Automatique Avancee PDF

Haute Ecole d'Ingéniérie et de Gestion du
canton de Vaud (HEIG-VD )
Département des technologies industrielles
( TIN)
Filière Génie électrique
Filière Informatique technique
Automatique avancée
( AAV)
1èrepartie
in s t i t u t d '
Automatisation
in d u s t r i e l l e
Prof. Michel ETIQUE, mars 2006,
Yverdon-les-Bains
HEIG-VD Automatique avancée ( AAV)
v.1.0 2 MEE \cours_aav.tex

1er septembre 2007
Table des matières
1 Identication des systèmes dynamiques linéaires 9

1.1 Identication non-paramétrique de systèmes dynamiques linéaires 9
1.1.1 Estimation de réponse harmonique : ETFE [1] . . . . . . . 10
1.1.2 Propriétés de l'ETFE . . . . . . . . . . . . . . . . . . . . . 11
1.1.3 Propriétés statistiques de l'ETFE . . . . . . . . . . . . . . 17
1.1.4 Amélioration de la variance de l'ETFE : moyennage et lissage 25
1.2 Identication paramétrique . . . . . . . . . . . . . . . . . . . . . . 26
1.2.1 Structures de modèles . . . . . . . . . . . . . . . . . . . . 26
1.2.2 Méthode PEM . . . . . . . . . . . . . . . . . . . . . . . . 31
1.2.3 Cas particulier : modèle de structure ARX, méthode des
moindres carrés . . . . . . . . . . . . . . . . . . . . . . . . 34
1.2.4 Biais et variance de la méthode des moindres carrés . . . . 38
1.2.5 Inversibilité de la matrice RN . . . . . . . . . . . . . . . . 44
1.A Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1.A.1 Identication non-paramétrique et paramétrique des sys-
tèmes A, B et D du laboratoire . . . . . . . . . . . . . . . 46
1.B Structure ARMAX . . . . . . . . . . . . . . . . . . . . . . . . . . 47
1.B.1 Préambule . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
1.B.2 Recherche des paramètres d'un modèle ARMAX . . . . . . 48
1.B.3 Descente de gradient . . . . . . . . . . . . . . . . . . . . . 51
1.C Rappel de théorie des probabilités [2] . . . . . . . . . . . . . . . . 58
1.C.1 Processus, signaux et variables aléatoires . . . . . . . . . . 58
1.C.2 Fonction de répartition et densité de probabilité [[2], 14.2] 58
1.C.3 Espérance mathématique, moyenne et variance . . . . . . . 58
1.C.4 Fonctions d'autocorrélation et d'autocovariance [[2], 5.2] . 59
1.C.5 Stationnarité et ergodisme [[2], 5.1.11 et 5.1.13] . . . . . 59
1.D Transformée de Fourier de signaux discrets [[2] et [3]] . . . . . . . 61
1.D.1 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
1.D.2 Transformée de Fourier d'un signal de durée nie . . . . . 61
1.D.3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
1.D.4 Transformée de Fourier discrète (TFD) . . . . . . . . . . . 64
1.D.5 Discrétisation de l'axe des fréquences . . . . . . . . . . . . 64

1er septembre 2007
1.D.6 Dénition de la TFD . . . . . . . . . . . . . . . . . . . . . 64

1.D.7 Conséquence de la discrétisation de la transformée de Fourier 65
1.D.8 Echantillonnage minimal de la transformée de Fourier . . . 65
1.D.9 Inversion de la TFD . . . . . . . . . . . . . . . . . . . . . 68
1.D.10 Périodogramme . . . . . . . . . . . . . . . . . . . . . . . . 68
1.D.11 Densité spectrale de puissance Φ(ω) ("spectre") . . . . . . 69
1.D.12 Calcul de la densité spectrale de puissance de signaux dé-
terministes . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
1.D.13 Calcul de la densité spectrale de puissance de signaux aléa-
toires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
1.D.14 Transformation du spectre par des systèmes dynamiques
linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2 Contrôle robuste 73
2.1 Fonction de sensibilité ([4], 3.4) . . . . . . . . . . . . . . . . . . . 74
2.1.1 Application : spécication de performance ([4], 3.4) . . . . 76
2.2 Stabilité robuste [4] . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.2.1 Incertitude sur la fonction de transfert du système à régler
[[4], p.46-47] . . . . . . . . . . . . . . . . . . . . . . . . . . 81
2.2.2 Théorème de la stabilité robuste [[4], p.53] . . . . . . . . . 86
2.2.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3 Régulateur RST polynômial 93

3.1 Régulateur RST polynômial . . . . . . . . . . . . . . . . . . . . . 94
3.1.1 Structure du régualteur RST [5] [6] . . . . . . . . . . . . . 94
3.1.2 Fonctions de transfert . . . . . . . . . . . . . . . . . . . . 94
3.1.3 Forme des polynômes et contraintes . . . . . . . . . . . . . 95
3.1.4 Calcul de R(z) et S(z) . . . . . . . . . . . . . . . . . . . . 97
3.1.5 Calcul des polynômes R(z) et S(z) : matrice de Sylvester
[[5], 10.3.3] . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.1.6 Commande a priori [[5], 10.6] . . . . . . . . . . . . . . . . 105
4 Modélisation des systèmes dynamiques dans l'espace d'état 107

4.1 Représentation d'un système dynamique linéaire par son modèle
d'état. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.1.1 Exemple introductif : circuit RLC série . . . . . . . . . . . 108
4.1.2 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.1.3 Forme matricielle . . . . . . . . . . . . . . . . . . . . . . . 114
4.1.4 Schéma fonctionnel . . . . . . . . . . . . . . . . . . . . . . 116
4.1.5 Calcul de la fonction de transfert à partir du modèle d'état 117
4.1.6 Application : linéarisation autour d'un point de fonction-
nement ([[?], chap.11], [[?], 3.6]) . . . . . . . . . . . . . . 123
4.A Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131

1er septembre 2007
4.A.1 Modèles d'état . . . . . . . . . . . . . . . . . . . . . . . . 131

4.A.2 Modélisation et schéma fonctionnel d'un entraînement avec
transmission exible . . . . . . . . . . . . . . . . . . . . . 131
4.A.3 Modélisation et linéarisation du pendule inversé . . . . . . 133

1er septembre 2007
Fiche d'unité d'enseignement
Département d’électricité et d’informatique (E+I)
FICHE D’UNITE D’ENSEIGNEMENT

Nom : Automatique avancée
Identifiant : AAV
Orientation(s) : EM, MIm, EN, EE, IT, TT
Responsable, suppléant : R. Herzog, M.Etique, I.Vaclavik
Charge de travail : 120 heures d'étude, correspondant à 4 crédits ECTS
Répartition approximative des heures d'étude (encadrées et non encadrées) :
Suivi d'exposés ......................................................................... 20 %
Exercices encadrés ................................................................. 10 %
Travaux de laboratoire encadrés ........................................ 8%
Contrôle continu ..................................................................... 2%
Travail personnel (pour un-e étudiant-e moyen-ne) .... 60 %
Périodes encadrées : 64 (= 48 heures)

Position recommandée des périodes encadrées dans les plans de formation:
1 2 3 4 5 6 7 8 9 10 11 12
3+1L 3+1L
Connaissances préalables recommandées :

L’étudiant doit connaître et savoir utiliser les notions suivantes :
représentations et propriétés des systèmes analogiques / numériques (équations différentielles / équations aux
différences, fonction de transfert, pôles et zéros);
transformée de Fourier discrète, notions des signaux aléatoires;
principes de la régulation, et aperçu des méthodes classiques de synthèse.
Les unités d'enseignement SES (Signaux et Systèmes), REN (Régulation Numérique), TSA (Traitement de Signal
Appliqué), ALA (Algèbre linéaire et analyse numérique) et PRE (Probabilités et statistique pour l'électronique)
permettent d'acquérir ces connaissances.
Objectifs :
A l'issue de cette unité d’enseignement, l'étudiant-e sera capable de :
appliquer la représentation des systèmes multi variables LTI dans l'espace d'état;
définir et interpréter le gain d'un système multi variables LTI;
comprendre le concept d'un observateur;
appliquer à bon escient les techniques d’identification paramétrique et non paramétrique des systèmes
dynamiques linéaires;
décrire les apports et les limites des techniques d’identification;
définir les cas où la mise en œuvre d’un régulateur RST améliorerait significativement les performances
d’asservissement;
synthétiser un régulateur RST selon un cahier des charges;
décrire les éléments non linéaires parasites et utiles;
calculer la période des oscillations dans les systèmes avec non-linéarités;
mettre en œuvre le régulateur tout ou rien;
expliquer les phénomènes inexistants en systèmes linéaires, tels frottement-relaxation (stick-slip), oscillations
autoentretenues, dépendances des conditions initiales.
A l'issue des travaux pratiques en laboratoire, l’étudiant-e sera en outre capable de :
appliquer les représentations de systèmes multi variables sur des systèmes réels;
synthétiser un régulateur RST pour un processus et des spécifications données, le tester en simulation et sur un
système réel;
mettre en œuvre des algorithmes d’identification paramétrique et non paramétrique sur des processus classiques;
appliquer la méthode de premier harmonique pour analyser les systèmes non linéaires;
tester les performances des systèmes avec des non-linéarités.
Version du 04.11.2005 Page 1/2

1er septembre 2007
Département d’électricité et d’informatique (E+I)
Fiche d’unité d’enseignement : Automatique avancée
Contenu :
Exposés et exercices : 50 périodes Nb. périodes approx.
Modèle d'état pour les systèmes linéaires : définition, utilité, propriétés, et exemples 6
Diagramme de Bode pour les systèmes à plusieurs entrées et sorties (MIMO) : valeurs singulières de la 6
matrice de transfert. Application : critère de Nyquist pour les systèmes à faible gain
Régulateur basé sur la contre-réaction des variables d'état, calcul des gains par placement des pôles 4
Introduction aux régulateurs basés sur observateur 4
Identification non paramétrique, estimateurs de réponses temporelle et fréquentielle (ETFE) 4
Structures de modèles ARX et ARMAX. Identification paramétrique, méthode des moindres carrés 6
Régulateur RST : principe, spécifications, synthèse avec compensateur de perturbation 4
Description des systèmes dynamiques non linéaires 2
Différence entre les systèmes linéaires et non linéaires 2
Non linéarités utiles et parasites rencontrées dans les applications techniques avec les courbes statiques 2
Linéarisation par la contre-réaction 2
Méthode du 1ier harmonique 4
Méthode de plan de phase 4
Travaux de laboratoire : 14 périodes encadrées

Maquette d’hélicoptère : mesure de la matrice de transfert et validation du modèle 4
Mise en œuvre des algorithmes d’identification paramétriques et non paramétrique sur des servo- 3
entraînements
Développement d’un régulateur RST, implantation en langage C sur un DSP et test sur un servo- 3
entraînement
Exercices avec la simulation des systèmes non linéaires dans l’environnement MATLAB et SimApp 4
Contrôle des connaissances :

Contrôle continu : l'acquisition des matières de cet enseignement sera contrôlée au fur et à mesure par des tests et des
travaux personnels tout au long de son déroulement. Il y aura au moins 2 tests d'une durée totale d'au moins 2 périodes.
Travaux de laboratoire : ils seront évalués sur la base des rapports de manipulation, à 2 reprises au minimum.
Contrôle final : l'atteinte de l'ensemble des objectifs de formation sera vérifiée lors d'un contrôle final écrit d'une durée
d'au moins 1 heure situé durant la session d’examens suivant la fin de cet enseignement.
Calcul de la note finale de module :

Note finale = moyenne contrôle continu x 0.25 + moyenne travaux laboratoire x 0.25 + note contrôle final x 0.5
Contrôle final de 2ème instance :

Un contrôle final de 2ème instance commun (voir articles 9 et 9bis du « règlement de promotion EIVD et règlement
d’application E+I ») sera organisé par les enseignants concernés, durant la session d’automne. Il se déroulera soit sous
la forme d’une interrogation orale, soit sous la forme d’une interrogation écrite. La forme sera choisie par les
enseignants en fonction du nombre d’inscriptions.
Version du 04.11.2005 Page 2

1er septembre 2007

1er septembre 2007
Chapitre 1
Identication des systèmes
dynamiques linéaires
1.1 Identication non-paramétrique de systèmes

dynamiques linéaires
L'identication non-paramétrique de systèmes dynamiques consiste à en ob-
tenir, i.e. à en estimer, les réponses temporelle (e.g. indicielle, impulsionnelle)
et fréquentielle sous forme expérimentale, sans en rechercher directement les pa-
ramètres ou la fonction de transfert (celle-ci n'existant par ailleurs que dans le
cas linéaire). Le problème de l'identication non-paramétrique est de dénir les
conditions d'expérience à satisfaire pour que les réponses mesurées reètent le
comportement eectif (celui que le régulateur verra) du système que l'on étudie
et d'en chirer le degré de concordance.
Il faut en eet réaliser qu'à cause des bruits et autres perturbations, l'on n'a
pas accès au signal de sortie du "vrai" système (gure 1.1).
Lorsque l'on souhaite déterminer expérimentalement le comportement fré-
quentiel de systèmes dynamiques linéaires, deux problèmes clés doivent être ré-
v ( t ) n ( t )
" v 1 r a i "
S
u ( t ) y ( t )
s y s st è m e
f _ 0 8 _ 0 4 . e p s
Fig. 1.1 On n'a pas accès au signal de sortie du "vrai" système, celui-ci étant
perturbé par v(t) subissant l'inuence des bruits n(t) (chier source).
Identification, v.1.8 9 MEE \cours_aav.tex

1er septembre 2007
v ( k )
1
G ( z ) S
u ( k ) y ( k )
0
s
f _ 0 5 _ 0 5 . e p s
Fig. 1.2 Représentation du problème : la vraie fonction de transfert est G0 (z)

et l'ensemble des signaux perturbateurs, i.e. non-corrélés avec u(k), est représenté
par v(k) (chier source).
solus :
on doit s'assurer autant que possible que la durée d'acquisition corresponde
à un nombre entier de périodes du signal de sortie du système. Cela est ré-
solu en tenant compte des indications données dès le 1.1.2, où l'on s'arrange
pour que les signaux acquis puissent être considérés comme périodiques ;
la minimisation de l'eet du bruit (y compris perturbations). Cela se fait
en augmentant la durée d'aquisition (nombre N de points), en traitant le
spectre des signaux (par exemple par moyennage) ou en choisissant judi-
cieusement le signal d'excitation u(k).
1.1.1 Estimation de réponse harmonique : ETFE [1]

On considère un système dynamique linéaire de "vraie" fonction de transfert
G0 (z), ayant u(k) pour entrée et dont la sortie est perturbée par un bruit v(k)
(gure 1.2). On a :
∞
X
y(k) = g0 (l) · u(k − l) + v(k) = g0 (k) ∗ u(k) + v(k)
l=0
Il vaut ici la peine de remarquer que l'on ne cherche pas à identier un modèle
analogique, par exemple une fonction de transfert Ga (s), mais directement le
modèle échantillonné G0 (z). Analytiquement, ces 2 fonctions de transfert sont
liées par la relation ( ?? page ? ?) :

Y (z) −1
−1 Ga (s)
G0 (z) = = 1−z ·Z L
U (z) s
Le signal d'entrée u(k), que l'on peut en principe imposer lors des travaux dédiés
à l'identication, est plutôt de nature déterministe alors que la perturbation v(k)
est de nature stochastique. On admet que ses paramètres statistiques sont
µ = E [v(k)] = 0, i.e. la moyenne de v(k) est nulle ;

1er septembre 2007
σ 2 = E (v(k) − µ)2 = λ, i.e. la variance de v(k) est égale à λ. Notons que

√
σ = λ représente ici la (vraie) valeur ecace du bruit v(k).
Un bref rappel des notions relatives aux signaux aléatoires est donné à l'an-
nexe 1.C page 58.
Le problème posé est de déterminer une estimation Ĝ(ej·ω·h ) de la réponse
harmonique G0 (ej·ω·h ) de G0 (z), sachant qu'expérimentalement, seuls N échan-
tillons ont été prélevés sur les signaux u(k) et y(k) : on a donc a disposition
uN (k), yN (k) ainsi que les paramètres µ et λ du bruit v(k).
En allant droit au but, il est clair qu'une estimation de G0 (ej·ω·h ), d'une qua-
lité à dénir, peut être obtenue en calculant les transformées de Fourier discrètes
(ci-après TFD, voir 1.D page 61) UN (ω) et YN (ω) de uN (k) et de yN (k) respec-
tivement puis en évaluant :
PN −1 −j·ω·k·h
YN (ω) F{yN (k)} k=0 yN (k) · e
ĜN (ej·ω
)= = = PN −1
(1.1)
UN (ω) F{uN (k)} k=0 uN (k) · e
−j·ω·k·h
Cette estimation porte le nom de ETFE (empirical transfer function estimate ).
1.1.2 Propriétés de l'ETFE

On peut montrer [[1], 6.3, p.147] que
YN (ω) RN (ω) VN (ω)

ĜN (ej·ω ) = = G0 (ej·ω ) + + (1.2)
UN (ω) UN (ω) UN (ω)
où
1
|RN (ω)| ∝ √
N
et VN (ω) est la transformée Fourier de vN (k). On observe d'emblée que l'esti-
mation ĜN (ej·ω ) de G0 (ej·ω ) est d'autant meilleure que le nombre N est élevé,
puisque |RN (ω)| ∝ √1N .
Cas particulier : u(k) périodique On peut montrer que si u(k) est périodique
de période égale à un multiple de N ·h, i.e. si uN (k) est une période ou un nombre
entier de périodes de u(k), alors RN (ω) = 0 pour ω = 2·π h
· i · N1 , i = 0 . . . N − 1,
i.e. aux fréquences auxquelles la TFD est dénie. Dans le but d'annuler RN (ω),
il y a donc intérêt à ce que le signal u(k) soit périodique de période N · h.
C'est ce qui est fait avec le logiciel AcqBode (actuellement RTPWatch) créé par
le Prof. F.Mudry dans le but d'identier les systèmes dynamiques linéaires :
on calcule la transformée de Fourier discrète de deux signaux correspondant à
l'excitation et à la réponse du système étudié. Le signal d'excitation u(k) prend
la forme d'une suite binaire pseudo aléatoire (SBPA) de N points, répétée R = 2

1er septembre 2007
Signaux (v(k)=0)
1
0.8
u(k), uN(k)
0.6
0.4
0.2
0
0 0.05 0.1 0.15 0.2 0.25
0.2
0.15
y(k)|v=0, yN(k)|v=0
0.1
0.05
0
0 0.05 0.1 0.15 0.2 0.25
t [s]
f_fft_03_01_2.eps
Fig. 1.3 Signal d'excitation u(k) = uN (k) et réponse y(k) = yN (k). yN (k) ne
constitue à l'évidence pas un nombre entier de périodes de y(k), comme requis
selon la relation (1.2) pour que le terme R N (ω)
UN (ω)
s'annule. L'estimation de la réponse
harmonique ĜN (ej·ω·h ) est donnée sur la gure 1.4 page ci-contre (chier source).
fois an de mettre la sortie y(k) du système en régime permanent périodique.

Les N derniers points seuls, i.e. la dernière période seule, sont alors prélevés
et leurs TFD calculée. Si les termes transitoires ont eectivement disparu, on
calcule eectivement la TFD d'un signal périodique et le terme RN (ω) est nul
aux fréquences auxquelles ĜN (ej·ω·h ) est évaluée.
Exemple
Pour illustrer l'importance du signal d'excitation u(k), on eectue les 3 tests
suivants, avec v(k) = 0, i.e. sans bruit an séparer les problèmes. De ce fait, la
relation (1.2) devient
0
z }| {
R N (ω) VN (ω) RN (ω)
ĜN (ej·ω ) = G0 (ej·ω ) + + = G0 (ej·ω ) +
UN (ω) UN (ω) UN (ω)
On examine les cas suivants :

1. u(k) = ∆(k) : c'est un signal qui est spectralement très riche, mais qui ne
met pas le système G0 (z) dans un état de régime permament périodique. La
gure 1.3 montre les signaux uN (k) et yN (k) et la gure 1.4 page ci-contre
le diagramme de Bode de ĜN (ej·ω·h ) correspondant.
2. uN (k) constitué de deux impulsions unité discrètes, la première en k = 0
et la seconde, avec une polarité inversée, en k = N2 . Ce signal de base est

1er septembre 2007
jω h
Diagrammes de Bode de G0(e ) et YN(ω)/UN(ω) (pour v(k)=0)
40
20
−20
−40
−60
−80
−100
0 1 2 3
10 10 10 10
200
100
−100
G0(ejω h)
YN(ω)/UN(ω)|v=0
−200
0 1 2 3
10 10 10 10
f [Hz]
f_fft_03_01_4.eps
Fig. 1.4 Comparaison de la vraie réponse harmomique G0 (ej·ω·h ) et de son

estimation ĜN (ej·ω·h ), avec uN (k) et yN (k) selon gure 1.3 page ci-contre. Le
mauvais résultat s'explique par le fait que le terme R N (ω)
UN (ω)
de la relation (1.2) est
non-nul, yN (k) n'étant manifestement pas une période de y(k) (chier source).
répété R = 2 fois, ce qui dans le cas particulier met y(k) dans un état de
régime quasi permament périodique pour k > N (gure 1.5 page suivante).
La dernière période de y(k) est donc extrayable telle quelle pour eectuer
l'analyse selon (1.1) et les résultats (gure 1.6 page suivante) sont meilleurs
que précédemment (gure 1.4).

1er septembre 2007
Signaux (v(k)=0)
1
0.5
u(k), uN(k)
0
−0.5
−1
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0.25
0.2
y(k)|v=0, yN(k)|v=0
0.15
0.1
0.05
−0.05
−0.1
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
t [s]
f_fft_03_02_2.eps
Fig. 1.5 Signal d'excitation u(k) et réponse y(k). u(k) est constitué de R = 2
périodes. On observe que les transitoires sont amorties dès la n de la première
période. De ce fait, le signal y(k) peut être admis périodique de période N · h
pour k ≥ N . Si l'on avait généré u(k) avec une période de plus (R = 3), on au-
rait simplement obtenu une 3ème période. L'estimation de la réponse harmonique
ĜN (ej·ω·h ) est donnée sur la gure 1.6 (chier source).
jω h
40
20
−20
−40
−60
−80
−100
0 1 2 3
10 10 10 10
200
100
−100
G0(ejω h)
YN(ω)/UN(ω)|v=0
−200
0 1 2 3
10 10 10 10
f [Hz]
f_fft_03_02_4.eps

estimation ĜN (ej·ω·h ), avec uN (k) et yN (k) selon gure 1.5. La légère discordance
apparaissant aux fréquences élevées est due au fait que le signal prélevé yN (k)
comporte encore des termes transitoires. Un signal d'excitation u(k) comportant
une période de plus résoudrait le problème (chier source).

1er septembre 2007
Signaux (v(k)=0)
1
0.5
u(k), uN(k)
0
−0.5
−1
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
1.5
y(k)|v=0, yN(k)|v=0
0.5
−0.5
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
t [s]
f_fft_03_03_2.eps
Fig. 1.7 Signal d'excitation u(k) et réponse y(k). On ne prélève que les N der-
niers échantillons, ce qui correspond à une période du signal y(k) admis périodique
pour k ≥ N (les N premiers échantillons correspondant au régime transitoire).
L'estimation de la réponse harmonique ĜN (ej·ω·h ) est donnée sur la gure 1.8
page suivante (chier source).
3. uN (k) est cette fois une SBPA (gure 1.7), répétée également R = 2 fois.
Les résultats (gure 1.8 page suivante) sont équivalents au cas précédent
(gure 1.6 page ci-contre).

1er septembre 2007
jω h
40
20
−20
−40
−60
−80
−100
0 1 2 3
10 10 10 10
200
100
−100
G0(ejω h)
YN(ω)/UN(ω)|v=0
−200
0 1 2 3
10 10 10 10
f [Hz]
f_fft_03_03_4.eps

estimation ĜN (ej·ω·h ), avec uN (k) et yN (k) selon gure 1.7 page précédente
(chier source).

1er septembre 2007
1.1.3 Propriétés statistiques de l'ETFE

Les propriétés statistiques (notamment la moyenne et la variance) de ĜN (ej·ω·h )
relativement à l'entrée stochastique v(k) permettent de chirer la qualité de l'es-
timation.
Moyenne
L'espérance mathématique de ĜN (ej·ω·h ) doit montrer si l'estimateur ĜN (ej·ω·h )
tend bel et bien vers G0 (ej·ω·h ). On a [[1], 6.3, p.148] :

h i RN (ω) VN (ω)
E ĜN (e j·ω·h
) = E G0 (e j·ω·h
) +E + E

| {z } UN (ω) UN (ω)
G0 (ej·ω·h )
| {z } | {z }
RN (ω) 0 car
UN (ω) E [VN (ω)] =
F {E [v(k)]} = 0
On voit que
ĜN (ej·ω·h ) −→ G0 (ej·ω·h ) pour N −→ ∞
puisque limN →∞ RN (ω) = 0 et E [v(k)] = 0. ĜN (ej·ω·h ) est ainsi un estimateur
non biaisé de G0 (ej·ω·h ).
Variance
La variance dehl'estimateur
i ĜN (e
j·ω·h
) montre comment uctue celui-ci autour
de sa moyenne E ĜN (ej·ω·h ) = G0 (ej·ω·h ). On montre que [[1], 6.3, p.149] :
2 Φv (ω)
E ĜN (ej·ω·h
) − G0 (ej·ω·h
) −→ pour N −→ ∞
|UN (ω)|2
où Φv (ω) est la densité spectrale de puissance ("spectre", 1.D.11 page 69) de
l'entrée stochastique v(k) et UN (ω) est la transformée de Fourier de uN (k). On
voit que la variance de l'estimateur ne tend pas vers 0, même pour un grand
nombre N d'échantillons, mais vers
Φv (ω)
|UN (ω)|2
La variance de ĜN (ej·ω·h ) est donc dépendante du spectre (plus pécisément de
la densité spectrale de puissance) Φv (ω) du bruit v(k). Si Φv (ω) est donnée, la
variance ne peut être réduite qu'en choisissant |UN (ω)| de manière à diminuer le
rapport |UΦv(ω)|
(ω)
2 . On conçoit dès lors que le choix d'un signal d'excitation spec-
N
tralement très riche est un avantage. La conséquence de ce fait est que souvent,
le graphe de la réponse harmonique est très uctuant lorsque le rapport signal
sur bruit n'est pas satisfaisant (gures 1.9 page suivante, 1.13 page 21 et 1.15
page 22, la gure 1.15 page 22 montrant l'amélioration obtenue en augmentant
la densité spectracle de uN (k)).

1er septembre 2007
Diagramme de Bode de YN(ω)/UN(ω)

−50
−60
−70
−80
−90
−100
−110
−120
1 2 3 4
10 10 10 10
200
100
−100
YN(ω)/UN(ω)|
−200
1 2 3 4
10 10 10 10
ω [rad/s]
f_lse_m_03_9.eps
Fig. 1.9 Même dans de bonnes conditions d'expériences (ici un cas réel d'iden-
tication d'un système mécanique comportant une élasticité, schéma technolo-
gique de la gure 1.10 page suivante), l'ETFE ĜN (ej·ω·h ) fournit une réponse très
uctuante, principalement à cause du bruit v(k). Cela est la conséquence de la
variance de ĜN (ej·ω·h ), laquelle est dépendante du spectre de v(k) et tend vers
Φv (ω)
|U (ω)|2
. A v(k) donné, on ne peut donc réduire la variance qu'en choisissant un
N
signal d'excitation uN (k) tel que |UN (ω)|2 soit élevé (chier source).

1er septembre 2007
c o e f f i c i e n t d e
f r o t t e m e n t v i s q u e u x :
d e s p a l i e r s
R f
[ N m s / r a d ]
T e m
( t ) q 1
( t ) q 2
( t )
R f
R f
r i g i d i t é d e l 'a r b r e
d e t r a n s m i s s i o n :
k [ N m / r a d ]
i n e r t i e d u r o t o r : i n e r t i e d e l a c h a r g e : f _ 0 8 _ 0 6 . e p s
J 1
J 2
Fig. 1.10 Schéma technologique d'un système mécanique (supposé linéaire),

possédant un arbre élastique (i.e. non inniment rigide). La consigne de couple
moteur u(k) = Temc (k) a été imposée (SBPA) et la vitesse (y(k) = ω(k)) de celui-
ci a été mesurée avant de calcul l'ETFE. Les résultats de l'ETFE sont indiqués sur
la gure 1.9 page ci-contre et les signaux sont visibles sur la gure 1.11 (chier source).
Signal d’entrée : SBPA de 1024 points

3
1
u (k)
0
N
−1
−2
−3
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x 10
−3 Réponse du système à la SBPA
3
1
y (k)
0
N
−1
−2
−3
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t [s]
f_lse_m_03_1.eps
Fig. 1.11 Signal d'excitation et réponse du système représenté sur la gure 1.10
(chier source).

1er septembre 2007
Signaux
1
0.5
u(k), uN(k)
0
−0.5
−1
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0.3
v≠0
0.2
, y (k)|
N
0.1
v=0
y (k)|
0
N
−0.1
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0.04
0.02
v(k)
−0.02
−0.04
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
t [s]
f_fft_03_04_1.eps
Fig. 1.12 Signal d'excitation uN (k), réponse yN (k) et bruit v(k). L'estimation
de la réponse harmonique ĜN (ej·ω·h ) est donnée sur la gure 1.13 page ci-contre
(chier source).
Corrélation entre deux fréquences voisines

Les estimations fournies par ĜN (ej·ω·h ) à deux fréquences diérentes f1 et f2
ne sont asymptotiquement pas corrélées ! On montre que [[1], 6.3, p.149]
h i
E ĜN (ej·ω1 ·h ) − G0 (ej·ω1 ·h ) · ĜN (ej·ω2 ·h ) − G0 (ej·ω2 ·h )
−→ 0 pour N −→ ∞
Cela signie par exemple que l'estimateur ne voit pas de dépendance forte entre
le gain de la fonction de transfert à deux fréquences voisines l'une de l'autre.
Or, cela contredit l'expérience, puisque l'on sait que la réponse harmonique d'un
système linéaire ne varie que de manière "douce".
Exemple
On considère maintenant le même système que le premier exemple traité
( 1.1.2 page 12), désormais perturbé par un bruit v(k) √ de moyenne µ nulle
et de variance λ = 0.0001, soit une valeur ecace σ = λ = 0.01.
Dans un premier temps, le système excité un signal uN (k) formé à nouveau
par la répétition périodique (R = 2 fois) de deux impulsions unité discrètes
de signes opposés (selon gure 1.5 page 14). Ce signal est également donné
sur la gure 1.12, avec le signal de sortie yN (k), bruité par la perturbation
v(k) également gurée.
le système est ensuite maintenant excité par une SBPA (gure 1.14 page 22).
Les résultats sont donnés à la gure 1.15 page 22 qui montre une améliora-
tion substantielle par rapport à ceux de la gure 1.13.

1er septembre 2007
jω h
Diagrammes de Bode de G0(e ), YN(ω)/UN(ω) (pour v(k)=0) et YN(ω)/UN(ω) avec bruit v(k) de variance λ=0.0001
40
20
−20
−40
−60
−80
−100
0 1 2 3
10 10 10 10
200
100
G0(ejω h)
−100
YN(ω)/UN(ω)|v=0
YN(ω)/UN(ω)|v ≠=0
−200
0 1 2 3
10 10 10 10
f [Hz]
f_fft_03_04_6.eps

estimation ĜN (ej·ω·h ), avec uN (k) et yN (k) selon gure 1.12 page ci-contre. Les
résultats de l'estimateur sans bruit sont également donnés (chier source).
Signaux
1
0.5
u(k), uN(k)
−0.5
−1
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
2
yN(k)|v=0, yN(k)|v ≠ 0
−1
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0.04
0.02
v(k)
−0.02
−0.04
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
t [s]
f_fft_03_05_1.eps
de la réponse harmonique ĜN (ej·ω·h ) est donnée sur la gure 1.15 (chier source).

1er septembre 2007
Diagrammes de Bode de G0(ejω h), YN(ω)/UN(ω) (pour v(k)=0) et YN(ω)/UN(ω) avec bruit v(k) de variance λ=0.0001
40
20
−20
−40
−60
−80
−100
0 1 2 3
10 10 10 10
200
100
G0(ejω h)
−100
YN(ω)/UN(ω)|v=0
−200
0 1 2 3
10 10 10 10
f [Hz]
f_fft_03_05_6.eps

estimation ĜN (ej·ω·h ), avec uN (k) et yN (k) selon gure 1.14. Les résultats de
l'estimateur sans bruit sont également donnés (chier source).
Cet exemple met en évidence l'importance du signal d'excitation. Dans le dernier

cas, les résultats obtenus sont meilleurs car la variance asymptotique
Φv (ω)
|UN (ω)|2
de ĜN (ej·ω·h ) a été diminuée en choisissant un signal d'excitation ayant |UN (ω)|
élevé.
Néanmoins, la comparaison de l'estimateur ETFE avec la vraie réponse har-
monique montre, même dans le cas de la gure 1.15 page suivante, toute la
diculté qu'il y a à identier la réponse fréquentielle de systèmes dynamiques.
En guise de conclusion de cet exemple, on choisit maintenant un signal d'exci-
tation uN (k) constitué d'une somme de sinus d'amplitude 1, de fréquences variant
de ∆fN
e
à N2 · ∆f
N
e
et de phase aléatoire à distribution uniforme (µ = 0, σ = 1).
Ce signal a pour propriété d'avoir une densité spectrale de puissance encore plus
élevée que la SBPA, i.e. d'être plus puissant pour chaque composante spectrale.
Répété R = 2 fois, ce signal est donné sur la gure 1.16 page 23 et la réponse
harmonique de l'estimateur se trouve sur la gure 1.17 page 24.

1er septembre 2007
Signaux
40
20
u(k), uN(k)
−20
−40
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
15
yN(k)|v=0, yN(k)|v ≠ 0
10
−5
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0.04
0.02
v(k)
−0.02
−0.04
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
t [s]
f_fft_03_06_1.eps
de la réponse harmonique ĜN (ej·ω·h ) est donnée sur la gure 1.17 page suivante
(chier source).

1er septembre 2007
Diagrammes de Bode de G0(ejω h), YN(ω)/UN(ω) (pour v(k)=0) et YN(ω)/UN(ω) avec bruit v(k) de variance λ=0.0001
40
20
−20
−40
−60
−80
−100
0 1 2 3
10 10 10 10
200
100
G0(ejω h)
−100
Y (ω)/U (ω)|
N N v=0
−200
0 1 2 3
10 10 10 10
f [Hz]
f_fft_03_06_6.eps

estimation ĜN (ej·ω·h ), avec uN (k) et yN (k) selon gure 1.16 page précédente. Les
résultats de l'estimateur sans bruit sont également donnés (chier source).

1er septembre 2007
1.1.4 Amélioration de la variance de l'ETFE : moyennage

et lissage
Pour diminuer la variance de l'estimation ĜN (ej·ω·h ), on peut prendre en
compte le fait que la valeur moyenne du bruit v(k) est nulle. En répétant l'expé-
rience plusieurs fois (disons R fois N points, soit un nombre total de M = R · N
points) et en sommant les réponses fréquentielles estimées, on diminue la variance
du facteur R. On a :
R
j·ω·h 1 X
ĜM (e )= · ĜN (ej·ω·h )
R l=1
L'inconvénient de cette manière de faire est évidemment que la durée des essais est
prolongée d'un facteur R, puisqu'il faut acquérir R · N mesures. Une alternative
[[7], 8.5, p.212] consiste à partager un ensemble existant de N mesures en R sous-
ensembles de M points et à calculer ĜM (ej·ω·h ) pour chacun des sous-ensembles
avant de sommer. On a :
R
j·ω·h 1 X
ĜN (e )= · ĜM (ej·ω·h )
R l=1
La variance est également divisée par R mais en revanche la résolution fréquen-

tielle ( 1.D.8 page 65) est dégradée, puisque l'on aura
fe fe fe
∆f = =R· =R·
M R · M}
| {z N
N
La résolution fréquentielle est ainsi R fois plus grossière. Cette dernière manière
de faire porte le nom de méthode de Welch.
Une méthode d'amélioration de la variance de l'estimation ĜN (ej·ω·h ) consiste
à lisser la réponse harmonique obtenue à l'aide d'un ltre (ce que font sans autre
nos propres yeux !). C'est la méthode de Blackman-Tukey, décrite dans [[1],6.4]
et [[7], 8.5].

1er septembre 2007
1.2 Identication paramétrique

L'identication paramétrique a pour objectif d'estimer chacun des paramètres
de la fonction de transfert supposée
Y (z) b1 · z −1 + b2 · z −2 + . . . + bn−1 · z −n+1 + bn · z −n B(z)

G(z) = = −1 −n+1 −n
=
U (z) 1 + a1 · z + . . . + an−1 · z + an · z A(z)
d'un système dynamique linéaire discret. U (z) et Y (z) sont respectivement les
transformées en z des signaux temporels discrets d'entrée u(k) et de sortie y(k).
k ∈ Z est l'instant d'échantillonnage, i.e. un entier relatif tel que t [s] = k · h
où h est la période (constante) d'échantillonnage en [s]. Les signaux discrets u(k)
et y(k) que l'on considère sont admis nuls pour k < 0, ce qui revient à dire :
u(k) = 0 pour k<0

y(k) = 0 pour k<0
La théorie de la transformation en z permet facilement de retrouver l'équation

aux diérences décrivant le comportement du système dans le domaine temporel ;
on a en eet, sachant que l'opérateur z −1 correspond à un retard d'une période
d'échantillonnage h :
y(k) + a1 · y(k − 1) + . . . + an−1 · y(k − n + 1) + an · y(k − n)

= b1 · u(k − 1) + . . . + bn−1 · u(k − n + 1) + bn · u(k − n) (1.3)
Les méthodes d'identication paramétrique se doivent donc de délivrer les esti-

mations (les notations utilisées normalement pour désigner une estimation, i.e.
âi et b̂j , sont abandonnées pour alléger la notation) :
a1 a2 ... an b1 b2 ... bn
La qualité des estimations doit pouvoir être chirée, typiquement par l'intermé-
diaire de la moyenne et de la variance de chaque paramètre estimé.
1.2.1 Structures de modèles

On présente dans ce paragraphe 2 structures permettant de représenter des
systèmes physiques linéaires ayant une entrée (déterministe) u(k), une entrée
stochastique v(k) et une sortie y(k). Ces structures ont pour caractéristique re-
marquable de modéliser, avec une dynamique appropriée, l'inuence du bruit/des
perturbations agissant sur le système.
L'ensemble des eets des bruits et perturbations sont représentées par le si-
gnal stochastique v(k), lui-même étant généré avec une dynamique H(z) par le
signal également stochastique e(k), de type bruit blanc, de distribution normale

1er septembre 2007
e ( k )
H ( z )
v ( k )
1
G ( z ) S
u ( k ) y ( k )
s
f _ 0 5 _ 0 1 . e p s
Fig. 1.18 Modèle de structure générale, prenant en compte les perturbations

v(k) en ltrant un bruit blanc e(k) avec la dynamique H(z) (chier source).
(Gauss), à moyenne µ nulle et à variance σ 2 = λ. e(k) étant externe au sys-

tème et indépendant, on dénomme e(k) "variable exogène", la lettre x expliquant
l'adjonction de X aux modèles standards AR et ARMA connus en traitement de
signal et devenant ainsi ARX (p.27) et ARMAX (p.29).
La structure générale est représentée par la gure 1.18, et l'on peut écrire :
Y (z) = G(z) · U (z) + H(z) · E(z)
On se limite ici à la présentation de 2 structures particulières, ARX et AR-

MAX. On se référera à [[1], 4.2] pour un traitement détaillé.
Structure ARX
Dans le cas de la structure ARX (AR="AutoRegressive", X="eXogeneous"
ou "eXtra" variable), le bruit e(k) perturbe la sortie brute de la fonction de
transfert G(z) du système via la dynamique
1
H(z) =
A(z)
alors que le système lui-même est représenté par

B(z)
z }| {
B(z) b1 · z −1 + b2 · z −2 + . . . + bn−1 · z −n+1 + bn · z −n
G(z) = =
A(z) 1 + a1 · z −1 + . . . + an−1 · z −n+1 + an · z −n
| {z }
A(z)

1er septembre 2007
e ( k )
A ( z )
v ( k )
B 1 ( z )
S
u ( k ) y ( k )
A s
( z ) f _ 0 5 _ 0 2 . e p s
Fig. 1.19 Modèle de structure ARX (chier source).
On a donc :
B(z) 1
Y (z) = ·U (z) + ·E(z)
A(z) A(z)
| {z } | {z }
G(z) H(z)
et l'équation aux diérences associée à cette structure est donc :

= b1 · u(k − 1) + . . . + bn−1 · u(k − n + 1) + bn · u(k − n)
+ e(k)
L'inconvénient de cette structure est qu'elle impose par A(z) une dynamique
commune pour la propagation du signal d'entrée u(k) et du bruit e(k). On conçoit
que ce modèle ne puisse convenir pour certaines applications. Une conséquence
en est que l'identication des paramètres par la méthode des moindre carrés
présentée au 1.2.2 page 31 a tendance à favoriser une bonne identication du
système G(z) = B(z)A(z)
aux hautes fréquences, au détriment des basses fréquences
([[1], 8.5 p.228 et relation (8.68)]).

1er septembre 2007
e ( k )
C ( z )
A ( z )
v ( k )
B 1 ( z )
S
u ( k ) y ( k )
A s
( z )
f _ 0 8 _ 0 3 . e p s
Fig. 1.20 Modèle de structure ARMAX (chier source).
Modèle de structure ARMAX

Avec la structure ARMAX (AR = "auto-regressive, "MA="moving average",
X=eXogeneous, gure 1.20), on ore comparativement à la structure ARX un
degré de liberté supplémentaire pour modéliser la dynamique des perturbations
e(k) en les faisant intervenir sur le système avec la fonction de transfert
C(z)
z }| {
−1 −2 −nc +1 −nc
V (z) 1 + c1 · z + c2 · z + . . . + cnc −1 · z + cnc · z C(z)
H(z) = = −1 −na +1 −na =
E(z) 1 + a1 · z + . . . + ana −1 · z + ana · z A(z)
| {z }
A(z)
Grâce à C(z), on peut avoir des dynamiques très diérentes entre u(k) (signal
déterministe, contrôlé) et y(k) et entre e(k) (bruit blanc à µ = 0 et σ 2 connu) et
y(k), ce qui compense en partie les lacunes de la structure ARX.
On a
B(z) C(z)
Y (z) = ·U (z) + ·E(z)
A(z) A(z)
| {z } | {z }
G(z) H(z)
avec
B(z)
z }| {
b1 · z −1 + b2 · z −2 + . . . + bnb −1 · z −nb +1 + bnb · z −nb B(z)
G(z) = −1 −na +1 −na =
1 + a1 · z + . . . + ana −1 · z + ana · z A(z)
| {z }
A(z)

1er septembre 2007
L'équation aux diérences correspondante est :
y(k) + a1 · y(k − 1) + . . . + ana −1 · y(k − na + 1) + ana · y(k − na )

= b1 · u(k − 1) + . . . + bnb −1 · u(k − nb + 1) + bnb · u(k − nb ) (1.4)
+e(k) + c1 · e(k − 1) + . . . + cnc −1 · e(k − nc + 1) + cnc · e(k − nc )

1er septembre 2007
e ( k )
H ( z )
v ( k )
1
G ( z ) S
u ( k ) y ( k )
s
f _ 0 5 _ 0 1 . e p s
Fig. 1.21 Modèle de structure générale, prenant en compte les perturbations

v(k) en ltrant un bruit blanc e(k) avec la dynamique H(z) (chier source).
1.2.2 Méthode PEM

Lorsque l'on a sélectionné une structure de modèle (ARX, ARMAX, etc,
1.2.1 page 26) potentiellement capable de représenter le système dynamique
linéaire que l'on souhaite identier ainsi que la nature des perturbations v(k)
l'aectant, il reste à déterminer les valeurs numériques de ses paramètres, i.e. à
eectuer une identication paramétrique.
Si l'on se replace dans le contexte de l'identication de la réponse fréquentielle
vu au 1.1 page 9, où l'estimateur ETFE ĜN (ej·ω ) fournissait le gain et la phase
(estimés) d'une fonction de transfert G0 (z) en plusieurs fréquences (et non pas la
fonction de transfert elle-même), on cherche ici directement un estimateur pour
chacun des paramètres de la même fonction de transfert G0 (z).
On présente ici la méthode PEM ("prediction-error identication method"),
une technique permettant d'obtenir les valeurs numériques des paramètres des
fonctions de transfert G(z) et H(z) d'un modèle de structure générale (gure 1.21).
Une alternative à la méthode PEM est celle des variables instrumentales, non
traitée ici.
La méthode PEM se base sur la comparaison du signal de sortie y(k) du vrai
système et de celui d'un prédicteur ŷ(k) de cette même sortie. Comme son nom le
sous-entend, ledit prédicteur ŷ(k) est conçu de façon à ce qu'il soit en mesure de
prédire au mieux le signal de sortie y(k) à l'instant présent en ne se basant que
que sur les informations disponibles jusqu'à l'instant précédent, i.e. à l'instant
k − 1.
On peut montrer que le prédicteur ŷ(k) prend la forme générale [[1], 3.3,

1er septembre 2007
p.56]
G(z) 1
Ŷ (z) = · U (z) + 1 − · Y (z) (1.5)
H(z) H(z)
L'établissement de ce prédicteur dans le cas particulier de la structure ARX est
fait dans le 1.2.3 page 34.
La méthode PEM a donc pour objectif trouver les paramètres des fonctions
de transfert G(z) et H(z) de telle façon que l'erreur de prédiction
(k) = y(k) − ŷ(k)

soit minimisée.
B(z)
Dans le cas d'une structure ARX ( 1.2.1 page 27), on a G(z) = A(z)
et
1
H(z) = A(z) , alors que G(z) = B(z)
A(z)
et H(z) = C(z) A(z)
pour une structure ARMAX
( 1.2.1 page 29).
Partant d'un ensemble de N mesures yN (k) correspondant aux entrées uN (k),
→
−
on réunit les paramètres de G(z) et H(z) à identier dans le vecteur-colonne θ ,
lequel prend dans le cas de la structure ARX la forme
→
− T
θ = a1 a2 . . . an b1 b2 . . . bn
→
−̂ →
−
et l'on utilise la méthode PEM pour fournir une estimation θ N de θ minimisant
la fonction
− N −1
→ 1 X
VN θ , yN (k), uN (k) = · `((k))
N k=0
où (k) correspond donc à l'erreur de prédiction y(k) − ŷ(k). On obtient :

→
− n − → o
θ N = arg min VN θ , yN (k), uN (k)
−
→
à comprendre comme "θ̂N est la valeur de l'argument θ de la fonction VN θ , yN (k), uN (k)
minimisant VN ".
→
− −
→
L'estimateur θ N recherché doit donc minimiser la fonction VN θ , yN (k), uN (k)
à partir des signaux d'entrée uN (k) et de sortie yN (k), où N correspond au nombre
d'échantillons prélevés.
Un cas particulier très important est celui où la fonction `((k)) est quadra-
tique :
 2
− N −1 N −1
→ 1 X1  1 X1
VN θ , yN (k), uN (k) = · · y(k) − ŷ(k) = · · (k)2 (1.6)

N k=0 2 | {z } N k=0 2
(k)
Dans ce cas, on indique dans le 1.2.3 page 34 qu'il existe même une solution
→
−
analytique pour θ N .

1er septembre 2007
Diagrammes de Bode de GARMAX(ejω h), YN(ω)/UN(ω)

−50
−60
−70
−80
−90
−100
−110
−120
−1 0 1 2 3
10 10 10 10 10
200
100
−100
G(ejω h)
YN(ω)/UN(ω)|
−200
−1 0 1 2 3
10 10 10 10 10
f [Hz]
f_lse_m_03_8.eps
Fig. 1.22 L'identication paramétrique du système mécanique conduit à une

très bonne concordance avec l'identication de la réponse fréquentielle. On ob-
serve un eet de lissage de l'ETFE. En cela, le procédé pourrait être vu comme
une alternative aux méthodes discutées au 1.1.4 page 25. Mais l'identication
paramétrique apporte bien plus puisqu'elle ore directement la fonction de trans-
fert estimée Ĝ(z) du système linéaire étudié (chier source).
Exemple
Reprenant l'exemple du système mécanique traité aux gures 1.10, 1.11 et
1.9, on présente ci-dessous (gure 1.22) les résultats de l'identication paramé-
trique par l'intermédiaire de la réponse harmonique Ĝ(ej·ω·h ) de l'estimateur Ĝ(z)
du modèle G(z) dont les paramètres ont été identiés. Le modèle choisi a une
structure ARMAX. La comparaison l'estimation non-paramétrique (ETFE) de la
réponse harmonique montre une très bonne concordance. Fait remarquable, alors
que l'achage de l'ETFE tel qu'il est présenté sur la gure nécessite 1024 infor-
mations, celui de Ĝ(ej·ω·h ) n'en nécessite que 9, correspondant aux paramètres
estimés b0 . . . b5 et a1 . . . a5 de Ĝ(z), d'où un facteur de compression d'information
important.
La fonction de transfert obtenue est
b0 · z 5 + b 1 · z 4 + b 2 · z 3 + b 3 · z 2 + b 4 · z + b 5
Ĝ(z) =
z 5 + a1 · z 4 + a2 · z 3 + a3 · z 2 + a5 · z + a5
3.917 · 10−5 · z 5 + 3.469 · 10−5 · z 4 − 10.46 · 10−5 · z 3 + 1.353 · 10−5 · z 2 + 4.631 · 10−5 · z
=
z 5 − 1.286 · z 4 + 0.6549 · z 3 + 0.1233 · z 2 − 0.5827 · z + 0.11

1er septembre 2007
avec h = 500 [µs].
1.2.3 Cas particulier : modèle de structure ARX, méthode

des moindres carrés
Soit la fonction de transfert G(z)
B(z) b0 · z m + b1 · z m−1 + . . . + bm−1 · z + bm
G(z) = =
A(z) z n + a1 · z n−1 + . . . + an−1 · z + an
De façon à simplier la notation, G(z) est tout d'abord présentée sous une forme
légèrement remaniée, avec m = n − 1 (la fonction de transfert de tout système
physiquement réalisable est toujours strictement propre, i.e. n > m) :
B(z)
z }| {
B(z) b1 · z n−1 + b2 · z n−2 + . . . + bn−1 · z + bn
G(z) = =
A(z) z n + a1 · z n−1 + . . . + an−1 · z + an
| {z }
A(z)
→
−
En réunissant dans le vecteur-colonne θ l'ensemble des 2 · n paramètres à iden-
tier  
a1
 a2 
 
. . .
 
→ 
− an 
θ = b1 

 
 b2 
 
. . .
bn
et on considérant un modèle de type ARX,
B(z) 1
Y (z) = · U (z) + · E(z)
A(z) A(z)
on a, dans le domaine temporel :

= b1 · u(k − 1) + . . . + bn−1 · u(k − n + 1) + bn · u(k − n)
+ e(k)
L'estimation ŷ(k) "naturelle" (qui correspond à l'expression générale (1.5) donnée
au 1.2.2 page 31) de la sortie du système considéré est fournie par
ŷ(k) = −a1 · y(k − 1) − . . . − an−1 · y(k − n − 1) − an · y(k − n)

+ b1 · u(k − 1) + . . . + bn−1 · u(k − n + 1) + bn · u(k − n)

1er septembre 2007
avec toutefois l'erreur de prédiction (due à une modélisation inexacte et à la

présence de bruit)
(k) = y(k) − ŷ(k)
→
−
En dénissant le vecteur ϕ (k) comme suit
 
−y(k − 1)
 −y(k − 2) 
 

 ... 

→
− −y(k − n)
ϕ (k) = 
 u(k − 1) 

 
 u(k − 2) 
 
 ... 
u(k − n)
on a
→
−
ŷ(k) = −
→
ϕ (k)T · θ
et l'erreur de prédiction peut s'écrire
→
−
(k) = y(k) − −
→
ϕ (k)T · θ
→
−
La méthode des moindres carrés consiste à trouver θ minimisant la fonction
coût :
 2
− N −1 N −1
→ 1 X1 1 X1  →
−
· y(k) − −
→

VN θ , yN (k), uN (k) = · · (k)2 = · ϕ (k)T · θ 
N 2 k=0
N 2 |
k=0
{z }
(k)
Il s'agit d'un problème standard en statistique, dont, une fois n'est pas coutume,
la solution existe sous forme analytique ! On a :
n − → o
θ̂N = arg min VN θ , yN (k), uN (k)
" N −1
#−1 N −1
1 X− → →
− T 1 X− →
= · ϕ (k) · ϕ (k) · · ϕ (k) · y(k)
N k=0 N k=0 (1.7)
N −1
−1 1 X→ −
= RN · · ϕ (k) · y(k)
N k=0
Exemple
On considère le système analogique d'ordre 1
Y (s) K 1
Ga (s) = = =
U (s) 1+s·T 1 + s · 0.01

1er septembre 2007
Signaux, σu=10.0593 σy=4.271 σv=0.035737 SNRdB=σy/σv=41.5483

10
uN(k)
0
−5
−10
0 0.01 0.02 0.03 0.04 0.05 0.06
10
yN(k)|v=0, yN(k)|v ≠ 0 5
−5
−10
0 0.01 0.02 0.03 0.04 0.05 0.06
0.1
0.05
v(k)
−0.05
−0.1
0 0.01 0.02 0.03 0.04 0.05 0.06
t [s]
f_lse_01_1.eps
Fig. 1.23 Signal d'excitation, réponses (avec et sans bruit) et bruit (chier source).
dont le modèle échantillonné est

Y (z) b1
G(z) = =
U (z) z + a1
avec
h 0.001
a1 = −e− T = −e− 0.01 = −0.9048
b1 = K · (1 + a1 ) = 1 · (1 + (−0.9048)) = 0.0952
où h est la période d'échantillonnage et vaut 0.001 [s].
L'objectif de l'identication paramétrique est d'obtenir les valeurs numériques
des paramètres a1 et b1 à partir des signaux uN (k) et yN (k).
Dans ce but, on excite le système avec un premier signal u(k) de type carré,
choisi ainsi volontairement riche compte tenu de l'expérience acquise lors de
l'identication de réponses fréquentielles ( 1.1 page 9). Les signaux sont don-
nés sur la gure 1.23, où l'on observe le bruit v(k) dont la variance est λ =
0.001 = σ 2 ≈ 0.032 .
Les résultats de l'identication sont donnés sur la gure 1.24 page ci-contre.
La gure 1.24 page suivante montre l'excellent modèle obtenu, le modèle Ĝ(z)
étant visiblement capable de reproduire le comportement du système G(z). Les
valeurs numériques des paramètres estimés coïncident avec les valeurs eectives.
Pour valider le modèle ainsi identié, on peut également visualiser les résidus
(k) (gure 1.25 page ci-contre) qui devraient alors être un bruit aléatoire, avant
de visualiser leur fonction d'autocovariance
N −1
1 X
RN (k) = · (l) · (l + k)
N l=0

1er septembre 2007
Réponses du système réel et du modèle, avec et sans bruit. a1=−0.90484 b1=0.095163 a1est=−0.90511 b1est=0.095
8
4
yG(z), yG (z)|v=0, yG (z)|v≠ 0
2
est
0
est
−2
−4
−6 G(z)
Gest(z)v≠0
Gest(z)v=0
−8
0 0.01 0.02 0.03 0.04 0.05 0.06
t [s]
f_lse_01_2.eps
Fig. 1.24 Réponse du vrai système G(z), de son modèle identié Ĝ(z) avec et
sans bruit (chier source).
Résidus ε(k)
0.1
0.05
0
ε(k)
−0.05
−0.1
−0.15
0 0.01 0.02 0.03 0.04 0.05 0.06
t [s]
Fig. 1.25 Erreur de prédiction (k) (chier source).

1er septembre 2007
Correlation function of residuals. Output # 1

1
0.5
−0.5
−1
0 5 10 15 20 25
lag
Cross corr. function between input 1 and residuals from out put 1
0.15
0.1
0.05
−0.05
−0.1
−0.15
−0.2
−25 −20 −15 −10 −5 0 5 10 15 20 25
lag
Fig. 1.26 Fonctions d'autocovariance de (k) et d'intercovariance (covariance

croisée) de (k) et u(k) (chier source).
qui devrait tendre vers 0 dès que k 6= 0 si (k) est eectivement un bruit aléatoire.
La gure 1.26 montre que c'est bien le cas. De plus, les résidus devraient être
indépendants de l'entrée uN (k), ce qui se vérie en examinant la fonction de
covariance croisée
N −1
N 1 X
Ru (k) = · (l) · u(l + k)
N l=0
laquelle est également représentée sur la gure 1.26.
1.2.4 Biais et variance de la méthode des moindres carrés

Si les données uN (k) et yN (k) acquises l'on été par le vrai système, dont les
→
−
paramètres sont réunis dans le vecteur-colonne θ 0 , on a :
→
−
y(k) = −
→
ϕ (k)T · θ 0 + v0 (k)
Alors, selon (1.7) avec
N −1
1 X→ −
RN = · ϕ (k) · −
→
ϕ (k)T
N k=0

1er septembre 2007
on a :
N −1
−̂
→ −1 1 X− →
θ N = RN · · ϕ (k) · y(k)
N k=0
N −1
1 X→ − −
→
ϕ (k) · −→

−1
= RN · · ϕ (k)T · θ 0 + v0 (k)
N k=0
N −1
→
− −1 1 X− →
= θ 0 + RN · · ϕ (k) · v0 (k)
N k=0
| {z }
→0 pour v0 (k)−
→
ϕ (k)
On voit d'ores et déjà que si le niveau des perturbations v0 (k) est faible par rap-
port aux composantes de − →ϕ (k) et que RN est non singulière, i.e. inversible, alors
→
− →
− →
−
θ N sera proche de θ 0 . L'estimateur θ N a donc un biais nul, i.e. les paramètres
a1 , a2 , . . . an−1 , an , b1 , b2 , . . . , bn−1 , bn du système sont estimés sans biais.
→
−
La variance de θ N indique comment les valeurs estimées des mêmes para-
mètres uctuent autour de leur moyenne. En eet, les estimations de
a1 , a2 , . . . an−1 , an , b1 , b2 , . . . , bn−1 , bn sont inuencées par le signal stochastique
v(k) et sont de ce fait également des variables stochastiques. On peut montrer
qu'une estimation de cette variance est donnée par
" N −1
#−1
−
→ 1 1 X→ − →
−̂ →T
− →
−̂
cov θ N = · λ̂N · · ψ (k, θ N ) · ψ (k, θ N )
N N k=0
avec
N −1
1 X
λ̂N = · (k)2
N k=0
et
−
→ →
−̂ d
ψ (k, θ N ) = ŷ(k)
→
−̂
dθN
→
−
cov θ N est la matrice de covariance des paramètres estimés. Les variances re-
→
−
cherchées se trouvent la diagonale de cov θ N .
→
−
L'expression cov θ N montre en premier lieu qu'un moyen très ecace de
diminuer la dispersion des paramètres estimés consiste à augmenter N .
→
−
La fonction ψ(k, θ N ) indique comment varie le signal de sortie y(k) en fonc-
tion du paramètre a1 , a2 , . . . an−1 , an , b1 , b2 , . . . , bn−1 , bn pour lequel la dérivation
→ ŷ(k) est eectuée. On voit donc que si la sensibilité de y(k) est grande par
d
−̂
dθN
rapport au paramètre considéré, alors la variance de la distribution de celui-ci
sera d'autant plus faible ! Il y a donc intérêt à choisir un signal d'entrée u(k)
provoquant un signal de sortie y(k) très sensible au paramètre à identier.

1er septembre 2007
0.8
0.6
0.4
G (z) v≠ 0
0.2
|
est
,y
G (z) v=0
0
|
est
,y
−0.2
G(z)
y
−0.4
−0.6 G(z)
Gest(z)v≠0
Gest(z)v=0
−0.8
0 0.01 0.02 0.03 0.04 0.05 0.06
t [s]
f_lse_02_2.eps
Fig. 1.27 Réponse du modèle lorsque le rapport signal sur bruit est médiocre
(comparer avec les résultats présentés sur la gure 1.24 page 37) (chier source).
Cette dernière observation met en évidence toute l'importance du choix du

signal d'excitation u(k). Il vaut la peine que le spectre Φu (ω) soit dense dans
les fréquences où la sensibilité de la fonction de transfert par rapport aux para-
mètres à identier est élevée [[1], 14.3, p.371]. Cela sera illustré dans l'exemple
du paragraphe 1.2.4.
Ces résultats, présentés ici dans le cas particulier d'un modèle de type ARX,
sont généralisables aux paramètres correspondant à d'autres structures [[1], 9.2].
Exemple
Reprenant l'exemple du 1.2.3 page 35, on se place cette fois dans la situation
où l'amplitude du signal d'excitation u(k) est divisée par 10. Le rapport signal
sur bruit est alors dégradé et l'on peut observer sur la gure 1.27 que l'estimation
des 2 paramètres est moins bonne.
Si dans le premier exemple, on avait
cov b̂1 ≈ 0.0005
cov â1 ≈ 0.001
on a maintenant :
cov b̂1 ≈ 0.005
cov â1 ≈ 0.01
L'eet du caractère stochastique des estimations est illustré sur les gures
1.28 et 1.29 où les paramètres des 2 modèles identiés sont perturbés selon leurs

1er septembre 2007
Output number 1
10
−2
−4
−6
−8
10 20 30 40 50 60
Fig. 1.28 Illustration de la dispersion des paramètres du premier modèle, selon

1.2.3 page 35 (chier source).
variances respectives. Les réponses correspondantes sont tracées et donnent une

idée de la dispersion des paramètres de chacun des 2 modèles.
Finalement, on peut encore tenir compte de l'observation faite à la n du
1.2.4 et former d'un signal u(k) dont le spectre Φu (ω) est riche aux fréquences
où la sensibilité de la fonction de transfert aux variations des paramètres est
élevée. Dans le cas de l'exemple, et en raisonnant dans le domaine ananlogique,
supposant que le système est d'ordre 1 fondamental (un gain K et une constante
de temps T ), la sensibilité de la fonction de transfert
au paramètre K sera maximale en régime permanent constant, car
rad

d 1
arg max =0
dK 1 + j · ω · T s
au paramètre T sera maximale à la pulsation ω = T1 , valeur obtenue résol-

vant
d K
arg max
dT 1 + j · ω · T
Comme les identications précédentes ont montré que
rad

1 1 1 1
= − · log (−a1 ) ≈ − · log (−â1 ) = − · log (0.9) ≈ 105
T h h 0.001 s
on peut
rad introduire dans u(k) une composante périodique de pulsation ω =
105 s .

1er septembre 2007
Output number 1
1
0.8
0.6
0.4
0.2
−0.2
−0.4
−0.6
−0.8
10 20 30 40 50 60
Fig. 1.29 Illustration de la dispersion des paramètres du modèle obtenu avec

un rapport signal sur bruit médiocre (chier source).
Les gures 1.30 et 1.31 montrent les résultats obtenus. Malgré un rapport signal
sur bruit médiocre comme dans le dernier cas traité, les résultats sont nettement
meilleurs, comme les variances en témoignent :
cov b̂1 ≈ 0.006

cov â1 ≈ 0.007

1er septembre 2007
2
1.8
1.6
1.4
(z) v≠ 0
|
1.2
est
, yG
(z) v=0
1
|
est
yG(z), yG
0.8
0.6
0.4
G(z)
Gest(z)v≠0
0.2
Gest(z)v=0
0
0 0.01 0.02 0.03 0.04 0.05 0.06
t [s]
Fig. 1.30 Réponse du modèle obtenu avec rapport signal sur bruit médiocre
mais une excitation adaptée aux paramètres à identier (chier source).
Output number 1
1.5
0.5
10 20 30 40 50 60
Fig. 1.31 Illustration de la dispersion des paramètres du modèle obtenu avec

un rapport signal sur bruit médiocre (comme pour le cas des gures 1.27 page 40
et 1.29 page précédente) mais avec un signal d'entrée u(k) excitant les fréquences
où la fonction de transfert est le plus sensible aux variations des paramètres
(chier source).

1er septembre 2007
1.2.5 Inversibilité de la matrice RN
Identification, v.1.8
HEIG-VD
Pour eectuer (1.7), avec
N −1
1 X→ −
RN = · ϕ (k) · −
→
ϕ (k)T
N k=0
on doit donc eectuer le produit matriciel
−
→
ϕ (k) · −
→
ϕ (k)T =
 
−y(k − 1)
 −y(k − 2) 
 

 ... 

−y(k − n)
  · −y(k − 1) −y(k − 2) . . . −y(k − n) u(k − 1) u(k − 2) . . . u(k − n)
 u(k − 1) 
 
 u(k − 2) 
44
 
 ... 
u(k − n)
→
−
ϕ (k) · −
→
ϕ (k)T est le produit d'un vecteur-colonne et d'un vecteur-ligne. Le résultat est une matrice carrée, de dimension
n×n :
Automatique avancée (
−
→
ϕ (k) · −
→
ϕ (k)T =
y(k − 1) · y(k − 1) y(k − 1) · y(k − 2) . . . y(k − 1) · y(k − n) −y(k − 1) · u(k − 1) −y(k − 1) · u(k − 2) . . . −y(k − 1) · u(k − n)
 
 y(k − 2) · y(k − 1) y(k − 2) · y(k − 2) . . . y(k − 2) · y(k − n) −y(k − 2) · u(k − 1) −y(k − 2) · u(k − 2) . . . −y(k − 2) · u(k − n) 
 

 ... ... ... ... ... ... ... ... 

 y(k − n) · y(k − 1) y(k − n) · y(k − 2) . . . y(k − n) · y(k − n) −y(k − n) · u(k − 1) −y(k − n) · u(k − 2) . . . −y(k − n) · u(k − n)
MEE \cours_aav.tex
=
1er septembre 2007

 −u(k − 1) · y(k − 1) −u(k − 1) · y(k − 2) . . . −u(k − 1) · y(k − n) u(k − 1) · u(k − 1) u(k − 1) · u(k − 2) . . . u(k − 1) · u(k − n) 
 
 −u(k − 2) · y(k − 1) −u(k − 2) · y(k − 2) . . . −u(k − 2) · y(k − n) u(k − 2) · u(k − 1) u(k − 2) · u(k − 2) . . . u(k − 2) · u(k − n) 
 
 ... ... ... ... ... ... ... ... 
AAV)
−u(k − n) · y(k − 1) −u(k − n) · y(k − 2) . . . u(k − n) · y(k − n) u(k − n) · u(k − 1) u(k − n) · u(k − 2) . . . u(k − n) · u(k − n)
Il en est par conséquent de même de la somme

" N −1
#
1 X− → →
− T
RN = · ϕ (k) · ϕ (k)
N k=0
qui doit être inversible, i.e. non singulière, pour que (1.7) puisse être calculée. A
ce stade, il vaut la peine de remarquer que les éléments de la matrice RN ne sont
autres que des termes du type
N −1
1 X
[RN ]ij = · y(k − i) · y(k − j)
N k=0
i.e. chaque élément est une estimation des fonctions de covariance de u(k) et de
y(k).

1er septembre 2007
1.A Exercices
1.A.1 Identication non-paramétrique et paramétrique des
systèmes A, B et D du laboratoire
Appliquer la théorie vue au cours pour identier les systèmes A, B et D du
laboratoire, dont les réponses temporelles ont été pré-enregistrées et se trouvent
sur le site
http ://iai.eivd.ch/users/mee/
suivre lien "Laboratoires de régulation automatique et numérique", puis "Iden-

tication des systèmes linéaires (base)".
On protera de la boîte à outils MATLAB "System Identication Toolbox" en
faisant notamment usage de la fonction arx :
th = arx([y,u],[na,nb,nk])
Autres fonstions MATLAB utiles :

present
compare
idsimsd
idsim
th2tf

1er septembre 2007
e ( k )
C ( z )
A ( z )
v ( k )
B 1 ( z )
S
u ( k ) y ( k )
A s
( z )
f _ 0 8 _ 0 3 . e p s
Fig. 1.32 Modèle de structure ARMAX (chier source).
1.B Structure ARMAX

1.B.1 Préambule
Dans ce paragraphe, on s'intéresse à l'identication des paramètres d'un mo-
dèle de structure ARMAX : un système dynamique linéaire discret de fonction de
transfert G(z), régi par une équation aux diérences (1.3), est soumis à 2 entrées
u(k), déterministe, contrôlée (imposable par l'utilisateur)
e(k), stochastique, traduisant le fait que la sortie brute du système dyna-
mique linéaire discret G(z) = B(z)
A(z)
, dont on recherche les paramètres, est
aectée d'un bruit ltré v(k)
et une sortie y(k). u(k) inuence y(k) par le biais d'une dynamique condensée
dans la fonction de transfert G(z) = B(z)
A(z)
et e(k) par le bruit ltré v(k) via la
C(z)
fonction de transfert H(z) = A(z)
(gure 1.32).
Il s'agit, connaissant N points de l'entrée contrôlée u(k − 1) . . . u(k − N ) et de
→
−
la sortie mesurée y(k −1) . . . y(k −N ) de trouver les paramètres θ des polynômes
A(z), B(z) et C(z) minimisant l'erreur de prédiction
→
−
(k) = y(k) − ŷ(k, θ )
La diculté réside dans le fait contrairement au cas de la structure ARX, les pa-
ramètres minimisant l'erreur de prédiction (k) ne peuvent se calculer simplement
par une régression linéaire de type (1.6), mais doivent être obtenus itérativement,
par exemple par la méthode du gradient ( 1.B.3 page 51).

1er septembre 2007
1.B.2 Recherche des paramètres d'un modèle ARMAX

L'opérateur q−1
An d'alléger la notation et faciliter les calculs, on fait usage de l'opérateur
de décalage
q
déni comme suit [6]

q −d · x(k) = x(k − d)
où d ∈ N est un entier naturel. La fonction réalisée par cet opérateur est identique
à z −1 , l'avantage résidant dans le fait qu'il s'applique directement aux signaux
temporels et non pas à leurs transformées en z . On a alors :
A(q) = 1 + a1 · q −1 + a2 · q −2 + · · · + ana · q −na

B(q) = b1 · q −1 + b2 · q −2 + · · · + bnb · q −nb
C(q) = 1 + c1 · q −1 + c2 · q −2 + · · · + cnc · q −nc
L'équation aux diérences (1.4) peut alors être réécrite sous la forme :
A(q) · y(k) = B(q) · u(k) + C(q) · e(k)
Estimation de y(k)
On peut montrer qu'un estimateur ŷ(k, θ) correspondant à une structure quel-
conque est donné par [[1], (3.20) p.56, (4.6) p.70] :

G(q) 1
ŷ(k, θ) = · u(k) + 1 − · y(k)
H(q) H(q)
Dans le cas de la structure ARMAX (gure 1.32 page précédente), on démontre

ci-dessous ce résultat. On a ([[1], pp.73-74]) :
C(q) 1 + c1 · q −1 + c2 · q −2 + · · · + cnc · q −nc

v(k) = · e(k) = · e(k)
A(q) 1 + a1 · q −1 + a2 · q −2 + · · · + ana · q −na
qui correspond à l'équation aux diérences :
v(k) + a1 · v(k − 1) + . . . + ana −1 · v(k − na + 1) + ana · v(k − na )

= e(k) + c1 · e(k − 1) + . . . + cnc −1 · e(k − nc + 1) + cnc · e(k − nc )

1er septembre 2007
La meilleure prédiction de v̂(k) de v(k) ne peut s'appuyer que sur les valeurs
passées de e(k) et v(k) :
C(q)
v̂(k) = · e(k − 1)
A(q)
C(q)
= v(k) − · e(k)
A(q)
A(q)
= v(k) − · v(k)
C(q)

A(q)
= 1− · v(k)
C(q)
On en déduit :
B(q)
ŷ(k) = · u(k) + v̂(k)
A(q)

B(q) A(q)
= · u(k) + 1 − · v(k)
A(q) C(q)

B(q) A(q) B(q)
= · u(k) + 1 − · y(k) − · u(k)
A(q) C(q) A(q)

B(q) A(q) A(q) B(q)
= · u(k) + 1 − · y(k) − 1 − · · u(k)
A(q) C(q) C(q) A(q)
d'où :

B(q) A(q)
ŷ(k, θ) = · u(k) + 1 − · y(k) (1.8)
C(q) C(q)
Pseudo régression linéaire

On peut présenter (1.8) sous la forme :
C(q) · ŷ(k, θ) = B(q) · u(k) + [C(q) − A(q)] · y(k) (1.9)
En additionnant [1 − C(q)] · ŷ(k, θ) aux 2 membres de cette expression, on a :
ŷ(k, θ) = B(q) · u(k) + [1 − A(q)] · y(k) + [C(q) − 1] · [y(k) − ŷ(k, θ)]
Avec l'introduction de l'erreur de prédiction
(k, θ) = y(k) − ŷ(k, θ)

1er septembre 2007
des vecteurs  
−y(k − 1)
 −y(k − 2) 
 

 ... 

−y(k − na )
 
 u(k − 1) 
 
→
−  u(k − 2) 
ϕ (k, θ) =  

 ... 

 u(k − nb ) 
 
 (k − 1, θ) 
 
 (k − 2, θ) 
 
 ... 
(k − nc , θ)
et  
a1
 a2 
 
. . .
 
ana 
 
 b1 
 
→ 
− b2 
θ = 
. . .
 
 bn 
 b
 c1 
 
 c2 
 
. . .
cnc
on a :
ŷ(k, θ) = −
→
ϕ (k, θ)T · θ
Il ne s'agit malheureusement pas d'une régression linéaire (on parle de régression
pseudo-linéaire) et en conséquence, une solution analytique visant à trouver le
→
−
jeu de paramètre θ minimisant
− N −1
→ 1 X1
VN θ , yN (k), uN (k) = · · (k)2
N k=0 2
 2
N −1
1 1  −
→
· y(k) − −
→
X
= · ϕ (k, θ)T · θ  (1.10)
N k=0
2 | {z }
(k)
n'existe pas. Il faut alors recourir a une solution numérique. On propose d'étudier
ci-après la méthode dite de descente de gradient.

1er septembre 2007
1.B.3 Descente de gradient

La descente de gradient consiste à évaluer, partant d'un jeu de paramètres
−
→
initial θ 0 , le gradient de la fonction (1.10) par rapport aux paramètres du vecteur
→
−
θ :
∂VN
∂aj
∂VN
∂bj
∂VN
∂cj
→
− →
−
On construit ensuite le point de travail suivant θ 1 retranchant à θ 0 la quantité
 ∂VN 
∂aj
· ∆aj
 ∂VN · ∆b 
 ∂bj j
∂VN
∂cj
· ∆cj
et en répétant la procédure p fois de façon à ce que
−→
VN θ p , yN (k), uN (k)
soit minimum.
Dans le cas d'une structure ARMAX décrite par (1.9), on peut tout d'abord
écrire :
→
−
∂ ŷ(k, θ )
C(q) · = −y(k − j)
∂aj
→
−
∂ ŷ(k, θ )
C(q) · = u(k − j)
∂bj
→
−
∂ ŷ(k, θ ) ∂C(q) →
− ∂C(q)
C(q) · + ·ŷ(k, θ ) = ·y(k)
∂cj ∂cj ∂cj
| {z } | {z }
q −j q −j
| {z }
y(k−j)
puis nalement :
→
−
∂ ŷ(k, θ ) 1
=− · y(k − j)
∂aj C(q)
→
−
∂ ŷ(k, θ ) 1
= · u(k − j)
∂bj C(q)
→
−
∂ ŷ(k, θ ) 1 →
− 1 1 →
−
=− · q −j · ŷ(k, θ ) + · y(k − j) = · (k − j, θ )
∂cj C(q) C(q) C(q)

1er septembre 2007
L'évaluation de
∂VN
∂aj
∂VN
∂bj
∂VN
∂cj
donne :
→
−
2·(k, θ ) −1
N −1 N −1
z }| { z}|{
∂VN ∂VN ∂ ∂ ŷ 1 X ∂ ŷ 1 X 1 →
−
= · · =− · = · · y(k − j) · (k, θ )
∂aj ∂ ∂ ŷ ∂aj N k=0 ∂aj N k=0 C(q)
N −1 N −1
∂VN ∂VN ∂ ∂ ŷ 1 X ∂ ŷ 1 X 1 →
−
= · · =− · =− · · u(k − j) · (k, θ )
∂bj ∂ ∂ ŷ ∂bj N k=0 ∂bj N k=0 C(q)
N −1 N −1
∂VN ∂VN ∂ ∂ ŷ 1 X ∂ ŷ 1 X 1 →
− →
−
= · · =− · =− · · (k − j, θ ) · (k, θ )
∂cj ∂ ∂ ŷ ∂cj N k=0 ∂cj N k=0 C(q)
En introduisant
 
−y(k − 1)
 −y(k − 2) 
 

 ... 

−y(k − na )
 
 u(k − 1) 
 
→
− →
−  u(k − 2) 
ϕ (k, θ ) =  

 . . . 

 u(k − nb ) 
 
 (k − 1) 
 
 (k − 2) 
 
 ... 
(k − nc )

1er septembre 2007
ainsi que
∂ ŷ
 
∂a1
 ∂ ŷ

 ∂a2

 ... 
 
 ∂ ŷ 
 ∂ana 
 ∂ ŷ 
 ∂b 
 ∂ ŷ1 
→
− 
∂b2 

ψ(k, θ ) = 
 ... 
 
 ∂ ŷ 
 ∂bnb 
 ∂ ŷ 
 ∂c1 
 ∂ ŷ 
 ∂c 
 2
 ... 
∂ ŷ
∂cnc
on peut encore écrire :

→
− 1 →
−
ψ(k, θ ) = ·→
−
ϕ (k, θ ) (1.11)
C(q)
→
− →
−
Un algorithme de recherche des paramètres θ minimisant VN ( θ ) est le sui-
vant [[1], eq. (10.41)] :
−̂ (i+1) −̂
→ →(i) (i) −1 →(i)
−̂
θ N = θ N − µN · RN · VN0 ( θ N ) (1.12)
avec
N −1
→
− 1 X →
− →
−
VN0 ( θ ) = − · ψ(k, θ ) · (k, θ ) (1.13)
N k=0
→
−̂ →
−
avec VN ( θ N ) selon (1.10) et ψ(k, θ ) selon (1.11).
(i)
RN est une matrice de dimension na + nb + nc modiant la direction de
recherche et choisie dans un premier temps égale à la matrice identité, faisant de
(1.12) une méthode de descente de gradient.
→
−̂
Si l'on prend en compte la double dérivée de VN ( θ N ), i.e. le hessien de
→
−̂
VN ( θ N ), on peut aner la direction de recherche en tenant compte de l'évo-
→
−
lution du gradient VN0 ( θ ) [[1], éq. (10.44)] :
N −1 N −1
−
→ 1 X →
− →T
− 1 X 0 − → →
−
VN00 ( θ ) = · ψ(k, θ ) · ψ(k, θ ) − · ψ (k, θ ) · (k, θ ) (1.14)
N k=0 N k=0
Avec
(i) →
−
RN = VN00 ( θ )

1er septembre 2007
→
−
(1.12) est une méthode Newton. Lorsque l'on est proche du minimum de VN0 ( θ ),
on peut admettre [[1], éq. (10.46)] que
N −1
→
− 1 X →
− →
−
VN00 ( θ ) ≈ · ψ(k, θ ) · ψ(k, θ )T (1.15)
N k=0
Implantation en langage MATLAB

%−−−−−−−−−−−−−−− Mesures
load usc1_is1 . dat
mesures = usc1_is1 ;
%Troncage des mesures
ind = find ( mesures ( : , 4 ) < 0 ) ;
ind = max( ind ) ;
mesures = mesures ( 1 : ind , : ) ;
t = mesures ( : , 1 ) ; %instants d' echantillonnage
u = mesures ( : , 4 ) ; %signal d' entree ( deterministe )
y = mesures ( : , 5 ) ; %signal de sortie
y = y − y(1); %enleve offset
N = length ( y ) ; %longueur echantillon de mesures
t o l 2 = 1e − 3; %tolerance a partir de laquelle on travaille avec le Hessien
NBITER = 1 0 0 ; %nb d' iterations
%Nb de parametres a estimer pour les polynomes A(q) , B(q) et C(q)
na = 2 ;
nb = na ;
nc = na ;
nk = 1 ; %retard pur entree sortie
n = max ( [ na , nb , nc ] ) ;
%vecteur des parametres a estimer
t h e t a = zeros ( na+nb+nc , 1 ) ;
%Insertion de u(−n ) . . . u( −1) et y(−n ) . . . u( −1) dans u(k) et y(k)
u = [ zeros ( n , 1 ) ; u ] ;
y = [ zeros ( n , 1 ) ; y ] ;
%estimation de y
y e s t = [ zeros ( n , 1 ) ; zeros (N , 1 ) ] ;
%vecteur temps
t = [ 0 : length ( y e s t ) − 1 ] ' ;
%Parametre de la routine de recherche du minimum selon (6)
VN = zeros (NBITER, 1 ) ; %1/N∗somme du carre de 0.5 ∗ erreur de prediction
VN( 1 ) = 1 e5 ; %Valeur initiale mise a l ' infini ou presque
RN = eye ( na+nb+nc ) ; %direction de recherche , initialisation pour methode de descente de gradient
muN = 0 . 0 1 ; %pas de calcul i n i t i a l pour la recherche
%test avec ARMAX MATLAB (ce que l 'on aimerait reussir a faire nous−memes avec ce fichier . . . )
th_armax = armax ( [ y , u ] , [ na , nb , nc , nk ] )
%Conditions initiales : modele ARX, dont la solution analytique existe , donc
%implantable par nous . . .
th_arx = arx ( [ y , u ] , [ na , nb , nk ] ) ;
A = th_arx .A;
B = rem_zero ( th_arx .B ) ;
C = [ 1 , zeros ( 1 , nc ) ] ; %C est
i n i t i a l i s e a q^(−nc)
%backup des polynomes estimes
A_1 = A;
B_1 = B;
C_1 = C;
%Autre condition initiale possibles ( plus quelconques)
A = [ 1 , zeros ( 1 , na ) ] ;
B = ones ( 1 , nb ) ∗ 0 . 0 1 ;
%A = [1 , − 1.5 ,0.76];
%B = [0.0097 , − 0.0057];
%C = [1 , − 1.2 ,0.65];
%Formation du vecteur de parametre i n i t i a l
t h e t a = [A( 2 : na +1) ,B,C(2:1+ nc ) ] ' ;
p = 2 ; %compteur d' iteration
while ( ( p<NBITER) )
VNp = zeros ( na+nb+nc , 1 ) ; %initialisation du gradient de VN
VNpp = zeros ( na+nb+nc ) ; %initialisation du Hessien de VN
%Calcul de l ' estimation avec les parametre theta actuels selon (2)
yhat ( n+1:n+N) = dlsim (B, C, u ( n+1:n+N) ) + dlsim (C−A, C, y ( n+1:n+N) ) ;
%Residus ( erreur de prediction )

1er septembre 2007
epsilon = y yhat ;
%Somme des carres de l ' erreur de prediction
−
VN( p ) = 1/N∗sum ( 0 . 5 ∗ e p s i l o n . ^ 2 ) ; %selon (4)

[ p ,VN( p ) − VN( p − 1)]
%Si la somme des carres croit au lieu de decroitre , on restaure les
%parametres precedents et l 'on change muN (comment ?)
i f ( (VN( p ) − VN( p − 1))>0)
A = A_1;
B = B_1 ;
C = C_1;
t h e t a = [A( 2 : na +1) ,B,C(2:1+ nc ) ] ' ;
muN = 0 . 0 0 1 ;
yhat ( n+1:n+N) = dlsim (B, C, u ( n+1:n+N) ) + dlsim (C−A, C, y ( n+1:n+N) ) ;
e p s i l o n = y − yhat ;
VN( p ) = 1/N∗sum ( 0 . 5 ∗ e p s i l o n . ^ 2 ) ;
end
%Calcul de phi , psi , du gradient et du Hessien avec le jeu de
%parametres actuel
for k=n+1:n+N
phi = [ − y ( k − 1: − 1:k−na ) ' , u ( k − 1: − 1:k−nb ) ' , e p s i l o n ( k − 1: − 1:k−nc ) ' ] ' ;
p s i = dlsim ( [ 1 , zeros ( 1 , nc ) ] , C, phi ) ; %selon (5)
VNp = VNp − p s i ∗ e p s i l o n ( k )/N; %selon (7)
VNpp = VNpp + p s i ∗ psi ' /N; %selon (9)
end
%Passage au Hessien si l 'on est tres proche du minimum et si la
%variation de VN est negative
i f (( − (VN( p ) − VN( p −1))< t o l 2 )&((VN( p ) − VN( p − 1)) <0))
RN = VNpp ;
% muN = 0.01;
disp ( ' H e s s i e n ' )
else
RN = eye ( na+nb+nc ) ; %methode de descente de gradient
end
%Calcul des parametres correspondant a l ' iteration
t h e t a = t h e t a − muN∗ inv (RN) ∗ VNp %selon (6)
%backup des parametre precedents
A_1 = A;
B_1 = B;
C_1 = C;
%Formation des polynomes A, B, C
A = [ 1 , t h e t a ( 1 : na ) ' ] ;
B = t h e t a ( na+1:na+nb ) ' ;
C = [ 1 , t h e t a ( na+nb+1:na+nb+nc ) ' ] ;
p = p + 1; %variable d' iteration
end
figure
plot (VN( 2 :NBITER) , ' o ' )
t i t l e ( ' Evolution du g r a d i e n t ' )
Les résultats sont sur les gures 1.33 page suivante et 1.34 page 57.

1er septembre 2007
Evolution du gradient
4.5
3.5
2.5
1.5
0.5
0
0 10 20 30 40 50 60 70 80 90 100
No itération
f_test_armax_01_1.eps
Fig. 1.33 Evolution de la descente du gradient, pour NBITER=100 itérations

(chier source).

1er septembre 2007
6
y
yest
4
y(k), yest(k)
−2
−4
0 10 20 30 40 50 60
20
10
u(k)
−10
−20
0 10 20 30 40 50 60
k
f_test_armax_01_2.eps
Fig.1.34 En haut : mesure y(k) et estimation ŷ(k), après p = 100 itérations.

En bas : signal d'entrée u(k) (chier source).

1er septembre 2007
1.C Rappel de théorie des probabilités [2]

1.C.1 Processus, signaux et variables aléatoires
Un processus aléatoire, ou stochastique, est une famille de signaux {x(t)} de
natures aléatoires [[2], 5.1.1]. Un signal x(t) est aléatoire s'il dépend des lois du
hasard.
Une variable aléatoire est la valeur prise par un signal aléatoire à un instant
ti ; on la désigne par xi [[2], 5.1.4].
1.C.2 Fonction de répartition et densité de probabilité [[2],

14.2]
Le comportement statistique de la variable aléatoire xi est déni par sa densité
de probabilité p(x) et/ou sa fonction de répartition F (x).
La fonction de répartition F (x) associée à une variable aléatoire xi est la
fonction permettant de calculer la probablité que xi soit inférieure ou égale à une
certaine valeur x :
F (x) = Prob [xi ≤ x]
La densité de probabilité p(x) n'est autre que la dérivée de F (x) par rapport à
x. On a : Z x2
Prob [x1 ≤ xi ≤ x2 ] = p(xi ) · dxi
x1
Des formes bien connues de densités de probabilité sont les distributions [[2],
14.4]
uniforme :
1
p(x) = · ((x + a) − (x − b))
b−a
(b−a)2
avec µx = 12 · (b + a) et σx2 = 12
gaussienne :
" #
1 (x − µx )2
p(x) = √ · exp −
2 · π · σx 2 · σx2
1.C.3 Espérance mathématique, moyenne et variance

La valeur moyenne statistique de la variable aléatoire xi est donnée par l'es-
pérance mathématique E [xi ] de xi [[2], 14.3] :
Z +∞
µx = E [xi ] = xi · p(xi ) · dxi
−∞

1er septembre 2007
La mesure de la dispersion de xi autour de sa valeur moyenne µx est la variance :

Z +∞
2
σx = E (xi − µx ) =
2
(xi − µx )2 · p(xi ) · dxi

−∞
1.C.4 Fonctions d'autocorrélation et d'autocovariance [[2],

5.2]
La fonction d'autocorrélation du processus stochastique {x(t)} est donnée par
l'espérance du produit de 2 variables aléatoires obtenues par exemple aux instants
t et t + τ :
Rx (τ ) = E [x(t) · x(t + τ )]
La fonction d'autocovariance se dénit de la même manière, seuls les écarts entre
les variables aléatoires x(t) et x(t + τ ) et leur moyenne µx étant toutefois pris en
compte :
Cx (τ ) = E [(x(t) − µx ) · (x(t + τ ) − µx )] = Rx (τ ) − µ2x
Pour µx = 0, on a Rx (τ ) = Cx (τ ).
La fonction d'intercorrélation statistique peut également être dénie :
Rxy (τ ) = E [x(t) · y(t + τ )]
Si x(t) et y(t) ne sont pas corrélés, alors Rxy (τ ) = 0.
1.C.5 Stationnarité et ergodisme [[2], 5.1.11 et 5.1.13]

Un processus stochastique est stationnnaire si ses propriétés statistiques (par
exemple µx et σx ) sont invariantes dans le temps. On admet pour la suite que
les processus aléatoires considérés sont stationnaires. De plus, on admet qu'ils
sont ergodiques, ce qui signie que les espérances mathématiques (ou moyennes
statistiques) de type
Z +∞
E [f (x)] = f (x) · p(x) · dx
−∞
peuvent être identiées à des moyennes temporelles telles que

Z +T /2
1
f (x(t)) = lim · f (x(t)) · dt
T →∞ T −T /2
Donc, avec l'hypothèse d'ergodicité, on a :
E [f (x)] = f (x(t))

1er septembre 2007
La fonction d'autocorrélation d'un processus stochastique ergodique peut ainsi

se calculer comme suit :
Z +T /2
1
Rx (τ ) = E [x(t) · x(t + τ )] = x(t) · x(t + τ ) = lim · x(t) · x(t + τ ) · dt
T →∞ T −T /2
Son évaluation expérimentale ne peut bien sûr s'eectuer que pour une durée T
nie, typiquement en échantillonnant le signal x(t) considéré :
N −1
1 X
RxN (k) = · x(l + k) · x(l)
N l=0

1er septembre 2007
1.D Transformée de Fourier de signaux discrets

[[2] et [3]]
1.D.1 Dénition
Par dénition, la transformée de Fourier d'un signal discret x(k) est donnée
par :
+∞
X
X (j · ω) = F{x (k)} = x (k) · e−j·ω·k·h (1.16)
k=−∞
Elle est à mettre en regard de la transformée de Fourier de signaux analogiques,
Z+∞
Xa (j · ω) = F{xa (t)} = xa (t) · e−j·ω·t · dt
−∞
ce qui montre qu'elle est une simple adaptation à la nature discrète de x(k).
La transformée de Fourier inverse s'écrit :
+ ω2e
Z
−1
x (k) = F {X (j · ω)} = X (j · ω) · e+j·ω·k·h · dω
− ω2e
1.D.2 Transformée de Fourier d'un signal de durée nie

Dans le cas expérimental, le signal discret transformé selon (1.16) est forcé-
ment un signal de durée nie xN (k), provenant par exemple de l'échantillonnage
régulier du signal analogique xa (t) entre les instants k0 · h et (k0 + N − 1) · h. On
a:
x(k) = xa (t)|t=k·h
xN (k) = x(k) · ((k − k0 ) − (k − k0 − N )) = x(k) · rect (k − k0 , N )
Du fait du nombre ni N d'échantillons, la transformée de Fourier peut s'écrire :

+N −1
k0 X
XN (j · ω) = F{xN (k)} = xN (k) · e−j·ω·k·h
k=k0
On note que F{xN (k)} = XN (j · ω) est à ce stade une fonction continue de la

variable ω , laquelle peut ainsi varier de manière continue. La gure 1.35 page
suivante le montre le résultat de la transformée d'une période d'un signal carré,
évaluée selon (1.16) pour un grand nombre de valeurs de ω .

1er septembre 2007
fsignal=0.1[Hz], fe=1.6[Hz], Nf=512, ∆f=fe/Nf=0.003125[Hz]

1
0.5
u(t)
−0.5
−1
0 1 2 3 4 5 6 7 8 9 10
t [s]
2.5
2
|U(jω)|
1.5
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
f [Hz]
f_fourier_carre_03_1.eps
Fig. 1.35 Module de la transformée de Fourier, i.e. spectre d'amplitude d'une

période d'un signal carré discret, évalué pour un grand nombre de valeurs de
f = 2·π ω
. On note la périodicité (période fe = h1 = 1.6 [Hz]) du spectre d'amplitude
(chier source).

1er septembre 2007
fsignal=0.1[Hz], fe=1.6[Hz], Nf=512, ∆f=fe/Nf=0.003125[Hz]

1
0.5
u(t)
0
−0.5
−1
0 1 2 3 4 5 6 7 8 9 10
t [s]
2.5
2
|U(jω)|
1.5
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
f [Hz]
Fig. 1.36 Module de la transformée de Fourier d'une période d'un signal carré
discret, évaluée pour un grand nombre de valeurs de ω . Du fait de la périodicité
de période fe de X (j · ω) et de la parité de |X (j · ω)|, l'achage du spectre
d'amplitude peut être limité à la zone de fréquences 0 . . . f2e (chier source).
1.D.3 Propriétés
Comme la gure 1.35 page ci-contre le laisse présager, X (j · ω) = F{x (k)}
est une fonction périodique de période ωe = 2·π
h
, puisqu'en eet
+∞
X
X (j · (ω + ωe )) = x (k) · e−j·(ω+ωe )·k·h
k=−∞
+∞
X
= x (k) · e−j·ω·k·h · e|−j·ωe ·k·h
{z } =X (j · ω)
k=−∞ 1
ce qui signie qu'on peut se contenter de l'évaluer et de la représenter sur une

période ωe . D'autre part, le module |X (j · ω)| de X(j · ω ) est une fonction paire,
car
|X (−j · ω)| = |X ((j · ω)∗ )| = |X ∗ (j · ω)| = |X (j · ω)|

pour autant que le signal x(k) soit réel. En conséquence,
il est ωsusant de re-
présenter |X (j · ω)| dans la gamme de pulsations 0 rad
s
< ω < 2
e
(gure 1.36).

1er septembre 2007
fsignal=0.1[Hz], fe=1.6[Hz], Nf=512, ∆f=fe/Nf=0.003125[Hz], P=64

3
2.5
2
|U(jf)| et |U (n)|
N
1.5
0.5
0
−0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8
f [Hz]
Fig. 1.37 Module de la transformée de Fourier d'une période d'un signal carré
discret et sa version échantillonnée dans le domaine des fréquences : ici, on limite
la représentation du spectre d'amplitude a P = 64 points répartis entre − f2e et
+ f2e − fPe (chier source).
1.D.4 Transformée de Fourier discrète (TFD)

1.D.5 Discrétisation de l'axe des fréquences
Reprenant la dénition de la transformée de Fourier d'un signal de durée nie
xN (k), on note que bien que le signal original xN (k) soit de nature discrète, sa
transformée de Fourier XN (j · ω) = F{xN (k)} est une fonction de la variable
continue ω . L'évaluation la transformée de Fourier est donc possible pour tout ω .
Pour des raisons pratiques [[3], 3.2.2], on doit toutefois se contenter d'une version
échantillonnée de la fonction XN (j · ω), laquelle est obtenue en discrétisant l'axe
des pulsations. On n'évalue et/ou on ne dispose donc de XN (j · ω) qu'à intervalles
réguliers ∆ω plutôt que de manière continue (gure 1.37).
1.D.6 Dénition de la TFD

L'échantillonnage de la fonction XN (j · ω) sur une période complète entre − ω2e
et + ω2e produit ainsi P = ∆ω
ωe
nombres XN (n) :
XN (j · n · ∆ω)|− P ≤n<+ P = XN (n)|− P ≤n<+ P

2 2 2 2

1er septembre 2007
La suite de P nombres XN (n) représente la transformée de Fourier discrète

de xN (k), abrégée ci-après TFD.
1.D.7 Conséquence de la discrétisation de la transformée

de Fourier
Il va sans dire que la discrétisation de la transformée de Fourier n'est pas sans
conséquence puisque XN (j · n · ∆ω) ne représente que partiellement XN (j · ω).
Pour évaluer l'éventuelle perte d'information qui en résulte, on peut calculer la
transformée de Fourier inverse xp (k) de XN (n) selon la relation (1.17) et comparer
avec le signal original xN (k). Sans entrer dans les détails de calcul (voir [[3],
3.2.10]), le résultat que l'on obtient en s'appuyant sur (1.17) est le suivant :
+∞
X
−1
xp (k) = F {XN (n)} = . . . = xN (k + l · P )
l=−∞
Alors que XN (j · ω) est la transformée de Fourier (exacte) de xN (k), la TFD

XN (n) de xN (k) est la transformée de Fourier exacte d'un signal périodique xp (k)
de période P · h formé de la superposition de xN (k) tous les P échantillons.
Si P ≥ N , la superposition ne crée aucun recouvrement et la somme xp (k) =
+∞
x (k + l · P ) revient à juxtaposer le signal xN (k) tous les P échantillons.
P
l=−∞
1.D.8 Echantillonnage minimal de la transformée de Fou-

rier
On peut en déduire le nombre P = ∆ω ωe
d'échantillons à prélever sur la trans-
formée de Fourier XN (j · ω) pour former la TFD XN (n). En se rappelant que
x(k) est de longueur N , on voit qu'il est indispensable que P ≥ N , le cas limite
P = N étant susant. En le choisissant, l'expression de la TFD est ainsi
+N −1
k0 X
XN (n)|− N ≤n<+ N = XN (j · n · ∆ω)|− N ≤n<+ N = x (k) · e−j·n·∆ω·k·h
2 2 2 2
k=k0
Dans un tel cas de gure, une période de xp (k) coïncide parfaitement avec
xN (k) prélevé précédemment sur xa (t) et aucune information n'est perdue. En
d'autres termes, calculer la TFD de xp (k) ou celle de xN (k) donne le même
résultat.
En pratique, on échantillonne donc la période ωe de XN (j ·ω) au moins autant
de fois que l'on a prélevé d'échantillons sur xa (t) an d'obtenir N nombres XN (n)
(gure 1.38 page suivante) avec
XN (n) = XN (j · n · ∆ω) pour − N/2 ≤ n < +N/2.

1er septembre 2007
fsignal=0.1[Hz], fe=1.6[Hz], ∆f=fe/N=0.1[Hz], P=N=16

3
2.5
2
|U(jf)| et |U (n)|
N
1.5
0.5
0
−0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8
f [Hz]
Fig. 1.38 Echantillonnage de la transformée de Fourier d'une période d'un

signal carré (N = 16 échantillons). La TFD est également échantillonnée avec
N = 16, soit le cas limite pour éviter le recouvrement (chier source).
La résolution ∆ω de l'axe des pulsations s'en déduit immédiatement :
ωe
∆ω =
N
Sachant que XN (j·ω) est périodique de période ωe et que l'on peut en conséquence
limiter son achage à la plage − ω2e , . . . + ω2e , les N valeurs de ω sont :

N N
− · ∆ω, . . . , −∆ω, 0, +∆ω, +2 · ∆ω, . . . + − 1 · ∆ω
2 2
Le simple fait de songer à la TFD de xN (k) suppose donc que le signal xN (k)
est périodique de période N · h ! On pouvait d'ailleurs le pressentir en relevant
notamment que le module |XN (j · ω)| de XN (n) n'est pas sans rappeler le spectre
de raies d'un signal analogique périodique (gure 1.39 page ci-contre).
La conséquence évidemment importante est qu'avec un outil tel que la TFD,
seuls des signaux périodiques de période N · h et ses sous-multiples peuvent
être transformés sans erreur. Pour les signaux non périodiques, les techniques de
fenêtrage (Hamming, Hanning, etc) permettent de limiter les inexactitudes [[3],
3.7].

1er septembre 2007
fsignal=0.1[Hz], fe=1.6[Hz], N=16, ∆f=fe/N=0.1[Hz]

1
0.5
u(t)
−0.5
−1
0 1 2 3 4 5 6 7 8 9 10
t [s]
2.5
2
|U(jω)|
1.5
0.5
0
−0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8
f [Hz]
Fig. 1.39 Transformée de Fourier d'une période d'un signal carré (N = 16

échantillons). La TFD est également échantillonnée avec N = 16, soit le cas
limite pour éviter le recouvrement. L'achage est limité à la zone de fréquences
− f2e . . . f2e − fNe (chier source).

1er septembre 2007
1.D.9 Inversion de la TFD

Partant de la TFD XN (n), la formule d'inversion est :
+N
2
−1
X
xp (k) = F −1 {XN (n)} = XN (n) · e+j·n·2·π·k (1.17)
n=− N
2
Notons que par suite de la discrétisation de la fréquence inhérente à la TFD, on

n'a pas d'égalité parfaite entre xp (k) et xN (k) puisque l'on a mentionné que
+∞
X
−1
xp (k) = F {XN (n)} = . . . = xN (k + l · P )
l=−∞
1.D.10 Périodogramme
On appelle périodogramme d'un signal x(k) l'expression
1
ΦN (ω) = · |XN (ω)|2
N
Le périodogramme permet de mesurer les contributions des diérentes fréquences
à l'énergie du signal.

1er septembre 2007
1.D.11 Densité spectrale de puissance Φ(ω) ("spectre")

Dans l'optique de pouvoir traiter les signaux déterministes et les signaux
aléatoires avec un outil commun [[1], 2.3], on dénit ici la densité spectrale de
puissance du signal x(k), appelée couramment spectre, et dénotée Φx (ω).
On appelle densité spectrale de puissance la fonction Φx (ω) telle que l'intégrale
Z ω2
Φx (ω) · dω
ω1
fournisse la puissance du signal x(k) correspondant aux pulsations comprises

entre ω1 et ω2 ([[7], 3.8 p.65]).
La densité spectrale de puissance s'applique aux signaux déterministes et aléa-
toires à puissance moyenne nie, i.e. aux signaux tels que
N
1 X
Px = lim · x(k)2 < ∞
N →∞ N
k=0
Notons que pour les signaux déterministes à énergie nie, i.e. les signaux tels que
∞
X
Wx = x(k)2 < ∞
k=0
on préfère utiliser la notion de densité spectrale d'énergie [[7], 3.8, p.66] (aussi
appelée spectre !), dont il est facile de démontrer qu'elle a pour expression :
Φx (ω) = |X(ω)|2
1.D.12 Calcul de la densité spectrale de puissance de si-

gnaux déterministes
On peut montrer d'une part que
∞
X
Φx (ω) = F{Rx (k)} = Rx (k) · e−j·ω·k·h
k=0
i.e., la densité spectrale de puissance est égale à la transformée de Fourier de la

fonction d'autocorrélation
X∞
Rx (k) = x(l + k) · x(l)
l=0
de x(k), et d'autre part que

2

X N
1 1
−j·ω·k·h
· |XN (ω)|2

Φx (ω) = lim · x(k) · e = lim
N →∞ N N →∞ N
|k=0

{z }
X (ω)

N

1er septembre 2007
Donc :
1
Φx (ω) = F{Rx (k)} = lim · |XN (ω)|2 (1.18)
N →∞ N
Lorsque la durée d'acquisition est limitée à N · h, on a :

N −1
1 X
RxN (k) = · x(l + k) · x(l)
N l=0
et
1
ΦN · |XN (ω)|2
N
x (ω) = F Rx (k) =
N
On voit que la densité spectrale de puissance ΦN
x (ω) coïncide avec le périodo-
gramme déni au 1.D.10 page 68.
1.D.13 Calcul de la densité spectrale de puissance de si-

gnaux aléatoires
Pour les signaux aléatoires, l'évaluation de la fonction d'autocorrélation ne
peut se faire qu'en termes statistiques :
Rx (k) = E [x(l + k) · x(l)]
Sous l'hypothèse d'ergodicité (i.e. en admettant que les moyennes statistiques

coïncident avec les moyennes temporelles, 1.C.5 page 59), on peut cependant
écrire :
N −1
1 X
Rx (k) = E [x(l + k) · x(l)] = Rx (k)) = lim · x(l + k) · x(l)
N →∞ N
l=0
La densité spectrale de puissance d'un signal aléatoire x(k) peut alors être calculée
de manière analogue à ce qui a été fait pour les signaux déterministes et l'on peut
montrer que
1 2
Φx (ω) = F{Rx (k)} = lim E · |XN (ω)| (1.19)
N →∞ N
Si seules N valeurs sont à disposition, on a également :
ΦN
N
x (ω) = F Rx (k)
Ces expressions mettent en lumière le parfait parallélisme entre les expressions

de la densité spectrale de puissance pour des signaux déterministes (1.18) et
aléatoires (1.19).
Pour ces derniers, la densité spectrale de puissance sera plutôt évaluée en
mesurant x(k), en calculant RxN (k) avant d'obtenir ΦNx (ω). Quant aux signaux

1er septembre 2007
déterministes, la même démarche est potentiellement appliquable, mais il est clair

x (ω) s'eectuera plus directement sur la base de la description
que le calcul de ΦN
analytique de x(k).
Relevons nalement que l'on peut montrer que ΦN x (ω) = F Rx (k) est un
N
estimateur non biaisé de Φx (ω) puisque [[7], 8.5, p.211]
E ΦN

x (ω) = Φx (ω) + RN
où RN ∝ √1 .
N
1.D.14 Transformation du spectre par des systèmes dyna-

miques linéaires
On considère le système dynamique linéaire [[1], 2.3 p.32]
Y (z) = G(z) · U (z) + H(z) · V (z)
dont la formulation dans le temps est

∞
X ∞
X
y(k) = g(l) · u(k − l) + h(l) · v(k − l) = g(k) ∗ u(k) + h(k) ∗ v(k)
l=0 l=0
où u(k) est un signal déterministe et v(k) un signal aléatoire de moyenne µv = 0

et de variance σv2 = λ. Alors
2 2
Φy (ω) = G(ej·ω ) · Φu (ω) + λ · H(ej·ω )
et
Φyu (ω) = G(ej·ω ) · Φu (ω)
La dernière égalité provient du fait que u(k) et v(k) sont non corrélés. En consé-
quence, E [u(k) · v(k + l)] = 0 et donc Φuv (ω) = 0.

1er septembre 2007

1er septembre 2007
Chapitre 2
Contrôle robuste
Régulation robuste 73 MEE \cours_aav.tex

1er septembre 2007
v ( t )
u ( t ) -
w ( t ) e ( t ) y ( t )
1 1
S G c
( s ) S G a
( s )
s s
-
y ( t )
f _ 0 7 _ 7 8 _ 0 3 . e p s
Fig. 2.1 Système asservi (chier source).
2.1 Fonction de sensibilité ([4], 3.4)

La fonction de sensibilité S(s) d'un système asservi (gure 2.1) exprime la
variation relative ∆Gw (s)
Gw (s)
de la fonction de transfert en boucle fermée, régulation
∆Ga (s)
de correspondance, Gw (s), par rapport à la variation relative Ga (s)
de la fonction
de transfert du système à régler Ga (s) :
dGw (s)
Gw (s)
S(s) = dGa (s)
Ga (s)
On a :
Go (s)
dGw (s) d 1+G o (s)
=
dGa (s) dGa (s)
Gc (s)·Ga (s)
d 1+G c (s)·Ga (s)
=
dGa (s)
Gc (s) · (1 + Gc (s) · Ga (s)) − Gc (s) · Ga (s) · Gc (s)
=
(1 + Gc (s) · Ga (s))2
Gc (s)
=
(1 + Gc (s) · Ga (s))2

1er septembre 2007
d'où :
Gc (s)
dGw (s) = · dGa (s)
(1 + Gc (s) · Ga (s))2
Gc (s)
dGw (s) (1+Gc (s)·Ga (s))2
· dGa (s)
=
Gw (s) Gw (s)
Gc (s)
(1+Gc (s)·Ga (s))2
· dGa (s)
= Gc (s)·Ga (s)
1+Gc (s)·Ga (s)
1 dGa (s)
= ·
1 + Gc (s) · Ga (s) Ga (s)
La fonction de sensibilité S(s) a donc pour expression :
dGw (s)
Gw (s) 1
S(s) = dGa (s)
=
1 + Go (s)
Ga (s)
On constate que, sous réserve d'un maintien de la stabilité en boucle fermée, plus
le gain de boucle Go (s) est élevé, moins les variations des paramètres du système
à régler Ga (s) n'ont d'inuence sur les performances en boucle fermée, i.e. les
paramètres de la fonction de transfert Gw (s). Cette observation concorde avec les
propriétés de linéarisation oertes par la contre-réaction.
On note également que cette expression est identique à celle que l'on obtient
si l'on calcule la fonction de transfert liant la consigne w(t) à l'erreur e(t) :
E(s) 1
Gew (s) = =
W (s) 1 + Go (s)
La réponse harmonique de S(j ·ω) a une allure tout à fait typique (gure 2.2 page
suivante) : son module est faible à basse fréquences (peu de sensibilité, i.e. bonne
performance en précision) et tend vers l'unité (grande sensibilité) aux hautes
fréquences.
Une propriété tout à fait remarquable ([4], 4.2) de la fonction de sensibilité
est que le maximum du module de sa réponse harmonique
max {|S(j · ω)|} = kSk∞
correspond à la distance minimum entre le lieu de Nyquist de Go (j · ω) et le point

1er septembre 2007
Réponses harmoniques
40
|Go( j ⋅ ω)|
20
|Gw( j ⋅ ω)|
0
Phase (deg); Magnitude (dB)
|S( j ⋅ ω)|
−20
−40
50
−50
−100
−150
−2 −1 0 1
10 10 10 10
Frequency (rad/sec)
Fig. 2.2 Diagrammes de Bode de Go (j ·ω), Gw (j ·ω) et S(j ·ω) : allures typiques.
critique −1 + j · 0 (gure 2.3 page suivante) :
distance minimum entre − 1 et Go (j · ω)

= min {|1 + Go (j · ω|)}

1
= max

1 + Go (j · ω)
= max {|S(j · ω)|}
= kSk∞
Il s'agit donc d'une mesure plus ne de la distance entre le lieu de Nyquist et le
point critique que celle donnée classiquement par les marges de phase ϕm et de
gain Am .
2.1.1 Application : spécication de performance ([4], 3.4)

dGw (s)
En relevant que la fonction de sensibilité dénie comme S(s) = Gw (s)

dGa (s) coïncide
Ga (s)
avec la fonction de transfert
E(s) 1
Gew (s) = = = S(s)
W (s) 1 + Go (s)

1er septembre 2007
- 1
0
1 + G o
( j w ) G o
( j w )
I m
G o
( j w )
w = 0 [ r a d / s ]
1 w = ¥ [ r a d / s ]
- 1
R e
1 + G o
( j w ) G o
( j w )
f _ 0 7 _ 0 8 _ 0 1 . e p s
Fig.2.3 Lieu de Nyquist de Go (j · ω) : sa distance minimale au point critique

−1 + j · 0 est donnée par min{|1 + Go (j · ω|)}, soit l'inverse du maximum du
module de la fonction de sensibilité max{|S(j · ω)|} (chier source).

1er septembre 2007
A ( w ) |
| W 1
( j w ) |
[ d B ]
0 [ d B ]
w [ r a d / s ]
| W
- 1
( j w ) | w c o
1
| S ( j w ) |
f _ 0 7 _ 2 3 . e p s
Fig. 2.4 Illustration d'une méthode de spécication des performances d'un

système asservi
:−1on impose
que le module de fonction de sensibilité soit inférieur
à une limite W1 (j · ω) variant en fonction de la fréquence (chier source).

traduisant l'eet de la consigne sur l'erreur, il est envisageable de spécier les

performances de précision d'un système de régulation automatique en imposant
une valeur maximale |W1 (j·ω)|
1
de la fonction de sensibilité pour chaque pulsation
ω . On pourrait écrire :
1
|S(j · ω)| <
|W1 (j · ω)|
i.e. le module de la fonction de sensibilité doit être inférieur à la borne W1−1 (j · ω)

(gure 2.4). On peut condenser cela sous la forme
kW1 (j · ω) · S(j · ω)k∞ < 1 (2.1)
illustrée par la gure 2.5 page suivante.

Typiquement, on choisira |W1 (j · ω)| élevé à basse fréquence (bonne précision)
et tendant vers 1 aux hautes fréquences, là où l'action régulateur est sans eet
sur le système à régler, vu le caractère ltrant de ce dernier (y(t) → 0 =⇒
e(t) = w(t) − y(t) → w(t)).
Il existe une interprétation graphique intéressante de la relation 2.1 : pour
que le module de la fonction de sensibilité soit toujours inférieur à W1−1 (j · ω),

il faut que lieu de Nyquist de Go (j · ω) soit toujours en dehors du disque de rayon

|W1 (j · ω)| et de centre −1 + j · 0 (gure 2.6 page ci-contre).

1er septembre 2007
A ( w ) |
| W 1
( j w ) |
[ d B ]
0 [ d B ]
| W ( j w ) S ( j w ) | w [ r a d / s ]
1 w c o
| S ( j w ) |
f _ 0 7 _ 2 4 . e p s
Fig. 2.5 Spécication des performances d'un système asservi : on impose

que la valeur supérieure de |W1 (j · ω) · S(j · ω)| soit inférieure à 1, i.e. à 0 [dB]
(chier source).
I m
G o
( j w )
| W 1
|
w = 0 [ r a d / s ]
w = ¥ [ r a d / s ]
- 1 R e
f _ 0 7 _ 2 5 . e p s
Fig. 2.6 Interprétation graphique de la condition de performance

kW1 (j · ω) · S(j · ω)k∞ < 1 (chier source).

1er septembre 2007
v ( t )
u ( t ) -
w ( t ) e ( t ) y ( t )
1
S G c
( s ) S G a 0
( s )
s
-
y ( t )
f _ r o b u s t e _ 0 2 . e p s
Fig. 2.7 Système asservi dont les paramètres du système à régler Ga (s) sont
susceptibles de varier (chier source).
2.2 Stabilité robuste [4]

Le critère de stabilité de Nyquist se base sur la connaissance de la réponse
harmonique en boucle ouverte. Avec l'étude de la stabilité robuste, on tente de
répondre à la question "qu'en est-il de la stabilité en boucle fermée lorsque la
réponse harmonique en boucle ouverte n'est connue qu'avec une certaine préci-
sion ?"
On considère un système de régulation automatique mono-variable (gure 2.7),
dont la fonction de transfert du système à régler Ga (s) n'est connue qu'avec une
précision donnée, i.e. dont les paramètres subissent des uctuations. La valeur no-
minale de Ga (s) est Ga0 (s). La fonction de transfert en boucle ouverte nominale
est ainsi
Go0 (s) = Gc (s) · Ga0 (s) (2.2)
alors que la fonction de transfert nominale en boucle fermée, régulation de cor-

respondance, est
Y (s) Go0 (s) Gc (s) · Ga0 (s)

Gw0 (s) = = = (2.3)
W (s) 1 + Go0 (s) 1 + Gc (s) · Ga0 (s)
L'imprécision dont il est question est l'incertitude liée à la modélisation et à

l'identication de la réponse harmonique en boucle ouverte. Celle-ci étant formée
de la mise en cascade du régulateur Gc (s) et du système à régler Ga (s), c'est
normalement à cette dernière fonction de transfert que sont dues des variations.

1er septembre 2007
2.2.1 Incertitude sur la fonction de transfert du système à

régler [[4], p.46-47]
Prol d'incertitude |W2 (j · ω)|
Pour représenter l'incertitude aectant la fonction de transfert du système à
régler, on se place ici dans le domaine fréquentiel et l'on construit la fonction

Ga (j · ω) − Ga0 (j · ω)
|W2 (j · ω)| ≥ (2.4)
Ga0 (j · ω)
que l'on appelle prol d'incertitude. On voit que |W2 (j · ω)| représente une
borne supérieure sur l'incertitude relative aectant le modèle nominal Ga0 (s).
Le modèle d'incertitude utilisé ici est non-structuré, ce qui signie grosso modo
que l'on ne prend pas en compte les variations individuelles des paramètres (par
exemple, pour l'asservissement de vitesse d'un moteur DC, on aurait J = J0 ±∆J
pour l'inertie en charge et/ou Ramin ≤ Ra0 ≤ Ramax pour la résistance de l'induit)
du modèle nominal Ga0 (s), mais que |W2 (j · ω)| traduit plutôt leur eet global
en fonction de la fréquence.
Notons qu'aucune hypothèse n'a été posée sur |W2 (j · ω)|, qui peut être une
fonction quelconque, notamment une fonction non-linéaire avec la fréquence.
Disque d'incertitude
L'inégalité de la dénition de |W2 (j · ω)| indique que |W2 (j · ω)| est la borne
supérieure de la variation relative du modèle. A une pulsation ωp donnée, le
module de la variation relative maximale de Ga (j · ωp ) par rapport à Ga0 (j · ωp )
n'est autre que |W2 (j · ω)| et peut être
d'amplitude comprise comprise entre 0 et |W2 (j · ωp )|
d'une phase quelconque, comprise entre 0 et 360 [◦ ]
Ce que l'on décrit ici n'est autre qu'un disque, appelé disque d'incertitude, centré
en Ga0 (j · ωp ) et de rayon |W2 (j · ωp ) · Ga0 (j · ωp )| (gure 2.8 page suivante). Pour
une fréquence donnée ωp , l'évolution de l'amplitude dans tout le disque ainsi que
la variation de phase (gure 2.9 page suivante) est intégrée au prol d'incertitude
|W2 (j · ω)| en écrivant que
Ga (s) − Ga0 (s)
= ∆(s) · W2 (s) (2.5)
Ga0 (s)
où ∆(s) est une fonction de transfert stable telle que
Supω |∆(j · ω)| = k∆k∞ ≤ 1 (2.6)
Il est clair que le modèle d'incertitude non-structuré choisi ici est conservateur,
puisqu'il constitue une sorte de cas le plus défavorable : il est en eet peu probable

1er septembre 2007
I m
G a
( j w )
0 R e
| W 2
G a 0
|
G a 0
f _ r o b u s t e _ 0 7 . e p s
Fig. 2.8 Le disque d'incertitude dénit, pour une pulsation ωp donnée, la zone
dans laquelle la fonction de transfert Ga (j · ω) peut se trouver. |W2 (j · ωp )| corres-
pond à la limite du disque, soit à la variation maximale par rapport à la fonction
de transfert nominale Ga0 (j · ω) (chier source).
I m
G a
( j w )
0 R e
G a
G a 0
D W 2
G a 0
| W 2
G a 0
|
f _ r o b u s t e _ 0 8 . e p s
Fig. 2.9 C'est ∆(s) qui fait évoluer la fonction de transfert Ga (s) dans tout le
disque d'incertitude (chier source).

1er septembre 2007
qu'en prenant vraiment en compte les variations cumulées de ses paramètres

individuels, le système à régler Ga (s) se diérencie autant de sa valeur nominale
Ga0 (s) que ne le prévoit le prol d'incertitude |W2 (j · ω)|.
En se limitant ainsi au modèle d'incertitude non-structuré, on simplie gran-
dement l'analyse mathématique du problème, ce qui aura l'avantage de fournir
des méthodes d'analyse applicables aisément. De surcroît, on couvre également
la situation où une partie de la dynamique du système à régler n'a pas pu être
modélisée, faute de temps ou de connaissance.

1er septembre 2007
A ( w ) |
[ d B ]
0 [ d B ]
w [ r a d / s ]
| W 2
( j w ) |
w c o
f _ r o b u s t e _ 0 3 . e p s
Fig. 2.10 Allure typique du prol d'incertitude |W2 (j · ω)| (chier source).
Allure typique du prol d'incertitude |W2 (j · ω)|
L'allure typique de |W2 (j · ω)| est une fonction croissant avec la fréquence
(gure 2.10), puisqu'il est d'autant plus dicile de modéliser et identier les
modes rapides, i.e. la dynamique à fréquences élevées.
Il faut remarquer que le niveau d'incertitude peut se révéler très élevé, en
particulier lorsque le gain du système à régler Ga (j · ω) est faible. En eet, si le
gain nominal |Ga0 (j · ωp )| à une pulsation ωp donnée est par exemple de l'ordre
de 0.01, soit de −40 [dB], une bande d'incertitude de ±20 [dB] tracée autour du
gain nominal paraît tout à fait réaliste dans le diagramme de Bode au vu de la
diculté à identier précisément le système à cause du mauvais rapport signal-
sur-bruit [[8], chap.8]. Or, cela correspond à rien moins qu'une incertitude relative
maximale de

+20 [ ] dB

d'incerti-

tude !
z}|{
Ga (j · ωp ) − Ga0 (j · ωp ) 0.01 · 10 −0.01
|W2 (j · ωp )| = ≈ = 900% !

Ga0 (j · ωp ) 0.01

(2.7)
Ce phénomène est particulièrement marqué lorsque le système à régler, comme
celui du schéma technologique de la gure ?? page ? ?, possède une anti-résonance
(gure 2.11 page ci-contre).

1er septembre 2007
Diagrammes de Bode de GARMAX(ejω h), YN(ω)/UN(ω)

−40
−60
−80
−100
−120
−1 0 1 2 3
10 10 10 10 10
200
100
−100
−200 G(ejω h)
YN(ω)/UN(ω)|
−300
−1 0 1 2 3
10 10 10 10 10
f [Hz]
f_lse_m_04_mes_id_2004_05_08_2_8.eps
Fig. 2.11 Diagramme de Bode expérimental d'un système mécanique exible :

dans la zone de 100 [Hz], la présence d'une anti-résonance provoque un aaiblisse-
ment considérable du gain et dégrade ainsi le rapport signal-sur-bruit. Il s'ensuit
que la précision du modèle à cette fréquence est mauvaise que le niveau du gaba-
rit d'incertitude W2 (j · ω) se devra d'être élevé (≈ 20 [dB]), limitant les chances
de réalisabilité d'un régulateur robuste (chier source).

1er septembre 2007
A ( w ) |
[ d B ]
| W 2
( j w ) |
| G w 0
( j w ) |
0 [ d B ]
w [ r a d / s ]
| W ( j w ) G ( j w ) | w c o
2 w 0
f _ r o b u s t e _ 0 4 . e p s
Fig. 2.12 Test de la stabilité robuste (chier source).
2.2.2 Théorème de la stabilité robuste [[4], p.53]

On énonce ci-dessous le théorème de la stabilité robuste :
Un système de régulation automatique linéaire est à stabilité robuste si
kW2 (j · ω) · Gw0 (j · ω)k∞ < 1 (2.8)
avec kW2 (j · ω) · Gw0 (j · ω)k∞ = Supω |W2 (j · ω) · Gw0 (j · ω)|.

Partant du prol d'incertitude |W2 (j · ω)| et de la fonction de transfert nomi-
Y (s) Gc (s)·Ga0 (s)
nale en boucle fermée, régulation de correspondance Gw0 (s) = W (s)
= 1+G c (s)·Ga0 (s)
,
il sut donc de tracer le diagramme de Bode du module de W2 (j · ω) · Gw0 (j · ω)
et de vérier qu'il est toujours inférieur à 0 [dB] (gure 2.12).
Sur la base de la gure 2.12, on peut qualitativement estimer la précision re-
quise sur le modèle : l'atténuation du gain en boucle fermée doit au moins compen-
ser la croissance du prol d'incertitude. On voit que probablement, kW2 · Gw0 k∞
intervient non loin de la bande passante en boucle fermée, et donc approximati-
vement de la pulsation de coupure à 0 [dB] en boucle ouverte ωco .
Démonstration Partant du lieu de Nyquist de Go (j · ω) (gure 2.13 page

suivante) on a successivement :
Go0 (j ·ω) correspond au design nominal, lequel satisfait le critère de Nyquist
La distance entre le point critique −1 + j · 0 et Go0 (j · ω)
|−1 − Go0 (j · ω)| = |1 + Go0 (j · ω)| (2.9)

1er septembre 2007
I m
G o
( j w )
- 1 + j 0 w = 0 [ r a d / s ]
w = ¥ [ r a d / s ]
G
R e
o
1 +
Go
|W
2
G
o
|
f _ r o b u s t e _ 2 4 . e p s
Fig. 2.13 Lieu de Nyquist de Go (j · ω) nominal, disque d'incertitude, mise en

évidence des distances (chier source).

1er septembre 2007
est telle que le point critique est laissé sur la gauche du lieu de Nyquist
(gure 2.13 page précédente). Cette distance peut être considérée comme
un sorte de "réserve". La perte intégrale de cette distance amènerait le lieu
de Nyquist sur le point critique, ce qui est à éviter absolument !
La variation de distance potentielle |W2 (j · ω) · Go0 (j · ω)| doit donc être
inférieure à la distance nominale |1 + Go0 (j · ω)| :
|W2 (j · ω) · Go0 (j · ω)| < |1 + Go0 (j · ω)| (2.10)

| {z } | {z }
variation de distance potentielle distance nominale selon design
D'où, par division des 2 membres de l'égalité par |1 + Go0 (j · ω)| :
|W2 (j · ω) · Go0 (j · ω)|

<1 (2.11)
|1 + Go0 (j · ω)|
Donc
|W2 (j · ω) · Gw0 (j · ω)| < 1 (2.12)

1er septembre 2007
I m
G o
( j w )
w = 0 [ r a d / s ]
w = ¥ [ r a d / s ]
- 1 R e
| W 2
G o 0
|
f _ r o b u s t e _ 0 5 . e p s
Fig. 2.14 Interprétation graphique du théorème de la stabilité robuste : le point

critique doit rester à l'extérieur du disque (chier source).
Interprétation graphique
La condition de stabilité robuste peut être interprétée graphiquement comme

suit : le système de régulation automatique est stable si le point critique −1 + j · 0
demeure à l'extérieur du disque
de centre Go0 (j · ω)
de rayon |W2 (j · ω) · Go0 (j · ω)|
comme le montre la gure 2.14.

1er septembre 2007
Step Response
1.2
0.8
Amplitude
0.6
0.4
0.2
0
0 150 300 450 600 750 900
Time (sec.)
Fig. 2.15 Réponse indicielle en boucle fermée, cas nominal (chier source).
2.2.3 Exemple
On considère un système à régler de fonction de transfert nominale
Y (s) 1
Ga0 (s) = = Ka · (2.13)
U (s) (1 + s · 11124) · (1 + s · 2) · (1 + s · 2)
asservi par le régulateur PID

Kp
U (s)
Gc (s) = = Ti · (1 + s · Ti + s2 · Ti · Td ) (2.14)
E(s) s
avec Kp = 349.7, Td = 38 [s] et Ti = 380 [s]. Il s'agit d'un système de régula-

tion automatique de la température d'un élément d'une machine de production
industrielle (observer la valeur de la constante de temps dominante !).
Avec les paramètres du régulateur PID donnés, la réponse indicielle en boucle
fermée est satisfaisante (gure 2.15), et la question se pose de savoir quelle est la
robustesse de la stabilité oerte dans le cas nominal. Dans ce but, on dénit un
prol d'incertitude (gure 2.16 page suivante), sur la base des informations que
l'on a quant à la qualité de Ga0 (s). Dans le cas particulier, des variations observées
du gain à basse fréquence amènent à prendre en compte une incertitude relative de
quelque −6 [dB], soit 50%. Cette imprécision s'améliore aux fréquences moyennes
(−10 [dB] = 33%) et nit bien sûr par augmenter considérablement aux hautes
fréquences.

1er septembre 2007
20
15
10
5
W2(ω)
−5
−10
−15
−20
−3 −2 −1 0
10 10 10 10
ω [rad/s]
Fig. 2.16 Prol d'incertitude : −6 [dB] = 50% à basse fréquence, −10 [dB] =
33% aux fréquences intermédiaires et augmentation aux hautes fréquences. On
remarque que la fonction W2 (j · ω) peut être quelconque (mais doit être stable),
en particulier discontinue. Ce n'est donc pas forcément une fonction de transfert
(chier source).

1er septembre 2007
10
−10
−20
A(ω)
−30
−40
W2
−50 Gw
W2Gw
−60
−3 −2 −1 0
10 10 10 10
ω [rad/s]
Fig. 2.17 Test de la condition de stabilité robuste : on voit que ce test est
satisfait puisque la courbe kW2 (j · ω) · Gw0 (j · ω)k∞ est inférieure à 1 = 0 [dB]
(chier source).
Notons qu'en principe, c'est plutôt la démarche inverse qui est suivie : ayant
déni le prol d'incertitude |W2 (j · ω)|, on en déduit les performances possibles
de Gw0 (s) et par suite le régulateur Gc (s) : c'est l'objet de la synthèse robuste.
On peut alors faire le test de la stabilité robuste, en traçant ici le diagramme
de Bode du gain kW2 (j · ω) · Gw0 (j · ω)k∞ < 1 (gure 2.17).
On observe que la condition de stabilité robuste est satisfaite.

1er septembre 2007
Chapitre 3
Régulateur RST polynômial
Régulateur RST 93 MEE \cours_aav.tex

1er septembre 2007
v[k]
w[k] 1 u[k] B(z) y[k]

T (z) Σ R(z) Σ A(z)
-
S(z) Σ
n[k]
Fig. 3.1 Structure du régulateur RST (chier source).
3.1 Régulateur RST polynômial

3.1.1 Structure du régualteur RST [5] [6]
Un système asservi par un régulateur RST a la structure dénie sur la -
gure 3.1. Toutes les lettres situées dans des blocs désignent des polynômes en z
et non des fonctions de transfert. La gure 3.2 page ci-contre montre un schéma
équivalent où les blocs correspondent cette fois à des fonctions de transfert cau-
sales (voir également l'équation (3.17)). Dans ce schéma, on a tenu compte de
l'existence de bruit n(k) sur la grandeur réglée mesurée. On remarque que l'on
ne considère que des signaux discrets, aussi bien pour le bruit que pour les per-
turbations. De même, c'est le modèle échantillonné du système à régler qui est
employé
Y (z) −1
−1 Ga (s)
H(z) = = 1−z ·Z L
U (z) s
où Ga (s) est le modèle analogique du système à régler. On part de l'hypothèse
que A(z) et B(z) n'ont pas de facteur commun, i.e. les simplications pôles-zéro
on été faites.
3.1.2 Fonctions de transfert

Les fonctions de transfert suivantes peuvent être calculées :
Système à régler
Y (z) B(z)
H(z) = = (3.1)
U (z) A(z)
Boucle ouverte
S(z) · B(z)
Go (z) = (3.2)
R(z) · A(z)

1er septembre 2007
v[k]
w[k] T (z) z δR
u[k] B(z) y[k]
z δR Σ R(z) Σ A(z)
-
S(z)
z δR Σ
n[k]
Fig. 3.2 Structure du régulateur RST. δR est l'ordre du polynôme R(z)

(chier source).
Régulation de correspondance
T (z) B(z) T (z) B(z)
Y (z) ·
R(z) A(z)
·
R(z) A(z) B(z) · T (z) Bm (z)
Gw (z) = = = S(z)·B(z)
= =
W (z) 1 + Go (z) 1 + R(z)·A(z) A(z) · R(z) + B(z) · S(z) Am (z)
(3.3)
Régulation de maintien
B(z) B(z)
Y (z) A(z) A(z) B(z) · R(z)
Gv (z) = = = S(z)·B(z)
=
V (z) 1 + Go (z) 1 + R(z)·A(z) A(z) · R(z) + B(z) · S(z)
(3.4)
Réjection des perturbations (bruit n[k])
S(z) B(z)
Y (z) ·
R(z) A(z) B(z) · S(z)
Gn (z) = = S(z)·B(z)
= (3.5)
N (z) 1 + R(z)·A(z) A(z) · R(z) + B(z) · S(z)
3.1.3 Forme des polynômes et contraintes

Les performances en asservissement sont spéciées par le modèle en boucle
fermée
Y (z) Bm (z)
Gw (z) = = = Hm (z) (3.6)
W (z) Am (z)
lequel peut être xé dès le début du projet sur la base d'informations comme la
durée de réglage Treg , la bande passante en boucle fermée ω−3dB , la précision en
poursuite de consigne et en réjection des perturbations, le taux de dépassement de

1er septembre 2007
la réponse indicielle autorisé, etc. Si l'on souhaite un comportement apériodique

en boucle fermée avec une durée de réglage Treg , il sura alors de poser
− h

Am (z) ∝ (z − pf 1 ) = z − e Treg (3.7)
Le polynôme B(z) détermine les zéros du système à régler. Il est dans le cas
général envisageable de les compenser, à condition toutefois que l'on se limite aux
zéros de B(z) situés dans le disque unité (voir ?? page ? ?). Des conditions plus
drastiques d'amortissement absolu et relatif peuvent également être imposées.
En désignant par B + (z) le polynôme monique facteur de B(z) dont les racines
répondent à cette condition, on peut alors écrire B(z) comme
B(z) = B + (z) · B − (z) (3.8)
Le polynôme Bm (z) devra ainsi contenir le terme B − (z) an de s'assurer qu'aucun
zéro hors du disque unité, voire hors d'une zone plus restrictive spéciée par des
conditions d'amortissement absolue et relative, n'ait été compensé :
Bm (z) = B − (z) · Bm
0
(z) (3.9)
Si le polynôme B + (z) est compensé, la seule possibilité est qu'il le soit par des
zéros de R(z) puisque A(z) et B(z) n'ont par hypothèse pas de facteurs communs :
S(z) B(z) S(z) B + (z) · B − (z) S(z) · B − (z)
Go (z) = · = + · =
R(z) A(z) B (z) · R0 (z) A(z) R0 (z) · A(z)
On en déduit que
R(z) = B + (z) · R0 (z) (3.10)
En réécrivant la fonction de transfert en boucle fermée, régulation de correspon-
dance, on a :
Y (z) B(z) · T (z)
Hm (z) = =
W (z) A(z) · R(z) + B(z) · S(z)
B − (z) · B + (z) · T (z)
=
A(z) · B + (z) · R0 (z) + B + (z) · B − (z) · S(z)
B − (z) · T (z)
=
A(z) · R0 (z) + B − (z) · S(z)
D'autre part, selon (3.3) et (3.9) :
Bm (z) B − (z) · Bm
0
(z)
Hm (z) = =
Am (z) Am (z)
On en déduit :
B − (z) · T (z) B − (z) · Bm
0
(z) B − (z) · Bm
0
(z) Ao (z)
0 −
= = ·
A(z) · R (z) + B (z) · S(z) Am (z) Am (z) Ao (z)

1er septembre 2007
Le polynôme Ao (z) porte le nom de polynôme observateur : il permet de tenir

compte du fait que si
7 7 3 21
= · =
4 4 3 12
on ne peut cependant égaler directement les numérateurs et dénominateurs de
chacune des fractions. Dans le cas de l'exemple, Ao (z) = 3.
Pour la synthèse du régulateur, i.e la détermination des polynômes R(z),
S(z) et T (z) à partir des polynômes A(z), B(z), Am (z) et Bm (z), les équations
suivantes sont donc à résoudre :
A(z) · R0 (z) + B − (z) · S(z) = Ao (z) · Am (z) (3.11)

0
T (z) = Ao (z) · Bm (z) (3.12)
Si une compensation des perturbations d'ordre j est spéciée, il sut d'inclure

dans Go (z) le nombre l = j + 1 correspondant d'intégrateurs. S'inspirant de la
démarche ayant conduit à l'équation (3.10), ceci se fait en imposant que R(z) ait
la forme :
R(z) = B + (z) · (z − 1)l · R0 (z) (3.13)
3.1.4 Calcul de R(z) et S(z)

Condition d'existence de solutions uniques
Le calcul de R(z) et S(z) passe par la résolution de l'équation de Diophantine
A(z) · X(z) + B(z) · Y (z) = C(z) (3.14)
où A(z), X(z), B(z), Y (z) et C(z) sont des polynômes. A(z), B(z) et C(z) sont
connus, X(z) et Y (z) sont les polynômes à déterminer. Il est clair qu'une telle
équation possède une innité de solutions. Cependant, on peut démontrer que
l'équation (3.14) a des solutions uniques si (la notation δX signie "degré du
polynôme X ")
δY < δA (3.15)
i.e. si le degré du polynôme Y (z) est strictement inférieur à celui du polynôme

A(z). Dans le cas du régulateur RST, une équation de la même forme est juste-
ment obtenue lorsque l'on considère le dénominateur A(z) · R0 (z) + B − (z) · S(z) =
Ao (z) · Am (z) de la fonction de transfert en boucle fermée. En en multipliant les
2 membres par B + (z), on a :
A(z) · R(z) + B(z) · S(z) = B + (z) · Ao (z) · Am (z) (3.16)

1er septembre 2007
Contraintes sur les degrés des polynômes

Si (3.15) est respectée, l'on sait que (3.16) a une solution unique orant les
polynômes R(z) et S(z) recherchés : encore faut-il chercher une solution pour
ceux-ci telle que leurs degrés soient compatibles avec les contraintes contenues
implicitement dans (3.16). Il faut par exemple que le degré du polynôme du
membre de gauche, résultant de la somme de produits A(z)·R(z)+B(z)·S(z) soit
équivalent à celui du membre de droite, résultant du produit B + (z)·Ao (z)·Am (z).
C'est la liste des ces contraintes qui est développée dans ce paragraphe.
Il faut commencer par prendre en compte les contraintes de causalité des
fonctions de transfert du système à régler, régulateur et du modèle à poursuivre :
δR ≥ δS (3.17)
δR ≥ δT (3.18)
δA > δB (3.19)
δAm − δBm ≥ δA − δB (3.20)
Degré du polynôme R(z) En examinant (3.16), avec (3.19) et (3.17), on a :
δR + δA > δB + δS
Ainsi :
δR + δA = δB + + δAo + δAm
d'où
δR = δB + + δAo + δAm − δA (3.21)
Degré du polynôme T (z) Comme
0
T (z) = Ao (z) · Bm (z)
on peut écrire
0
δT = δAo + δBm
Degré du polynôme Am (z) On peut alors écrire, sachant que selon (3.18)
δR ≥ δT :
0
δB + + δAo + δAm − δA ≥ δAo + δBm
| {z } | {z }
δR δT
et nalement :
0
δAm ≥ δBm − δB + + δA (3.22)

1er septembre 2007
Degré des polynômes S(z) et Ao (z) Il reste à déterminer les degrés des
polynômes S(z) et Ao (z). Pour S(z), on prendra simplement, selon l'équation
(3.15) :
δS = δA − 1 (3.23)
Pour Ao (z), la prise en compte des équations (3.17), (3.21) et (3.23) permet de
calculer :
δR ≥ δS
δB + + δAo + δAm − δA ≥ δA −1
| {z } | {z }
δR δS
d'où :
δAo ≥ 2 · δA − δAm − δB + − 1 (3.24)
Résumé
En résumé, pour la synthèse du régulateur RST, on s'arrangera pour respecter,
dans l'ordre, les conditions suivantes :
Choisir Bm
0
(z) selon les contraintes en poursuite de consigne
0
δAm ≥ δBm − δB + + δA
δAo ≥ 2 · δA − δAm − δB + − 1
δR = δB + + δAo + δAm − δA
δS = δA − 1
0
δT = δAo + δBm
Ces contraintes étant respectées, une solution unique causale (i.e. réalisable) peut
être trouvée en résolvant l'équation de Diophantine. Celle-ci aura alors la forme :
A(z) · R(z) + B(z) · S(z) = B + (z) · Ao (z) · Am (z)
On trouvera les coecients des polynômes R0 (z) et S(z) d'une manière aisée si
l'on construit la matrice de Sylvester, comme indiqué au 3.1.5 page suivante.
Il faut remarquer qu'on a imposé que les zéros stables et bien amortis de B ,
soit ceux du ploynômes B + (z) soient compensés par R(z), qui a alors la forme
générale :
R(z) = B + (z) · R0 (z)

1er septembre 2007
3.1.5 Calcul des polynômes R(z) et S(z) : matrice de Sylvester [[5], 10.3.3]
Régulateur RST
HEIG-VD
Les polynômes R(z), S(z), A(z), B(z) et C(z) = B + (z) · Ao (z) · Am (z) ont pour formes :
R(z) = z δR + r1 · z δR−1 + r2 · z δR−2 + . . . + rδR−1 · z + rδR

S(z) = s0 · z δS + s1 · z δS−1 + s2 · z δS−2 + . . . + sδS−1 · z + sδS
C(z) = z δC + c1 · z δC−1 + c2 · z δC−2 + . . . + cδC−1 · z + cδC
B(z) = b0 · z δB + b1 · z δB−1 + b2 · z δB−2 + . . . + bδB−1 · z + bδB
A(z) = z δA + a1 · z δA−1 + a2 · z δA−2 + . . . + aδA−1 · z + aδA
100
En écrivant :
C(z)
z }| {
A(z) · R(z) + B(z) · S(z) = B + (z) · Ao (z) · Am (z)
on a dans le détail :
MEE \cours_aav.tex
1er septembre 2007
z δA + a1 · z δA−1 + a2 · z δA−2 + . . . + aδA−1 · z + aδA · z δR + r1 · z δR−1 + r2 · z δR−2 + . . . + rδR−1 · z + rδR

+ b0 · z δB + b1 · z δB−1 + b2 · z δB−2 + . . . + bδB−1 · z + bδB · s0 · z δS + s1 · z δS−1 + s2 · z δS−2 + . . . + sδS−1 · z + sδS

AAV)
= z δC + c1 · z δC−1 + c2 · z δC−2 + . . . + cδC−1 · z + cδC
Régulateur RST
HEIG-VD
En identiant terme à terme (de mêmes degrés), on peut montrer que l'on aboutit à un système d'équations linéaires
représentable par la matrice de Sylvester :
 
1 0 ... 0 0 0 ... 0
.. .. .. .. .. ..   r1   c1 − a1 
. . . . . . 

 a1 1   r   c −a
.. ..

2 2 2
. .

 a2 a1 0 b0 0 0    ..   ..
    
 . . .. ..   .   .

 .. ..

. .  

a2 1 b1 b0 r
 
c − a

 . .. .. ..   δR−1   δA−1 δA−1 

 ..
  
. . a1 b2 b1 . 0  · rδR   cδA − aδA 


.. .. .. ..   s0  =
. . cδA+1

. .

aδA−1 a2 b2 b0     
. .. .. ..
  s1   c
   
 δA aδA−1 . .
δA+2

. . .

. .
 a bδB b1  
..   ..
  
.. .. ..   
. .

 0 aδA . 0 bδB b2 
   
 sδS−1
   cδR+δS−1 
 .. .. . .. .. .. .. .. 

.. .
101
 . . . . . .  sδS cδR+δS
0 0 ... aδA 0 0 . . . bδB
On en déduit les polynômes recherchés R(z) et S(z).
MEE \cours_aav.tex
1er septembre 2007
AAV)
Exemple
On considère le système à régler de fonction de transfert :
Y (s) 1 1
Ga (s) = = · (3.25)
U (s) s 1 + s · 0.1
Le modèle échantillonné correspondant est, avec la période d'échantillonnage h =

1 [ms] :
Y (z) 0.4983 · z + 0.4967 4.9834 · 106 · (z + 0.9967)

H(z) = = 10−5 · 2 =
U (z) z − 1.99 · z + 0.99 (z − 1) · (z − 0.99)
(3.26)
b0 · (z − z1 ) b0 · z + b1 B(z)
= 2 = 2 =
z + a1 · z + b 2 z + a1 · z + b 2 A(z)
Les spécications en boucle fermée préconisent d'avoir le modèle à poursuivre

ayant
1. un comportement dynamique donné par les pôles pf 1 = 0.9, pf 2 = 0.4. On

en déduit que
Am (z) ∝ (z − 0.9) · (z − 0.4) = P (z)
Le degré δAm de Am (z) étant à ce point indéterminé et comme δP = 2, on

placera en principe le solde des pôles de Am (z) en z = 0 :
Am (z) = z δAm −δP · P (z) = z δAm −2 · (z − 0.9) · (z − 0.4)
2. des performances en poursuite de consigne telles que l'on puisse suivre une
consigne constante sans erreur. On en déduit que Hm (1) = 1. Sachant que
Bm (z) B − · Bm
0
(z)
Hm (z) = =
Am (z) Am (z)
on en déduit que
0 Am (1) 0
Bm (1) = −
= Bm (z)
B (1)
Am (z) et B − (z) étant imposés par ailleurs.
En décidant pour cette synthèse qu'aucun zéro du système à régler ne doit être
compensé, ceci implique que B + (z) = 1 et donc que B − (z) = b0 · (z − z1 ). On

1er septembre 2007
peut alors spécier le modèle à poursuivre Hm (z) :
Y (z) Bm (z) B − · Bm
0
(z)
Hm (z) = = =
W (z) Am (z) Am (z)
Am (1)
b0 · (z − z1 ) · B − (1)
=
z δAm −2 · (z − p1 ) · (z − p2 )
(1 − p1 ) · (1 − p2 ) b0 · (z − z1 )
= ·
b0 · (1 − z1 ) (z − p1 ) · (z − p2 )
(1 − 0.9) · (1 − 0.4) 4.9834 · 106 · (z + 0.9967)
= ·
4.9834 · 106 · (1 − 0.9967) z δAm −2 · (z − 0.9) · (z − 0.4)
(3.27)
On remarque dans ce modèle à poursuivre que le zéro z1 = −0.9967 du système

à régler se retrouve bel et bien en boucle fermée, comme souhaité
On peut alors procéder au calcul des degrés des polynômes :
(1 − p1 ) · (1 − p2 )
Choisir Bm
0
(z) selon les contraintes en poursuite de consigne → Bm
0
(z) =
b0 · (1 − z1 )
(3.28)
0 +
δAm ≥ δBm − δB + δA → δAm = 0 − 0 + 2 = 2
δAo ≥ 2 · δA − δAm − δB + − 1 → δAo = 2 · 2 − 2 − 0 − 1 = 1
δR = δB + + δAo + δAm − δA → δR = 0 + 1 + 2 − 2 = 1
δS = δA − 1 → δS = 2 − 1 = 1
0
δT = δAo + δBm → δT = 1 + 0 = 1
Les polynômes R(z), S(z), A(z), B(z) et C(z) = B + (z) · Ao (z) · Am (z) ont alors
pour formes :
R(z) = (z + r1 ) (3.29)
S(z) = (s0 · z + s1 ) (3.30)
Ao (z) = z (3.31)
Am (z) = (z 2 − (p1 + p2 ) · z + p1 · p2 ) (3.32)
C(z) = 1 · (z 2 − (p1 + p2 ) · z + p1 · p2 ) · z (3.33)
B(z) = (b0 · z + b1 ) (3.34)
B + (z) = 1 (3.35)
A(z) = (z 2 + a1 · z + a2 ) (3.36)

1er septembre 2007
En écrivant :
C(z)
z }| {
A(z) · R(z) + B(z) · S(z) = B + (z) · Ao (z) · Am (z) (3.37)
on a dans le détail :
(z 2 + a1 · z + a2 ) · (z + r1 ) + (b0 · z + b1 ) · (s0 · z + s1 )
= 1 · (z 2 − (p1 + p2 ) · z + p1 · p2 ) · z (3.38)
L'identication terme à terme prend la forme :
z3 : 1=1
z2 : r1 + a1 + b0 · s0 = −p1 − p2
z1 : a1 · r 1 + a2 + b 0 · s 1 + b 1 · s 0 = p 1 · p 2
z0 : a2 · r 1 + b 1 · s 1 = 0
soit encore
r1 +b0 · s0 = −p1 − p2 − a1
a1 ·r1 +b1 · s0 + b0 · s1 = p 1 · p 2 − a2
a2 ·r1 + b 1 · s1 =0
Ce système peut être écrit sous forme matricielle, faisant intervenir la matrice de
Sylvester :      
1 b0 0 r1 −p1 − p2 − a1
a1 b1 b0  · s0  =  p1 · p2 − a2 
a2 0 b 1 s1 0
Avec p1 = 0.9 et p2 = 0.1, on a :
   −1  
r1 1 b0 0 −p1 − p2 − a1
s0  = a1 b1 b0  ·  p1 · p2 − a2 
s1 a2 0 b 1 0
−1 
0.4983 · 10−5
 
1 0 −0.9 − 0.1 − (−1.99)
= −1.99 0.4967 · 10−5 0.4983 · 10−5  ·  0.9 · 0.1 − 0.99 
0.99 0 0.4967 · 10−5 0
 
0.4741
=  1.0354 · 10−5 
−9.4497 · 10−4
On a donc pour R(z) et S(z) :
R(z) = z + r1 = z + 0.4741
S(z) = s0 · z + s1 = 1.0354 · 10−5 · z − 9.4497 · 10−4

1er septembre 2007
0.9
0.8
0.7
0.6
m
H
,y
0.5
w
G
y
0.4
0.3
0.2
0.1
0
0 10 20 30 40 50 60
k
f_rst_exemple_1_1.eps
Fig. 3.3 Réponses indicielles du modèle à poursuivre Hm (z) et de la fonc-

tion de transfert eective en boucle fermée, régulation de correspondance, Gw (z)
(chier source).
Pour T (z), on a, selon (3.12), (3.28) et (3.31)
0 (1 − p1 ) · (1 − p2 ) (1 − 0.9) · (1 − 0.1)
T (z) = Bm (z)·Ao (z) = ·z = ·z = 9.0451·103 ·z
b0 · (1 − z1 ) 0.4983 · 10−5 · (1 − 0.9967)
La gure 3.3 montre le résultat obtenu (réponse indicielle en boucle fermée, ré-
gulation de correspondance).
3.1.6 Commande a priori [[5], 10.6]

Le régulateur RST possède une commande a priori intrinsèque. En eet, on
peut montrer que
T (z) S(z)
U (z) = · W (z) − · Y (z)
R(z) R(z)

A(z) Bm (z) S(z) Bm (z)
= · · W (z) + · · W (z) − Y (z) (3.39)
B(z) Am (z) R(z) Am (z)
Ceci correspond au schéma fonctionnel de la gure 3.4 page suivante, où la com-

mande a priori est bien visible.

1er septembre 2007
A(z)
B(z)
w[k] Bm (z) S(z) u[k] B(z) y[k]

Am (z) Σ R(z) Σ A(z)
wf [k] -
Filtre de
consigne
Fig.3.4 Mise en évidence de la commande a priori intrinsèque au régulateur

RST (chier source).

1er septembre 2007
Chapitre 4
Modélisation des systèmes
dynamiques dans l'espace d'état
Espace d'état 107 MEE \cours_aav.tex

1er septembre 2007
4.1 Représentation d'un système dynamique li-

néaire par son modèle d'état.
4.1.1 Exemple introductif : circuit RLC série
Modèle entrée-sortie ("Input-ouput model")
On considère le circuit électrique suivant : En admettant que les paramètres
R L
i ( t )
u ( t ) u ( t )
e C s
f _ 0 2 _ 0 2 _ 0 1 . e p s
Fig. 4.1 Circuit RLC série (chier source).
R, L et C soient constants, la relation mathématique liant la tension de sortie

us (t) à celle d'entrée ue (t) peut être trouvée en écrivant l'équation (intégro-)
diérentielle régissant le circuit :
Zt
di 1
ue (t) = R · i (t) + L · + · i (τ ) · dτ (4.1)
dt C
−∞
Notant que :
dq dus
=C·
i (t) = (4.2)
dt dt
q(t) étant la charge instantanée du condensateur, et que
Zt
1
us (t) = · i (τ ) · dτ (4.3)
C
−∞
l'équation diérentielle d'ordre 2 devient :

dus d2 us
ue (t) = R · C · + L · C · 2 + us (t) (4.4)
dt dt
soit encore :
d2 us R dus 1 1
+ · + · u s (t) = · ue (t) (4.5)
dt2 L dt L·C L·C
Sa résolution fournit la relation cherchée entre

1er septembre 2007
2
d u R d u 1
+ × + × u ( t )
s s
u ( t ) = u ( t ) u ( t ) = y ( t )
× C
2 s
d t L d t L
e s
1
= × u ( t )
× C
e
L
f _ 0 2 _ 0 2 _ 1 2 . e p s
Fig. 4.2 Description du circuit de la gure 4.1 page ci-contre par un modèle de
connaissance prenant la forme d'une équation diérentielle d'ordre 2. Le modèle
indique le lien entre l'entrée ue (t) et la sortie us (t) : il s'agit d'un modèle entrée
sortie (chier source).
l'entrée ue (t)
et
la sortie us (t)
du système.
Dans le cas de conditions initiales nulles, on peut extraire la fonction de
transfert :
Us (s) 1
G (s) = = (4.6)
Ue (s) 1 + s · R · C + s2 · L · C
Il s'agit là à nouveau d'une relation
entrée-sortie
où aucune des grandeurs internes du circuit n'intervient, bien que leur connais-
sance puisse être importante ; on pense notamment
au courant i(t) ;
au ux totalisé Ψ(t) = L · i(t) ;
à la charge instantanée du condensateur q(t) ;
au champ électrique E(t) entre les armatures du condensateur.
Un courant i(t) trop élevé peut provoquer une saturation magnétique se ma-
nifestant directement sur le ux totalisé Ψ(t), alors qu'une charge exagérée du
condensateur peut engendrer un champ électrique E supérieur au champ disrup-
tif. Dans un cas comme dans l'autre, les hypothèses de linéarité sont démenties,
mais aucune de ces grandeurs n'apparaît dans l'un ou l'autre des modèles entrée-
sortie (équation diérentielle d'ordre 2 et fonction de transfert) obtenus.
Modèle d'état
La représentation dans l'espace d'état (State space model) ore une alternative
au modèle entrée-sortie en proposant un modèle liant non seulement les signaux

1er septembre 2007
G ( s )
U e
( s ) U s
( s )
U ( s ) Y ( s )
f _ 0 2 _ 0 2 _ 1 3 . e p s
Fig. 4.3 Description du circuit de la gure 4.1 page 108 par un modèle de
connaissance prenant la forme d'une fonction de transfert d'ordre 2. Comme le
modèle de la gure 4.2 page précédente, il s'agit également d'un modèle entrée
sortie (chier source).
d'entrée et de sortie d'un système dynamique tout en gardant "à l'oeil" certaines
grandeurs internes essentielles, les variables d'état.
Pour l'obtenir, il sut de décrire le système dynamique par n équations
diérentielles d'ordre 1 en lieu et place d'une seule équation diérentielle
d'ordre n. Pour le circuit électrique considéré, on pourrait écrire :
di
+ C1 · q (t)

ue (t) = R · i (t) + L · dt
dq (4.7)
i (t) = dt
où q(t) est la charge électrique instantanée du condensateur. En plaçant les déri-

vées premières dans les membres de gauche et en mettant en forme, on a :
di
= −R 1
· i (t) − L·C · q (t) + L1 · ue (t)
dt
dq
L (4.8)
dt
= i (t)
Ces deux équations, mises ainsi sous forme canonique, modélisent le comporte-
ment dynamique du circuit. Elles sont les équations d'état du système. L'ex-
pression de la tension de sortie us (t) est alors simplement
1
us (t) = · q (t) (4.9)
C
qui est appelée équation d'observation.
En protant de la notation matricielle, on peut présenter les trois dernières
équations sous forme compacte :
R 1
1
d i − L − L·C i
dt
= · + L · ue
q 1 0 q 0
(4.10)
1
i
us = 0 C ·
q

1er septembre 2007
La résolution de la première de ces équations (i.e. l'équation d'état) fournit i(t)

et q(t) en fonction de ue (t). Le calcul de us (t) n'est alors plus qu'une simple
formalité (combinaison linéaire des états i(t) et q(t)) en faisant usage de la seconde
équation, i.e. l'équation d'observation.
Les variables d'états du système sont ici
i(t) et q(t) (4.11)
Elles ont été réunies dans le vecteur d'état

i
~x = (4.12)
q
Non-unicité de la représentation d'état

Remarquons que d'autres grandeurs pourraient faire oce d'état. En faisant
les substitutions
i (t) = L1 · Ψ (t)
(4.13)
us (t) = C1 · q (t)
et en réécrivant les équations du circuit comme suit
1 dΨ R 1 1
· = − 2 · Ψ (t) − · us (t) + · ue (t) (4.14)
L dt L L L
dus 1
C· = · Ψ (t) (4.15)
dt L
on a nalement, après avoir multiplié la première équation par L et la seconde
par C1 ,
R
d Ψ − L −1 Ψ 1
= 1 · + · ue (4.16)
dt us L·C
0 us 0

Ψ
(4.17)

us = 0 1 ·
us
ce qui montre déjà que la représentation d'état n'est pas unique.
4.1.2 Dénition
La représentation d'état d'un système dynamique linéaire est un modèle par
lequel non seulement la relation entrée-sortie entre u(t) et y(t) est déterminée,
comme c'est déjà le cas avec
l'équation diérentielle d'ordre n,
dn y dn−1 y dy dm u dm−1 u du
n
+a n−1 · n−1
+. . .+a 1 · +a 0 ·y = b m · m
+b m−1 · m−1
+. . .+b1 · +b0 ·u
dt dt dt dt dt dt
(4.18)

1er septembre 2007
G ( s )
U ( s ) Y ( s )
u ( t ) y ( t )
f _ 0 2 _ 0 1 _ 2 7 . e p s
Fig. 4.4 Modèle entrée-sortie (chier source).
n n - 1
d y d y d y
+ a × + K + a × + a × y
y ( t )
n n - 1 n - 1 1 0
d t d t d t
u ( t ) m m - 1
d u d u d u
= b × + b × + K + b × + b × u
m m m - 1 m - 1 1 0
d t d t d t
f _ 0 2 _ 0 1 _ 1 9 . e p s
Fig. 4.5 Représentation d'un système dynamique linéaire par une équation
diérentielle d'ordre n (chier source).
la réponse impulsionnelle g(t) ou la fonction de transfert G(s),

mais également le comportement des grandeurs internes x1 . . . xn au système,
appelées variables d'état.
 dx
 dt
 dx
1
= a11 · x1 +a12 · x2 + . . . +a1n · xn +b1 · u
2
= a21 · x1 +a22 · x2 + . . . +a2n · xn +b2 · u

dt (4.19)

 ... ... ... ... ... ...
 dxn
dt
= an1 · x1 +an2 · x2 + . . . +ann · xn +bn · u
Les variables d'état x1 à xn sont au nombre de n, n étant l'ordre du système.

Elles apparaissent naturellement lors de la mise en équations d'un système. Si
l'on s'astreint à modéliser celui-ci par un ensemble de n équations diérentielles
du 1er ordre, les grandeurs d`état sont alors celles faisant l'objet de la dérivée.
Les n équations diérentielles d'ordre 1 sont les équations d'état du système.
Bien qu'une dénition claire des variables d'état soit relativement dicile à
trouver dans la littérature, on proposera néanmoins la suivante :
Les variables d'état d'un système dynamique d'ordre n sont les n grandeurs x1
à xn qu'il est nécessaire et susant de connaître à l'instant t0 pour calculer la
réponse y(t) du système à toute entrée u(t), t ≥ t0 .
Cela signie que si x1 (t) à xn (t) sont connues à un instant t0 , la connaissance
des équations du système ainsi que du signal d'entrée u(t) qui lui est appliqué
permet de calculer la réponse y(t) pour t ≥ t0 . Dans ce sens, les variables d'état
x1 (t0 ) à xn (t0 ) à l'instant t0 coïncident avec les conditions initiales du système.

1er septembre 2007
G ( s )
U ( s ) Y ( s )
u ( t ) y ( t )
f _ 0 2 _ 0 1 _ 2 8 . e p s
Fig. 4.6 Représentation d'un système dynamique linéaire par sa fonction de

transfert (chier source).
La connaissance à un instant donné des variables d'état du système permet

donc d'en dénir rigoureusement l'état, à l'instar par exemple des registres d'état
("status registers") d'un processeur. Toute autre donnée est alors superue, hor-
mis bien sûr les valeurs des paramètres (R, L, C , J , Rf , etc).
Le jeu de n équations diérentielles ci-dessus doit en principe être complété
par une équation dénissant la relation entre les grandeurs d'état x1 (t) à xn (t) et
la sortie y(t) du système :
y = c1 · x1 + c2 · x2 + . . . + cn · xn + d · u (4.20)
Il s'agit de l'équation d'observation, dans laquelle le signal de sortie y(t) ap-

paraît comme une combinaison linéaire des états x1 à xn .
Exemple : moteur DC
On considère un moteur DC à excitation séparée dont tous les paramètres
sont supposés constants :
R L
a l i e r s
a a
w ( t ) q ( t )
p
u a
( t ) M
C o e f f i c i e n t
J
i a d e f r o t t e m e n t
v i s q u e u x
R f f _ 0 2 _ 0 2 _ 0 9 . e p s
Fig. 4.7 Schéma technologique d'un moteur DC (chier source).

1er septembre 2007
Les signaux d'entrée u(t) et de sortie y(t) sont ici la tension ua (t) appliquée
aux bornes de l'induit ainsi que la position angulaire θ(t) respectivement. La mise
en équations donne :
dia
ua (t) = Ra · ia (t) + La · + KE · ω(t) (4.21)
dt
Tem (t) = KT · ia (t) (4.22)
dω
J· = Tem (t) − Rf · ω(t) (4.23)
dt
dϑ
= ω(t) (4.24)
dt
Par simple mise en forme, on peut en déduire les équations d'état, en choi-
sissant ia , ω et θ comme variables d'état :
dia Ra KE 1
=− · ia − ·ω+ · ua (4.25)
dt La La La
dω KT Rf
= · ia − ·ω (4.26)
dt J J
dϑ
=ω (4.27)
dt
La connaissance de ces trois équations est nécessaire et susante pour décrire
le comportement dynamique du système considéré, lequel est donc d'ordre n = 3.
La sortie y du système est donnée par l'équation d'observation et coïncide
dans cet exemple avec l'un des états :
y=θ (4.28)
4.1.3 Forme matricielle

Les équations diérentielles d'ordre 1 ci-dessus sont avantageusement repré-
sentées en faisant usage de la notation matricielle :
d~x
= A · ~x + B · u (4.29)
dt
y = C · ~x + D · u (4.30)
le vecteur  
x1
~x =  ...  (4.31)
 
xn
est le vecteur d'état ; c'est un vecteur colonne de dimension n × 1. Ses
composantes sont les n états du système.

1er septembre 2007
la matrice
 
a11 a12 . . . aan
 a21 a22 . . . a2n 
A= .. .. .. ..  (4.32)
 
 . . . . 
an1 an2 . . . ann
est la matrice d'état ou matrice système ; c'est une matrice carrée de

dimension n × n.
Dans le cas d'un système mono-variable (une entrée u, une sortie y ),
la matrice
 
b1
 b2 
B =  ..  (4.33)
 
 . 
bn
est la matrice d'entrée prenant la forme d'un vecteur-colonne de dimen-

sion n × 1 ;
la matrice
(4.34)

C= c 1 c 2 . . . cn
est la matrice de sortie, vecteur-ligne de dimension 1 × n ;

la matrice
D = [d] (4.35)
est la matrice de transfert direct. Elle se réduit à un scalaire dans le cas

mono-variable. Si elle est non-nulle, cela indique que l'entrée u intervient
directement sur la sortie y , ce qui traduit un comportement statique (voir
gure 4.9 page 118).
L'équation
d~x
= A · ~x + B · u (4.36)
dt
est l'équation d'état. Elle seule détermine le comportement des états x1 à xn ,

i.e. le comportement dynamique du système.
L'équation
y = C · ~x + D · u (4.37)
est l'équation d'observation ou encore équation de sortie ; elle n'a aucune

inuence sur les états. Elle permet de construire la/les sortie(s) du système par
simple combinaison linéaire des états.

1er septembre 2007
Exemple : moteur DC
On reprend l'exemple du moteur DC à excitation séparée précédemment
traité. Sous forme matricielle, ses équations d'état s'écrivent :
− La − KLEa 0
   Ra     1 
ia ia La
d 
ω  =  KT − Rf 0  ·  ω  +  0  ·ua
dt J J
θ 0 1 0 θ 0
| {z } | {z } | {z } | {z }
~
x A  ~
x B (4.38)
i a
θ = 0 0 1 ·  ω  + [0] · ua
|{z} |{z} |{z}
y
| {z
C
} θ D u
| {z }
~
x
où le vecteur d'état est    

x1 ia
~x =  x2  =  ω  (4.39)
x3 θ
La représentation dans l'espace d'état constitue par ailleurs la forme idéale pour
la simulation ; en eet, la plupart des méthodes de résolution de systèmes d'équa-
tions de 1er ordre linéaires ou non-linéaires (Runge-Kutta, Euler, etc) requièrent
la forme dite canonique, où les dérivées premières (des états) apparaissent dans le
membre de gauche, le membre de droite comprenant des combinaisons linéaires
ou non-linéaires des états.
Par exemple, dans le cas linéaire, les réponses impulsionnelle, indicielle ou
harmonique du système étudié sont facilement obtenues avec MATLAB, par les
commandes respectives (oertes dans Control System Toolbox ) :
step(A,B,C,D)
impulse(A,B,C,D)
bode(A,B,C,D)
exécutées après avoir introduit les valeurs numériques des matrices A, B , C et
D. On a par exemple pour la réponse indicielle :
4.1.4 Schéma fonctionnel

Les équations d'état
d~
x
= A · ~x + B · u
dt (4.40)
y = C · ~x + D · u
peuvent être représentées graphiquement par le schéma fonctionnel général cor-
respondant (gure 4.9 page 118). Ce schéma met en évidence le rôle capital joué
par la matrice d'état A, laquelle détermine les contre-réactions internes au sys-
tème. Il sera montré ultérieurement qu'elle seule détermine en fait la stabilité du
système, ses valeurs propres coïncidant avec les pôles dudit système.

1er septembre 2007
REPONSE INDICIELLE : EVOLUTION DES ETATS

0.9
x2=omega
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
x3=teta
0 x1=ia
−0.1
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
t [s]
Fig. 4.8 La réponse indicielle du modèle d'état du moteur DC montre l'évolution

des 3 états i(t), ω(t) et θ(t).
Exemple : moteur DC
Les équations d'état du moteur DC peuvent être représentées sous forme gra-
phique. Un schéma fonctionnel possible celui des gures 4.10 page 119 et 4.11
page 122 où les seuls élément dynamiques intervenant sont des intégrateurs.
L'avantage de ces schémas est que l'on peut voir au premier coup d'oeil la struc-
ture interne du système, notamment les relations existant entre les diérentes
grandeurs.
4.1.5 Calcul de la fonction de transfert à partir du modèle

d'état
On se propose ici de calculer la fonction de transfert du système sur la base
des équations d'état. Notons que l'opération inverse est également possible.
Dans le cas de conditions initiales nulles, la transformée de Laplace des deux
membres des équations d'état donne, pour un système mono-variable :
d~
x
= A · ~x + B · u
dt (4.41)
y = C · ~x + D · u
~ (s) entre
An d'extraire la relation entrée sortie entre U (s) et Y (s), on élimine X

1er septembre 2007
r
d x
r
d t x
u ( t ) B ò C y ( t )
S S
A
f _ 0 2 _ 0 1 _ 2 9 . e p s
Fig. 4.9 Schéma fonctionnel (ou structurel) associé à une représentation par un
modèle d'état. On observe que la matrice d'état A détermine les contre-réactions
des états du système (chier source).
les deux équations :

s·X ~ (s) − A · X~ (s) = B · U (s)
~ (s) = B · U (s)
(s · I − A) · X (4.42)
X~ (s) = (s · I − A)−1 · B · U (s)
En introduisant cette dernière expression dans la seconde équation (l'équation

d'observation)
Y (s) = C · (s · I − A)−1 · B · U (s) + D · U (s) (4.43)
on en déduit nalement la fonction de transfert recherchée :
Y (s)
G (s) = = C · (s · I − A)−1 · B + D (4.44)
U (s)
Rappel : inversion d'une matrice L'inverse d'une matrice A est obtenu en

divisant la transposée de la matrice des cofacteurs par le déterminant de A.
Cas particulier : matrice 2 sur 2.

a11 a12 1 a22 −a12
A= A −1
= · (4.45)
a21 a22 a11 · a22 − a12 · a21 −a21 a11
On peut ainsi obtenir la fonction de transfert du système décrit dans l'espace

d'état à partir des matrices A, B , C et D. On voit qu'il est nécessaire d'inverser la
matrice (s·I −A) qui est d'ordre n, ce qui peut constituer un travail considérable.

1er septembre 2007
d i R K 1 d w K R d J
= - × i - × w + × u = × i - × w = w
a a E T f
a a a
d t L L L d t J J d t
T
a a a
i w
e m
a
1 1 1
u K
1 1
a S
L
S
s
T
J
S
s s
q
a
-
R
R f
a
L J
a
e m
K E
f _ 0 2 _ 0 2 _ 1 6 . e p s
Fig.4.10 Une représentation graphique possible des équations d'état du moteur

DC (chier source).
L'expression de G(s) peut encore être développée en tenant compte de l'ex-

pression de l'inverse de (s · I − A) :
Y (s) [cof (s · I − A)]T

G (s) = =C· ·B+D
U (s) |s · I − A|
C · [cof (s · I − A)]T · B + D · |s · I − A| polynôme en s
= = (4.46)
|s · I − A| polynôme en s
On observe que le dénominateur de G(s) n'est autre que le déterminant de (s ·

I − A). Les racines du dénominateur étant les pôles s1 . . . sn de G(s), on voit que
ceux-ci correspondent aux valeurs propres de A, obtenues en résolvant :


 s1
 s2

dc (s) = |s · I − A| = 0 ⇒ .. (4.47)


 .
 s
n

1er septembre 2007
Exemple : moteur DC
La fonction de transfert G (s) = YU (s)
(s)
= UΘ(s)
a (s)
est obtenue en procédant par
étapes :
− La − KLEa 0
   Ra 
1 0 0
(s · I − A) = s ·  0 1 0  −  KJT − RJf 0 
0 0 1 0 1 0
 Ra KE 
s + La + La 0
=  − KT s + Rf 0 
J J
0 −1 s
[cof (s · I − A)]T
(s · I − A)−1 =
|s · I − A|
 
R
s · s + Jf s · KJT KT
 J 
cof (s · I − A) =  − La · s KT
s · s + La Ra Ra
s + La
 

 
R KT ·KE
0 0 s+ R La
a
· s + J
f
+ J·La
 
R
s · s + Jf −s · KLaT 0
 
T
[cof (s · I − A)] =  KT
·s s · s + La Ra
0
 
J 
 
KT Ra Ra Rf KT ·KE
J
s + La
s + La
· s + J
+ J·La

Ra Rf KT · KE
|s · I − A| = s · s+ · s+ +
L J J · La
a
2 R a · J + R f · La KT · KE + R a · R f
=s· s + ·s+
La · J La · J
 
Rf
s· s+ J −s · KLaT 0
 
KT
·s s· s+ R a
0
 
 J La 
 
KT Ra Ra Rf KT ·KE
J
s + La s + La · s + J + J·La
C · (s · I − A)−1 = 0 0 1 ·

R ·J+R ·L K ·K +R ·R
s · s2 + a La ·Jf a · s + T LEa ·J a f
h i
KT Ra Ra Rf KT ·KE
J
s + La
s + La
· s + J
+ J·La
=
s · s2 + a La ·Jf a · s + T LEa ·J a f
(4.48)
On voit ici que la connaissance de la matrice C peut permettre d'abréger le

calcul de l'inverse de (s · I − A), certaines composantes de cette dernière n'étant
de toute façon pas prises en compte dans le calcul. La même remarque s'applique
également à la matrice B intervenant dans le calcul suivant. Pour gagner du

1er septembre 2007
temps lors de l'extraction de (s · I − A)−1 en évitant le calcul de certaines de ses

composantes, on aura donc intérêt à prendre en compte la forme de B et C dès
le départ.
h i 
1
Rf

KT Ra Ra KT ·KE
J
s + La
s + La
· s + J
+ J·La L a
C · (s · I − A)−1 · B = · 0 
s · s2 + a La ·Jf a · s + T LEa ·J a f 0
KT
J
· L1a
=
Ra ·J+Rf ·La KT ·KE +Ra ·Rf
s · s2 + La ·J
·s + La ·J
(4.49)
d'où nalement :
T K
Y (s) −1 La ·J
G (s) = = C·(s · I − A) ·B+|{z}
D =
U (s) R ·J+R ·L
s · s2 + a La ·Jf a · s +
KT ·KE +Ra ·Rf
0 La ·J
(4.50)
Le calcul symbolique ci-dessus est fastidieux et pourrait être aisément réalisé
au moyen de logiciels de calcul symbolique comme Mathematica, Maple, Mathcad
(qui comprend quelques primitives de calcul de Maple) ou MATLAB et sa boîte
à outil Symbolic (à nouveau un extrait de Maple). Ce long calcul peut aussi être
évité si l'on se contente d'une solution numérique, laquelle est aisément obtenue
avec MATLAB au moyen de ss2tf ("State Space to Transfer Function")
Combiné avec printsys(numG,denG), le résultat est :
>> [numG,denG]=ss2tf(A,B,C,D);
>> printsys(numG,denG)
num/den =
-5.457e-012 s + 1.277e+004
------------------------------
s^3 + 162.4 s^2 + 1.533e+004 s
Du déterminant de (s · I − A) peuvent être extraites les valeurs propres, i.e. les

pôles s1 à s3 du système. Numériquement, cela peut se faire à l'aide de MATLAB
par la fonction eig ("eigenvalues "), ce qui donne ici :
>> eig(A)
ans =
0
-81.1766 +93.4977i
-81.1766 -93.4977i

1er septembre 2007
1
i
u
1 a
a S
L s
a
-
R
a
e
d i R K 1
L
a
= - × i - × w + × u
a a E
a a m
d t L L L
K
a a a
1 w
S
s
d w K R R
= × i - × w
T f f
a
d t J J J
T e m
1
K T
J
d J 1 q
= w
d t s
f _ 0 2 _ 0 2 _ 1 7 . e p s
Fig.4.11 Une autre représentation graphique des équations d'état du moteur

DC (chier source).

1er septembre 2007
4.1.6 Application : linéarisation autour d'un point de fonc-

tionnement ([[?], chap.11], [[?], 3.6])
Le but de ce paragraphe est de proposer une méthode permettant de linéariser
des systèmes non-linéaires en vue de pouvoir leur appliquer les méthodes d'analyse
réservées aux systèmes linéaires. Comme on le verra, la représentation du système
dans l'espace d'état s'avère être ici particulièrement avantageuse.
On considère l'équation d'état d'un système dynamique mono-variable, causal,
stationnaire, linéaire ou non-linéaire, représenté par n équations diérentielles
d'ordre 1 où la variable indépendante est le temps :
dx1
dt
= f1 (x1 , . . . xn ) + g1 (u)
dx2
dt
= f2 (x1 , . . . xn ) + g2 (u)
.. (4.51)
.
dxn
dt
= fn (x1 , . . . xn ) + gn (u)
y = h (x1 , . . . xn ) + d (u)
Il faut ici mentionner que souvent, un certain travail de mise en forme est né-
cessaire an d'obtenir les équations dans cette présentation, dite canonique. Des
logiciels de calcul symbolique comme Mathematica ou Maple peuvent ici être d'une
très grande utilité.
Si l'on considère ce système autour d'un point de fonctionnement Q (u0 , ~x0 ),
on peut écrire pour de petites variations (u, ~x) = (u0 + ∆u, ~x0 + ∆~x) :
fi (x1 , . . . , xn ) = fi (x10 + ∆x1 , . . . , xn0 + ∆xn ) ≈ fi (x10 , . . . , xn0 ) + ∆fi
∂fi ∂fi ∂fi
= fi (x10 , . . . , xn0 ) + · ∆x1 + · ∆x2 + . . . + · ∆xn
∂x1 ∂x2 ∂xn
(4.52)
De même, on a :
∂gi
gi (u) = gi (u0 + ∆u) ≈ gi (u0 ) + ∆ui = gi (u0 ) + · ∆u (4.53)
∂u
avec en particulier :
 
f1 (x10 , . . . , xn0 ) + g1 (u0 )
d  f2 (x10 , . . . , xn0 ) + g2 (u0 ) 
~x0 = ~0 =   (4.54)
dt  ··· 
fn (x10 , . . . , xn0 ) + gn (u0 )
On peut donc écrire :

∂f1 ∂f1 ∂f1 ∂g1
d

dt
∆x1 = ∂x1 · ∆x1 + ∂x2
· ∆x2 + . . . + ∂xn
· ∆xn + ∂u Q
· ∆u
Q Q Q
∂f2 ∂f2 ∂f2 ∂g2
d

dt
∆x 2 = ∂x1
· ∆x1 + ∂x2
· ∆x2 + . . . + ∂xn
· ∆xn + ∂u Q
· ∆u
Q Q Q (4.55)
..
.
∂fn ∂fn ∂fn ∂gn
d

dt
∆x n = ∂x1
· ∆x1 + ∂x2
· ∆x2 + . . . + ∂xn
· ∆xn + ∂u Q
· ∆u
Q Q Q

1er septembre 2007
qui devient en faisant usage de la forme matricielle,

  ∂f1 ∂f1 ∂f1
 
∂g1
· · ·
   
∆x1 ∂x1 ∂x2 ∂xn ∆x1 ∂u
∂f2 ∂f2 ∂f2  ∂g2
d  ∆x2   ∂x1 ∂x2 · · · ∂xn   ∆x2

(4.56)
     
=  ·   · · ·  · ∆u
+  ∂u
dt  · · ·   · · · · · · · · · · · ·   · · ·
∂fn ∂fn ∂fn ∂gn
∆xn ∂x1 ∂x2
· · · ∂x ∆xn ∂u Q
n Q
soit encore :
d (∆~x)
= A|Q · ∆~x + B|Q · ∆u (4.57)
dt
Pour l'équation d'observation, on a simplement :
y = h (~x0 + ∆~x) + d (u0 + ∆u) (4.58)
Le système est ainsi linéarisé autour du point de fonctionnement Q et peut donc

être traité comme un système linéaire pour de faibles accroissements autour de
Q. Le schéma fonctionnel correspondant apparaît ci-après sur la gure 4.12.
D
d / d t ( D x )
u
D x
u
B 1 / s
C y
S S S S
- Q
A Q
p o i n t d e
f o n c t i o n n e m e n T
u 0
x 0
f _ 0 2 _ 0 2 _ 0 2 . e p s
Fig. 4.12 Schéma fonctionnel pour de faibles accroissements (chier source).
Exemple
On considère un moteur DC à excitation séparée constante (gure 4.13 page
ci-contre), pour lequel l'inertie de la charge Jch est dépendante de la position
angulaire θ selon la loi
Jch = Jch (ϑ) = JN · (α + sin (ϑ)) (4.59)

1er septembre 2007
R L
a l i e r s
a a
w ( t )
p
u a
( t ) M
J
i a C o e f f i c i e n t I n e r t i e v a r i a b l e
d e f r o t t e m e n t e n f o n c t i o n d e
v i s q u e u x l a p o s i t i o n
R
f _ 0 2 _ 0 2 _ 0 6 . e p s
Fig. 4.13 Schéma technologique d'un moteur DC (chier source).
Cela représente par exemple un entraînement à came ou le bras d'un robot.

Pour cet exemple, le signal de sortie du système est la vitesse angulaire ω(t).
Le schéma fonctionnel est donné sur la gure 4.15 page 127. On y reconnaît un
bloc non-linéaire symbolisé conventionnellement par un rectangle aux bordures
doubles.
Les équations d'état sont :
dx1 dia Ra KE 1
= =− · ia − ·ω+ · ua
dt dt La La La
= f1 (x1 , x2 , x3 ) + g1 (u)
dx2 dω KT Rf KT Rf
= = · ia − ·ω = · ia − ·ω
dt dt Jt Jt JN · (α + sin (ϑ)) JN · (α + sin (ϑ))
= f2 (x1 , x2 , x3 ) + g2 (u)
dx3 dϑ
= =ω
dt dt
= f3 (x1 , x2 , x3 ) + g3 (u)
(4.60)
Ces mêmes équations, linéarisées autour du point de fonctionnement Q(ua0 , [ia0 , ω0 , θ0 ]),

1er septembre 2007
VALEUR DE L’INERTIE EN FONCTION DE LA POSITION ANGULAIRE

0.014
0.012
0.01
Inertie [kgm^2]
0.008
0.006
0.004
0.002
0
0 1 2 3 4 5 6 7
teta [rad]
Fig. 4.14 Evolution du moment d'inertie J en fonction de la position angulaire

θ.
deviennent, après calcul des dérivées partielles :
   ∂f1 ∂f1 ∂f1

    ∂g1 
∆x1 ∂x1 ∂x2 ∂x3 ∆x1
d  ∂f2 ∂f2 ∂f2
∂u
∂g2
∆x2  =   · ∆x2  +   · ∆u
  
∂x1 ∂x2 ∂x3 ∂u
dt ∂f3 ∂f3 ∂f3 ∂gn
∆x3 ∂x1 ∂x2 ∂x3
∆x3 ∂u Q
Q
   
−R − KLEa
  1 
0
 a
∆ia La ∆ia
d  KT 1 R 1
La
∆ω  =  · − JNf · 0  ·  ∆ω  +  0  · ∆ua
 
dt JN (α+sin(ϑ0 )) (α+sin(ϑ0 ))
∆ϑ 0 1 0 ∆ϑ 0
(4.61)
où en particulier la dérivée partielle de f2 (ia , ω, θ) par rapport à θ au point de

fonctionnement Q(u0 , [ia0 , ω0 , θ0 ])
∂f2 KT · ia0 − cos (ϑ0 ) Rf · ω0 − cos (ϑ0 )

= · 2 − · (4.62)
∂x3 JN (α + sin (ϑ0 )) JN (α + sin (ϑ0 ))2

1er septembre 2007
q ( t )
1
i a
( t ) T e m
( t )
1
R 1 1
u ( t ) S K S w ( t )
a
( a s i n ( J ) )
a L
T J × + s
+ s ×
a
1 N
-
R a
R f
K E
f _ 0 2 _ 0 2 _ 0 7 . e p s
Fig. 4.15 Schéma fonctionnel d'un moteur DC entraînant une inertie variable
en fonction de la position angulaire θ (chier source).
est bel et bien nulle puisque

∂f2 KT · ia0 − cos (ϑ0 ) Rf · ω0 − cos (ϑ0 )
= · 2 − ·
∂x3 JN (α + sin (ϑ0 )) JN (α + sin (ϑ0 ))2

− cos (ϑ0 ) KT Rf
= · · ia0 − · ω0
(α + sin (ϑ0 )) JN · (α + sin (ϑ0 )) JN · (α + sin (ϑ0 ))
| {z }
f2 (x10 ,...,xn0 )+g2 (u0 )=0
=0
(4.63)
On peut alors en déduire, selon les besoins, les pôles, les constantes de temps
ou la fonction de transfert liant l'entrée ∆ua et la sortie de son choix.
∆Ω(s)
Pour obtenir la fonction de transfert Ga (s) = ∆U a (s)
, on élimine le courant
∆ia des équations ci-dessus en l'extrayant de la première équation :

Ra KE 1
s+ · ∆Ia (s) = − · ∆Ω (s) + · ∆Ua (s)
La La La
− KLEa 1 (4.64)
La
∆Ia (s) = · ∆Ω (s) + · ∆Ua (s)
s+ R La
a
s+ R a
La
En introduisant ce résultat dans la seconde équation, on a successivement :

 K 1

KT 1 − LE La Rf 1
a
s · ∆Ω (s) = · ·  · ∆Ω (s) + · ∆Ua (s) − · · ∆Ω (s)
JN (α + sin (ϑ0 )) s+ RL
a s+ R
L
a JN (α + sin (ϑ0 ))
a a
  KE 
1
1 Rf KT La KT 1 a L
s + · + ·  · ∆Ω (s) = · · · ∆Ua (s)
(α + sin (ϑ0 )) JN JN s + Ra
La
JN (α + sin (ϑ0 )) s+ R
L
a
a
!!
Ra 1 Ra KT KE Rf KT 1 1

s· s+ + · s+ + · · ∆Ω (s) =· · · · ∆Ua (s)
La (α + sin (ϑ0 )) JN La JN La JN La (α + sin (ϑ0 ))
! !!
2 Ra 1 Rf 1 Rf Ra KT KE KT 1 1
s +s· + · · + · · + · · ∆Ω (s) = · · · ∆Ua (s)
La (α + sin (ϑ0 )) JN (α + sin (ϑ0 )) JN La JN La JN La (α + sin (ϑ0 ))
(4.65)

1er septembre 2007
La fonction de transfert en régime d'accroissements est nalement, présentée

sous forme d'Evans (Laplace) puis sous forme de Bode :
∆Ω (s)
Ga (s) =
∆Ua (s)
ka
=
s2 + a1 · s + a0

T K 1
La ·JN
· (α+sin(ϑ
0 ))
=
Rf

Rf ·Ra +KT ·KE
(4.66)
R 1 1
s2 + s · L a + (α+sin(ϑ )) · J + (α+sin(ϑ · La ·JN
a 0 N 0 ))
KT 1
= · 
Rf

Rf · Ra + KT · KE Ra
+ 1 ·
La (α+sin(ϑ0 )) JN
1 + ·s+ 1 · s2 
 
Rf ·Ra +KT ·KE Rf ·Ra +KT ·KE

1 · 1 ·
(α+sin(ϑ0 )) La ·JN (α+sin(ϑ0 )) La ·JN
Le système à régler étudié a donc des caractéristiques dynamiques dépendant

du point de fonctionnement Q(u0 , [ia0 , ω0 , θ0 ]). An d'en juger les eets, on trace
(gure 4.16) la réponse indicielle de Ga (s) en diérents points de fonctionnement
xés par la valeur de la position angulaire θ :
rad

Q(u0 , [ia0 , ω0 , θ0 ] = Q 1 [V], 0 [A], 0 ◦
, θ0 = 0 . . . 330 [ ] (4.67)
s
On constate très clairement l'inuence de la valeur de la position angulaire sur

le comportement dynamique du système. Il va donc de soi qu'il faut prendre
en compte cet eet si le système est destiné être contre-réactionné en vue d'un
asservissement de position, de vitesse ou encore de courant.

1er septembre 2007
REPONSES INDICIELLES EN DIFFERENTES POSITIONS ANGULAIRES

3
2.5
240
2
vitesse angulaire [rad/s]
300
0
1.5 210
270
30
180
1 60
150 120 90
0.5 330
0
0 0.01 0.02 0.03 0.04 0.05 0.06
t [s]
Fig. 4.16 Réponses indicielles du système à régler en fonction de la position

angulaire.

1er septembre 2007

1er septembre 2007
4.A Exercices
4.A.1 Modèles d'état
1. Donner le modèle d'état du double intégrateur (analogique) et en obtenir
la fonction de transfert à partir de ce modèle.
2. Donner le modèle d'état du système dynamique linéaire ayant pour fonction
de transfert (intégrateur et constante de temps) :
Y (s) K 1
G(s) = = ·
U (s) s (1 + s · T )
3. Déterminer le modèle d'état global résultant de la mise en série de deux

systèmes dynamiques linéaires a et b donnés par leurs équations d'état.
Indication : former le vecteur d'état global

x~
~x = a
x~b
4. Déterminer le modèle d'état global résultant de la mise en contre-réaction

d'un système dynamique linéaire donné par ses équations d'état.
4.A.2 Modélisation et schéma fonctionnel d'un entraîne-

ment avec transmission exible
Soit le système mécanique suivant, constitué de deux inerties accouplées par
un arbre exible (i.e. non-inniment rigide, élastique...). Il s'agit par exemple du
rotor d'un moteur électrique et de sa charge (gure 4.17 page suivante).
h i
Les paliers créent un couple de frottement visqueux total Rf Nrad·m
, et l'arbre
s
liant les masses en rotation est de rigidité k rad . Les couples résistants Trés1 et
N·m
Trés2 agissent sur les charges J1 et J2 au titre de perturbations.

1. Modéliser ce système par ses équations diérentielles. Donner son modèle
d'état, i.e. ses n équations diérentielles d'ordre 1.
2. Calculer les pôles et les zéros de la fonction de transfert
position angulaire de J1 θ1 (s)

G1 (s) = =
couple moteur Tem (s)
3. Donner le schéma fonctionnel détaillé du système en se basant sur le mo-

dèle d'état. Les seuls élément dynamiques y apparaissant doivent être des
intégrateurs.

1er septembre 2007
c o e f f i c i e n t d e
f r o t t e m e n t v i s q u e u x :
d e s p a l i e r s
R f
[ N m s / r a d ]
T e m
( t ) q 1
( t ) q 2
( t )
R f
R f
r i g i d i t é d e l 'a r b r e
d e t r a n s m i s s i o n :
k [ N m / r a d ]
i n e r t i e d u r o t o r : i n e r t i e d e l a c h a r g e :
J 1
J 2 f _ 0 7 _ 0 1 . e p s
Fig. 4.17

1er septembre 2007
4. A l'aide de MATLAB, tracer les réponses impulsionnelles et fréquentielles

du système. Calculer également les fonctions de tranfert
G1 (s) = =
G2 (s) = =
Paramètres :
J1 = 0.45 · 10−3 [kg · m2 ]

J2 = 25 · 10−3 [kg · m2 ]
" #
N · m
Rf = 20 · 10−3 rad
s
N·m

k = 1740
rad
Commandes MATLAB (Control System Toolbox )

impulse(A,B,C,D) ouimpulse(num,den)
bode(A,B,C,D) ou bode(num,den)
G=ss2tf(A,B,C,D,iu,iy)
4.A.3 Modélisation et linéarisation du pendule inversé

On considère le système dont le schéma technologique est donné sur la -
gure 4.18. Il s'agit du fameux pendule inversé, maintenu en équilibre vertical par
un système d'asservissement de l'angle ϕ et de la position x.
1. Partant des équations de la dynamique, donner le modèle d'état du pendule.
2. Linéariser le modèle d'état autour de point de fonctionnement correspon-
dant aux position angulaires ϕ = 0 [◦ ] et ϕ = 180 [◦ ].
3. Calculer les fonctions de transfert
X(s)
GF x (s) =
F (s)
et
Φ(s)
GF ϕ (s) =
F (s)
aux deux points de fonctionnement ci-dessus. Quels sont les pôles de ces
fonctions de transfert ?

1er septembre 2007
Fig. 4.18 Schéma technologique du pendule inversé.

1er septembre 2007
Bibliographie
[1] Lennart Ljung. System Identication, Theory for the User. Prentice-Hall
information and system sciences series, Thomas Kailath Editor, 1987. Bi-
bliothèque HEIG-VD No 40.162-27/02.
[2] F. de Coulon. Traité d'electricité. In Théorie et traitement des signaux,
volume 6. Presses Polytechniques Romandes, Lausanne, 1984. bibliothèque
HEIG-VD No 32.100-23.
[3] M.Kunt. Traité d'électricité. In Traitement numérique des signaux, vo-

lume 20. Presses Polytechniques Romandes, Lausanne, 1984. Bibliothèque
HEIG-VD No 32.100-23.
[4] Tannenbaum Doyle, Francis. Feedback control theory. Maxwell Macmillan

international editions, 1992. Bibliothèque HEIG-VD No 40.112-04.
[5] R.Longchamp. Commande numérique de systèmes dynamiques. Presses Po-
lytechniques Romandes, 1995. Bibliothèque HEIG-VD No 40.120-11.
[6] B.Wittenmark K.Åstrom. Computer controlled systems. Prentice-Hall, 1990.
Bibliothèque HEIG-VD No 40.122-03.
[7] Lennart Ljung & Torkel Glad. Modeling of Dynamic Systems. Prentice-
Hall information and system sciences series, Thomas Kailath Editor, 1994.
Bibliothèque HEIG-VD No 40.162-32.
[8] Michel Etique. Régulation numérique. Cours polycopié, HEIG-VD , http:
//iai.eivd.ch/users/mee/, 2005.
[9] Rolf Iserman. Identikation dynamischer Systeme, Band I & II. Springer-
Verlag, 1988. Bibliothèque HEIG-VD No 40.162-25/01 et 40.162-26/01.
[10] F.Mudry. Introduction au traitement de signal. Cours polycopié, EINEV,
1992.

1er septembre 2007

1er septembre 2007

Automatique Avancee PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Automatique Avancee PDF

Transféré par

Droits d'auteur :

Formats disponibles

Haute Ecole d'Ingéniérie et de Gestion du

canton de Vaud (HEIG-VD )

Département des technologies industrielles

Prof. Michel ETIQUE, mars 2006,

v.1.0 2 MEE \cours_aav.tex

Table des matières

1 Identication des systèmes dynamiques linéaires 9

v.1.0 3 MEE \cours_aav.tex

1.D.6 Dénition de la TFD . . . . . . . . . . . . . . . . . . . . . 64

3 Régulateur RST polynômial 93

4 Modélisation des systèmes dynamiques dans l'espace d'état 107

v.1.0 4 MEE \cours_aav.tex

4.A.1 Modèles d'état . . . . . . . . . . . . . . . . . . . . . . . . 131

v.1.0 5 MEE \cours_aav.tex

Fiche d'unité d'enseignement

Département d’électricité et d’informatique (E+I)

FICHE D’UNITE D’ENSEIGNEMENT

Périodes encadrées : 64 (= 48 heures)

Connaissances préalables recommandées :

Version du 04.11.2005 Page 1/2

v.1.0 6 MEE \cours_aav.tex

Département d’électricité et d’informatique (E+I)

Fiche d’unité d’enseignement : Automatique avancée

Travaux de laboratoire : 14 périodes encadrées

Contrôle des connaissances :

Calcul de la note finale de module :

Contrôle final de 2ème instance :

Version du 04.11.2005 Page 2

v.1.0 7 MEE \cours_aav.tex

v.1.0 8 MEE \cours_aav.tex

1.1 Identication non-paramétrique de systèmes

Identification, v.1.8 9 MEE \cours_aav.tex

Fig. 1.2  Représentation du problème : la vraie fonction de transfert est G0 (z)

1.1.1 Estimation de réponse harmonique : ETFE [1]

Identification, v.1.8 10 MEE \cours_aav.tex

 σ 2 = E (v(k) − µ)2 = λ, i.e. la variance de v(k) est égale à λ. Notons que

Cette estimation porte le nom de ETFE (empirical transfer function estimate ).

1.1.2 Propriétés de l'ETFE

YN (ω) RN (ω) VN (ω)

Identification, v.1.8 11 MEE \cours_aav.tex

fois an de mettre la sortie y(k) du système en régime permanent périodique.

On examine les cas suivants :

Identification, v.1.8 12 MEE \cours_aav.tex

Fig. 1.4  Comparaison de la vraie réponse harmomique G0 (ej·ω·h ) et de son

Identification, v.1.8 13 MEE \cours_aav.tex

Fig. 1.6  Comparaison de la vraie réponse harmomique G0 (ej·ω·h ) et de son

Identification, v.1.8 14 MEE \cours_aav.tex

Identification, v.1.8 15 MEE \cours_aav.tex

Fig. 1.8  Comparaison de la vraie réponse harmomique G0 (ej·ω·h ) et de son

Identification, v.1.8 16 MEE \cours_aav.tex

1.1.3 Propriétés statistiques de l'ETFE

Identification, v.1.8 17 MEE \cours_aav.tex

Diagramme de Bode de YN(ω)/UN(ω)

Identification, v.1.8 18 MEE \cours_aav.tex

Fig. 1.10  Schéma technologique d'un système mécanique (supposé linéaire),

Signal d’entrée : SBPA de 1024 points

Identification, v.1.8 19 MEE \cours_aav.tex

Corrélation entre deux fréquences voisines

Identification, v.1.8 20 MEE \cours_aav.tex

Fig. 1.13  Comparaison de la vraie réponse harmomique G0 (ej·ω·h ) et de son

Identification, v.1.8 21 MEE \cours_aav.tex

Fig. 1.15  Comparaison de la vraie réponse harmomique G0 (ej·ω·h ) et de son

Cet exemple met en évidence l'importance du signal d'excitation. Dans le dernier

1 Identication des systèmes dynamiques linéaires 9

1.D.6 Dénition de la TFD . . . . . . . . . . . . . . . . . . . . . 64

1.1 Identication non-paramétrique de systèmes

Fig. 1.2 Représentation du problème : la vraie fonction de transfert est G0 (z)

σ 2 = E (v(k) − µ)2 = λ, i.e. la variance de v(k) est égale à λ. Notons que

fois an de mettre la sortie y(k) du système en régime permanent périodique.

Fig. 1.4 Comparaison de la vraie réponse harmomique G0 (ej·ω·h ) et de son

Fig. 1.6 Comparaison de la vraie réponse harmomique G0 (ej·ω·h ) et de son

Fig. 1.8 Comparaison de la vraie réponse harmomique G0 (ej·ω·h ) et de son

Fig. 1.10 Schéma technologique d'un système mécanique (supposé linéaire),

Fig. 1.13 Comparaison de la vraie réponse harmomique G0 (ej·ω·h ) et de son

Fig. 1.15 Comparaison de la vraie réponse harmomique G0 (ej·ω·h ) et de son

Fig. 1.17 Comparaison de la vraie réponse harmomique G0 (ej·ω·h ) et de son

1.2 Identication paramétrique

Les méthodes d'identication paramétrique se doivent donc de délivrer les esti-

Fig. 1.18 Modèle de structure générale, prenant en compte les perturbations

Fig. 1.19 Modèle de structure ARX (chier source).

et l'équation aux diérences associée à cette structure est donc :

Fig. 1.20 Modèle de structure ARMAX (chier source).

L'équation aux diérences correspondante est :

Fig. 1.21 Modèle de structure générale, prenant en compte les perturbations

(k) = y(k) − ŷ(k)

où (k) correspond donc à l'erreur de prédiction y(k) − ŷ(k). On obtient :

Fig. 1.22 L'identication paramétrique du système mécanique conduit à une

Fig. 1.25 Erreur de prédiction (k) (chier source).

Fig. 1.26 Fonctions d'autocovariance de (k) et d'intercovariance (covariance

laquelle est également représentée sur la gure 1.26.

Fig. 1.28 Illustration de la dispersion des paramètres du premier modèle, selon

au paramètre T sera maximale à la pulsation ω = T1 , valeur obtenue résol-

Fig. 1.29 Illustration de la dispersion des paramètres du modèle obtenu avec

Fig. 1.31 Illustration de la dispersion des paramètres du modèle obtenu avec