Académique Documents
Professionnel Documents
Culture Documents
commande
Notion de Système
¡ Systema = compositions : relations organisées entre unités ou composantes
¡ Système = un réseau dynamique
Control Analogique :
Un système numérique de contrôle-commande (SNCC, ou DCS pour distributed
control system en anglais) est un système de contrôle d'un procédé industriel doté
d'une interface homme-machine pour la supervision et d'un réseau de
communication numérique1.
Historiquement, le premier système informatique utilisé pour le contrôle industriel a
été mis en place en 1959 à la raffinerie Texaco de Port Arthur, au Texas, avec un
RW-300 de Ramo-Wooldridge2.
C2 C
C1
R
Energy
R2 R
R
Storage
Elements
R1
L
Sensitivité
Fiabilité
Moins de problèmes de bruit
Compacts
Poids
Cout
Flexibilité au niveau de la programmation
Fonction de transfert
(1)
On dit que le système est strictement causal si, en plus, ne dépend pas de .
(2)
(4.5
)
On obtient alors :
(4.6)
avec :
(4.7)
Un système est dit stable, si sa réponse impulsionnelle est le siège d'un régime amorti
lim h(t ) = 0
t →∞
Donc, un système est stable si lorsqu’il est excité par une impulsion de Dirac, sa sortie revient
à sa position initiale au bout d’un certain temps.
2.
Domaine
fréquentiel.
On note H(p) et Y(p) les transformées de Laplace de h(t) et de y(t) respectivement. La
transformée de Laplace de l’impulsion de Dirac à l’entrée du système est 1.
Chaque exponentielle ne revient à zéro que si la partie réelle de pi est strictement négative.
Un système est stable si tous les pôles de sa fonction de transfert sont strictement à gauche de
l’axe imaginaire dans le plan complexe dédié à p.
Il est à remarquer qu’il s’agit de stabilité aux points d’échantillonnage, le système peut
présenter des instabilités cachées.
Critère de jury[1]
Ce critère permet d’étudier la stabilité d’un système échantillonné sans calculer les pôles.
Ceci s’avère très utile quand D(z) contient des paramètres, ou quand son degré est élevé.
N°ligne
1 a0 a1 an − k an −1 an
2 an an −1 ak a1 a0
3 b0 b1 bn −k bn−1
4 bk −1 b0
2n-5 p0 p1 p2 p3
2n-4 p3 p2 p1 p0
2n-3 q0 q1 q2
Avec :
a0 an a0 an − k a0 a1
b0 = bk = bn −1 =
an a0 an ak an an −1
p0 p3 p0 p2 p0 p1
q0 = q1 = q2 =
p3 p0 p3 p1 p3 p2
Pour que D(z) ait ses racines à l’intérieur du cercle unité, il faut et il suffit que soient vérifiées
les (n+1) conditions suivantes :
D(1) >0,
a0 < an ,
b0 > bn−1
p0 > p3 ,
q0 > q2 .¨
Pour pouvoir exploiter le critère de Routh, très utilisé pour l’étude de la stabilité des systèmes
linéaires continus, on effectue le changement de variable suivant :
z −1
w= ,
z +1
1+ w
Ou encore z = ,
1− w
Ce qui permet de transformer l’intérieur du cercle unité en le demi-plan gauche en w.
Le dénominateur devient :
D’(z)=a’0+a’1w+…+an’wn.
Ce dernier polynome a ses racines dans le demi plan gauche si et seulement si les relations
suivantes sont vérifiées :
Tous les coefficients de D’(z) sont de même signe, soit strictement positifs,a’i>0,
Les (2n-1) termes de la première colonne du tableau suivant sont strictement positifs,
N°ligne
3 b0 b1 b2
4 c0 c1 …
..
..
2n-3 d0
Avec :
⎧⎪ .
X = AX + BU
⎨
⎪⎩Y = CX + DU
pX(p)=AX(p)+BU(p)
Y(p)=CX(p)+DU(p)
è(pI-A) X(p)=BU(p)
X(p)= (pI-A)-1BU(p)
CX(p)= C(pI-A)-1BU(p)
Y(p)=[ C(pI-A)-1B-D]U(p)
Y ( p)
= C ( pI − A) −1 B + D
U ( p)
Y ( p ) Cadj ( pI − A) B
=
U ( p) det( pI − A)
Conclusion :
un système décrit par son équation d’état est stable si les valeurs propre de la matrice A sont a
partie réel négative .
cas discret
⎧ X k +1 = AX k + BU k
⎨
⎩Yk = CX K + DU k
⎧ zX ( z ) = AX ( z ) + BU ( z )
⎨
⎩Y ( z ) = CX ( z ) + DU ( z )
Y ( z)
F ( z) = = C ( zI − A) −1 B + D
U ( z)
Y ( z ) Cadj ( zI − A) B
F ( z) = =
U ( z) det( zI − A)
Ainsi les pôles de la fonction de transfert sont les valeurs propre de la matrice A
Conclusion :
un système décrit par son équation d’état est stable si les valeurs propre de la matrice A sont a
module inférieur a un (à l’intérieur du cercle unité) .
Définitions :
v (0) = 0 et v ( X ) > 0, ∀X ∈U | X ≠ 0
v ( 0 ) = 0 et v ( X ) ≥ 0, ∀X ∈U | X ≠ 0 .
La fonction quadratique définie v ( X ) = X T QX ,ou Q une matrice n*n réelle symétrique, est
dite définie positive si toutes les valeurs propres de la matrice sont strictement positives.
Fonction de lyapunov
( )
Soit f ∈ C1 (U ) , X * ∈U telque F X * = 0
Telle que :
v ( X * ) = 0 et v ( X * ) > 0, ∀X ∈U | X ≠ X *
théorème :
v ( X * ) de F en X * alors ,
.
ü si V ( x) ≤ 0, ∀x ∈ U X* est stable
.
ü si V ( x) < 0, ∀x ∈ U X*est asymptotique stable.
.
ü si V ( x) > 0, ∀x ∈U X* est instable
ce théorème est une condition suffisante de stabilité mais ne permet pas de guider l’utilisateur
dans le choix de la fonction de lyapunov et ne permet pas de conclure si on ne trouve pas une
telle fonction.
Une fonction de lyapunov candidate est une fonction définie positive dont on teste la
décroissance autour de point d’équilibre.
Les fonctions quadratiques sont souvent utilisées dans l’analyse des systèmes dynamiques
(fonction de lyapunov ).notamment :l’énergie cinétique, l’énergie potentielle élastique ou de
gravité et l’énergie totale sont des fonctions quadratiques de l’état pour les systèmes
mécaniques .
EXEMPLES
.. .
ü x (t ) − ε x 2 (t ) x (t ) + x (t ) = 0
⎧ . 2
⎪x 1 = 2x 1 (x 2 − 1)
ü ⎨ .
⎪⎩x 2 = −x 2 (x 12 + 1)
.. . .
ü M x + f (x ) x + g (x )x = 0
..
ü θ + sin(θ ) = 0
étudier la stabilité de ces systèmes.
.
X = AX , X ∈ R n
alors le système est globalement asymptotiquement stable(le point d’équilibre étant à l’origine
)si toutes les valeurs propres λi de A sont à partie réelle strictement positive ,soit :
Re (λi) < 0
Théorème : (stabilité au sens de lyapunov des systèmes linéaires) le système linéaire est
asymptotiquement stable(ou les valeurs propres de A sont à partie réelles négatives) si et
seulement si , pour toute matrice symétrique définie positive Q, il existe une matrice P définie
positive (symétrique) satisfaisant l’équation de lyapunov :
AT P + PA + Q = 0
démonstration
ü condition suffisante
considérons la fonction de lyapunov candidate
V (X ) = X T PX
alors
. . .
V (X ) = X T P X + X T PX
.
V (X ) = X T PAX + X T A T PX
.
V ( X ) = X T ( PA + AT P) X
soit Q une matrice définie positive, si P est solution positive de l’équation de lyapunov alors :
.
V ( X ) > 0, ∀X et V ( X ) = − X T QX
.
⇒ V ( X ) < 0, ∀X ≠ 0
En effet A
+∞ +∞
T T ATi At AT t
A P + PA = ∫Ae Qe + ∫e Qe At ) Adt
0 0
+∞
d AT t
= ∫ dt (e Qe At )dt
0
+∞
T +∞ d AT t
= ⎡e A t Qe At ⎤ ∫ dt (e Qe At )dt
⎣ ⎦ 0
0
= −Q
exemple :
⎛ 1 0 ⎞
on choisit Q = ⎜ ⎟
⎝ 0 1 ⎠
1 ⎛ 7 4 ⎞
d’ou P = ⎜ ⎟
40 ⎝ 4 6 ⎠
ü on considère le système :
.. .
y + y + (2 + sin(t )) y = 0
.
X = A (.)X
ou A (.) est une matrice dont les coefficient aij (.) peuvent dépendre de l’etat , du temps et/ou
les courbes des figures suivantes représente des exemples d’équipotentielle de lyapunov
Remarque
dans toutes l’étude qui suit les résultats obtenus sont d’autant meilleurs que la matrice A (.)
est diagonale dominante , aussi est –il parfois intéressant avant toute étude de stabilité
d’effectuer un changement de base permettant de renforcer cette propriété, la matrice A (.) est
Un cas particulier important à noter est celui ou A (.) ne dépend que de x. dans ce cas , pour
une étude au voisinage de point x 0 , il peut être intéressant de choisir la changement de base
qui diagonalise A (x 0 ) . La nouvelle matrice d’état P −1A (.)P diagonale au point x 0 , reste
diagonale dominante au voisinage de ce point.
Norme de max
Prenons :
V (x ) = max x i
i
V (x ) = x im signe (x im ),
. .
soit V (x ) = signe (x im ) x im ,
.
d’ou V (x ) = signe (x im )∑ aim , j (.)x j ,
j
.
il vient V (x ) = aim ,i (.) x im + signe (x im ) ∑ aim , j (.)x j
j ≠i m
.
on a la majoration V (x ) ≤ aim ,i (.) x im + ∑a im , j (.) x j
j ≠i m
comme x j < x im
.
on obtient V (x ) ≤ x im (aim ,i (.) + ∑a im , j (.) )
j ≠i m
.
soit avec la notation précedente :V (x ) ≤ ∑ a 'im , j (.)V (x ),
j
.
d’ou la condition suffisante pour avoir V négatif :
'
∑a
j
i,j (.) ≤ c < 0, ∀i
prenons V (x ) = ∑ x i
i
un calcul semblable au precedend conduit a un condition suffissante de meme type pour avoir
.
'
V négatif ∑a i,j (.) ≤ c < 0, ∀i
j
Distance euclidienne
.
Prenons V (x ) = x T Px , avec P matrice définie positive. Il vient pour V /
. dV
V = = x T (A T (.)P + PA (.))x ,
dt
.
la condition V négatif est assurée si la matrice A T (.)P + PA (.) reste definie négative dans le
domaine considéré.
Si la matrice A(.) a ses éléments non constants isolés dans une seule colonne, une condition
suffisante de stabilité asymptotique et que les mineurs principaux successifs de A’(.)
soient de signe alternés le premier étant négative
Cette condition se met sous la forme
a11 (.) < 0
⎛ a (.) a12 (.) ⎞
det ⎜ 11 ⎟ > 0
⎝ a21 (.) a22 (.) ⎠
⎛ a11 (.) a12 (.) a13 (.) ⎞
⎜ ⎟
det ⎜ a21 (.) a22 (.) a23 (.) ⎟ < 0
⎜ a (.) a32 (.) a33 (.) ⎟⎠
⎝ 31
une variante importante de ce critère est envisageable ,qui permet l’étude de la stabilité de
processus complexes et/ou mal définis
s’il est possible de trouver une matrice M qui a ses éléments hors diagonaux positifs ,dont
les éléments non constants sont isolés dans une seule colonne et telle que :. ?/
Alors la vérification des condition linéaire de stabilité pour la matrice M(.) permet de
conclure à la stabilité du système réel.
Ces conditions se mettent sous la forme :