Etat 2012 2013 Chap1 PDF

Notes de cours
version 2.1
Analyse et commande des

systèmes par l’approche d’état
L. EL BAHIR
2012-2013
ENSA de Marrakech
Université Cadi Ayyad
Chapitre 1 Analyse des systèmes dans l’espace d’état
Ces notes de cours sont susceptibles de contenir des erreurs

qui auraient échappées à mon contrôle. Afin d’améliorer la
qualité de ce document, les lecteurs sont priés de m’avertir le cas
échéant. Merci.
l.elbahir@uca.ma
Notes de cours : version 2.1 3ème année Cycle d’Ingénieur (5ème) L. EL BAHIR - ENSA Marrakech
22
Analyse et commande des systèmes Année académique 2010-2011
par l’approche d’état
Chapitre 1
Analyse des systèmes

dans l’espace d’état
33
Table des matières

1 Représentation en variables d’état 5
2 Non unicité de la représentation en variables d’état 7
3 Solution de l’équation d’état 7
1 Évaluation de la matrice de transition : e At 9
1.1 Méthode 1 : 9
1.2 Méthode 2 : 10
1.3 Méthode 3 : 12
2 Relation avec la fonction de transfert 13
3 Commandabilité (ou gouvernabilité), observabilité et stabilité 15
3.1 Commandabilité : 15
3.2 Observabilité: 18
3.3 Autres propriétés sur la commandabilité et l’observabilité 19
3.4 Sous-système commandable 20
3.5 Sous-système observable 21
4 Stabilité 23
4.1 Définitions 23
4.1.1 Stabilité (ou stabilité faible) 23
4.1.2 Stabilité asymptotique 24
4.1.3 Domaine d’attraction d’un état d’équilibre asymptotiquement stable 24
4.2 Théorème de Lyapounov 24
4.3 Interprétation géométrique 25
4.4 Fonction de Lyapounov pour les systèmes linéaires et permanents 26
4.5 Équation de Lyapounov et degré de stabilité 27
4.6 Stabilité des systèmes linéaires permanents discrets au sens de Lyapounov 27
5 Formes canoniques 29
5.1 Forme diagonale 29
5.2 Forme compagne commandable 29
5.3 Forme compagne observable 31
6 Représentation en variables d’état discrète 31
7 Linéarisation d’un système non linéaire 32
8 Annexes : 37
44
Chapitre 1 : Analyse des systèmes

dans l’espace d’état
1 Représentation en variables d’état
Un système dynamique peut être décrit de manière externe en utilisant uniquement ses
entrées et sorties ou de manière interne en utilisant, en plus de ses entrées et sorties, les
variables (ou grandeurs) dites d’état décrivant le comportement intrinsèque du système.
Parmi les représentations externes les plus utilisées, nous pouvons citer la fonction de
transfert, les équations différentielles, les représentations temporelles (réponse impulsionnelle,
réponse indicielle, …) et les représentations fréquentielles (courbes de Bode, courbes de
Nyquist, …).
La représentation en variables d’état est une description qui dépend explicitement des
variables d’état (ou états) du système. Les états d’un système peuvent vus comme des
éléments de stockage d’informations ou une sorte de mémoire du système. La représentation
en variables d’état est caractérisée par la paire d’équations


 x(t )  f [x (t ), u(t ), t ]
 (1.1)

 y(t )  g[x (t ), u(t ), t ]

où x (t )  n est le vecteur des grandeurs d’état, u(t )  m le vecteur des grandeurs d’entrée
et y(t )   p le vecteur des grandeurs de sortie. f [.] et g[.] sont des fonctions vectorielles
non-linéaires et (éventuellement) évolutives de dimensions adéquates.
 f1[x (t ), u(t ), t ]   g1[x (t ), u(t ), t ] 
   
 f2 [x (t ), u(t ), t ]   g2 [x (t ), u(t ), t ] 
f [x (t ), u(t ), t ]    et g[x(t ), u(t ), t ]    (1.2)
     
   
 fn [x (t ), u(t ), t ]   g p [x (t ), u(t ), t ] 
   
La première équation de (1.1) s’appelle équation d’état. Elle regroupe un certain nombre
d’équations différentielles reliant les états du système au signal d’entrée.
La deuxième s’appelle équation de sortie. Elle regroupe un certain nombre d’équations
algébriques reliant le signal de sortie aux états du système et au signal d’entrée.
Dans le cas des systèmes linéaires, qui nous intéressent dans ce cours, la représentation en
variables d’état (1.1) s’écrit


 x(t )  A(t )x (t )  B(t )u(t ); x (0)  x 0
 (1.3)

 y(t )  C (t )x (t )  D(t )u(t )

où A(n  n) , B(n  m ) , C (p  n ) et D(p  m ) sont des matrices qui s’appellent
respectivement matrice de transfert, matrice d’action, matrice de mesure et matrice d’action
directe (généralement nulle). Si les matrices A, B, C et D (formées par les paramètres du
système) sont constantes (indépendantes du temps), on peut dire que le système est
permanent (ou invariant). On se mettra dans cette hypothèse dans toute la suite et on
utilisera l’équation
55


 x(t )  Ax (t )  Bu(t )
 (1.4)

 y(t )  Cx (t )  Du(t )

Exemple : Circuit RCL :

Considérons le circuit RCL de la figure1 dont la
dynamique est décrite par l’équation
différentielle
di (t )
Ri(t )  L  vC (t )  v(t ) (1.5) Figure1 : Circuit RCL
dt
La charge accumulée par le condensateur et le courant circulant dans le circuit sont donnés
par
dq(t ) dv (t )
q(t )  C1vC (t ) et i(t )   C1 C (1.6)
dt dt
À partir des équations (1.5) et (1.6) nous avons
R 1 1 1
i(t )   i(t )  vC (t )  v(t ) et vC (t )  i(t ) (1.7)
L L L C1
Ces deux équations peuvent se mettre sous la forme matricielle suivant
 R 1
 i(t )     1
    L L   i(t )   
    L  v(t ) (1.8)
 vC (t )   1   vC (t )   
C 0  0
 1 
Si nous choisissons comme grandeurs d’états du
système x1(t )  i(t ) et x 2 (t )  vC (t ) , comme
grandeur d’entrée u(t )  v(t ) et comme
grandeur de sortie y(t )  vC (t ) , le circuit RCL
pourrait être décrit par la représentation en
Figure2 : Schéma bloc du circuit RCL
variable d’état (1.4)
 R 1
 x1(t )     1
 L L  
avec x (t )    ; A  ; B   L  ; C   0 1 ; D  0 (1.9)
 x 2 (t )   0
0 
1
C  
 1 
Figure 3 : Schéma bloc général d’une représentation en variable d’état
66
2 Non unicité de la représentation en variables d’état

Un même système peut être décrit par plusieurs représentations en variables d’état qui sont
liées par à une transformation arbitraire dans l’espace d’état.
Ainsi, si l’on effectue le changement de variables
x (t )  Px(t ) (1.10)
où P est une matrice régulière (inversible), on obtient
 (t )  Bu
 x(t )  Ax  (t )
 (1.11)
 y(t )  Cx
(t )  Du(t )

  P 1AP , B  P 1B et C  CP .
où A
Ce nouveau système possède exactement le même comportement entrée-sortie que le premier.
Les deux systèmes (1.4) et (1.11) ne diffèrent que par leur description interne.
Exemple :
Reprenons l’exemple du circuit RCL précédent et remplaçons le courant dans l’équation (1.5)
par son expression (1.6), nous obtenons l’équation
RC1vC (t )  LC1vC (t )  vC (t )  v(t ) (1.12)
Si nous choisissons cette fois-ci comme états vC (t ) et vC (t ) (au lieu de i(t ) et vC (t ) ), nous
obtenons la représentation en variable d’état suivante

  0 1   0 

  vC (t )     vC (t )   
    1 R     1  v(t )

     
   vC (t )  
  
  vC (t )   LC1 L   LC1 
 (1.13)


  v (t ) 

 y(t )  vC (t )   1 0  
C



 
 vC (t ) 

Nous pouvons aisément vérifier que la matrice P, du changement de variable, est donnée par
 0 C1 
P   (1.14)
 1 0 
3 Solution de l’équation d’état

Pour une matrice carrée A, nous définissons
 (At )2 (At )3  
(At )i
e At
  I  At 
 2!

3!
 .....  
  (1.15)
i 0 i !
77
d At d  (At )2 (At )3 
e   I  At    ..... 
dt dt  2! 3! 
 (At )2  
(At )i
 A  I  At   .....   A
 2!  i 0 i !
 (At )2  
(At )i
  I  At 
 2!
 .....  A 
  i! A
i 0
d At
D’où e  Ae At  e At A (1.16)
dt
Reprenons l’équation d’état de (1.4) et considérons dans un premier temps le système non
forcé (libre), c'est-à-dire soumis uniquement à son état initial.
x(t )  Ax (t ) x (t0 )  x 0 (1.17)
Comme dans le cas d’une équation différentielle scalaire linéaire de premier ordre, nous
considérons que la solution de (1.17) est de la forme
x (t )  e A(t t0 )x 0 (1.18)
En effet, x(t )  Ae A(t t0 )x 0  Ax (t ) (1.19)
La matrice (t , t0 )  e A(t t0 ) (1.20)

s’appelle matrice de transition d’état. Elle représente la transition ou l’évolution de l’état de
sa valeur initiale x 0 à la valeur x (t ) .
Exercice :
Montrer que :
(t0 , t0 )  I n (1.21)
(t , t0 )  (t0 , t )1 (1.22)

(t1 ,  )  (t1 , t0 )(t0 ,  ) (1.23)
e At 
T
 eA
T
t
(1.24)
e At est inversible  A et t finis
1 A  1
L[e At ]   I    (sI n  A)1 (1.25)
s  n s 
Considérons maintenant l’équation

x(t )  Ax (t )  Bu(t ) x (t0 )  x 0 (1.26)
Ou encore x(t )  Ax (t )  Bu(t ) (1.27)
88
Multiplions les deux membres de (1.27) par e A(t t0 )
e A(t t0 )[x(t )  Ax (t )]  e A(t t0 )Bu(t ) (1.28)
d A(t t0 )
Soit [e x (t )]  e A(t t0 )Bu(t ) (1.29)
dt
Intégrons (1.29) entre t0 et t
t e A( t )Bu()d 
t t
e A(t t0 )x (t )  0
(1.30)
t0 0
t eA( t )Bu()d 
t
D’où e A(t t0 )x (t )  x 0  0
(1.31)
0
t e A(t  )Bu()d 
t
x (t )  e A(t t0 )x 0 
0
Ou encore (1.32)
t
t
 (t , t0 )x 0  (t ,  )Bu( )d 
0
1 Évaluation de la matrice de transition : e At

Comme le montre l’équation (1.32), l’évaluation de x(t) nécessitera celle de la matrice de
transition. Sans perdre de généralité, on considérera t0 = 0. Ce qui reviendra à évaluer e At .
1.1 Méthode 1 :
D’après la formule (1.25), il suffira de calculer (sI n  A)1 puis déterminer sa transformée de
Laplace inverse.
Exemple :
 0 1   s 1 
A   (sI  A)   
 2 3   2 s  3 
s  3 1 1
 (sI  A)1   
 2 s  (s  2)(s  1)
 s3 1 
 
 (s  2)(s  1) (s  2)(s  1) 
 
 2 s 
 
 (s  2)(s  1) (s  2)(s  1) 
99
 2 1 1 1 
   
 (s  1) (s  2) (s  1) (s  2) 
 
 2 2 1 2 
   
 (s  1) (s  2) (s  1) (s  2) 
 2e t  e 2t e t  e 2t 
D’où, e At  L1  (sI  A)1    
t
 2e  2e
2t
e t  2e 2t 
1.2 Méthode 2 :
 Cas où la matrice A admet n valeurs propres distinctes  i i 1..n .
Elle peut être diagonalisée via une matrice inversible T comme suit
A  T T 1 (1.33)
 1 0  0 
 
 0 2   
où   (1.34)
   0
 
 0  0 n 
 
or e At  Te tT 1 (1.35)
e 1t 0  0 
 
 0 e 2t   
et e t    (1.36)
    0 
 
 0  0 e nt 
Nous avons enfin

e 1t 0  0 
 
 0 2t
   1
 T 
e
e At T (1.37)
    0 
 
 0  0 e nt 
Exemple :
Reprenons l’exemple précédent. Après diagonalisation, nous avons
 1 1   2 1  1 0 
T   , T 1    et     (1.38)
 1 2   1 1   0 2 
1010
D’où
 1 1  e t 0  2 1 
e At     
 1 2  0 e   
  1 1 
 2t

 e t e 2t   2 1 
    (1.39)
e
t
2e 2t   1 1 
 2e t  e 2t e t  e 2t 
  
t 2t t 2t 
 2 e  2 e e  2 e 
On retrouve le même résultat.
Cas où la matrice A admet k (<n) valeurs propres différentes  i i 1..k de multiplicités

respectives mi  1 i 1..k . Alors il existe une matrice inversible P telle que
A  PJP 1 (1.40)
 i 1 0  0
 J1 0  0   
  0 i  
 0 J2     
où J   et J i 1..k    0 (1.41)
    0  
   1 
 0  0 Jk  
  0  i mi mi
 0
est appelée la forme de Jordan.

Nous avons
 eJ1t 0  0 
 
 0 e J 2t    1
e At  PeJt P 1  P  P (1.42)
    0 
 
 0  0 eJkt 
et
1 t  t mi 
 1! mi 
!
 
e Jit  e it 0 1    (1.43)
 t 
   
 1! 
 0  0 1 
Exemple :
1111
 5 1 1  
 1  1, 5
 2 2 2  

Soit A   12 5 1 
 dont les valeurs propres sont  2  1, 5 ; La forme de
2 2 

 1 1
1   3  3
 2 

 2 3 4   3 0 0 
   
Jordan obtenue via P   4 3 4  est J   0 1, 5 1  c-à-d J 1   3 
   
 2 3 2   0 0 1, 5 
 1, 5 1  1 t 
et J 2    . D’où eJ1t  e 3t et e J 2t  e 1,5t  
 0 1, 5   0 1 
e At  PeJt P 1
 eJ1t 0  1
 P  P
 0 e J 2t 
 e 3t 0 0 
 
 P  0 e 1,5t te 1,5t  P 1
 
 0 0 e 1,5t 
 2 3 4   e  1 1 0 
3t
0 0
   6 6 
  4 3 4   0 e 1,5t te 1,5t   0  19  29 
 
 2 3 2   0 0
 1
e 1,5t   6 0  6 
1

1.3 Méthode 3 :
Déterminer les i (t )i 0..n 1 tels que
n 1
e At   i (t )Ai (1.44)
i 0
On sait que si k est une valeur propre de A, alors f(k) est une valeur propre de f(A).
D’où
n 1
e kt   i (t )k i pour chaque valeur propre k de A (1.45)
i 0
Si les n valeurs propres de A sont distinctes, l’équation (1.45) se traduira en n

équations qui fournirons les i (t )i 0..n 1 .
Si une valeur propre j, par exemple, est de multiplicité (q+1), on utilisera les
équations
1212
  t n 1
e j 
  i (t )j i
 i 0
 d n 1

 d
e j t  i (t )j i
 j d  d  j i 0 (1.46)


 n 1
 d q j t dq
q  i
 q e   (t )j i
 dj d j i  0
Pour avoir le nombre adéquat d’équations.
Exemple :
 0 1 
Reprenons l’exemple de la méthode 1 : A    . Deux valeurs propres
 2 3 
distinctes : 1  1 et 2  2 .
L’équation (1.45) deviant:
e 1t  0 (t )10  1(t )11
 (1.47)
e 2t  0 (t )20  1(t )21

 e t  0 (t )  1(t )
Soit  2t (1.48)
e  0 (t )  21(t )

 0 (t )  2e t  e 2t
D’où  (1.49)
 1(t )  e t  e 2t

L’équation (1.44) s’écrit
 0 1 
e At  0I  1A   
 21 0  31 
 2e t  e 2t e t  e 2t 
   (1.50)
t 2t
 2(e  e ) 2e  e
t 2t
 3(e t  e 2t ) 
 2e t  e 2t e t  e 2t 
  
t 2t t 2t 
  2 e  2e e  2 e 
On retrouve le même résultat.
2 Relation avec la fonction de transfert

Appliquons la transformée de Laplace unilatérale à l’équation (1.4)


 sX (s)  AX (s)  BU (s)  x (0)
 (1.51)

Y (s)  CX (s)  DU (s)

Soit (sI n  A)X (s)  BU (s)  x (0) (1.52)
où In est la matrice identité nn.
1313
La matrice (sI n  A) est régulière pour toute valeur de s telle que dét(sI n  A)  0 , c'est-à-
dire que pour toute valeur de s différente des valeurs propres de A, nous pouvons écrire
 X (s)  (sI n  A)1[BU (s)  x (0)]
 (1.53)
Y (s)  C (sI n  A)1[BU (s)  x(0)]  DU (s)

La fonction de transfert (description externe du système) exprime la relation entre les sorties
et les entrées du système. Pour les entrés u(t) et x(0) nous avons respectivement
F (s)  C (sI n  A)1 B  D (1.54)
et Fx 0 (s)  C (sI n  A)1 (1.55)
C adj  sI n  A  B  D dét  sI n  A 
soit F (s)  (1.56)
dét  sI n  A 
C adj  sI n  A 
et Fx 0 (s)  (1.57)
dét  sI n  A 
où adj  sI n  A  est la matrice formée de tous les mineurs principaux de la matrice (sI n  A) .
Tous ces mineurs sont des polynômes en s de degré égal au plus à (n  1).
dét  sI n  A  est un polynôme en s de degré n. Il s’agit du polynôme caractéristique de la
matrice d’état A. Nous pouvons constater que les pôles de F(s) et Fx0(s) sont nécessairement
les valeurs propres de la matrice A et que les zéros de F(s) et Fx0(s) sont les racines de
C adj  sI n  A  B  D dét  sI n  A  et de C adj  sI n  A  .
Si le numérateur et le dénominateur de F(s) sont des polynômes n’ayant pas de facteurs
communs, alors les valeurs propres de A sont forcement les pôles de F(s). Si ce n’est pas le
cas, les facteurs communs peuvent être simplifiés entre eux et les modes correspondants sont
soit incommandables, soit inobservables (voir section commandabilité et observabilité).
Ceci ne doit pas nous étonner puisque la représentation en variables d’état fournit une
description interne du comportement du système alors que la fonction de transfert n’en
fournit qu’une description externe.
Remarquons que lim F (s)  D ; F(s) ne sera donc strictement propre que si D = 0.
s 
Quoique la représentation en variables d’état décrivant un système ne soit pas unique, la

  P 1AP , B  P 1B , C  CP et
fonction de transfert est unique. En effet, partant de A
D  D , nous avons
F(s)  C(sI n  A
)1 B  D (1.58)
Soit F(s)  CP(sI n  P 1AP )1 P 1B  D (1.59)
Ou encore F(s)  CP (sP 1I n P  P 1AP )1 P 1B  D (1.60)
F(s)  CP[P 1(sI n  A)P ]1 P 1B  D (1.61)
1414
Nous savons que si deux matrices carrées M 1 et M 2 sont inversibles
(M 1M 2 )1  M 21M11 (1.62)
En appliquant (deux fois) (1.62) à [P 1(sI n  A)P ]1 , nous pouvons aboutir à
F(s)  C (sI n  A)1 B  D  F (s)
3 Commandabilité (ou gouvernabilité), observabilité et stabilité

Les concepts de commandabilité (ou de gouvernabilité ou de contrôlabilité ou encore en
anglais controllability), d’observabilité et de stabilité jouent un rôle important dans la théorie
moderne de régulation sur les plans pratique et théorique.
3.1 Commandabilité :
Un état x(t) du système est dit commandable s’il existe toujours un signal de commande u(t)
fini capable de faire évoluer cet état d’une valeur initiale quelconque x(t0) à une valeur finale
x(t1) désirée.
Un système est complètement commandable si tous ses états sont
commandables. D’une manière intuitive, nous pouvons déduire que si
certains états du système sont indépendants de toute variation du
signal d’entrée u(t) (aucune action n’est possible sur ces états via
u(t)), ces états sont dits incommandables et le système n’est que
partiellement commandable.
Théorème 1
Une condition nécessaire et suffisante pour que le système (1.4) soit complètement
commandable dans l’intervalle [t0, t1] est que la matrice nn
t
t1
Wc (t0 , t1 )  (t0 , t )BBT T (t0 , t )dt (1.63)
0
dite Grammien de commandabilité, soit régulière (inversible).
Démonstration : (voir fin de ce chapitre)
Puisque la commandabilité d’un système est liée uniquement aux matrices A et B, on dit la
paire (A,B) est commandable pour dire le système est commandable.
Théorème 2
Un système linaire permanent décrit par le modèle (1.4) est complètement commandable si
et seulement si la matrice de commandabilité définie par
1515
C   B AB A2B  An 1B  (1.64)

est de rang plein ; c-à-d rang(C )  n .
Théorème 3
Un système linaire permanent de matrice d’état A diagonale et ayant des valeurs propres
distinctes est complètement commandable si et seulement si la matrice d’action B ne présente
aucune ligne identiquement nulle.
En se mettant dans les conditions du théorème 3, l’équation (1.32) peut se mettre sous la
forme
 x1(t )   x 0 (t )e 1 (t t0 )   b11e 1 (t  )u1( ) b12e 1 (t  )u2 ( )  b1ne 1 (t  )um ( ) 

   1   
 x 2 (t )   x (t )e 2 (t t0 )  t  b e 2 (t  )u ( ) b e 2 (t  )u ( )  
    02 
   21

1 22 2  d
 (1.65)
         
    t0
 
 xn (t )   x 0n (t )e   bm 1e
  n (t t 0 ) n (t   )
u1( ) bmne n (t   )
um ( ) 
L’on constate que chaque état peut être commandé individuellement via une ou plusieurs
entrées si la ligne correspondante de la matrice d’action B n’est pas identiquement nulle.
La commandabilité d’un système peut donc être étudiée en le ramenant au cas précédent
quand cela est possible, c'est-à-dire quand A est diagonalisable. Ce qui revient à étudier le
système


 x(t )  x(t )  P 1Bu(t )
 (1.66)

 y(t )  CPx(t )  Du(t )

Où x (t )  Px(t ) ,   P 1AP matrice diagonale (contenant les valeurs propres de la matrice
A) et P la matrice modale formée à partir des vecteurs propres de A.
Donc, si certaines lignes de P 1B sont identiquement nulles, les éléments correspondants du
vecteur x(t ) sont indépendants de toute variation du signal d’entrée u(t). On parle de
système et de modes incommandables.
Exemple
Supposons qu’après diagonalisation d’un système de deuxième ordre, nous avons
 1 0  1 
  P 1B    CP   1 2  D0
 0 2   2 
1616
si 1  0 et 2  0 , u(t) peut agir sur les deux états.
1
̙1 1
+
x1(t )
 x1(t )
u (t ) y (t )
+
̙2 x2 (t ) x2 (t )
2
+ 
2
Figure 4 : Système complètement commandable
si 1  0 et 2  0 , u(t) peut agir uniquement sur l’état x1(t ) .
1
u (t ) 1
̙1 +
x1(t )
 x1(t )
y (t )
+
x2 (t ) x2 (t )
2
+ 
2
Figure 5 : Système partiellement commandable
si 1  0 et 2  0 , u(t) ne peut agir sur aucun état.
1
1
+
x1(t )
 x1(t )
u (t ) y (t )
+
x2 (t ) x2 (t )
2
+ 
2
Figure 6 : Système incommandable
1717
3.2 Observabilité:
Un état x(t) du système est dit observable si, connaissant u(t), y(t), A, B, C et D, il peut être
déterminé quelque soit t. En d’autres termes, cet état a un effet sur les signaux de sortie de
du système.
Un système est complètement observable si tous les états sont observables.
Il est souvent souhaité d’obtenir des informations sur les états d’un système qui ne sont pas
accessibles à la mesure en mesurant le signal de sortie et le signal d’entrée. Si au moins un
des états du système n’a aucun effet sur les signaux de sortie, on dit que ces états sont
inobservables et que le système n’est pas complètement observable.
Théorème 4
Une condition nécessaire et suffisante pour que le système (1.4) soit complètement observable
dans l’intervalle [t0, t1] est que la matrice nn
t
t1
W0 (t0 , t1 )  T (t , t0 )C TC (t , t0 )dt (1.67)
0
dite Grammien d’observabilité, soit régulière (inversible).
Démonstration : (laissée à titre d’exercice de recherche)
Puisque l’observabilité d’un système est liée uniquement aux matrices A et C, on dit la paire
(A,C) est observable pour dire le système est observable.
Théorème 5
Un système linaire permanent décrit par le modèle (1.4) est complètement observable si et
seulement si la matrice de d’observabilité définie par
 C 
 
 CA 
 
O   CA2  (1.68)
  
 
 n 1 
CA 
est de rang plein ; c-à-d. rang(O )  n .
Théorème 6
Un système linaire permanent de matrice d’état A diagonale et ayant des valeurs propres
distinctes est observable si et seulement si la matrice d’observation C ne présente aucune
colonne identiquement nulle.
1818
De manière semblable au cas de la commandabilité, si certaines colonnes de la matrice CP

de l’équation (1.66) sont identiquement nulles, les éléments correspondants du vecteur x(t )
n’auront aucune influence sur le signal de sortie y(t). On parle de modes inobservables et
donc de système inobservable. Par conséquent, pour savoir si un système décrit par le modèle
(1.4) est inobservable, il suffira de se ramener à l’expression (1.66) (si A est diagonalisable) et
vérifier si des colonnes de la matrice CP sont nulles.
Si nous reprenons l’exemple précédent, le fait que 1 ou 2 soi(en)t nul(s) rend l’un ou
l’autres (ou les deux) des états inobservable(s); son (leur) effet n’apparaitra pas au niveau de
la mesure de y(t).
3.3 Autres propriétés sur la commandabilité et l’observabilité

La démonstration des résultats suivants se trouvent entres autre dans la référence [1].
Lemme 1
La paire (A,B) est commandable ssi il n’existe aucun vecteur propre gauche viT de A non
nul tel que
viT A  i viT et viT B  0 (1.69)
Lemme 2
La paire (A,B) est commandable ssi
s, rang  sI n  A B   n (1.70)
Lemme 3
Si la paire (A,B) est non commandable, alors il y aura une compensation pôle-zéro dans
 sI n  A 1 B .
Lemme 4
La paire (A,C) est observable ssi il n’existe aucun vecteur propre droit wi de A non nul tel
que
Awi  i wi et Cwi  0 (1.71)
Lemme 5
La paire (A,C) est observable ssi
 sI n  A 
s, rang  n (1.72)
 C 
Lemme 6
Si la paire (A,C) est non observable, alors il y aura une compensation pôle-zéro dans
C  sI n  A 1 .
1919
3.4 Sous-système commandable

Si le système n’est pas totalement commandable ( rang(C )  q  n ), il est possible de le
décomposer en un sous-système commandable et un sous-système incommandable en utilisant
la transformation (1.10) en sorte que
  P 1AP   Ac
A
A12    Bc 
 , B  P 1B    et C  CP  Cc Cnc  (1.73)
 0 Anc   0 
où Ac , Bc et Cc correspondent aux états commandables du système, avec dim Ac  q  q ,

dim Bc  q  m et dim Cc  p  q .
Exercice :
Montrer que F (s)  C (sI n  A)1 B  Cc (sI q  Ac )1 Bc
Le résultat de cet exercice montre que les modes incommandables n’apparaissent pas au
niveau d’une fonction de transfert qui est une représentation externe du système.
Une manière de choisir la matrice de transformation P est la suivante:

Puisque rang(C )  q  n , C contient q colonnes linéairement indépendantes, soient
{c 1c 2 ... c q } . La matrice P peut alors être formée par ces q colonnes et n-q vecteurs
colonnes arbitraires, {v1v2 ... vn q } , en sorte que
P   c 1c 2 ... c q v1v2 ... vn q  (1.74)

soit inversible.
Exemple
Considérons le système 22 suivant :
5 10 10  1 4 
    1 0 0
A 2 1 2  , B   1 0  et C    (1.75)
     0 1 0 
 0 4 1   1 2 
La matrice de commandabilité donnée par
 1 4 5 0 5 20 
 
C   1 0 1 4 3 8  (1.76)
 
 1 2 3 2 2 14 
est de rang 2. Le système est donc non commandable.

Il est évident que les deux premières colonnes sont linéairement
indépendantes. Si l’on choisit v1T   1 0 0  , la matrice P et son
2020
inverse s’écriront
1 4 1  0 1 0 
   
P  1 0 0 et P  0 5, 5 0, 5 
  1  (1.77)
   
 1 2 0   1 1 2 
D’où
 1 4 2  1 0
    1 4 1 

A  P AP   1 1 1  , B  P B   0 1  et C  CP  
1  1
 (1.78)
     1 0 0 
 0 0 3   0 0 
Les matrices du sous-système commandable sont alors données par

 1 4  1 0 1 4 
Ac    , Bc    et Cc    (1.79)
 1 1   0 1   1 0 
et la partie non commandable est décrite par l’équation
x3 (t )  3x3 (t ) (1.80)
On voit que cet état incommandable est bien découplé des autres états et du signal de
commande.
Exercice
Calculer la matrice de transfert du système de l’exemple précédent.
3.5 Sous-système observable

Si le système n’est pas totalement observable ( rang(O )  q  n ), il est possible de le
décomposer en un sous-système observable et un sous-système inobservable en utilisant la
transformation (1.10) en sorte que
  P 1AP   Ao
A
0    Bo 
 , B  P 1B    et C  CP  Co 0 (1.81)
 A21 Ano   Bno 
où Ao , Bo et Co correspondent aux états observables du système, avec dim Ao  q  q ,

dim Bo  q  m et dim Co  p  q .
Comme dans l’exercice 3, nous pouvons montrer que
1 1
F (s)  C (sI n  A) B  Co (sIq  Ao ) Bo
Une manière de choisir la matrice de transformation P est la suivante:
2121
 o1 
o 
Puisque rang(O )  q  n , O contient q lignes linéairement indépendantes, soient   .
2
  
 
oq 
 w1 
 w 
La matrice P peut alors être formée par ces q lignes et n-q vecteurs lignes arbitraires, 
2 

  
 
 wn q 
, en sorte que
 o1 
 
 o2 
 
 
 
 oq 
P   
 (1.82)
 w 1 
 
 w2 
 
  
 
 wn q 
soit inversible.
Exemple
Considérons le système 22 suivant :
 1 4 4  3 0
    0 1 0 
A   3 4 6  , B   1 1  et C    (1.83)
     1 3 2 
 3 5 7   2 1 
La matrice de commandabilité donnée par
 0 1 0 
 
 1 3 2 
 
 3 4 6 
O   
 (1.84)
 4 6 8 
 3 2 6 
 
 2 0 
 4 
Il est évident que les deux premières lignes sont linéairement indépendantes. Si l’on choisit
w1   1 0 0  , la matrice P et son inverse s’écriront
0 1 0   0 0 1 
   
P   1 3 2  et P   1
 1
0 0  (1.85)
   
 1 0 0   1, 5 0, 5 0, 5 
2222
D’où
 5 3 0  1 1
    1 0 0

A  P AP  6 4 0 , B  P B   2 1  et C  CP  
1    1
 (1.86)
     0 1 0 
 2 2 1   3 0 
Les matrices du sous-système commandable sont alors données par

 5 3   1 1 1 0
Ao    , Bo    et Co    (1.87)
 6 4   2 1   0 1 
Exercice
Calculer la matrice de transfert du système de l’exemple précédent.
4 Stabilité
Étant donné que la stabilité d’un système dépend de ses propriétés intrinsèques, il est
suffisant, pour l’étudier, de considérer la représentation suivante de ses mouvements naturels
x(t )  f [x (t ), t ] (1.88)
Notons que le système peut être évolutif ou permanent. On abordera dans ce chapitre
uniquement le cas des systèmes permanents décrit par
x(t )  f [x (t )] (1.89)
Etudier la stabilité de ce système revient à étudier son aptitude de revenir à son état
d’équilibre après s’en être écarté sous l’effet d’une perturbation. Si x est un état d’équilibre,
on peut sans perdre de généralité, effectuer un changement de variable en sorte que le nouvel
espace d’état ait comme origine x et considérer ainsi cette origine (x = 0) comme point
d’équilibre qui servira à étudier la stabilité du système décrit par (1.88).
4.1 Définitions
4.1.1 Stabilité (ou stabilité faible)
L’état d’équilibre x  0 est dit stable ssi,
{t0 ,   0}, (, t0 )  0 tels que x (t0 )    x (t )   t  t0 .
n
Pour la commodité, on peut adopter la norme euclidienne : x   xi2 .
i 1
Cette définition veut dire qu’il est possible, par le choix d’un point initial suffisamment
proche de 0, d’empêcher l’état du système de s’éloigner trop du point d’équilibre, qui est 0 ici
en l’occurrence. Autrement dit, étant donné une hypersphère de centre 0 et de rayon , il est
possible de trouver une hypersphère concentrique de rayon  qui englobe tous les points
initiaux possibles à partir desquels les trajectoires de l’état ne s’éloignent pas trop du point
d’équilibre.
2323
x2

x0 
0
x1
Espace de phase : stabilité faible
4.1.2 Stabilité asymptotique

L’état d’équilibre x  0 est dit asymptotiquement stable ssi, il est stable au sens de la
définition précédente et t0 , (t0 )  0 tel que x (t0 )    lim x (t )  0 .
t 
Cette définition veut dire que, pourvu que le point initial est pris dans une certaine
hypersphère de rayon , la trajectoire s’approchera indéfiniment du point d’équilibre
(origine).
x2

x0
0
x1
Espace de phase : stabilité asymptotique
Remarque
À partir de cette définition on peut retrouver les propriétés de stabilité connues des systèmes
linéaires, à savoir les pôles de la fonction de transfert ou les valeurs propres de la matrice
d’état qui doivent être à partie réelle négative.
4.1.3 Domaine d’attraction d’un état d’équilibre asymptotiquement stable

C’est l’ensemble des points de l’espace de phase qui sont des points initiaux pour des
trajectoires asymptotiquement stables.
On en déduit que l’hypersphère du rayon  évoquée lors de la définition précédente pourrait
être le rayon de toute hypersphère d’origine 0 et complètement intérieure au domaine
d’attraction.
On dit que la stabilité asymptotique est illimitée si le domaine d’attraction est la totalité de
l’espace de phase.
4.2 Théorème de Lyapounov
Théorème
2424
Une condition nécessaire et suffisante de stabilité asymptotique de l’état d’équilibre x = 0 du

système (1.89) est qu’il existe une fonction V(x), dite de Lyapounov, continue et à dérivées
continues et qu’il existe un domaine D de l’espace de phase contenant x = 0 tels que :
V (0)  0
V (x )  0, x  D * (1.90)
dV (x )  V (x )  T
 V   f  x (t )   0
dt  x 
Quoique ce théorème et assez puissant, son utilisation en pratique n’est pas toujours facile à
cause de l’inexistence d’une méthode générale de construction d’une fonction de Lyapounov
pour n’importe quel type de systèmes nonlinéaires.
Corollaire
Si les conditions du théorème précédent sont vérifiées pour un domaine D égal à l’entièreté
de l’espace de phase, et qu’en outre V(x) est telle que

V (x )  V (x ) pour   1 et x  0

 lim V  x (t )    x (t )  0 (1.91)


   0 0
alors, la stabilité asymptotique de l’état d’équilibre est illimitée.
4.3 Interprétation géométrique

Si les conditions (1.91) sont vérifiées, on peut montrer que les hypersurfaces décrites par
V(x)=cte sont fermées, incluses l’une dans l’autre et qu’elles entourent 0. La condition
V  0 exprime donc que, lorsque t croît, l’état passe d’une hypersurfaces V(x)=c2 à une
hypersurfaces V(x)=c1, avec c1<c2, donc incluse dans la précédente. On conçoit que l’état
tend finalement vers 0.
x2
V(x)=c2
V(x)=c1
0 x1
Exemple 1
 x1  x 2  ax13
 a  0 ; état d’équilibre : x1  0 et x 2  0
 x2  x1  ax 23

Pour cet exercice, V (x )  x12  x 22 est une fonction de Lyapounov. En effet : elle est continue,
à dérivées continues
V (0)  0
V (x )  0, x  0
 V (x ) T  x 2  ax13 
V         
 x 
f x (t ) 2x 2x 2 
1 3
 x1  ax 2 
2525
 2x1  x 2  ax13   2x 2  x1  ax 23 

 2x1x 2  2x1ax13  2x 2x1  2x 2ax 23 x  0,
 2a(x14  x 24 )  0 car a  0
L’état d’équilibre x = 0 est donc asymptotiquement stable.
Vérifions maintenant le corollaire précédent :
V (x )   2  x12  x 22   x12  x 22 pour   1 et x  0
lim V  x (t0 )   lim  2  x12 (t0 )  x 22 (t0 )    x  0,

   
La stabilité asymptotique de l’état d’équilibre est alors illimitée.
Exercice
Considérons le système de régulation suivant :
x2 x1
0 +
 +
Où a > 0, f (z )  bz 3 et b > 0.
On considérera comme état d’équilibre x = 0.
1. Expliciter l’expression x(t )  f [x (t )]
2. Montrer que V (x )  (x12  x 22 ) / 2 est une fonction de Lyapounov et déterminer son

domaine d’attraction D.
4.4 Fonction de Lyapounov pour les systèmes linéaires et permanents

Les mouvements naturels pour ce type de systèmes sont décrit par
x(t )  Ax(t ) (1.92)
Théorème
Une condition nécessaire et suffisante de stabilité asymptotique du système (1.92) est
l’existence d’une matrice P > 0, (nn) symétrique, solution de l’équation, dite de Lyapounov,
AT P  PA  Q (1.93)
où Q est une matrice (nn) symétrique et strictement positive.
Trouver la solution de (1.93) revient à résoudre un système algébrique de n(n+1)/2 équations

à n(n+1)/2 inconnues qui sont les éléments de la matrice P.
2626
Démonstration de la condition suffisante : P > 0 et symétrique solution de l’équation de

Lyapounov  point d’équilibre x = 0 asymptotiquement stable.
Considérons la forme quadratique V (x )  xT Px (1.94)
qui est continue et dont les dérivées sont continues dans l’espace de phase.
Or V(0) = 0,
V (x )  0, x  0 (car P > 0)
V  xT Px  xT Px  xT AT Px  xT PAx  xT (AT P  PA)x  xTQx  0 (car Q > 0)
V(x) est donc une fonction de Lyapounov du système  le point d’équilibre x = 0 est
asymptotiquement stable.
D’autre part,
V (x )   2xT Px  xT Px , pour >1 et x  0
lim V  x (t0 )   lim  2x (t0 )T Px(t0 )  

   
On en déduit que lorsque la stabilité asymptotique du point d’équilibre x = 0 est assurée, elle
est illimité.
4.5 Équation de Lyapounov et degré de stabilité
Proposition
Une condition nécessaire et suffisante de stabilité asymptotique du système (1.92) avec un
degré de stabilité h (>0) est l’existence d’une matrice P > 0, (nn) symétrique, solution de
l’équation de Lyapounov suivante :
AT P  PA  2hP  Q (1.95)

Par degré de stabilité h, on entend que la partie réelle des valeurs propres de A sont
inférieures à –h.
Démonstration :
Evidente en remplaçant A par A + hIn dans l’équation de Lyapounov du théorème précédent.
4.6 Stabilité des systèmes linéaires permanents discrets au sens de Lyapounov

Considérons le système linéaire permanent discret suivant
x (k  1)  Ax (k ) (1.96)
Théorème
- Une condition nécessaire et suffisante de stabilité asymptotique du système (1.96) est
l’existence d’une matrice P > 0, (nn) symétrique, solution de l’équation, dite de
Lyapounov,
AT PA  P  Q (1.97)
2727
- Une condition nécessaire et suffisante de stabilité asymptotique du système (1.96)

avec un degré de stabilité r (>1), c'est-à-dire que le module des valeurs propres
1
i  i = 1,2,…,n, est l’existence d’une matrice P > 0, (nn) symétrique, solution
r
de l’équation, dite de Lyapounov,
r 2AT PA  P  Q (1.98)
La forme quadratique
V (x )  xT Px (1.99)
Est une fonction de Lyapounov du système.
À retenir :
Pour les systèmes linéaires permanents, on travaille souvent avec un degré de stabilité h = 0
pour les systèmes continus et r = infini pour les discrets.
Nous retenons donc ceci :
Une condition nécessaire et suffisante pour qu’un système continu, linaire et
permanent soit stable est que sa matrice de transfert A soit de valeurs propres à
partie réelle négative.
Une condition nécessaire et suffisante pour qu’un système discret, linaire et
permanent soit stable est que sa matrice de transfert A soit de valeurs propres
dont le module est inférieur à1.
Remarquons que la stabilité du système ne dépend que de la matrice A du système.
Exemple :
Supposons que le système diagonalisé décrit par l’équation (1.66) est monovariable à deux
états que l’on met sous la forme explicite:

  x1(t )   0   x1(t )   b1 

   1      u(t )
  x2 (t ) 
  0 2   x2 (t )   b2 
 (1.100)

  x1(t ) 

 y(t )   c1 c2     0u(t )

  x2 (t ) 
 x1(t )  1x1(t )  b1u(t )


ou encore  x2 (t )  2x2 (t )  b2u(t ) (1.101)

 y(t )  c1x1(t )  c2x2 (t )

En l’absence de sollicitation (u(t) = 0, système non forcé ou libre), la solution de l’équation
(1.101) s’écrit
2828
 x1(t )  e 1 (t t0 )x1(t0 )

 (1.102)
 x2 (t )  e 2 (t t0 )x2 (t0 )

Il est dès lors facile de voir qu’une condition nécessaire et suffisante de stabilité consiste à
imposer que 1 et 2 soient de partie réelle négative. Ce qui garantira à ce système de passer
de son état initial x(t0 ) à son état d’équilibre x(t )   0 0 T et d’y rester.
Une grandeur complexe à partie réelle négative est qualifiée d’hurwitzienne.
Une grandeur d’état correspondant à une valeur propre hurwitzienne sera dite stable.
Une matrice dont les valeurs propres sont toutes hurwitziennes est dite hurwitzienne.
5 Formes canoniques
Nous avons vu précédemment qu’à partir d’une représentation en variables d’état nous
pouvons obtenir une infinité d’autres représentations par une transformation du vecteur
d’état x (t )  Px(t ) tout en conservant le comportement entrée-sortie du système.
Il serait donc intéressant de trouver des matrices de transformation P particulières pour
lesquelles les nouvelles représentations sont d’une forme simples et présentent certains
avantages. Ces nouvelles représentations s’appellent formes canoniques.
On se limitera dans ce chapitre au cas des systèmes monovariables.
5.1 Forme diagonale

Obtenue à partir de (1.66).
5.2 Forme compagne commandable

On traitera dans le cadre de ce cours uniquement le cas des systèmes monovariables.
1
Si un système est commandable alors rang(C )  n et C existe.
Si la matrice P est choisie comme suit

P  CA (1.103)
où
 a1 a2  an 1 1 
 
 a2  an 1  0 
 
A     (1.104)
 
 an 1 1 
 
 1  0 
 0
qui est une matrice inversible et les {ai } sont les coefficients du polynôme caractéristique du
système donné par
2929
dét(sI n  A)  sn  an 1sn 1    a1s  a0 (1.105)

 et B de l’équation (1.11) s’écrivent très simplement
nous pouvons montrer que les matrices A
 0 1 0  0  0
   
 0      
   
    

A  et B    (1.106)
 0   
  
 0  0 1  0
   
 a a  
an 1  1
 0 1  
La matrice C   c1 c2  cn  n’a pas de forme particulière.
Nous pouvons montrer que la fonction de transfert déduite de la forma canonique (1.106) est
donnée par
cn sn 1    c2s  c1
F (s)  (1.107)
sn  an 1sn 1    a1s  a0
Exemple : n = 2
 x1   0 1   x1  0
        u
 x2   a0 a1   x 2   1 
(1.108)
 x1 
y   c1 c1  
 x 2 
cn sn 1    c2s  c1

La transformée de Laplace donn F (s) 
sn  an 1sn 1    a1s  a0
sX1(s)  X 2 (s)
sX 2 (s)  a0 X1(s)  a1X 2 (s)  U (s) (1.109)
Y (s)  c1X1(s)  c2X 2 (s)
En remplaçant X2 de par sX1 dans la deuxième équation, nous pouvons aboutir à
1 s
X1(s)  U (s) et X 2 (s)  2 U (s) (1.110)
s  a1s  a0
2
s  a1s  a0
En substituant ces expressions dans la troisième équation nous avons
c1  c2 s
Y (s)  U (s) (1.111)
s  a1s  a0
2
D’où la fonction de transfert
3030
c1  c2 s
F (s)  (1.112)
s  a1s  a0
2
Nous pouvons obtenir le même résultat en utilisant la formule F (s)  C (sI n  A)1B .
5.3 Forme compagne observable

On traitera dans le cadre de ce cours uniquement le cas des systèmes monovariables.
Si un système est observable alors rang(O )  n et O 1 existe.
Si la matrice P est choisie comme suit
P  [ AT OT ]1 (1.113)
 et B de l’équation (1.11) s’écrivent très
nous pouvons montrer que les matrices A
simplement
0  a0 
0  b1 
   
1 0 a1 
  b2 
   

A  0     , B     et C   0  0 1  (1.114)
 
  0   
   
0  0 1 an 1   
  bn 
La matrice B n’a pas de forme particulière.
Nous pouvons montrer que la fonction de transfert déduite de cette représentation canonique
est donnée par
b1  b2s  ...  b2sn 1
F (s)  (1.115)
sn  an 1sn 1  ...  a1s  a0
6 Représentation en variables d’état discrète


 x (k  1)  Ax (k )  Bu(k )
 (1.116)

 y(k )  Cx (k )  Du(k )

Notons que cette description en variables d’état se réalise, comme son homologue continue, à
une transformation arbitraire près dans l’espace d’état. Ainsi, si l’on effectue le changement
de variables
x (k )  Px(k ) (1.117)
où P est une matrice régulière, on obtient
 x(k  1)  Ax (k )  Bu

 (k )
 (1.118)
 y(k )  Cx
(k )  Du(k )

3131
  P 1AP , B  P 1B , C  CP et D  D .
où A
Ce nouveau système possède exactement le même comportement entrée-sortie que le premier.

Les deux systèmes ne diffèrent que par leur description interne.
Les notions de commandabilité et d’observabilité sont similaires au cas continu présenté

précédemment.
Le passage entre la description interne et externe peut se faire de la même manière qu’en
continu, il suffira de remplacer s par z. Ainsi
F (z )  C (zI n  A)1B  D (1.119)
ou encore
C adj (zI n  A)B  D dét (zI n  A)
F (z )  (1.120)
dét(zI n  A)
Puisque les pôles d’une fonction de transfert ne sont autres chose que des valeurs propres de
la matrice d’état A, la stabilité d’une représentation discrète est garantie si et seulement si
les valeurs propres de A sont de module inférieur à 1. On les appelle valeurs propres
schuriennes.
7 Linéarisation d’un système non linéaire

Les systèmes physiques réels sont généralement (pour ne pas dire tous) intrinsèquement non-
linéaires. La linéarisation est une approximation des modèles non-linéaires par des modèles
linéaires. L’intérêt de cette opération est d’exploiter les propriétés importantes de ces derniers
ainsi que les nombreuses théories et résultats développés dans ce domaine, grâce à l’aisance
mathématique de leur utilisation. On parle notamment de la résolution analytique de
systèmes d’équations différentielles linéaires.
Linéarisation peut se faire par l’inversion de la nonlinéarité, la linéarisation par rétroaction ou
la linéarisation au voisinage d’un point de fonctionnement (ou point de référence). On se
limitera dans ce chapitre à cette dernière approche. Néanmoins, vous trouverez en annexe un
document qui traite de la linéarisation par rétroaction.
La linéarisation au voisinage d’un point de fonctionnement se fait en considérant que le
système non-linéaire se comporte comme un système linaire quand la variation des grandeurs
du système autour de ce point de fonctionnement est suffisamment petite.
Considérons l’exemple illustré dans la figure suivante, où la fonction f(x) est approchée
autour du point x par la droite tangente en ce point. x et f représentent respectivement la
variation de x autour de x et celle de f(x) autour de f (x ) .
3232
f(x)
f ( x   x)
f (x )   f
f (x ) Zone d’approximation
x x  x x
Figure 7 : Linéarisation de f(x)
Le développement de f(x) en série de Tylor au point x est donné par :

df (x ) d 2 f (x ) (x )2 d 3 f (x ) (x )3
f (x  x )  f (x )  x    ... (1.121)
dx x x dx 2 x x 2 ! dx 3 x x 3 !
Puisque la variation x est considérée comme assez petite ( 0), les termes en (x)k
deviennent de plus en plus faibles en augmentant k. Les termes de hauts degrés peuvent donc
être négligés.
Pour approcher f(x) autour du point x par une fonction linaire, seuls les termes linéaires de la
série de Tylor sont retenus.
df (x )
f (x  x )  f (x )  x (1.122)
dx x x
Une première approximation de la variation f de f(x) suite à une variation x de x est

donnée par
df (x )
f  x (1.123)
dx x x
Cette relation n’est évidemment valable que pour de faibles écarts x autour de x .
Le cas général d’un modèle d’état non linéaire est abordé ci-dessous. Si le principe de
linéarisation reste le même que celui illustré par l’exemple précédent, il s’agira toutefois de
considérer des fonctions vectorielles de plusieurs variables.
Revenons à notre représentation en variables d’état
 x(t )  f [x (t ), u(t )]
 (1.124)
 y(t )  g[x (t ), u(t )]
Supposons, sans perdre de généralité, que le système est stationnaire et que nous le sollicitons
à l’instant t = t0 = 0 par un vecteur d’entrée constant u . Après les transitoires, le vecteur
des états et le vecteur des sorties du système atteignent leurs points d’équilibre (points de
fonctionnement stationnaires) x et y dont les valeurs sont dites nominales. Ces dernières
vérifient les équations suivantes
3333


 x  f [x , u ] x (0)  x 0
 (1.125)

 y  g[x , u ]



 0  f [x , u ] x (0)  x 0
ou encore  (1.126)

 y  g[x , u ]

car le système est supposé stationnaire ( x  0 ),
Si le système n’est pas stationnaire, x (t ) et y (t ) s’appellent des trajectoires nominales

(x (t )  0) .
Procédure de linéarisation
Toujours avec l’hypothèse de stationnarité, développons en série de Taylor les fonctions f et g
autour des valeurs nominales u , x et y

 f [x(t ), u(t )] f [x (t ), u(t )]

 x(t )  f [x , u ]  [x (t )  x ]  [u(t )  u ]  t .o.s.
 x (t ) x (t )x u(t ) x (t )x

 u (t )u u (t )u
 (1.127)

 g[x(t ), u(t )] g[x (t ), u(t )]
 y(t )  g[x , u ]  [x (t )  x ]  [u(t )  u ]  t .o.s.

 x (t ) x (t )x u(t ) x (t )x

 u (t )u u (t )u
où t .o.s. sont les termes d’ordre supérieur.

Posons
u  u(t )  u
x  x (t )  x
(1.128)
y  y(t )  y
x  x(t )
En substituant (1.126) dans (1.127) et en gardant uniquement les parties linéaires du
développement, nous avons
 f f
 x  x  u
 x x ,u u x ,u
 (1.129)
 g g
 y  x  u
  x x ,u u x ,u
f f g g
On pose A , B  , C  et D (1.130)
x x ,u u x ,u x x ,u u x ,u
L’équation (1.129) devient

 x  Ax  B u
 (1.131)
 y  C x  Du
3434
On retrouve ainsi la forme de la représentation en variables d’état d’un système linéaire. Il

est important de noter que les nouvelles grandeurs (ou les grandeurs du modèle linéaire),
comme elles sont définies, sont les variations des anciennes grandeurs (grandeurs du modèle
non-linéaire).
Pour le cas multivariable, c’est-à-dire où u(t), x(t) et y(t) sont des vecteurs, A, B, C et D
 f1(x , u )   g1(x , u ) 
   
représentent les matrices jacobiennes de f (x , u )     et g(x , u )     par rapport
   
 fn (x , u )   g p (x , u ) 
 
à x   x1 x 2  xn  x et u   u1 u2  um  :
T T
 f1 f1 f1   f1 f1 f1 

     
 x1 x 2 x n   u1 u2 um 
   
 f2 f2 f2   f2 f2 f2 
f    f   
Ann    x1 x 2 x n  Bnm    u1 u2 um 
x   u  
         
u ,x u ,x
   
 fn fn fn   fn fn fn 
     
 x1 x 2 x n u ,x  u1 u2 um u ,x
 g1 g1 g1   g1 g1 g1 

     
 x1 x 2 x n   u1 u2 um 
   
 g 2 g 2 g 2   g 2 g 2 g 2 
g    g   
C pn    x1 x 2 x n  Dpm    u1 u2 um 
x   u  
u ,x
     u ,x
    
   
 g p g p g p   g p g p g p 
     
 x1 x 2 x n u ,x  u1 u2 um u ,x
Résumé des étapes

1) Calculer valeurs nominales inconnues ( x et y par exemple) en utilisant celle
qui est connue ( u par exemple).
2) Déterminer les matrices du modèle linéaire.
3) Ecrire le modèle linéaire final
4) Mettre en application le modèle linéaire sur le système selon le schéma de la
figure 8. Appliquer u au système pour le mettre sur le point de fonctionnement
désiré ( x , y , u ).
3535
u y
u(t) + +
+
 y(t )
Système
u(t ) y(t)  x( t )  f [x (t ),u (t )]


 y( t)  g[x( t ), u (t )]


Sys tème nonlinéaire (u,x,y)


 x  A x  Bu

Sys tème linéaire (u, x, y)  y  C x  D u


Figure 8 : Mise du système autours du point de fonctionnement
L’utilisation du modèle linéaire consiste à appliquer une variation u autours de

u , suffisamment petites pour satisfaire les conditions de linéarisation, et
récupérer la variation correspondante y de la sortie y(t) en lui retranchant à sa
valeur nominale y , calculée auparavant.
Le système nonlinéaire est situé entre u et y alors que le système linéaire est
situé entre leurs variations u et y.
y2
y2(t)
u1
x1
x1(t) Une variation u2 de u2 dans son
x2(t) intervalle de linéarisation entraine la
x2
x3 variation des sorties et des états dans
x3(t) leurs intervalles de linéarisation.
u2
y1 y1(t)
t
u2  u2   y2  y 2 ; y1  y1; x1  x1 ; x 2  x 2 ; x 3  x 3 
Figure 9 : Exemple de linéarisation d’un système 22
Exercice :
Considérons le système nonlinéaire suivant
 x1  3x1  x1x 2  2x1u1  u2

 x2  x12  x 2u2  u12
 x1  0 et x 2  0
 y1  x1x 2  u1u2

 y2  x1u12
1) Identifier les termes nonlinéaires.

2) Linéariser le système sachant que u1  u2  1 .
3636
8 Annexes :
Démonstration du théorème 1:
1) Condition suffisante : Wc (t0 , t1 ) régulière  le système (1.26) est gouvernable
Supposons que Wc (t0 , t1 ) est régulière. Pour une valeur initiale x 0 donnée du vecteur
d’état considérons le signal de commande
u(t )  BT T (t0 , t )Wc 1(t0 , t1 )[(t0 , t1 )x (t1 )  x 0 ] t  [t0 , t1 ] (1.132)
En substituant (1.132) dans (1.32), nous avons
t
t1
x (t1 )  (t1 , t0 )x 0  (t1 , t )B{BT T (t0 , t )Wc1(t0 , t1 )[(t0 , t1 )x(t1 )  x0 ]}dt (1.133)
0
Sachant que (t1 , t )  (t1 , t0 )(t0 , t ) , l’équation (1.133) peut s’écrire
 t1 
x (t1 )  (t1 , t0 )x 0  (t1 , t0 )   (t0 , t )BBT T (t0 , t )dt Wc1(t0 , t1 )(t0 , t1 )x (t1 )

t0

W (t0 ,t1 )
(1.134)
 
 (t1 , t0 )   (t0 , t )BBT T (t0 , t )dt Wc1(t0 , t1 )x 0
t1

t0

W (t0 ,t1 )
soit
x (t1 )  (t1 , t0 )x 0  (t1 , t0 )Wc (t0 , t1 )Wc 1(t0 , t1 )(t0 , t1 )x (t1 )
 (t1 , t0 )Wc (t0 , t1 )Wc 1(t0 , t1 )x 0
(1.135)
x (t1 )  (t1 , t0 )x 0  x (t1 )  (t1 , t0 )x 0
x (t1 )  x(t1 )
On voit qu’à l’aide de ce signal de commande on assure bien le passage d’un état
initial quelconque à un état final quelconque.
2) Condition nécessaire : Wc (t0 , t1 ) singulière  le système (1.26) est non gouvernable

Supposons que Wc (t0 , t1 ) singulière et que le système est gouvernable et montrons que
cela conduira à une contradiction.
Wc (t0 , t1 ) singulière  x 0 n1 non nul tel que
3737
x 0TWc (t0 , t1 )x 0  0 (1.136)
soit
t
t1
x 0T (t0 , t )BBT T (t0 , t )x 0dt  0 (1.137)
0
Posons z (t )  BT T (t0 , t )x 0 (1.138)
L’équation (1.137) deviant
t
t1
z (t )T z (t )dt  0 (1.139)
0
Ce qui revient à intégrer une fonction positive. L’intégrale n’est, par conséquent, nulle
que si cette fonction est nulle dans tout l’intervalle d’intégration. D’où
z (t )  BT T (t0 , t )x 0  0 t  [t0 , t1 ] (1.140)
Puisque le système est supposé gouvernable, on peut toujours trouver un signal de

commande u(t) pour lequel
t
t
x (t )  0  (t , t0 )x 0  (t ,  )Bu( )d  (1.141)
0
En multiplions cette équation par (t , t0 )1 puis par x 0T , nous obtenons après
réarrangement
x 0T x 0   x 0T (t0 ,  )Bu( )d    z ( )d   0
t t
(1.142)
t0 t0
C'est-à-dire que x 0  0 ; ce qui contredit l’hypothèse de départ x 0  0 .
Ce théorème, qui couvre aussi les systèmes évolutifs, n’est pas très pratique pour la
vérification de la commandabilité des systèmes permanents qui font l’objet de ce cours.
3838
Le rang d'une matrice M est donné par l’une des définitions équivalentes suivantes :
- Le nombre maximal de vecteurs lignes (ou colonnes) de M linéairement
indépendants.
- La dimension du sous-espace vectoriel engendré par les vecteurs lignes (ou
colonnes) de M.
- Le plus grand des ordres des matrices carrées inversibles extraites de M.
- La taille du plus grand mineur non nul de M.
- La plus petite des tailles des matrices B et C dont le produit est égal à M.
Il suffira de montrer que rang(G )  n ssi le grammien de commandabilité Wc (t0 , t1 ) (1.63)

n’est pas inversible. On prendra sans perdre de généralité t0 = 0.
1) rang(G )  n  Wc (0, t1 ) est singulière :
Théorème de Cayley-Hamilton :
Soit A une matrice nn de valeurs propres {i} et donc de polynôme caractéristique
n
 ak ik  0  i I n  A (1.143)
k 0
n n
Alors  ak ik   ak Ak (1.144)
k 0 k 0
In : matrice identité nn

Notons que si A est la matrice d’état d’un système, les {ak (t )} ne seront autres chose que les
coefficients du dénominateur de la fonction de transfert de ce système (voir la suite).
Sachant qu’il est possible de remplacer


Ak (t )k
(0, t )  e At   k!
(1.145)
k 0
par une série finie
n 1
e At   k (t )Ak (1.146)
k 0
(théorème de Cayley-Hamilton) où {k (t )} sont des coefficients à déterminer, nous

pouvons écrire
 I m 0 (t ) 
 
 I m 1(t ) 
n 1  
e At B   k (t )Ak B   B AB A2B  An 1B   I m 2 (t )  (1.147)
 
k 0   
 
 I  (t ) 
 m n 1 
ou encore
3939
 BT 
 
 BT AT 
 
 
BT e A t   I m 0 (t ) I m 1(t ) I m 2 (t )  I m n 1 (t )   BT (AT )2 
T
(1.148)
 
  
 
 BT (AT )n 1 
 
En introduisant (1.148) et (1.147) dans (1.63), nous avons
0 0
t1 t1
Wc (0, t1 )  (0, t )BBT T (0, t )dt  e At BBT e A tdt
T
(1.149)
 t1 
Wc (0, t1 )  G   (t )dt  GT  GM (t1 )GT
 0 
où
 I m 0 (t )2 I m 0 (t )1(t )  I m 0 (t )n 1(t ) 
 
 I  (t ) (t )  ( )2
 
(t )   m 1 
0 I m 1 t
 (1.150)
 
 
 I m n 1(t )0 (t )  I m n 1(t ) 
2
Puisque le rang du produit de deux matrices est égal au rang le plus petit de ces deux
matrices, alors même si M (t1 ) de (1.149) est de rang plein ( = n), rang(G )  n 
rang GM (t1 )GT   rang(G )  n et par conséquent W (0, t1 ) est singulière.
2) Wc (0, t1 ) est singulière  rang(G )  n
Nous avons vu que Wc (0, t1 ) singulière 
z (t )  BT T (0, t )x 0  BT e A t x 0  0 t  [0, t1 ]
T
(1.151)
z(t) étant nul sur tout l’intervalle de temps, ses dérivées le seront également. D’où
 dz (t )
  (1)x 0T e At AB  0
 dt
 d 2z (t )
 2 T At 2
 dt 2  (1) x 0 e A B  0 (1.152)


 n 1
 d z (t )  (1)n 1 x T e At An 1B  0
 dt n 1 0
Ou encore
4040
 x 0T e At AB  0
 T At 2
 x 0 e A B  0
 (1.153)


 x 0T e At An 1B  0
Ce qui permet d’écrire
xT0 e At  B AB A2B  An 1B   xT0 e AtG  0 (1.154)

Posons
 gT1 
 
 gT 
xT0 e At   v1(t ) v2 (t )  vn (t )  et G   1 
 (1.155)
  
 T 
 gn 
L’équation (1.154) devient
n
 vi (t )gTi 0 (1.156)
i 1
Puisque les vi(t) sont des fonctions de t non nulles, les vecteurs  gTi i 1:n , qui sont les
lignes de G, ne sont pas linéairement indépendants. Cela veut dire que la matrice G
n’est pas de rang plein, rang(G )  n .
Remarque : La vérification de la commandabilité par le théorème 2 est indépendante de

l’instant initial et de l’instant final. Cela veut dire que la vérification du théorème 2 implique
la commandabilité quelque soient t0 et t1.
Nous avons le système linaire permanent suivant
 x1(t )   1 0  0   x1 (t )   b11 b12  b1m   u1 (t ) 

       
 x2 (t )   0 2     x 2 (t )   b21 b22     u2 (t ) 
      (1.157)
       0          
       
 xn (t )   0  0 n   xn (t )   bn 1  bnm   um (t ) 
     
A B
où i  j i  j
1) Système commandable  aucune ligne de B n’est identiquement nulle
La matrice de commandabilité de ce système s’écrit
4141
 b11 b12  b1m 1b11 1b12  1b1m 1n 1b11 1n 1b12  1n 1b1m 
 
b 2b21 2b22  2n 1b21 2n 1b22  
21 b22    
G     (1.158)

          
 
 bn 1  bnm nbn1  nbnm nn 1bn1  n bnm 
n 1
Puisqu’on part du fait que le système est commandable, alors rang(G )  n . Ce qui
implique que toutes les lignes de G sont linéairement indépendantes. Et par
conséquent, aucune ligne de G n’est identiquement nulle. Ceci n’est possible que si
aucune ligne de B n’est identiquement nulle.
2) Aucune ligne de B n’est identiquement nulle  système commandable
En permutant des colonnes de la matrice G, son rang ne change pas. La matrice G ci-
dessous est donc de même rang que G.
G   g1 g2  gn  (1.159)
Où
 b1i 1b1i  1n 1b1i 
 
b 2b2i  2n 1b2i 
gi   2i , i  1,.., m (1.160)
     
 
 bni nbni  nn 1bni 
Or
1 11  1n 1
1 2  2n 1
gi  b1ib2i bni (1.161)
   
n  nn 1
1
matrice de Vandermonde
Soit
gi  b1ib2i bni  (j  i ), i  1,.., m (1.162)
1i  j n
D’où, si aucune ligne de B n’est identiquement nulle, alors les bij  0 . Or les valeurs
propres sont différentes deux à deux, il en résulte que
gi  0, i  1,.., m (1.163)
Ce qui permet de conclure que
4242
rang(G)  n  rang(G ) (1.164)
Donc le système est commandable.
4343

Etat 2012 2013 Chap1 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

Etat 2012 2013 Chap1 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Notes de cours

Analyse et commande des

Ces notes de cours sont susceptibles de contenir des erreurs

Analyse des systèmes

Table des matières

Chapitre 1 : Analyse des systèmes

Exemple : Circuit RCL :

Figure 3 : Schéma bloc général d’une représentation en variable d’état

2 Non unicité de la représentation en variables d’état

RC1vC (t )  LC1vC (t )  vC (t )  v(t ) (1.12)

3 Solution de l’équation d’état

En effet, x(t )  Ae A(t t0 )x 0  Ax (t ) (1.19)

La matrice (t , t0 )  e A(t t0 ) (1.20)

(t , t0 )  (t0 , t )1 (1.22)

e At est inversible  A et t finis

Considérons maintenant l’équation

Ou encore x(t )  Ax (t )  Bu(t ) (1.27)

Multiplions les deux membres de (1.27) par e A(t t0 )

e A(t t0 )[x(t )  Ax (t )]  e A(t t0 )Bu(t ) (1.28)

1 Évaluation de la matrice de transition : e At

Nous avons enfin

Cas où la matrice A admet k (<n) valeurs propres différentes  i i 1..k de multiplicités

est appelée la forme de Jordan.

Si les n valeurs propres de A sont distinctes, l’équation (1.45) se traduira en n

Pour avoir le nombre adéquat d’équations.

2 Relation avec la fonction de transfert

où In est la matrice identité nn.

et Fx 0 (s)  C (sI n  A)1 (1.55)

Quoique la représentation en variables d’état décrivant un système ne soit pas unique, la

Soit F(s)  CP(sI n  P 1AP )1 P 1B  D (1.59)

Ou encore F(s)  CP (sP 1I n P  P 1AP )1 P 1B  D (1.60)

F(s)  CP[P 1(sI n  A)P ]1 P 1B  D (1.61)

Nous savons que si deux matrices carrées M 1 et M 2 sont inversibles

(M 1M 2 )1  M 21M11 (1.62)

F(s)  C (sI n  A)1 B  D  F (s)

3 Commandabilité (ou gouvernabilité), observabilité et stabilité

dite Grammien de commandabilité, soit régulière (inversible).

Démonstration : (voir fin de ce chapitre)

C   B AB A2B  An 1B  (1.64)

Démonstration : (voir fin de ce chapitre)

Démonstration : (voir fin de ce chapitre)

 x1(t )   x 0 (t )e 1 (t t0 )   b11e 1 (t  )u1( ) b12e 1 (t  )u2 ( )  b1ne 1 (t  )um ( ) 

si 1  0 et 2  0 , u(t) peut agir sur les deux états.

Figure 4 : Système complètement commandable

si 1  0 et 2  0 , u(t) peut agir uniquement sur l’état x1(t ) .

Figure 5 : Système partiellement commandable

si 1  0 et 2  0 , u(t) ne peut agir sur aucun état.

Figure 6 : Système incommandable

dite Grammien d’observabilité, soit régulière (inversible).

Démonstration : (laissée à titre d’exercice de recherche)

est de rang plein ; c-à-d. rang(O )  n .

Démonstration : (laissée à titre d’exercice de recherche)

Démonstration : (laissée à titre d’exercice de recherche)

De manière semblable au cas de la commandabilité, si certaines colonnes de la matrice CP

3.3 Autres propriétés sur la commandabilité et l’observabilité

3.4 Sous-système commandable

où Ac , Bc et Cc correspondent aux états commandables du système, avec dim Ac  q  q ,

Une manière de choisir la matrice de transformation P est la suivante:

P   c 1c 2 ... c q v1v2 ... vn q  (1.74)

La matrice de commandabilité donnée par

est de rang 2. Le système est donc non commandable.

Les matrices du sous-système commandable sont alors données par

et la partie non commandable est décrite par l’équation