Vous êtes sur la page 1sur 11

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L’ENSEITGNEMNT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE


ECOLE NATIONALE POLYTECHNIQUE DE CONSTANTINE
DEPARTEMENT EEA

COMPTE RENDU

‘TP 01’
THEORIE DES VARIABLES ETATS

Encadré par :

Docteur Amar BOUAFASSA


Ecole Nationale Polytechnique de Constantine
amar.bouafassa@gmail.com

Réalisé par :

Badreddine BOUSEBA
badreddine.bouseba@gmail.com

2ème Année Cycle Ingénieur


Filière Automatique

Année Universitaire : 2018/2019

1- Objectifs du TP :

Page | 1
Ce TP a pour objectif d’illustrer les principes de la modélisation dans l’espace d’état, et le lien entre
les propriétés des formes d’état et les propriétés des systèmes linéaires mono variable.

2- Préparation :
Une représentation d’état n’est pas unique : plusieurs réalisations (A, B, C, D) peuvent décrire le
même système.

2.1 Les matrices A, B et C sont liées au vecteur d’état X => un changement dans le vecteur d’état X
= un changement dans ces matrices.

La matrice D est une matrice de couplage entre l’entrée et la sortie. Quelle que soit les variables qu’on
a choisi d’étudier, l’entrée et la sortie de notre système ne changera pas.

2.2- Vérification si deux modèles d’état (A1, B1, C1, D1) et (A2, B2, C2, D2) sont équivalents :

- D1=D2 (le changement du vecteur d’état n’infule pas sur l’entrée et sortie du système.

- A1 et A2 ont les mêmes valeurs propres.

- Les deux représentations donnent la même fonction de transfert

- il existe une matrice de transition T telle que :

𝐴2=𝑇−1𝐴1𝑇

𝐵2=𝑇−1𝐵1

𝐶2=𝐶1𝑇

2.3- Soit le système du 2nd ordre représenté par sa fonction de transfert H(s) :
𝐻(𝑠)=(𝜔𝑛²/𝑠2+2𝜀𝜔𝑛𝑠+𝜔𝑛2)=Y(s)/U(s)

=> 𝑌(𝑠)∗[ 𝑠2+2𝜀𝜔𝑛𝑠+𝜔𝑛2]=𝑈(𝑠)∗ 𝜔𝑛²

Transformé inverse de LAPLACE :

𝐿−1{𝑌(𝑠)∗[ 𝑠2+2𝜀𝜔𝑛𝑠+𝜔𝑛2]}=𝐿−1{𝑈(𝑠)∗ 𝜔𝑛²}

=> Y’’(𝑡)+2𝜀𝜔𝑛Y’(𝑡)+𝜔𝑛2𝑌(𝑡)=𝜔𝑛2𝑢(𝑡)

Y’(𝑡)=𝑋1(𝑡) , 𝑌(𝑡)=𝑋2(𝑡)

X’2(𝑡)=Y’(𝑡) 𝑒𝑡 X’1(𝑡)=Y’’(𝑡)

Finalement on trouve les matrices mentionnées dans la brochure.

3- Manipulation :
Page | 2
I/

>> s=tf('s')

s=

Continuous-time transfer function.

>> F=(2*s+1)/(s^3+3*s^2+5*s+3)

F=

2s+1

---------------------

s^3 + 3 s^2 + 5 s + 3

Continuous-time transfer function.

>> [num,deno]=tfdata(F,'v')

num =

0 0 2 1

Page | 3
deno =

1 3 5 3

>> pzmap(F)

>> [Z,P,K]=zpkdata(F,'v')

Z=

-0.5000

P=

Page | 4
-1.0000 + 1.4142i

-1.0000 - 1.4142i

-1.0000 + 0.0000i

K=

>> Fnew=zpk(Z,P,K)

Fnew =

2 (s+0.5)

--------------------

(s+1) (s^2 + 2s + 3)

Continuous-time zero/pole/gain model.

>> [A,B,C,D]=ssdata(F)

A=

-3.0000 -2.5000 -1.5000

2.0000 0 0

0 1.0000 0

B=

Page | 5
1

C=

0 1.0000 0.5000

D=

>> deno

deno =

1 3 5 3

>> poly(A)

ans =

1.0000 3.0000 5.0000 3.0000

>> eig(A)

Page | 6
ans =

-1.0000 + 1.4142i

-1.0000 - 1.4142i

-1.0000 + 0.0000i

>> pole(F)

ans =

-1.0000 + 1.4142i

-1.0000 - 1.4142i

-1.0000 + 0.0000i

On suit le meme raisonnement pour les autres systèmes.

II/

>> e=0.75

e=

0.7500

>> wn=200

wn =

Page | 7
200

>> A=[-2*e*wn,-wn^2;1 0]

A=

-300 -40000

1 0

>> B=[wn^2;0]

B=

40000

>> C=[0 1]

C=

0 1

>> D=0

D=

Page | 8
Figure tiré du scope

Page | 9
- wn influent sur le temps de réponse : Plus wn est grand plus le temps de réponse
diminue.
- e est le facteur d’amortissement : Plus e augmente la stabilité augmente.

En boucle fermé

Page | 10
Page | 11

Vous aimerez peut-être aussi