Vous êtes sur la page 1sur 32

9. Réponse d’un système discret, approche de l’espace d’état.

9.1 Numérisation d’un système continu


Pour simuler un système continu sur un ordinateur digital, l’équation différentielle décrivant le système
continu doit être remplacée par une équation aux différences. Les solutions numériques doivent être les mêmes
que celles continues aux instants d’échantillonnage. Si la période d’échantillonnage est choisie suffisamment
petite, les solutions numérique doivent être très proches aux solutions continues. En numérisant un système
continu, l’entrée est supposée être une fonction en escalier, constante en morceaux, qui a une amplitude constante
entre les instants d’échantillonnage et change de valeurs seulement aux instants d’échantillonnage.
Considérons le circuit RC

R=1Ω u(t)

+
charge
u(t) C=1µF x ...

-
t
0 T 2T 3T 4T 5T
(a) (b)

Figure 9.1 : Circuit RC et entrée numérisée.

Décrit par
x& + x = u (t ). (9.1)
Si l’entrée u(t) est une fonction en escalier constante par morceaux, figure 9.1b, alors le modèle numérisé du
système (9.1) est
x((k + 1)T ) = e −T x(kT ) + (1 − e −T )u (kT ). (9.2)
Considérons maintenant le cas général d’un système linéaire continu , invariable en temps, de
dimensions finies , décrit par les équations d’états suivantes :
x& (t ) = Ax(t ) + Bu (t ), x(t0 ) = x0 , (9.3a )
y (t ) = Cx(t ) + Du (t ), (9.3b)
où x(t ) est le vecteur d’état de dimension n,
u (t ) est le vecteur d’entrée de dimension r,
y (t ) est le vecteur d’entrée de dimension s,
A est la matrice constante d’état de dimension nxn,
B est la matrice constante d’entrée de dimension nxr,
C est la matrice constante de sortie de dimension mxn,
D est la matrice constante de chemin direct de dimension mxr.
Définition 1 :
L’état d’un système est la quantité minimale d’information nécessaire ensemble avec l’entrée pour déterminer les
futures variables du système.
L’ensemble des états constitue l’espace des variables d’états.

Rappelons que la solution de l’équation différentielle x& (t ) = ax (t ),x(0) = x0 est x (t ) = e at x0 , où x(t) et a


sont des scalaires. Si on a maintenant le système d’équations x& (t ) = Ax (t ), x(t0 ) où A est une matrice et x(t)

tk d At
est un vecteur , La solution devient alors x(t ) = e x(t0 ), où
At
e At = ∑ Ak , et e = Ae At = e At A . Il
k =0 k! dt
faut remarquer que le produit de deux matrices carrées quelconques A et B avec les mêmes dimensions est
AB=BA si et seulement si les matrices A et B sont commutatives.
L’équation d’état du système (9.3a) peut être réécrite comme suit
x& (t ) − Ax(t ) = Bu (t ) .
− At
La multiplication de cette dernière expression par e donne
− At − At − At
e x& (t ) − e Ax (t ) = e Bu (t ) .
Remarquer que
d − At
e x (t )  = −e − At Ax (t ) + e − At x& (t ) = e − At Bu (t ),
dt 
et
t t
d − Aτ
∫t dτ e x(τ ) dτ = t∫ e Bu(τ )dτ ,
− Aτ

0 0
t
e − At
x(t ) − e − At0
x(t0 ) = ∫ e − A τ Bu (τ )dτ ,
t0
ou
t
e− At x(t ) = e− At0 x(t0 ) + ∫ e − A τ Bu (τ )dτ ,
t0
− At
La multiplication de cette dernière expression par e donne la solution de (9.3a)
t
x(t ) = e A(t −t0 ) x0 + ∫ e A( t −τ ) Bu (τ )dτ . (9.4)
t0

La réponse à t = kT est
kT
x(kT ) = e A ( kT − t0 )
x0 + ∫ e A( kT −τ ) Bu (τ )dτ . (9.5)
t0
Si l’entrée u(t) est constante par morceaux, alors
u (t ) ≡ u (kT ) = u (k ) ∀t ∈ [ kT , (k + 1)T [ . (9.6)
Ainsi la réponse à t = ( k + 1)T est
( k +1) T
A[( k +1)T −t0 ] A[ ( k +1)T −τ ]
x (( k + 1)T ) = e x0 + ∫ e Bu (τ ) dτ
t0

 kT 
= e AT e A( kT −t0 ) x0 + ∫ e A ( kT −τ ) Bu (τ ) dτ 
 t0 
( k +1)T
A[ ( k +1)T −τ ]
+ ∫ e Bu (τ ) dτ
kT

 ( k +1)T A ( k +1)T −τ ] 
= e AT x ( kT ) +  ∫ e [ Bdτ  u ( kT ), (9.7)
 kT 
parce que u (t ) = u (kT ) = u (k ), ∀t ∈ [ kT , (k + 1)T [ .
Si on fait le changement de variable suivant : η = ( k + 1)T − τ , alors
( k +1)T T
A[ ( k +1)T −τ ]
∫ e Bdτ = ∫ e Aη Bdη. (9.8)
kT 0
Alors l’expression (9.7) devient
 T Aη 
x(k + 1) = e x(k ) +  ∫ e Bdη  u (k ),
AT

0 
= F (T ) x(k ) + G (T )u (k ). (9.9)
D’ou la version numérisée de (9.3) est donnée par
x ( k + 1) = F (T ) x ( k ) + G (T )u ( k ), (9.10a )
y ( k ) = Cx ( k ) + Du ( k ). (9.10b)

T
F (T ) = e AT
et G (T ) = ∫ e Aη Bdη. (9.11)
0

Remarquer que la matrice de transition du système (9.3) est φ (t ) = e At . Alors F (T ) = φ (T )


T
et G (T ) = e Bdη. Si A

Aη −1
existe , G (T ) = A
−1
(e AT
− I ) B = ( e AT − I ) A−1 B ou
0

G (T ) = A −1
(φ (T ) − I ) B = (φ (T ) − I ) A−1B.
La matrice de transition d’état peut être calculée analytiquement par plusieurs méthodes telles que :
1. la méthode de l’équation différentielle : φ& (t ) = Aφ (t ), φ (0) = I , où I est la nxn matrice identité.
la méthode de la transformée de Laplace : φ (t ) = e = L [ ( sI − A)] .
At −1
2.

( At ) k
3. la méthode du développement en série de puissance : e At = ∑ .
k =0 k!
4. la méthode de l’interpolation polynomiale de Lagrange-Sylvester.
5. la méthode de la transformation de matrices.
T

Les calculs de e , e
At AT
et ∫e Bdν peuvent facilement être programmés sur ordinateur.
0

Exemple 9.1 :
Considérons le système (9.1), i.e. x& (t ) = − x(t ) + u (t ) qui a la forme de l’équation (9.3a) avec
A = −1 et B = 1. La matrice de transition d’état de (9.1) est φ (t ) = e At = e − t . Il ensuit de (9.11) que
T
F (T ) = e AT = e −t , et G (T ) = ∫ e −η dη = 1 − e −T . Ainsi le système numérisé de (9.1) est
0
−T −T
x(k + 1) = e x(k ) + (1 − e )u (k ), qui correspond à l’équation (9.2).

Exemple 9.2 :

Considérons le système suivant

v(t)
(1-e-sT)/s 1/(s2+1)
u(t) u*(t) v(t) y(t)
T u(t)

u*(t)

0 T 2T 3T 4T t
(a) (b)

Figure 9.2 : Système continu du seconde ordre.


L’équation du système est
y (t ) + y (t ) = v (t ).
&& (9.12)
Pour écrire les équations d’état du système (9.12), on choisi x1 (t ) = y (t ) et x2 (t ) = y& (t ) comme variables
d’état. L’équation d’état du système (9.12) est alors
x&1 (t ) = x2 (t ),
x&2 (t ) = − x1 (t ) + v(t ).
i.e.
 x&1 (t )   0 1   x1 (t )  0 
 x& (t )  =  −1 0   x (t )  + 1  v(t ),
 2    2   
 x (t ) 
y (t ) = [1 0]  1  . (9.13)
 x2 (t ) 
 0 1 0 
d’ou A=  , B = 1  et C = [1 0] .
 −1 0   
La matrice de transition d’état de (9.13) est

  s −1 −1 
φ (t ) = e = L ( sI − A )
−1
At −1  = L 
−1
 ,
  1 s  


  s 1   s 1 
   
 −1 s   2 s + 1  
φ (t )= L−1   2   = L−1   s + 1
2
,
 s +1    −1 s 
    s + 1 s 2 + 1  
2

 cos t sin t 
= . (9.14)
 − sin t cos t 

De l’équation (9.11), il ensuit que


 cos T sin T 
F (T ) = e AT =  , (9.15)
 − sin T cos T 
et
T
Aη  sin η T
1 − cos T 
G (T ) = ∫ e Bdη = ∫  dη =  sin T  . (9.16)
0 0 
cos η   

D’après les équations (9.10a) et (9.10b), on obtient la version numérisée de (9.13) comme suit
 x1 (k + 1)   cos T sin T   x1 (k )  1 − cos T 
 =  +  v(k ), (9.17 a )
 x2 (k + 1)   − sin T cos T   x2 (k )   sin T 
 x (k ) 
y (k ) = [1 0]  1  . (9.17b)
 x2 (k ) 

Exemple 9.3 :
Considérons le système continu décrit par
y (t ) + y& (t ) = v (t ),
&& (9.18)
si on choisi x1 (t ) = y (t ) et x2 (t ) = x&1 (t ) = y& (t ) comme variables d’état, alors l’équation d’état du système
(9.18) est

 x&1 (t )  0 1   x1 (t )  0 
 =   +   v(t ), (9.19a )
 x&2 (t )  0 −1  x2 (t )  1 
 x (t ) 
y (t ) = [1 0]  1  . (9.19b)
 x2 (t ) 
0 1  0 
d’ou A =   , B =   et C = [1 0] .
0 −1 1 
La matrice de transition d’état de (9.19) est
−1
  s −1  
φ (t ) = e = L ( sI − A )  = L−1  
At −1 −1
,
  0 s + 1
  

  s + 1 1   1 1 1 
   −
   = L−1   s s s + 1  
φ (t ) = L−1  
0 s
  ,
 s ( s + 1)   0 1 
    s + 1  
1 1 − e − t 
= , t≥0
0 e−t 

De l’équation (9.20), il ensuit que


 1 1 − e −T 
F (T ) = e AT =  , (9.20)
0 e −T 
et
T
1 − e −η 
T
T − 1 + e −T 1

G (T ) = ∫ e Bdη = ∫  −η dη =  −T . (9.21)
0 0  e   1− e 

D’après les équations (9.10a) et (9.10b), on obtient la version numérisée de (9.19) comme suit
 x1 (k + 1)  1 1 − e −T   x1 (k )  T − 1 + e −T 
 =  +  v(k ), (9.22a )
 x2 (k + 1)  0 e−T   x2 (k )   1 − e −T 
 x (k ) 
y (k ) = [1 0]  1  . (9.22b)
 x2 (k ) 
Si T=0.01sec, l’équation (9.22a) devient
 x1 (k + 1)  1 0.00995  x1 (k )  0.00005 
 x (k + 1)  = 0 0.99005  x (k )  + 0.00995 v(k ), (9.23)
 2    2   
9.2 Réponse temporelle du système discret
Le système numérisé d’un système linéaire à temps invariable est donné par l’expression (9.10). Pour
une période d’échantillonnage T fixe, F(T) et G(T) sont des matrices constantes. Pour la simplicité de la notation,
on utilisera F et G au lieu de F(T) et G(T). Un système linéaire , à temps invariable, numérisé pure est donné par
x(k + 1) = Fx(k ) + Gu (k ), (9.24a )
y (k ) = Cx(k ) + Du (k ). (9.24b)
où F, G, C et D sont des matrices constantes.
a. Système libre (i.e. u ( k ) = 0, ∀k . un système sans entrée).
x(k + 1) = Fx(k ) x(0) = x0 (9.25)
Puisque
x(1) = Fx(0) = Fx0
x(2) = Fx(1) = F 2 x0
Par récurrence, il est facile de voir que la solution du système (9.25) est
x ( k ) = F k x0 = φ ( k ) x0 (9.26)

φ (k ) = F k (9.27)
est appelée la matrice de transition d’état du système (9.25). Parce qu’elle montre comment le système
est transféré d’un état à un autre état.
L’ensemble de points tracés par x(k ) pour 0 ≤ k < ∞ est appelé la trajectoire.
Il est facile de voir que de l’équation (9.26) que
x(k ) = φ (k ) x0 = F k x0 = F k −l F l x0
= φ (k − l ) x(l ) (9.28)

x(l)
x(0)

x(k)

mT

0 lT kT t

Figure 9.3 : Transition d’état.

De l’équation (9.28), on peut aussi voir que F = F


k −l
F l , i.e. φ ( k ) = φ ( k − l )φ (l ). Prenons
m = k − l , on a
φ ( m + l ) = φ ( m)φ (l ). (9.28)

x(l)
x(l+m)

l m+l
Les équations (9.27) et (9.28) impliquent que pour transférer de l’état x(0) à x(k), on doit premièrement
transférer x(0) à un certain état intermédiaire x(l) et x(l) serait considéré comme un nouveau état initial.
Puis on transfère x(l) à l’état final x(k) (i.e. x(l+m)). L’état intermédiaire x(l) a résumé toute l’histoire ou
le passé jusqu'au temps l. Ainsi, la réponse, après le temps l, dépendra seulement de x(l) et des
dynamiques du système. Elle est indépendante de ce qui s’est passé avant le temps l. Le processus de
Markov possède aussi une propriété similaire. On dit que la matrice de transition d’état
φ ( k ) satisfaisant les équations (9.27) et (9.28) a la propriété du semi groupe ou la propriété de
séparation.
b. Système forcé
Le système discret avec une entrée u(k) est
x(k + 1) = Fx(k ) + Gu (k ), x(0) = x0 .
De l’équation (9.24a), on
x(1) = Fx0 + Gu (0),
x(2) = Fx(1) + Gu (1) = F 2 x0 + FGu (0) + Gu (1),
x(3) = Fx(2) + Gu (2) = F 3 x0 + F 2Gu (0) + FGu (1) + Gu (2),
M
Par induction, on obtient
k −1
x(k ) = F k x0 + ∑ F k −1−i Gu (i ), (9.29)
i=0
ou
k −1
x(k ) = φ (k ) x0 + ∑ φ (k − 1 − i )Gu (i ).
i=0
La sortie (9.24b) peut être réécrite comme
k −1
y (k ) = CF k x0 + ∑ CF k −1−i Gu (i ) + Du (k ) (9.30)
i=0
Dans l’expression (9.30), il y a trois termes additionnés ensemble pour former la réponse y ( k ).
k
Le premier terme CF x0 est la réponse du système due à l’état initial x0 seulement. Le troisième terme
Du (k ) représente tous les chemins directes de l’entrée à la sortie. Les seconde et troisième termes
ensemble forment la réponse du système due à l’entrée u ( k ) avec les conditions initiales égales à zéro.
Rappelons que la séquence de sortie d’un système linéaire discret est obtenue par la convolution de la
réponse impulsionnelle h(k ) avec l’entrée u ( k ) , en supposant que les conditions initiales sont nulles,
i.e., x0 = 0. Si on utilise une entrée u ( k ) = δ ( k ), la sortie est par définition h(k ) . Ainsi
k −1
h(k ) = ∑ CF k −1−l Gδ (l ) + Dδ (k ). (9.31)
l =0
ou
 0, k <0

h ( k ) =  D, k =0 (9.32)
CF k −1G, k >0

Prenons maintenant la transformée en z de l’équation (9.24a), on obtient


zX ( z ) − zx0 = FX ( z ) + GU ( z )
d’ou
X ( z ) = ( zI − F ) −1 zx0 + ( zI − F ) −1 GU ( z ) (9.33)
De (9.24b)), on obtient la transformée en z de la sortie
Y ( z ) = CX ( z ) + DU ( z ). (9.34)
La fonction de transfert en z du système (9.24) est par définition, la relation entrée/sortie avec les
conditions initiales nulles, (i.e. x0 = 0 ). On obtient des équations (9.33) et (9.34) que
Y ( z ) = C ( zI − F ) −1 G + D  U ( z ) = H ( z )U ( z ). (9.35)
où H(z) est appelée la fonction de transfert du système (9.24) et elle est définie comme
H ( z ) = C ( zI − F )−1 G + D. (9.36)
Il est important de remarquer que la description du système par la fonction de transfert considère
seulement la relation entrée/sortie. L’effet des conditions initiales n’est pas pris en considération. Ainsi
elle donne seulement la description externe du système. Tandis que l’équation d’état (9.24) considère les
effets de l’entrée et des conditions initiales, alors l’équation (9.24) donne les deux descriptions interne et
externe. Ainsi, elle donne une plus complète caractérisation du système.
Il est aussi important de remarquer que pour une représentation d’espace d’état (9.24) donnée, il y a une
unique fonction de transfert donnée par (9.35). Mais pour une fonction de transfert donnée, il existe
plusieurs représentations de l’espace d’état qui ont la même fonction de transfert. Le problème de
trouver une représentation de l’espace d’état pour une fonction de transfert donnée est appelé problème
de réalisation. Une représentation de l’espace d’état d’une fonction de transfert donnée est appelée une
réalisation for la fonction de transfert donnée. Parmi toutes les réalisations d’une fonction de transfert
donnée, celle qui a le plus petit nombre de variables d’états (i.e. de moindre dimension)., est appelée la
réalisation minimale de la fonction de transfert donnée. Comme on va le voir plus tard une réalisation
minimale d’une fonction de transfert donnée est complètement contrôlable ou commandable et
complètement observable. L’exemple suivant montre que deux représentations de l’espace d’état ont la
même fonction de transfert.

Exemple 9.4 :
Considérons le système suivant
 x1 (k + 1)   −4 5   x1 (k )   −5
 x (k + 1)  =  1 0   x (k )  +  1  u (k ), (9.37 a )
 2    2   
 x (k ) 
y (k ) = [1 −1]  1  + u (k ). (9.37b)
 x2 (k ) 
L’expression (9.33) donne la fonction de transfert du système (9.34)
z −1
H ( z) = . (9.38)
z +5
Considérons maintenant un autre système

x(k + 1) = 5 x(k ) − 6u (k ), (9.39a )


y (k ) = x(k ) + u (k ). (9.39b)
Ce système a la fonction de transfert suivante :
z −1
H ( z) = .
z +5
qui est la même que (9.38). Remarquer que le système (9.37) est un système numérisé du seconde ordre,
mais le système (9.39) est un système du premier ordre. En ce qui concernant la fonction de transfert, ils
sont équivalents. Mais les modelés (9.37) et (9.39) ne sont certainement pas le même système.

9.3 Fonction d’une matrice


Dans cette section, on examinerais deux méthodes de calcul des fonctions d’une matrice. Pour cela, il
faut remarquer que l’équation caractéristique de la nxn matrice d’état d’un système est liée à l’équation auxiliaire
de l’équation aux différences correspondante de ce système.
Définissons l’équation caractéristique de la matrice F du système (9.24) par
n
p (λ ) = det(λ I − F ) = ∑ ak λ n − k = 0. (9.40)
k =0
Les racines de l’équation caractéristique sont appelées les valeurs propres de la matrice F. Les valeurs propres de
la matrice F et les racines de l’équation auxiliaire de l’équation aux différences correspondante du système sont
identiques.
Rappelons que si A est une nxn matrice alors A satisfait les expressions suivantes :
Aν i = λν
i i, ( λi I − A )ν i = 0,
ηi A = λη
i i, ηi ( λi I − A ) = 0, (9.41)
où ν i et ηi sont les vecteurs propres colonnes ou de droite et les vecteurs propres lignes ou de gauche de la
matrice A et λi sont les valeurs propres distinctes correspondantes, pour 1 ≤ i ≤ n.
Si λi est répétées mi fois (le cas des valeurs propres multiples), on a
( λi I − A)ν m = ν mi i−1
, ( λi I − A)ν mi −1
= ν mi−2 ,K , ( λi I − A)ν 2 = ν 1 , ( λi I − A)ν1 = 0.
La première méthode qui serait introduite pour la détermination des fonctions d’une matrice est basée sur le
théorème suivant :
Théorème de Cayley-Hamilton : Chaque matrice A de dimension nxn satisfait sa propre équation caractéristique
n
p ( A) = ∑ ak An − k = 0.
k =0
L’équation caractéristique d’une matrice A de dimension nxn est
p (λi ) = det(λi I − A) = a0 λin + a1λin −1 + K + an −1λi + an = 0. (9.42)
où λi est une valeur propre de la matrice A . En remplaçant λi par A dans cette dernière expression, on
obtient
p ( A) = a0 An + a1 An −1 + K + an −1 A + an I = 0.
De cette équation, on a
a1 n −1 a a
An = − A − K − n −1 A − n I .
a0 a0 a0
n n −1 n−2
Ainsi la matrice A peut être exprimée en termes des matrices A ,A , K , A, et I . Pour développer ce
n +1
résultat, on détermine A comme suit :
a a a
An +1 = − 1 An − K − n −1 A2 − n A,
a0 a0 a0
a1  a1 n −1 an −1 a  a a a
An +1 = −  − A −K − A− n I  − 2 An −1 − K − n −1 A2 − n A,
a0  a0 a0 a0  a0 a0 a0
 a12 a2  n −1  a1a2 a3  n − 2 aa a  aa
=  2 −  A +  2 −  A + K +  1 2n −1 − n  A + 1 2 n I .
 a0 a0   a0 a0   a0 a0  a0
n −1 n−2
Ceci donne une expression en termes des matrices A , A , K , A, et I . Si on continu ce procédé, on voit
que n’importe quelle puissance de A peut être représentée comme une somme pondérée des matrices
An −1 , An − 2 , K , A, et I . D’ou les fonctions de matrices qui peuvent être exprimées comme :

f ( A) = ∑ α k Ak .
k =0
Peuvent être représentées comme
n −1
f ( A) = ∑ β k Ak .
k =0

Dans ce cas les coefficients β 0 , β1 , K , β n −1 sont des fonctions des coefficients α 0 , α1 , K et n. Le calcul de
β 0 , β1 , K , β n −1 peut être fait à l’aide de la méthode itérative utilisée pour le calcul de An et An +1
précédemment . Malgré que ce processus est facile, il est très long. C’est pourquoi, on doit développer une
méthode plus simple. Pour cela, prenons l’équation caractéristique de la matrice A.
p (λ ) = det(λ I − A) = a0 λ n + a1λ n −1 + K + an −1λ + an = 0.
Suivant les mêmes étapes qu’avant, on peut exprimer les valeurs propres λ n , λ n +1 , λ n + 2 , etc. en termes de
1, λ , λ , K , λ
2 n −1
.
a1 n −1 a a
λn = − λ − K − n −1 λ − n
a0 a0 a0
et
 a12 a2  n −1  a1a2 a3  n − 2 aa a  aa
λ n+1 = 2
−  λ +  2 −  λ + K +  1 2n−1 − n  λ + 1 2 n .
 a0 a0   a0 a0   a0 a0  a0
1. Comme avant, on peut exprimer les polynômes de λ en termes de 1, λ , λ , K , λ .
2 n −1


f (λ ) = α 0 + α1λ + α 2 λ 2 + K = ∑ α k λ k
k =0
n −1
= β 0 + β1λ + K + β n −1λ n −1 = ∑ β k λ k . (9.43)
k =0

Le problème dans ce cas est de trouver les n inconnues β 0 , β1 , K , β n−1 . On sait que l’équation (9.43) est
valable pour n’importe quelle λ qui est une solution de l’équation caractéristique de (3.42) ; i.e. pour n’importe
quelle valeur propre de la matrice A. Supposons que les valeurs propres de A sont distinctes ; i.e. aucune d’entre
elles n’est répétée. Substituons λ1 , λ2 ,K , λn dans l’équation (3.43) donne un système de n équations en n
inconnues
f (λ1 ) = β 0 + β1λ1 + K + β n −1λ1n −1
f (λ2 ) = β 0 + β1λ2 + K + β n −1λ2 n −1 (9.44)
M
f (λn ) = β 0 + β1λn + K + β n −1λn n −1
ou sous la forme matricielle, on a
 f (λ1 )  1 λ1 L λ1n −1   β 0   β0 
 f (λ )      β 
 2  1 λ2 L λ2n −1   β1   1 ,
= =VT
 M  M M M  M   M 
   n −1     
 f (λn )  1 λn L λn   β n−1   β n −1 
où V est la matrice de Van der monde dont le déterminant est det V = ∏ (λ − λ ) .
0 <i < j ≤ n
i j

A partir de l’équation (9.44), on peut obtenir les coefficients β 0 , β1 , K , β n−1 , on peut aussi voir que ces
n −1
coefficients sont les mêmes que ceux de l’équation f ( A) = ∑β
k =0
k Ak .

1 0
Exemple 9.5 : Si A =  1 1 
 
2 2
a. Trouver la matrice f ( A) = A et vérifier votre résultat.
k

b. Trouver la matrice f ( A) = e .
At

λ − 1 0 
L’équation caractéristique de A est p (λ ) = det(λ I − A) = det   , ou
 − 1 λ − 1
 2 2
 1 1
p (λ ) = ( λ − 1)  λ −  = 0. Les racines de l’équation caractéristique de A sont λ1 = 1 et λ2 = . 1.
 2 2
n −1
Puisque dans ce cas f (λ ) = λ =
k
∑β λ
k =0
k
k
, alors l’équation (9.44) donne

λ1k = β 0 + β1λ1 ,
λ2k = β 0 + β1λ2 ,
ou
 1  1 1   1 
 k    β   β   −1 2   k
 1   = 1 1   β  et  β  =  2 −2  1   ,
0 0

   1  1     
 2    2   2  
donc
  1 k 
 2   −1 
 β0    2  
β  =   k 
,
 1   1  
2 1 − 
   2   
 
et

  1 k  1 0    1 k   1 0
A = β 0 I + β1 A =  2   − 1 
k
+ 2 1 −     1 1 
 2   0 1    2 
   2 2
 1 0 
 k
=   1 k  1  .
1−
  2    
2 
La vérification :
 1 0  1 0
1 0     
pour k = 0 , A =   = I , pour k = 1, A =  1 1  =  1 1  = A et
0 1

 0 1  1 −
 2 2 2 2
 1 0   1 0  1 0  1 0
1 12  
1 1
   =
pour k = , A =
 2 2 
alors A 2 A 2 =
 2 2   2 2  1 1  = A.
2 1− 1− 1−
 2 2   2 2   2 2   2 2

n −1
2. Puisque f (λ ) = e
λt
= ∑ β k λ k , alors
k =0
λ1t
e = β 0 + β1λ1 ,
eλ2t = β 0 + β1λ2 ,
ou
 et  1 1   β   β   −1 2   et 
 1  =  1    , et   = 
0 0
  1t  ,
e 2 t  1   β1  β
 1  2 −2  e 2 
   2
donc
 1
t 
2e 2 − et 
 β0  
β  =   t 1
t 
,
 1  2  e − e 
 2
   
et
1 0
 12 t t  1 0   t 1
t 
e = β 0 I + β1 A =  2e − e  
At
 + 2 e − e  1
2
1
  0 1    
2 2
 et 0
= 1 1 .
 et − e 2 t e 2 
t

Supposons maintenant que l’équation caractéristique a des racines multiples. Dans ce cas, l’équation (9.44) a
moins que n équations linéaire indépendantes. Le théorème suivant étend nos résultats au cas des valeurs propres
multiples.
Théorème : Prenons A une nxn matrice avec r valeurs propres distinctes, λ1 , λ2 ,K , λr (s’il n’y a pas de valeurs
propres multiples, alors r = n ; autrement r < n ). Supposons que la valeur propre λi a une multiplicité égale à
mi , et définissons les polynômes
n −1
g ( A) = ∑ β k Ak ,
k =0
n −1
g (λ ) = ∑ β k λ k ,
k =0
et

f ( A) = ∑ α k Ak .
k =0
Alors la matrice f ( A) est identique à la matrice g ( A) si et seulement si
f (λi ) = g (λi ), 1≤ i ≤ r (9.45)
et
dq dq
f ( λ ) = g (λ ) λ = λ , 1 ≤ q < mi (9.46)
dλ q λ =λ i
dλ q i

Remarquer que si l’équation (9.46) est écrite en termes des coefficients inconnus, β 0 , β1 , K , β n −1 , elle devient
n −1 n −1
dq dq
dλq
f ( λ ) λ = λi
=
dλq
∑β λ
k =0
k
k
λ = λi
= ∑ k (k − 1)L (k − q + 1) β k λi k − q .
k =q
(9.47)

L’équation (9.46) fourni les équations restantes nécessaires pour le calcul de β 0 , β1 , K , β n −1 .


1 1
Exemple 9.6 : Si A =  1 1  , calculer A , pour k > 1.
k

16 2 
3 9 3
L’équation caractéristique de A est p (λ ) = det(λ I − A) = λ 2 − λ + = 0, alors λ1 = λ2 = .
2 16 4
L’équation (9.45) donne

k
3 3
f (λ ) = λ k =   = β 0 + β1   ,
4 4
et de l’équation (9.47), on a
k −1
d 3
f (λ ) = k λ k −1 = k   = β1 .
dλ 4
k k
3 4 3
Donc β 0 =   (1 − k ) , et β1 = k   .
4 3 4
Enfin
k k k
3 4 3 3  4 
Ak =   (1 − k ) I + k   A =   (1 − k ) I + kA ,
4 3 4 4  3 
 4 4   1 4 
k  k k  k 1+ k k 
 3  1 − k 0  3 3  3  3 3
=   +  =    .
 4    0 1− k   1 2   4   1 1 
 k k  k 1− k
 12 3    12 3 
La vérification :
 1 4 
1+ 1 1
3 3  
1  = A.
3
A = I , et A =   
0 1
= 1
 4 1 1 
1− 16 2 
 12 3 

Il a une seconde méthode pour trouver les fonctions d’une matrice qui est souvent plus rapide en calcul, que la
méthode précédente. Elle est basée sur la décomposition spectrale d’une matrice. Celle-ci est une autre
représentation d’une nxn matrice A en termes de n simple matrices Ei , 1 ≤ i ≤ n, appelées matrices
constituantes. Il est démontré [15] que n’importe quelle nxn matrice A a la représentation
n
A = λ1 E1 + λ2 E2 + K + λn En = ∑ λi Ei , (9.48)
i =1

où λi , 1 ≤ i ≤ n, sont les valeurs propres distinctes de A. ( On étudiera le cas des valeurs propres multiples
plus tard.) Les matrices constituantes Ei , 1 ≤ i ≤ n, ont les propriétés suivantes :
E i= j
a. Ei E j = δ (i − j ) E j =  i , Ei est une matrice de projection (idempotent).
0 i≠ j
n
b. ∑E
i =1
i =I

c. AEi = Ei A = λi Ei
d. Ei = ν iηi
e. Eiν j = δ (i − j )ν j , η j Ei = δ (i − j )η j
η1 
η 
Q =  2, P = [ν 1 ν 2 L ν n ] = Q −1 ,
M
 
ηn 
f.
λ1 0 L 0
0 λ L 0
Λ= 2 , QAP = Λ
M M M
 
 0 0 L λn 
g. rang ( Ei ) = 1, ∀i, 1 ≤ i ≤ n
où ν i et ηi sont les iieme vecteurs propres colonne et ligne de la matrice A, un des ensembles
1 i= j
{ν i } et {ηi } peut être normalisé (avoir la longueur égale à l’unité), et δ (i − j ) =  est
0 i≠ j
l’impulsion de Kronecker.

 0 1
Exemple 9.7 : Supposons qu’on la matrice A =   , trouver les vecteurs propres colonnes et lignes et
− 1 7 
 12 12 
les matrices E1 et E2 de la matrice A.
Alors
λ −1 
( λ I − A) =  1
 7 ,
λ− 
12 12 
7 1 1
L’équation caractéristique de A est p (λ ) = det(λ I − A) = λ 2 − λ + = 0, alors λ1 = et
12 12 3
1
λ2 = . D’après l’équation (9.41) on a
4
1 
−1 
1 3 ν 11  0  1
pour λ1 = ,     =   donne ν 21 = ν 11 et
1 ν
1 −   21   
3 0 3
12 4

1 
−1 
1 4 ν 12   0  1
pour λ2 = ,     =   donne ν 22 = ν 12 , si on prend ν 21 = ν 22 = 1 , alors
1 1 ν
−   22   
4 0 4
12 3 
 3 4
ν 11 = 3 et ν 12 = 4 , d’ou ν 1 =   et ν 2 =   . De la même manière, on peut avoir
1   1 

1 
 −1 
1 1
pour λ1 = , [η11 η12 ]  3  = [ 0 0] donne η11 = − η12 et
3 1 1
− 
4
12 4

1 
 −1 
1 1
pour λ2 = , [η21 η22 ]   = [ 0 0] donne η21 = − η22 , si on prend η11 = −1
4
4  1 − 1 3
12 3 
et η21 = 1 alors η12 = 4 et η21 = −3 , d’ou η1 = [ −1 4] et η2 = [1 −3] .
Donc
 3  −3 12 
E1 = ν 1η1 =   [ −1 4] =  
1   −1 4 
et
 4  4 −12 
E2 = ν 2η2 =   [1 −3] =  .
1   1 −3 
Remarquer que
1 
 0 1 0
η1  λ1 0   −1 4    3 4 
3
η  A [ν 1 ν 2 ] =  0 λ  ou  1 −3  1 7  1 1  =  .
 2  2   −   0 1
 12 12   4 
On peut aussi déterminer les matrices E1 et E2 par la méthode suivante :
Puisque I = E1 + E2 alors λ1 I = λ1 E1 + λ1 E2 et λ2 I = λ2 E1 + λ2 E2 , mais A = λ1 E1 + λ2 E2 donc
1 1
E1 = ( λ2 I − A ) et E2 = ( λ I − A) .
λ2 − λ1 λ1 − λ2 1
Ainsi, on trouve que
  0 1 
E1 =
1 1   1  1
( λ I − A) = 1 1    
0 
−   =  −3 12  ,
λ2 − λ1 2 
1 −
1 7    −1 4 
−   4  0  12 12  
4 3
  0 1 
E2 =
1 1   1  1
( λ I − A) = 1 1    
0 
−   =  4 −12  .
λ1 − λ2 1 
1 −
1 7   1 −3 
−   3  0  12 12  
3 4
Les deux méthodes donnent les mêmes résultats, mais la seconde méthode semble être plus simple.

Etant donné la représentation (9.48), on peut démontrer que les fonctions d’une matrices A peut être écrite
comme

n
f ( A) = ∑ f (λi ) Ei = Qf (Λ) P. (9.49)
i =1

Par exemple, si f ( A) = Ak , alors l’expression (9.49) implique que


n
Ak = ∑ λik Ei . (9.50)
i =1
A ce point, on peut vérifier le théorème de Cayley-Hamilton qui dit que
p ( A) = a0 An + a1 An −1 + K + an −1 A + an I = 0,
alors
n n n n
p ( A) = a0 ∑ λin Ei + a1 ∑ λin −1 Ei + L + an −1 ∑ λi Ei + an ∑ Ei
i =1 i =1 i =1 i =1
ou

p ( A) = ∑ ( a0 λin + a1λin −1 + L + an −1λ + an )Ei = ∑ p (λi ) Ei


n n

i =1 i =1

mais λi est une valeur propre de A ou une racine du polynôme p (λi ) = det(λi I − A) , d’ou p (λi ) = 0 , et
alors p ( A) = 0.
Si on peut maintenant trouver les matrices constituantes Ei , 1 ≤ i ≤ n, pour la matrice A, alors en utilisant
l’équation (9.49), on peut déterminer les fonctions d’une matrice f ( A). En générale, pour un nxn matrice avec
valeurs propres distinctes, on a
 I   E1 
 A  E 
  = (V ⊗ I )  2  , (9.52)
 M  M 
 n −1   
A   En 
où V est la nxn matrice de Van der monde et ⊗ le symbole pour le produit de Kronecker . Si A et B sont des
matrices de dimensions rxs et nxm respectivement alors A ⊗ B est une rnxsm matrice définie comme
 a11 B a12 B L a1s B 
a B a B L a B 
A ⊗ B =  21 2s 
( A ⊗ B)
−1
= A−1 ⊗ B −1.
22
et
 M M M 
 
 ar1 B ar 2 B L ars B 

Ainsi,
 E1   I 
E   
 2  = (V −1 ⊗ I )  A  , (9.53)
M   M 
   n −1 
 En  A 
 0 1
Exemple 9.8 : Si A =  1 5  , calculer A , pour k > 1.
k
− 
 6 6 
5 1 1
L’équation caractéristique de A est p (λ ) = det(λ I − A) = λ 2 − λ + = 0, alors λ1 = et
6 6 2
1
λ2 = . Alors l’équation (9.46) donne
3
k k
1 1
A = λ1 E1 + λ2 E2 =   E1 +   E2 .
k k k

2  3
Puisque
 1 0  1 0
 1 1
−1
 0 1   0 1 
 E1      −2 I 6I  
 = 1 1  ⊗ I  0 1 =   0 1,
 E2       3I −6 I   
2 3   − 1 5 − 1 5
 6 6   6 6 
 1 0
 −2 0 6 0    −2 6 
 0 −2 0 6   0 1  
−1 3 
=  0 1 =  ,
 3 0 −6 0     3 −6 
  1 5  
 0 3 0 −6   −  1 −2 
 6 6 
ou
  0 1
1 1   1  1 0  
( λ I − A) = 1 1       −2 6  ,
E1 = − 1 5   =  
λ2 − λ1 2 −   3   0 1  −   −1 3 
 6 
6
3 2
  0 1
1 1   1  1 0  
( λ I − A) = 1 1       3 −6  .
E2 = − 1 5   =  
λ1 − λ2 1 −   2  0 1   − 6  1 −2 
2 3 6  
Alors

 1   −2 6   1  3 −6 
k k

A = λ E1 + λ E2 =   
k k k
 +  1 −2 
 2   −1 3  3 
1 2
 
 1  k −1  1 k −1 1
k −1
1 
k −1

  −   3  − 2   
 3 2 2 3 
= .
 1 k k k k 
 
   −   1   1   1 
3  − 2   
  3   2  2  3  
Vérification :

 1 −1 3−2   0 1
A = I , et A =  1 1
0 1
3 2  =  1 5  = A.
 − − −
 3 2 2 3   6 6 
Les calculs sont généralement plus simple avec cette méthode.
En général, selon l’équation (9.53), si on prend ϑij les éléments de la matrice inverse V
−1
, on a

 E1  ϑ11 I ϑ12 I L ϑ1n I   I 


 E  ϑ I ϑ I L ϑ I   A 
 2  =  21 22 2n   ,
M   M M M  M 
     n −1 
 En  ϑn1 I ϑn 2 I L ϑnn I   A 
d’ou
n
Ei = ∑ ϑij A j −1.
j =1
Le cas des valeurs propres multiples est un peu plus compliqué que ce dernier. La représentation d’une nxn
matrice A est
m
A = ∑ ( λi Ei + N i ), m≤n (9.54)
i =1

où m est le nombre de valeurs propres répétées et N i est une matrice de puissance nulle (nilpotent) tel que si
mi est la multiplicité de λi , alors N imi = 0.
Les matrices Ei et N i satisfont les propriétés suivantes :
E i= j
a. Ei E j = δ (i − j ) E j =  i
0 i≠ j
N i= j
b. Ei N j = N j Ei = δ (i − j ) N i =  j
0 i≠ j
c. AN i = N i A = λi N i + N i .
2

m
d. ∑E
i =1
i =I
m
e. rang ( Ei ) = tr ( Ei ) − 1 = mi , ∑m i =1
i = n.
f. N imi = 0 , mi est la multiplicité de λi , N i est une matrice nilpotent .

Dans ce cas les fonctions d’une matrice sont calcul utilisant

m   
mi −1
1  dj
f ( A) = ∑  f (λi ) Ei + ∑  j f (λ )  N i j . (9.55)
i =1  j =1 j !  d λ  
λ = λi 

Ainsi, on peut déterminer
mi −1
m  k k  
A = ∑  λi Ei + ∑   λik −l N il 
k

i =1  l =1  l  
Si λi est une valeur propre de la matrice A de dimension n × n et multiplicité mi , alors la matrice de Van der
monde W aura les mi colonnes suivantes qui sont aussi les mi vecteurs propres généralisés de A
 0 
 1   
 λ   0 
 i  , K,  M ,
 M   
 n −1   n − 1  λ n − mi 
λi   m − 1  i 
 i  
1 d ( λi )  n − 1 n −1−l
n −1
 n − 1 (n − 1)(n − 2)L (n − l )
l

où =  λi et  = pour 1 ≤ l ≤ mi − 1.
l ! d λil  l   l  1⋅ 2 ⋅ L ⋅ l
Pour calculer les matrices idempotents et nilpotents de la décomposition spectrale, on doit arranger les colonnes
de W comme suit :
Les premières colonnes de W contiennent les valeurs propres distinctes, tandis que les prochaines colonnes les
valeurs propres répétées avec les plus petites multiplicités et la dernière colonne de W est associée à la valeur
propre avec la plus grande multiplicité. Par exemple, si m1 = 1, m2 = 2, m3 = 3 et n = 6 , alors la
matrice de Van der monde correspondante aurait la forme suivante
1 1 0 1 00 
λ λ 1 λ3 0 
1
 1 2 
 λ1 λ2 2λ2
2 2
λ32 2λ3 1 
W = 3 .
 λ1 λ2 3λ2 λ33 3λ32 3λ3 
3 2

 λ 4 λ 4 4λ 3 λ34 4λ33 6λ32 


 15 2 2

 λ1 λ2 5λ2 λ35 5λ34 10λ33 
5 4

Utilisant la dernière expression, pour cette exemple, on peut avoir


 In   E1 
 A E 
   2
A 2
 N2 
 3  = (W ⊗ I n )   .
A   E3 
 A4   N3 
 5  2
 A   N 3 
Ainsi, les matrices Ei et N i peuvent être trouvées comme suit
 E1   In 
E   A
 2  
 N2   A2 
  = (W ⊗ I n )  3  .
−1

 E3  A 
 N3   A4 
 2  5
 N 3   A 
Si ηij sont les éléments de la matrice inverse W alors les matrices idempotents sont données par
−1

n
Ei = ∑ η sl Al −1
l =1
et les matrices nilpotents par
n
N i = ∑ η( s +1) l Al −1
l =1
i
où s = ∑ mk −1 et m0 = 1 pour 1 ≤ i ≤ m.
k =1

1 1
4 3
Exemple 9.9 : Si A =   , calculer A , pour k > 1.
k

0 1
 4 
2
 1 1
L’équation caractéristique de A est p (λ ) = det(λ I − A) =  λ −  = 0, alors λ1 = λ2 = .
 4 4
Dans ce il n’y a qu’une valeur propre répétée, alors n = 2, m = m1 = 1 et la représentation de A est
A = λ1 E1 + N1
et la fonction matrice Ak est
k k −1
1 1
f ( A) = A =   E1 + k  
k
N1 ,
4 4
on a alors
1
A0 = I = E1 et A1 = A = E1 + N1
4
Donc
1 1
E1 = I et N1 = A − E1 = A − I ,
4 4
et enfin
k k −1 k   1 
1 1  1  1  0
A =  I +k  
 A − I  =    I + 4k  3 ,
k

4 4  4  4 


 0 0  
k  4 
1 1 k
=   3 .
 4  0 
 1 
Vérification :
1 1
 4 
1 1 3
3 = 
4
A = I , et A =
0 1
 = A.
4   1
0 1  0
 4 
 3 
1 − 1
4
 
3 1
Exemple 9.10 : Si A =  − 1  , calculer Ak , pour k > 1.
4 2 
 1 
0 0
 2 
2
 1  1 1
L’équation caractéristique de A est p (λ ) = det(λ I − A) =  λ −   λ −  = 0, alors λ1 = λ2 = ,
 4  2 4
1
et λ3 = . Dans ce il n’y a qu’une valeur propre répétée, alors n = m = 2, m1 = 1 et la représentation de A
2
est
A = λ1 E1 + N1 + λ2 E2 ,
où N 2 = 0 et la fonction matrice Ak est
k k −1 k
1 1 1
f ( A) = A =   E1 + k  
k
N1 +   E2 ,
4 4 2
on a alors
1 1
A0 = I = E1 + E2 et A1 = A = E1 + N1 + E2
4 2
Donc
1 1 1
E2 = I − E1 , AN1 = N1 et N12 = 0 où N1 =  −1 −1 −1
1
4
 0 0 0 

2 7 0
1  
0 −8 et
1
E1 = [λ I − A + N1 ] = 4  I − A + N1  =  −7
λ3 − λ1 3 2 
 0 0 0 
 −1 −7 0 
1  
1 8  .
1
E2 = [ λ I − A + N1 ] = −4  I − A + N1  =  7
λ1 − λ3 1 4 
 0 0 1 
k k −1 k
1 1 1
A =   E1 + k  
k
N1 +   E2 ,
4 4 2
 2 + 4k − 2 k
k 7 − 2 k 7 + 4k 4k 
1  
=    2 k 7 − 7 − 4k 2 − 4k
k
2 8 − 8 − 4k  .
k

4  
 0 0 2k 
Vérification :
 3 
1 − 1
 2 + 4 − 2 7 − 14 + 4   4
4 
1
16 − 8 − 4  = 
3 1
A = I , et A = 14 − 7 − 4
0 1
2−4 − 1  = A.
4 4 2 
  
1 
0 0 2
0 0
 2 
D’après l’équation (9.55), on a
m  1 mi −1
1 
( zI − A)
−1
= ∑ Ei + ∑ N j
, (9.56)
j =1 ( z − λi )
 z − λi j +1 i

i =1
 
et
mi −1
m  k k  
A = ∑  λi Ei + ∑   λik − j N i j ,
k
(9.57)
i =1  j =1  j  

k  k!
 = et k ! = 1 ⋅ 2 ⋅ 3 ⋅ K ⋅ ( k − 1) ⋅ k .
 j  j !( k − j ) !
Dans les applications pratiques, il est très rare de rencontrer des systèmes avec des valeurs propres multiples.

Exemple 9.11 : Trouver la réponse impulsionnelle et la fonction de transfert en z du système suivant :

 0 1
x(k + 1) =   x(k ) +  0 u (k ),
− 1 7   
1 
 12 12 
 1
y (k ) =  −1  x(k ) + [1] u (k ).
 3
Alors
 0 1
 , 0   1
F= G =  , C =  −1  , D = 1.
− 1 7  1   3
 12 12 

7 1 1
L’équation caractéristique de F est p (λ ) = det(λ I − F ) = λ 2 − λ + = 0, alors λ1 = et
12 12 4
1
λ2 = . Alors l’équation (9.46) donne
3
k k
1 1
F = λ E1 + λ E2 =   E1 +   E2 ,
k
1
k k
2
4  3

 4 −12   −3 12 
E1 =   et E2 =  .
 1 −3   −1 4 
Alors
 1   4 −12   1   −3 12 
k k

F =  
k
 +   −1 4 
 4   1 −3   3   
 1  k −1  1 k −1 1
k −1
1 
k −1

  −   −3   + 4   
 4 3 4 3 
=
 1 k k k k 
   −  1  1 1
−3   + 4   
  4   3  4  3  
et
 1  k − 2  1  k − 2 1
k −2
1 k −2

  −   −3   + 4 
k −1  1   4 
CF G =  −1 
3 4 3 0
k −1   
 3    1  k −1  1 k −1 1
k −1
 1   1 
  −  −3   + 4  
  4  3 4  3  
k −2
1
= −  .
4
La réponse impulsionnelle est


0 k<0

h(k ) = 1 k =0
 k −2
− 1  k > 0.
  4 
et

1  4 −12  1  −3 12 
( zI − F )
−1
=   +
1 
z − 1 −3  z −  −1 4 
1
4 3
 7 

 12 1 
z
1
=  ,
1 1  1
( z − )( z − ) − z
4 3  12 
la fonction de transfert en z du système est
 7 
 z− 1
1  1  12 0 
H ( z) = −1   1  + 1,
1 1  
z  
( z − )( z − ) 3  1 

4 3  12 
1 11
z2 − z −
= 4 12 .
7 1
z2 − z +
12 12
Cette fonction de transfert aurai pu être obtenue à l’aide de l’algorithme suivant :
Algorithme de Leverrier-Faddeva :
Puisque
adj ( zI − F )
( zI − F )
−1
= ,
det ( zI − F )

n
adj ( zI − F ) = ∑ Li z n −i = L1 z n −1 + L2 z n − 2 + K + Ln ,
i =1
n
det ( zI − F ) = ∑ ai z n −i = a0 z n + a1 z n −1 + K + an ,
l =0
Remarquer que
( zI n − F )
−1
det( zI n − F ) = adj ( zI n − F )
alors
det( zI n − F ) I n = ( zI n − F ) adj ( zI n − F ) = adj ( zI n − F ) ( zI n − F )
ou
a0 I n z n + a1 I n z n −1 + L + an I n = ( zI n − F ) ( L1 z n −1 + L2 z n − 2 + L + Ln )
= L1 z n + ( L2 − FL1 ) z n −1 + L + ( Ln − FLn −1 ) z − FLn
En comparant les puissances de z des deux côtés de cette expression, on a
a0 I n = L1 et a0 = 1 donnent L1 = I n , a1 I n = L2 − FL1 ou L2 = FL1 + a1 I n , …,
Ln = FLn −1 + an −1 I n et 0 = FLn + an I n .
Ainsi, on peut résumer cette algorithme comme suit
Li +1 = FLi + ai I ,
1
ai = − tr ( FLi ) , 1 ≤ i ≤ n, (9.58)
i
L1 = I , Ln +1 = [ 0] , a0 = 1,
alors
L1 z n −1 + L2 z n − 2 + K + Ln
( zI − F ) =
−1
. (9.59)
a0 z n + a1 z n −1 + K + an
où tr ( F ) est la trace de la nxn matrice F , elle est égale à la somme des éléments de la diagonale principale de
la matrice F ou la somme des n valeurs propres de la matrice F ,
n n
tr ( F ) = ∑ fii = ∑ λi .
i =1 i =1
D’après l’algorithme précédant, on a
1 k 
ak = −  ∑ ak −i tr ( F i )  , a0 = 1, a1 = −tr ( F ).
k  i =1 

Exemple 9.12 : Trouver la fonction de transfert en z du système suivant :

 0 1
0 
x(k + 1) =  1 5  x(k ) +   u (k ),
−  1 
 6 6 
y (k ) = [3 2] x(k ).
Alors
 0 1
0 
F = 1 5  , G =  , C = [3 2] .
− 1 
 6 6 
Pour calculer la fonction de transfert en z, on a besoin de déterminer ( zI − F ) . Selon l’algorithme de
−1

Leverrier-Faddeva, on a
1 0 
a0 = 1, L1 =  ,
0 1 
 0 1
5
a1 = −tr ( FL1 ) = −tr ( F ) = −tr  1 5  = − ,
− 6
 6 6 
 5 
 0 1  − 1
5 1 0 
L2 = FL1 + a1 I =  1 5  − 
6
 = ,
− 6 0 1   1
 6 6  − 0
 6 

  5   1 
  0 1  − 1   − 0 
1 1 1 1
a2 = − tr ( FL2 ) = − tr   6 6
 1 5   = − tr 
 = ,
2 2  −  1 0  2  1 6
  6 6   −  0 − 
  6    6 

 5 
 0 1  − 1
1 1 0   0 0 
L3 = FL2 + a2 I =  1 5  
6
+  = .
−  1  6 0 1  0 0 
 6 6   − 0

 6
Alors
  5   5 
  − 1   z− 1
1 1 0  1
( zI − F ) = 6 6
−1
  z+  =  ,
5 1  0 1   1   5 1 1
z − z+  − 0  z − z+ − z
2 2

6 6  6   6 6  6 
et la fonction de transfert du système est
 5 
 z− 1
1 0 2z + 3
H ( z ) = C ( zI − F ) G = [ 3 2] 
6
−1
  = .
5 1  − 1 z  1  z 2 − 5 z + 1
z2 − z +
6 6  6  6 6

9.4 Changement de la structure interne d’un système


Etant donné le système linéaire discret ( F , G, C , D ) avec la réponse impulsionnelle
 D, k =0
h(k ) =  k −1
CF G , k >0
et la fonction de transfert en z
H ( z ) = D + C ( zI − F ) G.
−1
On peut changer le vecteur d’état x(k ) avec une transformation linéaire non singulière T sans changer la
réponse impulsionnelle h(k ) ou la fonction de transfert H ( z ) . i .e., on peut changer le vecteur d’état x(k ) au
vecteur , disant, xˆ (k ) ,

−1
xˆ ( k ) = Tx ( k ) et x ( k ) = T xˆ ( k ), (9.60)
alors l’équation (9.24)
x(k + 1) = Fx(k ) + Gu (k ),
y (k ) = Cx(k ) + Du (k ),
devient
Tx(k + 1) = TFT −1Tx(k ) + TGu (k ),
y (k ) = CT −1Tx(k ) + Du (k ),

et enfin, on obtient la nouvelle représentation d’état


xˆ (k + 1) = Fx
ˆ ˆ (k ) + Gu
ˆ (k ),
y (k ) = Cx
ˆ (k ) + Duˆ (k ),

Fˆ = TFT −1 , Gˆ = TG , Cˆ = CT , Dˆ = D. (9.62)
(
Les matrices Fˆ , Gˆ , Cˆ , D )
ˆ représentent un système avec la même description externe, i.e., h(k ) et
H ( z ) restent inchangées, mais avec une structure interne différente. Pour voir cela, il faut remarquer que
D̂ = D alors h(0) est inchangée et
ˆ ˆ k −1Gˆ = CT −1 (TFT −1 )k −1 TG = CT −1 (TFT −1 )(TFT −1 )L (TFT −1 ) TG
CF
= CF k −1G,
alors hˆ( k ) = h ( k ), k > 0. D’une manière similaire,

( ) Gˆ = CT −1 ( zTT −1 − TFT −1 ) TG
−1 −1
Cˆ zI − Fˆ

= CT −1 T ( zI − F ) T −1  TG = C ( zI − F ) G ,
−1 −1
 
alors Hˆ ( z ) = H ( z ).
Exemple 9.13 : Trouver la nouvelle représentation de l’espace d’état si l’état du système

 0 1
0 
x(k + 1) =  1 5  x(k ) +   u (k ),
−  1 
 6 6 
y (k ) = [3 2] x(k ).
est changé comme suit

1 0 
xˆ(k ) =   x(k ),
1 1 
1 0  1 0
T =  T −1 =  .
1 1   −1 1 
Alors les matrices
 0 1
0
F = 1 5  , G =  , C = [3 2] ,
− 1 
 6 6 
deviennent
 −1 1 
0 
F = TFT = 
ˆ −1 , Gˆ = TG =   , Cˆ = CT −1 = [1 2] ,
 −2 11  1 
 12 
et l’équation caractéristique de ce nouveau système est
pˆ (λ ) = det(λ I − Fˆ ) = det(λTT −1 − TFT −1 ) = det T (λ I − F )T −1  ,
1
= det(T ) det(λ I − F ) det(T −1 ) = det(T ) det(λ I − F ) ,
det(T )
= det(λ I − F ) = p(λ ).
D’après l’exemple 9.12, on a
5 1
p (λ ) = λ 2 − λ + ,
6 6
et la fonction de transfert en z
2z + 3
Hˆ ( z ) = = H ( z ).
5 1
z − z+
2

6 6
On a changé la structure interne de ce système, mais la même relation entrée/sortie est préservée.
Il y a plusieurs raisons pour lesquelles on souhaite changer la structure interne d’un système sans pour
autant changer sa description externe. Par exemple, on désire minimiser le nombre de multiplicateurs de la
structure parce qu’ils sont chers. Ou peut être, on désire minimiser la quantité du bruit interne du aux opérations
d’arrondi des résultats intermédiaires. Quelle que soit la raison pour changer les connexions internes, la méthode
des variables d'états nous permet d’examiner analytiquement les structures internes des systèmes en appliquant
des transformations non singulières aux vecteurs d’états.
Une transformation particulière des coordonnées de l’état souvent utilisée est la transformation des
coordonnées qui rend F une matrice diagonale avec les valeurs propres sur la diagonale. On peut visionner ce
changement de coordonnées comme une transformation de découplage où il n’y a plus d’interaction entre les
modes naturels du système pour former la sortie. Prenons Λ la matrice diagonale obtenue de F et supposons que
les valeurs propres de F sont distinctes, on peut accomplir cette transformation en utilisant une matrice non
singulière P dont les colonnes sont constituées des vecteurs propres de la matrice F.
Les vecteurs propres de F sont ces directions dans l’espace d’état qui ne sont pas changées par la transformation.
, où λ1 , λ2 ,K , λn sont les valeurs
−1  4 −12  1
 4 −1 

ν
Les vecteurs propres P =  − 3 1 2  . de F satisfont l’équation

 1
 1 2


1   ν
3 
11

21


0 
 = 0 
 

propres de F. Dans ce cas, on a


[ Fν1 Fν 2 K Fν n ] = [ λν
1 1 λ2ν 2 K λnν n ]
et
λ1 0 L 0 
0 λ L 0 
F [ν 1 ν 2 K ν n ] = [ν 1 ν 2 K νn ] 2 ,
M M M
 
 0 0 L λn 
ou
FP = P Λ ,
alors

Λ = P −1 FP. (9.62)

Exemple 9.14 : Trouver la structure découplée du système suivant :


 0 1
x(k + 1) =   x(k ) +  0 u (k ),
− 1 7  1 
 
 12 12 
 1
y (k ) =  −1  x(k ).
 3
Alors
 0 1
 , 0   1
F= G =  , C =  −1  .
− 1 7  1   3
 12 12 

7 1
L’équation caractéristique de F est p (λ ) = det(λ I − F ) = λ − λ + = 0, alors les valeurs propres de
2

12 12
1 1
F sont λ1 = et λ2 = . Les vecteurs propres correspondants sont obtenus en résolvant
4 3
( λi I − F )ν i = 0, i = 1, 2.
1 
−1  1
1  4 ν 11  0  ν 11   
Pour λ1 = ,   = donne   = 1 et
4 1 1  ν 21  0  ν 21   
− 4
12 3 
1 
−1  1 
1 3 ν 12  0  ν 12   
pour λ1 = ,   = = 1 .
1  ν 22  0 
donne 
3 1 ν 22   
−  3 
12 4 
Remarquer qu’on a choisi arbitrairement ν 11 = ν 12 = 1 , alors on a
1 1
 4 −12 
P = 1 1  et P −1 =  .
  −3 12 
 4 3 
−1
Utilisant maintenant le changement d’état xˆ( k ) = P x( k ) , on obtient

1 
4 0
 −12   11 8
Fˆ = Λ = P −1 FP =  , Gˆ = P −1G =  , Cˆ = CP =  − − .
0 1  12   12 9
 3 
Remarquer que la matrice F est dite sous la forme compagnon si F a la forme suivante :
 0 1 L 0 
 0 0 L 0 
F = ,
 M M M 
 
 −an −an −1 L −a1 
l’équation caractéristique de F est p (λ ) = det(λ I − F ) = λ + a1λ
n n −1
+ K + an −1λ + an . Si λi est une
valeur propre de F alors ν i est le vecteur propre associé avec λi et satisfait Fν i = λν
i i pour 1 ≤ i ≤ n.
Puisque λi est une valeur propre de F , on a
p (λi ) = λi n + a1λi n −1 + K + an −1λi + an = 0,
et
λi n = − a1λi n −1 − K − an −1λi − an .
Maintenant, si ν i = 1 λi K λin −1  , alors
T

 λi   λi   1 
 λi2   2
λi   λ 
Fν i =   =  = λi  i  = λν
i i.
 M  M   M 
 n −1   n  n −1 
 −an − an −1λi − K − a1λi  λi  λi 
Ainsi, ν i
T
= 1 λi K λin −1  est vraiment un vecteur propre de F associé avec la valeur propre λi .
En générale la matrice de transformation P, pour le cas des valeurs propres distinctes, est donnée par
 1 1 L 1 
 λ λ2 L λn 
P=  1
=V (9.62)
 M M M 
 n −1 
λ1 λ2n −1 L λnn −1 
où V est la matrice de Van der monde.
On peut maintenant écrire F comme suit
F = P Λ P −1 , (9.63)
et alors
F k = ( PΛP −1 )k = ( PΛP −1 )( PΛP −1 )L ( PΛP −1 ) = PΛ k P −1 , (9.64)

λ1k 0 L 0
 
0 λ k
L 0
Λ =
k 2
. (9.65)
0 0 M 
 
 0 0 L λnk 
Si la matrice F a une ou plusieurs valeurs propres répétées, alors on a
 J1 0 L 0
0 J2 L 0 
F = P FP = J = 
ˆ −1
, (9.66)
M M M 
 
 0 0 L J m 
où J1 ,K , J n sont des matrices carrées élémentaires de la forme
 
λ 1 0 L 0 
 i
0 λi 1 L 0
Ji =  
0 0 λi L 0
M M M M
 
 0 0 0 0 λi 
et de dimension mi xmi , où mi est la multiplicité de λi et la matrice de transformation de coordonnées P est
P = [ P1 P2 L Pm ] ,

 1 0 L 0 
 λ 1 L 0 
 i 
Pi =  M M M ,
 
λ n −1  n − 1 λ n − 2 L  n − 1  λ n − mi +1 
 i   i   i 
  1   mi − 1 
est une nxmi matrice. Ainsi,
 J1k 0 L 0
 
0 J 2k L 0
J = ( PFP ) = PF P = 
k −1 k k −1
,
0 0 M 
 
 0 0 L J nk 

 k k  k  k − mi +1 
λi k λik −1   λik − 2 L   λi 
 2  mi − 1 
  k  k − mi + 2 
   λi 
0 λik k λik −1 L  mi − 2  
Ji = 
k
,
0 0 λik L  k  k − m +3 
  λi
i

  mi − 3  
 
M M M M 
0 0 0 L λik 
 

k  k!
 = , et ( k − j )! = ∞ si k < l .
 l  l !(k − l )!
k
Donc, les éléments de F et alors ceux de x(k ) , sont des combinaisons linéaires de
λ1k , λ2k , K , λnk . Il ensuit que si λi > 1 pour un certain i , alors une ou plusieurs variables d’états (et si c’est
possible les sorties aussi) croîtront sans limite avec le temps . D’ou le système est instable. Mais, si λi < 1
∀i, 1 ≤ i ≤ n, et si l’entrée est bornée, alors toutes les variables d’états et les sorties resteront bornées.
Finalement, si λi = 1 pour un certain i , alors on peut trouver une entrée bornée qui provoquera la sortie de
croître sans limite quand k croit. Ce résultat nous donne une simple méthode de déterminer la stabilité du
système. Ainsi les valeurs propres de la matrice d’état caractérisent la stabilité du système. Un système discret en
temps serai stable si et seulement si λi < 1 , ∀i, 1 ≤ i ≤ n.
Exemple 9.15 : Supposons qu’on a un système discret dont la matrice d’état est
1 2
F = 1 
b
 4
Pour quelles valeurs de b le système est stable ?
On doit premièrement trouver les valeurs propres de cette matrice comme une fonction du paramètre b.
L’équation caractéristique est
1
p (λ ) = (λ − 1)(λ − ) − 2b = 0.
4
C’est à dire
5 1
λ 2 − λ + − 2b = 0
4 4
a les racines
5 9 5 9
λ1 = + + 2b et λ2 = − + 2b .
8 64 8 64
Il y a deux cas possibles.
9
1. Supposons que b≥− . Dans ce cas, λ1 et λ2 sont des valeurs réelles, avec λ1 > λ2 . Pour que le système
128
soit stable, λi < 1 , i = 1, 2. Alors prenons λ1 < 1 pour voir l’effet du paramètre b .

5 9
+ + 2b < 1 ,
8 64
i.e.,
9 9
+ 2b <
64 64
qui donne b < 0. Pour assurer stabilité, on doit aussi avoir λ1 > −1 . Cette inégalité veut dire que

5 9
− + 2b > −1 .
8 64
Alors

9 169
+ 2b <
64 64
5
implique que b < qui est assuré par le résultat précédant b < 0.
4
9
2. Supposons maintenant que b ≥ − . Dans ce cas, λ1 et λ2 sont des valeurs complexes. Prenons
128
λ1 < 1 ou λ2 < 1 implique que
2
5 9
λ1 = λ2 = ± j − − 2b < 1
2 2

8 64
ou
25  9  3
+  − − 2b  < 1, b>− .
64  64  8
 3 
Combinant ces résultats, on voit que le système est stable pour toutes les valeurs de b ∈  − , 0 .
 8 

9.5 Réponse fréquentielle en termes des matrices du système


On a trouvé que la réponse impulsionnelle
 D, k =0
h(k ) =  k −1
CF G , k >0
relie la description de l’espace d’état à la description externe du système.
La réponse fréquentielle H (e jθ ) où θ = ωT , est une importante description externe d’un système. Comment
est elle reliée au matrices du système {F , G, C , D} ?
D’après l’expression (convolution), on a

H (e jθ ) = ∑ h ( k )e
k =−∞
− jkθ
(9.67)

= ∑ h(k )e − jkθ .
k =0
Puisque on suppose que h(k ) est causal, i.e., h ( k ) = 0, k < 0, alors la borne inférieure de la somme est zéro.
Alors

H (e jθ ) = ∑ h(k )e − jkθ
k =0

= D + ∑ CF k −1Ge − jkθ .
k =1
Prenons l = k − 1, on a

H (e jθ ) = D + C ∑ F l e − jlθ Ge − jθ
l =0

= D + C ∑  Fe− jθ  Ge − jθ .
l
(9.68)
l =0

∑  Fe − jθ l
L’expression  peut être évaluée à l’aide de l’identité suivante :
l =0
n
[ I − A] ∑ Al = I − An +1 , (9.69)
l =0
ou
n

∑ A = [ I − A]
−1
l
 I − An +1  .
l =0
Prenons la limite de cette dernière expression, quand n → ∞ , on obtient

{ }
n
lim ∑ Al = lim [ I − A]  I − An +1  .
−1

n →∞ n →∞
l =0

Supposons que toutes les valeurs propres de A satisfont l’inégalité λi < 1 , alors
lim  I − An +1  = I ,
n →∞
ainsi, on a
n
lim ∑ Al = [ I − A] ,
−1
λi < 1, ∀i, 1 ≤ i ≤ n. (9.70)
n →∞
l =0
Utilisant les équations (9.68) et (9.70), on trouve
−1
H (e jθ ) = D + C  I − Fe− jθ  Ge − jθ . (9.71)
ou
−1
H (e jθ ) = D + C e jθ I − F  G. (9.72)
Les équations (9.71) ou (9.72) expriment la description externe H (e

) en termes de { F , G, C , D} .
H (e jθ ) du système
Exemple 9.16 : Trouver la réponse fréquentielle
 0 1  0 
x(k + 1) =   x(k ) +   u (k ), y (k ) = [ −α 1] x(k ),
 −αβ α + β  1 
où 0 ≤ α < 1 et 0 < β < 1.
−1
Puisque H (e jθ ) = D + C e jθ I − F  G , alors
−1
jθ  e jθ
−1 −1  1 e jθ − α − β 1
(e I − F ) =   = j 2θ  ,
αβ e jθ − α − β  e − (α + β )e jθ + αβ  −αβ e jθ 

et
1 e jθ − α − β 1  0 
H (e jθ ) = C (e jθ I − F )−1 G = [ −α 1 ]    ,
e j 2θ − (α + β )e jθ + αβ  −αβ e jθ  1 
e jθ − α e jθ − α 1
= = = jθ .
e j 2θ − (α + β )e + αβ (e − α )(e − β ) e − β
jθ jθ jθ

Exercices :
1. Etant donné le système
 0 1
x(k + 1) =   x(k ) +  0 u (k ), y (k ) = [ 2 1] x(k ).
− 7 1  1 
 
 12 12 
a. Calculer sa réponse impulsionnelle utilisant la décomposition spectrale.
b. Calculer sa fonction de transfert utilisant l’algorithme de Leverrier-Faddeva.
c. Vérifier sa stabilité.
2. Prenons
 −6 2 −2
A =  −2 2 2  .
 2 2 2 
a. Trouver les valeurs propres et les vecteurs propres de A .
λ différent des valeurs propres, déterminer ( λ I − A )
−1
b. Pour un nombre complexe arbitraire .
c. Trouver une matrice B tel que B = A.
2

d. Diagonaliser la matrice A .