Vous êtes sur la page 1sur 123

N

o d'ordre: 2655

THÈSE
présentée

devant l'Université de Rennes 1


pour obtenir

le grade de : Docteur de l'Université de Rennes 1

Mention : Traitement du signal

par

Arnaud Clavel

Équipe d'accueil : Sigma2

École Doctorale : MATISSE

Composante universitaire : IRISA


S.P.M.

Titre de la thèse :

Modélisation et identication paramétrique de systèmes


hystérétiques. Application à la suspension des véhicules routiers.

Soutenue le 8 mars 2002 devant la commission d'examen

Composition du Jury :

MM. Michel Fayet INSA Lyon Rapporteur


Eric Walter L2S Rapporteur

Bernard Delyon Univ. Rennes I


Arnaud Richard Renault
Michel Sorine INRIA

Qinghua Zhang INRIA-IRISA


Remerciements

Je remercie les membres du jury de me faire l'honneur de juger cette thèse. En parti-

culier, je suis très reconnaissant à Messieurs Michel Fayet et Eric Walter d'avoir accepté
d'assumer le rôle de rapporteur.

J'adresse mes plus vifs remerciement à Messieurs Qinghua Zhang et Michel Sorine, mes
directeurs de thèse, directeurs de recherche respectivement à L'IRISA et à l'INRIA, pour
avoir encadré avec compétence et amitié ce travail. Ils ont très largement contribué par

leurs conseils, leurs remarques et leurs encouragements à l'aboutissement même de cette


thèse.

Je remercie également l'encadrement de Renault de m'avoir donné les moyens de mener


cette action. Je tiens à remercier Monsieur Christian Balle de m'avoir accueilli au sein du

département électronique ainsi que Messieurs Christophe Garnier et Luc Bourgeois, chefs
successifs du groupe Automatique et Contrôle des systèmes, pour m'avoir fait découvrir

l'automatique dans un contexte industriel. Je tiens à exprimer ma profonde gratitude à

Monsieur Arnaud Richard, ingénieur de recherche, pour sa disponibilité, sa compétence

et son soutien sans failles le long de ces trois années de thèse.

Enn, je remercie également Messieurs Philippe Boitard, Daniel Cogolhuènes et Jean-


Marc Blond de Renault VI, ainsi que Madame Nathalie Ulrich de Renault pour leur

collaboration concernant la partie expérimentale de ce travail.


Résumé

Les outils de simulations numériques occupent de plus en plus de place dans le dé-

veloppement et la mise au point des véhicules, d'où la nécessité d'établir des modèles
du comportement dynamique du véhicule dans son ensemble ou de certains de ses or-

ganes en particulier. Une des dicultés rencontrées est la modélisation et l'identication

paramétrique des systèmes hystérétiques car ces derniers sont fortement non linéaires.

Nous proposons un modèle dynamique, continu et non linéaire, pour de tels systèmes.

Ce modèle peut être linéarisé de façon exacte par un changement de variable pour être
exprimé en espace plutôt qu'en temps. Il conserve alors ses propriétés de dissipativité

et de rate-independence. Nous exploitons cette propriété pour étudier l'identiabilité des

paramètres, rechercher une entrée optimale et mener l'estimation des paramètres par la

méthode PEM (Prediction Error Method).

A titre d'application, nous étudions le ressort à lames des suspensions des véhicules

lourds ainsi que le comportement en compression d'une butée de choc en caoutchouc. Dans

le ressort à lames, l'hystérésis provient du frottement sec entre les lames. Nous étudions le

lien entre notre modèle et le modèle discret communément utilisé dans le monde industriel

pour l'étude du ressort à lames. Nous proposons une méthode pour estimer les paramètres

du modèle à partir de mesures sur un véhicule roulant.

Concernant la butée de choc, ce sont les déformations plastiques des macromolécules qui
créent l'hystérésis. L'élasticité non linéaire engendrée par les fortes déformations ajoute

une diculté supplémentaire à la modélisation et à l'identication. Nous voyons comment


la méthode d'identication peut être adaptée pour mener l'identication des paramètres

physiques du modèle non linéaire obtenu.

Les résultats expérimentaux valident le modèle et la méthode d'identication dont les

principaux avantages sont la robustesse, la rapidité des calculs et son application à des

cas d'étude très divers.


Abstract

The increasing use of simulation tools in vehicle development and validation requires

relevant models for the dynamic behaviour of the whole vehicle or of some particular
component. The modelling and identication of hysteretic systems is one of the main

diculties encountered, because of its nonlinear characteristic.

We propose a nonlinear continuous-time dynamic model for such systems. This model
can be linearized exactly by a change of variable so as to be expressed in space instead of

the usual time. It keeps its dissipativity and rate-independent properties. The linearity is
used so as to check the identiability of the parameters, to nd an optimal input and to

proceed to the identication with the Prediction Error Method (PEM).

As applications, we study a leaf spring system found mainly in suspensions of heavy

vehicles and a rubber bump-stop system used to limit the movement of shock-absorber.
In the leaf spring, hysteresis is created by the dry friction between the leaves. We study

the relationship between our model and a discrete-time model widely used by the heavy

vehicle industry. We propose a method for parameter estimation based on data obtained

with an on-road vehicle.

The bump-stop hysteretic behavior is due to the plastic deformation of rubber ma-

cromolecules. The nonlinear elasticity created during large deformations adds another

diculty to modelling and to identication. We present solutions to adapt the identica-


tion procedure to the specic non linear model.

The experimental results validate the model and the identication method. Their main

advantages are robustness, computational eciency and the ability to be applied to a

broad variety of case studies.


Table des matières

Introduction 8

I Etude bibliographique : Modélisation et identication de sys-


tèmes avec frottement sec 12
1 Modèles de frottement 13
1.1 Physique du frottement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.1 Du microscopique au macroscopique . . . . . . . . . . . . . . . . . 13

1.1.2 Principales caractéristiques du frottement sec . . . . . . . . . . . . 14

1.2 Théorie des modèles d'hystérésis . . . . . . . . . . . . . . . . . . . . . . . . 14

1.3 Modèles de frottement sec . . . . . . . . . . . . . . . . . . . . . . . . . . . 15


1.3.1 Modèle de Coulomb . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.3.2 Le modèle de Dahl . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

1.3.3 Le modèle LSIDH de Bliman-Sorine . . . . . . . . . . . . . . . . . . 18


1.3.4 Autre modèle de type Dahl . . . . . . . . . . . . . . . . . . . . . . 19

1.3.5 Le modèle de Bouc . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1.3.6 Le modèle Lund-Grenoble (LuGre) . . . . . . . . . . . . . . . . . . 20

1.3.7 Le modèle de Wen . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2 Identication du frottement sec 23


2.1 Identication des systèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.1.2 Identication par la méthode PEM . . . . . . . . . . . . . . . . . . 24

2.1.3 Identication de systèmes en temps continu basée sur des ltrages

linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.2 Identication et frottement . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2.2.1 Identication des modèles de Dahl . . . . . . . . . . . . . . . . . . 28

2.2.2 Identication du modèle LuGre . . . . . . . . . . . . . . . . . . . . 29

2.2.3 Identication du modèle de Wen . . . . . . . . . . . . . . . . . . . . 29

1
Table des matières Table des matières

II Modélisation d'un système hystérétique, propriétés et iden-


tication 31
3 Modèles de systèmes hystérétiques 32
3.1 Hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.2 Modèle à coecients constants . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.3 Modèle à coecients variables . . . . . . . . . . . . . . . . . . . . . . . . . 33


3.3.1 Non linéarités statiques . . . . . . . . . . . . . . . . . . . . . . . . . 33

3.3.2 Linéarité par morceaux . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.3.3 Approximation par des splines . . . . . . . . . . . . . . . . . . . . . 36

3.3.4 Application à la force hystérétique . . . . . . . . . . . . . . . . . . 37


3.3.5 Equations du modèle à coecients variables . . . . . . . . . . . . . 38

3.3.6 Cas particulier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4 Propriétés structurelles 40
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.2 Linéarisation par changement de variable . . . . . . . . . . . . . . . . . . . 41


4.2.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.2.2 Linéarisation du modèle à coecients constants . . . . . . . . . . . 42

4.2.3 Linéarisation du modèle à coecients variables . . . . . . . . . . . . 43

4.2.4 Cas particulier fondamental . . . . . . . . . . . . . . . . . . . . . . 44

4.2.5 Mise sous forme d'état . . . . . . . . . . . . . . . . . . . . . . . . . 45


4.2.6 Forme canonique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

4.3 Identiabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.3.1 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

4.3.2 Identiabilité des systèmes à coecients constants et à coecients

variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.4 Entrée optimale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

4.4.1 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.4.2 Rappel de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . 49

4.4.3 Application au modèle à coecients constants . . . . . . . . . . . . 50


4.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

5 Estimation des paramètres 57


5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

5.2 Pre-traitement des données . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

5.3 Validation et Post-traitement . . . . . . . . . . . . . . . . . . . . . . . . . 59

5.4 Entrée optimale par Monte-Carlo . . . . . . . . . . . . . . . . . . . . . . . 59

III Applications automobiles 63


6 Le ressort à lames 64

2
Table des matières Table des matières

6.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

6.2 Modélisation de l'eort du ressort à lames . . . . . . . . . . . . . . . . . . 66


6.2.1 Modèles continus . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

6.2.2 Modèle discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

6.3 Relations entre les modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . 68


6.3.1 Nouvelle forme du modèle . . . . . . . . . . . . . . . . . . . . . . . 68

6.3.2 Discrétisation du modèle . . . . . . . . . . . . . . . . . . . . . . . . 69

6.3.3 Analyse asymptotique . . . . . . . . . . . . . . . . . . . . . . . . . 70

6.3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

6.4 Essais sur banc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71


6.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

6.4.2 Description du banc . . . . . . . . . . . . . . . . . . . . . . . . . . 72


6.4.3 Analyse graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

6.4.4 Résultats d'identication . . . . . . . . . . . . . . . . . . . . . . . . 73

6.5 Essais sur véhicule roulant . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

6.5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.5.2 Le modèle quart de véhicule . . . . . . . . . . . . . . . . . . . . . . 76
6.5.3 Description des essais . . . . . . . . . . . . . . . . . . . . . . . . . . 78

6.5.4 Analyse graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . 78


6.5.5 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

6.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

7 La butée de choc 84
7.1 Etat de l'art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.1.1 Isolateurs en caoutchouc . . . . . . . . . . . . . . . . . . . . . . . . 84

7.1.2 Régimes harmoniques . . . . . . . . . . . . . . . . . . . . . . . . . . 84

7.1.3 Transitoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

7.1.4 Fonctionnement de la butée de choc . . . . . . . . . . . . . . . . . . 86

7.1.5 Mécanique des polymères . . . . . . . . . . . . . . . . . . . . . . . . 87

7.1.6 Elasticité caoutchoutique . . . . . . . . . . . . . . . . . . . . . . . . 88


7.2 Modèle non linéaire de la butée de choc . . . . . . . . . . . . . . . . . . . . 89
7.2.1 Eort délivré par la butée . . . . . . . . . . . . . . . . . . . . . . . 89

7.2.2 Comportement de la phase amorphe . . . . . . . . . . . . . . . . . 90

7.2.3 Comportement de la phase cristalline . . . . . . . . . . . . . . . . . 91

7.2.4 Equations non linéaires . . . . . . . . . . . . . . . . . . . . . . . . . 91


7.3 Linéarisation par changement de variable modulé . . . . . . . . . . . . . . 92

7.3.1 Ecriture du système . . . . . . . . . . . . . . . . . . . . . . . . . . 92

7.3.2 Procédure d'identication . . . . . . . . . . . . . . . . . . . . . . . 96

7.3.3 Commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

7.4 Linéarisation par injection de sortie . . . . . . . . . . . . . . . . . . . . . . 98


7.4.1 Ecriture du système . . . . . . . . . . . . . . . . . . . . . . . . . . 98

7.4.2 Procédure d'identication . . . . . . . . . . . . . . . . . . . . . . . 100


7.4.3 Commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

3
Table des matières Table des matières

7.5 Essais sur banc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

7.5.1 Description des essais . . . . . . . . . . . . . . . . . . . . . . . . . . 100


7.5.2 Résultats de l'identication . . . . . . . . . . . . . . . . . . . . . . 101

7.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

Conclusion 108

4
Table des gures
1.1 Surfaces en contact . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

1.2 Modèle de Coulomb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1.3 Régularisée de Yoshida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1.4 Cycle d'hystérésis du modèle de Dahl ( i = 1) . . . . . . . . . . . . . . . . . 17

1.5 Liens entre les modèles de frottement . . . . . . . . . . . . . . . . . . . . . 22

2.1 Système linéaire en entrée d'un système hystérétique . . . . . . . . . . . . 28

3.1 Force élastique et hystérétique en parallèle . . . . . . . . . . . . . . . . . . 32

3.2 Exemple d'une force élastique décrite par 4 raideurs . . . . . . . . . . . . . 35


3.3 i en fonction de x . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.4 B-splines du 2
nd ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4.1 Transformation de signaux sinus en signal triangle . . . . . . . . . . . . . . 51

4.2 Critère de D-optimalité (Fisher) . . . . . . . . . . . . . . . . . . . . . . . . 54


4.3 Variance de k (Fisher) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

4.4 Variance de f (Fisher) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4.5 Variance de  (Fisher) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

5.1 Tracé de x(t) et s(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

5.2 Passage de x(t) à x(s) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

5.3 Passage de F (t) à F (s) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

5.4 Biais sur les paramètres (Monte-Carlo) . . . . . . . . . . . . . . . . . . . . 60


5.5 Erreur quadratique sur k (Monte-Carlo) . . . . . . . . . . . . . . . . . . . 60

5.6 Erreur quadratique sur f (Monte-Carlo) . . . . . . . . . . . . . . . . . . . 61

5.7 Erreur quadratique sur  (Monte-Carlo) . . . . . . . . . . . . . . . . . . . . 61

5.8 Erreur quadratique sur  estimé seul . . . . . . . . . . . . . . . . . . . . . 62

6.1 Modélisation par bras tiré . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

6.2 Glissement entre les lames . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

6.3 Simulation du modèle discret . . . . . . . . . . . . . . . . . . . . . . . . . 68

6.4 Banc élémentaire de suspension . . . . . . . . . . . . . . . . . . . . . . . . 72

6.5 Courbe Eort/Déplacement. Variation en fréquence. . . . . . . . . . . . . . 73

6.6 Courbe Eort/Déplacement. Variation en amplitude . . . . . . . . . . . . . 74

6.7 Paramètres du modèle à coecients variables (banc) . . . . . . . . . . . . . 74

6.8 Validation sur données de calage. Variation en fréquence (banc). . . . . . . 75

5
Table des gures Table des gures

6.9 Validation sur données de calage. Variation en amplitude (banc). . . . . . . 75

6.10 Estimation du frottement . . . . . . . . . . . . . . . . . . . . . . . . . . . 76


6.11 Modèle 1/4 de véhicule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

6.12 Prol de la marche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

6.13 Débattement et accélération avant/arrière . . . . . . . . . . . . . . . . . . 79


6.14 Eort en fonction du déplacement (véhicule roulant) . . . . . . . . . . . . 79

6.15 Paramètres élastiques du modèle à coecients variables (véhicule roulant) . 81

6.16 Paramètres hystérétiques du modèle à coecients variables (véhicule roulant) 81

6.17 Validation en temps (véhicule roulant) . . . . . . . . . . . . . . . . . . . . 82

6.18 Validation en débattement (véhicule roulant) . . . . . . . . . . . . . . . . . 82

7.1 Butée de choc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

7.2 Allure d'une courbe de compression d'une butée . . . . . . . . . . . . . . . 87


7.3 Lamelles cristallines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

7.4 Compression d'un cylindre en caoutchouc . . . . . . . . . . . . . . . . . . . 90

7.5 Cycles de compression/détente de la butée . . . . . . . . . . . . . . . . . . 101

7.6 Paramètres élastique de la butée . . . . . . . . . . . . . . . . . . . . . . . . 102

7.7 Validation par le modèle de référence de la butée. Essai 1. . . . . . . . . . 103

7.8 Validation par le modèle de référence de la butée. Essai 2. . . . . . . . . . 104

7.9 Validation par le modèle de référence de la butée. Essai 3. . . . . . . . . . 104

7.10 Validation croisée avec le modèle non linéaire . . . . . . . . . . . . . . . . . 105

7.11 Validation sur le grand cycle. . . . . . . . . . . . . . . . . . . . . . . . . . 106

6
Liste des tableaux
6.1 Paramètres obtenus sur banc . . . . . . . . . . . . . . . . . . . . . . . . . . 74

6.2 Paramètres obtenus sur véhicule roulant . . . . . . . . . . . . . . . . . . . 80

6.3 Paramètre  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

7.1 Identication sur les cycles . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

7.2 Paramètres physiques de la butée . . . . . . . . . . . . . . . . . . . . . . . 103

7.3 Paramètres obtenus sur le grand cycle . . . . . . . . . . . . . . . . . . . . . 105

7
Introduction

Contexte
Le frottement fait partie de notre vie quotidienne. Il intervient dans nos gestes les plus

simples tels que la marche, par exemple. Sans lui, nos voitures patineraient comme sur

de la glace. Le plus souvent, en particulier dans les systèmes mécaniques, le frottement

est considéré comme un phénomène perturbateur. Dans les machines-outils d'usinage, il

est à l'origine de petites imperfections sur les pièces. Il apparaît dès que deux surfaces en

contact sont en mouvement relatif l'une par rapport à l'autre et se manifeste physiquement

par une force qui s'oppose à ce mouvement. Comme c'est par exemple le cas dans les freins
à disques des voitures ou les ressort à lames des suspensions poids lourds, le frottement

permet de dissiper de l'énergie et plus qu'un phénomène perturbateur, il devient un des

phénomènes principaux : le niveau de frottement est en général élevé.

Suivant qu'il dépend ou non de l'amplitude de la vitesse, on qualie le frottement de

visqueux ou de sec. Dans cette thèse, on s'intéresse principalement au frottement sec.


C'est un phénomène non linéaire avec mémoire. Il ne peut pas être modélisé à chaque

instant par une relation algébrique à partir des variables de position et de vitesse à cet

instant. Ainsi, il est dicile à modéliser, à mesurer et à reproduire.

Du fait de sa propriété de mémoire, le frottement sec appartient à la classe des phé-


nomènes hystérétiques. Le terme hystérésis vient du grec ancien et signie retard ou être

en retard. Physiquement, l'hystérésis est déni par le retard de l'eet sur la cause dans le
1
comportement des corps soumis à une action physique . D'un point de vue mathématique,

un système purement hystérétique est un système dynamique dont la sortie est invariante

par rapport à des changements de l'échelle temporelle.


Le frottement n'est pas le seul phénomène d'un système mécanique. En général, il pré-

sente également des comportements élastiques qui permettent au système d'emmagasiner

de l'énergie. C'est le cas des ressorts. Ces derniers sont souvent supposés linéaires, et dé-

nis par une raideur. Dans le cas de grandes déformations, l'hypothèse de linéarité est en
général mise en défaut.

La modélisation fournit une structure de modèle paramétrique permettant de décrire


une classe de phénomènes. Pour un système donné, il faut ajuster les paramètres en fonc-
1 Le Petit Robert, édition 2000

8
Introduction Introduction

tion de mesures. Cette recherche de paramètres est appelée identication. L'identication

est également appelée problème inverse du fait que, étant donnée la solution d'une équa-
tion (la sortie du système), on souhaite déterminer l'équation, sous l'hypothèse qu'elle

appartient à une classe paramétrique. La non-linéarité du frottement, à la fois en l'état et

en les paramètres, rend le problème d'identication particulièrement complexe. Cela est


d'autant plus important que l'on traite ici de paramètres physiques qui ont une signica-

tion en tant que tels pour les ingénieurs, contrairement aux paramètres des modèles de

type boîte noire. Un système complexe peut se caractériser alors en quelques valeurs de

ces paramètres. En matière d'identication, il ne sut pas de disposer d'un algorithme

qui fournit les valeurs des paramètres. Il s'agit également de s'interroger a priori sur l'uni-
cité de la solution optimale (identiabilité) et sur les conditions d'excitation du système

(entrée optimale).
An de réduire les coûts de développement des nouveaux véhicules, les constructeurs

automobiles utilisent des outils de calcul pour eectuer des simulations de leurs systèmes.

Ainsi, ils peuvent réaliser une première mise au point avant d'amener les prototypes sur les

pistes d'essais. Pour obtenir des simulations représentatives, il faut des modèles des divers
organes prenant en compte les phénomènes non linéaires. Le frottement sec en est un
exemple particulier. La diculté principalement rencontrée est la caractérisation de tels

modèles. Répondre à cette problématique industrielle est une des principales motivations
de cette thèse, qui a été réalisée sous convention CIFRE au sein de la direction de la

recherche de RENAULT.

Originalités de l'étude et organisation du mémoire


L'objectif de la thèse est de proposer un modèle et une méthode d'identication de

systèmes développant une force élastique et une force hystérétique.

Nous appliquons la méthode aux domaines de automobile et du poids lourds à travers


les deux exemples que sont le ressort à lames et la butée de choc, deux organes traditionnels

de la suspension. Aussi diérents que soient ces deux organes (l'un est composés de lames

d'acier liées entre elles faisant en tout plusieurs dizaines de kilogrammes, l'autre est un

morceau de caoutchouc d'un seul tenant de quelques centaines de grammes), ils ont la

même fonction : emmagasiner et dissiper de l'énérgie. Leur caractère exible est un autre

point commun. Aujourd'hui, l'approche classique pour la modélisation d'objets exibles

est la méthode des éléments nis, consistant à dénir l'objet par un maillage déformable.
Le modèle est alors déni par un très grand nombre de variables et de paramètres. Notre

souci est de disposer au contraire de modèles simples et de faible dimension, intégrables

dans des modèles de véhicules comprenant eux-mêmes relativement peu de variables.

La première partie eectue un panorama des modèles hystérétiques décrits dans la

littérature. Nous nous intéresserons principalement aux modèles diérentiels de frottement

(chapitre 1). Après un rapide exposé sur la méthode PEM [Lju87] qui est utilisée en
pratique dans cette thèse, nous décrivons les méthodes d'identication employées pour les

9
Introduction Introduction

modèles hystérétiques issues de la littérature (chapitre 2).

La seconde partie est consacrée à l'étude théorique de modèles hystérétiques. Le modèle

de Bliman-Sorine [PS93, PS95] possède des propriétés intéressantes pour l'estimation de

ses paramètres.
Dans le chapitre 3, nous proposons deux modèles génériques. Le plus simple suppose

une linéarité de la force élastique et un coecient de frottement constant. Il est qualié de

modèle à coecients constants. An de modéliser une non linéarité de la force élastique et
de relâcher l'hypothèse du coecient de frottement constant, nous généralisons le modèle

à coecients constants en introduisant pour cela des splines du 2nd ordre. Cette démarche
nous conduit au modèle à coecients variables.
Le chapitre 4 est consacré à l'étude des propriétés structurelles des modèles à coecients

constants et à coecients variables. Nous rappelons comment linéariser le modèle par un

changement de variable, tout en lui conservant ses propriétés hystérétiques. Il s'agit d'une

linéarisation exacte, et non pas d'une linéarisation au 1er ordre autour d'un point de
fonctionnement. Grâce à la forme linéaire obtenue, nous sommes en mesure d'étudier

les propriétés structurelles des modèles. Après avoir rappelé en quoi consistait l'étude

de l'identiabilité [WP97], nous analysons l'identiabilité des paramètres des modèles à


coecients constants et à coecients variables. Une autre application de la linéarisation

est la recherche d'entrée optimale. Nous utilisons pour cela la méthode fréquentielle [Zar79,
Lju87, WP97]. Nous nous limitons à une entrée sinusoïdale et étudions l'inuence de

l'amplitude sur la qualité (dans un sens qui est précisé) de l'identication du modèle à

coecients constants.

Enn, au chapitre 5, nous donnons la méthodologie pour l'identication elle-même.

Nous illustrons par une étude de Monte-Carlo les résultats obtenus lors de la recherche
des entrées optimales.

Les originalités de cette partie sont l'exploitation de la linéarisation pour l'identi-

cation. En particulier, nous avons pû appliquer des méthodes linéaires pour étudier un

modèle intrinsèquement non linéaire. Cela nous permet de garantir l'identiabilité des
paramètres et nous donne des conditions d'excitation de ces systèmes, que nous illustrons

par une méthode de type Monte-Carlo.

Le troisième volet de ce mémoire est consacré aux applications automobiles sur les-
quelles la méthode d'identication a permis d'estimer les paramètres des modèles non

linéaires de systèmes mécaniques.


Nous étudions le ressort à lames dans le chapitre 6. Comme l'illustre la littérature

consacrée au poids lourd, la modélisation de cet organe est de la première importance

quand on veut étudier la dynamique du véhicule dans son ensemble. Nous montrons com-
ment le modèle de frottement à coecients constants étudié dans la seconde partie est

lié à un modèle discret déjà existant utilisé dans l'ingénierie pour les ressorts à lames
[FEMW80a]. En particulier, nous donnons à ce modèle une interprétation physique di-

recte. La méthode d'identication est appliquée à une étude sur banc puis à une étude

10
Introduction Introduction

sur véhicule roulant. Les résultats valident les modèles et la méthode d'identication. Le

ressort à lames constitue un exemple d'application directe de la méthode d'identication


d'un système hystérétique. La relation avec le modèle discret est une contribution de cette

thèse, à laquelle il faut certainement ajouter l'application sur banc et sur véhicule roulant.

D'un point de vue industriel, pouvoir porter les méthodes sur banc aux véhicules entiers
dans des conditions de fonctionnement réelles est un nouvel atoût pour la compréhension

de la dynamique du véhicule.

La butée de choc est modélisée au chapitre 7. Son comportement est fortement non

linéaire. Outre l'hystérésis due au comportement plastique du caoutchouc (le frottement

est alors considéré comme interne), la butée développe dans ses grandes déformations une
élasticité non linéaire. Sa loi de comportement est modélisée à partir de considérations

issues de la mécanique des milieux continus et en particulier celle des polymères [GH95].
Nous montrons comment adapter les modèles à coecients constants et à coecients va-

riables et les méthodes d'identication au cas de la butée. Nous proposons deux méthodes

pour identier les paramètres et nous comparons leurs résultats. Cette application permet

de montrer que la méthode est applicable à l'étude du comportement élasto-plastique des


matériaux.

11
Première partie
Etude bibliographique : Modélisation et
identication de systèmes avec
frottement sec

12
Chapitre 1
Modèles de frottement

1.1 Physique du frottement


1.1.1 Du microscopique au macroscopique
Aussi lisse que puisse paraître une surface, elle est en réalité composée d'imperfections

créant autant de creux et bosses. Ainsi, lorsque deux surfaces sont en contact, du fait de
ces aspérités, elles sont littéralement imbriquées l'une dans l'autre (voir gure 1.1). Dès

lors que l'une des surfaces se déplace par rapport à l'autre, il faut contourner, déformer

ou casser les aspérités pour que le mouvement ait lieu. Ces mécanismes dépendent de

la nature des surfaces en contact (métal, caoutchouc...), de celles des irrégularités, de la

température, de la charge (la force normale qui maintient les deux surfaces en contact) et

d'une éventuelle autre matière tenant lieu de lubriant.

Fig. 1.1  Surfaces en contact

Au point de vue macroscopique, le contact entre deux surfaces crée une force de contact

dont la composante tangentielle dénit la force de frottement. En présence de lubriant,

que ce soit de l'huile, de la poussière ou simplement de l'eau, le frottement dépend de la

vitesse et il est qualié de visqueux. Dans le cas contraire, il est qualié de sec et peut être

modélisé par les forces de déformations élastiques et plastiques des aspérités. Les deux

phénomènes peuvent se produire en même temps, l'un ou l'autre peut être dominant.
On suppose un mouvement entre deux surfaces en contact suivant un seul degré de

liberté. On note x le déplacement relatif entre les deux surfaces et Fh la force de frot-

tement. Dans le cas d'oscillations, la courbe de Fh en fonction de x fait apparaître des

cycles d'hystérésis, indépendants de la vitesse, dont la forme générale ressemble à celle

représentée dans la gure 1.4.

13
Chapitre 1. Modèles de frottement 1.2. Théorie des modèles d'hystérésis

L'hystérésis n'apparaît pas uniquement dans le cas du frottement entre deux surfaces

en contact. Les matériaux eux-mêmes ont des propriétés mécaniques hystérétiques qui
apparaissent lorsqu'on les déforme : il s'agit de la plasticité. Le comportement mécanique

dépend de la composition et de la constitution du matériau. On trouvera dans [cPZ92] une

description détaillée des phénomènes microscopiques qui conduisent à un comportement


élasto-plastique de matériaux. Le terme élastique désigne un mode réversible. Si on étire

un matériau parfaitement élastique, il reprend sa forme initiale sans aucune déformation

résiduelle. Une déformation plastique est caractérisée par une déformation résiduelle ir-

réversible après décharge, l'ensemble du comportement étant complètement indépendant

du temps, de la vitesse de chargement notamment [cPZ92].


L'hystérésis se rencontre dans d'autres domaines que la mécanique. Citons l'électro-

magnétisme, l'optique, la chimie et même l'économie.

1.1.2 Principales caractéristiques du frottement sec


Les premières études menées expérimentalement par Coulomb ont permis d'établir des

propriétés pour la force de frottement Fh dans le cas du glissement.


 Elle a le même support que la vitesse de glissement.

 Elle a un sens opposé à celui de la vitesse de glissement.


 Sa norme f est sensiblement proportionnelle à celle de de la force de réaction normale.
 Sa norme est indépendante de l'amplitude de la vitesse de glissement x _.
 Sa norme est indépendante de la supercie de la surface de contact.

D'autres caractéristiques, plus nes, ont été mises à jour grâce à l'étude des surfaces

en contact. Elles viennent aner les lois de Coulomb (Voir [AHDdW94b] et [GN01] pour

une revue détaillée des phénomènes et des modèles de frottement) :

 Partant d'une vitesse nulle, et jusqu'à une certaine distance de démarrage se , le


frottement est linéaire par rapport à ce déplacement. Ce comportement élastique est

appelé eet Dahl.


 En se , le frottement atteint un maximum fs . Ce phénomène est qualié de stiction.
 Au delà de se , le frottement diminue et atteint la valeur asymptotique f . Il s'agit du

comportement plastique.

 L'eet stribeck correspond à la diminution du frottement lorsque la vitesse augmente,


donnant alors un coecient visqueux négatif.

1.2 Théorie des modèles d'hystérésis


Le frottement sec est un exemple parmi d'autres de phénomène hystérétique. La grande

variété des domaines dans laquelle on trouve de l'hystérésis a été un frein au développe-

ment d'une théorie générale. On peut au contraire constater un grand nombre de modèles,

chacun développé pour (et souvent limité à) le domaine concerné. Cependant, ces dernières

années ont vu eurir plusieurs travaux pour généraliser la théorie des modèles d'hystérésis.

Les modèles considérés dans cette thèse étant inclus dans cette théorie, nous rappelons

les principales propriétés qui dénissent les systèmes avec hystérésis.

14
Chapitre 1. Modèles de frottement 1.3. Modèles de frottement sec

Dans [BEM91], [May91], I.D. Mayergoyz donne une dénition mathématique de l'hys-

térésis scalaire qu'il étend au cas multi-dimensionnel. Il considère qu'un système est hys-
térétique si sa relation entrée-sortie est une non-linéarité multi-branches pour laquelle

les transitions branche à branche peuvent se produire après des extrema de l'entrée. La

modélisation proposée par l'auteur est celle des modèles de Preisach, introduits dans les
années 30. La notion de branches dans le diagramme caractéristique (Eort/Déplacement

dans le cas de l'hystérésis mécanique) permet de rendre compte de l'indépendance du phé-

nomène hystérétique de la vitesse. Cette propriété, dite rate-independence, peut se dénir

mathématiquement ainsi [Bou71] :

Soit (x; F ) le couple entrée-sortie du système hystérétique lié par la relation :

F (t) = A(x(:); t)
où x(:) représente toute la fonction x dans l'intervalle [t0 ; t], t0  1 et la fonctionelle
A ne dépend pas explicitement du temps.

F (t) = A(x(:))(t)
Soit ':R ! R une fonction de classe C 1 croissante pour t  t0 telle que '(t0) = 0 et
soit la fonction y (t) = x('(t)) alors on a :

A(x(:))(t) = A(y (:))(' 1(t)) (1.1)

La relation (1.1) signie que la sortie du système est invariante par une transformation

de l'échelle du temps. Pour des traitements très mathématiques de l'hystérésis, le lecteur

est invité à consulter [KP89] et [Vis93].

1.3 Modèles de frottement sec


1.3.1 Modèle de Coulomb
Le modèle de Coulomb est certainement le plus ancien et également le plus simple

(gure 1.2) :

Fh = fsign(x_ ) (1.2)

8
< +1 si z>0
sign(z ) = [ 1; +1] si z=0
:
1 si z<0

15
Chapitre 1. Modèles de frottement 1.3. Modèles de frottement sec

Fh
f

x_
0

Fig. 1.2  Modèle de Coulomb

On peut introduire l'eet de stiction (voir section 1.1.2) dans cette modélisation. On

considère alors que la distance de démarrage


 
se est nulle. La force Fh peut prendre n'im-
porte quelle valeur dans fs ; fs , avec fs  f .
8
< Fh = f pour x_ > 0
Fh 2 [ fs ; +fs ] pour x_ = 0
:
Fh = f pour x_ < 0
Le frottement Fh est multivaluée lorsque la vitesse s'annule. La valeur prise eecti-

vement est telle qu'elle équilibre les eorts extérieurs. Elle est en général inconnue. Ce

modèle conduit à une équation de mouvement qui est une inclusion diérentielle, mal
posée lorsque fs > f (la solution n'est pas unique). Pour une résolution numérique d'une

telle équation, il faut régulariser cette fonction en x_ = 0. On peut employer la régularisée


de Yoshida paramétrée par  (gure 1.3).
On a alors :

Fh = fA (x_ )
A

  z
0

Fig. 1.3  Régularisée de Yoshida

16
Chapitre 1. Modèles de frottement 1.3. Modèles de frottement sec

8
< +1 si z>
A (z ) = z si z 2 [ ; ]
: 
1 si z<
Dans cette modélisation, l'eort a un comportement visqueux autour de la vitesse nulle,

tandis que l'eet Dahl suppose un comportement élastique. De plus, la valeur de  est

quelque peu arbitraire. Il a alors fallu établir des modèles plus ns.

1.3.2 Le modèle de Dahl


L'un des premiers modèles proposés pour eectuer de la commande de système en

présence de frottement sec est le modèle de Dahl [Dah76]. La force de frottement sec est

modélisée par une fonction Fh (x) qui ne dépend que du déplacement x (tout au moins

pendant une durée de temps où la vitesse ne change pas de signe).

Sachant que :

dF (x) dF (x) dx
=
dt dx dt
Dahl propose le modèle suivant pour Fh :

dFh (x) Fh (x) Fh (x)


=  j1 _ )ji sign(1
sign(x sign(x
_ )) (1.3)
dx f f
La gure 1.4 représente le comportement de Fh en fonction de x pour i = 1 au régime

établi quand le système est soumis à des mouvements périodiques.


Fh

 = f x
0

Fig. 1.4  Cycle d'hystérésis du modèle de Dahl ( i = 1)

Fh croît asymptotiquement vers f pour x_ > 0 et vers f pour x_ < 0. Les courbes mon-
tantes et descendantes ne sont pas confondues : il se crée de l'hystérésis. Le paramètre

f est homogène à un eort ( f  0). Le paramètre , homogène à une raideur ( > 0),
17
Chapitre 1. Modèles de frottement 1.3. Modèles de frottement sec

correspond à la pente de la courbe eort/déplacement à Fh = 0. Pour les faibles débatte-


ments x, ce modèle de frottement se comporte comme un ressort élastique linéaire tandis
qu'il approche d'un comportement plastique de type Coulomb pour les grandes débatte-

ments. Le paramètre positif i caractérise le matériau et module la forme des courbes Fh


en fonction de x. Lorsque i tend vers 0, le modèle (1.3) se comporte comme un modèle de
Coulomb pour lequel on ne rend compte que du phénomène plastique.

Le modèle ne décrit pas l'eet stribeck pour lequel la valeur asymptotique est dépassée

(overshoot). Les propriétés mathématiques de ce modèle lié à une équation de mouvement

ont été étudiées par P.A. Bliman dans sa thèse [Bli90].

1.3.3 Le modèle LSIDH de Bliman-Sorine


Le cas i = 1 du modèle de Dahl (1.3) conduit à :

dFh (x) Fh
=  (1 sign(x
_ ))
dx f
d'où :


F_h =  x_
f
jx_ jFh
On introduit le paramètre  = f . On obtient l'équation non-linéaire du 1er ordre.

1 f
F_h = jx_ jFh + x_ (1.4)
 
Le paramètre  est une distance caractéristique (voir gure 1.4). Les paramètres f et 
sont positifs. L'eet stribeck est introduit en étendant le modèle à un second ordre :

! !
1 1 0 1 f1
F_2 =

j x_ j 
0 1
F2 +


f2
x_ (1.5)

 
Fh = 1 1 F2 (1.6)

f1 et f2 sont des paramètres homogènes à des forces et  est sans dimension. Les
paramètres caractéristiques déjà dénis sont obtenus par les relations :

f = f1 f2
  
f2 1 
fs = f1 f2 + 2f2 (1  )
f1
 
f
se = log 1
1  f2
On peut généraliser les modèles du 1er et 2nd ordre en introduisant une notation ma-

tricielle :

18
Chapitre 1. Modèles de frottement 1.3. Modèles de frottement sec

F_n = jx_ j  AFn + B x_ (1.7)

Fh (x)(t) = CFn (t) (1.8)

Fn (0) = 0
Fn est la variable interne de frottement, de dimension n.
Dans [PS96], les auteurs explicitent les conditions de dissipation, garantissant ainsi la

compatibilité thermodynamique de ce modèle. La propriété de dissipativité peut se résu-


mer ainsi : 9P = P T > 0; Q = QT > 0; AT P + P A = Q; C T = P B , et la puissance Fhx_
_ = 21 (Qx; x)jx_ j + 21 dtd (P x; x). Cela conduit à l'interprétation thermomé-
s'écrit alors : Fh x

canique suivante : D = (Qx; x)jx _ j est un pseudo-potentiel de dissipation et F =


 1  1
2 2 (P x; x)
une énergie libre.
Remarque 1 Le modèle (1.7)+ (1.8) pourrait être exprimé en P et Q plutôt qu'en A,
B et C . Sous la contrainte de positivité de P et Q, le système serait par construction
dissipatif. 2

Le modèle du 1er ordre (équation (1.4)) est dissipatif pour tout  > 0. Le modèle du
second ordre (équations (1.5) et (1.6)) est dissipatif pour

8
< f1 > f2  0
>0
:
0<<1
Par analogie aux modèles linéaires invariants dans le temps (en anglais LTI pour Linear
Time invariant ), ces modèles d'hystérésis sont qualiés de LSIDH (Linear Space Inva-
riant Dierential Hysteresis) [PS93] [PS95]. Cette propriété sera étudiée dans un prochain
chapitre. Notons cependant que les modèles LSIDH de dimension nie ont été étendus

à une classe d'opérateurs d'hystérésis pseudo-diérentiels de dimension innie pour une


représentation diusive [Sor00].

L'équation (1.4), qui correspond au modèle d'ordre 1, sera appelée modèle LSIDH dans
tout le reste du document.

1.3.4 Autre modèle de type Dahl


Un article très récent [BdKAK01] propose une classe de modèles pour les systèmes

hystérétiques avec un objectif de commande. La structure proposée est inspirée des travaux

de l'équipe de Krasnoselskii [KP89] et de ceux de Visintin [Vis93].

F_h (t) = jx_ (t)j(Fh (t) w1 (x_ (t))) + w2 (x_ (t))x_ (t) (1.9)

Les fonctions w1 et w2 sont telles que :


 w1 est impaire, monotone croissante, diérentiable par morceaux,

19
Chapitre 1. Modèles de frottement 1.3. Modèles de frottement sec

 w2 est paire, continue par morceaux,


et elles vérient de plus :

dw1 (z )
lim = z!lim w2 (z )
z !+1 dz +1

dw1 (z )
w2 (z )  8z < 1
dz
Ces conditions font en sorte que le cycle d'hystérésis du diagramme Fh /x se parcourt
dans le sens contraire des aiguilles d'une montre. Cela caractérise plutôt des systèmes

électro-magnétiques que le frottement sec. Pour trouver le modèle LSIDH, il sut de faire

w1  0 et w2 = f .

1.3.5 Le modèle de Bouc


R. Bouc propose dans [Bou71] une fonctionnelle pour les systèmes hystérétiques. Cette
fonctionnelle tient compte de la propriété rate-independence. Les applications proposées

couvrent l'hystérésis mécanique et ferro-magnétique. Il s'agit d'un modèle par branches,

où le temps n'apparaît pas explicitement. La variable temps est alors remplacée par la
variation de x entre l'instant ts et tt notée Vst x. La fonctionnelle s'écrit alors :

Z t
Fh (t) = F (Vst x)dx(s) (1.10)
0


R +1
F (u) est une fonction nie, continue, positive, non-croissante pour u  0 telle que
0 F (u)du  M < 1. Il est supposé que x(0) = 0 et Fh(0) = 0. Le choix de F (u) dans
l'équation (1.10) donne l'allure des courbes. En prenant F selon :

u
F (u) = fe 

on obtient le modèle LSIDH. Eectivement, l'équation (1.10) s'écrit alors :

Z t Rt
Fh (t) = f e s jx_ (z)jdz x_ (s)ds (1.11)
0 
En dérivant (1.11) par rapport à t, on retrouve l'équation (1.4).

1.3.6 Le modèle Lund-Grenoble (LuGre)


Ce modèle dynamique permet de rendre compte des propriétés du frottement, en par-

ticulier l'eet stribeck. Basé sur une idéalisation de la surface de contact entre les corps,

le modèle décrit dans [dWOAL95] introduit une variable z homogène à une distance qui
suit une équation diérentielle non linéaire. Le frottement Fh est une fonction linéaire de

z.

20
Chapitre 1. Modèles de frottement 1.4. Conclusion

z_ = x_
jx_ j z
g (x_ )
( vx_s )2
0 g (x_ ) = f + (fs f )e
Fh = 0 z + 1 z_
fs est la force de stiction. vs est un paramètre homogène à une vitesse, appelé vitesse
de Stribeck. La fonction g décrit la courbe de Stribeck (voir [AHDdW94c]). 0 est une

raideur introduisant l'eet Dahl. On retrouve le modèle LSIDH en faisant tendre vs vers
0 et en prenant 1 = 0 (on pose 0 = f ).

1.3.7 Le modèle de Wen


Ce modèle a été proposé par Y.K. Wen pour une application aux systèmes vibratoires

[Wen76] [Wen80] [LD93]. La force hystérétique est dénie par l'équation suivante :

F_h = jx_ jFh jFh jn 1 x_ jFhjn + Ax_ (1.12)

L'eet Dahl est introduit dans ce modèle via le paramètre A. Les paramètres et
contrôlent la forme des cycles d'hystérésis. La transition entre le caractère élastique et

plastique est d'autant plus lisse que n est petit. Le cas particulier n = 1 et = 0 conduit
au modèle LSIDH en posant A= f, = 1 .


1.4 Conclusion
Les modèles présentés dans ce chapitre ont été utilisés pour décrire l'eet plastique

des phénomènes de frottement sec. Le modèle de Coulomb ne rend compte que de l'eet

plastique. La régularisation de Yoshida permet d'améliorer la résolution numérique lors de


simulation mais elle a le défaut d'introduire un eet visqueux plutôt qu'un eet élastique

rencontré pour les petites déformations. Le modèle de Dahl rend compte de cet eet. Le

modèle LSIDH est un cas particulier du modèle de Dahl. En l'étendant au second ordre,

P.A. Bliman et M. Sorine ont introduit l'eet Stribeck. Le modèle LuGRe rend compte
des eets Dahl et Stribeck également. On peut également voir le modèle LSIDH comme

un cas particulier du modèle de Bouc. Ce dernier, ainsi que le modèle de Wen, rendent

compte de l'eet Dahl mais pas de l'eet Stribeck.


On a vu comment, par des cas particuliers, les modèles diérentiels revenaient au

modèle LSIDH, lui même une version adoucie du modèle de Coulomb. La gure 1.5 résume
les diérents liens entre les modèles.

21
Chapitre 1. Modèles de frottement 1.4. Conclusion

F (u) u=
Bouc
fe 

1 = 0
vs ! 0
LuGre

!0
LSIDH Coulomb

i=1
Dahl

=0
n=1
Wen

!0
Yoshida

Fig. 1.5  Liens entre les modèles de frottement

22
Chapitre 2
Identication du frottement sec

2.1 Identication des systèmes


2.1.1 Généralités
L'identication de systèmes, ou tout simplement identication, désigne l'ensemble des

méthodologies pour la modélisation mathématique de systèmes à partir de données expé-


rimentales. En des termes plus techniques, l'identication a été dénie par [Zad62] comme

la détermination, à partir des signaux d'entrée et de sortie, du modèle mathématique d'un

système parmi une classe de modèles pré-spéciée.

Trois éléments essentiels sont concernés par l'identication : des données (signaux d'en-

trée et de sortie), une classe de modèles, et un critère ou une règle pour choisir un modèle

parmi la classe.

Les données peuvent être enregistrées par des observations passives du système à iden-
tier, ou par des expérimentations conçues pour réaliser l'identication dans de bonnes

conditions.

La classe de modèles est spéciée par une structure ou par des propriétés communes des
modèles. Cette spécication peut être basée sur des connaissances physiques fournissant

des équations mathématiques, qui contiennent toutefois des paramètres inconnus. Les
modèles qui en résultent sont dits modèles semi-physiques, ou modèles boîte-grise. Quand

une telle spécication est impossible par manque de connaissances physiques, la classe

de modèles est basée sur des hypothèses génériques, par exemple, la linéarité du système

à identier. Les modèles correspondant sont dits modèles boîte-noire. La spécication

de la classe de modèles boîte-noire soulève des problèmes d'ordre théorique et pratique,


+ +
notamment pour des systèmes non-linéaires [JHB 95, SZL 95]. Dans cette thèse nous

nous intéressons plutôt aux modèles semi-physiques, car la classe de modèles peut être
obtenue grâce à des études sur la physique du phénomène principal concerné, à savoir, le

frottement sec.

Quand les données sont disponibles et la classe de modèles est spéciée, il ne reste

qu'à déterminer le meilleur modèle parmi cette classe. La signication du meilleur est

au sens d'un critère choisi, qui évalue quantitativement l'adéquation entre les données et

chaque modèle de la classe spéciée. Les critères couramment utilisés sont basés sur l'erreur

23
Chapitre 2. Identication du frottement sec 2.1. Identication des systèmes

de prédiction des modèles, qui correspondent aux méthodes d'identication connues sous

le nom commun PEM (Prediction Error Methods), ce qui fait l'objet de la section suivante.
L'identication comme une branche de la théorie de l'automatique a été développée

depuis un demi siècle et a connu des applications bien au dela du domaine de l'automa-

tique. Pour une revue détaillée sur ce sujet, le lecteur est invité à consulter les ouvrages
[Lju87, SS89, WP97].

2.1.2 Identication par la méthode PEM


Une utilité élémentaire de modèles mathématiques est la prédiction du futur d'un
système. Pour ce faire, il est naturel d'exiger que l'erreur de prédiction soit minimale en

un certain sens. C'est l'idée essentielle des méthodes d'identication PEM. Le terme PEM

(Prediction Error Methods) a paru sans doute pour la première fois dans [Lju74], mais

l'idée de minimiser l'erreur de prédiction remonte jusqu'à Gauss qui a utilisé la méthode

des moindres carrés pour étudier le mouvement des corps célestes. Beaucoup de méthodes

d'identication sont liées à ce principe.

Puisque qu'il s'agit de mininiser l'erreur de prédiction, une notion importante est le

prédicteur. Le prédicteur construit à partir d'un modèle est souvent diérent du modèle
lui-même, car un modèle constitué d'équations mathématiques n'est pas toujours sous
une forme appropriée pour faire la prédiction. En plus, dans un contexte stochastique, il

nécessite souvent des calculs non triviaux, à partir du modèle stochastique, pour eectuer
la prédiction avec un bruit blanc comme erreur de prédiction. Des erreurs de prédiction

corrélées contiennent de l'information prévisible par le passé, donc le prédicteur corres-

pondant peut encore être amélioré.

En général la classe de modèle spéciée est sous forme d'une structure d'équations

paramétrées par des paramètres inconnus. A chaque valeur de ces paramètres correspond
un modèle de la classe. Un prédicteur basé sur un tel modèle est également paramétré

par les mêmes paramètres. Après la formulation d'un prédicteur et le choix d'une norme

de l'erreur de prédiction comme critère à minimiser, il ne reste qu'à appliquer un algo-

rithme d'optimisation pour chercher une valeur des paramètres du modèle qui minimise

le critère. Il est à noter que l'optimisation est généralement réalisée par des méthodes de
programmation non-linéaire et bien souvent ne trouve qu'un minimum local. Pour cette

raison l'initialisation de l'optimisation est souvent importante pour le succès de la mé-

thode. Mais avant toute implémentation d'une telle méthode, il faut d'abord formuler le
prédicteur. Quelques exemples sont donnés ci-dessous.

Quand l'erreur de prédiction est un bruit blanc gaussien, l'identication de paramètres

par la minimisation d'une norme choisie de l'erreur peut coïncider avec la méthode du

maximum de vraisemblance.
Bien que l'intérêt principal de cette thèse porte sur des modèles en temps continu, pour

une meilleure compréhension de la méthode ainsi que de l'algorithme que nous employons,
nous rappelons d'abord la formulation de prédicteurs dans le cas de modèles en temps

discret.

24
Chapitre 2. Identication du frottement sec 2.1. Identication des systèmes

2.1.2.1 PEM avec des modèles en temps discret


L'identication avec des modèles en temps discret a été largement étudiée dans la

littérature, parce que, d'une part, les algorithmes correspondant sont faciles à implementer

sur des calculateurs modernes, d'autre part, les données numériques collectées par des
instruments électroniques sont souvent échantillonnées.

Supposons que la classe de modèles spéciée est sous forme d'état en temps discret :

xk+1 = f (xk ; uk ; ) + wk
yk = h(xk ; uk ; ) + vk
où xk 2 R n , uk 2 R l et yk 2 R m sont respectivement l'état, l'entrée et la sortie du système,
f; h sont deux fonctions paramétrées par le vecteur  2 R p , et wk 2 R n , vk 2 R m sont des
bruits additifs. À chaque valeur de  correspond un modèle de la classe.

Pour une valeur de  donnée, ce modèle, sans les termes de bruits wk ; vk , pourrait

directement être utilisé comme un prédicteur. C'est notamment valable si on suppose que

wk est nul, vk est un bruit blanc, et que la condition initiale x0 est connue (à moins de
considérer x0 comme partie de ). Plus généralement, des méthodes de ltrage doivent
être utilisées pour construire un prédicteur pour que l'erreur de prédiction soit un bruit

blanc. Pour des systèmes non-linéaires en général, le ltrage nécessite des algorithmes très

sophistiqués [Jaz70]. La solution est relativement simple quand f et h sont des fonctions
linéaires et quand wk ; vk sont des bruits blancs gaussiens. Dans ce cas, le célèbre ltre de
Kalman constitue un prédicteur qui blanchit l'erreur de prédiction. Plus précisément, si

on considère le système linéaire

xk+1 = A()xk + B ()uk + wk


yk = C ()xk + vk
oùA; B; C sont des matrices paramétrées par , wk et vk sont des bruits blancs gaussiens
mutuellement indépendants et respectivement avec les matrices de covariance Q et R,

alors le ltre de Kalman s'écrit

x^k+1jk = A()^xkjk + B ()uk


x^kjk = x^kjk 1 + Kk "k
"k = yk C ()^xkjk 1
Kk = Pkjk 1C T [C ()Pkjk 1C T () + R] 1

Pk+1jk = A()Pkjk AT () + Q


Pkjk = (I Kk C )Pkjk 1
Il est bien connu que l'innovation "k , qui est l'erreur de prédiction de yk à partir des

données jusqu'à l'instant k 1, est un bruit blanc. Ceci donne un premier exemple de
prédicteur diérent du modèle lui-même.

Typiquement le gain Kalman Kk tend vers un vecteur constant quand k ! 1. Pour


simplier, on remplace Kk par K1 , et note A()K1 par K (). Alors on obtient
x^k+1jk = A()^xkjk 1 + B ()uk + K ()[yk C ()^xkjk 1]

25
Chapitre 2. Identication du frottement sec 2.1. Identication des systèmes

En principe, la dépendance en  de K () doit être prise en compte lorsque l'on mininise
l'erreur de prédiction. En pratique, K ( ) est souvent vu comme des paramètres de réglage
de la méthode d'identication.

Un autre exemple, largement développé dans [Lju87], est la classe des systèmes linéaires

invariants dans le temps sous forme de fonction de transfert. Supposons qu'un système
mono-entrée mono-sortie est modélisé par

yk = G(q )uk + H (q )ek


où uk et yk sont respectivement l'entrée et la sortie du système, ek un bruit blanc, et

G(q ) = 1 + g1 q 1 + g2 q 2 +   
H (q ) = 1 + h1 q 1 + h2 q 2 +   
sont des fonctions de transfert avec q l'opérateur de décalage. Alors le prédicteur
y^kjk 1 = H 1 (q )G(q )uk + [1 H 1 (q )]yk
blanchit l'erreur de prédiction yk y^kjk 1. Ceci constitue un autre exemple de prédicteur

diérent du modèle lui-même. Voir [Lju87] pour les détails, notamment dans le cas où

G(q ) et H (q ) sont des fonctions rationnelles de q 1.

2.1.2.2 PEM avec des modèles en temps continu


Les systèmes physiques sont souvent modélisés par des équations diérentielles, comme

dans le cas des systèmes considérés dans cette thèse, ce qui donne des modèles en temps

continu. De la même manière que dans le cas des systèmes en temps discret, la construction

d'un prédicteur pour un système non linéaire nécessite en général des techniques de ltrage

très sophistiquées [Jaz70]. En pratique, le rôle du ltre est souvent remplacé par un

observateur [NF99, GK01]. Par la suite, nous considérons en particulier le cas des systèmes

linéaires en temps continu, qui est essentiel pour les études de cette thèse.
Supposons qu'un système linéaire est régi par l'équation d'état

x_ (t) = F ()x(t) + G()u(t) (2.1)

où x(t) 2 R n et u(t) 2 R l sont respectivement l'état et l'entrée du système. Bien que ce

modèle d'état soit décrit en temps continu, l'équation de sortie, qui modélise les instru-
ments de mesure, est typiquement en temps discret, puisque que les signaux mesurés sont

échantillonnés :

yk = C ()x(k) + vk
où  est la période d'échantillonnage et vk le bruit de mesure. Il est à noter que cette
dernière équation suppose un échantillonneur idéal avec la fonction de Dirac comme im-

pulsion d'échantillonnage.

26
Chapitre 2. Identication du frottement sec 2.1. Identication des systèmes

Pour allier le modèle d'état en temps continu et les mesures en temps discret, une so-

lution consiste à discrétiser l'équation (2.1), ce qui donne le modèle discret correspondant

xk+1 = A()xk + B ()uk + wk


où xk = x(k), uk = u(k), wk représente l'erreur de discrétisation et toute autre erreur
de modélisation qui n'était pas explicitée dans l'équation (2.1).

Pour eectuer la discrétisation, il faut faire des hypothèses sur le signal u(t) entre deux
instants d'échantillonnage. Typiquement, on suppose que u(t) reste bloqué à la valeur du
dernier instant d'échantillonnage (bloqueur d'ordre zéro), ou est sous forme d'une ligne

droite qui relie les deux points d'échantillonnage successifs (bloqueur d'ordre un). Par
exemple, si le bloqueur d'ordre zéro est supposé, alors

A() = eF ()
Z 
B () = eF () dG() = F 1 ()(eF () I )G()
0

où la dernière égalité ne s'applique que si F () est inversible.


Après la discrétisation, les méthodes PEM pour les modèles en temps discret s'ap-
pliquent. Il est important de noter que, dans le modèle discrétisé, les matrices A et B
restent paramétrées par le vecteur de paramètres  d'origine du modèle en temps continu.
De cette manière on évite la conversion entre les paramètres des modèles en temps continu

et en temps discret, source d'erreurs numériques. Cette méthode pour l'identication de


systèmes en temps continu a été implémentée par la System Identication Toolbox [Lju95]

que nous employons dans cette thèse.

Une méthode alternative consiste à concevoir un prédicteur en temps continu. L'im-


plémentation de cette méthode nécessite des solveurs d'équations diérentielles ordinaires

et l'interpolation des signaux d'entrée et de sortie entre les instants d'échantillonnage.


L'avantage de cette méthode est qu'elle est aussi valable pour des systèmes non linéaires.

Le grand inconvénient est sa faible ecacité en terme de temps de calcul.


Si l'interpolation des signaux est équivalente à l'hypothèse du bloqueur d'ordre zéro ou
d'ordre un, et si l'erreur de prédiction ainsi calculée est échantillonnée aux mêmes instants

que les signaux d'entrée et de sortie, alors cette dernière méthode est théoriquement

équivalente à la méthode qui calcule l'erreur de prédiction à l'aide du modèle discrétisé.

2.1.3 Identication de systèmes en temps continu basée sur des


ltrages linéaires
Il est bien connu que si le modèle d'un système peut être transformé en une régres-

sion linéaire, alors la méthode classique des moindres carrés est utile pour l'estimation

des paramètres du modèle. Pour un modèle en temps continu, de telles transformations


nécessitent souvent des ltrages linéaires des signaux d'entrée et de sortie [SP91, Men99].

L'application de la méthode des moindres carrés aux modèles transformés donne en gé-
néral des estimés biaisés. Néanmoins, cette méthode peut être utilisée pour initialiser les

27
Chapitre 2. Identication du frottement sec 2.2. Identication et frottement

méthodes PEM. Dans le cadre de cette thèse, grâce aux interprétations physiques des mo-

dèles utilisés, l'initialisation à partir des connaissances a priori a toujours donné de bons
résultats, donc il n'y pas eu besoin de recouvrir à des méthodes basées sur des ltrages

pour l'initialisation.

2.2 Identication et frottement


L'identication des modèles de frottement se heurte au double problème de la non-

linéarité en état et de la non-linéarité par rapport aux paramètres. L'identication non


linéaire par minimisation d'un critère est souvent très délicate à mener car elle conduit à

des minima locaux. Cela n'a pas manqué d'être observé pour le frottement [AHDdW94c].

Une démarche pour essayer de remédier à ce problème est d'arriver à rendre le modèle
linéaire, soit en état pour utiliser les méthodes classiques rappelées à la section 2.1 (auquel

cas les problèmes de minima locaux peuvent toujours exister mais sont plus faciles à

résoudre), soit en paramètres pour utiliser directement les techniques de moindres carrés.

Cela est possible pour certains modèles de type Coulomb [AHDdW94c],[AHDdW94a].

Souvent, l'équation du frottement est couplée à une équation de mouvement du type :

mx + kx + cx_ = Fh + Fext (2.2)

où m est la masse du système, k et c les coecients de raideur et d'amortissement visqueux


et Fext l'excitation extérieure du système.

2.2.1 Identication des modèles de Dahl


P.A. Bliman aborde l'identication du modèle de Dalh couplé à une équation de mou-

vement dans [Bli90] où les paramètres k et c de l'équation (2.2) sont supposés nuls. Le

système composé de (2.2) et de (1.3) est normalisé par f , supposé connu. L'identication
consiste alors à estimer =  et i. On suppose x et Fext mesurés. L'algorithme proposé
f
est une méthode du gradient. L'algorithme a été testé sur des données de simulation non

bruitées.

Dans [BdKAK01], on suppose que l'entrée du modèle hystérétique est la sortie d'un

système linéaire invariant (gure 2.1).

u LTI
x Fh

Fig. 2.1  Système linéaire en entrée d'un système hystérétique

u et Fh sont mesurés. La partie hystérétique est d'abord identiée. Le


Il est supposé que

signal d'entrée u est un sinus autour d'une valeur u d'amplitude A et de fréquence !t . Les

caractéristiques du cycle d'hystérésis sont obtenues graphiquement en faisant varier l'am-


plitude A. Les paramètres du modèle hystérétique en sont déduits après une linéarisation

28
Chapitre 2. Identication du frottement sec 2.2. Identication et frottement

du modèle, valable sous l'hypothèse de petits débattements ( A << ). La partie linéaire
est ensuite identiée après une nouvelle approximation avec des méthodes fréquentielles.
Le système est alors excité en faisant varier la fréquence !t .

2.2.2 Identication du modèle LuGre


L'identication du modèle LuGre a été étudiée dans [AML97, AGL98]. Les données sont

récoltées sur une installation industrielle constituée d'un axe d'une machine à électro-

érosion. L'équation de mouvement est donnée en couple. La méthode consiste en une

identication en 2 temps. Une première étape consiste à estimer les paramètres fs , f et


vs de l'équation (1.12) à partir de données stationnaires ( z_ = 0, x = 0) en suivant un

algorithme d'optimisation non linéaire. La seconde étape permet l'estimation de 0 et 1 en


ne considérant que des petits déplacements, le système étant considéré en pré-glissement.

Le modèle devient linéaire en état et est estimé par les méthodes d'identication standards.

2.2.3 Identication du modèle de Wen


L'étude de l'identication en ligne du modèle de Wen est proposée dans [CMSC98]. On

considère une équation de mouvement (2.2) où k et c sont nuls. Le modèle de frottement


(1.12) est modié et s'écrit :

1
F_h = [Ax_ ( jx_ jjFhjn 1 Fh x_ jFh jn )] (2.3)

A la fois x, x_ et x sont supposées mesurées ou obtenues par diérentiation ou inté-

gration, la force Fh est donc connue si la masse m est connue. Pour obtenir un modèle
linéaire dans les paramètres, il est écrit de la façon suivante :

nX
=N
1
F_h = [Ax_ an ( jx_ jjFhjn 1 Fh x_ jFh jn )] (2.4)
 n=1

N est pris susamment grand pour que la vraie valeur de n soit comprise entre 1 et
N . Un seul des paramètres an vaut 1, les autres sont nuls. Le modèle est ensuite discrétisé
et s'écrit sous la forme :

Fh (k) = Fh (k 1) + T (k 1)(k) (2.5)

où k  est le régresseur contentant des états en k 1 (par exemple le


désigne l'instant,

terme jx_ (k 1)jjFh(k 1)jN 1 Fh (k 1)) et  est le vecteur de paramètres, contenant


des regroupements des paramètres physiques de l'équation initiale, des an et du pas de

discrétisation. L'identication en ligne est alors réalisée suivant les techniques classiques

de contrôle adaptatif [WP97].

29
Chapitre 2. Identication du frottement sec 2.2. Identication et frottement

Dans [Wen80], Y.K. Wen propose une méthode de linéarisation dite équivalente pour

les systèmes hystérétiques sous excitation aléatoire. Une description de la méthode de


linéarisation stochastique peut être trouvée dans [AU76]. Les coecients du système li-

néarisé sont obtenus algébriquement à partir des statistiques (moments) des variables. On

peut également les déterminer par les méthodes d'identication linéaires usuelles. Mal-
heureusement, le lien entre les paramètres linéarisés et les paramètres physiques n'est pas

donné, pour autant qu'il existe.

30
Deuxième partie
Modélisation d'un système
hystérétique, propriétés et identication

31
Chapitre 3
Modèles de systèmes hystérétiques

3.1 Hypothèses
Nous considérons un système possédant la propriété rate-independence (voir équation

(1.1)). Dans le cas où le système présente des eets visqueux, nous supposerons que le
système fonctionne à très faible vitesse an de nous en aranchir.

On suppose que l'eort F délivré par le système peut être décomposé en une force

élastique Fe Fh , fonctionnant en parallèle (gure 3.1). La force


et une force hystérétique

Fe est liée à la déformation élastique des éléments (Fe (0) = 0) tandis que Fh correspond
à des phénomènes plastiques, de type frottement sec. La décomposition se résume dans

la formule suivante :

F (t) = Fe (t) + Fh (t) (3.1)

On note x le déplacement. Une analogie directe peut être réalisée pour un fonctionne-
ment en couple. F est alors un couple et x un angle.

Fe Fh

x
F

Fig. 3.1  Force élastique et hystérétique en parallèle

3.2 Modèle à coecients constants


Nous allons décrire un premier modèle pour lequel la force élastique dépend linéaire-

ment de x et pour lequel les paramètres de la force hystérétique sont constants. C'est pour

32
Chapitre 3. Modèles de systèmes hystérétiques 3.3. Modèle à coecients variables

cette raison que nous le qualions de modèle à coecients constants.

La force élastique est dénie par une raideur k, qui la rend directement proportionnelle
à x:

Fe (t) = kx(t) (3.2)

Fe ne dépendant que de la position instantanée de x, elle possède bien la propriété rate-


independence. Il s'agit d'une force conservatrice, sa représentation dans le diagramme
Eort/déplacement est une droite de pente k passant par l'origine.
Nous utilisons le modèle LSIDH du 1er ordre (1.4) pour la force hystérétique. Nous fai-

sons l'hypothèse supplémentaire que la "constante " d'espace peut prendre des valeurs dif-
férentes suivant le signe de x_ . Pour signier cette dépendance, nous notons ~ la "constante "
d'espace et + et  ses valeurs prises :


+ pour x_ > 0
~ = (3.3)
 pour x_ < 0
Nous redonnons alors l'équation non linéaire pour la force hystérétique :

dFh 1 f
= jx_ jFh + x_ (3.4)
dt ~ ~
Les paramètres f , + et  sont supposés constants et positifs. Les équations (3.1),
(3.2) et (3.4) représentent un système d'état non linéaire de dimension 1. Les entrées sont

le déplacement x et sa dérivée temporelle. La sortie est l'eort F . Les paramètres du


systèmes sont k , f , + et  .

Remarque 2 Nous faisons le choix de paramétrer le modèle de frottement en f et ~ plu-


tôt que d'introduire les matrices P et Q garantissant la dissipativité (voir remarque 1 page
19). Puisque nous ne considérons que le modèle du 1er ordre, les conditions de dissipativité
sont faciles à vérier. 2

Les équations du modèle à coecients constants sont :

F (t) = kx(t) + Fh(t) (3.5)

dFh (t) 1 f
dt
=
~
jx_ (t)jFh (t) + x_ (t)
~
(3.6)

3.3 Modèle à coecients variables


3.3.1 Non linéarités statiques
L'hypothèse d'invariabilité des paramètres n'est pas toujours tenable, en particulier

lorsque le système est amené à fonctionner dans des plages très larges. Lorsque les para-

mètres dépendent du point de fonctionnement (typiquement x), la modélisation par splines

33
Chapitre 3. Modèles de systèmes hystérétiques 3.3. Modèle à coecients variables

permet de rendre compte de cette dépendance en x. Dans ce paragraphe, nous modélisons


la force élastique Fe (x) par une fonction linéaire par morceaux via des B-splines du 2
nd
ordre. Nous appliquons ensuite la méthode au coecient f que l'on supposera également

varier en fonction de x. C'est à ce titre ce nous disons de ce modèle qu'il est à coecients

variables.
Dans le cas le plus général, la force élastique dépend non linéairement de x suivant

une fonction notée Fe (x). La force dépendant uniquement de x, on omet le terme t dans
l'expression de Fe . L'origine physique de cette non linéarité varie d'un système à l'autre.
Par exemple, dans une butée de choc, elle provient de l'incompressibilité de la matière

qui tend naturellement à rendre la butée plus raide lorsqu'elle est comprimée.
Nous supposerons que la non linéarité est continue et linéaire par morceaux. La raideur

est dénie localement comme :

dFe (x)
k(x) = (3.7)
dx
3.3.2 Linéarité par morceaux
Une représentation simple et robuste de la non linéarité est la linéarité par morceaux

(voir gure 3.2). Elle est simple car elle ne nécessite que peu de paramètres pour la

représenter et les fonctions considérées sont anes. Elle est robuste car il est alors possible

d'extrapoler au delà de la plage de valeurs dans laquelle les paramètres ont été estimés.

Ce n'est pas le cas pour des polynômes de degré élevé. La fonction k(x) est une fonction
en escalier.

k(x) = ki si x 2 [ui ; ui+1]i 2 [1; N ]


où [ui ; ui+1 ] est une plage de fonctionnement pour x du système.

Ainsi, la force élastique est dénie par N raideurs qu'il s'agit de déterminer. Pour cela,

Fe peut être mise sous la forme d'une régression linéaire. En eet, on a :

X
Fe (x) = (ki x + Æi )1[ui ;ui+1] (x) (3.8)
i

Pour que Fe soit une fonction continue de x, il faut imposer des conditions sur les Æi
qui s'écrivent :

ki 1 ui + Æi 1 = ki ui + Æi
Pour déterminer les Æi en fonction des ui et des ki , il faut se donner la valeur de Æ1 ou
d'un Æi0 . Ce dernier est donné par la condition Fe (0) = 0.
Outre que la formule obtenue n'est pas simple, la forme linéaire obtenue est mal condi-

tionnée du fait que les régresseurs sont formés de fonctions indicatrices. Pour illustrer
ceci, considérons le cas où x ne prend que des valeurs comprises entre u1 = 0 et uN +1 .

34
Chapitre 3. Modèles de systèmes hystérétiques 3.3. Modèle à coecients variables

Fe

k4

k3

u1 u2 u3
x
u4 u5

k2

k1

Fig. 3.2  Exemple d'une force élastique décrite par 4 raideurs

La condition Fe (0) = 0 est Æ1 = 0. Alors Æi est déterminée par la formule récursive pour
i 2 [2; N ] :
i
X
Æi = (kj 1 kj )uj
j =2
En remplaçant Æi dans l'équation (3.8) et en regroupant les termes en ui :

N
X N
X
Fe (x) = ki x + (ki 1 k1 )ui1[ui ;uN +1 ] (x) (3.9)
i=1 i=2
En regroupant les termes en ki , on obtient la régression linéaire suivante :

Fe = K (x)

 
K = k1 ::: ki ::: kN (3.10)
2 3
x1[u1 ;u2 ] (x) + u2 1[u3 ;uN +1 ] (x)
6 ::: 7
6 7
6 7
 (x) = 6 (x ui)1[u1 ;ui+1 ] (x) + (ui+1 u1 )1[ui+1;uN +1 ] (x) 7 (3.11)
6 7
4 ::: 5
(x uN )1[uN ;uN +1 ]
On obtient ainsi une description directe en fonctions des raideurs ki . Si l'on trace les
composantes de  , notée i , en fonction de x, on obtient la gure 3.3 :
On voit que les régresseurs i deviennent parallèles entre eux pour les fortes valeurs de

x. Si l'on considère l'estimateur des moindres carrés déterminé à partir des données des

35
Chapitre 3. Modèles de systèmes hystérétiques 3.3. Modèle à coecients variables

5
2
1

4
3

x
u1 u2 u3 u4 u5 u6

Fig. 3.3  i en fonction de x

temps t1 à tn , en notant  = [ (x(t1 ))::: (x(tn))]T , on a le risque que  T  soit singulière.

Cette structure peut conduire à des problèmes numériques. C'est pourquoi on envisage
une autre description de la fonction linéaire par morceaux : les splines.

3.3.3 Approximation par des splines


Plutôt que les raideurs, on peut aussi choisir, de manière équivalente, de paramétrer la

fonction linéaire par morceaux Fe (x) aux points de changement de pente. Pour cela, nous
allons approcher Fe par des B-splines d'ordre 2 [Boo78].
Nous divisons l'intervalle [a; b] en M intervalles (on peut les prendre de largeur Æ

constante) de la forme :

U1 = [u1 ; u2 ) ::: Ui = [ui ; ui+1) ::: UM = [uM ; uM +1]


Nous approchons Fe par une fonction continue par morceaux décomposée ainsi :

M
X +1
Fe (x) = i 'i (x) (3.12)
i=1
avec :

 u2 x
si x 2 U1
'1 (x) = Æ (3.13)
0 sinon
8 x ui 1
< Æ si x 2 Ui 1
'i (x) = ui+1 x
Æ si x 2 Ui pour i 2 [2; M ] (3.14)
:
0 sinon
 x uM
si x 2 UM
'M +1 (x) = Æ (3.15)
0 sinon

La gure 3.4 trace les fonctions 'i pour M = 4. Nous obtenons une structure B-spline
du 2nd ordre, linéaire dans les paramètres i . Si l'on modélise la force élastique suivant

36
Chapitre 3. Modèles de systèmes hystérétiques 3.3. Modèle à coecients variables

(3.12), les paramètres i ont une signication physique directe : i est la force élastique

estimée au point ui :

i = Fe (ui ) (3.16)

'1 '2 '3 '4 '5

x
u1 u2 u3 u4 u5

Fig. 3.4  B-splines du 2nd ordre

Notons que la contrainte Fe (0) = 0 implique une contrainte sur les paramètres.
Si l'on a choisit 0 comme point de changement de pente de Fe (x), le coecient i qui
lui correspond est nul.

Si 9i=ui = 0 alors i = 0
Sinon, le point (0; 0) appartient à la droite joignant les deux points de changement de
pente de Fe qui sont de part et d'autre de l'origine.

Si 9i=ui 1 < 0 < ui alors i = i 1 uui


i 1
Fe ne dépendant que de la position instantanée de x, elle possède bien la propriété

rate-independence. Il s'agit d'une force conservatrice, sa représentation dans le diagramme


Eort/Déplacement est une simple courbe, celle de Fe (x).

3.3.4 Application à la force hystérétique


De même que la force élastique Fe peut dépendre non linéairement de x, il se peut

que le paramètre de frottement f varie suivant x. En eet, si x varie grandement, les

conditions de fonctionnement du système peuvent changer et inuer sur le paramètre f.


On peut alors le rendre dépendant de x suivant une fonction f (x).

37
Chapitre 3. Modèles de systèmes hystérétiques 3.3. Modèle à coecients variables

Le modèle de frottement devient alors :

dFh 1 f (x)
= jx_ jFh + x_ (3.17)
dt ~ ~
Une structure par B-splines peut être appliquée au modèle de frottement. En modélisant

f (x) comme on a modélisé Fe (x), et en l'intégrant dans l'équation (3.17), on obtient :

M +1
dF X
~ h =
dt
jx_ (t)jFh(t) + i 'i (x(t))x_ (t)
i=1

Les paramètres i ont de même une interprétation physique. i est le coecient de


frottement estimé au point ui .

3.3.5 Equations du modèle à coecients variables


Les non-linéarités de la force élastique et la variation du coecient de frottement f
en fonction de x, modélisé via une structure de type B-splines conduit ainsi au modèle

suivant :

M
X +1
F (t) = i 'i (x(t)) + Fh (t)
i=1
M +1
1 X i
F_h (t) =
~
j x_ (t)jFh (t) + ' (x(t))x_ (t)
~ i
i=1

On propose l'écriture condensée suivante :

F (t) = T '(x(t)) + Fh (t) (3.18)

1 T
F_h (t) = j x_ (t)jFh (t) + '(x(t))x(_t) (3.19)
~ ~
avec :

 T
'(x) = '1 (x) ::: 'M +1 (x) (3.20)
 T
= 1 ::: M +1
 T
 = 1 ::: M +1
Ces équations représentent un système d'état non linéaire de dimension 1. Les entrées
du système sont les 'i (x) et 'i (x)x_ . Leur nombre est beaucoup plus important que pour le
modèle à coecients constants. Les paramètres du système sont  2 R
1;M +1 , 2 R 1;M +1
et les scalaires + et  .

38
Chapitre 3. Modèles de systèmes hystérétiques 3.4. Conclusions

3.3.6 Cas particulier


x ! Fe (x) et supposons que cette
Supposons que l'on connaisse la forme de la fonction

fonction soit paramétrée par un vecteur de paramètres 1 . On note alors x ! Fe (x; 1 ).

Pour exploiter cette connaissance a priori tout en maintenant la linéarité introduite par
les splines, nous approximons Fe par des B-splines du 2nd ordre pour lesquels le vecteur

de paramètres  est lui-même paramétré par 1 .


D'après (3.16), on peut écrire les composante de  en fonction de 1 :

 T
 = Fe (u1 ; 1 ) ::: Fe (uM +1; 1 ) (3.21)

En conséquence, on ne recherche plus le vecteur  mais le vecteur 1 , généralement


de dimension inférieure. La connaissance a priori de la forme de Fe diminue la dimension
de recherche des paramètres, ce qui est en général favorable à la qualité de l'identication

et diminue les temps de calcul. Cela reste vrai si 1 apparaît de façon simple dans . Si
la dépendance est trop fortement non linéaire, il est préférable d'un point de vue pratique

de laisser les composantes de  indépendante (non liées par une fonction de 1 ).


Ceci se généralise directement au coecient de frottement. Si on suppose que la fonction

x ! f (x) est paramétrée par 2 . Les paramètres 1 et 2 peuvent avoir des termes
communs.

 T
= f (u1 ; 2 ) ::: f (uM +1 ; 2 ) (3.22)

3.4 Conclusions
Nous avons décrit dans ce chapitre une modélisation de systèmes hystérétiques. Le mo-

dèle hystérétique retenu est celui de Bliman-Sorine pour ses propriétés qui seront décrites
au chapitre suivant. En le couplant à un eort élastique linéaire, nous avons déni le

modèle à coecients constants. Pour introduire une non linéarité statique à la fois dans la
force élastique mais aussi dans la force hystérétique, nous avons utilisé des B-splines du 2nd
ordre. Cela correspond à une modélisation linéaire par morceaux constituant en général

une bonne approximation, tolérante à des extrapolations et numériquement satisfaisante.

De plus, les paramètres obtenus ont une interprétation physique directe et interviennent

linéairement en fonctions de variables ne dépendant que de l'entrée x. Ce sont ces deux


aspects qui nous ont fait choisir cette modélisation.

39
Chapitre 4
Propriétés structurelles

4.1 Introduction
Le frottement sec est un phénomène non linéaire. Pour l'étudier en détail, il est né-

cessaire d'introduire des modèles non linéaires. Les moyens de simulation de tels modèles
sont désormais accessibles, l'intégration temporelle se faisant avec des méthodes numé-

riques (Runge-Kutta par exemple) largement implémentée sur les divers logiciels de calcul.

D'un autre coté, disposer d'un modèle linéaire est très avantageux losque l'on veut ana-

lyser un système ou faire du contrôle et de l'identication. Dans le cas de la commande,


un certain nombre de méthodes dans le cas linéaire ont déjà fait leurs preuves, citons

l'exemple des PID. L'identication des modèles linéaires est également bien maitrisée. Il

est souhaitable de transformer le modèle non linéaire en un modèle linéaire, si cela est

possible. Pour cela, nous allons utiliser les modèles décrits au chapitre précédent et leur

appliquer un changement de variable pour les rendre linéaires. Le modèle ainsi linéarisé

n'étant pas sous forme d'une régression linéaire, la méthode des moindres carrés classique

pour l'estimation des paramètres ne s'applique pas. Dans ce chapitre, nous allons décrire

et utiliser les propriétés du modèle LSIDH de Bliman-Sorine et justier son choix parmi

les nombreux autres modèles du point de vue de l'identication. La principale propriété

de ce modèle hystérétique est sa linéarité en espace, d'où le terme LSIDH. Les modèles

linéarisés peuvent être alors mis sous forme d'état et on obtient leur fonction de transfert.

Nous pourrons ensuite étudier l'identiabilité des structures, an de nous assurer de l'uni-
cité de la solution au problème d'identication. Nous rappelerons les méthodes que nous

appliquerons aux modèles linéarisés. Une autre application directe de la linéarisation est

la recherche d'entrée optimale. Nous nous limiterons au cas d'une entrée sinusoïdale en

appliquant une méthode fréquentielle au modèle à coecients constants.

40
Chapitre 4. Propriétés structurelles 4.2. Linéarisation par changement de variable

4.2 Linéarisation par changement de variable


4.2.1 Principe
Nous allons présenter un changement de variable qui va nous permettre d'obtenir un
modèle linéaire. Il s'agit d'une linéarisation exacte et non pas d'une linéarisation autour

d'un point de fonctionnement au 1er ordre ou d'une linéarisation stochastique comme cela
a été fait pour le modèle de Wen (voir section 1.3.7). Le modèle est simplement exprimé

dans un référentiel diérent de celui du temps habituel : le temps interne au phénomène


hystérétique. Ce changement de variable est une généralisation (due à + 6=  ) de celui

proposé pour le modèle LSIDH dans [PS93, PS95].

L'équation (3.3) peut également s'écrire :

~ = +
jx_ j+ +  jx_ j
jx_ j jx_ j
où jx_ j+ et jx_ j sont respectivement la partie positive et négative de x_ :


x_ x_  0
jx_ j+ =
0
si

si x_ 0

0 si x_  0
jx_ j =
x_ si x_  0
Introduisons les paramètres positifs et  dénis à partir de + et  :

r
+
= (4.1)

p
 = +  (4.2)

Nous dénissons x_ la vitesse modulée par par :

x_ =
jx_ j+ jx_ j (4.3)

Nous démontrons alors les propriétés suivantes :

sign (x_ ) = sign(x_ ) (4.4)

~x_ = x_ (4.5)

~x_ = x_ 1 (4.6)

Remarquons que jx_ j+ et jx_ j ne peuvent pas être non nuls en même temps. Si x_ > 0,
_ = jx_ j+ > 0.
alors x Si x_ < 0, alors x_ = jx_ j < 0. Cela prouve la première propriété.
La seconde propriété est démontrée par le calcul suivant :

41
Chapitre 4. Propriétés structurelles 4.2. Linéarisation par changement de variable

r r
jx_ j+ jx_ j  +
~x_ = [+
jx_ j +
jx_ j + jx_ j+
][

jx_ j ]
=
jx_ j2 jx_ j2
 + 
jx_ j jx_ j
(jx_ j + jx_ j )(jx_ j+ jx_ j )
=  +
jx_ j
= x_
La troisième propriété se prouve par un calcul similaire :

~x_ = [+
jx_ j+ +  jx_ j ]jx_ j sign(x_ )
jx_ j jx_ j
= [+ jx_ j+ +  jx_ j ] sign(x_ )
= + jx_ j+  jx_ j
1
= [ jx_ j+ jx_ j ]

= x_ 1
En corollaire de (4.5), nous avons la propriété suivante :

jx_ j = jx_ j (4.7)


~ 
4.2.2 Linéarisation du modèle à coecients constants
Sous forme intégrale, l'équation (3.4) s'écrit :

Z t 
1 f
Fh (t) = Fh (0) +
~
jx_ ( )jFh ( ) + x_ ( ) d
~
0
D'après (4.7), on a alors :

Z t 
1 f
Fh (t) = Fh (0) +

j x_ ( )jFh ( ) + jx_ ( )j sign(x_ ( )) d

0
d'où le changement de variable modulé par :

ds = jx_ jdt (4.8)

Cela dénit une variable d'espace s :


Z t
s (t) = jx_ ( )jd
0

42
Chapitre 4. Propriétés structurelles 4.2. Linéarisation par changement de variable

A partir de (4.3), on peut introduire la position modulée par x dénie comme

primitive de x_ :

Z t
x (t) = x (0) + x_ ( )d
0

Nous obtenons :

dx
sign (x_ ) = (4.9)
ds js =s (t)
Nous avons alors :

Z s  
1 f dx (& )
Fh (s ) = Fh (0) + Fh (& ) + d&
0   ds
Sous forme diérentielle, on obtient l'ODE en s :

dFh(s ) 1 f dx
= Fh (s ) +
ds   ds
On obtient la propriété de linéarité en espace (LSIDH) : l'équation régissant la variation

de Fh est linéaire quand elle est exprimée en s . Le système raideur-frottement sec se

modélise ainsi suivant :

F (s ) = kx(s ) + Fh (s )
dFh (s ) 1 f dx
= Fh (s ) +
ds   ds
Remarque 3 Dans cette thèse, pour simplier les notations, on note par la même lettre
la variable dépendant de t et celle dépendant de s . On trouvera dans [PS93, PS95] un
système de notation plus rigoureux. 2

4.2.3 Linéarisation du modèle à coecients variables


Nous appliquons strictement la même démarche pour le modèle à coecients variables.
Sous forme intégrale, l'équation (3.19) s'écrit :

Z t T 
1
Fh (t) = Fh (0) +
~
j x_ ( )jFh ( ) + '(x( ))x_ ( ) d
~
0

En utilisant l'équation (4.9) , le changement de variable déni par (4.8) conduit à :

43
Chapitre 4. Propriétés structurelles 4.2. Linéarisation par changement de variable

Z s  T 
1 dx (& )
Fh (s ) = Fh (0) + Fh (& ) + '(x(& )) d&
0   ds
Sous forme diérentielle, on obtient l'ODE en s suivante :

dFh (s ) 1 T dx
= Fh (s ) + '(x(s ))
ds   ds
Le système raideur-frottement sec se modélise ainsi suivant :

F (s ) = T '(x(s )) + Fh (s )
dFh (s ) 1 T dx
= Fh(s ) + '(x(s ))
ds   ds
4.2.4 Cas particulier fondamental
Il s'agit du cas classique du modèle LSIDH pour lequel le paramètre ~ est constant
[PS95].

Dans ce cas ~ = + =  =  et on a d'après (4.1) et (4.2) :

= 1
x_ 1 = x_
Le changement de variable (4.8) devient alors :

ds1 (t) = jx_ ( )jd (4.10)

La variables1 (t) s'interprète alors comme la distante totale parcourue. On la note plus
simplement s(t).

Z t
s(t) = jx_ ( )jd (4.11)
0
On a aussi :

dx
sign (x_ ) =
ds js=s(t)
Dans la suite de cette thèse, nous considérerons ce cas particulier. Nous reviendrons

cependant sur le cas général dans la section 7.3.

Lorsque nous ferons référence aux modèles à coecients constants et à coecients

variables, nous supposerons donc que nous nous plaçons sous cette hypothèse.

44
Chapitre 4. Propriétés structurelles 4.2. Linéarisation par changement de variable

Pour le modèle à coecients constants linéarisé, on a :

F (s) = kx(s) + Fh (s) (4.12)

dFh(s) 1 f dx
= Fh (s) + (4.13)
ds   ds
Pour le modèle à coecients variables, on a :

F (s) = T '(x(s)) + Fh (s)


dFh (s) 1 T dx
= Fh (s) + '(x(s))
ds   ds
4.2.5 Mise sous forme d'état
Le changement de variable a conduit à linéariser les systèmes à coecients constants et

à coecients variables établis au chapitre 3. On obtient alors l'écriture sous forme d'état :

dX
= AX + Bu
ds
Y = CX + Du
Pour le modèle à coecients constants, on a :

( 
A = 1 B = 0 f  C=1

D= k 0

 
Y = F X = Fh u= x dx T
ds
Pour le modèle à coecients variables :
8 h i
>
>
> A = 1 B = 01;M +1 T
>
<  
C=1 D = T 01;M +1
>
>
> Y =F X = Fh
>
:  T
u = '(x)T '(x)T dx
ds

On introduit p la variable de Laplace. On remarque que pour le modèle à coecients


constants, l'entrée u est composé par le déplacement x et sa dérivée spatiale :
dx = px.
ds
En dénitive, ce modèle est un système mono entrée-mono sortie. Par la formule suivante,

on peut obtenir sa fonction de transfert scalaire directement entre F et x.


F (p) = pC (p A) 1 B + D x(p)
La fonction de transfert du modèle à coecients constants est donc :

(f + k)p + k
HCC (p) = (4.14)
p + 1

45
Chapitre 4. Propriétés structurelles 4.2. Linéarisation par changement de variable

Les paramètres de ce modèle sont regroupés dans le vecteur :

2 3
k
CC = 4 f 5 (4.15)


Le modèle à coecients variables, en revanche, est multi entrée-mono sortie, sa fonction

de transfert entre F et u est vectorielle.


F (p) = C (p A) 1 B + D u(p)

h i
T
HCV (p) = T p+1 (4.16)

Les paramètres du modèle à coecients variables sont regroupés dans le vecteur :

2 3

CV = 4 5


4.2.6 Forme canonique


Les modèles d'état obtenus dans ce chapitre ne sont pas sous forme canonique. Cela est

visible directement pour le modèle à coecients constants. L'entrée x et sa dérivée sont


toute les deux présentes dans le modèle d'état (4.12) + (4.13). On peut faire disparaître

la dérivée en introduisant une nouvelle variable d'état dénie par :

2
z= F + x
f h
Le modèle à coecients constants peut alors s'écrire suivant :

dz 1
= z+x
ds 
f f
F = z + ( + k)x
 2 
Cette forme d'état est alors canonique. La variable d'état z a l'interprétation physique
f fx
suivante :
2 z est la composante purement plastique du frottement sec. La partie

correpond à la partie élastique qui rend compte de l'eet Dahl. Dans [PS96], M. Sorine et

P.A. Bliman proposaient une décomposition de la déformation x en une partie purement


élastique et une partie purement plastique.

La paramétrisation en z est légèrement plus complexe que celle en Fh , on voit en eet


2
apparaître des termes en  . D'un point de vue numérique, le terme
dx est facile à obtenir
ds

46
Chapitre 4. Propriétés structurelles 4.3. Identiabilité

car il s'agit de sign (x_ ) qui vaut donc 1. De plus, le terme x_ (t) doit être calculé pour

mener le calcul de s(t) et faire le changement de variable. Les fonctions de transfert de


la forme canonique et de la forme dénie par (4.12) + (4.13) sont identiques. L'analyse

de l'identiabilité et la recherche d'entrée optimale qui sera eectuée dans la suite de ce

chapitre n'est donc pas aectée par la forme du modèle d'état. Pour toutes ces raisons,
nous restons avec le modèle d'état sous la forme dénie à la section 4.2.5 pour les modèles

à coecients constants et à coecients variables.

4.3 Identiabilité
4.3.1 Objectifs
Le problème d'identiabilité est purement théorique : on se place dans le cas idéal
où le modèle est parfait (au sens où un des modèles de la classe paramétrique décrit
parfaitement le système), les données sont non bruitées et les temps de mesures peuvent

être choisis sans contraintes. Cependant, la propriété d'identiabilité est une condition

nécessaire pour que les paramètres d'un modèle soient correctement estimés.

On considère alors une classe paramétrée de modèles (ou structure) notée M. Les
modèles de cette classes dièrent entre eux uniquement par les valeurs de leurs paramètres

. La notation M() désigne le modèle de structure M et de paramètre .


Supposons 2 modèles de même structure M, l'un paramétré en  ^, l'autre en  . A entrée
u(t) xée, les deux modèles ont des comportements entrée/sortie identiques ou diérents,
^ et de  . Par exemple, si ^ =  , les deux modèles ont le même
suivant les valeurs de 

comportement entrée-sortie (que l'on écrit M( ^) = M( )).


On s'intéresse au problème de savoir si un comportement entrée/sortie identique im-
plique ^ =  . On dira qu'un paramètre i (la i-ème composante du vecteur paramètre )

est structurellement globalement identiable (sgi) si, pour presque tout  ,

M(^) = M( ) ) ^i = i


S'il existe un voisinage V ( ) pour lequel
^ 2 V ( ) et M(^) = M( ) ) ^i = i
le paramètre est dit localement identiable. Dans le cas contraire le paramètre est non

identiable. Si tous les paramètres i sont identiables, on dit que le modèle est identiable
(sgi si tous les paramètres sont sgi).

Les méthodes pour analyser l'identiabilité sont d'autant plus complexes que la struc-

ture est non linéaire et que le nombre de paramètres et la dimension d'état sont élevés.

Les méthodes pour les structures de modèles non linéaires peuvent être extrêmement com-

plexes : certaines font intervenir les dérivée de Lie ou des notions d'algèbre diérentielle

[Oll90], [GL94]. Excepté dans des cas simples, la recherche eective de l'identiabilité par

de telles méthodes est très dicile à mettre en oeuvre. Concernant les structures linéaires,

les méthodes sont plus simples. La méthode utilisée pour l'analyse de l'identiabilité des

47
Chapitre 4. Propriétés structurelles 4.3. Identiabilité

structures linéaires est décrite dans [WP97]. Elle est basée sur la fonction de transfert du

système.
On considère un modèle linéaire invariant déni par n équations diérentielles ordi-

naires du 1er ordre dépendant des paramètres . On écrit le modèle sous forme d'état :

X_ = A()X + B ()u
y = C ()X + D()u
X (0) = X0 () (4.17)

X est le vecteur d'état, X (0) est l'état initial, u l'entrée du système, et y la sortie

mesurée. On obtient la relation entre l'entrée et la sortie via la fonction de transfert :

y (p; ) = H1 (p; )u(p) + H2 (p; )x0 ()


H1 (p; ) = C ()[pI A()] 1 B () + D()
H2 (p; ) = C ()[pI A()] 1 (4.18)

I est la matrice d'identité. On a alors M(^) = M( ) si et seulement si y (p; ^)  y (p; )
8p, u(p). Cela conduit à écrire l'égalité d'une ou plusieurs fractions rationnelles en p
normalisées par le coecient du terme de plus faible degré du dénominateur, donc à

l'égalité des coecients des polynômes (numérateur et dénominateur). On obtient donc


un système d'équations reliant ^ et  et on cherche à savoir si ^ =  est l'unique solution.

4.3.2 Identiabilité des systèmes à coecients constants et à co-


ecients variables
Le dénominateur dans (4.14) est déja normalisé, l'équation HCC (p; ^CC ) = HCC (p; CC
 )
revient au système suivant :

8
>
< f^ + k^^ = f  + k 
>
k^ = k
: ^ = 
Ce système admet comme unique solution la solution triviale ^CC = CC
 . Le système
à coecients constants est donc structurellement globalement identiable.
De la même façon, on utilise la fonction vectorielle de transfert (4.16) pour étudier

l'identiabilité du modèle à coecients variables.

HCV (^CV ) = HCV (CV


 ) revient au système suivant :
8
>
< ^
 = 
 ^
>  = ^
: 1 = 1
^ 
Cela conduit à l'unique solution ^CV = CV
 . Le système à coecients variables est

structurellement globalement identiable.

48
Chapitre 4. Propriétés structurelles 4.4. Entrée optimale

4.4 Entrée optimale


4.4.1 Objectifs
Lorsque l'on dispose d'une structure de modèles dont on souhaite estimer les para-
mètres, il est bon de rechercher quelle expérience permet le mieux d'atteindre l'objectif.

D'une manière générale, le domaine de recherche peut être très vaste puisque cela com-

prend le choix des capteurs, leurs positions et leurs modes de fonctionnement, l'environne-

ment de l'expérience (température, niveaux sonore) et les entrées appliquées au système.


Pour simplier l'approche, nous supposons que le signal temporel d'entrée est un sinus de

fréquence !t et d'amplitude X0 . Ce choix est basé sur le caractère standard de la fonction


sinus (on la trouve sur tous les bancs d'étude industriels). Nous allons étudier l'inuence
de ces deux facteurs sur l'estimation des paramètres du modèle à coecients constants.

La structure du modèle de LSIDH est non linéaire lorsqu'elle est exprimée en temps.

On a vu qu'elle était linéaire en espace. Nous pouvons donc étudier le problème d'entrée

optimale de la structure linéaire. L'entrée spatiale optimale pourra alors être obtenue en
temps par changement de variable inverse.

Dans un premier temps, nous rappelons les principes de la méthode fréquentielle utili-
sée, issue de [Zar79]. L. Ljung consacre un chapitre au problème du choix de l'expérience

dans ses ouvrages [Lju87, Lju99], de même que E. Walter dans [WP97]. L'étude se faisant

en spatial, nous regardons ce que deviennent les caractéristiques spectrales du signal d'en-

trée après le changement de variable. Nous essayons d'appliquer la méthode au modèle à

coecients constants. A titre de validation, nous réaliserons dans la section 5.4 une étude
de type Monte-Carlo.

4.4.2 Rappel de la méthode


On suppose un système diérentiel linéaire continu de fonction de transfert H et pa-

ramétré par . On note y^ la sortie et x l'entrée. La mesure échantillonnée au "temps" k


est notée yk . Le pas d'échantillonnage est noté Se .

y^ = H (p; )x
yk = y^(kSe ) + ek (4.19)

Les ek sont supposés constituer un bruit blanc gaussien centré et de variance  2 . Notons
que si e n'est pas blanc mais que l'on connaît ses caractéristiques, il est possible de le

blanchir en appliquant un ltrage dans l'équation (4.19).

En anticipant quelque peu sur la suite, nous allons montrer qu'en spatial, le signal

d'entrée devient triangulaire. Il n'est donc pas de spectre à bande limitée. Cela a comme

conséquence que l'échantillonnage va introduire du recouvrement. On le suppose toutefois

susamment n pour que cette erreur soit minime.


Les conditions expérimentales, que l'on souhaite optimiser, sont regroupées sous la

notation . L'ensemble des conditions admissibles est notée . En supposant que l'on

49
Chapitre 4. Propriétés structurelles 4.4. Entrée optimale

recherche l'entrée optimale, seulex dépend de  . Par analogie à la matrice d'information


par unité de temps, on dénit M ( ) la matrice d'information asymptotique par unité
d'espace obtenue sous les conditions expérimentales  .

Z 1
1
M ( ) = 2 < h(i! )h (i! )x (!;  )d! (4.20)
 0
où < désigne la partie réelle et  désigne le complexe conjugué transposé. La variable ! est
une fréquence (spatiale) exprimée en m 1. x (!;  ) est la densité spectrale de puissance
de x sous les conditions  .
h est le vecteur tel que :

@H (p)
h(p) = (4.21)
@
D'après [WP97] ( P 287), on dénit un critère général du type :

 1
1 a
M ( ) = trace(QM 1 ( )QT )a (4.22)
np
Q est une matrice de pondération, np est le nombre de paramètres à estimer et a est un
facteur de norme. La méthode consiste alors à déterminer les conditions expérimentales

qui maximisent le critère choisi. Nous notons ^ ces conditions :

^ = arg 2 maxM ( )
Le cas Q=I a tendant vers 0 conduit au critère de D-optimalité noté D . Il s'agit
et

de maximiser le déterminant de M . Cela revient à minimiser le volume de l'ellipsoïde de

conance sur les paramètres. Un inconvénient de cette méthode est qu'un ou plusieurs

paramètres peuvent être très mal estimés à l'optimum. Avec a=1 et Q diagonale où
chaque terme diagonal est l'inverse de la vraie valeur du paramètre i correspondant,

on obtient le critère de C-optimalité noté C . Cela permet de comparer directement la


précision relative des paramètres entre eux. On peut également étudier le comportement
1
paramètre par paramètre à partir des termes diagonaux de M . Pour le paramètre i , le
critère est noté i .

4.4.3 Application au modèle à coecients constants


4.4.3.1 Densité spectrale de puissance de x
On suppose une entrée temporelle sinusoïdale : x(t) = X0 sin(~! t). On recherche l'am-
plitude X0 et la fréquence !~ qui maximisent le critère choisi :  = (X0 ; !~ ). On a x_ (t) =
X0 !~ cos(~!t).
Dans l'intervalle 0  t 
2~! , on a x_ (t)  0.


50
Chapitre 4. Propriétés structurelles 4.4. Entrée optimale

Z t
s(t) = x_ ( )d = X0 sin(~! t)
0
Dans cet intervalle, s 2 [0; X0] et on a x(s) = s.
Dans l'intervalle

2~!  t  2~3! on a x_ (t)  0.
Z  Z t
2~!
s(t) = x_ ( )d x_ ( )d = 2X0 X0 sin(~! t)
0 
2~!
Dans cet intervalle, s 2 [X0 ; 3X0 ] et on a x(s) = 2X0 s.
Dans l'intervalle
3
2~!  t  2!~ , on a x_ (t)  0.
Z  Z 3 Z t
2~! 2~!
s(t) = x_ ( )d x_ ( )d + x_ ( )d = 4X0 + X0 sin(~!t)
0  3
2~! 2~!
Le changement de variable transforme le signal sinusoïdal d'amplitude X0 et de période
2 en un signal triangulaire, d'amplitude X0 et de période 4X0 , indépendant de la fré-
!~
quence du signal d'origine. Ainsi, deux signaux temporels sinusoïdaux de même amplitude

X0 et de pulsation !~ 1 et !~ 2 ont même transformée (voir gure 4.1).


x
1=!~ 1 1=!~ 2
X0

X0

x
4X0
X0

X0

Fig. 4.1  Transformation de signaux sinus en signal triangle

x(s) étant 4X0 périodique, on peut calculer sa fonction de corrélation sur une période
suivant :

Z 3X0
1
Rx ( ) = x(s)x(s  )ds
4X0 X0

De même, Rx ( ) est 4X0 périodique, on restreint le calcul à  2 [0; 4X0]. Les calculs
conduisent à :

51
Chapitre 4. Propriétés structurelles 4.4. Entrée optimale

(
2X0 3 3X0  2 + 3 pour  2 [0; 2X0]
Rx ( ) = 6X0
18X03 24X02  +9X0   3
2 [2X0; 4X0]
(4.23)
pour 
6X0

Le signal x(s) étant périodique, x (! ), la densité spectrale de puissance de x s'écrit :

+1  
1 X k
x (! ) = p (! )Æ ! (4.24)
4X0 k=0 x 4X0
avec :
Z 4X0
px (! ) = Rx ( )e 2i! d (4.25)
0
On a alors :

+1  
16X 2 X 1 2j + 1
x (! ) = 4 0 Æ ! (4.26)
 j =0 (2j + 1)4 4X0
Un signal d'entrée temporel sinusoïdal devient triangulaire après le changement de
variable déni par (4.11). Il est entièrement déni par l'amplitude X0 . On va donc étudier
l'inuence de ce paramètre dans l'estimation des paramètres. On a donc désormais  =

X0 . La densité spectrale de puissance de x est un spectre de raies avec une innité de


composantes.

4.4.3.2 Calcul de la matrice de Fisher


La fonction de transfert du modèle à coecients constants est donnée par (4.14) et le

vecteur de paramètres par (4.15). D'après (4.21), on a hCC (p) = @H@CCCC(p) , d'où :
2 3
1
hCC (p) = 6
4
p
1+p
7
5
fp 2
(1+p)2

On note :
I1 (! ) = !2 I2 (! ) = !2
1+2 !2 (1+2 !2 )2
Après calcul, on obtient :

2 3
+1 1 I1 (! ) f (1 2 ! 2 )I2 (! )
1 X 16X02
M CC (X0 ) = 4
4 I1 (! ) I1 (! ) f! 2 I2 (! ) 5
2 j =0  (2j + 1)
4
f (1 2 ! 2)I2 (! ) f! 2 I2 (! ) f 2 ! 2 I2 (! ) =!= 24jX+10

On introduit ! , la fréquence réduite, et  l'amplitude réduite :

! = !

52
Chapitre 4. Propriétés structurelles 4.4. Entrée optimale

X0
 =

De même on pose :

!2 2
J1 (! ) = 1+!2 J2 (! ) = (1+!!2 )2
Alors on peut factoriser la matrice de Fisher selon :

1
M CC (X0 ) = P ()M ( )P T () (4.27)
 2

où P () est une matrice ne dépendant que des paramètres :


2 3
 0 0
P () = 4 0 1 0 5
0 0 f
et M ( ) est la matrice de Fisher réduite, qui ne dépend que de l'amplitude réduite  :
2 3
+1 1 J1 (! ) (1 !2 )J2 (! )
X 162
M ( ) = 4
4 J1 (! ) J1 (! ) !2 J2 (! ) 5 (4.28)
j =0  (2j + 1)
4
(1 !2 )J2 (! ) !2 J2 (! ) !2 J2 (! ) =! = 24j+1

Le facteur d'optimisation est maintenant  =  . Il dépend du paramètre  mais cela
n'est pas gênant du point de vue théorique. En eet, on cherche alors une valeur de

l'amplitude X0 optimale non plus absolue mais relative à . Les paramètres apparaissent
désormais en facteur de la matrice de Fisher via la matrice P ( ). On peut désormais

considérer la matrice M ( ) pour étudier le critère basé sur le déterminant de la matrice
de Fisher (noté critère D -optimal) et les variances paramètre par paramètre.

4.4.3.3 Evaluation des critères


Le calcul eectif est non trivial. Même avec des outils de calcul formel tel que MAPLE,

le résultat n'est pas exploitable facilement. On voit en eet apparaître dans les résultats

des calculs la fonction digamma dénie comme la dérivée du logarithme de la fonction

gamma. Comme l'objectif est d'optimiser un critère essentiellement basé sur l'inverse de

la matrice de Fisher, on voit que la fonction digamma rend la tache bien compliquée.
La solution adoptée ici est de réaliser l'approximation suivante : on ne prend que les l
l
premières fréquences et on note M ( ) la matrice de Fisher réduite tronquée à l'ordre

l 1. Pour que la matrice soit de rang plein, il faut que l  2.


2 3
l 1 1 J1 (! ) J2 (! )(1 !2 )
l X 162
M ( ) = 4
4 J1 (! ) J1 (! ) !2 J2 (! ) 5 (4.29)
j =0  (2j + 1)
4
J2 (! )(1 !2 ) !2 J2 (! ) !2 J2 (! ) =! = 24j+1


53
Chapitre 4. Propriétés structurelles 4.4. Entrée optimale

On étudie le critère D -optimal ainsi que la variance des paramètres en fonction de  .
On utilise la matrice de Fisher réduite tronquée (4.29) dans le calcul des critères. Pour
chaque critère on trace les courbes pour l = 2, l = 8 et l = 16.
Les gure 4.2, 4.3, 4.4 et 4.5 tracent respectivement les critères D , k , f et  en

fonction de
X0 .

D x 10
−5

1.5
l=2
l=8
l=16

0.5

0
0 2 4 6 8 10 12 14

X0

Fig. 4.2  Critère de D-optimalité (Fisher)

k x 10
7

2
l=2
l=8
1.8 l=16

1.6

1.4

1.2

0.8

0.6

0.4

0.2

0
0.5 1 1.5 2 2.5 3 3.5 4

X0

Fig. 4.3  Variance de k (Fisher)
Les courbes pour l=8 et l = 16 sont presque superposées pour les critères k et
f . L'entrée D-optimale est l'entrée de plus grande amplitude possible. Les paramètres

k et f ont une variance d'autant plus faible que X0 est grand devant . Le paramètre
 a une variance qui a un minimum pour  proche de 1. Ensuite, elle diverge vers +1
quand X0 devient grand devant . Ce résultat semble conrmer le fait qu'une expérience

D-optimale peut rendre un des paramètres très mal estimé. Pour une amplitude telle que
 << 1, tous les paramètres ont une variance qui diverge. Cela s'explique par le fait que
sous des petites amplitudes, le modèle de frottement se comporte comme un ressort (eet

dahl ) et ne manifeste pas l'eet plastique. On ne peut estimer alors que la raideur totale
(k+ f
epsilon ), d'où une perte d'identiabilité pour tous les paramètres.

54
Chapitre 4. Propriétés structurelles 4.5. Conclusions
f
900
l=2
l=8
800 l=16

700

600

500

400

300

200

100

0
0.5 1 1.5 2 2.5 3 3.5 4

X0

Fig. 4.4  Variance de f (Fisher)
 4
x 10
3
l=2
l=8
l=16

2.5

1.5

0.5

0
0 0.5 1 1.5 2 2.5 3 3.5

X0

Fig. 4.5  Variance de  (Fisher)

En conclusion, il s'agit de faire un compromis entre les paramètres. Ils ne sont pas tous

optimaux pour une même valeur de X0 .

4.5 Conclusions
Nous avons montré comment le modèle LSIDH se linéarisait après un changement de

variable du temps en espace. La modélisation des non linéarités statiques par des B-splines

du 2nd ordre rend la démarche valable également pour les modèles à coecients variables.
Ainsi linéarisé, on obtient de façon équivalente un système d'état et une fonction de

transfert.

L'étude de l'identiabilité des modèles non linéaires est un problème non trivial. Le
modèle LSIDH est non linéaire en temps mais linéaire en espace. Par sa linéarisation,

nous avons pu écrire une fonction de transfert et étudier l'identiabilité par les méthodes

linéaires, beaucoup plus directes. L'identiabilité structurelle est un problème théorique,


supposant d'une part que le modèle est exact et d'autre part que les conditions d'excita-

tion sont vériées. On a obtenu que les modèles à coecients constants et à coecients

55
Chapitre 4. Propriétés structurelles 4.5. Conclusions

variables sont structurellement globalement identiables.

Nous avons mis en oeuvre des techniques de recherche d'entrée optimale pour un sys-
tème hystérétique. Nous avons utilisé les propriétés de linéarité pour écrire la matrice

de Fisher du système entrant dans la recherche d'un critère. Le système étant rate-
independent, il a été logique de trouver que la fréquence du signal temporel de l'entrée
n'intervenait pas dans le calcul. L'amplitude a donc été le seul facteur inuant. Après une

factorisation de la matrice de Fisher, nous avons obtenu que, à un facteur multiplicatif

près, le critère ne dépendait des paramètres qu'à travers le ratio  entre l'amplitude X0
et la constante de distance . Pour mener les calculs formels, nous avons été amenés à

approximer la matrice de Fisher en tronquant à l'ordre l la somme innie qui la dénis-


sait. Le critère de D-optimalité conduisait alors à conclure que l'entrée optimale était de

la plus grande amplitude possible. Cependant, le paramètre  était alors mal estimé.
L'originalité du travail décrit dans ce chapitre a été d'utiliser des méthodes réservées

aux systèmes linéaires à un modèle non-linéaire, linéarisé par changement de variable qui

conserve au modèle ses propriétés physiques de dissipativité même à faible vitesse. Les

méthodes non linéaires d'identiabilité et de recherche d'entrée optimale sont non triviales
et coûteuses en temps de calcul. Les méthodes fréquentielles pour les modèles linéaires
sont applicables aux modèles LSIDH d'ordre supérieur. Cependant, s'agissant de calculs

formels et d'inversions de matrices, nous sommes souvent limités par la dimension de


l'état pour l'écriture de la fonction de transfert et le nombre de paramètres pour le calcul

de la matrice de Fisher.

56
Chapitre 5
Estimation des paramètres

5.1 Introduction
Avant d'aborder les exemples concrets d'estimation des paramètres de systèmes hys-

térétiques, il nous a semblé utile de rapidement décrire la procédure d'identication en


pratique du modèle à coecients constants ((3.5)+(3.6)) et du modèle à coecients va-

riables ((3.18)+(3.19)). Les méthodes générales ont été rappelées en 2.1 avec de nom-

breuses références. Pour l'estimation des paramètres en eux-même, nous avons utilisé la

méthode PEM (voir section 2.1.2) implémentée dans la System Identication Toolbox du
logiciel MATLAB. Pour tous les détails pratiques, le lecteur peut consulter le guide de

l'utilisateur [Lju95]. Le traitement de ces données pour les rendre prêtes à l'emploi pour

MATLAB est décrit dans un premier temps. En guise d'application, nous chercherons

ensuite à vérier nos résultats théoriques concernant la recherche d'entrée optimale par

la méthode Monte-Carlo.

5.2 Pre-traitement des données


En général, les entrées/sorties du système sont échantillonnées avec une période d'échan-

tillonnage temporelle Te constante. Suivant le système et les capteurs utilisés, les mesures
peuvent être plus ou moins bruitées. Un oset sur les mesures peut également appa-

raître. Pour pouvoir utiliser la méthode PEM implémentée sous MATLAB et espérer de

bons résultats, il faut traiter les mesures. En tout premier lieu, il faut centrer et ltrer

les données. Ensuite, il faut échantillonner les données avec un pas spatial Se xé. Pour
cela, l'opération consiste à calculer s(t) d'après l'équation (4.11). Le terme x
_ (t) apparaît
explicitement. Si elle n'est pas mesurée, la vitesse peut être calculée par diérentiation
numérique. Cela demande d'avoir un signal x peu bruité.
La gure 5.1 trace le signal x et s en fonction du temps t. Les ronds représentent
l'échantillonnage en temps, les carrés celui en spatial. Le graphe de s(t) permet donc de
sélectionner les temps ts qui correspondent à l'échantillonnage régulier spatial.
On calcule x au temps ts à partir des mesures échantillonnées par interpolation linéaire.
Le signal x est triangulaire quand il est exprimé en fonction de s, en ce sens que la pente

57
Chapitre 5. Estimation des paramètres 5.2. Pre-traitement des données
x(t) s(t)

Se

t
Te

Fig. 5.1  Tracé de x(t) et s(t)

de x est 1. Dans le cas d'un signal sinus en entrée, on obtient un signal triangle pur
(voir gure 5.2).
x(t) x(s)

t s

Fig. 5.2  Passage de x(t) à x(s)

On réalise la même opération de ré-échantillonnage sur F (gure 5.3). Le signal n'est

pas celui qui a servi à faire le changement de variable, le signal F (s) n'est donc pas

triangulaire.

Le choix de Se est primordial : il doit être pris susamment petit pour tenir compte

de toutes les fréquences du signal x. Il est l'exact contrepartie spatiale de Te . Pour l'iden-
tication, le prendre trop petit peut conduire à des problèmes numériques. Comme il

est d'usage, on peut le choisir comme un dixième de la constante d'espace supposée.

En cas de problème lors de l'identication, il est toujours possible de recommencer le

re-échantillonnage en changeant la valeur de Se sans avoir à refaire les mesures.


L'étape suivante est de calculer les entrées pour les modèles à coecients constants et

à coecients variables. En ce qui concerne le modèle à coecients constants, il sut de

x(s) et de dx
ds  sign(x_ ) qui ne prend que les valeurs 1 ou 1. L'interpolation dans ce cas
est au plus proche plutôt que linéaire. Les régresseurs du modèle à coecients variables

sont calculés à partir des formules (3.13) à (3.15).

58
Chapitre 5. Estimation des paramètres 5.3. Validation et Post-traitement

F (t) F (s)

t s

Fig. 5.3  Passage de F (t) à F (s)

5.3 Validation et Post-traitement


Les entrées-sorties du système sont désormais au bon format pour être utilisées dans

la toolbox de MATLAB. Il faut spécier au programme des valeurs initiales. L'algorithme


fournit les valeurs des paramètres mais aussi d'autres informations comme la matrice de

covariance. En particulier la matrice de covariance permet de vérier si l'algorithme numé-

rique a correctement convergé. On peut également valider l'identication graphiquement,

en réalisant une simulation avec les paramètres obtenus. Le plus probant est d'utiliser

des données diérentes de celles utilisées pour l'identication. Il s'agit alors de validation
croisée.

5.4 Entrée optimale par Monte-Carlo


An de valider les résultats pour la recherche de l'entrée optimale décrits en 4.4, nous

avons mené une étude de type Monte-Carlo. Cette méthode consiste à simuler un grand

nombre de fois une opération contenant une part stochastique. Certaines propriétés du

système ou du processus étudié peuvent alors être déduites en étudiant les propriétés

statistiques de certaines variables aléatoires. L'avantage de la méthode est que toutes les

variables sont maîtrisées. En particulier, les valeurs des paramètres sont connues.

Dans notre étude, nous allons étudier la variance des paramètres identiés en fonction

de l'amplitude du signal d'entrée. Les paramètres sont xés une fois pour toute. Les valeurs

choisies sont les suivantes :

k = 1:4e6N:m 1 f = 9000N  = 3mm


Pour chaque valeur de X0 , nous eectuons N fois l'opération suivante. Le système est
excité par une entrée en sinus : x(t) = X0 sin(t). On eectue le changement de variable

en spatial avec un pas d'échantillonnage constant choisi comme



10 . La sortie du système

est obtenue par simulation. On utilise pour cela le formalisme de la toolbox SITB (en

particulier la fonction idsim ). La sortie est donc déjà échantillonnée en espace. A chacune

59
Chapitre 5. Estimation des paramètres 5.4. Entrée optimale par Monte-Carlo

des N opérations, on bruite la sortie par un bruit blanc gaussien de variance  2 = 100N 2 .
On réalise l'identication par la méthode PEM codée sous MATLAB dans la toolbox
SITB. Les valeurs initiales des paramètres sont tirées aléatoirement suivant une gaussienne

centrée sur les vraies valeurs. Les paramètres identiés N fois forment alors un échantillon
dont on calcule l'erreur quadratique moyenne. En pratique, on a pris N = 10000. On a
fait varier X0 de  jusqu'à 100.
2
En eectuant la moyenne sur les N valeurs, on vérie que les estimateurs sont pra-

tiquement non biaisés. La gure 5.4 trace le ratio entre le biais et la vraie valeur pour

chaque paramètre en fonction de  .


−4
x 10
6
k
f
ε
4

−2

−4

−6
0 10 20 30 40 50 60 70 80

X0

Fig. 5.4  Biais sur les paramètres (Monte-Carlo)

Les gures suivantes tracent la moyenne des erreurs quadratiques ( EQ) pour les para-
mètres k (gure 5.5), f (gure 5.6) et  (gure 5.7).
EQ k () 7
x 10

2.5

1.5

0.5

0
5 10 15 20 25 30

f racX0 
Fig. 5.5  Erreur quadratique sur k (Monte-Carlo)

Les paramètres k et f sont mal estimés pour des faibles valeurs de  . Leurs erreurs

d'estimation décroissent rapidement vers 0 quand X0  . L'erreur pour le paramètre 


diverge pour X0 ! 0. Pour des plus grandes valeurs de X0 , l'erreur a tendance à augmenter
après avoir atteint plusieurs minima locaux. Ces résultats sont qualitativement proches

60
Chapitre 5. Estimation des paramètres 5.4. Entrée optimale par Monte-Carlo

EQ f( )
1200

1000

800

600

400

200

0
5 10 15 20 25 30

X0

Fig. 5.6  Erreur quadratique sur f (Monte-Carlo)

EQ () x 10
−11

10

3
10 20 30 40 50 60 70 80 90 100

X0

Fig. 5.7  Erreur quadratique sur  (Monte-Carlo)

de ceux obtenus théoriquement à la section 4.4. Les diérences observées, en particulier


sur  sont dues aux corrélations entre les paramètres qui sont identiés en même temps :
les erreurs d'estimation sur l'un se répercutent sur les autres. Si l'on réalise une nouvelle

simulation par Monte-Carlo en estimant uniquement le paramètre , on observe bien un


seul minimum (gure 5.8), obtenu pour  = X0
  2.

61
Chapitre 5. Estimation des paramètres 5.4. Entrée optimale par Monte-Carlo

EQ () −11
x 10
3

2.5

1.5

2 4 6 8 10 12 14 16 18 20

X0

Fig. 5.8  Erreur quadratique sur  estimé seul

62
Troisième partie
Applications automobiles

63
Chapitre 6
Le ressort à lames

6.1 Généralités
Le rôle d'une suspension sur un véhicule routier est double. Elle doit permettre au vé-

hicule de garder un bon contact avec la route grâce à l'élasticité du système de suspension.
Ce rôle est rempli essentiellement par les éléments ressorts. Elle doit également ltrer les

vibrations engendrées par les irrégularités de la route et limiter les forces entrant dans la

caisse. Ce rôle est conjointement rempli par le système masse-ressort-amortisseur.

De nombreux modèles ont été proposés pour modéliser les amortisseurs hydrauliques.
Une revue complète est disponible dans [BCC95] et [DSR97]. Les amortisseurs sont forte-

ment non linéaires. Les modélisations les plus simples et les plus utilisées dans l'industrie

spécient simplement une Loi statique non linéaire entre l'Eort et la Vitesse (LEV), qui

caractérise l'eort visqueux. En réalité, ils développent également un eort hystérétique

en particulier à faible vitesse, du fait de la compressibilité de l'huile, des frottements secs

dus aux pistons et d'une forte dépendance face aux variations de température [DSBR97].

Les amortisseurs ne seront pas traités dans ce travail.

Il existe diérentes sortes de ressorts. Les ressorts hélicoïdaux sont couramment rencon-

trés sur les véhicules légers. Les ressorts à lames se trouvent surtout sur des véhicules plus

lourds, de type poids lourds ou véhicules de chantier. On en trouve également sur certains

véhicules utilitaires. Les barres anti-roulis sont utilisées pour limiter les mouvements de

roulis du véhicule. Des technologies récentes ont introduit les ressorts pneumatiques sur
les véhicules poids lourds. Du fait de son coût et de sa complexité, cette innovation est

aujourd'hui réservée aux véhicules haut de gamme. La technologie classique des ressorts

à lames est encore la règle sur la plupart des modèles. Le ressort à lames participe à

la dissipation de l'énergie via les frottements secs qui se produisent entre les lames qui

glissent les unes par rapport aux autres et au niveau des points d'attache du ressort sur le

châssis [NYH91]. Ce chapitre est consacré à la modélisation et à l'identication de l'eort

fourni par les ressorts à lames.

Les premiers essais réalisés sur banc ont montré les principales caractéristiques de

64
Chapitre 6. Le ressort à lames 6.1. Généralités

l'eort délivré par le ressort à lames. Deux phénomènes apparaissent principalement.

L'eort croît avec l'amplitude de débattement, de façon largement linéaire répondant


ainsi à la prestation de tenue de route attendue. Un autre phénomène apparaît de façon

évidente : l'hystérésis. Des essais à plus grande vitesse ont montré que ce cycle était

indépendant de la vitesse de débattement du ressort. L'hystérésis est en général de niveau


élevé et joue un rôle de première importance dans le fonctionnement du système : elle

dissipe de l'énergie. Il est donc nécessaire de bien la modéliser si l'on souhaite réaliser

des simulations du fonctionnement de la suspension ou, de façon plus générale, celui du

véhicule dans son ensemble. En eet, le ressort est sollicité dans beaucoup de manoeuvres

du véhicule comme le freinage (fonctionnement en pompage) et les man÷uvres latérales


(fonctionnement en roulis).

Les premiers travaux de modélisation mathématique pour rendre compte des caractéris-

tiques des cycles Eort/Déplacement des ressorts à lames datent du milieu des années 70

[Win73, WH80]. Dans [FEMW80a], les auteurs proposent un modèle discret permettant
de calculer l'eort en fonction du débattement. Le modèle discret a depuis été fréquem-

ment utilisé pour les simulations [Ceb86, RW96, SR96]. Une variante assez proche est
décrite dans [Zho98]. Une autre modélisation de la force hystérétique a été proposée par

R. Bouc [GBDV83, Bou84], basée sur le modèle de Y.K. Wen [Wen76] décrit en 1.3.7. Ce

modèle complexe a des paramètres peu interprétables par les ingénieurs en automobile.

Cela explique certainement pourquoi il est peu utilisé dans ce domaine.

La suspension fait le lien entre la roue et le châssis. Pour étudier la dynamique de


l'ensemble, on utilise en général une modélisation quart de véhicule. Il s'agit d'une modé-

lisation de la suspension extrêmement répandue dans la littérature et chez les industriels,


à la fois dans le véhicule léger et le poids lourds. Voir [Ceb86, RW96, CCB94, BG98,

MS99, GK00] pour des exemples d'application.


La modélisation de la suspension s'inscrit bien évidemment dans le cadre plus large

de la modélisation du poids lourds. Dans sa thèse [Cog96]. D. Cogoluenhes réalise une

revue bibliographique complète sur cet aspect. Les systèmes articulés (multibody sys-
tems [Sha89]) permettent de réaliser une représentation pertinente du poids lourds [SR96,

Net94, SGFR92, TA98, ZT98] et de réaliser des logiciels de simulation. P. Boitard a ainsi
conçu durant sa thèse un outil de simulation pour l'étude du comportement dynamique des

poids lourds [Boi99]. Il est important de bien comprendre le fonctionnement de la suspen-


sion car elle a une inuence directe sur la trajectoire du véhicule. En particulier, lorsque le

véhicule est en courbe, par eet conjugué de déformations du châssis et de la cinématique

de la suspension, l'essieu subit une rotation autour de l'axe vertical et engendre ainsi un

braquage induit. Dans le cas du pompage, l'essieu ne suit pas une trajectoire strictement

verticale mais en réalité un cercle autour d'un point virtuel, peu éloigné du point d'attache
des ressorts sur le châssis. Dans une modélisation de la suspension dans le véhicule, cela
se traduit par l'introduction d'un bras tiré. La gure 6.1 schématise ce fonctionnement :

le ressort est xé au châssis par une extrémité et repose sur un glissoir ou une jumelle de
l'autre. En son centre, le ressort est bridé à l'essieu. Lorsqu'il est sollicité, le ressort se

65
Chapitre 6. Le ressort à lames 6.2. Modélisation de l'eort du ressort à lames

déforme et travaille en exion, engendrant alors ce mouvement cinématique de rotation.

Une application directe de ces modélisations (allant de l'étude du ressort seul à un


modèle global de poids lourds en passant par des modèles de type quart de véhicule) a été

de déterminer les facteurs inuant la dégradation des routes par les véhicules industriels.

Cela a fait le sujet de nombreuses études ces dernières années [RW96, CCB94, Woo96,
dP99, LRJ99].

Châssis Trajectoire de l'essieu

Centre de rotation
Ressort à lames
Bras tiré Essieu
Roue

Fig. 6.1  Modélisation par bras tiré

6.2 Modélisation de l'eort du ressort à lames


6.2.1 Modèles continus
Nous allons appliquer directement les modèles généraux développés au chapitre 3. Le

ressort est installé sur le châssis. Du fait de la charge du véhicule, le ressort n'est pas
dans sa position libre : il subit une exion qui se traduit par un débattement vertical

et il délivre un eort au châssis qui équilibre la force gravitationnelle. La position ainsi


obtenue est la position d'équilibre. On étudie le mouvement du système autour de cette

position. Le débattement et l'eort délivré par le ressort sont calculés par rapport à cette

position d'équilibre.

L'élasticité du système est engendrée par la exion des lames. Les contraintes alors

subies par le matériau font que celui-ci tend à retrouver sa forme initiale. Pour des défor-

mations telles que la limite d'élasticité ne soit pas atteinte, on considère la déformation

comme élastique. Le ressort retrouve sa forme après disparition des contraintes. La force

de rappel à la déexion est appelée force élastique, notée Fe .


Le ressort est en réalité constitué de plusieurs lames an de mieux répartir les contraintes

lors des déformations. Dans leur mouvement de exion, les lames glissent entre elles (-
gure 6.2). De plus, du frottement se produit également au niveau des points d'attache

sur le châssis. La force verticale qui résulte du frottement entre les lames est la force

hystérétique notée Fh .
Si l'on suppose des petits mouvements autour de la position d'équilibre, alors le modèle

à coecients constants peut être utilisé (section 3.2) :

66
Chapitre 6. Le ressort à lames 6.2. Modélisation de l'eort du ressort à lames

Lames au repos

Ressort en exion

Frottement
entre les lames

Fig. 6.2  Glissement entre les lames

F (t) = kx(t) + Fh (t) (6.1)


1 f
F_h (t) =

jx_ (t)jFh(t) + x_ (t)

(6.2)

On peut supposer aussi des non linéarités dues à de plus grandes déformations. Dans

ce cas, on peut utiliser les modèle à coecients variables (section 3.3) :

F (t) = T '(x) + Fh (t) (6.3)

1 T
F_h (t) =

jx_ (t)jFh (t) + '(x)x_

(6.4)

Dans les deux cas, on ~


se place sous l'hypothèse que epsilon constant (voir la section

4.2.4).

6.2.2 Modèle discret


Dans [FEMW80b], les auteurs proposent un modèle discret dans lequel l'eort F délivré
par le ressort est décrit par la formule :

jxi xi 1 j
Fi = FENVi + (Fi 1 FENVi )e (6.5)

avec FENVi la force correspondant aux limites supérieures et infé-


décrite comme étant

rieures de l'enveloppe des caractéristiques du ressort au débattement xi . Le pas spatial


xi xi 1 de calcul est supposé petit.

Il s'agit d'un modèle discret dans lequel un terme exponentiel agit comme facteur de

convergence vers une courbe enveloppe FENV . Cette courbe dépend du montage technolo-
gique du ressort lui-même. Pour les montages standards, la courbe est ane et peut être

modélisée par deux droites parallèles :

67
Chapitre 6. Le ressort à lames 6.3. Relations entre les modèles

FENV = kenv x + fenv sign(x_ ) (6.6)

En réalisant une simulation à partir de ces équations (voir gure 6.3), on s'aperçoit

que les asymptotes de la force F ainsi modélisée ne correspondent pas à cette enveloppe,
mais à une autre d'équation :

Y = ka x + fa sign(x_ )
où fa est un paramètre homogène à un eort et où ka est homogène à une raideur.
L'appellation enveloppe est donc trompeuse.

Enveloppe supérieure kenv

fenv ka

fa

x
0
fa

fenv
Enveloppe inférieure

Fig. 6.3  Simulation du modèle discret

La description spatiale de cette modélisation et la présence du terme exponentiel nous


a amené à étudier le lien avec la modélisation LSIDH proposée dans ce mémoire dans

sa forme à coecients constants. Nous allons montrer que la forme (6.5)+ (6.6) est la

discrétisation de la solution de l'équation du modèle à coecients constants (6.1) + (6.2)

avec une nouvelle paramétrisation.

6.3 Relations entre les modèles


6.3.1 Nouvelle forme du modèle
Dérivons (6.1) par rapport au temps :

F_ = kx_ + F_h (6.7)

68
Chapitre 6. Le ressort à lames 6.3. Relations entre les modèles

D'après l'expression (6.2), on a :

1 f
F_ = kx_

j x_ jFh + x_

(6.8)

Remarquons que

x_ = sign (x_ )jx_ j (6.9)

L'expression (6.1) nous permet d'éliminer le terme Fh de l'équation (6.8) :

F_ = jx_ jF + (kx + (f + k) sign(x_ ))jx_ j (6.10)

En notant fp = f + k et F cir = kx + fp sign(x_ ), l'équation (6.10) devient :

F cir )jx_ j
(F
F_ = (6.11)

D'après (6.1), si jFh (0)j  0, on a sign(Fh (t) f ) = sign(x_ (t)) pour tout t. En eet,
_ (t)  0 alors (Fh (t) f )  0 et a fortiori, comme k > 0, (Fh (t) fp )  0. De même,
si x
_ (t)  0 alors (Fh (t) f )  0 et a fortiori, (Fh (t) fp )  0.
si x

On a donc :

sign (Fh fp sign(x_ )) = (x_ )


sign (6.12)

Or F F cir = Fh fp sign(x_ ) d'où :

(F F cir )jx_ j = jF F cir jx_


Pour les cas où le signe de la vitesse reste constant, le modèle (6.11) se met sous la

forme :

dF jF F cir j
= (6.13)
dx 
6.3.2 Discrétisation du modèle
Soit xi 1 et Fi 1 les valeurs de i 1 et supposons que jxi xi 1 j << 
x et F à l'instant

et que sign(x_ ) soit constant entre les instants i et i 1 et considérons le cas où sa valeur
soit 1 alors (6.13) devient :

dF F kx + fp
=
dx 

69
Chapitre 6. Le ressort à lames 6.3. Relations entre les modèles

Il s'agit d'une ODE du premier ordre avec F (xi 1 ) = Fi 1 comme condition initiale.

La solution en xi s'écrit :
Z xi
xi xi 1 1 x xi 1
Fi = e  Fi 1 + e ( kx + fp )dx

xi 1 
 e i  i 1 Fi 1 + (xi xi 1 )e i  i 1 1 ( kxi + fp)
x x x x

 
xi xi 1 x x
 e  Fi 1 i

i 1
Fi cir
  
=e
jxi xi 1 j
 cir
Fi 1 Fi + Fi 1 + cir jx i x i 1 j

On a :

 1 + jxi xi 1 j
jxi xi 1 j
e 

d'où
jxi xi 1 j
Fi  Ficir + (Fi 1 Ficir )e 

Le raisonnement est le même pour le cas sign (x_ ) = 1.

6.3.3 Analyse asymptotique


On peut rechercher par le calcul à partir des équations (6.5) et (6.6) quelle est l'équation
de l'asymptote à la courbe décrite par
xi xi 1
F, si elle existe. On considère le cas x_ > 0. En

notant ai = e on obtient :

Fi = ai Fi 1 + (1 ai )(kxi + fenv ) (6.14)

Soit la droite d'équation dans le plan eort-déplacement :

Yi = kxi + fenv kb (6.15)

Soit ei = Fi Yi, s'il existe certaine valeur de b pour lesquelles


lim e
xi !+1 i
=0
alors la droite est asymptote de la courbe de F.
Après calculs, on obtient :

ei = ai ei 1 + k (|ai (xi xi 1) + (1 ai )b)


{z }
(6.16)

zi

Comme jaij < 1, si zi = 0 alors


lim ei = 0
xi !+1

70
Chapitre 6. Le ressort à lames 6.4. Essais sur banc

Sous l'hypothèse d'un pas (xi xi 1 ) << pour tout i, on eectue l'approximation
xi xi 1 1
ai = (1 + ) et on obtient :

ai (xi xi 1 ) xi xi 1 xi xi 1
zi = 0 ) b = = 1  =
1 ai ai 1 1 + xi xi 1 1
La droiteYi = kxi + fenv k est donc asymptote de la courbe hystérésis décrite par (6.5).
L'ordonnée à l'origine de cette droite est fenv k . L'étude de la relation entre ce modèle
et le modèle à coecients constants a montré que cette valeur est exactement le coecient

de frottement secf . Nous pouvons désormais interpréter la gure 6.3. Le frottement sec
a comme asymptote f quand sign(x _ ) = 1, et l'eort F a alors comme asymptote la droite
Y = kx + f . On a donc ka = k et fa = f et la réelle enveloppe de l'hystérésis caractérise
bien la raideur du ressort et le frottement sec, contrairement à l'enveloppe dénie dans

[FEMW80b].

6.3.4 Conclusion
La solution discrète à chaque pas de déplacement du modèle à coecients constants

s'exprime sous la même forme que (6.5). En identiant terme à terme, on obtient les
relations entre les paramètres :

8
< = 
kenv = k
:
fenv = fp = f + k
La valeur du frottement maximal développé dans le ressort est donc donné par :

f = fenv kenv (6.17)

6.4 Essais sur banc


6.4.1 Introduction
Dans leurs processus de développement, les constructeurs de véhicules étudient leurs

produits sur des bancs, qui sont des systèmes permettant d'isoler un sous système pour

en étudier les caractéristiques, réaliser la mise au point et mener des études de abilité

et d'endurance en simulant les eorts appliqués sur le sous-système par des vérins hy-
1
drauliques. Nous avons utilisé un banc de R.V.I pour caractériser une suspension de
type ressort à lames où les amortisseurs n'avaient pas été montés. Nous réalisons avec

les données une identication par la méthode PEM des modèles à coecients constants

(équations (6.1) + (6.3)) et à coecients variables (équations (6.3) + (6.4)) après leur

linéarisation (voir chapitre 5).


1 Renault Véhicules Industriels

71
Chapitre 6. Le ressort à lames 6.4. Essais sur banc

6.4.2 Description du banc


La photo de la gure 6.4 montre le banc de suspension ayant servi à réaliser les mesures.

Pour des raisons pratiques, le banc est à l'envers par rapport au montage sur les véhicules.

Le châssis (de couleur rouge) est xé au sol. Une poutre métallique, en vert, représentant
l'essieu, repose sur deux ressorts à lames (en acier gris) montés sur le châssis. La barre

anti-roulis, également en rouge, est attachée à la fois au châssis et à l'essieu.

Deux vérins hydrauliques exercent des eorts verticaux sur la poutre. Il représentent

les eorts verticaux exercés par la roue. Ces vérins peuvent être commandés en eort ou

en déplacement. Lors des mesures, le vérin horizontal présent sur la photographie avait

été démonté.

Le ressort est préchargé par un eort appliqué par les vérins, représentant ainsi les

eets du poids du véhicule (châssis et chargement). Les valeurs d'eort et de déplacement

sont données avec comme référence les ressorts préchargés au repos.

Fig. 6.4  Banc élémentaire de suspension

Pour des essais susamment lents pour négliger les eets inertiels, les eorts appli-

qués par les vérins équilibrent les eorts délivrés par les ressorts, calculés aux points

d'application. L'ensemble vérin/ressort est supposé susamment rigide pour que les dé-

placements vérins soient également les débattements verticaux des ressorts. Lorsque les

deux vérins fonctionnent en phase, on dit que la suspension est excitée en pompage. La

barre anti-roulis n'a pas d'eet. L'eort délivré par le ressort est alors calculé comme la
somme des eorts des vérins. Le déplacement du ressort est calculé comme la moyenne

des déplacements des vérins (supposés identiques dans le cas du pompage).

72
Chapitre 6. Le ressort à lames 6.4. Essais sur banc

6.4.3 Analyse graphique


Dans un premier essai, on commande le déplacement des ressorts par une fonction sinus

d'amplitude 30mm en augmentant la fréquence de 0:1Hz à 1Hz. La gure 6.5 trace le


débattement en fonction du temps et l'eort en fonction du débattement. On constate
que les cycles ne dépendent pas de la fréquence du signal. Cela illustre ainsi la propriété

rate-independence.
0.03

0.02
Débattement (m)

0.01

−0.01

−0.02

−0.03
20 25 30 35 40 45 50 55 60 65 70
Temps (s)

4
x 10
1

0.5
Effort (N)

−0.5

−1
−0.03 −0.02 −0.01 0 0.01 0.02 0.03
Débattement (m)

Fig. 6.5  Courbe Eort/Déplacement. Variation en fréquence.

Dans un second essai, on commande le déplacement des ressorts par une fonction sinus

de fréquence xe ( 0:1Hz ) en augmentant l'amplitude de 10mm à 60mm. On voit

apparaître une légère non linéarité (on constate une courbure des cycles), dans la gure

6.6 pour laquelle les débattements sont plus importants que dans le premier essai. La

courbure de la courbe d'eort est orientée vers l'axe des x. Cette non linéarité s'explique
par des considérations cinématiques. L'essieu suit en eet une trajectoire circulaire. Les

mesures verticales fournies par les vérins peuvent être vues comme des projections sur cet
axe. La non-linéarité est d'autant plus grande que les débattements sont grands.

6.4.4 Résultats d'identication


Sur chacun des 2 essais présentés, nous avons identié le système sur banc avec les

deux modèles (à coecients constants et à coecients variables).

Les valeurs des paramètres identiés du modèle à coecients constants sont données

dans le tableau 6.1 pour chacun des deux essais.

Les valeurs des paramètres identiés du modèle à coecients variables sont tracés en

fonction de l'écrasement dans la gure 6.7. On constate que les paramètres élastiques sont

très proches d'un essai à l'autre pour la plage commune. Ce n'est pas le cas des paramètres

hystérétiques. Pour le premier essai, on obtient une courbe en cloche : le coecient de

frottement est maximum autour de la position d'équilibre ( x = 0). Le coecient de

frottement est approximativement constant pour le second essai.

73
Chapitre 6. Le ressort à lames 6.4. Essais sur banc

0.06

0.04

Débattement (m)
0.02

−0.02

−0.04

−0.06
20 40 60 80 100 120 140 160
Temps (s)

4
x 10
3

1
Effort (N)

−1

−2

−3

−4
−0.06 −0.04 −0.02 0 0.02 0.04 0.06
Débattement (m)

Fig. 6.6  Courbe Eort/Déplacement. Variation en amplitude

Paramètres Essai 1 Essai2

k (N) 239158 236592

f (N) 605,9 725,7

 (mm) 2,46 3,77

Tab. 6.1  Paramètres obtenus sur banc

4
x 10
1.5
Paramètres élastiques (N)

0.5

−0.5
Essai 1
−1 Essai 2

−1.5

−2
−0.06 −0.04 −0.02 0 0.02 0.04 0.06
Débattement (m)

800
Paramètres hystérétiques (N)

700

600

500 Essai 1
Essai 2
400

300
−0.06 −0.04 −0.02 0 0.02 0.04 0.06
Débattement (m)

Fig. 6.7  Paramètres du modèle à coecients variables (banc)

74
Chapitre 6. Le ressort à lames 6.4. Essais sur banc

Pour chaque essai, les gures 6.8 et 6.9 comparent les eorts simulés par chaque mo-

dèle avec les paramètres obtenus par identication aux mesures en fonction du temps. La
courbe de simulation du modèle à coecients variables est presque superposée à la courbe

de mesures. Le modèle à coecients constants engendre une erreur modérée lorsque le dé-

battement change de signe, d'autant plus forte que le débattement est élevé. Cela justie
ainsi l'utilisation d'un modèle non linéaire pour Fe tel que le modèle à coecients va-

riables. La gure 6.10 trace le frottement sec estimé à partir des mesures et du modèle à

coecients variables en retranchant à l'eort total la force élastique estimée par le modèle

à coecients variables. Les erreurs observées sont donc dues à la fois à l'erreur faite sur

le modèle de frottement Fh et celle faite par le modèle de la force élastique Fe .

Mesures
Modèle CV
6000 Modèle CC

4000

2000
Effort (N)

−2000

−4000

−6000

−8000
46 47 48 49 50 51 52 53
Temps (s)

Fig. 6.8  Validation sur données de calage. Variation en fréquence (banc).

4
x 10
Mesures
Modèle CV
Modèle CC
1

0.5
Effort (N)

−0.5

−1

−1.5

114 116 118 120 122 124 126 128 130 132
Temps (s)

Fig. 6.9  Validation sur données de calage. Variation en amplitude (banc).

75
Chapitre 6. Le ressort à lames 6.5. Essais sur véhicule roulant

800
Estimation par les mesures
Modèle CV
600

400

200

−200

−400

−600

−800

−1000
70 75 80 85 90 95 100 105 110 115

Fig. 6.10  Estimation du frottement

6.5 Essais sur véhicule roulant


6.5.1 Introduction
Le montage sur banc de la suspension a permis d'exciter celle-ci avec des signaux pério-

diques qui ont bien mis en évidence les cycles d'hystérésis. Pour des faibles amplitudes, la

force élastique est presque linéaire en x et il est possible d'en déterminer la raideur graphi-
quement. De même, on peut déduire la valeur du coecient de frottement. La constante

de distance  est plus délicate à obtenir. Bien entendu, pour de plus grands débattements,
la non linéarité de Fe complique les choses et les procédures numériques prouvent vite

leur utilité par rapport aux méthodes graphiques.


Les ingénieurs du poids lourds n'ont pas toujours la possibilité de mener l'étude sur
banc. Par exemple, pour l'étude d'un véhicule sortant d'usine et présentant un défaut,

ou un véhicule de la concurrence, on peut chercher à connaître les caractéristiques des

ressorts sans avoir à démonter la suspension et la remonter sur banc. De plus, il peut être

intéressant de savoir si les caractéristiques fournies par le bureau d'étude, obtenues sur
banc, restent valables lorsque les ressorts sont intégrés dans le véhicule.

Les contraintes sur véhicule sont plus grandes. D'une part, on ne maîtrise par l'exci-
tation de la suspension. D'autre part, on ne dispose pas de capteur d'eort pour mesurer

la force délivrée par les ressort. Nous allons utiliser la modélisation classique du quart de

véhicule pour obtenir cette information via une mesure de l'accélération.

6.5.2 Le modèle quart de véhicule


Le modèle quart de véhicule (voir gure 6.11) est une représentation simpliée du

fonctionnement d'une suspension. Il utilise la notion de masse suspendue, qui comprend


la caisse elle même et le chargement et la notion de masse non suspendue, qui inclut les

éléments du train, en particulier l'essieu. La masse des éléments de la suspension elle-même

76
Chapitre 6. Le ressort à lames 6.5. Essais sur véhicule roulant

xs ms

k Fh
xns
mns

kr
xr

Fig. 6.11  Modèle 1/4 de véhicule

se répartit entre la masse suspendue et la masse non suspendue.

Le pneu réalise le lien entre le sol et la masse non suspendue tandis que la suspension

elle-même se trouve entre les deux masses. Ce modèle représente le fonctionnement en


vertical du véhicule.

Sous l'eet de la gravité, les masses se stabilisent chacune à une position qui dénit la

position d'équilibre. Les équations du mouvement du modèle à 2 masses autour de leur


position d'équilibre s'écrivent :

ms xs + Fs = 0 (6.18)

mns xns Fs = Ft (6.19)

Le terme de gravité compense celui engendré par le ressort du fait de la déformation

par rapport à la position libre et n'apparaît donc pas dans les équations (6.18) et (6.19).

Les paramètres ms et mns sont respectivement les masses suspendues et non suspen-

dues. Fs est la force délivrée par la suspension, Ft est la force délivrée par le pneu. Les

distances xs et xns sont les déplacements des masses suspendues et non suspendues.
Pour notre étude, nous utilisons uniquement l'équation (6.18). Nous ne nous préoccu-
pons pas de modéliser le pneu. Un ressort linéaire de raideur kr est le cas le plus simple de
modélisation du comportement vertical du pneu, ce qui explique la représentation dans
la gure 6.11. Le lecteur trouvera dans [Sak81a, Sak81b],[GN90, GN91a, GN91b],[Pac96]

et [SS00] des modélisations plus complètes du pneumatique.

De la même façon, nous avons représenté un élément élastique (via une raideur k) et un
élément hystérétique. Nous avons volontairement omis l'élément visqueux du fait que dans

nos essais, les amortisseurs étaient démontés. En eet, l'eort délivré par les amortisseurs

est également fortement non linéaire, en particulier pour les faibles vitesses.

De cette façon, la force Fs délivrée par la suspension est le fait du ressort à lames seul
et à la valeur de la masse suspendue près, elle est donnée par l'accélération verticale de

la masse suspendue d'après l'équation (6.18). On a alors F = Fs . Le déplacement relatif

77
Chapitre 6. Le ressort à lames 6.5. Essais sur véhicule roulant

entre les deux masse s'écrit :

x = xns xs (6.20)

Il est mesuré par des capteurs à ls dont la base est xée à la masse suspendue.

L'extrémité du l est xée à la masse non suspendue, au niveau de l'essieu, à la verticale

de la base. L'accélération de la masse suspendue est obtenue par un accéléromètre xé


sur celle-ci, sur le même axe vertical que le capteur à l. La masse ms a été mesurée par
pesée avant les essais et ne sera donc pas estimée.

6.5.3 Description des essais


Au cours d'une campagne d'essais, un porteur 4  2 2 a été instrumenté et a eectué des
manoeuvres de franchissement de marche à faible vitesse. Cette procédure, appelée essai
d'agressivité, est utilisée pour la classication des suspensions des véhicules à moteur. La
manoeuvre consiste à monter une rampe puis descendre une marche de 80 mm (voir gure

6.12), à environ 5km=h. Les amortisseurs sont démontés au niveau du train arrière, mais
présents à l'avant. Pour vérier la répétabilité, le camion franchit 10 fois la marche.

Sens du déplacement
80 mm

2500 mm 800 mm
Fig. 6.12  Prol de la marche

6.5.4 Analyse graphique


La gure 6.13 trace le débattement de la suspension et l'accélération verticale du châssis

à l'avant et à l'arrière du véhicule. A l'instant t = 8s, l'avant du véhicule descend la


marche. La masse suspendue subit une accélération négative (elle descend) tandis que

la masse non suspendue s'éloigne de la masse suspendue. Puis le système oscille jusqu'à
l'équilibre à t = 10s. L'arrière du véhicule est peu aecté. Un instant après t = 10s, c'est
au tour de l'arrière du châssis de descendre la marche. Le même phénomène est observé

mais on remarque que l'avant subit également des oscillations.

La gure 6.14 trace l'eort calculé avec l'accélération de la masse suspendue en fonction

du débattement de la suspension.
2 Il s'agit d'un véhicule solo à deux essieux dont un directeur [Cog96].

78
Chapitre 6. Le ressort à lames 6.5. Essais sur véhicule roulant

0.04
Arrière
Avant
Débattement (m) 0.02

−0.02

−0.04
0 5 10 15 20 25 30
Temps (s)
Accélératoin masse suspendue (m s )
−2

8
Arrière
6 avant
4

−2

−4

−6
0 5 10 15 20 25 30
Temps (s)

Fig. 6.13  Débattement et accélération avant/arrière

4
x 10
8

2
Effort (N)

−2

−4

−6
−0.04 −0.03 −0.02 −0.01 0 0.01 0.02 0.03 0.04
Débattement (m)

Fig. 6.14  Eort en fonction du déplacement (véhicule roulant)

79
Chapitre 6. Le ressort à lames 6.5. Essais sur véhicule roulant

6.5.5 Résultats
6.5.5.1 Modèle à coecients constants
Les paramètres k, f et  sont identiés pour chacun des 10 essais à partir des équations
(6.1) + (6.2). La dispersion sur les paramètres est un bon indicateur de la validité du

modèle. Le tableau 6.2 donne pour chacun des 3 paramètres la valeur moyenne, l'écart-
type, la valeur minimale et la valeur maximale.

k(106 N:m 1 ) f (N ) (mm)


Moyenne 1,477 9107 2,685

Ecart-type 0,010 171 0,145

Minimum 1,459 8860 2,490

Maximum 1,490 9352 2,960

Tab. 6.2  Paramètres obtenus sur véhicule roulant

6.5.5.2 Modèle à coecients variables


Pour chaque essai, on réalise l'identication du modèle (6.3) + (6.4). On obtient donc
un jeu de paramètres pour Fe et pour Fh ainsi que . On moyenne sur les 10 essais les

paramètres. On détermine la valeur maximale et minimale prise par chaque paramètre


pour tous les points ui .
Dans les gures 6.15 et 6.16, nous traçons les courbes des valeurs moyennes, minimales

et maximales respectivement pour Fe (x) et f (x). On constate une bonne cohérence entre
les paramètres d'un essai à l'autre.

Les statistiques obtenues sur le paramètre  sont données dans le tableau (6.3). L'écart-
type est très proche de celui obtenu à partir du modèle à coecients constants. Les valeurs

absolues indiquent une valeur légèrement plus élevée.

(mm)
Moyenne 2,804

Ecart-type 0,147

Minimum 2,610

Maximum 3,04

Tab. 6.3  Paramètre 


Les déplacements sont restés limités : si la marche avait été plus haute, on aurait

certainement observé une plus forte non linéarité comme ce fut le cas sur le banc. De

même, à part pour des débattements les plus faibles, l'allure de la courbe de la force
hystérétique semble indiquer que le coecient de frottement peut être considéré comme

constant.

80
Chapitre 6. Le ressort à lames 6.5. Essais sur véhicule roulant

4
x 10
6

3
Paramètres élastiques (N)

0
Maximum
Moyenne
Minimum
−1

−2

−3

−4
−0.04 −0.03 −0.02 −0.01 0 0.01 0.02 0.03 0.04
Débattement (m)

Fig. 6.15  Paramètres élastiques du modèle à coecients variables (véhicule roulant)

12000

10000
Paramètres hystérétiques (N)

8000

6000
Maximum
Moyenne
Minimum
4000

2000

0
−0.04 −0.03 −0.02 −0.01 0 0.01 0.02 0.03 0.04
Débattement (m)

Fig. 6.16  Paramètres hystérétiques du modèle à coecients variables (véhicule roulant)

81
Chapitre 6. Le ressort à lames 6.5. Essais sur véhicule roulant

6.5.5.3 Comparaison des 2 modèles


La gure (6.17) (respectivement (6.18)) compare l'eort mesuré et l'eort simulé par les

deux modèles pour un essai particulier, en fonction du temps (respectivement du débatte-

ment). Les courbes rendent bien compte de la décroissance caractéristique de l'amplitude


d'un système oscillant libre. Le modèle à coecients variables est meilleur que le modèle

à coecients constants pour les premiers cycles de forte amplitude. La non linéarité élas-

tique se distingue sur la gure 6.18 : elle est concave alors qu'elle était convexe sur le

banc. Cela s'explique naturellement par le fait que le banc était inversé par rapport au

véhicule roulant et que les références l'étaient aussi.

4
x 10

6
Mesures
Modèle CV
Modèle CC

2
Effort (N)

−2

−4

12 12.5 13 13.5 14 14.5


Temps (s)

Fig. 6.17  Validation en temps (véhicule roulant)

4
x 10
8

2
Effort (N)

−2

Mesures
−4 Modèle CV
Modèle CC

−6
−0.04 −0.03 −0.02 −0.01 0 0.01 0.02 0.03 0.04
Débattement (m)

Fig. 6.18  Validation en débattement (véhicule roulant)

82
Chapitre 6. Le ressort à lames 6.6. Conclusions

6.6 Conclusions
Nous avons montré que le modèle proposé dans [FEMW80b] est la solution discrète du

modèle non linéaire continu. Le modèle discret est utilisé largement dans le domaine du
poids lourd. Les principales contributions de nos travaux concernant la modélisation du

ressort à lames sont les suivantes :

 Nous proposons de manière équivalente au modèle discret existant un modèle continu,

plus adapté à l'analyse et aux systèmes de simulation actuels qui font un large usage
de modèles continus.

 Nous donnons une interprétation physique aux paramètres du modèle discret. En

particulier, le paramètre fenv introduit dans [FEMW80b] n'est pas la valeur du frotte-
ment asymptotique. Il faut le composer avec les autres paramètres suivant l'équation

(6.17).

 Les propriétés linéaires après un changement de variable du modèle continu per-

mettent une identication directe de ces paramètres, non seulement sur banc mais

également sur véhicule roulant.


 L'introduction de non linéarités supplémentaires permet de tenir compte de la ciné-

matique particulière de la suspension.

83
Chapitre 7
La butée de choc

7.1 Etat de l'art


7.1.1 Isolateurs en caoutchouc
Pour des raisons de confort et de sécurité, certains systèmes doivent être isolés de leur

environnement. En particulier, les bruits et les vibrations créés par une machine-outil ou
un moteur thermique de voiture sont sources de nuisance pour l'environnement immédiat.

Le cas des protections anti-sismiques d'un édice constitue l'exemple opposé où c'est le

système qu'il s'agit de protéger de vibrations extérieures. Les isolateurs en caoutchouc

ont cette fonction. On les trouve fréquemment dans les systèmes d'isolation vibratoire

et sonore sur les machines-outils, les véhicules et dans les systèmes anti-sismiques des

immeubles et des ponts.

Les isolateurs anti-chocs sont de même nature (en élastomère), mais souvent de géomé-
trie diérente. Ils sont utilisés pour réduire les chocs qui peuvent être dus à des chutes, des

secousses violentes ou simplement à une percussion d'un élément sur un autre. L'isolateur

a alors comme fonction de limiter les eets des chocs. La butée de choc dans une suspen-
sion de véhicule routier sert à limiter la force entrant dans la caisse lorsque l'amortisseur,

parvenant en bout de course, ne sut plus à amortir l'eort fourni par la roue.
L'étude de ces systèmes et de leurs propriétés permet à l'ingénieur de bien les dimen-

sionner an qu'ils répondent correctement au besoin mais également de prévoir l'évolution

des caractéristiques dans le temps du fait de la détérioration du matériau. Les éléments en

caoutchouc utilisés dans ces systèmes ont comme principales caractéristiques de disposer

d'une capacité intrinsèque de dissipation d'énergie (viscoélasticité ) [Gar].

7.1.2 Régimes harmoniques


S'agissant de vibrations, il est naturel de rechercher une représentation fréquentielle

du système. Les ingénieurs ont établi des modèles linéaires pour pouvoir leur appliquer la

transformation de Fourier.

On considère un système à plusieurs degrés de liberté. Pour un système avec un amor-


tissement visqueux, on a :

84
Chapitre 7. La butée de choc 7.1. Etat de l'art

M + cv + Kx = Fext (t) (7.1)

où M est la matrice des masses et inerties, c le coecient de viscosité dynamique, K


la matrice des raideurs, , v et x les vecteurs respectivement d'accélération, de vitesse et
de déplacement vibratoire (linéaires et angulaires) et Fext le vecteur d'eorts extérieurs.
2
En fréquentiel, on voit alors apparaître le terme dissipatif ci! , linéaire en ! (i = 1).
Pour introduire du frottement sec au lieu du frottement visqueux, on utilise la notation

complexe. Pour un système avec un amortissement hystérétique, on a :

M + K (1 + i )x = Fext (t) (7.2)

En fréquentiel, le terme dissipatif est alors iK . Le terme  est souvent noté  = tan (Æ )
où Æ est appelé angle de perte qui dénit le retard de l'eort sur la déformation dans le cas
d'une excitation harmonique. Cette représentation conduit à rendre le module élastique
de Young complexe.

Pour modéliser la dépendance en fréquence du comportement viscoélastique du caou-

tchouc, M. Sjöberg propose dans [Sjo00] d'étendre les notions ci-dessus en introduisant
les dérivées fractionnaires dénies comme :

Z t
d
1 z ( )
D z (t) = d (7.3)
(1 ) dt 0 (t  )
(i! ) , où 0   1 est l'ordre de la dérivation. Le
Cela introduit des termes de types

cas = 1 correspond à un comportement visqueux pur, la cas = 0 à un comportement

élastique et le cas intermédiaire à un comportement visco-élastique. En particulier, la


raideur du système devient dépendante de la fréquence.

7.1.3 Transitoires
Les représentations présentées ci-dessus sont ecaces quand on considère des régimes
harmoniques, ce qui est le cas dans les études de vibrations. En revanche, elles sont

inopérantes pour étudier les transitoires, par exemple en cas de choc. C'est le mode typique

de fonctionnement d'une butée de choc.


Le modèle non-linéaire suivant est couramment utilisé dans les systèmes en caoutchouc

pour l'isolation vibratoire [Sjo00, Ber97, Ber98]. Le frottement est directement calculé

en fonction d'un état de référence (xr ; Fr ) et de x sans passer par une variable d'état

continue.

8
>
< Fr si x = xr
Fh = Fr + x2 (1 xr )+(
xr
x xr ) (Fc Fr ) si x > xr (7.4)
>
: Fr + x2 (1+ xr )xr(x xr ) (Fc + Fr ) si x < xr

85
Chapitre 7. La butée de choc 7.1. Etat de l'art

où r = FFrc . L'état de référence est mis à jour à chaque changement de signe de la


vitesse x_ . Fc est la limite asymptotique du frottement, il s'interprète comme le frottement
de Coulomb f . Le paramètre x2 est le déplacement à réaliser depuis l'état de référence

(0; 0) avec x_ > 0 pour atteindre F = F2c . Ce modèle ne rend pas compte de l'eet Stribeck.
L'eet Dahl est en revanche pris en compte. En notant F ~ = F Fr et x~ = x xr , on
montre que :

F~ Fc
lim =
x~!0 x~ x2
A cet eort hystérétique vient s'ajouter un eort élastique linéaire de raideur k et un
eort visco-élastique, par exemple modélisé par un modèle fractionnaire ou un modèle de

type Maxwell (ressort/amortissement en série).

L'identication [Ber98] consiste à estimer les paramètres du modèle à partir de mesures

de F et de x. Le déplacement est un signal de type sinus. L'identication se déroule en

2 temps. La première phase consiste à exciter le système à faible fréquence pour négliger

l'eort visqueux. Les paramètres de frottement x2 , Fc et de raideur k sont obtenus gra-

phiquement. Les paramètres visqueux sont obtenus à partir des cycles à partir de signaux
de type sinus à plus haute fréquence.

Le modèle de frottement sec est un modèle par branches que l'on peut rapprocher du
modèle d'hystérésis de R. Bouc [Bou71]. Cependant, ce modèle ne dépend que des derniers

extrema réalisés tandis que le modèle de Bouc dépend de tous les extrema passés.

7.1.4 Fonctionnement de la butée de choc


Caisse Caisse
Butée
Butée comprimée
libre
Tige

Amortisseur
Fig. 7.1  Butée de choc

Contrairement aux isolateurs vibratoires, la butée de choc ne fonctionne pas autour

d'un point de fonctionnement avec des petits débattements. Elle n'est sollicicitée que dans

les grands mouvements de suspension. Les petites irrégularités de la routes sont amorties

par l'amortisseur qui coulisse le long de sa tige, sans toucher la butée qui est alors libre. En

cas de grands débattements, qui interviennent par exemple lorsque le véhicule monte un

trottoir, roule sur des mauvais pavés ou un nid de poule, l'amortisseur vient comprimer la

86
Chapitre 7. La butée de choc 7.1. Etat de l'art

butée (voir gure 7.1) qui limite alors les entrées d'eort dans la caisse en emmagasinant

de l'énergie. Lors de la détente, la butée retourne vers sa position libre.


Le caoutchouc et la géométrie de la butée rendent celle-ci naturellement non linéaire.

De plus, elle développe de l'hystérésis attribué à de la plasticité interne du matériau, qui

transforme une partie de l'énergie en chaleur.


Eort

Compression
Fig. 7.2  Allure d'une courbe de compression d'une butée

L'objectif de ce chapitre est de modéliser et d'identier les paramètres d'un modèle de

butée. Un test de cycles de compression/détente à très faible vitesse conduit à une courbe
Eort/Compression ayant l'allure donnée dans la gure 7.2. Pour des compressions faible,

l'eort est linéaire en fonction de la compression. Ensuite, à l'approche d'une compression


maximale, la butée devient de plus en plus rigide. Le changement de géométrie dû à la
compression peut également faire varier la valeur du coecient de frottement f en fonction
de x. On constate d'ailleurs une variation de la largeur du cycle d'hystérésis.
Pour des tests à vitesse plus élevée, les courbes sont diérentes, on observe notam-

ment un élargissement des cycles. Ainsi, la butée développe également des phénomènes

visqueux qui ne seront pas étudiés dans cette thèse. On se contentera donc de modéliser

les phénomènes élasto-plastiques.

Nous utilisons dans ce chapitre des notions élémentaires de mécanique des matériaux.
Les lois de comportement sont d'abord exprimées en terme de contrainte (homogène à une

pression)-déformation (sans dimension) puis sont ensuite écrites sous la forme classique

eort-déplacement.

7.1.5 Mécanique des polymères


La butée est composée d'un matériau de type caoutchouc qui n'est pas strictement
homogène. Il comporte des zones cristallines où il y a régularité des chaînes de polymère

et des zones amorphes, où les chaînes sont au contraire disposées de façon aléatoire. Le
matériau, qualié alors de semi-cristallin, peut être vu comme un empilement de lamelles

séparées par des zones interlamellaires amorphes (voir gure 7.3).

On suppose que le caractère élastique est entièrement décrit pas le comportement


caoutchoutique de la phase amorphe et que le caractère hystérétique est décrit par le

comportement plastique de la phase cristalline. On eectue les hypothèses suivantes : les

87
Chapitre 7. La butée de choc 7.1. Etat de l'art

Lamelle
Zone amorphe

Fig. 7.3  Lamelles cristallines

deux phases (amorphes et cristallines) ont même déformation tandis que les contraintes

s'ajoutent au prorata d'un taux de cristallinité en volume c [HG95] :

 = c h + (1 c )e (7.5)

où  est la contrainte totale, h est la réponse de la phase cristalline et e celle de la phase


amorphe.

7.1.6 Elasticité caoutchoutique


Les polymères, et en particulier le caoutchouc, ont des propriétés mécaniques particu-

lières. Ils sont très déformables. On peut les tordre, les comprimer, les étendre ... suivant

de grandes amplitudes. Il sut pour s'en rendre compte de penser au ballon de baudruche
que l'on gone.

La notion d'élasticité caoutchoutique a permis de rendre compte des propriétés des


polymères. Elle est basée sur une modélisation de la structure moléculaire des polymères

[Ver95b]. Les molécules sont organisées en réseau tridimensionnel de chaînes étroitement


enchevétrées et imbriquées. Chaque chaîne est un ensemble de segments élémentaires (des
liaisons moléculaires) capables de rotation relative. Le nombre de segments par chaîne est

supposé susamment grand pour eectuer une analyse statistique. Du fait des rotations

des segments, une chaîne n'est pas droite, elle forme au contraire une pelote. Les rotations

ne sont pas libres, ainsi certaines congurations sont favorisées par rapport à d'autres.

La théorie de l'élasticité caoutchoutique se base sur l'hypothèse de caoutchouc idéal,

formé d'un réseau chimique tridimensionnel formé de chaînes et reliées entre elles par des
n÷uds. L'hypothèse isotrope indique que les chaînes n'ont pas d'orientation privilégiée

au repos [Ver95a]. Chaque chaîne est terminée par 2 points de réticulation sur lesquels

viennent se liées d'autres chaînes. Il est supposé que les déformations macroscopiques

sont anes des déplacements relatifs des n÷uds du réseau, c'est à dire de la distance entre

extrémités de la chaîne libre. Cela signie donc que connaître le comportement des chaînes
permet d'avoir une bonne vision du comportement élastique observé macroscopiquement.

88
Chapitre 7. La butée de choc 7.2. Modèle non linéaire de la butée de choc

La relation entre la déformation et la force est basée sur des considérations thermo-

dynamiques. On considère une unité de volume : la force fe exercée par cette unité de
volume est donné par :

dEl
fe = (7.6)
dl
où dEl est la variation d'énergie libre et dl la déformation de l'échantillon (on a dl =

L0 d). L'idée principale est que l'on peut calculer la variation d'énergie libre El d'une
chaîne lorsque celle-ci est déformée par rapport à sa position au repos (pour le détail des

calculs, le lecteur est invité à consulter [Ver95a]) :

T 2 2 2
E l =
( + y + z 3)
2
où  est la constante de Boltzmann et T la température. Pour  chaînes, on a alors :

T 2 2 2
El = ( + y + z 3) (7.7)
2
Le modèle donné par l'équation (7.7) a été modié pour étendre son domaine de validité

aux grandes extensions.

On note C1 = T et IV1 , IV2 et IV3 les invariants de C (coecients de son polynome
2
caractéristique), le tenseur de Cauchy-Green droit. C'est à dire que si F est le gradient
de la déformation, C est le carré du module à droite de F : C = avec F = R

U2 U où R
est orthogonal et U symétrique. On a aussi C = F
 F . On a IV3 = 1 pour un matériau
T
incompressible et IV1 , IV2 vont nous permettre de modéliser la variation d'énergie libre.

L'équation (7.7) s'écrit :

El = C1 (IV1 3) (7.8)

La linéarité par rapport au premier invariant à donné son nom à ce modèle. En ajoutant

un nouveau terme et paramètre à l'équation (7.8), on obtient le modèle de Mooney-Rivlin :

El = C1 (IV1 3) + C2 (IV2 3)


où IV2 = 2 2y + 2 2z + 2y 2z est le second invariant. D'autres modèles sont venus com-

pléter ces équations [HHM99]. Les logiciels d'éléments nis les utilisent dans leurs codes

numériques pour décrire le comportement élastique des élastomères, on peut consulter par
exemple [MSC].

7.2 Modèle non linéaire de la butée de choc


7.2.1 Eort délivré par la butée
Nous nous restreignons à une compression uniaxiale. Pour simplier le propos, nous

faisons l'hypothèse que la butée est un cylindre parfait (voir gure 7.4), de longueur et

89
Chapitre 7. La butée de choc 7.2. Modèle non linéaire de la butée de choc

de surface de section au repos notées respectivement L0 et s0 . Le volume initial V0 vaut


donc V0 = L0 s0 . Quand la butée est comprimée de x, sa longueur est notée L et on a
naturellement L = L0 x. Enn, la déformation suivant l'axe de compression, notée 
est dénie comme le rapport de la longueur sur la longueur au repos :

L0 x
= (7.9)
L0

s0

L0

Fig. 7.4  Compression d'un cylindre en caoutchouc

Les déformations suivant les autres axes sont notées y et z qui sont supposés égales

par symétrie. On suppose que le matériau constituant la butée est parfaitement incom-

pressible, ce qui signie que les déformations se font à volume constant. Si l'on comprime

la butée, sa surface augmente. On a alors les égalités suivantes :

q
y z = 1 y = z = 1

La surface de section du cylindre comprimé est donnée par s= s0 .

La force de rappel F délivrée par la butée après compression est donnée par :

F = s
On obtient alors l'écriture suivante pour F :

e h
F = s0 (1 c ) s0 c (7.10)
 
7.2.2 Comportement de la phase amorphe
Pour une compression, le modèle Neo-Hookean (équation (7.8)) est satisfaisant. C'est

donc celui-ci que nous utilisons pour la butée dans cette thèse. D'après (7.6), on obtient

alors pour fe :

90
Chapitre 7. La butée de choc 7.2. Modèle non linéaire de la butée de choc

T 2
fe =  
L0
La contrainte e est alors donnée par e = fse .

T 2 
e =   1 (7.11)
V0
La contrainte est nulle au repos ( = 1). Quand il y a compression totale  = 0, la
contrainte devient innie.

7.2.3 Comportement de la phase cristalline


Les phénomènes plastiques intervenant dans les matériaux sont formidablement com-
plexes. L'hystérésis observée traduit des phénomènes irréversibles au niveau moléculaire,

comme des ruptures de liaisons, des glissements ou des phénomènes de cavitation qui
peuvent conduire à la ruine du matériau, qui va le rendre inadapté au besoin auquel

il répondait. Cela peut se traduire par une détérioration de l'ecacité du système ou


sa destruction pure et simple. Le frottement interne est principalement le résultat de ré-

arrangements de la structure moléculaire qui se traduit par le glissement entre les chaînes.

Cette constatation nous amène à considérer un modèle de type Dahl. Nous supposons que
la relation entre la contrainte hystérétique h et la déformation  suit le modèle LSIDH
(voir l'équation (3.4)).

1 _ 
_ h =
"
j jh + 0 _
"
(7.12)

Le paramètre 0 est une contrainte asymptotique et " est sans dimension.

7.2.4 Equations non linéaires


Nous exprimons F en fonction de la compression x. Nous avons  = L0 x
L0 et _ = x_
L0 .
Les équations de la butée sont :

  !
(1 c )T L0 x L0 2 L0
F = 
L0 x h
(7.13)
L0 L0 L0 x
1 s
_ h =
"L0
jx_ jh c 0 0 x_
"L0
(7.14)

Les paramètres de ce modèle sont L0 , ", (1 c )T et c s0 0 . Du fait du couplage


entre la variable d'état h et x dans l'équation (7.13), le système n'est pas linéarisable

directement. Nous allons proposer deux méthodes pour y parvenir que nous comparerons

à partir de données expérimentales. Dans la suite de ce document, le modèle (7.13)+

(7.14) sera alors appelé modèle de référence de la butée.

91
Chapitre 7. La butée de choc 7.3. Linéarisation par changement de variable modulé

7.3 Linéarisation par changement de variable modulé


7.3.1 Ecriture du système
Dans cette section, nous adoptons une première décomposition de la force de rappel de
la butée.

F = Fe + Fh (7.15)

Fe = (1 c )s0 e (7.16)


Fh = c s0 h (7.17)

1 _ 
_ h =
"
jjh + 0 _
"
(7.18)

L'équation (7.15) donne la décomposition de F en une somme d'une eort élastique

Fe et d'un eort hystérétique Fh . L'eort Fe est exprimé en fonction de la compression x


dans l'équation (7.20). L'eort Fh est donné par l'équation (7.22).

Les équations de Fe et Fh ne sont pas sous la forme des modèles à coecients constants
((3.2) et (3.4)) ou à coecients variables ((3.18) et (3.19)). La linéarisation par change-
ment de variable vue en 4.2 n'est pas directe.

D'après l'expression de e donnée par l'équation (7.11), la force élastique s'exprime

comme :

(1 c )T 2
Fe =   (7.19)
L0
On peut exprimer Fe en fonction de la compression x :
 2 !
(1 c )T x L0 L0
Fe = + (7.20)
L0 L0 L0 x
L'expression de Fe ne pose pas de problèmes particulier. Si L0 est connue, alors Fe
est connue à un coecient près qu'il est aisé d'estimer. Sinon, il est toujours possible

d'introduire la modélisation par splines (voir section 3.3.3) pour rendre compte de la non

linéarité qui est ici explicitement donnée.


La force élastique Fe se compose d'un terme linéaire ( x LL0 0 ) et d'un terme hyperbolique
 2
L0
L0 x . C'est ce second terme qui introduit la non linéarité statique dans Fe . Quand
x tend vers L0 , Fe tend vers +1. Nous appliquons directement les résultats obtenus en
3.3.3 où Fe était approchée par des splines. Nous écrivons Fe sous forme vectorielle (voir

l'équation (3.18)) :

Fe (x) = T '(x)

92
Chapitre 7. La butée de choc 7.3. Linéarisation par changement de variable modulé

Le régresseur '(x) a été déni dans les équations (3.13), (3.14), (3.15) et (3.20).
En dérivant (7.17) par rapport au temps et d'après l'équation (7.12) :

_ h = c s0 ( 1 j_ jh + 0 _ )
F_ h + F
" "
On substitue h par sa valeur en Fh d'après l'équation (7.17) :

_ j_ j c s0 0 _
F_ h = ( + )Fh
 " " 
En remarquant que _ = x_
L0 , on exprime Fh en fonction de x :
 
(x_ )
F_h =
1
"L0
sign

L0 x
jx_ jFh + "(Lcs00x) x_ (7.21)
0

Nous allons chercher à écrire l'équation (7.21) sous une forme proche du modèle LSIDH.

On obtient alors

1 ~
f (x; sign(x_ ))
F_h =
~(x; sign(x_ ))
jx_ jFh +
~(x; sign(x_ ))
x_ (7.22)

avec :

"L0 (L0 x)
~(x; sign(x_ )) =
L0 x sign(x_ )"L0
c0 s0 L0
f~(x; sign(x_ )) =
L0 x sign(x_ )"L0
L'équation (7.22) est sous une forme qui ressemble au modèle LSIDH dans lequel les

paramètres de frottement f~ et la constante de temps ~ dépendent à la fois de la position x


et du signe de x_ . La dépendance en x du frottement pourrait être également approximée
par des splines. Le fait que f~ dépende du signe de x n'est pas d'avantage problématique,

il est toujours possible d'introduire une nouvelle entrée elle-même dépendant de sign(x _ ).
La réelle diculté provient surtout de la constante d'espace, qui, justement, n'est plus

constante. Nous allons eectuer une double linéarisation. La première consiste à suppo-
ser que le système évolue autour d'un point de fonctionnement. La seconde consiste à

appliquer le changement de variable modulé vu à la section 4.2.

Nous supposons que le système fonctionne autour d'un point de fonctionnement x0 ,


avec 0 < x0 < L0 (1 "). Dans ce cas, nous avons :

1 ~
f (x ; sign(x_ ))
F_h =
~(x ; sign(x_ ))
jx_ jFh + 0
~(x ; sign(x_ ))
x_ (7.23)
0 0

93
Chapitre 7. La butée de choc 7.3. Linéarisation par changement de variable modulé

avec :

"L0 (L0 x0 )
~(x0 ; sign(x_ )) =
L0 x0 sign(x_ )"L0
c 0 s0 L0
f~(x0 ; sign(x_ )) =
L0 x0 sign(x_ )"L0
An de simplier l'écriture, nous écrivons l'équation (7.23) sous la forme :

1 f~
F_h = jx_ jFh + x_ (7.24)
~ ~
On obtient donc des ~ et f~ qui ne dépendent
paramètres  plus que du signe de x_ . On
note alors :

(
"L0 (L0 x0 )
+ = L0 x0 "L0 pour x_ > 0
~ = "L0 (L0 x0 )
 = L0 x0 +"L0 pour x_ < 0
(
f+ = c 0 s0 L0 x_ > 0
f~ =
pour
L0 x0 "L0 (7.25)
f = c 0 s0 L0 pour x_ < 0
L0 x0 +"L0

q
+
D'après (4.1), nous avons l'expression de =  en fonction des paramètres du

problème :

s
2
= 1+ L0 x0 (7.26)
"L0 1
Dans notre modélisation, nous avons également :

s
f+
= (7.27)
f
Le paramètre  est également déni à partir de + et i . Grâce à l'équation (4.2), nous
pouvons l'exprimer suivant les paramètres du problème :

 =
p 
+
"L0 (L0 x0 )
= p (7.28)
(L0 x0 )2 "2 L20
De façon analogue, nous dénissons le paramètre f :

94
Chapitre 7. La butée de choc 7.3. Linéarisation par changement de variable modulé

p
f = f+ f
c 0 s0 L0
= p (7.29)
(L0 x0 )2 "2 L20
La vitesse modulée par x_ est dénie dans l'équation (4.3), que nous rappelons ici :

x_ =
jx_ j+ jx_ j (7.30)

Nous redonnons également le changement de variable (équation (4.8)) :

ds = jx_ jdt (7.31)

Nous réalisons alors le changement de variable dans l'équation (7.24) :

dFh 1 f~
= Fh + sign(x_ ) (7.32)
ds  
En corollaire de la propriété (4.6), nous avons la propriété suivante :

x_ 1
f~ sign(x_ ) = f
jx_ j (7.33)

D'après la propriété (4.4), on a sign (x_ ) = sign (x_ ). Ainsi en introduisant (7.33) dans
l'équation (7.32) nous obtenons la forme diérentielle :

dFh 1 f x_ 1
= Fh +
 jx_ j
(7.34)
ds 
Le signal x(s ) a désormais la forme de triangles de pentes 1 (si x_ > 0) ou (si x_ < 0).

On a donc

 1
dx si x_ > 0
=
ds si x_ < 0
D'après la dénition de x_ 1 (équation (7.30)), on a d'autre part :

x_ 1  si x_ > 0
jx_ j = 1 si x_ < 0
(7.35)

95
Chapitre 7. La butée de choc 7.3. Linéarisation par changement de variable modulé

On peut ainsi adopter la notation suivante :

x_ 1  dx(s )  1

jx_ j = ds
Remarquons que l'équation (7.35) s'écrit encore :

x_ 1 + 1 dx 1

jx_ j = 2 ds + 2
L'équation (7.34) s'écrit nalement :

  1
dFh 1 f dx
= Fh + (7.36)
ds   ds

7.3.2 Procédure d'identication


La force élastique est modélisée via les splines. On peut leur appliquer le changement

de variable déni par l'équation (7.31). L'équation linéaire, sous l'hypothèse de petits

mouvement autour d'une valeur de compression x0 , est donnée par l'équation (7.36).
Le modèle linéaire de la butée, exprimé en s est donc :

F (s ) = T '(x(s )) + Fh (s ) (7.37)
  1
dFh (s ) 1 f dx(s )
= F (s ) +
 h  ds
(7.38)
ds
On obtient ainsi une forme d'état (voir section 4.2) :

dX
= AX + Bu (7.39)
ds
Y = CX + Du (7.40)

avec :

8
>
>
A =  1
>
> B = 01;M +1 f 
>
> 
>
>
>
>
<
C = 1 
D = T 0
>
> Y =F
>
>
>
>
>
> X = Fh
>
> h 1 iT
: + 1 dx
u = '(x)T 2 ds + 2
Ce modèle constitue un intermédiaire entre le modèle à coecients constants et le

modèle à coecients variables puisque seule la force élastique est modélisée par des splines.

96
Chapitre 7. La butée de choc 7.3. Linéarisation par changement de variable modulé

En pratique, le terme donné par l'équation (7.26) dépend de paramètres inconnus : L0


et ". Il intervient à la fois dans le changement de variable t ! s et dans les entrées du
système.

Les paramètres du système sont donc , f ,  et . Si l'on suppose connu, on réalise


le changement de variable (7.31) puis on estime les paramètres par la méthode PEM le
modèle d'état (7.39) + (7.40).

Si l'on ne connaît pas a priori, on peut avoir recours à l'optimisation non linéaire.

Une approche simple consiste par exemple à xer , eectuer le changement de variable
en fonction de cet puis identier les paramètres , f et . On simule le système avec
ces paramètres puis on calcule l'erreur quadratique par rapport aux mesures. On cherche
alors le qui minimise cette erreur quadratique.

Le modèle linéaire obtenu suppose que la butée fonctionne autour d'un point de fonc-

tionnement. La linéarisation permet d'identier le modèle avec les méthodes d'identi-

cation linéaires. La butée, en utilisation dans le véhicule, est sollicitée en compres-


sion/détente. Le modèle qu'il faut utiliser alors est le modèle non linéaire donné par les

équations (7.13) et (7.14). Les paramètres physiques à déterminer sont L0 , ", (1 c )T
et c 0 s0 . Pour chacun des deux derniers ensembles de paramètres, les paramètres ne sont
pas identiables séparément. Le mieux que l'on puisse estimer ici est donc les produits

(1 c )Tc 0 s0 .
et

Pour déterminer p1 = L0 et p2 = (1 c )T , on peut utiliser les paramètres élastiques.

On cherche à minimiser le critère C (p1 ; p2 ) :

  !!2
1 MX +1
p2 ui p1 p1 2
C (p1 ; p2 ) = (i) +
M + 1 i=1 p1 p1 ui p1
où ui sont les point de changement de pentes (au nombre de M + 1) et (i) est le
paramètre élastique estimé au point ui (voir section 3.3.3).
", nous utilisons l'équation (7.25). Ayant obtenu des valeurs pour +
Pour calculer et

 , on peut déterminer " de 2 façons (notées respectivement "+ et " ) :

+ (L0 x0 )
"+ = (7.41)
L0 (L0 x0 ) + + L0
 (L0 x0 )
" = (7.42)
L0 (L0 x0 )  L0
Le paramètre " ne dépend pas du temps : les deux valeurs obtenues ("+ et " ) doivent

être égales à ". Du fait du bruit sur les mesures et des erreurs de calcul, on peut trouver
des valeurs diérentes. Nous proposons comme règle de calcul :

p
" = "+ " (7.43)

De façon similaire, on utilise l'équation (7.25) pour calculer c 0 s0 :

97
Chapitre 7. La butée de choc 7.4. Linéarisation par injection de sortie

L0 x0 "+L0
fc0 s0g+ = f+
L0
(7.44)

L0 x0 + " L0
fc0 s0g = f
L0
(7.45)

(7.46)

On détermine alors c 0 s0 par la moyenne géométrique :

q
c 0 s0 = fc0 s0g+ fc0 s0 g (7.47)

7.3.3 Commentaires
La linéarisation par changement de variable modulé conduit à une expression simple du

système. La force élastique se met sous forme de splines tandis que la force hystérétique
Fh est exprimée de façon élégante sous forme linéaire. L'hypothèse la plus forte faite

ici est le mode de fonctionnement autour d'une valeur de compression. Cela implique

nécessairement de réaliser des essais spéciques. Nous avons exprimé une méthode pour

retrouver les paramètres physiques. Malgré la connaissance explicite de Fe en fonction de x,


nous n'exprimons pas les coecients des splines ( ) en fonction des paramètres physiques,
comme nous l'avions suggéré à la section 3.3.6. La raison en est que L0 se retrouve de

façon très fortement non linéaire dans les autres variables du système. En particulier, on
voit que les expressions de  et f données dans les équations (7.28) et (7.29) peuvent

conduire à des singularités au cours du processus de recherche si (L0 x0 )2  "2 L20 . Nous
avons préféré alors laisser aux splines tous leurs degrés de liberté et nous avons proposé
une méthode pour établir les paramètres physiques.

7.4 Linéarisation par injection de sortie


7.4.1 Ecriture du système
D'après l'équation (7.10), nous pouvons décomposer F d'une façon diérente que celle

proposée dans la section 7.3 :

F = F~e + F~h (7.48)

F~e = (1 c )s0 e (7.49)

F~h = c so h (7.50)
1 _ 
_ h =
"
j jh + 0 _
"
On voit apparaître un terme couplé F entre la sortie et l'entrée. Comme = L0 x ,
L0
l'équation (7.48) s'écrit :

98
Chapitre 7. La butée de choc 7.4. Linéarisation par injection de sortie

xF
F = F~e + F~h + (7.51)
L0
D'après l'expression de e donnée par l'équation (7.11), la force élastique s'exprime ici
comme :

(1 c )T 2 1
F~e =  
L0
En fonction de la compression x, F~e est donnée par :

 2 !
(1 c )T L0 x L0
F~e =
L0 L0 L0 x

Nous approximons F~e par des B-splines du 2nd ordre (voir l'équation (3.18)) :

F~e (x) = T '(x) (7.52)

La forme de F~e est connue, on peut exprimer  en fonction des paramètres L0 et

(1 c )T et des valeurs de compression ui (voir la section 3.3.6) :

  2     T
(1 c )T L0 u1 L0 (1 c )T L0 uM +1 2 L0
= L0 L0 L0 u1 ::: L0 L0 L0 uM +1

En dérivant (7.50) par rapport au temps, on obtient :

 
1 _ 
F~_ h = c s0 j jh + 0 _
" "
Comme _ = x_
L0 , on obtient F~h en fonction de x :

1 s
F~_ h = j x_ jF~h + 0 c 0 x_ (7.53)
"L0 "L0
La constante d'espace de la force hystérétique s'écrit ici simplement comme  = "L0 .
A partir des équations (7.51), (7.52) et (7.53), on obtient le système suivant :

xF ~
F = T '(x) + + Fh (7.54)
L0
1 s
F~_ h = j x_ jF~h + 0 c 0 x_ (7.55)
"L0 "L0

99
Chapitre 7. La butée de choc 7.5. Essais sur banc

7.4.2 Procédure d'identication


On applique le changement de variable non modulé ( = 1) déni par l'équation (4.10)
au système (7.54)+(7.55). Le modèle linéaire de la butée, exprimé en s est donc :

x(s)F (s) ~
F (s) = T '(x(s)) + + Fh (s) (7.56)
L0
dF~h (s) 1 ~  s  dx(s)
= Fh (s) + c 0 0 (7.57)
ds "L0 "L0 ds
On obtient ainsi une forme d'état (voir section 4.2) :

dX
= AX + Bu (7.58)
ds
Y = CX + Du (7.59)

avec :

8
>
> A = h "L1 0 i
>
>
>
> B = 01;M +1 0 "L0  c s 0  0
>
>
>
>
>
>
<
C = 1     
2 
(1 c )T L 0 u 1 L0 (1 c )T L0 uM +1 2 L0 1
>
D= L0 L0 L0 u1 ::: L0 L0 L0 uM +1 L0 0
>
>
>
>
>
> Y =F
>
>
>
>
>
X = F~h
:  dx T
u = '(x)T xF ds

7.4.3 Commentaires
La linéarisation par injection de sortie est plus simple que celle par changement de
variable modulé. De plus elle ne requiert pas d'essais spéciquement autour d'un point

de fonctionnement. On pourra ainsi réaliser des essais simplement en compression dé-


tente. Du fait de la simplicité, on peut exprimer les coecients des splines en fonction

des paramètres d'intérêt et ainsi les identier directement. On réduit ainsi le nombre de

paramètres recherchés. Un inconvénient toutefois à la méthode : l'injection de sortie dans

le terme
xF dans l'équation (7.56) est susceptible d'engendrer du biais, surtout pour des
L0
mesures sensiblement bruitées.

7.5 Essais sur banc


7.5.1 Description des essais
Nous avons réalisé des essais sur banc, en collaboration avec un fabriquant de butées.

Une première série d'essais a été réalisée en quasistatique. Ils se déclinent suivant des essais

100
Chapitre 7. La butée de choc 7.5. Essais sur banc

de compression/détente, où l'on fait varier le point de compression maximale ainsi que des

cycles autour d'un point de fonctionnenement. Le signal de compression est triangulaire.


La vitesse, très faible, est la même (en valeur absolue) en compression et en détente.

La gure 7.5(a) trace un cycle de compression/détente pour lequel la compression

maximale a été prise la plus grande possible pour la butée étudiée. On obtient ainsi une
courbe présentant de l'hystérésis et une très forte non linéarité statique pour les grandes

compressions. Dans la suite, on qualie le cycle obtenu de grand cycle.


Les gures 7.5(b),7.5(c) et 7.5(d) représentent des cycles autour de point de fonction-

nement diérents (respectivement 15 mm, 22; 5 mm et 30 mm). Pour chaque point, on

a fait varier l'amplitude des cycles. Sur chacune de ces trois gures, on a représenté la
courbe 7.5(a) pour les valeurs de compressions correpondantes. La courbe apparaît comme

une enveloppe. Les cycles convergent vers cette enveloppe d'autant plus rapidement que
l'amplitude est faible. On voit ainsi sur la gure 7.5(d) que les cycles n'atteignent pas la

courbe enveloppe pour une vitesse de compression x_ > 0.


(a) (b)
10000
350
8000
300
250
Effort (N)

Effort (N)

6000
200
4000
150

2000 100
50
0
0 10 20 30 40 50 7 11 15 19 23
Compression (mm) Compression (mm)

(c) (d)
800 2000

700

600 1500
Effort (N)

Effort (N)

500

400 1000

300
500
200

100
13 17 21 25 29 21 25 29 33 37
Compression (mm) Compression (mm)

Fig. 7.5  Cycles de compression/détente de la butée

7.5.2 Résultats de l'identication


Nous avons réalisé les procédure d'identication sur chaque essai, à la fois par la mé-
thode de changement de variable modulé présentée à la section 7.3 (méthode A) et par la

méthode de linéarisation par injection de sortie présentée à la section 7.4 (méthode B).

101
Chapitre 7. La butée de choc 7.5. Essais sur banc

Pour la méthode A, sur chacun des trois essais en cycles, nous obtenons une valeur

pour et les paramètres obtenus à cette valeur. Le tableau 7.1 donne les valeurs de x0 le
point de fonctionnement, , + ,  , f+ et f .

Paramètres Essai 1 Essai2 Essai 3

x0 (mm) 15,1 22,5 30

2,1 4,5 6,4

+ (mm) 5,04 16,06 32,20

 (mm) 1,14 0,93 0,79

f+ (N) 40,95 180,00 887,11

f (N) 9,28 8,88 21,66

Tab. 7.1  Identication sur les cycles

L'expression de donnée par l'équation (7.26) implique que @ > 0. La variation de


@x0
avec x0 semble aller dans le bon sens.
Les paramètres élastiques  pour chaque essai sont tracés dans la gure 7.6. On a
également tracé le grand cycle. Les paramètres, qui sont les valeurs de la force élastique

au points où ils sont calculés, s'inscrivent à l'intérieur du grand cycle, comme cela était

prévisible. La courbure du grand cycle se retrouve dans celles des cycles internes.

Essai 1
Essai 2
1400
Essai 3
Grand cycle

1200
Paramètres élastiques (N)

1000

800

600

400

200

10 15 20 25 30 35
Compression (mm)

Fig. 7.6  Paramètres élastique de la butée

On obtient les paramètres physiques à partir des paramètres linéarisés comme décrit

dans la section 7.3. La seconde méthode fournit directement les paramètres physiques.

102
Chapitre 7. La butée de choc 7.5. Essais sur banc

Les valeurs obtenues à partir de chaque essai et par chaque méthode sont données dans

le tableau 7.2. Les valeurs sont assez proches d'une méthode à l'autre. Dans l'essai 1, la
valeur pour L0 par la seconde méthode semble surestimée. Cela provient certainement du
fait que l'essai est dans la zone linéaire et que L0 caractérise surtout la non linéarité. La

valeur surestimée de (1 c )T est la contrepartie de l'erreur d'estimation sur L0 .


Essai1 Essai2 Essai3

Paramètres Mét.A Mét.B Mét.A Mét.B Mét.A Mét.B

L0 (mm) 51,12 69,12 48,26 48,07 47,44 46,49

(1 c )T (Nm) 6,55 14,66 4,65 4,85 3,83 3,80

" 0,0446 0,0740 0,0640 0,0121 0,0645 0,0165

c 0 s0 (N) 13,07 30,08 17,06 18,97 30,91 29,64

Tab. 7.2  Paramètres physiques de la butée

Avec ces valeurs, on peut utiliser le modèle non linéaire déni par les équations (7.13)
et (7.14). Les gures 7.7, 7.8 et 7.9 comparent respectivement pour chacun des 3 cycles les

résultats de la simulation du modèle non linéaire établis avec les paramètres identiés sur
l'essai en question par chacune des deux méthodes. Les courbes sont tracées en fonction
du temps et de la compression. Sur les trois essais, les simulations faites à partir des

paramètres estimés par la méthode B sont plus proches des mesures que celles réalisées
avec les paramètes estimés pas la méthode A.

400
Mesures
Mét. A
300 Mét. B
Effort (N)

200

100

0
0 5 10 15 20 25
Temps (s)

400

300
Effort (N)

200
Mesures
Mét. A
Mét. B
100

0
6 8 10 12 14 16 18 20 22 24
Compression (mm)

Fig. 7.7  Validation par le modèle de référence de la butée. Essai 1.

103
Chapitre 7. La butée de choc 7.5. Essais sur banc

800
Mesures
700 Mét. A
Mét. B
600
Effort (N)

500

400

300

200

100
0 5 10 15 20 25
Temps (s)

800

700

600
Effort (N)

500

400
Mesures
300
Mét. A
200 Mét. B

100
14 16 18 20 22 24 26 28 30
Compression (mm)

Fig. 7.8  Validation par le modèle de référence de la butée. Essai 2.

2000
Mesures
Mét. A
1500 Mét. B
Effort (N)

1000

500

0
0 5 10 15 20 25
Temps (s)

2000

1500
Effort (N)

1000

Mesures
500 Mét. A
Mét. B

0
22 24 26 28 30 32 34 36 38
Compression (mm)

Fig. 7.9  Validation par le modèle de référence de la butée. Essai 3.

104
Chapitre 7. La butée de choc 7.5. Essais sur banc

En moyennant (arithmétiquement) les paramètres obtenus sur les essai 2 et 3 (le premier
essai est mis de coté du fait de la mauvaise estimation de L0 par la méthode B), on réalise
pour chaque méthode une simulation à partir des mesures de compression du grand cycle.
La gure 7.10 compare les données mesurées et les données simulées en fonction du temps

et de la compression.

16000

Mesures
14000 Mét. A
Mét. B

12000

10000

8000
Effort (N)

6000

4000

2000

−2000
0 5 10 15 20 25 30 35 40 45
Compression (mm)

Fig. 7.10  Validation croisée avec le modèle non linéaire

Les résultats de validation croisée ne sont pas très satisfaisants, quelle que soit la

méthode. Principalement, le dépassement pour les fortes compressions est due aux erreurs

d'estimation sur L0 . De plus, la largeur du coecient de frottement est sous estimée. Pour
la méthode B, il est possible d'estimer les paramètres sur ces données. Les valeurs sont

données dans le tableau 7.3. Les valeurs sont sensiblement diérentes : L0 est plus élevé

que la valeur obtenu sur les essais 2 et 3, de même que la valeur de frottement c 0 s0 .
Paramètres Grand cycle

L0 (mm) 49,56

(1 c )T (Nm) 5,48

" 0,0036

c 0 s0 (N) 42,85

Tab. 7.3  Paramètres obtenus sur le grand cycle

La simulation du modèle de référence avec ces paramètres est donnée dans la gure

7.11. Si l'amélioration est sensible par rapport à la validaton croisée, ce à quoi on était en

droit de s'attendre, on remarque que l'amplitude reste encore sous estimée.

105
Chapitre 7. La butée de choc 7.6. Conclusion

10000
Mesures
8000 Mét. B

6000

Effort (N)
4000

2000

−2000
0 1 2 3 4 5 6 7 8 9
Temps (s)

10000
Mesures
8000 Mét. B

6000
Effort (N)

4000

2000

−2000
0 5 10 15 20 25 30 35 40 45
Compression (mm)

Fig. 7.11  Validation sur le grand cycle.

7.6 Conclusion
Nous rappelons les hypothèses qui nous ont servis à établir le modèle de la butée.
Le comportement global est supposé être la combinaison du comportement d'une phase

amorphe et d'une phase cristalline qui ont même déformation. La butée est supposée être
un élément cylindrique en caoutchouc incompressible.

Les courbes eort/compression des butées font apparaître une non linéarité statique
et de l'hystérésis. La théorie de l'élasticité caoutchoutique, traitant de la phase amorphe,

nous a permis de modéliser la composante élastique de l'eort délivré par la butée. On a

obtenu ainsi une forme hyperbolique. En ayant supposé une relation de type LSIDH entre

la contrainte et la déformation, nous avons modélisé la composante hystérétique de l'eort

butée. Suivant comment on décompose la force délivrée par la butée, on a obtenu deux

structures de modèles que nous avons identiées par deux méthodes diérentes (méthodes

A et B). Toutefois, chaque méthode se ramenait au cas standard d'un modèle LSIDH.

Pour pouvoir identier les paramètres par la méthode A, nous avons réalisé une linéa-

risation autour d'un point de fonctionnement puis nous avons utilisé le changement de

variable modulé vu à la section 4.2 pour nous ramener à un cas intermédiaire entre les
modèles à coecients constants et à coecients variables étudiés dans la seconde partie

de cette thèse. L'identication est alors obtenue en couplant une optimisation non linéaire
sur le paramètre et l'identication du système linéaire par la méthode PEM. L'identi-
cation par la seconde méthode est plus directe et consiste à introduire une injection de
sortie pour linéariser le système. Du fait de la faible complexité de la structure, il a été

possible de donner une expression explicite des paramètres élastiques. Le principal intérêt

est alors de pouvoir estimer les paramètres physiques directement. Pour la méthode A,
les valeurs des paramètres physiques du modèle de référence de la butée (7.13)+ (7.14)

peuvent être obtenus à partir des valeurs des paramètres identiés.

106
Chapitre 7. La butée de choc 7.6. Conclusion

Nous avons estimé les paramètres de ces modèle sur 3 essais de cycles de compression
détente autour d'une valeur moyenne variant d'un essai à l'autre. Nous avons alors pu
réaliser des simulations avec le modèle non linéaire. Les données simulées sont proches

de celles mesurées sur les grands cycles. La méthode B semble donner de meilleurs résul-

tats. Sur un essai de compression/détente où la compression est proche de la compression


maximale, on a constaté qu'un soin particulier devait être accordé à l'estimation de L0 .
La méthode B est applicable sur de tels essais, contrairement à la méthode A et c'est

pourquoi il est certainement préférable de l'utiliser. La méthode A a été cependant l'oc-

casion d'utiliser le changement de variable modulé et de montrer son applicabilité à un

cas concret.
La butée de choc est un exemple d'application de la méthode d'identication d'un

système hystérétique après changement de variable. Toutefois, du fait d'autres non linéa-
rités que celle supposées dans la partie théorique, on a vu qu'il a été nécessaire d'adapter

les méthodes pour les rendre utilisables : les équations obtenues ne se mettaient pas di-

rectement sous la forme des modèles à coecients constants ou à coecients variables.

L'adaptabilité des structures générales pour s'appliquer à des cas concrets et variés rend
la modélisation de système hystérétique proposée et sa méthode d'identication particu-
lièrement intéressantes.

107
Conclusions et perspectives

Contributions
Les phénomènes hystérétiques, dont le frottement sec fait partie, sont fortement non

linéaires. Proposer une modélisation et une méthode d'identication des paramètres pour

les appliquer à des cas concrets issus du milieu automobile a été la principale motivation

de cette thèse.

Partant d'une structure de modèle de frottement issue de la littérature, nous l'avons

étendue an de tenir compte d'autres non linéarités qui peuvent intervenir. Nous avons ob-

tenu deux structures, l'une à coecients constants, l'autre à coecients variables. Toutes
les deux ont la propriété de rate-indépendance qui est la caractéristique principale du

frottement sec. A ce titre, nous pouvons parler de structures non linéaires boîtes-grises.

Nos eorts se sont portés sur la méthode d'identication. En exprimant les équations

diérentielles non plus en temps mais en espace, ces dernières deviennent linéaires, ou-

vrant ainsi la porte aux méthodes d'identication linéaires classiques, et en particulier la


méthode PEM que nous avons utilisée.

D'un point de vue théorique, la mise sous forme linéaire permet de vérier facilement

l'identiabilité des paramètres et de rechercher les caractéristiques optimales de l'entrée.

Nous avons d'ailleurs vu que seule l'amplitude de l'entrée était déterminante. D'un point

de vue pratique, la linéarisation par ce changement de variable ore de nombreux avan-

tages par rapport à une recherche de paramètres par les méthodes générales d'optimisation

non linéaires :

 Les algorithmes sont déjà codés dans certains logiciels commerciaux, en particulier

dans Matlab et sa toolbox SITB ;

 Les durées de calculs sont courtes ;


 Les modèles linéaires sont moins sensibles aux problèmes de minima locaux (même

si la convergence vers un minimum global n'est pas garantie).

Nous avons choisi d'appliquer la méthode d'identication à deux organes de véhicules

routiers. Le premier concerne la suspension à lames du véhicule poids lourds. Un modèle

discret existait déjà, et nous avons démontré qu'il correspondait à la discrétisation du

modèle à coecients constants sous sa forme non linéaire. Nous avons alors appliqué

directement la technique de linéarisation par changement de variables à une suspension

montée sur banc et à une autre sur véhicule roulant. Le modèle à coecients variables a

108
Conclusion Conclusion

permis de tenir compte d'eets cinématiques induit par la exibilité de la suspension.

La butée de choc constitue le second organe. Cet élément en caoutchouc utilisé en


compression est fortement non linéaire. Outre une raideur croissant de façon hyperbolique

avec la compression, elle développe de l'hystérésis. La modélisation a conduit à un modèle

qui introduit une nouvelle non linéarité due à un couplage entre l'eort et la compression.
Deux méthodes pour se ramener à un cas standard ont été proposées et comparées. Elles

permettent d'obtenir les paramètres du modèle non linéaire qu'il est alors possible de

simuler.

Perspectives
Le ressort à lames et la butée de choc ne sont que deux exemples parmi de nom-

breux autres éléments mécaniques de l'automobile développant de l'hystérésis. La méthode


d'identication s'applique, directement ou avec quelques adaptations, du moment que l'on

dispose de données d'eort et de déplacement, ce qui est souvent possible à obtenir sur
banc.

Un des principaux intérêts de disposer d'un modèle de frottement correctement para-

métré est de pouvoir compenser le frottement s'il est considéré comme phénomène per-

turbateur. La propriété de linéarité en espace peut être utilisée pour améliorer les lois de

commandes. On pense par exemple au traitement anti-pitch des systèmes de machine-


outil pour corriger les erreurs d'usinage sur les pièces qui apparaissent au moment où l'un

des axes de la machines change de sens.

Le frottement est à tel point présent dans l'automobile qu'il est en quelque sorte intégré.
Lorsque les experts jugent une prestation, par exemple celle de la direction, ils ressentent

le frottement (surtout présent au niveau de la crémaillère). Que l'on modie le niveau

de frottement et leur jugement de la prestation en sera modié. Synthétiquement, le

frottement permet d'assurer une bonne précision dans les manoeuvres autour de la ligne

droite mais il gène le retour du volant vers un angle nul lorsque ce dernier est lâché.
Avec le développement des commandes électriques (X-by-wire ), l'actionneur sur l'or-

gane actif est découplé mécaniquement de l'instrument de manoeuvre du conducteur.

Ainsi, dans le cas du steer-by-wire le volant est découplé des bielles de direction qui
tournent les roues. Cela a comme conséquence de priver le conducteur d'un ressenti de

l'état de son véhicule, en particulier l'état d'adhérence du pneu à la route.

La problématique est donc de donner au conducteur l'information qu'il aurait eue dans
le cas d'une commande mécanique. La caractérisation de la direction, en particulier dans

sa relation couple volant - angle volant qui présente de l'hystérésis, est alors le pré-requis

pour réaliser un véhicule steer-by-wire qui a un niveau de prestation au moins équivalent à

celui disposant d'une direction mécanique. Pour la prestation de freinage (brake-by-wire ),


le retour d'eort au niveau de la pédale est également très important pour le conducteur.

109
Bibliographie
[AGL98] M. Altpeter, M. Ghorbel, and M. Longchamp. Relationship between two

friction models : a singular perturbation approach. In Proceedings of the


37th conference on decision and control, 1998.

[AHDdW94a] B. Armstrong-Hélouvry, P. Dupont, and C. Canudas de Wit. Friction in

servo machines : Analysis and control methods. Applied Mechanical Review,


47(7) :275305, July 1994.

[AHDdW94b] B. Armstrong-Hélouvry, P. Dupont, and C Canudas de Wit. A survey

of models, analysis tools and compensation methods for the control of

machines with friction. Automatica, 30(7) :10831138, 1994.

[AHDdW94c] B. Armstrong-Hélouvry, P. Dupont, and C Canudas de Wit. A survey

of models, analysis tools and compensation methods for the control of

machines with friction. Automatica, 30(7) :10831138, 1994.

[AML97] M. Altpeter, M. Myszkowski, and M. Longchamp. Identication for control

of drives with friction. In IFAC Conf. on Control of Industrial Systems,


pages 673677, May 1997.

[AU76] T.S. Atalik and S. Utku. Stochastic linearization of multi-degree-od-


freedom non linear systems. Eartquake engineering and structural dyna-
mics, 4 :411420, 1976.

[BCC95] F.H. Bessinger, D. Cebon, and D.J. Cole. Damper models for heavy vehicle

ride dynamics. Vehicle System Dynamics, 24 :3564, 1995.

[BdKAK01] R. Banning, W.L de Koning, H.J.M.T.A Adriaens, and R.K. Koops. State-

space analysis and identication for a class of hysteretic systems. Automa-


tica, 37 :18831892, 2001.

[BEM91] A. Bossavit, C. Emson, and I.D. Mayergoyz. Méthodes numériques en

électromagnétisme : géométrie diérentielle, éléments nis, modèles d'hys-


térésis. Eyrolles, 1991. Cours de l'Ecole d'été d'analyse numérique CEA-

EDF-INRIA [Breau-sans-Nappe] en 1988.

[Ber97] M. Berg. A model for rubber springs in the dynamic analysis of rail ve-

hicle. Journal of rail and rapid transit, institute of mechanical engineers,


211(F) :95108, 1997.

[Ber98] M. Berg. A non-linear rubber spring model for rail vehicle dynamics ana-

lysis. Vehicle System Dynamics, 30 :197212, 1998.

110
Bibliographie Bibliographie

[BG98] M.C. Best and T.J Gordon. Suspension system identication based on

impulse-momentum equations. Vehicle System Dynamics Supplement 28,


pages 598618, 1998.

[Bli90] P.A. Bliman. Etude mathématique d'un modèle de frottement sec : le modèle
de P.R Dahl. PhD thesis, Université Paris IX-dauphine, 1990.

[Boi99] P. Boitard. Dynamique des véhicules industriels : modélisation non-linéaire


pour l'application à la sécurité active et à l'identication paramétrique.
PhD thesis, INSA, 1999.

[Boo78] C. De Boor. A practical guide to splines. Springer-Verlag, 1978.

[Bou71] R. Bouc. Modèle mathématique d'hysteresis. Acoustica, (24) :1625, 1971.


[Bou84] R. Bouc. Vibrations aléatoires avec hystérésis, application aux suspensions

de véhicules lourds. Journées de Mécanique aléatoires, Ed L.C.P.C, 1984.

[CCB94] D.J. Cole, D. Cebon, and F.H. Besinger. Optimisation of passive and semi-

active heavy vehicle suspensions. SAE, (942309), 1994.

[Ceb86] D. Cebon. Simulation of the response of leaf springs to broad band random

excitation. Vehicle System Dynamics, 1986.

[CMSC98] A.G. Chassiakos, S.F. Masri, A.W. Smyth, and T.K. Caughey. On-line

identication of hysteretic systems. Journal of applied mechanics, 65 :194


203, March 1998.

[Cog96] D. Cogoluenhes. Méthode objectie d'étude du comportement routier des


véhicules industriels. PhD thesis, INSA, 1996.
[cPZ92] D. François, A. Pineau, and A. Zaoui. Elasticité et plasticité. Editions

Hermes, 1992. Comportement mécanique des matériaux.

[Dah76] P.R. Dahl. Solid friction damping of mechanical vibrations. AIAA,


14(12) :16751682, December 1976.

[dP99] J. de Pont. Suspensions or whole vehicles ? rating road-friendliness. Heavy


Vehicle Systems, Special Series, Int J. of Vehicle Design, 6(1/4) :7598,

1999.

[DSBR97] S.W. Duym, R. Stiens, G.V. Baron, and K.G. Reybrouck. Physical mo-
deling of the hysteretic behaviour of automotive shock absorbers. SAE,
(970101), 1997.

[DSR97] S. Duym, R. Stiens, and K. Reybrouck. Evaluaton of shock absorbers

models. Vehicle system dynamics, 27 :109127, 1997.

[dWOAL95] C. Canudas de Wit, M. Olsson, M. Aström, and M. Lischinsky. A new

model for control of system with friction. IEEE transactions on automatic


control, 40(3) :419425, March 1995.

[FEMW80a] P.S Fancher, R.D. Ervin, C.C. MacAdam, and C.B. Winkler. Measurement

and representation of the mechanical properties of truck leaf springs. SAE,


(800905), 1980.

111
Bibliographie Bibliographie

[FEMW80b] P.S Fancher, R.D. Ervin, C.C. MacAdam, and C.B. Winkler. Measurement

and representation of the mechanical properties of truck leaf springs. SAE,


(800905), 1980.

[Gar] B. Garnier. Isolation antivibratoire et antichoc. In Techniques de l'ingé-


nieur. Traité Mécanique et Chaleur, number B 5 140.

[GBDV83] B. Garnier, R. Bouc, M. Delippi, and B. Vuillaumier. Recherche d'une

procédure d'identication de suspensions fortement non linéaires sous ex-


citation aléatoire.
Æ
Revue du cethedec n 77, 1983. Journées Problèmes

inverses et applications, L.C.P.C Paris.

[GH95] C. G'sell and J.M. Haudin, editors. Introduction à la mécanique des poly-
mères. INPL, 1995.

[GK00] T.D. Gillepsie and S.M. Karamihas. Simplied models for truck dynamics

response to road inputs. Heavy Vehicle Systems, A series of the Int. J. of


Vehicle Design, 7(1) :5263, 2000.

[GK01] J.P. Gauthier and I. Kupka. Deterministic observation theory and appli-
cations. Cambridge University Press, 2001.

[GL94] T. Glad and L. Ljung. On global identiability for arbitrary model para-

metrizations. Automatica, 30(2) :265276, 1994.

[GN90] G. Gwanghun and P.E. Nikreavesh. An analytical model of pneumatic tyres

for vehicle dynamics simulations. Int. J. of Vehicle Design, 11(6) :589618,


1990. Part 1 : Pure slip.

[GN91a] G. Gwanghun and P.E. Nikreavesh. An analytical model of pneumatic tyres


for vehicle dynamics simulations. Int. J. of Vehicle Design, 11(1) :1939,

1991. Part 2 : Comprehensive slips.

[GN91b] G. Gwanghun and P.E. Nikreavesh. An analytical model of pneumatic tyres

for vehicle dynamics simulations. Int. J. of Vehicle Design, 12(2) :2217

228, 1991. Part 3 : Validation against experimental data.

[GN01] L. Gaul and R. Nitsche. The role of friction in mechanical joints. Applied
Mechanics review, 54(2), March 2001.

[HG95] J.M. Haudin and C. G'Sell. Mécanismes microscopiques de déformation

des polymères semi-cristallins. In C. G'sell and J.M. Haudin, editors, In-


troduction à la mécanique des polymères, pages 251273. INPL, 1995.

[HHM99] W.H. Hand, F. Horkay, and G.B. McKenna. Mechanical and swelling baha-

viors of rubber : a comparison of some molecular models with experiment.


Mathematics and mechanics of solids, 4 :139167, 1999.

[Jaz70] A. H. Jazwinski. Stochastic Processes and Filtering Theory, volume 64

of Mathematics in Science and Engineering. Academic Press, New York,


1970.

[JHB 95]
+ A. Juditsky, H. Hjalmarsson, A. Benveniste, B. Deylon, L. Ljung, J. Sjö-

berg, and Q. Zhang. Nonlinear black-box models in system identication :

Mathematical foundations. Automatica, 31(12) :17251750, 1995.

112
Bibliographie Bibliographie

[KP89] M.A. Krasnosel'Skij and A.V. Pokrovskij. Systems with hysteresis. Sprin-

ger, 1989. Trad. du russe : "Sistemy s gisterezisom", Moscou : Nauka,


1983.

[LD93] Q. Liu and H.G. Davies. Response analysis of a hysteretic system under
random excitation. Journal of Sound and vibration, 3(166) :477492, 1993.
[Lju74] L. Ljung. On convergence for prediction error identication methods. Tech-
nical Report 7119, Lund Institute of Technology, 1974.

[Lju87] L. Ljung. System Identication : Theory for the User. Prentice Hall Infor-

mation and System Sciences Series. Prentice Hall, 1987.

[Lju95] L. Ljung. The System Identication Toolbox : The Manual. The MathWorks
Inc., 4th edition, 1995.

[Lju99] L. Ljung. System identication, theory for the user. Prentice Hall, 1999.

Second edition.

[LRJ99] A. Lozano, J.A. Romero, and J.C. Jauregui. Heavy vehicle suspension

dynamic response and its relation to potential damage to roads. Heavy


Vehicle Systems, Special Series, Int J. of Vehicle Design, 6(1-4) :360373,

1999.

[May91] I.D. Mayergoyz. Mathematical models of hysteresis. Springer, 1991.

[Men99] M. Mensler. Analyse et étude comparative de méthodes d'identication


des systems à représentation continue. Développement d'une boîte à outils
logicielle. PhD thesis, Université Nancy 1, 1999.
[MS99] C.W. Mousseau and M.W. Sayers. The eect of tyre and suspension dyna-

mics on wheel spindle forces. Heavy Vehicle Systems, A series of the Int.
J. of Vehicle Design, 6(1-4) :4665, 1999.

[MSC] MSC Software. Nonlinear nite element analysis of elastomers. Technical

paper.

[Net94] A.C. Neto. Application of multibody systems (mbs) techniques to vehicle


modelling. SAE, (942358), 1994.

[NF99] H. Nijmeijer and T.I. Fossen, editors. New directions in nonlinear observer
design, volume 244. Springer, London, Berlin, 1999. Lecture Notes in

Control and Information Sciences.

[NYH91] I. Numazaki, E. Yamamoto, and T. Hamano. Analysis on the hysteresis

loop of the leaf spring. SAE, (912715), 1991.

[Oll90] Le problème de l'identiabilité structurelle globalle : étude théo-


F. Ollivier.

rique, méthodes eectives et bornes de complexité. PhD thesis, Ecole poly-


technique, juin 1990.

[Pac96] H.B. Pacejka. The tyre as a vehicle component. XXVI FISITA Congress
Prague, (26), 1996.

113
Bibliographie Bibliographie

[PS93] P.A. Bliman and M. Sorine. A system-theoric approach of systems with

hysteresis. application to friction modelling and compensation. In Proc.


of European Control Conference, Groningen (The Netherlands), June 28 -

July 1 1993.

[PS95] P.A. Bliman and M. Sorine. Easy-to-use realistic dry friction models for

automatic control. In Proceedings of the 3rd European Control Conference,


pages 37883794, Roma (Italy), September 1995.

[PS96] P.A. Bliman and M. Sorine. Dry friction models for automatic control.

In Proc. of Euromech Colloquium 351 : Systems with Coulomb friction,


Vadstena (Sweden), August 5-7 1996.

[RW96] S. Rakheja and J. Woodrooe. Role of suspension damping in enhancement

of road friendliness of heavy vehicles. Heavy Vehicle Systemes, 3 :363380,

1996.

[Sak81a] H. Sakai. Theoretical and experimental studies on the dynamic properties


of tyres, part1 : Review of theories of rubber friction. Int J. of Vehicle
Design, 2(1) :78110, 1981.

[Sak81b] H. Sakai. Theoretical and experimental studies on the dynamic proper-

ties of tyres, part2 : Experimental insvestigation of rubber friction and


deformation of a tyre. Int J. of Vehicle Design, 2(2) :182226, 1981.

[SGFR92] B. Simeon, F. Grupp, C. Führer, and P. Rentrop. A nonlinear truck model

and its treatment as a multibody system. Technical report, Technische

Universitat Munchen, 1992.

[Sha89] A.A. Shabana. Dynamics of multibody systems. Wiley-interscience, 1989.

[Sjo00] M. Sjoberg. Rubber isolators-measurements and modelling using fractional

derivatives and friction. SAE, (2000-01-3518), 2000.

[Sor00] M. Sorine. On class of pseudo-dierential hysteresis operators : System

theory viewpoint. Comptes rendus du séminaire toulousain. Représentation

diusive et applications, novembre 2000. n 1.


Æ
[SP91] Identication of continuous-time sys-
N. K. Sinha and Rao G. P., editors.

tems  methodology and computer implementation. Kluwer Academic Pu-


blishers, 1991.

[SR96] M.W. Sayers and S.M. Riley. Modeling assumptions for realistic multibody

simulations of the yaw and roll behavior of heavy truck. SAE, (960173),

1996.

[SS89] T. Söderström and P. Stoica. System identication. Prentice-Hall Interna-

tional series in systems and control engineering. Prentice Hall, 1989.

[SS00] M. Sorine and J. Szymanski. A new dynamic multi-dof tire-model. In 9th


Symposium on Control in transportation systems, Braunschweig, Germany,
June 13-15 2000.

114
Bibliographie Bibliographie

+
[SZL 95] J. Sjöberg, Q. Zhang, L. Ljung, A. Benveniste, B. Deylon, P-Y. Glorennec,

H. Hjalmarsson, and A. Juditsky. Non-linear black-box modeling in system


identication :a unied overview. Automatica, 31(12) :16911724, 1995.

[TA98] R.T. Tong and F. Amirouche. Truck cab suspensions design : optimisation
and vibration control. Heavy Vehicle Systems, A series of the Int. J. of
Vehicle Design, 5(3/4) :236260, 1998.

[Ver95a] J. Verdu. Elasticité caoutchoutique. In C. G'sell and J.M. Haudin, editors,

Introduction à la mécanique des polymères, pages 191207. INPL, 1995.

[Ver95b] J. Verdu. Structure et propriétés des polymères à l'état amorphe. In


C. G'sell and J.M. Haudin, editors, Introduction à la mécanique des poly-
mères, pages 7796. INPL, 1995.

[Vis93] A. Visintin. Dierential models of hysteresis. Springer, 1993.

[Wen76] T.K. Wen. Method for random vibration of hysteretic systems. Journal of
engeneering mechanics division, (EM2) :249263, 1976.

[Wen80] T.K. Wen. Equivalent linearization for hystertic systems under random
recitation. Trans. of ASME, 47(1) :150154, 1980.

[WH80] C.B Winkler and M. Hagan. A test facility for the measurement of heavy

vehicles suspension parameters. SAE, 800906, 1980.

[Win73] C.B. Winkler. Measurement of inertial properties and suspension parame-

ters of heavy highway vehicles. SAE, (730182), 1973.

[Woo96] J. Woodrooe. Heavy vehicule suspension dynamics : methods for eva-

luating suspension road friendliness and ride quality. SAE technical paper
series, (962152), 1996.

[WP97] E. Walter and L. Pronzato. Identication of Parametric Models. Springer-

Verlag, 1997.

[Zad62] L. A. Zadeh. From circuit theory to system theory. Proc. IRE, 50 :856865,
1962.

[Zar79] M.B. Zarrop. Optimal experiment design for dynamic system identication.
Springer-Verlag, 1979.

[Zho98] J. Zhou. Ride simulation of a nonlinear tractor-trailer combination using

the improved statistical linearisation technique. Heavy Vehicle Systems,


Special Series, Int J. of Vehicle Design, 5(2) :149166, 1998.

[ZT98] D.J. Zhang and B. Tabarrok. On nonlinear yaw-roll-pitch model of the


dynamics of log hauling trucks. Heavy Vehicle Systems, A series of the Int
J. of Vehicle Design, 5(3/4) :181207, 1998.

115

Vous aimerez peut-être aussi