Seydou Hassane Ramatou 2012 PDF

Universit Bordeaux 1
Les Sciences et les Technologies au service de lHomme et de lenvironnement

N d'ordre : 4669
THSE

prsente

LUNIVERSIT BORDEAUX 1
COLE DOCTORALE DES SCIENCES PHYSIQUES ET DE LINGENIEUR
par
Ramatou SEYDOU

pour obtenir le grade de

DOCTEUR
SPCIALIT : AUTOMATIQUE

Contribution au dveloppement des techniques ensemblistes pour
lestimation de ltat et des entres des systmes temps continu :
application la dtection de dfauts.

Soutenue le 4 Dcembre 2012

Aprs avis des rapporteurs :

Jos RAGOT Professeur, INPL, Nancy
Vincent COCQUEMPOT Professeur, Universit Lille 1

Devant la commission dexamen forme de :

Jos RAGOT Professeur, INPL, Nancy Rapporteur
Vincent COCQUEMPOT Professeur, Universit Lille 1 Rapporteur
Denis EFIMOV Charg de Recherche, INRIA Lille Examinateur
David HENRY Professeur, Universit de Bordeaux Examinateur
Ali ZOLGHADRI Professeur, Universit de Bordeaux Directeur
Tarek RASSI Matre de Confrences, HDR, CNAM, Paris Co-directeur

Laboratoire de lIntgration du Matriau au Systme (IMS - UMR CNRS 5218)
Universit Bordeaux I - 351 cours de la Libration - 33405 TALENCE cedex - FRANCE
http://www.ims-bordeaux.fr
Universit Bordeaux 1
Les Sciences et les Technologies au service de lHomme et de lenvironnement

A mon mari et notre fille Inaya,

A mes parents

ii

Si tu en es capable, soit un savant,
si tu ne peux pas soit alors un tudiant,
si tu ne peux pas alors aimes-les,
si tu ne peux pas ne les dtestes pas

Omar ibn Abd el 'Aziz

iii
Remerciements

Je souhaite remercier en premier lieu mon directeur de thse, Pr. Ali ZOLGHADRI, Responsable
de lquipe ARIA (Approche Robuste et Intgre de lAutomatique), pour m'avoir accueilli au
sein de son groupe. Je lui suis galement reconnaissante pour sa disponibilit, ses qualits
pdagogiques et scientifiques. J'ai beaucoup appris ses cts et je lui adresse toute ma gratitude.

J'adresse mes sincres remerciements mon co-directeur de thse, Tarek RASSI, Matre de
Confrences et HDR, pour tous les prcieux conseils qu'il m'a donns et pour la confiance qu'il
m'a tmoigne.

Je voudrais remercier les rapporteurs de cette thse : Prs. Jos RAGOT (INPL-CRAN, Nancy) et
Vincent COCQUEMPOT (LAGIS, Lille) pour l'intrt qu'ils ont port ma thse.

J'associe galement ces remerciements M. David HENRY, Professeur de lUniversit Bordeaux
1 et M. Denis EFIMOV, Charg de Recherche (INRIA, Lille) pour avoir accept d'examiner mon
travail. Je noublie pas M. Christophe COMBASTEL, Matre de Confrences (ENSEA, Cergy-
Pontoise) que je remercie pour sa collaboration et son aide prcieuse.

Je tiens remercier tous mes camarades du laboratoire pour les conseils (venant des anciens qui
sont tous partis) et la bonne humeur (les anciens et les jeunes) dans laquelle se sont droules ces
trois annes.

Enfin je remercie les membres de ma famille pour leur soutien au cours de ces longues annes
d'tudes et sans lesquels je n'en serai pas l aujourd'hui.

Toutes mes amitis et ma profonde reconnaissance Annie et Michel SUBIT, Batrice et
Dominique de LAITRE, Annie et Grard CHATELAIN pour leur gentillesse et les instants
formidables passs avec Inaya.

iv
Notations

Matrice identit de dimension .

Matrice de dimension dont tous les lments sont gaux 1.

x, x = x
, x
Bornes suprieure et infrieure dun intervalle x.

|| Norme euclidienne (valeur absolue) dun vecteur x.

Norme 2 dun vecteur x.

Noyau dun morphisme.

(. ) Espace, sous-espace vectoriel engendr par les arguments (. ).

H
2
/H
Normes H
2
et H infinie dune matrice de transfert.

Corps des nombres rels.

Ensemble des nombres rels positifs.

Ensemble des vecteurs rels de dimension .

Classe des fonctions infiniment drivables.

Ensemble des vecteurs y tels que = max (|
|, , |
|) < .

v
Table des matires
Remerciements ............................................................................................................................. iii
Introduction gnrale ................................................................................................................... 10

Chapitre 1 Redondance analytique et estimation dentres via lanalyse par intervalles ..... 14
1. Introduction .......................................................................................................................... 14
2. Espace de parit .................................................................................................................... 15
2.1 Systmes linaires temps discret ................................................................................ 15
2.2 Formulation dans le cas des systmes linaires temps continu ............................... 18
2.3 Formulation dans le cas des systmes non linaires temps continu ........................ 23
3. Inversion ensembliste et satisfaction de contraintes ......................................................... 32
3.1 Inversion ensembliste ..................................................................................................... 33
3.2 Satisfaction de contraintes ............................................................................................. 35
4. Estimation dentres par la rsolution de CSPs ................................................................ 39
4.1 Diffrentiation numrique pour lestimation des drives ......................................... 40
4.2 Technique destimation dentres ................................................................................. 43
4.3 Cas des systmes plats .................................................................................................... 45
5. Application la dtection de pannes actionneur dans un systme hydraulique de
laboratoire ................................................................................................................................. 46
5.1 Modlisation et platitude du systme ........................................................................... 46
5.2 Estimation dentres et dtection de dfauts ............................................................... 48
6. Application un systme aronautique ............................................................................. 54
6.1 Introduction .................................................................................................................... 54
6.2 Description du systme .................................................................................................. 55
6.3 Reconstruction de lentre u et tests de consistance .................................................... 58
7. Conclusion ............................................................................................................................. 66

Chapitre 2 Observateurs intervalles et modes glissants ........................................................... 67
1. Introduction .......................................................................................................................... 67

vi
2. Observateurs intervalles classiques .................................................................................... 69
2.1 Dfinitions de base .......................................................................................................... 70
2.2 Observateurs intervalles ................................................................................................ 71
2.3 Systmes linaires une injection de sortie prs ......................................................... 72
2.4 Observateurs intervalles pour des systmes LPV ou qLPV ....................................... 77
3. Observateurs mixtes ............................................................................................................. 83
3.1 Observabilit et dtectabilit fortes .............................................................................. 84
3.2 Observateur mixte .......................................................................................................... 86
4. Conclusion ........................................................................................................................... 102

Chapitre 3 Relaxation des observateurs intervalles ................................................................ 103
1. Introduction ........................................................................................................................ 103
2. Relaxation des observateurs intervalles ........................................................................... 104
2.1 Position du problme ................................................................................................... 104
2.2 Observateur intervalle pour les systmes LTI asymptotiquement stables ............. 104
2.3 Transformation des systmes LTI : Formulation de Sylvester ................................ 111
2.4 Cas des systmes non linaires .................................................................................... 113
2.5 Observateur intervalle pour des systmes variant dans le temps ............................ 124
3. Conclusion ........................................................................................................................... 132

Conclusion gnrale et perspectives ......................................................................................... 133
Annexe A ..................................................................................................................................... 136
Dfinitions mathmatiques .................................................................................................... 136
Thormes ............................................................................................................................... 139
Annexe B ..................................................................................................................................... 141
Gnralits sur les modes glissants ................................................................................... 141
Annexe C ..................................................................................................................................... 146
Analyse par intervalle : outils de base .............................................................................. 146
Satisfaction de contraintes ................................................................................................. 153
Bibliographie ............................................................................................................................... 156

vii

Liste des tableaux

Tableau 1.1. Tableau synthtique des quations de parit ....................................................... 31
Tableau 1.2. Cas de dfauts simuls sur les pompes P
1
et P
2
.................................................... 50
Tableau 1.3. Rsultats de la dtection. ....................................................................................... 53
Tableau 1.4 Dlais de dtection dans diffrentes situations dembarquement, =
. ............................................................................................................................... 63
. ............................................................................................................................... 63
Tableau 1.6 Dlais de dtection dans diffrentes situations de grippage =
. ............................................................................................................................... 65
. ............................................................................................................................... 65
Tableau 2.1. Valeurs des paramtres pour le pendule invers et lobservateur associ. ....... 98

viii
Liste des figures

Figure 1.1. Forme triangulaire infrieure (27)-(29) .................................................................. 27
Figure 1.2. Maquette 3-tanks ...................................................................................................... 46
Figure 1.3 Reconstruction des domaines de lentre et du dfaut . ............................ 51
Figure 1.4 Reconstruction des domaines de lentre et du dfaut . ............................ 51
Figure 1.5 Dtection de dfauts sur ....................................................................................... 52
Figure 1.6 Dtection de dfaut sur . ....................................................................................... 53
Figure 1.7 Chane dasservissement de la gouverne de profondeur intrieure ...................... 54
Figure 1.8 Modle physique de lactionneur hydraulique ........................................................ 55
Figure 1.9 volution de la position dune gouverne en cas dembarquement rapide/lent
et en situation de grippage ................................................................................................... 58
Figure 1.10 Domaine reconstruit de lordre, scnario dembarquement. ............................... 62
Figure 1.11 Zoom sur le domaine reconstruit de lordre, scnario dembarquement. .......... 62
Figure 1.12 Domaine reconstruit de lordre, scnario de grippage. ........................................ 64
Figure 1.13 Zoom sur le domaine reconstruit de lordre, scnario de grippage. ................... 64
Figure 2.1 Schma rcapitulatif de lobservateur mixte. .......................................................... 92
Figure 2.2 Pendule invers sur un chariot mobile ..................................................................... 96
Figure 2.3. Domaine estim de ltat avec lobservateur mixte. ......................................... 99
Figure 2.4. Zoom sur le domaine estim de ltat . ............................................................... 99
Figure 2.5. Domaine estim de ltat avec lobservateur mixte. ....................................... 100
Figure 2.6 Domaine estim de ltat avec la construction de systmes bornants. ........... 101
Figure 2.7 Domaine estim de ltat avec la construction de systmes bornants. ........... 101
Figure 3.1 Estimation des bornes pour . .............................................................................. 123
Figure 3.2 Estimation des bornes pour . ............................................................................. 123

ix
Publications de lauteur

Confrences internationales

- Seydou, R., Rassi, T., Zolghadri, A. and Henry, D. (2010). Fault detection in flat systems
by constraint satisfaction and input monitoring. 8th European Workshop on Advanced
Control and Diagnosis, Ferrara-Italy.

- Seydou, R., Rassi, T. and Zolghadri, A. (2011). Robust state estimation for flat systems
using set-membership techniques. 18th IFAC World Congress, August 28 - September 2,
2011, Milano-Italy, 7450-7455.

- Seydou, R., Rassi, T., Zolghadri, A. and Henry, H. (2011). Change detection in flat
systems by constraint satisfaction techniques. 18th IFAC World Congress, August 28 -
September 2, 2011 Milano-Italy, 12009-12014.

- Seydou, R., Rassi, T., Zolghadri, A, Efimov, D. and Combastel, C. (2012). Robust Fault
Diagnosis with Interval Continuous-time Parity Equations. 8th IFAC International
Symposium on Fault Detection, Supervision and Safety of Technical Processes, August
2012, Mexico City, Mexico.

- Efimov, D., Fridman, L., Rassi, T., Zolghadri, A. and Seydou, R. (2012). Application of
Interval Observers and HOSM Differentiators for Fault Detection. 8th IFAC International
Symposium on Fault Detection, Supervision and Safety of Technical Processes, August
2012, Mexico City, Mexico.

Revues internationales

- Seydou, R., Rassi, T., Zolghadri, A and Efimov, D. (2013). Actuator fault diagnosis for
flat systems: A constraint satisfaction technique. The International Journal of Applied
Mathematics and Computer Science (AMCS), 23(1).

- Efimov, D., Fridman, L., Rassi, T., Zolghadri, A and Seydou, R. (2012). Interval
estimation for LPV systems applying high order sliding Mode techniques. Automatica,
48, 23652371.
Introduction gnrale

10
Introduction gnrale

Le problme d'observation et d'estimation des variables caractristiques d'un systme dynamique
est au cur de nombreux problmes relevant des sciences de l'ingnieur. Dans le champ
disciplinaire de l'Automatique, ce problme constitue une tape fondamentale pour la synthse
des systmes de commande et de diagnostic base de modle, ou pour l'analyse du
comportement dynamique des systmes ouverts ou ractifs.

Historiquement, ces problmes ont t souvent formaliss dans un contexte baysien o des
composantes stochastiques affectant le comportement dynamique du systme sont caractrises
par leurs moments d'ordre un et deux (et dans certains cas, des moments d'ordre suprieur). Le
filtre de Kalman et ses variantes, largement utiliss et rpandus dans la littrature, en sont
l'exemple par excellence : les incertitudes sur l'tat et l'observation sont caractrises par des
entres stochastiques. Dans le cas linaire, et si les hypothses stochastiques faites sont vrifies,
le filtre de Kalman fournit une estimation optimale de ltat au sens de minimum de variance. Ce
problme devient plus dlicat lorsque lon sintresse aux systmes non linaires. Dans ce cas,
lon dispose en gnral que des solutions portant sur des formes particulires de modles des
systmes non linaires. Dans le cas gnral, une approximation des quations de filtrage est
ncessaire pour aboutir une solution utilisable sur le plan pratique. Dans certains cas, les erreurs
dues la linarisation du modle non linaire ou aux dynamiques ngliges sont difficilement
modlisables par des distributions stochastiques.

Une autre vision pour aborder les problmes dobservation et destimation correspond au
contexte erreurs inconnues mais bornes . Les premiers travaux fondateurs dans ce domaine
remontent au dbut des annes 1970 [135], poque o le monde de lestimation tait largement
domin par linfluence de lcole de Kalman. Lide de base repose sur la propagation
dincertitudes bornes afin de fournir une couverture ensembliste minimale des variables que lon
cherche caractriser ou estimer.

Lapproche ensembliste pour lestimation des variables dun systme apporte des solutions la
fois au problme de prcision des oprations de calcul et la prise en compte des incertitudes et
perturbations externes afin de garantir les rsultats fournis. Dans ce cas, les perturbations et
incertitudes sont considres comme appartenant des domaines ou ensembles borns. Le choix
dune forme gomtrique dcrivant ces ensembles est dtermin par la nature linaire ou non du
systme. Ainsi pour des systmes linaires, des ensembles tels que les zonotopes [2] ou les
Introduction gnrale

11
ellipsodes [20] seront privilgis alors que les intervalles ([127], [156], [88]) seront prfrs dans
le cas non linaire.
Lestimation dtat dans un contexte erreurs bornes constitue alors une alternative o lobjectif
est de caractriser chaque instant, dune manire garantie, toutes les valeurs du vecteur dtat
compatibles avec les mesures et avec les bornes derreurs supposes connues a priori.
Lestimation dtat dans un contexte erreurs bornes a t largement traite pour des modles
linaires temps discret (voir par exemple [27], [135]) o lensemble des solutions compatibles
avec les mesures et avec les bornes derreur est un polydre convexe qui peut tre exactement
dtermin lorsque la dimension du vecteur dtat est faible. Pour les systmes non linaires
([127], [77]), des techniques destimation dtat ont t dveloppes grce lanalyse par
intervalles ([146], [116], [60]) et la propagation des contraintes ([117], [72], [73], [71], [18],
[25], [100]). Elles sont rparties suivant deux approches :

La premire ([74], [127]) est base sur le mcanisme prdiction/correction comme dans le
filtre de Kalman. La prdiction consiste dterminer le domaine admissible de ltat
linstant
ayant un encadrement
en effectuant une rsolution numrique garantie

dune quation diffrentielle ordinaire (EDO) incertaine [121]. Lors de la phase de
correction, lensemble prdit est contract en supprimant un ensemble de valeurs du
vecteur dtat incohrentes avec les mesures prleves linstant
.

La deuxime approche (voir par exemple [115], [55], [10]) est base sur une structure en
boucle ferme o le gain de lobservateur est choisi afin dimposer une dynamique
cooprative pour lerreur dobservation [55]. Dans ce cas, des bornes infrieure et
suprieure du domaine dtat peuvent tre dtermines tout en matrisant le conservatisme
d lanalyse par intervalles.

Il existe diffrentes approches destimation dentres inconnues, souvent pour des systmes
linaires. On peut distinguer deux grandes classes dobservateurs entres inconnues : les
observateurs bass sur une connaissance a priori dun modle des entres inconnues et les
observateurs bass sur des changements de coordonnes permettant de saffranchir totalement ou
partiellement des entres inconnues. Cette dernire catgorie utilise alors des observateurs
dordre rduit, dordre plein ou des observateurs modes glissants coupls des techniques
didentification.

Lestimation des entres se rvle trs utile pour la dtection des dfauts actionneurs additifs ou
multiplicatifs. Cest dailleurs lobjet de la premire partie de cette thse qui se place globalement
dans un contexte erreurs bornes et se dcline en deux grandes parties. Notre premire
Introduction gnrale

12
contribution porte donc sur lestimation dentres avec des techniques de satisfaction de
contraintes pour le contrle de cohrence des systmes non linaires temps continu.
Lestimation dtat ralise grce aux observateurs intervalles est lobjet de la deuxime partie
de ce manuscrit. Notre contribution en la matire rside principalement dans llargissement de la
classe des systmes pour lesquels il est possible de construire des observateurs intervalles et en
leur amlioration grce une association aux observateurs modes glissants. Cette association
permet de tirer profit de deux approches robustes : observateurs intervalles et observateurs
modes glissants.

Ce manuscrit est structur de la faon suivante :

Dans le chapitre 1, nous dveloppons une technique destimation dentres [137] base dune
part sur des transformations de systmes non linaires temps continu (relations de redondance
analytique) et dautre part sur la satisfaction de contraintes (CSP). Les relations de parit
ncessitent la connaissance des drives successives des sorties mesures du systme qui,
lorsquelles ne sont pas directement accessibles, doivent tre estimes avec un diffrentiateur
numrique. Nous commenons donc par prsenter tous ces outils (diffrentes approches de
lespace de parit, CSPs, diffrentiation numrique) avant de dtailler la technique destimation
dentres et son algorithme associ. Le cas des systmes plats est tudi galement dans ce
chapitre car les proprits de platitude explicite sont bases sur des relations de parit entre les
entres, les sorties et leurs drives successives.
Dans la seconde partie du chapitre 1, nous illustrons cette technique travers un procd
hydraulique de laboratoire (maquette 3-tanks) pour lequel des tests de cohrence sont construits
partir des entres estimes pour dtecter des dfauts de type actionneur sur les pompes du
systme. Une application un systme aronautique vient clore ce chapitre. Il sagit de la
dtection de certaines situations de dfaillance dans la chaine dasservissement dune surface de
contrle (gouverne de profondeur) dun avion civil. Pour cette application, un jeu de donnes
enregistr par Airbus lors dun essai en vol sera utilis. Ce jeu de donnes et les valeurs
numriques des paramtres du modle tant la proprit dAirbus, et pour des raisons de
confidentialit, tous les rsultats seront prsents en unit normalise (sans dimension).

Le chapitre 2 est consacr lestimation dtat base dobservateurs intervalles. Nous y
rappelons tout dabord quelques travaux majeurs donnant les conditions ncessaires
(dtectabilit, stabilit et cooprativit) pour la construction dun observateur intervalle en boucle
ferme. Lextension la classe des systmes LPV ou qLPV, grce une linarisation jacobienne
garantie du modle non linaire, est galement dtaille. Nous prsentons ensuite certains de nos
rsultats ([31], [32]) qui permettent damliorer la prcision des observateurs intervalles, pour des
systmes LPV, en les associant un diffrentiateur modes glissants. Lide principale repose
Introduction gnrale

13
sur lanalyse de lobservabilit ou de la dtectabilit dun systme afin disoler sa partie
fortement observable/dtectable pour laquelle il est possible dutiliser les modes glissants pour
lestimation des tats et de leurs drives. Ces informations sont ensuite rinjectes lors de la
construction de lobservateur intervalle pour lestimation des tats dans la partie non fortement
observable/dtectable. Il est dmontr que lobservateur mixte peut tre utilis pour lestimation
dtat de systmes non minimum de phase. Cette technique est illustre travers lexemple du
pendule invers sur un chariot.

Enfin, nous traiterons dans le chapitre 3 de la relaxation des observateurs intervalles. En effet, la
construction des observateurs intervalles pose, outre la condition dobservabilit/dtectabilit,
celle de la cooprativit de lerreur dobservation. Or, il est gnralement impossible de satisfaire
cette condition tout en assurant la stabilit de lobservateur dans la base de dpart. Un
changement de coordonnes est ncessaire pour remplir simultanment ces deux exigences. Les
travaux ([105], [106], [107]) ont servi de base notre contribution [136] pour la relaxation de ces
contraintes. Cest donc tout naturellement que nous commenons par rappeler la construction du
changement de coordonnes variant dans le temps permettant de transformer tout systme LTI
asymptotiquement stable en un systme stable et coopratif. Un observateur intervalle peut donc
tre construit pour cette classe de systmes linaires. Nous tendons ensuite cette technique aux
systmes non linaires localement observables au sens de la condition du rang. Grce un
changement de coordonnes bas sur un diffomorphisme, il est possible de linariser
partiellement le systme avec un diffomorphisme [68]. La forme canonique observable obtenue
servira pour la construction de lobservateur intervalle. Afin de complter notre tude des
observateurs intervalles et mettre en exergue des perspectives de recherche, des rsultats rcents
sur le sujet sont donns dans ce chapitre. Ces travaux ont permis de trouver un changement de
coordonnes invariant dans le temps en rsolvant une quation de Sylvester pour relaxer les
conditions de cooprativit/stabilit ou encore dappliquer les structures dobservateurs
intervalles aux systmes variant dans le temps.

Redondance analytique et estimation dentres via lanalyse par intervalles

14
Chapitre 1 Redondance analytique et estimation dentres
via lanalyse par intervalles

1. Introduction

Les relations de parit, ou encore relations de redondance analytique, permettent de reprsenter
des relations, de nature statique ou dynamique, entre les entres et les sorties dun systme
physique. Ces relations ont t utilises pour la dtection et la localisation des dfauts de type
capteur ou actionneur dans [104]. Historiquement, elles ont t labores dans un premier temps
dans [112], [113] et formalises dans le cadre des systmes linaires temps discrets dans [22].
Lextension au domaine temporel continu et aux systmes non linaires est plus rcente [141],
[142], [94], [93] et se confronte trs souvent au problme de la diffrentiation numrique de
signaux bruits.
On trouve dans la littrature de nombreuses techniques de diagnostic base de modle exploitant
les relations de parit pour la gnration de rsidus [42], [49], [50], [124]. Dans une moins grande
proportion, il existe aussi des approches base destimation dentres [23], [56] o lobservateur
converge asymptotiquement et simultanment vers lentre et ltat. Dans [123], Park et Stein
construisent un observateur dentres en sappuyant sur des relations de parit reliant lentre, la
sortie mesure et ses drives successives

Afin dlargir ce spectre, nous prsentons dans ce chapitre une technique destimation dentres
pour les systmes non linaires temps continu et base sur des relations de parit. Il sagit ici de
reconstruire lensemble des entres consistantes avec les mesures disponibles. Lestimation
dentres est alors formule en termes de problme de satisfaction de contraintes (Constraint
Satisfaction Problem : CSP) [118], [8], [157]. Les contraintes du CSP sont alors dfinies par les
relations de parit. Ces relations, dans le cas des systmes continus, posent la question de la
diffrentiation numrique pour lestimation des drives des mesures. Le problme de la
diffrentiation numrique est trait dans ce chapitre grce aux diffrentiateurs modes glissants
qui offrent dune part une grande robustesse aux perturbations et dautre part la possibilit de
construire des bornes (prcision) sur les estimes des drives. Ces deux points sont trs
importants dans cette thse qui porte sur des techniques ensemblistes pour le diagnostic o les
incertitudes sont modlises par des intervalles. Les bornes dtermines lors de la diffrentiation
permettront dtablir des domaines dappartenance (intervalles) pour ces drives.


15
Dans la section 2 de ce chapitre, les relations de parit sont dabord rappeles pour des systmes
linaires puis pour des systmes non linaires. La troisime partie de ce chapitre traitera de la
satisfaction de contraintes et des techniques de consistance existantes pour la rsolution des
CSPs. Puis, en section 4, nous dvelopperons une technique destimation dentres base sur la
rsolution de CSPs et lalgorithme qui y est associ. Nous prsenterons aussi une version de
lalgorithme destimation dentres pour une classe particulire de systmes non linaires, les
systmes plats [39], [1], [103], [134]. La particularit principale des systmes plats est la
possibilit dcrire lentre et ltat comme tant fonction uniquement des sorties dites plates
et de leurs drives successives. Ce sont donc des relations de parit trs intressantes exploiter
et les systmes plats feront lobjet, en sections 5 et 6, dune application pour la dtection de
dfauts dans une maquette hydraulique de laboratoire et dans un systme actionneur
aronautique.

2. Espace de parit

Dans [124], Patton et Chen dcrivent les relations de parit comme tant des quations qui
gnrent un rsidu. Ces relations de redondance analytique lient diffrentes variables du systme
et peuvent tre de deux types : 1) statiques : ce sont des relations entre les diffrentes sorties du
systme un instant . Ce type de relations permet de dtecter lapparition dun dfaut capteur
par la dviation du rsidu. Idalement, en labsence de dfaut le rsidu est nul. Toute dviation
est synonyme de lapparition dun dfaut, 2) dynamiques : ce sont des fonctions traduisant le lien
dynamique entre les sorties mesures et les entres du systme diffrents instants.

Dans le cadre du diagnostic, les relations de parit sont trs utiles pour la dtection et la
localisation de dfauts uniques ([65], [67]) dont leffet sur le systme est (ou peut tre approxim
comme) une entre additive. Elles offrent galement un meilleur temps de dtection par rapport
aux dfauts abrupts, comparativement lestimation paramtrique [65], [79].
Nous nous intressons dans cette thse aux relations de redondance analytique dynamiques car
elles offrent la possibilit de dtecter aussi bien des dfauts de type capteur que des dfauts de
type actionneur [22]. Dans cette section, nous allons rappeler la technique de lespace de parit,
dabord pour les systmes linaires discrets et temps continu, puis pour les systmes non
linaires temps continu qui sont lobjet de notre tude.

2.1 Systmes linaires temps discret


16
Lexploitation des relations de redondance dans les quations dtat des systmes linaires
temps discret permet, par limination des variables dtat, de gnrer des rsidus sensibles et
robustes [22], [124] dans le cadre du diagnostic.

On considre un systme linaire discret dcrit par :

( +1) = () + () +
() +
()
() = () +
() +
()

(1)

o
reprsentent respectivement les vecteurs dtat,

dentres, de sortie, de perturbations et de dfaut. Les matrices , , ,
et
sont des
matrices de distribution relles, constantes et de dimensions appropries. Dans [22], on retrouve
les bases de la technique de lespace de parit pour des systmes discrets. Cette approche consiste
observer ( + 1) chantillons de mesures et rcrire les quations dtat (1) sous une forme
entres/sorties.

En utilisant une rcurrence sur les quations dtat et de sortie (1), nous pouvons rcrire ce
systme sous la forme :

( )
( + 1)
()

(,)
= () +
( )
( +1)
()

(,)
+
( )
( + 1)
()

(,)
+
( )
( +1)
()

(,)

(2)

o est la matrice d'observabilit d'ordre , et
et
sont respectivement
les matrices de Hankel des quadrupls (, , , ), (,
, ,
) et (,
, ,
), voir [22] pour

plus de dtails. Le rsidu est alors dfini par :

() =
( , )
( , ). (3)
o le vecteur de parit doit vrifier dans le cas idal :

= 0
.
(4)

17

Les conditions issues de (4) impliquent un dcouplage parfait avec les perturbations. Le critre de
dcouplage approximatif revient minimiser le rapport :

/
=

.
(5)

On montre que ce problme d'optimisation peut tre formul comme un problme de valeurs
propres/vecteurs propres gnraliss qui peut tre rsolu l'aide du thorme de Gantmacher
(voir par exemple [42]). Plus prcisment, on peut rcrire le critre prcdent de la manire
suivante :

/
=

.
(6)

o
est une solution de :

= 0. (7)
Trs souvent, on choisit la solution orthonormale parmi une infinit de solutions possibles. En
appliquant le thorme de Gantmacher [42], on trouve ainsi le "slecteur" optimal
, qui fournit
la meilleure solution en termes de robustesse vis vis de et de sensibilit vis vis de . Les
limitations d'une telle approche proviennent essentiellement de la modlisation utilise, qui ne
permet pas de considrer les dynamiques ngliges dans le modle, ni d'intgrer dans le critre
des objectifs sur la dynamique d'volution du vecteur de rsidus. Certains travaux tentent de
contourner le problme des dynamiques mal connues et/ou inconnues en utilisant des seuils
adaptatifs dans la phase d'volution des signaux indicateurs de dfauts (voir par exemple [125]).

Dans les systmes de commande moderne, le traitement de linformation se fait par
chantillonnage des signaux. Cependant, la plupart des systmes physiques sont dcrits par des
quations diffrentielles (temps continu). La question du choix de la modlisation des systmes,
temps continu ou discret, sest souvent pose car un grand nombre doutils mathmatiques a
surtout t dvelopp pour le domaine continu. La modlisation discrte sappuie sur des
prlvements et traitements dinformations des intervalles de temps plus ou moins rguliers. La
modlisation continue, quant elle, voit ce flux dinformations comme tant continu en prenant
les intervalles de temps infiniment petits. Des outils de discrtisation tant disponibles dans la
plupart des logiciels de simulation et cartes dacquisition, il nous semble judicieux de considrer
la modlisation continue des systmes comme tant plus gnrale. Pour cette raison, nous

18
traiterons dans la suite de ce chapitre et aussi de cette thse le cas des systmes continus. Comme
transition vers les systmes non linaires temps continu, nous prsentons dans le paragraphe
suivant les relations de parit pour les systmes linaires continus.

2.2 Formulation dans le cas des systmes linaires temps continu

Deux approches principales permettent de construire des relations de parit pour les systmes
linaires temps continu : une premire approche directe qui est une extension de lespace de
parit pour les systmes linaires discrets aux systmes linaires temps continu et une seconde
approche dite intgrale et base sur la rsolution de lquation dtat du systme considr.

2.2.1 Technique directe
Tout comme dans le cas linaire et discret, il est possible de dcrire lespace de parit partir des
mesures et grce, non plus une rcurrence sur les quations de sortie, mais des diffrentiations
successives du vecteur de sortie. En effet, il existe ce jour des techniques robustes pour la
diffrentiation numrique des signaux bruits offrant de trs bons rsultats. Cest le cas par
exemple des diffrentiateurs modes glissants [95], [96] que nous avons utiliss dans cette thse.

On considre un systme linaire continu dcrit par :

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

(8)

avec
. Les matrices , , et sont relles, constantes et de

dimensions appropries.

Partant du systme (8), les drives successives du vecteur de sortie sont donnes par :

() = ()

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

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

19
=
() + () + () +
()
() +
()
()

()
() =
()
() =
()
() +
()
() + () +
()
()
() +
1 + + (1) + ( (( (1) )) )().
(9)

Le systme (9) peut se rcrire sous la forme compacte suivante :

()
()
()
()
=
() +
()
()
()
()
+
()
()
()
()
.
(10)

o
est la matrice d'observabilit d'ordre ,
et
sont des matrices de

commandabilit. Le rsidu, comme dans le cas discret, est dfini par :

() =
()
(). (11)

avec le vecteur de parit choisi tel que
= 0.

Le systme (10) fait apparatre les drives de lentre u qui peut tre connue et mesurable mais
aussi celles du dfaut f que lon chercherait dtecter dans une procdure de diagnostic. Les
drives de lentre u, si cette dernire est connue, sont estimables par un algorithme de
diffrentiation numrique. Le dfaut f peut alors tre dduit des quations (11) et ses drives
seront autant dindications sur lvolution du dfaut et son impact sur le systme.

Quand lentre u nest pas mesurable, il se pose alors un problme destimation simultane de
deux entres inconnues : u et f, et de leurs drives successives. Les techniques ensemblistes de
satisfaction de contraintes (section 3) peuvent apporter des solutions ce problme.

20
La deuxime technique que nous avons voque au dbut de cette section est dite intgrale car,
la place des tapes de diffrentiations successives de la sortie mesure, il est propos dtablir des
relations de parit bases sur des intgrales liant lentre u la sortie y.
2.2.2 Technique intgrale
Dans [111], une extension de lespace de parit au cas des systmes linaires temps continu est
propose suivant une approche dterministe base sur une formulation intgrale.

La rsolution de lquation dtat du systme (8) donne la solution suivante :

() =
(
+
()
()

(12)

o
est ltat initial linstant
. Il vient donc que la sortie peut tre rcrite comme tant :

() = () =
(
+
()
()
.
(13)

En introduisant un retard
dans lquation (13), on obtient :

(
) =
(
+
(
)
()

et la relation de Chasles pour les intgrales permet de rcrire :

(
) =
()
()
()
()

(14)

o
=
(
)
.

Lquation (14) peut se rcrire comme suit :


21
(
()
()
()
()
) +
()
()
+
()
()
) +
(,
) =
() (15)

Une itration de lquation (15) avec un retard
,
= 0, , , permet dobtenir les relations de
parit (16) :

() =
(16)

avec
= (
, ,
) et
=
(
) +
(,
) +
(,
)
.

Lespace de parit dordre est dfini par :

= |
()
,
= 0
(17)

o est le vecteur de parit. Le rsidu est ici dfini par :

() =
. (18)
En labsence de tout dfaut dans le modle (8), ce rsidu tend idalement vers 0.
A condition que la matrice
soit de plein rang colonne, i.e. (
) =
, ltat peut
galement tre estim partir des quations (16) :

((
) +
(,
))
,
(19)
avec
, une matrice symtrique dfinie positive.


22
La condition du rang de la matrice
est assure par le thorme 1.

Thorme 1. [111]

Si la paire (, ) est observable, alors tout intervalle de temps fini [0, +[ contient un
ensemble de valeurs
, = 0, ,
1 telles que la matrice
soit de plein rang colonne,

i.e. (
) =

Il existe donc un systme dquations (16) offrant une indpendance maximale entre les colonnes
de la matrice
. Lorsque le systme (8) nest que partiellement observable, le corollaire suivant

sapplique.

Corollaire 1. [111]

Si lespace observable du j
me
capteur est de dimension
, alors tout intervalle de temps fini

[0, +[ contient un ensemble de valeurs
, = 0, ,
1 telles que :

,

avec
.

Le nombre dquations indpendantes contenues dans le systme (16) est dfini par la
dimension de lespace observable offert par les
capteurs, i.e. :

=
.

Il est noter que le choix des valeurs
, = 0, , ninflue pas sur loptimalit, au sens de

lindpendance maximale des colonnes de
, des quations de parit car il est dmontr dans

[111] que les ensembles de valeurs
, = 0, , sont tous quivalents ds lors que la matrice
est non singulire.

Cette approche a t reprise dans [143] et a pour objectif principal dtablir des relations de parit
entre les entres et sorties dun systme sans pour autant passer par la case diffrentiation

23
numrique de signaux bruits. Nanmoins, les algorithmes dintgration numrique prsentent
galement des inconvnients. Ce sont en gnral des approximations des quations diffrentielles
et il se pose souvent le problme de la connaissance exacte des conditions initiales. Les solutions
retournes peuvent alors tre imprcises.

Les systmes physiques sont souvent modliss par des quations diffrentielles non linaires. La
linarisation ou lapproximation des systmes fortement non linaires par des modles linaires
est souvent complexe et quelque fois sujette une perte dinformations. Lextension des relations
de parit aux systmes non linaires a donc permis de traiter la question du diagnostic base de
redondance analytique pour une plus grande classe de systmes.

2.3 Formulation dans le cas des systmes non linaires temps continu

Dans cette sous-section, nous prsenterons deux techniques pour tablir des relations de parit
dans le cas dun systme non linaire temps continu. La premire technique est classique et
consiste obtenir des relations de parit en drivant successivement jusqu lordre
1 la
sortie () dun systme dcrit par :

() = () +()()
() = ()
,
(20)

avec
. Pour tablir les relations de parit entre lentre et la sortie ,

cette approche ncessite llimination de ltat , grce au thorme des fonctions implicites
1

(voir Annexe A), dans les quations obtenues par drivation de la sortie ().

La seconde mthode, prsente par Shumsky dans ([142], [143]), se base sur une transformation
du systme (20) sous une forme triangulaire infrieure (strict feedback form [91]) via un
changement de coordonnes (retour de sortie). Puis, des relations entres-sorties similaires (16)
seront tablies. Cette technique a t dveloppe pour des systmes dcrits par (20) o les
fonctions , et sont des polynmes du vecteur dtat pouvant scrire sous la forme :

() =
,

avec
,
,
et 1 , .

1
Ltat x, sous certaines conditions, est exprim en fonction de lentre u, de la sortie y et de leurs drives
successives.

24

Il y a donc, dans lexpression des fonctions , et , une premire limitation quant la classe
des systmes non linaires concerns par cette technique. La difficult principale de cette
technique rside dans la dtermination du changement de coordonnes.

2.3.1 Technique directe
Cette approche est base sur des drivations successives jusqu lordre
1 de la sortie du
systme (20) sous la condition dobservabilit non linaire (voir annexe A). aLes drivations
successives de la sortie font apparatre ltat . Grce au thorme des fonctions implicites,
nous pouvons liminer ltat dans ces relations. Ces dernires deviennent alors des quations liant
uniquement les drives successives des entres et des sorties.

Afin dtablir des relations de parit pour le systme (20), drivons successivement la sortie
mesure (). Nous obtenons :

=
()
= ()

()
=
()
=
()
=
()
. [() +()] =
() +
().

()
=

() +
(). ] =

() +
(). ].
().
()
=

()]. [ () + ()] +

(). . [ () + ()]
+
().
()
=
() +
(). +
(). +
(). .
().
()

(21)

Les quations (21) sont quivalentes au systme suivant :

= +, (22)

o:
=

()
()
, =
()
()
()


25

=

.
()
et =
0 0
() 0
() +
()
()
() 0

Les quations du systme (22) illustrent une relation de parit entre les drives successives de la
sortie et celle de lentre . Nous pouvons rcrire la relation (22) sous la forme suivante :

, , ,
()
,
()
=
()

() = 0, = 1, ,

(23)

avec
une fonction non linaire darguments , , ,

()
,
()
et (, ) = () + ().

Partant de la relation (23) et en appliquant le thorme des fonctions implicites, nous obtenons
une expression pour le vecteur dtat :

=
()
,
()
,
(
)
,
(
)

(24)

Ainsi, le vecteur dtat peut scrire comme tant une fonction polynmiale des drives des
entres et sorties du systme (20). La relation (23) est alors quivalente :

, ,
()
,
()
, ,
(
)
,
(
)
=
()
,
()
,
(
)
,
(
)
, , ,
(
)
,
(
)
= 0 ,
<

(25)

o

est une fonction non linaire de ses arguments.
Les quations (25) sont des relations de parit incluant des drives des vecteurs dentre et de
sortie . Nous retiendrons, dans la suite de ce document, ce type dexpressions pour dcrire des
relations de parit pour des systmes non linaires temps continu.

Dans la suite, nous prsenterons de manire synthtique la technique intgrale et le lecteur
intress trouvera plus de dtails dans les rfrences cites.
2.3.2 Technique intgrale
Cette mthode a t dveloppe dans [142], [143]. Elle a pour objectif principal dtablir des
relations de parit tout en contournant ltape de la diffrentiation numrique. Mais comme nous
lavons mentionn dans le paragraphe 2.2.2, les algorithmes dintgration numrique posent

26
galement certains problmes dont celui de la dfinition des conditions initiales. Dans cette
approche, des intgrales similaires (15) sont tablies. Cependant, un changement de
coordonnes est pralablement ncessaire et le systme non linaire initial est mis sous une forme
triangulaire infrieure.

2.3.2.1 Transformation non linaire
La reprsentation "strict feedback" ou forme triangulaire infrieure (voir Figure 1) est surtout
utilise en commande avec des techniques du type "backstepping" [91]. Il est donc possible de
contrler tat par tat et non pas le systme en sa globalit. Ici, cette proprit est utilise pour
effectuer un changement de coordonnes tat par tat avec retour de sortie.

Ainsi, grce au changement de coordonnes :

() =
(), = 1, , et () = (),
(26)

le systme (20) est mis sous la forme triangulaire infrieure (27)-(29) (Figure 1) :

() =
() +
()() (27)

() =
(),
(), ,
() +
(),
(), ,
()((), = 2, ,

(28)
() =
(), ,
() (29)

o les fonctions
, ,
et sont polynomiales et ne contiennent aucun coefficient inconnu.

Les fonctions
et sont respectivement dtermines partir des fonctions
et dont nous
dtaillerons le calcul dans le paragraphe suivant.

2.3.2.2 Changement de base

Partant de lquation (26), la drivation de
par rapport au temps donne :

() =

()
() +().
(30)


27

Par identification avec les quations (27)-(28), nous avons :

() =
() +
()() =

() + ().

et

() =
(),
(), ,
() +
(),
(), ,
()((), = 2, ,
=

() +()()

Ces relations conduisent aux galits suivantes :

() =

() et
() =

()
(31)

(),
(), ,
() =

(), = 2, ,
(32)
()

(2)

(1)

(
1
()
()
2
()
()

()
()
()

Figure 1.1. Forme triangulaire infrieure (27)-(29)

28

(),
(), ,
() =
()

(33)
En remplaant () par () et les termes
() par
() dans les quations (31)-(33) et

(29), nous obtenons :

() =
() et
() =
()
() =
(), ,
() = ()
(), ,
() = ()
(),
(), ,
() =
()
(),
(), ,
() =
(), = 2, ,

.
(34)

Pour dterminer les termes
, on considre tout dabord la distribution

2

dfinie par :

= 0
(35)

La dtermination des distributions
est une tape intermdiaire au calcul des termes
et le
thorme de Frobenius
3
en donne la condition dintgrabilit. Les distributions
sont calcules
rcursivement suivant un algorithme donn dans [142], [143].

Un second algorithme, aprs calcul des
, permet alors de dterminer les termes
du
changement de variables (26).
Connaissant les termes
, il est donc possible de calculer les expressions des fonctions
et

grce (34). La dernire tape dans la dfinition du changement de base est le calcul de la
fonction grce la dtermination de la fonction .
Calcul de la fonction
On considre une fonction vectorielle dfinie par :

() = (()).

La fonction est calcule en intgrant la distribution minimale et involutive
= (/)
satisfaisant :

2
La dfinition dune distribution est donne en annexe A de ce document.
3
Thorme de Frobenius : Pour qu'une distribution soit intgrable, il faut et il suffit quelle soit involutive.


29
(/) +
.

Les termes
et la fonction tant connus, on peut alors calculer la fonction :

(), ,
() = ().

2.3.2.3 quations de parit
La reprsentation triangulaire (27) obtenue laide du changement de variables (26) permet
dobtenir, par des intgrations successives, des relations de parit :

(
) =
(,
), ,
(,
),
(36)

avec
(,
) =
) =
() +
() +
()(),
(,
) =
(,
) =
() +
(),
(, ), ,
(, ) +
((),
(, ), ,
(, ) )().

2.3.2.4 Gnration de rsidus
Dans la technique intgrale, le temps est discrtis lors de la gnration du rsidu :

= . , (37)
avec la priode dchantillonnage.

Le rsidu est dfini partir des relations de parit (36) qui peuvent se rcrire sous la forme :

(
) = ()(,
),
(38)

o la matrice () est fonction de coefficients inconnus et des tats inconnus
) , = 1, , ..
Cette reprsentation est possible car toutes les fonctions sont supposes tre sous forme

30
polynomiale. Les composantes du vecteur (,
) sont des fonctions dpendant des entres et

sorties du systme.

Le vecteur rsidu est alors dcrit par :

(
) =
)(
), (39)

avec
) =
) ,
= +1 et (
) un
vecteur non nul tel que (
) ker (
)).

La matrice
) est compose des vecteurs colonnes (,
) discrtiss :

) = ((
) (
) (
)).

La discrtisation du temps lors de la gnration du rsidu est utilise pour limplmentation des
algorithmes. Dans cette technique, le vecteur des rsidus est indpendant des coefficients des
polynmes du systme initial. Cette invariance du rsidu par rapport aux coefficients lui procure
une certaine robustesse face aux incertitudes paramtriques.

Face la complexit de cette technique, notamment ltape de la transformation non linaire,
nous avons choisi dans cette thse la premire approche (2.3.1), plus classique, pour tablir des
relations de parit pour les systmes non linaires.

Dans le tableau suivant, nous proposons une comparaison entre les diffrentes tapes de
lapproche espace de parit base sur les quations aux diffrences ou la diffrentiation des
signaux. Nous rappelons donc les cas des systmes linaires discrets, temps continu et non
linaires temps continu.


31

ESPACE DE PARITE

Linaire discret

Linaire continu

Non linaire continu

Modle

( +1) = () +() +
()
+
()
() = () +
() +
()
() = () + () +()
() = ()

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

Equations

( , ) =
() +
( , )
+
( , ) +
( , )

( , ) =
( )
( +1)
()

= , , ,
= , , ,

(,)
=

(, ) = (, )
(, ) = (, )
(, ) = (, )

()
=
() +
()
+
()

() =
()
()
()

= , ,
= , ,

(,)
=

(, ) = (, )
(, ) = (, )

= +

=
()
()

()
()
()
()
=
0 0 0
() 0 0
() +
()
()
()

Rsidu
() =
[( , )
( , )]
= 0.
() =
()
()
= 0.
, ,
()
,
()
, ,
(
)
,
(
)
= 0
= 1,2,

Tableau 1.1. Tableau synthtique des quations de parit

Remarque 1. Pour un systme linaire, discret ou temps continu, le rsidu est obtenu par
projection des quations du systme dans lespace de parit grce une matrice ou un vecteur de
parit dcrivant lespace nul de la matrice dobservabilit et permettant dliminer ltat x. Dans
le cas non linaire, on nobtient pas une expression explicite du rsidu comme dans les deux cas
prcdents mais plutt une fonction-contrainte indpendante de ltat x. Ltat x, dans le cas non

32
linaire, est limin grce au thorme des fonctions implicites. Cette fonction-rsidu est
idalement nulle en labsence de tout dfaut.

Remarque 2. Un parallle peut tre fait entre le vecteur et les matrices dobservabilits et
. En effet, pour les systmes non linaires temps continu, la matrice dobservabilit locale
est dfinie par le gradient de .

Dans cette premire section, nous avons prsent des techniques pour tablir des relations de
parit tout dabord pour des systmes linaires temps discret et temps continu puis pour des
systmes non linaires temps continu. On distingue deux types dapproches principales, une
approche assez classique base sur des quations aux diffrences ou la diffrentiation numrique
et une approche oriente intgration numrique. Nous faisons le choix, pour les systmes non
linaires temps continu que nous tudierons, de la technique directe prsente dans le
paragraphe 2.3.2. Nous prsentons dans la section 3 de ce chapitre, des outils ensemblistes qui
seront utiliss au mme titre que les relations de parit pour construire une technique destimation
dentres.

3. Inversion ensembliste et satisfaction de contraintes

Grand nombre de systmes physiques sont dcrits par des modles mathmatiques comportant
des paramtres incertains dont le domaine est connu a priori. Dans ce cas, le comportement
dynamique peut tre caractris par une couverture ensembliste englobant lensemble des
comportements du systme engendrs par des variations paramtriques. Les mthodes
destimation bases sur les ensembles permettent de propager les domaines dincertitude afin de
dterminer une enveloppe contenant dune manire garantie la vraie trajectoire du systme. Dans
le cas non linaire, la majorit des mthodes ensemblistes pour lestimation sont bases sur
lanalyse par intervalles
4
. Sunaga, Moore ou encore Hansen ont introduit les bases de lanalyse
par intervalles dans [116], [60], [146]. Lobjectif principal est de parvenir apporter des solutions
certains problmes non rsolus par les mthodes classiques danalyse numrique. Lapport
considrable de lanalyse par intervalles est laspect garanti des rsultats fournis. En effet,
cette thorie se fonde principalement autour de la reprsentation dune valeur (respectivement
dun vecteur de valeurs) par un intervalle (respectivement un vecteur dintervalles ou pav).

Au sein de lanalyse par intervalles, on distingue dune part les oprations usuelles portant sur les
ensembles comme lunion, lintersection, linclusion, le produit cartsien, limage et dautre part

4
Un intervalle rel [] est un sous-ensemble connexe et born de dfini par : [] = , | .

33
les oprations mathmatiques classiques telles que laddition, la soustraction, la multiplication et
la division. Toutes ces oprations dfinissent trois notions trs importantes dans lanalyse par
intervalles : les fonctions dinclusion
5
, les tests dinclusion et les contracteurs (voir annexe C).
Ces trois lments permettent de raliser des oprations dinversion ensembliste notamment
travers lalgorithme SIVIA (Set Inverter Via Interval Analysis) [69], [70] ou sa version amliore
SIVIAP (SIVIA with constraint Propagation) [72]. Ces algorithmes permettent de rsoudre des
problmes de satisfaction de contraintes. Un CSP est dcrit par un ensemble de variables
appartenant chacune un domaine initial et relies entre elles par un ensemble de contraintes. Le
paragraphe 3.1 est consacr linversion ensembliste, utilise pour la rsolution des CSPs
prsents dans le paragraphe 3.2.

3.1 Inversion ensembliste

Linversion ensembliste permet de retrouver lensemble des lments dun ensemble de dpart
partir de la connaissance de lensemble darrive et de la relation (fonction) liant ces deux
ensembles. De manire plus formelle, soit :
une fonction (linaire ou non linaire) et

un sous-ensemble de
. Linversion ensembliste permet de caractriser le sous-ensemble

de
dfini par :

=
|() =
(). (40)

Pour tout
et pour toute fonction ayant une fonction dinclusion convergente [], il est
possible de dfinir deux sous-pavages rguliers et tels que :

.
(41)

Lalgorithme SIVIA permet de caractriser et [72].
Algorithme SIVIA

On suppose que le domaine de recherche initial
est assez large afin de contenir . SIVIA est

bas sur un test dinclusion (voir Annexe B) qui peut prendre diffrentes valeurs pour un pav
[], quatre cas de figure peuvent se prsenter :

5
Soit
une fonction vectorielle et [] un pav (vecteur dintervalles). Une fonction intervalle

[]:
est dite fonction dinclusion pour si : ([]) []([]), []
. Voir [72] et lannexe B

pour plus de dtails.

34
- []([]) [], [] est dit acceptable et il est ajout lapproximation intrieure de ;

- []([]) = , [] ne contient aucune solution admissible et il est rejet ;

- []([]) 0, le pav est dit indtermin ou ambigu . Cela signifie que [x]
pourrait contenir des solutions sans en tre certain. Dans ce cas, il convient de bissecter le
pav [x] et de relancer un test dinclusion sur chacun des sous-pavs. Une valeur limite
de la largeur de pav bissecter est pralablement fixe afin de dterminer le nombre
maximum de bissections ralisables et donc un point darrt de lalgorithme.

- Si ([]) < , le quatrime cas est envisag. Les sous-pavs ont une largeur infrieure
la valeur limite , ils sont alors compris dans un ensemble tel que : = . est
donc lapproximation extrieure de .

Algorithme SI SI SI SIV VV VIA IA IA IA (Entres: , []
, | Sorties: , )

1. Si []([]) = , , rejeter [x xx x] ; retour.
2. Si []([]) [], = []; = [] ; retour.
3. Si ([]) < , alors []
4. Sinon :
Bissecter ([x xx x]) en [
], [
]
SIVIA(, [
], , , ) ;
SIVIA(, [
], , , ) ;
5. Fin Si

Au dpart de lalgorithme, et sont initialiss avec lensemble vide . Linconvnient majeur
de lalgorithme SIVIA rside dans sa complexit calculatoire due au nombre important de
bissections. En effet, il a t dmontr dans [69] que le nombre de bissections ralises lors dune
procdure est de lordre de :


35
=
([
])
+ 1
,
(42)

o est la dimension du vecteur [
], ([
]) est la largeur du pav [
] et la largeur limite
des pavs bissects. Lefficacit de lalgorithme SIVIA est alors limite par le nombre de
variables (dimension du pav initial). Pour rduire la complexit calculatoire de SIVIA, il
convient dy adjoindre des techniques de consistance telles que les contracteurs [72], [118].
Cest le but de la sous-section suivante o le problme de la satisfaction de contraintes dans un
contexte ensembliste est pos.

3.2 Satisfaction de contraintes

Les problmes de satisfaction de contraintes (CSPs) sont des problmes mathmatiques relevant
lorigine du domaine de lIntelligence Artificielle et de la Recherche Oprationnelle. Une
dfinition formelle des CSPs est donne ci-dessous.

Dfinition 1. [8], [78], [118]

Un Problme de Satisfaction de Contraintes (CSP) se dfinit par le triplet :

- = {
, ,
}, un ensemble de variables dterminer

- = {
, ,
}, un ensemble de contraintes qui peuvent tre des quations

diffrentielles ou des relations statiques ;

- [] = [
] [
] [
], un domaine initial dappartenance pour chacune des

variables.

Nous noterons dsormais le triplet prcdent par :

(, , []). (43)
La rsolution dun CSP a pour but de trouver lensemble des valeurs de variables satisfaisant un
ensemble de contraintes. De nombreuses mthodes de rsolution des CSP [91] existent et le choix
dune technique est dtermin en gnral par sa complexit calculatoire.


36
Un principe qui est bien connu et souvent utilis est celui de la Sparation-Evaluation ,
Branch and bound en anglais [8], [118], [51]. Il sagit de subdiviser rcursivement le problme
initial en sous-problmes plus simples rsoudre. On retrouve ce principe dans lalgorithme
SIVIA prsent dans le paragraphe (3.1).
La propagation de contraintes [118], [72], [73], [71], [18], [25], [100] permet de rduire les
domaines de faisabilit via lutilisation de la sparation des contraintes initiales en contraintes
lmentaires plus simples satisfaire. Les fonctions reprsentant ces sous-contraintes sont
souvent de simples expressions dune seule variable ou bien plus complexes. La propagation de
contraintes permet dacclrer les algorithmes de type branch and bound.

3.2.1 Propagation de contraintes
La propagation de contraintes [117], [72], [73], [71], [18], [25], [100] est utilise dans des
techniques de consistance comme un moyen pour acclrer la recherche de solutions cohrentes
avec un ensemble de contraintes. La propagation de contraintes sur des intervalles [71], [18],
[25], [100] est un outil efficace pour la rsolution de problmes non linaires et dans un contexte
erreurs bornes. En effet, cette technique permet de manire simple et assez rapide la rduction
des domaines de recherche sans perdre de solutions. Cependant, il nest pas possible de prouver
que ces intervalles rduits sont minimaux. Dans lexemple suivant, la propagation des contraintes
est utilise afin de rsoudre un CSP.

Exemple 1.

Soit le CSP
dfini par :

): =
): = 1
(
): = 2 + 1
(, )
.

La propagation de contraintes consiste projeter les contraintes (
) sur les
variables (, ) jusqu lquilibre :

(
) ] , +[
= [0, +[

(
)
1
[0, +[
= ]0, +[


37
(
) [0, +[ (2 ]0, +[ +1)

= [0, +[ ] , 1[ = [0, 1[

]0, +[
[0, 1[
2
+
1
2
= 0,
1
2

(
) [0, 1[ [0,
1
2
[
= [0,
1
4
[

(
) 0,
1
2

1
0,
1
4
=

0,
= .

La propagation des contraintes (
) gnre un ensemble solution vide pour les variables

et . Il ny a donc pas de solutions dans pour ce CSP.
Les contracteurs font partie des techniques de consistance bases sur la propagation de
contraintes. Un contracteur [72], [75], [76] est un oprateur permettant de rduire un domaine
en le contractant sans pour autant perdre de solutions. Il permet ainsi de rduire le nombre de
bissections dans les algorithmes de type branch and bound. Nous choisissons dans cette thse
dutiliser le contracteur propagation-rtropropagation prsent dans le paragraphe suivant.

3.2.2 Contracteur propagationrtropropragation
En crivant les quations des contraintes sous la forme : () = , la propagation
rtropropagation (forward-backward en anglais, voir par exemple [18], [72], [73], [75]) consiste
propager les intervalles dappartenance des variables dans le sens vers pour la propagation
puis vers pour la rtropropagation. Dans un sens comme dans lautre, la mthode intervalle
de propagation de contraintes illustre dans lexemple 1 est applique et lordre dans lequel les
contraintes sont propages ninflue pas sur le rsultat final. Cependant, cet ordre peut jouer sur le
temps de calcul.

Exemple 2.

Considrons le CSP suivant :


38
=
= (
)
() = =
) +sin(
) []
[
] = [3, 8], [
] = , [
] = , [] = [5, 10]
,

avec
= exp(
) ,
et
= sin(
) des contraintes primitives.

La propagation se fait de = (
) vers :

1. [
] = exp([
]) ; [
] = exp( ] , +[ ) = ]0, +[
2. [
] = [
][
]; [
] = [3, 8] ]0, +[ = ]0, +[

3. [
] = sin([
]) ; [
] = sin( ] , +[ ) = [1, 1]
4. [] = [] [
] +[
]; [] = [5,10] ]0, +[ + [1, 1] = ]1, 11]

La rtropropagation se fait de vers = (
) :

5. [
] = ([] [
]) [
]; [
] = (]1, 11] [1, 1]) ]0, +[ = ]0, 12]

6. [
] = ([] [
]) [
]; [
] = (]1, 11] ]0, +[) [1, 1] = ]1, 1]

7. [
] = sin
([
]) [
]; [
] = sin
(]1, 1]) ] , +[=
, +

8. [
] = ([
]/[
]) [
]; [
] = (]0, 12] / [3, 8]) ]0, +[ = ]0, 4]

9. [
] = ([
]/[
]) [
]; [
] = (]0, 12]/ ]0, 4]) [3, 8] = [3, 8]

10. [
] = log([
]) [
]; [
] = log(]0, 4]) ] , +[=] , log (4)].

Les domaines contracts [
] = [3, 8], [
] =] , log (4)] et [
] =
, +
des variables
contiennent les solutions du CSP
.

Lalgorithme SIVIA peut tre amlior en y intgrant des contracteurs pour rduire le domaine
des variables. Le nombre de bissections effectuer sen trouve alors rduit. Le nouvel algorithme
obtenu est le plus souvent connu sous le nom de SIVIAP [72] qui est une version plus efficace de
SIVIA.
Algorithme SIVIAP

On considre le CSP (, , []) o les contraintes peuvent scrire sous la forme :

() [] .
Dans lalgorithme SIVIAP, la phase de contraction prcde la bissection. Les nouveaux domaines
de recherche obtenus aprs bissection sont donc plus petits et la recherche de solutions sen
trouve alors acclre.

39

Algorithme SI SI SI SIV VV VIAP IAP IAP IAP (Entres: , (, , []), | Sorties: , )

1. [x xx x]= ([]) ;
2. Si [] = , rejeter [X]; retour.
3. Si []([x xx x]) [], { : = []; : = []} ; retour.
4. Si ([]) < , alors { []}
5. Sinon :
Bissecter ([x xx x]) en [
], [
]
SIVIAP (Entres: , (
, , [
]), , Sorties: , ) ;
SIVIAP (Entres: , (
, , [
]), , Sorties: , ) ;
6. Fin Si

Lalgorithme SIVIAP, grce ses proprits intressantes (convergence acclre, solutions
affines), va permettre de rsoudre des CSPs construits partir des relations de parit (25). La
rsolution de ces CSPs est la cl de la technique destimation dentre prsente dans la section
suivante.
Cependant, une tape est encore ncessaire dans la construction des CSPs. Il sagit de la
dtermination des domaines dappartenance des drives successives de la sortie y dans les
relations de parit (25).

4. Estimation dentres par la rsolution de CSPs

Cette section est ddie lestimation des entres de systmes non linaires temps continu en se
basant sur les diffrents lments prsents dans les sections prcdentes : relations de parit,
inversion ensembliste et satisfaction de contraintes. Nous commenons par prsenter brivement
des techniques de diffrentiation numrique parmi lesquelles les observateurs modes glissants
pour lestimation des drives des sorties. Nous utiliserons ensuite la possibilit quoffrent les
diffrentiateurs modes glissants de borner ces drives pour construire leurs domaines
dappartenance. Ainsi, la construction du CSP sera complte avec 1) les variables que sont les

40
entres, les sorties et leurs drives successives 2) les relations de parit comme contraintes
reliant ces variables et 3) les domaines dappartenance de ces variables.

4.1 Diffrentiation numrique pour lestimation des drives

La mise en place de la dmarche algorithmique pour lestimation dentres requiert lestimation
des drives successives de la sortie mesure (voir les quations de parit (25)). Ce signal est
porteur de deux informations : une information utile pour la dtection et un bruit qui rsulte, dans
ce cas, de la propagation des incertitudes et bruits de diffrentes natures et origines.

Drivateur filtr

L'estimateur le plus simple de la drive est la diffrence finie. Cet estimateur est rarement
utilisable en milieu bruit, car il conduit une amplification du bruit. En effet, la diffrence finie
vise trouver la drive du signal sans bruit en connaissant uniquement le signal bruit, ce qui est
impossible sans connaissance a priori des caractristiques du bruit affectant le signal. Si lon
dispose des informations sur ces caractristiques (par exemple sparation des spectres
signal/bruit), on peut utiliser un filtrage passe bas pour attnuer leffet du bruit. Cette opration
permet d'obtenir une estimation de la drive exploitable, mais avec un retard induit par le filtre,
d'autant plus grand que le filtre est efficace. Ce retard peut tre gnant pour lapplication
considre car aucune dcision ne peut tre prise tant que le rgime transitoire du filtre nest pas
compltement teint. De plus, lorsquil est ncessaire destimer des drives successives dun
mme signal, un retard supplmentaire est induit par lattente du rsultat de lestimation de la
drive dordre infrieur.

Drivation par observation et filtrage H
2
/H

Il existe dautres techniques qui sont bases sur la construction dun observateur aliment par le
signal bruit, et dont la sortie estime est la drive du signal. Les paramtres de cet observateur
sont gnralement calculs par une procdure doptimisation (minimisation de lnergie de
lerreur destimation dans le cas classique, ou par exemple minimisation dune norme pondre).
Il nest pas toujours vident dobtenir un bon compromis en termes derreur, de dphasage, de
robustesse par rapport au bruit et surtout de garantir une bonne prcision pour une certaine plage
de frquence.
Forts des rsultats robustes de la commande par modes glissants (voir annexe B), des travaux
[95], [96], [122], [97], [45], [24] ont port sur lutilisation de cette technique dautres fins telles
que la mise en place dobservateurs notamment pour estimer les tats inconnus dun systme
mais aussi pour la diffrentiation numrique.

41
La question majeure se posant ici est celle de lestimation simultane des drives successives
dun signal bruit, sans les hypothses stochastiques des filtres numriques. Dans [96], les
notions de diffrentiateurs modes glissants dordre 1, 2 puis dordres suprieurs ont t dfinies.
La principale difficult rside dans la dtermination des paramtres de rglage du diffrentiateur
avec toutefois un compromis possible et dtaill dans les lignes qui suivent.

4.1.1 Diffrentiateurs modes glissants
On considre un signal numrique driver et
les estimes respectives du signal

et de ses drives successives. Le signal peut tre dcompos comme suit :

=
+ , (44)
avec un bruit born et mesurable au sens de Lebesgue (annexe A) et un signal de base (non-
bruit) ayant sa -ime drive lipschitzienne de constante > 0. Le diffrentiateur numrique
modes glissants dordres suprieurs (Higher Order Sliding Modes : HOSM) est alors dcrit par :

) +
) +

)
+
) +

(45)

Lorsque les mesures ne sont pas bruites, le thorme 2 assure la convergence du diffrentiateur
(45) en un temps fini vers les drives exactes de
.

Thorme 2. [96], [97]

Le signal
est suppos fois continment diffrentiable et le bruit de mesure
.
Il existe alors un instant fini
, 0
< + et des constantes positives
, = 0 (qui
dpendent uniquement de
) tels que :

()
()
()
||


42
Les paramtres
, = 1 sont donns par la relation
. Les valeurs
sont
donnes dans [97], [98] pour un diffrentiateur HOSM dordre 5 :

= 1.1,
= 1.5,
= 3,
= 5,
= 8,
= 12.

La constante de Lipschitz peut tre choisie trs grande pour assurer une meilleure estimation
des drives. Cependant cet accroissement dans la valeur de la constante rend le diffrentiateur
plus sensible au bruit avec une possible apparition du phnomne de chattering (voir annexe B)
notamment pour les signaux variant trs lentement. Pour remdier ce problme, il a t propos
dans [98] de travailler avec un paramtre () variant dans le temps. Les applications (sections 5
et 6 de ce chapitre) illustrant nos travaux de thse ont t ralises avec un paramtre constant
et le plus souvent avec un diffrentiateur dordre 11. Le paramtre est choisi itrativement, de
manire minimiser lerreur destimation |
|.

4.1.2 Prcision du diffrentiateur et bornes des drives
Dans cette thse, les observateurs modes glissants ont t choisis pour raliser la diffrentiation
numrique pour deux raisons principales : leur robustesse aux bruits [95], [96] et la possibilit
destimer les bornes (prcision de lobservateur) sur les drives successives du signal mesur.

Proposition 1. [96]

On suppose que les paramtres
, = 0, , assurent une estimation exacte des drives

lordre du signal
() avec = 1. Alors, les paramtres
, avec > 0, assurent

une diffrentiation avec la prcision suivante :

()
()
()
||
> 0.
(46)

La prcision du diffrentiateur (45) est donc proportionnelle la valeur :

.
(
)
, = 0, , avec
> 0.
(47)

Ainsi, on peut considrer que chaque drive dordre vrifie :


43

()
[
()

()
+
]
(48)

Lexpression (48) dcrit le domaine dappartenance pour chaque drive estime du signal bruit
. Dans la technique destimation dentres que nous prsentons en 4.2, les drives de la sortie
mesure seront dtermines grce un diffrentiateur modes glissants et les bornes des
domaines de ces drives seront dfinies conformment (48).

4.2 Technique destimation dentres

Le principe gnral de cette technique consiste transformer le problme destimation dentres
en un CSP statique et le rsoudre via la propagation de contraintes avec lalgorithme
SIVIAP.

Pour cela, il est ncessaire dans un premier temps dcrire des relations de parit en se servant de
la technique prsente en 2.3.1. Ces relations de parit nous permettent alors de dfinir un CSP
dynamique de la forme :

, ,
()
,
()
, ,
(
)
,
(
)
= 0, = 1, . . ,
[],
()

()
, ,
(
)

(
)

[
],
()
[
, ,
(
)
[

(49)

Le passage un CSP statique se fait en estimant chaque instant dchantillonnage
les
drives successives des mesures dont on dispose. Les estimes des drives sont obtenues grce
au diffrentiateur modes glissants (45).

Enfin, nous procdons la rsolution du CSP chaque instant
grce lalgorithme SIVIAP

pour dterminer les valeurs consistantes des entres vis--vis des contraintes et des autres
variables bornes imposes travers le CSP. Ces principales tapes sont rsumes dans
lalgorithme Estimation_entres.

Un des avantages de cette technique est le fait de pouvoir utiliser le modle original du systme
sans passer par une tape de linarisation. En effet la linarisation dun systme lorsquil sagit en
particulier dutiliser une transformation non linaire, comme le montre la section 2.3.2, peut se
rvler tre une tche assez complexe. De plus, les rsultats destimation sont garantis grce
lanalyse par intervalles. Linconvnient qui dcoule alors de cette modlisation intervalle est le

44
pessimisme induit lors de la dtermination des domaines des drives avec le choix du
paramtre
.

Algorithme E EE Es ss st tt ti ii imat mat mat mation_ ion_ ion_ ion_e ee en nn ntr tr tr tr e ee es ss s (Entres :
, j =1..N, D.I.R *: [
], [
, , [
|
Sorties :
, ,
)

1. Ecrire les relations de parit (25)
2. Pour j allant de 1 N,
Estimer les drives
()
, p = 1, 2
(45)
Estimer les bornes accp et construire les domaines
et [
()
] de

et
()
(47)-(48)
3. Rsoudre le CSP (49) en utilisant SIVIAP pour obtenir
, ,

* D.I.R: Domaines Initiaux de Recherche pour lentre u uu u et ses drives successives

Lorsque les contraintes font galement apparatre les drives successives de lentre estimer, le
problme devient plus complexe car il sagit dans ce cas dune estimation simultane des
domaines de ,
()
, ,
(
)
.
Dans cette thse, le cas particulier des systmes plats a t tudi dans [136]. Cette classe
particulire de systmes offre un avantage trs intressant pour lestimation des entres
notamment grce la possibilit dexprimer le vecteur dentre comme tant une fonction
uniquement de la sortie plate et de ses drives successives.

Dfinition 2. [39], [134]

Le systme (20) est dit plat (et est une sortie plate) si et seulement si il est possible dcrire :

= ,
()
, ,
()
et = ,
()
, ,
()
,
(50)
avec
et
, et sont des fonctions vectorielles rgulires.

Dans la thorie des systmes plats, les relations de parit sont donc associes la dfinition
mme de la platitude. Comme le montrent les quations (50) avec les drives de la sortie

45
jusqu lordre ( + 1), la question de la diffrentiation numrique, pour les systmes plats, est
donc plus que jamais prsente dans le problme destimation des entres. Dans le paragraphe qui
suit, nous prsentons les diffrentes tapes de lalgorithme destimation dentres pour les
systmes plats.

4.3 Cas des systmes plats
La technique destimation dentres dtaille dans la section prcdente est ici reprise dans le cas
des systmes plats. Les relations (50) dfinissent les contraintes du CSP rsoudre pour
lestimation de lentre u et elles sont obtenues par des drivations successives du vecteur des
sorties plates. Pour les systmes plats, le nombre de sorties plates est gal celui des entres du
systme. Le nombre de contraintes du CSP est donc donn par le nombre de sorties plates.
Le nouveau CSP est alors dcrit par :

, ,
()
, ,
()
= 0, = 1, . . ,
[],
()

()
, ,
()

()

[
.
(51)

La complexit de lalgorithme se trouve alors rduite grce la proprit (50) des systmes plats.
Ainsi, dans ce nouvel algorithme, il ny a plus besoin destimer simultanment les domaines
admissibles des drives successives de lentre u.

Algorithme CSP CSP CSP CSP_ __ _P PP PL LL LAT AT AT AT (Entres :
, j =1..N, D.I.R *:
| Sorties : [
])

1. Equations de la platitude et Formulation CSP (50)-(51)
2. Pour j allant de 1 N,
Estimer les drives
()
, p = 1, 2 ... q+1 (45)
Estimer les bornes accp et construire les domaines
et [
()
] de

et
()
(
). (47)-(48)
3. Rsoudre le CSP (51) en utilisant SIVIAP pour obtenir [
]
* D.I.R: Domaine Initial de Recherche


46
Un exemple dutilisation de cet algorithme est trait dans la section suivante avec lestimation
dentres pour le systme hydraulique 3-tanks dans le cadre de la dtection de dfauts.

5. Application la dtection de pannes actionneur dans un systme
hydraulique de laboratoire

Dans cette section, le systme hydraulique 3-tanks qui est un benchmark bien connu de la
communaut Automatique (voir par exemple [81], [147], [163]) est utilis pour illustrer nos
travaux sur lestimation dentre et leur application la dtection de dfauts. La platitude du
systme [162] permettra dans un premier temps de reconstruire lentre du systme grce
lalgorithme CSP_PLAT, puis des tests de consistance sur lentre reconstruite permettront de
dtecter lapparition ventuelle de dfauts.
5.1 Modlisation et platitude du systme

Le systme se compose de trois cuves cylindriques
et
de sections identiques . Le
liquide scoulant de la cuve
, travers un tube cylindrique dot dune vanne
de section
,
est recueilli dans le rservoir
qui approvisionne les deux pompes
et
. Ces deux pompes

alimentent les cuves
et
avec des dbits
et
. Les trois niveaux deau dans les trois

cuves sont nots par
et
. Les tubes dinterconnexion entre les diffrentes cuves et le

rservoir
sont dots de trois vannes
et
de sections ajustables permettant de simuler

diverses dfaillances telles que des fuites plus ou moins importantes sur chaque cuve.

Figure 1.2. Maquette 3-tanks

47
5.1.1 Modlisation
Le modle mathmatique de ce procd est donn par les quations suivantes :

() =
2(
()
()) +
()
() =
2(
()
())
() +
()
() =
2(
()
())
2(
()
())
,
(52)

o
() >
() >
(),
= 0.7,
= 0.5,
= 5. 10
, = 0.0154
,
= 9.81
.

Lquation (52) peut se rcrire dans lespace dtat de la faon suivante :

(53)

(54)

(55)

(56)

(57)

o = (
= (
reprsente le vecteur dtat et = (
= (

est le vecteur de commande.
2,
2 et
2. Les
sorties commander sont donnes par
et
.
5.1.2 Platitude du modle
Considrons le vecteur = (
de sorties plates candidates. La platitude du systme (53)-

(57) est prouve travers les quations suivantes :

- les tats en fonction des sorties plates et de leurs drives

(58)
(59)

(60)

48
- les entres en fonction des sorties plates et de leurs drives

(61)

=
2
)
2
.
(62)

La platitude du systme (53)-(57) tant tablie, lalgorithme CSP_PLAT est prsent utilis
pour la reconstruction de lentre .

5.2 Estimation dentres et dtection de dfauts
5.2.1 Reconstruction de lentre
Dans ltape 1 de CSP_PLAT, les contraintes du CSP (51) sont dfinies par les quations (61) et
(62). Le domaine initial de recherche de lentre est :

[
] = ([
, [
= ([0.01, 0.01], [0.01, 0.01])
/

et correspond une plage de variations possible pour les dbits des pompes
et
.

Ltape 2 de lalgorithme CSP_PLAT porte sur lestimation des drives de la sortie et la
dtermination de leur domaine grce un diffrentiateur modes glissants.

5.2.1.1 Diffrentiation numrique
Lquation (61) pour la reconstruction de lentre
, ncessite lestimation de la drive

premire
de la sortie plate
.

Pour la reconstruction de lentre
(62), il nous faudrait estimer les drives premires
et

des deux sorties plates
et
ainsi que la drive seconde
de
.
Pour contrler le conservatisme induit par les multiples occurrences des variables
et
dans lquation (62), nous proposons dutiliser dans un premier temps lquation (60) pour
estimer ltat
. Puis, en nous basant sur lquation (54) rcrite comme suit :


49

(63)

nous pouvons reconstruire lentre
. Lquation (63) ncessite lestimation de la drive

premire
de ltat
.

Pour rsumer les drives premires
et
doivent tre estimes pour la reconstruction des

entres
et
.

Un diffrentiateur modes glissants dordre 1 est alors utilis pour estimer ces drives :

) +
= 1.5
/
,
= 1.1
= 25. 10
= 80. 10

(64)

Le paramtre du diffrentiateur prend des valeurs diffrentes pour lestimation de
) et
) pour une plus grande prcision des drives. Il est dtermin de manire itrative afin de
minimiser lerreur destimation (|
|).

Le bruit de mesure est born par = (0.002, 0.002)
. La sortie = (
appartient donc
au domaine :

[] ([
0.002,
+0.002], [
0.002,
+0.002])
. (65)

La relation (47) donne alors les bornes de la drive premire
qui sont dfinies par :

.
(
)
= 1. 25. 10
. 0.002 224. 10
/s .
(66)

Les bornes de la drive premire
ne sont pas ncessaires car cette drive sert estimer ltat
. Ltat estim
sera lui-mme diffrenti, pour reconstruire lentre
, et des bornes
seront alors dfinies sur lestime de sa drive
.
Nous faisons prsent lhypothse que ltat
peut tre considr comme une mesure au mme

titre que
et
. Ainsi, on peut supposer que ltat estim
appartient au domaine :

[
0.002,
+0.002.
(67)

50
Les bornes de la drive premire
de ltat estim
sont alors donnes par :

.
=
.
(
)
= 1. 80. 10
. 0.002 13. 10
/s .
(68)

Pour dterminer le paramtre
, nous partons dune valeur lgrement suprieure 0 et nous

lincrmentons tant que la rsolution du CSP ne gnre pas un domaine non vide pour lentre .
Cette itration pour fixer
se fait dans un cas de simulation de fonctionnement normal, cest--

dire sans dfaut.
Daprs (66), la drive premire
appartient donc au domaine :

[
] =
224. 10
+224. 10
/.
(69)

Le domaine de la drive
est dcrit par :

[
] =
13. 10
+13. 10
/.
(70)
5.2.1.2 Reconstruction de lentre
Lors des simulations que nous avons ralises, les dfauts
et
sont respectivement
introduits aux instants
= 300 et
= 250. Lalgorithme CSP_PLAT converge alors, dans

les diffrents cas de simulations prsents dans le tableau ci-dessous vers les domaines dcrits par
les figures 1.3 et 1.4.

Pompe Dfaut simul Amplitude (%)*u
imax
Amplitude
(ml/s)

Q
1

Biais (
) sur

8

14
3.5

6

Q
2

Biais (
) sur

11

13
6

7
Tableau 1.2. Cas de dfauts simuls sur les pompes P
1
et P
2


51

Figure 1.3 Reconstruction des domaines de lentre
et du dfaut
.

Figure 1.4 Reconstruction des domaines de lentre
et du dfaut
.
0 50 100 150 200 250 300 350 400 450 500
0
1
2
3
4
x 10
-4
Temps (s)
Domaine reconstruit de l'entre u1

0 50 100 150 200 250 300 350 400 450 500
-5
0
5
x 10
-5
Rsidu (dfaut fa1)

borne inf. u1, biais 3.5ml/s
borne inf. u1, biais 6 ml/s
borne sup. u1, biais 3.5 ml/s
borne sup. u1, biais 6 ml/s
borne inf. dfaut 3.5ml/s
borne sup. dfaut 3.5ml/s
borne inf. dfaut 6 ml/s
borne sup. dfaut 6 ml/s
0 50 100 150 200 250 300 350 400 450 500
0
1
2
x 10
-4
Temps (s)
Domaine reconstruit de l'entre u2

0 50 100 150 200 250 300 350 400 450 500
-2
0
2
x 10
-5
Rsidu (dfaut fa2)

borne inf. dfaut 7ml/s
borne sup. dfaut 7ml/s
borne inf. dfaut 6ml/s
borne sup. dfaut 6ml/s
borne inf. u2, biais 7ml/s
borne sup. u2, biais 7ml/s
borne sup. u2, biais 6ml/s
borne inf. u2, biais 6ml/s

52
Remarque 3. Les domaines des dfauts
et
sont dduits simplement de ceux de
et
car nous avons fait lhypothse de biais additifs sur les entres. On a donc [
] = [
et [
] = [
. On dfinit
et
comme les entres nominales du

systme et on a
= (
.

5.2.2 Tests de cohrence et dtection de dfauts
Dans une procdure classique, la dtection est en gnral base sur le dpassement, par le
rsidu, dun seuil pralablement dfini. Dans notre cas, chaque instant, un test de consistance
sera conduit sur le domaine de lentre reconstruite. En labsence de tout dfaut, le domaine
[
] contient lentre nominale
. Cette assertion nest plus vrifie ds lors quun dfaut

apparat.

=
0,
]
1,
.
(71)

avec
la valeur boolenne indicatrice dun dfaut.

Les rsultats du test (71) donnent les instants de dtection des dfauts (voir les figures 1.5 et 1.6)
dans les diffrents cas de simulations ralises (Tableau 1.2).

Figure 1.5 Dtection de dfauts sur
.
0 50 100 150 200 250 300 350 400 450 500
-1
-0.5
0
0.5
1
1.5
2
2.5
3
Temps (s)
Rsultat du test de dtection sur u1

dtection dfaut 3.5ml/s
dtection dfaut 6ml/s

53

Figure 1.6 Dtection de dfaut sur
.

Nous pouvons constater dans les rsultats (Tableau 1.3) que le retard la dtection diminue avec
lamplitude croissante du dfaut dtecter. En effet, il est vident que plus grande sera
lamplitude dun dfaut, plus rapide sera sa dtection.

On remarque galement que les dfauts sur la pompe
sont dtectables des amplitudes plus

faibles que celles des dfauts affectant la pompe
. Cela peut tre expliqu par le conservatisme

de lquation (54) utilise pour lestimation de lentre
. La relation (54) est en effet plus

complexe que lquation (53) qui a permis destimer lentre
.
0 50 100 150 200 250 300 350 400 450 500
-1
-0.5
0
0.5
1
1.5
2
2.5
3
Temps (s)
Rsultat du test de dtection sur u2

Pompe Dfaut simul Amplitude
(%)*u
imax

Amplitude
(ml/s)
Temps de dtection (s)

Q
1

Biais (
) sur

8

14
3.5

6
14.5

8

Q
2

Biais (
) sur

11

13
6

7
23

17
Tableau 1.3. Rsultats de la dtection.

54
De plus, les effets dun biais damplitude 6/ sur la pompe
ne sont pas persistants car entre

= 300 et = 350, le signal indicateur de dfaut revient 0 signifiant une absence de dfaut.
Il faut noter aussi que les perturbations dans le signal indicateur de dfaut dans lintervalle de
temps [0, 80] sont dues aux dynamiques transitoires du systme. Ce nest pas un cas de fausses
alarmes car la surveillance nest pas vraiment pertinente durant cette phase transitoire.

6. Application un systme aronautique
6.1 Introduction

Dans la section 5, la technique destimation dentres a t utilise pour construire des tests de
cohrence des fins de dtection de dfauts. Le procd hydraulique 3-tanks a permis dillustrer
cette mthodologie. Il serait alors intressant dutiliser cette procdure de contrle de cohrence
entre le modle dun systme et les mesures disponibles sur des donnes relles afin den valuer
plus concrtement les performances. Pour cela, nous allons travailler sur un jeu de donnes
relles
6
issu de la chane dasservissement dune gouverne de profondeur dun avion (voir figure
1.7). Diffrents scnarii de pannes susceptibles dapparatre dans cette boucle de commande
seront simuls sur ce jeu de donnes.

Figure 1.7 Chane dasservissement de la gouverne de profondeur intrieure

6
Les donnes et les paramtres numriques utiliss dans cette section sont la proprit dAirbus. Les calculs sont
normaliss et les rsultats graphiques sont illustrs sans unit pour des raisons de confidentialit.


55
De faon gnrale, en aronautique, les techniques utilises pour la dtection de dfaillances sont
bases sur lexploitation des informations redondantes provenant de diffrentes sources et plus
rarement sur des techniques base de redondance analytique ou de filtrage. Quelle que soit la
dmarche utilise, pour la prise de dcision, il est ncessaire de fixer un seuil au-del duquel une
situation de dfaillance est dtecte. Le choix de ce seuil doit satisfaire le difficile compromis
trs faible taux de fausses alarmes et trs fort taux de dtection , et ceci dans des
configurations extrmes.

La technique que nous proposons contourne cette difficult car les seuils sont implicitement fixs
par la propagation des incertitudes bornes dans les quations du modle. Le paragraphe 6.2 porte
sur la prsentation du systme aronautique tudi, lactionneur de la gouverne de profondeur
intrieure, et sur la description brve des types de pannes pouvant survenir dans la chane
dasservissement. La procdure de dtection des pannes sera explicite dans le paragraphe 6.3.

6.2 Description du systme
6.2.1 Actionneur de la gouverne de profondeur
Les tests de dtection seront raliss grce un jeu de donnes prleves sur un avion. Sur cet
avion, deux principaux types d'actionneurs sont prsents : des actionneurs hydrauliques et des
actionneurs technologie mixte plus rcente : les EHA (Electro-Hydraulic Actuator). Pour notre
tude, nous privilgierons les servocommandes hydrauliques dont la modlisation est maintenant
bien tablie.

Figure 1.8 Modle physique de lactionneur hydraulique

56
Nous nous intressons la gouverne de profondeur intrieure dont le modle non linaire est bas
sur le comportement physique de l'actionneur hydraulique (voir Figure 1.8). La mise en quations
donne la vitesse de la tige du vrin comme une fonction de la pression hydraulique prsente aux
bornes de l'actionneur, de l'actionneur passif de la chaine d'asservissement secondaire en parallle
et des forces antagonistes exerces sur la gouverne. Le modle non-linaire de la chaine
d'asservissement en position de la gouverne de profondeur est ainsi propos :

() = .
() ()
()
()
() ()
() = ()

(72)

o :

, sont la position de la tige de l'actionneur,

est l'ordre issu des lois de pilotage, c'est--dire la position de commande vraie de
l'actionneur.

est le gain de rgulation de la servocommande,

est la fonction par morceaux de conversion du courant de commande en vitesse

comportant des saturations,

= .
() () est la vitesse commande par le calculateur, correspondant la

vitesse maximale d'un actionneur seul sans charge,

est la section du vrin,

est la diffrence de pression de rfrence, laquelle sont calcules les performances

du vrin,

est la diffrence de pression hydraulique disponible aux bornes de l'actionneur,

est le coefficient d'amortissement de la servocommande amortie,


57

est le moment de charnire arodynamique cr par les forces arodynamiques

appliques la gouverne en son centre de rotation,

est le bras de levier entre le centre de rotation de la gouverne et le point d'application

des forces arodynamiques

dfinies par :

()
()
.

Ce modle non linaire sera utilis pour les tests de cohrence raliss dans le paragraphe 6.3 en
faisant des hypothses sur les paramtres physiques. En effet, ces paramtres physiques qui sont
en ralit variants dans le temps, sont considrs fixes afin de simplifier les calculs. Ainsi, le
coefficient d'amortissement de la servocommande amortie
et la diffrence de pression
hydraulique disponible aux bornes de l'actionneur sont figs leurs valeurs nominales, tandis
que les forces arodynamiques

sont elles dfinies comme nulles.
Dans le paragraphe qui suit, nous prsentons deux types de dfaillances susceptibles dapparatre
dans la chane d'asservissement en position de la gouverne. Les situations de dfaillance
correspondent une position anormale de la surface de contrle.
6.2.2 Dfaillances considres
Les dfaillances que nous chercherons dtecter se situent entre le calculateur de vol (Flight
Control Computer, FCC) et la surface actionner (voir figure 1.7). Il sagit de lembarquement
ou runaway et du grippage ou jamming. Ces dfaillances ont de multiples origines et peuvent
provenir des composants intervenants dans les ANI (ANalogic Input) ou les ANO (ANalogic
Output), des capteurs de position et ventuellement de la connectique et du cblage, ainsi que des
calculateurs de vol ou de la rupture d'une pice mcanique dans l'actionneur.
6.2.2.1 Grippage
Le grippage ou jamming (voir figure 1.9) correspond une situation o la gouverne reste bloque
mcaniquement pendant une manuvre. Pour le grippage, le but est de dtecter la position
bloque de la gouverne car une gouverne bloque peut avoir des influences sur les charges
structurales de lavion, mais aussi sur la pilotabilit et les performances de lavion.
6.2.2.2 Embarquement
Lembarquement rapide et lent (voir figure 1.9) provoque un mouvement non-command dune
gouverne qui pourrait atteindre les butes mcaniques de lactionneur si la dfaillance nest pas
dtecte avant ([17], [53]). Il est ncessaire de dtecter les embarquements rapides (avant que la

58
gouverne atteigne une position trop leve) car ils peuvent avoir un grand impact sur la
pilotabilit et la structure de lavion.

Figure 1.9 volution de la position dune gouverne en cas dembarquement rapide/lent
et en situation de grippage

Comme le montre la figure 1.9, en cas dembarquement, la position de la gouverne augmente, se
stabilise au moment de la dtection dune panne pendant un certain temps (reconfiguration du
systme) et revient ultrieurement sa position commande grce lactionneur adjacent.
Aprs avoir prsent lactionneur hydraulique de la gouverne de profondeur et les dfaillances
pouvant survenir dans sa chane dasservissement, nous allons appliquer, comme dans le cas de la
maquette hydraulique 3-tanks, notre technique destimation dentres pour la dtection de pannes
dans les deux cas : grippage et embarquement.

6.3 Reconstruction de lentre u et tests de consistance
6.3.1 Reconstruction de lentre u
On remarque que le modle (72) est plat car il traduit une relation de parit comprenant
uniquement lentre (ordre pilote), la sortie (position de la gouverne) et sa drive premire.
En effet, lentre peut tre exprime comme tant une fonction de la sortie plate candidate et
de sa drive premire :

59
= +

(73)
De mme, daprs le modle (72), ltat sexprime trs simplement en fonction de la sortie
plate : = .

Lexcution de lalgorithme CSP_PLAT ncessite donc, au pralable, la dtermination des
domaines des variables , et .

6.3.1.1 Diffrentiation numrique et domaines des variables

Un diffrentiateur dordre 1 est utilis pour lestimation de la drive premire :

) +

= 1.5
/
,
= 1.1 , = 0.05

(74)
Les informations lies la prcision des capteurs nous ont permis de dfinir des bornes pour le
bruit de mesure. Nous avons fait le choix de considrer la plus grande des valeurs dincertitude
des capteurs comme tant cette borne et nous avons alors : = 0.0025. La sortie appartient
donc au domaine :

[] [
0.0025,
+ 0.0025]. (75)

Les bornes de la drive premire de la sortie sont obtenues grce lquation (47), et elles sont
dfinies par :

.
(
)
= 0.270.05. 0.0025 0.003 .
(76)
La drive premire de la sortie appartient donc au domaine :

[ ] = [
0.003,
+ 0.003]. (77)

Le domaine initial de lordre est fix : [
] =
= [0.4,0.4].

60
6.3.1.2 Reconstruction de lordre u
La relation (73) ainsi que le systme (72) vont nous permettre de construire le contracteur
propagation-rtropropagation (voir section 3.2.2) pour la contraction du domaine initial [
] de
lordre . Cest la premire tape de lalgorithme SIVIAP, lui-mme utilis dans lalgorithme
CSP_PLAT.

Dans un premier temps (propagation), les bornes du domaine initial de lordre (
et
) et celles
de la sortie ( et ) sont propages dans la relation :

() = .
() ()
() ()

(78)
afin dobtenir des bornes sur la drive de la position :

[ ]
= .
([
] [])
[.
([
] [])]

(79)

Puis, nous faisons lintersection entre le domaine estim de la drive de la position [ ] et le
domaine de la drive [ ]
, obtenu ltape prcdente :

[ ]
= [ ] [ ]
.

(80)
Les bornes de la position (75) et celles de sa drive (80) sont enfin propages dans la relation
(73) pour obtenir de nouvelles bornes pour le domaine initial de lordre. Cest ltape de
rtropropagation :

[
= [] +
[ ]
[ ]

(81)
Le domaine initial de recherche de lordre tant contract, les autres tapes de lalgorithme
SIVIAP sont excutes pour dterminer le domaine des valeurs admissibles de lordre.


61
6.3.2 Tests de cohrence pour la dtection des pannes
Pour les situations de grippage ou dembarquement, la dtection sera base sur le test de
cohrence (71). Il sagit de vrifier chaque instant
si lordre
dlivr par le calculateur

(disponible dans le jeu de donnes) appartient au domaine de lordre reconstruit
(sortie de
lalgorithme CSP_PLAT). Des scnarii de grippage et dembarquement sont rajouts la
position .

Rsultats
Les rsultats de la dtection, dans les diffrents cas de pannes simules, sont donns dans les
figures et tableaux ci-dessous.

Embarquement
La figure 1.12 illustre lapparition dun dfaut de type embarquement. En effet, linstant
indiqu par une flche sur la figure 1.12, le domaine reconstruit de lordre fait un saut et reste
inchang le reste du temps. Cela correspond au blocage de la gouverne la position indique
dans le scnario dembarquement. La position tant bloque, sa drive premire est nulle.

Daprs lexpression (73), lordre est alors dcrit par :

= +

= .

Les rsultats du test de cohrence (tableau 1.4) correspondent aux instants de dtection de la
panne introduite linstant
= 921000. A ces instants, la gouverne nest pas en bute

mais se situe des positions tolrables comprises entre 1.95 avec une vitesse de 5/s et 4.368
avec une vitesse de 40/s.

62

Figure 1.10 Domaine reconstruit de lordre, scnario dembarquement.

Figure 1.11 Zoom sur le domaine reconstruit de lordre, scnario dembarquement.

9.205 9.206 9.207 9.208 9.209 9.21 9.211
x 10
5
-0.05
-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
0.03
0.04
Temps (s)
Domaine reconstruit de l'ordre pilote, embarquement

borne inf de l'ordre
borne sup de l'ordre
ordre pilote
9.2097 9.2098 9.2098 9.2099 9.2099 9.21 9.2101 9.2101 9.2102 9.2102 9.2103
x 10
5
-0.005
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
Temps (s)
Domaine reconstruit de l'ordre u, embarquement

ordre pilote

63

Embarquement (/s) Retard la dtection (s)
40 0.1092
30 0.1092
20 0.1404
10 0.2184
5 0.3900

Tableau 1.4 Dlais de dtection dans diffrentes situations dembarquement,
= .

Le tableau 1.5 donne des rsultats de dtection lorsque la panne est introduite linstant
= 920578. On constate ici que les retards sont un peu plus importants (1 2 pas
dchantillonnage en plus) pour les vitesses allant de 20 40/s (embarquement rapide) mais
restent les mmes, voire infrieurs, pour lembarquement lent. La gouverne se situe globalement
entre 1.64 et 4.99 linstant de dtection.

Embarquement (/s) Retard la dtection (s)
40 0.1248
30 0.1248
20 0.1716
10 0.2184
5 0.3276

Tableau 1.5 Dlais de dtection dans diffrentes situations dembarquement,
= .

64
Grippage

Dans le cas du grippage (figures 1.12 et 1.13), la gouverne se bloque lors dune manuvre une
position quelle a atteinte sur un ordre pilote. Dans un cas dembarquement, la dfaillance se
produit de manire volutive avec une certaine vitesse (/s) avant le blocage de la gouverne.
Suivant donc la vitesse, la gouverne se positionnera plus ou moins vite la position o la
dfaillance sera dtecte. Cest la raison principale pour laquelle, pour tous les cas de grippage
dtectables, le retard la dtection (voir tableaux 1.6 et 1.7) reste le mme contrairement aux
scnarii dembarquements (voir tableaux 1.6 et 1.7).

Figure 1.12 Domaine reconstruit de lordre, scnario de grippage.

Figure 1.13 Zoom sur le domaine reconstruit de lordre, scnario de grippage.
9.205 9.2055 9.206 9.2065 9.207 9.2075 9.208 9.2085 9.209 9.2095 9.21
x 10
5
-0.05
-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
0.03
Temps (s)
Domaine reconstruit de l'ordre pilote, grippage

borne sup ordre reconstruit
borne inf ordre reconstruit
ordre pilote
9.2096 9.2098 9.21 9.2102 9.2104 9.2106
x 10
5
-0.025
-0.02
-0.015
-0.01
-0.005
0
0.005
0.01

ordre pilote

65
Grippage () Retard la dtection (s)
-10 0.0624
-5 0.0624
3.5 0.2652
2 -
5 0.0624
10 0.0624

Tableau 1.6 Dlais de dtection dans diffrentes situations de grippage
= .

Le cas 3.5 (tableau 1.6) prsente un important retard dans la dtection et donne une premire
indication, pour cette technique, sur lamplitude du plus petit dfaut dtectable. Par contre, dans
le tableau 1.7, pour un dfaut introduit
= 920562, un grippage la position 2 est

dtectable.

Grippage () Retard la dtection (s)
-10 0.0936
-5 0.0936
3.5 0.0936
2 0.0936
1 -
5 0.0936
10 0.0936

Tableau 1.7 Dlais de dtection dans diffrentes situations de grippage,
= .

66
A partir de ces deux cas de figures, nous pouvons dire que selon linstant dapparition de la
panne, lamplitude du plus petit dfaut dtectable varie. Globalement, cette amplitude
caractristique se situe de manire garantie entre 3.5 et 5 en valeur absolue (pour ce jeu de
donnes). Une meilleure prcision pourrait tre obtenue en ralisant un plus grand nombre de
scnarii avec diffrents instants dapparition de la panne. Pour tirer des conclusions plus
gnrales, il est ncessaire de tester la technique propose dautres jeux de donnes, prleves
lors des conditions opratoires diffrentes.

Ces rsultats exprimentaux sont encourageants et suggrent un fort potentiel de la technique
destimation dentres applique la dtection prcoce et robuste ce type de dfauts. Il faut
rappeler galement que les paramtres du modle (72) ont t figs pour simplifier le traitement
des donnes. Cependant ce sont des paramtres variant dans le temps. Il est vident que
l'application des techniques d'estimation paramtriques pourrait permettre, travers l'estimation
des paramtres physiques, dobtenir des domaines plus prcis pour les diffrentes grandeurs
manipules. Les tests de dcision en seraient donc amliors.

7. Conclusion

Dans ce chapitre, nous nous sommes intresss lestimation des entres dun systme non
linaire temps continu en utilisant des relations de parit. Ainsi, dans un premier temps, il a t
rappel quelques techniques de construction de relations de parit pour des systmes linaires
discrets ou temps continu puis pour des systmes non linaires temps continu. Ces relations
de parit, dans le domaine continu, requirent trs souvent la connaissance des drives
successives des mesures. Ces drives sont rarement disponibles la mesure et il est alors
indispensable de les estimer de la manire la plus prcise possible. Pour cela, nous avons choisi
dans cette thse dutiliser des diffrentiateurs modes glissants pour leurs proprits de
robustesse et de convergence en temps fini.

Le problme destimation des entres est ensuite pos en termes de satisfaction de contraintes
(CSP) et rsolu grce lanalyse par intervalles (algorithme SIVIAP). Il faut aussi retenir que
lutilisation dun diffrentiateur numrique permet dobtenir un CSP statique avec des contraintes
rsoudre chaque instant. Enfin, lestimation ensembliste des entres a permis dlaborer un
test de consistance pour la dtection de dfaut et cette technique a t illustre avec le systme
hydraulique 3-tanks.
Enfin, une application aronautique portant sur la dtection de pannes (embarquement, grippage)
dune surface de contrle, ralise laide dun jeu de donnes relles, a t prsente. Les
rsultats exprimentaux ont montr un fort potentiel des techniques proposes.
Observateurs intervalles et modes glissants

67

Chapitre 2 Observateurs intervalles et modes glissants

1. Introduction

Dans le chapitre prcdent, nous avons prsent une technique destimation dentres, pour des
systmes non linaires, base sur des relations de redondance analytique et de satisfaction de
contraintes. La connaissance de certaines variables externes du systme (les mesures) nous a
permis de construire un algorithme pour reconstruire le domaine des entres cohrentes avec les
mesures disponibles. La surveillance complte dun systme requiert galement la connaissance
de variables internes telles que ltat et les paramtres du systme qui ne sont pas toujours
mesurables. Il est donc indispensable de les estimer ou de les reconstruire. Les techniques
destimation dtat (voir un tat de lart dans [11], [19]) sont nombreuses et peuvent tre classes
en deux grandes familles : les approches dterministes ([101], [47]) et les approches
stochastiques ([85], [3]). Dans ce dernier groupe, en gnral, il est ncessaire de connatre des
informations de nature stochastique sur les bruits de mesure et les perturbations (corrlation,
distribution, stationnarit, etc.).

Historiquement, le problme gnral de l'estimation de l'tat d'un systme dynamique (complet,
partiel ou augment de paramtres inconnus) a t pos et formul dans un contexte baysien [99]
o l'estimation est faite par lintermdiaire de la densit de probabilit a posteriori de l'tat. Dans
ce contexte, certaines techniques de rsolution globale ont t tablies ([92], [4]). En raison de la
complexit des mthodes globales, plusieurs solutions locales ont t dveloppes dans la
littrature pour rsoudre les quations de filtrage en dimension finie. Ces solutions sont trs
souvent bases sur le mcanisme de Kalman ([82], [83], [158]). Le fait d'utiliser une
approximation qui transforme le problme d'estimation non linaire de dpart, pose la question de
gestion de cette approximation par les quations de filtrage en fonction des paramtres libres de
l'algorithme. De faon gnrale, il est relativement difficile d'tablir et d'analyser les conditions
de convergence [36].

Une autre solution, dveloppe plus rcemment, est le contexte "erreurs inconnues mais bornes"
o les signaux mesurs, les perturbations et les incertitudes sont supposs borns et appartenir
des intervalles dtermins a priori. Ces intervalles sont souvent lis aux caractristiques des

68
chanes dinstrumentation et de mesure et en considrant les incertitudes propages travers les
blocs fonctionnels. Les structures dobservateurs intervalles (voir par exemple [54], [55], [10],
[115], [128]) appartiennent cette famille et sont en gnral bases sur des observateurs
classiques de type Luenberger. Pour les observateurs intervalles en boucle ferme, il sagit de
dterminer de manire garantie un encadrement au fil du temps pour ltat inconnu. Pour cela,
deux estimateurs ponctuels sont dfinis, constituant ainsi les bornes suprieure et infrieure de
lobservateur intervalle. Ces bornes sont obtenues par la propagation des incertitudes et peuvent
constituer des seuils de tolrance dans le cadre dune procdure de diagnostic [154].

Un observateur intervalle doit remplir deux conditions essentielles [54] :

en prsence dincertitudes mme importantes, il doit permettre dencadrer les variables
inconnues ;
quelles que soient les conditions initiales, lobservateur intervalle converge vers un
intervalle de faible amplitude (prcision).
Dans ([55], [10], [115]), un observateur intervalle a t ralis pour une classe particulire de
systmes partiellement linaires avec un terme non linaire traduisant linjection de la sortie et/ou
de ltat. Le choix du gain de lobservateur intervalle se fait tout en assurant la cooprativit
[144] de lerreur dobservation. Les techniques des observateurs intervalles ont galement t
adaptes au cas des systmes qLPV (quasi Linaire Paramtres Variant) dans [128]. Lide de
base consiste dabord transformer le modle non linaire en un modle qLPV, puis le gain de
lobservateur est choisi afin dimposer une dynamique cooprative pour lerreur dobservation.
Ces deux types dobservateurs intervalles seront prsents dans la section 2 de ce chapitre.

La prcision des observateurs intervalles est conditionne par la largeur des domaines borns des
incertitudes qui sont ensuite propages dans les quations du modle. Il est possible damliorer
cette prcision par lutilisation des modes glissants. Les observateurs modes glissants ([44],
[45], [41]) sont galement un moyen destimer de manire robuste les variables de systmes
fortement observables ou dtectables [15]. En effet, ils prsentent une certaine insensibilit face
aux incertitudes dites co-incidentes
7
(voir [28], [5], [126] pour plus de dtails). Lautre avantage
considrable des observateurs modes glissants est la convergence en temps fini de lerreur
destimation vers zro sous certaines hypothses. Une ide serait alors de combiner ces deux
types dobservateurs afin destimer dune part tous les tats fortement observables grce aux
modes glissants et dautre part destimer des bornes pour les tats dtectables avec les

7
Une incertitude (ou perturbation) co-incidente (matched uncertainty/perturbation) est une incertitude qui agit sur le
systme au mme niveau que la commande. Pour un systme monovariable sous la forme canonique de Brunovsky,
elle agit uniquement sur la dynamique de ltat.

69
observateurs intervalles. La partie de ltat reconstruite grce aux modes glissants est alors
rinjecte dans lobservateur intervalle afin de lamliorer.
Dans la section 3, nous rappellerons tout dabord les notions dobservabilit/dtectabilit forte
pour un systme. Ces notions permettront de dfinir plus prcisment le cadre dans lequel
sinscrit la construction des observateurs mixtes. Puis, nous prsenterons une de nos contributions
qui porte sur la ralisation dobservateurs mixtes pour des systmes incertains de type LPV avec
un vecteur dordonnancement appartenant un domaine suppos born.

2. Observateurs intervalles classiques

Lestimation dtat dans un contexte erreurs bornes repose sur le principe de reconstruction de
lensemble des trajectoires admissibles de ltat, compatibles avec les mesures dont on dispose.
Dans le cas gnral des systmes non linaires temps continu, on distingue trois approches
principales :

- la premire technique de prdiction/correction (voir par exemple [74], [127]) semblable
au principe du filtre de Kalman,

- la deuxime technique de prdiction/correction [87] o ltape de prdiction est ralise
grce au thorme de comparaison ([144], [155]) qui pose les bases pour lencadrement
garanti de toutes les trajectoires dtat possibles,

- les observateurs intervalles qui sont des observateurs de type Luenberger permettant de
dcrire deux bornes, suprieure et infrieure, garantissant un encadrement au fil du temps
de la trajectoire de ltat.
Dans lapproche prdiction/correction, la taille de lencadrement de ltat ne peut pas tre
contrle par un paramtre extrieur qui, dans le cas des observateurs intervalles, se trouve tre le
gain. Nous nous intressons ici la technique des observateurs intervalles pour lesquels le gain
permet de contrler la vitesse de convergence. En pratique, pour les systmes incertains, il est
difficile de quantifier lerreur destimation avec des observateurs classiques mme si la
convergence est prouve. Dans le cas des observateurs intervalles, cette erreur peut tre borne et
quantifie. Les observateurs intervalles sont galement robustes face aux incertitudes du modle
et aux bruits de mesures qui sont supposs borns puis propags dans les quations diffrentielles
traduisant la dynamique du systme.
Dans la suite de cette section, nous commenons par dfinir deux notions importantes pour la
construction de systmes bornants : la monotonie et la cooprativit. Puis nous rappellerons des

70
rsultats de la littrature ([55], [154]) qui expliquent les tapes de la construction dun
observateur intervalle.

2.1 Dfinitions de base
Dfinition 1. [144]
Monotonie
On considre lquation diffrentielle ordinaire (EDO) suivante :

= (, ) (1)

avec :
une fonction localement lipschitzienne. Pour tout couple (
, on pose la condition initiale (
) =
.
Le systme (1) est monotone si :

8
(,
) (,
),
,
(2)

avec (,
, ) la solution de (1) obtenue partir des conditions initiales (
, ).

Le champ de vecteur est dit quasi-monotone (QM) si :

(, ), (, )
, (, ) (, ) (3)

Dfinition 2. [144]

La dynamique non linaire dcrite par :

= (), (4)
est dit cooprative sur lintervalle [] si tous les termes non-diagonaux de la matrice jacobienne
de sont non ngatifs sur [], autrement dit si :

8
La relation dordre entre deux vecteurs doit tre interprte lment par lment.


71
() 0 ,
, () [].
(5)

Proposition 1. [55]

Soit le systme linaire suivant :

= +(); (0) =
(6)

avec une matrice Metzler (
0, ) et () . Si
alors on a : () ,

.

2.2 Observateurs intervalles

La thorie des systmes monotones [144] peut tre utilise pour la synthse des observateurs
intervalles. Ces derniers ont t trs utiliss pour lestimation de variables inconnues de systmes
biologiques ou chimiques ([57], [55], [58]). En effet, dans ces domaines les donnes manipules
sont toutes positives (densit dune population, concentration molculaire,). Les solutions
recherches sont donc toutes positives et trs souvent les proprits de monotonie et de
prservation dordre (2) sont respectes. Ces proprits permettent par exemple de dterminer,
partir de conditions initiales bornes, un encadrement de la trajectoire dtat. Nous prsentons
dans ce paragraphe les diffrentes tapes et les conditions ncessaires pour la construction dun
observateur intervalle avec gain en se basant sur la thorie des systmes monotones.

Considrons un systme non linaire dcrit par :

= (, )
= () .

(7)

Le systme dynamique suivant :

, ,
(
, (
= (

(8)

o
est un champ vectoriel rgulier, est un observateur intervalle pour (7) si :


72
1. le systme (8) admet une solution pour tout 0;

2. pour toute condition initiale x

| x
, les solution de (8) vrifient < ()

() () < +.

Pour expliquer les tapes de la construction dun observateur intervalle, nous choisissons de
prsenter un cas relativement simple qui est celui des systmes partiellement linaires avec retour
de sortie [55].

2.3 Systmes linaires une injection de sortie prs

Dans [55], un observateur intervalle a t prsent pour des systmes partiellement linaires
dcrits par :

() = () + , ()
() = ()

(9)

o
et
. La fonction :
est non linaire par rapport au vecteur

de sortie .

Lobservateur intervalle dvelopp dans [55] ncessite les hypothses suivantes :

Hypothse 1. La paire (, ) est dtectable.

Hypothse 2. Il existe un gain tel que la matrice ( ) soit Metzler.

Hypothse 3. Il existe deux fonctions connues
et
mesurables par rapport au temps ,

lipschitziennes, telles que :

, () , ()
, (), , ()
.
(10)
Sous les hypothses 1, 2 et 3, le systme :

() =
() +
, () + ()
()
() =
() +
, () + ()
()
) (
)

(11)


73
est un observateur intervalle pour (9) si les erreurs dobservation
() =
() () et
() = ()
() restent toujours non ngatives.

Positivit de lerreur dobservation
() =
() ()

La dynamique de lerreur dobservation
() est donne par :

() =
() ()
=
() +
, () +()
()
() + , ()
= ( )
() () +
, () , ()
= ( )
() +
(),
(12)

avec
() =
, () , ().

Daprs lhypothse 2, la matrice ( ) est suppose Metzler et le terme
est positif selon

lhypothse 3 (, ()
, (), , ()). Ainsi, les conditions de la proposition 1

sont remplies et lerreur e
est toujours non ngative. Pour la borne infrieure, un raisonnement

similaire sur lerreur dobservation
() = ()
() permet de prouver que
()
,
.

Convergence de lobservateur

Le lemme 1 prsente les conditions ncessaires pour assurer la convergence de lobservateur (11)
vers un domaine dont la largeur dpend de la prcision de lencadrement (10).

Lemme 1. [114], [55]

Soit le systme :

() = () +(), (0) =
, () 0,
. (13)


74
Si la matrice
est Metzler et stable et sil existe un vecteur constant
tel que
() , alors la solution du systme (13) est borne par la solution du systme () = () +
, (0) =
qui admet un point dquilibre stable
.

Rappelons que la dynamique de la borne suprieure de lerreur destimation est dcrite par :

() = ( )
() +
()

o la matrice ( ) est Metzler et le terme
() est positif. En choisissant un gain tel que

la matrice ( ) soit galement Hurwitz, alors les conditions de cooprativit, de stabilit et
de bornitude (les fonctions
, () et , () sont bornes daprs (10)) du lemme 1 sont

donc satisfaites. Lerreur dobservation admet alors une borne suprieure ( )
, o
est un vecteur constant bornant
().

Exemple 1.

Afin dillustrer les diffrentes tapes de synthse, prenons lexemple prsent dans [55] qui porte
sur ltude dune population (de poissons par exemple) reprsente par sa biomasse modlisable
par le systme suivant :

() = (
() +(,
() =
() (
()
() =
()
() ()
()
() =
()

(14)

Les tats
et
reprsentent respectivement les trois stades de dveloppement de cette

population : larves, jeunes et adultes. Ce sont donc par dfinition des quantits strictement
positives de mme que les taux de mortalit
et daccroissement (natalit)
. La loi de
reproduction (le groupe est engendr par le groupe) est dfinie par la relation suivante :

(,
) =
()
, () > 0, > 0.
(15)

Le terme ()
dans la troisime quation dtat correspond un prlvement dans la

population adulte et la seule mesure disponible correspond logiquement celle de la population
adulte
. Les paramtres () et () sont incertains mais borns :


75
()
()
, > 0. (16)
Vrification de lhypothse 1

Nous pouvons rcrire le systme (14) sous la forme partiellement linaire suivante :

() = () +(, )
() = ()

o =
(
) 0 0
) 0
0
, = (
0 0 1
), (, ) =
(,
()
.

La matrice dobservabilit
=
0 0 1
0
est de rang 3, la

paire (, ) est observable et donc dtectable.


La matrice ( ) =
(
) 0 0
) 0
0
o le gain = (0 0
,
avec
> 0, est stable et Metzler. En effet, les termes hors diagonale
et
sont les taux

daccroissement tous positifs et les valeurs propres (situes sur la diagonale) de la matrice
( ) sont toutes ngatives.

On peut dduire de (15) et (16) un encadrement pour le terme (,
(,
.
(17)

Il existe donc deux fonctions
, ) et
, ) telles que :

76

, ) =
(, )
, ) =
.

Nous pouvons alors construire un observateur intervalle pour le modle (14) avec un gain
= (0 0
> 0 :

= ( )
, ) +(0 0
= ( )
, ) +(0 0
.
(18)


La convergence de lobservateur (18) est assure par le lemme 1 car lerreur totale
est
majore par la quantit ( )
= ( )
. Le vecteur est obtenu

par majoration de la diffrence
.

La monotonie de la fonction par rapport ses arguments a permis de construire un
encadrement avec les fonctions
et
. La fonction peut par exemple contenir, en plus du

retour de sortie, un vecteur de paramtres born ( [
]) et la prsence de
et
engendre un couplage entre les fonctions
et
. La construction de lobservateur intervalle

est alors plus complexe ([114], [115], [129]). Dans lobservateur (11) le bruit de mesure est
nglig. Dans une approche erreurs bornes, le bruit est suppos born et de bornes connues a
priori. La prise en compte de ces bornes peut tre effectue dans (11) sans dveloppements
supplmentaires.

La classe de systmes dcrits par (9) est assez restrictive. Afin de rendre possible la construction
dobservateurs intervalles pour une plus grande classe de systmes et notamment les systmes
fortement non linaires, il est possible grce une linarisation intervalle de les transformer en
systmes LPV ou qLPV. Cest le cas des travaux ([154], [128]) que nous prsentons dans le
paragraphe suivant. Le choix de la transformation dun systme non linaire sous une forme LPV
(plutt quune forme LTI ou LTV) est motiv par la possibilit quoffre la reprsentation LPV de
dfinir des paramtres dcrivant des systmes dont les caractristiques dynamiques voluent en
fonction des conditions de fonctionnement.

77
2.4 Observateurs intervalles pour des systmes LPV ou qLPV

La description de dynamiques non linaires par des modles LPV a suscit, au sein de la
communaut commande/diagnostic, un intrt croissant qui est motiv par la disponibilit de
techniques de synthse pour cette classe de modles. Dans les modles LPV, les matrices dans les
quations dtats (matrice dtat et/ou de commande) dpendent dun vecteur dordonnancement
variant dans le temps. Ce paramtre peut tre connu en tant directement mesurable ou fonction
de variables mesurables. Lorsque dpend du vecteur dtat non mesurable, le systme est dit
qLPV. Dans un contexte erreurs bornes, le vecteur est suppos inconnu mais variant dans un
domaine compact connu a priori. Les systmes LPV sont dcrits par la reprsentation dtat
suivante :

() = ()() +()()
() = ()() +()()
.
(19)

Nous rencontrons dans la littrature deux principales classes de modlisation LPV et qLPV. La
premire, base sur des approximations, consiste construire un ensemble de modles Linaires
Temps Invariant (LTI) obtenus autour de points dquilibre ou de points de fonctionnement.
Ensuite ces modles LTI sont interpols laide de fonctions dinterpolation afin de reproduire
une approximation du fonctionnement du systme non linaire. La seconde classe utilise des
transformations permettant de capturer les non linarits en choisissant convenablement des
variables dtat mesurables en tant que vecteur dordonnancement. Les techniques les plus
utilises sont :

mthode de linarisation jacobienne (voir par exemple [35], [102], [148]) ;
mthode de transformation dtat [138] ;
mthode de la "fonction de substitution" qui a t propose notamment pour des applications
aronautiques [139] ;
mthode de transformation polytopique convexe [120].

La plupart de ces techniques de linarisation sont bases sur des approximations do une perte
dinformations. Dans [154], une mthodologie base sur une linarisation intervalle garantie est
propose pour la transformation qLPV dun systme non linaire et la synthse dun observateur
intervalle utilise une dmarche similaire celle de la sous-section 2.3. Le calcul ensembliste
permet deffectuer une linarisation autour de la trajectoire du vecteur dtat au lieu dune
linarisation ponctuelle. Nous rappelons ici cette technique prsente dans [154] pour des
systmes non autonomes.


78
2.4.1 Linarisation garantie pour des systmes non linaires
Considrons un systme non linaire dcrit par :

() = ((), ())
() = ((), ())
.
(20)

En utilisant les fonctions dinclusion moyennes des fonctions et et moyennant un
changement de variables sur ltat et lentre , il est possible de tranformer le systme (20)
sous une forme qLPV.

Dfinition 3.

Fonction dinclusion moyenne

On appelle fonction dinclusion moyenne de , la fonction intervalle :

[(())] (
) +
([], [])(()
) +[
]([], [])(()
)
(21)

o () = ((), ()),
[],
=
()
()
et
=
()
()
sont respectivement les matrices

jacobiennes de la fonction par rapport et ,
et
sont respectivement une fonction

dinclusion pour
et
. Le point
est gnralement choisi comme tant le centre de [].

Aprs un changement de variables : () = ()
, () = ()
et lvaluation des
domaines
nous obtenons la reprsentation qLPV suivante pour lquation dtat de

(20) :

() = ()() +()().
(22)

Un raisonnement identique sur lquation de mesure du systme (20) permet dobtenir la
reprsentation LPV suivante :

() = () (
) = ()() +()().
(23)

79
Les matrices (), (), () et () dpendent de ltat () travers le
paramtre (). Pour cette raison, le systme dcrit par (22) et (23) est dit quasi-LPV (qLPV). A
partir de cette forme qLPV, un observateur intervalle est construit en utilisant une structure
similaire (11).
2.4.2 Observateur intervalle pour des systmes qLPV
On considre le systme qLPV constitu par les quations (22) et (23). Par souci de clart, les
matrices (), (), () et () seront dsormais notes , , et . Le
systme :

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

(24)

est un observateur intervalle pour (22) - (23) si la relation dordre (25) est assure :

() ()
(),
. (25)
On note et les bornes suprieure et infrieure (lment par lment) de la matrice (idem
pour les matrices , , et le gain ).

En supposant que la sortie est affecte par un bruit de mesure born par la valeur (a priori
connue), on obtient lencadrement suivant :

[()] = [
() ,
() + ], (26)
avec
le vecteur de mesure.

En utilisant (26), le systme (24) devient :

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

(27)


80
Dans la suite, nous allons tudier la positivit des erreurs dobservation ainsi que la convergence
de (27). Afin de simplifier les preuves, les gains et sont choisis gaux, soit = = .

Positivit de lerreur

La dynamique de lerreur dobservation pour la borne suprieure de lobservateur intervalle
est tablie dans ([154], [128]) ; elle est dfinie par :

() =
() ()
=
() + () + (
() +)
()() + ()()
=
() +
(),
(28)

avec

() = () +(
() + ) ()() ()().
(29)

Pour la borne infrieure de lobservateur intervalle, la dynamique de lerreur dobservation est
donne par :

() = ()
() =
().
(30)
avec

() = () +(
() + ) ()() ()().
(31)

Dans les lignes qui suivent, les matrices , , et seront indiffremment dsignes par une
matrice gnrique . Nous ntudierons ici que le cas de la borne suprieure, un raisonnement
analogue pouvant tre fait pour la borne infrieure. Les matrices dsignes par tant toutes
supposes bornes, nous pouvons crire :

= +
.
(32)

La relation (32) nous permet dcrire :


81

= (
) +
.
(33)

En injectant la relation (33) dans lquation (28), la dynamique de lerreur dobservation sur la
borne suprieure scrit :

+ ( + +)
=
+
=
+[(
) +(
) + ]
=
,
(34)

avec
= (
) +(
) + .

Ainsi, daprs le lemme 1, le choix dun gain tel que :

la matrice soit stable et Metzler et
le terme
soit positif,
conduit une erreur dobservation
non ngative. Lensemble

1
des gains remplissant cette
double condition est dfini par :

|
,
0, (
0 .
(35)

Suivant un raisonnement similaire, lensemble
2
des gains assurant la positivit de lerreur
dobservation pour la borne ngative est dfini par :

|
,
0, (
0 ,
(36)

avec
= (
) +(
) + .

Lintersection =
donne alors lensemble des gains assurant la cooprativit de lerreur

dobservation pour lobservateur (27). La garantie destimation de bornes encadrant les

82
trajectoires des tats inconnus est ainsi assure et il est possible galement dagir sur la vitesse de
convergence de lobservateur (27) en choisissant des gains adquats dans lensemble .


Il sagit plus prcisment de prouver que les bornes infrieure et suprieure de cet observateur
convergent asymptotiquement vers un intervalle dont lamplitude dpend de la prcision de la
linarisation (23) - (24). Pour cela, il est judicieux de sintresser la dynamique des estimes du
centre () et du rayon
() de cet intervalle.

() =

() +
()
() =

() + () +(
() + ) +

() + () +(
() )

,
(37)

() =

()
()
() =

() + () + (
() +)

() + () +(
() )

.
(38)

Par dfinition, les bornes suprieure et infrieure de la matrice gnrique {, , , }
peuvent tre crites sous la forme :

= [] +
[]
, = []
[]
.
(39)
En intgrant les relations (39) dans les quations (37) - (38), on obtient des quations rgissant la
dynamique des estimes du centre () et du rayon
() :

()
()
=
([] []) ([] [])
([] []) ([] [])
()
()
+
(),
(40)

83
avec
() =
([][])
([][])
() +
[]()
[]
.

Si
est Metzler et asymptotiquement stable et si
() est born par un vecteur positif
,
alors le lemme 1 garantit la convergence de lestimation vers une boule de centre
et de
rayon
tels que :

.
(41)

La technique de construction dun observateur intervalle pour des systmes qLPV suppose la
connaissance a priori de certaines informations sur le domaine de ltat inconnu . En effet, la
synthse du gain prend en compte le fait quil doit permettre dobtenir un terme
positif. Or,
ce terme
est fonction de ltat inconnu via la variable () = ()
.
Le gain permet certes de matriser la convergence de lobservateur intervalle, mais cette
prcision dans lestimation reste limite par la taille du domaine born des incertitudes. Pour
amliorer lestimation, nous avons voqu dans la section 1 lide dassocier aux observateurs
intervalles, une technique robuste base de modes glissants reconnus pour leur insensibilit face
aux incertitudes dun modle et la convergence en temps fini de ces observateurs.

3. Observateurs mixtes

Lapproche que nous allons proposer [31] consiste utiliser un diffrentiateur numrique HOSM
(voir chapitre 1) pour estimer la partie fortement observable du vecteur dtat ainsi que sa
drive. Ces dernires sont alors injectes dans les quations de lobservateur intervalle pour
amliorer lestimation de la partie non fortement observable de ltat. Il est possible, sous
certaines conditions dobservabilit ou de dtectabilit fortes, de rcrire un systme sous une
forme canonique, en gnral partiellement linaire, o ltat est spar en deux parties : sa partie
fortement observable ou dtectable et une deuxime partie qui ne lest pas. Le paragraphe 3.1 qui
suit sert rappeler les notions dobservabilit/dtectabilit forte et nous y prsenterons aussi la
transformation permettant de scinder ainsi ltat du systme initial en deux parties.


84
3.1 Observabilit et dtectabilit fortes

Considrons un systme LTI dcrit par :

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

(42)

o
, , sont respectivement ltat, la sortie et une entre inconnue. Les matrices

, et sont de dimensions appropries.

3.1.1 Dfinitions

Dfinition 4. [43]

Observabilit forte

Le systme (42) est dit fortement observable si pour toute condition initiale (
) et toute entre
inconnue (), la sortie () 0, 0, implique que () 0, 0.

Daprs [43], les assertions suivantes sont quivalentes :

Le systme (42) est fortement observable.

Le triplet (, , ) ne possde aucun zro invariant
9
.

Le systme a un degr relatif par rapport lentre inconnue ().

Dfinition 5. [43]

Dtectabilit forte

Le systme (42) est dit fortement dtectable si pour toute condition initiale (
) et pour toute
entre inconnue (), la sortie () 0,
, implique que () 0, .

9

est appel un zro invariant de (, , ) si ((
)) + (), o () est la matrice de

Rosenbrock du systme (42) donne par : () =

.

85
Nous avons galement les quivalences suivantes :

Le systme (42) est fortement dtectable.

Les zros invariants du triplet (, , ) satisfont () < 0.

Pour les systmes prsentant partiellement des proprits dobservabilit ou de dtectabilit forte,
il est prouv dans ([63], [7]) quil est possible de trouver une transformation linaire qui permet
disoler la partie fortement observable/dtectable.

3.1.2 Transformation linaire et forme canonique
Dans ce paragraphe, nous allons prsenter la transformation linaire pour les systmes
partiellement fortement dtectables (voir par exemple [63], [7]). Cette transformation de ltat
permet galement de dcoupler lentre inconnue dune partie de ltat x.

Soit une matrice dfinie par :

=
()
,
(43)

o
= et la matrice ()
= [()
()]
()
est la pseudo-inverse gauche de

.
Le scalaire 0 dans (42) et de manire gnrale, on a ( ) = ().

Linverse
de est donne par :

= [
(()
](()
. (44)
Soit la transformation = , il est alors possible de partitionner le vecteur dtat en deux
parties
et
telles que :

= [
= ()

avec
et
= .

La dynamique du systme dans la base z est dcrite par :

86

(45)

o

0 1 0 0
0 1
0 0
0 0 1
0 0

0 0
0
= (1 0 0),
= (0 0 )
, 0.

Les matrices
et
sont de dimensions appropries et on a = 1 si le degr relatif

10
du
systme (42) est infrieur au rang
de la matrice dobservabilit dfinie par :

=

.

Pour =
, on a = 0. Quand la sortie 0, la dynamique du systme (45) se trouve rduite
. Les valeurs propres de la matrice
correspondent alors aux zros invariants du

systme. Si la matrice
est Hurwitz, alors le systme (45) est dit minimum de phase et

0 implique que z() tend vers 0.
La transformation linaire est ici utilise pour des systmes invariants dans le temps. Dans le
paragraphe qui suit, nous lappliquerons des systmes LPV pour obtenir une forme canonique
semblable (45) nous permettant de construire un observateur mixte.
3.2 Observateur mixte

Nous allons prsent construire un observateur mixte pour des systmes LPV dcrits par :

() = ()() +()()
() = (), () = +()
,
(46)

10
Le degr relatif dun systme est dfini dans lannexe A.

87
avec
ltat, la sortie, lentre et
, le vecteur des
paramtres. Ici, nous supposons que le domaine est connu et born, les paramtres ne sont pas
forcment mesurables. est le signal mesurable affect par le bruit de mesure . Les matrices

, :
sont de dimensions appropries et connues.

Le choix de la modlisation LPV a dj t motiv dans le paragraphe 2.4 et permet une
ventuelle extension aux systmes non linaires moyennant, par exemple, une linarisation
jacobienne.

Nous faisons lhypothse gnrale que ltat, lentre et le bruit de mesure sont borns et de
bornes connues entranant que est galement born (de borne connue).

Hypothse 4. Les signaux , et sont borns et on a :

, , ; , , > 0. (47)

Dans la suite de ce paragraphe et pour plus de clart dans la prsentation, nous allons considrer
le cas mono-sortie ( = 1) sans aucune perte de gnralit.

3.2.1 Transformation linaire pour les systmes LPV
Nous faisons une deuxime hypothse sur lexistence dune transformation semblable celle
dfinie en 3.1.2 qui permet de dcomposer le systme (46) en deux sous-systmes interconnects.

Hypothse 5. Il existe une matrice inversible ()
, pour tout , telle que (46) peut

tre reprsent sous la forme :

= (), =
, = [
()
()
()
()]

(48)

()
()
()() (49)
o


88
0 1 0 0
0 1
0
0 1
0 0 0
= (1 0 0),
= (0 0 1)

est une reprsentation canonique. Les fonctions
(),
(),
() et les matrices
(),
(),
() sont de dimensions adquates.

Le sous-systme (48) est fortement observable tant donn quil est sous une forme canonique
dfinie par (
). Par ailleurs, le systme (46) nest pas ncessairement dtectable et sa

dynamique peut tre non-minimum de phase (voir [140] pour plus de dtails) tant donn
quaucune hypothse na t faite sur la stabilit de la matrice
(). Dans ce cas, lapproche

intervalle se rvle utile, car il est difficile dappliquer la technique classique des modes glissants
aux systmes ntant pas minimum de phase. Notons que lorsque
= 1 et en choisissant
= , il sagit dune linarisation par retour de sortie et lhypothse 5 est donc toujours valable.
Toutes ces considrations justifient lexistence dun sous-systme fortement observable.

La matrice
() peut donc tre instable et nous faisons lhypothse dun retour de sortie
permettant de la stabiliser.

Hypothse 6. Il existe une fonction vectorielle ()
telle que :

[
()
()()] ()[
()
()
()] =
()().

est une matrice stable et indpendante de ;
()
est une fonction

vectorielle.

3.2.2 Synthse de lobservateur mixte
Aprs avoir isol la partie fortement observable du systme (46), nous allons prsent montrer
les diffrentes tapes de la synthse de lobservateur mixte. Lhypothse 7 qui suit est gnrale
dans la thorie des observateurs intervalles. Une matrice de passage non-singulire P est utilise
pour rendre
stable et Metzler.

Hypothse 7. Il existe une matrice
telle que la matrice =
soit stable et
Metzler.

89
En se basant sur ces hypothses, nous proposons dutiliser le diffrentiateur HOSM (45) prsent
au chapitre 1 pour estimer la partie
du vecteur dtat et sa drive
. Linjection de ces
informations dans lquation (48) permettent de fournir une estimation du signal
()
()
(), qui peut tre utilise dans la construction dun observateur intervalle pour le sous-
systme (49) dans la base =
.

Daprs lhypothse 5, la sortie du sous-systme (48) possde
drives. En utilisant le
thorme 2 du chapitre 1 et lhypothse 4, il existe des paramtres
, = 0, ,
dans le
diffrentiateur HOSM :

) +
) +

)
+
) +

et > 0 tels que pour tout :

()
()
()

, = 0, ,

pour des constantes
> 0 ;
() est lestime de la drive

()
().

Ainsi,

() =
() +
()

() =
() +
()
,

o
,
() =
()
,
()

, = 1, ,
()|
.

90
Les variables
et
sont calcules laide du diffrentiateur HOSM et sont donc utilises

dans lobservateur intervalle comme des entres. Les erreurs
et
sont bornes par une

fonction dpendant de la constante .

La substitution de ces variables dans la dernire quation de (48) donne :

() +
() =
()
() +
()] +
()
()
()

qui peut galement se rcrire sous la forme :

()
()
() =
() +
()
()
() +
()]. (50)

La substitution de (50) dans (49) conduit :

()
+[
()
()()]
=
()[
() +
()] +
()()
+()[
()
()
()]
=
()[
() +
()] +
()()
+()
() +
()
()
() +
()]

+ [
() ()
()
][
() +
()] +()
() +
()
+
()()

(51)
Daprs lhypothse 6, le systme (51) est stable. En utilisant la transformation de
coordonnes =
, le systme (51) peut tre rcrit sous la forme :

= +
()[
() +
()] +
()
() +
() +
()() (52)
avec

() =
() ()
()
() =
() .
() =
()

La dynamique (52) est cooprative et stable, et toutes les variables de la partie droite de
lquation (52) sont bornes pour :


91
()
, = 1, 2, 3,
,
()
,
=

, = 1, ,
()|
, >

o les matrices
, = 1, 2, 3 sont connues.

Un observateur intervalle pour (52) est alors propos en se basant sur une majoration des termes
(). Il est dcrit par :

= +

(53)

= +

(54)
avec
= max(, ) et
.

Positivit de lerreur dobservation () = () () :

La dynamique de lerreur dobservation est dcrite par :

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

o :

() =
() +
() +
()
+
() +
()[
() +
()] +
()
() +
() +
()().

92

La matrice tant Metzler, il nous faut prouver que > afin dassurer la positivit de lerreur
.

Termes en
et

Posons =
()() o = 1,2 pour =
.

=
()
=
()
=
()
.

Or
>
> 0 car on a
()
et
. Le terme est donc positif.

,

2

Diffrentiateur
HOSM

,
Observateur
intervalle
=

Figure 2.1 Schma rcapitulatif de lobservateur mixte.

93
Termes en
et u

Posons =
()() o = 1,2,3 pour =
et u.
On a dune part :
()
= max(,
) et dautre part
()
, .
De plus la matrice
ne contient, par dfinition, que des termes positifs ou nuls. On dduit donc
que :
()().
Par suite, le terme est positif.

Les termes et tant positifs, alors est aussi positif. Nous avons donc dmontr la positivit
de lerreur . Par un raisonnement similaire, on montre aussi que lerreur = est positive.
Ltat est donc born et on a :

< () () () < .

partir des conditions initiales :

() () (). (55)

Linstant correspond la convergence du diffrentiateur HOSM et donc linitialisation de
lobservateur intervalle. Lencadrement du vecteur dtat est alors vrifi partir de cet instant.
Les tats
et sobtiennent par des changements de bases inverses dcrits ci-dessous :

()
() = ()
()
() =
()
()
() =
()
()
()
()
()
() =
()
()
() =
() +
()
.

On pose =
et =
. Le lemme suivant permet deffectuer le retour dans

la base initiale x.


94
Lemme 2.
Soit un vecteur
born par et (i.e. ), et
une matrice constante,

alors :
.

Si
est une matrice variable telle que : , avec ,
, alors on a :

Preuve du lemme 2 :

1. Les relations
= max(, ) et
permettent de rcrire =
.
Lencadrement de ltat est multipli dune part par la matrice
,
et dautre part par la matrice
.

La diffrence entre ces deux dernires relations conduit :

= (
.

2. Il est possible de rcrire lencadrement prcdent sous la forme :

= (
.

En considrant la relation applique aux matrices
et
, il vient que :

.

Ainsi, daprs le lemme 2, les bornes du vecteur dtat sont donnes par :

= ()

(56)

Lobservateur mixte (53)-(54) peut alors tre rsum par le thorme 1.

95

Thorme 1. On suppose que les signaux , et sont borns et les hypothses 5, 6, 7 valides
pour le systme (46). Alors, il existe un ensemble de paramtres
, = 0, ,
pour le
diffrentiateur HOSM (45) (chapitre 1) et une constante > 0 tels que pour tout ,
lencadrement (56) soit vrai aprs linitialisation de (53) et (54) avec (55).

Remarque 1. Les hypothses 6 et 7 peuvent tre relaxes sil existe une fonction ()

telle que :

[
()
()()] ()[
()
()
()] =
()
()()

pour une matrice
()
Metzler et stable et
()
. Les rsultats du
thorme 1 peuvent alors sobtenir en utilisant la mme mthodologie et un observateur intervalle
semblable celui propos dans [128].

Remarque 2. La condition de bornitude du vecteur dtat peut tre relaxe tant donn que
lobservateur intervalle est valide seulement au bout dun temps fini. Nous avons donc besoin de
la bornitude du vecteur dtat sur un horizon [0,
] avec
, o est donn dans le

thorme 1.

Les conditions du thorme 1 sous-entendent que lobservateur intervalle (53)-(54) ne commence
fournir des rsultats garantis qu partir de linstant = . Linstant T se dtermine en ligne en
vrifiant la proprit :

() ()| ,
o > 0 est une constante qui dpend du pas de discrtisation utilis pour limplmentation du
diffrentiateur HOSM. Dans le cas o il ny a pas derreur de calcul, nous avons = 0 [97].
Exemple 2.
Lexemple que nous allons traiter est celui dun pendule invers (voir figure 2.2) dont le modle
linaris est dcrit par :

()
+ (), =
+ .

(57)
[( +)
+()].

(58)
autour de sa position haute dquilibre instable.
sont respectivement la position

et la vitesse du chariot,
sont respectivement la position et la vitesse angulaires;


96
et sont les masses connues du chariot et du pendule, est la longueur fixe et connue de la tige
du pendule, = 9.8/
est lacclration de la pesanteur.

Les paramtres
> 0 et
()
sont des coefficients de friction (
est inconnu et
varie dans le temps).

Lentre est dcrite par :

() =
+,

avec une perturbation externe borne : . Les valeurs des paramtres positifs
et sont connues.

On pose
= [
et
= [
. Le sous-systme
constitu par le chariot est fortement

observable et lunique mesure disponible est la position du chariot
affecte par le bruit de

mesure . Le sous-systme est instable mais peut tre stabilis en boucle ferme en utilisant un
correcteur proportionnel intgral (PI). Notre objectif, dans cet exemple, tant de montrer la

Figure 2.2 Pendule invers sur un chariot mobile

97
synthse dun observateur mixte, nous considrons une fentre temporelle sur laquelle les
variables sont bornes (hypothse 4).

Un diffrentiateur numrique dordre 1 ( = 1) :

) +

= 1.5
/
,
= 1.1 , = 20000

nous permet destimer ltat
et sa drive premire
() =
() +
();
() =
() +
().

(59)
En substituant les quations (59) dans (57), on obtient :

() +
() =
()[
() +
()] +
+

ou encore

() +
() +
()[
() +
()] +
. (60)
La relation (60), rinjecte dans les quations (58), conduit :

() +
() +
()[
() +
()] +
], (61)

[( +)
+].

(62)
Le terme
est choisi positif et il doit rendre stable la matrice Metzler :

(+ )
,

dcrivant la dynamique du sous-systme
.

En posant () = [
0]
, toutes les conditions du thorme 1 sont donc runies et nous pouvons

construire lobservateur intervalle suivant :


98

( + )
(+)

Les valeurs numriques des diffrents paramtres sont donnes dans le tableau 2.1 :

Paramtres Valeurs
5kg
1kg
2m
0.1

0.4

0.02m/s
0.2
45
0.1m/s
19m/s

Tableau 2.1. Valeurs des paramtres pour le pendule invers et lobservateur associ.

Lors des simulations, les paramtres et fonctions variant dans le temps sont choisis comme tant :

() = 0.15 sin(20) , () = 0.02sin(2).

= 0.25 +0.15 sin(
) , () [0.01,0.01].


99

Figure 2.3. Domaine estim de ltat
avec lobservateur mixte.

Daprs les figures 2.3 - 2.5, le systme du pendule invers est instable. Grce la combinaison
modes glissants-observateurs intervalles, nous avons pu estimer les domaines auxquels
appartiennent les tats
et
de manire garantie. Lobservateur pour
converge trs
rapidement et celui ddi lestimation de
converge aprs 0.01 (voir le zoom figure

2.4) ; ce qui reprsente un dlai trs minime.

Figure 2.4. Zoom sur le domaine estim de ltat
.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-20
0
20
40
60
80
100
120
140
Temps (s)
x
3

borne sup x3
x3
borne inf x3
0.02 0.04 0.06 0.08 0.1 0.12 0.14
-20
-15
-10
-5
0
5
10
15
20
25
Temps (s)
x
3

borne sup x3
x3
borne inf x3

100

Figure 2.5. Domaine estim de ltat
avec lobservateur mixte.

Pour comparaison, on peut construire un observateur intervalle bas sur le thorme de Mller
[119] et la construction de systmes bornants (voir [87], [155], [156]) pour (57)-(58). En effet,
bien quil soit possible de mettre le systme sous une forme qLPV (le paramtre
dpend de
ltat
), il nexiste pas de gain permettant de construire un observateur intervalle semblable

(27) dans la base x.

+ ,
< 0
+,
> 0
( +)
+ ,
< 0
+,
> 0
((+)
+ )

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-100
0
100
200
300
400
500
600
700
800
Temps (s)
x
4

borne sup x4
x4
borne inf x4

101

Figure 2.6 Domaine estim de ltat
avec la construction de systmes bornants.

Figure 2.7 Domaine estim de ltat
avec la construction de systmes bornants.

On constate une nette amlioration de lestimation des tats
et
grce lutilisation de
lobservateur mixte. En effet, les domaines estims de
et
construits laide des systmes

bornants (voir figures 2.6 et 2.7) sont beaucoup plus larges et donc moins prcis.

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-50
0
50
100
150
200
250
300
Temps(s)
x
3

borne sup x3
x3
borne inf x3
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-200
0
200
400
600
800
1000
1200
1400
Temps (s)
x
4

borne sup x4
x4
borne inf x4

102
4. Conclusion

Dans ce chapitre nous avons tout dabord rappel quelques travaux importants sur les
observateurs intervalles base de gain. Cette technique a t applique une certaine classe de
systmes partiellement linaires et invariants dans le temps. Une premire extension la classe
des systmes LPV a t possible grce une linarisation jacobienne mais les proprits de
monotonie ou de cooprativit restent ncessaires.

Nous nous sommes ensuite intresss la question de lobservabilit/dtectabilit du systme
tudi qui peut tre une limitation la construction des observateurs intervalles. La solution que
nous avons propose consiste associer un observateur, plus prcisment un diffrentiateur,
modes glissants la technique classique des observateurs intervalles. Cette association des
techniques a galement permis damliorer la prcision de lestimation tout en largissant la
classe des systmes LPV pour lesquels un observateur intervalle peut tre envisag. Il faut noter
que le cas des systmes non-minimum de phase a pu galement tre trait.

Une autre limitation, que nous avons dj mentionne, est la satisfaction des conditions de
Metzler et de stabilit par lobservateur. Dans le chapitre suivant, des solutions seront proposes
afin de contourner cette limitation.

Relaxation des observateurs intervalles

103

Chapitre 3 Relaxation des observateurs intervalles

1. Introduction

Le chapitre 2 a permis, dans un premier temps, de rappeler des travaux rcents sur les
observateurs intervalles avec une erreur destimation cooprative. La synthse de ces
observateurs y est alors conditionne dune part par lobservabilit ou tout au moins la
dtectabilit des systmes. Les observateurs mixtes que nous avons ensuite dvelopps sont un
moyen dassouplir cette premire condition pour lestimation dtat des systmes ntant pas
fortement observables ou dtectables. Dautre part, il se pose une autre limitation qui est celle de
la satisfaction de la double condition de Metzler et de stabilit de lobservateur. Souvent, il nest
pas possible de dterminer un gain assurant la cooprativit de lerreur dobservation dans la base
initiale.

Afin de lever cette limitation dapplication des observateurs intervalles la classe spcifique des
systmes LTI (Linaires Temps Invariant), il a t propos dans [105], [106], [107] un
changement de coordonnes variant dans le temps. Grce cette transformation, il a t dmontr
que nimporte quel systme LTI asymptotiquement stable peut tre transform en un systme
stable et coopratif pour lequel un observateur intervalle peut tre construit.

Dans les travaux [136] que nous allons prsenter dans ce chapitre, nous avons utilis les rsultats
sur les systmes LTI asymptotiquement stables pour tendre la construction des observateurs
intervalles une classe particulire de systmes non linaires. Une linarisation partielle exacte
[68] nous permet dans un premier temps de transformer le systme non linaire initial sous une
forme canonique puis nous procdons un changement de coordonnes bas sur les travaux
[105], [106], [107] pour garantir la cooprativit et la stabilit de lobservateur. Ainsi, il est
possible de construire un observateur intervalle pour tout systme non linaire localement
observable.

Nous prsenterons la fin de ce chapitre dautres rsultats rcents sur les observateurs intervalles.
Lide dun double changement de coordonnes a galement t exploite dans [129] pour
construire des observateurs intervalles pour une classe de systmes non linaires. Comme dans
[136], une linarisation partielle exacte est opre pour la mise sous forme canonique. Nanmoins

104
dans [129], la matrice du second changement de coordonnes est obtenue travers la rsolution
dune quation de Sylvester. Enfin, nous soulignerons les travaux [29], [30] pour tendre la
construction dobservateurs intervalles aux systmes variant dans le temps.

2. Relaxation des observateurs intervalles
2.1 Position du problme
Dans le chapitre 2, nous avons prsent des observateurs intervalles pour lesquels nous avons
suppos que les conditions de stabilit et de cooprativit de la matrice taient remplies.
Or, il est souvent difficile pour des systmes physiques rels de conjuguer simultanment et de
prime abord ces deux proprits (stabilit et cooprativit, voir exemple 1). Il serait donc
intressant de pouvoir relaxer cette contrainte afin dlargir la classe de systmes pour lesquels il
est possible de construire des observateurs intervalles. Cest lobjet de cette section o diffrentes
techniques sont proposes pour des systmes LTI, LTV (Linaires Temps Variant) et non
linaires.
2.2 Observateur intervalle pour les systmes LTI asymptotiquement stables

La double condition stabilit/cooprativit ncessaire pour la construction dun observateur
intervalle entrane une limitation dans la famille des systmes linaires ou partiellement linaires
qui peuvent tre traits. Comme lillustre lexemple 1, il est difficile de satisfaire cette double
condition dans une mme base pour un systme.

Exemple 1. On considre un systme linaire dcrit par = + , = , avec :

=
0 1
0 0
, =
0
1
, = (
1 0
).

La matrice =
0
, avec =
, est stable si et seulement si
> 0. Pour que la

matrice soit Metzler, il faut
0. Il y a donc incompatibilit entre ces deux proprits

dans la mme base x.

2.2.1 Transformation LTI et LTV

Considrons la dynamique linaire :

105
= (1)
o
et
est une matrice constante et stable.

Il a t prouv dans [105] que tout systme LTI stable peut tre transform en un systme LTI
coopratif et stable. En effet, toute matrice relle possde une forme canonique de Jordan. Si la
matrice stable a toutes ses valeurs propres relles, alors le problme de cooprativit est
directement rsolu par le changement de coordonnes LTI que reprsente la jordanisation. Si la
matrice possde aussi des valeurs propres complexes, la forme de Jordan nest plus cooprative
et un deuxime changement de coordonnes, cette fois ci variant dans le temps, est ncessaire
pour obtenir une forme cooprative.

Le thorme 1 rsume les lignes prcdentes et suivant donc la nature relle ou complexe des
valeurs propres de la matrice , lobservateur intervalle sera construit aprs un simple
changement de coordonnes LTI (jordanisation) ou un double changement de bases LTI puis
LTV.

Thorme 1 [107]

Soit un systme dcrit par (1). Alors, il existe un changement de base = () variant dans le
temps, o est une fonction matricielle dont les lments sont de classe
et borns,
transformant (1) en un systme LTI coopratif et exponentiellement stable.

Preuve du thorme 1

Nous montrons dans ce paragraphe les diffrentes tapes du raisonnement aboutissant au
thorme 1. Nous rappelons tout dabord la dfinition du bloc et de la matrice de Jordan afin de
faciliter la comprhension de la preuve venir du thorme 1.

Dfinition 1. Bloc de Jordan, Matrice de Jordan

Soit . On appelle bloc de Jordan la matrice triangulaire suprieure
() dcrite par :

() =
1 0 0
0 1
0 0
1
0 0

(1)

106
On appelle matrice de Jordan, une matrice dcrite par :

=
0 0
0
0

0 0
,
(2)

o les matrices
, = 1 sont des blocs de Jordan. Si
() (ensemble des matrices carres

complexes), on a alors
+ +
= .

Thorme 2. [159]

Pour toute matrice
(), il existe une matrice non singulire
telle que :

=
.
(3)
Les valeurs propres
ne sont pas forcment toutes distinctes et si est une matrice relle avec des valeurs
propres relles, alors peut tre choisie relle.

Forme de Jordan

Daprs le thorme 2, il existe donc un changement de coordonnes invariant dans le temps
= transformant le systme (1) en :

= =
0 0
0
0

0 0
.
(4)

La matrice de Jordan =
est compose de blocs de Jordan correspondant aux valeurs

propres relles de multiplicit

et de blocs de Jordan pour les valeurs propres complexes
de multiplicit

. On a alors

+ 2

= .

Les blocs de Jordan
composant la matrice sont donns par :

1 0 0
0
1
0 0
1
0 0 0

, = 1. .
(5)


107
pour les valeurs propres relles
< 0 et

0 0
0

0 0

0 0 0

, = +1 . . .
(6)

pour les valeurs propres complexes avec
et
=
1 0
0 1
.

Les valeurs
sont relles et positives et les
sont des termes rels non-nuls. Les premiers

blocs de Jordan de la matrice constituent la partie cooprative de cette matrice. Cependant, les
blocs complexes ne sont pas coopratifs et il est prouv dans [106] quil est impossible de trouver
un changement de coordonnes invariant dans le temps permettant de rendre cooprative la partie
complexe de la matrice . Un changement de coordonnes variant dans le temps a donc t
propos dans [105], [107].

Changement de coordonnes LTV

On considre un systme linaire dcrit par :

= =
0 0
0

0 0

0 0 0
,
(7)

avec
et =

, 0, > 0.

Lemme 1

Le changement de coordonnes variant dans le temps :

= () (8)

avec

108
() =
() 0 0
0 () 0

0 0 ()

,

et
() =
() ()
() ()

,

transforme le systme (7) en :

= (9)
avec
=
0 0
0

0 0

0 0 0
.

Le lecteur intress pourra consulter [107] pour la preuve de ce lemme.

Par construction, la matrice est Metzler. Ainsi, pour chaque bloc de Jordan
,..
, nous
pouvons trouver un changement de coordonnes LTV transformant la matrice
,..
en une
matrice stable et cooprative
,..
. En dsignant par la partie de la matrice de Jordan
constitue par les blocs
,,,
, nous pouvons construire une matrice telle que :

=
0 0
0
0

0 0
,
(10)

avec

=
0 0
0 0 0
0

0
0 0
et

= .

109
La matrice regroupe la partie correspondant aux valeurs propres relles et la partie lie aux
valeurs propres complexes (
,..
) ncessitant un changement de coordonnes LTV pour
devenir cooprative (
,..
). est donc cooprative et stable. Le changement de
coordonnes LTV est alors dfini par :

= () (11)
avec

() =
0 0
0
() 0 0
0
()
0
0 0
()

et qui transforme le systme (4) en

= .
(12)

Le double changement de coordonnes LTI-LTV qui est dfini par :

= (), (13)

avec () = (), permet alors de transformer le systme LTI asymptotiquement stable (1) en
un systme stable et coopratif (12).

2.2.2 Structure de lobservateur intervalle
On considre un systme linaire asymptotiquement stable dcrit par :

= +() (14)

avec
et
est une matrice constante et Hurwitz.

Thorme 3 [107]

110
Soit un systme dcrit par (14) o () est une fonction lipschitzienne et suppose borne par
deux fonctions
() et
() ayant les mmes proprits que () et telles que :

0,
() ()
().

Il existe alors une fonction matricielle :
de classe
dont les lments sont borns

en norme et telle que pour tout , () soit invertible. Il existe aussi une matrice constante et
Hurwitz
telle que : ,
() = () ().
Lobservateur intervalle associ (14) aprs la transformation () est alors donn par :

()
()
()
()
()
()
()
()
) =
) =
,
(15)

Le retour vers la base de dpart est assur par :

()
()
()
()
,
(16)

avec () une matrice telle que :
() =
(),
() = max, (),
() = max, (),
() =
() (),
() =
() ().

Les travaux [105], [106], [107] ont permis de gnraliser lapplication des observateurs
intervalles tous les systmes LTI asymptotiquement stables en assurant la positivit de lerreur
dobservation. Dans [129], le principe dun changement de coordonnes a galement t adopt
pour satisfaire aux conditions de Metzler et de stabilit. La matrice est invariante dans le temps
et est dtermine grce la rsolution dune quation de Sylvester. La technique est tout dabord
applique au cas des systmes linaires, puis une extension une classe particulire de systmes
non linaires est propose.

111
Dans le paragraphe qui suit, nous prsentons les travaux rcents [129] pour les systmes LTI.
Nous nous intressons plus particulirement ltape de dtermination du changement de
coordonnes via le calcul de la matrice .

2.3 Transformation des systmes LTI : Formulation de Sylvester

Dans[130], lquation de Sylvester
11
est utilise afin de calculer la matrice dun changement
de coordonnes aprs avoir fix un gain . Pour tablir lquation de Sylvester, nous considrons
tout dabord le systme linaire dcrit par :

= +
=

(17)

Le changement de coordonnes = , o est une matrice non singulire, transforme le
systme (17) en :

+
=

(18)

et le systme

+ +(
)
= ( )
+ +
(19)

est un observateur pour (18) avec une matrice stable et Metzler. Nous posons alors :

= ( )
(20)

11
Les quations de Sylvester sont trs frquentes dans de nombreuses thories (automatique, traitement du signal,
filtrage) relevant du domaine des mathmatiques appliques. Elles ont une forme gnrale dcrite par : + =
, o
et
est la matrice inconnue dterminer.

Il existe de nombreuses mthodes de rsolution pour ce type dquations dont certaines sont bases sur la
dcomposition de Schur [52], [34], une itration newtonienne [6], [66], [133], ou factorise [9]. Dune manire
gnrale, lquation matricielle de Sylvester admet une solution unique si et seulement si les matrices et nont
aucune valeur propre commune, i.e. : () () = , avec () lensemble des valeurs propres de et ()
celui des valeurs propres de .


112
La matrice de passage ntant pas singulire, une multiplication droite de lquation (20) par
nous donne :
= = , = (21)

Lquation (21) est une quation de Sylvester dinconnue et dont une procdure de rsolution
peut tre donne en utilisant le lemme suivant [130].

Lemme 2. Soit une matrice ( ) et une matrice Metzler ayant les mmes valeurs propres
pour un gain . Sil existe deux vecteurs
et
tels que les paires ,
et (,
) sont
observables, alors les matrices

=
et = (22)
satisfont (21) o

( )
.

Preuve du lemme 2 : Lobservabilit des paires ,
et (,
) impliquent la non
singularit des matrices dobservabilit
et
. Nous avons suppos que les matrices (

) et avaient les mmes valeurs propres, leurs formes canoniques observables sont donc les
mmes et on a :

( )
. (23)

Dans la relation (23), nous remplaons la matrice par son expression dans (20). Nous avons
alors :

( )
( )
. (24)
Par identification, nous obtenons :
et
= (
. Ces deux relations

sont quivalentes =
.

Le lemme 2 nous permet donc de calculer une matrice de passage aprs avoir fix un gain
assurant la stabilit de la matrice . Le gain peut tre choisi de manire ce que la
matrice ait des valeurs propres uniquement relles. La matrice permet alors un
changement de coordonnes projetant le systme (17) dans une base z o la cooprativit est

113
aussi assure. Les conditions de stabilit et de Metzler tant runies, il est ainsi possible de
construire un observateur intervalle. Lextension une classe particulire de systmes non
linaires est ensuite ralise en linarisant partiellement ces derniers.

Dans la section suivante, nous allons prsenter des travaux dvelopps dans le cadre de cette
thse afin dtendre lobservateur (15) une classe de systmes non linaires.

2.4 Cas des systmes non linaires

Nous prsentons dans ce paragraphe une de nos contributions qui a port sur la relaxation des
contraintes pour la construction dun observateur intervalle. Il sagit dans un premier temps de
linariser partiellement le systme avec un premier changement de variables puis de construire un
observateur intervalle remplissant les conditions de stabilit et de cooprativit grce un
deuxime changement de variables semblable (13).
Nous allons considrer dans cette partie des systmes mono-entre mono-sortie pour simplifier la
prsentation de la mthode propose.

Soit un systme non linaire dcrit par :

= () + ()
= ()
,
(25)

avec
le vecteur dtat et ltat initial
appartient un intervalle [
] =
. et
sont respectivement la sortie et lentre du systme. Enfin, :
et :
sont deux champs de vecteurs suffisamment drivables et :
est une fonction

scalaire plusieurs variables suffisamment drivable.
2.4.1 Linarisation partielle
Lobjectif ici est de transformer le systme (25) en une forme partiellement linaire avec un
retour dtat. Il sera alors possible de construire un observateur intervalle pour le systme (25)
avec une erreur dobservation prsentant une dynamique linaire. Cest le problme de
linarisation de lerreur dobservation ([12], [38], [89], [90]). Pour le rsoudre, il est ncessaire
de trouver une forme canonique dobservabilit non linaire (Nonlinear Canonical Observable
form : NCOF).

114
Les travaux [14] prsentent quelques rsultats sur les conditions dexistence de
diffomorphismes permettant la transformation dun systme non linaire en une NOCF. Ils se
basent notamment sur les thormes de Krener-Isidori [89], [68] et Krener-Respondek [90] que
nous rappelons ici.

Formes canoniques observables pour les systmes non linaires

On considre un systme non linaire mono-sortie dcrit par :

= ()
= ()
,
(26)

o ltat
et la sortie .

Travaux de Krener et Isidori (1983)

On suppose quil existe un changement de coordonnes = () permettant de transformer le
systme (26) sous la forme partiellement linaire :

= +()
=
,
(27)

O la non linarit dpend uniquement de la sortie.
Les matrices et seront dfinies dans (32) et est une fonction vectorielle relle.
La question qui se pose alors est de dterminer les conditions susantes et ncessaires
dexistence dun diomorphisme local qui transforme le systme dynamique (26) sous la
forme (27). Dans [89], des conditions pour une linarisation de lerreur dobservation sont
fournies ; elles sont donnes dans le thorme 4.

Thorme 4. [89], [68]

Le problme de linarisation de lerreur dobservation de (26) et (27) a une solution si et
seulement si :

1) le systme (26) est localement observable au sens de la condition du rang donne dans
lannexe A,


115
2) il existe un champ vectoriel solution de lquation :

()
()
()
()
() =
0
0
0
1

(28)

et tel que

= 0, 0 , 1.

Les crochets de Lie [. , . ] et loprateur sont dfinis dans lannexe A de ce manuscrit.

Sous rserve que les deux conditions du thorme 4 soient remplies, le diffomorphisme est
alors construit travers les tapes suivantes :

1) la rsolution de (28) pour dterminer le champ de vecteurs ;

2) la rsolution de lquation

= [()
() ()
()]
()

(29)
pour trouver une fonction dfinie dans un voisinage
de
et telle que (
) =
.
Linverse de cette fonction dfinit alors le diffomorphisme =
.
Une extension de ces travaux est donne dans [90] o la transformation de lespace dtat est
associe un diffomorphisme sur la sortie.

Travaux de Krener et Respondek (1985)

Les travaux de Krener et Respondek [90] relaxent les conditions du thorme 4 en considrant
deux diffomorphismes et qui transforment la dynamique du systme (26) en :

= +()
= () =
,
(30)

o est un diffomorphisme local sur la sortie.

116
Nous donnons ici une version mono-sortie du thorme original de Krener et Respondek qui
donne les conditions ncessaires et suffisantes de lexistence dun diffomorphisme = ()
transformant (26) en (30).

Thorme 5.

Il existe un diomorphisme local qui transforme le systme dynamique (26) sous la forme (30)
si et seulement si il existe une fonction () 0 telle que :

= 0, 1 ,

et le champ vectoriel est dfini par :

()
()
()
()
() =
0
0
0
()
= [
, ], = 2, , .

Remarque 1. Le cas () = 1 et =
dans le thorme 5 nous renvoie la premire assertion

du thorme 4.

Le diffomorphisme est calcul en rsolvant (29) o le champ vectoriel est remplac par .

Dans [68], un diffomorphisme permettant de linariser partiellement le systme (25) est fourni
en se rfrant au degr relatif.

Proposition 1. [68]

Soit un systme dcrit par (25) et de degr relatif = au voisinage
dun point x. Le
changement de coordonnes dfini par le diffomorphisme :

() =
()
()
()
=
()
()
()

(31)

117
transforme le systme (25) sous la forme partiellement linaire :

= () +()
=
= +
0
()
+
0
()

(32)

o =
0 1 0 0
0
0
0
1
0
1
0
, = (1 0 0) et la fonction () est non-nulle au voisinage de

tout point
= (
).

Remarque 2. Lorsque le degr relatif est infrieur la dimension du systme ( < ), il est
possible dutiliser une forme canonique partielle [80], [132] :

((
) +(
))
= (
)
=

(33)

o
est une matrice rduite de dimensions infrieures celles de dfinie dans (32),
= (1 0 . . . 0)
et
= (0 0 1)
. Les fonctions (. ), (. ) et (. ) sont

donnes par :

) =
)
(
) =
)
(
) =
) , 1

(34)

Un observateur intervalle peut alors tre construit en utilisant ce partitionnement si la partie non
observable
est stable.


118
2.4.2 Synthse dun observateur intervalle
Pour la construction dun observateur intervalle, nous supposons dans (32) que les fonctions (. )
et (. ) sont lipschitziennes et le systme (32) est localement observable.

On commence dabord par construire un observateur conventionnel de Luenberger, dcrit par :

= ( ) + () + () + ,
(35)

avec la matrice ( ) stable et le terme () + () + est suppos born.

Hypothse 1. Nous supposons que les fonctions (. ) et (. ) sont bornes et quil est possible de
construire des fonctions
(. ),
(. ),
(. ) et
(. ) telles que :

) ()
) et
) ()
).

Sous lhypothse 1, nous pouvons donc rcrire lquation (35) sous la forme :

+ (),
(36)

avec
= et () = () + () + .

La matrice
tant suppose stable et le terme born (les termes () et () sont supposs

borns), il nous faut satisfaire la condition de cooprativit afin de pouvoir construire un
observateur intervalle. Or, comme le dmontre lexemple 1, il nest pas possible dassurer la
condition de Metzler et la stabilit pour des formes normales.

Pour palier ce problme, nous procdons un second changement de base afin de raliser un
observateur intervalle. Ainsi, nous nous basons sur les rsultats [107] pour projeter lquation
(36) dans une nouvelle base offrant simultanment les proprits de stabilit et de cooprativit
la matrice
qui sera alors remplace par sa forme de Jordan .

Proposition 2.

Soit le changement de coordonnes dfini par : = et =
, o est la matrice de
transition dfinie dans (13) et la matrice de Jordan de
. Grce ce changement de base, il est

possible de construire un observateur intervalle stable et coopratif :

119

+()

+()
,
(37)

avec
= max(, ),
et

()

=
, , )
, , )
()

=
, , )
, , )
,
(38)

o
, , ) et
, , ) sont deux fonctions telles que :

, , ) (, , )
, , )
(
, , )
, , )

(, , ) = (
) + (
) +
.
(39)

Les bornes suprieure et infrieure du vecteur dtat sont respectivement reprsentes par
et
.

La construction de lobservateur intervalle (37) a ncessit deux changements de coordonnes
pour satisfaire aux conditions de stabilit et cooprativit. Il faut prsent, par des changements
de base inverses successifs, projeter lobservateur intervalle (37) dans les bases et .

Le premier changement de coordonnes pour retourner dans la base est donn par :

(40)

et le retour vers la base de dpart est assur par :

([
])
([
])
]

(41)

avec =
= max (, ) et
.

120
Le systme (37) - (41) est un observateur intervalle pour (25) si lerreur destimation des bornes
infrieure (
) et suprieure (
) reste positive et si le systme (37) converge

vers un intervalle de faible amplitude.

Preuve.
Positivit de lerreur destimation

Daprs lhypothse 1, les fonctions (. ) et (. ) sont bornes et lipschitziennes, par consquent
w est borne et lipschitzienne. Daprs (39) on a :

, , ) (, , )
, , ).

De plus, les relations
= max(, ) et
nous permettent de rcrire =
.

Lencadrement de la fonction est multipli dune part par la matrice
,

et dautre part par la matrice
.

La diffrence entre ces deux dernires relations nous conduit :

.

Nous pouvons donc crire dans la base :

()
() ()
. (42)

La dynamique de lerreur destimation de la borne suprieure
est donne par :


121
+()

=
+()

(
+ )
=
+ ()

()
= (
) +()
()
=
+()
().
(43)

Lencadrement (42) assurant la positivit de la quantit [()
()] et la matrice tant

Metzler, alors la positivit de
est garantie daprs le lemme 1 du chapitre 2 (idem pour la

borne infrieure).


Le lemme 1 du chapitre 2 nous permet de prouver la convergence de lobservateur intervalle. La
matrice tant stable et cooprative, il faut alors prouver que le vecteur [()
() est
born par un vecteur positif pour remplir les conditions du lemme 1 du chapitre 2. Or, les
fonctions (. ) et (. ) sont supposes bornes et lipschtziennes, il vient donc que w est borne et
la matrice est constante et relle.

Par suite, il existe un vecteur positif
tel que ()
() 0. On en dduit
alors que lerreur destimation
est borne par
(idem pour la borne infrieure).

Exemple 2.

On considre un systme non linaire dcrit par :

.

On suppose que lentre =
()
et que les conditions initiales exactes sur ltat sont :

(
= (1, 1, 1)
.

Le domaine initial de ltat est : [
] = ([0.8, 1.2], [0.9, 1.5], [0.8, 1.2])
.

122
Le degr relatif du systme est = = 3, on construit un changement de coordonnes
() dcrit par :

():
= () =
() =
() =

La reprsentation dtat (32) est donc dfinie par les matrices : =
0 1 0
0
0
0
0
1
0
, = (1 0 0)
et les fonctions () =
(
)
et () = 0.

Un observateur classique de Luenberger peut tre ainsi construit :

= ( ) +() +(). +
=
.

Le gain = (
est obtenu par le placement de ples suivant : = (1, 2, 4)
.
Ce choix permet dobtenir une matrice diagonalisable et de valeurs propres relles les
composantes du vecteur p.

Les conditions initiales sur x nous permettent de dduire un encadrement de ltat initial :

[
] = ([0.8, 1.2], [0.7, 0.3], [1.2, 0.8])

en utilisant les formules du changement de coordonnes ().

Le changement de coordonnes = est dfini par :

- la matrice de transition =
3.5901 3.5901 3.5901
15.0997 7.5498 3.7749
14.3604 3.5901 0.8975
qui est constitue des
vecteurs propres de ;

- les conditions initiales sur

:

= (3.9491, 5.2849, 19.0276)
= (2.5131, 20.3845, 9.3343)
.

123
Le bruit de mesure rajout sur la sortie est suppos born et appartenir au domaine : [0.4,0.4].
Les figures 3.1 et 3.2 reprsentent les domaines estims pour les tats inconnus
et
. Pour les
observateurs intervalles, lamplitude du domaine dcrit par les bornes suprieure et infrieure
donne une indication sur la performance de lestimation et plus particulirement sur le choix du
gain.

Figure 3.1 Estimation des bornes pour
.

.
0 1 2 3 4 5 6 7 8 9 10
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
Temps (s)
Bornes estimes du signal x1

borne inf x1
borne sup x1
x1
0 1 2 3 4 5 6 7 8 9 10
-4
-3
-2
-1
0
1
2
3
4
Temps (s)
Bornes estimes du signal x2

borne inf x2
borne sup x2
x2

124
Il faut aussi noter quun certain pessimisme est induit ici lors de la double phase de changements
de coordonnes inverses pour le retour vers la base initiale x. En effet, le premier changement de
coordonnes inverse, vers , est source de pessimisme lors de lvaluation des relations (40) par
les oprations de larithmtique intervalle (voir annexe B). Puis vient le deuxime changement de
coordonnes inverse, vers , qui ncessite linversion du diffomorphisme . Cette inversion
est triviale lorsque est monotone par rapport au vecteur dtat. Dans le cas contraire, des
techniques dinversion ensembliste et de propagation de contraintes bases sur lanalyse par
intervalles peuvent tre utilises afin de caractriser le domaine des valeurs admissibles du
vecteur dtat.

Cette technique a surtout port sur la relaxation des contraintes stabilit/cooprativit, cependant
la question du choix du gain na pas t clairement aborde. Dans lexemple 2, nous avons
calcul ce gain par placement de ples. Cependant, il existe dans la littrature dautres techniques
(Formule de Bass et Gura [160], Loop Transfer Recovery LTR [145], LMI [15], etc.) pour la
dtermination du gain en fonction des objectifs de synthse de lobservateur : taux de
convergence, prcision de lestimation (rduire leffet du bruit), stabilit/cooprativit du
systme, etc. Toujours dans lexemple 2, nous avons calcul un gain offrant des valeurs propres
relles la matrice . Ce qui permet dviter un changement de coordonnes et un
observateur intervalle variant dans le temps comme dcrit dans la sous-section 2.2.

La majeure partie des travaux portant sur la construction des observateurs intervalles concerne
des systmes invariants dans le temps et trs peu [29], [30] traitent des systmes variant dans le
temps. Le paragraphe suivant prsente un observateur intervalle pour les systmes non linaires
variant dans le temps notamment grce une procdure qui permet de transformer une matrice
intervalle quelconque en une matrice intervalle Metzler.

2.5 Observateur intervalle pour des systmes variant dans le temps

= (, , ) +(, , , )
= (, )

(44)

o
et
sont respectivement ltat, lentre et la sortie du systme (44).

est un vecteur de paramtres incertains et lensemble compact est connu. Les


125
matrices
et la fonction
varient
dans le temps.
Les signaux () et () sont disponibles. Le bruit de mesure est ici omis afin de simplifier la
prsentation.

Hypothse 2. Ltat et lentre sont borns, i.e. , avec et des
constantes positives donnes.

Hypothse 3. En supposant les bornes et de ltat connues, il est possible de construire
deux fonctions majorante et minorante pour la fonction quelque soit , 0 et telles
que : , , , (, , , ) , , , .

Hypothse 4. Il existe des fonctions matricielles :
et :
,
(. ) = (. )
0 ( est une matrice dfinie positive) telles que 0, , :

()
> 0;
() +(, , )
() +()(, , ) +()
+ 0
(, , ) = (, , ) (, , )(, ) 0, =
.
(45)

Lorsque le gain permet de rendre Metzler, nous pouvons construire un observateur intervalle
pour (44) et dcrit par :

= (, , ) + , , , +(, , ) (, )
= (, , ) + , , , +(, , )[ (, )]
.
(46)

Remarque 3. Lorsque la matrice (, , ) = (), lhypothse 4 correspond une formulation
classique dun observateur ponctuel pour des systmes LTV.

Le thorme 6 prsente les conditions ncessaires pour assurer un encadrement de ltat pour
tout > 0 avec lobservateur intervalle (46).

Thorme 6.

126
On suppose que les hypothses 2, 3 et 4 sont vrifies, que la matrice (, , ) est Metzler pour
tout 0 et que lune des conditions suivantes est satisfaite :

1. |, , , | < +, |, , , | < + pour tout 0, |||| et tout
;
2. pour tout 0,

|(, , , ) , , , |
+ |, , , (, , , )|

| |
+ | |
+

pour
, et
+ 0, =
0.

Alors les variables () et () dans (44) et (46) restent bornes pour tout > 0 et

() () (),

en partant des conditions initiales

(0) (0) (0).

Le lecteur intress trouvera la preuve du thorme 6 dans [29].

Remarque 4. Pour une matrice constante stable, la condition de Metzler peut tre relaxe en
se basant sur le lemme 2 de la section 2.3. En effet, il existe un changement de base
statique tel que
soit stable et Metzler.

Lobservateur (46) permet destimer le domaine de ltat lorsquil est possible de dterminer un
gain tel que la matrice (, , ) soit Metzler. Dans la suite, nous allons chercher relaxer cette
dernire condition.

Lemme 3.

Soit
une matrice variable avec = {
+ }
pour deux matrices
et
.
Si pour une constante et une matrice diagonale
, la matrice Metzler =
possde les mmes valeurs propres que
, alors il existe une matrice orthogonale


127

telle que toutes les matrices
, soient Metzler, condition que >

||||
.

Le lemme 3 assure donc lexistence dun changement de base =
qui projette le systme

(44) dans une base o toutes les matrices (, , ) deviennent Metzler.

Hypothse 5. Soit (, , ) pour tout 0, |||| et |||| , o = {

+} pour
et
.
Pour une constante > ||||
et une matrice diagonale
, la matrice Metzler
=
possde les mmes valeurs propres que
.

Grce au lemme 3, le systme (44) est projet dans la base o il est dcrit par :

(, , ) +
(, , , ) =
(, , ) + (, , , )
= (, )
,
(47)

et un observateur intervalle pour (47) est dcrit par :

(, , ) +, , , , , +
(, , ) (, )
(, , ) +, , , , , +
(, , )[ (, )]
,
(48)

o

, , , , , =
, , ,
, , ,
, , , , , =
, , ,
, , , ,
, , , , , (, , , ) , , , , ,

(49)

avec

.
(50)

A linstar du thorme 6, le thorme 7 [29] dfinit les conditions pour assurer un encadrement
de ltat pour tout > 0 lorsque (, , ) nest pas Metzler.


128
Thorme 7.

On suppose que les hypothses 2, 3, 4 et 5 sont vrifies et lune des conditions suivantes est
satisfaite :
1. |, , , | < +, |, , , | < + pour tout 0, |||| et tout
;

2. pour tout 0,

|(, , , ) , , , |
+ |, , , (, , , )|

| |
+ | |
+

pour
, et
+ 0, =
0.

Alors les variables () et () dans (44), (48) et (50) restent bornes pour tout > 0 et

() () (),

en partant des conditions initiales

(0) (0) (0).

La preuve du thorme 7 est donne dans [29], [30].

Ce thorme prsente un observateur intervalle pour des systmes temps variant, aussi bien
linaires que non linaires (mis sous une forme canonique observable). La condition de Metzler
sur la matrice (, , ) est relaxe en la supposant stable au sens de Lyapunov (voir quation
(45)) et en oprant un changement de base statique pour obtenir la cooprativit de (, , ).

Une procdure itrative pour la construction de lobservateur consiste dterminer dabord un
gain assurant la stabilit de lerreur puis calculer
et pour (, , ) permettant de garantir

lexistence de la matrice de passage . Ces matrices sont ensuite utilises dans les quations (48)
de lobservateur.

Exemple 3.

Soit le systme LTV dcrit par :

129
= () + (), = =
, (51)

o =
est le vecteur dtat et la matrice dtat () est dfinie par :

() =
0.632 0.8sin () 0.5cos (3)
0.7cos (2) 0.3sin ()
.

La matrice de mesure est = (0 1).

Lors des simulations, lentre incertaine () est dfinie par :

() = [0.1 +0.2 sin(0.5) 0.1 +0.5 cos(1.5)]
.

Lentre () est donc borne par deux vecteurs et tels que :

=
.
.
() =
.
.
.

La matrice () est instable et nest pas Metzler, mais lhypothse 2 est satisfaite sur une dure
finie.

Pour = [0, 4.368]
, la matrice () = () permet dassurer les conditions de

lhypothse 4 avec 0.01
()
et = 0.1
.

Lhypothse 5 est vrifie pour :

=
0.632 0
0 4.368
, =
0.8 0.8
0.8 0.8

=
2 1.8
1.8 3
, =
0.796 0.605
0.605 0.796

Lobservateur intervalle (48) pour le systme (51) est alors dfini par :

() ++
(, )
() ++
[ (, )]
,
(52)


130
avec =
et =
.

.

.

Les figures 3.3 et 3.4 reprsentent les domaines estims (bornes suprieure et infrieure) de ltat
z. Le retour dans la base initiale x se fait grce la relation (50) et est illustr par les figures 3.5
et 3.6. Il est noter que lvolution des bornes est assez diffrente de celle observe pour les
systmes LTI o les deux systmes bornant ont la mme dynamique un offset prs. Cette
diffrence de dynamique sexplique en effet par les termes et bornant lentre incertaine
0 2 4 6 8 10 12 14 16 18 20
-2
-1
0
1
2
3
4
5
6
Temps (s)

borne inf z1
borne sup z1
z1
0 2 4 6 8 10 12 14 16 18 20
-2
-1
0
1
2
3
4
5
6
Temps (s)

borne inf z2
borne sup z2
z2

131
() qui est la fonction () projete dans la base z. Malgr linstabilit du systme (51), il est
donc possible de construire un observateur intervalle sur un temps fini o la bornitude de ltat x
(hypothse 2) est assure.

.

.

0 2 4 6 8 10 12 14 16 18 20
-5
-4
-3
-2
-1
0
1
2
3
4
5
Temps (s)

borne inf x1
borne sup x1
x1
0 2 4 6 8 10 12 14 16 18 20
-3
-2
-1
0
1
2
3
4
5
6
7
Temps (s)

borne inf x2
borne sup x2
x2

132
3. Conclusion

A travers ce chapitre, nous avons prsent des observateurs intervalles pour des systmes
partiellement linaires et aussi pour des systmes non linaires moyennant une mise sous forme
canonique observable. Les conditions dexistence et de calcul de cette transformation ont
galement t rappeles dans ce chapitre. La satisfaction des conditions de Metzler et de stabilit
est souvent restrictive lors de la construction dun observateur intervalle. Cette question a t
traite dans nos travaux et avec dautres techniques rcentes par un changement de coordonnes.
Ce changement de base peut tre variant dans le temps, ce qui suggre linversion dune matrice
() chaque pas de simulation rendant ainsi cette technique coteuse en temps de calcul. Une
matrice de passage invariante dans le temps peut tre obtenue en choisissant un gain offrant
des valeurs propres relles la matrice ou en rsolvant une quation de Sylvester
dinconnue .

Ces techniques de relaxation permettent dlargir le champ dapplicabilit des observateurs
intervalles. Ainsi, un observateur intervalle peut tre construit pour tout systme LTI
asymptotiquement stable et aussi pour certains systmes de type LTV ou non linaires et variant
dans le temps. Pour ces derniers, il faut souligner que des observateurs intervalles ont t
construits sans avoir besoin explicitement des proprits de cooprativit. Lapproche propose
utilise le domaine de la matrice () au lieu de la dpendance explicite du temps. Cette technique
semble prometteuse et il serait intressant de pouvoir formaliser la construction du gain
dobservation et de la matrice de passage qui, pour linstant, est effectue dune manire
itrative.

Conclusion gnrale et perspectives

133


Nous avons prsent dans ce manuscrit deux approches principales pour lestimation de variables
(entres, tats) qui peuvent tre utilises pour le contrle de cohrence des systmes non linaires
temps continu. Le contexte erreurs inconnues mais bornes dans lequel sont situs nos travaux
a permis de construire des mthodologies robustes, vis--vis des perturbations externes et des
incertitudes du modle, qui pourraient servir de base des procdures de diagnostic robuste.

La premire approche que nous avons dveloppe dans le chapitre 1 conjugue diffrents outils et
notions tels que les relations de parit dynamiques, la satisfaction de contraintes, les
diffrentiateurs modes glissants ou encore la platitude pour lestimation des entres dun
systme dynamique non linaire. En construisant des relations de parit liant les entres, les
sorties et leurs drives successives, nous avons dfini les contraintes qui rgissent les domaines
dvolution des variables du systme. Les domaines des entres compatibles avec les mesures
sont alors reconstruits grce lanalyse par intervalles et aux techniques de satisfaction de
contraintes. Un des avantages principaux de cette technique est la possibilit dtudier un systme
non linaire sans passer par la case linarisation partielle ou complte. Un diffrentiateur
modes glissants a t utilis pour lestimation des drives de la sortie et lune de ses proprits
caractristiques est la convergence en temps fini. De plus, lestimation des drives successives
est faite simultanment, il ny a donc pas de retard induit par lattente du rsultat de lestimation
de la drive dordre infrieur.
Ainsi, toute anomalie, de nature interne ou externe, affectant le systme se rpercute sur les
entres. Nous nous sommes bass sur cette modlisation pour construire un test de cohrence o,
chaque instant, nous vrifions si lentre nominale du systme (disponible la mesure)
appartient bien au domaine reconstruit de lentre. Nous avons ensuite illustr cette technique sur
un procd hydraulique de laboratoire pour dtecter des pannes actionneurs. Enfin, nous avons
appliqu la mthodologie dveloppe un systme aronautique pour dtecter la position
anormale dune surface de contrle. Le modle, les valeurs numriques des paramtres et le jeu
de donnes relles utiliss lors des simulations ont t fournis par Airbus.

Les chapitres 2 et 3 nous ont permis de prsenter tout dabord un rapide tat de lart des
observateurs intervalles qui constituent la deuxime piste principale de recherche vers laquelle
nous nous sommes orients dans cette thse. Le fil conducteur de cette tude est essentiellement
la relaxation des contraintes qui existent dans la construction dun observateur intervalle. Les
solutions trouves ont alors permis dlargir la classe des systmes linaires et non linaires pour

134
lesquels il est possible dtablir ce genre dobservateurs. Lextension aux systmes non linaires
passe par un changement de coordonnes. Il est donc dsormais possible, en prsence de
perturbations bornes, de construire un observateur intervalle pour :

des systmes LTI asymptotiquement stables ;
des systmes LPV (avec des conditions restrictives) ou qLPV ;
des systmes LTV ou non linaires variant et invariant dans le temps
La relaxation des contraintes de stabilit/cooprativit pour la construction dun observateur
intervalle a t possible grce des changements de base dtermins de diffrentes manires et
pouvant tre variants ou invariants dans le temps. Les diffrentiateurs modes glissants sont
nouveau utiliss, cette fois-ci, pour accrotre la prcision de lestimation dtat en les associant
aux observateurs intervalles. La question de lobservabilit/dtectabilit forte ou non des
systmes a t aborde ici car elle conditionne cette combinaison des techniques ; lutilisation des
observateurs modes glissants suppose en effet lobservabilit/dtectabilit forte du systme.

Perspectives

Les travaux prsents dans ce mmoire laissent entrevoir des perspectives intressantes pour des
dveloppements ultrieurs. Dans le mme ordre dide que celle dveloppe pour les systmes
variant dans le temps (chapitre 3, section 2.5), une piste explorer serait la relaxation des
contraintes de stabilit et de cooprativit pour la construction dobservateurs intervalles pour les
systmes LPV. En effet, les travaux ([128], [154]) se placent dans le cas de figure o il ny a pas
besoin de trouver un changement de coordonnes assurant la condition de Metzler pour la matrice
() . Il sagissait de trouver un gain assurant les conditions de stabilit et de Metzler
dans la mme base initiale. Cette technique prsente deux inconvnients majeurs :

La synthse du gain ncessite la connaissance a priori du domaine de l'tat ;
Si ce gain existe, il n'est pas certain quil assure la proprit de Metzler.
Plus gnralement, il est ncessaire de trouver un changement de coordonnes rendant la matrice
() Metzler et le gain doit assurer sa stabilit au sens de Lyapunov. Une autre difficult
rside dans la dtermination de la matrice de Lyapunov qui peut dpendre du vecteur des
paramtres .

De mme il serait intressant dtudier la synthse dobservateurs intervalles en boucle ferme
pour lestimation dentres inconnues.


135
Enfin, une autre ide serait de construire une procdure de diagnostic complte en se basant sur
les tests de cohrence pour la dtection des dfaillances et en choisissant une modlisation
hybride (en fonctionnement normal et dans les diffrents modes de dfaillance identifis) comme
une solution pour la localisation des dfauts. En amont de la procdure de diagnostic, des
modles hybrides ou commutation pourraient donc tre construits partir de jeux de donnes en
fonctionnement normal et dans diffrents scnarii de pannes.

Annexe A

136
Annexe A
Dfinitions mathmatiques

Dfinition 1.

Drive de Lie, crochets de Lie

La drive de Lie est la drivation dune fonction scalaire suivant un champ vectoriel.
Soit :
une fonction vectorielle et :
une fonction scalaire. La drive de

Lie de f par rapport h est dfinie par :

= . =

(1)

On appelle crochet de Lie lopration :

[, ] =
.
(2)

Le rsultat est un nouveau champ vectoriel. Les crochets de Lie dordre suprieur se dfinissent
par :

, = [, ]
, = , [, ]
, = ,
.

Dfinition 2. [64]

Observabilit locale non linaire

Soit un systme non linaire dcrit par :
Annexe A

137

= () +()
= ()
.
(3)

La matrice

() =
()
()
()

(4)

est appele matrice dobservabilit locale pour (3) et
() est la drive de Lie de la fonction

vectorielle le long du champ vectoriel et
() reprsente le gradient
()
. Le systme
(3) est dit localement observable en un point x sil satisfait la condition du rang, i.e. :

(()) =
. (5)

Dfinition 3.

Degr relatif

Le degr relatif dun systme dcrit par (3) est dfini comme tant le nombre ncessaire de
drivations de la sortie par rapport au temps pour faire apparatre une premire fois le vecteur
dentre dans lexpression des drives. Mathmatiquement, le systme (3) est de degr relatif
pour tout dans un voisinage de
si :

() = 0, < 1
( ) 0

(6)

Dfinition 4.

Distribution, codistribution vectorielles

Distribution vectorielle

Annexe A

138
Considrons {
, ,
} un ensemble de d fonctions vectorielles rgulires (de classe
) dfinies
sur
. Soit , () est lespace vectoriel engendr par :

{
(), ,
()} () = {
(), ,
()}.

Une distribution rgulire est donc engendre par {
, ,
}

= {
, ,
}. (7)

et son valuation en un vecteur est donne par (). A chaque vecteur on associe donc un
espace vectoriel (). Une distribution est une application linaire :

(
)() =
() +
(). (8)

Lintersection
entre deux distributions
et
est dfinie par :

(
)() =
()
(). (9)

Une distribution est dite involutive si :

, [
] (10)

o
et
sont des fonctions vectorielles et [
] dsigne lopration crochets de Lie pour
et
. Pour plus de dtails sur les distributions, le lecteur peut se rfrer [68].

Codistribution vectorielle
Une codistribution vectorielle est le dual de la distribution vectorielle et peut tre dfinie
par :

() =
() = {
| < , > = 0, ()}. (11)

O <. , . > dsigne loprateur produit scalaire.

La codistribution est lannihilateur de . Les mmes proprits nonces pour une distribution
le sont aussi pour une codistribution.

Annexe A

139
Dfinition 5.

Fonction mesurable de Lebesgue

Soit un sous-espace de , et soit (
un recouvrement de par un ensemble ni ou inni

dnombrable dintervalles ouverts de .

On appelle mesure extrieure de la quantit
() = inf
(
est
la largeur de lintervalle
.

La mesure extrieure de est suppose finie et on note () lensemble des parties fermes de
. La mesure intrieure de est
() = sup
()
().

Si
() =
(), alors est mesurable au sens de Lebesgue et () =
() =
() est la mesure de .

Une fonction est dite mesurable au sens de Lebesgue si : , { | () < } est
mesurable.

Thormes

Thorme 1.

Thorme des fonctions implicites (cas scalaire)

Soit un ensemble ouvert de
, :
une application de classe
( 1)sur et
= (
, ,
) . On suppose que () = 0 et
() 0.

Il existe alors un voisinage ouvert de
= (
, ,
), un voisinage ouvert de
et une
application : de classe
telle que :

1. = (
, ,
) , () = 0
= (
, ,
)

Annexe A

140
2. ,
() 0.
3. (
, ,
) , = 1, , 1,
, ,
) =

()
()
.

Thorme 2.

Thorme des fonctions implicites (cas vectoriel)

Soit un ouvert de
, :
une application de classe
( 1) sur et
= (
, ,
) . On suppose que () = 0 et

(
,,
)
(
,,
)
() =
()
,
0

o lon note =
, ,
. Il existe alors un voisinage ouvert de
= (
, ,
), un
voisinage ouvert de (
, ,
) et une application : de classe
telle que :

1. , () = 0 (
, ,
) = (
, ,
)

2. ,
(
,,
)
(
,,
)
() 0.

3. La matrice jacobienne de la fonction au point (
, ,
) est =
o :

=
()
,
et =
()

et les drives partielles sont values au point
=
, ,
, ,
, (
, ,
).

Annexe B

141
Annexe B
Gnralits sur les modes glissants
Les modes glissants


= (, ). (1)

Les modes glissants sont la base une technique labore pour rsoudre le problme de
commande discontinue des systmes [28], [152], [153], [126]. Il sagit principalement de gnrer
une loi de commande permettant damener et maintenir la trajectoire dun systme (vecteur
dtat) sur une surface dite surface de glissement en un temps fini (temps de convergence).
La surface de glissement est dfinie par une contrainte () = 0 et lespace est ainsi divis en
deux sous-espaces o () < 0 et () > 0. Une loi de commande discontinue u est dcrite par
une commutation entre deux champs vectoriels
et
telle que :

=
, > 0
, < 0
.
(2)

Ces champs vectoriels pointent vers (voir figure 1) et y amnent toute trajectoire de ltat .

Figure 1. Commande discontinue entranant un glissement
() = 0

Annexe B

142
Selon le type de systmes tudis, naturellement discontinus ou avec retour dtat discontinu, on
distingue respectivement deux approches :

le rgime glissant au sens de Filippov [37], [62] o, pour une famille de champs vectoriels
, la dynamique en un point de la surface est lintersection entre lespace tangent la
surface en et lenveloppe convexe de .

la dynamique glissante telle que dfinie dans [59], [98], [149], [150], [151] qui est lie
la commande quivalente . Cette dernire est dfinie comme tant la commande qui,
sous laction du champ (, ), rend la surface invariante.
Lexemple suivant permet dexpliquer le principe des modes glissants. Soit un systme du second
ordre dcrit par :

= +() , (3)

avec = (). Soit une surface de glissement dfinie par : () = + .

Les paramtres et sont constants et () est une perturbation inconnue mais borne.

Le systme (3) est tudi dans le plan de phase (, ) (voir figure 2).

() =
+1, > 0
1, < 0
.
(4)

La commande est discontinue sur () = 0 et les trajectoires de ltat sont rparties entre
deux sous-espaces : un premier sous-espace command par = pour > 0 et un deuxime
sous-espace avec = + pour < 0. Toutes ces trajectoires sont orientes vers la ligne
() = 0 et ltat atteint la surface de glissement en un temps fini
.

A partir de
>
, ltat adopte un mouvement de glissement continu le long de et sa

trajectoire est donc rgie par lquation :

+ = 0 (5)

Annexe B

143

Figure 2. Surface et mouvement de glissement

Une fois la surface de glissement atteinte, un mouvement de glissement se cre et ltat solution
de (5) est () = (
)
(
)
. Son expression est indpendante de la perturbation (). La
robustesse de la commande est donc assure.

La condition dattractivit vers lorigine est : < 0 et un rgime idal de glissement est
atteint pour = 0.
Nous venons de prsenter travers cet exemple simple le principe de base de la commande par
modes glissants dordre 1 dont lexistence est assure par le thorme 1.

Thorme 1.

Un rgime glissant dordre 1 existe sur la surface S si et seulement si le systme (3) est de degr
relatif = 1 par rapport la variable de glissement s.

Linconvnient majeur des modes glissants dordre 1 est le phnomne bien connu de
engendr par la ralit physique quest le dlai de commutation dans la
commande. Idalement le temps de commutation est nul (frquence infinie) mais il est
physiquement impossible de gnrer une telle commande (Figure 3) do lapparition du
() = 0

Annexe B

144
au niveau de la surface de glissement (Figure 4) qui se traduit par un phnomne
vibratoire potentiellement dangereux pour le systme.

Figure 3. Approximation continue (tirets) de la commande discontinue (trait plein)
thorique , dlai de commutation .

Figure 4. Phnomne de chattering autour de la surface de glissement

() = 0
/2

Annexe B

145
Une solution ce problme rside dans lutilisation de modes glissants dordre suprieurs [152],
[153], [28], [24], [45], [126].

Dfinition 1.

Modes glissants dordres suprieurs

On considre une contrainte () = 0 avec
une fonction rgulire dont les drives

par rapport au temps
()
,
()
,
()
, ,
()
existent et sont continues. Le rgime glissant
dordre est dtermin par lensemble dfini par les galits suivantes :

:
()
=
()
=
()
= =
()
= 0.
(6)

Figure 5. Modes glissants dordre 2

Si est un ensemble non vide et localement intgrable au sens de Filippov (solution de Filippov
au problme de Cauchy) [37], alors le rgime glissant associ est dordre .

= 0
= 0
= = 0
Annexe C

146
Annexe C
Analyse par intervalle : outils de base

1. Les intervalles

Les intervalles permettent de reprsenter de manire garantie un domaine dappartenance pour
une grandeur dont la valeur exacte nest pas connue. Par exemple, la constante = 3.141592
est un nombre irrationnel qui peut tre encadr par la double ingalit : 3.141 3.142 ou
encore [3.141,3.142]. Les lignes ci-dessus formalise la dfinition dun intervalle.

Dfinition 1. Un intervalle rel [] est un sous-ensemble connexe et born de dfini par :

[] = , | .
(1)

Lensemble des intervalles de est not par . Un intervalle dans lequel = est dit dgnr
et correspond une valeur relle reprsentable sur une machine.
1.1 Caractristiques des intervalles

Soient deux intervalles rels = [, ] et = [, ]. On dfinit :

- la borne suprieure : () = ;
- la borne infrieure : () = ;
- le milieu ou la valeur mdiane : = ( +)/2 ;
- la largeur : () = ( ) ;
- lamplitude : |[, ]| = max (||, ||) ;
- lgalit : = = = .

1.2 Oprations ensemblistes sur les intervalles
Annexe C

147

Les intervalles tant des ensembles, les oprations ensemblistes pures peuvent leur tre
appliques :

- Intersection : { |( ) ( )}, son rsultat est toujours un intervalle ;

- union : { |( ) ( )}, ce nest pas forcment un intervalle born tel
quil la t dfini plus haut. Cependant, on peut dfinir lunion connexe des intervalles
(donnant un intervalle born) qui sera note [ ];

- de mme la diffrence entre deux intervalles est [\] [ \ ] = [{ | }].
1.3 Vecteurs et matrices dintervalles

Dfinitions 2.

Un vecteur dintervalles [], appel aussi pav, est le produit Cartsien de intervalles :

[] = [
] [
] [
] =
.
(2)

Une matrice intervalle est une matrice dont les lments sont des intervalles :

[] =
.
(3)

2. Arithmtique des intervalles

Les oprations de base de larithmtique classique ont t tendues larithmtique des
intervalles. De manire gnrale, pour deux intervalles = [, ] et = [, ] et un oprateur

{+, ,,/} on a : = { | } (4)

- Addition: + = [, ] +[, ] = [ + , + ]

Annexe C

148
- Soustraction: = [, ] [, ] = [a d, b c]

- Multiplication: = [min (a c, a d, b c, b d), max (a c, a d, b c, b d)]

- Division: =
, si 0 [, ].
Gnralement, le rsultat dune suite doprations entre plusieurs intervalles nest pas minimal.
Le pessimisme engendr est d aux phnomnes de dpendance et denveloppement.

2.1. Dpendance
Larithmtique des intervalles suppose implicitement loccurrence de chaque variable comme
tant indpendante des autres. Cela entrane une survaluation de lintervalle rsultat comme le
dmontre lexemple 1.
Exemple 1. Soit = [, ]

= = { | , } = [(2,1,4), (2,1,4)] = [2,4].

Or, il est possible dcrire
= { | } = [0,4].

Ce rsultat illustre le phnomne dit de dpendance occasionn par loccurrence multiple de la
mme variable . Pour rduire le nombre doccurrences, il convient de factoriser les expressions
lorsque cela est possible. De mme, il peut tre judicieux de retarder le plus longtemps possible
lvaluation dune fonction avec des intervalles (viter les calculs intermdiaires).

2.2 Enveloppement

La reprsentation dun ensemble de forme gomtrique quelconque par un pav prsente
lavantage dtre adapt ltude des systmes non linaires ayant plusieurs variables. Chaque
variable tant reprsente par un intervalle. Ce choix de reprsentation entrane un certain
pessimisme car cette nouvelle enveloppe (pav) contient galement des lments nappartenant
pas cet ensemble. Cette source de pessimisme est appele phnomne denveloppement (voir
figure 1).
Annexe C

149

Figure 1. Enveloppement dun ensemble par un pav [p]

3. Fonctions dinclusion

Soit une fonction vectorielle :
. Lvaluation de sur un pav [x] est donne par :

([]) = {()| []}. (5)

Une fonction intervalle []:
est dite fonction dinclusion pour si :

([]) []([]), []
. (6)
3.1 Monotonie

Une fonction dinclusion [] est dite monotone au sens de linclusion si :

[] [] []([]) []([]). (7)

3.2 Convergence

Une fonction dinclusion [] est dite convergente si, quelque soit la suite de pavs [](), on a :

pav [p]
Annexe C

150

lim
[]() = 0 lim
([]([]())) = 0 .
(8)

Lobjectif principal dans le choix de la meilleure fonction dinclusion est la rduction du
pessimisme induit.

3.3 Fonction dinclusion naturelle

Dfinition 3. [72]

Soit une fonction
compose doprateurs {+, ,/,} et de fonctions

lmentaires {, , , , }. La fonction dinclusion naturelle []:
pour
est obtenue en remplaant chaque occurrence de

par lintervalle [

] auquel elle appartient.
Si cette fonction ne comporte que des fonctions lmentaires et continues alors elle est monotone
et convergente.
Une fonction dinclusion nest pas unique comme le dmontre lexemple 2.

Exemple 2. Soit la fonction pouvant scrire sous les formes :

() = ( + 1)
() = +
() = +
() = +
.

Toutes ces formes de sont quivalentes dans . Cependant, lvaluation intervalle sur [] =
[1,1] de la fonction dinclusion naturelle de ces quatre formes ne donne pas le mme rsultat :

[
]([]) = []([] +1) = [2,2].

[
]([]) = []
+[] = [1,2].
[
]([]) = [] [] +[] = [2,2].

[
]([]) = [] +
1
2
1
4
=
1
4
, 2.

4. Test dinclusion [72]

Annexe C

151
Un test peut tre dfini comme tant une fonction :
, o est un ensemble de valeurs

binaires ou boolennes {0, 1}/ {vrai, faux}. De la mme manire, un test dinclusion pour , not
[], peut tre dfini par :

[]
, avec = {0, 1, [0,1]} (9)

o [0,1] reprsente un cas dindtermination. Lextension de vrifie :

[]
: ([]([]) = 1) ( [], () = 1),

([]([]) = 0) ( [], () = 0),
([]([]) [0,1]), .

Exemple 3. Soit un test dfini par () =
1, 3
2
0, 3
> 2
.

Soit [] =
.
Le test dinclusion minimal

[]([]) =
1, 3
2
0, 3
> 2
[0,1]

associ la fonction est appliqu aux pavs :

- [
] = ([0,2], [0,10])

- [
] = ([1,3], [20, 15])

- [
] = ([4,5], [15,20])

- [
] = ([4, 2], [15,25])

- [
] = ([9, 7], [10,15])

Lintersection entre les deux demi-plans dquations 3
2 et 3
> 2 est une

droite D dquation 3
= 2.

Le test dinclusion retourne 1 pour les pavs [
], [
] et 0 pour les pavs [
], [
]. Le pav
[
] est coup par la droite D et contient des valeurs vrifiant () = 0 et dautres vrifiant
() = 1. Le rsultat de []([
]) est alors indtermin.

Annexe C

152

Figure 2. Illustration du test dinclusion []([]) sur les pavs [
], [
], [
], [
] [
].

5. Bissection dintervalles

Soit [] = [
] [
] [
] =
.

La bissection du pav [] est lopration qui consiste scinder [] en deux sous-pavs []
et
[]
suivant une direction privilgie dindice , qui est ici celle de la composante intervalle ayant
la plus grande largeur. On obtient donc deux sous-pavs :

[]
[]
2
,
.
(10)

[]
et []
sont appels respectivement fils gauche et fils droit du pav []. De plus,
[] = []
[]
.
[
]
[
]
[
]
[
]
[
]
Annexe C

153
Satisfaction de contraintes
1. Consistance
Un intervalle ou un pav est dit consistant par rapport une ou des contraintes lorsquil nest plus
rductible par lutilisation dun contracteur.
Il existe deux types de consistance pour un intervalle : la consistance globale et la consistance
locale qui sont dfinies laide de la notion de projection dun ensemble.

Dfinition 1.

Projection dun ensemble

Soient et deux ensembles et leur produit cartsien tel que :

= = {(, )| , }.

La projection dun sous-ensemble
de sur par rapport est dfinie par :

= , (, )
.
(11)

1.1 Consistance locale

On considre un pav [] = [
] [
] [
] et
lensemble solution de la contrainte
.
Lintervalle [
] est dit localement consistant avec le CSP (, , []) si :

[
] =
[])
{,,}
(12)

o
[]) reprsente la projection de
[] sur
. Ainsi, il y a consistance locale pour le

domaine [
], si toutes les valeurs de
sont consistantes avec chacune des contraintes
prise sparment.

1.2 Consistance globale

Annexe C

154
Le domaine [
] est dit globalement consistant si tout
est consistant avec toutes les

contraintes
prises simultanment, i.e :

[
] =
[] =
[]
{,,}
.
(13)

La consistance locale est plus simple vrifier pour un domaine continu. Ces deux notions de
consistance sont illustres sur la figure 3.

Figure 3. Illustration de la consistance locale et globale avec deux ensembles
et
.

Les intervalles [
] et [
] reprsentent respectivement la projection des ensembles
et
sur
laxe
. [
] est lintersection entre [
] et [
] et traduit la notion de consistance locale. La

consistance globale est illustre par lintervalle [
].
] [
]
[
]
Annexe C

155
2. Contracteurs

Dfinition 2.

Soit lensemble des solutions du CSP (, , []). Si est un contracteur pour , alors nous
avons :

([]) [] (14)

o
[]
([]) []
.

Monotonie
est monotone si :

[] []
([])
([]). (15)

Dfinition 3.

Contracteur local [73]

Soient et deux variables relies par la contrainte
. Un contracteur local pour le domaine
par rapport la variable est dfini par :

) =
|
,
(, )
.
(16)

En supposant que la contrainte
est dcrite par : =
(), on a alors :

) =
) et
).

Bibliographie

156

Bibliographie

[1] Agrawal, S. K. and Sira-Ramirez, H. (2004). Differentially flat systems. Crc Press.
[2] Alamo T., Bravo J. M. Redondo, M. J. and Camacho E. F. (2005). Guaranteed state
estimation by zonotopes. Automatica, 41, 1035-1043.
[3] Anderson, B.D.O. and Moore, J. B. (1990). Optimal control: linear quadratic methods.
Prentice Hall, Englewood Cliffs. NJ.
[4] Arulampalam, M. S., Maskell, S., Gordon, N. et Clapp, T. (2002). A tutorial on particle
filters for online nonlinear/non-gaussian Bayesian tracking. IEEE Transactions on Signal
Processing, 50(2), 174-188.
[5] Bartolini, G., Fridman, L., Pisano, A. and Usai, E. (2008) Modern Sliding Mode Control
Theory : New Perspectives and Applications, volume 375 of Lecture Notes in Control and
Information Sciences. Springer.
[6] Beavers, A. N. and Denman, E. D. (1975) A new solution method for the Lyapunov matrix
equations. SIAM J. Appl. Math., 29:416421.
[7] Bejarano, F. and Pisano, A. (2011) Switched observers for switched linear systems with
unknown inputs. IEEE Transactions on Automatic Control, 56(3), 681686.
[8] Benhamou, F. and Granvilliers, L. (2006). Continuous and interval constraints. In P. van
Beek F. Rossi and T.Walsh. Handbook of constraint programming, 571-604. Elsevier.
[9] Benner, P. (2004) Factorized solution of Sylvester equations with applications in control.
Proc. Intl. Symp. Math. Theory Networks and Syst. MTNS 2004 (CDROM), Leuven,
Belgium, (10 pages).
[10] Bernard, O. and Gouz, J. L. Closed loop observers bundle for uncertain biotechnological
models. Journal of Process Control, 14 :765774, 2004.
[11] Besanon, G. (2007) Nonlinear observers and applications. Springer-Verlag, Berlin,
Heidelberg , DE.
[12] Bestle, D. and Zeitz, M. (1983) Canonical form observer design for nonlinear time variable
systems. International Journal of Control, 38, 419-431.
[13] Boizot N., Busvelle E.(2007). Adaptive-gain Observers and Applications in Nonlinear
Observers and Applications. Lecture Notes in Control and Information Sciences, Springer.
[14] Boutat, D. and Busawon, K. (2011) On the transformation of nonlinear dynamical systems
into the extended nonlinear observable canonical form. International Journal of Control,
84(1), 94-106.
[15] Boyd, S., El Ghaoui, L., Feron, E. and Balakrishnan, V. (1994). Linear matrix inequalities
in system and control theory. SIAM, Philadelphia.
Bibliographie

157
[16] Busvelle, E., Gauthier, J-P. (2000). High-gain and non high-gain observers for nonlinear
systems.
[17] Caglayan, A.K., Rahnamai, K. and Allen, S.M. (1988). Detection, Identification and
Estimation of Surface Damage/Actuator Failure for High Performance Aircraft. American
Control Conference, 2206 2212.
[18] Chabert, G. and Jaulin, L. Propagation de contraintes sur les intervalles pour la
planification dexpriences en SLAM. Soumis Revue dIntelligence Artificelle.
[19] Chen, J. and Patton, R. J. (1999) Robust model-based fault diagnosis for dynamic systems.
Kluwer Academic Publishers, Boston, USA.
[20] Chernousko, F. L. (2005). Ellipsoidal state estimation for dynamic systems. Nonlinear
Analysis 63(5-7), 872-879.
[21] Chitour, Y; (2002). Time-varying high-gain observers for numerical differentiation. IEEE
Transactions on Automatic Control 47(9), 1565-1569.
[22] Chow, E. Y. and Willsky, A. S. (1984). Analytical redundancy and the design of robust
failure detection systems. IEEE Transactions on Automatic Control, AC-29, 603}614.
[23] Corless, M. and Tu, J. (1998). State and input estimation for a class of uncertain systems.
Automatica, 34( 6),757764.
[24] Davila, J., Fridman, L., Levant, A. (2008). High-order sliding observation and fault
detection. 16
th
Mediterranean Conference on Control and Automation, Ajaccio-France,
1699-1704.
[25] Davis, E. (1987) Constraint propagation with interval labels. Artificial Intelligence, 32(3),
281-331.
[26] Dudok de Vit, T. (2011). Cours danalyse numrique. Universit dOrlans.
[27] Durieu, C., Walter, E. and Polyak, B. (2001) Multi-input multi-output ellipsoidal state
bounding. Journal of Optimization Theory and Applications, 111, 273303.
[28] Edwards, C., Spurgeon, S.K (1998). Sliding mode control: theory and applications.CRC
Press, Taylor and Francis group.
[29] Efimov, D., Rassi, T., Chebotarev, S. and Zolghadri, A. (2012) Interval state observer for
nonlinear time varying systems. Automatica, accepted.
[30] Efimov, D., Rassi, T., Chebotarev, S. and Zolghadri, A. (2012) On set-membership
observer design for a class of nonlinear time varying systems. 51st IEEE Conference on
Decision and Control, Maui, HI, USA.
[31] Efimov, D., Fridman, L., Rassi, T., Zolghadri, A. and Seydou, R. (2012) Set-membership
estimation improvement applying hosm differentiators. American Control Conference,
ACC2012, Montreal, Canada.
[32] Efimov, D., Fridman, L., Rassi, T., Seydou, R. and Zolghadri, A. (2012). Interval
estimation for LPV systems applying high order sliding mode techniques. Automatica, 48
(2012) 23652371.
Bibliographie

158
[33] El Maliki, A. (2009). Cours de diffrentiation numrique. Universit Laval, dpartement
Maths et Statistiques.
[34] Enright, W.H. (1978) Improving the eciency of matrix operations in the numerical
solution of sti ordinary dierential equations. ACM Trans. Math. Softw., 4 :127136, 197.
[35] Esteban, A. M. (2001) A linear parameter varying model of the boeing 747-100/200
longitudinal motion. Masters thesis, The graduate school of the university of Minnesota.
[36] Feng, J., Fan, H. and Tse, C.K.M. (2007) Convergence Analysis of the Unscented Kalman
Filter for Filtering Noisy Chaotic Signals. In Proc. ISCAS, 2007, 1681-1684.
[37] Filippov, A.F. (1988). Differential equations with discontinuous right-hand sides. Kluwer.
Dordrecht, the Netherlands.
[38] Fliess, M. and Kupka, I . (1983) A finiteness criterion for nonlinear input-output
differential systems. SIAM, Journal of Control and Optimisation, 21, 721-728.
[39] Fliess, M., Lvine, J., Martin, P. and Rouchon, P. (1992). Sur les systmes non linaires
diffrentiellement plats. Elsevier, Paris, FR.
[40] Fliess, M., Join, C., Mboup, M. and Sira-Ramrez, H. (2004). Compression diffrentielle de
transitoires bruits, C.R. Acad. Sci.Paris Ser. I, 339, p. 821-826.
[41] Floquet, T., Edwards, C. and Spurgeon, S. K. (2006) On sliding mode observers for
systems with unknown inputs. Proceedings of the 2006 International Workshop on
Variable Structure Systems, 214-219, Alghero, Italy.
[42] Frank, P. M. (1990) Fault diagnosis in dynamic systems using analytical and knowledge-
based redundancyA survey. Automatica, 26, 459474.
[43] Fridman, L., Levant, A. and Davila, J. (2006) High-order sliding-mode observation and
identication for linear systems with unknown inputs. Proceedings of the 45th IEEE
Conference on Decision & Control, 5567-5572, Manchester Grand Hyatt Hotel,San Diego,
CA, USA.
[44] Fridman, L. Poznyak, A. and Bejarano, F. J. (2006) Hierarchical second-order sliding-mode
observer for linear systems with unknown inputs. Proceedings of the 45th IEEE Conference
on Decision & Control, 5561-5566, Manchester Grand Hyatt Hotel, San Diego, CA, USA.
[45] Fridman, L., Shtessel, Y., Yan, X-G. (2007). State Estimation and Input Reconstruction in
Nonlinear Systems via Higher Order Sliding Mode Observer. Proceedings of the 2007
American Control Conference, 3807-3812.
[46] Garcia Collado, F.A, dAndra-Novel, B., Fliess, M., Mounier, H. (2009).Analyses
frquentielles des drivateurs algbriques. XXIIe Colloque GRETSI.
[47] Gauthier, J.P., H. Hammouri and S. Othman (1992). A simple observer for nonlinear
systems applications to bioreactors. IEEE Transactions on Automatic Control, 37, 875-880.
[48] Gauthier, J-P, Kupka, I.(2001). Deterministic observation theory and applications,
Cambridge University Press.
Bibliographie

159
[49] Gertler, J. J. (1988) Survey of model-based failure detection and isolation in complex
plants. IEEE Contr. Syst. Mag., 3, 311.
[50] Gertler, J. J. (1991) Analytical redundancy methods in fault detection and isolation, in
Proc. IFAC/IMACS Symp. SAFEPROCESS, BadenBaden.
[51] Goldsztejn, A. (2006). A branch and prune algorithm for the approximation of non-linear
AE-solution sets. Proceedings of the 2006 ACM Symposium on Applied Computing. Dijon,
FRANCE.
[52] Golub, G. H., Nash, S. and Van Loan, C. F. (1979) A HessenbergSchur method for the
problem AX + XB = C. IEEE Trans. Automat. Control, AC-24:909913.
[53] Goupil, P. (2011). AIRBUS State of the Art and Practices on FDI and FTC in Flight
Control System. Control Engineering Practice 19, 524-539.
[54] Gouz, J. L, and Hadj-Sadok, M. Z. (1998) Bounds Estimations for Uncertain Models of
Wastewater Treatment. Proceedings of the 1998 IEEE International Conference on Control
Applications, 1, 336-340. Trieste, Italy 1-4 September 1998.
[55] Gouz, J. L, Rapaport, A., Hadj-Sadok, M. Z. (2000). Interval observers for uncertain
biological systems. Elsevier Ecological Modelling 133, 45-56.
[56] Ha, Q. P. and Trinh, H. (2004). State and input simultaneous estimation for a class of
nonlinear systems. Automatica 40(10), 1779-1785.
[57] Hadj-Sadok, M. Z. and J. L. Gouze (1998). State observers for uncertain models of
wastewater treatment. CONTROLO'98 3rd Portuguese Conference on Automatic
Control, Coimhra, Portugal.
[58] Hadj-Sadok, M. Z., Gouz, J. L. and Rapaport, A. (1998). State observers for uncertain
models of activated sludge processes. Waste Decision 98, International Workshop on
Decision and Control in Waste Bio-Processing, Narbonne, France.
[59] Hamerlain, M. (1993) Commande hirarchise modle de rfrence et structure variable
dun robot manipulateur muscles artificiels. Thse de doctorat, GARI/DGE/INSA,
Toulouse, France.
[60] Hansen, E. (1965) Interval arithmetic in matrix computations, Part 1. SIAM J. Numer. Anal.
2, 308-320.
[61] Hansen, E. R. (1992). Global optimization using interval analysis. Monographs and
textbooks in pure and applied mathematics, 165. New York: M. Dekker.
[62] Hassan, A. (1993) Contribution la commande des systems discontinus. Thse de doctorat,
INPG, Grenoble France.
[63] Hautus, M. L. J. (1983) Strong detectability and observers. Linear Algebra and its
Applications, 50(0), 353-368.
[64] Hedrick, J. K and Girard, A. (2005). Control of nonlinear dynamic systems: Theory and
applications. Controllability and observability of Nonlinear Systems.
Bibliographie

160
[65] Hfling, T. and Pfeufer, T. (1994) Detection of Additive and Multiplicative Faults Parity
Space vs. Prarameter Estimation. In IFAC SAFEPROCESS94, 2, 539-544. Espoo,
Finland.
[66] Hoskins, W.D., Meek, D.S. and Walton, D.J. (1977) The numerical solution of the matrix
equation XA + AY = F. BIT, 17:184190.
[67] Isermann, R. (1994) Integration of Fault Detection and Diagnosis Methods. In IFAC
SAFEPROCESS94, 2, 597-612.- Espoo, Finland.
[68] Isidori, A. (1985, 1989). Nonlinear control systems. 156- 172. Springer-Verlag, Berlin, DE.
[69] Jaulin, L. and Walter, E. (1993). Guaranteed nonlinear parameter estimation from bounded-
error data via interval analysis. Mathematics and Computers in Simulation 35(2), 123-137.
[70] Jaulin, L. and Walter, E. (1993). Set inversion via interval analysis for nonlinear bounded-
error estimation. Automatica 29(4), 1053-1064.
[71] Jaulin, L. (2000) Interval constraint propagation with application to bounded-error
estimation. Automatica, 36, 1547-1552.
[72] Jaulin, L., Kieffer, M., Didrit, O. and Walter, E. (2001). Applied interval analysis. Springer
Verlag, London, Great Britain.
[73] Jaulin, L., Kieffer, M., Braems, I. and Walter, E. (2001) Guaranteed nonlinear estimation
using constraint propagation on sets. International Journal of Control, 74(18), 1772-1782.
[74] Jaulin, L. (2002). Nonlinear bounded-error state estimation of continuous time systems.
Automatica, 38(2), 10791082.
[75] Jaulin, L. (2009). Interval contractors and their applications. Ecole JN-MACS.
[76] Jaulin, L. (2009) A Nonlinear Set Membership Approach for the Localization and Map
Building of Underwater Robots. IEEE Transactions on Robotics, 25(1), 88-98.
[77] Jaulin, L., Sliwka, J., Le Bars F., Xiao, K. (2009). Combining flatness with interval
analysis for state estimation. Journe MEA Paris.
[78] Jermann, C., Neumaier, A. and Sam, D. (2003). Global optimization and constraint
satisfaction. Lecture Notes in Computer Science, vol. 3478, Second International
Workshop, COCOS 2003, Lausanne, Switzerland.
[79] Jia, F. and Jiang, J. (1993) Fault Diagnosis in DC Servo Systems : A Comparative Study of
Three Fault Diagnosis Schemes. In : International Conference on Fault Diagnosis -
TOOLDIAG93, 2, 573-581.Toulouse France.
[80] Jo, N.H. and Seo, J.H. (2000) Input output linearization approach to state observer design
for nonlinear system. IEEE Trans. Automat. Contr., 45(12), 23882393.
[81] Join C., Sira-Ramirez H. and Fliess M. (2005). Control of an uncertain three tank system
via on-line parameter identification and fault detection. Proc. 16th IFAC World Congress,
Prague.
[82] Julier, S., Uhlmann, J. and Durrant-Whyte, H. (1995). A new approach for filtering
nonlinear systems. 3(6):1628_1632.
Bibliographie

161
[83] Julier, S. et Uhlmann, J. (1997). A new extension of the kalman filter to nonlinear systems.
In Proceedings of SPIE, 3068, 182-193.
[84] Jussien, N and Lhomme, O. (2002). Vers une unification des algorithmes de rsolution de
CSP. JNPC'02 : 8es journes nationales sur la rsolution pratique de problmes NP-
complets, pp.155-168, Nice-France.
[85] Kalman, R.E. and R.S. Bucy (1961). New results in linear filtering and prediction theory.
Trans. ASME, Journal of Basic Engineering, 83, 95-108.
[86] Khalil, H.K., Dabroom, A. (1997). Numerical differentiation using high-gain observers.
Proceedings of the 36
th
Conference on Decision and Control, San Diego - California, USA.
[87] Khalil, H.K, Vasiljevic, L.K. (2007). Error bounds in differentiation of noisy signals by
high-gain observers. Systems & Control Letters 57, 856862.
[88] Kieffer, M., Jaulin, L. and Walter, E. (2002) Guaranteed recursive non-linear state
bounding using interval analysis. International Journal of Adaptive Control and Signal
Processing, 16, 193218.
[89] Krener, A. J. and Isidori, A. (1983) Linearization by output injection and nonlinear
observers. Systems and Control Letters, 3, 47-52.
[90] Krener, A. J. and Respondek, W. (1985) Nonlinear observers with linearizable error
dynamics. SIAM, Journal of Control and Optimisation, 30, 197-216.
[91] Krsti, M., Kanellakopoulos, L. and Kokotovi, P. (1995) Nonlinear and Adaptive Control
Design. John Wiley & Sons.
[92] Lerner, U., Parr, R., Koller, D. and Biswas, G. (2000). Bayesian fault detection and
diagnosis in dynamic systems. pp. 531-537.
[93] Leuschen, M. L., Walker, I. D., and Cavallaro, J. R. (2002) Fault Residual Generation via
Nonlinear Analytical Redundancy. IEEE transactions on Control Systems Technology, vol.
3(3), 452-458.
[94] Leuschen, M. L., Cavallaro, J. R. and Walker, I. D. (2002) Robotic fault detection using
nonlinear analytical redundancy. IEEE International Conference on Robotics and
Automation, vol.1, 456-463.
[95] Levant, A. (1998). Robust exact differentiation via sliding mode technique. Automatica
34(3), 379-384.
[96] Levant, A. (2001). Higher order sliding modes and arbitrary-order exact robust
differentiation. Proceedings of the European Control Conference.
[97] Levant, A. (2003). Higher-order sliding modes, differentiation and output-feedback control.
International Journal of Control, 76(9/10), 924-941.
[98] Levant, A. (2006) Exact Differentiation of Signals with Unbounded Higher Derivatives.
Proceedings of the 45
th
IEEE Conference on Decision and Control, San-Diego, California,
December 14-17, 2006.
Bibliographie

162
[99] Lewis, F.L. (1986). Optimal Estimation: With an introduction to stochastic control theory.
Wiley, New York.
[100] Lhomme, O. (1993) Consistency Techniques for Numeric CSPs. In IJCAI, 232-238.
[101] Luenberger, D.G. (1966). Observers for multivariable systems. IEEE Transactions on
Automatic Control, 11, 190-197.
[102] Marcos, A. and Balas, G. J. (2004) Development of linear parameter varying models for
aircraft. Journal of Guidance, Control, and Dynamics, 27(2) :218228, 2004.
[103] Martin, Ph., Murray, R. M. and Rouchon, P. (1997). Flat systems. In G. Bastin and M.
Geverts, editors, Plenary lectures and mini-courses, 211264. 4th European Control
Conference, Brussels/ Belgium.
[104] Massoumnia, M. A. and Van Der Velde, W. E. (1988) Generating parity relations for
detecting and identifying control system component failures. Journal of Guidance, Control
and Dynamics, 11(1), 60 65.
[105] Mazenc, F. and Bernard, O. (2010) Time-varying interval observers for linear systems with
additive disturbances. In 8th IFAC Symposium on Nonlinear Control Systems, Bologna,
Italy.
[106] Mazenc, F. and Bernard, O. (2010) Asymptotically stable interval observers for planar
systems with complex poles. IEEE Transactions on Automatic Control, 55(2), 523527.
[107] Mazenc, F. and Bernard, O. (2011) Interval observers for linear time-invariant systems with
disturbances. Automatica, 47(1), 140 147.
[108] Mboup, M. (2006). New algebraic estimation techniques in signal processing. Control
Theory, Estimation and Signal Processing, M. Fliess anniversary, IHP march 30-31 2006.
[109] Mboup, M., Join, C., Fliess, M. (2007). A revised look at numerical differentiation with an
application to nonlinear feedback control. Proceedings of the 15
th
Mediterranean
Conference on Control and Automation, Athne-Grce.
[110] Mboup, M., Join, C., Fliess, M. (2009). Numerical differentiation with annihilators in noisy
environment. In Numerical Algorithms 50(4), 439-467.
[111] Medvedev A. (1994) Parity space method: A continuous time approach. Proceedings of the
American Control Conference, Baltimore, Vol. 1, pp. 662-665.
[112] Mironovskii L.A. (1979) Functional diagnosis of dynamic systems. Avtomatika i
Telemekhanika Vol. 40, pp. 1198-1205.
[113] Mironovskii L.A. (1980) Functional diagnosis of dynamic systems. Automation and
Remote Control, Vol. 41, No. 8, pp. 1122-1143.
[114] Moisan, M. and Bernard O. (2006) Robust interval observers for uncertain chaotic systems.
In 45th IEEE Conference on Decision and Control, San Diego, USA.
[115] Moisan, M., Bernard, O., Gouz, J. L. (2009). Near optimal interval observers bundle for
uncertain bioreactors. Automatica 45(01), 291-295.
Bibliographie

163
[116] Moore, R. E. (1966). Interval analysis. Prentice-Hall series in automatic computation.
Englewood Cliffs, N.J.: Prentice-Hall.
[117] Moore, R. E., & Bierbaum, F. (1979). Methods and applications of interval analysis.
Philadelphia: Siam.
[118] Morio, V. (2009). Contribution au dveloppement dune loi de guidage autonome par
platitude. Application une mission de rentre atmosphrique. Thse de Doctorat,
Universit Bordeaux 1, France.
[119] Mller, M. (1926). ber das fundamental theorem in der theorie der gewhnlichen
differentialgleichungen. Math. Z, 26, 619645.
[120] Nagy Kiss, A.M. (2010) Analyse et synthse de multimodles pour le diagnostic.
Application une station dpuration. PhD thesis, Nancy-Universite, INPL.
[121] Nedialkov, N. S. (1999) Computing rigourous bounds on the solution of an initial value
problem for an ordinary differential equation. PhD thesis, University of Toronto.
[122] Orani, N., Pisano, A., Usai, E. (2006). On a new sliding-mode differentiation scheme. IEEE
ICIT, 2652-2657.
[123] Park, Y. and J. L. Stein (1988). Closed-loop state and input observer for systems with
unknown inputs. Int. J. Control, 48, 1121-1136.
[124] Patton, R. and Chen, J. (1991) A review of parity space approaches to fault diagnosis,
in Proceedings of SAFEPROCESS'91, (Baden Baden - Germany), pp. 239-255, IFAC-
IMACS, 1991.
[125] Patton, R. (1997) Fault-tolerant control: the 1997 situation. In Proceedings of
SAFEPROCESS'97, (Hull - England), pp. 1033-1055, IFAC, 1997.
[126] Perruquetti, V., Barbot, J-P. (2002). Sliding mode control in engineering. Published by
Marcel Dekker, Inc.
[127] Rassi, T., Ramdani, N. and Candau, Y. (2004). Set membership state and parameter
estimation for systems described by nonlilear differential equations. Automatica, 40, 1771
1777.
[128] Rassi, T., Videau, G. and Zolghadri, A. (2010) Interval observer design for consistency
checks of nonlinear continuous-time systems. Automatica, 46(3), 518527.
[129] Rassi, T. (2011). Reliable amplitude and frequency estimation for biased and noisy signals.
Communications in Nonlinear Science and Numerical Simulation, 16, 4153-4157.
[130] Rassi, T., Efimov, D. and Zolghadri, A. (2012) Interval state estimation for a class of
nonlinear systems. IEEE Transactions on Automatic Control, 57(1), 260265.
[131] Reger, J., Jouffroy, J. (2009). On algebraic time-derivative estimation and deadbeat state
reconstruction. Joint 48
th
Conference on Decision and Control and 28
th
Chinese Control
Conference, Shanghai-P.R. China.
[132] Rbenack, K. (2007) Observer design for a class of nonlinear systems with non-full relative
degree. Nonlinear Dynamics and Systems Theory, 7(4), 399408.
Bibliographie

164
[133] Roberts, J.D. (1980) Linear model reduction and solution of the algebraic Riccati equation
by use of the sign function. Internat. J. Control, 32:677687, 1980. (Reprint of Technical
Report No. TR-13, CUED/B-Control, Cambridge University, Engineering Department,
1971).
[134] Rouchon, P. (2008). Systmes diffrentiellement plats. JNCF, CIRM.
[135] Schweppe, F. C. (1971) Recursive state estimation : unknown but bounded errors and
system inputs. IEEE Transaction On Automatic Control, AC-16, 117.
[136] Seydou, R., Rassi, T. and Zolghadri, A. (2011) Robust state estimation for flat systems
using set-membership techniques. In IFAC-WC, Milan, Italy.
[137] Seydou, R., Rassi, T., Zolghadri, A. and Efimov, D. (2013) Actuator fault detection and
diagnosis for flat systems: a constraint satisfaction technique, International Journal of
Applied Mathematics & Computer Science (AMCS), 23(1). To appear.
[138] Shamma, J.S. and Cloutier, J.R. (1993) Gain-scheduled missile autopilot design using
linearparameter varying transformations. Journal of Guidance, Control and Dynamics.
[139] Shin, J.Y. (2007) Quasi-linear parameter varying representation of general aircraft
dynamics over non-trim region. Technical Report NASA CR-2007-213926, NIA Report
No.2005-08, National Institute of Aerospace, Hampton, Virginia.
[140] Shtessel, Y. B., Baev, S., Edwards, C. and Spurgeon, S. (2010) Hosm observer for a class
of non-minimum phase causal nonlinear mimo systems. IEEE Transactions on Automatic
Control, 55(2), 543 548.
[141] Shumsky, A. (2002) Robust analytical redundancy relations for fault diagnosis in nonlinear
systems. Asian Journal of Control, Vol. 4, No 2, pp. 159-170.
[142] Shumsky, A. (2007) Redundancy relations for fault diagnosis in nonlinear uncertain
systems. Int. J. Appl. Math. Comput. Sci., 2007, Vol. 17, No. 4, 477489.
[143] Shumsky, A. (2011) Fault diagnosis with continuous-time parity equations. In Fault
Diagnosis in Robotic and Industrial Systems (chapter 8), Gerasimos Rigatos ed., ISBN 978-
1461098744, iConceptPress.
[144] Smith, H. L. (1995). Monotone dynamical systems: an introduction to the theory of
competitive and cooperative systems. Mathematical surveys and monographs 41.
Providence, RI.
[145] Stein, G. and Athans, M. (1987). The LQG/LTR procedure for multivariable feedback
control design. IEEE Transactions on Automatic Control, 32(2), 105-114.
[146] Sunaga, T. (1958) Theory of interval algebra and its application to numerical analysis",
In: Research Association of Applied Geometry (RAAG) Memoirs, Ggujutsu Bunken Fukuy-
kai. Tokyo, Japan, 1958, Vol. 2, pp. 29-46 (547-564); reprinted in Japan Journal on
Industrial and Applied Mathematics, 2009, Vol. 26, No. 2-3, pp. 126-143.
[147] Theilliol D., Noura H. and Ponsart J.-C. (2002). Fault diagnosis and accommodation of a
three-tank system based on analytical redundancy. ISA Trans., 41, 365382.
Bibliographie

165
[148] Toth, R. (2010) Modeling and identification of linear parameter-variying systems. Springer
Germany.
[149] Utkin, V.IV (1976) Sliding modes and their applications in variable structure systems. Ed.
MIR.
[150] Utkin, V.IV (1977) Variable structure systems with sliding modes. IEEE Transactions on
Automatic Control, vol. AC-22, 212-222.
[151] Utkin, V.IV (1983) Sliding mode: present and future. Automation and Remote control, 44,
1105-1120.
[152] Utkin, V. I. (1993). Sliding Mode Control Design Principles and Applications to Electric
Drives". IEEE Transactions on Industrial Electronics 40 (1), 2336.
[153] Utkin, V. I, Guldner, J., Shi, J. (1999). Sliding Mode Control in Electromechanical
Systems. Philadelphia, PA: Taylor & Francis, Inc.
[154] Videau, G. (2009) Mthodes garanties pour lestimation dtat et le contrle de cohrence
des systmes non linaires temps continu. Thse de Doctorat, Universite Bordeaux 1.
[155] Walter, W. (1997). Differential inequalities and maximum principles: theory, new methods,
and applications. Nonlinear Anal., 30(9):46954711.
[156] Walter, E. and Kieffer, M. (2003). Interval analysis for guaranteed nonlinear parameter
estimation. SYSID, 259270, Rotterdam.
[157] Waltz, D.L. (1972). Generating semantic descriptions from drawings of scenes with
shadows. Technical Report, AI-TR-271, MIT Artificial Intelligence Laboratory,
Cambridge, MA.
[158] Wan, E. et Van Der Merwe, R. (2000). The unscented Kalman filter for nonlinear
estimation. In Proceedings of Symposium, 153-158.
[159] Weintraub, S. H. (2008) Jordan canonical form : Application to differential equations.
Morgan and Claypool Publishers, 85p.
[160] Williams II, R. L. and Lawrence, D. A. (2007). Linear state space control systems. John
Wiley & Sons, Inc., Hoboken- New Jersey.
[161] XU, A. (2002). Observateurs adaptatifs non linaires et diagnostic de pannes. Thse de
lUniversit de Rennes 1.
[162] Zrar, M. (2006) Contribution la caractrisation LPV dune classe de systmes non
linaires pour la synthse de lois de poursuite robuste : application un systme spatial.
Thse de Doctorat de lUniversit Bordeaux 1, France.
[163] Zolghadri A., Henry D. and Monsion M. (1996). Design of nonlinear observers for fault
diagnosis: a case study. Control Eng. Practice, 4(11), 15351544.

166

Rsum : Cette thse traite du problme d'observation et d'estimation des variables
caractristiques des systmes dynamiques. Il sagit dune problmatique fondamentale qui est au
cur de nombreux domaines relavant des sciences de l'ingnieur. Les travaux sont conduits dans
un contexte ensembliste. Les techniques dveloppes pour lestimation de ltat et des variables
dentres ont pour objectif final le contrle de cohrence des systmes non linaires temps
continu. Une premire approche conjugue les relations de parit et les diffrentiateurs modes
glissants pour lestimation des entres dun systme non linaire. Les domaines des entres
compatibles avec les mesures sont alors reconstruits grce lanalyse par intervalles et aux
techniques de satisfaction de contraintes. Il est montr que la relaxation des contraintes de
stabilit/cooprativit pour la construction dun observateur intervalle peut se faire grce des
changements de base dtermins de diffrentes manires et pouvant tre variants ou invariants
dans le temps. Des simulations numriques illustrent les techniques proposes. Une application
un systme aronautique est galement prsente laide dun jeu de donnes relles.

Mots-cls : Estimation dentres, inversion ensembliste, relations de parit, systmes non
linaires temps continu, platitude, observateurs intervalles, diffrentiateurs modes glissants,
observateurs mixtes, relaxation de contraintes.

Abstract: This thesis deals with the problem of a dynamical system observation and the
estimation of its characteristic variables; the latter point constitutes the core element in many
engineering science fields. The final aim is to build a general framework for integrity control and
fault detection of such systems within a bounded error context. The developments offered herein
make use of parity relations, sliding mode differentiators, interval observers and constraint
satisfaction problems. Input reconstruction techniques are developed for a general class of
nonlinear continuous-time systems. Domains are reconstructed for the input values which are
consistent with the measurements using interval analysis and constraint satisfaction techniques. It
is shown that time-varying or invariant coordinate changes may relax the applicability conditions
(stability/cooperativity) of the interval observer design methods. Sliding mode differentiators
were also used to enhance interval observer accuracy. The proposed approaches are illustrated
through computer simulations and they have been applied to aircraft servo loop control surface
for robust and early detection of abnormal positions.

Keywords: Input estimation, set inversion, parity relations, continuous-time nonlinear systems,
flatness, interval observers, sliding mode differentiators, mixed observers, constraint relaxation.

i
i

Seydou Hassane Ramatou 2012 PDF

Transféré par

Informations du document

Titre original

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

Seydou Hassane Ramatou 2012 PDF

Titre original :

Transféré par

Droits d'auteur :

Formats disponibles

Universit Bordeaux 1

Les Sciences et les Technologies au service de lHomme et de lenvironnement

Matrice identit de dimension .

Matrice de dimension dont tous les lments sont gaux 1.

Bornes suprieure et infrieure dun intervalle x.

Norme 2 dun vecteur x.

Ensemble des vecteurs rels de dimension .

Classe des fonctions infiniment drivables.

Ensemble des vecteurs y tels que = max (|

en effectuant une rsolution numrique garantie

reprsentent respectivement les vecteurs dtat,

), voir [22] pour

est une solution de :

. Les matrices , , et sont relles, constantes et de

est la matrice d'observabilit d'ordre ,

sont des matrices de

est ltat initial linstant

. Il vient donc que la sortie peut tre rcrite comme tant :

dans lquation (13), on obtient :

soit de plein rang colonne, i.e. (

, une matrice symtrique dfinie positive.

est assure par le thorme 1.

1 telles que la matrice

soit de plein rang colonne,

. Lorsque le systme (8) nest que partiellement observable, le corollaire suivant

, alors tout intervalle de temps fini

, = 0, , ninflue pas sur loptimalit, au sens de

, des quations de parit car il est dmontr dans

, = 0, , sont tous quivalents ds lors que la matrice

est non singulire.

. Pour tablir les relations de parit entre lentre et la sortie ,

une fonction non linaire darguments , , ,

et sont polynomiales et ne contiennent aucun coefficient inconnu.

et sont respectivement dtermines partir des fonctions

par rapport au temps donne :

() dans les quations (31)-(33) et

, on considre tout dabord la distribution

est une tape intermdiaire au calcul des termes

, permet alors de dterminer les termes

, il est donc possible de calculer les expressions des fonctions

et la fonction tant connus, on peut alors calculer la fonction :

) sont des fonctions dpendant des entres et

) est compose des vecteurs colonnes (,

une fonction (linaire ou non linaire) et

. Linversion ensembliste permet de caractriser le sous-ensemble

est assez large afin de contenir . SIVIA est

une fonction vectorielle et [] un pav (vecteur dintervalles). Une fonction intervalle

est dite fonction dinclusion pour si : ([]) []([]), []

. Voir [72] et lannexe B

]) est la largeur du pav [

}, un ensemble de variables dterminer

}, un ensemble de contraintes qui peuvent tre des quations

], un domaine initial dappartenance pour chacune des

) [0, +[ (2 ]0, +[ +1)

) gnre un ensemble solution vide pour les variables

) des contraintes primitives.

] = [3, 8] ]0, +[ = ]0, +[

]; [] = [5,10] ]0, +[ + [1, 1] = ]1, 11]

] = (]1, 11] [1, 1]) ]0, +[ = ]0, 12]

] = (]1, 11] ]0, +[) [1, 1] = ]1, 1]

(]1, 1]) ] , +[=

] = (]0, 12] / [3, 8]) ]0, +[ = ]0, 4]