Vous êtes sur la page 1sur 79

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

Ministre de lEnseignement Suprieur et de la Recherche Scientifique

UNIVERSITE DE BATNA
Facult de Technologie
Dpartement dElectrotechnique

Mmoire
Prsent en vue de l'obtention du diplme de
MAGISTERE EN ELECTROTECHNIQUE
Option : Machines Electriques et commande des systmes

Prsent par :
Mr BOUHAFNA Sebti
Licence en Electrotechnique, Universit de Batna

THEME
Commande par DTC dun Moteur Asynchrone
Apport des Rseaux de Neurones

Soutenu Le 16 / 11 /2013
Devant le Jury compos de :
Mr SELLAMI

Sad

Mr BENAGGOUNE Sad
Mr NACERI
Mr DIB

Farid
Abderrahmane

Mr BELKACEM

BOUHAFNA S.2013

Sebti

M.C.A
M.C.A

Universit de Batna

Prsident

Universit de Batna

Rapporteur

Professeur Universit de Batna

Examinateur

M.C.A
M.C.A

Universit dOum el bouaghi Examinateur


Universit de Batna

Examinateur

Ddicace
A ma Grande Famille BOUHAFNA
A ma femme et mes deux chers enfants Moncef et Kahina
A mon cher ami Delendi Louardi

BOUHAFNA S.2013

Remerciements
Au moment o on achve ce modeste travail, je remercie ALLAH tout
puissant qui ma donn la force et la volont pour finir ce travail.
Jadresse mes grands remerciements au Mrs BENAGGOUNE et
NACERI pour avoir accepter de mencadrer, pour leurs
encouragements et leurs patiences.
Je remercie Mr SELLAMI Sad pour mavoir fait lhonneur de
prsider mon jury.
Toute ma reconnaissance va galement aux membres de jury, Mrs
BENAGGOUNE Said, NACERI Farid, BELKACEM Sebti
Et DIB Abderrahmane
Je remercie tous mes amis.
Je tiens aussi remercier, tous ceux qui mont enseign durant toutes
mes annes dtudes.

Sommaire :
Liste des symboles
Introduction gnrale01

Chapitre un :
Modlisation et simulation de lassociation machine-convertisseur
I-1- Introduction.03
I-2- Modlisation de la machine asynchrone..03
I-2-1 Equations lectriques.....04
I- 2-2 Equations magntiques.....05
I-2-3 Equation mcanique...06
I-3- Transformation du systme triphas....06
I-3-1 Transformation de Park ........08
I-3-2 Choix de repre.....09
I-3-3 Application de transformation de Park au modle de la MAS......09
I-3-3-1 Equation lectrique.....09
I-3-3-2 Equation magntique..10
I-3-3-3 Equation mcanique ..10
I-4-Alimentation de la machine asynchrone...10
I-4-1 Reprsentation dtat du modle de la MAS.........11
I-5-Rsultats de Simulation du modle de la MAS ...13
I-5-1 Interprtation des rsultats....14
I-6-Conclusion15
I-7-Modlisation de londuleur de tension.15
I-7-1 Introduction...15
I-7-2 Description de londuleur..15
I-7-3 Modlisation de londuleur de tension..16
I-7-4 Commande de londuleur..18
I-7-4-1-Contrle des courants par les rgulateurs de tensions...18
I-7-4-2-Contrle des tensions par MLI..19
I-7-5- Onduleur de tension MLI..20
I-7-5-1- MLI vectorielle.20
I-7-5-2- Le principe de SVM.20
I-7-5-3- Dtermination du secteur K..23
I-8- Simulation de lassociation Moteur induction-onduleur MLI.24
I-8-1 Rsultats de simulation..24
I-8-2 Interprtations des rsultats..26
I-9-Conclusion ...26
Chapitre deux:
Commande Directe Du Couple Du Moteur Asynchrone
II-1 Introduction..28
II-2 Principe du DTC..28
II-3 Choix du vecteurs tensions29

II-4 Estimateurs.30
II-4-1 Estimations du Flux statoriques..30
II-4-2 Estimations du Couple lectromagntique..31
II-5 Elaboration du vecteur commande31
II-5-1 Le correcteur de flux...31
II-5-2 Correcteur du couple lectromagntique.31
II-5-2-1 comparateur a trois niveaux.32
II-5-2-2 comparateur a deux niveaux32
II-6 Elaboration de la table de commande32
II-7 Structure gnrale du contrle direct de couple.33
II-8 Les caractristiques gnrales dune commande directe de couple..33
II-8-1 Les avantages de la DTC33
II-8-2 Les inconvnients ..34
II-9 Rsultats de simulation..34
II-10 Interprtation des rsultats..35
II-11 Influence des bandes dhystrsis des comparateurs..35
II-11-1 Influence de la bande dhystrsis du comparateur de flux...35
II-11-2 Influence de la bande dhystrsis du comparateur de couple....36
II-12 Conclusion.38
Chapitre trois:
Gnralits sur les Rseaux de Neurones
III-1-Introduction...40
III-2-Gnralits 40
III-3-Historiques sur les rseaux de neurones41
III-4- Dfinition .42
III-5- Neurone biologique...42
III-6- Neurone formel.43
III-7-Architecture des rseaux de neurones....45
III-7-1- Les rseaux non boucls....45
III-7-1-1-Les rseaux de neurones compltement connectes....45
III-7-1-2- Les rseaux de neurones couches....45
III-7-2- Les rseaux boucls...46
III-8-Lapprentissage.....46
III-8-1-Les types dapprentissage...47
III-8-1-1- Apprentissage supervis.47
III-8-1-2- Apprentissage non supervis......47
III-8-1-3- Apprentissage auto supervis.47
III-8-2- Les mthodes dapprentissage...47
III-8-2-1- Rgle de Hebb....47
III-8-2-2- Rtro-propagation du gradient de lerreur..47
III-9- Types de rseaux...48
III-9-1- Perceptron..48
III-9-1-1 Description...48

III-9-2- Algorithme dapprentissage...49


III-9-2-1- Algorithme de rtro-propagation49
III-9-2-2- Principe..49
III-9-2-3- Lalgorithme..49
III-9-2-4-Choix du critre minimiser ..50
III-10- Identification et commande par rseaux de neurones.50
III-10-1- Identification des processus par rseaux de neurones51
III-10-1-1- Identification directe51
III-10-1-2- Identification inverse52
III-10-2- Commande des processus par rseaux de neurones ...52
III-10-2-1- Apprentissage dun contrleur conventionnel..53
III-10-2-2- Commande inverse avec apprentissage en ligne..53
III-11- Modlisation laide de rseaux de neurones54
III-11-1- Modle Boite noire.54
III-11-2- Modle Boite grise ou hybride...55
III-11-3- Conception dun rseau de neurones...55
III-12- Avantages et inconvnients des rseaux de neurones.56
III-13-Conclusion.......56

Chapitre quatre:
Application des rseaux de neurones la DTC.
IV-1-Introduction...58
IV-2-principe de contrleur neuronal.59
IV-3-dveloppement du contrleur neuronal..59
IV-4- Contrle Direct du Couple par Rseaux de Neurones .59
IV-5- Structure de la commande neuronale directe du couple (DTNC).61
IV-6- Rsultats de la simulation,62
IV-7- Interprtation des rsultats64
IV-8-Conclusion,64
IV-9-Comparaison entre DTC Classique et DTC Neuronale 65
Conclusion gnrale66
Annexe67
Rfrences bibliographiques68
Rsum ..70

Liste des symboles

LISTE DES SYMBOLES


Paramtres du modle
Resistance statorique.
Resistance rotorique.
Linductance propre dune phase statorique.
Linductance propre dune phase rotorique.
La mutuelle inductance entre phase statorique et rotorique
J

Moment dinertie du rotor

Nombre de paires de ples

Variables lectriques et mcaniques de la machine


Tension continue lentre de londuleur

La tension statorique
Le courant statorique
Le courant rotorique
Le flux du stator
Le flux rotorique
La pulsation statorique
La pulsation mecanique
La pulsation de glissement
Langle lectrique entre le rotor et le stator
Coefficient de dispersion de blondel
La constante de temps statorique
,

La constante de temps rotorique


Couple de charge

Liste des symboles

Indices
a, b, c

Variables exprimes dans le repre fixe triphas

d,q

Variables exprimes dans le repre fixe (d,q) tournant la vitesse synchrone

Variables exprimes dans le repre fixe biphas (,)

Variables de commande et de rgulation


La priode dchantillonnage
Le gain proportionnel et intgral de lestimateur PI

Le couple estim

Le flux estim
Le couple de rfrence
Le flux de rfrence

(eta)

Le pas dapprentissage
La frquence de commutation

Introduction gnrale

Introduction gnrale
La machine asynchrone est la plus robuste et la moins chre du march. Les progrs ont t raliss
en commande et les avances technologiques considrables, tant dans le domaine de llectronique
de puissance que dans celui de la micro-lectronique, ont rendu possible limplantation de
commande performante de cette machine faisant delle un concurrent redoutable dans les secteurs
de la vitesse variable et du contrle rapide du couple. [1]
Cependant de nombreux problmes demeurent. Linfluence des variations des paramtres de la
machine, le comportement en fonctionnement dgrad, la prsence dun capteur mcanique sont
autant de difficults qui ont aiguis la curiosit des chercheurs dans les laboratoires. En tmoigne, le
nombre sans cesse grandissant des publications qui traitent le sujet.
Bien que dj prsents dans dautres domaines intelligentes, cest une nouveaut dans le domaine
de llectrotechnique.
Nous avons voulu savoir quel pourrait tre lapport de cette mthode appliques lidentification et
la commande de la machine asynchrone.
Tout au long de ce travail, nous avons gard comme objectif limplantation et simulation de ces
mthodes dveloppes, en effet, combien de procds donnent de trs bons rsultats en simulation.
Les diffrents travaux concernant le sujet font lobjet de quatre chapitres qui constituent ce
mmoire.
Le chapitre un, prsente une tude par simulation de lassociation convertisseur-machine aprs une
modlisation par leurs quations mathmatiques on a aboutit systme dtat. Nous avons visualis
les courbes du flux, couples, courant statorique, la frquence de commutation.
Le chapitre deux, on a prsent une commande DTC de la machine asynchrone, grce faible cot
et sa simplicit de construction conjugus aux techniques de variation de vitesse, la machine
asynchrone simpose de plus en plus dans les domaines de lentranement vitesse variable, la
technique de commande directe du couple (Direct Torque Control) o DTC introduite en 1985 par
TAKAHASHI [2], linconvnient majeur de la commande directe du couple dune machine
asynchrone est les pulsations du couple.
Le chapitre trois, on a fait une prsentation gnrale sur les rseaux de neurones artificiels, et leurs
applications et les techniques dapprentissage.
En fin dans le chapitre quatre, une application dune commande intelligente pour faire une
amlioration importante pour la commande prcdente, qui nous a donn des bons rsultats pour le
couple lectromagntique, la comparaison des rsultats de la DTC modifi et la DTC classique
atteste clairement lapport de lapproche utilise. [3]
Nous terminons par une conclusion sur lensemble de cette tude avec des perspectives dans ce sens
BOUHAFNA S. 2013

Page 1

Modlisation et simulation de lassociation- convertisseur

Chapitre un :
Modlisation et simulation de lassociation machine-convertisseur
I-1- Introduction
I-2- Modlisation de la machine asynchrone
I-2-1 Equations lectriques
I- 2-2 Equations magntiques
I-2-3 Equation mcanique
I-3- Transformation du systme triphas
I-3-1 Transformation de Park
I-3-2 Choix de repre
I-3-3 Application de transformation de Park au modle de la MAS
I-3-3-1 Equation lectrique
I-3-3-2 Equation magntique
I-3-3-3 Equation mcanique
I-4-Alimentation de la machine asynchrone
I-4-1 Reprsentation dtat du modle de la MAS
I-5-Rsultats de Simulation du modle de la MAS
I-5-1 Interprtation des rsultats
I-6-Conclusion
I-7-Modlisation de londuleur de tension
I-7-1-Introduction
I-7-2 Description de londuleur
I-7-3 Modlisation de londuleur de tension
I-7-4 Commande de londuleur
I-7-4-1-Contrle des courants par les rgulateurs de tensions
I-7-4-2-Contrle des tensions par MLI
I-7-5- Onduleur de tension MLI
I-7-5-1- MLI vectorielle
I-7-5-2- Le principe de SVM
I-7-5-3- Dtermination du secteur K
I-8- Simulation de lassociation Moteur induction-onduleur MLI
I-8-1 Rsultats de simulation
I-8-2 Interprtations des rsultats
I-9-Conclusion

BOUHAFNA S. 2013

Page 2

Modlisation et simulation de lassociation- convertisseur

I.1-INTRODUCTION :
Le moteur asynchrone (MAS) ou moteur dinduction est actuellement le moteur lectrique dont
lusage est le plus rpandu dans lindustrie. Son principal avantage rside dans labsence de
contacts lectrique glissants, ce qui conduit une structure simple et robuste facile construire [3].
Son utilisation dans le domaine dentranement vitesse variable fait appel la commande, et pour
ce faire, on a besoin du modle mathmatique du processus.
Ainsi la modlisation de la machine asynchrone triphase, lment essentiel dans lentranement,
devient une tape indispensable pour ralisation dune commande vitesse variable.
Dans la littrature, nous discernons principalement trois approches concernent la modlisation des
machines lectriques [6]. En choisissant de les prsenter par leur degr de complexit croissant,
nous avons :
Modlisation de Park.
Modlisation par rseaux de permances.
Modlisation par les lments finis.
La modlisation de Park est construite partir des quations de la machine qui permettent
llaboration du modle de connaissance traduisant le comportement dynamique des modes
lectriques et lectromagntiques de la machine. Ce modle, dcrit par un systme algbrodiffrentiel non linaire, admet plusieurs classes de reprsentation dtat [4].
La modlisation par rseaux de permances : cette mthode est base sur la cration dun
circuit magntique reprsentant le fonctionnement de la machine de manire beaucoup plus
prcise quavec les quations de Park et plus rapidement quavec la mthode des lments
finis.les chemins emprunts par le flux sont reprsents par des impdances et les sources de
forces magntomotrices sont reprsentes par des sources de tension. De ce fait, la
dtermination des flux se ramne la rsolution dun circuit lectrique. Cette mthode
permet en plus de prendre en compte le comportement tridimensionnel de la machine.
La Modlisation par les lments finis permet une rsolution numrique des quations
gnrales de llectromagntisme en dcoupant la machine en parties finies adjacentes. A
partir de ces lments, on dtermine la valeur du champ magntique propre chaque
lment, qui reprsente les phnomnes physiques de llment. Elle est utilise lors du
dimensionnement ou lestimation des paramtres de la machine lectrique.
Lobjectif de ce chapitre est de prsenter en premier lieu, le modle de Park de la MAS triphase,
avec ses hypothses simplificatrices, ainsi que la prsentation des rsultats obtenus. Ensuite la
modlisation de londuleur est tablie. La dernire partie, concernera une simulation comparative
du comportement de la MAS alimente aussi bien par une source triphase sinusodale, que par un
onduleur de tension.
I.2- MODELISATION DE LAMACHINE ASYNCHRONE (MAS) :
Ltude de cette machine traduit les lois de llectromagntisme dans le contexte habituel des
hypothses simplificatrices [2] :
Lentrefer constant ;
Leffet dencochage nglig ;
Distribution spatiale sinusodale des forces magntomotrices dentrefer ;
Circuit magntique non satur et permabilit constante ;
Pertes ferromagntiques ngligeables ;
BOUHAFNA S. 2013

Page 3

Modlisation et simulation de lassociation- convertisseur

Linfluence de leffet de peau et de lchauffement sur les caractristiques nest


pas prise en compte.
Parmi les consquences importantes des ces hypothses on peut citer :
Lassociation du flux
La constance des inductances propres ;
Linvariance des rsistances statoriques et rotoriques ;
La loi de variation sinusodale des inductances mutuelles entre les enroulements
statoriques et rotoriques en fonction de langle lectrique de leurs axes
magntiques, [2]
La reprsentation schmatique de la MAS dans l'espace lectrique est donne sur la Fig. (1.1).
Elle est munie de six enroulements, [4].
Le stator de la machine est form de trois enroulements fixes dcals de 120 dans lespace
et traverss par trois courants variables.
Le rotor peut tre modlis par trois enroulements identiques dcals dans lespace de 120.
Ces enroulements sont en court-circuit et la tension leurs bornes est nulle

I-2-1-Equations lectriques :
Les six enroulements (a, b, c, A, B, C) reprsents sur la figure (1.1) obissent aux quations
matricielles suivantes, [2]
[ ]

][ ]

[ ]

][ ]

BOUHAFNA S. 2013

(I.1)
[

(I.2)
Page 4

Modlisation et simulation de lassociation- convertisseur

Avec :
[ ] : Vecteur tension.
[ ] : Vecteur courant.
[

] : Vecteur flux statorique.

[ ]: Matrice rsistance.
S, r : Indices stator et rotor, respectivement.
I-2-2-Equations magntiques :
Les hypothses simplificatrices cites antrieurement conduisent des relations linaires entre les
flux et les courants de la machine asynchrone, ces relations scrivent matricielle -ment comme suit,
[6] :
Pour le stator :
[

[ ][ ]

][ ]

(I.3)

][ ]

(I.4)

Pour le rotor
[

[ ][ ]

[ ] [ ]:
[

Les matrices dinductance statorique et rotorique ;

] : correspond la matrice des inductances mutuelles stator-rotor.

On dsigne par :
[ ]

(I.5)

[ ]

(I.6)

[ ]

[ ]

(I.7)
[

: La position absolue entre le stator et le rotor ;


, : Inductance propre du rotor et du stator, respectivement ;
M : Inductance mutuelle cyclique entre stator-rotor ;
Finalement les quations de tensions deviennent :
BOUHAFNA S. 2013

Page 5

Modlisation et simulation de lassociation- convertisseur

Pour le stator :
[

][

[ ][

][

(I.8)

[ ][

][

(I.9)

Pour le rotor :
[

][

I-2-3-Equations mcaniques :
Ltude des caractristiques de la machine asynchrone fait introduire de la variation non seulement
des paramtres lectriques (tension, courant, flux) mais aussi des paramtres mcaniques (couple,
vitesse) [7]
[

][

(I.10)

Lquation du mouvement de la machine est :


(I.11)
Avec : J : moment dinertie des masses tournantes
: Couple rsistant impose larbre de la machine.
: vitesse rotorique.
: Couple lectromagntique.
: Coefficient de frottement visqueux.
: Terme de couple de frottement visqueux.
I-3- Transformation du systme triphase :
La mise en quation des moteurs triphass aboutit des quations diffrentielles coefficients
variables. Ltude analytique du comportement du systme est alors relativement laborieuse, vu le
grand nombre de variable. On utilise alors des transformations qui permettent de dcrire le
comportement de la machine laide dquations diffrentielles coefficients constants.
Les transformations utilises doivent conserver la puissance instantane et la rciprocit des
inductances mutuelles. Ceci permet dtablir une expression du couple lectromagntique dans le
repre correspondant au systme transforme [7] ;
I-3-1-Transformation CLARKE/CONCORDIA :
Le but de lutilisation de cette transformation cest de passer dun systme triphas abc vers un
systme diphas , . Il existe principalement deux transformations : Clarke et Concordia.
BOUHAFNA S. 2013

Page 6

Modlisation et simulation de lassociation- convertisseur

La transformation de Clarke conserve lamplitude des grandeurs mais pas la puissance ni le couple
(on doit multiplier par un coefficient 3/2). Tandis que celle de Concordia, qui est norme, elle
conserve la puissance mais pas les amplitudes. [8]
Transformation de Concordia
Transformation de Clarke
Passer dun systme triphas abc vers un systme diphas
[

] [

]c.--d. [
[

Avec

] [

] c.--d. [

Avec

Passer dun systme diphas vers un systme abc


[

]c.--d. [

] [

] [

c.--d.

Avec

Avec

[
]
Tableau (I-1) passage dun systme triphas au systme biphas
Le choix de matrice de passage non norme (Clarke) est bien pratique en commande o lon traite
des grandeurs d q (
que lon verra par la suite). En effet, cela permet, par exemple,
dapprcier directement le module du courant qui est absorbe par le moteur, sans avoir passer par
un coefficient multiplicateur. Mathmatiquement parlant, le choix dune matrice norme
(Concordia) est souvent utilise pour des raisons de symtrie de transformation directe et inverse.
Nous allons utiliser la transformation de Concordia dans notre modlisation. Son application aux
quations de la machine crites ci-dessous [10] donne :
[

[
[
[

]
]
]

]
[

(I.12)
(I.13)
(I.14)

On a alors rduit le systme de trois (3) quations un systme de deux (2) quations.
De mme pour le rotor :
[

BOUHAFNA S. 2013

(I.15)
Page 7

Modlisation et simulation de lassociation- convertisseur

Ainsi que pour lcriture des flux en fonction des courants. Lintrt pour les flux, cest que les
matrices 3*3 des inductances vont tre rduites des matrices 2*2. On a alors lapparition des
inductances cycliques :

O la matrice P ( ) est la matrice de rotation :

On dispose prsent dune modlisation de la machine asynchrone dans deux repres spares : les
grandeurs statoriques sont exprimes dans le repre stator et les grandeurs rotoriques dans le
repre rotor. Il faut exprimer toute la modlisation dans un repre commun. En effet, si lon
examine de plus prs la matrice des inductances [10]

On saperoit que les grandeurs statoriques sont lies aux grandeurs rotoriques travers langle
On choisi alors de transformer les deux grandeurs statoriques et rotoriques vers un repre
commun dit d q et ceci laide de deux transformations dans le plan qui sont des rotations. Ce sont
ces transformations ainsi que la transformation de Concordia ou de Clarke qui constitue la
transformation de Park.
Alors on peut crire toute grandeur dans le repre (dq) on utilisant le produit matricielle suivant :
[

][

] Avec :

I-3-1-TRANSFORMATIONDE PARK :
La transformation de Park pour but de traiter une large gamme de machines de faon unifie en un
modle unique. Cette conversion est appele souvent transformation des axes, fait correspondant
aux deux enroulements de la machine originale suivie dune rotation, les enroulements quivalents
du point de vue lectrique et magntique. Cette transformation ainsi, pour lobjectif de rendre les
inductances mutuelles du modle indpendantes de langle de rotation [14].
BOUHAFNA S. 2013

Page 8

Modlisation et simulation de lassociation- convertisseur

I-3-2-Diffrents repres :
Lisotropie du moteur asynchrone permet une souplesse dans la composition des quations de la
machine selon deux axes laide des composantes de Park, cela ncessite lutilisation dun repre
qui permet de simplifier au maximum les expressions analytiques. Il existe diffrentes possibilits
pour le choix du repre daxes, se ramne pratiquement trois rfrentiels (systmes biphass)
orthogonaux : [14]
Rfrentiel immobile par rapport au stator : (-)
Rfrentiel immobile par rapport au rotor : (x-y)
Rfrentiel immobile par rapport au champ tournant : (d-q)
O :
: Vitesse angulaire de rotation du systme daxes biphas par rapport au systme daxes
triphas.
La transformation de Park est souvent dfinir par la matrice normalise [P] comme suit [9] :

[ ]

(I.16)
[

: Le facteur (

: pour la conservation de la puissance lectrique instantane.

[ ]

] Avec : [ ]

(I.17)

I-3-3-Application de la transformation de Park au modle de la MAS :


I-3-3-1-Equations lectriques :
(I.18)
(I.19)
(I.20)
(I.21)
BOUHAFNA S. 2013

Page 9

Modlisation et simulation de lassociation- convertisseur

I-3-3-2-Equations magntiques :

(I.22)

Avec :

I-3-3-3-Equation mcanique :
I-4 Alimentation de la machine asynchrone :
Pour une machine asynchrone alimente en tension, si on considre le courant statorique et le
flux
comme variables dtat, et la pulsation
et les tensions
, comme grandeur de
commande et le couple
comme une perturbation, on aura le schma bloc suivant Figure (I.3).

Vsd
Vsq
s

Modle de la Machine
Asynchrone Alimente en
tension

Fig. (I-3) schma bloc de la machine asynchrone alimente en tension.


BOUHAFNA S. 2013

Page 10

Modlisation et simulation de lassociation- convertisseur

Le vecteur de sortie [x], peut avoir une des formes des diffrentes expressions :
[ ]

] ;

Ou bien : [ ]

Ou bien : [ ]

Ou bien : [ ]

]
]
[

Ainsi notre choix est port sur le vecteur : [ ]

] .

I-4-1- REPRESENTATION DETAT DU MODELE DE LA MAS :


La forme gnrale de lquation dtat scrit de la faon suivante :
[ ]

[ ][ ]

[ ][ ]

(I.24)

Avec :
[ ]

[ ]

]
]

Alors, le modle de la machine asynchrone alimente en tension dans un repre (d q) tournant la


vitesse synchrone
(

)
(I.25)

Avec :

Afin dobtenir le modle complet de la machine, il faut tenir compte de lquation mcanique, sur la
base du dveloppement de lquation de la puissance instantane, on obtient lexpression du couple
lectromagntique, [16]
Dautre part on dispose d lexpression.
Avec :
BOUHAFNA S. 2013

Page 11

Modlisation et simulation de lassociation- convertisseur

On obtient la cinquime quation dtat suivante :


(

(I.26)

On peut utiliser la notation suivante :


[ ]

Et [ ]

On aboutit au systme dquation suivant :

(I.27)

Avec :
(

),

,
,

,
,

,
,

,
,

Forme dtat du modle de la machine asynchrone dans le rfrentiel (d q) :

[
[

BOUHAFNA S. 2013

[
[

(I.28)

Page 12

Modlisation et simulation de lassociation- convertisseur

Forme dtat du modle de la machine asynchrone dans le rfrentiel ( ) :

[
[

[
[

(I.29)

: Coefficient de dispersion total.


: Constante de temps rotorique.
Pulsation mcanique du rotor et (p): tant le nombre de paires de ples.

A=

;B=
[

I-5- RESULTATS DE SIMULATION :


60

60

40

40

Is-bet(A)

Is-al(A)

20
0
-20

20
0
-20

-40

-40

-60

-60

0.5

1.5

0.5

t(s)

1.5

1.5

150

150

w(rad/s)

100

Ce(N.m)

1
t(s)

50

100

50

0
-50
0

0.5

1
t(s)

1.5

0
0

0.5
t(s)

Fig. (I-4-a) Simulation dun dmarrage vide de la MAS

BOUHAFNA S. 2013

Page 13

60

60

40

40

20

20

Is-bet (A)

Is-al (A)

Modlisation et simulation de lassociation- convertisseur

0
-20

-20

-40

-40

-60

-60

0.5

1.5

0.5

1.5

t (s)

t (s)
160

160

140
140

120
120

80

w (rad/s)

Ce (N.m)

100

60
40

100
80
60

20
40

0
20

-20
-40

0.5

1.5

t (s)

0.5

1.5

t (s)

Fig. (I-4-b) Simulation dun dmarrage en charge de la MAS

I-5-1-INTERPRETATION DES RESULTATS :


La figure (1-a) illustre les rsultats obtenus pour un dmarrage vide, et la figure (1-b) reprsente
les rsultats de simulation en charge.
A vide :
La courbe de la vitesse des oscillations dans le premier instant de dmarrage avec un
accroissement presque linaire, aprs un temps denvirons 0.2s la vitesse de rotation stabilise une
valeur constante (157rad/s) puisque le moteur possde 2 paires de pole.
La courbe de couple se prsente aux premiers instants du dmarrage une pulsation trs
important, ce qui explique le bruit engendr par la partie mcanique aprs 20 ms le couple tend
vers zro en rgime permanent.
Les courants statoriques prsentent des oscillations successives autour de zro avec une amplitude
maximale jusqu 20 ms, aprs ce temps lamplitude de ces oscillations est diminue jusqu 10A.

BOUHAFNA S. 2013

Page 14

Modlisation et simulation de lassociation- convertisseur

En charge :
On note ici que lintroduction dun couple de charge a provoqu une diminution de la vitesse de
rotation.
I-6- CONCLUSION :
Dans la premire partie du chapitre un nous avons pu tablir un modle mathmatique de la MAS
dont la complexit t rduite en utilisant un certain nombre dhypothses simplificatrices.
On a tabli le modle de la MAS en passant du systme rel triphas au systme diphas linaire
dans le cadre de la transformation de Park. Ce dernier a t simul dans les deux rfrentiels ; celui
est li au stator et celui li au synchronisme, ceci tant pour une alimentation en tension.
Les rsultats de cette premire simulation du modle de la MAS montrent bien le fort couplage
existant entre les diffrents variables, indiquant le caractre bien connu de la non linarit
spcialement lorsque une charge (perturbation) est applique la machine.
La deuxime partie sera consacre la modlisation et la simulation de lassociation machineonduleur.
I-7- MODELISATION DE LONDULEUR :
I-7-1-Introduction :
Le contrle de la vitesse ou de position des machines asynchrones ncessite lutilisation dun
convertisseur statique de puissance appel conventionnellement onduleur de tension. A partir dune
source de tension continue, le convertisseur statique peut, grce une squence approprie
douverture et de fermeture de ses interrupteurs, commuter le courant dans les phases de la machine
afin dobtenir un systme triphas de courant parfaitement command able.
Les tensions appliques sur les phases de la machine sont de forme rectangulaire donc ayant un
contenu harmonique lve qui provoque des pertes supplmentaires dans la machine ainsi que des
oscillations mcaniques base frquence sur larbre.
Afin de rduire ces phnomnes, il existe deux possibilits :
Soit augmenter le nombre des niveaux de tension gnres par londuleur, soit imposer sur chaque
priode des commutations judicieusement places de manire faire varier la valeur du
fondamentale de la tension de sortie tout en minimisant son contenu harmonique. On parle de MLI
(modulation de Largeur dImpulsion) ou encore de PWM (Pulse Witch Modulation) dont il est
propos un grand nombre de solution.
Pour illustrer le fonctionnement de londuleur et introduire les caractristiques des grandeurs
dentre et de sortie, il est intressant dtudier le comportement en pleine onde . Nous
analyserons ensuite son modulation de largeur dimpulsion.
I-7-2- Description de londuleur :
La conversion continue alternative est assure par les commutations des interrupteurs de
londuleur qui vont ainsi effectuer des connexions temporaires entre les bornes de la source
dalimentation continue et les lignes de la charge triphase alternative [3].
BOUHAFNA S. 2013

Page 15

Modlisation et simulation de lassociation- convertisseur

La structure trois bras est prsente sur la figure 1-4.

Fig. (I-5) Schma dun onduleur triphas.

Lentre est une source de tension continue. Le rcepteur est une machine asynchrone qui peut tre
connecte en triangle ou en toile sans le neutre.
Les deux interrupteurs
(i=1, 2,3), sont unidirectionnel en tension et bidirectionnel en courant.
Ce sont des lments commandable louverture et la fermeture. Ils sont commandes par la
technique de modulation de largeur dimpulsion (MLI), qui consiste moduler la tension de sortie.
Nous supposons que la commutation des lments semi-conducteurs est instantane (composants
parfaits). Ainsi que chaque bras donduleur est associ une fonction logique de connexion (j=1,
2, 3) dfinie comme suit : [14].
{

I-7-3- MODELISATION DE LONDULEUR DE TENSION :


Pour modliser londuleur de tension fig. (1-4), on considre son alimentation comme une source
parfaite, constitue de deux gnrateurs de f..m. gale E/2 connects un point fictif not n0 [8].
Les tensions composes sont obtenues partir des sorties de londuleur :

(I.30)

Pour une MAS prsentant un neutre et alimente par un onduleur, on peut crire les tensions comme
suit :
(I.31)

BOUHAFNA S. 2013

Page 16

Modlisation et simulation de lassociation- convertisseur

Avec :
,
,

: Sont des tensions lentre de londuleur. (Valeurs continues)

,
,

: Sont des tensions de phase la sortie de londuleur (valeurs alternatives)

: La tension fictive entre le neutre de la MAS et le point fictif dindice <0>.


Pour un systme quilibr
il vient :

(I.32)

Avec Si ltat des interrupteurs supposs parfaits :


Avec i=a, b, c

Il vient alors :

(I.33

Apres simplification, on obtient :

(I.34)

BOUHAFNA S. 2013

Page 17

Modlisation et simulation de lassociation- convertisseur

En remplaant (I.33) dans (I.34), on obtient :


[

][ ]

(I.35)

Londuleur de tension peut tre modlis par une matrice [T] assurant le passage continualternatif [8]

[ ]

(I.36)
[

Il suffit dappliquer la transformation de Concordia ou de Clarke pour passer dun systme


triphas au systme biphas :

(I.37)

I-7-4- COMMANDE DES ONDULEURS


I-7-4-1-Contrles des courants par rgulateurs hystrsis :
Pour chaque bras de londuleur, les interrupteurs
(i=1, 2,3) sont relis, lun la sortie
dun comparateur hystrsis, lautre cette mme sortie via un inverseur. Ou, le changement
de signe de la diffrence entre le courant de rfrence et le courant mesur nentrane par
instantanment le basculement du comparateur cause de leffet de lhystrsis, cest--dire
que le courant mesur volue en augmentant jusqu ce que I soit gal h (la largeur de la
bande dhystrsis), le comparateur bascule et lautre interrupteur rentre en conduction son
tour tant que Ih. [9]
Le contrle par MLI force le courant de phase suivre le courant de rfrence limposition
des courants sinusodaux la machine garantit un couple lectromagntique non fluctuant.
Lapproche la plus simple qui ralise la comparaison entre le courant de phase mesure et le
courant de rfrence est illustre par la fig. (1-5)
Les conditions de commutations des trois bras commutateurs statiques
(i=1, 2,3) de
londuleur sont dfinies en terme des tats logique correspondants de la faon suivante :

BOUHAFNA S. 2013

Page 18

Modlisation et simulation de lassociation- convertisseur

: sont les courants des phases statoriques


: sont les courants de rfrence issus des commande des trois bras de
londuleur.
: est la bande dhystrsis.

Fig. (I-6)

I-7-4-2-Contrle des tensions par MLI :


Pour dterminer les instants de fermeture et douverture des interrupteurs, on utilise la technique
(MLI), qui consiste comparer le signal de rfrence (modulante) de forme sinusodale faible
frquence, un signal triangulaire (porteuse) de frquence suprieure.
Le signal modul est au niveau haut lorsque la modulante est suprieure la porteuse est au niveau
bas lorsque la modulante est inferieure la porteuse, les instants de commutation sont dtermins
par les point dintersection entre la porteuse et la modulante [8],[9].

(I-7)

BOUHAFNA S. 2013

Page 19

Modlisation et simulation de lassociation- convertisseur

I-7-5-ONDULEUR DE TENSION A MLI :


En pratique plusieurs types de MLI peuvent tre considrs, dont on peut citer [8],[9].

Les modulations Sinus-triangle effectuant la comparaison dun signal de rfrence


sinusodal une porteuse en gnral triangulaire.

Les modulations pr calcules pour lesquelles les angles de commutations sont calcules
hors ligne pour annuler certaines composantes du spectre de la tension, et donner une certaine onde
fondamentale.

Les modulations post calcules appeles encore MLI rgulires symtriques ou MLI
vectorielle (SVM : Space Vector Modulation) dans lesquelles les angles de commutation sont
calcules en ligne.
I-7-5-1-MLI VECTORIELLE :
Cette modulation est utiliser par les commandes modernes courant alternatif, les tensions de
rfrences sont les tensions simples dsires la sortie de londuleur. Cette technique MLI est
base sur les principes suivants :

Le signal de rfrence est chantillonne sur des intervalles T (MLI rgulire).

Pour chaque phase, on envoie une impulsion de largeur centre sur la priode (MLI
symtrique) dont la valeur moyenne est gale la valeur de la tension de rfrence linstant
dchantillonnage.

Tous les interrupteurs dun mme demi- pont ont un tat identique au centre et aux deux
extrmits de la priode,[6]

I-7-5-2-Le PRINCIPE DE SVM :


Le principe de la MLI vectorielle (SVM) consiste reconstruire le vecteur tension partir de
huit vecteurs tension. Chacun de ces vecteurs correspond une combinaison des tats des
interrupteurs dun onduleur de tension triphase,[6],[10].

BOUHAFNA S. 2013

Page 20

Modlisation et simulation de lassociation- convertisseur

V3 (0,1,0)

V2 (1,1,0)

Vref
V1 (1,0,0)
V4 (0,1,1)

V6 (1,0,1)
V5 (0,0,1)

Fig. (I.8) Reprsentation des vecteurs de tension dtat de londuleur et de rfrence dans le
repre stationnaire
Un vecteur tension de rfrence est calcul globalement et approxim sur une priode de
modulation T par un vecteur tension moyen
. Ce dernier est labor par lapplication des
vecteurs tensions adjacents et des vecteurs nuls
.
Une analyse combinatoire de tous les tats possibles des interrupteurs permet de calculer le vecteur
). Nous pouvons donc dresser un tableau suivant les diffrents tats de londuleur. [9]

de tension(
Vecteur
0
0

0
0

0
1

0
1
1

1
0
0

1
0
1

1
1

1
1

0


0
0



1
0
0
0
0
0
Tableau (I-2) Table de vrit de londuleur de tension.

BOUHAFNA S. 2013

Vecteur

Page 21

Modlisation et simulation de lassociation- convertisseur

Dans la suite, le vecteur est approxim sur la priode modulation T, par la gnration dun
vecteur moyen labor par lapplication des vecteurs disponibles,
La figure (1-8) reprsente le cas o le vecteur de rfrence se trouve dans le secteur 1. Le temps
dapplication des vecteurs adjacents est donn comme suit :
Avec :

(I.38)
(I.39)

(I.40)

(I.41)

(I.42)

V2
30
Vref

Vref

(T2/Ts) V2
Vref

(T1/Ts) V1

V1

Fig. (I.9) Projection du vecteur de rfrence (secteur 1)


La dtermination des priodes

est donne par une simple projection sur la figure (1-8)

||

(I.49)

||

(I.50)
(I.51)

Le tableau ci-dessous montre les diffrents temps dapplication des vecteurs dtats pour les
diffrents secteurs (1 6) [2]
BOUHAFNA S. 2013

Page 22

Modlisation et simulation de lassociation- convertisseur

SECTEUR 1

SECTEUR 2

SECTEUR 3

SECTEUR 4

SECTEUR 5

SECTEUR 6

Tableau (1-3) Les temps dapplication des vecteurs dtat pour chaque secteur.
I-7-5-3-DETERMINATIONDU SECTEUR K :

Le vecteur
est donn par ces deux composantes
secteur angulaire est utilis pour dterminer le secteur K [7].

, un algorithme de recherche du

Donnes:

Vref, Vref

Oui

Non

Vref >0

Vref >0

Oui

Vref >0

Non

Vref>0

K=1 ou 2
Non

Oui

Vref - 3Vref < 0

K=1

K=2

Oui

K=2 ou 3

Oui

K=5 ou 6

Non

Vref - 3Vref < 0

K=3

Non

Vref>0

K=2

Oui

K=4 ou 5

Non

Vref +3 Vref < 0

K=5

K=6

Oui

Non

Vref -3 Vref < 0

K=5

K=4

Fig. (I-10) Algorithme de dtermination du secteur K


BOUHAFNA S. 2013

Page 23

Modlisation et simulation de lassociation- convertisseur

I-8- SIMULATION DE LASSOCIATION MAS- ONDULEUR A MLI :


La figure (I-10) reprsente le montage de principe de lassociation redresseur-filtre-onduleur-MAS
aliment par un rseau triphas de frquence 50 Hz.

Fig. (I-11)

En regroupons les quations du modle global (pont de diodes, filtre, onduleur et MAS) nous
obtenons le modle de tout le systme. Les variables de simulation sont les courants statoriques, la
vitesse du modle de la machine. Ainsi que le couple lectromagntique [14].
1-8-1- RESULTATS DE SIMULATION :
500
400
300
200

Van (v)

100
0
-100
-200
-300
-400
-500

0.002

0.004

0.006

0.008

0.01
t(s)

0.012

0.014

0.016

0.018

0.02

Fig. (I-12) reprsentation de la porteuse et la modulante.

BOUHAFNA S. 2013

Page 24

Modlisation et simulation de lassociation- convertisseur

80
80

60

60

40

20

20

Isb (A)

Isa (A)

40

-20

-20
-40

-40

-60

-60

0.5

-80

1.5

0.2

0.4

0.6

0.8

t (s)

1.2

1.4

1.6

1.8

t (s)

160

160

140

140

120

120

100
100

Om (rad/s)

Cem (N.m)

80
60
40

80
60
40

20

20

0
-20

-40

-20

0.5

1.5

0.5

t (s)

1.5

t (s)

Fig. (I-13-a) Rsultats de simulation de lassociation MAS-OND MLI dmarrage vide.


80

Isa (A)

80

60

60

40

40

20

Isb (A)

20

-20

-20
-40

-40

-60

-60

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

-80

0.2

0.4

0.6

0.8

t (s)

1.2

1.4

1.6

1.8

t (s)

160
160

140
140

120

120

100

w (rad/s)

Cem (N.m)

100
80
60
40

80
60
40

20

20
0

-20
-40

-20
0

0.2

0.4

0.6

0.8

t (s)

1.2

1.4

1.6

1.8

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

t (s)

Fig. (I-13-b) Rsultats de simulation de lassociation MAS-OND MLI application dune charge.
BOUHAFNA S. 2013

Page 25

Modlisation et simulation de lassociation- convertisseur


500
400
300

Vcn (v)

200
100
0
-100
-200
-300
-400
-500

0.005

0.01

0.015

0.02

0.025

0.03

0.035

0.04

0.025

0.03

0.035

0.04

t (s)
500
400
300

Van (v)

200
100
0
-100
-200
-300
-400
-500

0.005

0.01

0.015

0.02

t (s)

500
400
300

Vbn (v)

200
100
0
-100
-200
-300
-400
-500

0.005

0.01

0.015

0.02

0.025

0.03

0.035

0.04

t (s)

Fig. (I-13-c) reprsentation des tensions la sortie de londuleur.

I-8-2- INTERRETATATION DES RESULTATS


Les courbes de la figure (1-13-a) reprsentent les rsultats de simulation pour un dmarrage vide
pour (Cr=o).
La vitesse en rgime permanent se stabilise (156,7rad/s) puisque le moteur possde 2 paires de
ples. Au dmarrage vide, le couple est fortement pulsatoire. Il atteint une valeur maximale de
lordre de trois fois le couple nominal, par la suite il rend vers zro. Il y a un fort appel de courant
certes bref, mais important au dmarrage, gal 5 fois environ le courant nominal. Le rgime
permanent est atteint et il reste le courant correspondant au comportement inductif du moteur
vide.
On a introduit un couple de charge (Cr=25 N.m) t=1.5s, les rsultats de simulation sont
reprsentes dans la figure (1-13-b). On constate que cette introduction de la charge a provoqu une
diminution de la vitesse de rotation, et une augmentation du courant du stator.
La figure (I-13-c) illustre les tensions simples dlivres par londuleur
I-9- CONLUSION :
Dans cette partie on sest intress ltablissement du modle de la MAS associe un onduleur
MLI est tudie et simule sous le logiciel MATLAB/Simulink. Les rsultats obtenus lors dun
dmarrage vide puis une application dune charge atteste la validit du modle prsente.
Dans le chapitre suivant, on prsentera les concepts de base de la commande directe du
couple DTC utilise pour le contrle de la machine asynchrone.
BOUHAFNA S. 2013

Page 26

Commande directe du couple du moteur asynchrone

Chapitre deux :
Commande directe du couple du moteur asynchrone
II-1 Introduction
II-2 Principe du DTC
II-3 Choix du vecteurs tensions
II-4 Estimateurs
II-4-1 Estimations du Flux statoriques
II-4-2 Estimations du Couple lectromagntique
II-5 Elaboration du vecteur commande
II-5-1 Le correcteur de flux
II-5-2 Correcteur du couple lectromagntique
II-5-2-1 comparateur a trois niveaux
II-5-2-2 comparateur a deux niveaux
II-6 Elaboration de la table de commande
II-7 Structure gnrale du contrle direct de couple
II-8 Les caractristiques gnrales dune commande directe de couple
II-8-1- Les avantages de la DTC
II-8-2- les inconvnients de la DTC
II-9 Rsultats de simulation
II-10 Interprtation des rsultats
II-11 Influence des bandes dhystrsis des comparateurs
II-11-1 Influence de la bande dhystrsis du comparateur de flux
II-11-2 Influence de la bande dhystrsis du comparateur de couple
II-12 Conclusion

BOUHAFNA S. 2013

Page 27

Commande directe du couple du moteur asynchrone

II-1- INTRODUCTION
La commande vectorielle par orientation du flux rotorique, prsente linconvnient majeur dtre
relativement sensible aux variations des paramtres de la machine cest pourquoi on a dvelopp les
mthodes de contrle direct de couple DTC des machines asynchrones durant les annes 80, dans ces
mthodes de contrle le flux statorique et le couple lectromagntique sont estims partir des seules
grandeurs lectriques accessibles au stator, et ceci sans recours des capteurs mcaniques. Cette loi de
contrle prsent des performances dynamiques remarquables de mme quune bonne robustesse vis-vis des carts de paramtres du moteur [11].
II-2- PRINCIPE DU DTC :
On utilise les expressions vectorielles de la machine dans le rfrentiel li au stator :

(II.1)

(II.2)

A partir des expressions des flux, le courant du rotor scrit :

Avec :

(II.3)
(coefficient de dispersion)

Les quations deviennent :

(II.4)

Ces relations montrent que :

Il est possible de contrler le vecteur partir du vecteur , la chute de tension prs

Le flux suit la variation de avec une constante de temps


.

Le couple lectromagntique est proportionnel au produit vectoriel entre les vecteurs flux stator
et rotor.
(II.5)
Avec :

Le couple dpend donc de lamplitude des deux vecteurs et de leur position relative.

Si lon parvient contrler parfaitement le flux ( partir de ) en module et en position, on


peut donc contrler lamplitude et la position relative de donc le couple. Ceci nest possible que
lorsque la priode de commande de la tension est telle que
[12].
BOUHAFNA S. 2013

Page 28

Commande directe du couple du moteur asynchrone

II-3- CHOIX DU VECTEUR TENSION Vs :


Le choix du vecteur dpend de la position de , de la variation souhaitee pour le module
la variation souhaitee pour le couple, et de sens de rotation de

de de

Le plan complexe (, ) fixe du stator est subdivis en six , avec : i=1,..,6 tel que :

Chaque secteur contiendra un vecteur despace actif de tension de londuleur comme le montre le
schma de la figure (2-1). Le flux tourne alors dans le sens trigonomtrique [17]

Fig. (II-1) Choix du vecteur tension


Ces vecteurs tensions, sont choisis partir dune table de commutation en fonction des erreurs du
flux et du couple et de la position du vecteur de flux statorique. Cependant, on na plus besoin de la
position du rotor pour choisir le vecteur tension. Cette particularit donne lavantage la (DTC) du
non utilisation dun capteur mcanique.
Le vecteur de tension la sortie de londuleur est dduit des carts de couple et de flux estims par
rapport leur rfrence, ainsi que la position du vecteur. Un estimateur de en module et en
position ainsi quun estimateur de couple sont donc ncessaires.

BOUHAFNA S. 2013

Page 29

Commande directe du couple du moteur asynchrone

II-4- ESTIMATEURS :
II-4-1- Estimation du flux statorique :
Lestimation du flux peut tre ralise partir des mesures des grandeurs statoriques courant et tension
de la machine.
A partir de lquation :

Et

On obtient les composantes et du vecteur :

On obtient les tensions


et
partir des commandes
appliquant la transforme de CONCORDIA :

(II.6)
de la mesure de la tension

et en

(II.7)

(II.8)

De mme les courants

et
sont obtenus partir de la mesure des courants rels
par application de la transformation de CONCORDIA :

et

(II.9)

(II.10)

Le module du flux statorique scrit :

(II.11)

La zone

dans laquelle se situe le vecteur est dtermine partir des composantes

Langle

entre le rfrentiel (S) est le vecteur , est gal :

(II.12)
BOUHAFNA S. 2013

Page 30

Commande directe du couple du moteur asynchrone

II-4-2- Estimation du couple lectromagntique :


On peut estimer le couple
uniquement partir des grandeurs statoriques flux et courant. Leurs
composantes (, ), le couple peut se mettre sous la forme : [11], [12]
(II.13)
II-5 - ELABORATION DU VECTEUR DE COMMANDE :
II-5-1- Le Correcteur de Flux :

Son but est de maintenir lextrmit du vecteur , dans une couronne circulaire comme le montre la
figure (2-2). La sortie de la correction doit indiquer le sens dvolution du module de, afin de
slectionner le vecteur tension correspondant.
Pour cela un simple correcteur hystrsis deux niveaux convient parfaitement, et permet de plus
dobtenir de trs bonnes performances dynamiques. La sortie du correcteur, reprsente par une
variable boolenne Cflx indique directement si lamplitude du flux doit tre augmente (Cflx=1) ou
diminue (Cflx=0) de faon maintenir : |
|
[17].
Avec :

la consigne de flux et de

largeur dhystrsis du correcteur.

Fig. (II-2) Correcteur de flux hystrsis et slection des vecteurs tensions correspondant
II-5-2- Le Correcteur de couple lectromagntique :

Le correcteur de couple a pour fonction de maintenir le couple dans les limites |


|
avec :
la rfrence de couple et C la bande dhystrsis du correcteur
Cependant une diffrence avec le contrle du flux est que le couple peut tre positif ou ngatif
selon le sens de rotation de la machine.
Deux solutions peuvent tre envisages.

Un correcteur hystrsis trois niveaux.

Un correcteur hystrsis deux niveaux.


BOUHAFNA S. 2013

Page 31

Commande directe du couple du moteur asynchrone

II-5-2-1- Correcteur trois niveaux :


Il permet de contrler le moteur dans les deux sens de rotation, soit pour un couple positif ou ngatif.
La sortie du correcteur, reprsente par la variable boolenne ccpl indique directement si lamplitude
du couple doit tre augmente en valeur absolue (Ccpl=1 pour consigne positive et ccpl=-1 pour une
consigne ngative) ou diminue (Ccpl=0). [11],[12].

ccpl

+1
Ce

-Ce
+Ce
-1

Fig. (II-3) correcteur de couple trois niveaux


II-5-2-2 Correcteur deux niveaux :
Ce correcteur est identique celui utilis pour le contrle du module de . Il nautorise le contrle du
couple que dans un seul sens de rotation. Ainsi seuls les vecteurs , et peuvent tre
slectionns pour faire voluer le flux . Par consquent, la diminution du couple est uniquement
ralise par la slection des vecteurs nuls.
Avec ce correcteur, pour inverser le sens de rotation de la machine il est ncessaire de croiser deux
phases de la machine.
Cependant ce correcteur est plus simple implanter. De plus en slectionnant correctement les
vecteurs nuls suivant les zones , on saperoit que pour chaque zone i, il y a un bras de londuleur
qui ne commute jamais, et permet ainsi de diminuer la frquence moyenne de commutation des
interrupteurs, diminuant ainsi les pertes par commutation au niveau de londuleur. [11],[12].
II-6- ELABORATION DE LA TABLE DE COMMANDE :
La table de commande est construite en fonction de ltat des variables Cflx et Ccpl, et de la zone
de position de .Elle se prsente donc sous la forme suivante :
N
1
2
3
4
5
Correcteur
Ccpl= 1
2
Cflx=1
Niveaux
Ccpl= 0

Cflx=0

Ccpl= -1

3 niveaux

Ccpl= 1

2
Niveaux

Ccpl= 0
Ccpl= -1

3 niveaux
Table de commande

BOUHAFNA S. 2013

Page 32

Commande directe du couple du moteur asynchrone

II-7- STRUCTURE GENERALE DU CONTROLE DIRECT DE COUPLE :


La structure du contrle direct du couple est alors rsume ci-dessous :

Fig. (II-4) Structure gnrale du DTC


II-8 Caractristiques gnrales dune DTC : [13]

La DTC est base sur la slection des vecteurs optimaux de commutation de londuleur.
La commande indirecte des intensits et tensions statoriques proches des formes sinusodales.
Lobtention des flux et des courants statoriques proches des formes sinusodales.
La rponse dynamique du couple de la machine est trs rapide.
Lexistence des oscillations de couple qui dpend de la largeur des bandes des comparateurs
hystrsis.
La frquence de commutation de londuleur dpend de lamplitude des bandes dhystrsis.

II-8-1 -Avantages de la DTC : [13]

Il nest pas ncessaire de faire la transformation des coordonnes, car les courants et les tensions
sont dans un repre li au stator.
Utilise un modle simplifie du moteur induction.
Il nexiste pas de bloc qui calcule la modulation de la tension (MLI).
Il nest pas ncessaire de faire un dcouplage des courants par rapport aux tensions de
commande, comme dans le cas de la commande vectorielle.
Elle exige deux comparateurs hystrsis et un contrleur de vitesse du type PI, tandis dans la
commande vectorielle exige 2 rgulateurs PI et un modulateur de PWM.
Il nest pas ncessaire de connatre avec une grande prcision langle de position rotorique, car
seule linformation de secteur dans lequel se trouve le vecteur de flux statorique est ncessaire.
La rponse dynamique du couple est trs rapide.
Robustesse vis--vis des variations paramtriques.
Possibilit dappliquer les algorithmes du systme avec des cartes dacquisition. [13]

BOUHAFNA S. 2013

Page 33

Commande directe du couple du moteur asynchrone

II-8-2- Inconvnients de la DTC :

Lexistence de problmes base vitesse (influence du terme rsistif).

La ncessit de disposer des estimations de flux statorique et du couple.

Lexistence des oscillations de couple.

La frquence de commutation nest pas constante (utilisation des rgulateurs hystrsis), ce


qui conduit un contenu riche en harmoniques qui fait augmenter les pertes et amne des bruits
acoustiques et des oscillations de couple pouvant exciter des rsonances mcaniques.
Cependant, la DTC est une commande qui est base sur lestimation du flux statorique et du couple
lectromagntique. Seule la variation de la rsistance du stator, due aux changements de la temprature
ou le fonctionnement des vitesses de rotation petites dgrades les performances de la commande
DTC. [13]
II-9- Rsultats de simulation :
50
20

40
10

30

Isbe (A)

Isa (A)

20

10

-10

-20

-30

-10

-40

-20

0.5

1.5

2.5

-50

0.5

1.5

t (s)

2.5

2.5

t (s)

60
120

50
40

100

Vitesse (rad/s)

20
10
0
-10

80

60

40

-20
20

-30
-40

0.5

1.5

2.5

0.5

1.5

t (s)

t (s)

1.5

Phis-be (wb)

Cem (N.m)

30

0.5

-0.5

-1

-1.5
-1.5

-1

-0.5

0.5

1.5

Phis-al (wb)

Fig. (II.5) rsultats de simulation DTC-MAS


BOUHAFNA S. 2013

Page 34

Commande directe du couple du moteur asynchrone


II-10-Interprtations des rsultats :

Les courbes de la figure (II-5) prsentent le couple lectromagntique pour un chelon de consigne
25N.m linstant t=1.5s et inversement -25N.m linstant t=2s, la largeur de la bande dhystrsis du
comparateur de couple est dans ce cas fixe 0.25. A travers cette simulation, nous nous apercevons
que le couple suit parfaitement la valeur de la consigne et reste dans la bande dhystrsis. On observe
aussi, sur la mme figure la rponse de la vitesse un chelon de 100rad/s qui montre que la DTC
prsente une haute performance dynamique sans dpassement au dmarrage, en plus la DTC est moins
sensible au couple de charge, ce qui vident par le rejet rapide de perturbation.
Les composantes en courant prsentent des allures sinusodales bruites. Et la trajectoire de
lextrmit du vecteur flux satatorique.
II-11-Influence des bandes dhystrsis des comparateurs :
Le comportement de la DTC est relie directement aux contrleurs du couple et du flux.
Londulation observe dans le couple et le flux est affecte par le choix des valeurs de la bande
hystrsis. Elle doit diminuer le plus possible cette ondulation puisquelle cause des vibrations et des
bruits audible dans le moteur. Ces ondulations entrainent probablement la fatigue de certains des
composants de la machine.
Le choix de la bande dhystrsis du couple influe directement sur la rgulation du couple
lectromagntique et le flux statorique. Pour montrer leffet de ces bandes hystrsis de flux
(0.005Wb, 0.05Wb, 0.1Wb) et du couple
(1N.m, 0.5N.m et 0.1N.m), et voir la variation de la
frquence de commutation.
II-11-1-Influence de la bande dhystrsis du comparateur de flux :
Nous allons dmontrer dans ce qui suit quune rduction de la bande hystrsis du comparateur de
flux
produit une frequence de commutation leve [13]. En outre, lvolution du flux statorique
dans le repre biphas (, ) est presque circulaire, la forme du courant statorique sera presque
sinusodale. Quand la bande hystrsis du comparateur de flux
augmente, la frequence de la
commutation va diminuer et levolution du flux statorique dans le repere (, ) laisse sa forme
circulaire et devenir une courbe hexagonale, ce qui entraine une grande dformation dans le courant
statorique voir la figure ci-dessous (II-6 II-8). Les simulations ci-dessous sont pour une bande
dhystrsis du comparateur de couple de valeur
=0.5N.m.

BOUHAFNA S. 2013

Page 35

Commande directe du couple du moteur asynchrone

1.5

Phisbet

0.5

-0.5

-1

-1.5
-1.5

-1

-0.5

0
Phisal

0.5

1.5

Fig. (II-6) Lvolution du flux et le courant statorique pour une bande dhystrsis

=0.005Wb

1.5

Phisbet

0.5

-0.5

-1

-1.5
-1.5

-1

-0.5

0
Phisal

0.5

1.5

Fig. (II-7) Lvolution du flux et le courant statorique pour une bande dhystrsis

=0.05Wb

1.5

phisbet

0.5

-0.5

-1

-1.5
-1.5

-1

-0.5

0.5

1.5

phisal

Fig. (II-8) Lvolution du flux et le courant statorique pour une bande dhystrsis

=0.1Wb

II-11-2-Influence de la bande dhystrsis du comparateur de couple :

Pour une dhystrsis du comparateur de flux de


=0.05Wb, et avec variation de la bande
dhystrsis du comparateur de couple, nous trouvons les rsultats reprsents par les figure (II-9) et
(II-10), o lon observe que si la bande dhystrsis du couple augmente, nous constatons galement
BOUHAFNA S. 2013

Page 36

Commande directe du couple du moteur asynchrone

moins de dbordement du couple hors de sa bande dhystrsis, avec une diminution de la frquence
de commutation jusqu 1.5KHz. Ainsi, lorsque la bande dhystrsis du couple est trop faible, le
couple lectromagntique subit de fortes variations et revient plus difficilement dans sa bande de
rgulation avec une augmentation de la frquence de commutation.
50
Ce*
Ce

40
30

Ce (N.m)

20
10
0
-10
30

-20

25
-30

20
3.2

-40

3.4

3.6

3.8

4
4

x 10
-50

t (s)

x 10

Fig. (II-9) couple lectromagntique pour une bande dhystrsis


60
30

50

25
40

20
3.2

30

3.4

3.6

3.8

4
4

Ce (N.m)

x 10
20
10
0
-10
-20
-30
-40

t (s)

x 10

Fig. (II-10) couple lectromagntique pour une bande dhystrsis


60
Ce*
Ce
40

Ce (N.m)

20

30

-20

25
20
3.2

-40

3.4

3.6

3.8

4
4

x 10
-60

t (s)

7
4

x 10

Fig. (II-11) couple lectromagntique pour une bande dhystrsis

En plus la priode dchantillonnage agit de manire importante sur le contrle du couple : plus la
priode dchantillonnage est grande et plus le couple lectromagntique dborde de la bande
dhystrsis. Ainsi, lorsque la bande dhystrsis du couple est trop faible et la priode
dchantillonnage est trop grande, le couple prsente des grandes fortes variations et rejoint plus
difficilement.
BOUHAFNA S. 2013

Page 37

Commande directe du couple du moteur asynchrone


II-12-Conclusion :

Le principe du contrle direct du couple (DTC) prsente dans ce chapitre, apporte une solution trs
intressante aux problmes de robustesse et de dynamique. La DTC obtenue est trs performante et
ne ncessite aucun capteur mcanique pour connatre la position du rotor ou la vitesse de la
machine. La dynamique sur le couple lectromagntique est trs importante tout en gardant une
bonne prcision de contrle. Ltude de la structure de commande a t labore partir des
conditions de fonctionnement idales, ou lon considre la vitesse assez leve pour ngliger le rle
de la rsistance statorique, suivi e par une tude sur le choix des bandes dhystrsis pour diminuer
le plus possible londulation du couple et flux, puisquelle cause des vibrations et des bruits
audibles, qui entraine le vieillissement prcoce de la machine.

BOUHAFNA S. 2013

Page 38

Gnralits sur les rseaux de neurones

Chapitre Trois:
Gnralits sur les rseaux de neurones
III-1-Introduction
III-2-Gnralits
III-3-Historiques sur les rseaux de neurones
III-4- Dfinition
III-5- Neurone biologique
III-6- Neurone formel
III-7-Architecture des rseaux de neurones
III-7-1- Les rseaux non boucls
III-7-1-1-Les rseaux de neurones compltement connectes
III-7-1-2- Les rseaux de neurones couches
III-7-2- Les rseaux boucls
III-8-Lapprentissage
III-8-1-Les types dapprentissage
III-8-1-1- Apprentissage supervis
III-8-1-2- Apprentissage non supervis
III-8-1-3- Apprentissage auto supervis
III-8-2- Les mthodes dapprentissage
III-8-2-1- Rgle de Hebb
III-8-2-2- Rtro-propagation du gradient de lerreur
III-9- Types de rseaux
III-9-1- Perceptron
III-9-1-1 Description
III-9-2- Algorithme dapprentissage
III-9-2-1- Algorithme de rtro-propagation
III-9-2-2- Principe
III-9-2-3- Lalgorithme
III-9-2-4-Choix du critre minimiser
III-10- Identification et commande par rseaux de neurones
III-10-1- Identification des processus par rseaux de neurones
III-10-1-1- Identification directe
III-10-1-2- Identification inverse
III-10-2- Commande des processus par rseaux de neurones
III-10-2-1- Apprentissage dun contrleur conventionnel
III-10-2-2- Commande inverse avec apprentissage en ligne
III-11- Modlisation laide de rseaux de neurones
III-11-1- Modle Boite noire
III-11-2- Modle Boite grise ou hybride
III-11-3- Conception dun rseau de neurones
III-12- Avantages et inconvnients des rseaux de neurones
III-13-Conclusion
BOUHAFNA S. 2013

Page 39

Gnralits sur les rseaux de neurones

III-1- Introduction :

Les rseaux de neurones connaissent depuis quelques annes un succs croissant dans divers
domaines des sciences de lingnieur, celui du gnie des procds nchappe pas cette rgle. Dans
ce chapitre, nous nous intressons lapplication des rseaux de neurone la commande des
processus.
Lun des dfis de lhomme aujourdhui est de copier la nature et de reproduire des modes de
raisonnement et de comportement qui lui sont propre. Les rseaux de neurones, sont ns de cette
envie, ils constituent une famille de fonctions non linaires paramtres, utilises dans de nombreux
domaines (physique, chimie, biologie, finance, etc.), notamment pour la modlisation de
processus et la synthse de lois de commandes.
III-2- Gnralits :
Lorigine des rseaux de neurones vient de lessai de modlisation mathmatique du cerveau
humain les premiers travaux datent de 1943 et sont luvre de MM. Mac Culloch et Pitts. Ils
supposent que limpulsion nerveuse est le rsultat dun calcul simple effectu par chaque neurone et
que la pense ne grce leffet collectif dun rseau de neurone interconnecte (fig. III.1). Ils ont
connu des dbuts prometteurs vers la fin des annes 50, mais le manque dapprofondissement de la
thorie a gel ces travaux jusquaux annes 80. [13].

Fig. (III-1) Structure dun rseau de neurone biologique.


Les rseaux de neurones forment une famille de fonctions non linaires, permettant de construire,
par apprentissage, une trs large classe de modles et de contrleurs. Un rseau de neurone est un
systme doperateurs non linaires interconnects, recevant des signaux de lextrieur par ses
entres, et dlivrant des signaux de sortie, qui sont en fait les activits de certains neurones.

BOUHAFNA S. 2013

Page 40

Gnralits sur les rseaux de neurones

III-3- Historique : [13]


1890 : W. James, clbre psychologue amricain introduit le concept de mmoire
associative, et propose ce qui deviendra une loi de fonctionnement pour lapprentissage sur
les rseaux de neurones connue plus tard sous le nom de loi de Hebb.
1943 : J. Mc Culloch et W. Pitts, laissent leurs noms une modlisation du neurone
biologique (un neurone au comportement binaire). Ceux sont les premiers montrer que des
rseaux de neurones formels simples peuvent raliser des fonctions logiques, arithmtiques
et symboliques complexes (tout au moins au niveau thorique).

1949 : D. Hebb, physiologiste amricain explique le conditionnement chez lanimal


par les proprits des neurones eux-mmes. Ainsi, un conditionnement de type pavlovien tel
que, nourrir tous les jours la mme heure un chien, entraine chez cet animal la scrtion de
salive cette heure prcise mme en labsence de nourriture. La loi de modification des
proprits des connexions entre neurones quil propose explique en partie ce type de rsultats
exprimentaux.
1957 : F. Rosenblatt dveloppe le modle du Perceptron. Il construit le premier neuroordinateur bas sur ce modle et lapplique au domaine de la reconnaissance de formes.
Notons qu cet poque les moyens sa disposition sont limits et cest une prouesse
technologique que de russir faire fonctionner correctement cette machine plus de
quelques minutes.
1960 : B. Widrow, un automaticien, dveloppe le modle Adaline (Adaptative Linear
Elment). Dans sa structure, le modle ressemble au Perceptron, cependant la loi
dapprentissage est diffrente. Celle-ci est lorigine de lalgorithme de retro propagation de
gradient trs utilis aujourdhui avec les Perceptrons multicouches. Les rseaux de type
Adaline restent utiliss de nos jours pour certaines applications particulires.
1982 : J.J. Hopfield est un physicien reconnu qui lon doit le renouveau dintrt pour les
rseaux de neurones artificiels. Il prsente une thorie du fonctionnement et des possibilits
des rseaux de neurones.
1983 : La machine de Boltzmann est le premier modle connu apte traiter de manire
satisfaisante les limitations recenses dans le cas du Perceptron. Mais lutilisation pratique
savre difficile, la convergence de lalgorithme tant extrmement longue (les temps de
calcul sont considrables).
1985 : La rtro propagation de gradient apparat. Cest un algorithme dapprentissage adapt
aux rseaux de neurones multicouches (aussi appels Perceptrons multicouches). Sa
dcouverte ralise par trois groupes de chercheurs indpendants indique que la chose tait
dans lair . Ds cette dcouverte, nous avons la possibilit de raliser une fonction non
linaire dentre/sortie sur un rseau en dcomposant cette fonction en une suite dtapes
linairement sparables. De nos jours, les rseaux multicouches et la rtro propagation de
gradient reste le modle le plus productif au niveau des applications [18]

BOUHAFNA S. 2013

Page 41

Gnralits sur les rseaux de neurones

III-4- Dfinition :
Un rseau de neurones peut tre considr comme un modle mathmatique de traitement
rparti, compos de plusieurs lments de calcul non linaire (neurones), oprant en parallle et
connects entre eux par des poids [18].
Les rseaux de neurones artificiels sont des rseaux fortement connects de processeurs
lmentaires fonctionnant en parallle. Chaque processeur lmentaire calcule une sortie unique
sur la base des informations quil reoit [19].
Les neurones artificiels sont souvent utiliss sous forme de rseaux qui diffrent selon le type de
connections entre les neurones, une cinquantaine de types peut tre dnombre. En guise
dexemples nous citons : le perceptron de Rosemblatt, les rseaux de Hopfield etc. [18].
Ces derniers sont les plus utiliss dans le domaine de la modlisation et de la commande des
procds. Ils sont constitus dun nombre fini de neurones qui sont arrangs sous forme de couches.
Les neurones de deux couches adjacentes sont interconnects par des poids. Linformation dans le
rseau se propage dune couche lautre, on dit quils sont de type feed-forward . Nous
distinguons trois types de couches : [18].

Couche dentre : les neurones de cette couche reoivent les valeurs dentre du
rseau et les transmettent aux neurones cachs. Chaque neurone reoit une valeur, il
ne fait pas donc de sommation.
Couches caches : chaque neurone de cette couche reoit linformation de plusieurs
couches prcdentes, effectue la sommation pondre par les poids, puis la
transforme selon sa fonction dactivation qui est en gnral une fonction sigmode.
Par la suite, il envoie cette rponse aux neurones de la couche suivante.
Couche de sortie : elle joue le mme rle que les couches caches, la seule
diffrence entre ces deux types de couches est que la sortie des neurones de la
couche de sortie nest lie aucun autre neurone. [19]

III-5- Neurone biologique :


Le cerveau humain possde deux hmisphres latrales relies par le corps calleux et dautres ponts
axonaux ; il pse moins de deux kilogrammes et contient mille milliards de cellules, dont 100
milliards sont des neurones constitus en rseaux. Les neurones sont des cellules nerveuses
dcomposables, en 4 parties principales (figure III-2) :
Les dendrites, sur lesquelles les autres cellules entrent en contact synaptique, cest
par les dendrites que se fait la rception des signaux.
Le corps de la cellule, cest lunit de traitement.
Laxone, o passent les messages accumuls dans le corps de la cellule, lenvoi de
linformation se fait par laxone.
Les synapses, par lesquelles la cellule communique avec dautres cellules, ce sont des
points de connexion par o passent les signaux de la cellule.
BOUHAFNA S. 2013

Page 42

Gnralits sur les rseaux de neurones

Un neurone stimul envoie des impulsions lectriques ou potentielles daction dautres neurones.
Ces impulsions se propagent le long de laxone unique de la cellule. Au point de contact entre
neurones, les synapses, ces impulsions sont converties en signaux chimiques. Quand laccumulation
des excitations atteint un certain seuil, le neurone engendre un potentiel daction, dune amplitude
denviron 100 mV et pendant une dure de 1 ms [13], [20].

Fig. (III-2) Schma simplifi dun neurone biologique


III-6-Neurone formel :
Le neurone formel est un modle mathmatique simplifi du neurone biologique, il prsente un
certain nombre dentres, les dendrites, un corps traitant les entres suivant la mthode du tout ou
rien, et un axone vhiculant la rponse du neurone. La premire modlisation dun neurone dcoule
des travaux significatifs de Mac Culloch et Pitts (1943). La figure (3-3) reprsente un modle de
base dun neurone formel.
Signaux
dentre
x1

Biais
i

Fonction
dactivation

W11

Sortie
x2

W12

xj

xn

ui

(.)

yi

W1j

W1n

Unit de
sommation

Fig. (III-3) Modle de base dun neurone formel

BOUHAFNA S. 2013

Page 43

Gnralits sur les rseaux de neurones

Le modle de la figure (III-3) est compos de :

Des entres du neurone formel


, i=1, 2, , n ;
Des paramtres de pondration ,
De la fonction dactivation ou de seuillage (non linaire, forme en sigmode, etc.),
Une sortie du neurone formel.

La sortie

du neurone formel est donne par la relation :

(III.1)

A partir de cette valeur, une fonction dactivation calcule la valeur de sortie j du neurone.
Cest cette valeur qui sera transmise aux neurones avals :
( )

(III.2)

Il existe de nombreuses formes possibles pour la fonction dactivation. Les plus courantes
sont prsentes sur la figure (III-4). On remarquera qu la diffrence des neurones
biologiques dont ltat est binaire, la plupart des fonctions dactivations sont continues,
offrant une infinit de valeurs possibles comprises dans lintervalle [0, +1] ou [-1, +1], [18]
x=f(a)

x=f(a)

+1

x=f(a)

+1

+1
a

s
-1

-1

-1

Fig. (III-4) Diffrents types de fonctions dactivation pour le neurone formel


a- Fonction seuil (S : valeur de seuil), b- linaire par morceaux, c- sigmode.
Nous constatons que les quations qui dcrivent le comportement des neurones formels
nintroduisent pas la notion de temps. En effet, et cest le cas pour la plupart des modles actuels de
rseaux de neurones, nous avons faire des modles temps discret, dont le comportement des
composants ne varie pas dans le temps.
BOUHAFNA S. 2013

Page 44

Gnralits sur les rseaux de neurones

III-7-Architecture des rseaux de neurones :


III-7-1- Les rseaux non boucls :
Ce sont des rseaux unidirectionnels sans retour arrire (feedforwad). Le signal de sortie est
directement obtenu aprs lapplication du signal dentre. Si tous les neurones ne sont pas des
organes de sortie, on parle de neurones cachs (figure III-5) [21]
Couche dentre

Couche cache

Couche de sortie

x1
y1
x2

y2

x3

Fig. (III-5) Rseau non boucl.


Il existe deux types de rseaux de neurones :
III-7-1-1-Les rseaux de neurones compltement connects
Les entres puis les neurones (cachs et de sortie) sont numrots, et pour chaque neurone :

Ses entres sont toutes les entres du rseau ainsi que les sorties des neurones
de numro infrieur.
Sa sortie est connecte aux entres de tous les neurones de numro suprieur.

III-7-1-2- Les rseaux de neurones couches :


Dans une architecture de rseaux couches, les neurones cachs sont organiss en couches, les
neurones dune mme couche ntant pas connects entre eux. De plus les connexions entre deux
couches de neurones non conscutives sont limines.
Une telle architecture est historiquement trs utilise, surtout en raison de sa pertinence en
classification.

BOUHAFNA S. 2013

Page 45

Gnralits sur les rseaux de neurones

Remarque :
Dans un rseau de neurones non boucl, le temps ne joue aucun rle fonctionnel : si les entres sont
constantes, les sorties sont galement. Le temps ncessaire pour le calcul de la fonction ralise par
chaque neurone est ngligeable et on peut considrer ce calcul comme instantan.
Pour cette raison, les rseaux non boucls sont souvent appels rseaux statiques , par opposition
aux rseaux boucls ou dynamique . Ils sont utiliss en classification, reconnaissance des formes
(caractres, parole,) en prdiction.

III-7-2 Les rseaux boucls :


Il sagit de rseaux de neurones avec un retour en arrire (feedback network ou rcurrent network)
(figure III-6)

x1
y1
x2
y2
x3

Fig. (III-6) Rseau boucl


Dont le graphe des connexions est cyclique : lorsquon se dplace dans le rseau en suivant le sens
de connexions, il est possible de trouver au moins un chemin qui revient son pont de dpart (un tel
chemin est dsign sous le terme de cycle . La sortie dun neurone du rseau peut donc tre
fonction delle-mme ; cela nest videmment concevable que si la notion de temps est
explicitement prise en considration. [18]
III-8-Lapprentissage :
Lapprentissage et ladaptation constituent deux caractristiques essentielles des rseaux de
neurones. Le rle de lapprentissage est de dfinir le poids de chaque connexion. De nombreuses
rgles existent pour modifier le poids des connexions et donc pour arriver un apprentissage
correct. Lorsque la phase dapprentissage est acheve, le rseau doit tre capable de faire les bonnes
associations pour les vecteurs dentres quil naura pas appris. Cest lune des proprits
importante dans les rseaux de neurones, car elle permet de donner la capacit de reconnatre des
formes ressemblantes et mme dgrades des prototypes, cest la phase de reconnaissance.[18]

BOUHAFNA S. 2013

Page 46

Gnralits sur les rseaux de neurones

III-8-1-Types dapprentissage :
III-8-1-1- Apprentissage supervis :
Un superviseur, ou professeur, fournit au rseau des couples dentres-sorties. Il fait apprendre au
rseau lensemble de ces couples, par une mthode dapprentissage, comme la retro-propagation du
gradient de lerreur, en comparant pour chacun dentre eux la sortie effective du rseau et la sortie
dsire. Lapprentissage est termin lorsque tous les couples entres-sorties sont reconnus par le
rseau. Ce type dapprentissage se retrouve, entres autres dans le perceptron.[18],[22].
III-8-1-2-Apprentissage non supervis :
Cet apprentissage consiste dtecter automatiquement des rgularits qui figurent dans les
exemples prsents et modifier des connexions pour que les exemples ayant les mmes
caractristiques de rgularit provoquent la mme sortie. Les rseaux auto-organisateurs de
Kohonen sont des rseaux apprentissage non supervis les plus connus
III-8-1-3-Apprentissage auto-supervis :
Le rseau de neurones value lui-mme ses performances, sans laide dun professeur . Un
objet est prsent lentre du rseau de neurones, qui on a indiqu la classe laquelle appartient
cet objet. Si le rseau ne le classe pas correctement, il mesure lui-mme lerreur qui le faite, le
propage cette erreur vers lentre. Le rseau procde autant ditrations quil est ncessaire
jusqu obtenir la rponse correcte.
III-8-2- Les mthodes dapprentissage :
Dans les systmes experts, les connaissances de lexpert ont une forme numre ; elles sont
exprimes sous forme de rgles. Dans le cas des rseaux de neurones, les connaissances ont une
forme distribue ; elles sont codes dans les poids des connexions, la topologie du rseau, les
fonctions de transfert de chaque neurone, le seuil de ces fonctions, la mthode dapprentissage
utilise. Il existe un certain nombre de mthodes dapprentissage :
III-8-2-1-Rgle de Hebb :
Cest la mthode dapprentissage la plus ancienne (1943) elle est inspir de la biologie,. Elle
traduit le renforcement des connexions liant deux neurones activs. Si un des deux neurones au
moins nest pas activ, le poids de la connexion nest pas modifi.
III-8-2-2-Retro-propagation du gradient de lerreur :
Cet algorithme est utilis dans les rseaux de type feedforward, ce sont des rseaux de neurones
couche, ayant une couche dentre, une couche de sortie, et au moins une couche cache. Il ny a
pas de rcursivit dans les connexions, et pas de connexions entre neurones de la mme couche. Le
principe de la retro-propagation consiste prsenter au rseau un vecteur dentres, de procder au
BOUHAFNA S. 2013

Page 47

Gnralits sur les rseaux de neurones

calcul de la sortie n passant par les couches. Cette sortie obtenue est compare la sortie dsire,
une erreur est alors obtenue. A partir de cette erreur, est calcul le gradient de lerreur qui est tour
propag de la couche de sortie vers la couche dentre, do le terme de retro-propagation. Cela
permet la modification des poids du rseau et donc lapprentissage. Lopration est ritre pour
chaque vecteur dentre et cela jusqu ce que le critre soit vrifi.
III-9-Types de rseaux :
III-9-1-Le perceptron :
Depuis les rsultats des travaux de Mac Culloch et Pitts (1943), qui ont abouti la dfinition du
neurone formel, ainsi ceux de Hebb, expliquant les effets dapprentissage de mmoire et de
conditionnement partir de groupes de cellules. Pour expliquer ces effets dapprentissage, Hebb
propose, que les cellules apprennent modifier lintensit des connexions qui les relient, en
fonction de leur activit simultane. Lide de certains chercheurs fut dutiliser les modlisations
des neurones et de lvolution des synapses pour simuler des rseaux de neurones. Le premier
modle solide fut prsent en 1959 par F.Rosenblatt [ ? ]. Il sagit du perceptron, autrement dit un
rseau rduit un seul neurone formel.
III-9-1-1-Description :
Les perceptrons sont des rseaux de type feedforward, possdent la structure suivante : une
couche de connexion fixe, situe entre les units dentre, la rtine, et les units dassociation. La
seconde couche relie les units dassociation et les units de rponse : cest sur ces poids que
ladaptation agit. Dans le perceptron, il ny a quune seule couche qui varie en fonction de
ladaptation. Dans le neurone du perceptron on utilise la fonction dactivation seuil. La modle du
neurone linaire seuil du perceptron une cellule de dcision et reli N cellules dentre est
prsent sur la figure (III-7)
x1
W1
x1

W2
Wj

j Wj Xj

(d,y)

1
S

xj

Wn

-1

xn

Fig. (III-7) Neurone linaire seuil avec une seule cellule de dcision.

BOUHAFNA S. 2013

Page 48

Gnralits sur les rseaux de neurones

Le neurone linaire seuil ralise donc, une partition des vecteurs dentres qui lui sont soumis en
entre en deux domaines. La frontire entre ces deux domaines est dfinie par la condition :

(III-3)
Ou S dsigne le seuil de la cellule de dcision.
En effet, pour

, le neurone rpond 1 ;

Pour

, le neurone rpond -1 ;

La frontire sparant ces deux domaines sera donc un hyperplan.


III-9-2-Algorithme dapprentissage :
Lalgorithme dapprentissage est la mthode qui va modifier les poids de connexion afin de
converger vers une solution qui permettra au rseau daccomplir la tache dsir. Lapprentissage est
une mthode didentification paramtrique qui permet doptimiser les valeurs des poids du rseau.
Plusieurs algorithmes itratifs peuvent tre mis en uvre, parmi lesquels on note :
III-9-2-1-Algorithme de rtro propagation :
Lalgorithme de rtro propagation du gradient de lerreur t cre en gnralisant les rgles
dapprentissages de Widrow-Hoff [ ], aux rseaux multicouches fonctions de transfert non
linaire. Cest un algorithme utilis avec des rseaux de types feedforward pour lapprentissage de
fonction, la reconnaissance de forme et la classification.
III-9-2-2-Principe :
La rtro propagation du gradient de lerreur est utilise pour ajuster les poids et le biais du rseau
afin de minimiser lerreur quadratique entre la sortie du rseau et la sortie relle. A chaque couple
entre/sortie, une erreur est calcule, le gradient, ou pente, de lerreur est dtermin. Ensuite les
poids et les biais sont modifis en ligne sur le rseau. On ritre ces calculs jusqu lobtention du
critre darrt.
III-9-2-3-Algorithme :
Lalgorithme de la rtro propagation du gradient de lerreur se rsume aux tapes suivantes :
1. Initialisation des poids [ ] des petites valeurs alatoires.
2. Prsentation dune entre
et de la sortie dsire .
3. Calcul de la sortie actuelle par propagation travers les couches :
[ ]

[ ] [

Ou F est la fonction de transfert du neurone et [q] la qme couches du rseau.


4. Accumulation des erreurs en sortie :
BOUHAFNA S. 2013

[ ]

Page 49

Gnralits sur les rseaux de neurones

Ou

est la sortie dsire associe au vecteur dentre

[ ]

est la sortie obtenue sur la dernire couche au temps t.


est lerreur cumule pour k prsentations de couples ( , )
5. Retro-propagation du gradient de lerreur ( ) depuis la dernire couche vers la premire
couche
- Pour chaque cellule de sortie
[ ]

[ ]

[ ]

(III-4)

Pour chaque cellule cache :


[ ]

[ ]

(III.5)

6. Mise jour des poids selon la rgle :


[ ]

[ ] [ ]

(III.6)

Ou est le coefficient dapprentissage compris dans lintervalle [0,1]


7. Retour 2 tant quil y a des couples prsenter.
III-9-2-4-Choix du critre minimiser :
Dans le cas de la rtro-propagation de lerreur, le critre minimiser est une erreur quadratique.
Lapplication de lalgorithme du gradient ncessite la drivabilit de la fonction de transfert [23].
Le critre de minimisation derreur est de :

[ ]

(III.7)

Lalgorithme prsent ici est de type online c'est--dire que lon met jour les poids pour
chaque chantillon dapprentissage prsent dans le rseau de neurones. Une autre mthode est dite
en batch c'est--dire que lon calcule dabord les erreurs pour tous les chantillons sans mettre
jour les poids (on additionne les erreurs) et lorsque lensemble des donnes est passe une fois dans
le rseau, on applique la rtro-propagation en utilisant lerreur totale. Cette faon de faire est
prfre pour des raisons de rapidit et de convergence.
III-10-Identification et commande par rseaux de neurones :
La commande de processus au moyen des rseaux de neurones, a connu un trs grand essor cette
dernire dcennie. La vision de la biologie a pris, dans le domaine de la thorie des systmes
dynamiques, une tournure particulirement intressante. Elle a ouvert des perspectives de
comprhension la fois plus large et plus mfiantes. Dans le but dlargir son champ dapplication,
la thorie de contrle ressent actuellement un besoin dintgrer de nouveaux concepts regroups
sous le terme de commande intelligente. Lobjectif est dintroduire de nouveaux mcanismes
permettant une commande plus simple, capable de sadapter des variations de lenvironnement et
dmontrant des capacits dapprentissage, telles les efforts et les interventions de lhomme tant dans
les phases de conception que de conduite proprement dite, en soient significativement rduits. La
BOUHAFNA S. 2013

Page 50

Gnralits sur les rseaux de neurones

plupart des commandes utilisant un rseau de neurones en tant que contrleur se distinguent par une
tape didentification et une tape de contrle. Lidentification consiste laborer un modle
neuronal qui est une estimation du processus commander et cela au moyen dune phase
dapprentissage. Celle-ci peut tre soit pralable (hors ligne), ou bien elle peut se faire
intgralement en ligne. La commande utilise les connaissances acquises pendant la phase
didentification et/ou de lapprentissage en ligne pour laborer des signaux de commande. Un
apprentissage en ligne, pendant la commande du systme, est intressant si des perturbations
viennent affecter le processus ou son environnement [23]
III-10-1-Identification des processus par rseaux de neurones :
Le principe de lidentification par rseaux de neurones consiste substituer aux modles
paramtriques classiques des modles neuronaux, cest--dire proposer un modle tablissant une
relation entre son entre et sa sortie et dterminer partir du couple des signaux dentre-sortie, le
comportement du modle. Deux raisons importantes nous motivant [23] :

Prdire le comportement dun systme pour diffrentes conditions de


fonctionnement ;

Elaborer une loi de commande appliquer au processus, pour quil ralise lobjectif
assign.
Nous citerons deux techniques didentification base de rseaux de neurones multicouches :
III-10-1-1-Identification directe :
La figure (III-8) montre le schma gnral didentification directe dun processus. Sur cette
figure, le rseau de neurones identificateur RNI est utilis en parallle avec un processus de type
boite noire. La sortie du processus y est compare avec la sortie du rseau de neurones
puis lerreur e =y- est utilise afin daffiner les paramtres du systme neuronal.

BOUHAFNA S. 2013

Page 51

Gnralits sur les rseaux de neurones

Processus
Processus

RNI

Fig. (III-8) schma didentification directe dun processus par rseau de neurones
III-10-1-2-Identification inverse :
Dans cette mthode, lentre du processus est compare avec la sortie de lidentificateur neuronal
RNI est la sortie du processus est injecte comme entre du rseau de neurones (figure III-9).
u

Processus
Processus

RNI

Fig. (III-9) schma didentification inverse dun processus avec un rseau de neurones.

III-10-2-Commande des processus par rseaux de neurones :


La littrature scientifique fait mention de diffrentes architectures de commande. Les plus
simples se basent sur lapprentissage dun contrleur conventionnel dj existant, dautres oprent
un apprentissage hors-ligne du modle inverse du processus ou dun modle de rfrence et enfin,
dautres travaillent compltement en ligne [19]
BOUHAFNA S. 2013

Page 52

Gnralits sur les rseaux de neurones

III-10-2-1-Apprentissage dun contrleur conventionnel :


Un rseau de neurones peut reproduire le comportement dun contrleur conventionnel dj
existant (PI, PID, RST,.) grce ses facults dapprentissage et dapproximation. Il suffit de le
soumettre un apprentissage hors ligne pendant une phase didentification directe en considrant
que le contrleur est lui-mme un processus. La figure (III-10) montre le principe de lidentification
directe dun contrleur conventionnel.
Contrleur
Contrleur
conventionnel
conventionnel
r

y
u

Processus
Processus

e
e1

RNI

Fig. (III-10) schma didentification directe dun contrleur conventionnel avec un RNI.
III_10-2-2-Commande inverse avec apprentissage en ligne :
Le principe de cette commande repose sur une identification par modle inverse [ ], la figure (311) reprsente le schma de commande inverse avec un (RNC). Cette architecture reprend le mme
principe que celui de lidentification inverse montre dans la figure (3-9) en effet, lentre de
rfrence r est compare la sortie y du processus pour former lerreur de poursuite, e = r y qui
sert modifier les paramtres du rseau. Apres avoir appris le model inverse, le neuro-contrleur
dlivre la sortie u du RNC qui est la commande injecte en entre du processus, lerreur est alors
nulle et la sortie y est gal la rfrence r. Ce principe est identique au RNI de la figure (3-10) ou
lorsque lapprentissage du modle inverse est accompli, la sortie du RNI est gale lentre du
processus. Lavantage de la commande inverse avec RNC est le suivi en temps rel de lvolution
du processus, car lapprentissage est ralise en ligne.

BOUHAFNA S. 2013

Page 53

Gnralits sur les rseaux de neurones

Processus
Processus

RNC
e

Fig. (III-11) Schma de commande inverse avec un RNC.


Comme les performances de cet organe de commande dpendent troitement de la fidlit du
modle inverse, la stabilit et le niveau de performance ne sera pas garanti dans le cas ou le modle
inverse nexiste pas ou sil est difficile trouver.
III-11-Modlisation laide de rseaux de neurones :
Deux stratgies de modlisation qui emploient des rseaux de neurones peuvent tre
distingues : la premire appele lapproche par boite noire , quand le processus entier est
reprsent avec le rseau neuronal appropri, et lapproche approche boite grise ou hybride
qui est une combinaison de la modlisation traditionnelle du processus avec un rseau neuronal qui
reprsente les phnomnes moins connus du processus.
III-11-1-Modle boite noire :
Le terme de boite noire soppose aux termes de modle de connaissance ou modle de
comportement interne qui dsignent un modle mathmatique tabli partir dune analyse
physique ou autre du processus que lon tudie. Ce modle peut contenir un nombre limit de
paramtres ajustables, qui possdent une signification physique. Nous verrons par la suite que les
rseaux de neurones peuvent tre utiliss pour llaboration de modle boite grise , intermdiaire
entre les modles boites noires et les modles de connaissance.
Le modle boite noire figure (3-13) constitue la forme la plus primitive de modle
mathmatique : il est ralise uniquement partir de donnes exprimentales ou dobservations ; il
peut avoir une valeur prdictive, dans un certain domaine de validit, mais il na aucune valeur
explicative. [17]

BOUHAFNA S. 2013

Page 54

Gnralits sur les rseaux de neurones

Y1 (k+1)

X1(k)
X2(k)
X3(k)

Rseau de
neurones boucl
ou non boucl

Y2 (k+1)
Y3 (k+1)

Fig. (III-12) Diagramme schmatique dun modle neuronal boite noire .

Entre la boite noire et le modle de connaissance se situe le modle semi-physique, ou modle


boite grise (appel aussi modle hybride), qui contient la fois des quations rsultant dune
thorie, et des quations purement empiriques, rsultant dune modlisation de type boite
noire .
III-11-2-Modle boite grise ou hybride :
Lorsque des connaissances, exprimables sous forme dquations, sont disponibles, mais
insuffisantes pour concevoir un modle de connaissance satisfaisant, on peut avoir recours une
modlisation boite grise ou (modlisation semi-physique) qui prend en considration la fois
les connaissances et les mesures. Une telle dmarche peut concilier les avantages de
lintelligibilit dun modle de connaissance avec la souplesse dun modle comportant des
paramtres ajustables.
III-11-3-Conception dun rseau de neurones :
Les rseaux de neurones ralisent des fonctions non linaires paramtres. Leurs mises en uvre
ncessitent :
La dtermination des entres et des sorties pertinentes, cest--dire les grandeurs qui
ont une influence significative sur le phnomne que lon cherche modliser.
La collecte des donnes ncessaires lapprentissage et lvaluation des
performances du rseau de neurones.
La dtermination du nombre de neurones cachs ncessaires pour obtenir une
approximation satisfaisante.
La ralisation de lapprentissage.
Lvaluation des performances du rseau de neurones lissue de lapprentissage.

BOUHAFNA S. 2013

Page 55

Gnralits sur les rseaux de neurones

III-12-Avantages et inconvnients des rseaux de neurones :


III-12-1-Avantage des rseaux de neurones :
Capacit de reprsenter nimporte quelle fonction, linaire ou pas, simple ou
complexe ;
Facult dapprentissage partir dexemples reprsentatifs, par rtro propagation des
erreurs . lapprentissage ou construction du modle est automatique ;
Resistance au bruit ou au manque de fiabilit des donnes ;
Simple manier, beaucoup moins de travail personnel fournir que dans lanalyse
statistique classique. Aucune comptence en math, informatique statistique requise ;
Comportement moins mauvais en cas de faible quantit de donnes ;
Pour lutilisation novice, lide dapprentissage est plus simple comprendre que les
complexits des statistiques multi variables.
III-12-2-Inconvnients des rseaux de neurones :
Labsence de mthode systmatique permettant de dfinir la meilleure topologie
du rseau et le nombre de neurones placer dans la (ou les) couche (s) cache (s) ;
Le choix des valeurs initiales des poids du rseau et le rglage du pas
dapprentissage, qui jouent un rle important dans la vitesse de convergence ;
Le problme du sur-apprentissage (apprentissage au dtriment de la
gnralisation) ;
La connaissance acquise par un rseau de neurone est code par les valeurs des
poids synaptiques, les rseaux de neurones sont donc des boites noires o les
connaissances sont inintelligibles pour lutilisateur.
III-13-Conclusion :
Les rseaux de neurones sont depuis quelques temps un point de focalisation des medias, du public
et des scientifiques. Les travaux mnent dans les domaines nombreux, et surtout dans lindustrie
(contrle qualit, diagnostic de panne, corrlations entre les donnes fournies par diffrents
capteurs, )
Nous avons prsent dans ce chapitre les principes de base des rseaux de neurones inspir de
ltude du cerveau humain, dont il sest dvelopp depuis des modles plus complexes grce
lvolution de la neurobiologie et lutilisation doutils thoriques plus puissants comme
lalgorithme de rtro-propagation. Il est noter que lemplacement idal pour lintgration des
rseaux de neurones artificielle dans le systme contrle-commande, pourrait tre dun intrt
particulier pour lidentification du processus. Et ladaptation du rseau de neurone pour permettre
de bien commander le systme ce quil sera prsent dans le chapitre suivant.

BOUHAFNA S. 2013

Page 56

Application des rseaux de neurones la DTC

Chapitre Quatre :
Application des rseaux de neurones la DTC.
IV-1-Introduction
IV-2-principe de contrleur neuronal
IV-3-dveloppement du contrleur neuronal
IV-4- Contrle Direct du Couple par Rseaux de Neurones
IV-5- Structure de la commande neuronale directe du couple (DTNC)
IV-6- Rsultats de la simulation
IV-7- Interprtation des rsultats
IV-8-Conclusion
IV-9-Comparaison entre DTC Classique et DTC Neuronale
Conclusion gnrale
Annexe
Rfrences bibliographiques

BOUHAFNA S. 2013

Page 57

Application des rseaux de neurones la DTC

IV-1-INTRODUCTION :
Lapplication des rseaux de neurones artificiels (RNA) attire lattention de nombreux
scientifiques de partout dans le monde. La raison de cette tendance sont les nombreux avantages,
dont les architectures de lANN ont plus traditionnelle algorithmique mthodique. Parmi les
avantages des RNA sont la facilite de la formation et la gnralisation, une architecture simple,
possibilit dapproximation des fonctions non linaires, de linsensibilit la distorsion du rseau,
et des donnes dentre inexactes. Lutilisation des RNA est pratique lheure actuelle que le
progrs technologique est rapide et possible. [27]
La commande du moteur asynchrone (MAS) est de plus en plus tudie grce aux qualits de ce
moteur. Le problme de cette commande est li la non-linarit du modle du MAS, qui est
aggrave par la non linarit introduite par l'onduleur qui alimente le moteur. Les techniques de
contrle intelligentes telles que les rseaux de neurones artificiels (RNA) sont souvent utilises pour
rsoudre des problmes de la non-linarit et les variations paramtriques des systmes. Grce
leur capacit dapprentissage, les RNA et les NF peuvent donner de bons rsultats de contrle du
MAS car ils peuvent sadapter aux non linarits du moteur, ainsi qu'aux perturbations (couple de
charge) et aux variations paramtriques. [26]
Lune des plus rcentes dmarches dans cette direction est la commande directe du couple
.propos par I.Takahashi et T.Noguchi et de Depenbrock cette mthode est apparue dans la
deuxime moiti des annes 1980[26], concurrenant les mthodes de commande vectorielle. Au
contraire de ces dernires, qui sont bases sur des formalismes mathmatiques pointus mais
rigoureux, les techniques de contrle direct taient leur origine bases sur une connaissance
qualitative et simplifie du comportement de la machine. Cette stratgie de commande prsente les
problmes majeurs suivants : ondulation de couple lectromagntique de flux et du courant
statorique, non maitrise de frquence de commutation et sensibilit la variation de la rsistance du
stator. Pour cela, on a dvelopp la technique intelligente pour amliorer les performances
dynamiques de la commande directe du couple, savoir les rseaux de neurones artificiels (RNA).
Le rseau de neurones artificiel est un modle de calcul dont la conception est trs schmatiquement
inspire du fonctionnement de vrais neurones. Des units formelles permettent, une fois assembles,
de raliser des traitements complexes de linformation. Il constitue une approche permettant
daborder sous des angles nouveaux les problmes de perception, de mmoire, dapprentissage et de
raisonnement. Il savre aussi une alternative trs prometteuse pour contourner des limitations des
mthodes numriques classiques. Grace son traitement parallle de linformation, il infre des
proprits mergentes permettant de solutionner des problmes jadis qualifis de complexes. [25].
Dans ce chapitre nous prsentons les performances des la commande directe du couple de la
machine asynchrone en utilisant cette technique, cette mthode consiste remplacer les
comparateurs classiques et la table de slection appliqus au DTC de la MAS par un contrleur bas
sur les rseaux de neurones, afin de bien conduire le flux et le couple vers leurs valeurs de rfrence
BOUHAFNA S. 2013

Page 58

Application des rseaux de neurones la DTC

durant une priode de temps fixe. Cette valuation est obtenue en utilisant lerreur du couple
lectromagntique, lerreur du module et langle du vecteur flux statorique. [26]
Lemploi des rseaux de neurones plutt que des techniques classiques pour commander des
systmes complexes peut se justifier par la simplicit de mise en ouvre (peu danalyse
mathmatique prliminaire). [27].
IV 2- Principe du contrleur neuronal :

Le rle dune loi de contrle est de maintenir certains tats dun systme des valeurs dsires
malgr les effets dventuelles perturbations. Des principes de contrle trs simples, parfois mme
mcaniques, sont employs depuis des annes. Certains concepts sont toujours encore utiliss de
nos jours, mais les lois de commande modernes reposent sur des variables formalismes et sur une
thorie du contrle.
Aujourdhui, on veut contrler des systmes complexes. Il sagit galement de les rendre plus
intelligents, cest--dire plus automatiss, plus autonomes, plus performants, plus rapides, tout en
rduisant au maximum lnergie. Ces exigences complexifient largement les systmes et leurs
modles. [30]
IV-3-Dveloppement du contrleur neuronal :
Les rseaux de neurones artificiels (RNA peuvent tre utilisais pour concevoir des numriques
pouvant maintenir des performances dynamiques leves de la machine mme avec le problme de
drglage.
Il a t prouv que les RNA sont des approximations universelles du systme dynamique non
linaire. Ils sont capables dimiter le comportement de nimporte quel systme dynamique non
linaire complexe en utilisant le rseau de neurones multicouche appropri.
Apres avoir t utilis pendant plusieurs annes dans les applications de reconnaissance des formes
ainsi que le traitement des signaux et des images, les RNA sont actuellement employs dans une
plus large classe de discipline scientifique. Plusieurs applications ont t reportes dans le domaine
de llectronique de puissance savoir la dtection des dfauts et le diagnostic des machines
lectriques, la commande des convertisseurs de puissance et la commande haute performance des
entrainements lectriques. Cet intrt grandissant dans lutilisation des RNA dans les diffrentes
disciplines scientifiques est d leur paralllisme inhrent qui permet le traitement trs grande
vitesse et une implantation des applications en temps rel. Ils sont aussi capables de fonctionner
dans des environnements bruits et ont la capacit de gnralisations qui leur permet de tolrer les
erreurs ou le manque de donnes. [28]
IV-4-Contrle Direct du Couple par Rseaux de Neurones :

Les rseaux de neurones forment un ensemble des fonctions non linaires, permettant de
construire, par apprentissage, une vaste famille de modles et de correcteurs non linaires. Un
BOUHAFNA S. 2013

Page 59

Application des rseaux de neurones la DTC

rseau de neurone est un systme doperateurs non linaires interconnectes, recevant des signaux de
lextrieur par ses entres, et dlivrant des signaux de sortie, qui sont en fait les activits de certains
neurones. Pour lapplication considre dans ce chapitre, ces signaux dentre et de sortie sont
constitus de suites numriques. Les rseaux de neurones ce sont des filtres non linaires temps
discret, ils peuvent tre statiques (ou non boucls) ou dynamiques (ou boucls).
Pour transcrire mathmatiquement le modle de ces derniers, un neurone artificiel ralise la
fonction suivante : il effectue une multiplication des signaux reus son entre par leur poids
respectifs, leur ajoute une polarisation et fait passer le rsultat dans un bloc non linaire. Ce bloc
non linaire est appel fonction de dcision du neurone. [26] Le calcul effectu est donn par :
[

(IV- 1)

X1
X2

F(.)

Xn-1
Xn

Fig. (IV-1) Structure dun neurone.

Les perceptrons multicouches est un rseau comportant L couches, chaque neurone dune couche
tant totalement connect aux neurones de la couche suivante. Chaque neurone k est un automate
linaire gnralis dont la fonction dactivation est .
La mise jour des poids synaptiques se fait au niveau des algorithmes de lapprentissage en
utilisant la retro-propagation du gradient. Le terme retro propagation du gradient provient du fait
que lerreur calcule en sortie est transmise en sens inverse vers lentre. Lerreur commise sur le
nud de sortie est :
(IV-2)
O :

: Vecteur des sorties desire ;


: Vecteur des sorties reel du rseau ;

Par consquent lerreur totale (pour tous les nuds) est :

BOUHAFNA S. 2013

(IV-3)
Page 60

Application des rseaux de neurones la DTC

La modification des poids est fonction du calcul du gradient. Ainsi, les poids sur la couche de sortie
sont mis jour de la faon suivante :
(IV-4)
(IV-5)
O

: pas dapprentissage

IV-5- Structure de la commande neuronale directe du couple (DTNC) :


Contrleur Neuronal

*s

Ce
SaSbSc

C*e
+

Onduleur
DC/AC

MAS

is

s
Ce

Estimateur de
couple et de
Flux

1,2,3

Fig. (IV-2) MLP Commande directe du couple dune MAS bas sur les rseaux de neurones.

Les comparateurs hystrsis et la table de vrit sont remplacs par un contrleur neuronal, dont
les entres sont lerreur de flux
, de couple
et langle de position de flux
et la sortie
est les impulsions permettant la commande des interrupteurs de londuleur, pour gnrer ce
contrleur par Matlab/Simulink ou on choisi 30 couches caches et 3 couches de sorties avec les
fonctions dactivation respectivement de type tansig et purelin.
Dans ce cas on remplace lintgrateur PI par une intgrateur PI Neuronale cette rgulateur a deux
entres, lerreur entre la diffrence entre la rfrence * et la sortie du processus , et la sortie de
cette rgulateur vers le contrle appliqu, la structure de cette rgulateur PI neuronale Fig. (IV-3)

BOUHAFNA S. 2013

Page 61

Application des rseaux de neurones la DTC

Fig. IV.4. Performance dapprentissage du RNA

Fig. .IV.3. Structure dun contrleur neuronal

IV-6-Rsultats de la simulation :

BOUHAFNA S. 2013

Page 62

Application des rseaux de neurones la DTC

BOUHAFNA S. 2013

Page 63

Application des rseaux de neurones la DTC

IV-7-Interprtation des rsultats :


Les figures (IV-5) montre quune rponse rapide du couple avec une rduction importante de
dpassements par rapport que celles de la DTC_C (figure III-..). Le flux statorique prsente une
rponse transitoire lente par rapport au couple (figures IV-7 et IV-8) , au rgime permanent le flux
statorique se stabilise vers sa valeur de rfrence avec une erreur statique faible comme il est
montr dans les figures (IV-7 et IV-8), ce qui bien montr sur la figure (IV-9) o la trajectoire du
vecteur flux est circulaire, par consquent la forme du courant statorique a une forme sinusodale
avec moins de pics au dmarrage ce qui est montr sur la figure (IV-10). Cette technique nous
donne une frquence de commutation moyenne autour de 3kHz, calcul partir des figures (IV-11
et IV-12).
partir de ces rsultats, on peut constater que la performance du systme, contrl par un
contrleur neuronal, est insatisfaisante, malgr ladaptation en ligne du rseau de neurones. Ce
phnomne est d au fait quil ny a pas une rgle gnrale pour choisir les paramtres du rseau de
neurones (le taux dapprentissage, le nombre de neurones en couche cache), ainsi que les valeurs
de pondration dans la fonction de cot [25]. Il est gnralement difficile de dterminer ce choix
seulement partir de la mthode par essai et erreur.
IV-8-Conclusion :
On a expos dans ce chapitre lamlioration de certaines performances de la commande directe du
couple de la machine asynchrone. Les rsultats de simulation ont montr que lapplication des
rseaux de neurones donne une bonne rponse du couple, mais la rponse du flux statorique
prsente un rgime transitoire un peu lent, d au fait quil ny a pas une rgle gnrale de choisir les
paramtres du rseau de neurones (le taux dapprentissage, le nombre de neurones en couche
cache).

BOUHAFNA S. 2013

Page 64

Application des rseaux de neurones la DTC

IV-9- Comparaison entre DTC Classique et DTC Neuronale :


Daprs les figures ci-dessous la rponse rapide du couple avec une rduction importante de
dpassements par rapport que celles de la DTC_C. Le flux statorique prsente une rponse
transitoire lente par rapport au couple, au rgime permanent le flux statorique se stabilise vers sa
valeur de rfrence avec une erreur statique faible comme est montr dans la figure (II-5), ce qui
bien montr sur la figure (IV-9) o la trajectoire du vecteur flux est circulaire, par consquent la
forme du courant statorique a une forme sinusodale avec moins de pics au dmarrage ce qui est
montr sur la (IV-10).
A partir de ces rsultats, on peut constater que la performance du systme, contrl par un
contrleur neuronal, est insatisfaisante, malgr ladaptation en ligne du rseau de neurones. Ce
phnomne est d au fait quil ny a pas une rgle gnrale pour choisir les paramtrs du rseau de
neurones savoir (le taux dapprentissage, le nombre de neurones en couche cache) ainsi que les
valeurs de pondration dans la fonction de cot. Il est gnralement difficile de dterminer ce choix
seulement partir de la mthode par essai et erreur.

BOUHAFNA S. 2013

Page 65

Conclusion gnrale

Conclusion gnrale :
La DTC est robuste contre les variations paramtriques de la machine, et ne ncessite pas de
capteur de position. De plus elle offre un certains nombre davantages considrables par rapport la
commande vectorielle MLI. Cependant ces stratgies ont aussi des inconvnients importants.
Dune part, la frquence de commutation est fortement variable. Dautre part, lamplitude
dondulation de flux et du couple est plusieurs fois suprieure au large de la bande dhystrsis, et
typiquement suprieure celle pouvant tre obtenues avec une loi de commande faisant appel un
module MLI pour une frquence de dcoupage identique.
Lobjectif principal de cette thse consiste proposer une mthode de commande simple base
sur la stratgie DTC, avec cette mthode on essaie damliorer les inconvnients de la DTC
classique.
La commande DTC a montr une plus grande simplicit et robustesse contre les variations
paramtriques, les principes de cette stratgie ont t prsents dune manire dtaille, avec
exploitation de rglage de flux et du couple, cette commande est sans aucun doute une solution trs
prometteuse aux problmes de robustesse et de dynamique rencontrs dans les autres commandes
tel que une frquence de commutation inferieure celle de la DTC, avec une bonne rponse du
couple lectromagntique. Des simulations numriques ont t implantes sur Matlab/Simulink
pour valider ces stratgies de commande.
Finalement on a montr quon peut tudier la technique intelligente associ la commande DTC et
qui sert remplacer les comparateurs classiques et la table de slection des vecteurs , par un
contrleur neuronal, qui donne une meilleure performance que celle obtenue par la commande
prcdente.

BOUHAFNA S. 2013

Page 66

Annexe

PARAMETRES DE LA MACHINE ASYNCHRONE :

GRANDEURS NOMINALES :
Puissances nominales

Pn = 4kW

Nombre de paire de ples

P=2

Tension efficace nominale

Vn = 230V, Un=380v

Frquence nominale

f = 50Hz

Courant efficace nominal

In = 11.6/6.2A

Vitesse de rotation nominale

Nn = 1490tr/mn

PARAMETRES ELECTRIQUES :
Rsistance de lenroulement statorique

Rs = 1.2

Rsistance de lenroulement rotorique

Rr = 1.2

Inductance de lenroulement statorique

Ls = 0.1514H

Inductance de lenroulement rotorique

Lr = 0.1514H

Inductance mutuelle

M = 0,15H

PARAMETRES MECANIQUES :
Moment dinertie
Coefficient de frottement visqueux

BOUHAFNA S. 2013

fv = 0.001

Page 67

Rfrences bibliographiques

Rfrences bibliographiques

[1] : A. Merabet Commande non linaire a modle prdictif pour une MAS Thse de
doctorat, universit de Qubec.

[2] : H. Yantour, J. Saadi, A. Khoumsi, 6me Confrence Francophone de Modlisation et


Simulation MOSIM06, Modlisation et Simulation dune Commande directe du couple applique
la Machine Asynchrone Rabat-Maroc, Avril2006.

[3] : N.Khalil Contribution la Commande de la Machine Asynchrone par DTC et logique


floue Thse de magister, universit de Constantine, 2006.

[4]: Bennoui Hassina ; Apport de la logique floue et des rseaux de neurones pour la
commande avec minimisation des pertes de la machine asynchrone ; universit de Batna.

[5] : C. Carloss de Wit, Modlisation Contrle Vectoriel et DTC , Edition Hermes Sciences
Europe, 2000.

[6] : Thse Benaissa Malika ; Minimisation des pulsations du couple dans une commande
directe du couple DTC dune machine asynchrone ; universit de Batna.

[7] : Dissa Abdennour ; Contrle direct du couple du moteur induction sans capteur de
vitesse associe un observateur non linaire ; universit de Batna.

[8] : Lotfi Baghli; contribution la commande de la MAS utilisation la logique floue et des
rseaux de neurones et des algorithmes gntiques.

[9] : J. Bonal, G. Seguier, Entrainement Electrique Vitesse Variable, Rappels


dElectrotechnique de Puissance et dAutomatisme les Variateurs Electroniques de Vitesse ,
Volume 2, Edition Technique et Documentation, Paris, 1998.

[10] : S. Belkacem Contribution la Commande directe du couple de la machine


induction , Thse de doctorat en sciences en gnie lectrique, universit de Batna, 2011.

[11] : A.Chikhi, S.Sellami, S.Belkacem, Commande Directe du moteur asynchrone apport


de la logique floue ,5th International confrence on lectrical Engineering 27-29 October 2008.

[12] : A. El-Bacha, M. T. Lamchich, M. Cherkaoui, Control Direct de Couple dune machine


asynchrone, systme de rgulation de vitesse avec anti-emballement.

[13] : S. Chekroun Commande neuro-floue sans capteur de vitesse dune machine


asynchrone triphase ; cole suprieur denseignement technologique dOran.

[14] : F.Naceri, Commande non linaire adaptative des machines lectriques associes
des convertisseurs statiques ; projet J0201320070006 .

[15] : R.Toufouti Contribution la commande directe du couple de la machine


asynchrone ; universit de Batna.

[16]: T. Laamayad Commande optimale dune machine asynchrone apport de la logique


floue , thse de magister, universit de Batna, 2008.

BOUHAFNA S. 2013

Page 68

Rfrences bibliographiques

[17]: M.Y. Ammar ; Mise en uvre de rseaux de neurones pour la modlisation de


cintiques ractionnelles en vue de la transposition Batch/continu , Thse doctorat, institut
national polytechnique de Toulouse, Juillet 2007.

[18]: C. Touzet ; Les rseaux de neurones artificiels Introduction au connexioisme ; cours ;


exercices et travaux pratiques ; juillet 1992.

[19] : Y. Morere TP Rseaux de neurones feedforward, Master 2, universit de Metz,


2005.

[20] : E. Davalo, P. Naim, Des rseaux de neurones , Edition Eyrolles, 1993.

[21]: Miroslaw Wlas;Zbigniew Krzeminski; Artificial-Neural-Network-Based Sensorless


Nonlinear Control of Induction Motors; IEEE Transactions on energy conversion. Vol. 20, N.3,
September 2005.

[22] : Les rseaux de neurones ; cole suprieure de physique et de chimie industrielles de


la ville de Paris (ESPCI).

[23] : L. Ben Brahim and R. Kurosawa Identification of induction motor speed using neural
networks, in proc. Power conversion conf. Yokohama, Japan, 1993,pp.689-694.

[24] :I.Rivals ; L.Petsonnag ; G.Dreyfus Les rseaux de neurones pour la modlisation et la


commande de procds ; 1995.

[25] : R.Douiri;T. Nasser; M. Cherkaoui ; A. Essadki Application de la structure des rseaux


de neurones artificiels et de la logique floue dans le choix des vecteurs tensions pour la
commande directe du couple de la machine asynchrone , article teleco2011 et 7me JFMMA, mars
16-18,2011-Tanger MAROC.

[26]: F.Kadri; S. Drid; D. Djarah; and F. Djeffal; Direct Torque Control of Induction Motor
fed by Three Phase PWM Inverter Using Fuzzy logic and Neural Network paper of 6th International
conference on Electrical Engineering 11-13 October 2010.

[27]:A. Hammoumi; A. Massoum; A. Meroufel et P. Wira ; Application des Rseaux de


Neurones pour la Commande de la Machine Asynchrone sans capteur mcanique article, volume
53, Number 2,2012.

[28] : Kh. Belkhadria; Commande dun robot mobile par des rseaux de neurones
artificiels Thse de magistre en lectronique universit de Batna.

[29] : My.R.Douiri ;T.Nesser ; A.Essadki ; M.Cherkaoui ; Direct Torque of Induction Motor


Based on Artificial Networks with Estimate And Regulation speed using the MRAS and Neural PI
Controller , journal of theoretical and applied information technology,2005-2010.

[30] :A. Chaba, Commande de la machine asynchrone a double alimentation par des
techniques de lintelligence artificielle, Thse doctorat, universit de Batna, juillet 2010.

BOUHAFNA S. 2013

Page 69

Rsum

Rsum :

Le rgulateur PI (proportionnel-intgral) est trs utilise dans lindustrie en raison de sa


simplicit et de la robustesse. Mais dans certain cas, quand la dynamique du systme change avec le
temps ou avec des conditions de fonctionnement lefficacit du PI diminue et la qualit du rglage
se dtriore.

Les rseaux de neurones artificiels utilises dans la commande en vitesse semble tre une
solution pour pare ces difficults et assurer une bonne performance de la commande. Dfrent, tests
ont t simules pour apprcier lapport des RNA, les rsultats obtenus permettent dillustrer, tant au
niveau des performances que de la robustesse, lapport dun tel contrleur dans les entrainements
lectriques utilisant la machine asynchrone.

Mots cls : MAS, Mas-onduleur, DTC, Rseaux de neurones (RNA), Contrleur neuronal.
Abstract:

The regulator IP (Integral proportional) is very used in industry for its simplicity strength.
But in cases, when the dynamic of the system changes with time or with the functioning conditions.
The efficiency of IP decreases and the quality of the adjustment deteriorates.

The Artificial Network (ANN) uses in the speed control seem to be a solution to avoid
these difficulties and ensure good control performance different tests have been simulated to check
the ANN contribution. The obtained results permit to illustrate both the performances level and its
strength. The contribution of . Controller in electrical drive using induction motor IM.
Key Works: IM, IM-VSI, Voltage source inverter, ANN, Controller neuronal

BOUHAFNA S. 2013

Page 70