Vous êtes sur la page 1sur 85

Universite de Gab`es

Ecole
Nationale dIngenieurs de Gab`es

Republique Tunisienne
Minist`ere de lEnseignement Superieur,

Departement de Genie Electrique-Automatique

et de la Recherche Scientifique

ENIG

A.U: 2011-2012

Projet de fin detudes


Presente a`

lEcole
Nationale dIngenieurs de Gab`es

(Departement de Genie Electrique


- Automatique)

Realise par

Ahmed Zaidi
Fayrouz Bakhira
ETUDE DE LIDENTIFICATION EN BOUCLE
: APPLICATIONS EN SIMULATION ET EN
FERMEE

TEMPS REEL

Soutenu le 21 Juin 2012, devant le Jury :


President
:

M. Slaheddine Najar

Membre :

M. Anis Messaoud

Encadreur :

M. Messaoud Amairi

Le succ`es nest pas nal, lechec nest pas fatal cest le


courage de continuer qui compte ...
Winston Churchill

`
A
DIEU tout puisant mon createur
`
A
ma m`ere,
ma raison detre,
ma raison de vivre,
la lanterne qui eclaire mon chemin,
la voie qui a me murmurer les bons conseils...
`
A
mes amis et `a tous mes proches...

Fayrouz

ii

`
A
ma ch`ere m`ere,
`
A
mon cher p`ere,
`
A
mes soeurs et `a mes fr`eres,
`
A
tous ceux qui comptent pour moi,
`
A
tous ceux pour qui je compte.

Ahmed

iii

Remerciements
La realisation de ce travail naurait pu etre possible sans la bien veillante collaboration
des eorts des dierents intervenants. Qui croient et participent `a son succ`es.

Au terme de ce projet, nous sommes heureux de pouvoir exprimer nos sinc`eres gratitudes
envers les personnes quils ont eu lhonneur de nous aider. Les mots ci-dessous ne peuvent
en aucun cas etre susants `a temoigner notre respect.

Nous tenons `a remercier en premier temps Monsieur AMAIRI Messaoud, Matre As


sistant `a lEcole
Nationale dIngenieurs de Gab`es (ENIG) pour son aide precieuse, pour la
conance quil nous a accorde pour le temps quil nous consacre et qui nous a permis de
mener `a terme ce travail et lencouragement quil nous a oert durant lelaboration de ce
projet.

Nous tenons `a remercier egalement Madame CHETOUI Manel, Assistante `a lENIG pour
ses conseils necessaires pour achever ce travail, pour sa disponibilite, ses aides, son soutien
et son encouragement continu et sa gentillesse.

Nous tenons `a exprimer nos vives gratitudes `a Monsieur NAJAR Slaheddine, Matre Assistant `a lENIG, qui nous a fait lhonneur de presider le jury.

Il est particuli`erement agreable dexprimer nos reconnaissances au membre de jury Monsieur MESSAOUD Anis, Matre Assistant `a lENIG davoir accepter de juger ce travail.

Enn nous remercions tous ceux qui ont apporte leurs aides, de pres ou de loin `a la
realisation de ce travail.

iv

Table des mati`


eres
Liste des gures

viii

Liste des tableaux

xi

Introduction g
en
erale

Chapitre I G
en
eralit
es sur lidentication des syst`
emes lin
eaires

I.1

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

I.2

Modelisation des syst`emes . . . . . . . . . . . . . . . . . . . . . . . . . . . .

I.2.1

Denition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

I.2.2

Mod`eles de connaissance . . . . . . . . . . . . . . . . . . . . . . . . .

I.2.3

Mod`eles dynamiques . . . . . . . . . . . . . . . . . . . . . . . . . . .

I.2.3.1

Mod`eles non parametriques . . . . . . . . . . . . . . . . . .

I.2.3.2

Mod`eles parametriques . . . . . . . . . . . . . . . . . . . . .

I.2.3.3

Procedure didentication . . . . . . . . . . . . . . . . . . .

I.3

Techniques didentication en boucle ouverte . . . . . . . . . . . . . . . . . .

I.4

Position du probl`eme et solutions envisageables . . . . . . . . . . . . . . . .

10

I.5

Principe et approches de lidentication en boucle fermee . . . . . . . . . . .

11

I.5.1

Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11

I.5.2

Identication et Identiabilite en boucle fermee . . . . . . . . . . . .

11

I.5.3

Choix du signal dexcitation . . . . . . . . . . . . . . . . . . . . . . .

12

I.5.4

Approche directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

I.5.5

Approche indirecte . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

I.5.6

Approche simultanee . . . . . . . . . . . . . . . . . . . . . . . . . . .

14

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14

I.6

Chapitre II Identication des syst`


emes en boucle ferm
ee

15

II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

II.2 Methodes didentication basees sur lerreur dequation . . . . . . . . . . . .

16

Table des mati`eres


II.2.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

II.2.2 Methode des Moindres Carres Ordinaires (MCO) . . . . . . . . . . .

17

II.2.3 Methode des Moindres Carres Recursifs (MCR) . . . . . . . . . . . .

18

II.2.4 Methode des Variables Instrumentales `a Observations Retardees (VIOR) 19


II.2.5 Validation des estimes . . . . . . . . . . . . . . . . . . . . . . . . . .

20

II.2.5.1

Blanchissement de lerreur de prediction . . . . . . . . . . .

20

II.2.5.2

Simulation de Monte-Carlo . . . . . . . . . . . . . . . . . .

21

II.2.5.3

Validation temporelle . . . . . . . . . . . . . . . . . . . . .

21

II.2.6 Exemple numerique . . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

II.2.6.1

Mise en equation et commande . . . . . . . . . . . . . . . .

21

II.2.6.2

Identication en boucle fermee dans le cas deterministe . . .

24

II.2.6.3

Identication en boucle fermee dans le cas stochastique . . .

27

II.3 Methodes didentication basees sur lerreur de sortie . . . . . . . . . . . . .

33

II.3.1 Principe et procedure didentication . . . . . . . . . . . . . . . . . .

33

II.3.2 Exemple numerique . . . . . . . . . . . . . . . . . . . . . . . . . . . .

38

II.3.2.1

Identication en boucle fermee dans le cas deterministe . . .

39

II.3.2.2

Identication en boucle fermee dans le cas stochastique . . .

41

II.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

Chapitre III Applications en temps r


eel de lidentication en boucle ferm
ee

44

III.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

46

III.2 Identication en boucle fermee dun moteur `a courant continu . . . . . . . .

46

III.2.1 Descriptif et modelisation du procede . . . . . . . . . . . . . . . . . .

46

III.2.2 Essais didentication . . . . . . . . . . . . . . . . . . . . . . . . . . .

47

III.2.2.1 Cas deterministe . . . . . . . . . . . . . . . . . . . . . . . .

47

III.2.2.2 Cas stochastique . . . . . . . . . . . . . . . . . . . . . . . .

50

III.3 Identication en temps reel dun syst`eme instable en boucle ouverte . . . . .

51

III.3.1 Description du syst`eme . . . . . . . . . . . . . . . . . . . . . . . . . .

51

III.3.2 Essais didentication . . . . . . . . . . . . . . . . . . . . . . . . . . .

54

III.4 Implementation dun algorithme didentication en boucle fermee sur un microcontroleur PIC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

56

III.4.1 Le microcontroleur PIC 16F877A . . . . . . . . . . . . . . . . . . . .

56

III.4.1.1 Choix de la famille PIC . . . . . . . . . . . . . . . . . . . .

56

III.4.1.2 Choix de PIC 16F877A . . . . . . . . . . . . . . . . . . . .

57

III.4.1.3 Convertisseur Analogique Numerique . . . . . . . . . . . . .

59

vi

Table des mati`eres


III.4.2 Conception de la carte didentication . . . . . . . . . . . . . . . . .

60

III.4.2.1 Alimentation stabilisee . . . . . . . . . . . . . . . . . . . . .

60

III.4.2.2 Conversion Numerique Analogique . . . . . . . . . . . . . .

61

III.4.2.3 Liaison serie RS232 . . . . . . . . . . . . . . . . . . . . . . .

62

III.4.2.4 Achage . . . . . . . . . . . . . . . . . . . . . . . . . . . .

62

III.4.3 Programmation de PIC . . . . . . . . . . . . . . . . . . . . . . . . . .

63

III.4.4 Identication en temps reel . . . . . . . . . . . . . . . . . . . . . . .

64

III.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

66

Conclusion g
en
erale

67

Annexe A

69

Bibliographie

70

vii

Liste des gures


I.1

Mod`ele OE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

I.2

Mod`ele ARX. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

I.3

Mod`ele ARMAX. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

I.4

Mod`ele ARIMAX. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

I.5

Lorganigramme de la procedure didentication. . . . . . . . . . . . . . . . .

I.6

Schema de principe de lerreur dequation en boucle ouverte . . . . . . . . . .

I.7

Schema de principe de lerreur de sortie en boucle ouverte . . . . . . . . . . .

10

I.8

Commande numerique dun syst`eme . . . . . . . . . . . . . . . . . . . . . . .

11

I.9

Schema de principe de lapproche directe en boucle fermee . . . . . . . . . .

13

I.10 Schema de principe de lapproche indirecte en boucle fermee. . . . . . . . . .

14

II.1 Principe des methodes didentication en boucle fermee basees sur lerreur dequation. 17
II.2 Reponse indicielle du syst`eme de second ordre en boucle ouverte. . . . . . . . . .

22

II.3 Reponse indicielle du syst`eme de second ordre en boucle fermee sans correction. .

22

II.4 Commande RST du syst`eme de second ordre. . . . . . . . . . . . . . . . . . . .

23

II.5 Reponse indicielle du syst`eme de second ordre en boucle fermee avec correction. .

23

II.6 Commande du syst`eme de second ordre en boucle fermee avec correction. . . . . .

24

II.7 Erreur de prediction dans le cas deterministe (MCO) : syst`eme de second ordre. .

25

II.8 Validation par test de blancheur dans le cas deterministe (MCO) : syst`eme de second
ordre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

II.9 Evolution des param`etres estimes dans le cas deterministe (MCR) : syst`eme de
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

II.10 Erreur de prediction dans le cas deterministe (MCR) : syst`eme de second ordre. .

26

second ordre.

II.11 Validation par test de blancheur dans le cas deterministe (MCR) : syst`eme de second
ordre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

II.12 Erreur de prediction dans le cas stochastique (MCO) : syst`eme de second ordre. .

28

II.13 Validation par test de blancheur dans le cas stochastique (MCO) : syst`eme de second
ordre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

viii

28

Liste des gures


II.14 Evolution des param`etres estimes dans le cas stochastique (MCR) : syst`eme de
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29

II.15 Erreur de prediction dans le cas deterministe (MCR) : syst`eme de second ordre. .

29

second ordre.

II.16 Validation par test de blancheur dans le cas stochastique (MCR) : syst`eme de second
ordre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

II.17 Evolution des param`etres estimes dans le cas stochastique (VIOR) : syst`eme de
second ordre.

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

31

II.18 Histogrammes des estimes pour 200 realisations de Monte-Carlo obtenus par lestimateur MCO : syst`eme de second ordre.

. . . . . . . . . . . . . . . . . . . . .

32

II.19 Histogrammes des estimes pour 200 realisations de Monte-Carlo obtenus par lestimateur MCR : syst`eme de second ordre.

. . . . . . . . . . . . . . . . . . . . .

32

II.20 Histogrammes des estimes pour 200 realisations de Monte-Carlo obtenus par lesti. . . . . . . . . . . . . . . . . . . . .

33

II.21 Principe des methodes basees sur lerreur de sortie en boucle fermee . . . . . . .

34

II.22 Organigramme des methodes didentication basees sur lerreur de sortie . . . . .

37

II.23 Commande RST du syst`eme de second ordre. . . . . . . . . . . . . . . . . . . .

39

mateur VIOR : syst`eme de second ordre.

II.24 Sortie reelle et sortie estimee par la methode `a erreur de sortie : syst`eme du premier
ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

II.25 Erreur de sortie : syst`eme du premier ordre . . . . . . . . . . . . . . . . . . . .

40

II.26 Sortie reelle et sortie estimee par la methode `a erreur de sortie : syst`eme de premier
ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

41

II.27 Erreur de sortie : syst`eme de premier ordre . . . . . . . . . . . . . . . . . . . .

42

II.28 Histogrammes des estimes pour 100 realisations de Monte-Carlo obtenus par lesti. . . . . . . . . . . . . . . .

42

III.1 Schema du moteur `a courant continu. . . . . . . . . . . . . . . . . . . . . . . .

46

mateur erreur de sortie : syst`eme du premier ordre

III.2 Donnees destimation dans le cas deterministe (entree : chaine2 ; sortie : chaine1) :
moteur `a courant continu

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

48

III.3 Evolution des param`etres estimees dans le cas deterministe : moteur `a courant continu 48
III.4 Donnees de validation dans le cas deterministe (entree : chaine2 ; sortie : chaine1) :
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

49

III.5 Resultats de validation dans le cas deterministe : moteur `a courant continu . . . .

49

moteur `a courant continu

III.6 Donnees destimation dans le cas stochastique (entree : chaine2 ; sortie : chaine1) :
moteur `a courant continu

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

50

III.7 Evolution des param`etres estimees dans le cas stochastique : moteur `a courant continu 50
III.8 Validation du mod`ele estime dans le cas stochastique : moteur `a courant continu .

51

ix

Liste des gures


III.9 Reponse indicielle en boucle ouverte (entree : chaine2 ; sortie : chaine1) : syst`eme
de second ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

52

III.10 Reponse indicielle en boucle fermee sans correcteur (entree : chaine2 ; sortie :
chaine1) : syst`eme de second ordre . . . . . . . . . . . . . . . . . . . . . . .

53

III.11 Reponse indicielle en boucle fermee avec correcteur (entree : chaine2 ; sortie :
chaine1) : syst`eme de second ordre . . . . . . . . . . . . . . . . . . . . . . . . .

53

III.12 Donnees destimation (entree : chaine2 ; sortie : chaine1) : syst`eme de second ordre 54
III.13 Evolution des param`etres estimes : syst`eme de second ordre . . . . . . . . . . .

55

III.14 Donnees de validation (entree : chaine2 ; sortie : chaine1) : syst`eme de second ordre 55
III.15 Resultats de validation du mod`ele estime : syst`eme de second ordre . . . . . . .

56

III.16 Brochage du PIC 16F877A. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

58

III.17 Carte dalimentation stabilisee. . . . . . . . . . . . . . . . . . . . . . . . . . .

61

III.18 Conversion Numerique Analogique en utilisant le DAC0800. . . . . . . . . . . .

61

III.19 Adaptation des signaux entre le PC et le PIC. . . . . . . . . . . . . . . . . . .

62

III.20 Acheur LCD `a 2 lignes de 16 caract`eres . . . . . . . . . . . . . . . . . . . . .

63

III.21 Brochage du LCD avec PIC . . . . . . . . . . . . . . . . . . . . . . . . . . . .

63

III.22 Organigramme du programme implemente sur PIC. . . . . . . . . . . . . . . .

64

III.23 Cablage de la carte didentication avec un syst`eme de premier ordre. . . . . . .

65

III.24 Donnees destimation (entree : chaine1 ; sortie : chaine2) : syst`eme de premier ordre. 65
III.25 Achage sur LCD des param`etres estimes . . . . . . . . . . . . . . . . . . . .

66

69

Schema de montage de la carte didentication. . . . . . . . . . . . . . . . . . .

Liste des tableaux


II.1 Resultats de lestimateur des Moindres Carres Ordinaires dans le cas deterministe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

II.2 Resultats de lestimateur des Moindres Carres Recursifs dans le cas deterministe. 25
II.3 Resultats de lestimateur des Moindres Carres Ordinaires dans le cas stochastique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

II.4 Resultats de lestimateur des Moindres Carres Recursifs dans le cas stochastique. 28
II.5 Resultats de lestimateur des Variables Instrumentales `a Observations retardees dans le cas stochastique. . . . . . . . . . . . . . . . . . . . . . . . . . .

30

II.6 Simulation de Monte-Carlo par lestimateur MCO, MCR et VIOR. . . . . . .

31

II.7 Resultats de lestimateur derreur de sortie dans le cas deterministe. . . . . .

39

II.8 Resultats de lestimateur de lerreur de sortie dans le cas stochastique. . . . .

41

II.9 Simulation de Monte-Carlo par lestimateur de lerreur de sortie : syst`eme du


premier ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

III.1 Caracteristiques du PIC 16F877A . . . . . . . . . . . . . . . . . . . . . . . .

57

xi

Introduction g
en
erale
En general, lidentication dun syst`eme lineaire stable en boucle ouverte est facile moyennant les algorithmes didentication classiques qui existent dans la litterature [Landau, 1988]
[Abdennour et al., 2001]. Ces algorithmes permettent de donner une estimation consistante
dans la majorite des applications pratiques.
Cependant, lidentication en boucle ouverte nest pas toujours possible en pratique. En
eet, il existe des situations particuli`eres qui exigent lidentication des procedes en boucle
fermee. Ces situations peuvent etre liees aux caracteristiques du procede (avec integrations
ou instable) ou bien au regulateur qui existe dej`a dans la boucle.
Lidentication en boucle fermee se fait aussi dans le cadre de maintenance des regulateurs, dameliorations de la boucle de regulation, de synth`ese dun regulateur robuste, de
reduction du biais destimation, ...etc.
Ces derni`eres decennies ont vu la theorie de lidentication se developper autour des mod`eles lineaires `a temps discret et continu [Landau, 1993] [Ljung, 1999] [Hof et Schrama, 1995]
[Gustavsson et al., 1977]. Dans le contexte de notre travail, on va essentiellement sinteresser
`a lidentication des syst`emes en boucle fermee `a laide des mod`eles `a representation discr`ete.
Deux classes dierentes de methodes existent dans la litterature : lune basee sur lerreur
dequation et lautre basee sur lerreur de sortie.
En dehors des annexes, la progression du memoire est ponctuee par trois chapitres dont
le contenu est presente ici dune mani`ere introductive.
Le premier chapitre presente un apercu sur les techniques didentication en boucle ouverte, la problematique en boucle ouverte qui exige le passage `a lidentication en boucle
fermee ainsi que les dierentes approches possibles pour proceder `a lidentication des procedes en boucle fermee.

Introduction generale

Le deuxi`eme chapitre developpe deux classes de methodes didentication en boucle fermee par mod`ele `a representation discr`ete : la premi`ere classe est basee sur lerreur dequation
et la deuxi`eme classe est basee sur lerreur de sortie. La premi`ere classe incarne trois methodes didentication : moindres carres ordinaires, moindres carres recursifs et variables
instrumentales `a observations retardees. La deuxi`eme classe, basee sur lerreur de sortie,
utilise les techniques doptimisation non lineaires `a savoir lalgorithme de Marquardt. Des
exemples de simulations numeriques ont permis de mettre en evidence les dierentes algorithmes didentication en boucle fermee et de savoir leurs consistance ainsi que les limites
entre elles.
Le troisi`eme chapitre presente une application en temps reel dune methode didentication en boucle fermee. En fait, une carte didentication `a base de microcontroleur est realisee
en utilisant des circuits electroniques, son principe de fonctionnement est dassurer lestimation des param`etres du mod`ele discret qui decrit le procede `a identier. Lalgorithme des
moindres carres recursifs est choisi et implemente sur la carte didentication pour identier
deux syst`emes pratiques en temps reel.

Chapitre I
G
en
eralit
es sur lidentication des
syst`
emes lin
eaires
Sommaire
I.1

Introduction

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

I.2

Mod
elisation des syst`
emes . . . . . . . . . . . . . . . . . . . . . .

I.2.1

Denition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

I.2.2

Mod`eles de connaissance . . . . . . . . . . . . . . . . . . . . . . . .

I.2.3

Mod`eles dynamiques . . . . . . . . . . . . . . . . . . . . . . . . . .

I.2.3.1

Mod`eles non parametriques . . . . . . . . . . . . . . . . .

I.2.3.2

Mod`eles parametriques . . . . . . . . . . . . . . . . . . .

I.2.3.3

Procedure didentication . . . . . . . . . . . . . . . . . .

I.3

Techniques didentification en boucle ouverte

. . . . . . . . . .

I.4

Position du probl`
eme et solutions envisageables . . . . . . . . .

10

I.5

Principe et approches de lidentification en boucle ferm


ee . . .

11

I.6

I.5.1

Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11

I.5.2

Identication et Identiabilite en boucle fermee . . . . . . . . . . .

11

I.5.3

Choix du signal dexcitation . . . . . . . . . . . . . . . . . . . . . .

12

I.5.4

Approche directe . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

I.5.5

Approche indirecte . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

I.5.6

Approche simultanee . . . . . . . . . . . . . . . . . . . . . . . . . .

14

Conclusion

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14

Chapitre I. Generalites sur lidentication des syst`emes lineaires

I.1

Introduction

LAutomatique est une science qui a comme objectif dapporter des solutions generiques
pour des grandes categories des syst`emes (lineaires, non lineaires, mono-variables, multivariables, continus, discrets, ...etc.) et des grandes categories des probl`emes de commande,
de stabilisation, dasservissement, de regulation, doptimisation, de prediction, et de surveillance. Ainsi cette discipline scientique permet de bien matriser le comportement dun
syst`eme.
La condition necessaire pour matriser le comportement dun syst`eme physique est lobtention dun mod`ele mathematique du syst`eme reel. Mais lorsque le mod`ele du syst`eme nest
pas connu, il est necessaire de proceder `a son identication. Neanmoins, la modelisation et
lidentication sont deux concepts fondamentaux en automatique qui precedent toutes les
operations de simulation, dobservation et detablissement dune loi de commande ou de surveillance dun syst`eme.
Ce chapitre comporte principalement quatre sections : la premi`ere section presente la
denition du concept ou technique didentication, les dierentes classes des mod`eles `a identier ainsi que la procedure didentication des syst`emes physiques reels. Un apercu sur les
dierentes methodes didentication en boucle ouverte est introduit dans la deuxi`eme section. La troisi`eme section presente une formulation du probl`eme didentication en boucle
ouverte et introduit des solutions envisageables en boucle fermee. Enn, le principe de lidentication en boucle fermee ainsi que les dierentes approches utilisees dans la litterature sont
introduits.

I.2
I.2.1

Mod
elisation des syst`
emes
D
enition

Lidentication est loperation de determination des caracteristiques dynamiques dun


procede (syst`eme) dont la connaissance est necessaire pour la conception et la mise en oeuvre
dun syst`eme performant de regulation [Landau, 1993].
La notion de mod`ele mathematique dun syst`eme ou dun phenom`ene, cest-`a-dire dun
ensemble dequations liant ses entrees et ses sorties, est un concept fondamental.

Chapitre I. Generalites sur lidentication des syst`emes lineaires

I.2.2

Mod`
eles de connaissance

Cette classe de mod`ele consiste generalement `a utiliser les principes phenomenologiques


(lois de la physique) gouvernant le syst`eme. Les equations de fonctionnement dun tel syst`eme
donnent generalement une description able de son comportement.
Linconvenient de cette classe de mod`ele est que ce nest pas toujours possible et facile
decrire les lois qui caracterisent un mod`ele de connaissance dun syst`eme. Cest le cas des
syst`emes physiques ayant une grande complexite, ce qui sugg`ere le plus souvent lutilisation
des mod`eles dynamiques.

I.2.3

Mod`
eles dynamiques

Un mod`ele dynamique, cest-`a-dire un mod`ele representant une evolution temporelle, peut


appartenir soit au domaine du temps continu (syst`eme `a temps continu) si les equations
qui decrivent le comportement du syst`eme sont des equations dierentielles, soit au domaine
du temps discret (syst`eme `a temps discret) si ce sont des equations aux dierences.
En pratique, lobjectif general de lidentication est la determination de mod`eles de
conduite an de simuler, danalyser ou de commander un syst`eme. Pour cela, certains auteurs
consid`erent que la determination des mod`eles de connaissance est une tache qui interesse plus
les physiciens (ou les biologistes,...etc.) que les automaticiens [Borne et al., 1993] . Ainsi, nous
sommes amenes `a mettre en oeuvre une methodologie didentication directe de ces mod`eles
dynamiques (de commande) qui sont sous deux types :
les mod`eles non parametriques (reponse frequentielle, reponse `a un echelon, etc.).
les mod`eles parametriques (fonction de transfert, equation dierentielle ou aux dierences, ... etc.).
I.2.3.1

Mod`
eles non param
etriques

Ces mod`eles sont des fonctionnelles dune variable frequentielle ou temporelle (gain et
phase de la fonction de transfert, reponse impulsionnelle), sous forme experimentale, sans
en chercher directement les param`etres ou la fonction de transfert. Ce type de mod`ele permettant de caracteriser `a partir des courbes un syst`eme dynamique lineaire, pouvant aider
`a choisir la structure du mod`ele.
I.2.3.2

Mod`
eles param
etriques

Les mod`eles parametriques sont decrits generalement par un ensemble de coecients


relatifs `a une structure de mod`ele donnee qui caracterise un syst`eme (equation dierentielle,
representation detat, fonction de transfert, representation avec gain, zeros et poles).
5

Chapitre I. Generalites sur lidentication des syst`emes lineaires


Ces mod`eles peuvent etre classees en deux types : mod`eles deterministes et mod`eles
stochastiques. En ce qui concerne les mod`eles deterministes le signal de sortie est exprime
en fonction du signal de commande. Ces mod`eles sont souvent irrealistes. Car la plupart des
syst`emes physiques reels subissent des perturbations exterieurs qui peuvent etre mesurables,
non mesurables, modelisable, non modelisable, ...etc. Dans ce cas les mod`eles qui sont dits
mod`eles stochastiques et il est necessaire de decrire linuence de des bruits sur la sortie
du syst`eme.
Mod`
ele OE :
Lequation qui decrit le mod`ele OE ( Output Error) est la suivante :
A(q 1 )y(k) = q d B(q 1 )u(k) + A(q 1 )e(k)

(I.1)

o`
u e(k) est une sequence aleatoire de moyenne nulle et de variance nie. u(k) et y(k)
sont respectivement la commande et la sortie du syst`eme.
La gure (I.1) represente ce type de mod`ele.
e( k )

u (k )

B ( q 1 )
A( q 1 )

y (k )

Figure I.1 Mod`ele OE.


Mod`
ele ARX :
Cest un mod`ele auto regressif (Auto Regressive model with eXternal inputs) dont la
forme generale du mod`ele est donnee par :
A(q 1 )y(k) = q d B(q 1 )u(k) + e(k)

(I.2)

o`
u e(k) est une sequence aleatoire de moyenne nulle et de variance nie.
Le mod`ele est illustre par la gure (I.2) :

Chapitre I. Generalites sur lidentication des syst`emes lineaires


e( k )

1
A( q 1 )

u (k )

qd

y (k )

B (q 1 )
A(q 1 )

Figure I.2 Mod`ele ARX.


Mod`
ele ARMAX :
Le mod`ele ARMAX (Auto Regressive Moving Average with eXternal inputs) reprend
les attributs du mod`ele ARX mais inclut une fonction de transfert avec une moyenne
ajustable sur le bruit blanc comme le montre la gure (I.3).
Lequation qui gouverne les mod`ele de type ARMAX est la suivante :
A(q 1 )y(k) = q d B(q 1 )u(k) + C(q 1 )e(k)

(I.3)

e( k )

C (q 1 )
A(q 1 )

u (k )

B (q 1 )
A(q 1 )

y (k )

Figure I.3 Mod`ele ARMAX.


Mod`
ele ARIMAX :
Le mod`ele ARIMAX (Auto Regressive Integrated Moving Average with eXternal inputs) represente par la gure (I.4) est decrit par lequation suivante :
A(q 1 )y(k) = q d B(q 1 )u(k) +

C(q 1 )
e(k)
D(q 1 )

(I.4)

Chapitre I. Generalites sur lidentication des syst`emes lineaires


e( k )

C (q 1 )
A(q 1 ) D ( q 1 )

u (k )

qd

y (k )

B (q 1 )
A(q 1 )

Figure I.4 Mod`ele ARIMAX.


I.2.3.3

Proc
edure didentication

Experimentalement, la procedure didentication comporte quatre etapes :


1. acquisition des entrees/sorties sous un protocole experimental,
2. choix dune structure de mod`ele,
3. estimation des param`etres du mod`ele en utilisant des algorithmes destimation parametriques,
4. validation du mod`ele identie,
Lorganigramme presente sur la gure (I.5) decrit dune mani`ere plus detaillee la procedure
didentication :
Acquisition des entres /sorties sous un protocole exprimental

Choix de la structure de modle

Estimation des paramtres du modle

Validation du modle identifie

Non

Oui

Fin
n

Figure I.5 Lorganigramme de la procedure didentication.

Chapitre I. Generalites sur lidentication des syst`emes lineaires

I.3

Techniques didentication en boucle ouverte

Dans la litterature plusieurs travaux se sont penches sur lidentication des syst`emes en
boucle ouverte `a temps continu et discret. Dans ce projet nous nous sommes limites aux
methodes didentication `a temps discret.
Il existe un nombre important douvrages dans la litterature qui synthetisent la majorite
des travaux eectues sur lidentication dans le domaine discret [Eykho, 1974] [Goodwin et Payne,
1977] [Ljung, 1999] [Ljung, 1999] [Richalet et al., 1991] [Landau, 1993] [Borne et al., 1992]
[Abdennour et al., 2001].
Les methodes didentication en boucle ouverte peuvent etre classees en deux categories :
lune basee sur lerreur dequation et lautre basee sur lerreur de sortie.
En ce qui concerne les methodes didentication basees sur lerreur dequation, il sagit
destimer les coecients de lequation dierentielle suivante :
nA
nB

y(k) =
an y(k n) +
bm u(k m + d)
n=1

(I.5)

m=0

moyennant des algorithmes doptimisation lineaires, `a savoir les moindres carres. La sortie
du mod`ele `a identier est exprimee lineairement vis-`a-vis des param`etres. Ces algorithmes
peuvent etre de type recursifs (moindres carres recursifs, moindres carres etendus, moindres
carres generalises, variables instrumentales, ...etc.) ou non recursifs (moindres carres ordinaires).
Le schema de principe de lerreur dequation est represente par la gure (I.6) :
e( k )

u (k )

TL

y (k )

B (q 1 )
A(q 1 )

B (q 1 )

A (q 1 )

TL

ee

Figure I.6 Schema de principe de lerreur dequation en boucle ouverte .

avec TL : transformation lineaire.


Le principe general des methodes de moindres carres consiste `a chercher un vecteur des
.
param`etres qui minimise une fonction quadratique de lerreur de prediction J()
9

Chapitre I. Generalites sur lidentication des syst`emes lineaires


Les methodes didentication basees sur lerreur de sortie ont fait lobjectif de plusieurs
travaux [Ljung, 1987] [Soderstrom et Stoica, 1989] [Landau, 1993] [Borne et al., 1993]. Les
algorithmes utilises par ces methodes sont souvent des algorithmes doptimisation non lineaires vu que la sortie du mod`ele `a identier est exprimee non lineairement vis-`a-vis des
param`etres. Ces algorithmes sont generalement de type gradient, `a savoir lalgorithme de
Gauss-Newton, Newton-Raphson, Levenberg-Marquardt [Marquardt, 1963]. La gure (I.7)
represente le principe de lerreur de sortie.
e( k )

B (q 1 )
A(q 1 )

y (k )

u (k )

es

B (q 1 )
(q 1 )
A

y (k )

Figure I.7 Schema de principe de lerreur de sortie en boucle ouverte .

I.4

Position du probl`
eme et solutions envisageables

De nombreuses methodes didentication `a temps continu et discret ont ete developpees


dans le cadre de lidentication des syst`emes en boucle ouverte. Mais cette derni`ere nest
pas toujours aisement realisable en pratique. En eet, plusieurs syst`emes physiques sont
contrains de fonctionner en boucle fermee selon des situations particuli`eres. Ces situations
peuvent etre classees en trois classes dierentes :
la premi`ere classe de situations est liee aux caracteristiques du procede : pour les
procedes instables (possedant des integrations).
la deuxi`eme classe de situations concerne les syst`emes dans lesquels le regulateur existe
dej`a, et o`
u il nest pas possible douvrir la boucle pour faire lidentication du procede.
la troisi`eme classe est constituee pour dautres aspects pratiques tels que : la maintenance dun controleur, lobtention des meilleurs mod`eles pour la commande des syst`emes, validation de la loi de commande dun syst`eme, synth`ese dun regulateur robuste, lobtention dun biais plus faible, reduction de lordre de mod`ele, identication
en temps reel.
10

Chapitre I. Generalites sur lidentication des syst`emes lineaires


Face aux situations decrites ci-dessus, la solution envisageable est daboutir `a lidentication
en boucle fermee pour surmonter aux probl`emes didentication en boucle ouverte.

I.5

Principe et approches de lidentication en boucle


ferm
ee

I.5.1

Principe

La gure (I.8) montre le principe dune commande numerique dans le cas general.
e( k )

y (k )

u (k )

yc (k )
1

C (q )

G (q 1 )

Figure I.8 Commande numerique dun syst`eme .

Les donnees dentree/sortie sont decrites par les relations suivantes :


y(k) = G(q 1 )u(k) + e(k)

(I.6)

u(k) = C(q 1 ) [yc (k) y(k)]

(I.7)

O`
u G(q 1 ) represente le mod`ele de procede `a identier, C(q 1 ) le regulateur et u(k), y(k) et
yc (k) sont respectivement le signal de commande, le signal de sortie et le signal dexcitation.
Pour identier le procede en boucle fermee il faut etudier dabord lidentiabilite du syst`eme.

I.5.2

Identication et Identiabilit
e en boucle ferm
ee

En identiant un syst`eme lineaire fonctionnant en boucle fermee, `a une entree donnee,


des conditions speciques doivent etre satisfaites dans lordre pour pouvoir arriver `a une evaluation coherente de la boucle ouverte du syst`eme. Cest pour cette raison quil est necessaire
de bien comprendre et analyser le syst`eme avant quil soit manipule et commande.
En outre, lidentication dun syst`eme necessite la connaissance de la structure du mod`ele
et lestimation des param`etres de la structure choisie. La resolution de ce probl`eme conduit
generalement `a la notion didentiabilite qui consiste `a verier les trois proprietes suivantes :

11

Chapitre I. Generalites sur lidentication des syst`emes lineaires


S
eparabilit
e des param`
etres :
Les veritables param`etres physiques caracteristiques du processus peuvent napparatre
que sous une forme non lineaire complexe dans les param`etres du mod`ele choisi.
Unicit
e des param`
etres :
Dans certains cas, compte tenu de la precision des mesures, il nest pas possible de
privilegier un jeu de param`etres plutot qun autre dans un ensemble donne. De plus,
la structure meme du mod`ele adopte peut faire que la solution nest pas unique.
Sensibilit
e des param`
etres :
Un param`etre nest identiable que si sa variation inue sur la sortie du syst`eme pour le
type dentree choisie. Dun point de vue pratique si y represente la sortie du processus
pour une entree donnee et pour une valeur dun param`etre, lidentiabilite requiert
que la derivee partielle premi`ere de y par rapport `a ne soit pas nulle :
y
= 0

Dans les prochains chapitres, la structure du mod`ele est supposee connue `a priori et les
param`etres du mod`ele sont supposes identiables.

I.5.3

Choix du signal dexcitation

Le signal dentree utilise dans une experience didentication peut avoir une inuence
signicative sur les param`etres estimes donc il faut selectionner un signal qui assure des tr`es
bon resultats. En eet une bonne identication necessite lutilisation dun signal dexcitation du procede riche en frequences de faible amplitude. En general, on utilise une S.B.P.A.
(Sequence Binaire Pseudo -aleatoire) qui est des successions dimpulsions rectangulaires modulees en largeur qui approximent un bruit blanc discret et donc qui ont un contenu riche en
frequences [Landau 1993]. Pour pouvoir bien identier le gain statique du proc`ede, il faut au
moins une des impulsions de la S.B.P.A. soit plus grande que le temps de montee du syst`eme
`a identier. Dautre part pour balayer tout le spectre de frequences il faut que la longueur
dun essai soit au moins egal `a la longueur de la sequence.

I.5.4

Approche directe

Lidentication en boucle fermee par approche directe consiste `a identier le mod`ele du


procede en utilisant comme donnees le couple (u(k), y(k)). La sortie du syst`eme y(k) mesuree
est generalement entachee dun bruit additif e(k) [Ben Ameur Bazine, 2006]. Le schema de
principe de lapproche directe est represente par la (gure (I.9)).

12

Chapitre I. Generalites sur lidentication des syst`emes lineaires


e( k )

v(k )
y (k )

u (k )

yc (k )
C (q 1 )

G (q )

_
(k )

G (q 1 )

y(k )

Algorithme
dadaptation

Figure I.9 Schema de principe de lapproche directe en boucle fermee .

Cette approche se caracterise par sa facilite de mise en oeuvre pratique et elle est couramment utilisee malgre quelle necessite la mesure des signaux `a linterieur de la boucle de
regulation.

I.5.5

Approche indirecte

Lidentication en boucle fermee par approche indirecte ne necessite pas la mesure des
signaux `a linterieur de la boucle de regulation. Elle utilise le couple (yc (k), y(k)) pour identier le mod`ele du procede comme le presente la gure (I.10). Lidee principale de lapproche
indirecte est decrite en deux etapes :
la premi`ere etape consiste `a estimer la fonction de transfert en boucle fermee (regula BF ) entre yc (k) et y(k) ;
teur+procede : H
la deuxi`eme etape consiste `a determiner la fonction de transfert de la boucle ouverte
(procede) `a partir de la fonction de transfert estimee en boucle fermee ainsi que la
connaissance du regulateur.

13

Chapitre I. Generalites sur lidentication des syst`emes lineaires


H BF (q 1 )
e(k )v(k )

u (k )

yc (k )
C (q 1 )

y (k )

G (q 1 )

_
(k )

H BF (q 1 )

y(k )

Algorithme
dadaptation

Figure I.10 Schema de principe de lapproche indirecte en boucle fermee.

Linconvenient majeur de cette approche est quelle necessite la connaissance du regulateur pour pouvoir determiner le mod`ele du procede. Cette connaissance nest pas toujours
oerte et surtout sur le plan industriel, ce qui necessite lutilisation de lapproche simultanee
pour remedier `a ce probl`eme.

I.5.6

Approche simultan
ee

Lapproche simultanee suppose que ni la mesure du signal dentree yc (k) ni le regulateur


C(q 1 ) sont connus [Gustavsson et al., 1977]. Le principe general consiste `a estimer `a la fois
le mod`ele du procede et le mod`ele du regulateur en utilisant des algorithmes dadaptation
parametriques.

I.6

Conclusion

Ce chapitre a traite quelques generalites sur lidentication des syst`emes lineaires `a temps
discret. La premi`ere partie presente la modelisation des syst`emes lineaires. La deuxi`eme partie entame un etat de lart des methodes didentication en boucle ouverte. La problematique
de lidentication en boucle ouverte ainsi que les solutions envisageables sont etudiees dans
la troisi`eme partie. Enn un apercu sur le principe de lidentication en boucle fermee et
les dierentes approches didentication qui existent dans la litterature nissent ce chapitre.
Dans le chapitre suivant nous entamons letude des algorithmes didentication en boucle
fermee par modeles `a representation discr`ete en utilisant lapproche directe.

14

Chapitre II
Identication des syst`
emes en boucle
ferm
ee
Sommaire
II.1 Introduction

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

II.2 M
ethodes didentification bas
ees sur lerreur d
equation . . . .

16

II.2.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

II.2.2 Methode des Moindres Carres Ordinaires (MCO) . . . . . . . . . .

17

II.2.3 Methode des Moindres Carres Recursifs (MCR) . . . . . . . . . . .

18

II.2.4 Methode des Variables Instrumentales `a Observations Retardees


(VIOR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

II.2.5 Validation des estimes . . . . . . . . . . . . . . . . . . . . . . . . .

20

II.2.5.1

Blanchissement de lerreur de prediction . . . . . . . . . .

20

II.2.5.2

Simulation de Monte-Carlo . . . . . . . . . . . . . . . . .

21

II.2.5.3

Validation temporelle . . . . . . . . . . . . . . . . . . . .

21

II.2.6 Exemple numerique . . . . . . . . . . . . . . . . . . . . . . . . . .

21

II.2.6.1

Mise en equation et commande . . . . . . . . . . . . . . .

21

II.2.6.2

Identication en boucle fermee dans le cas deterministe .

24

II.2.6.3

Identication en boucle fermee dans le cas stochastique .

27

II.3 M
ethodes didentification bas
ees sur lerreur de sortie . . . . .

33

II.3.1 Principe et procedure didentication . . . . . . . . . . . . . . . . .

33

II.3.2 Exemple numerique . . . . . . . . . . . . . . . . . . . . . . . . . .

38

II.3.2.1

Identication en boucle fermee dans le cas deterministe .

39

II.3.2.2

Identication en boucle fermee dans le cas stochastique .

41

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

II.4 Conclusion

15

Chapitre II. Identication des syst`emes en boucle fermee

II.1

Introduction

Lidentication en boucle fermee a souvent ete suggeree comme un outil didentication


du syst`eme instable, ainsi dans le cas des syst`emes o`
u un regulateur existe dej`a, alors une
identication en boucle fermee est une solution inevitable. Lobjectif de ce chapitre est de
presenter deux classes de methodes didentication en boucle fermee : lune basee sur lerreur
dequation et lautre basee sur lerreur de sortie.
Ce chapitre comporte principalement deux parties. La premi`ere partie presente les methodes didentication basees sur lerreur dequation dans laquelle trois estimateurs sont
detailles (moindres carres ordinaires (MCO), moindres carres recursifs (MCR) et variables
instrumentales `a observations retardees (VIOR)). Un exemple de simulation numerique nira la premi`ere partie pour tester la consistance des methodes developpees. La deuxi`eme
partie concerne les methodes didentications basees sur lerreur de sortie. Un estimateur
base sur lalgorithme de Levenberg-Marquardt est choisi et implemente pour lidentication
dun syst`eme de premier ordre.

II.2

M
ethodes didentication bas
ees sur lerreur d
equation

II.2.1

Principe

Cette section presente une classe de methodes didentication en boucle fermee basee sur
lerreur dequation.
Lobjectif de cette classe de methodes est de minimiser lecart entre la sortie reelle y(k)
et la sortie du predicteur y(k). Le predicteur calcule sa sortie en exploitant les donnees du
signal dentree u(k) et de la sortie y(k) dans linstant present et les instants passes, mesurees
sur le syst`eme reel an de creer un mod`ele. Puis, la sortie mesuree et la sortie predite
sont comparees an de minimiser lerreur dequation en utilisant un algorithme dadaptation
lineaire (A.A.L) comme le montre la gure (II.1).

16

Chapitre II. Identication des syst`emes en boucle fermee


e

yc

qd

B
A

ee

Modle

A.A.L

Figure II.1 Principe des methodes didentication en boucle fermee basees sur lerreur dequation.
avec A.A.L : Algorithme dAdaptation Lineaire.
Cette classe de methode se caracterise par sa simplicite de mise en oeuvre et ore la
possibilite dajuster les param`etres du mod`ele ainsi que les param`etres du regulateur en
temps reel. Dans la suite du chapitre, seules les methodes didentication par approche
directe seront presentees.

II.2.2

M
ethode des Moindres Carr
es Ordinaires (MCO)

Un syst`eme lineaire monovariable qui op`ere dans un milieu deterministe peut etre modelise par lequation dierentielle `a temps discret suivante :
y(k) =

nA

n=1

an y(k n) +

nB

bm u(k d m)

(II.1)

m=0

o`
u nA > nB , d est le retard sur la commande, y est la sortie et u est la commande du syst`eme.
Lequation (II.1) peut etre reecrite sous la forme dune regression lineaire pour N points
de mesure :
Y = T

(II.2)

T = [a1 , . . . , anA , b0 , . . . , bnB ]

(II.3)

= [(1), . . . , (N )]T

(II.4)

Y= [y(1), . . . , y(N )]T

(II.5)

T (k) = [y(k 1), . . . , y(k nA ), u(k d 1), . . . , u(k d nB )]

(II.6)

avec

et

17

Chapitre II. Identication des syst`emes en boucle fermee


Le probl`eme destimation se formalise par la recherche dun vecteur de param`etres optimal
base sur lerreur de prediction.
opt , qui minimise le crit`ere quadratique J(),
Soit :

opt = arg min(J())

(II.7)

= T (k)(k)
J()

(II.8)

(k) = y(k) T (k 1)(k)

(II.9)

avec

La solution au sens des moindres carres est donnee par :


(
)
= T (k)(k) 1 T (k)Y (k)
(k)

(II.10)

En general, lecacite des methodes non recursives est liee principalement `a la disponibilite dun nombre de mesures susant. Pour tenir compte des nouvelles mesures, ces methodes
necessitent la realisation de plusieurs calculs qui peuvent poser des probl`emes numeriques
lors de la construction de la matrice de regression.
De plus, lorsque les param`etres varient au cours du temps, il est preferable de faire lajustement en ligne cest-`a-dire au meme temps que lacquisition des donnees relatives `a lentree
et la sortie du syst`eme. Cependant, des methodes recursives [Ljung, 1987, Landau, 1993]
peuvent etre une solution pour remedier `a ce probl`eme.

II.2.3

M
ethode des Moindres Carr
es R
ecursifs (MCR)

Lalgorithme des moindres carres recursifs consiste `a estimer les param`etres dun mod`ele
`a partir des donnees relatives `a lentree et la sortie du syst`eme `a identier. Generalement la
representation dentree/sortie adaptee est celle donnee par la relation (II.1) ou encore sous
la forme dune regression lineaire `a linstant k :
y(k) = T (k)(k)

(II.11)

Lobjectif est de minimiser lerreur de prediction, cest-`a-dire lecart entre la sortie mesuree
et la sortie estimee, `a chaque pas dechantillonnage suivant le crit`ere qui suit :
1
J(k) =
(y(i) y(i))2
k i=1
k

(II.12)

18

Chapitre II. Identication des syst`emes en boucle fermee


La solution de ce probl`eme au sens des moindres carres est decrite par le syst`eme dequations
suivant [Abdennour et al., 2001] :

= (k
1) + F (k)(k)(k)

(k)

]
[

F (k 1)(k)T (k)F (k 1)
F (k) = F (k 1)

1 + T (k)F (k 1)(k)

1)(k)
(k) = y(k) (k

(II.13)

o`
u F (k) designe la matrice de gain dadaptation, (k) est lerreur de prediction et (k) est
le vecteur de regression.
Lalgorithme des moindres carres recursifs necessite linitialisation de la matrice de gain

dadaptation F (k) et le vecteur de param`etres (k)


comme suit :
F (0) =

1
= (0)
I, 0 < 1 et (0)

(II.14)

o`
u (0) et I designent, respectivement, le vecteur nul et la matrice identite.

II.2.4

M
ethode des Variables Instrumentales `
a Observations Retard
ees (VIOR)

Lestimateur des variables instrumentales est une variante classique de la methode des
moindres carres [Ljung, 1999] reposant sur des techniques de regression lineaire.
Le principe de la methode VIOR est dintroduire un vecteur dont les composantes
sont appelees instruments ou variables instrumentales. Les instruments de doivent etre
susamment correles avec le vecteur de regression mais non correles avec le bruit additif
sur la sortie e(k) tel que :

E [(k) (k)] est non singuli`ere


E [ (k)e(k)] = 0

(II.15)

o`
u E [.] represente lesperance mathematique et le vecteur de regression des variables instrumentales est deni par :
T (k) = [y(k x 1) y(k x nA ), u(k d 1) . . . u(k d nB )]

(II.16)

o`
u x > 0 represente la largeur de la fenetre dobservation.
La formulation recursive de lestimateur VIOR est donnee par le syst`eme dequations

19

Chapitre II. Identication des syst`emes en boucle fermee


suivant :

= (k
1) + G(k)(k)

(k)

F (k 1) (k)

G(k) =
T (k)F (k 1) (k) + 1

1)(k)

(k) = y(k) (k

F (k) = F (k 1) G(k)T (k)F (k 1)

(II.17)

Pour que les observations retardees de la sortie soient representatives il faut que la frequence
dechantillonnage soit elevee.

II.2.5

Validation des estim


es

Comme dans le cas de lidentication en boucle ouverte, letape de validation est necessaire pour verier si le mod`ele estime est bon et choisir ainsi le meilleur mod`ele par les
dierentes methodes didentication utilisees.
Trois tests de validation peuvent etre exploites pour valider le mod`ele estime en boucle
fermee :
test de blanchissement de lerreur de prediction ;
simulation de Monte-Carlo ;
validation temporelle.
II.2.5.1

Blanchissement de lerreur de pr
ediction

Pour les methodes didentication basees sur le blanchissement de lerreur de prediction


il est necessaire de verier quelle tend asymptotiquement vers un bruit blanc [Young, 1981].
Lerreur de prediction est dite blanche si :
lim {(k)(k 1)} = 0

(II.18)

o`
u (k) et lerreur de prediction.
les fonctions dautocorrelations R (i) et dautocorrelations normalisees RN (i) sont denies par :

N
1 2
R(0)
R(0) =
=1
(k), RN (0) =
N k=1
R(0)

(II.19)

N
1
R(i)
,i > 1
R(i) =
(k)(k i), RN (i) =
N k=1
R(0)

(II.20)

o`
u N designe le nombre dechantillons.
20

Chapitre II. Identication des syst`emes en boucle fermee


Lerreur de prediction (k) est dite bruit blanc parfait si :
RN (0) = 1, RN (i) = 0

(II.21)

En pratique, il sagit de verier les valeurs suivantes :


RN (0) = 1, RN (i) 6
II.2.5.2

2.17
N

(II.22)

Simulation de Monte-Carlo

La simulation de Monte-Carlo est une technique danalyse du biais destimation qui


consiste `a faire nmc realisations de bruit blanc dont le rapport signal sur bruit (RSB) ou en
Anglais Signal to Noise Ratio (SNR) est xe et deni par :
(
)
var(y(k))
SN R = 10 log
var(e(k))

(II.23)

o`
u var(.) designe la variance du signal.
Il sagit dappliquer la methode didentication autant de fois que le nombre de realisations (nmc fois), puis calculer les moyennes des estimes et enn les comparer aux vrais
param`etres. Sil ny a pas un biais destimation sur les moyennes, le mod`ele estime est dit
valide.
II.2.5.3

Validation temporelle

Ce test de validation consiste `a comparer les reponses temporelles du syst`eme reel et du


predicteur de la boucle fermee.

II.2.6

Exemple num
erique

II.2.6.1

Mise en
equation et commande

An dillustrer la consistance des methodes didentication decrites precedemment, on


consid`ere un syst`eme instable en boucle ouverte (syst`eme de premier ordre avec une integration) decrit par la fonction de transfert suivante :
HBO (p) =

k
p(1 + p)

(II.24)

avec k = 1 et = 10.
La gure (II.2) represente la reponse indicielle du syst`eme en boucle ouverte.

21

Chapitre II. Identication des syst`emes en boucle fermee


Rponse indicielle
90
80
70

Amplitude

60
50
40
30
20
10
0

20

40

60

80

100

Temps(s)

Figure II.2 Reponse indicielle du syst`eme de second ordre en boucle ouverte.


La gure (II.3) montre lallure de la reponse indicielle en boucle fermee qui presente des
oscillations et des depassements importants (un premier depassement de 60% et un deuxi`eme
depassement de 20%), alors que les oscillations sont non conseillees en boucle fermee do`
u
la necessite de limplementation dun regulateur convenable pour les eliminer et avoir une
boucle fermee stable.
Rponse indicielle
1.8
1.6
1.4

Amplitude

1.2
1
0.8
0.6
0.4
0.2
0

20

40

60

80

100

Temps(s)

Figure II.3 Reponse indicielle du syst`eme de second ordre en boucle fermee sans correction.
La discretisation du mod`ele en boucle ouverte avec un pas dechantillonnage Ts = 1s
donne :
HBO (q 1 ) =
avec :

b1 q 1 + b2 q 2
1 + a1 q 1 + a2 q 2

(II.25)

a1 = 1.905

a2 = 0.9048

b1 = 0.04837

b2 = 0.04679
22

Chapitre II. Identication des syst`emes en boucle fermee


On desire corriger le syst`eme avec un regulateur RST, permettant de reguler la dynamique
en boucle fermee dont le schema de la commande numerique est represente dans la gure
(II.4) :

e(t)

(k)

y c (k)
1

T (q )

1
S (q 1 )

u (k)

k
p (1 + p )

DAC

y (t)

y (k)
R(q 1 )

ADC

Figure II.4 Commande RST du syst`eme de second ordre.


La fonction de transfert de la boucle fermee desiree `a temps discret est donnee par :
q 1 q 1 + q 2 q 2
HBF (q ) =
1 + p1 q 1 + p2 q 2

p1 = 1.5815
p2 = 0.6543
1

avec :

(II.26)

La reponse indicielle en boucle fermee du syst`eme corrige ainsi que le signal de commande
applique sont respectivement representes par les gures (II.5) et (II.6).
1.4

1.2

Sortie

0.8

0.6

0.4

0.2

20

40

60

80

100

Temps (s)

Figure II.5 Reponse indicielle du syst`eme de second ordre en boucle fermee avec correction.
23

Chapitre II. Identication des syst`emes en boucle fermee


0.8
0.7
0.6

Commande

0.5
0.4
0.3
0.2
0.1
0
0.1
0.2

20

40

60

80

100

Temps (s)

Figure II.6 Commande du syst`eme de second ordre en boucle fermee avec correction.
II.2.6.2

Identication en boucle ferm


ee dans le cas d
eterministe

Dans le cas deterministe, le bruit blanc gaussien est nul (e(k) = 0), le mod`ele didentication est donne par :
y(k) + a1 y(k 1) + a2 y(k 2) = b1 u(k 1) + b2 u(k 2)

(II.27)

Le signal dexcitation etant de type SBPA (Sequence Binaire Pseudo Aleatoire) avec un pas
dechantillonnage Ts = 1s. Dans la suite, les methodes developpees ci-dessus sont appliquees
pour identier le mod`ele du procede en boucle fermee en tentant compte la loi de commande.
1. Identification par lestimateur des Moindres Carr
es Ordinaires :
Lapplication de lalgorithme didentication des Moindres Carres Ordinaires decrit par
la relation (II.10) donne les resultats enregistres dans le tableau (III.1) :
Tableau II.1 Resultats de lestimateur des Moindres Carres Ordinaires dans le cas deterministe.
MCO

a1

a2

b1

b2

Les vrais param`etres

-1.9048

0.9048

0.0484

0.0468

Les param`etres estimes

-1.9048

0.9048

0.0484

0.0468

La convergence des param`etres estimes vers ceux reels montrent bien la qualite de
lidentication par lestimateur de MCO. Le test de blancheur valide lhypoth`ese selon
laquelle lerreur de prediction tends vers un bruit blanc ((k) 1016 ), comme le
montre les gures (II.7) et (II.8).

24

Chapitre II. Identication des syst`emes en boucle fermee


x 10

16

Erreur de prdiction

4
2
0
2
4
6
8

200

400

600

800

1000

Figure II.7 Erreur de prediction dans le cas deterministe (MCO) : syst`eme de second ordre.

Test de blancheur
1.2

Amplitude

0.8

0.6

0.4

0.2

0.2
200

150

100

50

0
RN(i)

50

100

150

200

Figure II.8 Validation par test de blancheur dans le cas deterministe (MCO) : syst`eme de second
ordre.

2. Identification par lestimateur des Moindres Carr


es R
ecursifs :
Lapplication de lestimateur des moindres carres recursifs decrit par le syst`eme dequations (II.13) permet de donner les resultats enregistres sur le tableau (II.2) :
Tableau II.2 Resultats de lestimateur des Moindres Carres Recursifs dans le cas deterministe.
MCR

a1

a2

b1

b2

Les vrais param`etres

-1.9048

0.9048

0.0484

0.0468

Les param`etres estimes

-1.9048

0.9048

0.0484

0.0468

Les resultats enregistres sur les gures (II.9), (II.10) et (II.11) permettent de valider
lestimation par lestimateur de MCR grace `a la minimisation de lerreur de prediction,
25

Chapitre II. Identication des syst`emes en boucle fermee


la convergence des param`etres estimes vers ceux reels ainsi que la validation de test
blancheur.

0.9048

0.5

a2

a1

0.5
1

0
1.5

1.905
2

0.5
0

200

400

600

800

1000

200

400

600

800

1000

600

800

1000

0,04837
0,1

0,03

b1

0,04

0,02
0,01
0

0
0

200

400

600

800

1000

200

400

Figure II.9 Evolution des param`etres estimes dans le cas deterministe (MCR) : syst`eme de second
ordre.

0.15

0.1

Erreur de prdiction

0.05

0.05

0.1

0.15

0.2

200

400

600

800

1000

Figure II.10 Erreur de prediction dans le cas deterministe (MCR) : syst`eme de second ordre.

26

Chapitre II. Identication des syst`emes en boucle fermee


Test de blancheur
1

0.8

Amplitude

0.6

0.4

0.2

0.2

0.4
200

150

100

50

0
RN(i)

50

100

150

200

Figure II.11 Validation par test de blancheur dans le cas deterministe (MCR) : syst`eme de second
ordre.

II.2.6.3

Identication en boucle ferm


ee dans le cas stochastique

Dans un contexte non bruite, les deux methodes conduisent aux vrais param`etres. Mais
dans un contexte realiste, la sortie est generalement entachee dun bruit additif (bruit de
mesure). Cest pour cette raison, il est interessant detudier linuence du bruit sur la qualite
de lestimation.
La sortie est supposee maintenant entachee dun bruit additif gaussien de moyenne nulle
et de variance nie dont le rapport signal sur bruit est xe `a 30dB.
1. Identification par lestimateur des Moindres Carr
es Ordinaires :
Lapplication de lestimateur de MCO decrit par la relation (II.10) donne les resultats
enregistres dans le tableau (II.3) :
Tableau II.3 Resultats de lestimateur des Moindres Carres Ordinaires dans le cas stochastique.
MCO

a1

a2

b1

b2

Les vrais param`etres

-1.9048

0.9048

0.0484

0.0468

Les param`etres estimes

-1.9082

0.9065

0.0484

0.0467

Lerreur de prediction ainsi que son test blancheur sont traces sur les gures (II.12) et
(II.13).

27

Chapitre II. Identication des syst`emes en boucle fermee


0.15

0.1

Erreur de prdiction MCO

0.05

0.05

0.1

0.15

0.2

200

400

600

800

1000

Figure II.12 Erreur de prediction dans le cas stochastique (MCO) : syst`eme de second ordre.

Test de blancheur MCO


1.2

Amplitude

0.8

0.6

0.4

0.2

0.2
200

150

100

50

0
RN(i)

50

100

150

200

Figure II.13 Validation par test de blancheur dans le cas stochastique (MCO) : syst`eme de second
ordre.

2. Identification par lestimateur des Moindres Carr


es R
ecursifs :
Lapplication de lestimateur de MCR decrit par le syst`eme dequations (II.13) permet
de donner les resultats enregistres sur le tableau (II.4) :
Tableau II.4 Resultats de lestimateur des Moindres Carres Recursifs dans le cas stochastique.
MCR

a1

a2

b1

b2

Les vrais param`etres

-1.9048

0.9048

0.0484

0.0468

Les param`etres estimes

-1.9082

0.9064

0.0483

0.0467

Levolution des param`etres estimes est tracee sur la gure (II.14).

28

Chapitre II. Identication des syst`emes en boucle fermee

0.5
a2

a1

0.5
1

0
1.5
2

0.5
0

500
k

1000

500
k

1000

500
k

1000

0.2

0.06

0.15
2

b1

0.04
0.1

0.02
0.05
0

0
0

500
k

1000

Figure II.14 Evolution des param`etres estimes dans le cas stochastique (MCR) : syst`eme de
second ordre.

Les gures (II.15) et (II.16) representent respectivement lerreur de prediction obtenue


par lestimateur MCR ainsi que le test blancheur correspondant.
0.15
0.1

Erreur de prdiction MCR

0.05
0
0.05
0.1
0.15
0.2
0.25

200

400

600

800

1000

Figure II.15 Erreur de prediction dans le cas deterministe (MCR) : syst`eme de second ordre.

29

Chapitre II. Identication des syst`emes en boucle fermee


Test de blancheur MCR
1.2

Amplitude

0.8

0.6

0.4

0.2

0.2
200

150

100

50

0
RN(i)

50

100

150

200

Figure II.16 Validation par test de blancheur dans le cas stochastique (MCR) : syst`eme de second
ordre.

3. Identification par lestimateur des Variables Instrumentales `


a Observations Retard
ees :
Lapplication de lestimateur de VIOR decrit par le syst`eme dequations (II.17) permet
de donner les resultats enregistres sur le tableau (II.5) :
Tableau II.5 Resultats de lestimateur des Variables Instrumentales `a Observations retardees dans le cas stochastique.
VIOR

a1

a2

b1

b2

Les vrais param`etres

-1.9048

0.9048

0.0484

0.0468

Les param`etres estimes

-1.9063

0.9056

0.0484

0.0467

Levolution des param`etres estimes est tracee sur la gure suivante :

30

Chapitre II. Identication des syst`emes en boucle fermee

0.5
a2

a1

0.5
0

500
k

1000

500
k

1000

500
k

1000

0.2

0.06

0.15
2

b1

0.04
0.1

0.02
0.05
0

0
0

500
k

1000

Figure II.17 Evolution des param`etres estimes dans le cas stochastique (VIOR) : syst`eme de
second ordre.

Les resultats obtenus au niveau de minimisation de lerreur de prediction sont veries pour
lestimateur MCO et MCR. Les tests blancheur montrent que lerreur de prediction tend
asymptotiquement vers un bruit blanc et les param`etres estimes secartent leg`erement des
param`etres reels, ce dernier resultat est d
u `a la correlation de la loi de commande avec le
bruit additif.
Lutilisation de lestimateur VIOR a ameliore les resultats mais une seule realisation ne
nous permet pas de juger sur le biais destimation. Cest pour cette raison un autre test de
validation est propose : la simulation de Monte-Carlo.
Le tableau (II.8) resume les resultats destimation obtenus par lestimateur MCO, MCR
et VIOR pour 200 realisations dierentes de bruits ayant un rapport signal sur bruit SN R =
30dB. Le tableau contient les moyennes des estimes ainsi que les ecarts types correspondants.
Tableau II.6 Simulation de Monte-Carlo par lestimateur MCO, MCR et VIOR.
0

moy (MCO)

(MCO)

moy (MCR)

(MCR)

moy (VIOR)

(VIOR)

a1

1.9048

1.9045

0.0033

1.9044

0.0033

1.9048

0.0031

a2

0.9048

0.9047

0.0024

0.9046

0.0024

0.9048

0.0027

b1

0.0484

0.0484

0.0001

0.0484

0.0001

0.0484

0.0001

b2

0.0468

0.0468

0.0001

0.0468

0.0001

0.0468

0.0001
31

Chapitre II. Identication des syst`emes en boucle fermee


Les gures (II.18), (II.19) et (II.20) representent les histogrammes des param`etres estimes
pour 200 realisations de Monte-Carlo obtenus respectivement par lestimateur MCO, MCR
et VIOR.
a

40

40

30

30

20

20

10

10

0
1.92

1.91

1.9

1.89

0
0.89

0.9

0.91

0.92

0.047

0.0475

40

60

30

40

20
20

10
0
0.048

0.0485

0.049

0
0.046

0.0465

Figure II.18 Histogrammes des estimes pour 200 realisations de Monte-Carlo obtenus par lestimateur MCO : syst`eme de second ordre.

a1

a2

40

40

30

30

20

20

10

10

0
1.92

1.91

1.9

1.89

0
0.89

0.9

b1

0.91

0.92

0.047

0.0475

b2

40

60

30

40

20
20

10
0
0.048

0.0485

0.049

0
0.046

0.0465

Figure II.19 Histogrammes des estimes pour 200 realisations de Monte-Carlo obtenus par lestimateur MCR : syst`eme de second ordre.

32

Chapitre II. Identication des syst`emes en boucle fermee


a

60

60

40

40

20

20

0
1.92

1.91

1.9

1.89

0
0.89

0.9

b1
60

40

40

20

20

0.0485

0.92

0.047

0.0475

b2

60

0
0.048

0.91

0.049

0
0.046

0.0465

Figure II.20 Histogrammes des estimes pour 200 realisations de Monte-Carlo obtenus par lestimateur VIOR : syst`eme de second ordre.

Les simulations de Monte-Carlo rev`elent une estimation precise des param`etres du mod`ele
et specialement avec lestimateur VIOR.

II.3

M
ethodes didentication bas
ees sur lerreur de
sortie

II.3.1

Principe et proc
edure didentication

La gure (II.21) presente le principe des methodes basees sur derreur de sortie dans
laquelle la partie superieure represente le syst`eme reel et la partie inferieur represente un
predicteur ajustable en boucle fermee qui utilise le meme regulateur que le syst`eme reel.
Lerreur de sortie, denie par lecart entre la sortie reelle du la boucle fermee et la sortie du
predicteur, est minimiser pour lajustement du mod`ele de proc`ede [BAYSSE., 2010].

33

Chapitre II. Identication des syst`emes en boucle fermee


e
+

r +

qd

B
A

es
+

qd

PNL

Figure II.21 Principe des methodes basees sur lerreur de sortie en boucle fermee
La methode basee sur lerreur de sortie consiste `a minimiser un crit`ere quadratique base
sur lerreur de sortie en utilisant les techniques de Programmation Non Lineaire (LevenbergMarquardt). La procedure didentication se decompose principalement de trois parties :
Obtenir un mod`ele initial en utilisant une des methodes didentication basees sur
lerreur dequation decrites precedemment.
Minimiser un crit`ere quadratique `a laide dun algorithme de Programmation Non
Lineaire (P.N.L), ce qui fournit un nouveau jeu de param`etres.
Recommencer la deuxi`eme etape jusqu`a la convergence.
Le crit`ere quadratique `a minimiser est le suivant :
J=

(y(k) y(k)) =
2

k=1

2 es (k)

(II.28)

k=1

Pour que le crit`ere J soit minimal, deux conditions sont necessaires :


ses derivees premi`eres par rapport aux param`etres sont nulles ;
ses derivees secondes doivent etre positives ;
Soit le vecteur des param`etres `a linstant k deni comme suit.
[
]
T (k) = a
1 ...
an , b0 ...bm

(II.29)

34

Chapitre II. Identication des syst`emes en boucle fermee


Lensemble des derivees premi`eres peut etre regroupe sous la forme dun vecteur appele

Gradient J tel que :


T

J J J J
=
...
,
...

a1
an b0 bm

]
(II.30)

La matrice des derivees secondes, appelee Hessien, secrit sous la forme suivante :

2J
a
21

...

2J
a
1 a
n

2J
a
1 b0

2J
a
n a
1
2J
b0 a
1

2J
a
2n
2J
b0 a
n

2J
a
n b0
2J
b20

..
.

..
.

2J
bm a
1

2J
bm a
n

2J
bm a
1

..
.

..
.

..
.

..
.

..
.

2J
a
1 bm

..
.

2J
a
n bm
2J
bn bm

..
.

2J
b21

(II.31)

Le calcul des derivees premi`eres et secondes peut etre eectue `a laide de plusieurs mani`eres
dierentes. Nous choisissons dutiliser les fonctions de sensibilite, car elles presentent certains
avantages, comme le ltrage de donnees.
Soit le vecteur des fonctions de sensibilite suivant :
T (k) = [a1 (k)...an (k), b0 (k)...bm (k)]
avec :

]
[
1 )
y(k)
B(q
bi (k) =
u(k)
=
1 )
bi
bi A(q
[
]
1 )
y(k)
B(q
ai (k) =
=
u(k)
1 )

ai

ai A(q

(II.32)

(II.33)
(II.34)

Le gradient peut alors etre ecrit :

J = 2

es (k)(k)

(II.35)

k=1

En utilisant la forme matricielle des fonctions de sensibilite , on peut ecrire le Hessien


sous la forme suivante :

J 2

(k) T (k)

(II.36)

k=1

On trouve plusieurs algorithmes non lineaires qui nous aident `a minimiser lerreur quadratique. Parmi ces algorithmes, on peut citer :
Lalgorithme du gradient : Dans ce cas, le vecteur des param`etres est calcule avec
lequation suivante :

j+1 = j J

(II.37)
35

Chapitre II. Identication des syst`emes en boucle fermee


o`
u j est literation de lalgorithme, et est un param`etre de reglage. Un mauvais
choix de peut empecher la convergence de lalgorithme. Lavantage de cet algorithme
est quil permet de sapprocher rapidement de loptimum si linitialisation est loin de
celui-ci.
lalgorithme de Gauss-Newton : lequation de levolution des param`etres int`egre
les derivees premi`eres et secondes du crit`ere J :
[ ]1

j+1 = j J
J

(II.38)

j
=

Les deux algorithmes precedents presentent linconvenient de ne pas converger lorsque le


point initial est loin du minimum recherche. Lalgorithme Levenberg-Marquardt permet de
depasser cet inconvenient en proposant un compromis entre lalgorithme de gradient (robuste
mais lent `a lapproche du minimum) et celle de Newton (peu robuste loin du minimum mais
tr`es ecace pr`es).
Dans le contexte de notre travail nous utilisons lalgorithme de Levenberg-Marquardt
dont lequation iterative est la suivante :
{[
}
]1
2

J
J
j+1 = j
+ I
2
b =

(II.39)

Portant que lalgorithme de Levenberg-Marquardt est theoriquement tr`es performant dans


le cadre dune mauvaise initialisation, mais il reste une methode doptimisation permettant la convergence locale et non globale. Donc, pour une correcte estimation, une bonne
initialisation des param`etres reste malgre tout necessaire. La gure (II.22) presente lorganigramme des methodes didentication basees sur lerreur de sortie : algorithme de LevenbergMarquardt.

36

Chapitre II. Identication des syst`emes en boucle fermee


Initialisation des paramtres

0 , , J 0

Simulation du modle

Calcule la fonction de sensibilit

(k )

J ', J "

Calcule gradient et hessien

Calcule des paramtres

j +1

Simulation du modle

y(k )

Calcule de la quantit minimiser

J j +1

Oui

Non

J j +1 < J j

Augmentation de

Diminution de

Sauvegarde de nouveaux paramtres

Non

Convergence
atteinte ?

Oui

Fin

Figure II.22 Organigramme des methodes didentication basees sur lerreur de sortie
Nous decrivons bri`evement laspect de cet algorithme : une modication du coecient
assurant le reglage de lalgorithme de Levenberg-Marquardt est determinee par levolution
du crit`ere quadratique J :
Lorsque J augmente, la solution est trop eloignee de loptimum. On augmente alors an
de se rapprocher de loptimum : = v2
Lorsque J diminue, on se rapproche de loptimum. On diminue pour se rapprocher de la
methode du type Gauss-Newton : =

v1

Ainsi que les coecients v1 et v2 sont deux entiers avec des valeurs comprises entre 2 et
10 [Mar63]. Leurs valeurs inuencent sur la rapidite de convergence de lalgorithme. La
37

Chapitre II. Identication des syst`emes en boucle fermee


condition de convergence peut etre de plusieurs formes : on peut surveiller levolution relative
du gradient J ou du crit`ere quadratique J. Si on choisit le crit`ere
du vecteur de param`etres ,

La condition de convergence secrit comme suit :


devolution relative des param`etres .
v

u
u j+1 j

u
2 < tol
t
(II.40)

j
2

Avec 2 la norme 2 et tol exprimant la tolerance sur la condition de convergence. Cette


valeur depend de la precision recherchee.

II.3.2

Exemple num
erique

An dillustrer la consistance des methodes didentication basees sur lerreur de sortie


dont le programme non lineaire utilise est celui de Levenberg-Marquardt. On consid`ere un
syst`eme de premier ordre en boucle ouverte decrit par la fonction de transfert suivante :
HBO =

k
1 + p

(II.41)

avec k = 0.3 et = 1. La discretisation du mod`ele en boucle ouverte avec un pas


dechantillonnage Ts = 0.1s donne :
HBO (q 1 ) =
avec :

b1 q 1
1 + a1 q 1

(II.42)

a1 = 0.905
b1 = 0.028

On desire corriger le syst`eme avec un regulateur RST, permettant de reguler la dynamique


en boucle fermee dont le schema de la commande numerique est represente dans la gure
(II.23) :

38

Chapitre II. Identication des syst`emes en boucle fermee

e(t)

(k)

y c (k)
1

T (q )

1
S (q 1 )

u (k)

k
(1 + p )

DAC

y (t)

y (k)
R(q 1 )

ADC

Figure II.23 Commande RST du syst`eme de second ordre.


La fonction de transfert de la boucle fermee desiree `a temps discret est donnee par :
HBF (q 1 ) =

q 1 q 1 + q 2 q 2
1 + p1 q 1 + p2 q 2

(II.43)

p1 = 1.5815
p2 = 0.6543

avec :

Dans la suite, on va traiter deux cas le premier suppose que les donnees sont non bruitees.
Le deuxi`eme cas suppose que le syst`eme op`ere dans un milieu stochastique permettant ainsi
dapprecier la degradation de lestimation engendree par les perturbations stochastiques.
II.3.2.1

Identication en boucle ferm


ee dans le cas d
eterministe

Lapplication de lalgorithme didentication basees sur lerreur de sortie dans le cas


deterministe decrit par loganigramme de la gure (II.22) donne les resultats enregistres
dans le tableau (II.7) :
Tableau II.7 Resultats de lestimateur derreur de sortie dans le cas deterministe.
ES

a1

b1

Les vrais param`etres

-0.9050

0.0280

Les param`etres estimes

-0.9049

0.0285

39

Chapitre II. Identication des syst`emes en boucle fermee


Les gures (II.24) et (II.25) montrent la reponse temporelle de la sortie reelle et la sortie
estimee en fonction du temps ainsi que lerreur de sortie associee. La sortie reelle et la sortie
du mod`ele estime sont superposees.
0.4
Sortie relle
Sortie estime

0.35
0.3

Sortie(V)

0.25
0.2
0.15
0.1
0.05
0

10

Temps(s)

Figure II.24 Sortie reelle et sortie estimee par la methode `a erreur de sortie : syst`eme du premier
ordre

x 10

Erreur de sortie

0.5

1.5

2.5

10

Temps(s)

Figure II.25 Erreur de sortie : syst`eme du premier ordre

40

Chapitre II. Identication des syst`emes en boucle fermee


II.3.2.2

Identication en boucle ferm


ee dans le cas stochastique

Dans cette partie on va etudier linuence du bruit sur la qualite de lestimation, la sortie
est supposee maintenant entachee dun bruit additif gaussien de moyenne nulle et de variance
nie dont le rapport signal sur bruit est xe `a 30dB. Lapplication de lalgorithme didentication base sur lerreur de sortie dans le cas stochastique donne les resultats enregistres
dans le tableau (II.8) :
Tableau II.8 Resultats de lestimateur de lerreur de sortie dans le cas stochastique.
ES

a1

b1

Les vrais param`etres

-0.9050

0.0280

Les param`etres estimes

-0.9056

0.0285

Les gures (II.26) et (II.27) montrent la reponse temporelle de la sortie reelle et la sortie
estimee en fonction du temps ainsi que lerreur de sortie associee. Les gures indiquent que
la sortie reelle et la sortie du mod`ele estime sont quasi-superposees.
0.4
Sortie relle
Sortie estime

0.35
0.3

Sortie(V)

0.25
0.2
0.15
0.1
0.05
0

10

Temps(s)

Figure II.26 Sortie reelle et sortie estimee par la methode `a erreur de sortie : syst`eme de premier
ordre

41

Chapitre II. Identication des syst`emes en boucle fermee


3

x 10

Erreur de sortie

2.5

1.5

0.5

10

Temps(s)

Figure II.27 Erreur de sortie : syst`eme de premier ordre


La gure (II.28) represente les histogrammes des param`etres estimes pour 100 realisations
de Monte-Carlo obtenus par lestimateur de lerreur de sortie.
a1

b1

60

90

80
50
70

40

60

50
30
40

20

30

20
10
10

0
0.96

0.94

0.92

0.9

0.88

0
0.024

0.026

0.028

0.03

Figure II.28 Histogrammes des estimes pour 100 realisations de Monte-Carlo obtenus par lestimateur erreur de sortie : syst`eme du premier ordre

Lanalyse du biais de lestimation est realisee avec la methode de validation de Monte42

Chapitre II. Identication des syst`emes en boucle fermee


Carlo. Le tableau (II.9) resume les resultats destimation pour 100 realisations de bruit ayant
un rapport signal sur bruit SNR = 30dB.
Tableau II.9 Simulation de Monte-Carlo par lestimateur de lerreur de sortie : syst`eme du
premier ordre .
0

moy (ES)

(ES)

a1

0.905

0.9120

0.0155

b1

0.028

0.0282

9.0792 104

Les ecarts entre les valeurs reelles et les moyennes des param`etres estimes sont tr`es faibles.
Pour conclure lestimateur de lerreur de sortie permet de donner des estimes non biaises dans
le deux contextes deterministe et stochastique en boucle fermee. Do`
u la consistance de la
methode developpee.

II.4

Conclusion

Deux classes de methodes didentication parametriques par mod`ele `a representation


discr`ete en boucle fermee sont developpees dans ce chapitre. La premi`ere, basee sur lerreur
dequation, permet lestimation des param`etres du mod`ele `a identier. Cette premi`ere classe
incarne trois methodes didentication : la methode des moindres carres ordinaires et la methode des moindres carres recursifs, dans un contexte ideal, ces deux methodes verient les
resultats de convergence des param`etres reels vers ceux estimes et elles restent ables dans
un contexte realiste. Mais pour le cas o`
u la sortie est entachee dun bruit blanc additif ces
estimateurs sont asymptotiquement biaises. Ce qui explique le passage `a la troisi`eme methode variables instrumentales dans le contexte stochastique pour eliminer le petit biais qui
apparat avec les estimateurs moindres carres ordinaires et des moindres carres recursifs. La
deuxi`eme classe, basee sur lerreur de sortie, se caracterise par une estimation asymptotiquement non biaisee mais la convergence du vecteur des param`etres vers un optimum global
nest pas garantie. Un autre point meritant detre mentionne : la principale problematique
de lidentication en boucle fermee des syst`emes est la presence dun biais asymptotique
resultant de la correlation entre le signal de la loi de commande et les perturbations qui
entachent le signal de sortie.
Dans la suite de ce travail, on va appliquer un algorithme didentication en boucle
fermee pour identier deux procedes en temps reel et sur une carte didentication `a base
de microcontroleur.

43

Chapitre III
Applications en temps r
eel de
lidentication en boucle ferm
ee
Sommaire
III.1 Introduction

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

46

III.2 Identification en boucle ferm


ee dun moteur `
a courant continu

46

III.2.1 Descriptif et modelisation du procede . . . . . . . . . . . . . . . .

46

III.2.2 Essais didentication . . . . . . . . . . . . . . . . . . . . . . . . .

47

III.2.2.1 Cas deterministe . . . . . . . . . . . . . . . . . . . . . . .

47

III.2.2.2 Cas stochastique . . . . . . . . . . . . . . . . . . . . . . .

50

III.3 Identification en temps r


eel dun syst`
eme instable en boucle
ouverte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

51

III.3.1 Description du syst`eme . . . . . . . . . . . . . . . . . . . . . . . .

51

III.3.2 Essais didentication . . . . . . . . . . . . . . . . . . . . . . . . .

54

III.4 Impl
ementation dun algorithme didentification en boucle ferm
ee sur un microcontr
oleur PIC . . . . . . . . . . . . . . . . . .

56

III.4.1 Le microcontroleur PIC 16F877A . . . . . . . . . . . . . . . . . . .

56

III.4.1.1 Choix de la famille PIC . . . . . . . . . . . . . . . . . . .

56

III.4.1.2 Choix de PIC 16F877A . . . . . . . . . . . . . . . . . . .

57

III.4.1.3 Convertisseur Analogique Numerique . . . . . . . . . . .

59

III.4.2 Conception de la carte didentication . . . . . . . . . . . . . . . .

60

III.4.2.1 Alimentation stabilisee . . . . . . . . . . . . . . . . . . .

60

III.4.2.2 Conversion Numerique Analogique . . . . . . . . . . . . .

61

III.4.2.3 Liaison serie RS232 . . . . . . . . . . . . . . . . . . . . .

62

III.4.2.4 Achage . . . . . . . . . . . . . . . . . . . . . . . . . . .

62

III.4.3 Programmation de PIC . . . . . . . . . . . . . . . . . . . . . . . .

63

44

Chapitre III. Applications en temps reel de lidentication en boucle fermee


III.4.4 Identication en temps reel . . . . . . . . . . . . . . . . . . . . . .
III.5 Conclusion

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

64
66

45

Chapitre III. Applications en temps reel de lidentication en boucle fermee

III.1

Introduction

Les developpements theoriques du chapitre precedent sont appliques en temps reel. Le


chapitre est constitue par trois grandes parties : La premi`ere sinteresse `a lidentication en
boucle fermee dun moteur `a courant continu. La deuxi`eme presente les resultats didentication en boucle fermee dun syst`eme instable en boucle ouverte. La derni`ere partie detaille
la conception et la realisation dune carte `a base de microcontroleur dans lequel on a implemente un algorithme didentication en boucle fermee.

III.2

Identication en boucle ferm


ee dun moteur `
a
courant continu

III.2.1

Descriptif et mod
elisation du proc
ed
e

Le syst`eme reel est constitue dun petit moteur `a courant continu de puissance 10W
monte en asservissement de vitesse et menu dune generatrice de charge de puissance 4W
couple ensemble avec volant de 60 segments clair/sombre. La vitesse maximale de rotation
de lensemble est de 3000tr/min. La tension de sortie de la generatrice est entre 0 et 20V ,
cette derni`ere peut etre chargee par des lampes electriques pouvant etre commutees.
La commande du moteur seectue `a travers un amplicateur de puissance dont lentree
est entre 10V et 10V et la sortie en courant est de 0.5A sous 20V . La gure (III.1) montre
le schema de lensemble.

Figure III.1 Schema du moteur `a courant continu.


Lacquisition des signaux dentree, sortie et commande se fait en exploitant une carte
46

Chapitre III. Applications en temps reel de lidentication en boucle fermee


dinterface Profy Cassy. Cette carte comporte deux CNA et deux CAN de 12 bits. Le mod`ele
reel du syst`eme est decrit par la fonction de transfert suivante [Abboud, 2004] :
0.3
(III.1)
p+1
La discretisation de ce mod`ele, pour une periode dechantillonnage de 0.1s, nous ram`ene `a
H(p) =

la forme suivante :
( )
H q 1 =

b1 q 1
1 + a1 q 1

(III.2)

avec :

a1 = 0.9048
b1 = 0.0285

(III.3)

Soit un regulateur RST assurant un comportement desire identique `a un mod`ele de second


ordre ayant comme coecient damortissement = 0.707 et comme pulsation non amortie
n = 3rd/s. Le regulateur RST qui assure ce comportement poss`ede la forme suivante :
C (q) =

r0 + r1 q 1
1 + s1 q 1

(III.4)

avec :

r = 11.8322

0
r1 = 9.1498

s1 = 1

(III.5)

Dans la suite, on se concentre sur lidentication de ce syst`eme en boucle fermee par lestimateur MCR dans les deux cas deterministe et stochastique. Toutes autres methodes recursifs
peut etre utilisee.

III.2.2

Essais didentication

III.2.2.1

Cas d
eterministe

Les donnees destimation relatives `a la sequence dentree et de sortie du syst`eme, pour le


cas deterministe, sont presentees sur la gure (III.2).

47

Chapitre III. Applications en temps reel de lidentication en boucle fermee

Figure III.2 Donnees destimation dans le cas deterministe (entree : chaine2 ; sortie : chaine1) :
moteur `a courant continu

Lapplication de lalgorithme de moindres carrees recursifs sur le moteur, pour les donnees
destimations presentees sur la gure (III.2) permet dobtenir le mod`ele suivant :
HM CR (q) =

0.0283 q 1
1 0.8931 q 1

(III.6)

La gure (III.3) presente levolution des param`etres estimes en fonction du temps.

0.5

a1

0
0.5
1
1.5

20

40

60

80

100

60

80

100

Temps (s)
0.03

b1

0.02
0.01
0

20

40
Temps (s)

Figure III.3 Evolution des param`etres estimees dans le cas deterministe : moteur `a courant
continu

La gure (III.3) montre bien que la convergence des param`etres est atteinte rapidement,
48

Chapitre III. Applications en temps reel de lidentication en boucle fermee


et ceci est `a cause de labsence du perturbation. Pour valider le resultat obtenu, nous utilisons
une entree de validation presente dans la gure (III.4).

Figure III.4 Donnees de validation dans le cas deterministe (entree : chaine2 ; sortie : chaine1) :
moteur `a courant continu

Le mod`ele obtenu par lestimateur des moindres carrees recursifs est valide comme le
montre la gure (III.5). En eet, lecart entre la sortie reelle et la sortie estimee est presque
nul.

Sorties

1.5

0.5

sortie relle
sortie estime
0

10

20

30

40

50
60
Temps (s)

70

80

90

100

10

20

30

40

50
60
Temps (s)

70

80

90

100

Erreur

0.05

0.05

Figure III.5 Resultats de validation dans le cas deterministe : moteur `a courant continu
49

Chapitre III. Applications en temps reel de lidentication en boucle fermee


III.2.2.2

Cas stochastique

Leet du bruit sur la sortie est realise par lajout dune charge de deux lampes. La gure
(III.6) montre les donnees destimation (entree et de sortie) dans le cas stochastique.

Figure III.6 Donnees destimation dans le cas stochastique (entree : chaine2 ; sortie : chaine1) :
moteur `a courant continu

Dans le cas stochastique, le mod`ele estime est le suivant :


HM CR (q) =

0.0287 q 1
1 0.8786 q 1

(III.7)

Levolution des param`etres du syst`eme est enregistree dans la gure (III.7).


0.5

a1

0
0.5
1
1.5

20

40

60

80

100

60

80

100

Temps (s)
0.03

b1

0.02
0.01
0

20

40
Temps (s)

Figure III.7 Evolution des param`etres estimees dans le cas stochastique : moteur `a courant
continu

50

Chapitre III. Applications en temps reel de lidentication en boucle fermee


Il est claire que les param`etres estimes se stabilisent autour des param`etres exactes en
assurant la convergence. La validation du mod`ele dans le cas stochastique, pour la meme
entree indiquee dans la gure (III.4), est presentee dans la gure (III.8).

Sortie

1.5
1
relle
estime

0.5
0

10

20

30

40

50
Temps (s)

60

70

80

90

100

10

20

30

40

50
Temps (s)

60

70

80

90

100

Erreur

0.07

0.07

Figure III.8 Validation du mod`ele estime dans le cas stochastique : moteur `a courant continu
Pour ameliorer notre etude en temps reel, on se concentre, maintenant, `a identier en
boucle fermee un syst`eme possedant une integration. Cest-`a-dire un syst`eme instable en
boucle ouverte.

III.3

Identication en temps r
eel dun syst`
eme instable
en boucle ouverte

III.3.1

Description du syst`
eme

Le syst`eme `a etudier admet comme fonction de transfert :


H (p) =

p+1
p (10p + 1)

(III.8)

La discretisation du mod`ele donne pour une periode dechantillonnage Ts = 1s, donne la


fonction de transfert suivante :
H (q) =

b1 q 1 + b2 q 2
1 + a1 q 1 + a2 q 2

(III.9)
51

Chapitre III. Applications en temps reel de lidentication en boucle fermee


avec :

a1 = 1.905

a2 = 0.9048

b1 = 0.1435

b2 = 0.04837

(III.10)

Pour pouvoir connatre le comportement du mod`ele en boucle ouverte, on lui applique un


echelon de 1V, comme le montre la gure (III.9).

Figure III.9 Reponse indicielle en boucle ouverte (entree : chaine2 ; sortie : chaine1) : syst`eme
de second ordre

La gure (III.9) montre bien que laction integrale am`ene la sortie `a la divergence, ce qui
explique limpossibilite didentier le syst`eme en boucle ouverte. Ceci nous am`ene `a boucler
le syst`eme an de le stabiliser.
La gure (III.10) represente le comportement du syst`eme en boucle fermee sans correcteur
pour une excitation de type echelon unitaire. Les oscillations importantes remarquees dans
cette gure sont deconseillees et limplementation dun correcteur est indispensable dans ce
cas.

52

Chapitre III. Applications en temps reel de lidentication en boucle fermee

Figure III.10 Reponse indicielle en boucle fermee sans correcteur (entree : chaine2 ; sortie :
chaine1) : syst`eme de second ordre
Soit un regulateur RST assurant un comportement desire identique `a un mod`ele de second
ordre ayant comme coecient damortissement = 0.707 et comme pulsation non amortie
n = 3rd/s. Le regulateur RST assurant ce comportement poss`ede la forme suivante :
C (q) =

r0 + r1 q 1
1 + s1 q 1

(III.11)

avec :

r = 3.1357

0
r1 = 2.3707

s1 = 0.1267

(III.12)

Figure III.11 Reponse indicielle en boucle fermee avec correcteur (entree : chaine2 ; sortie :
chaine1) : syst`eme de second ordre

53

Chapitre III. Applications en temps reel de lidentication en boucle fermee


La gure (III.11) presente la reponse indicielle du syst`eme en boucle fermee avec correction. La sortie admet un depassement acceptable de 4%.

III.3.2

Essais didentication

Maintenant, on sinteresse `a identier ce syst`eme en ligne en utilisant la methode des


moindres carrees recursifs. Les donnees destimation relatives `a la sequence dentree et de
sortie sont presentees sur la gure (III.12).

Figure III.12 Donnees destimation (entree : chaine2 ; sortie : chaine1) : syst`eme de second ordre
Lapplication de la methode de MCR nous permet daboutir au mod`ele estime suivant :
H (q) =

0.1378 q 1 0.0465 q 2
1 1.8993 q 1 + 0.8991 q 2

(III.13)

Levolution des param`etres estimes est enregistree dans la gure (III.13).

54

Chapitre III. Applications en temps reel de lidentication en boucle fermee

1
0.5
a2

a1

0
1

0.5
0

500
Temps (s)

1000

0.2

0.3

0.15

0.2
b2

0.1
0.05
0

500
Temps (s)

1000

500
Temps (s)

1000

0.1
0

500
Temps (s)

1000

0.1

Figure III.13 Evolution des param`etres estimes : syst`eme de second ordre


Les param`etres estimes du syst`eme enregistres dans la gure (III.13) convergent rapidement vers les param`etres reels. En utilisant les donnees de validation presentees sur la gure
(III.14), les resultats montrees sur la gure (III.15) conrme bien la validation du mod`ele
estime. En eet, lecart entre la sortie reelle est la sortie estimees est presque nul.

Figure III.14 Donnees de validation (entree : chaine2 ; sortie : chaine1) : syst`eme de second ordre

55

Chapitre III. Applications en temps reel de lidentication en boucle fermee

1.5
Sorties

1
0.5
0
0.5

20

40

60
Temps

80

Sortie relle
Sorie estime
100
120

20

40

60
Temps

80

100

0.15
Erreur

0.1
0.05
0
0.05

120

Figure III.15 Resultats de validation du mod`ele estime : syst`eme de second ordre

III.4

Impl
ementation dun algorithme didentication
en boucle ferm
ee sur un microcontr
oleur PIC

III.4.1

Le microcontr
oleur PIC 16F877A

Le microcontroleur a joue un role revolutionnaire dans lindustrie integree apr`es linvention de Intel 8051. Il a un grand interet dans la plupart des applications dont lobjectif desire
est lobtention des meilleurs performances avec faible consommation denergie.

III.4.1.1

Choix de la famille PIC

Le PIC appartient `a la famille de microcontroleur donc cest une unite de traitement de


linformation de type microprocesseurs. Contrairement aux microprocesseurs, le microcontroleur a besoin de certains elements externes pour fonctionner `a savoir les peripheriques
dentree/sortie pour se communiquer avec lexterieur. En eet, cest pour cette raison que
nous avons choisi dutiliser le microcontroleur dans notre application.
La famille des PICs est subdivisee en trois grandes familles :
La famille Base-Line, qui utilise des mots dinstructions de 12 bits ;
La famille Mid-Range, qui utilise des mots de 14 bits ( dont fait partie du PIC
16F877A) ;
La famille High-End, qui utilise des mots de 16 bits.

56

Chapitre III. Applications en temps reel de lidentication en boucle fermee


III.4.1.2

Choix de PIC 16F877A

Le choix du PIC est important pour assurer le bon fonctionnement du syst`eme. Dans ce
projet, le PIC 16F877A est choisi pour ses nombreux avantages qui seront decrit dans ce qui
suit.
Ses caracteristiques sont decrites dans le tableau (III.1) :
Tableau III.1 Caracteristiques du PIC 16F877A
D
esignation
Valeur
Frequence

20 MHz

Memoire vive

368 octets

Memoire EPROM

256 octets

Memoire morte de type FLASH

8 kmots

Entrees et sorties

33

TIMER0

8 bits

TIMER1

16 bits

TIMER2

8 bits

Tension dalimentation

entre 2V et 5.5V

Le botier du PIC 16F877A comprend 40 broches comme le montre la gure (III.16) :


33 broches pour les entrees/sorties ;
4 broches pour lalimentation (VDD : broches 11 et 32, VSS : broches 12 et 31) ;
2 broches pour loscillateur (QUARTZ) ;
1 broche pour la reinitialisation du microcontroleur (MCLR) en cas de la mise sous
tension de remise `a zero externe , de chien de garde et en cas de la baisse de tension
dalimentation.

57

Chapitre III. Applications en temps reel de lidentication en boucle fermee

Figure III.16 Brochage du PIC 16F877A.


Larchitecture interne du PIC 16F877A comporte plusieurs sous elements :
Le processeur Cest le coeur du PIC (Unite Arithmetique et Logique UAL), assurant lensemble des calculs et des traitements des dierentes instructions requises par le programme
execute.
La m
emoire RAM Cest une memoire dacc`es rapide. Elle contient les registres de con
guration du PIC ainsi que les dierents registres de donnees. Egalement,
elle comporte les
variables utilisees par le programme.
La m
emoire EEPROM Cest une memoire morte programable et eacable electriquement la memoire EEPROM (Electrical Ecrasable Programmable Read Only Memory). Elle
est constituee de 256 octets qui peuvent etre lisibles et ecrites dans le programme. Les donnees stockees dans cette memoire sont conserves apr`es une coupure de courant et sont tr`es
utiles pour conserver des param`etres semi-permanents.
Les ports dentr
ees/sorties Il sont de nombre de 5 (A,B,C,D,E) `a savoir :
Le PORT A : Il dispose de 5 canaux dentrees analogiques. Les pins utilises sont RA0
`a RA3 et le pin RA5.
Le PORT B : Loin de son fonctionnement comme un port dentrees/sorties, les pins
(RB3-RB6-RB7) du port B peuvent servir `a la programmation en cas dabsence dun
58

Chapitre III. Applications en temps reel de lidentication en boucle fermee


programmateur commercial.
Le PORT C : Ce port est caracterise par deux pins (pin 25 et pin 26) peuvent etre
utiliser dans la communication serie avec le PC.
Le PORT D : Ce port fonctionne de facon identique aux autres, dans son mode de
fonctionnement general cest un port dentrees/sorties .
Le PORT E : Ce port est present seulement sur les PIC 16F877 et 16F877A.Il
comporte 3 pins RE0, RE1 ,RE2. Les bits non concernes de TRISE sont implantes
pour dautre fonctionnement, les pins REX peuvent egalement etre utilises comme
pins dentrees analogiques.
Pour congurer les ports en entree et/ou en sortie, il faut selectionner leurs registres TRISX.
Un bit egale `a 1 place le pin en entree ;
Un bit egale `a 0 place le pin en sortie.
Communication s
erie USART La liaison USART (Universal Synchronous Asynchronous Receiver Transmitter) ou SCI (Serial Communication Interface) du PIC 16F877A est
un registre contenant deux broches (TX et RX) servant `a assurer une communication de type
serie entre le PIC lui meme et un peripherique externe selon deux modes de fonctionnement :
mode synchrone et mode asynchrone.
Nous ne verrons ici que le mode asynchrone, applique `a la communication par le protocole
RS232C. Une liaison serie est une ligne o`
u les bits dinformation (1 ou 0) arrivent successivement soit `a des intervalles reguliers (transmission synchrone ), soit `a des intervalles aleatoires
(transmission asynchrone ).
En ce qui concerne les modes de transmission, il existe 3 trois types dierents decrits
ci-dessous :
Simplex : les donnees circulent dans un seul sens de lemetteur vers recepteur) ;
Half-Duplex : les donnees circulent dans deux sens mais pas simultanement : la bande
passante est utilisee en integralite (semi-duplex) ;
Full-Duplex : les donnees circulent de mani`ere bidirectionnelle simultanement : la bande
passante est divise par 2 pour chaque sens utilise en integralite (duplex-integral ).
III.4.1.3

Convertisseur Analogique Num


erique

Le convertisseur analogique numerique (ADC) integre dans le PIC permet de mesurer


une tension et la convertir en nombre binaire qui pourra etre utilise par un programme.
Le PIC 16F877A fonctionne avec un convertisseur analogique numerique qui permet un
echantillonnage sur 10 bits, le signal numerique peut donc prendre 1024 valeurs possibles.
On sait que pour pouvoir numeriser une grandeur, nous devons connatre la valeur minimale
59

Chapitre III. Applications en temps reel de lidentication en boucle fermee


quelle peut prendre, ainsi que sa valeur maximale, les PICs consid`erent par defaut que la
valeur minimale correspond `a leur Vss dalimentation,et la valeur maximale correspond `a la
tension positive dalimentation Vdd.
On peut aussi, selon la conguration de registre de controle ADCON1, xer la tension de
reference et selectionner lesquels des pins qui vont etre applique au convertisseur analogique
numerique.

III.4.2

Conception de la carte didentication

Lobjectif de cette partie pratique est de realiser une carte didentication en boucle
fermee. Lalimentation est externe `a travers une carte dalimentation stabilisee qui delivre
les tensions 15V et 5V . La carte didentication comportera un PIC 16F877A, un circuit
dhorloge avec un Quartz de 20MHZ, un acheur LCD, un DAC0800, un RS232 et un
MAX232.
III.4.2.1

Alimentation stabilis
ee

La carte dalimentation stabilisee comporte :


Un transformateur : Il permet dabaisser lamplitude de la tension delivree par le
reseau de STEG. Dans notre application, la plus grande tension quon a besoin est
15V, donc il faut utiliser un transformateur de tension secondaire plus grande que la
valeur maximale souhaitee de 10%.
Un redresseur : Letape de redressement a pour role de convertir la tension alternative secondaire de transformateur en alternances unidirectionnelles positives ou
negatives selon le cas. Ce fonctionnement peut etre realiser `a laider dun pont `a diodes.
Un filtre : Dans le but davoir une tension sensiblement constante on branche un
ou plusieurs condensateurs en parall`ele juste `a la sortie de redresseur pour ameliorer
la stabilite du montage et pour le lissage de la tension de sortie. Theoriquement plus
la valeur de condensateur est eleve plus le ltrage est meilleur. Dans notre cas, on a
utilise les condensateurs de capacites 2200uF, 100pF et 1nF.
Des r
egulateurs de tension : Le regulateur de tension maintient constante la tension de sortie de facon `a compenser ses variations. La serie 78XX poss`ede des tensions
de sortie positives alors que la tension des regulateurs de la serie 79XX est negative.
Pour notre application, nous utiliserons un regulateur de type 7805 (78 : tension positive, 05 : 5V) ,un regulateur de type 7815 (78 : tension positive, 15 : 15V) et un
regulateur de type 7915 (79 : tension negative 15 : -15V).
La carte dalimentation stabilisee est presentee sur la gure (III.17).

60

Chapitre III. Applications en temps reel de lidentication en boucle fermee

Figure III.17 Carte dalimentation stabilisee.


III.4.2.2

Conversion Num
erique Analogique

Pour la generation dune commande analogique, on a besoin dutiliser un convertisseur


numerique analogique le DAC0800. Le DAC0800 est connecte sur lun des port de PIC (le port
B), les donnees numeriques entrant (D0 `a D7) vont etre convertie en courant par la moyenne
du reseau R/2R int`egre dans le DAC. Ce dernier est suivit dun etage amplicateur inverseur
qui assure la conversion courant/tension(I/U) pour ramener la sortie de lamplicateur `a la
norme 0/5V . La gure (III.18) presente le schema de montage du DAC0800.

Figure III.18 Conversion Numerique Analogique en utilisant le DAC0800.

61

Chapitre III. Applications en temps reel de lidentication en boucle fermee


III.4.2.3

Liaison s
erie RS232

La liaison serie asynchrone, tr`es souvent appelee RS232, permet de relier une application
`a tous les equipements informatiques, cela peut etre un PC. En eet, le PIC 16F877A dispose
dune liaison serie parametrable asynchrone USART. On a utilise la liaison serie aux normes
de RS232 pour transmettre des informations sans prendre en consideration lhorloge de synchronisation. La transmission serie necessite au moins deux ls de communication, lun pour
la transmission (Tx) et lautre pour la reception (Rx). La ligne de reception est reliee `a RC7
du PIC et la ligne demission des donnees est relie au RC6 comme le montre la gure (III.19).
Or, le PIC utilise les signaux 0V et 5V pour denir respectivement des niveaux 0 et 1 mais
le port Serie RS232 utilise des tensions de fonctionnement non compatibles avec le logique
TTL car il fonctionne sur les niveaux 12V . Il est necessaire alors deectuer ladaptation
entre le PIC et le port serie RS232. Dans ce cas, on a besoin dun circuit charge de convertir
les niveaux des signaux entre PIC et PC. Ce circuit le MAX232. Le schema dadaptation est
presentee sur la gure (III.19).

Figure III.19 Adaptation des signaux entre le PC et le PIC.


III.4.2.4

Achage

Les acheurs `a cristaux liquides sont des modules compacts intelligents et necessitent peu
de composants externes pour un bon fonctionnement. Plusieurs acheurs sont disponibles
sur le marche et ne dierent les uns des autres, non seulement par leurs dimensions, mais
aussi par leur caracteristiques techniques et leurs tension de service. Dans notre application
on a utilise un acheur LCD `a 2 lignes de 16 caract`eres presente sur la gure (III.20). Le
62

Chapitre III. Applications en temps reel de lidentication en boucle fermee


schema de montage, reliant le PIC et lacheur `a travers le port D, est montre sur la gure
(III.21).

Figure III.20 Acheur LCD `a 2 lignes de 16 caract`eres

Figure III.21 Brochage du LCD avec PIC


Le montage de la carte est presente dans lannexe A.

III.4.3

Programmation de PIC

Plusieurs langages peuvent etre exploite `a ce stade : lassembleur, le Basic, le langage


C, le Pascal, le mikroC et le PIC C Compiler. Dans notre application, la programmation
du PIC est assure avec le logiciel miKroC. Ce logiciel nous a permis decrire le programme
et de limplementer dans la memoire du microcontroleur. Lorganigramme presente dans la
gure (III.22), explique le principe de limplementation de lalgorithme didentication des
Moindres Carres Recursifs.
63

Chapitre III. Applications en temps reel de lidentication en boucle fermee

Figure III.22 Organigramme du programme implemente sur PIC.

III.4.4

Identication en temps r
eel

En utilisant la carte decrite precedemment, on sinteresse dans cette partie `a identier


un syst`eme de premier ordre ayant la fonction de transfert suivante :
H (p) =

1
(p + 1)

(III.14)

La discretisation du mod`ele pour une periode dechantillonnage Ts = 0.1s, donne la fonction


de transfert suivante :
H (q) =
avec :

b1 q 1
1 + a1 q 1

a1 = 0.9048
b1 = 0.09516

(III.15)

(III.16)

Soit un regulateur RST assurant un comportement desire identique `a un mod`ele de second


ordre ayant comme coecient damortissement = 0.707 et comme pulsation non amortie
n = 3rd/s. Le regulateur RST assurant ce comportement poss`ede la forme suivante :
C (q) =
avec :

r0 + r1 q 1
1 + s1 q 1

r = 3.242

0
r1 = 2.342

s1 = 1

(III.17)

(III.18)

64

Chapitre III. Applications en temps reel de lidentication en boucle fermee


La gure (III.23) represente le cablage realise pour faire le test didentication.

Figure III.23 Cablage de la carte didentication avec un syst`eme de premier ordre.


La gure (III.24) represente les donnees destimation entree/sortie.

Figure III.24 Donnees destimation (entree : chaine1 ; sortie : chaine2) : syst`eme de premier
ordre.

Lexecution du test didentication par MCR en utilisant la carte concu precedamment


donne le mod`ele estime suivant :
H (q) =

0.09861 q 1
1 0.9054 q 1

(III.19)
65

Chapitre III. Applications en temps reel de lidentication en boucle fermee


Il est claire donc que les param`etres estimes sont proches des param`etres reels du syst`eme.
Ce qui montre la possibilite dimplementer un algorithme sur un PIC comme le montre la
gure (III.25).

Figure III.25 Achage sur LCD des param`etres estimes

III.5

Conclusion

Dans ce chapitre, on a etudie en temps reel lidentication en boucle fermee de trois


syst`emes. Premi`erement, le moteur `a courant continu a ete identie et valide dans le cas
deterministe et stochastique. Ensuite, un syst`eme instable en boucle ouverte a ete identie.
Les resultats obtenus ont montre linteret pratique de lidentication en boucle fermee. Enn,
on a implemente un algorithme didentication en boucle fermee (moindres carres recursifs)
sur un PIC.

66

Conclusion g
en
erale
Dans le cadre de ce projet de n detudes, on a aborde le probl`eme de lidentication en
boucle fermee des syst`emes lineaires.
Dans le premier chapitre, un apercu general sur lidentication ainsi que quelques notions de base sur lidentication en boucle ouverte et fermee sont presentes. Trois dierentes
approches didentication en boucle fermee sont detaillees : approche directe, approche simultanee et approche indirecte. Une attention particuli`ere `a ete portee `a lidentication par
approche directe des syst`emes lineaires `a temps discret.
Nous avons consacre le deuxi`eme chapitre `a la presentation de deux classes de methodes
didentications en boucle fermee : la premi`ere classe est basee sur lerreur dequation et la
deuxi`eme est basee sur lerreur de sortie. Des simulations numeriques ont ete mises en oeuvre
an devaluer les methodes developpees et tester leurs consistance dans un contexte deterministe et stochastique. Les mod`eles estimes par les dierentes methodes didentication ont
ete valide `a laide des simulations de Monte Carlo.
Enn le troisi`eme chapitre est consacre `a lapplication des methodes didentication developpees dans le deuxi`eme chapitre sur un prototype experimental. Lidee est didentier
un syst`eme pratique en boucle fermee `a laide dune carte didentication realisee `a base de
microcontroleur. Un descriptif detaille de la carte st presente. Des simulations en temps reel
ont montre la convergence des param`etres estimes vers les param`etres reels avec la presence
dun faible biais destimation. La presence de ce dernier est causee par la correlation entre
le signal de commande qui excite le procede et le bruit de mesure.
Quant aux perspectives de recherche, elles sinscrivent directement dans la continuite des
travaux en cours.
Dans un premier temps, le probl`eme didentication en boucle fermee par approche directe
sera resolu en utilisant lapproche indirecte et lapproche simultanee.

67

Conclusion generale
Dans un second temps, il est envisageable detendre lalgorithme destimation base sur
lerreur de sortie pour estimer lordre du syst`eme au meme temps que les coecients de
lequation dierentielle qui decrit le mod`ele du procede `a identier.
Enn, il est envisageable de traiter lidentication en boucle fermee des syst`emes `a temps
continu.

68

Annexe A

Figure 1 Schema de montage de la carte didentication.

69

Bibliographie
Abboud, Z. (2004). Etude des maquettes didactiques de regulation de position et de vitesse.
Technical report PFE, Ecole Nationale dIngenieurs de Gab`es.
Abdennour, R., Borne, P., Ksouri, M., et Msahli, F. (2001). Identication et commande
numerique des procedes industriels. Editions Technip, Paris.
BAYSSE., A. (2010). Contributions `a lidentication parametrique de mod`eles `a temps
continu :Extensions de la methode `a erreur de sortie, Developpement dune approche specique aux syst`emes `a boucles imbriquees. PhD thesis Institut National Polytechnique de
Toulouse (INP Toulouse). France.
Ben Ameur Bazine, I. (2006). Identication en boucle fermee de la machine asynchrone :
Application `a la detection de defaut. PhD thesis Universite de Poitiers. France.
Borne, P., Tanguy, G. D., Richard, J.-P., Rotella, F., et Zambettahis, I. (1992). Modelisation
et identication des processus. Editions Technip, Paris.
Borne, P., Tanguy, G. D., Richard, J.-P., Rotella, F., et Zambettahis, I. (1993). Analyse et
regulation des processus industriels. Editions Technip, Paris.
Eykho, P. (1974). System identication - Parameter and state estimation. Wiley and Sons.
Goodwin, G. et Payne, R. (1977). Dynamic system identication. Experiment design and
data analysis. Experiment design and data analysis. Academic Press.
Gustavsson, I., Ljung, L., et Soderstrom, T. (1977). Identication of processes in closed
loop-identiability and accuracy aspects. Automatica 13 :5975.
Hof, P. V. D. et Schrama, R. (1995). Identication and control-closed loop issues. Automatica,
31 :175117705.
Landau, I. (1988). Identication et commande de syst`emes. Herm`es.
Landau, I. (1993). System Identication and Control Design. Herm`es.
70

Bibliographie
Ljung, L. (1987). System Identication : theory for the user. PrenticeHall Inc.
Ljung, L. (1999). System Identication - Theory For the User. Upper Saddle River, N.J.
2nd edition.
Marquardt, D.-W. (1963). An algorithm for least-squares estimation of non-linear parameters. Soc. Indust. Appl. Math, 11(2) :431441.
Richalet, J., Rault, A., et Pouliquen, R. (1991). Identication des processus par la methode
du mod`ele. Gordon Breach, Londres.
Soderstrom, T. et Stoica, P. (1989). System Identication. Prentice-Hall.
Young, P. (1981). Parameter estimation for continuous-time models- a servey. Automatica.
17(1) :2329.

71

R
esum
e
Le travail presente dans ce projet de n detude porte sur lidentication parametrique
des syst`emes lineaires `a temps discret en boucle fermee. Cette etude a ete illustree `a laide des
exemples de simulation et dune mise en oeuvre pratique par lidentication en boucle fermee
dun moteur `a courant continu et dun syst`eme instable en boucle ouverte. La conception
et la realisation dune carte `a base de microcontroleur dans laquelle on a implemente des
algorithmes didentication vient cloturer le present rapport.
Mots cl
es Syst`emes lineaires discrets, identication en boucle fermee, implementation
temps reel, microcontroleur PIC

Abstract
The work presented in this project focuses on closed loop parametric identication
of discrete time linear systems. This study was illustrated by simulation examples and a
practical essays like the identication of a DC motor and an unstable system. The design
and the realization of a PIC based card in which we have implemented some algorithms for
closed loop identication are presented in the end of the report.
Keywords Discrete time linear systems , closed loop identication, real time implementation, PIC. microcontroller.

73