Vous êtes sur la page 1sur 123

AU TO M AT I Q U E - R O B OT I Q U E

Ti660 - Automatique et ingénierie système

Modélisation et analyse
de systèmes asservis

Réf. Internet : 42391 | 3e édition

Actualisation permanente sur


www.techniques-ingenieur.fr
Tec h n ique s de l ’I n gé ni eur
La plus impor tante ressource documentaire scientifique
et technique en français

Une information fiable, claire et actualisée


Validés par un comité scientifique et mis à jour en permanence sur Internet,
les articles Techniques de l’Ingénieur s’adressent à tous les ingénieurs et
scientifiques, en poste ou en formation.
Outil d’accompagnement de la formation et de la carrière des ingénieurs,
les ressources documentaires Techniques de l’Ingénieur constituent le socle
commun de connaissances des acteurs de la recherche et de l’industrie.

Les meilleurs experts techniques et scientifiques


Plus de 200 conseillers scientifiques et 3 500 auteurs, industriels, chercheurs,
professeurs collaborent pour faire de Techniques de l’Ingénieur l’éditeur
scientifique et technique de référence.
Les meilleurs spécialistes sont réunis pour constituer une base de
connaissances inégalée, vous former et vous accompagner dans vos projets.

Une collection 100 % en ligne


• Accessibles sur www.techniques-ingenieur.fr, les dernières nouveautés et
actualisations de votre ressource documentaire
• Les articles téléchargeables en version PDF

Des services associés


Rendez-vous sur votre espace « Mon compte » en ligne pour retrouver la liste
des services associés à vos droits d’accès et les utiliser.

 Des services associés


Pour toute information, le service clientèle reste à votre disposition :
Tél : 01 53 35 20 20 l Fax : 01 53 26 79 18 l Mail : infos.clients@teching.com

III
Cet ouvrage fait par tie de
Automatique et ingénierie système
(Réf. Internet ti660)
composé de  :

Modélisation et analyse de systèmes asservis Réf. Internet : 42391

Régulation et commande des systèmes asservis Réf. Internet : 42394

Automatique avancée Réf. Internet : 42393

Automatique séquentielle Réf. Internet : 42395

Supervision des systèmes industriels Réf. Internet : 42396

Systèmes d'information et de communication Réf. Internet : 42397

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires

IV
Cet ouvrage fait par tie de
Automatique et ingénierie système
(Réf. Internet ti660)

dont les exper ts scientifiques sont  :

Pierre VIDAL
Professeur honoraire des universités

Chékib GHARBI
Directeur du Centre d'Innovation des Technologies sans Contact (CITC
EuraRFID), Lille

Christian TAHON
Professeur à l'Université de Valenciennes et du Hainaut Cambrésis (UVHC)

Étienne DOMBRE
Directeur de Recherche Émérite du CNRS au LIRMM, UMR 5506 Université
Montpellier-CNRS

Éric BONJOUR
Professeur à l'université de Lorraine / ENSGSI, Vice-président Enseignement
-Recherche de l'AFIS

Dominique LUZEAUX
Ingénieur général de l'armement, HDR

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires

V
Les auteurs ayant contribué à cet ouvrage sont :

Michel AUBRUN Raymond HANUS Frédéric ROTELLA


Pour l’article : R7180 Pour les articles : S7150 – S7151 Pour les articles : S7185 – S7188

Thierry BASTOGNE Claude HUMBERT Jean-René RUAULT


Pour l’article : S7140 Pour l’article : R7180 Pour les articles : S7300 –
S7301 – S7304 – S7306
Michel BERTRAND Claude IUNG
Pour les articles : R7100 – S7105 Pour l’article : S7105 Denis STIEVENART
Pour l’article : R7142
Jean-Marc BIANNIC Michel LEBRUN
Pour les articles : S7130 – S7135 Pour l’article : S7260 Yves TANGUY
Pour l’article : R7200
Patrick BOUCHER Dominique LUZEAUX
Pour l’article : R7190 Pour les articles : S7300 – Daniel VIAULT
S7301 – S7304 Pour les articles : R7190 – R7200
Jean-Louis BOULANGER
Pour l’article : S7305 John-Jairo MARTINEZ- Pierre VUILLEMIN
MOLINA Pour l’article : S7107
Gabriel BUCHE Pour l’article : S7170
Pour l’article : S7170 Jean-Luc WIPPLER
Thierry MORLAYE Pour les articles : S7300 –
Hugues GARNIER Pour l’article : S7302 S7301 – S7302
Pour l’article : S7140
Charles POUSSOT-VASSAL Éric ZAMAÏ
Sylviane GENTIL Pour l’article : S7107 Pour l’article : S7090
Pour l’article : S7090
Jacques RICHALET Janan ZAYTOON
Marion GILSON Pour l’article : R7142 Pour l’article : S7105
Pour l’article : S7140
Alain RICHARD
Pour l’article : S7140

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires

VI
Modélisation et analyse de systèmes asservis
(Réf. Internet 42391)

SOMMAIRE

1– Modélisation Réf. Internet page

Approximation de modèles dynamiques linéaires de grande dimension S7107 11

Principes des chaînes de régulation S7090 15

Chaînes de régulation types R7100 21

Systèmes dynamiques hybrides. Modélisation et simulation S7105 25

Représentations d'un système linéaire. Extension aux systèmes incertains S7130 29

Gouvernabilité et observabilité des systèmes linéaires incertains S7135 33

Systèmes linéaires non stationnaires S7185 37

Systèmes non linéaires. Méthode du premier harmonique R7190 41

Observateurs pour systèmes dynamiques S7188 45

Simulation et CAO en automatique et mécatronique S7260 53

2– Identiication Réf. Internet page

Identiication de modèles paramétriques à temps continu S7140 59

Modélisation et identiication d'un processus sidérurgique R7142 63

3– Analyse Réf. Internet page

Analyse temporelle. Partie 1 S7150 69

Analyse temporelle. Partie 2 S7151 73

Étude fréquentielle des systèmes continus S7170 75

Étude fréquentielle des systèmes échantillonnés R7180 79

Performances d'un système asservi R7200 83

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires

VII
4– Ingénierie système Réf. Internet page

Introduction à l'ingénierie système. Les concepts généraux S7300 91

Introduction à l'ingénierie système. Mise en oeuvre S7301 95

L’architecture et la conception architecturale des systèmes complexes S7302 99

Ingénierie des systèmes de systèmes. Bonnes pratiques S7304 105

Management des exigences S7305 111

Normes et normalisation. Pertinence et enjeux S7306 117

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires
Modélisation et analyse de systèmes asservis
(Réf. Internet 42391)


1– Modélisation Réf. Internet page

Approximation de modèles dynamiques linéaires de grande dimension S7107 11

Principes des chaînes de régulation S7090 15

Chaînes de régulation types R7100 21

Systèmes dynamiques hybrides. Modélisation et simulation S7105 25

Représentations d'un système linéaire. Extension aux systèmes incertains S7130 29

Gouvernabilité et observabilité des systèmes linéaires incertains S7135 33

Systèmes linéaires non stationnaires S7185 37

Systèmes non linéaires. Méthode du premier harmonique R7190 41

Observateurs pour systèmes dynamiques S7188 45

Simulation et CAO en automatique et mécatronique S7260 53

2– Identiication

3– Analyse

4– Ingénierie système

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires


QP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQPW

Approximation de modèles
dynamiques linéaires
de grande dimension

par Charles POUSSOT-VASSAL
Chercheur
ONERA, département Traitement de l’information et systèmes, Toulouse, France
et Pierre VUILLEMIN
Chercheur
ONERA, département Traitement de l’information et systèmes, Toulouse, France

1. Contexte mathématique et exemples introductifs ........................ S 7 107 - 2


1.1 Cadre de la réduction de modèles dynamiques linéaires ....................... — 2
1.1.1 Réduction basée modèle.................................................................. — 2
1.1.2 Approximation basée données ....................................................... — 3
1.1.3 Autres problématiques..................................................................... — 3
1.2 Outils mathématiques pour la réduction .................................................. — 4
1.2.1 Norme 2 et espaces de fonctions associés ..................................... — 4
1.2.2 Norme infinie et espaces de fonctions associés ............................ — 4
1.2.3 Intérêt des normes fréquentielles pour la réduction ..................... — 5
1.3 Quelques exemples introductifs ................................................................ — 5
2. Méthodes d’approximation................................................................... — 6
2.1 Cadre général de la projection................................................................... — 7
2.2 Méthodes classiques .................................................................................. — 7
2.2.1 Approximation par troncature ......................................................... — 7
2.2.2 Troncature modale ........................................................................... — 8
2.2.3 Troncature équilibrée ....................................................................... — 9
2.3 Approximation optimale et interpolation ................................................. — 10
2.3.1 Cadre de l’interpolation et lien avec la projection ......................... — 10
2.3.2 Conditions d’optimalité en norme 2 ............................................... — 12
2.4 Approximation basée données.................................................................. — 13
2.4.1 Construction d’un interpolant par l’approche de Loewner ........... — 13
2.4.2 Minimalité de l’interpolant et approximation ................................ — 14
3. Boîte à outils MOR .................................................................................. — 15
3.1 Description générale de MOR .................................................................... — 15
3.2 Cas d’étude avancés ................................................................................... — 15
4. Conclusion................................................................................................. — 16
Pour en savoir plus .......................................................................................... Doc. S 7 107

’utilisation de modèles mathématiques pour représenter des phénomènes


L ou systèmes physiques s’est imposée comme une norme en ingénierie. En
effet, les opportunités offertes par de tels modèles pour la simulation, le
contrôle, l’optimisation et l’analyse semblent inépuisables. Cette tendance
s’accompagne d’un besoin sans cesse croissant d’avoir des modèles de plus
en plus complets et précis, permettant de représenter la réalité avec une très
grande fidélité. Cela est accentué par l’évolution des technologies informa-
tiques qui permettent, au travers de logiciels de calcul dédiés, de générer des
modèles d’une très grande précision.
p。イオエゥッョ@Z@ュ。ゥ@RPQY

Copyright © – Techniques de l’Ingénieur – Tous droits réservés S 7 107 – 1

QQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQPW

APPROXIMATION DE MODÈLES DYNAMIQUES LINÉAIRES DE GRANDE DIMENSION _____________________________________________________________

Toutefois, une telle précision s’accompagne généralement d’une grande com-


plexité. Dans le cas des systèmes dynamiques, cette complexité se traduit soit par
un nombre d’états très important et on parle alors de modèles de grande dimen-
sion, soit par des modèles ayant une structure mathématique inappropriée. Dès
lors, les tâches rendues possibles par des modèles mathématiques telles que la
simulation sont largement complexifiées, voire rendues impossibles à mener du
fait de contraintes technologiques des ordinateurs en termes de mémoire et de

Q capacité de calcul.
C’est dans ce contexte que l’approximation ou la réduction de modèle intervient.
Il s’agit de simplifier un modèle dynamique de grande dimension tout en préser-
vant, au mieux, son comportement et ses caractéristiques principales. Cet article
se focalise sur le cas des modèles dynamiques linéaires. Les outils mathématiques
utiles pour la compréhension du problème et un panel varié de méthodes exis-
tantes pour le traiter sont détaillés.

1. Contexte mathématique 1.1.1 Réduction basée modèle

et exemples introductifs Soit H un modèle dynamique continu linéaire et invariant dans


le temps (linear time invariant en anglais, ou LTI) à nu entrées, ny
sorties de dimension asymptotiquement stable, décrit par
L’approximation, ou la réduction, de modèles dynamiques de une représentation d’état telle que :
grande dimension est un sujet très vaste qui regroupe en réalité
des problématiques très diverses. En particulier, selon la nature
des modèles considérés (linéaires, du second ordre, etc.), les (1)
concepts et les méthodes peuvent être très différents. Cet article
se concentre sur l’approximation de modèles dynamiques avec , , et et où ,
linéaires. Cela peut sembler restrictif, mais ces modèles sont très et sont des vecteurs contenant respective-
répandus dans l’industrie car d’une part ils sont souvent suffisam- ment les états, les entrées et les sorties du modèle. Pour ne pas
ment riches pour pouvoir représenter fidèlement le comportement alourdir les notations, on ne distinguera pas la représentation
de nombreux systèmes physiques autour d’un point de fonction- d’état (1) du modèle de sa fonction de transfert associée, définie
nement, et d’autre part ils sont simples à utiliser pour de la simu- comme :
lation ou du contrôle. Par ailleurs, avec cette classe de modèles,
des outils mathématiques très puissants peuvent être utilisés pour
évaluer les erreurs introduites lors de l’approximation. (2)
Les formulations mathématiques des problèmes considérés
sont énoncées dans la section 1.1. Certains concepts et outils où est l’ensemble des valeurs
mathématiques utiles pour la réduction sont rappelés dans la sec- propres de la matrice A.
tion 1.2. Deux exemples qui seront utilisés dans le reste de
l’article sont introduits dans la section 1.3. L’objectif de la réduction (ou approximation) est alors de trou-
ver , un modèle continu LTI, stable également, ayant le même
Par soucis de simplicité, seuls des modèles continus sont consi- nombre d’entrée nu et de sorties ny que H mais un nombre d’états
dérés dans cet article, mais l’ensemble des concepts et méthodes , c’est-à-dire :
d’approximation présentés ont un pendant en temps discret.

(3)
1.1 Cadre de la réduction de modèles
dynamiques linéaires
où , , et tel que repro-
Comme évoqué ci-dessus, cet article se concentre sur la réduc- duise fidèlement le comportement entrée-sortie du modèle de
tion de modèles dynamiques linéaires. Toutefois, même pour grande dimension H. En particulier, l’objectif est que pour un
cette classe de modèles, différentes formulations se distinguent ensemble de signaux d’entrée à détailler, l’erreur de sortie
en fonction de la nature du modèle de grande dimension et de
celle du modèle réduit recherché. En effet, le modèle de grande soit faible. Plutôt que l’utilisation de normes sur les
dimension peut être une équation différentielle ordinaire (EDO) du signaux temporels, la section 1.2 met en évidence l’intérêt de
premier ou second ordre, une équation aux dérivées partielles considérer des normes fréquentielles de mesure de distance entre
(EDP), etc. De la même façon, le modèle réduit peut également
les modèles H et et comment cela peut mener à la formulation
être de l’une ou l’autre de ces formes.
de problèmes d’approximation optimale.
Deux cadres sont considérés dans cet article :
■ Cas des modèles instables
• l’approximation d’un modèle représenté par une EDO linéaire
du premier ordre par un modèle réduit de même nature (sec- Si le modèle initial est instable, alors sa partie instable doit être
tion 1.1.1) ; préservée lors de la réduction. Dans le cas contraire, l’erreur
d’approximation ne serait pas bornée. Ainsi, en considérant la
• l’approximation de données fréquentielles par une EDO décomposition du modèle H en une partie stable Hs et une partie
linéaire du premier ordre (section 1.1.2). instable Hi, c’est-à-dire :
D’autres problématiques d’intérêt sont également évoquées
dans la section 1.1.3. (4)

S 7 107 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

QR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQPW

______________________________________________________________ APPROXIMATION DE MODÈLES DYNAMIQUES LINÉAIRES DE GRANDE DIMENSION

alors la réduction ne doit concerner que la partie stable Hs et le blème est connu comme le problème de Nehari et a été résolu [2]
modèle réduit est donné tel que : [3]. Lors de cette projection, les conditions d’interpolation peuvent
toutefois être perturbées.
(5)
1.1.3 Autres problématiques
1.1.2 Approximation basée données
Comme cela a déjà été évoqué, les deux problématiques énon-


Soit un modèle dynamique H représenté par sa fonction de cées précédemment ne sont pas les seules et de nombreuses
transfert qui n’est pas nécessairement une fonction autres existent. Les différences se situent au niveau de la structure
rationnelle telle que (2) mais peut comprendre des fonctions irra- des modèles ou des critères considérés. Cette section a pour but
tionnelles telles que des retards en e−τs, etc. d’esquisser quelques unes de ces variantes et d’en souligner les
Supposons en plus que ce modèle ne soit connu qu’au travers d’un éléments principaux, ainsi que de donner des références pour
certain nombre d’échantillons fréquentiels H(si), , i = 1, …, N. pouvoir aller plus loin.

Alors, l’objectif est de trouver un modèle réduit rationnel décrit par ■ Modèle linéaire algébraico-différentiel
(3) tel que , i = 1, …, N soit faible dans un certain sens. Ici, le modèle initial est décrit par une équation algébraico-différen-
Pour un nombre N de points d’échantillons suffisamment grand et si tielle (differential algebraic equation en anglais, ou DAE) telle que :
ces derniers sont placés le long de l’axe imaginaire, alors un tel objec-
tif assurerait de la proximité des réponses fréquentielles. (7)
On peut imaginer chercher un modèle réduit interpolant exac- où est une matrice qui peut être singulière. Si elle l’est,
tement les données, c’est-à-dire tel que , i = 1, …, N cela signifie que l’état x(t) est soumis à des contraintes
et on parle alors de problème d’interpolation rationnelle. Toute- algébriques. La simulation temporelle d’un tel modèle est délicate
fois, pour des modèles avec un nombre important nu d’entrées et requiert d’avoir recours à des techniques spécifiques.
et ny de sorties, ce problème est trop restrictif et sa résolution Pour la réduction, si , alors la plupart des méthodes
est problématique. À la place, on considère plutôt le cadre plus d’approximation évoquées dans cet article ont une extension
général de l’interpolation tangentielle qui assure l’interpolation directe à ce cas et permettent de préserver la structure de DAE
du modèle initial dans certaines directions spécifiques, appelées pour le modèle réduit. Si la conservation de la structure n’est pas
directions tangentielles. En particulier, supposons que importante, alors il est possible de transformer (7) en une simple
l’ensemble des points d’interpolation soit scindé en deux sous- EDO (1) par inversion de la matrice E à gauche. Une telle
approche annulerait toutefois toute structure creuse des matrices
ensembles, et que ces derniers soient et n’est donc à privilégier que pour des dimensions n modérées.
complétés par des ensembles de directions tangentielles Dans le cas où det(E) = 0, alors cela implique que la fonction de
et . Alors, l’objectif est de trouver un transfert associée à (7) peut se décomposer comme suit :

modèle , tel que les conditions d’interpolation tangentielles (8)


suivantes soient satisfaites :
où Hr est une fonction rationnelle telle que (2) et P est un poly-
nôme dont l’ordre est lié à l’index de la DAE. Sur l’axe imaginaire,
(6) une telle structure se traduit par un comportement divergent pour
de très hautes fréquences. Dans ce cas, la réduction ne doit
s’appliquer que sur la partie rationnelle de la décomposition (8).
Les ensembles et sont appelés respective-
Le modèle réduit est alors obtenu en ajoutant la partie polyno-
ment données d’interpolation tangentielle à gauche et à droite.
miale P au modèle rationnel réduit obtenu. Le calcul de la décom-
Comme cela est mis en évidence dans la section 2.4, le problème
position (8) n’est toutefois pas trivial, surtout en grande
d’interpolation tangentielle est notamment lié au problème
dimension (voir par exemple [4] et les références qu’il contient).
d’approximation optimale en norme . Le cadre d’approximation
basée données présenté ici est très général car il ne fait pas ■ Modèle linéaire du second ordre
d’hypothèse sur la structure du modèle qui a permis de générer
les données fréquentielles hormis sa linéarité. Cela rend donc les Dans ce cas la dynamique du modèle initial est décrite par une
approches associées applicables à une plus grande classe de EDO linéaire du second ordre :
modèles que ceux décrits par (1).
(9)
Ce problème peut également s’interpréter comme un problème
d’identification boîte-noire. Toutefois ici, aucune considération de
où ont souvent un sens physique et sont appe-
bruit n’est prise en compte.
lées respectivement matrice de masse, d’amortissement et de rai-
■ À propos de la stabilité deur. Du fait de ce sens physique inhérent à cette structure, il peut
être intéressant de la conserver dans le modèle réduit. Ici encore,
La question de la stabilité du modèle réduit se pose ici en la plupart des méthodes décrites dans cette article ont une exten-
d’autres termes que dans le cadre du problème d’approximation sion plus ou moins directe pour cela.
basé modèle énoncé dans la section 1.1.1. En effet, juger de la sta-
bilité du processus sous-jacent à des données fréquentielles n’est Dans le cas où préserver la structure n’est pas nécessaire, l’EDO
pas un problème aisé et fait l’objet de recherches actives [1]. Le du second ordre (9) peut se mettre sous la forme d’une EDO du
problème est donc abordé de manière plus pragmatique dans cet premier ordre telle que (1) en considérant l’état augmenté :
article. En particulier, si le modèle obtenu est instable alors
qu’un modèle stable était attendu, d’après des considérations phy- (10)
siques sur le système sous-jacent, alors on va projeter sur un
La dimension du modèle à réduire est alors doublée (voir par
modèle stable de sorte que soit minimal. Ce pro-
exemple [5] pour une illustration).

Copyright © – Techniques de l’Ingénieur – Tous droits réservés S 7 107 – 3

QS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQPW

APPROXIMATION DE MODÈLES DYNAMIQUES LINÉAIRES DE GRANDE DIMENSION _____________________________________________________________

■ Modèle linéaire paramétrique modèles asymptotiquement stables. Pour de tels modèles, leur
L’une ou l’autre des structures précédentes peut être enrichie norme coïncide avec leur norme , notée .
par l’ajout d’une dépendance paramétrique des matrices d’état. L’espace réel peut être vu comme un espace de fonctions
Ainsi, dans le cas d’une EDO linéaire du premier ordre telle que dans le domaine temporel alors que comme un espace de
(1), le modèle initial devient : fonctions dans le domaine fréquentiel. Les deux espaces sont liés par
la transformée de Laplace au travers du théorème de Parseval. Ainsi,
(11) si et sa transformée de Laplace , alors :


où est un vecteur de paramètres. Deux cas sont alors à
distinguer. Si le paramètre est variant dans le temps, alors le (14)
modèle (11) est un modèle linéaire variant dans le temps (linear Cette relation reste valable pour le sous-espace des signaux
parameter varying en anglais, ou LPV) et un cadre dédié relative- temporels causaux qui est lié à l’espace des fonctions
ment différent de ce qui est présenté dans cet article doit être de transfert stables . Dès lors, pour un modèle strictement
considéré aussi bien pour l’analyse que pour la réduction [6]. propre et asymptotiquement stable H, i.e. , sa norme
Dans le cas contraire où est invariant dans le temps, alors le correspond à l’énergie de sa réponse fréquentielle, ou de manière
cadre de l’article reste valide et les outils fréquentiels peuvent tou- équivalente dans le domaine temporel, à l’énergie de sa réponse
jours être utilisés. La réduction d’un tel modèle reste toutefois un impulsionnelle .
réel défi et un domaine de recherche très actif. En effet, la dépen-
dance paramétrique fait exploser la dimension du problème. Les ■ Calcul de la norme
méthodes présentées dans cet article ont des extensions pour le Pour un modèle LTI, le calcul de la norme peut se faire à
cas paramétrique, mais les garanties sont généralement moins l’aide des gramiens du modèle ou à partir des pôles et des résidus
fortes et leur mise en œuvre reste pour le moins délicate (voir [7] de la fonction de transfert associée. En particulier, les gramiens
et [8] et leurs références pour plus de détails). et sont solutions des équations de Lyapunov suivantes :
■ Vers des modèles non linéaires (15)
De nombreuses recherches visent par ailleurs à étendre les tech- et on a :
niques d’approximation à des structures de modèles de plus en plus
complexes et non linéaires. Cela dépasse le cadre de cet article, (16)
mais des références en ce sens sont données en conclusion. Par ailleurs, en supposant que la matrice A de (1) soit diagonali-
sable, alors la fonction de transfert (2) du modèle peut se décompo-
1.2 Outils mathématiques ser en éléments simples comme où et
pour la réduction
sont les pôles et résidus associés. Si en plus, le modèle n’a
Cette section a pour objectif d’introduire, succinctement, cer- pas de transfert direct, i.e. D = 0, alors, la norme est donnée par :
tains outils théoriques associés à la réduction et à la théorie des
systèmes linéaires en général. Bien entendu, elle n’a pas vocation n
a être une description détaillée (pour cela, voir par exemple [9] ou
[10]) mais plutôt à souligner certaines notions spécifiques qui ont i (17)
un intérêt particulier pour la réduction. En particulier, les Pour une présentation plus détaillée de ces espaces et des
métriques associées aux systèmes linéaires permettent de quanti- concepts associés ainsi que des méthodes de calcul des normes,
fier les erreurs induites par la réduction de manière globale. Ces les lecteurs peuvent se référer au chapitre 2 de [9] ou au cha-
concepts sont par ailleurs utiles pour appréhender certaines des pitre 4 de [10] et aux références qu’ils contiennent.
références citées dans cet article.

1.2.1 Norme 2 et espaces de fonctions associés 1.2.2 Norme infinie et espaces de fonctions
associés
Soit , on note l’ensemble des fonctions h(t) (sca-
laires, vectorielles ou encore matricielles) de carré intégrables, Un autre espace d’intérêt particulier pour les signaux et les sys-
telles que : tèmes est . Contrairement aux espaces , ici, il n’y a pas
d’équivalence entre le domaine temporel et fréquentiel et il
(12) convient donc de bien distinguer les deux.
Dans le domaine temporel, c’est-à-dire pour , est
Si l’intégrale (12) est finie, autrement dit , alors l’ensemble des fonctions réelles h(t) définies sur et qui y sont
(parfois notée simplement ) est appelée norme de la fonction bornées, telles que :
h et peut s’interpréter comme l’énergie associée à la fonction sur
(par exemple si h(t) représente un signal temporel). Parmi les cas (18)
particuliers pour , on notera notamment ) qui contient
l’ensemble des fonctions causales (nulles pour t < 0) d’énergie finie. où est le maximum des valeurs absolues des éléments de
h(t) et ess sup est le supremum essentiel. Ce dernier coïncide avec
De manière similaire, on peut définir l’espace comme
le supremum pour un signal continu ou plus simplement avec le
l’ensemble des fonctions complexes H(s) telles que :
maximum du signal quand celui-ci existe.
1 Dans le domaine fréquentiel, est l’ensemble des fonctions
(13) complexes H(s) qui sont bornées sur l’axe imaginaire, telles que :

Ainsi, toute fonction de transfert H(s) telle que (2) n’ayant pas (19)
de pôle sur l’axe imaginaire et n’ayant pas de transfert direct, i.e.
D = 0, appartient à . Parmi cet ensemble, on distingue où est la valeur singulière maximale de . Ainsi
encore le sous-espace qui ne contient que les fonc- toute fonction de transfert H(s) telle que (2) n’ayant pas de pôle
tions de transfert analytiques dans le demi-plan complexe droit, sur l’axe imaginaire appartient à . Cet espace englobe
c’est-à-dire, des fonctions de transfert qui correspondent à des car il contient également les fonctions de transfert ayant

S 7 107 – 4 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

QT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWPYP

Principes des chaînes de régulation

par Sylviane GENTIL



Professeur à l’École nationale supérieure d’Ingénieurs électriciens
de l’Institut national polytechnique de Grenoble
et Éric ZAMAÏ
Maître de conférences à l’École nationale supérieure d’Ingénieurs électriciens
de l’Institut national polytechnique de Grenoble

1. Nature des processus industriels. Modélisation ............................. S 7 090 – 3


1.1 Notion de système....................................................................................... — 3
1.2 Modélisation des systèmes ........................................................................ — 4
1.3 Identification ................................................................................................ — 5
2. Principes de base d’une boucle de régulation................................. — 6
2.1 Principe de la boucle fermée ...................................................................... — 6
2.2 Capteurs et actionneurs .............................................................................. — 7
2.3 Fonction de transfert d’une boucle de régulation..................................... — 7
2.4 Objectifs de la régulation ............................................................................ — 8
2.5 Chaîne de régulation échantillonnée ......................................................... — 10
3. Algorithmes de commande ................................................................... — 10
3.1 Régulateurs PID ........................................................................................... — 11
3.2 Commande avancée.................................................................................... — 13
3.3 Modes de marche des régulateurs............................................................. — 14
4. Intégration des chaînes de régulation en réseau............................ — 15
4.1 Principes des architectures décisionnelles ................................................ — 15
4.2 Du décisionnel vers l’opérationnel ............................................................ — 18
4.3 Fonctions intégrées dans une chaîne de commande ............................... — 19
5. Conclusion ................................................................................................. — 21
Références bibliographiques ......................................................................... — 21

e contrôle est un concept de sens commun. On en trouve des exemples dans


L le monde naturel, dans le monde vivant entre autres (par exemple la régula-
tion de la température du corps humain). On situe ses premières réalisations
technologiques à l’antiquité (clepsydre de Ktesibios en – 300 : une régulation de
niveau (de type chasse d’eau) maintient un débit constant à la sortie d’un réser-
voir ; ce débit alimente un bac dont la hauteur sert alors à mesurer le temps).
Mais il a fallu attendre le XIXe siècle pour que les propriétés des boucles de régu-
lation soient étudiées de façon formelle. Depuis, les progrès sont constants.
Étant une réponse efficace à la rude compétition industrielle, l’automatique a
connu de grandes mutations ces dernières années. Les secteurs classiques qui
ont vu naître l’automatique moderne, comme la pétrochimie, la sidérurgie, le
nucléaire, la production d’énergie ou ceux plus récents de la pharmacie, ou de
l’agroalimentaire sont toujours des terrains d’application de commande avan-
cée. Mais d’autres secteurs se sont récemment ouverts, dans l’industrie
(l’espace, le transport), dans la recherche (les télescopes géants, les sondes spa-
tiales, l’appareillage médical sophistiqué, les véhicules autonomes) ou dans la
vie quotidienne (têtes de lecture de disques laser, électroménager
p。イオエゥッョ@Z@ュ。イウ@RPPS

« intelligent »).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 090 − 1

QU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWPYP

PRINCIPES DES CHAÎNES DE RÉGULATION __________________________________________________________________________________________________

Automatiser peut avoir des objectifs divers. Citons :


— augmenter les performances du système de production : améliorer la qua-
lité du produit fini, diminuer sa variabilité, augmenter la quantité de produit
fabriqué ou diminuer le temps de fabrication ;
— diminuer les coûts de fabrication : minimiser la quantité de matière pre-
mière utilisée, l’énergie nécessaire au procédé de fabrication, introduire la récu-

Q pération de sous-produits (dont le recyclage induit des boucles internes, des


couplages forts entre variables) ;
— améliorer la sécurité de l’installation industrielle, des hommes qui y tra-
vaillent et de l’environnement ; permettre la traçabilité des produits (nécessité
dans l’industrie agroalimentaire, par exemple) ;
— commander à distance : cela est particulièrement important pour les appli-
cations nucléaires ou spatiales ;
— offrir des produits et des services personnalisés, améliorer le confort (évo-
lution de l’industrie automobile par exemple, où les modèles de véhicules sont
modulables et pour lesquels de plus en plus de variables sont contrôlées – frei-
nage ABS, répartiteur de freinage, capteur de pluie, allumage automatique des
feux de croisement…) ;
— diminuer le temps nécessaire à l’innovation.
La variété des problèmes amène bien sûr la variété des solutions. Par ailleurs,
on constate que l’automatisation d’une installation conduit généralement à la
réorganisation de la production, à la rationalisation des opérations, à la synchro-
nisation entre divers ateliers, entre la production, l’approvisionnement et la
demande. En effet, l’optimum global n’est pas la somme des optimums locaux.
Optimiser entièrement une entreprise conduit à s’intéresser à tous les niveaux,
depuis les procédés de fabrication jusqu’aux services de gestion. Il faut décider
au niveau global, et cela nécessite une excellente réactivité, le partage des infor-
mations en temps réel, et donc une collaboration de plusieurs entités et services.
L’automatisation conduit donc à un changement dans l’organisation et dans les
mentalités d’une entreprise. La solution moderne n’est plus dans une hiérarchie
boucles locales/supervision globale, recopiée dans l’architecture informatique
micro-calculateur/calculateur centralisé. La chaîne de régulation n’est plus un
tout, réglé indépendamment, mais communique avec le reste du système de
contrôle-commande, dans le cadre d’un réseau informatique.
L’automatisation a pour conséquences une diminution des emplois non quali-
fiés et une augmentation des emplois qualifiés. En effet, pour les systèmes très
complexes, on continue à trouver des hommes qui surveillent l’ensemble du
système et de sa commande et qui peuvent agir sur le système (opérateurs dans
les salles de commande de la plupart des installations industrielles, pilotes
d’avion, cosmonautes…). Par ailleurs, on constate que l’automatique est une
discipline transversale, reposant sur d’autres disciplines scientifiques, celles qui
permettent de comprendre le fonctionnement du système à automatiser (génie
hydraulique, thermique, électrique, mécanique…) et celles qui permettent de
réaliser le système de commande (de nos jours essentiellement l’informatique).
Le travail de l’ingénieur automaticien est un travail d’intégrateur.
Dans le texte ci-après, le lecteur découvre dans une première partie une ana-
lyse de la nature des processus industriels et les outils de modélisation permet-
tant de les représenter.
La deuxième partie décrit les principes de base d’une boucle de régulation, sa
structure, ses constituants et ses principales propriétés.
La troisième partie décrit rapidement des algorithmes de régulation, comme
les traditionnels PID et quelques solutions de commande avancée.
La quatrième partie donne un aperçu des autres fonctions intégrées dans les
chaînes de régulation, comme la surveillance, et présente les architectures déci-
sionnelles et opérationnelles les mettant en œuvre.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 090 − 2 © Techniques de l’Ingénieur, traité Informatique industrielle

QV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWPYP

_________________________________________________________________________________________________ PRINCIPES DES CHAÎNES DE RÉGULATION

1. Nature des processus


industriels. Modélisation u
100 % Commande discrète

1.1 Notion de système 0


t
y
Un système est un dispositif isolé, soumis aux lois de la physique, yf
Sortie
de la chimie, de la biologie, de l’économie, etc., caractérisé par cer-
taines grandeurs et placé dans un environnement. Un système
industriel est souvent appelé processus. Les grandeurs caractéris-
tiques sont des variables et des paramètres, ces derniers étant con-
t
sidérés comme constants ou lentement variables par rapport aux
premières qui évoluent dans le temps. Les entrées du processus
caractérisent l’effet de l’environnement sur le système. Les sorties u Commande à modulation
caractérisent l’effet du système sur l’environnement. Ainsi, les de durée : sortie 60 %
100 %
entrées sont souvent des produits bruts ou de l’énergie. Les entrées
sont de deux types : actions et perturbations. Les actions sont maî-
trisables par l’utilisateur ; elles serviront de commande, ou gran-
deur réglante ; les perturbations sont non maîtrisables par 0
t
l’utilisateur mais parfois mesurables. Les sorties sont en général des
produits finis, transformés, dont on spécifie la qualité et/ou la quan- u Commande à modulation
tité (grandeur réglée). de durée : sortie 20 %
100 %
Exemple : ainsi dans un barrage, on maîtrise l’ouverture des van-
nes aval (entrée), on ne maîtrise pas les débits entrants (rivières,
pluies…) qui sont des perturbations malgré lesquelles on va essayer de 0
fournir la demande électrique, variable dans le temps. t

La relation entre les entrées et les sorties fait souvent intervenir le u entrée
temps : on parle alors de système dynamique. Sinon, le système est y sortie
statique ; son modèle mathématique correspond alors générale- t temps
ment à des équations de bilans (bilans massiques, bilans énergé-
tiques).
Figure 1 – Principe des commandes discrètes (tout ou rien
Un processus est continu lorsque ses entrées et ses sorties sont ou modulation de durée)
des variables qui évoluent progressivement et continûment dans le
temps. C’est le cas dans la chimie, la cimenterie, la pétrochimie, la
production électrique, etc. Un processus continu arrêté périodique-
ment est dit semi-continu (par exemple four de biscuiterie arrêté Pour contrôler totalement un processus continu, on a souvent
chaque fin de semaine). Des systèmes évoluent en mode discret ; besoin d’implanter, en sus des commandes continues, des com-
leurs entrées et sorties évoluent par sauts à des moments bien par- mandes discrètes (qui servent par exemple dans les modes de
ticuliers. Pour les systèmes continus, des commandes très simples démarrage ou d’arrêt).
peuvent fonctionner en mode discret. C’est le cas de la commande Exemple : ainsi, pour une machine à laver, une séquence de com-
tout ou rien (figure 1). mandes permet de remplir la cuve, de faire tourner le tambour, de
Exemple : pour un radiateur électrique, on applique la puissance de chauffer l’eau, de vidanger au bout d’un certain temps, de remplir à
chauffe maximale tant que la température n’a pas atteint une valeur nouveau pour rincer ; des régulations continues permettent de garantir
donnée, après quoi la puissance est coupée (par un système de bilame une certaine température de lavage et la vitesse d’essorage.
par exemple).
Dans l’industrie, il y a maintenant une forte convergence entre des
Dans les solutions industrielles, la commande tout ou rien peut matériels à l’origine très différents comme les SNCC (Systèmes
être remplacée par une commande par impulsions de durée varia- Numériques de Contrôle-Commande), les microcalculateurs indus-
ble (modulation de durée), ce qui évite les oscillations de la sortie triels, les PC, les automates programmables. On reviendra sur ce
induites par la commande tout ou rien. Si la période de modulation point dans le paragraphe 4.
est très courte par rapport au temps de réponse du processus, le Un processus est dit batch ou à traitement par lots lorsque des
système peut être considéré globalement comme continu. C’est le quantités de produit finies sont introduites ou extraites en une seule
cas de l’alimentation des moteurs à courant continu via des opération selon un cycle préétabli. La matière subit une série de
hacheurs. transformations continues (mélange, chauffage, réaction chimi-
La plupart du temps, les systèmes continus sont contrôlés par des que…) et chemine par lots de quantité finie dans le système de pro-
automatismes continus. duction en suivant de façon séquentielle une recette.
Exemple : le four d’un appareil électroménager possède un capteur Exemple : lors de la fabrication d’antibiotiques, de yaourts, etc., on
de température, information grâce à laquelle on module la commande introduit un substrat et une souche bactérienne dans un réacteur ; on
de l’électronique qui fournit de la puissance en continu au système ; maintient une température et un pH constants dans le réacteur – à
malgré les perturbations (ouverture de la porte), la température doit moins qu’on ne leur fasse suivre une courbe d’évolution particulière ;
garder la valeur de la consigne – variable selon les aliments. les bactéries vont croître en fabriquant un sous-produit qui est juste-
ment celui qui intéresse l’industriel.
Dans l’industrie, l’évolution de la technologie fait que la plupart
des commandes sont maintenant implantées par calculateur Dans ce type de processus, les aspects continus et discrets sont
(commande numérique). intimement liés : on parle de système hybride.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 090 − 3

QW
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWPYP

PRINCIPES DES CHAÎNES DE RÉGULATION __________________________________________________________________________________________________

Dans un processus monovariable, une seule entrée agit sur une


α1 seule sortie. La plupart des processus industriels comportent plu-
y sieurs entrées et plusieurs sorties. Si chaque entrée n’agit que sur
α2 une seule sortie, on a plusieurs sous-systèmes monovariables indé-
y2 pendants. Cependant, il arrive que la variation d’une entrée modifie
y1
plusieurs sorties. Les sous-systèmes sont couplés, le processus est
α3 multivariable.


Exemple : c’est le cas dans un bac mélangeur, si on déverse deux
liquides de température différente et que l’on désire maintenir
constants la température et le niveau. Toute action sur chaque débit
entrant modifie à la fois le niveau et la température du mélange. La
u1 u2 u régulation doit alors tenir compte de ce couplage et agir sur les deux
entrées à la fois (régulation multivariable).
Figure 2 – Réseau de caractéristiques statiques non linéaires
La synthèse des régulateurs multivariables est évidemment plus
complexe que celle des régulateurs monovariables et il n’est plus ques-
Nota : Le lecteur se reportera dans le présent traité à l’article [R 7 110] Le calculateur tion dans ce cas de réglages empiriques fondés sur des essais-erreurs.
numérique pour la commande des processus, à l’article [R 7 505] Systèmes numériques de
contrôle-commande (SNCC) et [R 7 572] Les microcalculateurs dans la commande.

Pour un système continu, on pourra distinguer un certain nombre


de comportements types, qui appelleront des types de régulation 1.2 Modélisation des systèmes
différents. Le processus peut être linéaire ou non linéaire. Lorsqu’il
est stable, pour une valeur u i de l’entrée u, la sortie y prend en
y Pour arriver à bien commander un système, on a besoin de
régime permanent une valeur y i . Si le gain statique -----i est connaître précisément son fonctionnement, traduit par un modèle
ui
constant, le système est linéaire. Ce rapport peut dépendre d’autres mathématique qui indique comment varient les sorties sous l’effet
des entrées. Le modèle du système exprime la relation de cause à
paramètres, comme sur la figure 2 où le gain est paramétré par α . effet entre les commandes, les perturbations et les variables à régu-
Pour beaucoup de procédés, le domaine de fonctionnement est sta- ler. Un système dynamique est décrit grâce aux lois fondamentales
ble et réduit, grâce aux régulations, et une approximation linéaire des diverses disciplines (par exemple, les lois fondamentales de la
est bien suffisante autour du point de fonctionnement u 0 , y 0 , pour mécanique ou de l’électricité), qui prennent la forme d’équations
régler les chaînes de régulation. Dans ce cas on prendra pour gain différentielles. On aboutit à un modèle mathématique dynamique
statique la valeur : différentiel, qui peut faire intervenir diverses variables internes.
∆Y yf – y0
-------- = ----------------
-
∆U u – u0
1.2.1 Fonction de transfert
où y f est la valeur finale de la sortie en réponse à la variation
d’entrée ( u – u 0 ) . Dans ce qui suit, on s’intéressera à un système à une sortie pour
simplifier l’exposé. Pour connaître l’influence des entrées (actions
Pour certaines non linéarités, comme les seuils, les hystérésis, les
et/ou perturbations) sur la sortie, on ramène l’ensemble des équa-
commandes à relais, des méthodes spécifiques de réglage ont vu le
tions à une seule équation liant les entrées et leurs dérivées à la sor-
jour.
tie et ses dérivées. On a alors une représentation entrées/sortie.
Nota : le lecteur se reportera à l’article [R 7 190] Systèmes non linéaires, Méthode du
premier harmonique, dans le présent traité pour avoir des détails. Dans le cadre de l’automatisation, on essaye de travailler avec les
équations les plus simples possibles. La plupart des systèmes
Pour d’autres procédés, on utilise un réglage différent pour cha- industriels sont étudiés dans une gamme de fonctionnement res-
que point de fonctionnement, ce qui demande des précautions au treinte, correspondant à une zone optimale pour la production, dans
moment de la commutation d’un régulateur à l’autre. Pour éviter cet laquelle on peut linéariser le fonctionnement. Alors leur étude se
inconvénient, on peut interpoler entre les sorties des divers régula- borne à faire intervenir des équations différentielles linéaires, et on
teurs au moyen de règles floues. Enfin, des théories ont vu le jour peut utiliser la transformée de Laplace. Par convention dans ce qui
dans les laboratoires de recherche pour aborder directement la syn- suit, on utilisera une majuscule pour désigner la transformée de
thèse de commandes de processus non linéaires. Laplace d’une variable.
Un procédé peut avoir des paramètres constants. Nota : Le lecteur se reportera à l’article [R 7 010] Systèmes et signaux déterministes,
Transformées et abaques, dans le présent traité.
Exemple : l’inductance d’un moteur à courant continu peut être
L’obtention de la fonction de transfert suppose les conditions ini-
considérée comme constante
tiales de l’équation nulles. On s’intéresse donc au régime forcé, et
ou des paramètres variables dans le temps. non au régime libre. On prend la transformée de Laplace des deux
membres de l’équation différentielle terme à terme. De façon géné-
Exemples : la résistance interne d’un moteur à courant continu varie rale, pour un système linéaire à une entrée u, une sortie y, on a :
en fonction de l’échauffement, qui dépend de l’utilisation ; un catalyseur
s’use, rendant les paramètres d’une réaction chimique différents ; une n n–1
d y(t) d y(t) dy ( t )
fusée consomme son carburant et donc sa masse varie au cours de sa a n ------------------ + a n – 1 ------------------------- + … + a 1 -------------- + a 0 y ( t ) =
n n–1 dt
trajectoire. dt dt
m m–1
Des paramètres variables dans le temps peuvent aussi être utili- d u(t) d u(t) du ( t )
b m ------------------- + b m – 1 -------------------------- + … + b 1 --------------- + b 0 u ( t )
m m–1 dt
sés pour modéliser un procédé non linéaire changeant de point de dt dt
fonctionnement. La commande dans ce cas pourra être adaptative,
pour suivre ces variations. On préfère de nos jours traiter le pro- n n–1
blème en concevant une commande robuste, c’est-à-dire qui garan- an p Y ( p ) + an – 1 p Y ( p ) + … + a 1 pY ( p ) + a 0 Y ( p ) =
tit que les propriétés de la boucle de régulation sont conservées m m–1
malgré les variations de paramètres. bm p U ( p ) + bm – 1 p U ( p ) + … + b0 U ( p )

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 090 − 4 © Techniques de l’Ingénieur, traité Informatique industrielle

QX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWPYP

_________________________________________________________________________________________________ PRINCIPES DES CHAÎNES DE RÉGULATION

p : variable de Laplace ẋ 1 ( t ) a 11 … a 1n x 1 ( t ) b1
U (p) : entrée
U(p)
Processus : H(p)
Y (p) ẋ 2 ( t ) = a 21 … a 2n x 2 ( t ) + b 2 u ( t )
Y (p) : sortie
H (p) : fonction de transfert
du processus a n1 … a nn x n ( t ) bn
ẋ 3 ( t )
Y (p) = H (p) U (p)

Figure 3 – Fonction de transfert d’un processus continu


soit Ẋ ( t ) = AX ( t ) + Bu ( t )

où p représente l’opérateur de Laplace et les ( a i , b i ) représentent x1 ( t )
les paramètres du modèle. x2 ( t )
et y ( t ) = [ c 1 c 2 …c n ] + du(t)
m m–1
bm p + bm – 1 p + … + b1 p + b0
Y ( p ) = -----------------------------------------------------------------------------------------------
- U ( p ) = H ( p )U ( p ) xn ( t )
n n–1
an p + an – 1 p + … + a1 p + a0
soit y ( t ) = CX ( t ) + du ( t )
Pour un système physiquement réalisable, on a toujours m ⭐ n .
L’expression H ( p ) qui contient tous les paramètres de l’équation où les x i représentent les variables d’état, X ( t ) le vecteur d’état,
différentielle, et donc permet d’en retrouver toutes les propriétés, u ( t ) et y ( t ) sont l’entrée et la sortie du processus et les matrices A,
s’appelle fonction de transfert (figure 3). B, C sont les matrices d’état, d’entrée et de sortie ; les a ij sont les
paramètres du modèle.
Une fonction de transfert peut être mise sous forme polynomiale
ou sous forme pôles-zéros. Dans ce dernier cas, on l’exprime avec La sortie est une combinaison linéaire instantanée des variables
les m racines du numérateur (zéros) et les n racines du dénomina- d’état et de l’entrée. Cette représentation est particulièrement bien
teurs (pôles) : adaptée à la modélisation des systèmes multivariables. Dans ce cas,
u ( t ) est le vecteur d’entrées et y ( t ) le vecteur de sorties.
m
K b m p + … + b 1 p + b 0 –tr p
H s ( p ) = ------ ---------------------------------------------------------- e
ᐉ n
p an p + … + a1 p + a0
1.3 Identification
m

∏ ( p – zi )
–tr p
i = ᐉ Les valeurs des divers paramètres régissant le comportement du
Hs ( p ) = K ′ -----------------------------
- e
n+ᐉ processus ne sont pas toujours connues théoriquement et on peut
∏ ( p – pi ) être amené à les rechercher par une procédure expérimentale. C’est
i=ᐉ particulièrement vrai dans le cas où l’on utilise une approximation
linéaire pour un procédé non linéaire.
avec K gain du système,
ᐉ Dans les cas simples, l’expérimentation se résume à l’application
K′ = K ⁄ p .
d’un signal en échelon à l’entrée du processus. Cette réponse indi-
Dans les expressions qui précèdent, on a mis en valeur la présence cielle (figure 4) permet de remonter aux paramètres de la fonction
de ᐉ pôles nuls, appelés intégrateurs ainsi que d’un retard pur de t r de transfert, donc de l’équation différentielle, grâce au relevé de
secondes modélisé par le terme e –tr p . Les p i et z i représentent res- certaines caractéristiques : valeur finale (liée au gain statique),
pectivement les pôles et les zéros de la fonction de transfert. dépassement (lié à l’amortissement), oscillations (liées à la pulsa-
tion propre), temps de réponse à 5 % (lié à la constante de temps).
1.2.2 Représentation d’état Pour les procédés un peu plus complexes (plusieurs constantes
de temps, retard pur) et amortis, des procédures existent pour lier la
Contrairement à l’approche fonction de transfert, qui compacte valeur de grandeurs caractéristiques, mesurées sur la réponse indi-
tout le modèle en une seule équation différentielle, on peut chercher cielle, aux paramètres de fonctions de transfert simples, du type
à « éclater » le modèle en équations différentielles les plus simples double constante de temps, constante de temps et retard pur,
possibles, c’est-à-dire des équations différentielles du premier constante de temps multiple et retard pur. Si le processus est ins-
degré. Cela peut se faire naturellement, ou nécessiter l’introduction table, l’expérimentation doit se faire en boucle fermée.
de variables intermédiaires. Le nombre de variables internes néces- Ces méthodes sont rapides et simples. Toutefois, elles sont extrê-
saires est toujours n (même nombre que le degré de la fonction de mement grossières. Des méthodes existent pour déduire les para-
transfert), puisque l’on remplace une équation différentielle d’ordre mètres d’une fonction de transfert d’ordre quelconque à partir d’un
n par n équations différentielles du premier ordre. enregistrement de l’entrée et de la sortie du système dans des
Ces équations sont évidemment couplées, toutes les variables conditions quelconques, sous réserve que l’entrée excite suffisam-
internes pouvant apparaître dans le membre de droite de chaque ment le système pour que l’on puisse en tirer de l’information. Il est
équation. En fait, ces variables correspondent aux n conditions initia- bien évident que si l’entrée est constante, on ne peut connaître que
les nécessaires pour résoudre l’équation différentielle : à partir de le gain statique. Ces méthodes font appel à des techniques numéri-
leur connaissance à un instant t 0 et de celle de l’excitation du sys- ques avancées (moindres carrés, programmation non linéaire).
tème pour t ⭓ t 0 , on peut prédire une valeur unique de la sortie. Leur Nota : le lecteur se reportera à l’article [R 7 140] Modélisation et identification des pro-
évolution dans le temps représente les variables d’état du processus. cessus dans le présent traité pour avoir des détails.
On regroupe ces variables dans le vecteur d’état. Le modèle devient L’obtention d’un modèle du processus permet de tester les régu-
alors un système différentiel matriciel dont la solution repose sur lations en simulation, dans des circonstances variées, avant de les
l’exploitation des propriétés de l’algèbre linéaire. Les bibliothèques implanter sur le processus réel. La conception assistée par ordina-
de calcul de ce domaine sont particulièrement vastes ; aussi cette teur a fait de grands progrès, grâce à de nombreux outils d’identifi-
représentation se prête bien à la conception assistée par ordinateur. cation, de simulation et même de conception de régulateurs, faisant
La forme générale de cette représentation s’écrit : ainsi gagner un temps considérable à l’ingénieur automaticien.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 090 − 5

QY

RP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQPP

Chaînes de régulation types

par Michel BERTRAND



Docteur-Ingénieur
ENSAM, Centre d’Enseignement et de Recherche de Lille

1. Réguler : pourquoi et comment.......................................................... R 7 100 - 2


1.1 Objectifs de la régulation automatique ..................................................... — 2
1.2 Boucle de chauffage .................................................................................... — 2
1.3 Analyse de la boucle-type........................................................................... — 3
2. Les problèmes industriels ..................................................................... — 4
2.1 Capteurs et actionneurs .............................................................................. — 4
2.2 Les régulateurs ............................................................................................ — 4
2.21 Les régulateurs « tout ou rien » (TOR)............................................... — 4
2.22 Les régulateurs PID et leurs extensions ............................................ — 4
2.23 Les régulateurs numériques ............................................................... — 6
2.3 Éléments connexes ..................................................................................... — 6
3. Exemples de chaînes de régulation .................................................... — 6
3.1 Régulation de température d’un four tubulaire ........................................ — 6
3.2 Positionnement électro-hydraulique ......................................................... — 7
3.3 Régulation d’un mélangeur ........................................................................ — 8
3.4 Types usuels de chaînes ............................................................................. — 9
3.5 Représentation des chaînes........................................................................ — 10
4. L’approche d’un problème de régulation .......................................... — 10
4.1 Régulation d’un fluidiseur pilote ................................................................ — 10
4.2 Différentes étapes de résolution ................................................................ — 11
5. Conclusion ................................................................................................. — 12
Pour en savoir plus........................................................................................... Doc. R 7 100

et article a pour ambition d’aider à analyser les problèmes qui se posent en


C régulation industrielle et, à travers la présentation de différents types d’ins-
tallations réelles, d’y apporter des éléments de réponse. Devant des installations
de plus en plus complexes, la représentation par un schéma comportant diffé-
rents blocs, suivant une procédure de décomposition / recomposition, s’avère
nécessaire. Des outils mathématiques performants permettront d’expliciter ces
blocs, et à travers eux le comportement global, mais il faut d’abord choisir des
blocs convenables et définir les liens qui les unissent.
Les exemples présentés ci-après doivent aider l’utilisateur non-spécialiste à
maîtriser les choix essentiels. Ils doivent aussi faciliter la compréhension d’un
vocabulaire riche mais parfois ambigu, et la délimitation de fonctions souvent
noyées dans des ensembles, bref à distinguer les séparations opérationnelles
des séparations matérielles. Les outils mathématiques seront juste évoqués,
mais non traités, dans cette approche qualitative.
p。イオエゥッョ@Z@、←」・ュ「イ・@QYYW

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 7 100 - 1

RQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQPP

CHAÎNES DE RÉGULATION TYPES _________________________________________________________________________________________________________

1. Réguler : pourquoi Perturbations

et comment (p)

Potentiomètre
e1 Vanne
a e3 Régulateur tr
d'arrivée Processus
combustible
1.1 Objectifs de la régulation automatique Différen-
ciateur

Q Réguler une grandeur, c’est obtenir d’elle un comportement


donné, dans un environnement susceptible de présenter des varia- e2 Capteur de
tions. Cette première définition d’un mot très employé, mais lourd température
+ convertisseur
d’ambiguïtés, sera affinée ultérieurement. Quant aux variations
d’environnement, elles ne sont bien souvent ni prévisibles ni mesu-
rables. a action de l'opérateur tr température effective
Éclaircissons d’emblée un certain nombre de points. e 1 , e2 , e3 signaux électriques p température extérieure

■ Nous ne nous intéresserons qu’à des installations automatiques, Figure 1 – Circuit de chauffage central
c’est-à-dire où une machine assure la fonction régulation, soit pour
remplacer un opérateur humain, soit parce qu’un opérateur humain
est incapable d’atteindre le résultat souhaité. Cela exige de calculer
et d’appliquer des commandes. sens, de l’opérateur vers la grandeur réglée, sans que l’organe de
commande connaisse la valeur réelle de celle-ci, est mal adapté au
■ Les grandeurs physiques commandées varient continûment fonctionnement en régulation.
dans le temps ; pour celles qui ne présentent que 2 états (systèmes
Les chauffages modernes disposent quasiment tous d’un retour
binaires ou « tout ou rien », tels les feux de signalisation, les
de l’information température, ce qui suppose de traduire celle-ci par
commandes d’ascenseur, de transfert de pièces par convoyeurs,
un signal électrique. Le réglage dépend alors à la fois :
etc.), on utilisera une autre approche, bien que la structure de boucle
se retrouve dans ces systèmes. — de la température désirée,
— de la température effective.
■ Les systèmes automatiques décrits ici assurent en fait 2 types de
fonctions : La structure correspondante est dite en boucle fermée. Cette fer-
meture se fait par un organe qui calcule la différence entre les 2 tem-
— maintenir la grandeur commandée, ou grandeur réglée, à une pératures, ou plus exactement entre leurs signaux images. Le
valeur de référence malgré les variations des conditions exté- moyen le plus simple, quasi-universellement employé, consiste à
rieures ; c’est la régulation au sens strict, se servir de cette différence pour exercer une action sur le système
— répondre à des changements d’objectif, ou à un objectif commandé. C’est la manière d’utiliser ce signal qui diffère notable-
variable (poursuite de cible, suivi d’un gabarit) ; c’est le fonctionne- ment suivant les matériels et les objectifs poursuivis. On peut
ment en asservissement. remarquer qu’il y a bien boucle au sens de l’information et du signal
Les deux notions sont souvent confondues car méthodes d’étude qui la caractérise : l’organe chauffant agit sur la température, mais,
et matériel sont communs, d’où l’emploi indifférent des termes via le retour et la commande, la température agit sur l’organe chauf-
régulation et asservissement pour désigner la structure du système fant, inversant en quelque sorte le fonctionnement physique nor-
commandé. Il faut toutefois tenir compte de cette distinction pour le mal...
calcul des performances. Industriellement, l’aspect régulation, au Dans le cas d’un chauffage central à eau chaude et combustible
sens restreint du terme, est souvent prépondérant, mais l’étude et fossile, la boucle peut se décrire comme indiqué sur la figure 1.
les tests se font néanmoins en asservissement, car là seulement le
concepteur est maître des conditions d’essai. L’ensemble brûleur-chaudière-circuit d’eau-pompe de circulation-
radiateur-volume d’air de la pièce constitue le processus, c’est-à-
■ Un même système peut comporter plusieurs grandeurs à réguler dire l’ensemble physique sur lequel va se greffer la régulation. Nous
simultanément. Un point important est alors de savoir si ces régula- le représenterons par un seul bloc, alors qu’il se compose d’élé-
tions peuvent s’effectuer indépendamment ou pas. ments distincts et même géographiquement séparés. À l’inverse,
L’exemple trivial du chauffage domestique va nous permettre l’ensemble des autres constituants est parfois physiquement
d’aller plus loin dans l’analyse, et en particulier de dégager la notion regroupé dans un « bloc électronique » (encadré en pointillés sur la
de boucle. figure 1), peu significatif pour le simple utilisateur. Cette difficulté se
retrouvera dans maintes installations industrielles. On peut aussi
noter que ce schéma est un schéma de traitement de l’information
qui mélange signaux faibles et signaux de puissance ; par ailleurs,
1.2 Boucle de chauffage les appareils correspondant aux blocs peuvent nécessiter une ali-
mentation électrique, mais ces apports d’énergie ne figurent pas sur
le schéma qui ne prend en compte que les signaux variables utilisés
Comme dans beaucoup de systèmes réels, l’objectif consiste sim- comme support de l’information.
plement à atteindre puis maintenir une température donnée dans le Si la température voulue est supérieure à la température réelle, la
local considéré. Une première approche consiste à agir suivant la mise en marche de la chaudière par l’action du régulateur produit un
demande sur l’organe chauffant pour qu’il produise, en fait, une accroissement des calories fournies, donc un accroissement de
quantité de calories donnée. Toutes conditions égales par ailleurs, cette température réelle, ce qui réduit l’écart avec l’objectif. Dans le
et si l’action a été bien « dosée », ce système va fonctionner. Mais cas inverse, la suppression de la chauffe réduit la température
une variation de la température extérieure, ou d’autres facteurs réelle, et par là encore l’écart avec l’objectif.
(ouverture d’une porte, modification de la direction et/ou de la force
du vent, passage d’un ciel ensoleillé à un ciel couvert), se traduira On notera que la distinction fonctionnement en régulation / fonc-
par une variation de la température effective, à cause de la tionnement en asservissement apparaît clairement ici :
modification des échanges thermiques. Ce mode de commande, dit — le fonctionnement en asservissement se fait par rapport aux
en boucle ouverte, car l’information y circule toujours dans le même ordres de l’exploitant (passage d’une consigne « hors-gel » à une

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 7 100 - 2 © Techniques de l’Ingénieur, traité Mesures et Contrôle

RR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQPP

_________________________________________________________________________________________________________ CHAÎNES DE RÉGULATION TYPES

L’ensemble A-B-C-D constitue la chaîne d’action ou chaîne


p directe ; E et F pour leur part forment la chaîne de retour, ou contre-
D*
p* réaction (le célèbre feedback en anglais). Dans celle-ci ne circulent
habituellement que des signaux à faible niveau d’énergie.
+
e + A + s Là encore, quelques points méritent d’être notés :
B C D
– — le sommateur ^ est assorti de flèches complétées par + ou -
fixant le sens de parcours et le signe des informations entrantes ;


F E pour un sommateur-différenciateur d’entrée de boucle, le signal
résultant (erreur, écart, signal d’erreur) est généralement désigné
e entrée p perturbation s sortie par e ;
— le rôle du transmetteur est de fournir un signal normalisé,
Figure 2 – Schéma d’une chaîne-type de régulation récupérable par des régulateurs standards et transmissible à dis-
tance, tel le 4-20 mA ;
— les régulateurs, quelle que soit leur nature, sont des appareils
qui traitent l’information sous forme de signaux à bas niveau d’éner-
consigne « occupation » par exemple) matérialisés par a sur la
gie (à quelques exceptions près, tels les régulateurs hydrauliques ou
figure 1 ;
le célèbre régulateur à boules de Watt) ; l’action sur les processus
— le fonctionnement en régulation se fait par rapport à des physiques suppose un apport d’énergie qui se fait au niveau de
entrées externes additives (la température extérieure en premier l’actionneur. Celui-ci comprend donc, inclus ou séparé, un amplifi-
lieu, car on peut ramener son rôle à un apport de calories s’ajoutant cateur ; l’exemple précédent a par ailleurs rappelé la nécessité pour
algébriquement à celui de la chaudière) ou vis-à-vis de modifi- d’autres appareils d’une alimentation électrique ;
cations du processus lui-même (encrassement entraînant une dimi- — le signal de consigne e aussi appelé signal d’entrée, grandeur
nution des coefficients d’échange thermique). de conduite... peut être une transformation par potentiomètre,
touches sensitives, etc., de l’action manuelle d’un opérateur
Les 2 modes de fonctionnement peuvent bien sûr exister simulta-
humain. Cette transformation introduit, dans le schéma, un bloc
nément.
supplémentaire devant le sommateur, bloc qui n’appartient pas
vraiment à la boucle et ne modifie pas son comportement, donc
ignoré dans l’étude. Il peut aussi émaner d’un autre organe, tel un
1.3 Analyse de la boucle-type calculateur travaillant en supervision. De même, le processus per-
turbateur D* se traduit au niveau de la boucle par un signal pertur-
À partir de cet exemple, qui fait apparaître des fonctionnalités bateur p*, autre entrée extérieure. Celui-ci n’est pas toujours
qu’on retrouve toujours, nous sommes en mesure de justifier le directement mesurable ;
schéma de la chaîne-type de régulation d’une seule variable (sys- — la sortie s ou grandeur réglée n’est le plus souvent accessible
tème monovariable ou plus exactement monosortie) qu’explicite la que par sa mesure (signal, le plus souvent électrique, obtenu après
figure 2. traitement par les blocs E et F) ;
— le signal entrant dans le processus D est la grandeur réglante,
Le tableau 1 précise le vocabulaire qu’on peut trouver dans la lit- encore appelée variable d’action. Il peut être à haut niveau
térature spécialisée relativement à ce schéma, ainsi que quelques d’énergie. Il s’agit par exemple d’un débit de fluide, d’une intensité
exemples destinés à le concrétiser. électrique, d’une pression...

Tableau 1 – Vocabulaire utilisé dans une chaîne de régulation


Bloc Appellation Exemples Observations
A Différenciateur levier (mécanique) ; montage souvent inclus dans un appareil différentiel
Sommateur à amplificateurs opérationnels symbole : Ä
Comparateur (électronique analogique) ;
Détecteur d’écart algorithme numérique
B Régulateur PID ; TOR ; prédictif ; électronique à processeur le plus souvent ;
Correcteur numérique pneumatique
C Actionneur vanne ; servomoteur ; gradateur ; On le décompose parfois en :
servovalve ; variateur ; distributeur préactionneur (amplificateur), actionneur
proportionnel proprement dit et effecteur
D Processus four et chaudière ; cuve à niveau réglé ; Le vocable procédé est aujourd’hui plutôt
moteur électrique ; réacteur chimique ; réservé à l’ensemble d’une fabrication d’où le
fermenteur ; cristalliseur ; cylindres « génie des procédés » ;
de laminoir ; enrouleur ; mobile à guider... processus désigne le transfert produisant la
grandeur réglée
D* Processus perturbateur résulte d’une température extérieure, Processus physique « bis » permettant
d’un débit de soutirage, d’un couple de séparer fonctionnellement l’influence de cer-
résistant... tains facteurs
E Capteur thermocouple ; sonde à résistance fournit un signal généralement électrique tra-
de platine ; pHmètre ; anémomètre ; duisant les variations d’une grandeur physique
tachymètre
F Transmetteur Transmetteur de pression différentielle électronique ou pneumatique fournit un signal
Convertisseur de mesure Convertisseur fréquence/tension dans une gamme normalisée

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 7 100 - 3

RS

RT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQPU

Systèmes dynamiques hybrides


Modélisation et simulation
par Michel BERTRAND

Docteur-ingénieur, École nationale supérieure d’arts et métiers (ENSAM), Lille
Claude IUNG
Professeur, École nationale supérieure d’électricité et de mécanique (ENSEM), Nancy
et Janan ZAYTOON
Professeur, université de Reims

1. Exemples et typologie ............................................................................ S 7 105 – 3


1.1 Exemples ...................................................................................................... — 3
1.1.1 Système à commutations .................................................................. — 3
1.1.2 Enceinte climatique ............................................................................ — 3
1.1.3 Processus batch .................................................................................. — 3
1.2 Typologie ...................................................................................................... — 4
1.3 Quelques précisions sur l’approche SDH .................................................. — 4
2. Modèles hybrides ..................................................................................... — 4
2.1 Bases de la représentation.......................................................................... — 5
2.2 Automates hybrides .................................................................................... — 5
2.3 Réseaux de Petri hybrides........................................................................... — 6
2.4 Statecharts hybrides .................................................................................... — 7
2.5 Réseaux de Petri mixtes.............................................................................. — 7
2.6 Autres modèles............................................................................................ — 7
3. Simulation des systèmes hybrides ..................................................... — 8
3.1 Pourquoi simuler ? ...................................................................................... — 8
3.2 Modélisation formelle en vue de la simulation......................................... — 8
3.3 Architecture .................................................................................................. — 9
3.3.1 Propriétés ............................................................................................ — 9
3.3.2 Structure.............................................................................................. — 9
3.4 Tâches fondamentales ................................................................................ — 10
3.4.1 Résolution des équations différentielles........................................... — 10
3.4.2 Calcul des instants de commutation................................................. — 10
3.4.3 Recalage des états aux instants de commutation............................ — 10
3.4.4 Calcul du nouveau modèle après une commutation....................... — 11
3.4.5 Fonctions complémentaires .............................................................. — 11
4. Analyse et commande des systèmes hybrides ................................ — 11
5. Conclusion ................................................................................................. — 12

Pour en savoir plus ........................................................................................... Doc. S 7 105

e développement massif de l’automatisation au XXe siècle s’est longtemps


L fait suivant deux types de technologies, mises en œuvre selon des
méthodologies qui leur étaient propres et par des personnels d’origine
différente : les systèmes à événements discrets et les systèmes continus.
Les systèmes à événements discrets sont des systèmes à éléments caractéri-
sés par deux états : ouvert ou fermé, marche ou arrêt, sorti ou rentré... L’appa-
p。イオエゥッョ@Z@ウ・ーエ・ュ「イ・@RPPT

reillage « tout ou rien » (TOR) correspondant est classiquement géré en


s’appuyant sur l’algèbre de Boole, issue des travaux des logiciens anglais du
XIXe siècle, puis, en prenant en compte la chronologie des états, leur séquen-

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur S 7 105 − 1

RU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQPU

SYSTÈMES DYNAMIQUES HYBRIDES ______________________________________________________________________________________________________

cement, par des méthodes états-transitions assorties d’une représentation


graphique : graphes d’état, réseaux de Petri, Grafcet.
Quant aux systèmes continus, ils sont constitués d’éléments caractérisés par
une mesure qui peut prendre une infinité de valeurs : température d’une pièce
ou d’un objet, vitesse d’un mobile, niveau dans un réservoir... La gestion de ces
systèmes fait appel à des outils mathématiques aptes à la représentation de la


dynamique continue : équations différentielles assorties de diverses transforma-
tions (Laplace, Fourier...), méthodes d’état à forme matricielle.
Cette répartition en deux catégories de systèmes n’est pas parfaite, tant au
niveau des problèmes traités – beaucoup d’ensembles industriels comportant
des éléments des deux types – qu’à celui du matériel mis en œuvre. À titre
d’exemple, les distributeurs et électrovannes appartiennent a priori au
monde TOR, mais des distributeurs et des électrovannes proportionnels, qui ne
diffèrent pas fondamentalement des premiers, sont utilisés dans le monde
continu. De même, il n’est pas évident de classer un élément présentant dix
valeurs possibles, par exemple, dans l’une de ces deux catégories de systèmes.
C’est toutefois la généralisation de l’outil informatique qui a rendu plus aigu le
besoin de méthodes unificatrices, car l’ordinateur est devenu l’outil fondamental
d’étude et le processeur numérique l’outil fondamental de commande, et ce
pour les deux catégories précitées.
Il reste que les logiciels de simulation ne sont pas les mêmes, la spécialisation
de processeurs en commande (automates programmables pour le TOR, régula-
teurs pour le continu) subsiste et, lorsqu’un même processeur et un même logi-
ciel sont utilisés, le graphisme et le mode de programmation pour les parties
discrète et continue peuvent néanmoins différer. Cette dichotomie se traduit par
des problèmes de cohérence de la description, de lisibilité et un diagnostic diffi-
cile en cas d’apparition de défaut.
Outre son caractère d’outil commun aux systèmes discrets et continus, le pro-
cesseur de commande, de par son fonctionnement interne, qui implique que
l’acquisition des données et leur traitement ne peuvent s’effectuer simultanément,
a amené à relativiser la notion de temps continu/temps discret. Le temps, qui est
discret au niveau du processeur, est ainsi considéré continu dans la plupart des
applications, au niveau de l’observation des grandeurs physiques à travers le pro-
cesseur. Lorsque ce point de vue n’est pas acceptable, la théorie des systèmes
échantillonnés est utilisée pour prendre en compte la quantification du temps,
dans un univers de grandeurs acquises ou fixées à des instants particuliers.
Parallèlement aux progrès de l’informatique, les ingénieurs se sont attaqués à
des problèmes de plus en plus complexes, par le nombre de grandeurs qui inter-
viennent et par leurs interactions. On rencontre ainsi de nombreux cas où des
événements, volontaires ou subis, ou l’atteinte d’un seuil entraînent des modifi-
cations du comportement de grandeurs continues : changement de valeur ou
commutation d’un modèle continu à un autre.
Il devient ainsi nécessaire de mettre au point des méthodes capables de pren-
dre en compte tous les types de grandeurs ainsi que leurs interactions. On
appelle systèmes dynamiques hybrides (SDH), ou encore processus mixtes, des
systèmes comportant des évolutions continues et des phénomènes discrets qui
leur sont liés. Il n’existe pas pour l’instant de théorie globale pour l’étude de ces
systèmes, mais plutôt des approches basées sur l’extension de méthodes classi-
ques issues des systèmes continus ou discrets, en vue de couvrir une gamme
plus étendue d’applications.
Après avoir fixé la notion de système hybride par quelques exemples, qui ser-
viront aussi à préciser la typologie, nous examinons les outils de description et
de modélisation des SDH. Le fait de disposer d’un modèle permet de simuler le
comportement du SDH pour le prévoir, l’influencer et chercher à l’optimiser. Il
permet aussi, sous certaines conditions, de l’analyser pour détecter a priori
d’éventuels dysfonctionnements et/ou d’en faire la commande pour obtenir les
performances souhaitées.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 105 − 2 © Techniques de l’Ingénieur

RV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQPU

______________________________________________________________________________________________________ SYSTÈMES DYNAMIQUES HYBRIDES

1. Exemples et typologie
Synchronisation
Référence
Bascule
1.1 Exemples R-S
Comparateur
I


Des exemples pris dans des domaines variés vont illustrer le T
caractère très général du problème. L

E D U
1.1.1 Système à commutations

Très répandus parmi les actionneurs de l’électrotechnique, ces Mesure


systèmes modifient brusquement l’état (conducteur ou bloqué) de
composants électroniques, entraînant le changement de la configu-
ration électrique de circuits et, par là, de leur comportement. C’est le Figure 1 – Hacheur abaisseur de tension
cas, par exemple, du hacheur abaisseur de tension contrôlé en cou-
rant [1] présenté sur le schéma simplifié de la figure 1.
Un transistor T et une diode D constituent, dans cette approche
idéalisée, des interrupteurs parfaits, dont un, T, est commandable de
façon externe, et qui ont deux états possibles : ouvert et fermé. Ils Vanne eau
Vanne
définissent donc quatre configurations discrètes potentielles, vapeur
encore appelées situations, suivant la valeur de leurs états. La fer-
meture simultanée de T et D étant impossible pour protéger la Vapeur
source de tension E, il reste trois configurations possibles :
Vanne manuelle de
Évacuation limitation de débit

— D ouverte, T fermé : l’inductance L se charge en courant Enceinte


climatique
jusqu’à ce que Mesure, image du courant I, soit égale à Référence.
Générateur
La loi continue est alors :
Refroidissement
L dI/dt = E − U
— D fermée, T ouvert : on est en « roue libre », jusqu’à ce que I
s’annule, suivant l’équation : Échangeur

Chauffage
L dI/dt = − U Ventilateur
— D ouverte, T ouvert : conduction discontinue :
I=0 Gradateur
Groupe
Le modèle comporte ainsi trois états discrets, assortis de trois frigorifique
équations différentielles, entre lesquels le système évolue cyclique-
ment, plus un état à proscrire.
Figure 2 – Enceinte climatique
1.1.2 Enceinte climatique

Il s’agit, dans un domaine très différent, celui du génie climatique, 1.1.3 Processus batch
d’un système dont la figure 2 présente les constituants.
Le problème est d’établir une commande assurant l’obtention Dans les industries dites de process, élaborant les matières pre-
d’une température et d’une hygrométrie données dans l’enceinte mières qui seront travaillées par les industries manufacturières, la
proprement dite, sans dépassement des consignes. Or, en se limi- production peut se faire en continu (verreries, cimenteries...) ou par
tant pour simplifier à la seule évolution en température, celle-ci traitements successifs (sucreries, savonneries...) : on parle de procé-
obéit à trois types de comportement continu suivant un état discret dés batch ou par lots. Ces procédés, qui font l’objet de la
commandable de façon externe : norme ISA88 (voir [Doc. S 7 105]), comportent des séquences de
— chauffe (par les résistances électriques) : convection forcée transfert et de conditionnement relevant de systèmes à événements
plus rayonnement ; discrets et des opérations continues pendant un certain temps : éva-
— refroidissement (par réfrigération des parois) : convection for- poration, cristallisation, mélange... On appelle recette la définition
cée et conduction ; du traitement de ces lots. La figure 3 présente un schéma simplifié
— porte ouverte : échange d’air avec le milieu extérieur, d’une chaîne de fabrication de jouets (processus manufacturier de
type discret) qui comprend deux opérations à chaud, collage et trai-
ceci en imposant de ne pas chauffer et refroidir en même temps, ni tement de surface, exigeant un contrôle (continu) de la température.
chauffer ou refroidir lorsque la porte est ouverte, et en admettant Cette chaîne traite des lots différant par les dimensions et le traite-
que les lois régissant les comportements continus sont indépendan- ment de surface. Le cycle de fabrication commence par la dépose,
tes des valeurs initiales (température et hygrométrie) de l’air de assurée par un robot, du corps de jouet sur le convoyeur. Des orga-
l’enceinte. nes auxiliaires sont ajoutés par un outillage spécifique et collés à
On conçoit la difficulté de représenter le fonctionnement global, chaud ; l’ensemble, après séchage dans un tunnel, fait l’objet d’un
en température et en hygrométrie, par une démarche classique, et marquage (par un second robot) et d’un traitement de surface pour
d’en déduire la commande. lui donner l’aspect final voulu par le client. Le schéma met en

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur S 7 105 − 3

RW

RX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQSP

Représentations d’un système


linéaire
Extension aux systèmes incertains

Par Jean-Marc BIANNIC
Directeur de recherche à l’ONERA – Professeur à ISAE / SUPAÉRO
ONERA-DTIS, Toulouse, France

Note de l’éditeur

Cet article est la réédition actualisée de l’article [S7130v1] intitulé Représentations d’un sys-
tème linéaire paru en 2006, rédigé par André FOSSARD et Jean-Marc BIANNIC à partir du
dossier original Représentations d’un système de Marc CLIQUE et Jean-Charles GILLES.

1. Différents types de représentations ......................................... S 7 130V2 - 2


1.1 Représentations classiques....................................................................... — 2
1.2 Représentation d’état.................................................................................. — 3
2. Pluralité des représentations d’état .......................................... — 4
3. Intégration des équations d’état .............................................. — 5
3.1 Matrice de transition................................................................................... — 5
3.2 Obtention de la matrice de transition........................................................ — 5
3.3 Discrétisation des équations d’état continues.......................................... — 6
4. Passage d’une représentation entrée-sortie
à une représentation d’état – Formes canoniques.............. — 6
4.1 Pôles simples et réels ................................................................................ — 7
4.2 Modes réels multiples ................................................................................ — 7
4.3 Cas général .................................................................................................. — 8
4.4 Système décrit par équations différentielles ............................................ — 9
5. Représentation d’état d’un système constitué
de sous-systèmes .............................................................. — 9
6. Changements de base............................................................... — 10
6.1 Mise sous forme diagonale........................................................................ — 11
6.2 Mise sous forme compagne...................................................................... — 11
7. Extension aux systèmes incertains : modélisation LFT ............ — 11
7.1 Illustration graphique sur un modèle du second ordre ........................... — 11
7.2 Généralisation à plusieurs paramètres incertains................................... — 12
7.3 Propriétés de la représentation LFT .......................................................... — 13
8. Aspects logiciels....................................................................... — 13
8.1 Notion d’objet et de classe......................................................................... — 13
8.2 Exemples de manipulations élémentaires sous MATLAB....................... — 14
8.3 Représentation d’un système incertain avec l’objet gss ........................ — 14
9. Conclusion et perspectives ...................................................... — 15
10. Sources bibliographiques .......................................................... — 32
11. Site Internet.............................................................................. — 32
12. Logiciel ..................................................................................... — 32
p。イオエゥッョ@Z@ェ。ョカゥ・イ@RPQY

Pour en savoir plus .......................................................................... Doc. S 7 130V2

Copyright © – Techniques de l’Ingénieur – Tous droits réservés S 7 130V2 – 1

RY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQSP

REPRÉSENTATIONS D’UN SYSTÈME LINÉAIRE ____________________________________________________________________________________________

e texte qui suit constitue une mise à jour de l’article [S 7 130] paru en 2006
L intitulé « Représentations d’un système linéaire » rédigé par André
FOSSARD et Jean-Marc BIANNIC à partir de la version initiale du dossier de
Marc CLIQUE et Jean-Charles GILLE intitulé « Représentation d’un système ».
Tous les éléments de la version de 2006 sont conservés dans cet article qui
comporte en outre une nouvelle section majeure dédiée aux systèmes linéaires
incertains. L’introduction d’incertitudes dans la modélisation des systèmes

Q linéaires est essentielle dans la mesure où très souvent, de nombreux para-


mètres sont mal connus. Plutôt que de manipuler un grand nombre de
systèmes associés à différentes valeurs possibles de ces paramètres, l’objectif
est de proposer une formulation plus générale sous la forme d’un système
unique dans laquelle toutes les incertitudes sont regroupées au sein d’un opé-
rateur incertain dont la structure est diagonale par blocs. Ce type de
formulation, dit LFT (« Linear Fractional Transformation ») est particulièrement
bien adapté aux techniques de synthèse de lois de commande robustes aux
incertitudes et aux techniques d’analyse de la robustesse, tout en facilitant
également la simulation. La section suivante, dédiée aux aspects logiciels sous
MATLAB, est étoffée pour illustrer comment modéliser très simplement un
système linéaire incertain grâce à la définition d’un « objet » dédié. Enfin, la
bibliographie est mise à jour avec plusieurs références spécifiques à cette
modélisation LFT.

1. Différents types exemple, les conditions initiales déterminent le comportement


des sorties à partir de l’instant t0 de l’application de la commande.
de représentations Exemple
Pour un système du premier ordre, défini par l’équation différen-
tielle (ou la fonction de transfert 1/(p + 1)), pour une entrée
1.1 Représentations classiques en échelon unité, on peut visualiser les sorties suivant la condition ini-
tiale y(0) prise ici égale à : 0, −1 et +1 (figure 1).
D’une façon générale, lorsque l’on est amené à étudier un pro-
cessus physique, on peut le caractériser par des relations entrées-
sorties de deux types bien connus :
• l’équation différentielle :

qui lie l’entrée u et ses dérivées temporelles à la sortie y et ses


dérivées ;
• la fonction de transfert, lorsque le système est linéaire, liant
la transformée de Laplace U(p) de l’entrée à la transformée
de Laplace Y(p) de la sortie :

p étant la variable de Laplace. – 0,2

Si ces représentations sont bien connues au niveau des sys- –1


– 0,4
tèmes monoentrée-monosortie (u et y scalaires), elles peuvent
bien évidemment s’étendre aux cas des systèmes multientrées-
multisorties, U et Y étant alors des vecteurs [R 7 220]. L’équation – 0,6
différentielle est alors remplacée par un système d’équations dif-
férentielles couplées comportant autant d’équations qu’il y a de – 0,8
composantes dans le vecteur de sortie pour définir complètement
le processus ; la fonction de transfert F(p) est remplacée par une –1
matrice de transfert Z(p) dont chaque élément est une fonction de
transfert liant une composante du vecteur d’entrée à une compo-
sante du vecteur de sortie.
Ces relations ne permettent toutefois pas, connaissant les com-
mandes U appliquées sur un intervalle [t0, t], de déterminer le
comportement du système sur cet intervalle ; car l’on sait que, Figure 1 – Visualisation de la réponse à un échelon du système du
pour un système défini par une équation différentielle par premier ordre ayant pour fonction de transfert

S 7 130V2 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

SP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQSP

____________________________________________________________________________________________ REPRÉSENTATIONS D’UN SYSTÈME LINÉAIRE

Ceci nous amène à adjoindre aux équations précédentes une matrices A, B, C et D ne dépendent plus de t. C’est essentiellement
notion supplémentaire, celle de l’état du système à l’instant t0 de ce cas qui nous occupera par la suite ; nous appellerons :
l’application de la commande. Cet état est en fait un vecteur
constitué de n composantes qui vont elles-mêmes évoluer dans le A : matrice d’évolution (ou de dynamique) ;
temps par application des commandes U [t0, t]. B : matrice de commande (ou d’entrée) ;
C : matrice d’observation (ou de sortie) ;
1.2 Représentation d’état D : matrice de transmission directe.

D’une manière générale, pour assurer l’unicité des relations


causales u → y, il est nécessaire d’adjoindre aux équations cau-
Jusqu’à présent, nous avons traité de systèmes continus.
Comme il existe des équations (ou systèmes d’équations) récur-

sales entrées-sorties (équation différentielle ou fonction de trans- rentes et des fonctions (ou matrices) de transfert échantillonnées,
fert) un ensemble de paramètres indépendants X(t0) que l’on il y a également des représentations d’état récurrentes :
appelera vecteur d’état à l’instant t0, si :
1/ l’équation y(t0, t) = G(X(t0), u(t0, t)) est vérifiée pour tout couple
d’entrée-sortie, , t > t0, et pour tout , dit espace d’état ;
2/ y(t0, t) est défini de manière unique, étant donnés X0 et u(t0, t) ;
3/ quels que soient les segments y(t0, t2), u(t0, t2) satisfaisant 1/, les donnant, dans le cas linéaire :
segments y(t0, t1), u(t0, t1) satisfont également 1/ pour t0 ≤ t1 ≤ t2 ;
4/ quels que soient les segments d’entrées u(t0, t1), u(t1, t2) aux-
quels correspondent y(t0, t1), y(t1, t2), on a :

les matrices , , , dépendant ou non de k, instant d’échan-


tillonnage, suivant que le système est variant ou invariant.
Les propriétés de cohérence exprimées par les conditions 2/ à 4/
mettent en évidence que l’état d’un système X(t) constitue en Nous nous bornerons essentiellement, dans la suite, au cas des
quelque sorte une coupure entre le passé et le futur et qu’à un systèmes continus, les transpositions étant en général très aisées.
instant donné t il représente la mémoire minimum du passé
nécessaire à la détermination de l’évolution ultérieure. Exemples
Le vecteur d’état X(t) évolue avec le temps : ■ Considérons le système de la figure 3, avec un ressort de rai-
(1) deur k(x) et un frottement , x étant le déplacement.
Si une force extérieure u(t) dirigée selon x est appliquée au sys-
Cela sera précisé à la section 3.1 avec la matrice de transition. tème, le mouvement est régi par l’équation :
La sortie y est calculée par l’intermédiaire du vecteur d’état (et
éventuellement, si le système est non strictement propre, par une
action complémentaire de l’entrée) :
Si le système est linéaire, on a :
(2)
L’équation (1) est habituellement appelée l’équation d’état et
l’équation (2) l’équation d’observation. La figure 2 met en évi- f et k étant des constantes. Si l’on pose :
dence la différence de « structure » entre l’approche fonction de
transfert et l’approche équation d’état.
Si nous nous restreignons au cas des systèmes linéaires (prin- On a :
cipe de superposition), les équations (1) et (2) peuvent se mettre
sous la forme suivante :

faisant ainsi apparaître les matrices :

les dimensions respectives des matrices étant A(n, n), B(n, e), C(s,
n), D(s, e) si les dimensions de X, u, Y sont n, e, s.
Plus particulièrement, si le système est invariant (ou station- si l’on a choisi comme vecteur d’état (déplacement, vitesse)
naire, c’est-à-dire à coefficients indépendants du temps), les et comme sortie x (déplacement).

Figure 2 – Deux représentations d’un système

Copyright © – Techniques de l’Ingénieur – Tous droits réservés S 7 130V2 – 3

SQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQSP

REPRÉSENTATIONS D’UN SYSTÈME LINÉAIRE ____________________________________________________________________________________________

■ Considérons maintenant le système électrique de la figure 4.


D’une façon naturelle, les variables d’état apparaissent comme
étant le courant i1 dans la self et la tension v aux bornes du conden-
sateur, définissant l’état du circuit à l’instant t, et dont les valeurs ini-
tiales permettent d’obtenir d’une façon unique les grandeurs
physiques après l’application de la commande E. Nous considérerons
que V est la sortie du système.


On a pour ce système :

Figure 4 – Système électrique

2. Pluralité
L’élimination des courants i2 et i3 conduit à : des représentations d’état
Sous forme de schéma-bloc, un système peut donc se représen-
ter comme indiqué sur la figure 5.
soit :
En fait, les variables d’état sont un outil permettant de faciliter
l’étude du comportement d’un système. Comme nous l’avons vu
sur les exemples précédents, ces variables peuvent avoir une
signification physique directe. Mais tel n’est pas toujours le cas, et
On a ensuite : l’on est parfois amené à changer de variables afin de mettre en
évidence des propriétés particulières, pour des raisons de com-
modité, de précision, de sensibilité (étant entendu que l’on évitera
d’utiliser une variable très bruitée).
et : Si l’on définit un nouveau vecteur lié à X par , T
étant une matrice (n, n) régulière, le nouveau système s’écrit :

soit :

soit :

Après simplifications et regroupements, on obtient la représenta-


tion, en posant x1 = i1 et x2 = v : La connaissance de X et celle de sont équivalentes, les
matrices de la structure interne du système étant devenues :

Il est bon de remarquer que, quel que soit le vecteur d’état


adopté, les relations entrées-sorties, au sens matrice de transfert
du système, restent les mêmes. En effet, si l’on applique la trans-
formation de Laplace au système [3] pris invariant, en partant de
conditions initiales nulles, on obtient :

(3)

Figure 3 – Système masse-ressort-frottement

Signalons que les représentations par équations (ou opérateurs)


différentiels, fonction (ou matrice) de transfert et équations d’état
ne sont pas toujours équivalentes. Ce point est détaillé dans
[R 7 135]. Figure 5 – Représentation d’état schématique

S 7 130V2 – 4 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

SR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQSU

Gouvernabilité et observabilité
des systèmes linéaires incertains
Par Jean-Marc BIANNIC

Directeur de recherche à l’ONERA – Professeur à ISAE-SUPAÉRO
ONERA-DTIS, Toulouse, France
Note de l’éditeur
Cet article est la version actualisée de l’article S7 135 v1 intitulé Gouvernabilité et observabi-
lité des systèmes linéaires rédigé par André FOSSARD et Jean-Marc BIANNIC et paru en 2007

1. Exemple introductif .................................................................................... S 7 135v2 - 2


2. Apparition des modes ingouvernables et/ou inobservables................... — 4
2.1 Cas des systèmes monoentrée-monosortie ............................................. — 4
2.2 Cas des systèmes multidimensionnels ..................................................... — 4
3. Structure canonique de Kalman ................................................................ — 5
4. Gouvernabilité et observabilité ................................................................. — 6
4.1 Gouvernabilité............................................................................................. — 6
4.2 Observabilité ............................................................................................... — 8
4.3 Gouvernabilité forte et gouvernabilité faible............................................ — 10
5. Cas des systèmes linéaires incertains ...................................................... — 11
5.1 Rappels de modélisation LFT et position du problème ........................... — 11
5.2 Gouvernabilité d’un système incertain sous forme LFT.......................... — 11
6. Aspects logiciels ......................................................................................... — 12
6.1 Construction structurée et réduction modale........................................... — 12
6.2 Réduction équilibrée................................................................................... — 13
6.3 Test de gouvernabilité d’un système LTI incertain .................................. — 14
7. Conclusion ................................................................................................... — 15
Pour en savoir plus .............................................................................................. Doc. S 7 135v2

’article [S 7 130] « Représentation d’un système linéaire. Extensions aux


L systèmes incertains » avait introduit la représentation par modèle d’état, et
montré comment ce modèle pouvait être obtenu à partir d’une représentation
initiale sous forme d’équation différentielle ou de fonction de transfert, et com-
ment on pouvait obtenir, pour un système complexe constitué de sous-
systèmes interconnectés, un modèle d’état global conservant l’information de
structure.
Pour des raisons de simplicité, les notions – pourtant fondamentales – de gou-
vernabilité et d’observabilité avaient été occultées et, de ce fait, on pouvait
croire que les trois types de représentation (fonction de transfert, équation diffé-
rentielle, modèle d’état) correspondaient à une même connaissance du système.
Il n’en est pas toujours ainsi et la représentation d’état d’un système peut
être d’un ordre supérieur à celui de la fonction de transfert, voire de l’équation
différentielle. Quelle est l’origine de l’existence de ces modes ? Quelles consé-
quences en résulte-t-il ? Ce sont deux questions fondamentales en théorie,
mais aussi très importantes en pratique, auxquelles on répondra en l’absence
d’incertitudes dans un premier temps. Dans un deuxième temps, on reviendra
sur le cas des systèmes linéaires incertains dont la représentation LFT a aussi
été abordée dans l’article [S 7 130]. On étudiera comment, sur de tels sys-
tèmes, se généralise la notion de gouvernabilité.
p。イオエゥッョ@Z@ュ。ゥ@RPQY

Copyright © – Techniques de l’Ingénieur – Tous droits réservés S 7 135v2 – 1

SS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQSU

GOUVERNABILITÉ ET OBSERVABILITÉ DES SYSTÈMES LINÉAIRES INCERTAINS _________________________________________________________________

1. Exemple introductif L’équation caractéristique est (p + 1)(p – 1) = 0 dans les deux


cas.

À titre d’illustration, on considère les deux systèmes Σ, Σ * repré- ■ Supposons qu’au lieu de chercher un modèle d’état, on ait cher-
sentés sur la figure 1 (a et b), constitués de deux sous-systèmes S1, ché l’équation différentielle liant l’entrée et la sortie, ce qui revient
S2, interconnectés en cascade, dans l’ordre S1S2 puis S2S1. à éliminer les variables x1, x2 (ou ξ1, ξ2) dans les équations précé-
dentes.
Manifestement, ces deux systèmes Σ et Σ * sont d’ordre 2, et ins-
• Dans le premier cas (figure 1a et équation (1)), on a :


tables par suite de l’existence du mode p = 1 dans le demi-plan droit.
De fait, des modèles d’état associés, avec le choix des variables
indiquées sur la figure 1 (a et b), sont :
• pour Σ : (3)

(1) On retrouve bien le système d’ordre 2, de modes (p + 1), (p – 1)


• Dans le deuxième cas (figure 1b et équation (2)), en revanche,
on a :
soit :

(4)

• pour Σ * : Dans ce cas, l’équation différentielle entrée-sortie donne une


image totalement fausse du système Σ* puisque le mode instable
n’apparaît plus.
(2) ■ Enfin, Si l’on cherche la fonction de transfert Y(p)/U(p) des sys-
tèmes Σ et Σ *, en calculant par exemple C (pI – A)–1 B, on trouve
dans les deux cas :

soit :
(5)

Pour comprendre ces apparentes contradictions, réécrivons les


équations d’état sous forme diagonale, en utilisant comme trans-
formation la matrice des vecteurs propres.
avec :

et :

On obtient les équations qui peuvent être visualisées sur la


figure 2 :

(6)

(7)

On voit bien sur la figure 2 le rôle particulier que joue le mode


instable du système S2 lors de l’interconnexion des deux sous-
Figure 1 – Exemple introductif : systèmes en cascade systèmes.

S 7 135v2 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

ST
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQSU

_________________________________________________________________ GOUVERNABILITÉ ET OBSERVABILITÉ DES SYSTÈMES LINÉAIRES INCERTAINS

Figure 3 – Évolution de la sortie y en fonction des conditions


initiales (cas figure 1a)

Figure 2 – Exemple introductif : mise en évidence des modes ingou-


vernable et inobservable

• Dans le premier cas (figure 2a et équation (6)), il apparaît


connecté à la sortie mais pas à l’entrée. Un tel mode sera dit
ingouvernable et observable (O). Quelle que soit l’entrée
appliquée, ce mode évolue avec le temps t en fonction des
seules conditions initiales de x1 et x2, soit x10 et x20, en Figure 4 – Sous-espace de gouvernabilité
, évolution qui se retrouve dans la
sortie.
Le seul cas particulier (très particulier !) où cette instabilité
n’apparaîtrait pas serait celui où les conditions initiales seraient
telles que (figure 3).
L’espace x2 – 0,5x1 = 0 est ce que l’on appelle le sous-espace
de gouvernabilité. Cela signifie que si l’on part d’une condition
initiale X0 dans ce sous-espace, il est possible de trouver une
commande transférant le système de l’état initial X0 à un état
final Xf donné (0 par exemple). Dès que l’on sort de ce sous-
espace, cela n’est plus possible par suite de la divergence de x2
(figure 4).

Remarque

La fonction de transfert supposant, « par définition » toutes


les conditions initiales nulles, on se trouve, arbitrairement,
dans le sous-espace de gouvernabilité.

• Dans le deuxième cas (figure 2b et équation (7)), le mode ins-


table n’apparaît pas dans la sortie, mais est connecté à
l’entrée. Il sera dit inobservable et gouvernable (G)
(figure 5). Le système n’en est pas moins instable puisque
l’on a une variable ξ2 instable (excitée à la fois par l’entrée et Figure 5 – Évolution de la sortie y et de en fonction des conditions
initiales (cas figure 1b)
la condition initiale sur ξ1).

Copyright © – Techniques de l’Ingénieur – Tous droits réservés S 7 135v2 – 3

SU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQSU

GOUVERNABILITÉ ET OBSERVABILITÉ DES SYSTÈMES LINÉAIRES INCERTAINS _________________________________________________________________

2. Apparition des modes


ingouvernables
et/ou inobservables p α
p α

2.1 Cas des systèmes monoentrée-


Q monosortie
Dans l’exemple d’introduction précédent, l’apparition d’un p α
p α

mode ingouvernable (ou inobservable) était liée à un phénomène


de simplification entre pôle et zéro des sous-systèmes en cascade,
comme on peut le voir en réécrivant la fonction de transfert du
sous-système S1 sous la forme : p α p α
p α

On voit également que la différence entre les deux cas a) et b)


de la figure 1 (ingouvernabilité et inobservabilité) est liée à la
Figure 6 – Simplifications pôles-zéros, ingouvernabilité-inobservabi-
façon dont se fait la simplification (zéro amont-pôle aval, ou pôle lité
amont-zéro aval).
Éventuellement la simplification d’un pôle peut même être envi-
sagée des deux façons comme indiqué sur la figure 6.
Le fait qu’une partie d’un sous-système soit compensée par une lm
partie d’un autre sous-système n’est pas aussi académique qu’il
puisse paraître à première vue. En effet, fondamentalement, en
automatique, on est amené à associer à un processus des com-
pensateurs, conçus de façon à « modeler » la boucle ouverte, puis
la boucle fermée, afin de garantir des propriétés de performances
(précision, temps de réponse) et de robustesse (marge de gain,
marge de retard).

Exemple
Un exemple est celui où le processus de fonction de transfert
Figure 7 – Conséquences d’une simplification d’un dipôle stable
contient une constante de temps T impor- et d’un dipôle instable

tante, générant des difficultés pour assurer en boucle fermée un bon


compromis rapidité-stabilité. divergente et, pour tout ε non nul, aussi petit soit-il, le terme ε e–
αt divergera rapidement (figure 7).
Une solution est de mettre en précascade sur le processus un
réseau d’avance de phase et de régler C’est pourquoi on ne peut simplifier que des pôles et zéros
. Au niveau de la branche directe, on substitue ainsi à la stables.
constante de temps T une constante τ = T/a qui est donc a fois plus
petite. Notons qu’au passage, le mode –1/T est devenu ingouver- La simplification de tout pôle instable n’est absolument pas
nable. envisageable, même si cela conduit à un mode inobservable. Ce
Cette compensation pôle-zéro est très fréquemment utilisée lors mode, a priori « invisible » sur les sorties, induit une instabilité
de la conception des systèmes de commande échantillonnés. interne, susceptible de conduire à la destruction du système ou au
mieux à une dégradation significative du comportement si par
Mais attention : ces simplifications ne sont acceptables que si elles chance des saturations apparaissent et limitent la divergence des
portent sur des modes stables. En effet, une compensation exacte signaux (figure 8).
d’un pôle (ou zéro) d’un sous-système par un zéro (ou un pôle) d’un
autre sous-système en cascade est une notion toute théorique dans C’est pourquoi le phénomène de déphasage non minimal (zéro
la mesure où elle supposerait que les sous-systèmes puissent être dans le demi-plan droit) présent dans de nombreux systèmes ne
identifiés (et/ou réalisés) avec une précision infinie. peut être éliminé. Au mieux, on pourra limiter son effet.
Dans le cas des systèmes monoentrée-monosortie, l’apparition
Si l’on revient à la figure 6, on a en fait un dipôle , où de modes ingouvernables et inobservables est le plus sou-
vent lié au phénomène précédemment décrit de simplification
et ε² sont des paramètres réels vérifiant et tra- pôles zéros. Elle peut également être liée à la méthode de modéli-
duisant que les compensations ne sont pas mathématiquement sation utilisée et à la représentation comme indiqué dans l’article
exactes. [R 7 220].
La réponse impulsionnelle correspondante est de la forme :

2.2 Cas des systèmes multidimensionnels


Si ce dipôle est dans le demi-plan gauche, le terme ε e–αt est Dans le cas des systèmes multientrées-multisorties, la situation
négligeable en pratique. Si en revanche, α < 0, l’exponentielle est est plus complexe.

S 7 135v2 – 4 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

SV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQXU

Systèmes linéaires non stationnaires

par Frédéric ROTELLA



Professeur des Universités
Enseignant d’Automatique
École nationale d’ingénieurs de Tarbes

1. Présentation .............................................................................................. S 7 185 – 2


1.1 Modèles non stationnaires ......................................................................... — 2
1.2 Linéarisation autour d'une trajectoire ....................................................... — 2
1.3 Application à la régulation climatique d'une serre................................... — 3
1.4 Plan de l'article............................................................................................. — 3
2. Quelques difficultés propres aux modèles non stationnaires...... — 4
2.1 Résolution .................................................................................................... — 4
2.2 Mise en série et non-commutativité .......................................................... — 4
2.3 Notion de pôles et de zéros ........................................................................ — 4
3. Autre forme de l'équation différentielle ........................................... — 5
4. Équation d'état ......................................................................................... — 6
5. Construction de formes canoniques .................................................. — 7
5.1 Forme commandable .................................................................................. — 7
5.2 Forme observable........................................................................................ — 8
6. Retour d'état et observation................................................................. — 8
6.1 Placement de pôles et retour d'état ........................................................... — 8
6.2 Construction d'observateurs ...................................................................... — 8
7. Exemple ...................................................................................................... — 9
7.1 Réalisation observable ................................................................................ — 9
7.2 Construction d'un observateur................................................................... — 9
7.3 Construction du régulateur......................................................................... — 10
8. Cas des systèmes discrets .................................................................... — 11
8.1 Équations de récurrence ............................................................................. — 11
8.2 Équation d'état............................................................................................. — 11
8.3 Formes canoniques ..................................................................................... — 12
8.4 Retour d'état................................................................................................. — 13
8.5 Observateurs................................................................................................ — 13
9. Application à une régulation de vitesse............................................ — 14
10. Annexe ....................................................................................................... — 16
Références bibliographiques ......................................................................... — 16

es systèmes non stationnaires sont décrits par un modèle dont les coeffi-
L cients sont explicitement variables en fonction du temps. Considérer ces
modèles de systèmes revêt une importance non négligeable en pratique. En
effet, lorsque par exemple la dérive d'un composant est connue au cours du
fonctionnement, ou lorsque le principe de fonctionnement implique des coeffi-
cients à variations périodiques [9], ou bien lorsque l'on cherche à linéariser un
processus non linéaire, non pas autour d'un point de fonctionnement, mais le
long d'une trajectoire, un modèle linéaire mais à coefficients variables dans le
p。イオエゥッョ@Z@ュ。イウ@RPPS

temps peut être suffisant pour décrire correctement le comportement observé.


Notons d'autre part que le principe du filtrage de Kalman a été établi en utilisant
avec profit une équation d'état dont les paramètres dépendaient du temps [5][6].

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 185 − 1

SW
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQXU

SYSTÈMES LINÉAIRES NON STATIONNAIRES ________________________________________________________________________________________________

L'ensemble de ces modèles, dont les coefficients dépendent du temps, que


l'on appelle parfois systèmes à paramètres temporellement variables ou systè-
mes instationnaires, permettent donc de représenter ou de décrire de nombreux
comportements. Dans ce cas, il est intéressant de pouvoir disposer de méthodes
permettant d'appliquer des techniques utilisées habituellement sur les systèmes
linéaires à coefficients constants [8]. C'est ce que nous allons voir en nous can-
tonnant au cas des systèmes mono-entrée mono-sortie, les cas multi-entrées
Q multi-sorties n'offrant pas de difficultés particulières.

1. Présentation et
T d ( t ) = ( y d ( t ), x d ( t ), u d ( t ) )

une trajectoire du système vérifiant les équations (3).


Après une définition des modèles linéaires non stationnaires, qui
Notons que nous considérons ici un modèle implicite beaucoup
vont constituer le cadre des méthodes de contrôle que nous allons
plus général que l'équation d'état habituelle mais nous allons voir
présenter dans les parties suivantes, et afin de sensibiliser le lecteur
que la linéarisation du système autour de cette trajectoire conduit à
à ces techniques, nous allons considérer en détail deux points.
un système linéaire non stationnaire.
D'une part, l'apparition d'un modèle linéaire non stationnaire à par-
tir de la linéarisation d'un modèle non linéaire autour d'une trajec- À partir des variables d'écart :
toire, et d'autre part, l'exemple très simple de la régulation ther-
δu ( t ) = u d ( t ) – u ( t )
mique d'une serre.
δy ( t ) = y d ( t ) – y ( t )
δx ( t ) = x d ( t ) – x ( t )
1.1 Modèles non stationnaires
un développement limité au premier ordre de (3) conduit aux équa-
tions linéarisées :
Nous allons, dans un premier temps, considérer les systèmes
linéaires à coefficients variables continus, c'est-à-dire décrits par Φ ( ẋ d ( t ), x d ( t ), u ( t ) ) Φ ( ẋ d ( t ), x d ( t ), u d ( t ) ) ∂Φ ( λ , µ , ν )
= + ------------------------------ δẋ ( t )
∂λ











une relation entre l'entrée u ( t ) et la sortie y ( t ) de la forme :










0 0 Td ( t )

∂Φ ( λ , µ , ν ) ∂Φ ( λ , µ , ν )

t
y(t) = h(t , τ) u(τ) d(τ) + ------------------------------ δ x ( t ) + ------------------------------ δu(t)
∂µ Td ( t ) ∂ν Td ( t )
–∞

En dimension finie ils sont décrits, en notant D l'opérateur de déri- Ψ ( y ( t ), x ( t ), u ( t ) ) Ψ ( y d ( t ), x d ( t ), u d ( t ) ) ∂Ψ ( λ , µ , ν )


= + ------------------------------ δy ( t )
vation, par une équation différentielle entrée-sortie d'ordre n : ∂λ



















0 0 Td ( t )

n–1 n–1 ∂Ψ ( λ , µ , ν ) ∂Ψ ( λ , µ , ν )
δ x ( t ) + ------------------------------ δu(t)
∑ ai ( t ) D y ( t ) ∑ bi ( t ) D u ( t ) + ------------------------------
n i i
D y(t) + = (1) ∂µ Td ( t ) ∂ν Td ( t )
i=0 i=0

ou par une équation d’état x ( t ) de dimension n : ∂Φ ( λ , µ , ν )


Sur tout intervalle [ t 0, t F ] où ------------------------------ et
∂λ Td ( t )
ẋ ( t ) = A ( t )x ( t ) + B ( t )u ( t ) ∂Ψ ( λ , µ , ν )
(2) ------------------------------ sont inversibles on obtient le modèle linéarisé
y ( t ) = C ( t )x ( t ) ∂λ Td ( t )

Dans les formes précédentes, a i ( t ) et b i ( t ) sont des scalaires, et sous la forme :


les matrices A ( t ) , B ( t ) et C ( t ) , dont les coefficients sont des fonc-
tions du temps t, ont pour dimensions respectives (n × n), (n × 1), et δẋ ( t ) = A ( t )δx ( t ) + B ( t )δu ( t ),
(1 × n). Dans toute la suite nous supposerons que toutes les fonc- δy ( t ) = C ( t )δx ( t ) + D ( t )δu ( t ).
tions du temps que nous serons appelés à dériver sont suffisam-
ment dérivables et tous les résultats que nous obtiendrons seront avec :
donc valables « sous réserve de dérivabilité ».
∂Φ ( λ , µ , ν ) –1 ∂Φ ( λ , µ , ν )
A ( t ) = – ------------------------------ ------------------------------
∂λ Td ( t ) ∂µ Td ( t )

1.2 Linéarisation autour d'une trajectoire ∂Φ ( λ , µ , ν ) –1 ∂Φ ( λ , µ , ν )


B ( t ) = – ------------------------------ ------------------------------
∂λ Td ( t ) ∂ν Td ( t )

∂Ψ ( λ , µ , ν ) –1 ∂Ψ ( λ , µ , ν )
Considérons un processus décrit par les équations non linéaires : C ( t ) = – ------------------------------ ------------------------------
∂λ Td ( t ) ∂µ Td ( t )

Φ ( ẋ ( t ), x ( t ), u ( t ) ) = 0 ∂Ψ ( λ , µ , ν ) –1 ∂Ψ ( λ , µ , ν )
(3) D ( t ) = – ------------------------------ ------------------------------
Ψ ( y ( t ), x ( t ), u ( t ) ) = 0 ∂λ Td ( t ) ∂ν Td ( t )

où u ( t ) , y ( t ) et x ( t ) représentent respectivement les variables Pour se ramener à une équation d'état de la forme (2), il suffit
d'entrée, de sortie et les variables internes du processus, d'utiliser la nouvelle sortie δy ( t ) – D ( t )δu ( t ) .

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 185 − 2 © Techniques de l’Ingénieur, traité Informatique industrielle

SX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQXU

_______________________________________________________________________________________________ SYSTÈMES LINÉAIRES NON STATIONNAIRES

1.3 Application à la régulation climatique le modèle peut être linéarisé sous la forme d'un système linéaire à
paramètres variables dans le temps qui s'écrit :
d'une serre
d
ρ CV δẋ 1 ( t ) = – ( U + ρ Cu 1 ( t ) )δx 1 ( t ) + U 1 ( t )
De nombreux exemples d'application récents, appartenant à des
d
domaines très variés, qui vont de l'aéronautique [15] à la chimie [12] ρ V δẋ 2 ( t ) = – ( β + u 1 ( t ) )δx 2 ( t ) + U 2 ( t )
en passant par la commande des machines tournantes [2], peuvent


être cités. En effet, comme nous l'avons mentionné dans la partie où :
introductive, les techniques que nous allons décrire seront utilisa-
bles dès que l'on envisagera la commande d'un processus relative-
d
ment à une trajectoire ou un comportement donné. De façon à ne U1 ( t ) ρ C ( v2 ( t ) – x 1 ( t ) ) – λ δu 1 ( t )
pas présenter un exemple trop lourd, nous allons considérer la =
régulation de l'atmosphère d'une serre destinée à la culture de plan- U2 ( t ) d δu 2 ( t )
tations décrite dans [1]. v3 ( t ) – x 2 ( t ) 1
Introduisons les variables suivantes :
De façon à assurer une erreur de poursuite de trajectoire qui
• état :
tende asymptotiquement vers 0, on construit le retour d'état non
x1 ( t ) température à l'intérieur de la serre (en °C), stationnaire :
x2 ( t ) humidité à l'intérieur de la serre (en g d’H2O par kg
d'air sec), d
U 1 ( t ) = ( – k 1 + U + ρ Cu 1 ( t ) )δx 1 ( t )
• commandes :
d
u1 ( t ) taux d'aération de la serre (en m3/s), U 2 ( t ) = ( – k 2 + β + u 1 ( t ) )δx 2 ( t )
u2 ( t ) taux d'humidité de l'humidificateur (en g d’H2O/s),
• perturbations : où k 1 et k 2 sont deux constantes positives choisies en fonction des
v1 ( t ) énergie solaire captée (en W), ρ CV ρV
constantes de temps, ------------ et ------- , désirées (typiquement k 1 = U et
k1 k2
v2 ( t ) température extérieure (en °C),
k 2 = 960 kg/min donneront des temps de réponse d'approxima-
v3 ( t ) humidité extérieure (en g d’H2O par kg d'air sec), tivement 15 min).
• et les paramètres (avec les valeurs d'une application parti- Finalement, la commande globale à mettre en œuvre s'écrit :
culière) :
ρ densité de l'air (1,2 kg/m3), –1
C capacité thermique massique de l’air (1 006 J/(kg.K)), u1 ( t ) d
ρ C ( v2 ( t ) – x 1 ( t ) ) –λ
= ×
V volume utile de la serre (4 000 m3), d
u2 ( t ) v3 ( t ) – x 2 ( t ) 1
U coefficient de transfert de chaleur (25 kW/K),
λ chaleur latente de vaporisation (2 257 J/g), d d
ρ CVẋ 1 ( t ) + Ux 1 ( t ) – v 1 ( t ) – Uv 2 ( t ) + ( ρ Cu 1 ( t ) – k 1 )δx 1 ( t )
α, β coefficients du modèle α v 1 ( t ) – β x 2 ( t ) , représen-
tant les taux d'évapotranspiration des plantes d d
ρ Vẋ 2 ( t ) + β x 2 ( t ) – α v 1 ( t ) + ( u 1 ( t ) – k 2 )δx 2 ( t )
( α = 3,32 × 10 –3 g/(min.W) et β est négligeable dans
notre application).
Un modèle simple, traduisant les bilans de masse et d'énergie,
permet de décrire l'évolution de la température et de l'humidité à 1.4 Plan de l'article
l'intérieur de la serre sous la forme :

ρ CVẋ 1 ( t ) = – ( U + ρ Cu 1 ( t ) )x 1 ( t ) + ρ Cu 1 ( t )v 2 ( t ) – λ u 2 ( t ) + v 1 ( t ) + Uv 2 ( t ) Les principes de contrôle, que nous venons de voir sur l'exem-
ple simple précédent, peuvent être utilisés de façon générale pour
ρ Vẋ 2 ( t ) = – ( β + u 1 ( t ) )x 2 ( t ) + u 1 ( t )v 3 ( t ) + u 2 ( t ) + α v 1 ( t ) tout système décrit par des relations dont les paramètres dépen-
dent du temps. Cependant, lorsque le modèle est plus complexe, il
est nécessaire d'avoir une méthodologie permettant de mener à
Ce modèle apparaît sous la forme d'une équation d'état non
bien cette implantation et c'est ce que nous allons détailler dans
linéaire (bilinéaire plus exactement) et, comme les perturbations
cet article.
sont mesurables, les commandes, u d1 ( t ) et u d2 ( t ) permettant d'obte-
nir des évolutions désirées des variables internes, x d1 ( t ) et x d2 ( t ), De façon plus précise, après avoir décrit quelques difficultés pro-
sont données par : pres à l'utilisation de modèles non stationnaires, nous verrons que
les formes différentielles (1) et (2) sont équivalentes et nous allons
d d
–1
d d
voir comment passer de l'une à l'autre. À partir de ces techniques de
u1 ( t ) ρ C ( v2 ( t ) – x 1 ( t ) ) –λ ρ CVẋ 1 ( t ) + Ux 1 ( t ) – v 1 ( t ) – Uv 2 ( t ) transformations, la construction de formes canoniques de l'équa-
= tion d'état nous permettra d'étendre au cas non stationnaire la com-
d d d d
u2 ( t ) v3 ( t ) – x 2 ( t ) 1 ρ Vẋ 2 ( t ) + β x 2 ( t ) – α v 1 ( t ) mande par retour d'état et l'observation. Cela débouchera
naturellement sur une technique de commande pour les systèmes
continus non stationnaires.
Autour de ce comportement désiré, en introduisant les variables
d'écarts : Dans une dernière partie, nous considérerons le cas très impor-
d d
tant des systèmes discrets, dont un cas particulier est constitué par
δx 1 ( t ) = x 1 ( t ) – x 1 (t) , δx 2 ( t ) = x 2 ( t ) – x 2 (t) les sytèmes continus commandés par calculateur. Comme les
méthodes utilisées seront inspirées de celles utilisées dans le cas
d d continu, nous pourrons décrire les méthodes adaptées à ces modè-
δu 1 ( t ) = u 1 ( t ) – u 1 ( t ) , δu 2 ( t ) = u 2 ( t ) – u 2 ( t ) les très rapidement.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 185 − 3

SY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQXU

SYSTÈMES LINÉAIRES NON STATIONNAIRES ________________________________________________________________________________________________

2. Quelques difficultés 2.3 Notion de pôles et de zéros


propres aux modèles
Malgré ce que nous venons de voir, on pourrait penser qu'une
non stationnaires forme faisant apparaître des pôles et des zéros, ordonnés, de l'équa-
tion différentielle (1) permettrait une interprétation similaire au cas
des systèmes à paramètres invariants. Cette forme, que l'on pour-


rait appeler forme pôles-zéros, s'écrit :
2.1 Résolution
( D – π n ( t ) )… ( D – π 1 ( t ) )y ( t ) = k ( t ) ( D – ζ n – 1 ( t ) )… ( D – ζ 1 ( t ) )u ( t ) (4)

Si on considère (2) pour n = 1, soit ẋ ( t ) = a ( t )x ( t ) + b ( t )u ( t ), on Plaçons-nous dans les situations suivantes.


la résout à l'aide de l'équation différentielle en régime libre, ● Pour une entrée identiquement nulle, la sortie est régie par
ẋ ( t ) = a ( t )x ( t ) , dont la solution telle que x ( t 0 ) = x 0 s'écrit : l'équation différentielle :

( D – π n ( t ) )… ( D – π 1 ( t ) )y ( t ) = 0

t
x ( t ) = exp  a ( τ )d τ x 0
 t0 
En introduisant les variables intermédiaires :
La méthode de variation de la constante, méthode qui consiste à λ1 ( t ) = y ( t )
remplacer x 0 par une fonction du temps qui coïncide avec x 0 en t 0 ,
conduit à la solution de (2) pour n = 1 sous la forme : λ 2 ( t ) = ( D – π 1 ( t ) )y ( t )
λ3 ( t ) = ( D – π2 ( t ) ) λ2 ( t )

∫ ∫ ∫
t t t
x ( t ) = exp  a ( τ )d τ x 0 + exp  a ( λ )d λ b ( τ )u ( τ )d τ 6
 t0  t0  τ 
λn ( t ) = ( D – πn – 1 ( t ) ) λn – 1 ( t )
La première difficulté vient du fait que l'on ne peut pas, sauf cas
particulier, étendre cette relation pour n > 1. De façon plus précise, on obtient les équations différentielles :
on ne peut pas écrire dans le cas général pour u ( t ) ≡ 0 :
λ̇ 1 ( t ) = π 1 ( t ) λ 1 ( t ) + λ 2 ( t )


t
x ( t ) = exp  A ( τ )d τ x 0 λ̇ 2 ( t ) = π 2 ( t ) λ 2 ( t ) + λ 3 ( t )
 t0 
6
Ainsi, en ce qui concerne l'étude de la stabilité, on peut toujours λ̇ n – 1 ( t ) = π n – 1 ( t ) λ n – 1 ( t ) + λ n ( t )
conclure à la stabilité asymptotique du système de dimension 1
lorsque : λ̇ n ( t ) = π n ( t ) λ n ( t )


t
lim a ( τ )d τ = – ∞ Cet ensemble de relations se résout sous la forme :
t → ∞ t0

∫π
t
mais cela ne peut être étendu au cas d'une dimension supérieure. λ n ( t ) = exp  
n ( τ )d τ λ n ( t 0 )
t0

∫π
t
λ n – 1 ( t ) = exp  
n – 1 ( τ )d τ λ n – 1 ( t 0 ) + χ n – 1  π n – 1 ( t ), λ n ( t )
 
2.2 Mise en série et non-commutativité t0

6
Considérons deux systèmes du premier ordre, d'entrées u 1 ( t ) et
∫π
t
u 2 ( t ) et de sorties y 1 ( t ) et y 2 ( t ) , définis par :
λ 1 ( t ) = exp  
1 ( τ )d τ λ 1 ( t 0 ) + χ 1  π 1 ( t ), λ 2 ( t )
 
t0

( Σ 1 ) : ẏ 1 ( t ) + a 1 ( t )y 1 ( t ) = b 1 ( t )u 1 ( t ) qui met en évidence l'importance des exponentielles de

∫πτ
t
i( )d τ dans l'évolution en régime libre. D'où l'interprétation
t0
( Σ 2 ) : ẏ 2 ( t ) + a 2 ( t )y 2 ( t ) = b 2 ( t )u 2 ( t )
possible en termes de pôles.
● Pour une sortie identiquement nulle, et en supposant que k ( t )
La mise en série ( Σ 1 ) avec ( Σ 2 ) , c'est-à-dire en posant u 2 ( t ) = y 1 ( t ) ,
conduit à l'équation différentielle : ne s'annule qu'en des valeurs temporelles isolées, l'entrée est
contrainte par l'équation différentielle :

  ( D – ζ n – 1 ( t ) )… ( D – ζ 1 ( t ) )u ( t ) = 0
b 2 ( t )ẏ˙2 ( t ) +   a 1 ( t ) + a 2 ( t ) b 2 ( t ) – ḃ 2 ( t ) ẏ 2 ( t )
    De même que précédemment, si on introduit les variables :
  µ1 ( t ) = u ( t )
+   a 1 ( t )a 2 ( t ) + ȧ 2 ( t ) b 2 ( t ) – ḃ 2 ( t )a 2 ( t ) y 2 ( t ) = b 1 ( t )b 2 ( t )u 1 ( t )
2
   µ2 ( t ) = ( D – ζ1 ( t ) ) µ1 ( t )
µ3 ( t ) = ( D – ζ2 ( t ) ) µ2 ( t )
On en déduit aisément que la mise en série ( Σ 2 ) avec ( Σ 1 ) , avec
u 1 ( t ) = y 2 ( t ) , ne donnerait pas le même résultat et par voie de 6
conséquence que deux modèles dont les paramètres varient dans le
temps ne peuvent commuter. µn ( t ) = ( D – ζn – 1 ( t ) ) µn – 1 ( t )

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 185 − 4 © Techniques de l’Ingénieur, traité Informatique industrielle

TP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQYP

Systèmes non linéaires


Méthode du premier harmonique
par Daniel VIAULT

Ingénieur ESE (École supérieure d’électricité),
Chef du Service Automatique de l’ESE
et Patrick BOUCHER
Ingénieur ESE,
Chef de Travaux au Service Automatique de l’ESE

1. Hypothèses fondamentales de la méthode


du premier harmonique.......................................................................... R 7 190 - 2
1.1 Rappel concernant la linéarité .................................................................... — 2
1.2 Principe de la méthode ............................................................................... — 2
1.3 Définition du gain complexe équivalent.................................................... — 3
1.4 Principales caractéristiques non linéaires ................................................. — 3
1.5 Remarque concernant la réduction des schémas-blocs........................... — 4
2. Exemples de calculs de gains complexes équivalents .................. — 8
2.1 Saturation..................................................................................................... — 8
2.2 Seuil .............................................................................................................. — 10
2.3 Relais avec hystérésis ................................................................................. — 11
2.4 Jeu sans inertie aval.................................................................................... — 12
3. Systèmes asservis non linéaires en régime libre :
étude de la stabilité................................................................................. — 13
3.1 Discussion de la stabilité des auto-oscillations......................................... — 13
3.2 Exemples d’applications ............................................................................. — 14
3.2.1 Saturation............................................................................................ — 14
3.2.2 Seuil ..................................................................................................... — 14
3.2.3 Plus ou moins à hystérésis ................................................................ — 15
3.2.4 Jeu sans inertie aval........................................................................... — 15
3.2.5 Contre-exemple .................................................................................. — 15
3.3 Compensation.............................................................................................. — 15
3.3.1 Correcteurs linéaires .......................................................................... — 15
3.3.2 Correcteurs non linéaires................................................................... — 17
4. Conclusion ................................................................................................. — 19
Références bibliographiques ......................................................................... — 19

n automatique comme, par exemple, en mécanique, en génie électrique ou


E en électronique, les problèmes d’analyse et de synthèse ont d’abord été
posés en se plaçant dans l’hypothèse de linéarité. Des théories et des méthodes
ont ainsi été développées qui ont permis de faire des progrès notables dans les
domaines des asservissements et des régulations. Néanmoins, très rapidement,
l’ingénieur s’est rendu compte que cette approche ne permettait pas d’étudier
le comportement de bon nombre de systèmes réels. On a donc assisté, à partir
des années cinquante, à de nombreuses études et recherches dans le domaine
des systèmes non linéaires.
Dans une première étape, les non-linéarités ont été regardées essentiellement
comme des imperfections, mais très vite les ingénieurs ont pris conscience des
avantages qu’ils pouvaient tirer des non-linéarités pour la conception de
p。イオエゥッョ@Z@ェ。ョカゥ・イ@QYXS

systèmes plus performants. Parmi ces avantages, et à titre d’exemple, on peut

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle R 7 190 − 1

TQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQYP

SYSTÈMES NON LINÉAIRES ______________________________________________________________________________________________________________

citer la commande par plus ou moins qui permet, si elle est judicieusement
conçue, par application du principe bang-bang, d’obtenir des réponses en temps
minimal.
Alors que les principes de proportionnalité et de superposition conduisent,
pour les systèmes linéaires, à des formulations et à des méthodes d’analyse et
de synthèse très générales, il en va tout autrement pour les systèmes non
linéaires. En effet, par définition même, sous la dénomination systèmes non
Q linéaires, se regroupent des systèmes de natures très variées, qui nécessitent
des approches elles-mêmes très différentes.
Une conséquence du caractère éminemment négatif de cette définition est
qu’une théorie unifiée est impossible en automatique non linéaire :
l’ingénieur a actuellement à sa disposition un ensemble de méthodes très
différentes les unes des autres. La méthode la plus simple consiste à linéariser
le système non linéaire, et en particulier à réaliser cette linéarisation dans le
domaine fréquentiel. D’autres méthodes de linéarisation existent, mais elles ne
seront pas présentées dans cet article ; parmi celles-ci, citons l’étude des points
singuliers du système du deuxième ordre et la première méthode de Ljapunov.
Cette linéarisation harmonique est le plus souvent dénommée approximation
du premier harmonique ou encore describing function dans la littérature
anglo-saxonne.

Nota : Le lecteur trouvera un tableau des non-linéarités avec leur gain complexe équivalent
(tableau 1), et les courbes des gains complexes équivalents et des lieux critiques (figures 7, 8,
9,10, 11, 25, 26, 27 et 28).

1. Hypothèses fondamentales
de la méthode du premier
harmonique
1.1 Rappel concernant la linéarité
Au sens de l’ingénieur, un système est dit linéaire s’il est régi par Figure 1 – Système linéaire
des équations différentielles linéaires à coefficients constants,
c’est-à-dire si sa fonction de transfert est une fraction rationnelle
en p (on note p la variable de Laplace).
La fonction de transfert exp (– τp ) du retard pur, pour laquelle la
plupart des outils utilisés en automatique linéaire s’appliquent, est
généralement annexée à cette définition de la linéarité.
Cela implique la validité à tout instant du principe de superposi-
tion, lequel peut s’énoncer ainsi (figure 1) : Figure 2 – Entrée sinusoïdale appliquée à un système non linéaire
— si la réponse d’un système linéaire à une entrée x (t ) est y (t ),
sa réponse à l’entrée k x (t ), k étant une constante, est k y (t ) (propor-
tionnalité des effets aux causes) ;
La mise en évidence d’une non-linéarité interne au système peut
— si y1 (t ) et y2 (t ) sont les réponses respectivement aux entrées
être faite de plusieurs façons :
x1 (t ) et x2 (t ), la réponse à l’entrée x1 (t ) + x2 (t ) est y1 (t ) + y2 (t )
(additivité). — tout d’abord, on peut observer une certaine distorsion de y (t )
qui est périodique mais non sinusoïdal pur, et l’on peut noter que
On appelle système non linéaire un système ne pouvant pas être cette distorsion varie lorsque l’amplitude X varie ;
représenté par une équation différentielle linéaire à coefficients — par ailleurs, si les résultats d’une étude expérimentale faite à
constants, c’est-à-dire pour lequel le théorème de superposition ne l’aide d’un transféromètre (analyseur de fonction de transfert)
s’applique pas. sensible au fondamental (encore appelé premier harmonique) font
apparaître un réseau de lieux de Nyquist lorsque l’amplitude X varie,
cela prouve l’existence d’une non-linéarité interne (figure 3).
1.2 Principe de la méthode ■ Hypothèse no 1
Soit x = X sin ωt l’entrée d’un système dont la sortie est y (t ) Nous admettons, dans ce qui suit, que ce qui concerne le temps
(figure 2). et la fréquence (comportement dynamique) et ce qui concerne
l’amplitude (comportement statique) peuvent être séparés. Cette

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 7 190 − 2 © Techniques de l’Ingénieur, traité Informatique industrielle

TR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQYP

_____________________________________________________________________________________________________________ SYSTÈMES NON LINÉAIRES

hypothèse est connue sous le nom d’hypothèse de séparabilité.


Cela signifie que le système de la figure 2 peut être décomposé en
deux blocs, dont le premier, traditionnellement représenté par
deux rectangles, représente la non-linéarité séparable et le second
une fonction de transfert linéaire (figure 4).
La caractéristique s (x ) de la non-linéarité séparable est donc
indépendante de la façon dont elle est décrite : la caractéristique


statique et la caractéristique dynamique sont alors confondues.
Cette définition suggère ainsi un essai expérimental qui peut être
fait pour vérifier si l’hypothèse de séparabilité est satisfaite : si la
caractéristique reste identique à elle-même lorsqu’elle est décrite à
des fréquences variables (correspondant au domaine d’utilisation
du système), la représentation de la figure 4 peut être adoptée.
■ Hypothèse no 2
Faisons l’hypothèse que la fonction de transfert linéaire qui suit
la non-linéarité séparable de la figure 4 soit un filtre passe-bas
suffisamment efficace pour que l’on puisse négliger dans y (t ) les
harmoniques d’ordre supérieur à 1. Cette efficacité du filtre reste
assez qualitative : sur certains exemples, quelques pourcent de
distorsion pourront remettre en cause la méthode, alors que, dans
d’autres cas, celle-ci pourra continuer à être valablement appliquée
avec un filtrage médiocre.
Figure 3 – Lieux de Nyquist

1.3 Définition du gain complexe


équivalent

Les deux hypothèses précédentes (§ 1.2) étant vérifiées, lorsque


le signal d’entrée est un signal sinusoïdal :
Figure 4 – Décomposition d’une non-linéarité séparable
x (t ) = X sin ωt
p a r c o n v e n t i o n , o n d é fi n i t u n e f o n c t i o n s i n u s o ï d a l e Dans la pratique, selon les exemples et les plans dans lesquels
w = W1 sin (ωt + ϕ) équivalente à la sortie s (t ). on décide de travailler, on représente ce gain complexe équivalent
Si l’on se place dans le cas d’une non-linéarité symétrique, les sous forme cartésienne :
premiers termes de la décomposition en série de Fourier s’écrivent : P + jQ
N ( X ) = -------------------
s (t ) = P sin ωt + Q cos ωt = W1 sin (ωt + ϕ) X

avec
2
P = -----
T
0
T
s ( t ) sin ω t d t
ou en notation polaire N exp (jϕ),
P2+ Q2 W1
avec N ( X ) = -------------------------- = ---------
ωT = 2π X X
Q
2
Q = -----
T
0
T
s ( t ) cos ω t d t ϕ ( X ) = arc tan -----
P
-

Il est important de noter que la boîte noire non linéaire introduit


Nous appellerons gain complexe équivalent le nombre complexe : un gain et un déphasage fonction de l’amplitude X.
P + jQ
N ( X ) = ------------------
X
1.4 Principales caractéristiques
que l’on peut noter :
N (X ) = NP (X ) + jNQ (X ) non linéaires
P
avec N P ( X ) = ------ (gain en phase) La figure 5 représente les caractéristiques non linéaires de base,
X
qui peuvent s’associer de différentes façons en donnant toutes les
Q combinaisons possibles. On trouvera un tableau complet des
et NQ ( X ) = ------ (gain en quadrature)
X non-linéarités avec leur gain complexe équivalent (tableau 1).
Il s’agit donc d’une sorte de généralisation de la notion de fonc- Les non-linéarités de la figure 5 sont symétriques, mais une
tion de transfert. composante continue peut les rendre dissymétriques.
Une non-linéarité est dite sans hystérésis ou encore sans
mémoire si à une entrée x (t ) correspond une sortie et une seule
s (t ).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle R 7 190 − 3

TS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQYP

SYSTÈMES NON LINÉAIRES ______________________________________________________________________________________________________________

Figure 5 – Caractéristiques entrée-sortie s (x )

Si la caractéristique présente une hystérésis, la valeur de la sortie


dépend du sens de variation de l’entrée.

1.5 Remarque concernant la réduction


des schémas-blocs
La réduction des schémas-blocs des systèmes linéaires repose sur
le principe de superposition : on peut déplacer les capteurs et les
comparateurs à condition de satisfaire les règles connues, on peut
Figure 6 – Exemple de réduction d’un schéma-bloc
également réduire les boucles fermées partielles. Si un système
possède des non-linéarités, la réduction des schémas-blocs doit faire
l’objet de la plus grande attention.
Dans les zones du schéma-bloc où le filtrage est suffisamment est possible de réduire le schéma-bloc en déplaçant la prise de
efficace pour que l’hypothèse de linéarisation soit satisfaite, on point (capteur) vers la droite et le comparateur vers la gauche,
peut déplacer capteurs et comparateurs comme dans le cas des pour se ramener à deux chaînes de retour en parallèle.
systèmes linéaires. Ainsi, pour le système représenté sur la (0)
figure 6, il ne faut pas essayer de réduire la boucle interne, mais il

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 7 190 − 4 © Techniques de l’Ingénieur, traité Informatique industrielle

TT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQXX

Observateurs pour systèmes


dynamiques
par Frédéric ROTELLA

Professeur des universités, Affiliation : École nationale d’ingénieurs de Tarbes

1. Généralités ................................................................................................ S 7 188 - 2


2. Cas des modèles linéaires..................................................................... — 3
2.1 Structures .................................................................................................... — 3
2.2 Définitions et propriétés ............................................................................. — 3
2.3 Observateurs de fonctions linéaires.......................................................... — 6
2.4 Observation d’une forme linéaire.............................................................. — 13
3. Observation à entrées inconnues ....................................................... — 15
3.1 Estimation à entrée inconnue .................................................................... — 15
3.2 Observation des entrées inconnues .......................................................... — 17
4. Exemple : un satellite artificiel ........................................................... — 17
4.1 Modèle linéarisé autour d’un point de fonctionnement .......................... — 18
4.2 Observateurs ............................................................................................... — 18
4.3 Présence d’entrées inconnues ................................................................... — 21
5. Modèles linéaires non stationnaires .................................................. — 21
5.1 Observateur de Darouach non stationnaire.............................................. — 23
5.2 Observateurs d’état..................................................................................... — 23
5.3 Observateur de Zhang ................................................................................ — 23
5.4 Détermination des matrices de gain ......................................................... — 23
5.5 Exemple du convertisseur « boost » ......................................................... — 24
6. Modèles non linéaires ............................................................................ — 25
6.1 Observateurs d’état..................................................................................... — 26
6.2 Observateurs de fonctions de l’état........................................................... — 27
6.3 Exemple d’un bioréacteur .......................................................................... — 27
7. Annexes...................................................................................................... — 28
7.1 Procédure de Ruffini-Horner ...................................................................... — 28
7.2 Construction d’une forme canonique observable.................................... — 29
8. Outils logiciels ......................................................................................... — 30
8.1 SCILAB ......................................................................................................... — 30
8.2 Modélisation................................................................................................ — 31
8.3 Analyse des propriétés ............................................................................... — 31
8.4 Placement de pôles..................................................................................... — 31
8.5 Traitement d’équations matricielles.......................................................... — 31
8.6 Autres outils logiciels ................................................................................. — 31
9. Conclusion................................................................................................. — 31
Pour en savoir plus .......................................................................................... Doc. S 7 188

ne des principales limites à l’amélioration de la surveillance et à


«U l’optimisation de l’utilisation des micro-organismes tient sans doute
à la difficulté de mesurer des variables chimiques ou biologiques dans un réac-
teur. En effet, il n’existe que très peu de capteurs dont le coût soit raisonnable
et qui présentent des qualités de fiabilité et de maintenance requises pour un
suivi en ligne. La mesure de certaines variables biologiques (biomasse,
p。イオエゥッョ@Z@ェオゥャャ・エ@RPQY

Copyright © – Techniques de l’Ingénieur – Tous droits réservés S 7 188 – 1

TU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQXX

OBSERVATEURS POUR SYSTÈMES DYNAMIQUES _________________________________________________________________________________________

contenu cellulaire…) est parfois très difficile et peut s’avérer une opération
longue, et délicate, même hors ligne. » Cette situation pratique, extraite de
l’ouvrage « Automatique des bioprocédés » [67], illustre bien la problématique
que cherche à résoudre la notion d’observation d’un système dynamique.
En effet, le problème est relativement simple puisqu’un système dynamique est
un artefact d’ingénierie caractérisé par des variables qui évoluent au cours du
temps et dont on cherche à piloter certaines. Bien sûr, ce pilotage impliquant l’ins-
Q trumentation du process par des actionneurs et surtout des capteurs, il peut être
parfois très utile ou pertinent de connaître l’évolution de variables qui ne sont pas
directement accessibles à la mesure physique. L’objectif de l’observation consiste
donc à construire un algorithme à implanter, d’où parfois la désignation de
capteur logiciel, sur un organe de contrôle du processus permettant d’estimer ces
variables sans avoir à utiliser un capteur physique supplémentaire. Outre un coût
moindre, l’obtention de l’information fournie par ce capteur par une mise en
œuvre logicielle sur ordinateur des traitements des mesures disponibles sur le
process offre d’autres avantages comme une maintenance simplifiée ou un risque
de défaillance moindre, sans compter non plus sur la dynamique supplémentaire
introduite par le capteur physique. D’autres applications de l’utilisation d’un
capteur logiciel sont également envisageables comme, sans être exhaustifs, le
remplacement d’un capteur physique instrumentant déjà le processus mais coû-
teux, peu fiable ou présentant un rapport signal sur bruit faible, l’estimation
d’entrées inconnues (défauts ou perturbations) pouvant influencer le comporte-
ment du processus, l’identification de paramètres ou enfin, la commande d’un
système par retour d’état. Dans cette dernière application, qui est l’une des appli-
cations majeures de l’utilisation d’un observateur, plusieurs options peuvent être
envisagées : soit on choisit de reconstruire par un observateur toutes les compo-
santes de l’état qui ne sont pas mesurées, et dans certaines applications pratiques
cela peut aller jusqu’à la centaine de variables ; soit on choisit d’observer directe-
ment la fonction des variables d’état envisagée pour la commande. Mais quelle
que soit l’option retenue il n’est pas envisageable de mettre en service un ou plu-
sieurs capteurs physiques qui réalisent la commande désirée. Enfin, une autre
application des observateurs concerne la création d’une redondance relativement
à un capteur physique qui permet ainsi d’accroître la sécurité d’une installation par
la surveillance et le diagnostic sans en accroître le coût.
Cet article a pour objectif de faire le point sur les techniques envisageables de
conception d’un observateur permettant d’estimer, à partir de mesures issues des
capteurs physiques instrumentant un système et d’un modèle dynamique de ce
système, des variables non accessibles à la mesure. Que ce soit dans un cadre à
temps continu ou à temps discret, que ce soit à partir d’un modèle linéaire ou non
linéaire, les variables à estimer doivent nécessairement être liées à un modèle
d’état du système. En mettant l’accent sur la reconstruction de fonctions de
variables d’état d’un système, on est conduit directement à la conception d’algo-
rithmes d’observation à mettre en œuvre pour obtenir des capteurs logiciels qui
ne demandent pas l’utilisation de capteurs physiques supplémentaires.
Des exemples pratiques et simples, tels un convertisseur de puissance, un
bioréacteur ou un satellite artificiel, illustrent les méthodes de conception
d’observateurs brièvement présentées.

1. Généralités pas toujours possible et mettre en œuvre un capteur logiciel ou


observateur est de première importance.
Dès l’introduction de la notion d’état pour modéliser un sys-
Que ce soit pour pour la surveillance ou le pilotage d’un sys- tème [25], a été posé, dans [24] ou dans [31], le problème de l’esti-
tème, disposer tout au long du fonctionnement d’un maximum mation de cet état, c’est-à-dire la reconstruction à partir des
d’informations sur des grandeurs caractéristiques de ce système mesures disponibles des composantes non accessibles du
est d’une importance primordiale. Ces grandeurs peuvent être des modèle. Les travaux de Kalman [24], qui ont pour cadre le filtrage,
variables internes ou des causes pouvant influencer le comporte- estimation dans un environnement bruité, ont permis de dépasser
ment du système sans pour autant être mesurées. Ceci peut être la notion de filtrage au sens de Wiener [63] pour des situations
réalisé par l’intermédiaire de capteurs physiques instrumentant ce beaucoup plus générales que celles envisagées jusqu’alors. L’utili-
système [R 401]. Cependant, dans certaines situations, cela n’est sation du modèle d’état, qui est à opposer dans le cas linéaire sta-

S 7 188 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

TV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQXX

_________________________________________________________________________________________ OBSERVATEURS POUR SYSTÈMES DYNAMIQUES

tionnaire au modèle par opérateur de transfert, permet de pouvoir mation d’une fonction linéaire de l’état. C’est le point de vue qui
appréhender dans un même formalisme le cas des systèmes a va majoritairement nous guider dans cet article.
plusieurs entrées et plusieurs sorties décrits par un modèle
linéaire non stationnaire. Les techniques principales, les dévelop-
pements récents et les évolutions historiques du filtrage sont
détaillés dans [57] et dans [R 1 107], [R 7 228], [R 7 425]. Nous ne
les aborderons pas ici.
2. Cas des modèles linéaires


Les travaux de Luenberger [31], [32], [33], [35] ont initialisé le
problème de l’observation c’est-à-dire de l’estimation de l’état ou 2.1 Structures
d’une fonction de l’état d’un système dans un cadre linéaire à
coefficients constants non bruité. Bien que cela puisse être envi- Considérons le cas d’un modèle linéaire à coefficients constants
sagé pour des modèles discrets [61], [2], la plupart des travaux qui décrit par l’équation d’état :
ont été développés permettant la conception d’un observateur
concernent des modèles d’état continus. C’est ce point de vue que (1)
nous allons adopter dans la suite en proposant différentes tech-
niques de conception d’un observateur à partir d’un modèle d’état
continu du système pour obtenir un observateur sous la forme où pour tout t dans , l’état x(t) est dans , l’entrée u(t) est
d’une équation d’état continue. L’algorithme d’observation à dans , et la mesure y(t) est dans . Les matrices qui appa-
mettre en œuvre est alors réalisé à partir d’une approximation raissent dans (1) sont constantes et de dimensions adaptées. Le
numérique des équations différentielles obtenues à l’aide de problème de l’observation consiste ici à concevoir un système,
méthodes usuelles telles que celles décrites dans [AF 501], appelé observateur de Luenberger, défini par l’équation d’état :
[AF 653], [AF 5 054]. Les principales raisons de ce parti pris réside
tout d’abord dans le fait que la plupart des modèles de processus
de l’ingénierie sont issus des lois de la physique et se présentent (2)
sous la forme d’équations différentielles, donc sous la forme d’un
modèle à temps continu. Ensuite lorsque les modèles sont non où z(t) est de dimension q, dont la sortie permet d’esti-
linéaires ou ont des coefficients qui dépendent du temps, ce qui mer, à partir de la connaissance ou mesure de (u(t), y(t)) une fonc-
est la plupart du temps le cas, il n’est pas possible d’obtenir une tion linéaire de l’état :
équation d’état discrète qui modélise le comportement du proces-
sus. Enfin, les processeurs sur lesquels on implante des lois de (3)
contrôle-commande sont suffisamment rapides pour que
l’approximation numérique des équations différentielles soit suffi- où L est une matrice constante de dimensions (l × n). Le problème
samment précise. Ainsi, nous laisserons le soin au lecteur de de la conception de cet observateur consiste donc à déterminer
construire l’algorithme numérique de son choix associé aux des matrices F, G, H, P et V et l’ordre q tels que w(t) réalise une
observateurs continus obtenus. estimation asymptotique de v (t), soit :
De façon à survoler les méthodes de conception des observa- (4)
teurs pour systèmes dynamiques, nous allons détailler dans un
premier temps le cas des modèles linéaires à coefficients
Cette situation constituera le cadre de notre étude car nous
constants. D’une part parce qu’ils représentent une grande classe
n’envisagerons que le cas d’observateurs asymptotiques. Ceci est
de modèles très employée dans les techniques de pilotage de pro-
à mettre en parallèle avec l’existence d’observateurs en temps fini
cessus par linéarisation autour d’un point de fonctionnement et
où l’erreur d’observation est nulle au bout d’un certain temps [15],
parce que, d’autre part, ils permettent d’extrapoler les idées déve-
[45]. Parce que basés sur l’utilisation d’opérateurs de retard, diffi-
loppées dans ce contexte pour obtenir des méthodes utilisables
ciles à réaliser de façon exacte dans un cadre continu, nous ne les
dans le cas de modèles linéaires mais à coefficients qui
considèrerons pas ici.
dépendent du temps [S 7 035], obtenus par exemple par linéarisa-
tion autour d’une trajectoire désirée du processus, ou dans le cas
de modèles non linéaires. Enfin, les méthodes et techniques sont,
dans le cas linéaire à coefficients constants, assez bien connues, 2.2 Définitions et propriétés
et utilisent le calcul matriciel. Dans un deuxième temps nous
regarderons quelques techniques utilisables pour les modèles Concernant le modèle d’état (1), on dit qu’il est [S 7 135],
plus complexes que sont les modèles linéaires non stationnaires [AF 1 400] :
et les modèles non linéaires. • stable asymptotiquement si la matrice carrée A est de
Toujours est-il que le problème de l’observation pour un sys- Hurwitz, c’est-à-dire que toutes ses valeurs propres sont à
tème dynamique à partir de l’équation d’état peut être envisagé partie réelle strictement négative. On peut dire dans ce cas,
dans deux cadres distincts : soit toutes les variables externes avec un abus de langage, que A est stable ;
d’entrées sont mesurées, ce qui constitue le cas à information • observable s’il vérifie le critère de Kalman :
complète ; soit il existe des entrées non mesurées, c’est-à-dire que
l’on se trouve en information partielle, plus communément appelé
« à entrées inconnues ». Dans cette dernière situation deux pro-
blèmes différents sont à résoudre : soit on désire estimer une ou où est la matrice d’observabilité de la paire (A, C)
plusieurs variables indépendamment des entrées inconnues ; soit définie par :
on veut une estimation des entrées inconnues, par exemple dans
le cas où ces entrées sont des défauts, à partir de quantités appe-
lées résidus basés sur un ou plusieurs observateurs. Quoiqu’il en
soit on ne peut observer de variables que si celles-ci sont inté-
grées dans le modèle du système. (5)

Cependant, dès [33], le problème de l’observation d’une partie


de l’état d’un modèle linéaire est envisagé sous la forme de l’esti-

Copyright © – Techniques de l’Ingénieur – Tous droits réservés S 7 188 – 3

TW
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQXX

OBSERVATEURS POUR SYSTÈMES DYNAMIQUES _________________________________________________________________________________________

On dit également dans ce cas que la paire (A, C) est obser-


vable. Le plus petit entier ν tel que : Encadré 2 – Critères de Popov-Belevitch-Hautus (PBH)

Dans le cas des modèles linéaires à coefficients constants on


dispose également de la caractérisation des propriétés
d’observabilité et de détectabilité sous la forme suivante dite
des critères de Popov-Belevitch-Hautus. La paire (A, C) est
détectable (resp. observable) si et seulement si :


s’appelle l’index d’observabilité ;
Bien sûr, contrairement aux critères de Kalman, ce type de
critère n’est pas généralisable aux modèles non stationnaires
Encadré 1 – Critère d’observabilité de Hessenberg ou non linéaires.

L’inconvénient du critère de Kalman réside dans sa faible


robustesse numérique due essentiellement au mauvais condi- Lorsque L = In, ou lorsque L est une matrice inversible de taille
tionnement de la matrice d’observabilité. Pour cette raison on (n × n) on parle d’observateur d’état, sinon on réalise un observa-
préfère, lorsque tous les paramètres du système sont numéri- teur de fonction linéaire qui est dit redondant lorsque rang(L) < l.
quement connus, qualifier l’observabilité à partir de la forme Nous n’envisagerons pas ce dernier cas et pour un observateur de
canonique d’observabilité de Hessenberg ou forme « en esca- fonction linéaire nous supposerons que :
lier » obtenue par un algorithme qui utilise des factorisations
QR successives [12]. De façon plus précise, on transforme, à
l’aide d’une matrice orthonormale O, i.e. O −1 = OT, la paire (A, (6)
C) en une paire (F = OAOT, H = COT) telles que :

En effet, si une des lignes de L est linéairement dépendante de


celles de C ou d’autres lignes de L, il est évident que la compo-
sante correspondante de la fonctionnelle linéaire peut directement
être reconstruite à partir des mesures ou de certaines sorties de
l’observateur par une combinaison linéaire adéquate. Cette
remarque permet de simplifier notablement certaines des procé-
dures proposées dans la littérature [50] ou de concevoir, dans le
cas où L = VC, un observateur dynamique inutile alors qu’un
observateur algébrique sans dynamiques suffit. Les conditions
où les blocs Fi,j sont des matrices de taille (νi × νj), les νi,
d’observabilité précédentes concernaient l’observabilité de l’état et
i = 1 à k sont les indices d’observabilité de la paire (A, C) et H1
ne sont plus nécessaires ici. Dans le cas de l’observation de fonc-
est une matrice de taille (m × ν1) de rang plein en colonnes.
tions de l’état ou dans le cas plus général de modèles non
La paire (A, C) est observable si tous les blocs Fi,i+1, de i = 1 linéaires, une définition algébrique de l’observabilité d’une
à k – 1 sont de rang plein en colonnes. variable d’un modèle a été proposée dans [14] sous la forme sui-
vante. Une variable v(t) est observable si il existe une fonction Φ(.)
et deux entiers α et β tels que :

• détectable s’il peut, par une transformation d’état éventuelle,


être mis sous la forme :

où u(t) et y(t) représentent les mesures disponibles en entrées et


en sorties du système. Nous laissons au lecteur le soin d’établir
l’équivalence de cette définition avec le critère de Kalman dans le
cas du modèle d’état (1).

où A11 et C1 sont respectivement de taille (ν × ν) et (m × ν)


avec :
Encadré 3 – Un peu de taxinomie
des observateurs

Pour des raisons de filtrage des mesures bruitées, [39]


et A22 est une matrice de Hurwitz. On dit également dans préconise de ne pas mettre le terme de transmission directe
ce cas que la paire (A, C) est détectable. La propriété de dans la sortie de l’observateur (2) en posant V = 0. Cela
détectabilité d’une paire (A, C) est très importante car on a n’est pas toujours envisageable et poser V = 0 implique une
le résultat suivant : contrainte supplémentaire sur la conception de l’observa-
teur. Par analogie avec les filtres de Kalman, [39] désigne
un observateur de Luenberger où V = 0 sous le terme
Théorème 1 d’observateur de Kalman, mais nous ne retiendrons pas
cette terminologie. De façon plus précise, nous désignons
Lorsque la paire (A, C) est détectable (resp. observable), il les cas particuliers de l’observateur de Luenberger (2) par
existe une matrice X telle que A – XC soit une matrice de observateur :
Hurwitz (resp. ait ses valeurs propres fixées a priori). • de Kalman lorsque l’on peut se ramener à L = Il et q = n ;

S 7 188 – 4 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

TX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQXX

_________________________________________________________________________________________ OBSERVATEURS POUR SYSTÈMES DYNAMIQUES

■ Quelques remarques
Encadré 3 – Un peu de taxinomie
des observateurs (Suite) 1/ Puisque z(t) tend asymptotiquement vers Tx(t) cela implique
rang(T) = q car sinon cela voudrait dire que certaines composantes
de z(t) peuvent être asymptotiquement obtenues par des combinai-
• de Cumming-Gopinath [10], [20] lorsque l’on peut se ramener
sons linéaires d’autres composantes. Ainsi on peut supposer que T
à L = Il et q = n – m. Cet observateur est souvent appelé dans la
est de rang plein en lignes.
littérature « observateur réduit ». Nous ne conservons pas cette
appellation relativement aux observateurs de fonctions linéaires 2/ T et C sont linéairement indépendants, soit :


qui peuvent d’être d’un ordre plus petit que n – m ;
• de Darouach [11] lorsque q = l. Il est à noter que pour une
matrice L fixée de rang plein en ligne, on ne peut obtenir
d’observateur avec un ordre plus petit ;
• d’ordre minimum lorsque l’on ne peut obtenir d’obseva- En effet, dans le cas contraire, on peut supposer que T peut être
teur d’ordre inférieur. De façon à conduire à une implémenta- partitionnée (après permutation éventuelle) en :
tion de l’observateur avec un nombre d’opérations élémentaires,
l’un des objectifs majeurs sera d’obtenir un observateur
asymptotique avec un ordre minimal. Cependant, cet objectif
doit être envisagé sous deux angles différents : soit on
cherche à avoir un observateur dont les dynamiques de où T1 regroupe les lignes de T linéairement indépendantes de C et
l’erreur d’estimation sont imposées a priori ; soit on cherche Λ est une matrice de dimensions convenables. Alors z(t) peut être
simplement un observateur stable. Bien sûr on peut envisager partitionnée en :
tout autre cadre intermédiaire en pouvant imposer seulement
quelques relations à propos des valeurs propres de F. Tou-
jours est-il que l’ordre minimal ne sera pas forcément le
même suivant la situation choisie.
tel que limt→∞ z1(t) = T1x(t) et . Le
comportement asymptotique de z2(t) peut donc être obtenu
Considérons les erreurs d’observations : algébriquement à partir des mesures. Il est donc inutile de com-
prendre z2(t) dans l’état de l’observateur puisque l’on peut le rem-
placer par Λy(t) diminuant ainsi l’ordre de l’observateur.
3/ En conséquence on peut également supposer que P est aussi de
rang plein en lignes. En effet, l’écriture de (8) sous la forme :
En effet, si la propriété (4) est vérifiée alors, d’après la relation
asymptotique (L – VC)x(t) = Pz(t) on peut penser à ce que z(t)
tende asymptotiquement vers une estimation d’une autre forme
linéaire de l’état, par exemple Tx(t).
compte tenu du fait que rang(AB) = rang(A) lorsque B est de rang
plein en lignes conduit à rang(P) = l.
Théorème 2 Une conséquence immédiate de cette propriété est que pour un
observateur de Darouach où q = l, on peut poser P = Il, et qu’il
Le système observable (2) est un observateur de la fonction existera, pour un observateur d’ordre supérieur à l, un change-
linéaire (3) pour le système linéaire (1) si et seulement si il ment de variables tel que l’on ait où 0 représente une
existe une matrice T(q × n) telle que soit vérifiées : matrice nulle de taille (l × (q – l)).

2.2.1 Utilisation en commande


(7)
En supposant que tout l’état de (1) soit accessible, on suppose
(8) ici que l’on veut mettre en œuvre une commande par retour d’état
(9) de la forme :
de Hurwitz
(10)

où c(t) est la nouvelle entrée ou consigne, L est le gain de retour


La preuve de ce théorème fondamental peut être établie par
d’état qui est défini par l’objectif imposé au système bouclé.
diverses techniques parmi lesquelles on peut citer le formalisme
matriciel et l’équation d’état pour [17], le formalisme transfert De façon générale, l’état n’étant pas complètement accessible,
dans [41], [43], les sous-espaces conditionnellement invariants la commande réellement mise en œuvre utilise un observateur de
[52], ou le formalisme géométrique [18]. La condition G = TB n’en v(t) = Lx(t) qui conduit à la commande :
est pas vraiment une car elle définit complètement la matrice G.
Ces preuves sont essentiellement basées sur l’analyse des équa- (11)
tions des erreurs, à savoir, d’après (1) et (2) :
où w(t) est la sortie de l’observateur de Luenberger (2). On est
donc conduit à la mise en place de la structure de commande par
régulateur-observateur décrite dans la figure 1.
Dans ce qui suit nous allons voir, d’une part, que le principe de
séparation qui avait été annoncé avec un observateur d’état
Notons également que la relation (7) n’est pas une équation [R 7 427] est encore valable avec un observateur de Luenberger,
linéaire de Sylvester en T car, a priori, ni F, ni H ne sont connues. Pour et d’autre part qu’une étude de robustesse doit être menée pour
éviter toute confusion, nous l’appellerons l’équation de Luenberger pouvoir s’assurer que la structure en boucle fermée assure une
associée au problème d’observation défini par le triplet (A, C, L). bonne marge de robustesse en stabilité.

Copyright © – Techniques de l’Ingénieur – Tous droits réservés S 7 188 – 5

TY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQXX

OBSERVATEURS POUR SYSTÈMES DYNAMIQUES _________________________________________________________________________________________

+ . u + (t ) u – (t )
u (t ) x (t) = Ax (t) + Bu (t), .
c (t ) y (t ) + x (t) = Ax (t) + Bu (t),
– y (t) = Cx (t). c (t ) y (t )
– y (t) = Cx (t).


.
z (t) = Fz (t) + Gu (t) + Hy (t), .
w (t) = Pz (t) + Vy (t). z (t) = Fz (t) + Gu (t) + Hy (t),
w (t) = Lx (t) w (t) = Pz (t) + Vy (t).
w (t) = Lx (t)

Figure 1 – Régulateur-observateur
Figure 2 – Principe de l’analyse de robustesse

■ Principe de séparation Le principe de l’analyse de robustesse de la structure de com-


L’utilisation de (11) dans (1) associée à l’équation d’état de mande par régulateur-observateur consiste à « ouvrir » la chaîne
l’observateur (2) conduit à l’équation d’état du système en boucle de régulation juste avant la commande que l’on applique au sys-
fermée, avec ε(t) = z(t) – Tx(t) : tème (figure 2) et à se poser la question : A-t-on le droit de fermer
le lien ouvert entre u+(t) et u−(t) ? Autrement dit, le lieu fréquentiel
de Nyquist du transfert TBO(p) entre u−(t) et u+(t) ne passe-t-il pas
trop près du point critique ?
Le transfert à calculer est celui obtenu par le système (1) en cas-
Cela conduit à : cade avec l’observateur (2) bouclé par :

soit TBO(p) = TOFB(p) × TS(p), où TS(p) est le transfert du système,


Puisque on obtient, avec : TS(p) = C (pIn – A)−1 B, et TOFB(p) est le transfert de l’observateur
bouclé par la commande .
Puisque l’on a :

l’équation d’état du système en boucle fermée :

avec u+(t) = w(t), TOFB(p) est le transfert entre y(t) et w(t). Avec :

De ces relations on déduit deux conséquences : on obtient TOFB(p) = V + P (pIq – F – GP)−1 (H + GV).


1/ le principe de séparation : les dynamiques du système com- L’analyse de robustesse du transfert TBO(p) = TOFB(p) × TS(p)
mandé par un régulateur-observateur en boucle fermée, i.e. les peut être alors menée par le tracé de son lieu de Nyquist. Pour le
valeurs propres de la matrice : cas du système à commande scalaire, soit r = 1, on utilise le cri-
tère usuel de Nyquist où le point critique est –1 ; en revanche pour
un système multicommandes, soit r > 1, la situation est un peu
plus complexe car il faut tracer le lieu de Nyquist de det
(Ir + TBO(p)) et dans ce cas le point critique est 0.
sont constituées de la réunion de celles désirées en boucle fermée Le principe de détermination des gains reposant sur cette tech-
et celles de l’observateur. Ainsi on peut résoudre de façon indé- nique s’appelle le recouvrement de transfert de boucle (LTR pour
pendante le problème de la régulation par retour d’état et le pro- loop transfer recovery) [51].
blème de l’observation ;
2/ la non-observabilité et la non-commandabilité de l’observateur : si
l’on calcule le transfert obtenu entre la consigne et la mesure y(t) 2.3 Observateurs de fonctions linéaires
avec l’utilisation de la structure régulateur-observateur, on arrive à :
On va présenter ici quelques méthodes permettant de détermi-
ner les matrices définissant l’observateur de Luenberger (2) pour
observer asymptotiquement la fonction linéaire Lx(t) pour le sys-
c’est-à-dire le transfert que l’on aurait obtenu si on avait utilisé le tème linéaire (1). Dans le cas l > 1, le problème de l’obtention d’un
retour d’état avec accès complet à l’état. ordre q minimal pour l’observateur est un problème non trivial.
■ Analyse de robustesse Remarque : il est facile de montrer qu’une des premières condi-
Toute utilisation d’un régulateur dynamique implique une tions qui signalent si un tel observateur peut être réalisé s’écrit :
dégradation des marges de stabilité et un régulateur-observateur
ne fait pas exception à cette règle. Nous allons voir dans ce para-
graphe comment juger de la robustesse en stabilité du régula-
teur-observateur construit. Si les marges obtenues, par un tracé
fréquentiel, ne sont pas satisfaisantes, il conviendra de modifier la c’est-à-dire que L appartient à l’espace d’observabilité de la paire (A,
dynamique de l’observateur. C). Mais cela ne signifie nullement que le système soit observable.

S 7 188 – 6 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

UP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQXX

_________________________________________________________________________________________ OBSERVATEURS POUR SYSTÈMES DYNAMIQUES

2.3.1 Cas multifonctionnel 4/ Cette relation différentielle peut être réalisée sous la forme du
modèle d’état observable d’ordre ql :
Soit les matrices Σν, , définies de façon récurrente par
Σ0 = C et pour ν ≥ 1 :

(16)

Nous allons voir que l’existence de la condition, pour un entier q : Q


(12) Théorème 3

permet de garantir l’existence, par une procédure constructive de Soit l’entier q tel qu’il existe des matrices Γi, i = 0 à q, et Λi,
la structure d’un observateur de Luenberger (2). i = 0 à q – 1, telles que :
1/ De (12), on déduit qu’il existe des matrices Γi, i = 0 à q, et Λi, i = 0 1/
à q – 1, telles que :
2/ la matrice

(13)

(17)
2/ Après q dérivations de v(t) = Lx(t) on obtient :

(14) soit une matrice de Hurwitz.


Alors (16) est un observateur observable asymptotique de la
qui s’écrit : multifonction (3) pour le système (1) avec :

3/ L’étape suivante consiste à éliminer x(t) à l’aide des égalités :

Pour montrer ce résultat il suffit d’exhiber une matrice T satis-


faisant au théorème 2. Puisque l’on doit avoir G = TB, la forme des
matrices Φi conduisent à proposer :

(18)

On obtient ainsi : On vérifie alors aisément les conditions (8) et (7).

Se pose le problème de la minimalité de cet observateur


d’ordre ql. Le résultat précédent indique que la condition (12) est
une condition suffisante d’existence de la structure de l’observa-
teur (2). On peut en montrer la nécessité sous la forme suivante.
(15) Pour ce faire, on utilise l’index d’observabilité d’un système (1)
défini comme le plus petit entier ν tel que :

où, pour i = 0 à q – 2 :

Supposons que le système observable (2) soit un observateur


et de (3) pour le système (1). D’après le théorème 2, il existe T véri-

Copyright © – Techniques de l’Ingénieur – Tous droits réservés S 7 188 – 7

UQ

UR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWRVP

Simulation et CAO en automatique


et mécatronique

par Michel LEBRUN
Institut des sciences et techniques de l’ingénieur de Lyon
Université Claude Bernard de Lyon (ISTIL-UCBL)

1. Évolution des besoins vers des systèmes automatisés ................ S 7 260 - 2


1.1 Évolution des besoins ................................................................................. — 2
1.2 Notion de systèmes, sous-systèmes et composants................................ — 3
2. Différents niveaux d’abstraction de la modélisation .................... — 3
2.1 Niveau fonctionnel ...................................................................................... — 4
2.2 Niveau système ........................................................................................... — 4
2.3 Niveau réseau .............................................................................................. — 4
2.3.1 Domaine de l’électronique................................................................. — 5
2.3.2 Domaine des actionneurs et systèmes fluides................................. — 6
2.3.3 Domaine du multicorps...................................................................... — 6
2.4 Niveau géométrique.................................................................................... — 6
3. Aspects numériques de la simulation................................................ — 6
3.1 Modélisation mathématique....................................................................... — 6
3.2 Méthodes de modélisation ......................................................................... — 8
3.2.1 Méthodes nodales .............................................................................. — 8
3.2.2 Méthodes basées sur une analyse causale ...................................... — 8
3.2.3 Spécificités numériques des domaines ............................................ — 8
4. Interfaçage entre les logiciels de modélisation .............................. — 9
5. Polymorphisme et modélisation.......................................................... — 9
6. Simplification de modèle....................................................................... — 10
7. Exemple d’illustration............................................................................. — 11
7.1 Description d’une transmission automatique ........................................... — 11
7.2 Phase de conception du cycle (top down)................................................. — 12
7.2.1 Étude fonctionnelle............................................................................. — 12
7.2.2 Modèles de niveau réseau développés ............................................ — 13
7.3 Phase d’intégration du cycle de conception (bottom up) ........................ — 14
8. Enjeux de la simulation dans l’industrie
et dans l’enseignement .......................................................................... — 15
Pour en savoir plus........................................................................................... Doc. S 7 260

a simulation s’est développée principalement pour répondre aux besoins


L d’autorisation, elle concerne de ce fait essentiellement les phénomènes
dynamiques. En automatique apparaît clairement la nécessité d’utiliser des
modèles dynamiques « simples » ou plutôt « juste nécessaires » à partir des-
quels pourra s’effectuer la synthèse des lois de commande. Les premiers outils
de simulation de l’automaticien furent les calculateurs analogiques à lampes sui-
vis des circuits intégrés. Un passage rapide par les calculateurs hybrides (ana-
logiques et numériques) à conduit ensuite à partir des années 1970 à l’utilisation
p。イオエゥッョ@Z@ェオゥョ@RPPS

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 260 − 1

US
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWRVP

SIMULATION ET CAO EN AUTOMATIQUE ET MÉCATRONIQUE ___________________________________________________________________________________

presque exclusive du calculateur numérique. Sur le plan de la normalisation, on


trouve une normalisation des opérateurs mathématiques pour les calculateurs
analogiques, suivie par le langage normalisé CSSL (Continu System Simulation
Langage, 1960) [1]. Plusieurs outils de simulation ont supporté ce standard, le
logiciel « leader » dans les années 1980 étant ACSL (Mitchell & Gauthier Asso-
ciates). C’est aussi dans ces années que le rôle de la simulation va être boule-
versé par son intégration dans le cycle de conception de systèmes incluant une

Q électronique de commande qui devient de plus en plus sophistiquée, associée


à la nécessité incontournable de maîtriser l’ensemble du système. D’une activité
réservée à quelques initiés apparaît le besoin d’étendre la simulation aux acti-
vités de conception des produits modernes de grande diffusion dans lesquels
l’électronique de commande décuple les possibilités, mais aussi remet en ques-
tion les méthodes de conception jusqu’alors basées sur un découpage par dis-
ciplines scientifiques. En effet, chaque spécialiste a une perspective de vue par
rapport aux sous-problèmes posés et l’association est rarement optimale du fait
des barrières de communication entre ces spécialistes. Cette situation se résume
dans la formule par laquelle on exprime que l’ensemble est plus que la somme
des différentes parties, en ce sens qu’à partir des propriétés des différentes par-
ties il n’est pas trivial de déduire le comportement de l’ensemble.
De ce contexte, émerge l’idée de « conception simultanée » quelques fois
nommée « approche système » ou « approche mécatronique » où la simulation
joue un rôle crucial.
De ce point de vue, on comprend pourquoi les outils de simulation propres
à aider l’automaticien s’inscrivent dans une plate-forme d’aide à la conception
présentée dans cet article et dans laquelle l’automaticien joue un rôle transversal.

1. Évolution des besoins vers Spécifications du


Besoins clients
des systèmes automatisés "marketing"

Fonctions BS Tests des produits


Le lecteur pourra également se reporter à la référence [1]. opérationnelles
Fonctions
STG Tests d'intégration
système
Con

tion
1.1 Évolution des besoins Fonctions STD Tests des
cep

gra
Sous-système Sous-systèmes
tion

Inté
Ces trois dernières décennies ont vue une intégration exponen- Tests des
tielle de l’électronique et des technologies de l’information en ingé- Composants
SFC composants
nierie des systèmes [2]. Ce fait a permis de faire évoluer de façon
considérable les fonctionnalités des systèmes voire d’en créer de Fabrication
nouvelles. Les systèmes présentant de telles caractéristiques font
souvent référence aux systèmes mécatroniques. Ces systèmes BS Besoins et spécifications
sont caractérisés par l’intégration et l’interaction de différents STG Spécification techniques globales
domaines physiques et technologiques [automatique, mécanique, STD Spécifications techniques détaillées
énergie fluide (liquide et gaz), électronique, électromécanique, SFC Spécifications fabrication composants
optique, thermique, thermodynamique...].
À cela vient s’ajouter la dimension économique qui fait que ces Figure 1 – Cycle en V de la démarche de conception
produits sont portés par de grands groupes opérant dans un
contexte de compétition sévère imposant la course permanente à
l’optimisation technique associée à une réduction des temps de de vie du produit, depuis les spécifications des clients jusqu’à la
développement qui deviennent prédominants devant les temps de production en série. Pendant la conception, l’ingénieur va dévelop-
fabrication. per différents concepts dépendant de l’état d’avancement dans le
La problématique de conception de ces systèmes « mécatro- cycle de conception, il devra tester des solutions intermédiaires
nique » peut-être représentée par le bien connu cycle en V de la adoptant ainsi une démarche récursive l’amenant à parcourir le
figure 1, [3] [4] [5] [6]. cycle par itérations successives le conduisant progressivement
vers la solution retenue.
Ce cycle est une combinaison de « top down » caractérisant la
phase de conception et de développement et de « bottom up » Afin de réduire les coûts ainsi que le temps de mise sur le mar-
caractérisant les tests et la validation. Ce cycle en V couvre le cycle ché des produits tout en améliorant leur qualité, il est essentiel de

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 260 − 2 © Techniques de l’Ingénieur, traité Informatique industrielle

UT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWRVP

__________________________________________________________________________________ SIMULATION ET CAO EN AUTOMATIQUE ET MÉCATRONIQUE

mener un grand effort dès les premières phases du cycle de point de vue d’un ensemblier qui intègre des composants fournis
conception. C’est ce contexte qui impose des efforts méthodolo- par des équipementiers, ou bien que l’on est équipementier et que
giques de plus en plus importants en amont de la réalisation des l’on intègre des sous-parties d’un composant. D’une manière plus
produits entraînant l’utilisation de la modélisation et la simulation générale, on parle de système et de sous-système, dont la hiérar-
le plus tôt possible et à toutes les étapes du processus de chie n’est pas absolue dès lors que la plus petite partie d’un sys-
conception [7]. tème peut être elle-même détaillée pour former un sous-système
Durant ce processus de conception, différents niveaux d’abs- complexe. En fait, dans la plupart des applications d’ingénierie,
cette décomposition est évidente.


traction sont mis en œuvre. À ces niveaux d’abstraction, sont asso-
ciés différents types d’outils de modélisation et de simulation Exemple : le moteur apparaît comme l’équipement (sous-système)
définissant une Plate-forme de prototypage virtuel. du véhicule, alors que le système d’injection est l’équipement du
Il est clair que le modèle unique représentant le prototype virtuel moteur, l’injecteur, l’équipement du système d’injection et ainsi de
pour l’ensemble de la plate-forme, n’est pas réaliste. En fait, on suite.
peut considérer qu’il y a presque autant de modèles que de ques-
tions posées et des outils mieux adaptés que d’autres (ou tout à
fait inadaptés) pour répondre à certaines questions. Cela conduit à
un « environnement intégré de conception » constitué d’outils dif-
férents qui ne doivent pas être considérés indépendamment les 2. Différents niveaux
uns des autres afin d’assurer la continuité du cycle de conception.
Les spécifications fondamentales pour un tel environnement
d’abstraction
sont basées sur les travaux cités dans la référence [8] dans laquelle de la modélisation
on trouve les éléments suivants.
■ L’ouverture Dans la plupart des cas de conception, il n’est pas possible de
Dans un contexte industriel, les outils de simulation ne doivent répondre aux questions qui apparaissent au moyen d’un modèle
pas seulement répondre aux besoins de calcul d’une seule unique. Différents modèles sont nécessaires pour décrire les diffé-
compagnie, mais doivent permettre l’échange de modèles entre rentes étapes de conception. En conséquence, différents outils de
équipementiers et ensembliers. Cette condition entraîne la néces- conception assistée par ordinateur sont adaptés pour modéliser et
sité d’utiliser des logiciels de simulation du commerce. On peut calculer les modèles correspondants. Ces outils peuvent être clas-
noter aussi les efforts de standardisation qui sont menés, tel que sifiés en accord avec leur rôle durant le processus de conception
VHDL-AMS IEEE 1076.1 (1997) [9], qui représente un langage pour décrit par le cycle en V. Ainsi, aux différentes étapes de conception
l’électronique digitale et analogique et qui aujourd’hui ambitionne sont associés des outils de simulation répondant aux différents
de remplacer CSSL devenu obsolète. niveaux d’abstraction requis. D’une façon générale, un niveau
d’abstraction donnant une bonne vision générale du système ne
■ L’interdisciplinarité fournira que peu de détails sur le système étudié, tandis qu’un
La conception de systèmes mécatroniques requiert un environ- niveau d’abstraction décrivant avec précision des détails des
nement capable de supporter la modélisation de composants à phénomènes physiques ne donnera que la vision d’une partie du
partir de différents domaines de la physique et leur intégration système.
avec d’autres modèles afin de décrire le système complet. On identifie quatre niveaux d’abstraction : fonctionnel, système,
■ Réutilisabilité réseau et géométrique. La figure 2 montre une certaine correspon-
dance entre la modélisation et la conception. On notera qu’il n’y a
L’utilisation de librairies de modèles bien structurés et documen- pas toujours de correspondance exacte, ainsi il apparaît des
tés permet des réductions de temps et d’effort pour les concep- chevauchements tel que le « système » est associé à la fois au
teurs. Cet aspect n’est pas limité à la conception en ce sens que « niveau système » et au « niveau réseau », de même que le
des modèles validés peuvent être amenés à être utilisés par des « composant » est associé au « niveau réseau » et au « niveau
ingénieurs de fabrication qui s’intéressent à l’optimisation des tolé- géométrique ».
rances de fabrication dans le but de réduire les coûts de réalisation
tout en satisfaisant les spécifications fonctionnelles des produits.
■ Portabilité
La conception de produits complexes est souvent répartie entre Niveaux de modèles Processus de conception
des équipes travaillant sur plusieurs sites. Pour cette raison,
l’environnement de simulation doit être accessible via Intranet ou
Internet et fonctionner sur différentes plate-formes informatiques ; Niveau
Conc

fonctionnel
UNIX et Windows.
Fonctionnel
eptio

■ Adaptabilité
st

Niveau
et te

Nombre de phénomènes physiques n’ont pas une représentation


n et

système
mathématique unique. Le fait de pouvoir disposer de plusieurs
tion
déve

niveaux de modélisation associés à des hypothèses clairement


a

exprimées et de pouvoir choisir facilement la complexité constitue Niveau Système


Valid
lo

un gage d’adaptation des modèles aux questions posées. réseau


ppem
ent

Niveau
1.2 Notion de systèmes, sous-systèmes géométrique Composant
et composants
Il est courant d’associer le cycle de conception à des produits qui
sont constitués d’un assemblage de composants. Cette notion est Figure 2 – Niveaux d’abstraction associés au cycle en V
large et s’applique de la même manière selon que l’on prend le de conception

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle S 7 260 − 3

UU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWRVP

SIMULATION ET CAO EN AUTOMATIQUE ET MÉCATRONIQUE ___________________________________________________________________________________

Exemple : pour une meilleur compréhension, les différents niveaux


de modélisation sont illustrés sur la base d’une boîte de vitesse
automatique :
— « Niveau fonctionnel » : à ce niveau apparaissent les stratégies p (Pa)
de commande discontinues de pilotage de la boîte de vitesse ; p2
— « Niveau système » : les organes de régulation sont modélisés Q1 p1
pP (Pa)
très simplement à ce niveau et les lois de commande sont élaborées ; QP pP pP QP
— « Niveau réseau » : les composants et leurs interactions sont P1


+
QA
modélisés en couvrant l’ensemble des disciplines : électronique de pA QA + SumQA P2
Pompe Cylindre
puissance, électromagnétique, mécanique, hydraulique et thermique. hydraulique
hydraulique
Les lois de commande précédemment synthétisées sont affinées et pB QB + Q1
QB
validées à ce niveau ; + SumQB Q2
pT QT
— « Niveau géométrique » : les détails des composants sont
abordés tel que l’optimisation de la forme des circuits magnétiques en Q2
uref uref ucont u yD
utilisant des techniques d’éléments finis, de même que la forme des
valves peut être optimisée par des méthodes de calcul de mécanique y(–)
Signal Contrôleur 4/3 servovalve
des fluides : volumes finis, différences finies ou éléments finis, regrou- de PT1
pées dans la notion de CFD (Computation Fluid Dynamic ). référence

Analysons les spécificités de chacun de ces niveaux.


Figure 3 – Représentation sous forme de bloc diagrammes
(Simulink )
2.1 Niveau fonctionnel
Il s’agit de nommer les fonctions du système étudié et d’en QB) et les débits liés au déplacement du piston du vérin (Q1 et Q2)
décrire les états successifs quand un événement de mise en action qui apparaissent en sortie du bloc « Cylindre hydraulique ». Les
est lancé. Des outils commerciaux peuvent être utilisés à ce niveau. pressions P1 et P2 sont aussi les sorties de ce bloc. Les relations
Exemple : STATE-MATE d’i-Logix Inc, STATE FLOW de The mathématiques de ce type de système sont détaillées dans
Mathworks Inc. l’article [S 7 530] Actionneurs hydrauliques, conception prélimi-
naire. Les automaticiens sont les acteurs principaux de ce « Niveau
Ce type de représentation d’événements concerne aussi ce que système », une des préoccupations actuelle de ce niveau concerne
l’on nomme les automatismes qui concernent les processus à la génération optimisée de code temps réel. Les modèles sont de
événements discontinus. Au-delà des logiciels généraux évoqués la classe des EDO (équations différentielles ordinaires).
précédemment, sont commercialisés des outils dédiés à des appli- Le principal éditeur « software » de ce niveau est The Mathworks
cations spécifiques comme par exemple la simulation des pro- Inc. qui développe et commercialise les logiciels Matlab et
cessus de fabrication. Simulink . ETAS développe et commercialise ASCET qui est un
outil dédié principalement à des applications automobiles telles
que : contrôle moteur, systèmes ABS, contrôle de trajectoire, etc.,
2.2 Niveau système ce logiciel assure une continuité dans la conception par sa capacité
de génération de code temps réel sur des cartes électroniques
À ce niveau, le modèle décrit le comportement du système phy- dédiées aux applications citées ci-avant.
sique et des commandes. Cette représentation comporte des
« blocs diagrammes » contenant les paramètres comportementaux Citons également les logiciels « freeware » : Scilab (Inria), Octave
du système sous forme de gains, tables, courbes, délais, opéra-
teurs mathématiques... Cette représentation « entrée-sortie » appe-
Les outils évoqués possèdent la possibilité de mener des
lée signal flow est de nature purement mathématique. Il s’agit pour
simulations hybrides [10] qui concernent les deux niveaux ;
l’essentiel de black boxes ou grey boxes comme le montre la
fonctionnel et système.
figure 3 qui représente la modélisation d’un système électrohy-
draulique comprenant quatre composants principaux :
— une pompe hydraulique régulée en pression ;
— une servovalve dite 4/3 (4 voies et 3 positions), ces voies sont 2.3 Niveau réseau
notées P pour l’alimentation haute pression, T pour le retour à la
bâche (Tank en anglais) et A et B pour les voies d’utilisation ;
Il s’agit d’un niveau de modélisation macroscopique ou lumped
— un vérin hydraulique ; parameters pour lequel les éléments sont interconnectés par des
— le contrôleur qui reçoit le signal de commande de référence règles basées sur l’échange de puissance aux interfaces. Ces inter-
« uref » et qui commande la servovalve avec le signal de sortie faces étant nommées des « ports », les éléments prennent une
« ucont ». représentation appelée « multiport ». L’interface graphique pos-
Les modèles de ces différentes parties sont décrits par des blocs sède un pouvoir descriptif proche de la description technologique
d’opération entre les entrées, situées d’un côté, et les sorties comme le montre l’exemple de la figure 4 qui représente le sys-
situées du côté opposé. Pour la servovalve, on distingue 5 entrées tème hydraulique qui a été décrit au niveau système. À chaque
et 5 sorties. En entrée, il y a 4 pressions relatives aux 4 voies (pP, « port » de connexion apparaissent les variables de puissance
pA, pB et pT) et un signal u de commande de cette valve, en sorties (effort et flux généralisés dont le produit est une puissance). Ainsi
apparaissent 4 débits relatifs aux 4 voies (QP, QA, QB et QT) et comme le montre le vérin représenté sur cette figure, trois ports
la position de la valve à tiroir. Les couples (pP, QP), (pA, QA), (pB, apparaissent, un port mécanique et deux ports hydrauliques. Sur le
QB) et (pT, QT) correspondent respectivement aux grandeurs de port mécanique sont associées une variable d’effort (en N) et une
pression et de débit associés à chacune des voies de liaison éner- variable de vitesse (en m/s), sur les ports hydrauliques sont
gétique de la servovalve avec son alimentation et le vérin. Pour le associés les variables de pression (en bar) et de débit (en L/min).
vérin hydraulique, les débits QA ou SumQA et QB ou SumQB sont Quand deux ports sont reliés les variables associées sont forcées
les débits de compressibilité pour chaque chambre du vérin issus à être égales, de cette manière l’effort développé par le vérin
de la différence entre les débits provenant de la servovalve (QA et est appliqué à la masse qui renvoie une vitesse. De manière

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 260 − 4 © Techniques de l’Ingénieur, traité Informatique industrielle

UV
Modélisation et analyse de systèmes asservis
(Réf. Internet 42391)

1– Modélisation R
2– Identiication Réf. Internet page

Identiication de modèles paramétriques à temps continu S7140 59

Modélisation et identiication d'un processus sidérurgique R7142 63

3– Analyse

4– Ingénierie système

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires

UW

UX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQTP

Identification de modèles
paramétriques à temps continu

par Hugues GARNIER


Professeur à l’Université Henri Poincaré, Nancy 1

Centre de Recherche en Automatique de Nancy
Marion GILSON
Maître de Conférences à l’Université Henri Poincaré, Nancy 1
Centre de Recherche en Automatique de Nancy
Thierry BASTOGNE
Maître de Conférences à l’Université Henri Poincaré, Nancy 1
Centre de Recherche en Automatique de Nancy
et Alain RICHARD
Professeur à l’Université Henri Poincaré, Nancy 1
Centre de Recherche en Automatique de Nancy

1. Modèles à temps discret et modèles à temps continu ................. S 7 140 - 2


2. Méthodologie d’identification de modèles à temps continu....... — 2
3. Formulation du problème d’identification ........................................ — 3
4. Méthodes d’estimation paramétrique de modèles
à temps continu........................................................................................ — 4
4.1 Méthode des filtres de variables d’état (FVE)............................................ — 4
4.1.1 Filtrage linéaire ................................................................................... — 4
4.1.2 Estimateur des moindres carrés/FVE ................................................ — 5
4.1.3 Estimateur de la variable instrumentale/FVE ................................... — 5
4.2 Estimateur optimal de la variable instrumentale SRIVC .......................... — 6
4.3 Méthode de l’erreur de sortie (COE) .......................................................... — 8
5. Exemple : cas du banc d’essai Rao-Garnier ...................................... — 8
6. Outil logiciel et avantages..................................................................... — 10
6.1 Bibliothèque logicielle CONTSID................................................................ — 10
6.2 Avantages..................................................................................................... — 11
7. Aspects plus avancés ............................................................................. — 11
7.1 Identification de modèles d’état ................................................................. — 11
7.2 Identification des systèmes en boucle fermée.......................................... — 11
7.3 Identification dans un contexte d’erreurs en les variables ...................... — 12
8. Applications .............................................................................................. — 12
8.1 Machine d’enroulement de bande ............................................................. — 12
8.2 Incorporation intracellulaire d’un médicament......................................... — 14
9. Conclusion ................................................................................................. — 16
Références bibliographiques ......................................................................... — 16

’identification de systèmes consiste à rechercher un modèle mathématique


L d’un système dynamique à partir de données expérimentales et de
connaissances disponibles « a priori ». Ce modèle macroscopique est caractérisé
par une structure et par des paramètres qu’il convient de choisir et d’ajuster,
p。イオエゥッョ@Z@ウ・ーエ・ュ「イ・@RPPW

afin de reproduire au mieux le comportement entrée-sortie du système.


Traditionnellement, les méthodes d’identification de systèmes sont employées
pour déterminer des modèles permettant la synthèse de lois de commande.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. − © Editions T.I. S 7 140 − 1

UY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQTP

IDENTIFICATION DE MODÈLES PARAMÉTRIQUES À TEMPS CONTINU _____________________________________________________________________________

Ce domaine d’utilisation conventionnel n’est toutefois pas le seul et les


méthodes sont aussi utilisées pour :
— l’estimation de paramètres physiques non directement mesurables ;
— le diagnostic de systèmes à base de modèle ;
— la simulation, utilisée à des fins de conception, de prévision ou de
formation ;
— l’interprétation d’essais.
Bien que les méthodes soient essentiellement développées par les automati-
ciens et les mathématiciens appliqués, elles peuvent être utilisées dans des
domaines très variés allant des processus de fabrication à l’économétrie, en pas-


sant par la biologie, les moyens de transport ou les processus environnementaux.
Ce dossier a pour objectif de mieux faire connaître les méthodes d’identi-
fication de modèles à temps continu dont les algorithmes sont, à présent, éga-
lement regroupés dans des bibliothèques logicielles [8], de faire un tour
d’horizon des développements récents et de présenter quelques résultats
d’applications de ces méthodes.

1. Modèles à temps discret Ici, le problème direct consiste à intégrer un signal x pour
et modèles à temps continu obtenir le signal y. Le problème inverse consiste à retrouver x à
partir des échantillons de y sachant que le modèle entre les
deux signaux est un intégrateur. Un problème est dit bien posé
(concept introduit par Jacques Hadamard en 1902) si celui-ci
Aperçu historique admet une solution unique et continue par rapport aux données
(lorsque l’erreur sur les données tend vers zéro, l’erreur induite
La nécessité de régler les paramètres des correcteurs PID [1] a sur la solution tend aussi vers zéro). Dans le cas contraire, le
conduit au développement des premières méthodes d’identi- problème est dit mal-posé et sa résolution numérique nécessite
fication à partir de la seconde guerre mondiale. Parmi ces des hypothèses supplémentaires, par exemple la régularité de
méthodes, dont il ne sera pas question dans ce dossier, il faut la solution (méthodes de régularisation).
évoquer celles qui consistent à approcher la réponse indicielle Les méthodes de régularisation apportent une solution aux
d’un système dynamique par un modèle linéaire à temps problèmes mal-posés ou aux problèmes numériquement
continu caractérisé par un nombre réduit de paramètres (gain instables (mal-conditionnés) [9].
statique, une ou deux constantes de temps, retard pur) [1].
L’émergence de la théorie des systèmes échantillonnés dans Si, en Automatique, un modèle en temps discret [11] est bien
les années 1950 et de celle des premiers calculateurs destinés à souvent suffisant pour la synthèse de lois de commande, il est
la commande de procédés (machines à papier, par exemple) au intéressant de rechercher un modèle à temps continu lorsque l’on
milieu des années 1960 a permis l’essor des méthodes d’identi- cherche à estimer des paramètres physiques, ou lorsque l’échan-
fication de modèles à temps discret s’appuyant sur la théorie de tillonnage des données est à pas variable ou encore lorsque la
l’estimation statistique. L’important effort de recherche, mené à fréquence d’échantillonnage est élevée. Dans ce dernier cas, le
partir de là, a conduit à des travaux unificateurs et au dévelop- conditionnement du problème se dégrade en temps discret et les
pement de logiciels spécialisés dès le milieu des années approches à temps continu, par leur régularisation implicite, se
1980 [2] [3]. Durant cette période, les travaux sur l’identification trouvent à leur avantage. L’utilisateur averti peut bien sûr obtenir
de modèles à temps continu sont bien moins nombreux et peu de bons résultats avec des méthodes à temps discret mais à
connus, c’est surtout à partir des années 1990 que ces méthodes condition de bien pré-filtrer ou de bien rééchantillonner (fil-
connaissent un regain d’intérêt [4] [5] [6] [7]. trage-décimation) les données [12]. De ce point de vue, les
méthodes à temps continu requièrent moins d’expertise et sont
donc plus faciles d’utilisation.
Il ne faut certainement pas opposer les approches à temps
continu à celles à temps discret, les deux familles de méthodes
utilisant les mêmes données expérimentales (généralement échan-
tillonnées à l’aide d’un dispositif automatique d’acquisition de don- 2. Méthodologie
nées) disponibles en temps discret. Si un modèle à temps continu
est recherché, les méthodes à temps discret nécessitent une étape d’identification de modèles
de transformation discret-continu qui peut s’avérer délicate. Dans
ce cas, il y a avantage à utiliser les méthodes à temps continu. à temps continu
Pour fixer les idées, considérons le cas d’un système dynamique
modélisé par une équation différentielle linéaire à coefficients La démarche classique pour identifier un système consiste à
constants dont il s’agit d’estimer la valeur des paramètres à partir des formaliser les connaissances disponibles a priori, à recueillir des
données d’entrée-sortie. L’équation différentielle fait apparaître les déri- données expérimentales, puis à estimer la structure, les para-
vées jusqu’à un certain ordre des signaux d’entrée et de sortie. Ces mètres et les incertitudes d’un modèle, enfin à valider (ou
dérivées successives ne sont pas mesurées et leur estimation directe invalider) celui-ci [2].
à partir de données bruitées (sujettes à des incertitudes) est un pro-
blème inverse mal-posé [9]. Cette difficulté est implicitement prise en
compte par les méthodes d’identification à temps continu qui assurent Les modèles envisagés dans ce dossier sont supposés être
une régularisation sous différentes formes (filtrage, intégration, etc.) [10]. linéaires en les entrées et à paramètres invariants au cours du

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


S 7 140 − 2 est strictement interdite. − © Editions T.I.

VP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQTP

____________________________________________________________________________ IDENTIFICATION DE MODÈLES PARAMÉTRIQUES À TEMPS CONTINU

temps. Ils sont caractérisés soit par leur fonction de transfert, soit
par leur forme d’état. Lorsqu’une forme canonique est employée, La présence d’un retard pur a priori connu, multiple entier de
ils sont définis de manière unique par un vecteur de paramètres la période d’échantillonnage, peut être traitée sans difficulté.
sans que cela pose de problème d’identifiabilité [3]. Celui-ci est supposé nul ici afin d’alléger les notations.
Une première phase consiste à exploiter les connaissances
disponibles sur le système à identifier pour élaborer des modèles L’équation (1) permet de représenter la sortie du système pour
partiels et pour définir un protocole expérimental. Chaque fois que toutes les valeurs de la variable continue t et peut également
cela est possible, il est utile de définir des signaux d’entrée dont le s’écrire sous la forme compacte suivante :
spectre excite suffisamment le système à identifier. Le recueil des
données se fait généralement à l’aide d’un système d’acquisition de Bo ( p )
données automatique. Rien n’empêche toutefois d’ajouter au fichier y⬚ ( t ) = G o ( p )u ( t ) = ------------------
- u(t ) (2)
Ao ( p )
de mesures, des données collectées « manuellement », issues par


exemple d’un instrument d’analyse ne délivrant pas d’informations avec
en temps réel. Les données étant à temps discret, le modèle ne peut
o o o
être en adéquation avec le système qu’au mieux dans la bande de B o ( p ) = b 0 + b 1 p + ... + b nb p nb ,
fréquence limitée par la moitié de la fréquence d’échantillonnage. o o
Le choix de celle-ci conditionne donc, pour les variables échantillon- A o ( p ) = a 0 + a 1 p + ... + p na , na ⭓ nb
nées à pas fixe, le domaine de fréquence dans lequel le modèle est
valide. Il faut également s’assurer que les capteurs assurent un fil- dx ( t )
trage anti-repliement suffisant ou, dans le cas contraire, utiliser des où p représente l’opérateur différentiel px ( t ) = --------------- . Go (p ) est
dt
filtres analogiques dédiés à cette fonction. l’opérateur de transfert du système vrai ; les polynômes Ao (p ) et
Les signaux recueillis sont alors expertisés et mis en forme : Bo (p ) sont supposés être premiers entre eux et le système est
soustraction du point de fonctionnement dans le cas des modèles
supposé être asymptotiquement stable. On suppose de plus que
linéaires en les entrées, soustraction de tendance, suppression de
les perturbations agissent sur la sortie non bruitée sous la forme
valeurs aberrantes le cas échéant.
d’un terme additif. Le système « vrai » est alors décrit par :
L’étape suivante consiste à sélectionner une structure de modèle,
c’est-à-dire un ensemble de modèles candidats qui diffèrent entre S : y (t ) = Go (p ) u (t ) + Ho (p ) eo (t ) (3)
eux par les valeurs et la dimension d’un vecteur de paramètres.
Ces paramètres, ainsi que l’incertitude associée, sont alors estimés avec y (t ) sortie bruitée,
de façon à optimiser un critère d’adéquation aux données.
Ho (p ) fonction rationnelle propre et inversement propre
Le modèle ainsi obtenu est alors analysé (réponse en fréquence, qui décrit le bruit additif sur la sortie,
pôles-zéros) et ses performances en prédiction et en simulation
sont testées. Un test important (validation croisée) consiste à eo (t ) bruit blanc à temps continu à moyenne nulle et de
évaluer la capacité du modèle à reproduire la sortie du système variance λo δ (t ),
pour un jeu de données d’entrée qui n’a pas servi à l’estimation δ (t ) l’impulsion de Dirac.
des paramètres. Les résidus, c’est-à-dire l’écart entre les sorties du
système et du modèle, sont analysés pour s’assurer qu’ils ne Le terme de perturbation eo (t ) est supposé être non-corrélé avec
contiennent plus d’information encore explicable notamment en le signal d’entrée u (t ) ; le cas d’un système évoluant en boucle
étudiant leur non-corrélation avec les signaux d’entrée. ouverte est considéré. Les signaux à temps continu u (t ) et y (t )
Généralement, ces étapes sont approfondies en testant plusieurs sont également supposés être échantillonnés à pas non néces-
structures de modèle, plusieurs algorithmes d’estimation, plusieurs sairement constant.
jeux de données ce qui permet, par comparaison, de conforter ou Les modèles que l’on recherche ont la forme suivante :
d’infirmer la confiance accordée au modèle finalement proposé. La
procédure d’identification se termine lorsque le modèle répond à ⬚
l’objectif pour lequel il a été établi (voir par exemple [13]).  y ( t k ) = G ( p, θ )u ( t k )
ᏹ: (4)
 y ( t k ) = y⬚ ( t k ) + v ( t k )
Dans ce dossier, on s’intéresse plus particulièrement à l’étape
d’estimation de modèles ainsi qu’à leur validation. Plusieurs avec
méthodes permettant d’estimer directement un modèle à temps
θ = 冤 a na – 1 , ...,a 0 , b nb , ...,b 0 冥
T
continu à partir de données échantillonnées sont présentées. (5)

x (t k ) représente l’amplitude du signal à temps continu x (t ) à


l’instant tk = kTe (Te est la période d’échantillonnage) et G (p, θ ) est
3. Formulation du problème l’opérateur de transfert défini par :
d’identification b 0 + b 1 p + ... + b nb p nb
B(p )
Ᏻ :G ( p, θ ) = -------------
- = ---------------------------------------------------------- (6)
Soit un système mono-entrée, mono-sortie, linéaire, à temps A(p ) a 0 + a 1 p + ... + p na
continu, causal et invariant dans le temps soumis à un ensemble
de conditions initiales quelconques. Ce système est décrit par
Le terme de perturbation est modélisé ici comme un bruit à
l’équation différentielle à coefficients constants :
temps discret à moyenne nulle noté v (t k).
o o
a 0 y⬚ ( t ) + a 1 y⬚ ( 1 ) ( t ) + ... + y⬚ ( na ) ( t ) =
o o o (1) Le problème d’identification peut être formulé ainsi : en
b 0 u ( t ) + b 1 u ( 1 ) ( t ) + ... + b nb u ( nb ) ( t )
supposant les ordres na et nb connus ( G o ∈ Ᏻ ) , l’objectif
avec u (t ) signal d’entrée, consiste à estimer le vecteur des paramètres du modèle à temps
y⬚ ( t ) réponse non bruitée du système à u (t ), continu à partir de N échantillons des signaux d’entrée/sortie
ZN = 冦 u ( tk ) ; y ( tk ) 冧 k = 1 .
N
x(i ) (t ) i e dérivée par rapport au temps du signal à temps
continu x (t ).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. − © Editions T.I. S 7 140 − 3

VQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQTP

IDENTIFICATION DE MODÈLES PARAMÉTRIQUES À TEMPS CONTINU _____________________________________________________________________________

4. Méthodes d’estimation L’application d’un filtre linéaire, de fonction de transfert


F (s ) = 1/E (s ), aux deux membres de l’équation (7) donne :
paramétrique de modèles n a –1 nb
s na si si
à temps continu ------------- Y⬚ ( s ) +
E (s ) ∑ a i -------------Y⬚ ( s ) =
E (s ) ∑ b i ------------- U ( s )
E (s ) (8)
i=0 i=0

Les techniques d’identification de modèles paramétriques Le filtre des variables d’état (FVE) d’ordre minimal (n = na ) prend
linéaires à temps continu reposent principalement sur la mini- souvent la forme suivante :
misation d’un critère fondé soit sur une erreur de sortie, soit sur une
erreur d’équation nécessitant l’utilisation d’une transformation λ n
F ( s ) = ------------- =  --------------
1
linéaire couplée à une méthode issue des moindres carrés. De (9)
E (s )  s + λ
nombreuses méthodes de type erreur d’équation ont été proposées

R au cours des trente dernières années. L’intérêt essentiel de ces


méthodes, fondées sur l’erreur d’équation, est la formulation d’une
solution explicite qui conduit à un optimum unique. Toutefois, ces
avec λ pulsation de coupure du filtre.
Définissons à présent un ensemble de filtres L j (s ) pour
techniques nécessitent l’estimation des dérivées successives des j = 0, 1, ... , na ayant pour forme :
signaux d’entrée/sortie. Diverses méthodes ont été développées
pour résoudre ce problème inverse. Plusieurs publications ou sj ( λ ) na s j
L j ( s ) = ----------- = ---------------------- (10)
ouvrages dressant l’état de l’art des approches d’identification de E(s) ( s + λ ) na
modèles à temps continu sont disponibles dont les plus signi-
ficatives sont [4] [5] [6] [14] [15] [16]. et soit l j (t ) leur réponse impulsionnelle. L’utilisation de ces
Dans ce dossier, nous nous focalisons sur trois approches qui filtres (10) permet de réécrire l’équation (8) sous la forme suivante :
ont marqué le cheminement historique pour l’identification directe
de modèles paramétriques à temps continu. La première remonte 冢 Ln ( s ) + an – 1 Ln – 1 ( s ) + ... + a0 L0 ( s ) 冣 Y⬚ ( s )
à l’époque des calculateurs analogiques et est connue sous le nom a a a
(11)
de méthode des filtres de variables d’état (FVE). Cette technique = 冢 b n L n ( s ) + ... + b 0 L 0 ( s ) 冣 U ( s )
b
est présentée avec l’objectif de mettre en évidence certains aspects b

spécifiques à l’identification de modèles à temps continu. La


Dans le domaine temporel, cette équation devient :
seconde fondée sur une méthode de variable instrumentale
optimale a fait ses preuves dans un cadre applicatif [17] [18]. Enfin,
la méthode de l’erreur de sortie est brièvement discutée [19]. [ L na y⬚ ] ( t ) + a na – 1 [ L na – 1 y⬚ ] ( t ) + ... + a 0 [ L 0 y⬚ ] ( t )
(12)
= b nb [ L nb u ] ( t ) + ... + b 0 [ L 0 u ] ( t )
4.1 Méthode des filtres où
de variables d’état (FVE)
[ L i y⬚ ] ( t ) = [ l i ★ y⬚ ] ( t )
La méthode des filtres de variables d’état est une des approches  (13)
[ L i u ] ( t ) = [ l i ★ u ] ( t )
conventionnelles d’identification de modèles paramétriques à
temps continu. Elle repose sur la minimisation de l’énergie de
avec ★ opérateur de convolution.
l’erreur d’équation et se décompose en deux étapes :
— la première consiste à appliquer un filtrage linéaire aux Les sorties des filtres [ L i y⬚ ] ( t ) et [Li u ](t ) fournissent ainsi une
données échantillonnées afin de reconstruire les dérivées suc-
cessives des signaux d’entrée/sortie. Cette étape est spécifique aux estimation des dérivées des signaux d’entrée/sortie dans la bande
approches d’identification de modèles à temps continu de type fréquentielle d’intérêt (plage de fréquence dans laquelle on
erreur d’équation ; recherche l’adéquation entre le système et le modèle). Ces estimées
peuvent ensuite être utilisées au sein de techniques de régression
— la seconde étape est dédiée à l’estimation paramétrique pro-
linéaire.
prement dite, à l’aide de techniques d’estimation de type moindres
carrés ; cette étape n’est pas spécifique aux approches d’identi- À l’instant t = t k , en considérant la présence du bruit additif sur
fication de modèles à temps continu et la plupart des algorithmes la sortie, l’équation (12) devient :
d’estimation de modèles linéaires à temps discret peuvent être
adaptés au cas de l’estimation paramétrique de modèles à temps [ L na y ] ( t k ) + a na – 1 [ L na – 1 y ] ( t k ) + ... + a 0 [ L 0 y ] ( t k )
continu. (14)
= b nb [ L nb u ] ( t k ) + ... + b 0 [ L 0 u ] ( t k ) + ε EE ( t k , θ )

4.1.1 Filtrage linéaire avec εEE (t k , θ ) erreur d’équation.


Considérons l’équation différentielle du modèle recherché dans L’équation (14) peut également se réécrire sous une forme
un contexte non bruité (4). L’application de la transformée de standard de régression linéaire :
Laplace aux deux membres de cette équation soumise à des
conditions initiales supposées nulles conduit à : [ L na y ] ( t k ) = ϕ T ( t k ) θ + ε EE ( t k , θ ) (15)
n a –1 nb
où ϕ (t k ), vecteur de régression, prend la forme :
s na Y⬚ ( s ) + ∑ a i s i Y⬚ ( s ) = ∑ bi s i U ( s ) (7)
i=0 i=0
ϕ T ( t k ) = 冤 – [ L na – 1 y ] ( t k ) ... – [ L 0 y ] ( t k )
avec s variable de Laplace, (16)
[ L nb u ] ( t k ) ... [ L 0 u ] ( t k ) 冥
Y⬚ ( s ) et U (s ) respectivement transformées de Laplace de
y⬚ ( s ) et u (t ). avec θ vecteur de paramètres défini par l’équation (5).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


S 7 140 − 4 est strictement interdite. − © Editions T.I.

VR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQTR

Modélisation et identification
d’un processus sidérurgique

par Jacques RICHALET


Ingénieur civil de l’Aéronautique (École nationale supérieure de l’Aéronautique
et de l’Espace)

Master of Sciences, Berkeley (USA)
Docteur ès sciences, Paris
Directeur scientifique de l’ADERSA (Association pour le développement de l’enseignement
et de la recherche en systématique appliquée)
et Denis STIEVENART
Ingénieur civil de l’école polytechnique de Mons (Belgique)
Ingénieur instrumentiste service Automatisation Instrumentation (Sollac DK)

1. Description du processus physique élémentaire............................ R 7 142 - 2


1.1 Structure de commande ............................................................................. — 2
1.2 Modélisation élémentaire ........................................................................... — 3
2. Procédure ................................................................................................... — 3
2.1 Modélisation ................................................................................................ — 3
2.2 Protocole d’essai.......................................................................................... — 4
2.3 Audit du système d’instrumentation ......................................................... — 4
2.4 Test - Observation des signaux .................................................................. — 5
2.5 Pré-traitements ............................................................................................ — 5
2.6 Identification locale ..................................................................................... — 5
3. Interprétation ............................................................................................ — 5
4. Mise en œuvre de l’identification........................................................ — 5
4.1 Petite Vanne (PV) ......................................................................................... — 5
4.2 Grande Vanne (GV)...................................................................................... — 5
4.3 Pression collecteur ...................................................................................... — 8
5. Validation multivariable......................................................................... — 8
6. Simulateur.................................................................................................. — 8
6.1 Identification des PID................................................................................... — 8
6.2 Évaluation de la perturbation ..................................................................... — 9
7. Commande ................................................................................................. — 11
8. Conclusion - Conseils ............................................................................. — 11
Pour en savoir plus........................................................................................... Doc. R 7 142

es fours de cokerie à enfournement TAB (Tout au Barillet) sont des unités


L très perturbées. À partir de charbon et par cuisson à haute température,
elles doivent produire du coke sidérurgique et du gaz de cokerie qui, avec les
cycles d’enfournement et de défournement des fours, sont fournis à des débits
très variables avec des à-coups brutaux. Ces gaz, venant d’une batterie de
fours, sont rassemblés dans de larges tuyaux dits « barillets » qui débitent dans
un grand collecteur ; celui-ci amène la production vers une unité de lavage et
d’épuration.
p。イオエゥッョ@Z@ェオゥャャ・エ@QYYT

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle R 7 142 − 1

VS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQTR

MODÉLISATION ET IDENTIFICATION D’UN PROCESSUS SIDÉRURGIQUE ___________________________________________________________________________

La recherche d’amélioration de performance et les contraintes d’environne-


ment font qu’il est nécessaire d’améliorer la régulation de pression des barillets.
En effet, si cette pression est inférieure à la pression atmosphérique, des
entrées d’air risquent de créer des combustions internes, et si la pression est
trop élevée les fuites, fatalement toujours présentes sur ce type d’installation,
risquent de libérer des gaz nocifs dans l’atmosphère. Afin de satisfaire stricte-
ment ces objectifs, une régulation hautement performante est nécessaire.
Les régulateurs classiquement utilisés dans le monde sur ce type de proces-
sus, par les unités sidérurgiques ordinaires, sont du type PID standard, mais
cette technique de commande se trouve en limite de potentialité si les perfor-
mances visées augmentent, dans l’effort actuel de compétitivité.
R Étant donné la nature multivariable, non linéaire et très perturbée du proces-
sus, une commande prédictive s’impose donc, capable de prendre a priori en
tendance, comme c’est le cas ici, les perturbations mesurées. On connaît [3] les
avantages de ce type de commande : robustesse, performance, facilités de
réglages, prise en compte de contraintes, etc., qui font qu’elle se répand rapide-
ment dans tous les secteurs industriels aussi bien lents (par exemple fours) que
rapides (par exemple laminoirs). Cependant, elle a aussi des inconvénients : elle
nécessite un calculateur spécifique, et elle se fonde sur l’utilisation d’un modèle
prédictif qu’il s’agit, ici, d’élaborer et d’identifier.
Le présent texte fait suite à l’article [R 7 140] « Modélisation et identification
des processus », dont il constitue un exemple d’application. Le lecteur devra
donc prendre d’abord connaissance de ce texte.

1. Description du processus La présence de deux vannes se justifie dans l’esprit initial de la


conception par le fait que :
physique élémentaire — la grande vanne a une autorité de commande grande (effica-
cité) mais avec une dynamique lente due à son inertie ;
— la petite vanne a une autorité de commande faible mais une
dynamique rapide.
1.1 Structure de commande On espère ainsi que les perturbations rapides seront contrées
par la petite vanne, alors que le positionnement statique sera
assuré par la grande vanne. La petite vanne, pour être efficace, doit
Un schéma très simplifié et classique fait apparaître un débit de travailler au milieu de sa zone d’action.
gaz q e venant des fours, une grande vanne (GV) et une petite
vanne (PV), organes réglants agissant en parallèle, une mesure de Le schéma de commande classique à deux effecteurs de ce type
pression dans le barillet P bar qu’il s’agit de réguler, une contre- fait intervenir deux régulateurs PID (R 1 et R 2) où la petite vanne est
pression Paval également mesurée, et un débit q s de gaz entrant pilotée par un régulateur ayant pour consigne de pression C 1 alors
dans le collecteur (figure 1). qu’un deuxième PID a pour consigne la valeur de repos souhaitée
C 2 pour la petite vanne (par exemple à 50 % de l’excursion) et
comme mesure la position réelle de centre vanne (figure 2) :
C1 ( P1 R1 – P2 R2 R1 ) + C2 P2 R2
CV = ------------------------------------------------------------------------------
-
1 + P1 R1 – P2 R2 R1

Cette démarche présente l’avantage d’être réalisable à l’aide de


régulateurs existant dans les systèmes numériques de contrôle
commande.
Cependant, comme le montre la mise en équation, il est clair que
si l’on cherche à obtenir des performances serrées, l’interaction du
réglage des deux PID rend rapidement la situation difficile à gérer
et que le risque d’instabilité est grand.
De plus, on n’est jamais sûr qu’avec un tel réglage les vannes
coopèrent (figure 3a ), c’est-à-dire se déplacent dans le même sens,
lors d’une perturbation, au lieu de s’opposer (figure 3b ) ; le résultat
est le même quant à la sortie si les contraintes d’amplitude et de
Figure 1 – Schéma physique simplifié vitesse sont respectées, mais sévèrement détérioré dans le cas
contraire, allant exactement à l’opposé de l’effet recherché.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 7 142 − 2 © Techniques de l’Ingénieur, traité Informatique industrielle

VT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQTR

__________________________________________________________________________ MODÉLISATION ET IDENTIFICATION D’UN PROCESSUS SIDÉRURGIQUE

Les vannes sont asservies par un servomécanisme ancillaire de


position de niveau 0 qui introduit une dynamique complémentaire
entre la consigne de position de vanne et la position de vanne
effective. Le transfert total liant la sortie du régulateur à la pression
est alors à rechercher sous la forme du modèle de représentation
suivant :
P bar K
----------- = ---------------------------------2-
X 1 + ap + bp
L’analyse physique simplifiée donne donc la structure qualitative
du modèle.
Il ne s’agit pas ici de rechercher un modèle de connaissance qui


pourrait être utile à une étude de dimensionnement de l’installa-
tion, mais un simple modèle de représentation local qui doit servir
à une commande prédictive. Notons également que l’établisse-
ment d’un simulateur du système actuel, avec les régulateurs PID
associés actuels et plus tard avec une commande Avancée, doit
permettre de procéder à une évaluation comparative des perfor-
mances de ces deux méthodes.
Figure 2 – Commande à deux effecteurs

On souhaite qu’une commande prédictive dite partagée [3] ne


présente pas ce type d’inconvénient et soit plus performante, tout
2. Procédure
en étant plus facile à régler.
Rappelons ici les étapes de toute identification de processus
industriel, que nous illustrerons avec cet exemple industriel réel.

2.1 Modélisation

Elle vient d’être vue ; la structure à identifier est donc de la forme


indiquée sur la figure 4.

Figure 3 – Commande des vannes en coopération ou en opposition

1.2 Modélisation élémentaire

Les équations de conservation de matière et d’écoulement de


Bernoulli donnent facilement un modèle de connaissance Figure 4 – Structure du simulateur
élémentaire :
dP bar
--------------- = K 1 ( q e – q s ) Les variables GV et PV peuvent être actionnées volontairement,
dt
alors que la variable Pcoll (pression dans le collecteur) considérée
P bar – P aval = K 2 q s ⁄ C v a priori comme une variable de tendance, n’est pas directement
mesurée.
où le coefficient caractéristique de la vanne C v est une fonction Cependant la prise en tendance de la contre-pression Paval est à
non linéaire de son ouverture X. faire avec précaution. En effet, elle est influencée par la pression
En linéarisant autour d’un point de fonctionnement (P0 , X0 ), on du collecteur Pcoll perturbée et indépendante, mais aussi par les
trouve la fonction de transfert : actions des vannes GV et PV. La prise en compte de Paval impose
donc soit de bloquer les vannes et d’identifier avec les variations
P bar ( p ) G naturelles de Pcoll , soit d’identifier H 1′ et H 2′ . La complication
-------------------- = ----------------- induite s’est révélée en fait a posteriori non nécessaire devant les
X(p) 1 + Tp
performances obtenues naturellement par la régulation prédictive.
d C v ( P 0 – P aval )
avec G = – 2  ---------- ------------------------------ , Il convient toujours de s’assurer que les signaux de tendance
 dX  0 C v0 soient parfaitement exogènes, non pollués par les actions endogènes
des régulateurs.
2 ( P 0 – P aval )
T = ------------------------------------
K1 qs

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle R 7 142 − 3

VU

VV
Modélisation et analyse de systèmes asservis
(Réf. Internet 42391)

1– Modélisation

2– Identiication

3– Analyse Réf. Internet page

Analyse temporelle. Partie 1 S7150 69

Analyse temporelle. Partie 2 S7151 73

Étude fréquentielle des systèmes continus S7170 75

Étude fréquentielle des systèmes échantillonnés R7180 79

Performances d'un système asservi R7200 83

4– Ingénierie système

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires

VW

VX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQUP

Analyse temporelle
Partie 1
par Raymond HANUS
Directeur du Service d’Automatique et d’Analyse des Systèmes
Professeur à l’Université libre de Bruxelles – Université d’Europe


1. Notion de système................................................................................... S 7 150 - 2
1.1 Définitions .................................................................................................... — 2
1.2 Systèmes linéaires SL ................................................................................. — 2
1.3 Systèmes permanents SP ........................................................................... — 3
2. Réponses impulsionnelle et indicielle d’un SLP ............................. — 3
2.1 Réponse impulsionnelle.............................................................................. — 3
2.2 Considérations pratiques ............................................................................ — 4
2.3 Réponse indicielle........................................................................................ — 4
3. Représentation d’état et transmittance d’un SLP .......................... — 4
3.1 Représentation d’état .................................................................................. — 4
3.1.1 Systèmes markoviens ........................................................................ — 5
3.2 Transmittance d’un système markovien.................................................... — 5
4. Étude de systèmes markoviens scalaires.......................................... — 5
4.1 Système du premier ordre strictement propre ......................................... — 6
4.2 Système du premier ordre bipropre .......................................................... — 7
4.3 Système du deuxième ordre, sans zéro .................................................... — 10
4.4 Systèmes d’ordre n, avec m zéros ............................................................. — 10
4.5 Formes particulières de systèmes markoviens ......................................... — 12
4.5.1 Modèles de Naslin .............................................................................. — 12
4.5.2 Modèles de Strecj ............................................................................... — 13
5. Systèmes à temps morts ....................................................................... — 14
5.1 Systèmes à temps morts purs (encore appelés systèmes à retards)...... — 14
5.2 Approximations rationnelles d’un temps mort pur .................................. — 14
5.2.1 Approximations de Padé.................................................................... — 15
5.2.2 Approximations d’Euler ..................................................................... — 15

ous examinons sous le titre analyse temporelle les principales propriétés


N des systèmes sous leurs aspects temporels, c’est-à-dire leurs
comportements en fonction de la variable indépendante appelée temps t. Cette
présentation est centrée sur les systèmes markoviens continus, linéaires et per-
manents, et leurs extensions vers certains systèmes non markoviens, non
linéaires ou évolutifs. Généralement, nous limitons notre étude aux systèmes
scalaires, mais chaque fois que nous le pourrons, nous fournirons les corres-
pondants matriciels, si ceux-ci ne se révèlent pas beaucoup plus compliqués
que les premiers. Délibérément, nous restons silencieux quant aux systèmes
échantillonnés. En effet, pour pouvoir dire quelque chose d’intelligent
concernant le comportement temporel de tels systèmes, il y aurait lieu d’abord
d’examiner en détail la théorie des systèmes discrets. Or, cette théorie néces-
siterait à elle seule un dossier. D’où, notre parti pris de ne rien dire à ce sujet.
Enfin, nous avons essayé d’illustrer chaque notion mathématique par des
applications pratiques prises dans le monde de l’ingénieur.
Cette analyse temporelle fait l’objet de deux dossiers : [S 7 150] Partie 1 et
p。イオエゥッョ@Z@ュ。イウ@RPPW

[S 7 151] Partie 2.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. − © EditionsT.I. S 7 150 − 1

VY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQUP

ANALYSE TEMPORELLE. PARTIE 1 _________________________________________________________________________________________________________

1. Notion de système quée depuis le même instant t = t 0 . Nous pouvons schématiser ce


principe suivant la formule mathématique :
y (t, t 0) = S {u (t, t 0), x (t 0)} (3)
1.1 Définitions
La notion de système n’est pas facile à circonscrire. Il nous paraît Remarque 1
plus simple de tenter d’aborder cette notion à partir de ses différents La définition que nous venons de donner de l’état x (t 0) d’un
attributs. Ainsi, nous pouvons dire qu’un système est « quelque système, nous place dans un univers purement déterministe.
chose » qui transforme certaines grandeurs u i (t ), appelées gran- En effet, il suffit en principe de connaître l’état d’un système en
deurs d’entrée, en certaines autres y j (t ), appelées grandeurs de un seul instant donné t = t 0 pour être à même de prédire l’évo-
sortie suivant le schéma de la figure 1. Cette définition est très géné- lution de ce système jusqu’à la fin des temps. En pratique, il est
rale. Les grandeurs d’entrée u i (t ) sont celles qui agissent sur le sys- évident que cet horizon de prédiction ne peut courir jusque
tème, les grandeurs de sorties y j (t ) sont celles produites par le t → + ∞. Notre vision limitée du futur peut avoir deux explica-
système. Nous pouvons donner un tableau de correspondances tions, soit notre cécité relative est due au fait que nous ne
entre grandeurs d’entrée et grandeurs de sortie (tableau 1). L’ensem- pouvons jamais appréhender la totalité de l’état d’un système à
ble des grandeurs d’entrée et celui des grandeurs de sortie ne suf- un moment donné, soit l’univers n’est pas déterministe. Nous
fisent en général pas à décrire le fonctionnement d’un système. ne pouvons trancher ici ces considérations d’ordre méta-


Nous avons besoins d’un troisième ensemble appelé ensemble des physique et de manière pragmatique, nous considérerons un
grandeurs d’état. Celui-ci a pour objet de résumer tout l’historique état utile, suffisamment riche pour nous permettre de prédire
du système.Toute sollicitation d’un système ne produit pas toujours l’avenir sur un horizon satisfaisant. Tout écart à cette prédiction
la même réponse. Celle-ci dépend non seulement de la sollicitation sera mis sur le compte d’erreurs de modèles ou de bruits exo-
en question mais également de l’état dans lequel se trouve le sys- gènes au système.
tème. Nous pouvons également donner des synonymes de la notion
d’état, tels variables internes, ou mémoire, ou historique, etc. Sous
l’effet d’une sollicitation, le système va évoluer vers un nouvel état Remarque 2
et produire une réponse correspondante. Si U représente l’ensemble La définition que nous venons de donner de l’état x (t 0) d’un
des grandeurs d’entrée admissibles d’un système (u (t ) ∈ U), X système, nous place dans un univers parfaitement causal. Dans
l’ensemble de ses grandeurs d’état accessibles (x (t ) ∈ X) et Y un tel univers, l’axe des temps t est linéaire et fléché. L’effet ne
l’ensemble des grandeurs de sortie correspondantes (y (t ) ∈Y), un peut jamais précéder la cause. Le présent sépare le passé du
système se caractérise par deux fonctions, l’une f donnant l’évolu- futur. Nous pouvons connaître le passé, mais nous ne pouvons
tion de l’état x (t ), l’autre g l’évolution de la sortie y (t ) : plus le changer. Nous pouvons agir sur le futur, mais nous ne
pouvons pas le connaître avec certitude avant qu’il ne devienne
⎧f :X×U→X présent. Contrairement à l’hypothèse déterministe, l’hypothèse
⎨ (1)
⎩g : X × U → Y causale ne nous pose pas de questions métaphysiques. Jusqu’à
preuve du contraire, l’univers dans lequel nous naviguons
Notons u ( t, t 0 ) =˙ u ( t ) v ( t – t 0 ) une trajectoire d’entrée ulté-
semble bien obéir au principe de causalité.
rieure à l’instant t = t 0 , où v (t ) représente la fonction d’Heaviside :

⎧ 0 si t < 0
v ( t ) =˙ ⎨ (2)
⎩ 1 si t > 0
1.2 Systèmes linéaires SL
encore appelée fonction échelon.
La valeur de la fonction d’Heaviside en t = 0 n’est pas précisée ; elle Les systèmes linéaires se caractérisent par le fait qu’à toute
est généralement prise de manière indifférente dans l’intervalle [0, 1]. combinaison linéaire des causes correspond la même combinai-
son des effets.
Remarque : dans ce dossier, nous noterons par le symbole Nous pouvons traduire cette propriété suivant :
« signe égal surmonté d’un point : =˙ », toute égalité qui tient
par définition. ⎧ ∀ k 1 et k 2 ∈ K , ∀ u 1 ( t, t 0 ) et u 2 ( t, t 0 ) ∈ U , et ∀ x 1 ( t 0 ) et x 2 ( t 0 ) ∈ X,

⎪ si y 1 ( t, t 0 ) = S { u 1 ( t, t 0 ), x 1 ( t 0 ) } et y 2 ( t, t 0 ) = S { u 2 ( t, t 0 ), x 2 ( t 0 ) }
Semblablement, nous notons y ( t, t 0 ) =˙ y ( t ) v ( t – t 0 ) la trajec- ⎨ (4)
⎪ alors S { k 1 u 1 ( t, t 0 ) + k 2 u 2 ( t, t 0 ) , k 1 x 1 ( t 0 ) + k 2 x 2 ( t 0 ) }
toire de sortie correspondante partant de l’état initial x (t 0). ⎪
En principe, l’état x (t 0) résume tout ce qu’il faut connaître d’un ⎩ = k 1 y 1 ( t, t 0 ) + k 2 y 2 ( t, t 0 )
système à l’instant t = t 0 pour pouvoir prédire l’évolution de la
grandeur de sortie y (t, t 0) de ce système, à partir de l’instant où K représente le corps sur lequel les vecteurs u (t, t 0), y (t, t 0)
t = t 0 , pour autant que l’on fournisse la sollicitation u (t, t 0) appli- et x (t 0) sont définis, généralement K = ⺢ , le corps des réels.

Tableau 1 – Correspondances entre grandeurs d’entrée


Grandeurs Grandeurs et grandeurs de sortie
d'entrée de sortie
u1(t ) y1(t ) Grandeurs d’entrée Grandeurs de sortie
u2(t ) y2(t ) causes effets
Système
um(t ) yᐍ (t ) sollicitations réponses
actions réactions
alimentations productions
Figure 1 – Système à m grandeurs d’entrée et ᐉ grandeurs de sortie
etc.

(0)

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


S 7 150 − 2 est strictement interdite. − © EditionsT.I.

WP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQUP

_________________________________________________________________________________________________________ ANALYSE TEMPORELLE. PARTIE 1

Les systèmes linéaires jouissent d’une propriété de séparabilité : 1.3 Systèmes permanents SP
y ( t, t 0 ) = y ᐉ ( t, t 0 ) + y f ( t, t 0 ) (5)
La permanence d’un système se caractérise par le fait que le
où y ᐉ ( t, t 0 ) représente la partie libre de la trajectoire de sortie, ne résultat de l’expérience pratiquée sur ce système ne dépend pas
dépendant que des conditions initiales : de l’instant où nous la pratiquons. Mathématiquement, cette
propriété s’exprime :
y ᐉ ( t, t 0 ) =˙ S { 0, x ( t 0 ) } (6)
⎧ ∀ u ( t, t 0 ) ∈ U , ∀ x ( t 0 ) ∈ X et ∀ τ ∈ ⺢
et yf (t, t 0) la partie forcée de cette trajectoire, ne dépendant que ⎪
des sollicitations u (t, t 0) : ⎪
⎨ si y ( t, t 0 ) = S { u ( t, t 0 ), x ( t 0 ) } (15)

y f ( t, t 0 ) =˙ S { u ( t, t 0 ), 0 } (7) ⎪ alors S { u ( t – τ , t – τ ), x ( t – τ ) } = y ( t – τ , t – τ )
⎩ 0 0 0

En effet, il suffit de sommer ces deux termes et de se servir de


la propriété de linéarité pour retrouver la trajectoire complète
y (t, t 0). Semblablement aux systèmes linéaires, pour lesquels les zéros
des échelles définissant les variables dépendantes peuvent être


Si nous pouvons intuitivement comprendre ce que nous pouvons choisis arbitrairement, pour les systèmes permanents, le zéro de
entendre par sollicitation nulle (cas de la trajectoire libre), il n’est l’échelle de la variable indépendante t est arbitraire.
pas aussi évident d’en faire de même pour un état nul (cas de la
trajectoire forcée). Nous allons voir qu’il est facile de lever cette
ambiguïté apparente grâce à une autre propriété dont bénéficient
les systèmes linéaires.
Convenons d’appeler x ( t 0 ) un état initial de référence choisi 2. Réponses impulsionnelle
arbitrairement, et u ( t, t 0 ) une trajectoire d’entrée de référence tout et indicielle d’un SLP
aussi arbitraire. Le système produit une trajectoire de sortie de réfé-
rence vérifiant :
y ( t, t 0 ) = S { u ( t, t 0 ), x ( t 0 ) } (8) 2.1 Réponse impulsionnelle
Un état initial quelconque x (t 0) et une trajectoire d’entrée quel- Nous appellerons réponse impulsionnelle f (t ) d’un système
conque u (t, t 0) peuvent toujours s’exprimer relativement aux réfé- linéaire permanent la trajectoire forcée :

rences x ( t 0 ) et u ( t, t 0 ) : f ( t ) =˙ y f ( t, 0 ) =˙ S { δ ( t ), 0 } (16)
~ où δ (t ) représente l’impulsion de Dirac en t = 0.
⎧ x ( t 0 ) =˙ x ( t 0 ) + x ( t 0 )
⎨ ~ (9)
Notons que pour tout système causal (obéissant à l’axiome de
⎩ u ( t, t 0 ) =˙ u ( t, t 0 ) + u ( t, t 0 )
causalité des systèmes physiques, qui veut qu’aucun effet ne peut
~ jamais précéder la cause) la réponse impulsionnelle est une fonc-
Si nous recherchons l’écart y ( t, t 0 ) à la trajectoire de référence tion causale, c’est-à-dire :
y ( t, t 0 ) de la trajectoire de sortie résultante y (t, t 0), telle que :
f (t ) ≡ 0 (∀ t < 0) (17)
~
y ( t, t 0 ) =˙ y ( t, t 0 ) + y ( t, t 0 ) (10)
Remarque : nous définissons une fonction causale comme
nous constatons, en nous servant de la propriété de linéarité, étant identiquement nulle pour toute valeur négative de son
qu’elle est donnée par : argument.
~ ~ ~ (11)
y ( t, t 0 ) = S { u ( t, t 0 ), x ( t 0 ) } Nous allons montrer que cette réponse impulsionnelle définit
complètement un système linéaire permanent. Nous entendons
Ici également, nous pouvons décomposer cette trajectoire en par là qu’il suffit de connaître cette réponse impulsionnelle pour
variations, en sa partie libre et sa partie forcée : pouvoir prédire la réponse forcée du système à une sollicitation
~ ~ ~ quelconque donnée.
y ( t, t 0 ) = y ᐉ ( t, t 0 ) + y f ( t, t 0 ) (12)
Le système étant permanent, nous pouvons encore écrire (16) :
où :
f (t – τ ) = S { δ (t – τ ), 0} (18)
~ ~ (13)
y ᐉ ( t, t 0 ) =˙ S { 0, x ( t 0 ) } Le système étant linéaire, nous pouvons multiplier à droite la
grandeur d’entrée, comme la grandeur de sortie, par une grandeur
et : ne dépendant pas de la variable indépendante t, par exemple
~ ~ (14) u (τ ) :
y f ( t, t 0 ) =˙ S { u ( t, t 0 ), 0 }
f (t – τ ) u (τ ) = S { δ (t – τ ) u (τ ), 0} (19)
En travaillant en variations, nous levons complètement l’ambi-
guïté qui pouvait régner sur le sens d’un état nul ou d’une sollici- L’intégrale étant un opérateur linéaire, nous pouvons sommer
tation nulle. sur tous les τ depuis – ∞ jusqu’à + ∞ :

冕 冦冕
Nous constatons que les systèmes linéaires jouissent du grand +∞ +∞
avantage de pouvoir être définis à une translation près des gran-
deurs dépendantes u (t ), x (t ) et y (t ). –∞
f (t – τ ) u (τ ) dτ = S
–∞
δ (t – τ ) u (τ ) dτ, 0 冧 (20)

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. − © EditionsT.I. S 7 150 − 3

WQ

WR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQUQ

Analyse temporelle
Partie 2
par Raymond HANUS
Directeur du Service d’Automatique et d’Analyse des Systèmes
Professeur à l’Université libre de Bruxelles – Université d’Europe


1. Systèmes linéaires markoviens évolutifs.......................................... S 7 1 51 - 2
1.1 Représentation en grandeurs d’état........................................................... — 2
1.2 Solution homogène et matrice de transition ............................................ — 2
1.3 Propriétés de la matrice de transition........................................................ — 2
1.4 Solution générale ........................................................................................ — 2
1.5 Noyau d’un système linéaire ...................................................................... — 2
2. Systèmes non linéaires markoviens ................................................... — 3
2.1 Systèmes évolutifs ...................................................................................... — 3
2.2 Systèmes permanents................................................................................. — 3
2.2.1 Systèmes sans hystérésis .................................................................. — 3
2.2.2 Systèmes avec hystérésis .................................................................. — 4
2.3 Systèmes séparables................................................................................... — 4
2.3.1 Systèmes séparables extérieurement............................................... — 4
2.3.2 Systèmes séparables intérieurement ............................................... — 5
2.3.3 Fonctions de description .................................................................... — 5
3. Analyse temporelle des systèmes asservis ...................................... — 5
3.1 Systèmes asservis à deux degrés de liberté ............................................. — 5
3.2 Systèmes asservis scalaires ....................................................................... — 5
3.2.1 Stabilité de la boucle d’asservissement ........................................... — 5
3.2.2 Précision de la boucle d’asservissement .......................................... — 6
3.3 Systèmes asservis à un degré de liberté ................................................... — 7
4. Synthèses temporelles des systèmes asservis................................ — 7
4.1 Principes de la méthode.............................................................................. — 7
4.2 Définition d’un critère de réglage............................................................... — 7
Références bibliographiques ......................................................................... — 8

ous examinons sous le titre Analyse temporelle les principales propriétés


N des systèmes sous leurs aspects temporels, c’est-à-dire leur s
comportements en fonction de la variable indépendante appelée temps t. Cette
analyse fait l’objet de deux dossiers [S7 150] Partie 1 et [S7 151] Partie 2 dans
lesquels sont présentés les systèmes markoviens continus, linéaires et perma-
nents et leurs extensions vers certains systèmes non markoviens, non linéaires
ou évolutifs. Généralement, nous limitons notre étude aux systèmes scalaires,
mais chaque fois que nous le pourrons, nous fournirons les correspondants
matriciels, si ceux-ci ne se révèlent pas beaucoup plus compliqués que les pre-
miers. Enfin, nous avons essayé d’illustrer chaque notion mathématique par des
applications pratiques prises dans le monde de l’ingénieur.
p。イオエゥッョ@Z@ュ。イウ@RPPW

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. − © EditionsT.I. S 7 151 − 1

WS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQUQ

ANALYSE TEMPORELLE. PARTIE 2 _________________________________________________________________________________________________________

2. En particulier, nous pouvons poser t 2 = t 0 ; il vient :


1. Systèmes linéaires
Φ (t 0 , t 0) = Φ (t 0 , t 1) Φ (t 1 , t 0) = In (13)
markoviens évolutifs ce qui montre que la matrice de transition Φ (t, t 0 ) d’un système
linéaire est toujours régulière et que son inverse est donnée par
l’inversion de ses arguments :
1.1 Représentation en grandeurs d’état
Φ–1 (t, t 0) = Φ (t 0 , t ) (14)
Reprenons les équations généralisées d’un système linéaire évo-
lutif données en [S 7 150, équation (31)]. Si ce système est marko- Nous allons nous servir de ces propriétés dans la recherche de
vien, ses matrices A (t, τ ), B (t, τ ), C (t, τ ) et D (t, τ) se réduisent à la solution générale.
des impulsions de Dirac, d’amplitudes A (t ), B (t ), C (t ) et D (t ) :

⎧ A ( t, τ ) = A ( t ) δ ( t – τ ) B ( t, τ ) = B ( t ) δ ( t – τ ) 1.4 Solution générale


⎨ (1)
⎩ C ( t, τ ) = C ( t ) δ ( t – τ ) D ( t, τ ) = D ( t ) δ ( t – τ )
En nous référant à la méthode d’intégration dite de variation des
Les équations d’état d’un système markovien s’écrivent : constantes, nous pouvons rechercher une solution générale de la
forme :

S ⎧ x˙ ( t ) = A ( t ) x ( t ) + B ( t ) u ( t )

⎩y (t ) = C (t ) x (t ) + D (t ) u (t )
(2) x (t ) = Φ (t, t 0) c (t ) avec x (t 0) = c (t 0)
En dérivant cette expression, nous obtenons :
(15)

x˙ ( t ) = Φ̇ ( t, t 0 ) c ( t ) + Φ ( t, t 0 ) c˙ ( t )
1.2 Solution homogène et matrice (16)
= A ( t ) Φ ( t, t 0 ) c ( t ) + B ( t ) u ( t )
de transition
Étant donné l’équation (5), nous trouvons :
Supposons connaître une solution x h (t ) de l’équation
homogène : Φ ( t, t 0 ) c˙ ( t ) = B ( t ) u ( t ) (17)
x˙h ( t ) =˙ A ( t ) x h ( t ) (3)
Multiplions par l’inverse de Φ (t, t 0), il vient :
sous la forme : xh (t ) = Φ (t, t 0) xh (t 0) (4)
c˙ ( t ) = Φ ( t 0 , t ) B ( t ) u ( t ) (18)
où Φ̇ = ( t, t 0 ) est une matrice n × n, appelée matrice de transition
du système. Nous voyons facilement que cette matrice vérifie que nous pouvons intégrer depuis t 0 jusqu’à t, avec t > t 0 :
l’équation différentielle :
t

Φ̇ ( t, t 0 ) = A ( t ) Φ ( t, t 0 ) avec Φ ( t 0 , t 0 ) = In (5) c (t ) = x (t 0) + 冕t0


Φ(t 0 , τ) B (τ) u (τ) dτ (19)

De manière générale, une expression analytique de la matrice de d’où la solution générale en grandeurs d’état :
transition n’est pas chose aisée à obtenir. Remarquons que
l’expression : t


t

x ( t ) = Φ ( t, t 0 ) x ( t 0 ) + 冕 Φ ( t, τ ) B ( τ ) u ( τ ) d τ (20)
Φ ( t, t 0 ) = exp ⎜

冕t0
A ( τ ) d τ⎟

(6)
et en grandeurs de sortie :
t0

n’est vraie que si ∀ (τ 1 , τ 2) ∈ [t 0 , t ] : A (τ 1) A (τ 2) = A (τ 2) A (τ 1) (7) t

La matrice A (τ ) commute avec elle-même décalée en tout point y (t ) = C (t ) Φ ( t, t 0 ) x ( t 0 ) + 冕


t0
C (t ) Φ ( t, τ ) B ( τ ) u ( τ ) d τ + D (t ) u (t ) (21)
de l’intervalle. Cette propriété est bien sûr vraie pour les systèmes
permanents, de sorte que pour ces systèmes : Nous voyons réapparaître la trajectoire libre et la trajectoire
forcée de la sortie :
t
⎛ ⎞
Φ ( t, t 0 ) = exp ⎜

冕 t0
A d τ⎟ = exp ( A ⋅ ( t – t 0 ) ) =˙ Φ ( t – t 0 )

(8) ⎧ y ᐉ ( t ) = C ( t ) Φ ( t, t 0 ) x ( t 0 )

⎨ t (22)
⎪ y (t ) =
⎩ f t0
冕 C ( t ) Φ ( t, τ ) B ( τ ) u ( τ ) d τ + D ( t ) u ( t )
1.3 Propriétés de la matrice de transition
Nous pouvons établir des propriétés de la matrice de transition
sans en connaître une forme analytique explicite. 1.5 Noyau d’un système linéaire
1. Ainsi, la matrice de transition jouit d’une propriété de transiti-
vité de ses arguments. Nous pouvons réécrire la trajectoire forcée en intégrant depuis
– ∞ jusqu’à + ∞ et en introduisant fonctions d’Heaviside [S7 150,
Si : xh (t 1) = Φ (t 1 , t 0) xh (t 0) (9) § 1.1] et impulsions de Dirac :
et : xh (t 2) = Φ (t 2 , t 0) xh (t 0) (10) +∞

étant donné que : xh (t 2) = Φ (t 2 , t 1) xh (t 1) (11)


y f ( t, t 0 ) = 冕–∞
( C ( t ) Φ ( t, τ ) B ( τ ) v ( t – τ )
(23)
en éliminant xh (t 1) de ces équations et en observant que la pro- + D (τ) δ (t – τ) ) u (τ, t 0) dτ
priété doit tenir quel que soit l’état initial xh (t 0), nous trouvons :
Φ (t 2 , t 0) = Φ (t 2 , t 1) Φ (t 1 , t 0) (12) où : y f ( t, t 0 ) =˙ y f ( t ) v ( t – t 0 ) et u ( t, t 0 ) =˙ u ( t ) v ( t – t 0 ) (24)

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


S 7 151 − 2 est strictement interdite. − © EditionsT.I.

WT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQWP

Étude fréquentielle
des systèmes continus
par John J. MARTINEZ MOLINA
Enseignant-chercheur à ENSE3 du groupe GRENOBLE-INP (chercheur à GIPSA-lab,
Département Automatique)

et Gabriel BUCHE
Ingénieur au Laboratoire GIPSA-lab, Département Automatique


1. Préliminaires .................................................................................... S 7 170 – 2
1.1 Fonction de transfert et lien avec les équations physiques
des systèmes dynamiques ................................................................. — 2
1.2 Intéret de la fonction de transfert pour l’analyse de stabilité
et de performances ............................................................................ — 2
1.3 Pôles et zéros d’une fonction de transfert......................................... — 3
2. Réponse fréquentielle .................................................................... — 3
2.1 Définition ............................................................................................ — 3
2.2 Intérêt de la réponse fréquentielle .................................................... — 3
2.3 Relations entre réponse fréquentielle et réponse transitoire .......... — 4
3. Représentations graphiques de la réponse en fréquences
d’un système linéaire ..................................................................... — 4
3.1 Notions de gain et de phase .............................................................. — 4
3.2 Plan de Nyquist .................................................................................. — 4
3.3 Plan de Bode ...................................................................................... — 4
3.4 Exemples ............................................................................................ — 5
3.4.1 Exemple 1 (système avec deux pôles réels) ........................... — 5
3.4.2 Exemple 2 (système avec un double intégrateur) .................. — 5
3.4.3 Exemple 3 (système de deuxième ordre plus un terme
intégrale) .................................................................................. — 6
3.4.4 Exemple 4 (système avec un retard pur) ................................ — 7
3.5 Construction pratique des courbes dans les plans de Bode
et Nyquist à l’aide de MATLAB‚ ....................................................... — 7
4. Analyse des systèmes asservis linéaires.................................... — 8
4.1 Importance de la fonction de transfert en boucle ouverte ............... — 8
4.2 Calcul des marges de stabilité dans le plan de Nyquist ................... — 8
4.3 Définitions des fonctions de sensibilité et d’analyse
de performances ................................................................................ — 9
4.4 Exemple système asservi ................................................................... — 10
4.4.1 Analyse du système par rapport à la stabilité robuste .......... — 10
4.4.2 Analyse du système par rapport à la performance ................ — 11
Pour en savoir plus.................................................................................. Doc. S 7 170
p。イオエゥッョ@Z@ェオゥョ@RPQQ

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. S 7 170 – 1

WU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQWP

ÉTUDE FRÉQUENTIELLE DES SYSTÈMES CONTINUS ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––

1. Préliminaires d’équations affines dont les solutions sont des fonctions rationnel-
les de p. Ainsi, l’équation différentielle (1) deviendra :

pnS (p ) + an −1pn −1S (p ) + … + a1pS (p ) + a0S (p )


L’analyse fréquentielle donne à l’ingénieur une vision globale sur = bm pmE (s ) + bm −1pm −1E (p ) + … + b1pE (p ) + b0E (p )
le comportement d’un système dynamique. Elle présente un grand
intérêt dans l’estimation du degré de stabilité du système et dans
sa performance vis-à-vis du rejet de perturbations, c’est-à-dire sa
capacité à atténuer certaines d’entre elles dans une bande de
où p représente la variable complexe.
fréquences.
Cet article est consacré exclusivement à l’analyse fréquentielle Cette technique nous permet obtenir la fonction de transfert du
des systèmes linéaires en temps continu. système comme suit :

S (p ) bm pm + bm −1pm −1 + … + b1p + b0
=
1.1 Fonction de transfert et lien E (p ) pn + an −1pn −1 + … + a1p + a0
avec les équations physiques
des systèmes dynamiques

S Dans cette étude, on suppose que le système possède une seule


variable de commande (entrée) et une seule variable d’observation
(sortie), selon le schéma et les notations de la figure 1. Ces varia-
Cette technique peut être très utile pour manipuler des équations
décrivant des systèmes interconnectés. Par exemple, si l’on met en
cascade deux systèmes linéaires S1 et S2 (figure 2) et si l’on cher-
bles et toutes les variables internes du système ne sont quantifiées che la relation entre e1 (t) et s2 (t) caractérisant le système global
ni en temps, ni en amplitude, mais sont continues. équivalent S, on pourra à partir du schéma de la figure 2 obtenir
les équations suivantes :
De plus, on suppose que la relation entre e (t) et s (t) peut être
valablement représentée par une équation différentielle linéaire S1 (p )
d’ordre n : = T1 (p )
E1 (p )
d n s (t ) d n −1s (t ) ds (t )
+ an −1 + … + a1 + a0s (t ) S2 ( p )
dt n dt n −1 dt (1) = T2 (p )
m m −1 E 2 (p )
d e (t ) d e (t ) de (t )
= bm + bm −1 + … + b1 + b0e (t )
dt m dt m −1 dt S1 (p) = E2 (p)

avec m ł n, dont la solution s (t) dépend de e (t) et de n condi- d’où :


tions initiales. Dans ces conditions, on parle de système linéaire
S ( p ) S2 ( p )
mono-variable. = = T1 (p )T2 (p )
E (p ) E1 (p )
Les lois classiques de la physique, en particulier de l’électricité et
de la mécanique, permettent fréquemment d’obtenir assez facile- soit
ment ce type de relations. La thermomécanique, l’hydraulique, et
toute la physique conduisent souvent à des expressions différen- T (p) = T1 (p)T2 (p)
tielles ou aux dérivées partielles non linéaires, qu’il faut linéariser Nota : cette propriété n’est pas valable dans tous les cas. Pour les filtres linéaires par
autour d’un point de fonctionnement. Dans ces conditions, la rela- exemple, la fonction de transfert globale n’est le produit des fonctions de transfert que si
tion différentielle linéaire (1) est valable uniquement pour de peti- le deuxième filtre ne charge pas le premier. Ainsi, deux filtres du 1er ordre de type RC
identiques en cascade n’ont pas une fonction de transfert globale égale au produit des
tes variations des variables autour de ce point de fonctionnement. fonctions de transfert élémentaires.

Un raisonnement analogue peut être fait pour des systèmes mis


1.2 Intérêt de la fonction de transfert en parallèle ou en contre-réaction. On voit donc immédiatement
pour l’analyse de stabilité apparaı̂tre l’intérêt de l’utilisation de la fonction de transfert plutôt
que l’équation différentielle (1), lequel réside dans la simplicité des
et de performances manipulations mathématiques des relations entre les variables :
L’équation différentielle (1) peut être transformée très facilement lorsque les conditions initiales sont nulles, on peut trouver la rela-
sous l’hypothèse supplémentaire que les conditions initiales soient tion entrée-sortie d’un système composé de systèmes élémentaires
nulles et en utilisant la transformée de Laplace. Nous avons donc dont on connaı̂t les fonctions de transfert respectives.
une relation algébrique entre l’entrée et la sortie du système dans Connaissant l’entrée (quelconque mais nulle pour t < 0, hypo-
le domaine fréquentiel. Les propriétés de cette transformation lui thèse de la transformée de Laplace), on peut alors calculer la sortie
confèrent une grande utilité dans l’analyse des systèmes dynami- (on dit encore la réponse) correspondante.
ques linéaires. La plus intéressante de ces propriétés est que l’inté-
gration et la dérivation sont transformées en division et multiplica-
tion par p. Elle permet ainsi de ramener la résolution des équations e1(t ) s1(t ) e2(t) s2(t)
différentielles linéaires à coefficients constants à la résolution T1 T2

e (t) Système s (t) e (t) = e1(t) s(t) = s2(t)


Entrée linéaire Sortie T

Figure 1 – Schéma bloc d’un système linéaire Figure 2 – Système en cascade

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


S 7 170 – 2 est strictement interdite. – © Editions T.I.

WV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWQWP

––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– ÉTUDE FRÉQUENTIELLE DES SYSTÈMES CONTINUS

1.3 Pôles et zéros d’une fonction La transformée de Laplace de cette équation où seuls s (t) et e (t)
dépendent du temps s’écrit alors :
de transfert
La réponse à une entrée quelconque d’un système linéaire carac- s (ω )
S (p ) = exp ( j φ (ω )) E (p )
térisé par sa fonction de transfert peut être déterminée lorsque cette e (ω )
entrée (plus exactement sa transformée de Laplace) est connue :
d’où, avec p = jw
S (p ) = T (p ) E (p ) (2)
s (ω )
ou S ( jω) = exp ( j φ (ω )) E ( j ω ) (4)
e (ω )
s (t ) = ᑦ−1 {T (p ) E (p )}
Le rapprochement des relations (3) et (4) donne :

avec ᑦ−1 transformée inverse de Laplace. s (ω )


T ( jω) = exp ( j φ (ω )) (5)
Cette réponse dépend donc de l’entrée [par E (p)] et du système e (ω )
[par T (p)]. En ce qui concerne ce dernier, le calcul de s (t) fait inter-
venir les pôles (racines du dénominateur) et les zéros (racines du La connaissance de T (jw) permet de trouver immédiatement la


numérateur) de T (p). On conçoit donc que l’on peut apprécier le réponse harmonique du système. On appelle T (jw) sa réponse
comportement d’un système par la connaissance de ses pôles et fréquentielle.
de ses zéros. L’influence de ces pôles et zéros se retrouve dans le T (jw) est un nombre complexe. Il est caractérisé par :
régime transitoire, tandis que l’entrée imposera, lorsque celui-ci
aura disparu (si le système est stable), un régime permanent. – un module qui, d’après la relation (5), est aussi le rapport entre
les amplitudes des sinusoı̈des d’entrée et de sortie en régime per-
En effet, on peut toujours décomposer le numérateur et le déno- manent harmonique de pulsation w :
minateur d’une fonction de transfert T (p) en produits ou rapports
de termes de la forme suivante.
s (ω )
Le terme exp(- tp) apparaı̂t au numérateur chaque fois qu’il y a T ( jω) =
e (ω )
décalage temporel entre l’entrée et la sortie. En effet si :
s (t) = e (t - t) – un argument qui, d’après (5), est aussi le déphasage entre les
alors S (p) = exp (- tp)E (p) sinusoı̈des d’entrée et de sortie, dans les mêmes conditions :
t s’appelle un retard pur et exp (- tp) est sa fonction de transfert. arg T (jw) = f (w).
Il apparaı̂t par exemple chaque fois que, dans un procédé, il y a
transport de matière (tuyaux, tapis roulants, etc.).
Remarque : si l’on applique au système une impulsion de
K est appelé gain, T constante de temps et Z amortissement.
Dirac telle que E (p) = 1, la réponse correspondante s’appelle la
réponse impulsionnelle. Or, dans ces conditions, d’après la rela-
tion (2) : S (p) = T (p).
2. Réponse fréquentielle La fonction de transfert d’un système s’identifie donc avec la
transformée de Laplace de sa réponse impulsionnelle (à partir
de conditions initiales nulles).
2.1 Définition Considérons la transformée de Fourier de cette réponse
Il est une autre façon de caractériser un système dynamique : sa impulsionnelle S (jw). Elle s’identifie alors avec T (jw). La réponse
réponse fréquentielle. On peut observer que si, dans l’expres- en fréquences peut donc être définie comme la transformée de
sion (2), on pose p = jw, on obtient : Fourier de la réponse impulsionnelle. Réponse fréquentielle et
réponse transitoire d’un système linéaire sont donc deux
S ( j ω ) = T ( j ω )E ( j ω ) (3) expressions de la même réalité (système étudié), mathémati-
quement liées entre elles par une relation biunivoque (la trans-
formée de Fourier).
Si maintenant on choisit une entrée sinusoı̈dale d’amplitude e
(éventuellement fonction de w) :
e (t) = e (w) sinwt (Pour tout t ø 0) 2.2 Intérêt de la réponse fréquentielle
On observe en sortie, après un régime transitoire dominé par
l’influence du système (pôles et zéros), un régime permanent har- Si, au lieu d’étudier le système linéaire avec la transformée de
monique, c’est-à-dire une sortie sinusoı̈dale (puisque le système Laplace, la transformée de Fourier avait été utilisée, nous pourrions
est linéaire, il conserve en régime permanent la forme du signal écrire :
d’entrée) : S (jw) = T (jw)E (jw)
s (t) = s (w)sin[(wt) + f (w)] où S (jw) et E (jw) représentent les transformées de Fourier de la
Pour t supérieur à la durée du régime transitoire. sortie et de l’entrée respectivement.
Pour alléger les écritures, on peut écrire : Cela permet une autre interprétation de l’expression (3), plus
e (t) = e (w)exp(jwt) générale : la réponse fréquentielle T (jw) permet de déterminer le
spectre de la sortie connaissant le spectre de l’entrée. Ceux-ci sont
s (t) = s (w) exp j[wt + f (w)]
les fonctions suivantes :
Nous pouvons donc écrire s (t) en fonction de e (t) :
Spectres des modules :
s (ω )  E ( jω ) pour l’entree ;
s (t ) = exp ( j φ (ω ))e (t )
e (ω )
 S ( j ω ) = T ( j ω ) E ( j ω ) pour la sortie.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. S 7 170 – 3

WW

WX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQXP

Étude fréquentielle des systèmes


échantillonnés
par Claude HUMBERT
Ingénieur de l’École Nationale Supérieure d’Électricité et de Mécanique de Nancy
Professeur à l’Université de Nancy I
Directeur du Laboratoire d’Automatique et Recherche Appliquée, composante du CRAN
(Centre de Recherche en Automatique de Nancy) Unité associée au CNRS (URA 821)
et Michel AUBRUN
Ingénieur de l’École Nationale Supérieure d’Électricité et de Mécanique de Nancy
Professeur à l’Université de Nancy I


Directeur du Laboratoire d’Automatique et Recherche Appliquée, composante du CRAN
(Centre de Recherche en Automatique de Nancy) Unité associée au CNRS (URA 821)

1. Transformée de Laplace échantillonnée............................................ R 7 180 - 2


1.1 Expressions .................................................................................................. — 2
1.2 Propriétés ..................................................................................................... — 2
1.3 Fonctions de transfert pulsées (ou échantillonnées)................................ — 3
1.4 Fonctions de transfert en boucle fermée................................................... — 3
2. Diagrammes de Nyquist......................................................................... — 4
2.1 Diagrammes de Nyquist des termes simples intervenant
dans une fonction de transfert ................................................................... — 4
2.1.1 Terme exp (± jωT ) ............................................................................... — 4
2.1.2 Terme exp jωT – λ = (cos ωT – λ) + jsin ωT = X + jY ......................... — 4
2.1.3 Terme 1 – λexp (– jωT ) = 1 – λcos ωT + j λ sin ωT ............................ — 4
2.1.4 Terme exp (2 jωT ) – 2 b λ exp (jωT ) + λ2........................................... — 4
2.2 Lieux de Nyquist des fonctions de transfert.............................................. — 5
2.2.1 Système du premier ordre................................................................. — 5
2.2.2 Système intégrateur K /p avec bloqueur B 0 d’ordre 0..................... — 5
2.2.3 Système double intégrateur K /p 2 ..................................................... — 6
2.2.4 Système double intégrateur K /p 2 avec bloqueur B 0 ...................... — 6
2.2.5 Système du premier ordre avec intégration .................................... — 6
2.2.6 Système du premier ordre avec intégration et bloqueur B 0........... — 7
2.2.7 Système du second ordre .................................................................. — 7
2.2.8 Système du second ordre avec bloqueur B 0.................................... — 8
2.3 Utilisation du lieu de Nyquist du système continu................................... — 8
2.4 Applications ................................................................................................. — 9
3. Diagrammes de Bode .............................................................................. — 10
3.1 Utilisation de la transformation en w ........................................................ — 10
3.2 Diagrammes de Bode d’éléments simples et diagrammes
asymptotiques ............................................................................................. — 10
1 + jv
3.2.1 Terme exp jωT = ---------------- ....................................................................
1 – jv — 10
1 – λ + jv ( 1 + λ )
3.2.2 Terme exp jωT – λ = --------------------------------------------- ............................................. — 10
1 – jv
1 – λ + jv ( 1 + λ )
3.2.3 Terme 1 – λ exp ( – jωT ) = --------------------------------------------- .................................... — 10
1 + jv
3.2.4 Terme exp 2 jωT – 2 b λ exp jωT + λ2
w 2 ( 1 + 2bλ + λ 2 ) + 2w ( 1 – λ 2 ) + 1 – 2bλ + λ 2
= ------------------------------------------------------------------------------------------------------------------------------- ............................ — 10
( 1 – w )2
3.3 Exemple........................................................................................................ — 11
4. Lieu des racines ou lieu d’Evans.......................................................... — 11
4.1 Lieu des racines dans le plan de z.............................................................. — 14
4.2 Tracé de différents lieux .............................................................................. — 14
p。イオエゥッョ@Z@ェオゥャャ・エ@QYXR

5. Logiciels...................................................................................................... — 15
Pour en savoir plus........................................................................................... Doc. R 7 180

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle R 7 180 − 1

WY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQXP

ÉTUDE FRÉQUENTIELLE DES SYSTÈMES ÉCHANTILLONNÉS _____________________________________________________________________________________

e présent article a pour but la représentation de la réponse en fréquences


L d’un système linéaire échantillonné au moyen de différents diagrammes.
Comme dans le cas des systèmes linéaires continus (article Étude fréquen-
tielle des systèmes continus [R 7 170], dans le présent traité), on cherche à
représenter la réponse en fréquences en boucle ouverte.
On utilise principalement les diagrammes de Nyquist ou de Bode (§ 2 et 3),
dans des conditions cependant différentes, liées à la forme particulière des fonc-
tions de transfert échantillonnées.
On peut également utiliser la technique des lieux des racines (§ 4).
Dans tous les cas, les caractéristiques déduites des différents lieux permettent
d’exprimer des performances des systèmes en boucle ouverte et en boucle
fermée.


1. Transformée de Laplace 1.2 Propriétés
échantillonnée +∞

Nota : le lecteur se reportera utilement à l’article Signaux déterministes. Transformées


a) F * ( 0 ) = ∑ f ( kT ) est réel d’après la relation (3), sauf si F (p )
k=0
et abaques [R 7 010] dans le présent traité.
N (p)
possède une intégration, tel que F ( p ) = --------------------- , auquel cas F *(0)
p D (p)
est infini.
1.1 Expressions Si F (jω) = U (ω) + j V (ω), alors :
+∞ +∞
■ Rappelons que, si F (p ) est la transformée de Laplace d’un signal
continu f (t ), la transformée de Laplace F * (p ) du même signal
TF * ( 0 ) = ∑ F ( jk Ω ) = F ( 0 ) + 2 ∑ U ( k Ω ) [d’après (1)] (4)
k = –∞ k=1
échantillonné à la pulsation Ω = 2π / T, où T est la période d’échan-
tillonnage, se déduit de F (p ) par : +∞

1
+∞ b) 冢 冣=
F * j ------
2 ∑ f ( kT ) exp ( – jk π )
F * ( p ) = ------
T ∑ F ( p + jk Ω ) k=0
k = –∞
= f ( 0 ) – f ( T ) + f ( 2T ) + … + ( – 1 ) k f ( kT ) + …
+∞ est également réel.
1
ou F * ( jω ) = ------
T ∑ F [j(ω + k Ω)] (1)
On peut aussi vérifier que :
k = –∞
+∞ –1

冢 冣 ∑ F 冢 j ------------------
- Ω冣 + ∑ 冢 冣
Dans le cas où f (t ) n’est pas nul à t = 0 et présente une dis- 2k+1 2k+1
TF * j ------ = F j ------------------- Ω
continuité, on doit en toute rigueur écrire : 2 2 2
k=0 k = –∞
+∞
1 1 +∞ +∞
F * ( jω ) = -----
T ∑ F [ j ( ω + k Ω ) ] + ----- f ( 0 + )
2
(2) =
2k+1
- Ω 冣 + ∑ F 冢 – j ------------------- Ω 冣
∑ F 冢 j ------------------
2k+1
(5)
k = –∞ 2 2
k=0 k=0
■ On peut aussi, à partir de l’expression de la fonction +∞
- Ω冣
∑ U 冢 ------------------
échantillonnée : 2k+1
= 2
+∞
2
k=0
f *(t ) = ∑ f ( t ) δ ( t – kT )
k=0

avec δ (t ) fonction de Dirac : c) Si ω = ( 1 + m ) ------ avec 0 < m < 1, on a :
2
+∞
+∞
écrire F *(p ) = ∑ f ( kT ) exp ( – kTp ) 冢
1+m
F * j ----------------- Ω 冣= ∑ f ( kT ) exp ( – jk π ) exp ( – jkmπ )
k=0 2
+∞ k=0
ou F * ( jω ) = ∑ f ( kT ) exp ( – jkωT ) (3) ∞

k=0 = ∑ αk exp ( – jmk π )


k=0

avec αk = f (kT ) exp (– jk π ) réel.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 7 180 − 2 © Techniques de l’Ingénieur, traité Informatique industrielle

XP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQXP

____________________________________________________________________________________ ÉTUDE FRÉQUENTIELLE DES SYSTÈMES ÉCHANTILLONNÉS

Ω Il est également possible de définir une transmittance pulsée


Si ω = ( 1 – m ) ------ , on a : modifiée par application de la relation :
2
+∞
+∞


1–m
F * j ---------------- Ω 冣= ∑ f ( kT ) exp ( – jk π ) exp jmk π S ( z, m ) = z – 1 ∑ s [(k + m)T ] z – k
2 k=0
k=0
+∞ qui aboutit à :
= ∑ αk exp jmk π S (z, m) = G (z, m) E (z )
k=0
Enfin, dans le cas où les échantillonneurs restent synchrones
mais de périodes différentes (T à l’entrée, T / N à la sortie, par

1+m
= F * j ----------------- Ω
2 冣 exemple), on peut aussi définir la sortie :
S (zN ) = G (zN ) E (z ) (7)
avec F * conjugué de F *.
En effet, puisque α k est réel, les deux expressions sont en posant :
conjuguées et le point F *(jω) ou TF *(jω) pour Ω/2 < ω < Ω décrit zN = exp (Tp /N )
une courbe symétrique du lieu correspondant à 0 < ω < Ω/2.
d) À partir de ω = Ω, on décrit à nouveau la courbe précédente.
Le lieu du point TF*(jω) est une courbe fermée (avec éventuel- 1.4 Fonctions de transfert
lement des points à l’infini) et se répète périodiquement avec la
période Ω.
Ces résultats sont importants pour la suite car ils permettent,
en boucle fermée

pour tracer les lieux de F*(jω) [ou TF *(jω)], de ne s’intéresser qu’à Dans le cas d’un asservissement à retour unitaire avec échan-
la bande de pulsation [0, Ω/2] ou [0, π/T ]. tillonnage de l’erreur (figure 2), on obtient une fonction de trans-
fert de forme analogue à celle obtenue pour les systèmes
Lorsque la fréquence d’échantillonnage est très élevée, il est aisé
continus :
de constater que le lieu de TF*(jω) diffère peu du lieu de transfert
en continu de F (jω). S (z ) G (z )
--------------- = --------------------------
E (z ) 1 + G (z )
Si le système comporte un retour non unitaire de transmittance
1.3 Fonctions de transfert pulsées H (p ), nous avons :
(ou échantillonnées) S (z ) G (z )
--------------- = -------------------------------- = F ( z ) (8)
E (z )

]
1 + GH ( z )
]

Lorsqu’un système de fonction de transfert G (p ) est précédé d’un avec GH ( z ) transformée en z du produit GH [à ne pas confondre
échantillonneur (figure 1), la relation entre la sortie S (p ) et l’entrée avec G (z ) H (z )].
E (p ) est telle que :
S (p ) = E* (p ) G (p )
Cette expression est peu commode, car elle contient à la fois des
termes p et des termes exp Tp.
Pour simplifier l’analyse du système, on peut imaginer un échan-
tillonneur fictif placé à la sortie S (p ), synchrone avec celui de
l’entrée, ce qui revient à ne s’intéresser à la sortie qu’aux seuls
instants d’échantillonnage.
L’application simultanée de la relation (transformée en z, article
Signaux déterministes. Transformées et abaques [R 7 010] dans le
Figure 1 – Fonction de transfert pulsée ou échantillonnée
présent traité) :
en boucle ouverte
+∞
S (z ) = ∑ s ( kT ) z – k
k=0

et du théorème de convolution discrète :


+∞
s ( kT ) = ∑ e ( nT ) g ( k – n )T
n=0

permet de montrer que :


S (z ) = G (z ) E (z ) (6)
On définit ainsi une fonction de transfert (ou transmittance)
pulsée G (z ).
Figure 2 – Fonction de transfert en boucle fermée
avec échantillonnage de l’erreur

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle R 7 180 − 3

XQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWQXP

ÉTUDE FRÉQUENTIELLE DES SYSTÈMES ÉCHANTILLONNÉS _____________________________________________________________________________________

2. Diagrammes de Nyquist Le diagramme (figure 3) est le cercle d’équation :

(X – 1)2 + Y 2 = λ2

Une fonction de transfert échantillonnée F *(jω) se présente sous de rayon λ, centré en (1, 0).
la forme du produit de termes tels que : La division par exp jωT n’a pas changé le module mais a trans-
formé l’argument Φ en Φ – ωT. Cette remarque illustre l’influence
[ exp ( pT ) ] α  d’une élément déphaseur pur qui rend les systèmes échantillonnés
 à déphasage non minimal : la loi de Bode, traduisant l’existence
[ exp ( pT ) – exp ( – aT ) ] β = [ exp ( pT ) – λ ] β 
 d’une relation mathématique entre l’amplitude |F (ω)| et le
avec λ = exp ( – aT )  déphasage Φ(ω), n’est plus applicable.
 (9)
[ exp ( 2 pT ) – 2 exp ( – aT ) cos ω 0 T exp ( pT ) + exp ( – 2 aT ) ] γ 

= [ exp ( 2 pT ) – 2 b λ exp ( pT ) + λ 2 ] γ  2.1.4 Terme exp ( 2j␻T ) – 2 b ␭ exp ( j␻T ) + ␭ 2
avec b = cos ω 0 T 

Le diagramme est donné par les relations :
α, β, γ étant des nombres entiers, positifs, négatifs ou nuls. X + 1 – λ2 = 2 cos ωT (cos ωT – bλ)


En ce qui concerne la représentation de ces expressions en fonc-
tion de p = jω dans le plan de Nyquist [lieu des points M en coor- Y = 2 sin ωT (cos ωT – bλ)
Le lieu est représenté sur la figure 4.
données polaires, définis par le vecteur OM de module |F *(jω)| et
d’angle Φ(ω) argument de F*(jω)], celle-ci est aisée pour α = β = γ = 1
et par là même pour α = β = γ = – 1, puisqu’il est toujours possible
de passer d’un cas à l’autre par inversion du module et changement
de signe de l’argument. Dans le cas général, on pourra procéder par
multiplication des modules et addition des arguments des
termes (9).
En revanche, on verra au paragraphe 3 que la représentation
dans le plan de Bode, faisant appel à la caractéristique d’amplitude
en fonction de la pulsation ω en coordonnées logarithmiques et à
la caractéristique de phase en coordonnées semi-logarithmiques,
permet l’obtention de ces caractéristiques par addition graphique
des diagrammes des termes (9).

2.1 Diagrammes de Nyquist


des termes simples intervenant
dans une fonction de transfert

2.1.1 Terme exp ( ± j␻T )


Figure 3 – Lieux de Nyquist échantillonnés de termes simples
Le module de exp (± jωT ) est égal à l’unité et l’argument Φ est
égal à ± ωT.
Lorsque ω varie de 0 à Ω, le cercle de rayon unité est parcouru
une fois.

2.1.2 Terme exp j␻T – ␭ = ( cos ␻T – ␭ ) + j sin ␻T


= X + jY

Le diagramme est le cercle d’équation :

(X + λ )2 + Y 2 = 1
de rayon unité, centré en (– λ, 0) (figure 3).

2.1.3 Terme 1 – ␭exp ( – j␻T ) = 1 – ␭cos ␻T + j ␭sin ␻T

Ce terme est de même module que le terme précédent (§ 2.1.2). Figure 4 – Lieu de Nyquist de OM = exp 2 j␻T – 2 b ␭ exp j␻T + ␭ 2

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 7 180 − 4 © Techniques de l’Ingénieur, traité Informatique industrielle

XR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWRPP

Performances d’un système asservi

par Yves TANGUY


Ingénieur ESE (École Supérieure d’Électricité)
Chef de Travaux Principal au Service Automatique de l’ESE
et Daniel VIAULT
Ingénieur ESE
Chef du Service Automatique de l’ESE

1. Définition.................................................................................................... R 7 200 - 2

2. Stabilité des systèmes asservis ........................................................... — 3
2.1 Définitions relatives à la stabilité ............................................................... — 3
2.2 Critères de stabilité EBSB des systèmes linéaires et causaux................. — 4
2.3 Stabilité des systèmes continus bouclés................................................... — 5
2.4 Stabilité des systèmes linéaires
et causaux à temps discret (ou échantillonnés)........................................ — 11
3. Précision des systèmes asservis ......................................................... — 17
3.1 Précision des systèmes continus ............................................................... — 17
3.2 Précision des systèmes échantillonnés ..................................................... — 19
3.3 Comportement d’un système asservi en présence de bruits .................. — 20
4. Conclusion ................................................................................................. — 25
Pour en savoir plus........................................................................................... Doc. R 7 200

ans une première partie (§ 2), nous nous intéressons à la stabilité et à la


D qualité de cette stabilité pour les systèmes linéaires, continus et discrets
(les systèmes non linéaires ayant fait l’objet de l’article Systèmes non linéaires.
Méthode du premier harmonique [R 7 190] dans la présente rubrique
Automatique).
Dans une deuxième partie (§ 3), nous analysons la précision des systèmes
asservis.
p。イオエゥッョ@Z@ェ。ョカゥ・イ@QYXT

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle R 7 200 − 1

XS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWRPP

PERFORMANCES D’UN SYSTÈME ASSERVI __________________________________________________________________________________________________

1. Définition
Un système asservi est conçu pour réaliser une certaine tâche :
délivrer un signal de sortie fonction connue du signal d’entrée. Ses
performances sont donc jugées par comparaison entre la sortie
réelle et la sortie désirée. Symboliquement, on est donc conduit au
schéma de la figure 1, dans lequel la chaîne en tiretés est fictive.
Le plus souvent, on désire obtenir en sortie une grandeur physique
qui soit idéalement une recopie de l’entrée, à un facteur constant
α près, α ayant une dimension puisque les natures physiques de
l’entrée et de la sortie sont généralement différentes. En explicitant Figure 1 – Définition de l’erreur de sortie
la structure bouclée du système asservi, on obtient le schéma de
la figure 2.
Si le capteur est choisi de telle sorte que sa fonction de transfert
(transmittance) soit égale à β = 1/α et si les bruits de mesure sont


nuls, l’erreur de sortie est équivalente (au facteur α constant près),
à l’écart ε du système asservi. Dans ces conditions, toute amélio-
ration des performances du système revient à une minimalisation
portant sur l’écart ε, ce qui justifie l’importance de ce signal dans
la théorie des systèmes asservis. Cette minimalisation n’a de sens
précis que si l’on se fixe un critère (ou fonction de coût ). Le plus
souvent, ce dernier n’est pas explicité et prend la forme de spéci-
fications multiples tirées de l’expérience. Notons toutefois de
nombreuses tentatives d’adoption d’un critère de type intégral, par
exemple : Figure 2 – Relation entre erreur de sortie et écart ⑀
— le critère quadratique d’Oldenburg-Sartorius : minimalisation
de :

Q = 0
ε 2 (t ) dt

— le critère ITAE (Integral-Time, Absolute Error) : minimalisation


de :

Q =  0
t ε dt

On définit (figure 3) le temps de réponse à 5 %, t r , comme le


s (t ) – s
temps à partir duquel -----------------------∞- < 5 % . Le dépassement est égal
s∞
au rapport D/s ∞ exprimé en pour-cent.
La figure 4 montre les variations du carré de l’erreur pour trois
types de réponse d’un même système réglé différemment. Figure 3 – Réponse typique d’un système asservi
Il est évident qu’entre le système a, trop nerveux et mal amorti, à une entrée en échelon
et le système c, trop « mou » et apériodique, la réponse de b est
plus satisfaisante. On voit donc qualitativement que la minimalisa-
tion de :

Q = 0
ε 2 (t ) dt

est un certain compromis entre la nervosité et l’amortissement. Les


techniques d’optimalisation par critères intégraux ne seront pas
développées dans le présent article, essentiellement consacré à
l’analyse et non à la synthèse des systèmes asservis. Toutefois, posé
ainsi dans sa généralité, le comportement d’un système asservi est
difficile à analyser ; on est alors conduit à sérier les problèmes.

Figure 4 – Exemples de variation temporelle du carré de l’erreur

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 7 200 − 2 © Techniques de l’Ingénieur, traité Informatique industrielle

XT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWRPP

_________________________________________________________________________________________________ PERFORMANCES D’UN SYSTÈME ASSERVI

2. Stabilité des systèmes Un autre exemple classique est celui du moteur électrique d’asser-
vissement et, plus généralement, le cas des systèmes intégrateurs.
asservis Supposons l’arbre du moteur préalablement immobile (commande élec-
trique nulle). Si une condition initiale est imposée à la vitesse par l’inter-
médiaire d’une faible perturbation électrique sur le rotor, un écart faible
2.1 Définitions relatives à la stabilité s’ensuit sur la position, alors que la vitesse tend à s’annuler après un
transitoire. Vis-à-vis de la vitesse ce système est donc asympto-
La notion de stabilité, bien qu’intuitive, conduit à des interpréta- tiquement stable, alors qu’il n’est que stable au sens large vis-à-vis de
tions si diverses qu’elle demande à être précisée. Physiquement, la position. Le vecteur d’état (vitesse, position) ne tend donc pas vers
on parle de système stable au voisinage d’un point (ou d’une tra- zéro, mais sa norme reste faible : le moteur est stable, non asymptoti-
jectoire) donné lorsque de faibles perturbations entraînent de quement.
faibles écarts par rapport à ce point (ou à cette trajectoire). Les définitions précédentes concernent l’évolution d’un système
À ce sujet, il convient cependant de distinguer la stabilité des écarté de sa position d’équilibre.
systèmes libres (§ 2.1.1) de celle des systèmes forcés (§ 2.1.2). Ces considérations s’appliquent au cas d’un suivi de trajectoire
(il suffit d’appliquer le principe de superposition) ; notamment
lorsqu’un système asymptotiquement stable est écarté de sa
2.1.1 Stabilité d’un système libre, trajectoire nominale, il tendra à la rejoindre asymptotiquement


au sens de Ljapunov (figure 7).
Ces définitions s’étendent, sans grandes difficultés, aux systèmes
Soit un système linéaire dynamique dont l’évolution est décrite non stationnaires et aux systèmes non linéaires.
par l’équation d’état (cf. article Représentation d’un système
[R 7 130] dans la présente rubrique Automatique) :

Ẋ ( t ) = AX ( t )
avec X (t ) vecteur d’état ( Ẋ vecteur dérivé),
A matrice d’évolution (ou de dynamique).
X = 0 est un point d’équilibre de ce système qui évolue librement
(sollicitations nulles) à partir de conditions initiales définies à
l’instant t 0 .
Ce système est alors dit stable au sens de Ljapunov ou encore
stable au sens large si :
∀t 0 , ∀ε, ∃ η tel que :
X ( t0 ) < η Œ X (t) < ε ∀t > t 0
Figure 5 – Exemple d’évolution d’une variable d’état
Cela a physiquement pour conséquence qu’une faible perturbation pour un système stable (au sens de Ljapunov)
des conditions initiales autour de l’équilibre entraîne un faible écart
de la trajectoire ultérieure autour de l’origine. Ainsi, le système n’est
nullement contraint à revenir dans sa position d’équilibre, mais il
ne s’en éloigne pas trop. La figure 5 montre symboliquement cette
condition sur une variable d’état xi (t ).
Une condition plus forte de stabilité consiste à exiger le retour
asymptotique au point d’équilibre X = 0 ; c’est la stabilité asympto-
tique au sens de Ljapunov, qui impose à la définition précédente
la contrainte supplémentaire :

∃R tel que X ( t0 ) < R Œ X (t ) → 0 Figure 6 – Positions d’équilibre stable et instable


t→∞

Exemple : une illustration fréquemment utilisée au sujet des


notions précédentes concerne une bille qui évolue librement sous
l’action de la pesanteur à partir d’un déplacement initial sur l’une des
surfaces supposées infinies (figure 6).
Cette bille est représentée dans les trois cas dans une position
d’équilibre :
• (a ) est une configuration instable (évolution divergente) ;
• (b ) est stable au sens large en l’absence de frottements, asymp-
totiquement stable dans le cas contraire ;
• (c ) est stable au sens large (non asymptotiquement).

Figure 7 – Suivi de trajectoire

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle R 7 200 − 3

XU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWRPP

PERFORMANCES D’UN SYSTÈME ASSERVI __________________________________________________________________________________________________

2.1.2 Stabilité d’un système forcé :


stabilité EBSB

Une autre conception de la stabilité consiste à raisonner en


termes « entrée-sortie » et à adopter la définition suivante : un sys-
tème est stable si, pour toute entrée (ou commande) bornée, la
sortie l’est également. Cette stabilité est appelée stabilité EBRB ou
EBSB (entrée bornée-réponse ou sortie bornée), BIBO (bounded
input bounded output dans la littérature anglo-saxonne ).
Reprenons l’exemple du moteur électrique d’asservissement : une Figure 8 – Système idéal de deux blocs
entrée du type échelon (donc bornée) correspond en sortie à une
vitesse bornée (asymptotiquement constante) et à une position non
bornée (croissant asymptotiquement en rampe). Ainsi, le moteur est : En effet, pour toute entrée telle que |e (t )| < E, alors :
— instable EBSB vis-à-vis de la sortie position ; ∞
— stable EBSB vis-à-vis de la sortie vitesse.
On est tenté, à partir de l’exemple précédent, de rapprocher la sta-
s (t ) < E  0
h ( θ ) dθ < ME

S bilité EBSB de la stabilité asymptotique et de se poser la question


de leur équivalence. Celle-ci n’est cependant pas évidente à établir,
bien qu’elle existe dans la quasi-totalité des cas concrets. En effet,
Nous avons établi que l’absolue intégrabilité de la réponse
impulsionnelle est une condition suffisante de stabilité EBSB.
Démontrons qu’elle est aussi nécessaire.
la stabilité asymptotique concerne toutes les variables d’état du sys- Supposons pour cela que :
tème, alors que la stabilité EBSB ne s’intéresse qu’à la sortie.
T
Exemple : soit le système idéal constitué de deux blocs, repré-
senté figure 8. ∀K , ∃T tel que 0
h ( θ ) dθ > K
On démontre, mais les résultats se comprennent aisément, que ce
système est : (intégrale divergente sur l’horizon [0, ∞]), et choisissons l’entrée
bornée telle que :
— stable EBSB (on le vérifie en appliquant un échelon à l’entrée) ;
— non asymptotiquement stable : si l’état du système est perturbé e (T – θ) = E sgn [h (θ)]
à partir de zéro, le premier intégrateur est une mémoire dont le
et e (T – θ) = 0 pour θ > T (entrée causale)
« contenu » garde sa valeur initiale, en conséquence le vecteur
d’état X ne tend pas asymptotiquement vers le point d’équilibre X = 0. alors :
T
En fait, on démontre l’implication suivante :
stabilité asymptotique ⇒ stabilité EBSB
s (T ) =  0
h ( θ )E sgn [ h ( θ ) ] dθ
T
l’inverse n’étant pas assuré à coup sûr. = E  0
h ( θ ) dθ > EK
L’équivalence n’est établie qu’en faisant référence à des propriétés
de commandabilité et d’observabilité non développées ici, mais elle
donc ∀K , ∃T tel que s ( T ) > EK .
est toutefois vérifiée dans la plupart des cas pratiques (cf. article
Connaissance d’un système [R 7 135] dans la présente rubrique On démontre ainsi la divergence de la sortie et, par là même, on
Automatique). établit une condition nécessaire et suffisante de stabilité EBSB, à
N’utilisant, dans la suite, que des représentations externes fré- savoir :

quentielles ou temporelles et non les représentations d’état, nous
prendrons, comme définition de la stabilité, la stabilité EBSB. Stabilité EBSB ⇔ 
0
h ( θ ) dθ < M < ∞

Cette condition entraîne une conséquence immédiate sur la fonc-


Remarque : les définitions de la stabilité pour les systèmes à tion de transfert H (p), transformée de Laplace de la réponse impul-
temps discret sont directement transposables à partir des sionnelle h (θ) :
considérations précédentes. ∞
H(p) =  0
h ( θ ) exp ( – p θ ) d θ
2.2 Critères de stabilité EBSB ∞
des systèmes linéaires et causaux Lorsque la condition  0
h ( θ ) dθ < M < ∞ est remplie, H (p ) est
définie en tout point tel que la partie réelle de p soit positive [H (p )
2.2.1 Systèmes continus linéaires et causaux est donc holomorphe dans le demi-plan de droite, axe imaginaire
compris]. Lorsque la fonction de transfert est méromorphe (*) en p,
Considérons un système linéaire et causal de réponse impulsion-
cette condition implique que tous les pôles de H (p) sont dans le
nelle h (t ) ; la relation entre l’entrée e (t ) et la sortie s (t ) s’écrit
demi-plan de gauche. On démontre en fait l’équivalence dans le
(cf. article Signaux déterministes. Transformées et abaques [R 7 010]
cas des fonctions de transfert méromorphes :
dans la présente rubrique Automatique) :
∞ Stabilité EBSB ⇔ tous les pôles de H (p) sont à partie réelle
s (t ) = 0
h ( θ )e ( t – θ ) dθ
strictement négative
(*) Méromorphe : fonction holomorphe, sauf en des points particuliers isolés qui sont
des pôles. Une fraction rationnelle en p est méromorphe.
Si la relation :
∞ exp ( – τ p )
0
h ( θ ) dθ < M < ∞
------------------------------- est également une fonction non rationnelle méromorphe.
1 + Tp

est vérifiée, alors le système est stable EBSB.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 7 200 − 4 © Techniques de l’Ingénieur, traité Informatique industrielle

XV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWRPP

_________________________________________________________________________________________________ PERFORMANCES D’UN SYSTÈME ASSERVI

2.2.2 Cas des systèmes à temps discret,


linéaires et causaux
Soit h (i ) la réponse impulsionnelle (ou séquence de pondéra-
tion) d’un tel système :

s (k) = ∑ h(i ) e (k – i )
i=0

On démontre, de manière entièrement transposable à partir du


cas continu, les équivalences :

Stabilité EBSB ⇔ ∑ h(i ) < M < ∞ Figure 9 – Système asservi
i=0

Stabilité EBSB ⇔ les pôles de H (z ) sont tous situés à l’intérieur


du cercle unité (cas où H (z ) est rationnel en z )

2.3 Stabilité des systèmes


continus bouclés

Soit la structure asservie de la figure 9. La fonction de transfert
en boucle fermée s’écrit :
G(p)
F ( p ) = -----------------------------------------
1 + G (p) H (p)
Supposons que G (p ) et H (p ) soient des fonctions méromorphes
en p. On montre que F (p ) est également méromorphe (*) et que
ses pôles sont les zéros de 1 + G (p) H (p ).
(*) En effet, si f (p) est méromorphe, 1 / f (p) l’est également.
On peut donc énoncer l’équivalence suivante :
Figure 10 – Image d’un contour dans le plan complexe
stabilité EBSB ⇔ L’équation caractéristique 1 + G (p) H (p) = 0
de la boucle fermée n’a pas de racines à partie
réelle positive ou nulle
Les critères de Nyquist et de Routh, que nous allons énoncer
dans la suite (§ 2.3.1 et 2.3.3), s’appuient sur cette équivalence.

2.3.1 Critère de Nyquist


Ce critère est d’une très grande importance pratique et cela pour
deux raisons essentielles :
— il utilise une représentation graphique de la réponse fréquen-
tielle qui peut être déduite de l’expérience ;
— il s’applique dans le cas général à une fonction de transfert
méromorphe et non nécessairement rationnelle.

2.3.1.1 Rappel d’un théorème de Cauchy


Si un point M (d’affixe p ) décrit dans le plan complexe un contour
fermé C dans le sens des aiguilles d’une montre, entourant P pôles
et Z zéros d’une fonction A (p ) de la variable complexe p, alors
l’image du point M par l’application A entoure (P – Z ) fois l’origine
Figure 11 – Contour de Nyquist
(contour orienté dans le sens trigonométrique) [figure 10].

2.3.1.2 Application au critère de Nyquist On remarque notamment que :


Considérons la transformation A (p ) = 1 + G (p ) H (p ) et le — le contour C, tel qu’il est choisi, exclut l’axe imaginaire pur, et
contour C représenté sur la figure 11. On désire que 1 + G (p ) H (p) met en évidence les zéros de 1 + G (p) H (p) à partie réelle stricte-
n’ait pas de zéros à l’intérieur de C (ce qui impose Z = 0). L’image ment positive ;
de C par 1 + G (p) H (p) doit donc entourer l’origine dans le sens — si G (p) H (p) est stable (stabilité en boucle ouverte), P = 0 :
direct un nombre de fois égal au nombre de pôles instables de l’image de C par 1 + G (p) H (p) ne doit pas entourer l’origine ;
1 + G (p) H (p) [donc de G (p) H (p)]. — le nombre de tours dans la transformation 1 + GH autour de
l’origine est égal au nombre de tours dans la transformation
GH autour du point – 1.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Informatique industrielle R 7 200 − 5

XW
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rWRPP

PERFORMANCES D’UN SYSTÈME ASSERVI __________________________________________________________________________________________________

Ce point – 1 dans le plan complexe est appelé point critique. Exemple 1 (figure 14) :
Nous étudierons désormais l’image du contour C par la transfor- k
mation G (p) H (p). Envisageons les deux cas suivants, typiques GH = --------------------------
p ( 1 – Tp )
pour l’automaticien.
Le lieu de Nyquist complété ne tourne pas autour du point critique – 1,
■ Premier cas : système stable en boucle ouverte (P = 0) alors que la boucle ouverte présente un pôle à partie réelle positive
● Exemple : (1 / T ).
k Le système est donc instable en boucle fermée.
GH = --------------------------------------------------------- (figure 12)
(p + a)(p + b)(p + c)
Exemple 2 (figure 15) :
L’image du segment ] 0+, + ∞ [ est le tracé de la réponse fréquen- k (1 + p)
tielle en boucle ouverte dans le plan de Nyquist décrit dans le sens GH = ----------------------------------
-
p 2 ( 1 + 0,1p )
des ω croissants.
L’image du segment ] – ∞, 0 – [ est symétrique de la précédente par GH n’a pas de pôle à partie réelle strictement positive. Le lieu de
rapport à l’axe réel (*). Nyquist complété n’encercle pas le point – 1 ; le système bouclé est
donc stable.
L’image du demi-cercle de l’infini est réduite à un point (en général
l’origine) si le système est physiquement réalisable.
2.3.1.4 Critère de Nyquist simplifié : critère de revers


(*) En effet :
∞ Ce critère n’est applicable que dans le cas où GH n’a pas de pôle
GH ( jω ) = 0
h ( θ ) exp ( – j ωθ ) d θ à partie réelle strictement positive.
où h (θ) est la réponse impulsionnelle de la boucle ouverte, d’où : Un tel système est stable en boucle fermée si, en parcourant le
lieu de Nyquist de GH dans le sens des ω croissants, on laisse le

point critique à gauche (figure 16a). Le système est instable dans
GH ( jω ) =  0
h ( θ ) [ cos ( – ωθ ) + j sin ( – ωθ ) ] d θ
le cas où le point – 1 est laissé à droite (figure 16b).
∞ Ce critère se déduit simplement du critère de Nyquist.
GH ( – j ω ) =  0
h ( θ ) [ cos ( ωθ ) + j sin ( ωθ ) ] d θ = GH ( j ω )

■ Second cas : système intégrateur en boucle ouverte 2.3.2 Degré de stabilité : marge de phase, marge
GH est, au voisinage de p = 0, de la forme --------
k
-. de gain, pour les systèmes n’ayant pas de pôle
pn à partie réelle strictement positive
● Exemple :
k
GH = ----------------------------- (figure 13) Nous venons de distinguer les systèmes stables des systèmes
p ( 1 + Tp )
instables. En pratique, un système strictement stable n’est pas
Le contour C encercle l’origine, en l’incluant (nous avons choisi satisfaisant. En effet, si le lieu de Nyquist de la boucle ouverte d’un
de déceler la présence en boucle fermée de pôles à partie réelle système stable en boucle fermée est « trop voisin » du point critique,
strictement positive ). sa réponse sera très mal amortie.
L’image du segment ] 0 +, + ∞ [ est le tracé de la réponse fréquen- Les notions de marge de phase et marge de gain minimales
tielle en boucle ouverte dans le plan de Nyquist, et orienté dans le interdisent un voisinage immédiat du point – 1.
sens des ω croissants.
L’image du segment ] – ∞, 0 – [ est symétrique du précédent par 2.3.2.1 Marge de phase. Marge de gain
rapport à l’axe réel. ■ Plan de Nyquist (figure 17)
L’image du demi-cercle à l’infini est l’origine. Le point M est défini par l’intersection du lieu de Nyquist de
L’image du demi-cercle en zéro est composée de n demi-cercles GH avec le cercle centré à l’origine, de rayon unité.
à l’infini décrits dans le sens des aiguilles d’une montre (*). Le point N est défini par l’intersection du lieu de Nyquist de
(*) Au voisinage de p = 0, on a :
GH avec le demi-axe réel négatif.
k k
GH ≈ --------
n
- = -------
n
- exp ( – j n θ ) si p = r exp j θ
p r
– +
Quand on passe de 0 à 0 , θ varie de – π / 2 à + π / 2, donc l’argument de GH varie de + nπ / 2
à – nπ / 2, et donc GH décrit n demi-cercles à l’infini (r → 0) dans le sens inverse.

■ Le cas des oscillateurs en boucle ouverte peut être traité de


manière totalement similaire.
■ Présence de zéros de 1 + GH sur l’axe imaginaire : ces cas
d’instabilité correspondent à des systèmes bouclés se comportant
comme des intégrateurs ou des oscillateurs. Ils se produisent lorsque
le lieu de Nyquist de la boucle ouverte passe par le point critique (à
la pulsation nulle ou bien à la pulsation d’oscillation).

2.3.1.3 Énoncé du critère de Nyquist

Pour qu’un système soit stable EBSB en boucle fermée, il faut


et il suffit que le lieu de Nyquist de la boucle ouverte,
convenablement complété et décrit dans le sens des
ω croissants :
Figure 12 – Transformation du contour de Nyquist
— ne passe pas par le point critique – 1 ;
— fasse, autour du point – 1, dans le sens direct, un nombre k
par G ( p )H ( p ) = --------------------------------------------------------
de tours égal au nombre de pôles de GH à partie réelle stricte- (p + a)(p + b)(p + c)
ment positive.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 7 200 − 6 © Techniques de l’Ingénieur, traité Informatique industrielle

XX
Modélisation et analyse de systèmes asservis
(Réf. Internet 42391)

1– Modélisation

2– Identiication

3– Analyse

4– Ingénierie système Réf. Internet page

Introduction à l'ingénierie système. Les concepts généraux S7300 91

Introduction à l'ingénierie système. Mise en oeuvre S7301 95

L’architecture et la conception architecturale des systèmes complexes S7302 99

Ingénierie des systèmes de systèmes. Bonnes pratiques S7304 105

Management des exigences S7305 111

Normes et normalisation. Pertinence et enjeux S7306 117

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires

XY

YP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPP

Introduction à l’ingénierie système


Les concepts généraux
par Dominique LUZEAUX
Ingénieur général de l’armement, habilité à diriger les recherches
Ministère de la Défense

Jean-René RUAULT
Animateur normalisation et autorité technique
Direction générale de l’armement, Direction technique, Bagneux, France

et Jean-Luc WIPPLER
Architecte système senior
Auto-entrepreneur LUCA Ingénierie, France


1. Système et ingénierie système : premières définitions .......... S 7 300 – 2
2. Définition et organisation d’un système ................................... — 5
2.1 Généralités ......................................................................................... — 5
2.2 Premières caractéristiques essentielles ............................................. — 5
2.2.1 Non-séparabilité et pluralité des éléments ............................. — 5
2.2.2 Non-additivité .......................................................................... — 5
2.2.3 Cohérence interne et structuration ......................................... — 5
2.2.4 Frontière ................................................................................... — 5
2.2.5 Finalité ..................................................................................... — 6
2.2.6 Transformation et réaction ...................................................... — 6
2.2.7 Approche fonctionnelle ........................................................... — 7
2.2.8 Décomposition structurelle et organisation ........................... — 7
2.2.9 Conséquences pratiques en ingénierie système .................... — 9
2.2.10 Retour sur les 3P ..................................................................... — 9
2.2.11 Liens, relations et interfaces ................................................... — 10
2.2.12 Premières conséquences et réconciliations ............................ — 12
3. Cycle de vie d’un système et processus du cycle de vie ........ — 13
3.1 Phases, stades et processus .............................................................. — 13
3.2 Le cycle de vie du système ................................................................ — 14
3.3 Le cycle de vie programmatique ....................................................... — 14
3.4 Les processus de l’ingénierie système .............................................. — 14
3.5 La prise en compte de l’aspect multi-niveaux .................................. — 15
3.6 Un système ou des systèmes ? ......................................................... — 16
4. Les ressources pour en savoir plus ............................................. — 17
4.1 Les outils ............................................................................................ — 17
4.2 Les sites des associations consacrées à l’ingénierie système ......... — 17
4.3 Les revues........................................................................................... — 17
4.4 Les conférences .................................................................................. — 17
5. Conclusion........................................................................................ — 18
Pour en savoir plus.................................................................................. Doc. S 7 300

’ingénierie système regroupe l’ensemble des activités pour concevoir, déve-


L lopper, faire évoluer un ensemble de produits, processus et compétences
humaines, apportant une solution économique et performante aux besoins
exprimés. Elle ne prétend pas apporter la solution unique à un problème
donné, mais propose une démarche s’appuyant sur des processus, outils et
standards, pour transformer un besoin en solution.
Elle s’applique à tout système artificiel, quels que soient sa complexité et son
contexte d’utilisation. Afin d’illustrer les concepts, des exemples seront déve-
p。イオエゥッョ@Z@ヲ←カイゥ・イ@RPQU

loppés au fur et à mesure de l’introduction des concepts.

Copyright © - Techniques de l’Ingénieur - Tous droits réservés S 7 300 – 1

YQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPP

INTRODUCTION À L’INGÉNIERIE SYSTÈME ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––

Cet article, après un éclairage général sur ce qu’est l’ingénierie système,


aborde les concepts principaux sur lesquels joue l’ingénierie système. L’arti-
cle [S 7 301] évoque la mise en œuvre de l’ingénierie système, d’abord d’un
point de vue théorique, puis au travers d’un cas d’étude.

l’ingénieur système recouvrant les rôles du scénariste, du metteur


1. Système et ingénierie en scène et du réalisateur, voire dans certains cas du producteur.
système : premières En définitive, formuler une proposition définissant l’ingénierie
système dans l’absolu et de manière définitive, non contestable et
définitions non contestée, apparaı̂t presque comme une gageure. Elle est à mi-
chemin entre la pensée système (System Thinking) et l’ingénierie
des systèmes (Engineering systems) [13]. L’INCOSE la met en pers-
L’ingénierie système est une discipline récente, émergeant après pective de la science des systèmes et de la pensée système (voir en
la seconde guerre mondiale pour répondre aux défis que posait la particulier à ce sujet [26]).
complexité croissante de l’ingénierie des systèmes spatiaux ou
L’AFIS (Association française d’ingénierie système, représentant


de défense (missiles intercontinentaux, puis course vers la
exclusif en France de l’INCOSE) la définit dans son ouvrage de réfé-
Lune [12] [28]). Depuis lors, l’ingénierie système s’est répandue
dans un large éventail de domaines, allant des systèmes embar- rence [22] comme : « (…) une démarche méthodologique coopéra-
qués, de grands systèmes informatiques, à l’aéronautique, le trans- tive et interdisciplinaire, fondée sur la science et l’expérience, qui
port ferroviaire, le nucléaire, l’énergie, le transport maritime… Cela englobe l’ensemble des activités adéquates pour concevoir, déve-
est également dû à un retour sur investissement démontré, sur la lopper, faire évoluer et vérifier un ensemble de produits, processus
maı̂trise tant des coûts que des délais [10]. et compétences humaines apportant une solution économique et
performante aux besoins des parties prenantes et acceptable par
Elle reprend à son compte les concepts issus de la théorie des tous. »
systèmes, de la théorie de l’information, de la cybernétique,
de l’architecture afin de donner aux ingénieurs les moyens, Cependant, cette définition générale est trop vague pour permet-
méthodes et outils pour maı̂triser les systèmes artificiels qu’ils tre de circonscrire de manière claire l’ingénierie système. Le
conçoivent [27]. tableau 1 donne d’ailleurs d’autres définitions de l’ingénierie sys-
tème issues de sources diverses, à la fois normes, standards, ou
Un ingénieur système, comme un ingénieur « tout court » d’ail-
ouvrages de référence.
leurs, concrétise dans son travail un subtil équilibre entre génie,
science, mathématiques, technologie et art. La dimension « sys- Une manière de contourner la difficulté réside dans la détermina-
tème » augmente l’emprise de chacune des connaissances et tion d’un certain nombre de défis spécifiques auxquels l’ingénierie
savoir-faire précités : différentes disciplines dans des domaines système est confrontée, et dans l’examen de ce qui la différencie
scientifiques, différentes technologies… Elle souligne aussi la des autres ingénieries :
nécessaire maı̂trise des relations et interdépendances entre ces dis-
ciplines, domaines et technologies.  point de vue externe et interne, voire omniscient : en utilisant
la littérature et plus particulièrement la narration comme
Ceci ne nous donne pas véritablement une compréhension effec- métaphore, l’ingénierie système va « raconter l’histoire » du
tive du rôle d’un ingénieur système. Pour ajouter à la difficulté, système en n’adoptant pas un point de vue narratif unique,
Sarah Sheard, dans un article de référence au sein de l’INCOSE mais en les variant et en étudiant le système d’un point de
(International Council on System Engineering, association de réfé- vue externe (le système comme une entité intègre évoluant
rence dans le domaine de l’ingénierie système) [26] en définit dans un contexte plus large et donc interagissant avec
douze différents ! À la fois des rôles avec un contenu technique, d’autres entités), d’un point de vue interne (le système
scientifique ou méthodologique (concepteur, analyste, vérificateur) comme étant constitué d’entités structurellement liées et inte-
ou un contenu managérial (coordinateur, interface/cohésion entre ragissant entre elles), voire d’un point de vue omniscient (la
équipes…). vision évolutive de l’ensemble des entités et de l’ensemble
Le métier d’ingénieur est souvent comparé à celui d’un chef des liens ou relations entre elles) ;
d’orchestre. Cette analogie, bien que limpide, n’en est pas moins  non-séparabilité du contexte : elle découle naturellement de
restrictive. Si le chef d’orchestre exécute, ou plutôt conduit l’exécu- la diversité des points de vue à adopter, et est aussi liée à
tion d’une œuvre par un ensemble d’interprètes à partir d’une par- une spécificité de la notion même de système qui consiste à
tition, c’est-à-dire un plan normé de l’œuvre orchestrale, et si sa réfuter un réductionnisme consistant à étudier le système
valeur ajoutée est indéniable, l’aspect création ou démarche de
indépendamment de son contexte ;
recherche d’un optimum vis-à-vis d’un idéal à atteindre est oublié.
Pour être plus complet, et toujours en gardant cette analogie musi-  hétérogénéité et multidisciplinarité : les systèmes concernés
cale, l’ingénieur système peut être, suivant son implication et sui- par l’ingénierie système sont par nature souvent hétérogènes
vant l’avancement dans le cycle de vie du système : (c’est-à-dire composés d’éléments de nature différente) et
– le compositeur : celui qui transforme une idée en le plan d’une complexes (nombreux éléments en présence de boucles,
œuvre orchestrale traduisant au mieux cette idée ; d’interactions, d’interconnexions pouvant évoluer dans le
– le chef d’orchestre : celui qui comprend, restitue l’œuvre, la réa- temps). Ils renvoient donc à une pratique multidisciplinaire là
lise par la direction des différents interprètes. où les connaissances et les compétences acquises par une
seule discipline ne suffisent plus à accéder à la compréhension
Nous pourrions également recourir à l’analogie avec le monde et la maı̂trise, et où une coopération entre disciplines devient
cinématographique [31] qui montrerait peut-être plus de facettes, indispensable ;

S 7 300 – 2 Copyright © - Techniques de l’Ingénieur - Tous droits réservés

YR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPP

–––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– INTRODUCTION À L’INGÉNIERIE SYSTÈME

Tableau 1 – Quelques définitions de l’ingénirie système


Référence Définition

An interdisciplinary approach encompassing the entire technical effort to evolve and


verify an integrated and lifecycle balanced set of system people, product, and process
solutions that satisfy customer needs. Systems engineering encompasses (a) the tech-
nical efforts related to the development, manufacturing, verification, deployment, ope-
NASA Systems Engineering Handbook [24]
rations, support, disposal of, and user training for, system products and processes ; (b)
the definition and management of the system configuration ; (c) the translation of the
system definition into work breakdown structures ; and (d) development of information
for management decision making.

System engineering is the selective application of scientific and engineering efforts to :


– transform an operational need into a description of the system configuration which
best satisfies the operational need according to the measures of effectiveness ;
Référentiel du modèle SE-CMM (Systems – integrate related technical parameters and ensure compatibility of all physical, func-
Engineering Capability Model of Maturity) tional and technical program interface in a manner which optimizes the total system
definition and design ;
– integrate the efforts of all engineering disciplines and specialties into the total engi-
neering effort.

– The Art and Science of creating effective systems, using whole system, whole life
Derek Hitchins, fondateur du chapitre britannique
de l’INCOSE [11]
principles.
– The Art and Science of creating optimal solution systems to complex issues and pro-
blems.

Processus collaboratif et interdisciplinaire de résolution de problèmes, s’appuyant sur
les connaissances, méthodes et techniques issues des sciences et de l’expérience, mis
Découvrir et comprendre l’ingénierie système, en œuvre pour définir un système qui satisfasse un besoin identifié, et soit acceptable
J.-P. Meinadier et S. Fiorese (éds) [22] pour l’environnement, en cherchant à équilibrer l’économie globale de la solution, sur
tous les aspects du problème dans toutes les phases du développement et de la vie du
système.

The concept from the engineering standpoint is the evolution of the engineering scien-
tist, i.e., the scientific generalist who maintains a broad outlook. The method is that of
the team approach. On large-scale-system problems, teams of scientists and engineers,
Harry H. Goode et Robert E. Machol [9]
generalists as well as specialists, exert their joint efforts to find a solution and physically
realize it… The technique has been variously called the systems approach or the team
development method.

The systems engineering method recognizes each system is an integrated whole even
though composed of diverse, specialized structures and sub-functions. It further reco-
gnizes that any system has a number of objectives and that the balance between them
Systems Engineering Tools, Harold Chestnut [5]
may differ widely from system to system. The methods seek to optimize the overall
system functions according to the weighted objectives and to achieve maximum com-
patibility of its parts.

System engineering is a discipline which involves all of engineering and … has to be


George Muller et Simon Ramo (programme applied to a particular system (…) A system engineer is a peculiar form of generalist
Apollo) [28] with the faculty of understanding enough of each of the pieces and good at communi-
cations.

An interdisciplinary approach and means to enable the realization of successful sys-


tems. It focuses on defining customer needs and required functionality early in the
development cycle, documenting requirements, then proceeding with design synthesis
and system validation while considering the complete problem : Operations, Perfor-
Définition officielle de l’INCOSE mance, Test, Manufacturing, Cost & Schedule, Training & Support, Disposal.
(http://www.incose.org) Systems engineering integrates all the disciplines and specialty groups into a team
effort forming a structured development process that proceeds from concept to produc-
tion to operation. Systems engineering considers both the business and the technical
needs of all customers with the goal of providing a quality product that meets the user
needs.

 structure, organisation : les systèmes vont devoir être appré- organisation n’est a priori pas figée dans le temps, mais est
hendés d’un point de vue structurel ou organisationnel, en se dans la plupart des cas dynamique. La prise en compte de
focalisant davantage sur les liens entre les éléments, la nature cette dynamique et de son évolution au cours de la vie du sys-
de ces liens et les interactions engendrées, que sur les élé- tème est une des dimensions remarquables de l’ingénierie
ments eux-mêmes. Notons au passage que cette structure ou système ;

Copyright © - Techniques de l’Ingénieur - Tous droits réservés S 7 300 – 3

YS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPP

INTRODUCTION À L’INGÉNIERIE SYSTÈME ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––

 comportement, émergence : la maı̂trise des comportements À l’autre bout du spectre, des entités sociotechniques comme
émergents des systèmes, qu’ils soient voulus ou inattendus, une armée, une entreprise, le système de transport aérien, sont
ou parfois contingents provoqués par les interactions entre des systèmes complexes assurément concernés par l’ingénierie
les différents éléments constitutifs et les interdépendances système.
entre ces éléments, est un autre des préceptes clés de l’ingé- Du « simple » produit aux grands systèmes sociotechniques,
nierie système. La complexité des comportements et la néces- voire aux systèmes de systèmes, l’ingénierie système se déploie à
saire maı̂trise de partie d’entre eux est une problématique différents niveaux d’intégration ou d’abstraction [15] [16] [17] [18] :
croissante, qui nécessite de remettre en cause des principes – autonome, interconnecté, intégré, partagé, fédéré ;
simplificateurs et impose la prise en compte de : non-linéa- – composant/équipement, système, multisystème, système de
rité, non-causalité, rétroaction, variabilité en fonction de l’his- systèmes ;
toire du système… – composé, hiérarchisé, contrôlé…
 idéal et optimalité : en paraphrasant J. Warfield dans son arti- & Différents modes de gouvernance d’acquisition
cle d’introduction à l’ingénierie système [30], l’ingénierie sys-
tème se doit de conceptualiser et formaliser ce que doit être le Deux cas distincts sont à considérer pour le développement de
système idéal (celui qui serait le plus adapté à sa finalité), et nouveaux systèmes :
de concevoir et développer le système optimum (celui qui,  il existe une maı̂trise d’ouvrage, c’est-à-dire une entité cliente
compte tenu de l’ensemble des contraintes, optimise la dis- porteuse d’un besoin, constituée et identifiée, différente de la
tance à l’idéal) ; maı̂trise d’œuvre, qui va exprimer son besoin et le contractua-
liser (en se référant entre autres à un cahier des charges) en
 esprit critique et mode de raisonnement adapté : certains différentes phases programmatiques. L’ingénierie système
aspects des systèmes et de leur ingénierie sont largement cherchera alors à fournir un optimum vis-à-vis d’un idéal
contre-intuitifs ; l’ingénierie système ne peut se contenter exprimé et formalisé ;
d’un mode de pensée ou de raisonnement uniques, mais
repose sur une adoption opportune du mode de pensée et  il n’existe pas d’entité externe ayant formellement exprimé un


besoin et l’ayant contractualisé en vue d’acquérir une réponse
de raisonnement, ainsi que sur un équilibre entre analyse et
satisfaisante à ce besoin ; en revanche, un marché potentiel
synthèse, induction et déduction…
où émergeraient de nouveaux besoins est pressenti. Le
La récursivité de la notion même de système, ou simplement son besoin est ici porté par le service marketing de l’entreprise
aspect d’organisation hiérarchique appelle à déployer l’ingénierie qui définit et spécifie les caractéristiques du système à déve-
système simultanément sur plusieurs niveaux de décomposition lopper, adaptées à un marché identifié. Dans ce cas, la déci-
ou d’intégration. Le maintien et la cohérence de propriétés, caracté- sion peut être de développer un nouveau système pour entrer
ristiques, concepts entre ces différents niveaux oblige l’ingénierie sur ce marché, sous sa propre maı̂trise d’ouvrage, puis de
système à affronter le passage à l’échelle dans son approche. faire une insertion directe sur le marché en vue. L’ingénierie
L’ingénierie système construit et s’enrichit de deux logiques com- système tentera alors d’atteindre un optimum vis-à-vis d’un
plémentaires : d’une part, la théorie des systèmes [3] [4] [14], idéal supposé, exprimé et formalisé par le service marketing.
d’autre part, l’ingénierie. De la théorie des systèmes, elle reprend Prenons l’exemple de deux systèmes analogues, développés par
le principe holistique (le tout est supérieur à la somme des parties), la même entreprise, mais s’inscrivant chacun dans un des cas pré-
ainsi que les concepts d’émergence, d’interaction. De l’ingénierie, cités. Le Rafale, avion militaire multirôle français, a été développé
elle reprend le principe de la prééminence de la finalité pour tout par le maı̂tre d’œuvre Dassault Aviation sous maı̂trise d’ouvrage
travail de conception et de réalisation, ainsi que les concepts étatique à partir d’un cahier des charges formalisant le besoin de
d’architecture, de spécification, de définition, de qualification. remplacement de sept types d’aéronefs alors en service dans les
De là découle un travail sur l’organisation, la structuration, le armées, et d’accomplissement des missions anciennement dévo-
fonctionnement du système afin de satisfaire les besoins exprimés, lues à ces anciens appareils. Par ailleurs, le même avionneur a
d’atteindre un certain nombre d’objectifs quantifiés, et de réaliser développé une gamme d’avions d’affaire civils (Falcon) qu’il met
des effets recherchés. Le concepteur cherchera à produire les effets en vente – avec succès – par insertion directe sur le marché.
désirés (les comportements émergents positifs) et à limiter, voire à & Différents modes de propriété
interdire les effets non désirés (les comportements émergents
Dans un contexte industriel, un système est élaboré pour répon-
négatifs).
dre à un besoin supposé ou affirmé, et doit se solder par la fourni-
Cet article traite des systèmes artificiels dont nous effectuons ture (vente le plus souvent) de ce système vers un ou des clients,
l’ingénierie, cœur de l’ingénierie système. La systémique et la pro- conduisant donc à un transfert de droit concernant ce système
blématique des systèmes complexes feront l’objet d’un autre article. (propriété, usufruit…). Parmi les multiples cas possibles, distin-
Nous commencerons donc par caractériser un système en général, guons les deux extrêmes dans la manière d’acheter un système :
puis nous préciserons quels sont les processus et outils de l’ingé-  acquisition patrimoniale : il s’agit d’acquérir et donc de possé-
nierie système. Entreprendre une taxinomie des systèmes n’est pas der l’ensemble des produits constitutifs du système. L’acqué-
raisonnable, voire prétentieux, et apporterait peu. En revanche, il est reur, en en devenant propriétaire, est alors responsable de ses
possible d’ores et déjà de dégager quelques caractéristiques essen- opérations et de son maintien en condition opérationnelle :
tielles, qui vont particulariser l’application de l’ingénierie système on en déduit des contraintes fortes sur les processus d’ingé-
de par les conséquences (techniques et non techniques, c’est-à-dire nierie système (voir plus haut) ;
économiques, organisationnelles, réglementaires…) induites.  contrat de service : il s’agit de contractualiser l’usage et le
& Différents niveaux d’intégration bénéfice (usufruit) apporté par le système sans pour autant
Un objet devenu maintenant courant comme le téléphone por- en devenir propriétaire. L’engagement ne porte plus sur la
table requiert-il une ingénierie système ? En nous référant aux fourniture d’un bien ayant des caractéristiques bien détermi-
caractéristiques données dans les définitions de l’ingénierie sys- nées et vérifiables, mais sur une qualité de service et la garan-
tème précitées, nous nous apercevons rapidement qu’il en a toutes tie de certaines performances dans le temps déterminées et
les prédispositions : aspect multidisciplinaire (énergétique, électro- vérifiables. Ce mode de contractualisation tend à se répandre,
nique, informatique, mécanique, radiofréquence, ergonomie…), amenant à une remise en cause profonde sur la manière
indissociable de son contexte (insertion dans un réseau GSM et d’aborder l’ingénierie des systèmes : elle suit de fait l’évolu-
dans un écosystème de la téléphonie mobile). tion de notre société qui est passée depuis une vingtaine
Nota : la notion d’écosystème est entendue ici au sens métaphorique pour décrire un
d’années d’une logique de produits à une logique de services.
ensemble hétérogène de composants technologiques interagissant entre eux, plus large- On le voit aussi dans les domaines les plus régaliens, comme
ment, un ensemble d’entités économiques et sociales interagissant entre elles. la Défense, où on a envisagé un temps de louer des

S 7 300 – 4 Copyright © - Techniques de l’Ingénieur - Tous droits réservés

YT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPQ

Introduction à l’ingénierie système


Mise en œuvre
par Dominique LUZEAUX
Ingénieur général de l’armement, habilité à diriger les recherches
Ministère de la Défense

Jean-René RUAULT
Animateur normalisation et autorité technique
Direction générale de l’armement, Direction technique, Bagneux, France

et Jean-Luc WIPPLER
Architecte système senior
Auto-entrepreneur LUCA Ingénierie, France

1.
1.1
1.2
Du système à son ingénierie.........................................................
La solution doit être… (ou le défi de la « bonne » solution) ............
Raisonner sur plusieurs domaines distincts .....................................
S 7 301 – 2


2
2

1.3 L’architecture au cœur de l’ingénierie système ................................. — 4
1.4 Décrire l’architecture d’un système ................................................... — 5
1.5 Modélisation en ingénierie système ................................................. — 6
1.5.1 Qu’est-ce qu’un modèle ? ....................................................... — 6
1.5.2 Modèles et processus (techniques) d’ingénierie système ..... — 6
1.5.3 Typologie succincte des modèles ........................................... — 7
1.5.4 Rapide panorama des techniques ........................................... — 8
2. Illustration des divers concepts : ingénierie d’un système
de transport ..................................................................................... — 10
3. Les ressources pour en savoir plus ............................................. — 11
3.1 Les outils ............................................................................................ — 11
3.2 Les sites des associations consacrées à l’ingénierie système ......... — 12
3.3 Les revues........................................................................................... — 12
3.4 Les conférences .................................................................................. — 12
4. Conclusion........................................................................................ — 12
Pour en savoir plus.................................................................................. Doc. S 7 301

’article [S 7 300] a développé les implications de la définition d’un système,


L quant à être « un ensemble intégré d’éléments – personnels, produits, pro-
cessus – organisés et interconnectés » satisfaisant un ou plusieurs objectifs
définis.
L’ingénierie système est une démarche interdisciplinaire de résolution de pro-
blèmes complexes permettant de transformer un besoin ou des objectifs en une
solution optimisée de manière à augmenter les chances de succès (diminuer les
risques d’échec) et optimiser le coût total de possession. On peut la voir comme
la capacité à fédérer et contrôler des activités d’ingénierie, diverses mais com-
plémentaires, pour fournir de « bons » systèmes dans les temps, les budgets, et
avec les niveaux de qualité et performance requis. Elle ne se restreint pas à
l’application de bonnes connaissances techniques, mais les intègre et les gère
dans un effort d’ingénierie global.
C’est ce que cet article se propose de montrer, d’une part en pointant les
aspects saillants de la démarche d’ingénierie système et d’autre part en l’illus-
trant au travers d’un exemple : l’ingénierie d’un système de transport.
p。イオエゥッョ@Z@ヲ←カイゥ・イ@RPQU

Copyright © - Techniques de l’Ingénieur - Tous droits réservés S 7 301 – 1

YU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPQ

INTRODUCTION À L’INGÉNIERIE SYSTÈME ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––

1. Du système à son ingénierie – celui de la « solution » : quels sont les fonctions, les transfor-
mations, les processus, les performances… que le système devra
accomplir, et comment cela s’incarnera-t-il en une structure organi-
sée, potentiellement dynamique ?
Du système à son ingénierie… ou comment trouver le « bon »
système (c’est-à-dire satisfaisant pleinement, ou du moins le Dans le premier domaine, la finalité du système est étudiée dans
mieux possible les objectifs établis) de la « bonne » manière ? toutes ses dimensions. Elle est construite, élaborée et comprise en
intégrant les besoins, les attentes (ou au contraire les réticences,
voire les oppositions) exprimés ou non de l’ensemble des parties
1.1 La solution doit être…
… (ou le défi prenantes. Une partie prenante est une personne morale ou phy-
de la « bonne » solution) sique qui est soit activement impliquée dans le projet en question,
soit affectée (positivement ou négativement) par la réalisation du
L’optimalité supposée ou espérée de la solution ne peut s’attein- projet. Une partie prenante exerce donc une influence sur le dérou-
dre qu’en appliquant une démarche large et ouverte intégrant de lement du projet et sur sa production.
nombreuses dimensions, contraintes, contradictions, ambiguı̈tés… Les parties prenantes majeures sont d’évidence : le client (celui
Dans un cadre industriel, rappelons-en les majeures : qui achète le système d’intérêt), les utilisateurs ou les opérateurs
– le compromis entre coût, délai, performance et qualité ; (les bénéficiaires du système d’intérêt), et le fournisseur ou maı̂tre
– la prise en compte de l’état de l’art, des limitations physiques d’œuvre du système d’intérêt. Dans une approche globale, inté-
ou technologiques ; grant l’ensemble du cycle de vie du système, il convient d’élargir
– la prise en compte des standards et des normes ; ce panel (voir à ce sujet l’encadré sur l’analyse PESTEL).
– la prise en compte du marché (concurrence, compétition…) et
de ses règles et paramètres (parité des monnaies, coût du travail, Analyse « PESTEL »
règles fiscales…) ; Les parties prenantes peuvent être identifiées à partir d’une


– les contraintes (et les opportunités) liées à l’environnement analyse dite « PESTEL » (suivant les plans : politique, écono-
organisationnel (projet, entreprise…), social, culturel, légal, mique, social, technologique, écologique, législatif) de l’envi-
réglementaire ; ronnement du système :
– l’intégration de multiples disciplines et la coopération des diffé- – politique : les responsables politiques prennent des déci-
rents acteurs de ces disciplines, qu’il s’agisse de disciplines techni- sions, élaborent des livres blancs dans des domaines particu-
ques fondamentales (mécanique, thermique, électronique, logi- liers présentant leurs orientations sur le long terme, celles-ci
ciel…), de disciplines liées aux sciences humaines et sociales ou pouvant se traduire en choix fiscaux (bonus/malus) ou en
économiques, de disciplines transverses (qualité, sûreté de fonc- règlements à appliquer (interdiction de certaines substances) ;
tionnement, sécurité, ergonomie, facteurs humains…) ou de disci- – économique : les acteurs économiques que sont les four-
plines contributrices pour le support et le soutien du système dans nisseurs, les clients, les banques, sont à prendre en compte,
son cycle de vie (production, approvisionnement, formation, par exemple pour évaluer la rentabilité du projet et son point
maintenance…) ; mort ;
– l’intégration des contraintes ou propriétés du système liées à – social : les organisations syndicales ainsi que les associa-
son cycle de vie complet, ce que les Anglo-saxons nomment les tions de consommateurs sont à prendre en compte tant au
« ilities » (les noms de ces propriétés en anglais se terminant majo- niveau de la production que de l’exploitation du système ; l’uti-
ritairement par « ity ») : durabilité, adaptabilité, flexibilité, agilité, lisateur avec ses valeurs et ses habitudes est aussi à prendre
robustesse, résilience… en compte comme il influence directement les modes d’utilisa-
tion et de maintenance (acceptabilité de certaines contraintes) ;
De ce constat, nous pouvons tirer deux inégalités fondamentales – technologique : les acteurs des centres de recherche, les
en ingénierie système, à savoir : fournisseurs et sous-traitants, les autres acteurs des filières
– ingénierie système π union des disciplines : en effet, il ne suffit industrielles, sont à solliciter pour évaluer la maturité, voire
pas de juxtaposer un ensemble de disciplines requises pour obtenir les risques d’obsolescence, des technologies constituants les
la bonne solution, mais il convient de les intégrer dans un effort composants du système ;
global, en faisant coopérer les différents acteurs de ces disciplines – écologique : les collectivités locales, les organisations non
au travers de processus collaboratifs – en d’autres termes, une co- gouvernementales sont à solliciter, en particulier pour prendre
ingénierie opposée à une approche en silo ; en compte le développement durable et les impacts du sys-
– solution optimale π union des optima locaux : c’est la refor- tème sur l’environnement ;
mulation du théorème de Bellman, que tout le monde connaı̂t… – législatif : les règlements sont à prendre en compte, ainsi
mais n’applique que rarement : » la somme des optima locaux que les acteurs concernés chargés de leur définition, de leur
n’est pas l’optimum global ». mise en application, ou de la vérification de cette dernière.
L’évolution des règlements, mais aussi de nouveaux acteurs,
L’optimisation d’un système passe nécessairement par la sous- sont susceptibles d’apparaı̂tre lors de la vie du système, en
optimisation de certains sous-systèmes. Cela implique de prendre particulier pour les systèmes présentant une longue durée de
les « bonnes » décisions, d’aboutir aux « bons » compromis, ce vie, de plusieurs décennies.
qui s’obtient par l’instruction, dans le bon ordre, d’un certain nom- Il est à noter qu’une dimension d’analyse supplémentaire est
bre de choix, souvent interdépendants. quelquefois rajoutée, à savoir le plan éthique, ce qui va de
pair avec l’importance croissante accordée à la notion de res-
ponsabilité sociale dans le monde de l’entreprise.
1.2 Raisonner sur plusieurs domaines
distincts
Cela aboutit à des modèles prescriptifs du système de plus en
Pour que la solution produite par une ingénierie système soit plus raffinés, obtenus par la désintégration de la finalité et sa tra-
une « bonne » solution, c’est-à-dire un optimum vis-à-vis d’un duction en un certain nombre d’informations, dont les caractéristi-
idéal correctement appréhendé, le raisonnement se déroule dans ques attendues (service, fonctions, performances…) par le système
au moins deux domaines : pour atteindre sa finalité.
– celui du « problème » proprement dit : quels sont les objectifs, La forme la plus classique pour exprimer les attendus du sys-
les attentes, les missions, les fonctions, les services, les efficiences, tème reste l’exigence : une expression textuelle d’une caractéris-
les capacités… auxquels le système devra répondre ; tique ou d’une aptitude du système considéré traduisant de

S 7 301 – 2 Copyright © - Techniques de l’Ingénieur - Tous droits réservés

YV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPQ

–––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– INTRODUCTION À L’INGÉNIERIE SYSTÈME

manière formelle un besoin. Ce dernier émane du ressenti d’un et en comparant différentes alternatives de composition de ces
manque, ce qui crée une attente, et afin de combler cette dernière constituants.
et donc satisfaire le besoin, nous allons prendre des décisions et Cette approche très analytique (on procède fonction par fonction,
effectuer un certain nombre d’actes, ou exiger d’autres qu’ils effec- en décomposant chacune éventuellement) et très descendante (de
tuent certains actes. Les exigences expriment donc formellement l’abstrait vers le concret : les exigences sont traduites en fonctions
ce que le système devrait faire ou devrait être. qui sont allouées sur des constituants) recèle quelques limites
D’autres représentations viennent compléter et améliorer la com- notables :
préhension de ce que doit être ou devrait faire le système. Elles – elle est centrée sur la notion de fonction, esquivant souvent les
découlent du fait que le système doit réaliser un ensemble de mis- performances, et les propriétés globales non-fonctionnelles struc-
sions dans un environnement opérationnel donné, en suivant et turelles ou liées au cycle de vie du système : les « ilities » mention-
respectant un ensemble de règles et de procédures, et ce, pour nées précédemment ;
une durée définie (appelée durée de vie opérationnelle) : – en ayant une approche analytique, elle ne procède pas d’une
– le concept opérationnel (connu habituellement sous son appel- approche globale de la solution qui tendrait d’abord à trouver un
lation anglo-saxonne CONOPS, concept of operations) décrit la concept opérant et performatif, et ensuite à l’incarner dans une
façon dont le système fonctionne et interagit dans son environne- forme ;
ment, avec les autres systèmes de cet environnement et avec les – si la fonction précède la forme, suivant l’adage bien connu (et
utilisateurs, en s’appuyant sur les objectifs et contraintes qui controversé) dans le monde de l’architecture, nous nous devons de
s’appliquent à ce système. Il s’agit d’une vue externe, sans présu- nous rendre compte que la fonction « émerge » de la forme. Il en
mer de la structuration interne du système considéré ; est d’ailleurs de même de la performance ou des caractéristiques
– le scénario opérationnel décrit dynamiquement un exemple non fonctionnelles. C’est par la composition, la structuration des
type de fonctionnement, dans le cadre d’une séquence d’actions, constituants entre eux, c’est-à-dire justement la « forme », que
d’interactions. Les scénarios opérationnels permettent de mettre sont obtenues les fonctions et leurs performances associées. Par
en évidence, sans prétendre être exhaustif : exemple, c’est en composant un levier avec un pivot ou un appui


 les situations et les environnements dans lesquels le système qu’émerge une fonction d’amplification de la force (aspect statique)
est mis en œuvre, ou de la vitesse (aspect dynamique).
 le système et ses interfaces avec d’autres systèmes, Cette approche est donc adaptée pour des systèmes où le côté
 l’organisation (rôles, responsabilités, activités…) des opéra- fonctionnel est prépondérant ou non encore suffisamment maı̂-
teurs qui utilisent le système, trisé : systèmes nouveaux, re-conception innovante de systèmes
existants, par exemple. En revanche elle se révèle peu appropriée
 les performances du système,
pour la conception de systèmes pour lesquels la performance ou
 la sécurité du système vis-à-vis de comportements les propriétés liées à son cycle de vie (robustesse, adaptabilité, fle-
malveillants, xibilité…) sont dominantes.
 les modes de fonctionnement du système, D’autres approches existent et permettent de raisonner dans le
 son système de soutien. domaine de la solution, ou de passer du domaine du problème à
celui de la solution. Nous nous contenterons ici de les effleurer et
La description des scénarios opérationnels à plusieurs horizons
en réservons une description plus détaillée à un futur article consa-
temporels permet de rendre compte des missions et environne-
cré à la conception architecturale.
ments opérationnels, ainsi que de leurs évolutions tout au long de
la vie opérationnelle du système. S’appuyer sur des scénarios opé- Ces différentes démarches se caractérisent souvent par une
rationnels est un moyen pertinent de dialogue, voire même de vali- approche plus globale du problème, l’abordant suivant une direc-
dation entre les futurs utilisateurs du système et ceux qui sont en tion précise, suivant un sous-ensemble estimé pertinent ou critique
charge de le spécifier et de le développer. des caractéristiques à atteindre, jugées comme étant primordiales.
En voici un bref survol :
Divers outils méthodologiques permettent d’identifier, et d’objec-
tiver les diverses fonctionnalités ou services agrémentés de leurs – le « Design for X » (ou « Design for eXcellence »), privilégiant
niveaux de performance ou de leur qualité de service nécessaires explicitement et de manière assumée une propriété non fonction-
pour la réalisation des missions du système. L’analyse fonctionnelle nelle du système que l’on cherche délibérément à exacerber :
est un des outils les plus classiques et relativement répandu coût, fiabilité, robustesse, flexibilité… [2] ;
(cf : [S 7 300] section 2.2.7). – le « Design For Six Sigma » (DFSS), approche qui vise à une
satisfaction de la solution dite du premier coup, statistiquement
Dans le second domaine, celui de la « solution », le choix d’élé- évaluable et mesurable dans une enveloppe étroite (6 s), gage
ments portant toute ou partie des caractéristiques attendues et leur d’excellence et qualité totale ;
composition (architecture des composants) doivent permettre – des approches qui « travaillent » sur la fonction de transfert
d’aboutir aux comportements et caractéristiques attendus, tout en entre les deux domaines du problème et domaine de la solution,
limitant les comportements non désirés. et tentent de l’objectiver en l’explicitant plus ou moins formelle-
Une première approche courante, plutôt simpliste, mais néan- ment. Ainsi « Axiomatic Design » (AD) emprunte à l’algèbre matri-
moins efficace dans beaucoup de cas, consiste à partir des fonc- cielle et à la théorie de l’information de Claude Shannon pour pas-
tions précédemment identifiées, et potentiellement décomposées ser du domaine du problème à celui de la solution ;
ou raffinées (architecture fonctionnelle ou logique suivant les déno- – les « Design Structure Matrix » (DSM) modélisent les couplages
minations), à allouer ces fonctions sur un ou plusieurs constituants des artefacts d’ingénierie d’un même plan (sorte de matrice d’auto-
(3P) qui réalisent ainsi la fonction. Le choix des constituants adé- corrélation, en fait la matrice d’adjacence du graphe orienté repré-
quats est une tâche importante, et il est nécessaire d’en connaı̂tre sentant la structure en question) pour, à travers un jeu de réagen-
toutes les contraintes réduisant l’espace de choix : les performan- cement, optimiser les couplages (et donc l’organisation) entre ces
ces intrinsèques des composants, leur capacité à être intégrés au artefacts [9].
sein de systèmes plus vastes, les délais de production, les prix…
Le choix des composants résulte le plus souvent de l’application Tout cela aboutit à des modèles constructifs et descriptifs du sys-
raisonnée d’une doctrine : développer, acheter ou réutiliser (Make, tème à réaliser.
Buy or Re-use). Ces constituants sont ensuite regroupés en des À ce niveau-là, ces différents modèles sont généralement connus
sous-systèmes homogènes (architecture logique, organique ou sous la dénomination d’« architectures xx du système », xx prenant
physique suivant les dénominations) [10] [16] [25]. Ce regroupe- les dénominations de : fonctionnelle, opérationnelle, temporelle,
ment s’effectue en intégrant des contraintes ou des critères divers, dynamique, statique, structurelle, physique, logique, organique,

Copyright © - Techniques de l’Ingénieur - Tous droits réservés S 7 301 – 3

YW

YX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPR

L’architecture et la conception
architecturale des systèmes
complexes
par Jean-Luc WIPPLER
Architecte système senior
Autoentrepreneur LUCA Ingénierie, France
Dominique LUZEAUX
Ingénieur général de l’armement, habilité à diriger les recherches
Ministère des Armées

1. Définitions ................................................................................................... S 7 302 - 2


1.1
1.2
1.3
Système .......................................................................................................
Architecture .................................................................................................
Conception architecturale ..........................................................................



2
2
3

1.4 Complexité................................................................................................... — 4
2. Architecturer n’est pas concevoir ............................................................. — 4
3. Les modes de raisonnement de l’architecte ............................................ — 6
3.1 L’approche systémique (« Systems thinking »)........................................ — 6
3.2 La pensée critique (« Critical thinking ») ................................................... — 6
3.3 La méthode du détective ............................................................................ — 7
4. Concevoir une architecture........................................................................ — 7
4.1 Comprendre l’opportunité.......................................................................... — 7
4.2 Viser l’architecture ...................................................................................... — 12
4.3 Valider au plus tôt ....................................................................................... — 15
4.4 Mettre en musique harmonieusement...................................................... — 16
5. Décrire et partager l’architecture .............................................................. — 16
5.1 Éclairer et clarifier la description de l’architecture itérativement ........... — 16
5.2 Différencier pour les différentes parties prenantes.................................. — 16
5.3 Les cadres d’architecture............................................................................ — 17
5.4 « Pitcher » l’architecture ............................................................................. — 17
6. Gouverner l’architecture — 18
7. Illustration par un exemple (« Safe City ») ............................................... — 18
7.1 Comprendre l’opportunité.......................................................................... — 19
7.2 Viser l’architecture ...................................................................................... — 20
8. Conclusion ................................................................................................... — 20
9. Annexe : lien avec les principales normes................................................ — 20
Pour en savoir plus .............................................................................................. Doc. S 7 302

éfinir l’architecture d’un système d’intérêt peut être vu comme l’expres-


D sion d’une stratégie ou d’une vision de ce dernier. De la capacité à savoir
élaborer et concevoir une bonne architecture découlent un certain nombre
d’effets bénéfiques pour l’ingénierie du système, comme les capacités à orga-
niser les lots de travaux, à maîtriser les interfaces, à atteindre et maintenir les
compromis coût/performances.
p。イオエゥッョ@Z@ョッカ・ュ「イ・@RPQW

Copyright © – Techniques de l’Ingénieur – Tous droits réservés


S 7 302 – 1

YY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPR

L’ARCHITECTURE ET LA CONCEPTION ARCHITECTURALE DES SYSTÈMES COMPLEXES ___________________________________________________________

Les différentes activités pour concevoir l’architecture ainsi que les modes de
raisonnement nécessaires sont détaillés dans cet article.
Une fois l’architecture conçue, il convient d’en rendre compte et de la par-
tager avec diverses parties prenantes. Cependant, au vu de la diversité des
acteurs concernés et des questions, il ne peut y avoir un point de vue unique,
mais bel et bien différentes vues regroupées en différents points de vue (pour
une communauté donnée). Ceci est possible par la définition de cadres d’archi-
tecture qui s’inscrivent dans une démarche de gouvernance au niveau du
projet ou de l’entreprise, abordée en fin d’article.

Enfin, E. Crawley, professeur au MIT et fondateur de la chaire


1. Définitions System Design and Management, propose : « The embodiment of
a concept, and the allocation of physical/informational function to
Avant d’aborder les modes de raisonnement nécessaires à un elements of form, and definition of interfaces among the elements
architecte, puis de voir comment concevoir et ensuite décrire et and with the surrounding context » (trad. « L’incarnation d’un
partager une architecture, nous nous devons de donner un pre- concept et la mise en relation de fonctions à contenu information-
mier éclairage sur les concepts d’architecture de systèmes, de nel physique avec des éléments de forme, et la définition d’inter-


conception et de complexité. faces entre les éléments et le contexte environnant »).
Fort de ces premiers éléments, essayons de dégager une défini-
tion intentionnelle et naïve, néanmoins compréhensible et perfor-
1.1 Système mative, tant que faire se peut, pour l’ensemble des parties
prenantes concernées. Une architecture, c’est la vision, la connais-
La notion de système est abondamment introduite et décrite sance minimale à partager, qui permet d’appréhender d’une part
dans l’article [S7300]. Rappelons que la norme ISO/IEC/IEEE le cadrage de l’opportunité que nous abordons, et d’autre part son
15288:2015 définit un système comme « un ensemble d’éléments, orientation, c’est-à-dire les grands principes dirigeant l’élaboration
en interaction dynamique, organisés pour atteindre un ou plu- d’une (ou de plusieurs) proposition(s) permettant un accomplisse-
sieurs buts ». Par ailleurs, les éléments constitutifs d’un système ment de cette opportunité. Nous avons utilisé le terme « opportu-
sont de trois natures différentes : produit (ou service), personne nité » et non « problème » pour deux raisons. D’abord, comme la
(en tant que rôle joué – opérateur, décideur… –, qu’il s’agisse d’un définition d’une architecture implique, voire engage, un ensemble
individu ou d’une organisation), processus. Ils peuvent être artifi- de parties prenantes assez vaste (dont le client et les usagers, ou
ciellement organisés en une hiérarchie de sous-systèmes. le marketing, la stratégie, la finance…) ; cela donne une vision
Si nous nous référons aux systèmes potentiels que recouvre la plus positive. Ensuite, cela permet de ne pas tomber d’emblée
démarche d’architecture, il s’agit a priori de tous. Évidemment, en dans le travers qui consisterait à cantonner la conception architec-
fonction de la classe de systèmes, et notamment de la complexité turale en une simple approche méthodologique de résolution de
sous-jacente, la démarche d’architecture entraînera des variantes problèmes.
significatives du fait des différences d’informations disponibles. Plus précisément, le cadrage de l’opportunité recouvre les élé-
ments de réponses aux interrogations suivantes :
– Quelle est la situation actuelle (systèmes existants, approches
1.2 Architecture – opérationnelle, commerciale, économique, industrielle…) ?
– Quels sont les enjeux, les objectifs (politique, stratégique,
La notion d’architecture est très ancienne et remonte à plu- calendaire…) ?
sieurs millénaires. Imhotep (IIIe millénaire avant notre ère, crédité – Dans quel(s) contexte(s) la solution va-t-elle s’insérer ou sera-t-
d’être l’inventeur des pyramides en pierres) est souvent considéré elle confrontée ? Que savons-nous d’eux, et que ne savons-nous
comme l’un des plus anciens architectes connus, et Vitruve pas ? Quelles sont les menaces, les vulnérabilités ?
(1er siècle avant J.-C.) nous a laissé en héritage le premier traité – Qui sont les parties prenantes impliquées ? Quelles sont leurs
d’architecture connu [1]. motivations, leurs attentes, leurs contraintes ?
Il n’y a pas de définition unanimement acceptée du concept – Quels sont les tensions, les contradictions, les antagonismes,
d’architecture, et les groupes de travail de normalisation sur le les ambiguïtés ?
sujet soulignent cette difficulté, du fait du caractère polysémique – Quels sont les leviers sur lesquels nous pourrons agir ?
du concept. D’emblée, restreignons-nous à notre domaine, celui De même, l’orientation, la vision, l’idée d’un futur s’appuierait
de l’ingénierie des systèmes artificiels, et identifions quelques sur quelques propositions :
propositions adéquates parmi les références principales sur le – Quels sont les grands principes, les grandes idées, les grands
sujet. concepts qui devraient diriger l’élaboration et le développement de
La norme ISO/IEC/IEEE 42010:2011 définit l’architecture comme : la solution ?
« Fundamental concepts or properties of a system in its environ- – Pourquoi cette vision du futur est-elle ingénieuse, singulière,
ment embodied in its elements, relationships, and in the prin- enthousiasmante ? Pourquoi allons-nous y adhérer ?
ciples of its design and evolution ». – Quelles sont les autres alternatives d’architectures envisa-
M. Maier, dont l’ouvrage [2] [3] est très fréquemment cité geables ? Pourquoi les avoir abandonnées ?
comme une référence dans le domaine, propose : « A set of infor- – Quelles sont les autres idées envisagées par d’autres (les pairs,
mation that defines a systems value, cost, and risk sufficiently for les concurrents…) ?
the purposes of the systems sponsor » (trad. « Un ensemble – Quelles sont les décisions architecturales clés qui sont prises
d’informations qui définit la valeur, le coût et le risque du sys- et celles qui sont à prendre ?
tème, avec le niveau de précision suffisant pour satisfaire les Tentons d’aborder le caractère polysémique de l’architecture à
objectifs du client »). travers une analyse synonymique.

Copyright © – Techniques de l’Ingénieur – Tous droits réservés


S 7 302 – 2

QPP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPR

____________________________________________________________ L’ARCHITECTURE ET LA CONCEPTION ARCHITECTURALE DES SYSTÈMES COMPLEXES

■ Architecture, synonyme d’hypothèse L’architecture se doit de concrétiser sous forme d’un compro-
Une architecture est une construction mentale d’un monde non mis acceptable la satisfaction en termes de valeur, des attentes
encore incarné, mais pensé, imaginé, simulé, bref une hypothèse. des différentes parties prenantes. En ce sens, l’architecture se doit
de traduire un parti-pris, explicite ou non, mais assumé, qui
■ Architecture, synonyme de vision, d’orientation conjointement privilégie un ou plusieurs axes de valeur, et défa-
vorise d’autres. En ce sens nous pourrions donner la définition
L’architecture est ce qui permet de donner à voir à un ensemble
suivante d’une « bonne » architecture : ce serait une solution élé-
de parties prenantes à la fois la compréhension de l’opportunité
gante à une ou plusieurs contradictions apparentes.
dans l’intégralité de ces dimensions et la manière d’apporter une
réponse à l’opportunité à laquelle nous sommes confrontés. Cette L’architecture ne se résume pas uniquement à un artéfact ; elle
vision peut se décliner dans différentes modalités (pictogra- est également une discipline et un processus. La discipline (archi-
phique, diagrammatique, littéraire…), toutes n’ayant pas la même tecture des systèmes complexes) est balbutiante, et manque
valeur opérative. Nous reviendrons sur ces différentes modalités encore d’un fondement épistémologique pour pouvoir être digne-
dans la section 5. Le travail ultérieur de l’ingénierie (et les autres ment enseignée. En tant que processus (incarné dans nos organi-
fonctions support de son cycle de vie, comme l’industrialisation, sations industrielles, étatiques…) elle revêt plusieurs aspects : un
le déploiement, le maintien en condition opérationnelle) consis- aspect plutôt amont de conceptualisation, d’élaboration, de créa-
tera alors, après appropriation de cette vision gros grain de la tion que nous regrouperons sous le vocable de conception archi-
solution, à la compléter, la raffiner, la décomposer, la transformer tecturale, le cœur de cet article, un aspect aval d’exécution, et un
dans les limites posées par cette même architecture. aspect traverse de gouvernance (cf. section 6).

■ Architecture, synonyme d’organisation


Architecturer des éléments entre eux peut être interprété 1.3 Conception architecturale


comme les organiser suivant des principes, des schémas. Si un
ensemble, ou simple agrégat, d’éléments ne constitue pas un sys- Souvent la démarche de conception est assimilée à une
tème permettant d’atteindre un but, c’est dans la manière de lier démarche de résolution de problèmes. Cette vision sera appli-
les éléments entre eux qu’émergera le comportement permettant cable et opérante dans le cadre de la conception système, mais
d’aboutir au but escompté. Cette organisation peut être déclinée réductrice dans le cadre de la conception architecturale. P. Bou-
suivant plusieurs axes ou plusieurs niveaux d’abstraction : opéra- don [6] s’est interrogé sur cette notion et selon lui la conception
tionnel, services, fonctionnel, physique… Un des niveaux d’orga- relève d’une forme de processus, et comporte donc un certain
nisation peut correspondre au regroupement des éléments en une nombre d’opérations que tout concepteur met en œuvre
partition structurée (des sous-systèmes), consistant ainsi à organi- (consciemment ou inconsciemment, implicitement ou explicite-
ser hiérarchiquement le système sur un ou plusieurs niveaux. ment, mais ceci est un autre débat).
Habituellement, de cette organisation récursive du système en Énonçons pour notre part qu’elle consiste à passer de la percep-
sous-systèmes découle l’organisation des ingénieries aux diffé- tion d’une situation courante à une ou des propositions d’orienta-
rents niveaux. En s’inspirant des propos de Weaver [5], nous pou- tion de futurs plausibles et possibles. En cela, l’architecture
vons le paraphraser de la sorte : « La complexité ne se simplifie devient l’artéfact principal de la conception architecturale ; réci-
pas, elle s’organise ! ». L’architecture est alors la traduction de proquement, la conception architecturale peut être vue comme la
cette organisation. maïeutique de l’architecture. Nous voulons ici répondre à la
■ Architecture, synonyme de composition dichotomie habituelle entre espace du problème et espace de la
solution, qui tend à promouvoir une approche spatialisée, et trop
L’architecture est vue comme le résultat explicite des opérations orientée résolution de problèmes, en adoptant une perspective
consistant à assembler (ou exclure) des éléments entre eux, hié- plus temporelle : partant de la situation existante actuelle dans
rarchiquement ou non, afin de composer un tout cohérent et laquelle s’inscrit l’opportunité (ce que l’on appelle souvent suivant
signifiant. Le terme de « composition » est lui-même employé l’usage anglo-saxon le « as is »), visant une ou des situations
pour désigner la conception d’une œuvre artistique, et particuliè- attendues futures possibles et plausibles, dans un avenir à court/
rement dans le domaine de la musique, où le créateur d’une moyen terme (le « to be ») ou à plus long terme ou plus straté-
œuvre musicale est un compositeur. gique (le « should be »), la conception est une (ou des) proposi-
■ Architecture, synonyme de règles (ou de principes) tion(s) de chemins pour aller du présent aux futurs.

Si nous acceptons l’idée qu’une architecture est l’objet, le subs- Cette vision ancre la conception architecturale des systèmes
trat antérieur, voire primordial, de développement de tout sys- complexes dans le réel par son accrochage et son point de réfé-
tème faisant l’objet d’une ingénierie, alors nous pouvons rencement à la situation actuelle : une architecture ne se conçoit
facilement envisager que son expression soit avant tout intention- pas ex nihilo et part toujours d’un point de départ existant. Cela
nelle, avant d’être extensionnelle. Dans ce cas, l’expression inten- rapproche la conception architecturale des systèmes complexes
tionnelle d’une architecture pourrait se résumer à un ensemble de de celle des bâtiments : un bâtiment s’inscrit toujours dans un
règles ou un ensemble de principes. Une telle modalité favorise- cadre, une situation géographique, historique, culturelle, poli-
rait la compacité, la parcimonie dans l’expression de l’essentiel de tique, sociologique, environnementale, règlementaire…
la vision à partager. Elle serait en outre générative, du moins inci- Deux facteurs influencent majoritairement la démarche de
tative de solutions admissibles à l’opportunité concernée. conception [7] :
■ Architecture, synonyme de réconciliation – la disponibilité ou non d’une base de connaissance ;
– la disponibilité ou non d’une méthodologie.
L’architecture est le lieu où nous tentons de tout réconcilier
pour en produire un modèle unifié et cohérent, qui permet à tout La conception architecturale est souvent une œuvre collective et
à chacun d’exposer et donc de partager son point de vue avec les coordonnée. Les pratiques de conception diffèrent suivant les
autres parties prenantes concernées. Par point de vue nous enten- entreprises, les personnes impliquées (la part du talent des archi-
dons ici à la fois la compréhension de l’opportunité et la manière tectes) et la nature de l’opportunité à aborder. La place et la fonc-
de contribuer à sa résolution. tion de l’architecte varient également : tantôt médiateur entre
différentes parties prenantes, tantôt maître du jeu et imposant sa
■ Architecture, synonyme de compromis de valeurs vision.

Copyright © – Techniques de l’Ingénieur – Tous droits réservés.


S 7 302 – 3

QPQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPR

L’ARCHITECTURE ET LA CONCEPTION ARCHITECTURALE DES SYSTÈMES COMPLEXES ___________________________________________________________

1.4 Complexité mode : sonder-percevoir-répondre. Cela débouche sur de nou-


velles manières de résoudre les problèmes, éventuellement en
Abordons à présent la notion de complexité, qui donne un sens combinant des solutions existantes. Des exemples de tels sys-
à toute la problématique. Étymologiquement, « complexe » tèmes sont les marchés financiers, les écosystèmes, les champs
s’oppose à « compliqué » : le premier a pour racine « ple » signi- de bataille.
fiant « tresser » ; le second a pour racine « pli » signifiant « plier ». Un système chaotique est un système dans lequel aucune relation
L’idée clé est donc celle d’enchevêtrement, d’imbrication des rela- entre cause et effet ne peut être déterminée, et le mode de prise de
tions au sein d’un objet complexe. décision est alors : agir-percevoir-répondre. L’idée sous-jacente est
Un système compliqué [8] est donc potentiellement constitué d’agir pour essayer d’établir un peu d’ordre, de percevoir des
d’un nombre élevé de composants, mais fondamentalement il régimes locaux de stabilité, de répondre pour tenter de passer d’une
n’introduit rien d’autre que cette cardinalité. Au contraire le sys- situation chaotique à une situation complexe (ou simple, mais cela
tème complexe sera remarquable par : ne s’avère pas souvent le cas !). Il en découlera des manières nou-
– la forte hétérogénéité des composants (mécaniques, électro- velles et inédites de résoudre les problèmes liés à de tels systèmes.
niques, voire opérateurs humains ou organisations sociotech- En complément de ces quatre classes, la classe appelée
niques) ; « désordre » couvre les systèmes où il n’y a aucune information
– les boucles de rétroaction pouvant exister entre ces compo- sur leur type, et l’approche reste alors intuitive en se fiant à ses
sants ; préférences ou son expérience pour prendre des décisions. Il va
– l’existence de différentes échelles de temps au sein de son de soi que cette classe n’a été rajoutée que pour proposer une
évolution (coexistence de régimes rapides et lents) ; exhaustivité du cadre Cynefin, mais qu’elle n’est pas opératoire.
– une frontière pas toujours aisée à poser de manière définitive L’intérêt de ce cadre général est de proposer une démarche
entre ce qui va caractériser le système d’intérêt et ce qui peut être générale qui aille des systèmes chaotiques aux complexes puis
caractérisé comme l’environnement ou l’exosystème ;


aux compliqués et aux simples, en fonction de l’information dis-
– des échanges avec rétroactions potentielles au niveau de cette ponible sur le système. Il convient cependant de noter que la sim-
frontière, etc. plicité n’est pas une finalité, car un système simple est souvent
Afin de mieux appréhender les différentes classes de systèmes vulnérable aux changements rapides qui s’avèrent potentielle-
en vue de leur architecture, un cadre particulier a été défini à par- ment catastrophiques. Ces dernières années, le cadre Cynefin a
tir de 1999 par D. Snowden, chercheur travaillant à l’époque chez été appliqué dans de nombreux domaines comme la gestion de
IBM Global Services : le cadre Cynefin [9]. « Cynefin » (/k Ȓ n Ǯ v ǰ n/) chaînes logistiques, la gestion de crise, la gestion de risques ali-
est un mot gallois difficilement traduisible, dont le sens commun mentaires, la sécurité intérieure, la création de nouveaux marchés,
est « habitat », « repaire », « résidence » en tant que nom, et etc. Il convient cependant de souligner que même s’il est assez
« familier », « usuel », « habituel », « ordinaire » en tant qu’adjec- répandu, ce cadre n’est qu’un guide pour la prise de décision, et
tif. Il signifie un endroit avec des appartenances multiples, met- ne repose sur aucun fondement scientifique particulier.
tant en exergue que nous avons tous des racines variées qui nous
influencent, sans que nous en ayons véritablement conscience.
D. Snowden a choisi ce terme pour marquer le caractère à la fois
incertain et évolutif des systèmes complexes. 2. Architecturer n’est pas
Le cadre Cynefin est un cadre « créateur de sens » (sense-
making en anglais) : par opposition aux modèles de catégorisa- concevoir
tion, bâtis antérieurement aux données à traiter qui permettent
ultérieurement de ranger les données dans une catégorie ou Il est nécessaire de faire la distinction entre une démarche
l’autre, les modèles de « sense-making » tentent de donner du d’architecture système et une démarche de conception (design)
sens à des expériences, donc à des données collectées. système. À la fois les postures à adopter et les techniques et
Le cadre est basé sur quatre classes de systèmes (simple, com- méthodes à mettre en œuvre diffèrent.
pliqué, complexe, chaotique), auxquelles se rajoute une dernière
Tout d’abord, sans sombrer dans des querelles byzantines ou
classe pour les systèmes que nous n’avons pu mettre dans
disputes sémantiques, faisons quelques remarques sur le vocabu-
aucune des classes précédentes, appelée « désordre ». Ce modèle
laire. Sa mise en regard avec la langue anglaise permet de saisir
est en premier lieu un outil d’analyse, mais aussi un outil de prise
le désarroi auquel nous pourrions être confrontés.
de décision, permettant d’orienter le choix d’une méthodologie
adaptée au besoin et proposant une approche quant à la prise de « Architecturer » est un verbe en français, non en anglais (néo-
décision en fonction des systèmes. logisme en anglais américain – entrée inexistante dans le Merriam
Webster – et connoté génie logiciel en anglais britannique –
Un système simple est tel que les relations entre cause et effet
« Design and configure (a program or system) » dans l’Oxford).
existent, sont prévisibles, se répètent, sont connues. La prise de
décision se fera plutôt sur le mode : percevoir-catégoriser- « Concevoir » n’a pas de traduction fidèle en anglais ; « to
répondre. C’est le domaine où nous pouvons appliquer en design » en est la traduction la plus rapprochée, mais approxi-
confiance les savoir-faire, les meilleures pratiques, les procédures mative (ne parlons pas de « to conceive » en anglais, qui veut
éprouvées. dire avant tout faire un enfant, « conception » ici dans son sens
Un système compliqué est également caractérisé par des rela- premier). Ainsi, le terme « Architectural Design » a disparu des
tions entre cause et effet, mais qui ne sont pas toujours connues, normes et standards liées à l’ingénierie et l’architecture des sys-
et qui nécessiteront donc l’intervention d’experts. La prise de déci- tèmes au profit :
sion suit le mode : percevoir-analyser-répondre. C’est le domaine – d’une partition entre Architecture Definition et Design Defini-
privilégié des ingénieurs, élaborant des bonnes pratiques, recher- tion dans l’ISO 15288 ;
chant éventuellement plusieurs solutions pour un même pro- – d’un triplé de processus cœur (Architecture conceptualization,
blème. L’approche développée dans cette classe de système est Architecture evaluation, Architecture elaboration) dans l’ISO 42020.
celle des intelligences artificielles comme Deep Blue face au jeu Plutôt que d’opposer architecture et design, il est sans doute
d’échecs. plus pertinent de parler de dualité et de complémentarité, entre
Un système complexe est tel que les relations entre cause et architecture et ingénierie. Cette distinction existe depuis long-
effet ne sont connues qu’après-coup, avec des résultats émer- temps dans d’autres domaines comme le bâtiment (architecture et
gents non prévisibles. La prise de décision se fait suivant le génie civil), le naval (architecte naval et chantiers navals).

Copyright © – Techniques de l’Ingénieur – Tous droits réservés


S 7 302 – 4

QPR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPR

____________________________________________________________ L’ARCHITECTURE ET LA CONCEPTION ARCHITECTURALE DES SYSTÈMES COMPLEXES

Les travaux de la MITRE Corporation [10] pointent la différence ■ Affronter la complexité versus la simplifier
entre les deux en notant la complémentarité entre « analyse des Saisir la complexité d’un système se fait selon E. Morin [12] sui-
fonctions » et « synthèse de la forme », reprenant en cela le terme
vant trois perspectives paradoxales :
donné par C. Alexander [11], l’un des pionniers dans la formalisa-
tion de la conception architecturale : – le tout est plus grand que la somme des parties. Il s’agit du
principe d’émergence vu précédemment ;
– « Engineering employs analysis of function to iteratively
decompose and separate a primarily functional representation – le tout est plus petit que la somme des parties. Composer des
of a whole into representations of economically producible com- éléments entre eux limite leur autonomie respective, leurs degrés
ponents that can be assembled to construct the functional de liberté. Ils perdent une partie de leur individualité en se fondant
whole. » (trad. « L’ingénierie se base sur l’analyse des fonctions dans le tout ;
pour décomposer itérativement une représentation principale- – la prise de conscience de cette contradiction inhérente.
ment fonctionnelle du tout en un ensemble de représentations Affronter la complexité n’est pas refuser la simplicité, c’est assu-
éclatées de composants pouvant être produits économiquement mer la contradiction, l’incertain, accepter qu’une part échappe à
et assemblés afin de construire le tout fonctionnel »). certaines formes de rationalités par ailleurs souvent limitées.
– « Architecting employs synthesis of form to iteratively com- Adopter une pensée complexe ne rejette pas une pensée simplifi-
pose separate elements to form a coherent whole, or a representa- catrice, mais si elle s’appuie dessus, elle ne s’en contente nulle-
tion of a coherent whole, that can serve as an “initial point” for ment et la complète. La simplification tente de mettre de l’ordre en
system development. » (trad. « L’architecture emploie la synthèse rationalisant suivant des principes de disjonction et réduction, en
de la forme afin de composer itérativement des éléments éclatés laissant de côté l’incertain, le désordre apparent. La pensée com-
pour former un tout cohérent, ou des représentations d’un tout plexe en prend le contre-pied en se basant sur les principes de dis-
cohérent, qui puisse servir d’« état initial » pour le développement tinction et conjonction, et d’implication. Il s’agit selon E. Morin
du système »). d’effectuer en une même opération apparemment paradoxale de


Le tableau 1 (traduit par les auteurs) liste ces complémentarités. séparer et de joindre : « vous allez joindre l’Un et le Multiple, vous
allez les unir, mais l’Un ne se dissoudra pas dans le multiple et le
Détaillons certaines de ces complémentarités. multiple fera quand même partie de l’Un » [12]. Affronter la com-
■ Holistique versus réductionniste plexité se fait en raisonnant sur des modèles au bon niveau d’abs-
traction ou suivant la bonne perspective, leur nécessaire caractère
L’approche holistique (du grec ancien ὅλος / hólos signifiant parcimonieux n’imposant pas la simplification.
entier), d’un point de vue ontologique (vision du monde) consi-
dère qu’un système complexe n’est pas réductible (approche ■ Abductif versus déductif
réductionniste) à l’ensemble ou l’agrégation de ses parties, mais
C’est certainement là une des discordances majeures sur les
que le tout est plus grand que la somme des parties. De fait, les
modes de raisonnement entre une démarche d’ingénierie et une
propriétés de tels systèmes ne peuvent se déduire de la seule
démarche architecturale. Si le couple induction/déduction est sou-
connaissance de leurs parties (principe d’émergence). En architec-
vent mis en avant dans les démarches de type résolution de pro-
ture, la « synthèse de la forme » ne saurait se réduire à une vision
blèmes, l’inférence abductive, à notre sens l’inférence primordiale
extensionnelle des parties la constituant.
dans une démarche de conception architecturale, est trop souvent
ignorée. Nous lui consacrerons un passage complet dans la sec-
tion 3.3 [13].
Tableau 1 – Complémentarité entre architecture Ajoutons à ces complémentarités de [11] quelques complé-
et ingénierie ments de notre cru.
■ « Multitout » versus multi-ingénierie
Architecture Ingénierie
Synthèse de la forme Analyse des fonctions Là où une conception système met en œuvre différentes ingé-
nieries (à la fois disciplinaires – mécanique, électrique, thermique,
Holistique Réductionniste logicielle… – et transverses – facteur humain, sûreté, sécurité…),
la démarche architecturale requiert souvent d’élargir son champ
Affronte la complexité Simplifie la complexité d’implication au-delà de ces ingénieries en incorporant des
aspects tels : la politique, la stratégie, le marketing, l’environne-
Valeur qualitative Coût quantitatif ment, le juridique, le social ou le sociétal, la culture…

■ Décisions structurantes et entremêlées versus décisions locales


Abductif Déductif
et concourantes
Heuristique Algorithmique Les deux démarches sont rythmées par des prises de décision.
C’est la façon cadencée d’avancer dans l’inconnu. Pour autant, les
Le « quoi » Le « comment » natures des décisions ne sont pas équivalentes. Les décisions
architecturales façonnent la solution dans son ensemble et
Accent sur le sens Accent sur l’arrangement l’orientent dans une direction générale, un axe distinctif. Leur
(sémantique) (syntaxe) remise en cause effondrerait la cohérence et l’intégrité de la pro-
position. Ces décisions « tiennent » la solution. D’autres décisions
Interfaces externes – Interfaces internes – limitation sont plus locales, et complètent la définition précise de la solu-
ouverture tion. Ces choix ne remettent pas en cause l’intégralité de la solu-
tion et peuvent donc être retardés au maximum (et surtout
Abstrait, théorique Précis, exact intervenir causalement une fois les choix architecturaux verrouil-
lés). Ils sont suffisamment non corrélés entre eux pour être traités
Produit des spécifications Produit des spécifications de manière concourante (posture analytique) au contraire des
d’architecture de réalisation choix architecturaux qui nécessitent une posture holistique. Nous
indiquerons ultérieurement des indications pratiques permettant
Conception architecturale Conception centrée ingénierie de distinguer les décisions architecturales des décisions d’ingénie-
rie. Mentionnons ici quelques contrastes :

Copyright © – Techniques de l’Ingénieur – Tous droits réservés.


S 7 302 – 5

QPS

QPT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPT

Ingénierie des systèmes


de systèmes
Bonnes pratiques
par Jean-René RUAULT
Université polytechnique Hauts-de-France, CNRS, UMR 8201 – LAMIH – Laboratoire d’auto-
matique de mécanique et d’informatique industrielles et humaines, F-59313 Valenciennes,
France
et Dominique LUZEAUX
Ingénieur général de l’armement, habilité à diriger les recherches
Ministère des Armées

1. Concepts clés et enjeux des systèmes de systèmes............................... S 7 304 - 2



2. Dimensions des systèmes de systèmes à maîtriser ............................... — 4
2.1 Spécificités d’un système de systèmes .................................................... — 4
2.2 Dimensions d’un SdS (PESTEL, DORESE / DOTMLPFI) — 7
2.3 Disciplines à solliciter en fonction des différentes dimensions
d’un SdS ...................................................................................................... — 9
2.4 Interactions des aspects juridiques et contractuels avec la gestion
de programmes et l’ingénierie système au niveau SdS ......................... — 10
3. Activités spécifiques de gestion de programmes
et d’ingénierie système à mener au niveau SdS ..................................... — 12
3.1 Activités de gestion de programmes et d’ingénierie système
de niveau SdS ............................................................................................. — 12
3.2 Prise en compte des longueurs de vie opérationnelles des systèmes
et des SdS ................................................................................................... — 12
3.3 Gestion de configuration de niveau SdS.................................................. — 13
3.4 Traduction d’un objectif capacitaire en incréments capacitaires, feuille
de route capacitaire, planification budgétaire et contractuelle .............. — 15
3.5 De la définition des scénarios opérationnels fonctionnels
à l’architecture : aspect non fonctionnel................................................... — 16
3.6 Conception de dispositifs au niveau SdS ................................................. — 18
3.7 Activité récurrente de gestion des risques et d’analyse d’impact.......... — 19
3.8 Activité récurrente de veille ....................................................................... — 20
3.9 Activité récurrente de retour d’expérience............................................... — 20
3.10 Activité récurrente de normalisation et de recherche
et développement (R & D).......................................................................... — 20
3.11 Activité récurrente d’évaluation des interdépendances fonctionnelles
et organiques .............................................................................................. — 21
3.12 Activité récurrente de contrôle des activités réalisées et de pilotage.... — 21
4. Conclusion................................................................................................... — 21
5. Glossaire...................................................................................................... — 21
Pour en savoir plus .............................................................................................. Doc. S 7 304

n système de systèmes (SdS) est un assemblage de différents systèmes,


U indépendants les uns des autres, tant au niveau managérial qu’au niveau
opérationnel. Cela signifie qu’ils sont potentiellement acquis et mis en œuvre
indépendamment les uns des autres. Leur assemblage au sein d’un SdS
permet d’obtenir des capacités à agir, à mener des missions et à produire des
p。イオエゥッョ@Z@。カイゥャ@RPQY

Copyright © – Techniques de l’Ingénieur – Tous droits réservés S 7 304 – 1

QPU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPT

INGÉNIERIE DES SYSTÈMES DE SYSTÈMES ______________________________________________________________________________________________

effets qu’aucun d’eux ne peut faire seul. Ce sont ces capacités, ces missions et
ces effets que recherchent les parties prenantes s’engageant dans la concep-
tion et la mise en œuvre d’un SdS. Un tel assemblage permet aussi
d’optimiser la valeur globale des systèmes, en particulier en évitant de déve-
lopper un coûteux système ad hoc, fournissant les capacités et effets désirés,
mais pour des missions rares, engendrant un coût d’usage très important.
Les dimensions opérationnelles, contractuelles, budgétaires, juridiques, intera-
gissent étroitement avec les dimensions techniques. Par rapport à l’ingénierie
système « traditionnelle », cela oblige à davantage prendre en compte toutes les
dimensions, qu’elles soient ou non techniques, et force à une plus grande inté-
gration de la gestion de programmes et l’ingénierie système.
Des exemples de systèmes de systèmes, qui mettent clairement en évidence
ces points, sont entre autres : la circulation aérienne dans le cas de vols long
courrier, le transport multimodal à l’échelle d’une communauté de communes,
les grilles électriques (génération, transport, distribution de l’énergie élec-
trique) à l’échelle de plusieurs pays, le système bancaire, la réponse à des
menaces terroristes…
L’article présente, dans un premier temps, les enjeux et concepts clés des sys-


tèmes de systèmes. En particulier, les notions d’indépendance, de configuration
évolutive, de connectivité, de diversité, et du maximum de la chaîne de valeur y
sont définies. Ensuite, l’article énonce les différentes dimensions, techniques ou
non techniques, des SdS qu’il est nécessaire de maîtriser souvent rassemblées
sous les deux acronymes anglo-saxons DOTMLPFI (doctrine, organization, trai-
ning, materiel, leadership, personnel, facilities, information) et PESTEL (political,
economic, social, technological, environmental, legal), les différentes activités à
mener en fonction de ces dimensions, ainsi que les impacts juridiques et
contractuels sur les activités de gestion de programmes et d’ingénierie système.
Enfin, les activités spécifiques de gestion de programmes et d’ingénierie
système à mener au niveau SdS sont présentées, ainsi que les activités récur-
rentes adaptées au niveau SdS. En particulier sont détaillées la modélisation des
scénarios opérationnels et la définition des chaînes fonctionnelles, qui per-
mettent de désigner les systèmes contribuant à la capacité recherchée et de
concevoir leurs interfaces.
L’exemple illustrant les notions présentées dans l’article concerne un SdS de gestion de situa-
tion d’urgence [12]. La situation est la suivante : plusieurs pays, disposant déjà de leurs propres
systèmes de gestion de situation d’urgence, décident de s’associer. En effet, face à l’accroisse-
ment de la fréquence et de la gravité des situations d’urgence (accidents, événements clima-
tiques, attaques terroristes…), ces pays veulent pouvoir s’entraider, intervenir de façon
coordonnée au profit de l’un d’entre eux, en mutualisant leurs moyens. Il s’agit donc d’assembler
des systèmes acquis et utilisés indépendamment les uns des autres afin d’en maximiser la chaîne
de valeur, en particulier au moment de crises majeures que connaissent ces pays, avec des com-
binaisons d’assemblage adaptées aux différents types de crises et des ressources disponibles
dans les différents pays au moment où survient la crise.

1. Concepts clés et enjeux différents fournisseurs dans des dispositifs contractuels indé-
pendants ;
des systèmes de systèmes • l’indépendance opérationnelle : les systèmes constituant un
SdS sont amenés à réaliser des missions opérationnelles qui
leur sont confiées indépendamment les uns des autres ;
Par rapport aux bases, concepts et méthodes de l’ingénierie
• la configuration évolutive : la configuration d’un SdS et des
système décrits dans d’autres articles [S 7 300], [S 7 301],
systèmes qui le constituent évolue régulièrement, il n’y a pas
[S 7 306], et des ouvrages sur ces sujets [10], [13], l’ingénierie des
de configuration stabilisée ;
systèmes de systèmes (SdS) présente des caractéristiques spéci-
fiques. • les comportements émergents induits par l’intégration de
systèmes au sein d’un SdS ;
M. Maier [11] caractérise les SdS par les propriétés suivantes :
• la distribution géographique : les systèmes constituant un
• l’indépendance managériale : les systèmes constituant un SdS SdS ne sont pas colocalisés mais distribués, par conséquent
peuvent être acquis par différents maîtres d’ouvrage auprès de ils échangent entre eux principalement des informations.

S 7 304 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

QPV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPT

______________________________________________________________________________________________ INGÉNIERIE DES SYSTÈMES DE SYSTÈMES

B. Sauser, J. Boardman et A. Gorod [14], quant à eux, relèvent SdS restent indépendants en termes de maîtrise d’ouvrage,
un certain nombre de paradoxes à propos des SdS : objectifs, budget, soutien ; les changements au niveau SdS
• le paradoxe du périmètre : un système est défini par son péri- sont basés sur des accords coopératifs entre le SdS et chaque
mètre, ainsi que par les échanges entre son environnement et système. Un exemple est une ville intelligente (smart city) ;
lui. Cette base est structurante en ingénierie système. En • collaboratif : les systèmes constituant le SdS interagissent
revanche, le périmètre d’un SdS ne peut pas être clairement plus ou moins volontairement pour remplir des missions
défini de façon pérenne et peut évoluer au cours du temps en d’ensemble, et les échanges entre les systèmes se font par
fonction des systèmes qui sont introduits, ou retirés, du SdS ; décision collective. Un exemple est l’Internet ;
• le paradoxe du contrôle : un SdS est composé d’un ensemble • virtuel : le SdS n’a ni autorité de gestion centrale, ni finalité
de systèmes, chacun d’eux contrôlé par un propriétaire, avec définie de manière centrale. Ce type de SdS repose sur des
ses objectifs et contraintes. Il n’est pas possible de contrôler mécanismes très lâches d’auto-organisation. Un exemple est
la conception, le déploiement, la mise en œuvre d’un SdS au une application de planification d’itinéraires.
même titre qu’il est possible de les contrôler pour un système Enfin, D. Luzeaux [7], [8] et [9] propose la définition suivante des
pris individuellement ; SdS : « Un système de systèmes est un assemblage des systèmes qui
• le paradoxe de l’unité et de la diversité : les systèmes consti- peuvent être potentiellement acquis et/ou utilisés indépendamment,
tuant le SdS sont différents, et ont leur propre individualité, pour lequel le concepteur, l’acquéreur et/ou l’utilisateur essayent de
mais quand ils composent le SdS ils appartiennent à un maximiser la performance de la chaîne de valeur globale, à un
même tout, d’où une tension entre l’autonomie pour garder moment donné et pour un ensemble d’assemblages prévisible ».
son individualité et l’appartenance pour servir un tout et rem- Cette définition apporte une dimension supplémentaire par rap-
plir une mission globale. port aux précédentes, la maximisation de la chaîne de valeur, ce
Par ailleurs, ces auteurs [14] proposent les caractéristiques sui- qui suggère de prendre en compte tant le coût d’acquisition et le


vantes : coût de possession que le coût d’usage, mais aussi les produits
• l’autonomie des systèmes rend compte de leur indépendance générés par les services fournis par le SdS, et la plus-value de ces
managériale et de leur indépendance opérationnelle ; services par rapport à des services concurrents. En particulier,
dans la comparaison entre une acquisition patrimoniale et un
• l’appartenance des systèmes au SdS rend compte des liens de achat de service, les membres de l’alternative se baseront sur le
dépendance qui se tissent pour réaliser la mission de niveau coût d’usage. Dans certains contextes, la chaîne de valeur ne
SdS, mais aussi, dès lors qu’un système peut continuer à s’inscrit pas dans un environnement de marché concurrentiel
mener sa mission seul, ou s’inscrit au sein d’un autre SdS pour mais dans celui du bien public : il s’agira alors d’apporter le meil-
réaliser la mission de ce dernier, la notion d’appartenance est leur service aux citoyens contribuables. L’intérêt de cette défini-
dynamique et évolue au gré des liens entre systèmes ; tion est de ne plus se focaliser sur la constitution du SdS, son
• la connectivité décrit les liens, les interactions entre les diffé- architecture technique, ou la manière de le gérer, mais de se
rents systèmes qui constituent le SdS ; concentrer sur la valeur qu’il doit rendre à ceux qui l’utilisent :
• la diversité des systèmes contribuant au SdS rend compte l’organisation du SdS va être littéralement tirée par cette valeur
des systèmes de différentes natures et missions nécessaires (on retrouve ici l’un des préceptes du lean management).
à la réalisation de la mission de niveau SdS ; Les définitions des différents auteurs se complètent et
• l’émergence rend compte des interactions des systèmes pour englobent tant la gestion de projets et de programmes, que l’ingé-
réaliser cette mission de niveau SdS. nierie système, ainsi que toutes les autres disciplines pertinentes
à prendre en compte dans la perspective d’élaborer, de produire,
Une autre caractérisation proposée initialement par le départe- de déployer, de mettre en œuvre, de maintenir, de faire évoluer
ment de la défense américain [2], [3] et [4], puis par le SEBoK et un SdS dans la durée et d’atteindre les objectifs capacitaires,
ensuite consignée comme annexe informative de la norme calendaires et de coûts assignés. C’est pourquoi l’article s’orga-
ISO15288, puis comme document normatif ISO 21841, repose sur nise autour des deux disciplines majeures que sont l’ingénierie
le degré d’indépendance entre les constituants du SdS. Cette système et la gestion de programmes, tout en faisant appel à
taxonomie distingue les quatre types de SdS suivants : d’autres disciplines qui seront exposées et dont les interactions
• dirigé : le SdS est créé et géré pour remplir des missions spé- sont la clé de voûte du succès des SdS.
cifiques et chaque système constituant lui est subordonné. Afin de mieux comprendre les enjeux de l’ingénierie des SdS et
Un exemple est un système de gestion de trafic aérien ; de sa spécificité par rapport à l’ingénierie système, le tableau 1
• reconnu : le SdS a des objectifs reconnus, un gestionnaire et (traduit à partir du document [5]) donne les principales différences
des ressources désignées, mais les systèmes constituant le entre systèmes et systèmes de systèmes.

Tableau 1 – Différences entre systèmes et systèmes de systèmes


Les systèmes ont tendance à avoir… Les systèmes de systèmes ont tendance à avoir…
– Un ensemble clair de parties prenantes – De multiples niveaux de parties prenantes avec des intérêts
potentiellement conflictuels
– Une définition claire des objectifs et de la finalité – Une multiplicité d’objectifs et de finalités, potentiellement
conflictuels
– Des priorités opérationnelles, avec escalade pour résoudre – Des priorités multiples et quelquefois différentes, sans processus
les conflits de priorités défini d’escalade
– Un cycle de vie unique – Des cycles de vie multiples et une intégration asynchrone des
constituants
– Une maîtrise d’ouvrage unique avec la capacité de déplacer les – De multiples maîtrises d’ouvrage prenant des décisions
ressources entre éléments individuelles sur les ressources

Copyright © – Techniques de l’Ingénieur – Tous droits réservés S 7 304 – 3

QPW
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPT

INGÉNIERIE DES SYSTÈMES DE SYSTÈMES ______________________________________________________________________________________________

Dans le contexte de l’exemple, l’indépendance managériale signifie 2.1 Spécificités d’un système
que chaque pays possède son propre système de gestion de situation
d’urgence, en gère l’usage et les évolutions en fonction de ses
de systèmes
besoins propres et des ressources dont il dispose.
L’indépendance opérationnelle signifie qu’à tout moment, chacun
2.1.1 Capacités d’un système de systèmes
de ces systèmes peut être mis en œuvre indépendamment des
Un SdS est conçu, assemblé, utilisé, dans la perspective d’obte-
autres.
nir des capacités, de produire des effets selon différents critères
La configuration évolutive du SdS signifie que de nouvelles fonc- de performance, que les systèmes pris individuellement ne
tionnalités peuvent être développées et mises en œuvre, mais aussi peuvent pas produire. Mais qu’est-ce qu’une capacité au juste,
que d’autres pays peuvent s’ajouter au groupe de pays initial, voire comment la définit-on, comment peut-on exploiter sa définition
s’en retirer, quelle qu’en soit la raison. pour ensuite faire l’ingénierie des systèmes, produits et services,
Les comportements émergents recherchés par ces pays sont : qui vont permettre de lui donner corps ?
• l’effet de levier que permet l’intégration de plusieurs systèmes Une capacité traduit le double aspect de l’aptitude à produire un
de gestion de situation d’urgence pour faire face à des crises effet et de l’engagement à produire cet effet. L’engagement de
majeures exceptionnelles que peuvent connaître ces pays, sys- ressources à un moment donné dans un contexte donné caracté-
tèmes qu’il est difficile et coûteux de posséder et de maintenir rise la notion de capacité, telle qu’elle a été retenue d’abord dans
pour répondre à de telles crises ; les années 1990 par le département de la défense américain (dans
• la meilleure réactivité face à des situations de crises majeures le cadre d’une doctrine redéveloppée à l’époque, celle des EBO,
et la coordination facilitée pour répondre à des crises majeures, pour « effect-based operations »), puis très rapidement par toute
des crises internationales ou des crises transfrontalières. la communauté internationale dans le domaine de l’ingénierie des
systèmes.
La distribution géographique signifie que le SdS est déployé dans

T différents pays, dans différentes configurations des systèmes qui le


composent, avec des composantes fixes et d’autres mobiles, voire
projetables.
Une capacité se caractérise donc par la possibilité de produire
des effets via la réalisation d’actions, de fournir une valeur à des
usagers – c’est-à-dire quelque chose qui motivera suffisamment
La connectivité rend compte des échanges de services, de produits les usagers pour qu’ils recourent à l’usage, malgré les conditions
ou de données entre les différents systèmes, par exemple pour se ou contraintes que cet usage pourrait nécessiter – dans un
coordonner, pour faire appel à des ressources dont dispose un sys- contexte donné. Ces effets, cette valeur d’usage, la réalisation
tème d’un autre pays, échanges que permet l’intégration des sys- d’actions, sont mesurables avec des critères quantitatifs (tels
tèmes au sein du SdS. qu’un temps de réaction, une performance technique ou écono-
mique), ou plus qualitatifs mais reliés à des événements claire-
Le paradoxe du périmètre signifie qu’il n’est pas figé, mais peut ment identifiables (la restauration d’une situation considérée
évoluer si d’autres pays se joignent au groupe de pays initial et que comme normale prononcée par la fin d’un état d’urgence lors
des combinaisons nouvelles et particulières sont mises en œuvre d’une crise majeure, par exemple). Par ailleurs, une capacité
pour faire face à de nouveaux types de crises. s’appuie sur un ensemble de moyens, de ressources, aussi bien
Enfin, la recherche de la valeur maximale traduit l’efficacité et la technologiques qu’organisationnels.
réactivité au profit des victimes d’une crise majeure, tout en limitant
la charge supportée par les contribuables des différents pays, ce qui Les capacités d’un SdS s’inscrivent naturellement dans la durée.
ne serait pas possible si chaque pays disposait d’un système à la Un calendrier traduit le caractère incrémental de la fourniture des
mesure des crises majeures qu’il subit. capacités et les échéances à partir desquelles les capacités sont
disponibles, éventuellement de manière partielle. Cette inscription
dans la durée, ainsi que les évolutions que connaissent les sys-
tèmes qui contribuent au SdS, ont pour conséquence la labilité du
2. Dimensions des systèmes périmètre du SdS et la difficulté, voire l’impossibilité, de définir
une configuration stabilisée sur le long terme. Cette spécificité a
de systèmes à maîtriser un impact important en termes de complication des méthodes
d’ingénierie à déployer. Il est à noter que cette caractéristique fait
écho aux paradoxes du périmètre et du contrôle, mentionnés pré-
Par rapport aux aspects principalement techniques qui struc- cédemment.
turent l’ingénierie système, la maîtrise des SdS nécessite de faire Cette notion de capacité peut évidemment être reliée à la notion
appel à d’autres dimensions, non techniques, dans la perspective de finalité qui est à la base de la définition d’un système (« un
d’atteindre les objectifs capacitaires, budgétaires et de coûts ensemble d’éléments, en interaction dynamique, organisés en
attendus. fonction d’un ou plusieurs buts » ISO15288, [S 7 300]), si ce n’est
qu’habituellement ces finalités ont tendance à être monodimen-
Les spécificités des SdS découlent de la vision capacitaire qui sionnelles et facilement caractérisables par une performance tech-
est à la base de la notion de SdS. Une telle vision capacitaire nique attendue ou un niveau de service précis. C’est l’aspect
s’inscrit de facto dans la durée, dans la mesure où les capacités multidimensionnel, potentiellement qualitatif, et déployé dans le
recherchées ne pourront être remplies que par une approche temps, qui fait l’une des spécificités du contexte des systèmes de
incrémentale, d’où une nécessaire prise en compte de la prospec- systèmes et justifie l’introduction de cette notion, et par là même
tive dans l’ingénierie même du SdS, et une remise en cause pro- des manières ensuite de l’exploiter en vue de l’ingénierie des SdS.
fonde de la notion même de cycle de vie du SdS. Ceci va être
détaillé dans les sections suivantes, dans la mesure où les normes Il existe des formalisations largement répandues selon les
d’ingénierie s’appuient sur la notion de cycle de vie ; il est donc domaines d’application qui permettent de décrire une capacité :
essentiel d’en voir les différences afin de mieux maîtriser l’ingé- dans le domaine de la défense et de la sécurité, c’est d’ailleurs la
nierie du SdS. première vue à développer dans le cadre d’architecture NAF
(NATO architecture framework) [9], [10], ou ses équivalents améri-
Dans un second temps, seront exposées les différentes dimen- cains (DoDAF) et britannique (MODAF) ; dans les domaines où les
sions à prendre en compte, en s’appuyant sur les deux modèles systèmes d’information sont un atout important, c’est aussi une
d’analyse habituels, PESTEL et DOTMLPFI. Seront aussi exposées des premières vues à développer dans le cadre d’architecture
les compétences à mettre en œuvre pour les maîtriser. TOGAF® (the open group architecture framework) [S 7 301].

S 7 304 – 4 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

QPX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPT

______________________________________________________________________________________________ INGÉNIERIE DES SYSTÈMES DE SYSTÈMES

Dans le cas d’un SdS de gestion de situation d’urgence, de type Il faut veiller à ce que la modélisation des scénarios opération-
accident important, le déploiement sur le site de l’accident doit pou- nels ne se limite pas à la modélisation des processus, mais
voir être fait dans les 30 minutes, pour une région faiblement peuplée s’appuie sur l’analyse de l’activité des opérateurs : en effet, il y a
et disposant de peu d’infrastructures. La prise en charge des blessés toujours un écart entre les tâches prescrites et les activités réali-
dans des hôpitaux adaptés à leurs blessures doit être effectuée dans sées. Par ailleurs, la modélisation permet de quantifier les res-
les 45 minutes qui suivent l’accident. sources des systèmes nécessaires pour réaliser les capacités
attendues (nombre d’équipements, profil des opérateurs…).
Plusieurs systèmes différents interagissent pour réaliser ces capacités,
entre autres : des systèmes de détection d’accident, un système de télé- Les chaînes fonctionnelles sollicitent, à un titre ou à un autre, les
communication, un système de recueil et de traitement de signalement différents systèmes qui composent un SdS, et sont un élément clé
d’accident, des systèmes de sécurité de zone, des systèmes de d’une part pour la conception du SdS, d’autre part pour sa valida-
secours, des systèmes de transport d’urgence, des hôpitaux… tion en liaison avec les scénarios opérationnels. En effet, il sera en
général très difficile de faire une validation d’ensemble du SdS, sou-
Les différents pays décident de concevoir un SdS qui leur offre les
vent parce qu’il n’est pas possible d’avoir ou d’activer tous les élé-
capacités suivantes :
ments constitutifs pour un test, certains, de surcroît, ne rejoignant le
• C1 – disposer d’un système d’alerte commun à l’horizon de SdS qu’au fur et à mesure de son évolution. Les chaînes fonction-
18 mois ; nelles sont alors le moyen de valider l’aptitude du SdS à remplir une
• C2 – être capable d’intervenir au profit d’un pays du groupe partie d’une capacité dans une situation donnée.
connaissant une crise majeure, avec des commandements sépa- La réalisation de ces chaînes fonctionnelles implique que les diffé-
rés, un par pays, qui se coordonnent, à l’horizon de 24 mois ; rents systèmes disposent d’un référentiel univoque commun. Ce der-
• C3 – être capable d’intervenir au profit d’un pays du groupe nier s’appuie sur un dictionnaire de données et un répertoire de
connaissant une crise majeure, avec un commandement inté- services partagés qui assurent l’interopérabilité. Il est nécessaire de
gré, à l’horizon de 36 mois ; mener les travaux sur la définition de ce dictionnaire de données et


• C4 – être capable d’intervenir au profit de trois situations de de ce répertoire de services en même temps que sont modélisés les
crises majeures simultanément, avec des combinaisons de sys- scénarios opérationnels. Ce seront ensuite les entrées d’une part des
tèmes simples, à l’horizon de 48 mois ; processus de conception ou d’évolution des systèmes d’un SdS, en
• C5 – être capable d’intervenir au profit de trois situations de particulier pour spécifier les interfaces, d’autre part des processus
crises majeures simultanément, avec des combinaisons de sys- d’intégration et de validation de ces systèmes et de niveau SdS.
tèmes complexes (pour faire face à des crises multidimension- Il est intéressant de noter que le cadre d’architecture précité
nelles), à l’horizon de 60 mois. TOGAF® inscrit d’ailleurs la définition des capacités et des scéna-
Ces différentes capacités recherchées sont échelonnées dans le rios (« business capabilities », « business scenarios ») dans la
temps et donnent lieu à une vision incrémentale (exemples des capa- réflexion stratégique à mener en amont au niveau de l’entreprise.
cités C2 à C5), dont on comprend à la lecture qu’elles ne mettront
pas nécessairement en œuvre les mêmes systèmes, bien qu’il Les missions opérationnelles que doit réaliser le SdS de gestion de
s’agisse toujours en fait du « même » SdS. situations d’urgence sont les suivantes :
• M1 – intervenir sur des accidents de transport ferroviaire ou rou-
tier affectant une centaine de personnes dans des zones dans
2.1.2 Missions opérationnelles que réalise le SdS,
lesquelles les infrastructures de secours et hospitalières sont peu
et scénarios opérationnels denses (zones rurales enclavées) avec un trafic routier difficile ;
En complément de la vision capacitaire qui relève d’une approche • M2 – intervenir sur un incendie estival dans une zone monta-
plutôt fonctionnelle, les scénarios opérationnels – certains parlent gneuse difficile d’accès comprenant principalement des rési-
aussi de concepts d’emploi ou d’utilisation, avec les acronymes dences secondaires ;
anglo-saxons CONOPS pour « concept of operations » [S 7 302], • M3 – intervenir sur un accident survenant sur un site dangereux
voire OPSCON pour « operational concept », et CONUSE pour classé SEVESO en environnement météorologique difficile (tem-
« concept of use » – vont apporter une vision comportementale : ils pête de neige).
vont permettre de décrire ce que font les systèmes du SdS pour À partir de ces missions opérationnelles, plusieurs scénarios opéra-
mener les missions opérationnelles qui lui sont confiées (et qui vont tionnels sont élaborés. Pour la mission M1, les scénarios ci-dessous
en particulier découler des capacités définies précédemment), dans sont élaborés :
des environnements donnés et dans différentes situations. L’adjectif
opérationnel souligne que ce qui est mis en exergue est l’utilisation • S1 – un accident impliquant un train de voyageurs et un car sco-
du SdS, et les rapports qu’il va avoir vis-à-vis de son environnement laire survient à un passage à niveau, les services de secours inter-
et des moyens (dont les opérateurs) qui en autorisent l’usage. viennent en moins de 15 minutes pour secourir les victimes de
l’accident, les victimes les plus gravement atteintes sont prises
L’élaboration d’un ensemble cohérent de scénarios opération- en charge sur place puis évacuées en hélicoptère vers des hôpi-
nels permet de préciser les contraintes qui structurent et dimen- taux spécialisés disposant de services adaptés à leurs blessures,
sionnent le SdS. Il est nécessaire d’identifier au niveau des les victimes moins gravement atteintes sont évacuées vers les
scénarios l’ensemble des situations dans lesquelles le SdS est hôpitaux de proximité qui les prennent en charge ;
susceptible d’être utilisé, donc autant les situations favorables aux • S2 – un accident impliquant un car de touristes étrangers reve-
comportements nominaux, que les situations les plus défavo- nant des sports d’hiver survient en zone montagneuse pendant
rables, y compris lorsque le SdS est l’objet d’attaques malveil- une tempête de neige, les services de secours sont avertis tar-
lantes, permettant de définir les comportements dégradés. divement, ces services accèdent difficilement à la zone de
La modélisation des scénarios opérationnels met en évidence l’accident, ils ne peuvent déployer un hôpital de campagne et
l’organisation et les activités des différents acteurs (dont les prises font appel à l’ensemble des secours publics et privés de la
de décision), les échanges entre acteurs ou éléments d’organisa- région pour évacuer les blessés ;
tion, l’utilisation des équipements pour soutenir ces activités, les • S3 – un accident un camion transportant des hydrocarbures sur-
interactions et flux entre ces équipements, ainsi que les chaînes vient entre une école et le centre d’une ville, en fin d’après-midi.
fonctionnelles de bout en bout. Rappelons qu’une chaîne fonc- Les services de secours interviennent pour secourir les victimes,
tionnelle est l’ensemble des constituants organisés de façon à les forces de l’ordre sécurisent le périmètre, tandis que les ser-
remplir une tâche opérationnelle (le regroupement de tâches per- vices spécialisés contiennent les fuites d’hydrocarbures et orga-
met de remplir une mission). nisent le traitement des zones polluées (illustration par la figure 1).

Copyright © – Techniques de l’Ingénieur – Tous droits réservés S 7 304 – 5

QPY

QQP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
sWSPU

Management des exigences


par Jean-Louis BOULANGER
Évaluateur-Certificateur
Certifer (Anzin, France)

1. Phase d’acquisition des exigences.............................................. S 7 305 – 2


1.1 Présentation........................................................................................ — 2
1.2 Élucidation des exigences ................................................................. — 3
1.2.1 Présentation ............................................................................. — 3
1.2.2 Identification des parties prenantes ........................................ — 4
1.2.3 Identification des sources ....................................................... — 6
1.3 Processus d’analyse et de documentation ........................................ — 7
1.3.1 Décomposition du processus .................................................. — 7
1.3.2 Phase d’analyse des exigences ............................................... — 7
1.3.3 Phase de production de la description ................................... — 9
1.4 Vérification et validation des exigences ............................................ — 9
1.4.1 Présentation .............................................................................
1.4.2 Définitions ................................................................................
1.4.3 Vérification ...............................................................................



9
9
10

1.4.4 Validation ................................................................................. — 11
2. Spécification des exigences ......................................................... — 11
2.1 Caractérisation des exigences ........................................................... — 11
2.1.1 Identification ............................................................................ — 11
2.1.2 Quelques caractéristiques importantes .................................. — 11
2.1.3 Caractérisation d’un ensemble d’exigences ........................... — 11
2.1.4 Caractérisation du processus .................................................. — 12
2.1.5 Complément ............................................................................ — 12
2.2 Caractérisation de la spécification des exigences ............................ — 12
2.3 Expression des exigences .................................................................. — 13
2.3.1 Langage naturel ....................................................................... — 13
2.3.2 Mise en place d’un glossaire .................................................. — 13
2.3.3 Formalisation ........................................................................... — 13
2.3.4 Formulation à l’aide d’un gabarit ........................................... — 13
2.3.5 Modélisation ............................................................................ — 14
3. Réalisation........................................................................................ — 14
3.1 Processus ............................................................................................ — 14
3.2 Vérification .......................................................................................... — 15
3.2.1 Objectif de la vérification ........................................................ — 15
3.2.2 Revue documentaire ................................................................ — 16
3.3 Traçabilité ........................................................................................... — 16
3.4 Gestion des changements ..................................................................