Académique Documents
Professionnel Documents
Culture Documents
Techniques Commande Avancee PDF
Techniques Commande Avancee PDF
Année : 2014/2015
Table des matières
Chapitre 1 Représentaon d’état des systèmes
1.1. INTRODUCTION .............................................................................................. 1
1.2. VARIABLES D’ETAT D’UN SYSTEME DYNAMIQUE ............................................. 1
1.3. EQUATIONS D’ETAT ........................................................................................ 2
1.4. PASSAGE D’UNE REPRESENTTATION D’ETAT VERS FONCTION DE TRANSFERT.. 4
1.5. TRANSFORMATION D’UNE FONCTION DE TRANSFERT VERS L’ESPACE D’ETAT . 6
1.5.1. REPRESENTATION MODALE .............................................................................. 6
1.5.2. REPRESENTATION SERIE OU CASCADE ............................................................... 7
1.5.3. REPRESENTATION COMPAGNE COMMANDABLE ............................................... 8
1.5.4. REPRESENTATION COMPAGNE OBSERVABLE .................................................... 10
1.6. COMMANDABILITE ET OBSERVABILITE D’UN SYSTEME .................................. 12
1.6.1. NOTION DE COMMANDABILITE ......................................................................... 12
1.6.2. DEFINITION1 ..................................................................................................... 12
1.6.3. DEFINITION DE LA COMMANDABILITE PAR LA NOTION MODALE ....................... 12
1.6.4. CRITERE DE COMMANDABILITE ......................................................................... 13
A. Théorème de Kalman ............................................................................................ 13
1.6.5. NOTION D’OSERVABILITE .................................................................................. 14
1.6.6. DEFINITION ....................................................................................................... 15
1.6.6. CRITERE D’OBSERVABILITE ................................................................................ 15
A. Théorème de Kalman ............................................................................................ 15
i
2.4. EXERCICES D’APPLICATION ............................................................................. 21
Chapitre 4 Transformée en Z
4.1. INTRODUCTION .............................................................................................. 36
ii
Chapitre 5 Commande adaptave
5.1. INTRODUCTION .............................................................................................. 46
iii
Chapitre 1 Représentation d’état des systèmes
1.1. INTRODUCTION :
Toutes les méthodes étudiées jusqu’à présent de l’asservissement linéaire
restent valables et efficaces jusqu’à ce que ces systèmes atteignent une complexité telle
que l’on ne puisse plus se satisfaire de l’unique relation entrée – sortie (c'est-à-dire les
systèmes mono-variables SISO: Single Input Single Output) pour les commander
correctement. De même, ces modèles deviennent difficiles à mettre en œuvre lorsque les
systèmes étudiés possèdent plusieurs entrées et plusieurs sorties cas d’un système
multi-variable (MIMO : Multi Input Multi Output).
Les théories de commande avancées sont basées complètement sur les modélisations
modernes sous la forme des variables d'état. La représentation d’état des systèmes est
un outil puissant permettant de modéliser le fonctionnement de systèmes linéaires, en
temps continu ou en temps discret et qui possède en outre, l’avantage de conserver la
représentation temporelle des phénomènes.
Exemple : considérons l’exemple de la figure 1 décrit par les équations différentielles suivantes :
U (1-1)
L(F) G R
NS
C NP
B T(F) G HK L (F) J Q (F)
1
Chapitre 1 Représentation d’état des systèmes
Lorsqu’un système est modélisé sous la forme d’une représentation d’état, on montre
qu’il est faisable d’exprimer l’état du système à un instant donné en fonction du signal
d’entrée à ce même instant et en fonction de son « passé », autrement dit, de son état
précédent. Comme nous avons affaire à des variables continues du temps, la notion
2
Chapitre 1 Représentation d’état des systèmes
zII zIK .... zIq h (t) |II |IK ... |Iℓ E (t)
Avec un vecteur de commande de dimension ℓ et un vecteur de sortie de dimension m.
h i (F )
p I t pzKI zKK ....zKq t p I t p|KI |KK ...|Kℓ t p I t
o hKi (F) h (t)
. s o . . .... . s o K . s o . . ... . s o K. s
E (t)
o . s o . . .... . s o . s o ... . s o . s
o sGo so sJo . . so s (1-4)
o . s o . . . .. . . so . s o . . . .. . so . s
o . s o . . .... . s o . s o . . ... . s o . s
nhvqiw
u (F)r nzqI zqK ....zqq r u
vx uvvvwvvvx (t)r
nhvqw vx uv
n|qI |qK..v
vvwv .|vx nE (t)r
qℓ r uvℓwvx
yi (P) { y(t) } ~(P)
T (t) II IK .... Iq h (t) II IK ... Iℓ E (t)
p I t p KI KK .... Kq t p I t p KI KK ... Kℓ t p I t
o TK (. t) s o . . .... . s o hK.(t) s o . . ... . s oEK.(t)s
o . s o . . .... . s o . s o ... . s o . s
o sGo so sJo . . so s (1-5)
o . s o . . .... . s o . s o . . ... . s o . s
o . s o . . .... . s o . s o . . ... . s o . s
nTvw(v
u )r uv
tx nI K ...v
vvvwv .vq
vxr u (v
nhvqw )r uv
tx nI
vv
vwv ...
K v
nE (t) r
ℓ r uvℓwvx
vvx
(P) y(t)
~(P)
3
Chapitre 1 Représentation d’état des systèmes
Exemple :
Reprenons notre exemple de la figure (1-1), le système d’équations (1-1) peut s’écrire
sous la forme matricielle suivante :
(\ J ] ) \
D
([)
G \
[ ([) \ U ([)
J ([)
C ([)
([)
[
([) G ] \]
B ([)
Remarque :
Dans le cas d’un système discret, ces équations prennent la forme suivante :
On se restreint au cas d’un système à une entrée et une sortie. Exprimons la fonction de
transfert G(p) du système en fonction des matrices A, B, C et D.
Dans le cas des systèmes multi-entrées multi-sorties (système MIMO), G est une matrice
des fonctions de transfert entre une entrée et une sortie. Par exemple :
4
Chapitre 1 Représentation d’état des systèmes
0 1 0
hi (F) G a b h(F) J a b E(F), T(F) G [1 0]h(F)
10 7 1
La matrice (pIn–A) dans cet exemple devient :
¤ 1
(¤±K j) G
10 ¤J7
Et son inverse est calculé par :
¤J7 1
z· (¤±q j)
10 ¤
(¤±K j)²I G G
F (¤±q j) ¤K J 7¤ J 10
La fonction de transfert, donc, est donnée par :
¤J7 1 0
[1 0] a b
¯ (¤) 10 ¤ 1 1
G(¤) G G R[(¤±q j)²I k] G G K
®(¤) ¤ J 7¤ J 10
K ¤ J 7¤ J 10
Dans cet exemple, nous observons que le déterminant de la matrice (pI2 - A) est égal au
polynôme de dénominateur de G(p). C'est-à-dire que les pôles de la fonction de transfert
correspondent aux zéros de det(pIn A) qui est aussi le polynôme caractéristique de la
matrice d’état A. Par conséquent, les pôles de G(p) sont les valeurs propres de la matrice
d’état A.
5
Chapitre 1 Représentation d’état des systèmes
Remarque : Dans le cas d’un système à plusieurs entrées et/ou plusieurs sorties, on
définit de manière analogue une matrice de transfert.
Exemple : on considère les deux systèmes LTI:
0 1 ( ) 0 1 0 ( )
hi (F ) G a b h F J a b E (F), T(F ) G a bh F
10 7 1 0 1
0 1 ( ) 0.5 0 ( ) 1 0 ( )
hi (F) G a bh F J a bE F , T(F) G a bh F
10 7 0 1 0 1
Comme nous l’avons déjà cité, la représentation d’état d’un système n’est
pas unique. Nous présentons ici des méthodes pour procéder un ensemble de
représentation des variables d'état d’un système continu à partir d’une fonction de
transfert G(p). Le choix de la représentation peut dépendre de la forme disponible de la
fonction de transfert ou du type d’étude que l’on souhaite réaliser à partir du modèle.
Rappelons pareillement que la représentation d’état d’un système n’est pas unique et
que les propriétés du système ne sont en aucun cas liées à la forme choisie.
£(¤) G G J J ÃJ (1-14)
¥(¦) ÀÁ À Àµ
~(¦) ¦²¦Á ¦²¦Â ¦²¦µ
6
Chapitre 1 Représentation d’état des systèmes
¤I 0 … 0
D 0¤ 0 0 1
hi (F) G K Å
Ä Å 0 U h(F) J 1 E(F)
C 0 … 0 ¤q Ä
1
BT(F) G [ÆI ÆK … Æq ] h (F)
Remarques
A est diagonale; les éléments diagonaux correspondent aux pôles du système.
Si le système a des pôles multiples, A est diagonale par blocs.
-
-
La présence d’un numérateur modifie les pondérations dans la décomposition en
éléments simples; seules les matrices C et D sont affectées.
-
(») É
È(») G G
(») (» »\ )(» »] ) … (» »_ )
7
Chapitre 1 Représentation d’état des systèmes
Figure (1-4) Représentation d’état d’un bloc du second ordre non décomposable.
£ (¤) G G avec Ò Ó
Ì(¦) ÍÎ ¦Î ÏÍÎÐÁ ¦ÎÐÁ ÏÃÏÍÁ ¦ÏÍÑ
(¦) ³µ ¦µ ϳµÐÁ ¦µÐÁ ÏÃϳÁ ¦Ï³Ñ
8
Chapitre 1 Représentation d’état des systèmes
9
Chapitre 1 Représentation d’état des systèmes
0 1 0 … 0
D p 0 0 1 Å 0 t 0
o s p0t
hi (F) G o Ä Ä Å Å Ä s U o s
D’où : 0 0 … 1 h(F) J o Ä s E(F)
C o 0 s
nzÕ zI … … zq²I r o0s
n1r
BT(F) G [|Õ … | 0 … 0]h(F)
Cette forme de représentation est appelée forme compagne car la matrice de commande
du système contient, en une seule ligne, l’ensemble des coefficients du dénominateur de
la fonction de transfert. Elle est dite commandable car, bien que seule la variable hq soit
directement affectée par le signal d’entrée, toutes les variables d’état s’en trouvent
influencées par intégrations successives. Si un système est complètement commandable,
alors on peut le mettre sous forme compagne commandable.
Remarques
- Si Ò ¸ alors l Þ 0.
Toute l’information relative au dénominateur de la fonction de transfert est
mémorisée dans la matrice d’état A.
-
10
Chapitre 1 Représentation d’état des systèmes
I q I q² I q
Soit : ¯(¤) G azq²I ߦà J à J zÕ ß¦à b ¯(¤) J a| ߦà J à J |Õ ß à b ®(¤)
I
¦
hi I G zÕ hq J |Õ E (F)
D
hi K G hI zI hq J |I E(F)
Ä
hi ÏI G h z hq J | E(F)U
C Ä
hi q G hq²I zq²I hq
B T(F) G hq
0 … … … 0 zÕ |Õ
D p1 0 … … 0 zI t pÄt
o 1 0 … 0 Ä s o s
0 s h(F) J o|q sU
hi (F) G o Å Å Å Ä Ä s
D’où : oÄ o 0 s E (F )
C o0 … 0 1 0 Ä s oÄs
n0 … 0 0 1 zq r n0r
B T(F) G [0 … 0 1]h(F)
Cette forme de représentation est appelée forme compagne observable car, outre le fait
que la matrice de commande du système contient, en une seule colonne, l’ensemble des
coefficients du dénominateur de la fonction de transfert, on remarque que la sortie de ce
système est égale à hq qui, par intégrations successives, est bien influencée par toutes
les variables d’état. Si un système est complètement observable, alors on peut le mettre
sous forme compagne observable.
11
Chapitre 1 Représentation d’état des systèmes
12
Chapitre 1 Représentation d’état des systèmes
placées en des positions préfixées (ÆÕ ¸ÆI . . . ¸Æq²I ) (valeurs complexes). L’existence
d’une solution est étudiée à travers la notion de commandabilité.
Un système est commandable si et seulement si, pour toute contrainte modale
(ÆÕ ¸ÆI . . . ¸Æq²I ), il existe un retour d’état linéaire L satisfaisant. On montre que, dans le
cas d’un système monovariable SISO (une entrée, une sortie), si le retour d’état L existe,
il est unique.
Remarques
- Si un système n’est pas complètement commandable alors pour certaines
conditions initiales il n’existe pas d’entrée de commande pouvant ramener le
système à l’origine.
- La commandabilité est une notion importante puisqu’elle établit le fait que l’on
puisse commander le système afin de modifier son comportement (stabilisation
d’un système instable, modification des dynamiques propres). Cette notion joue
donc un rôle très important dans la théorie de la synthèse de systèmes de
commande dans l’espace d’état.
Un système trivialement non commandable est celui dont la matrice d’entrée est
nulle, B G 0.
-
13
Chapitre 1 Représentation d’état des systèmes
h(F) 5 0 0
G 0 2 0 h(F)U 1
é F J 0 E(F)
0 0 4
T(F) G [2 0 4]h(F) 1
14
Chapitre 1 Représentation d’état des systèmes
placé au bon endroit, à l’intérieur du système, peut nous donner accès à l’information
recherchée. Dans ce cas, on dit que la variable d’état considérée est mesurable. Dans
d’autres cas, cette investigation directe n’est pas possible. La grandeur est alors dite non
mesurable.
En revanche, elle peut, tout en étant non mesurable, influencer la sortie T(F) du système.
Il est alors possible, à partir de la mesure de la sortie, de déduire la grandeur considérée.
On dit que celle-ci est observable.
1.6.6. DEFINITION :
R
p Rj t
ío sð
zç(ê) G zç ìo RjK sï G
o Ä s
ënRjq²I rî
15
Chapitre 1 Représentation d’état des systèmes
Remarque :
L’observabilité d’un système de matrices caractéristiques (A,C) sera appelée
observabilité de la paire (A,C).
Exemple 4
Soit le système modélisé par:
hi I (F) 1 1 hI (F) 0
Ga b J a b E(F)
hi K (F) 1 2 hK (F) 1
h (F)
T(F) G [1 0] I
hK (F )
1) Vérifier l’observabilité de système
Exemple 5
Si l’on mesure la vitesse angulaire, les matrices dynamiques et de sortie du satellite sont,
0 1
jGa b; R G [1 0 ]
0 0
Exemple 6
Considérer le système donné par :
2 0 1
hi (F) G a b h(F) J a b E(F)
1 1 1
T(F) G [1 1]h(F)
1) Vérifier la contrôlabilité et l'observabilité de système.
16
Chapitre 2 Commande par retour d’état
2 .1 . INTRODUCTION
La commande par retour d’état est à la commande des systèmes modélisés
par leur représentation d’état, ce que la boucle fermée est aux systèmes représentés par
une fonction de transfert. L’idée consiste toujours à piloter le système par un signal de
consigne et à générer automatiquement le signal de commande en confrontant en
permanence la valeur de la consigne et le comportement réel du système. L’écart entre
consigne et comportement réel sert de base au signal de commande du système. Dans la
commande par retour d’état, nous n’allons pas mesurer le signal de sortie pour le
boucler sur l’entrée, mais nous allons nous servir du vecteur d’état complet pour
prendre connaissance du comportement du système.
2 .2 . PRINCIPE
PRINCIPE DE LA COMMANDE
COMMANDE PAR RETOUR D’ETAT
Le principe est de déterminer une commande telle que les pôles du système
de la fonction de transfert du système bouclé soient convenablement placés dans le plan
complexe et satisfasse des spécifications d’amortissement, de rapidité...
Les pôles de la fonction de transfert étant les valeurs propres de la matrice d’état, le but
est donc de réaliser un asservissement modifiant convenablement la matrice d’état du
système.
17
Chapitre 2 Commande par retour d’état
2 .3 . RESOLUTION DU PROBLEME
PROBLEME PAR PLACEMENT DE POLES
On considère le système supposé commandable 67 9 :6 ; <= et on
cherche un régulateur pour ce système de la forme = 9 B C D6, où r est la nouvelle
entrée. Il est légitime de vouloir choisir la matrice de régulation de façon à imposer
18
Chapitre 2 Commande par retour d’état
19
Chapitre 2 Commande par retour d’état
g([2 9 [ ; 3[G ; 7[ ; 5
XY8Z[\ C (: C <D 2] 9 g([2
[ 0 0 1 4 C1 2
XY8 |0 [ 0} C |6 C1 3 } ; | 3 } (KF KG K 2 9 [ ; 3[G ; 7[ ; 5
0 0 [ 2 2 C5 C1
C'est-à-dire
[ C 1 ; 2KF C4 ; 2KG 1 ; 2K
XY8 C6 ; 3KF [ ; 1 ; 3KG C3 ; 3K 9 [ ; 3[G ; 7[ ; 5
C2 C KF C2 C KG [ ; 5 C K
Ou encore
[ ; (2KF ; 3KG C K ; 52[G ; (25KF ; 21KG ; 10K C 292[
;41KF ; 72KG ; 71K C 129 9 [ ; 3[G ; 7[ ; 5
On obtient le système linéaire suivant :
2 3 C1 KF 5 3
|25 K
21 10 } G ; | C29 } 9 |7}
41 72 71 K C129 5
Ainsi,
KF 2 3 C1 `F 3 5 1.4227
KG 9 |25 21 10 } |7} C | C29 } 9 |C0.94158}
K 41 72 71 5 C129 2.0206
Soit :
D 9 J1.4227 C0.94158 2.0206M
2.3.2. FONCTION DE TRANSFERT EN BOUCLE FERMEE
On peut calculer la fonction de transfert en boucle fermée du système à
partir de la représentation d’état. Supposons que le système, en boucle ouverte, soit régi
par les équations d’état suivantes :
67 (82 9 :6(82 ; <=(82 A
5
>(8 2 9 ?6(8 2
On a en boucle fermée :
67 (82 9 :6(82 ; < ZB
(2
8 C D6
(
8 2]
(2
Donc, on obtient :
67 (82 9 (: C <D 26 (82 ; <B(82
Nous appliquons la transformée de Laplace aux équations d’état :
[([2 9 (: C <D2([2 ; < ([2A
5
([2 9 ?([2
20
Chapitre 2 Commande par retour d’état
On tire :
(\H [ C : ; <D2([2 9 <([2
Donc :
([2 9 (\j [ C : ; <D2C1 <([2
D’où :
2 .4 . EXERCICES D’APPLICATION
A. EXERCICE No1
On considère un système régi par l’équation d’état :
C1 C5 4
9 :6 ; <= où : 9 , < 9
2 C8 C1
Étudier la commandabilité de ce système et calculer le vecteur de gain (K2 à introduire
dans une boucle de retour d’état pour que le système, en boucle fermée et soumis à un
échelon unitaire de consigne, soit caractérisé par un coefficient d’amortissement ξ90.45
et ωn97.5sec.
21
Chapitre 2 Commande par retour d’état
B. EXERCICE No2
On considère le système à une entrée, une sortie et d’ordre n associé à la
représentation d’état suivante :
67 (82 9 :6 (82 ; <=(8 2A
5
>(82 9 ?6
12 Quelles sont les dimensions des matrices A, B et C ?
2) Quel nom donne-t-on à la matrice A, B et C ?
32 Que représentent les valeurs propres de la matrice A ?
42 Que doit satisfaire A pour que le système soit stable ?
52 Donner l’expression de la fonction de transfert du système en fonction de A,
B et C.
6) Donner la condition portant sur A et B pour que le système soit commandable.
72 Ecrire l’expression générale de la commande par retour d’état et donner une
représentation schématique du coupe système retour d’état.
82 Donner la condition portant sur A et C pour que le système soit observable.
C. EXERCICE No3
Soit le système d´écrit par le schéma de la figure 1.
On prend comme vecteur d’état, le vecteur X suivant:
9 J6F 6G 6 6 M
22
Chapitre 2 Commande par retour d’état
D. EXERCICE No4
On considère le système ayant pour fonction de transfert :
1
([2 9
[([ ; 12
12 Donner la représentation d’état du système sous forme compagne pour la
commande. On notera x le vecteur d’état associé a cette représentation.
22 Donner le schéma fonctionnel correspondant à cette représentation.
32 Déterminer le retour d’´etat K nécessaire pour imposer -2 et -5 comme pôles
du système bouclé.
42 Déterminer la fonction de transfert du système bouclé.
E. EXERCICE No5
On considère le système ayant pour fonction de transfert:
([2 [;3
([2 9 9
([2 [([ ; 12([ ; 22
12 Donner la représentation d’état du système sous forme compagne pour la
commande. On notera x le vecteur d’état. On précisera bien ce que vaut x.
22 Dessiner le schéma fonctionnel correspondant à cette représentation.
32 Déterminer le retour d’état K nécessaire pour imposer les valeurs -2, -5 et -10
comme pôles du système bouclé.
42 Déterminer la fonction de transfert du système bouclé.
23
Chapitre 3 Commande optimale
Commande optimale
3 .1 . INTRODUCTION
Les problèmes de commande optimale se rencontrent dans la vie de tous les
On s'intéressera dans une première partie à la commande optimale telle qu'elle a été
posée initialement et dans le cas des systèmes les plus généraux. Dans une seconde
partie, on s'intéressera plus particulièrement aux systèmes linéaires dans le cas d'un
critère quadratique, cas connu sous le nom de commande linéaire quadratique (LQR :
24
Chapitre 3 Commande optimale
Il est intéressant de noter que la commande optimale obtenue s'écrit comme un retour
d'état :
>V(?) < WX:(?) (3-4)
La loi de commande est > < WX:, où K est matrice de dimension b:c. Par conséquent,
sous la forme augmentée, nous avons :
25
Chapitre 3 Commande optimale
>VZ :
[ZZ … [ZG :Z
>V\
d f < Wg e e e h d e\ f (3-7)
e
[EZ … [EG :
>VE G
Dans ce cas, l’indice de performance J est l’intégral du carré d’erreur, donc le critère
s'écrit alors :
M < NA QI:Z (?)]\ O? (3-9)
P
Pour ?J tend vers l’infini, le principe de la commande optimale est de dériver l’indice de
performance par rapport au temps (Pour obtenir la valeur minimum), on obtient :
26
Chapitre 3 Commande optimale
Avec (j: )q < : q jq . Si nous supposons que jq y T yj < Wz, alors l'équation (3-14)
devient :
(: q y:) < W: q : (3-15)
x
xP
Dans l'évaluation de la limite à ? < ∞, nous supposons que le système est stable, et par
conséquent :(∞) < 0. Par conséquent, pour réduire au minimum le critère de
performance J, nous considérons les deux équations :
M < NA : q : O? < : q (0)y:(0) (3-17)
{
Et :
jq y T yj < Wz (3-18)
Les étapes de conception sont alors comme suit :
1. Déterminer la matrice P qui satisfaite l'équation (3-18), où H est connu.
2. Réduire au minimum J en déterminant le minimum de l'équation (3-17) en
ajustant un ou plusieurs paramètres de système non spécifiés
Exemple : (résoudre au cours)
On Considère le système à contrôler en boucle ouverte
O :Z 0 1 :Z 0
< T > (?)
O? :\ 0 0 :\ 1
Où :Z et :\ sont les variables d'état.
Avec :
0 1 0
S< ,U <
0 0 1
Nous choisirons un système de contrôle de rétroaction de sorte que :
:Z
>(?) < WX: (?) < I[Z [\ ] :
\
1
Si nous supposons que [1<1 et les conditions initiales sont : (0) < , calculer le gain
1
optimal K et représenter l’allure de l’indice de performance J.
27
Chapitre 3 Commande optimale
La loi de commande optimale est obtenue si le dérivé de lagrangien par rapport à la loi
de commande est nul :
28
Chapitre 3 Commande optimale
Avec ; (?) < y;(?):(?) T y(?):; (?)et l'équation d'état (3-19) du système, l'équation (3-
28) s'écrit (en omettant la référence au temps au d'alléger les notations) :
ny; T yS T Sq y W yU Z U q y T o: < 0 (2-29)
La solution est alors obtenue en résolvant l'équation (différentielle) de Riccati suivante:
y; T yS T Sq y W yU Z U q y T < 0 (3-30)
Avec la condition finale P(tf ) < S. Remarquons que la condition :
: q ny T yS T Sq y; W yU Z y T o: < 0 (3-31)
S’écrit aussi :
(: q y:) T : q : T >q > (3-32)
x
xP
Il est intéressant de noter que la commande optimale obtenue s'écrit comme un retour
d'état > < WX(?): avec :
X < W Z Uq y (3-33)
On peut récrire toutes les équations du système en temps continu par des équations en
temps discret (voir le tableau ci-dessous) :
29
Chapitre 3 Commande optimale
q ():(:)
S W U()Z ()U q ()()
équation № (3-26)
:( T 1)
<
( T 1)
S( ) U( ) Z ( )U q () :()
devient :
équation № (3-27)
W() Sq ()
( T 1) < WnSq ()y() T ()o: (: )
devient :y( T 1) T y()S( ) T Sq ( )y() W
équation № (3-28)
30
Chapitre 3 Commande optimale
31
Chapitre 3 Commande optimale
Nous supposerons donc que notre système perturbé peut être modélisé
par le modèle d’état suivant appelé modèle de Kalman :
:(?) < S:(?) T U>(?) T ¤¦(?)|
(3-35)
(?) < : (?) T §>(?) T ¨ (?)
Où : : © DG , > © DE , ¦ © Dª , © D , ¨ © D
Où ¦ et ¨ représentent des bruits blancs, de moyenne nulle, indépendants, avec
respectivement pour matrice de covariance « et ¬.
Auquel nous adjoindrons les hypothèses suivantes. Nous supposerons que :
H1 : La paire (A,C) est détectable, c’est-à-dire qu’il n’y a pas de mode instable et
inobservable dans le système,
H2: les signaux ¦(?) et ¨(?) sont des bruits blancs gaussiens centrés de Densité
Spectrale de Puissance (DSP) « et ¬ respectivement, c’est-à-dire :
I¦(?)¦(? T ®)q ] < «¯ (®)
I¨(?)¨(? T ®)q ] < ¬¯(®)
I¦(?)¨ (? T ®)q ] < 0 (cette dernière relation traduit
l’indépendance stochastique des bruits w(t) et v (t) : cette hypothèse est introduite
pour alléger les calculs qui vont suivre mais n’est pas nécessaire).
Avec : « ° 0 F? ¬ ° 0.
Où :
E : C’est espérance mathématique.
δ: Est le symbole de Kronecker.
H3: V est inversible (il y a autant de sources de bruits blancs indépendantes que de
mesures dans l’´equation de mesure).1
1
V est donc une matrice définie positive et W est une matrice semi-définie positive.
32
Chapitre 3 Commande optimale
Avec :
33
Chapitre 3 Commande optimale
X < W Z Uq y (3-37)
Avec :
X < Z Uq y |
yS T Sq y W yU Z Uq y T < 0
34
Chapitre 3 Commande optimale
35
Chapitre 4 transformée en Z
Transformée en z
4 .1 . INTRODUCTION :
Jusqu’à présent, nous n’avons étudié que des systèmes linéaires continus,
dont la principale fonction consistait à traiter continûment, en temps réel, des signaux
eux-mêmes continus, c’est-à-dire des signaux représentés par des fonctions continues
du temps. On parle alors de signaux et de systèmes à temps continu.
Dans la réalité industrielle, la complexité des systèmes, ainsi que celle des traitements à
réaliser, nécessite souvent le recours à des outils numériques de traitement :
ordinateurs, calculateurs, systèmes numériques en tout genre.
De tels outils ne peuvent en aucun cas s’accommoder de signaux continus ; ceux-ci
doivent être transformés en suites de nombres pour pouvoir être traités. De même, ces
systèmes délivrent, à leur sortie, des suites de valeurs numériques, autrement dit, des
signaux numériques.
La problématique est alors de représenter les interactions entre des signaux physiques
modélisés par des fonctions avec des signaux assimilables par des calculateurs
numériques qui se présentent sous forme de suites. L’utilisation des calculateurs
numériques utilisés en temps réel pour commander, piloter, guider…des procédés ou
systèmes physiques qui par essence sont le plus souvent continus a donné naissance aux
systèmes commandés échantillonnés (discrets/numériques).
Sans entrer dans les détails du fonctionnement des différents éléments, la commande
par calculateur, ou processeur, d’un procédé nécessite la mise en œuvre d’un certain
nombre d’éléments (Figure (4-1)) :
- un actionneur, ou organe de commande qui reçoit les ordres du processeur à
travers un convertisseur numérique-analogique,
- un capteur, ou organe de mesure qui transmet au processeur les informations
recueillies sur le procédé, à travers un convertisseur analogique-numérique.
36
Chapitre 4 transformée en Z
4.2.1. DEFINITION
2
CNA : transforme le signal discret en signal continu (transmis au processus continu).
37
Chapitre 4 transformée en Z
Sur la Figure (4-2) nous retrouvons les représentations des fonctions W(B ) et W V (B).
4 .3 . PROPRIETES DE LA TRANSFORMEE EN Z
38
Chapitre 4 transformée en Z
4 .4 . FONCTIONS DE TRANSFERT EN Z
39
Chapitre 4 transformée en Z
De la même manière que l’on associe à un système à temps continu, une fonction de
transfert, par application de la transformation de Laplace à son équation différentielle,
on peut associer à un système à temps discret, une fonction de transfert en z, par
application de la transformation en z à son équation récurrente Sous l’hypothèse que les
conditions “initiales” sont nulles (H C o C C Lo C AH C Ao C C A
Lo C 0) il
vient la relation suivante :
(fH ? fo X ? ? fLo X Lo ? f X )(X) C (gH ? go X ? ? g
Lo X
Lo ? g
X
)l(X)
Soit encore :
Avec :
qui est définie comme la fonction de transfert en z du système. Dans le cas général où les
conditions initiales sont non nulles la représentation en z du système s’écrit plus
exactement:
Où le polynôme I(z) ne dépend que des conditions initiales. Il influe sur la sortie du
système sans modifier le comportement dû au signal d’entrée U(z).
La factorisation du numérateur et du dénominateur conduit a la forme pôles, zéros, gain
suivante :
i (X) C (4-13)
(sLs )(sLs )…(sLs )
p (sLO )(sLO )…(sLO )
Avec :
Par définition les pôles du système sont les racines du polynôme dénominateur et les
zéros du système sont les racines du polynôme numérateur. Les uns et les autres ont par
défaut des nombres soit réels soit complexes.
Certains auteurs préfèrent une formulation en X Lo de la fonction de transfert. On peut
l’obtenir à partir de la formulation en z comme suit :
40
Chapitre 4 transformée en Z
W> 2W p
41
Chapitre 4 transformée en Z
u(k) 1 y(k)
B 0 (p)
p(p+1)
42
Chapitre 4 transformée en Z
X J 1 i (I)
i¥ (X) C _;i (I)GH (I)@ C _£ ¤
X I
Avec la décomposition en éléments simples suivante:
i (I) 1 J1 1 1
C C ? ?
I I (I ? 1) I I I?1
En utilisant le tableau (4-1), il vient :
XJ1 X => X X
i¥ (X) C ¦J ? ? §
X X J 1 (X J 1) X J K LMN
Soit :
¨ C K LMN J 1 ? =>
i¥ (X) C ¨ (sLo)(sLp)
(sL)
avec © f C K LMN
g C 1 J MN Loc> «N
M ªoL> «N ¬
N
Application numérique :
Soit => C 1®K¯. Il vient :
X ? 0.7183
i¥ (X) C 0.3679
(X J 1)(X J 0.3679)
Z(B) WH C 1, D< º 0 W\ C 0
»L¼± Z(B J f)
1 1
à B <=Á X
=Á
±Ä (X J 1)
à BÆ < =Á X(X ? 1)
=Á
±Å (X J 1)Æ
à K Lpy K Lp\MÇ X
±?¼ X J K LpMÇ
à BK Lpy <=Á K Lp\MÇ =Á XK LpMÇ
(± ? ¼)Ä (X J K LpMÇ )
ÈJ¼ K Lpy J K Ly K Lp\MÇ J K L\MÇ X(K LpMÇ J K LMÇ )
(± ? ¼)(± ? È) (X J K LpMÇ )(X J K LMÇ )
f\ X
XJf
(Jf \ ) X
X?f
¼ 1 J K Lpy 1 J K Lp\MÇ X(1 J K LpMÇ )
±(± ? ¼) (X J 1)(X J K LpMÇ )
É ®wÊ(ËB) ®wÊ(Ë<=Á ) X®wÊ(Ë=Á )
±Ä ? ÉÄ X J 2X¯`®(Ë=Á ) ? 1
± ¯`®(ËB) ¯`®(Ë<=Á ) XªX J ¯`®(Ë=Á )¬
±Ä ? ÉÄ X J 2X¯`®(Ë=Á ) ? 1
43
Chapitre 4 transformée en Z
C (4-17)
Í(s) c s c s cÏ s Ï cc s
Î(s) ocp s cp s cpÏ s Ï ccp s
La forme générale d’une équation récurrente linéaire peut être donnée par :
(X) C gH l(X) ? go X Lo l(X) ? g X L l(X) ? gÆ X LÆ l(X) ? ? g
X L
l(X) J fo X Lo (X)
J f X L (X) J fÆ X LÆ (X) J J f X L (X)
En identifiant les termes correspondants aux mêmes instants d’échantillonnage nous
obtenons :
(0) C gH A(0)
(1) C gH A(1) ? go A(0) J fo (0)
Ð
(2) C gH A(2) ? go A(1) ? gÆ A(0) J fo (1) J f (0)
Ð
Ñ
(<) C gH A(<) ? go A(< J 1) ? gÆ A(< J 2) ? ? g
A(< J x) J fo (< J 1) J f (< J 2) J J f (< J Ê)
44
Chapitre 4 transformée en Z
Cette dernière relation constitue l’équation récurrente qui permet le calcul de la sortie
pour n’importe quelle entrée.
Comme nous venons de le voir (dans les travaux dirigés), l’équation récurrente issue
d’une transmittance en z permet de calculer la sortie pour n’importe quelle entrée. Pour
la transformée de Laplace, il est clair que le calcul de la sortie nécessite un
développement algébrique spécifique, nous mesurons là le grand intérêt de la
transformée en z.
Théorème :
Un système numérique est stable si et seulement si tous les pôles de sa fonction de
transfert sont situés à l’intérieur du cercle de rayon 1. Il est d’autant plus stable (amorti)
que les pôles sont plus à l’intérieur du cercle.
Ceci est prévisible du fait de la relation de passage continu-discret : X C K OMN :
45
Chapitre 5 Commande adaptative
Commande adaptative
5 .1 . INTRODUCTION :
Les variations paramétriques d’un processus réel dans le temps suivant les
changements de l’environnement sont influés sur la régulation du système bouclé avec
des contrôleurs à paramètres fixe. Dans ces conditions, il faut trouver un régulateur
qu’il est le pouvoir de l’adaptation devant ces variations, parmi ces régulateurs on
trouve les régulateurs adaptatifs qui sont basés essentiellement sur l‘identification en
ligne des paramètres du procédé. Ces techniques d’estimation sont connues depuis les
années soixante. Elles permettent d’obtenir un modèle mathématique qui représente le
plus fidèlement possible le comportement dynamique d’un processus. Donc, la
commande adaptative fait partie d’un ensemble de techniques destinées à ajuster
automatiquement les paramètres du correcteur des systèmes de commande lorsque les
caractéristiques du processus et les perturbations sont inconnues ou varient dans le
temps. Par principe, ce type de commande est non-linéaire puisqu’il comporte deux
boucles de contre-réaction imbriquées : la boucle de correction et la boucle d’adaptation.
Comme les preuves de stabilité sont extrêmement difficiles à établir, on utilise une
générale de commande adaptative définie à partir du théorème de stabilité de Landau.
Le début des recherches sur la commande adaptative (destinées à l’aéronautique) date des
années 1950. Cependant à cause de l’insuffisance de résultats théoriques et de l’absence de
moyens techniques performants, ces recherches furent très vite abandonnées.
Les progrès rapides de l’électronique et les résultats théoriques fondamentaux établis dans les
années 1960 (variables d’état, analyse de la stabilité, commande stochastique) devaient
susciter de nouveau l’intérêt pour ce sujet durant les années 1970. Depuis lors des études
considérables ont été réalisées et d’aujourd’hui elles sont mises en œuvre à l’aide de
microprocesseurs, micro-ordinateurs ou circuits spécialisés (Digital Signal Processors).
Concernant la commande adaptative on a choisi la méthode des moindres carrés récursive
pour le bloc d’estimation paramétrique. Le principe de cette technique d’identification est la
détermination d’un vecteur des inconnus à partir de l’information des signaux d’entries u(t) et
les sorties mesurées y(t) du système.
46
Chapitre 5 Commande adaptative
Mesure de
Performance Mécanisme
désirée
l’indice de
d’adaptation
performance
y(k)
+ Correcteur
Consigne Processus
auto‐ajustable u(k)
-
47
Chapitre 5 Commande adaptative
Programme du
gain
y(k)
+ Correcteur
Consigne Processus
auto‐ajustable u(k)
-
y(k)
+ Correcteur
Consigne Processus
auto‐ajustable u(k)
-
48
Chapitre 5 Commande adaptative
Les paramètres d’un processus physique réel sont changés à cause des variations de
l’environnent. Dans ce cas ces paramètres doivent être estimés en ligne. Le principe de
l’algorithme des moindres carrés récursifs consiste à minimiser un critère quadratique
au carré de l’erreur, entre l’entrée et la sortie du modèle comme le montre la figure (5-
5).
49
Chapitre 5 Commande adaptative
y (t )
u (t ) e(t )
Λ
y (t )
Où :
Φ : est le vecteur de mesure.
θ : est le vecteur à estimer.
y : est la sortie du système.
Le minimum du critère J est obtenu par le jeu de paramètres qui annule sa dérivée dans
l’espace paramétrique.
Ceci donne :
50
Chapitre 5 Commande adaptative
e (P ) C (∑q
p_E g (P h 1)g (P h 1) ) (∑p_E g (P h 1)B(P ))
f OE q
(5-6)
L’équation de vecteur à estimer s’écrit par :
T -1
P (t )C P (t - 1 )- P (t - 1 )Φ (t - 1 ) I XΦ (t - 1 ) P (t - 1 )Φ (t - 1 ) Φ (t - 1 ) P (t - 1 ) (5-10)
Or:
w(~) C w(~ h 1) X g(P h 1)g (P h 1)f (5-13)
Finalement on obtient l’algorithme des moindres carrés récursifs comme suit :
Où :
I : la matrice identité.
K(t) : gain de Kalman.
Remarque :
L’algorithme des MCR donne de moins en moins de poids aux nouvelles mesures, il ne
convient donc pour estimer des paramètres variables dans le temps. Pour obtenir un
51
Chapitre 5 Commande adaptative
algorithme capable de suivre les variations des paramètres, le critère à facteur d’oubli
suivant est utilisé.
Plus le facteur d’oubli est voisin de zéro, plus on oublie rapidement les anciennes
valeurs. Donc les valeurs typiques pour λ sont comprises entre 0.85 et 0.995.
L’expression de l’algorithme des moindres carrés récursive avec le facteur d’oubli s’écrit
par :
f
e (~) C e(~ h 1) X
(~) B(~) h g(P) e (~ h 1)
(~) C (pOE)(OE)(pOE)
(OE)(pOE) (5-16)
w(~) C D X
(~ h 1)g(P h 1)H
(OE)
Les gains d’adaptation à facteur d’oubli ont une capacité de poursuite (convergence
exponentielle) dans le cas où les signaux d’entrée-sortie sont ‘excitants’. Or cette
condition n’est pas réalisée lorsque le régime stationnaire est attient. Dans ce cas le gain
d’adaptation tend à croître exponentiellement et conduit à ‘l’explosion’ du vecteur des
paramètres. Il est fondamental de ne pas utiliser un algorithme à facteur d’oubli dans le
cas où les signaux ne sont pas ‘excitants’.
L’algorithme des moindres carrés récursifs doit être initialisé de P(0) et θ(0).
Si on ne dispose d’aucune information, on peut choisir θ(0)C0 sans porter préjudice à la
convergence de l’algorithme. Par sa définition P(t) C (Ψ(t)TΨ(t))-1. P(t) représente la
52
Chapitre 5 Commande adaptative
matrice de covariance de θ(t) donc sa précision, les éléments situes sur la diagonale de
P(t) représentent la variance instantanée de chaque paramètre. Cette remarque nous
permet alors P(0) si on n’a aucune information sur θ cela signifie que la variance de
chaque paramètre est infinie on peut alors choisir PCαI (matrice diagonale), la taille α
des éléments de la diagonale dépend de la confidence sur les valeurs initiales des
paramètres θ(0).
53
Bibliographie
[1] C. Vachier, Représentation d’état et commande dans l’espace d’état, notes de cours, UNIVERSITÉ
PARIS XII-VAL DE MARNE, 2007.
[2] R.C. Dorf, R.H. Bishop, Modern Control Systems, Addison Wesley Publishing Company, Seventh
Edition, 1995.
[3] J. Bordebeuve-Guibé, Représentation d’état des systèmes linéaires, Polycopié de cours, ENSICA,
1997.
[4] R.C. Dorf, R.H. Bishop, Modern Control Systems, Addison Wesley Publishing Company, Twelfth
edition, 2011.
[5] A. Tewari, Modern Control Design With MATLAB and SIMULINK, Indian Institute of Technology,
Kanpur, India, 2002.
[6] Y. Granjon, AUTOMATIQUE Systèmes linéaires, non linéaires, à temps continu, à temps discret,
e
représentation d'état, 2 édition, Dunod, Paris, 2010.
[7] O. H. Bosgra H. Kwakernaak, Design Methods for Control Systems, Notes for a course of the Dutch
Institute of Systems and Control Winter term 2000–2001.
[9] E. Laroche, Commande Optimale, Polycopié de cours, Ecole Nationale Supérieure de Physique de
Strabourg, 2009-2010.
[10] D. Xue, Y. Q Chen, D. P. Atherton Linear Feedback Control Analysis and Design with MATLAB,
Springer-Verlag, July 3, 2002.
[15] R.E. Kalman, Contributions to the theory of optimal control, Bol. Sociedad Mat. Mex., 1960.
[18] D. Peaucelle, SYSTEMES A TEMPS DISCRET Commande numérique des procédés, Notes de cours,
Ecole Nationale des Sciences Appliquées, 7 avril 2003.
[19] Y. B. ENSICA, Commande des systèmes par calculateur, Notes de cours, 2007.
[21] I. D. Landau and G. Zito, Digital Control Systems Design, Identification and Implementation,
Springer-Verlag London Limited 2006.
[22] H. Merabet Boulouiha, Commande adaptative d’un compensateur statique de puissance réactive
de type avancé, Thèse de Magistère, Université des sciences et de la technologie Mohamed Boudiaf
USTO-MB, Soutenu en 2009.