurs non dnombrable).
.1.2.2 - Variable alatoire continue
Soient les v. a. continues : X et Y. On dfinit :
La fonction densit :
f x f x dx
P a X b f x dx F b F a
a
b
( ) ( )
( ) ( ) ( ) ( )
=
< < = =
0 1 et t. q.
La fonction de rpartition : F x P X x f u du
dF x
dx
f x
x
( ) ( ) ( )
( )
( ) = = =
et
La densit de probabilit. jointe :
f x y f x y dxdy
P a X b c Y d f u v dudv
y c
d
x a
b
( , ) ( , )
( , , ) ( , )
=
< < < =
+
= =

0 1 et t. q.
La fonction de rpartition jointe : F x y f u v dudv
F
x y
f x y
v
y
u
x
( , ) ( , ) ( , ) = =
= =

2
La fonction marginale : F X P X x f u v dudv
v u
x
1( ) ( ) ( , ) = =
=
+
=

Les deux v. a. X et Y sont indpendantes ssi : F x y F X F Y ( , ) ( ) * ( ) = 1 2
Enfin, la convolution entre deux signaux est dfinit comme suit :
=
= = + =
+

+

Y ind. X ssi ) ( * ) (
) , ( ) ( -
: n Convolutio
2 1
2 1
dx x u f x f U
f f dx x u x f u g Y X U
(1.1.0)
.1.2.3 - Variable alatoire discrte
Soient X et Y deux v. a. discrtes : X ={x
1
... x
n
} et Y={y
1
... y
n
}. On dfinit :
La probabilit de chaque valeur : f x P X x k k ( ) ( ) = =
La fonction de rpartition :
f x P X x f x
x
( ) ( ) ( ) = = =
0 1 et
La fonction de distribution :
F x P X x f u
u x
( ) ( ) ( ) = =
La fonction de distribution jointe :

f x y P X x Y y f x y
y x
( , ) ( , ) ( , ) = = = =

0 1 et
La fonction de rpartition jointe :
F x y P X x Y y f u v
v y u x
( , ) ( , ) ( , ) = =

La densit marginale : f x P X x f x y j j j k
k
n
1
1
( ) ( ) ( , ) = = =
=
Deux v. a. discrtes x et y sont indpendantes ssi : f x y f x f y ( , ) ( ) * ( ) = 1 2

La fonction de probabilit. de Y, X donn, est : f y x P Y y X x
f x y
f x
( / ) ( / )
( , )
( )
= = = =
1
.1.2.4 - Dfinitions
Une v. a. peut tre dfinie par plusieurs grandeurs, utilises pour valider les paramtres
identifis :
Lesprance mathmatique
X
constitue la valeur moyenne de la v. a. :
Esprance moyenne
ssi f(xj) identiques
x j j
x j
n
x
n
E X x f x x f x
x x x
n
= = =
=
+ + +

=
( ) * ( ) * ( )
...
1
1 2
(1.1.0)
Ses proprits sont les suivantes :
=
+ = +
=
Y ind. X ssi ) ( * ) ( ) * (
) ( ) ( ) (
) ( * ) * (
Y E X E Y X E
Y E X E Y X E
X E c X c E
(1.1.0)
Lcart type
X
permet de spcifier un intervalle de confiance autour de la valeur trouve.
Il est dfini par :
Ecart type
o reprsente la variance de X

X x
X
Var X E X
Var X
= =
=
( ) (( )^ )
( )
2
2
(1.1.0)
Ses proprits les plus importantes sont donnes en (1.1.0) .

2 2
1
2
2
2 2
2 2 2 2 2
2
2
= =
+ + +
= =
=
= +
= =
( ) * ( )
( ) ( ) ... ( )
( ) ( ) ( ( ))
( * ) * ( )
( ) ( ) ( )
(( ) ) ( )
x f x
x x x
n
E X E X E X
Var c X c Var X
Var X Y Var X Var Y
E X a a E X
n
x
ssi f(x ) identiques
ssi X ind. Y
est minimum quand
j
(1.1.0)
La covariance
XY
entre deux v. a. est dfinie par :
Covariance XY X Y X Y
y x
Cov X Y E X Y x y f x y = = =

( , ) (( )( ) ( )( ) ( , )
(1.1.0)
Ses proprits sont les suivantes :

XY X Y
XY X Y
E X Y E X E Y E X Y
Var X Y Var X Var Y Cov X Y
= = =
= +
( * ) ( ) * ( ) ( * ) *
( ) ( ) ( ) * ( , )
*
0
2
ssi X ind. Y
egalit ss i X = Y) (
(1.1.0)
Enfin, les grandeurs suivantes sont dfinies :
Coefficient de corrlation :
Coefficient de dissymtrie :
Coefficient d' aplatissement :
=
=

=

XY
X Y
X
X
X
X
E X
E X
*
(( ) )
(( ) )
3
3
3
4
4
4
(1.1.0)
Rq : Il arrive que lon confonde les notions de covariance (dfinie en (1.1.0)) et de
corrlation (dfinie en (1.1.0)). Cela nest vrai que lorsque le processus tudi est stationnaire
et, dans ce cas, la fonction de covariance devient fonction de corrlation.
)) )( (( ) , ( : n corrlatio de Fonction = Y X E Y X Corr (1.1.0)
De mme entre la corrlation et la convolution (dfinie en ((1.1.0)) : la corrlation
peut sinterprter physiquement comme une mesure du degr de ressemblance moyenne entre
un signal un instant donn et un autre signal un autre instant ; la convolution est un outil
mathmatique sans relle interprtation. Cependant, si les fonctions considres sont relles et
paires, leur corrlation sidentifie leur produit de convolution.
.1.3 - Critres de validit des paramtres [LAND96]
Comme nous lavons vu prcdemment, le bruit fausse lestimation de telle sorte que
estim
nest jamais gal
exact
, avec un cart dpendant, en moyenne, du niveau de bruit. Un
grand nombre de relevs raliss dans les mmes conditions exprimentales entrane plusieurs
valeurs de paramtres. Lestimation est donc une v. a. cause du bruit.
En pratique, on considre que la densit de probabilit des paramtres suit une loi
gaussienne, que lon peut connatre par ses moments dordre 1 et 2 qui sont sa moyenne et sa
variance.
Il existe de nombreux critres permettant de valider (ou dinvalider) le vecteur
paramtre identifi. Parmi ces derniers, nous nous sommes intresss aux suivants :
fit : Norme de lerreur e(t) commise entre la sortie relle y
relle
et la sortie estime y
estime
,
dfinie par (1.1.0) :
=
=
paramtres de nbre le n et ns chantillo d' nbre le est N o
) (
) ( : erreur
2
n N
t e
fit
y y t e estime relle
(1.1.0)
Le fit ne donne pas proprement parler une validation de
est
, mais permet de chiffrer
lerreur e(t). Il peut tre utilis pour connatre le nombre de paramtres optimal n_opt, en se
basant sur le critre dAIKAKE : n_opt correspond au nombre de paramtres pour lequel il
ny a plus de relle amlioration si on a (n_opt+1) paramtres, par rapport au temps de calcul
demand (voir Figure 1.1.2 pour plus dinformations).
Figure 1.1.2 - Dtermination du nombre de cellules optimales

X : Variance du paramtre. Comme nous lavons vu prcdemment,
X
constitue un
excellent moyen de validation du paramtre X recherch et peut sinterprter de la faon
suivante :
." * trouve se que chance de % a y Il "

confiance de Niveau : . confiance de t coefficien ou critique valeur :
c X c c
c c
z X N
N z
(1.1.0)
Il est donn dans le tableau de la Figure 1.1.3 quelques valeurs de z
c
et N
c
.
z
c
3 2.58 2.33 2.05 2 1.96 1.645 1.28 1 0.6745
N
c
(%) 99.73 99 98 96 95.45 95 90 80 68.27 50
Figure 1.1.3 - Valeurs de z
c
et N
c
correspondantes
Plus faible est la variance, meilleure est lestimation du paramtre X. Le problme
reste ensuite dfinir
X
partir des donnes exprimentales. Ce point sera abord dans le
Chapitre 3, Programme didentification, et rsolu pour le modle qui nous intresse.
Corrlation du signal derreur : loptimisation est concluante lorsque lerreur de
prdiction e(t) est un bruit blanc. Ainsi, il est sr que toutes les informations contenues
dans les donnes exprimentales ont t traites par lalgorithme de calcul. Nous
vrifierons donc que lauto corrlation du signal e(t) est un Dirac, reprsent Figure 1.4.
Figure 1.1.4 - Auto Corrlation dun bruit blanc
Dans le cas o certains critres ne seraient pas concluants, il se peut que les paramtres
identifis ne soient pas optimaux et ncessitent de nouveaux calculs. Il ne faut pas hsiter dans
ce cas l remettre en question le modle utilis pour reprsenter le procd : nombre de
paramtres, structure...
.1.4 - Modles et mthodes didentification existantes
Dans cette partie, nous prsentons un ventail des mthodes et modles utiliss par
certains algorithmes didentification. Un modle est une description mathmatique dun
processus rel construit dans un but prcis : analyse de phnomnes, prdiction de
comportement, conduite de process, traitement de signaux. Aucun modle unique ne peut
reprsenter lensemble des signaux et systmes. La complexit du modle peut conduire une
mauvaise identification du procd, notamment en prsence de bruit o les degrs de libert
supplmentaires modlisent plus ce bruit que le signal - ou systme - identifier.
.1.4.2 - Modles didentification
Les modles peuvent tre classs selon plusieurs types :
Modle phnomnologique ou comportemental : le premier est construit partir des
grands principes de la physique : les paramtres recherchs ont une signification physique.
Le second reproduit uniquement le signal observ sans connaissance priori du modle.
Modle statique ou dynamique : le 1
er
ne fait pas intervenir le temps, alors quil constitue
une variable parmi dautres dans le 2
nd
.
Modle linaire ou pas : le 1
er
vrifie le thorme de superposition (1.1.0), pas le 2
nd
.
Thorme de superposition :
"Si et Si Alors " u y u y u u y y 1 1 2 2 1 2 1 2 + + ( ) ( )
(1.1.0)
Attention ne pas confondre avec la non-linarit du modle par rapport aux paramtres.
Modle explicite ou implicite : le 1
er
donne la sortie en fonction de grandeurs connues (R,
C, e(t)...) alors que le 2
nd
ncessite la rsolution dquations (diffrentielles ou autres).
Modle quations diffrentielles : on distingue plusieurs types :
E.D.
o D est l' oprateur de drivat ion de l' ordre
aD y t b D u t
x x(t) ia
i
i
i
n
j
j
m
j
ia

= =

=
1 1
( ) ( )
(1.1.0)
Fonction de transfer t
o est l' ordre lmentaire
H p
b b p b p
a a p a p
n
n
n
n
( )
* ... *
* ... *
] , ]
( )
=
+ + +
+ + +

0 1 1
1
0 1
0 1

(1.1.0)
Equation d' tat
x t Ax t Bu t
y t Cx t Du t
= +
= +
( ) ( ) ( )
( ) ( ) ( )
(1.1.0)
Rponse impulsionnel le
o reprsente le produit de convolution
y t h t u t h u t d ( ) ( ) ( ) ( ) ( ) = =

0
(1.1.0)
.1.4.3 - Modles discrets et continus
Les modles discrets prsentent lavantage dtre directement exploitables par les
calculateurs, cest dire ne ncessitant pas de transformation pour le calcul des paramtres.
Ce nest pas le cas pour les modles continus. Ils se prsentent le plus souvent sous forme de
reprsentation dtat (1.1.0), partir de laquelle vont tre tirs les modles ARX, DARX,
ARMAX, DARMAX et BOX-JENKINS (1.1.0) (1.1.0) .
A q y k B q u k e k
e k F q b k
A q a a q a q B q b b q b q n
n
m
m
( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ... ( ) ...

= +
=
= + + + = + + +
1
1
1
0 1
1 1
0 1
1
1
o b(k) est un bruit blanc
avec et
(1.1.0)
ARX : F q ( )
=
1
1 (1.1.0)
DARX : o F q
D q
D q d q d q v
v
( )
( )
( ) ...

= = + + +
1
1
1
1
1
1
1 (1.1.0)
ARMAX : o F q C q C q c q c q v
v
( ) ( ) ( ) ...

= = + + +
1 1 1
1
1
1 (1.1.0)
DARMAX : F q
C q
D q
( )
( )
( )
=
1
1
1
(1.1.0)
BOX- JENKINS : y k
B q
A q
u k
C q
D q
b k ( )
( )
( )
( )
( )
( )
( ) = +
1
1
1
1
(1.1.0)
En ce qui concerne les modles continus, il a t mis au point des abaques
correspondants des essais temporels ou frquentiels, qui donnent directement les valeurs des
paramtres recherchs. Parmi elles, citons les mthodes de STREJC, SCHWARZE,
HUDZOVIC, BROIDA, systmes non minimum de phase... De plus, certains modles ne
ncessitent aucun calcul et peuvent tre facilement connus par leurs rponses temporelles ou
frquentielles : systmes du 1
er
et 2
nd
ordre, avec intgration
Enfin, il est possible de dfinir un signal f(t) laide de fonctions orthogonales (t),
explicites en (1.1.0) . Ces fonctions dfinissent un espace dans lequel on exprime f(t).
{ }
<

=
b
a
i
b
a
i
dt t t f t
dt
b a t N i t t
) ( ) ( ) (
r
1
= f o
b] [a, t (t) f = f(t) alors (t)f2(t) tq b] [a, sur dfinie f(t) Si
N i 0 = f(t) 0 = (t)dt (t)f(t) et N j i, r = (t)dt (t) (t)
: tq b] [a, sur dfinie poids fonction une est (t) ; ] , [ , ), ( ) (
i
i
N i
i i
b
a
b
a
i
2
ij j j i

(1.1.0)
Ex : Les sries de Fourier, les polynmes orthogonaux et les fonctions de Walsh et de
Laguerre.
.1.4.4 - Mthodes didentification
A partir de ces diffrents modles, et avec le critre minimiser convenablement
choisi, nous pouvons utiliser une des mthodes didentification parmi celles existantes. Elles
sont classes en deux catgories, de type rcurrent ou bien en ligne.
Une des mthodes de base, que lon retrouve sous une forme ou sous une autre, est
lalgorithme des moindres carrs :
[ ] Y k k y
T
N
k
T

1
1
1
N
1 = k
T
T
est
N
1 = k
2
est
n
1 = i
i est
) ( ) ( (k) (k) = est solution La
. recherch paramtre vecteur le est o * (k) = (k) y a On
. minimiser (k)) y - (y(k) = J critre le avec = Y ou i * (x) f = y cherche On

=
(
La rsolution ncessite linversion dune matrice, ce qui peut se faire par LU-
dcomposition, Gauss Jordan ou bien SVD (dcomposition en valeurs singulires). Dautres
mthodes ont t mises au point, bases sur ce principe. Nous citerons entre autres : les
moindres carrs gnraliss, par variables instrumentales, les moindres carrs tendus, le
maximum de vraisemblance et leurs quivalents par mthode rcurrente.
Nous ne rentrerons pas plus dans le dtail pour ces mthodes, le projet portant sur une
identification par modle non entier et ncessitant lutilisation dalgorithmes doptimisation
non linaires. Cette partie est aborde dans le chapitre suivant.
Chapitre 2 La drivation non entire
Chapitre 2
LA DERIVATION NON-ENTIERE
.2.1 - Introduction [OUST95]
Lanalyse harmonique de nombreux systmes naturels rvle un caractre non
entier : systmes biologiques, thermiques et certains composants (capacits, batterie). Ce
phnomne nest certes pas tranger lomniprsence de la fractalit dans la nature.
Il savre en effet que des modles dordre entier ne sont pas adapts lidentification
de certains de ces systmes. La drivation non entire est introduite dans le domaine de
lidentification temporelle pour rsoudre ce problme. Plusieurs applications montrent quun
modle dordre non entier assure une excellente identification, comparativement un modle
entier, et ce avec un nombre rduit de paramtres.
Nous distinguons deux modles didentification : modle drive non entire
implicite (2.2.0) et le modle drive non entire explicite (2.2.0) . Dans le cadre de ce
projet, nous nous sommes intresss plus particulirement au premier de ces modles.
Drive non entire implicite : F p
p u
n
( )
( )
=
+
1
1
(2.2.0)
Drive non entire explicite : F p
p u
n
( )
( )
=
+
1
1
(2.2.0)
Nous prsentons dans cette partie quelques notions importantes sur la drivation non
entire, et ses principales proprits : stabilit, commandabilit, observabilit.
.2.2 - Reprsentation dtat gnralise [COIS98]
.2.2.1 - Dfinitions
L'oprateur Drivateur non entier D
x(t) est dfini, dans le cas discret, par :

!
) 1 )( )( 1 (
o
) ) (( ) 1 (
1
) (
0
k
k
k
h k K x
k h
t x D
K
k
k
+
=
|
|
\
|
|
|
\
|
=

=

(2.2.0)
Les systmes o la drivation d'ordre entier ou non entier apparat peuvent scrirent
sous la forme d'une quation diffrentielle gnralise, dfinie en (2.2.0) :

= =
|
\
|
= |
\
|
m
j
n
j
n
n
i
i t u
dt
d
b t y
dt
d
a
bj ai
0 0
) ( ) ( (2.2.0)
A cette quation correspond la reprsentation dtat gnralise suivante :
( )
=
+ =
. sorties des vecteur le est
; entres des vecteur le est
; drivation de ordres des vecteur le est
; gnralis tat d' vecteur le est
gnralis Drivateur oprateur l' est D
: o
) ( ) (
) ( ) ( ) (

0
y(t)
u(t)
x(t)
t cx t y
t bu t ax t x D
(2.2.0)
Le systme tant relax t=0, nous avons les conditions initiales suivantes :
u(t) = 0 pour t ] - ,0[ ;
y(t) = 0 pour t ] - ,0[ ;
x(t) = 0 pour t ] - ,0[ .

(2.2.0)
.2.2.2 - Diagonalisation et Stabilit
Par diagonalisation de la reprsentation d'tat du (2.2.0), nous faisons apparatre les
valeurs propres de la fonction de transfert :
H p
A
p
k
k
k
N cell
( )
_
=
1
(2.2.0)
Il est important de diffrencier les valeurs propres des ples : les valeurs propres
dfinissent un mode (2.2.0) et permettent de dcomposer le systme en sous espaces
invariants, appels sous-espaces propres (Figure 2.2.1 ). Les ples, quant eux, sont solutions
de lquation (2.2.0) et dterminent directement les caractristiques du mode oscillatoire ainsi
que la stabilit du systme. Ainsi, ples et valeurs propres ne sont confondus que dans le cas
particulier o = 1.
H p
A
p
e
k
k
mod ( ) =
(2.2.0)
p k
= 0 (2.2.0)
Figure 2.2.1 - Dcomposition en sous espaces propres
Les ples, solutions de lquation (2.2.0) scrivent, lorsquils existent :
< <
+
= =
=
entier l
2
) (
2 2
) (
2
: o

2 ) (
et : avec
1
k k
k
l k l
l j
l l
Arg
l
Arg
l Arg
p
e p p
Les calculs montrent que, pour compris entre 0 et 1, l ne peut prendre quune valeur
(l=0) et que les valeurs propres relles ngatives ne gnrent aucun ple.
La rponse du systme est la somme de deux termes : le premier est appel mode
oscillatoire dominant et est gnr par les ples de H(p). Ce terme est oscillatoire et savre
dterminant quant la rponse du systme. Le second est une intgrale souvent impossible
dterminer analytiquement et appel multimode apriodique. Dans le cas o = 1, ce mode
sannule et nous retrouvons la rponse dun systme drives entires. A chaque mode
correspondent ces deux rponses, la premire tant nulle pour des valeurs propres relles
ngatives et <1.
Le multimode apriodique tant toujours stable, les conditions de stabilit portent sur
le mode oscillatoire dominant et sont que les ples de H(p) soient partie relle strictement
ngative. Cette condition est ncessaire et suffisante pour assurer la stabilit du modle.
.2.2.3 - Commandabilit et observabilit
La commandabilit est la facult dagir sur ltat x(t) pour lamener dune valeur x(t
0
)
une valeur x(t
1
) en agissant sur la commande u(t) pour t[t
0
,t
1
]. Les conditions ncessaire et
suffisante pour que la ralisation soit commandable sont :
Tous les lments du vecteur b doivent etre non nuls (o b correspond la ralisation
diagonale de - valeurs propres);
Les valeurs propres sont tell es qu' on ne puisse pas vrifier :

- =
2k
q
avec

p et q
i j

a
i j
p
q
Z
k Z
i j

(2.2.0)
Un tat x(t) est observable t
0
sil existe t
1
tel que, pour tout x
0
en t
0
, la connaissance
de lentre u(t) et de la sortie y(t) sur [t
0
,t
1
] suffit dterminer x
0
. La connaissance du vecteur x
(t
0
) ncessite la connaissance de lentre u(t) pour t[0,t
0
] alors que seule une connaissance
locale autour de t
0
est ncessaire dans le cas entier. Autrement dit, nous ne pouvons nous
prononcer lheure actuelle sur lobservabilit du vecteur x(t) dans le cas non entier.
.2.3 - Exemple dtude
Nous reprenons dans cet exemple ltude de la suspension CRONE passive traite
dans [COIS98]. Cest un dispositif hydropneumatique compos de cellules lmentaires
ressort amortisseur (sphres Citron) dont les constantes de temps sont distribues de manire
rcursive. On obtient ainsi un comportement non entier du transfert force / dplacement des
suspensions. Nous considrons dans cette tude le mouvement de la caisse par rapports aux
sollicitations extrieures et que les dplacements de la route sont directement transmis la
suspension, la dynamique de roue tant beaucoup plus rapide que la dynamique de caisse.
La suspension CRONE est rgie par l'quation suivante :
. couple en commande une ) ( et voiture la de absolu roulis de angle l' est ) ( o
) ( ) )( (
1
) ( 2 ) )( (
2
) )( ( ) )( (
0
0
2
0
0
2
2
0
2
0
t t
t t D t C a t D
C a
t D J t D
J
m
m
h
m
m
b
m
m
h
+ = + + +
+
(2.2.0)
La reprsentation d'tat correspondante est :
( )
) ( 0 0
J
1
) (
) (
1
0
0
0
) (
0
J
C 2a -

2
1 0 0 0
0 1 0 0
0 0 1 0
) )( (
0
2
0
2
0
t x
J
t
t t x
J
C a
t x D
m
h
m
h
m
b
h
m
h
m
(
(
(
(
(
+
(
(
(
(
(
(
(2.2.0)
Application numrique :
3 / 2 Nm 147 m 7 . 0 1156 0 rd/s 100 rd/s 2 . 0 min = = = = = = m J a C h b
Les valeurs propres sont :
=
=
+ =
=
7013 . 0
2449 . 3 4614 . 0
2449 . 3 4614 . 0
33 . 46
4
3
2
1
i
i
(2.2.0)
1
et
4
tant relles ngatives et m<1, seules
2
et
3
gnrent des ples, qui sont :
=
+ =
i p
i p
0458 . 5 2731 . 3
0458 . 5 2731 . 3
2
1
(2.2.0)
Les ples tant parties relles ngatives, la ralisation est stable. De plus, les
conditions de commandabilit du (2.2.0) sont vrifies. La ralisation est donc commandable.
Ces rsultats sont conformes ceux trouvs dans [COIS98], mais o l'ordre retenu
pour la reprsentation d'tat tait m = 1/3. Autrement dit, les proprits de commandabilit et
de stabilit sont intrinsques au systme tudi, et ne varient pas selon l'ordre de drivation
utilis pour le reprsenter.
.2.4 - Identification par modle non entier
.2.4.1 - Mthodes existantes
Une premire approche du modle didentification peut tre faite en faisant appel
lquation diffrentielle gnralise :

= =
|
\
|
= |
\
|
m
j
n
j
n
n
i
i t u
dt
d
b t y
dt
d
a
bj ai
0 0
) ( ) ( (2.2.0)
Soit, par transformation de Laplace sous lhypothse de conditions initiales nulles,
lquation symbolique :
) ( ) (
0 0
p U p b p Y p a
m
j
n
j
n
i
n
i
bj ai

= =
=
(2.2.0)
La transmittance gnralise H(p) est alors dfinie par :
n < m et 1 = a o ) ( n
1 0
1 0
1
1
an a
bm b
n
n
n
n
m
n
p a p a a
p b p b b
p H
+ + +
+ + +
= (2.2.0)
Les ordres de drivation tant fixs, l'optimisation est linaire par rapport aux
paramtres [LELAY98]. Le problme est que ces ordres ne sont pas connus priori, et
l'estimation n'est pas optimale par rapport ces paramtres.
.2.4.2 - Optimisation non linaire
Soient
i
les valeurs propres de H(p) qui sont, par dfinition, telles que :
H p
A
p
k
k
k
N cell
( )
_
=
1
(2.2.0)
o A
k
est le coefficient multiplicateur de la cellule, et lordre lmentaire recherch.
Cette somme est quivalente au transfert H(p) du (2.2.0), sous lhypothse que les ordres n
ai
et
n
bj
sont des multiples entiers de lordre .
Schmatiquement, nous reprsenterons H(p) sous la forme suivante (Figure 2.2.2 ).
Les paramtres recherchs sont : A
k
,
k
et l'ordre .
Figure 2.2.2 - Reprsentation de H(p)
.2.5 - Description de l'algorithme non linaire [GALA96]
.2.5.1 - Position du problme
Un des plus importants problmes intervenant dans lidentification dun signal est
quil est reprsent par plus dun modle lmentaire . En gnral, lidentification non
linaire ncessite la rsolution de plusieurs fonctions simultanment, dans le but dobtenir les
meilleurs paramtres.
Dans le cadre de ce projet, il est tudi le modle suivant :
=
+ =
=
. complexe) ou (rel cellule la de teur multiplica t coefficien le est A
; complexe) ou (relle modle du propre valeur une est
; ]0,1] - systme du e lmentair ordre l' est
; tions identifica d' cellules de nombre le est N_cell
: o

) ( : recherch Modle
) ( ) ( ) ( ) ( : sortie de Erreur
i
i
_
1
i
cell N
i
i
p
A
p H
p E p U p H p Y
(2.2.0)
Contrairement la plupart des algorithmes didentification par modle non entier
existants, tous les paramtres des cellules lmentaires sont recherchs, y compris et surtout
lordre lmentaire . Cette reprsentation est plus intressante que celle dveloppe de
la fonction de transfert du (2.2.0) car tous les termes A
k
et
k
ont la mme sensibilit, ou plus
simplement la mme importance pour le modle H(p). Ce nest pas le cas des coefficients des
a
i
et b
i
du (2.2.0) . De plus, lordre est dune importance capitale pour le modle dordre non
entier, et peut lui seul caractriser un systme.
.2.5.2 - Principe de rsolution
Les solutions sont trouves de faon rcurrente, en utilisant des algorithmes itratifs.
Un point de dpart plac proche de la solution peut augmenter les chances de trouver les
paramtres optimaux, qui minimisent le plus le critre retenu. Lorsquil existe plusieurs
solutions au problme non linaire, le programme peut trouver une solution locale (minimum
local), qui ne correspond pas la meilleure solution (minimum global). Aussi, la plupart
dentre eux recherchent plusieurs solutions et retiennent la meilleure. Dautres problmes
peuvent apparatre, notamment lorsque le modle est surdimensionn par rapport au systme
physique.
Lidentification des paramtres du modle (2.2.0) fait intervenir des non-linarits
dans lalgorithme doptimisation : en effet, utiliser une mthode du type moindres carrs
linaire nest plus possible car y
est
nest pas linaire par rapport Pour cela, nous utilisons
les algorithmes de Newton Gauss ou Levenberg-Marquardt. Le problme est rsolu en posant
les quations suivantes, dans lesquelles lalgorithme cherche minimiser la fonction Merit.
. modle du Hessienne matrice la est D
; modle du gradient vecteur le est d
; cherch paramtre vecteur le est
; identifier cherche on l' que fonction la est : o
Merit fonction la est
2
1
) (
2
D d + =
(2.2.0)
La phase ditration se traduit de la faon suivante :
i i i D +

= + 1
1 2
[ ( )] (2.2.0)
ou, lorsque le vecteur est proche de la solution, il peut tre avantageux dutiliser :
i i i const + = + 1
2
[ ( )] (2.2.0)
Le problme peut se rcrire comme un ensemble dquations linaires, pour lequel il
existe deux mthodes de rsolution : la mthode de la constante (2.2.0) et la mthode de la
matrice Hessienne (2.2.0) .
Mthode de la constante : l = const l * (2.2.0)
Mthode de la matrice Hessienne :
o = -
1
2
et k

l
kl
k
k
kl
k l
=
=
1
1
2
2 2 2
*
(2.2.0)
Le minimum de
2
est obtenu pour
k
nul qqs k (la drive de
2
est nulle pour tous les
paramtres
k
).
kl
dfinit un pas de calcul pour atteindre ce minimum.
.2.5.3 - Algorithme de Levenberg Marquardt
Levenberg-Marquardt est une des mthodes doptimisation non linaire les plus
utilises. Elle fait appel aux deux mthodes prcdentes : loign du minimum, le pas de
calcul est dfinit par (2.2.0) et, proche de la solution, il commute sur (2.2.0) . Le problme
est alors de dterminer la valeur de la constante dans le 1
er
cas, et quand permuter sur la 2
nde
mthode. Pour le rsoudre, Marquardt a, dans un premier temps, modifi la constante dans la
mthode du mme nom (2.2.0) puis dfinit une nouvelle matrice (2.2.0) . Il a alors une
transition automatique entre les mthodes du (2.2.0) et du (2.2.0), en appliquant la dfinition
du (2.2.0) [MARQ63].
l
ll
l =
1
* (2.2.0)

' ( ) ll ll
jk jk
= +
=
1
pour j k
(2.2.0)
Mthode de Levenberg - Marquardt :
l
kl
k
j
M
=
=
1
1
'
(2.2.0)
grand implique la mthode de la constante et, proche de 0, la matrice rsultante est
linverse de la matrice Hessienne.
Plusieurs algorithmes sont utiliss dans le programme didentification : Recursive
Newton, Levenberg-Marquardt et Gauss Newton. Le calcul des fonctions de sensibilit,
utilises pour lidentification des paramtres, est fourni partie suivante, et les rsultats obtenus
sont fournis Chapitre 3, Programme didentification.
.2.6 - Principaux avantages du modle
La reprsentation retenue pour lidentification dun systme (2.2.0) prsente plusieurs
avantages, qui nous ont fait prfrer ce modle celui du (2.2.0) .
Tout dabord, dans cet algorithme, on cherche identifier les valeurs propres
k
et
lordre lmentaire , qui caractrisent compltement la dynamique du systme. Le
nombre de cellules et la nature des paramtres (coefficients et valeurs propres
peuvent tre rels ou complexes conjugus) sont choisis par lutilisateur, qui
dtermine ainsi la meilleure identification pour le modle retenu. Les paramtres
identifis correspondent des lments existants, du moins au sens mathmatique
du terme. Les coefficients a
i
et b
j
du modle (2.2.0) nont quen eux aucune
signification particulire.
Ensuite, la plupart des programmes didentification existants pour les modles
dordre non entier ncessitent de connatre les ordres de drivation n
ai
et n
bj
. Ainsi,
la recherche des paramtres a
i
et b
j
peut se faire laide dalgorithmes linaires
type moindres carrs Lavantage est principalement la rapidit de calcul et une
bonne approximation des paramtres. Cependant, dans la plupart des cas, ces
ordres de drivations sont inconnus et sont choisis de telle faon que la sortie
estime suive au mieux la sortie observe. La connaissance priori de reste
encore succincte dans de nombreux domaines. Les algorithmes non linaires, quant
eux, recherchent cet ordre et donnent la valeur optimale du vecteur . Il apparat
lors des phases didentification que, quel que soit le nombre de cellules
recherch, lordre lmentaire reste identique et ne dpend que de la sortie, et
donc du systme observ. Cela conforte ainsi lide que lon puisse caractriser le
systme laide de ce paramtre.
Enfin, en comparant les transferts (2.2.0) et (2.2.0), il apparat que les coefficients
A
k
et les v.p.
k
ont la mme importance pour le modle dans les cas rels et
complexes, ce qui nest pas le cas des coefficients a
i
et b
j
. Pour sen convaincre,
nous nous reporterons aux calculs des drives partielles de chaque modle
utilises par lalgorithme non linaire : elles sont du mme ordre de grandeur dans
le premier cas (sous espaces propres), alors que cet ordre augmente pour chaque
paramtre pour la forme dveloppe du (2.2.0) .
Mode rel :

Modes Complexes :
part.
H p
A
p
H p
A p
H p A
p
H p
A iA
p i
A iA
p i
A p A A
p p
H p
A
r
k
k
r
k k
r
k
k
k
c
r i
r i
r i
r i
r r r i i
r r i
c
r
( )
( ) ( )
( )
( )
( ) ( )
( )
( )
*
=
=
+
+
+

=
+
+ +
=
1
2 2
2
2
2
2 2 2
rel. part.imag.

part. rel.
1
2
1
2
2
2
2
2
2 2 2 2 2 2
p i
H p
A p i
H p
A
p
p p
H p
A p p
H p A iA
p i
r i
c
i r i
c
r
r
r r i
c
i
i
r r i
c
r
r i
r

+
|
\
| =
+
|
\
|
=

+ +
=

+ +
=
+
+
( )
( )
*
( )
( ) ( ) ( )
( )
*
( (

i
c
i
r i
r i
c
r
r r r i i r r i i r r i
r r i
c
i
i i r r i
H p A iA
p i
H p A p A A A A A
p p
H p Ap A A p
)
( )
*
( ( )
( ) ( )
( )
( ) ( )
2 2
2 2 2
2 2 2 2
2
2
2 4 2 4 2
2
2 4
|
\
| =
+
+
|
\
|
=
+ + +
+ +
=
+
part. imag.

+ +
+ +
2 4
2
2 2
2 2 2 2
A A
p p
i i r r r i
r r i
( )
( )

Forme dveloppe :

H p
b b p b p
a a p a p
H p
b a a p a p
H p
b
p
a a p a p
H p
a
b b p b p
a a p a p
H p
a
m
m
n
n
n
n
m
m
n
n
m
m
n
n
( )
( )
( )
( ) ( )
( )
( )
=
+ + +
+ + +
=
+ + +
=
+ + +
=
+ + +
+ + +
0 1
0 1
0 0 1
0 1
0
0 1
0 1
2
1
1

=
+ + +
+ + +
=
+ + +
+ + +
( )
( )
( ) ( )
( )
b b p b p p
a a p a p
H p
a
b b p b p p
a a p a p
m
m
n
n
n
m
m n
n
n
0 1
0 1
2
0 1
0 1
2

Conclusion et perspectives
Chapitre 3
PROGRAMME DIDENTIFICATION
.3.1 - Prsentation du programme
Nous prsentons dans cette partie le programme didentification tel quil est propos
lutilisateur. Chaque fonction est explicite et les dveloppements mathmatiques utiliss sont
galement fournis (hormis ceux qui ont t vu prcdemment).
.3.1.1 - Ligne de commande
La ligne de commande, utilise pour lancer le programme est la suivante :
[x,y_sim_id,jac,fit,ecart_type]=ident_modne_im(u_id,y_id,T,u_val,y_val,T_val) .
Les paramtres dentre associs cette commande sont :
u_id : vecteur dentre qui sollicite le systme identifier ;
y_id : vecteur de sortie identifier ;
T : Priode dchantillonnage des vecteurs dentre / sortie didentification ;
u_val : vecteur dentre appliqu sur le systme pour validation du modle identifi ;
y_val : vecteur de sortie du systme pour validation du modle identifi ;
T_val : Priode dchantillonnage des vecteurs d'E / S de validation.
Les paramtres de sortie associs cette commande sont :
x : vecteur des paramtres recherchs, construit de la faon suivante :
x A(1) A (1) (1) (1) A(1) (1) ordre r i r i
2 cellulesimaginaires
CELLULES IMAGINAIRES
1 cellule relle
CELLULES REELLES
=
(
(
(3.3.0)
y_sim_id : Fonction simule daprs le modle retenu (vecteur x) et lentre u_id.
jac : Jacobienne du modle en fonction des paramtres.
fit : Norme de lerreur telle quelle a t prsente dans le chapitre 1.
Chapitre 3 Programme didentification
ecart_type : Vecteur contenant les carts types de chaque paramtre. Il est tir de la
matrice de covariance, dont l'approximation dans le cas non linaire est donn en (3.3.0) .
[ ]
. paramtres n avec ns observatio N sur commise erreur l' est . = J avec
n - N
J
o
. jacobienne la dsigne J' o ' ' ) (
; hessienne matrice la dsigne ' J' o ' ' 2 ) (
: covariance de Matrice
T
min
min
2
2
1
2 1
e e e
J J Var
J Var
T

(3.3.0)
Aprs avoir excut la ligne de commande, lutilisateur a accs au menu de la Figure 3.1.
Figure 3.3.1 - Menu principal
.3.1.2 - Menu Modifier les paramtres de calcul
Ce menu permet de spcifier les diffrents critres et grandeurs, relatifs
loptimisation et lidentification des paramtres, dcrits ci dessous :
N : Nombre de points didentification : Il doit tre compris entre 1 et la longueur des
fichiers dE/S Plus N est grand, meilleure sera lidentification des paramtres mais le
calcul en sera dautant plus long ;
T : Priode dchantillonnage des donnes.
N_cellule_r et N_cellule_i : Nombre de cellules didentification lmentaires (les modes)
que doit rechercher le programme, respectivement sous forme relle et complexe. Ces
dernires tant complexes conjugus, il faut donner un nombre pair pour N_cellule_i sans
quoi les rsultats nont aucunes significations.
Met_opt : Mthode didentification utilise. Lutilisateur a le choix entre 3 mthodes,
savoir :Recursive Newton, Levenberg-Marquardt et Gauss Newton. Il peut aussi
rechercher les paramtres a
i
et b
j
correspondant au modle dvelopp du transfert (2.2.0) .
Ordre_ini : Ordre initial
0
partir duquel loptimisation dbute.
.3.1.3 - Menu Calcul des paramtres didentification
Ce menu lance la recherche des paramtres avec lalgorithme choisi prcdemment.
La dure de calcul dpend principalement de deux valeurs : le nombre de points sur lequel
porte lidentification et le nombre de cellules recherches. Le vecteur de sortie x est constitu
de (2*N_cellule+1) composantes, N_cellule correspondant au nombre total de cellules (relles
et complexes). Sa description est donne chapitre 3.1.1.
.3.1.4 - Menu Visualisation des paramtres
Ce menu affiche certains des paramtres identifis par le programme. Ces paramtres
sont donns ci dessous :
coef_et_vp : Coefficients et valeurs propres, complexes et relles, pour chaque cellule.
ordre : Ordre lmentaire optimal.
alpha_id, n_alpha_id : Vecteurs correspondants aux coefficients a
i,
classs dans lordre
dcroissant, et aux ordres de drivation associs.
beta_id et n_beta_id : Vecteurs correspondants aux coefficients b
j
, classs dans lordre
dcroissant, et aux ordres de drivation associs.
fit : Norme de lerreur telle quelle a t dfinie dans le chapitre 1.
cov : Matrice de covariance des paramtres.
ecart_type : Vecteur contenant les carts types relatifs chacun des paramtres.
.3.1.5 - Menu Visualisation des graphiques
Grce ce menu, lutilisateur a accs au menu de la Figure 3.3.2 :
Figure 3.3.2 - Menu Visualisation des graphiques
Les diffrentes commandes excutes par ce menu sont dcrites ci dessous :
Entre u_id et sortie y_id :Trace les signaux dE/S sur lesquels portent lidentification ;
Sortie y_id et sortie estime y_sim_id : Trace la sortie relle du systme y_id et la sortie
estime y_sim_id avec les paramtres identifis et lentre du procd u_id.
Erreur y_id-y_sim_id : Trace lerreur commise entre les sorties relle et estime.
Sensibilit des paramtres : Trace la sensibilit du modle en fonction de chaque
paramtre identifi et de lentre u_id (en fait, la matrice jacobienne, jac). Le code des
couleurs retenu est le suivant :
Paramtre x(1) : bleu ;
Paramtre x(2) : rouge ;
Paramtre x(3) : noir ;
Paramtre x(4) : magenta ;
Paramtre x(5) : cyan ;
Paramtre x(6) : vert ;
Paramtre x(7) : jaune ;
Paramtre x(8) : blanc.
Auto corrlation du signal derreur : Trace lauto corrlation du signal derreur e(t) sur 2N
chantillons (son origine est donc labscisse N). On rappellera que lauto corrlation
dun bruit blanc est un Dirac.
Rponse frquentielle : A titre dinformation, cette commande permet de tracer les
rponses frquentielles (Black Nichols et Nyquist) du modle identifi, et non du systme
identifi (il faut tenir compte de la priode dchantillonnage, des erreurs de mesure et
structurelles pour associer ces reprsentations au systme identifi).
.3.1.6 - Menu Localisation des ples
Ce menu permet de visualiser la localisation des ples, des valeurs propres et des zros
propres du numrateur de la fonction de transfert. Comme nous lavons vu dans le chapitre 2,
la localisation des ples permet de conclure quant la stabilit du modle ; de mme, la
localisation des valeurs propres permet de conclure quant la commandabilit.
A partir des zros et des valeurs propres, il est possible dobtenir une rduction du
modle : une valeur propre
k
et un zro proches peuvent se simplifier en liminant une
cellule dans le modle retenu. Il ne faut cependant pas retrancher la cellule correspondant
k
au modle trouv, mais relancer une identification avec un nombre de modes restreint. Cette
notion de proximit reste dfinir pour chaque utilisateur, car il faut tenir compte des erreurs
de mesures, structurelles et de calcul.
.3.1.7 - Menu Essai de validation
Cette commande affiche la sortie de validation qui a t fournie en paramtre dentre
de la fonction (y_val). Elle affiche galement la sortie simule correspondant aux paramtres
identifis et lentre de validation u_val. Si la structure du modle est bonne pour tout le
systme, les deux courbes doivent tre similaires. Cette validit doit se faire sur un nombre de
points infrieur ou gal celui des fichiers didentification u_id et y_id.
Dans le cas o la validation ne serait pas concluante, il faut tenir compte dans la
structure du modle dautres phnomnes : intgrateur pur, valeur moyenne, non-linarit
Une connaissance plus complte du systme est donc ncessaire.
.3.2 - Exemples
Nous prsentons dans cette partie les rsultats obtenus lors de lidentification de deux
systmes dordre non entier, pour lesquels des fichiers dentre / sortie ont t crs avec et
sans bruit. Nous donnons, dans le 1
er
cas, certains rsultats intressants, notamment la
variation de lordre selon le nombre de cellules demand, et une rduction possible de
modle.
.3.2.2 - Exemple 1
Etude du transfert : H p
p p p
( )
.
. ..
.
.
=
+
+
+
+
+
14
0 3
1
1 2
08
35
(3.3.0)
Vecteur paramtres attendu : x = [ 1.4 e+000
-3.0 e-001
1 e+000
-1.2 e+000
8.0 e-001
-3.5 e+000
1 e+000 ]
Rsultats obtenus sans bruit : fit = 3.718605839944496e-007
Vecteur paramtres x = [ 1.402746659537193e+000
-3.003091837752490e-001
9.871997557358426e-001
-1.198629524305116e+000
8.061021772638902e-001
-3.442717792589622e+000
9.998046532396314e-001 ]
Rsultats obtenus avec bruit : fit = 9.965387097302912e-001
-3.077402017009535e-001
8.663782163192578e-001
-1.355355996326229e+000
6.906931427377794e-001
-2.397659525227029e+000
9.993461619639004e-001 ]
Ecart type = [ 6.734094806779445e-001
6.280462548790862e-002
1.653496214566030e+001
8.472164889250111e+000
1.703243926783275e+001
1.792702835847210e+001
3.111672459660793e-002 ]
Ces rsultats sont trs bons : on retrouve dans le 1
er
cas (non bruit) les valeurs avec
une erreur trs faible, et dans le 2
nd
cas, lcart type sur les paramtres est faible, plus
particulirement pour lordre lmentaire .
Les figures suivantes prsentent quelques rsultats fournis par le programme :
Figure 3.3.3 : Sorties relle (en bleu) et estime (en rouge) dans les cas non bruit (
gauche) et bruit ( droite) . Les rsultats parlent deux mme et on remarque que, dans le
1
er
cas, les deux courbes se superposent parfaitement .
Figure 3.3.4 : Sensibilits des paramtres dans les cas non bruit ( gauche) et bruit (
droite) .
Figure 3.3.5 : Localisation des ples, valeurs propres et zros propres . Les valeurs propres
qui apparaissent dans la figure de gauche (cas non bruit) sont identiques celles du
modle (3.3.0) et labesence de ple implique la stabilit du modle . Dans le 2
nd
cas
(bruit figure de droite), lexistance de ples parties relles ngatives implique elle aussi
la stabilit du modle .
Figure 3.3.6 : Localisation des ples pour 6 cellules recherches (relles et complexes) .
Les cercles en pointills indiquent les simplifications possibles (au nombre de trois) .
Lutilisateur va donc lancer une nouvelle identification avec uniquement 3 cellules de
recherche, o lon note quaucune simplification nest possible (Figure 3.3.5 ) .
Figure 3.3.7 : Autocorrlation du signal derreur . Pour rellement conclure sur ce dernier
(est-ce vraiment un bruit blanc), il faudrait tracer les domaines dincertitudes des
paramtres mais cette partie ne sera pas traite dans ce projet .
Figure 3.3.8 : Variation de lordre en fonction du nombre de cellules recherchs, dans le
cas non bruit (+ rouge) et bruit (+ vert) . Cet ordre est toujours voisin de 1 (qui est
lordre recherch), ce qui indique quil est bien caractristique du systme identifi .
Figure 3.3.9 : Validation des paramtres par un nouveau jeu de donnes E / S . Dans les
deux cas (non bruit gauche et bruit droite), les sorties relle et estime se
superposent . Les paramtres identifis sont donc valides .
0 50 100 150 200 250 300 350 400
-5
0
5
10
15
20
25
30
Entre (Cyan) et Sorties relle (bleue) et estime (rouge)
Echantillons
0 50 100 150 200 250 300 350 400
-10
-5
0
5
10
15
20
25
30
35
Entre (Noir) et Sorties relle (bleue) et estime (rouge)
Echantillons
Figure 3.3.3 - Sorties sans bruit (1) et avec bruit (2)
0 50 100 150 200 250 300 350 400
-20
-10
0
10
20
30
40
50
60
70
80
Sensibilit des diffrents paramtres
Echantillons
0 50 100 150 200 250 300 350 400
-40
-20
0
20
40
60
80
Echantillons
Figure 3.3.4 - Sensibilit paramtres sans bruit (1) et avec bruit (2)
-4 -3 -2 -1 0 1 2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Locali sation poles (+), zros propres(o) et valeurs propres(*)
Partie relle
Pa
rti e
i m
afi
nai
re
-2.5 -2 -1.5 -1 -0.5 0
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
Locali sation poles (+), zros propres (o) et valeurs propres (*)
Partie relle
Pa
rti
e
i m
afi
nai
re
Figure 3.3.5 - Localisation ples sans bruit (1) et avec bruit (2)
-8 -7 -6 -5 -4 -3 -2 -1 0
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
Locali sation poles (+), zros propres( o) et valeurs propres (*)
Partie relle
Par
ti e
i m
afi
nai
re
-9 -8 -7 -6 -5 -4 -3 -2 -1 0
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
Partie relle
Par
ti e
i m
afi
nai
re
Figure 3.3.6 - Rduction dordre possible sans bruit (1) et avec bruit (2)
0 100 200 300 400 500 600 700 800
-100
-50
0
50
100
150
200
250
300
350
400
Autocorrlation de l'erreur
Echantillons
Figure 3.3.7 - Auto corrlation du signal derreur
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Ordre lmentai re avec bruit (+ vert), sans brui t (+ rouge) et attendu (-. bleu)
Nombre de cellules
Figure 3.3.8 - Ordre lmentaire identifi en fonction du nombre de cellules
0 50 100 150 200 250 300 350 400
-5
0
5
10
15
20
25
Sortie relle bruite (bleue) et estime (rouge) et Entre (noir)
Echantillons
0 50 100 150 200 250 300 350 400
-5
0
5
10
15
20
25
Echantillons
Figure 3.3.9 - Essais de validation sans bruit (1) et avec bruit (2)
.3.2.3 - Exemple 2
Etude du transfert : H p
i
p i
i
p i p
( )
( . . ) ( . . ) ( )
. . .
=
+

+

+
+

1
05 0863
1
05 0863
2
1
0 5 0 5 0 5
(3.3.0)
Vecteur paramtres attendu : x = [ 1 e+000
1 e-001
5.0 e-001
-8.63 e-001
2 e+000
-1 e+000
5.0 e-001 ]
Rsultats obtenus sans bruit : fit = 3.478575225936230e-007
9.993649808170398e-001
4.992674644920433e-001
-8.633574146331506e-001
2.004583349458723e+000
-1.002352693391958e+000
5.004289171607343e-001 ]
Rsultats obtenus avec bruit : fit = 9.837107660323645e-001
1.007191301767899e+000
4.688303536161029e-001
-8.795754876201467e-001
1.949473261044552e+000
-9.836711203810657e-001
5.131521145948020e-001 ]
Ecart type = [ 1.509755422319813e-001
6.855077106252180e-002
6.744964567268431e-002
3.034071693028829e-002
3.923245374992237e-001
2.043392185751296e-001
3.724570406015562e-002 ]
Comme dans lexemple prcdent, on trouve des rsultats excellents dans le 1
er
cas (non
bruit) et tout fait corrects avec un faible cart type dans le 2
nd
cas (bruit) .
Les figures suivantes prsentent quelques rsultats intressants :
Figure 3.3.10 : Sorties relle et estime dans les cas non bruit (gauche) et bruit (droite) .
Figure 3.3.11 : Sensibilits des diffrents paramtres . La sensibilit de lordre reste importante
(en jaune) et celles des cellules complexes sont plus grandes que pour la cellule relle, ce qui
correspond aux calculs prsents chapitre 2.6 .
Figure 3.3.12 : Localisation des ples, valeurs et zros propres . Dans les deux cas, les rsultats
sont conformes ce qui est attendu et les conditions de stabilit et de commandabilit sont
respectes .
Figure 3.3.13 : Auto corrlation du signal derreur . Mmes remarque que dans lexemple 1 .
Figure 3.3.14 : Validation des paramtres par un nouveau jeu de donnes E / S .
0 50 100 150 200 250 300 350 400
-30
-20
-10
0
10
20
30
Entre (noir) et Sorties relle (bleue) et estime (rouge)
Echantillons
0 50 100 150 200 250 300 350 400
-30
-20
-10
0
10
20
30
Entre (Noir) et Sorties relle (bleue) et estime (rouge)
Echantillons
Figure 3.3.10 - Sorties sans bruit (1) et avec bruit (2)
0 50 100 150 200 250 300 350 400
-60
-40
-20
0
20
40
60
80
Echantillons
0 50 100 150 200 250 300 350 400
-80
-60
-40
-20
0
20
40
60
80
100
Echantillons
Figure 3.3.11 - Sensibilits paramtres sans bruit (1) et avec bruit (2)
-1.5 -1 -0.5 0 0.5 1 1.5 2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Partie relle
Par
ti e
i m
afi
nai
re
-1.5 -1 -0.5 0 0.5 1 1.5 2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Locali sation poles (+), zros propres(o) et valeurs propres (*)
Partie relle
Par
ti e
i m
afi
nai
re
Figure 3.3.12 - Localisation des ples sans bruit (1) et avec bruit (2)
0 100 200 300 400 500 600 700 800
-100
-50
0
50
100
150
200
250
300
350
400
Autocorrlation de l'erreur
Echantillons
Figure 3.3.13 - Auto corrlation du signal derreur
0 50 100 150 200 250 300 350 400
-2
0
2
4
6
8
10
12
14
Echantillons
0 50 100 150 200 250 300 350 400
-2
0
2
4
6
8
10
12
14
Echantillons
Figure 3.3.14 - Validation des paramtres sans bruit (1) et avec bruit (2)
.3.2.4 - Conclusion
Diffrents tests ont t effectus sur des systmes ordres entiers et non entiers, avec
des valeurs propres relles et / ou complexes. Dans tous les cas, le programme retrouve les
bons paramtres et lordre lmentaire varie peu si le nombre de cellules demand diffre de
celui utilis pour les fichiers de simulation. Cest lutilisateur de donner la bonne structure,
qui modlise au mieux le systme avec un minimum de paramtres. Il peut saider pour cela
des rsultats fournis par le programme (fit, sensibilit) mais les entres du systme se rvlent
aussi importantes. En effet, les valeurs propres relles influent surtout en basses frquences
(BF) alors que les valeurs propres complexes jouent un rle plus important en hautes
frquences (HF). Autrement dit, le signal u_id doit couvrir une bande passante tendue pour
identifier au mieux ces paramtres et diminuer les carts types correspondants. Dans les
exemples prcdents, nous utilisons en entre u_id un chelon unitaire dont le spectre
frquentiel est riche en BF (identifications des termes rels), suivi dun signal de type sbpa
avec un spectre frquentiel riche en HF (pour les termes complexes).
.3.3 - Applications
Dans cette partie, le programme est utilis dans le cadre de lidentification de plusieurs
procds rels :
Un systme thermique pour lequel on recherche le modle pour le transfert
temprature - flux thermique dun outil dusinage en fonctionnement ;
Un systme chimique, savoir une batterie au plomb, pour laquelle on tudie le
modle tension / charge.
Un systme biologique pour lequel un modle du transfert force dveloppe /
commande nerveuse est tudi, dans le cas du lapin.
.3.3.2 - Systme thermique
.3.3.2.1 - Introduction du non entier dans le domaine thermique [BATT99]
Lestimation de sollicitations thermiques (flux ou temprature) aux limites dun
systme concerne un important domaine dapplication en thermique instationnaire. La
rsolution de ces problmes est trs sensible aux erreurs de mesure. De plus, les
caractristiques du systme tudi qui apparaissent dans le modle de connaissance ((3.3.0)
(3.3.0)) ne sont pas toujours connues : la conductivit thermique, les coefficients dchange
Une des solutions consiste identifier ces caractristiques en mme temps queffectuer la
rsolution du problme, mais cette approche reste dlicate car le nombre de paramtres
devient grand et leur domaine de confiance restreint.
Rechercher le modle de comportement du (3.3.0) ne requiert aucune connaissance
pralable des caractristiques thermiques du systme. En contrepartie, cette identification
nest possible que si lon peut mesurer simultanment lvolution des sollicitations et les
tempratures en un ou plusieurs points dobservation du systme.
H p
A
p
k
k
k
N cell
( )
_
=
1
(3.3.0)
Dans cet expos, nous ne considrons quune seule sollicitation q(t) et un seul point
dobservation pour la mesure de la temprature T(t) dans le systme. Dans le cas o lordre de
drivation est entier, le modle est dit lui-mme entier. On constate dans certains cas, selon
la nature du systme mais aussi de la position du capteur, quun modle entier se rvle inapte
reproduire correctement lvolution de la temprature, mme avec un grand nombre de
paramtres. Ce phnomne peut sexpliquer en tudiant la diffusion de la chaleur dans un
milieu semi-infini soumis un flux de chaleur q(t) sur sa surface S. Les quations qui
rgissent le phnomne sont :
T x t
t
a
T x t
x
x t
( , ) ( , )
, , = < < >
2
2
0 0
(3.3.0)
= = >
T x t
x
q t
S
x t
( , ) ( )
, 0 0 (3.3.0)
T x t t x ( , ) , = = 0 0 0
(3.3.0)
Lapplication de la transforme de Laplace donne :
T p
p C S
p
a
x q p
p
( , ) exp ( ) 0
1
=
|
\
(3.3.0)
qui vaut au point dabscisse x=0 :
p T p
C S
q p
p
( , ) ( ) / 0
1
1 2 = = avec
(3.3.0)
Il apparat clairement une drivation non entire entre la temprature T(t) et le flux de
chaleur q(t) par lordre de drivation non entier =1/2. On peut, partir de la relation (3.3.0)
et de la transformation inverse de Laplace, dfinir lvolution de la temprature au point
dabscisse x=0 comme tant solution de lquation (3.3.0) :
D T t
C S
q t
p
1 2
0
1
/
( ( , )) ( ) =
(3.3.0)
Dautres dveloppements peuvent tre traits et font apparatre des ordres de
drivations entiers et non entiers lorsque le point de mesure est situ lintrieur du milieu.
.3.3.2.2 - Application un outil dusinage
Nous traitons dans cette partie un fichier dentre / sortie correspondant au
comportement thermique dun outil dusinage. Le modle recherch correspond la partie
traite prcdemment, autrement dit le transfert temprature T(t) sur le flux de chaleur q(t).
La figure 3.3.15 prsente la variation de lordre lmentaire en fonction du nombre
de cellules relles. Il apparat plus proche de 0.8 que de 0.5.
1 1.5 2 2.5 3 3.5 4
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Ordre trouv pour diffrents nombres de cellules +rouge:relles +vert:imaginaires
Nombre de cellules
Figure 3.3.15 - Ordre trouv pour diffrents nombres de cellules
La figure 3.3.16 prsente les sorties relle et estimes avec plusieurs cellules relles .
Le rsultat est satisfaisant ds que lon prend 2 cellules .
Lidentification est ralise avec 2 cellules complexes et 1, 2 et 3 cellules relles . La
localisation des valeurs propres et des zros pour les deux derniers modles (4 et 5 cellules
Figure 3.3.17 ) permet de rduire le nombre de cellules lmentaires . Le modle du systme
thermique est donc le suivant :
+ + +
+
=

+

+
+
+
=
366 . 0 84 . 2 15 . 3
467 . 0 269 . 0 55
) (
) 154 . 0 (
262 . 0
) 368 . 0 499 . 1 (
969 . 0 104 . 0
) 368 . 0 499 . 1 (
969 . 0 104 . 0
) (
824 . 0 65 . 1 47 . 2
824 . 0 65 . 1 3
824 . 0 824 . 0 824 . 0
p p p
p p e
p H
p i p
i
i p
i
p H
(3.3.0)
0 100 200 300 400
-0.1
0
0.1
0.2
0.3
Echantillons
Sorties pour 1 cellule relle
0 100 200 300 400
-0.1
0
0.1
0.2
0.3
Echantillons
Sorties pour 2 cellules relles
0 100 200 300 400
-0.1
0
0.1
0.2
0.3
Echantillons
0 100 200 300 400
-0.1
0
0.1
0.2
0.3
Echantillons
Figure 3.3.16 - Sorties relles et estimes pour plusieurs cellules relles
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Partie relle
Pa
rti e
i m
agi
nai
re
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Partie relle
Pa
rtie
im
agi
nai
re
Figure 3.3.17 - Rduction dordre pour 4 cellules (1) et 5 cellules (2)
Les carts types et le fit obtenus pour le modle (3.3.0) sont les suivants :
ecart type = [ 5.047572467729228e-003
5.264754910070386e-001
7.576115433769060e-002
1.678819045347000e-001
1.221065934059142e-002
4.130315600740284e-003
7.252358704802952e-003 ]
fit = 4.963342782909487e-007
Les valeurs sont trs faibles, ce qui indiquent que les paramtres retenus sont optimaux
pour la structure retenue. La sortie estime correspondante est donne Figure 3.18.
0 50 100 150 200 250 300 350 400
-0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
Entre (Cyan) et Sorties relle (bleue) et estime (rouge)
Echantillons
Figure 3.3.18 - Sorties relle et estime pour 3 cellules
Enfin, la Figure 3.3.19 prsente la localisation des valeurs propres et des zros
propres, ainsi que les sensibilits des diffrents paramtres . Labsence de ples implique la
stabilit du modle .
-1.5 -1 -0.5 0 0.5 1 1.5 2 2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
Localisation poles (ordre=1)(+), zros propres (o) et valeurs propres (*)
Partie relle
Pa
rtie
im
agi
nai
re
0 50 100 150 200 250 300 350 400
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
Echantillons
Figure 3.3.19 - Localisation valeurs propres et zros (1) et sensibilits (2)
.3.3.3 - Systme chimique
.3.3.3.1 - Introduction du non entier dans le domaine chimique [DARL97] [LEME83]
Les interfaces fractals sont caractrises pour leurs transferts dnergie et de matire
par leurs proprits gomtriques. Le concept de fractalit a t introduit par B.
MANDELBROT et concerne toutes les formes irrgulires (la courbe de VAN KOCH est un
des exemples les plus connus).
Lquation de fractalit, associe ces milieux, est la suivante :
N l
d d
= 0 (3.3.0)
o : est un pas de mesure ;
N est le nombre de pas associ qui mesure lobjet ;
d est la dimension entire ou non qui caractrise cet objet ;
l
0
est une longueur caractristique.
Le paramtre d est caractristique du milieu tudi ; dans le cas de la courbe de VAN
KOCK, d = log(4)/log(3).
Le concept de fractalit est trs intressant pour ltude des domaines physique et
chimique pour plusieurs raisons :
Les courbes fractales sont continues mais non drivables en tout point, proprit
qui a t observe dans le cas de plusieurs phnomnes physiques : mouvement
brownien, trajectoire des particules en physique quantique
La longueur de la courbe fractale dpend du pas de mesure , et diverge quand il
tend vers 0. Cest un des points caractristiques des structures poreuses et
htrognes.
De nombreux rsultats exprimentaux peuvent sexpliquer de faon plus
satisfaisante en tenant compte de la gomtrie fractale.
La dimension fractale peut tre nimporte quel nombre rel et a dj t utilise
pour expliquer de nombreux phnomnes physiques (digue poreuse, polymres )
o la dimension non entire apparat ncessaire.
Dans le cas dune interface fractal type batterie le flux total J(t) mis en jeu lors de
lchange des charges peut scrire :
J t L t t kL t x t ( ) ( ) ( ) ( ) ( ) = = (3.3.0)
o : L(t) est la mesure de linterface ;
(t) est le flux associ une masse m ;
X(t) est la force motrice qui drive du potentiel caractrisant linterface.
La transforme de Laplace associe lquation (3.3.0) est la suivante :
J p kL p x p ( ) ( ) ( ) = (3.3.0)
En appliquant la relation de Richardson sur lquation (3.3.0), la transformation inverse de
cette quation scrit :
D J t K x t
d
1
1
0
= ( ) ( )
(3.3.0)
La gomtrie de linterface joue donc un rle dterminant dans les processus de
transferts dnergie et de matire.
Plusieurs recherches ont t effectues sur les changes lectrochimiques. Il en ressort
quun modle mathmatique raliste dune batterie au plomb (de type lectrode poreuse) doit
inclure un transfert de charges cintique. Dans ce qui suit, les quations diffrentielles qui
rgissent les changes sont linarises et le milieu lectrode / interface est suppos semi-
infini. De plus, les transformes de Laplace sont approximes pour des temps courts et
moyens.
Les changes nergtiques sont rgis par les quations suivantes :
= +
= +
=
2
2
2
2
2
2
2
2
Z
J
J
Z
J Q
Z
r R
Z
s( )
(3.3.0)
o : est la concentration lectrolytique ;
Z est la distance ;
J est le flux total ;
s
est la concentration solide.
Lapplication de la transforme de Laplace sur les quations (3.3.0) donne :
p p
p
Z
J p
J p
Z
J p Q
p
Z p
J p
Z
p
B pY pY pY
QY pY
s s s
s s
( )
( )
( )
( )
( )
( )
( )
( )
( )
( cosh sinh )
sinh
= +
=
=

2
2
2
2 2
2
2
2
2 1
o
(3.3.0)
La solution est de la forme :
( )( )
( )( )
J Z p Ae
pE
Ap
E
e
E
p
Q p
p
Q p
p
p
p
A
E
p
p P p E p E
p PE p E
p
EZ
Z
E
( , )
/ /
/ /
= +
|
\
|
=
+ + + + + + +
|
\
|
+
|
\
|
|
\
|
|
|
|
=
+
+
|
\
|
|
=
+
|
\
1
2
1 1 4
1
1
1
1
2
1
2
2 2
2
1
1
2
avec :

(3.3.0)
La rsolution temporelle fait intervenir le thorme de Mellin-Fourier, et linversion de
la transforme de Laplace numrique entrane un mauvais conditionnement des matrices.
Dune faon gnrale, la rsolution de ces problmes reste complexe et peut fiable.
.3.3.3.2 - Application une batterie au plomb
Dans le cadre de ce projet, il est tudi le transfert Tension / Charge dune batterie au
plomb. En effet, compte tenu de ce qui a t dit auparavant, nous pensons quil est possible de
dfinir un transfert du type (3.3.0) entre la tension u(t) aux bornes de la batterie et la charge q
(t) lie la dcharge de celle-ci dans une charge rsistive (en fait, lintgration du courant
fourni par la batterie).
Le modle retenu est donn en (3.3.0) . Les carts types associs aux paramtres et le
fit sont les suivants :
ecart type = [ 1.064590226738384e+000
2.148480283333057e+000
6.450055178775215e+000
7.887458440119089e+000
2.024834896885722e+000
1.214639095523326e+001
1.576842218993291e-003 ]
fit = 3.802061499184303e-004
+ + +

=
+
+

+

+
=
6 . 14 1 . 16 2 . 6
192 77 . 0 38 . 0
) (
8 . 1
42
) 8 . 1 2 . 2 (
2 . 0 2 . 0
) 8 . 1 2 . 2 (
2 . 0 2 . 0
) (
955 . 0 91 . 1 865 . 2
6 955 . 0 91 . 1
955 . 0
3
955 . 0 955 . 0
p p p
e p p
p H
p
e
i p
i
i p
i
p H
(3.3.0)
La Figure 3.3.20 prsente les sorties relles et estimes avec le modle (3.3.0) . Les
rsultats sont moins intressants que dans le cas thermique, mais le sont tout de mme plus
quavec un modle entier.
La Figure 3.3.21 prsente la localisation des ples, valeurs propres et zros propres,
ainsi que la sensibilit des diffrents paramtres. Compte tenu de lentre u_id du systme
ainsi que des sensibilits de chaque paramtre (voir chapitre 2.6), les coefficients ont une
sensibilit plus importante dans le modle que les valeurs propres. Un zro proche de 0
indique un drivateur lordre = 0.955 dans le modle.
0 100 200 300 400 500 600 700 800 900 1000
-1.2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
Sortie relle (bleue) et estime (rouge)
Echantillons
0 200 400 600 800 1000 1200 1400 1600 1800 2000
-1.4
-1.2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
Echantillons
Sorties relle (bleue) et estime (rouge)
Figure 3.3.20 - Sorties relle(rouge) et estime(bleue) didentification(1) et de validation(2)
-3 -2.5 -2 -1.5 -1 -0.5 0
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
Placement poles (+), zros propres (o) et valeurs propres (*)
Partie relle
P
a
r
t
i
e

i
m
a
g
i
n
a
i
r
e
0 100 200 300 400 500 600 700 800 900 1000
-2000
0
2000
4000
6000
8000
10000
12000
14000
16000
18000
Echantillons
Figure 3.3.21 - Localisation des ples (1) et sensibilit des paramtres (2)
.3.3.4 - Systme biologique
.3.3.4.1 - Introduction du non entier dans le domaine biologique [CLAU97] [GARN98]
Le phnomne de fractalit nest pas spcifique au domaine lectrochimique mais peut
tre largi dautres domaines, tel que le domaine biologique. En effet, des travaux rcents de
G. ARSOS et P. DIMITRIU de la facult de mdecine de Thessalonique (Grce) dmontrent
la distribution fractale des fibres musculaires (par type de fibres). Ils confirment ainsi les
rsultats de A.J. GITTER, G.J. ANNUTH et Do et Gary GOLBERG qui montrent que le
signal lectromyographique (E.M.G.) prsente une dimension fractale comprise entre 1 et 2,
dont la valeur dpend linairement du niveau dexcitation du muscle (d = 1.13 pour 10%
MVC et d = 1.43 pour 100% MVC MVC pour Contraction Volontaire Maximum) .
La dualit rcursivit drivation non entire mise en vidence au dbut des annes 80
(A. OUSTALOUP) nest certes pas trangre la rcursivit gomtrique qui caractrise la
fractalit.
De plus, on sait depuis de nombreuses annes que certains comportements complexes
peuvent tre dcrits par des quations diffrentielles (pouvant de plus comporter des retards)
ou des quations aux diffrences, dont la structure est relativement simple. En biologie
mathmatique, on sait que de nombreuses pathologies peuvent tre associes de simples
variations paramtriques, sans modification de la structure des quations considres. Il faut
cependant tenir compte des interactions multiples entre les divers systmes internes dun
organisme vivant et de linfluence dactions externes. Une modlisation possible de certains
systmes biologiques consiste privilgier le point de vue quil sagit de systmes
commands, en dfinissant les entres qui agissent rellement sur le systme et en indiquant
les sorties que lon souhaite observer.
Un systme biologique peut donc tre modlis avec une structure diffrentielle de
type (3.3.0), avec peu de paramtres si lon se restreint des plages de fonctionnement en
rapport avec les volutions considres ou souhaites. Cependant, les commandes ne peuvent
pas tre de structure arbitraire et il est impratif de nutiliser que des commandes
reprsentatives des messages biologiques perus ou mis naturellement.
.3.3.4.2 - Application un muscle de la patte dun lapin
Dans le cadre de ce projet, nous souhaitons mettre en vidence le caractre non entier
qui apparat dans le transfert force musculaire / commande nerveuse, dans le cas dun muscle
de la patte dun lapin. Pour se faire, nous relevons la commande nerveuse associe au muscle
tudi (le perroneus longus), puis le rinjectons en relevant la force musculaire dveloppe par
le muscle. Deux types de relevs peuvent tre obtenus : isomtriques ( longueur constante) et
isotoniques ( vitesse constante). Ces derniers sont relativement complexes obtenir.
Diffrents problmes sont apparus lors de ces expriences et, lheure actuelle, aucun
relev nest encore disponible. Nous prsentons dans cette partie les rsultats obtenus en
utilisant les relevs correspondant aux expriences de lan dernier dans [GARN98].
Aprs rduction de modle et plusieurs types de structures tests, le modle retenu est
le suivant :
+ + +
+ +
=

+
+

+

+
=
17953 1702 52
62502 1396 83 . 5
) (
) 9 . 15 (
52
) 28 18 (
19 23
) 28 18 (
19 23
) (
97 . 0 9 . 1 9 . 2
97 . 0 9 . 1
97 . 0 97 . 0 97 . 0
p p p
p p
p H
p i p
i
i p
i
p H
(3.3.0)
Les carts types et le fit associs sont :
ecart type = [ 2.528535687589530e+000
1.007807547697631e+001
1.323795486602663e+001
9.147313867980316e+000
7.052842617449644e+000
2.558569563614419e+000
1.178438985186407e-001 ]
fit = 3.277328253307306e-006
La Figure 3.3.22 prsente la localisation des ples, valeurs propres et zros propres du
modle retenu, ainsi que les sensibilits de chaque paramtre. Les ples sont partie relle
ngative ce qui implique la stabilit du systme. De plus, les valeurs propres trs proches des
ples indiquent que lordre de drivation est proche de 1. Un paramtre a sa sensibilit plus
importante que tous les autres : lordre de drivation . Autrement dit, son importance est
relativement grande pour le modle.
La Figure 3.3.23 prsente les sorties relle (bleue), estime avec notre programme
didentification par modes propres en noir et par le programme arx avec des ordres de
drivation entier en rouge (sous forme dveloppe). On remarque tout dabord que le signal
estim avec des ordres entiers ne suit le signal rel que sur lchelon u(t) (cyan) niveau haut u
(t) = 0.1 -, et que le signal estim avec les modes propres modlise bien la sortie musculaire.
Comme nous lavons vu dans les parties prcdentes, une entre type chelon unitaire pose
des problmes pour lidentification, et nous pouvons parfaitement modliser un systme
biologique avec un modle du type (3.3.0), qui fait intervenir les drives dordres non entiers
des entre et sortie de ce systme ainsi que ses valeurs propres.
-180 -160 -140 -120 -100 -80 -60 -40 -20 0
-40
-30
-20
-10
0
10
20
30
40
Placement poles (+), zros propres (o) et valeurs propres (*)
Partie relle
P
a
r
t
i
e

i
m
a
g
i
n
a
i
r
e
0 100 200 300 400 500 600
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
Echantillons
Figure 3.3.22 - Localisation des ples (1) et sensibilit des paramtres (2)
0 100 200 300 400 500 600
-0.02
0
0.02
0.04
0.06
0.08
0.1
Entre (Cyan) et Sorties relle (bleue) et estimes : arx entier (rouge) modes propres (noir)
Echantillons
Figure 3.3.23 - Sorties relle (bleue), estimes ARX entier (rouge) et modes propres (noir)
.3.3.5 - Conclusion
Le programme didentification donne des rsultats intressants pour les domaines
thermiques (temprature / flux de chaleur pour un outil dusinage) et biologique (force
musculaire / commande nerveuse pour le perroneus longus de la patte dun lapin), mais moins
performants dans le cas du systme chimique (tension / charge pour une batterie au plomb).
Rechercher un transfert du type (3.3.0) pour les systmes thermique et biologique peut
sexpliquer facilement, compte tenu de ce qui a t vu dans les parties prcdentes
(Introduction du non entier dans les domaines thermique et biologique), mais, dans le cas de la
batterie, nos connaissances ne sont pas suffisamment approfondies pour pouvoir conclure
quant aux rsultats obtenus. En effet, le modle mathmatique final peut faire intervenir des
non-stationnarits, non-linarits ou bien des ordres de drivation diffrents, qui ne sont pas
pris en compte dans le modle retenu. Une recherche thorique plus importante doit tre
mene dans ce sens afin de valider les rsultats, ou du moins les comprendre.
CONCLUSION ET PERSPECTIVES
A lheure actuelle, le programme didentification par ordre non entier et modes propres
fonctionne correctement. Diffrents tests ont t mens bien et conduisent des rsultats trs
satisfaisants. Un des principaux avantages de la mthode propose est que lidentification des
modes du systme permet de conclure rapidement quant la stabilit et la commandabilit de
ce dernier. De plus, aucune connaissance priori du modle nest ncessaire, mais il faut
quand mme tre sr que le systme peut tre modlis par un transfert du type (3.3.0) .En
effet, comme nous lavons vu dans le chapitre 2, aucun modle unique ne peut reprsenter
tous les signaux et systmes existants. De plus, il faut pouvoir accder aux entres et sortie du
systme tudi, chose qui nest pas toujours possible. La valeur de lordre lmentaire est
optimale, mais elle ne correspond cependant pas forcment la valeur thorique attendue. De
nombreux dveloppements thoriques et une bonne connaissance du systme sont
indispensables si lon veut trouver une signification aux paramtres identifis.
Un des inconvnients majeurs de cette mthode rside dans le temps de calcul qui, de
par lutilisation dalgorithmes non linaires, est beaucoup plus consommatrice de temps que
les mthodes existantes de type moindres carrs. Ce temps est dautant plus long que le
nombre de cellules lmentaires et le nombre de points didentification augmente. Cependant,
avec les progrs informatiques, ce problme reste relatif.
Les perspectives au travail dj ralis sont nombreuses et ce dans diffrents
domaines.
Dans le domaine biologique, les paramtres peuvent caractriser le muscle et leurs
volutions peuvent dcrire sa fatigue musculaire ; [DELS97]
Dans le domaine thermique o le modle permet une meilleure approche des changes
thermiques pice / outil dusinage et donc une commande optimale ; [BATT99]
Dans le domaine chimique o la dynamique dchange des charges entre une lectrode et
un lectrolyte peut tre modlise par un modle dordre non entier. [DARL97]
De plus, au point de vue thorique, il pourra tre intressant dlargir cette mthode
didentification des systmes multi-variables.
Bibliographie
BIBLIOGRAPHIE
[BATT99] J.L. BATTAGLIA / O. COIS / A OUSTALOUP / L. LE LAY / J.C. BASTALE
Utilisation de modles didentification non entiers pour la rsolution de
problmes inverses en conduction Accept pour publication Journal of
thermal sciences - 1999
[CLAU97] D. CLAUDE Modlisation et commande de systmes biologiques Journes
dtudes Automatique et sant Montpellier LIRMM - Juin 1997
[COIS98] 0. COIS Contribution la dfinition de la reprsentation dtat gnralise
D.E.A. Automatique L.A.P. Talence 1998
[DARL97] DARLING / NEWMAN On the short behavior of porous intercalation
electrodes J. Electrochimical Society Vol.144 N9 - 1997
[DELS97] DELSYS The EMG signal as a fatigue index deslsys.com - 1997
[GALA96] GALACTIC Curve fitting by non-linear least squares galactic.com - 1996
[GARN98] E.GARNIER Identification dun systme biologique par modle non-entier -
D.E.A. Automatique L.A.P. Talence 1998
[LAND96] I.D. LANDAU Identification et commande de systmes Herms - 1993
[LECL196] LECLERC / QUINQUIS Signaux et systmes en questions : Le signal
alatoire Herms - 1996
[LECl296] LECLERC / QUINQUIS Signaux et systmes en questions : Le signal
dterministe Herms - 1996
[LELAY98] L. LE LAY Identification frquentielle et temporelle par modle non-entier
Thse en Automatique L.A.P. Talence - 1998
[LEME83] A. LE MEHAUTE / G.CRESPY Introduction to transfer and motion in
fractal media. The geometry of kinetics Solid State Ionics N9 - 1983
[LJUNG87] L. LJUNG System identification : Theory for the user Prentice Hall
Englewood Cliffs - 1987
[MARQ63] D. MARQUARDT An algorithm for Least-square estimation of nonlinear
parameters SIAM Vol.11 N2 - Juin 1963
[NINN95] NINNESS / GOODWIN Estimation of Model Quality Automatica Vol.31
N 12 - 1995
Bibliographie
[OUST95] A. OUSTALOUP La Drivation non entire Herms - 1995
[PRESS88] PRESS / FLANERY Numerical Recipes in C Cambridge University Press -
1988
[SODE87] SODERSTROM / STOICA System Identification Prentice Hall
International Hertford Shire - 1987
[SPIE95] M.R. SPIEGEL Probabilits et statistiques Schaum - 1995
[SUEUR97] SUEUR / BORNE Automatique des systmes continus Technip - 1997
[TRIG88] J.C. TRIGEASSOU Recherche de modles exprimentaux assist par
ordinateur Technique et Documentation Lavoisier - 1988
[WALT94] E. WALTER Identification de modles paramtriques partir de donnes
exprimentales Masson 1994
Rsum
Certains systmes naturels tels que les systmes biologiques et thermiques sont
difficilement identifiables par un modle entier possdant peu de paramtres. Pour cette
raison, des mthodes didentification par modle non entier ont t dveloppes au sein de
lquipe CRONE. Ce projet consiste dvelopper des mthodes didentification par modle
non entier, bases sur lidentification des modes propres du systme. Lalgorithme mis en
uvre optimise la fois les valeurs propres, les ordres non entiers correspondants et la
constante multiplicative. Une application directe du programme didentification est prsente
pour des systmes thermique (outil dusinage), biologique (muscle de patte de lapin) et
chimique (batterie au plomb).
Mots - cls
Identification ; Modles non entier ; Reprsentation dtat gnralise ; Modes
propres ; Algorithmes non linaires ; Fractalit ; Systmes biologique, chimique et thermique.

Rapport Dea Ebattaglia 07 1999

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Rapport Dea Ebattaglia 07 1999

Transféré par

Droits d'auteur :

Formats disponibles

Ministre de l'Education Nationale de l'Enseignement Suprieur et de la Recherche

Universit Bordeaux I / ENSERB

x(t) concernent la rsolution dquations

La fonction de distribution jointe :

Deux v. a. discrtes x et y sont indpendantes ssi : f x y f x f y ( , ) ( ) * ( ) = 1 2

." * trouve se que chance de % a y Il "

x(t) est dfini, dans le cas discret, par :

Vous aimerez peut-être aussi