293 Conception de La Commande de Processus Popescu

Popescu.
qxp_Mise en page 1 03/08/2017 11:26 Page1
COLLECTION SYSTÈMES ET GÉNIE INDUSTRIEL
D. Popescu, A. Gharbi
D. Stefanoiu, P. Borne
Cet ouvrage présente les principaux outils et techniques utilisés pour la
conception de la commande des mécanismes industriels. Il développe
la réalisation des différentes étapes (modélisation, identification en
boucle fermée et synthèse de la commande), met en équation un large
ensemble de processus physiques rencontrés dans l’industrie, et étudie
Conception de la commande
le cas des processus complexes ou mal définis. Les méthodes
proposées ainsi que leur application sont illustrées par divers exemples de processus pour
de commandes de processus industriels et concernent principalement
le contrôle de la production d’énergie. les applications industrielles
Conception de la commande de processus pour les applications
Conception de la commande de processus pour les applications industrielles

industrielles présente diverses études de cas. Celles-ci démontrent
comment l'application des solutions de contrôle automatique peut
considérablement améliorer les processus industriels dans l'industrie
sidérurgique, dans les procédés pétrochimiques ou dans l'industrie de
l'énergie.
Cet ouvrage offre aux spécialistes en automatique industrielle les

concepts, méthodes et techniques les plus performantes pour la Dumitru Popescu, Amira Gharbi
conception des systèmes numériques de contrôle, et présente quelques
applications pratiques de processus industriels en exploitation. Dan Stefanoiu et Pierre Borne
Les auteurs
Dumitru Popescu est professeur de l’Université Politehnica de Bucarest,
Roumanie.
Amira Gharbi est docteur en génie électrique de l’Ecole nationale
d'ingénieurs de Tunis, Tunisie.
Dan Stefanoiu est professeur de l’Université Politehnica de Bucarest,
Roumanie.
Pierre Borne est professeur émérite à l’Ecole centrale de Lille, France.
Z(7ib7i4-AFCJDF(
e
editions
edition
editio
editi
edit
edi
d ed
editions
edition
editio
editi
edit
edi
e
editions
edition
editio
editi
edit
edi
d
Document protégé électroniquement. Réservé à l'usage de Steve Demirel Youteh (youteh03@yahoo.fr) Transaction: 6929
Conception de la commande de processus
pour les applications industrielles
First published 2017 in Great Britain by ISTE Editions Ltd.
Apart from any fair dealing for the purposes of research or private study, or criticism or review,
as permitted under the Copyright, Designs and Patents Act 1988, this publication may only be
reproduced, stored or transmitted, in any form or by any means, with the prior permission in
writing of the publishers, or in the case of reprographic reproduction in accordance with the
terms and licenses issued by the CLA. Enquiries concerning reproduction outside these terms
should be sent to the publishers at the undermentioned address:
ISTE Editions Ltd

27-37 St George’s Road
London SW19 4EU
UK
© ISTE Editions Ltd 2017

The rights of the authors of this work have been asserted by them in accordance with the
Copyright, Designs and Patents Act 1988.
British Library Cataloguing-in-Publication Data

A CIP record for this book is available from the British Library
ISBN: 978-1-78405-293-5 (print)
ISBN: 978-1-78406-293-4 (e-book)
Printed and bound in Great Britain by CPI Group (UK) Ltd., Croydon, Surrey CR0 4YY, September 2017
Conception
de la commande
de processus pour les
applications industrielles
Dumitru Popescu
Amira Gharbi
Dan Stefanoiu
Pierre Borne
editions
Ouvrage publié sous la direction de
Bernard Dubuisson
Table des matières
Avant-propos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Chapitre 1. Modèles et systèmes dynamiques . . . . . . . . . . . . . 13

1.1. Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2. Modélisation des processus industriels . . . . . . . . . . . . . . . . . . . . 15
1.3. Classes de modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.1. Modèles d’état (ME) . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.2. Modèles entrée-sortie (ME/S) . . . . . . . . . . . . . . . . . . . . . . 25
1.3.2.1. Modèle de connaissance . . . . . . . . . . . . . . . . . . . . . . 25
1.3.2.2. Modèle de comportement . . . . . . . . . . . . . . . . . . . . . 26
1.3.2.3. Modèle de commande . . . . . . . . . . . . . . . . . . . . . . . 28
1.3.2.4. Modèle de conduite . . . . . . . . . . . . . . . . . . . . . . . . 31
Chapitre 2. Identification linéaire des systèmes

en boucle fermée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.1. Aperçu d’ensemble sur l’identification des systèmes . . . . . . . . . . . . 35
2.2. Contexte de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3. Identification préliminaire d’un processus bouclé . . . . . . . . . . . . . . 41
2.3.1. Modèles d’identification linéaires multi-variables . . . . . . . . . . 42
2.3.2. Estimation des modèles linéaires de type MIMO par la MMC . . . 45
2.3.3. Identifier les processus bouclés à l’aide de la MMC-MV . . . . . . 49
2.3.3.1. Données E/S mesurées directement sur le processus . . . . 50
2.3.3.2. Données E/S mesurées sur le système en BF (sans accès
à la commande du processus) . . . . . . . . . . . . . . . . . . . . . . . 52
6 Conception de la commande de processus pour les applications industrielles
2.4. Méthodes d’identification de la classe CLOE . . . . . . . . . . . . . . . . 54

2.4.1. Principe des méthodes CLOE . . . . . . . . . . . . . . . . . . . . . . 54
2.4.2. Méthode CLOE de base . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.4.3. Méthode CLOE pondérée (W-CLOE) . . . . . . . . . . . . . . . . . 60
2.4.4. Méthodes CLOE avec filtrage (F-CLOE) ou filtrage adaptatif
(AF-CLOE) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.4.5. Méthode CLOE étendue (X-CLOE) . . . . . . . . . . . . . . . . . . 73
2.4.6. Méthode CLOE généralisée (G-CLOE) . . . . . . . . . . . . . . . . 80
2.4.7. Méthode CLOE pour des systèmes avec intégrateur (I-CLOE) . . 89
2.4.8. Sur la validation des modèles identifiés
par les méthodes CLOE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
2.5. Application : identification d’une suspension active . . . . . . . . . . . . 95
Chapitre 3. Conception de la commande numérique

par placement de pôles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
3.1. Commande PID numérique . . . . . . . . . . . . . . . . . . . . . . . . . . 109
3.2. Commande polynomiale RST numérique . . . . . . . . . . . . . . . . . . 111
3.3. Commande RST par placement de pôles . . . . . . . . . . . . . . . . . . . 114
3.3.1. Calcul de la commande pour la dynamique en régulation . . . . . . 114
3.3.2. Calcul de la commande pour la dynamique en poursuite . . . . . . 115
3.3.3. Commande RST à objectifs en régulation et poursuite . . . . . . . 116
3.3.3.1. Performances en régulation . . . . . . . . . . . . . . . . . . . . 117
3.3.3.2. Performances en poursuite . . . . . . . . . . . . . . . . . . . . 118
3.4. Commande prédictive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
3.4.1. Commande prédictive à horizon fini . . . . . . . . . . . . . . . . . . 120
3.4.2. Commande prédictive à horizon unitaire . . . . . . . . . . . . . . . 122
Chapitre 4. Commande adaptative et commande robuste . . . . . . 129

4.1. Systèmes adaptatifs à commande polynomiale . . . . . . . . . . . . . . 129
4.1.1. Estimation des paramètres pour les systèmes
en boucle fermée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.1.2. Conception de la commande adaptative . . . . . . . . . . . . . . . 131
4.2. Systèmes robustes à commande polynomiale . . . . . . . . . . . . . . . 133
4.2.1. Robustesse des systèmes en boucle fermée . . . . . . . . . . . . . 133
4.2.2. Etude de la connexion stabilité-robustesse . . . . . . . . . . . . . . 136
4.2.3. Etude de la connexion non-linéarité-robustesse . . . . . . . . . . . 138
4.2.4. Etude de la connexion performance-robustesse . . . . . . . . . . . 139
Table des matières 7
4.2.5. Analyse de la robustesse par l’étude sur la fonction

de sensibilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.2.6. Conception de la commande RST robuste . . . . . . . . . . . . . . 143
4.2.7. Calibrage de la fonction de sensibilité . . . . . . . . . . . . . . . . 144
Chapitre 5. Commande multimodèle . . . . . . . . . . . . . . . . . . . . 147

5.1. Construction de multimodèles . . . . . . . . . . . . . . . . . . . . . . . . 148
5.1.1. Logique floue, modèles de Mamdani . . . . . . . . . . . . . . . . . 148
5.1.2. Identification à partir de données entrées-sorties :
méthode directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
5.1.3. Identification à partir de données entrées-sorties :
approche neuronale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
5.1.4. Linéarisation autour de divers points de fonctionnement . . . . . 157
5.1.5. Transformation polytopique convexe
à partir d’un modèle analytique affine en la commande . . . . . . . . . . . 158
5.1.6. Calcul de la validité des modèles de base . . . . . . . . . . . . . . 159
5.2. Stabilisation et commande des multimodèles . . . . . . . . . . . . . . . 160
5.3. Conception de la commande multimodèle : approche floue . . . . . . . 160
5.4. Suivi de trajectoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
Chapitre 6. Systèmes mal définis et/ou incertains . . . . . . . . . . . 163

6.1. Etude de la stabilité des systèmes non linéaires
à partir des normes vectorielles . . . . . . . . . . . . . . . . . . . . . . . . . . 163
6.1.1. Normes vectorielles . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
6.1.2. Systèmes de comparaison, systèmes majorants . . . . . . . . . . . 164
6.1.2.1. Cas continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
6.1.2.2. Cas discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
6.1.3. Détermination des attracteurs . . . . . . . . . . . . . . . . . . . . . 169
6.1.3.1. Cas continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
6.1.3.2. Cas discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
6.1.4. Attracteurs emboîtés . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
6.2. Adaptation de la commande . . . . . . . . . . . . . . . . . . . . . . . . . . 172
6.2.1. Minimisation de la taille des attracteurs : approche directe . . . . 172
6.2.2. Minimisation de la taille des attracteurs par métaheuristique . . . 172
6.3. Majoration de l’erreur maximale pour diverses applications . . . . . . 173
6.3.1. Commande des systèmes non linéaires par placement
de pôles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
6.3.1.1. Cas continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
6.3.1.2. Cas discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
6.3.2. Commande par difféomorphisme

des processus non linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
6.3.3. Détermination de l’attracteur pour les processus
du type Lur’e Postnikov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
6.3.3.1. Description des systèmes étudiés . . . . . . . . . . . . . . . . 177
6.3.3.2. Cas du système incertain en régime non autonome
(et non nul) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
6.3.4. Minimisation de l’attracteur par la recherche tabou . . . . . . . . 180
6.4. Commande à boucle secondaire floue . . . . . . . . . . . . . . . . . . . . 185
Chapitre 7. Modélisation et contrôle d’un processus industriel

élémentaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
7.1. Modélisation et contrôle des processus de transfert de fluide . . . . . . . 187
7.1.1. Modélisation des processus d’écoulement de fluide . . . . . . . . . 188
7.1.1.1. Modèle dynamique d’un tuyau court . . . . . . . . . . . . . . 188
7.1.1.2. Modèle dynamique d’un tuyau long . . . . . . . . . . . . . . 191
7.1.2. Conception des systèmes de contrôle du débit . . . . . . . . . . . . 192
7.2. Modélisation et contrôle des processus d’alimentation-évacuation
de liquide . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
7.2.1. Evacuation à débit constant . . . . . . . . . . . . . . . . . . . . . . . 195
7.2.2. Evacuation à débit variable . . . . . . . . . . . . . . . . . . . . . . . 197
7.2.3. Conception des systèmes de contrôle du niveau de liquide . . . . . 199
d’une capacité pneumatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
7.3.1. Modélisation d’une capacité pneumatique . . . . . . . . . . . . . . . 201
7.3.2. Conception des systèmes de contrôle
de la capacité pneumatique . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
7.4. Modélisation et contrôle des processus de transfert de chaleur . . . . . . 205
7.4.1. Modélisation d’un processus de transfert thermique . . . . . . . . . 205
7.4.2. Conception des systèmes de contrôle pour la température . . . . . 208
7.5. Modélisation et contrôle des processus de transfert de composants . . . 209
7.5.1. Modélisation d’un processus de mélange
sans réaction chimique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
7.5.2. Modélisation d’un mélange avec réaction chimique . . . . . . . . . 212
7.5.3. Conception des systèmes de contrôle de la concentration
des composants chimiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
Table des matières 9
Chapitre 8. Applications industrielles – Etudes de cas . . . . . . . . 217

8.1. Contrôle numérique pour l’installation de chauffage de l’air
dans une aciérie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
8.1.1. Solution d’automatisation et conception de la commande . . . . . . 218
8.1.2. Optimisation du processus de combustion . . . . . . . . . . . . . . . 221
8.2. Contrôle et optimisation d’une installation d’éthylène . . . . . . . . . . . 224
8.2.1. Solution d’automatisation et conception de la commande . . . . . . 225
8.2.1.1. Contrôle de la proportion des débits d’essence
et de vapeur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
8.2.1.2. Contrôle des paramètres de la réaction chimique . . . . . . . 227
8.2.2. Optimisation du processus de pyrolyse . . . . . . . . . . . . . . . . 232
8.3. Commande numérique d’une installation thermo-énergétique . . . . . . 233
8.3.1. Solution d’automatisation d’un point
de fonctionnement thermique . . . . . . . . . . . . . . . . . . . . . . . . . . 234
8.3.2. Optimisation du transfert thermique agent-produit . . . . . . . . . . 239
8.4. Contrôle extrémal d’une installation photovoltaïque . . . . . . . . . . . . 240
8.4.1. Contrôle extrémal du panneau photovoltaïque . . . . . . . . . . . . 251
Annexe A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
Annexe B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
Annexe C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
Annexe D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
Liste des notations et acronymes . . . . . . . . . . . . . . . . . . . . . . 281
Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
Avant-propos
Ce livre a pour but de présenter les divers aspects et les diverses approches les plus
courants relatifs à la commande des processus industriels.
Le calcul de la commande d’un processus s’effectuant à partir d’un modèle de ce

processus, la modélisation et l’identification des systèmes sont présentés avec pour
objectif principal l’élaboration de modèles dynamiques de commande.
A partir du modèle choisi, le système de commande est déterminé en vue de

garantir au processus les performances désirées. Dans le cas de modèles linéaires les
principales méthodes pour la conception de la commande sont basées sur la notion de
placement de pôles.
Pour tenir compte du fait que le modèle choisi n’est qu’une description simplifiée
et souvent imparfaite du comportement du processus, des commandes plus élaborées
peuvent être proposées : commande adaptative, commande robuste, commande pré-
dictive, commande à modèle interne, etc.
Lorsque le comportement du processus est fortement non linéaire, il peut être

nécessaire d’adopter une commande multimodèle. La détermination, le choix et la
prise en compte des divers modèles permettant de décrire l’évolution du processus en
divers points de fonctionnement dépend de la validité de chacun de ces modèles aux
points de fonctionnement choisis.
Une méthode d’estimation de l’erreur induite par la difficulté d’estimation du

modèle et la présence d’incertitudes, de bruit et de perturbations d’amplitudes bornées
est proposée.
Après une présentation des diverses lois physiques régissant l’évolution des
processus à variation continue, plusieurs réalisations d’exploitation optimale réelles
effectuées en milieu industriel sont détaillées, permettant au lecteur une meilleure
compréhension des approches développées.
Chapitre 1
Modèles
et systèmes dynamiques
Ce chapitre présente une introduction à la problématique de la conception et de

l’implémentation d’une solution d’automatisation dans une application industrielle.
Aujourd’hui, on s’oriente de plus en plus vers la demande d’une installation qui a une
bonne productivité, avec une exploitation efficace au profit du fournisseur par les
moyens basés sur les concepts modernes comme l’embedded optimisation et le low
cost automation. Dans ce contexte, l’automatique et l’informatique appliquées
participent par leurs ressources et outils théoriques, matériels et logiciels au
développement des applications pour les technologies existantes ainsi que les
nouvelles technologies. L’automatique offre la possibilité d’exprimer l’évolution d’un
processus réel par un modèle mathématique abstrait et d’utiliser les méthodes et les
mécanismes nécessaires pour la conception de la commande des systèmes avancés qui
assurent un régime d’exploitation optimal du processus. D’autre part, l’informatique
par les outils matériels et logiciels disponibles et par l’efficacité du calcul et de la
communication très performante en contribuant aux opérations de traitement de
données, modélisation, identification et conception de la commande, participe d’une
manière décisive à l’optimisation, la surveillance et la protection des procédés
industriels. Les classes des modèles (systèmes) dynamiques associés aux processus,
les algorithmes les plus importants et les méthodes et techniques utilisées pour la
conception des systèmes de contrôle des installations industrielles sont présentés
brièvement.
1.1. Généralités
La conception et l’implémentation des systèmes numériques de contrôle dans les

applications industrielles ont comme objectif principal de valoriser les outils de
l’automatique et de l’informatique pour l’amélioration de la qualité des produits, la

garantie de la sécurité du personnel et la protection des installations et de
l’environnement par la diminution, autant que possible, des coûts nécessaires de
fabrication.
Cet objectif répond aux besoins de fonctionnement plus efficace et autonome de

l’entreprise, et à la nécessité de réduire l’intervention de l’opérateur dans l’exploitation
du processus (les installations, les machines et les équipements commencent à
communiquer entre eux par les mécanismes du concept de l’Internet of Things) et par
l’intégration massive de l’automatisation aux technologies performantes de
production.
Deux catégories principales d’outils de l’automatique industrielle sont nécessaires :

premièrement, le formalisme mathématique qui permet la représentation du processus
par un modèle mathématique qui exprime sa dynamique et, deuxièmement, les
concepts et les méthodes pour le contrôle et l’optimisation du processus.
Un modèle mathématique est établi en utilisant les lois qui gouvernent le fonc-
tionnement du processus ou une collection de données acquises sur ce processus.
Les algorithmes de contrôle implémentés sur les modèles sont calculés par des
méthodes numériques pour assurer les performances désirées sur les processus réels.
Dans une étape devenue obligatoire, un point d’exploitation optimal est cherché dans
les conditions réelles d’exploitation, à l’aide d’une décision optimale pour le fonc-
tionnement du processus.
Les moyens numériques de calcul et de programmation assurent également

l’acquisition et le traitement de l’information en temps réel et offrent des facilités pour
la conception assistée des systèmes de contrôle, et la mise en fonction des applications
de conduite et surveillance.
La commande classique assure le contrôle autour d’un point nominal de

fonctionnement. Pour obtenir des performances dans un voisinage plus large autour du
point nominal, il faut améliorer ce type de commande par des mécanismes adaptatifs,
robustes, prédictifs, multi-modèles, intelligents, etc.
L’exploitation du processus se déroule dans un domaine « admissible », ce domaine

de fonctionnement du processus étant imposé par des contraintes technologiques.
Une configuration standard de conduite de ce processus est organisée en plusieurs

fois sur deux niveaux importants d’automatisation : le niveau de régulation (exécution)
Modèles et systèmes dynamiques 15
et le niveau de supervision (décision). Le niveau de supervision calcule, après une

logique de conduite, la décision optimale qui sera prise effectivement au niveau de
l’exécution par l’action des systèmes de contrôle. Au niveau de la régulation, le
processus va évoluer, autour du point de fonctionnement nominal (PN), sous l’effet de
la stratégie avancée de contrôle en préservant les performances, dans une zone pré-
spécifiée au voisinage du (PN).
Le superviseur trouve le point optimal d’exploitation (PO) dans le domaine

admissible par des techniques d’optimisation adéquates et la décision du superviseur
est transférée de manière automatique du point (PN) vers le point optimal (PO).
Parfois, il y a le cas dans lequel le processus va sortir du domaine de fonctionnement
admissible au point de défaut (PF) ; la situation anormale sera détectée et le diagnostic
sera précisé pour éliminer d’urgence la cause du défaut. Après une reconfiguration des
systèmes de contrôle qui deviennent plus tolérants aux fautes, le processus va évoluer
vers un état normal [BOR 93, GEV 95, POP 06].
Dans ce contexte, notre ouvrage propose les ingrédients nécessaires pour la

conception et l’implémentation des solutions modernes de contrôle dans les applications
industrielles et s’adresse notamment aux spécialistes en génie des systèmes automatisés.
Il faut noter la complémentarité qui existe entre cet ouvrage et les ouvrages en
optimisation des systèmes [BOR 13, STE 14] qui ont détaillé la méthodologie et les
techniques nécessaires pour l’implémentation du niveau de supervision dans une solution
de conduite performante d’un processus industriel.
1.2. Modélisation des processus industriels
Le modèle mathématique est la représentation abstraite du comportement d’un

processus (dans notre cas industriel), autrement dit, un système dynamique associé au
processus, qui décrit d’une manière simple son comportement et qui permet de mieux
comprendre les phénomènes examinés et de faire des simulations, remplaçant ainsi des
expériences qui risqueraient d’être onéreuses et de perturber le processus.
Le modèle obtenu restera toujours une idéalisation de la réalité physique, du fait

que l’on a émis des hypothèses pour l’obtenir. Par ailleurs, la recherche d’un modèle
peut emprunter différentes formes, et cela en fonction de l’objectif à atteindre, des
outils dont on dispose et de la nature ainsi que de la complexité du phénomène ou du
processus en question. A l’origine de l’estimation d’un modèle dynamique dans le
domaine du génie des procédés, on trouve un ensemble d’équations qui utilisent le
principe de conservation relatif à quelques grandeurs physiques : matière, énergie,
quantité de mouvement et charge électrique. Ceci se traduit par l’établissement
d’équations de bilan pour chacune de ces grandeurs, lorsqu’elles sont mises en jeu
[DAU 04, POP 06, POP 11].
Le plus souvent, on commence par écrire des équations de bilan qui traduisent la
conservation d’une quantité W (masse ou énergie) pendant une durée dt. La forme
générale de ce type d’équations est la suivante : (variation dW de W dans le système) =
(quantité entrante de W dans le système) – (quantité sortant de W dans le système) +
(quantité de W accumulée) – (quantité de W consommée). Ce qui peut s’écrire :
dW = Qe dt − Qs dt + rf dt − rc dt [1.1]
ou encore :
dW
= Qe − Qs + rf − rc [1.2]
dt
où rf et rc représentent respectivement les vitesses de réaction, de formation et de

consommation de la grandeur W dans le système.
Ce bilan peut s’écrire, par exemple, pour la conservation de la masse globale du

système :
dM d ( ρV )
= = ρ e Qe − ρ s Qs [1.3]
dt dt
avec : ρ – masse volumique de la matière dans le système ; ρ e – masse volumique de la

matière dans le flux entrant ; ρ s – masse volumique de la matière dans le flux sortant ;
Qe – débit volumique entrant ; Qs – débit volumique sortant ; V – volume du système ;
M – masse totale du système.
Pour la conservation de chaque composant il vient :
dna d (caV )
= = ca ,in Qe − ca ,out Qs + (raf − rac )V [1.4]
dt dt
avec : ca – concentration molaire du composant A dans le système ; ca ,in – concentration

molaire du composant A dans le flux entrant ; ca , out – concentration molaire du composant
A dans le flux sortant ; Qe – débit volumique entrant ; Qs – débit volumique ; V – volume
du système ; na – nombre de moles dans le système ; raf , rac – vitesses de réaction du

composant A dans le sens direct et réversible de la réaction.
Pour la conservation de l’énergie :
dE d (U + K + P)
= = he ρ e Qe − hs ρ s Qs ± Qc ± Fs [1.5]
dt dt
avec : E – énergie totale du système ; U – énergie interne ; K – énergie cinétique ; P –

énergie potentielle ; he – enthalpie spécifique de la matière dans le flux d’entrée ; hs –
enthalpie spécifique de la matière dans le flux de sortie ; Qc – quantité de chaleur échangée
entre le système et l’environnement ; Fs – action des forces extérieures s’exerçant sur le
système.
Pour les processus plus complexes, il y a aussi la possibilité d’une représentation

synthétique plus difficile pour les caractéristiques principales du processus, à partir des
équations élaborées d’une manière systémique, avec un certain degré de précision.
Il y a deux classes importantes de modèles utilisés en automatique, les modèles

d’état (ME) basés sur le concept structurel d’état, et les modèles entrée-sortie (ME/S)
basés sur le concept de causalité.
En fonction de la nature du processus et de l’intérêt de l’utilisateur, les équations

de bilan se transforment facilement dans un modèle d’état, ou dans un modèle entrée-
sortie, qui va exprimer la dynamique du processus [AST 93, CAL 79, COR 13,
DAU 04, KAI 69, POP 06, POP 11].
1.3. Classes de modèles
Nous présentons ici les modèles les plus courants utilisés dans la conception des
systèmes de contrôle : ME (modèles d’état) et ME/S (modèles entrée/sortie).
1.3.1. Modèles d’état (ME)
Les modèles d’état sont attachés aux transformations structurelles d’un processus
manipulant des variables internes utilisées pour les études d’analyse et de synthèse des
systèmes dynamiques. Considérons un procédé physique avec une quantité entrante
Wi (matière première) et la quantité sortante We (produit), qui est le résultat d’un
ensemble de transformations de masse et/ou d’énergie.
Dans le régime stationnaire de fonctionnement du processus, il y a égalité entre les

deux quantités :
We 0 − Wi 0 = 0 [1.6]
qui explique, par le bilan de masse ou d’énergie, l’état d’équilibre du processus.
Comme la demande du consommateur est changeable, la quantité de la sortie We

est variable en temps et l’état du processus sera déséquilibré, ce qui va générer un
régime dynamique. L’équilibre est rétabli par l’action des variables qui provoquent les
phénomènes d’accumulation dans le processus en cause. En considérant les variables
internes du processus rassemblées dans le vecteur des variables d’état x(t), la relation
[1.6] devient :
x (t ) = Wi (t ) − We (t ) [1.7]
La quasi-majorité des processus industriels sont des processus auto-stabilisants et

donc un terme négatif supplémentaire a est introduit dans la relation [1.7] et nous
avons :
x (t ) = ax(t ) + Wi (t ) − We (t ) [1.8]
Par une généralisation simple, considérant x(t) un vecteur d’état, la relation [1.8]
deviendra :
x (t ) = Ax(t ) + Wi (t ) − We (t ) [1.9]
où A est la matrice d’état qui assure normalement le caractère stabilisant du système

par ses valeurs propres négatives.
La modification de la quantité entrante wi est prise en compte par le vecteur de la

commande u qui va influencer les variables d’état par des éléments de pondération
inclus dans une matrice B, et la relation [1.9] s’écrit :
x = Ax + Bu − We [1.10]
Il est raisonnable de considérer que les grandeurs de sortie regroupées dans un

vecteur y sont déterminées à partir des variables d’état ou sont influencées, parfois
directement, par le vecteur de commande u, via la matrice D [CAL 79, FIL 02].
Donc le processus considéré s’exprime en général par le modèle dynamique d’état

suivant :
x (t ) = Ax (t ) + Bu (t )
[1.11]
y (t ) = Cx (t ) + Du (t )
L’ensemble ( A, B, C , D ) caractérise donc la représentation par modèle d’état du

processus, où u (t ) : \ → \ l , x(t ) : \ → \ n et, y (t ) : \ → \ p .
La représentation [1.10] est un système multi-variabe MIMO continu, linéaire et

invariant.
Pour un système mono-variable SISO, la relation [1.10] s’écrit :
x (t ) = Ax(t ) + bu (t )
[1.12]
y (t ) = cT x(t ) + du (t )
et b, c sont des vecteurs en \ n et d est un scalaire.
Le système :
x (t ) = A(t ) x + B (t )u
[1.13]
y (t ) = C (t ) x + D (t )u
où les matrices A, B, C , D dépendent de temps est un système continu, linéaire,

variant.
Le système qui est représenté par les relations [1.14] est un système non linéaire :
x = f (t , x, u )
[1.14]
y = g (t , x )
où les fonctions f et g sont des fonctions de n et p composantes :
f : \x \ n → \ n , g : \x \ n → \ p [1.15]
Les modèles équivalents en discret sont les suivants :
x(k + 1) = Ad x(k ) + Bd u (k )
[1.16]
y (k ) = Cd x(k ) + Dd u (k )
20 Con
nception de la co
ommande de prrocessus pour le
es applications industrielles
pour le syystème MIMO

O, linéaire, invvariant, et :
x (k + 1) = Ad x (k ) + bd u (k )
[1.17]
y (k ) = cd x( k ) + d d u (k )
pour la reeprésentation SISO.
Le modèle
m non linééaire en discreet deviendra :
x ( k + 1) = f ( k , x, u )
[1.18]
y (k ) = g (k , x)
Danss le cas usuel des systèmess linéaires inv variants continnus [1.9], la ttrajectoire
d’état estt obtenue com
mme la solutionn unique de la relation [1.10]] :
x (t ) = e A( t ) x (0)) + ∫ e A( t −τ ) Bu (τ )dτ [1.19]
avec les fonctions F (t ) en continu et ment F ( k ) en discret :

e respectivem
F (t ) = e At , t ∈ \ F (k ) = e k , k ∈ ] [1.20]
Il y a des relationss connues entrre les ensemblles ( A, B, C , D ) et ( Ad , Bd , Cd , Dd ),

qui correespondent par exemple pourr le système mono-variable
m aux relations suivantes
(on considère h comme période d’écchantillonnagee) :
h
Ad = e Ah ; bd = ( ∫ e Aτ dτ )b ; cd = cT ; d d = d [1.21]
0
Danss ce cas, il est facile d’évalueer la réponse (fonction

( de pondération) duu système
( A, b, c, d ) à l’impulsiion de Dirac :
g (t ) = cT F (t )b, t ∈ \ [1.22]
et pour lee système disccret :
g (k ) = cdT F (k )bd , k ∈ ] [1.23]
Nous nous sommes intéressés ensuite aux modèles tangents définis autour d’un
point de fonctionnement, donc de systèmes linéaires invariants [CAL 79, DAU 04,
DOI 97, KUO 91, WIR 91].
Dans ce cas, on peut étudier la relation entre les deux représentations systémiques
des modèles des processus.
Soit le système linéaire invariant ( A, B, C , D ) et ν ( A) le spectre de la matrice A

(les valeurs propres de la matrice A ) :
ν ( A) = {ν 1 ,ν 2 ,...,ν n } [1.24]
La norme de la matrice fondamentale (matrice de transition d’état) vérifie la

relation :
F (t ) = e At < Me at , a = max{Re(ν i ), i = 1, n} [1.25]
Elle est donc une matrice de fonctions originales qui admet une transformée de
Laplace. Lorsque l’on applique l’opérateur de Laplace à la fonction de pondération, on
obtient la fonction de transfert du système continu :
G ( s ) = C ( sI − A) −1 B [1.26]
qui est une matrice de fractions rationnelles à coefficients réels :
⎡ Dij ( s) ⎤
G( s) = [ gij ( s)] = ⎢ ⎥ [1.27]
⎢⎣ Eij ( s) ⎥⎦
Il faut remarquer que toutes les fractions g ij ( s ) ont le même dénominateur et sont
strictement propres (l’ordre de D ( s ) est inférieur à l’ordre de E(s)).
Pour le système discret, la matrice de transfert se calcule de la même manière :
Gd ( z ) = Cd ( zI − A) −1 Bd [1.28]
avec des éléments et des fractions rationnelles strictement propres :
⎡ Dij ( z ) ⎤
Gd ( z ) = [ gij ( z )] = ⎢ ⎥ [1.29]
⎣⎢ Eij ( z ) ⎦⎥
Le résultat dans le cas mono-variable est évident, pour un système continu :
G ( s ) = cT ( sI − A) −1 b [1.30]
et pour le système équivalent discret :
G ( z ) = cdT ( zI − Ad ) −1 bd [1.31]
Quelques propriétés structurelles des systèmes linéaires invariants sont présentées

ci-dessous.
Un système continu, avec x (0) = x0 , est asymptotiquement stable (stabilité interne),

si le spectre de la matrice V ( A) se trouve dans ^− .
Un système discret x = Ax , avec x (0) = x0 , est asymptotiquement stable si toutes

les valeurs propres ont un module inférieur à 1, c’est-à-dire que le spectre de la matrice
V ( Ad ) se trouve dans le cercle unitaire C (0,1) = ( z ∈ ^, z ≤ 1).
Soit, par exemple, un système continu mono-variable :
x (t ) = Ax (t ) + bu (t )
[1.32]
y (t ) = ctx (t ) + du (t )
où la matrice A est de rang n.
La contrôlabilité du système vise le couple ( A, b), et donc le système SISO [1.32] est
contrôlable si la matrice de contrôlabilité R = (b, Ab, A2 b, A3b,..., An −1b) a le rang n.
D’une manière équivalente, un système MIMO est toujours contrôlable si la

matrice R = ( B, AB, A2 B, A3 B,..., An −1 B ) a le rang n.
Pour un système contrôlable, il existe une commande qui peut changer la

dynamique du système par des transitions d’état. La contrôlabilité est liée à la
propriété de stabilisabilité des systèmes permettant de trouver des stratégies pour
stabiliser un système instable, et d’assurer les performances désirées en utilisant une
commande par retour d’état.
Pour un système continu avec A de rang n, il faut que la réalisation ( A, B, C ) soit

minimale (la dimension de l’espace d’état est n).
Cette condition se traduit dans le cas des systèmes MIMO par la matrice de
transfert :
⎡ Nij ( s) ⎤
G( s ) = [ gij ( s)] = ⎢ ⎥ , deg( Nij ( s)) < deg( Dij ( s )) = n [1.33]
⎣⎢ Dij ( s) ⎦⎥
qui doit avoir des éléments réels et comporter des fractions rationnelles irréductibles.
Dans le cas des systèmes SISO cette condition se traduit par la fonction de transfert :
⎡ N ( s) ⎤
G(s) = ⎢ ⎥ , deg( N ( s )) < deg( D ( s )) [1.34]
⎣ D( s) ⎦
qui s’exprime par une fraction rationnelle irréductible.
La plus importante conséquence qui exploite la qualité d’une réalisation minimale

d’un système (a, b, c, d ) est de calculer le modèle d’état qui correspond au modèle
E/S.
Considérant, par exemple, la fonction de transfert d’un système SISO qui s’exprime
par la fraction irréductible :
bn s n + bn −1 s n −1 + ... + b0
G(s) = [1.35]
an s n + an −1 s n −1 + ... + a 0
la réalisation minimale correspondante est la suivante :
⎡ 0 1 0 ... 0 ⎤
A = ⎢⎢ 0 0 1 ... 0 ⎥⎥ ,
⎢⎣ − a0 − a1 ...... − an ⎥⎦
[1.36]
bT = (0 1 0 0 0 0 0 0),
cT = (b0 − bn a0 , b1 − bn a1 ,..., bn −1 − bn an −1 ),
d = bn
La propriété d’observabilité vise le couple ( A, C ) et le système [1.12] est

observable si la matrice QT = (c, Ac, A2 c, A3 c,..., An −1c) est de rang n, pour les
systèmes SISO et d’une manière équivalente, si la matrice d’observabilité
QT = (C , AC , A2 C , A3C ,..., An −1C ) a le rang n pour les systèmes MIMO. L’obser-

vabilité est liée à la propriété de détectabilité ; la détectabilité de l’ensemble ( A, C )
offre la possibilité de synthèse d’un estimateur d’état stable, associé au système
original, et notamment de trouver une matrice L pour laquelle le spectre V ( A + LC )
est dans le domaine ^ − pour les systèmes continus, et V ( Ad + LCd ) se trouve dans le
cercle C (0,1) pour les systèmes discrets.
La dynamique de l’estimateur est décrite par l’équation suivante :
xˆ = ( A + LC ) + Bu [1.37]
où xˆ (t ) est le vecteur d’état estimé en utilisant les observations sur u (t ) et y (t ).
Les modèles d’état sont utilisés pour la conception de la commande par retour
d’état. La commande u(t) est calculée par la relation :
u (t ) = − Kx(t ) [1.38]
où la matrice K est déterminée par une méthode de placement des pôles dans un
domaine du ^− . La commande utilisant l’état estimé se calcule de manière similaire :
u (t ) = − K e xˆ (t ) [1.39]
Une autre approche pour la conception de la commande est basée sur le contrôle
optimal qui utilise souvent le critère intégral :
∞
I = ∫ ⎡⎣ xT (t )Qx(t ) + u T (t ) Ru (t ) ⎤⎦dt
0
[1.40]
Q ≥ 0, R > 0
où les matrices Q et R (symétriques positives-définies) sont choisies pour assurer les

qualités supplémentaires de la commande u(t) qui minimise le critère [1.40] et qui a
l’expression suivante :
u (t ) = − R −1 BT Px (t ) [1.41]
Dans l’expression [1.41], la matrice P symétrique positive-définie est la solution de

l’équation matricielle algébrique de Riccati :
Q + AT P + PA − PBR −1 BT P = 0 [1.42]
Pour le terme intégrant de la relation [1.40], on obtient :
xT (t )Qx(t ) + u T (t ) Ru (t ) [1.43]
qui est positif-défini, l’expression de la matrice K pouvant se calculer par les techniques
qui appellent les fonctions Lyapunov [CAL 79, DAU 04, DIO 97, DOI 97, KUO 91].
1.3.2. Modèles entrée-sortie (ME/S)
Les modèles entrée-sortie utilisent les équations de bilan massique ou énergétique,

en respectant le principe de causalité. Dans le but d’arriver à la forme nécessaire pour
la conception de la commande, on commence par le modèle de connaissance non
linéaire, qui exprime les lois de fonctionnement du processus, et on continue par le
modèle de comportement tangent et normalisé, et enfin nous introduisons les modèles
de la commande pour la conception des systèmes de contrôle. Toutes ces classes de
modèles sont présentées plus loin [BOR 10, DAU 04, POP 06].
1.3.2.1. Modèle de connaissance

Ce type de modèle est ordinairement établi à partir des connaissances des lois
internes qui régissent le processus. Leur transcription aboutit à une (ou des)
expression(s) analytique(s) d’un modèle dont les paramètres ont des significations
physiques.
En génie des processus, il y a quelques principes fondamentaux de la physique

classique : le principe de la conservation de la masse, le principe fondamental de la
mécanique (ou conservation de la quantité de mouvement), le premier principe de la
thermodynamique (ou conservation de l’énergie) et le second principe de la ther-
modynamique (création d’entropie).
Lorsque des transformations chimiques, biochimiques ou microbiologiques sont

mises en jeu, on s’intéresse alors à la cinétique des réactions dont la connaissance est
primordiale dans l’établissement d’un modèle de réacteur. Donc, les modèles de
connaissance expriment d’une manière mathématique les phénomènes responsables de
la dynamique du processus.
La première phase pour obtenir un modèle de connaissance consiste à définir le

système et les phénomènes que l’on souhaite représenter. On aura à délimiter le
système physique, choisir les variables qui permettent de le représenter et identifier les
phénomènes physiques ou chimiques importants.
L’objectif principal des modèles de connaissance est donc de décrire un phénomène

par une relation mathématique. Ils restent très proches des processus réels permettant de
reproduire le comportement du processus sur un grand domaine de fonctionnement. En
général, ils sont assez complexes, avec de nombreux paramètres qui caractérisent la
non-linéarité du processus exprimé par des variables technologiques [FOU 04,
TER 90].
1.3.2.2. Modèle de comportement

Le modèle de comportement est une représentation systémique, par des équations
différentielles ou par des fonctions de transfert qui offrent des facilités pour la
simulation de la dynamique du procédé. En général, un modèle de comportement
s’exprime sous une forme standard et ses coefficients n’ont pas de signification
physique.
Par quelques transformations mathématiques effectuées sur la forme brute du

modèle de connaissance, on peut trouver le modèle de comportement [DAU 04].
Par un raisonnement inductif, on peut affirmer que, autour d’un point de

fonctionnement, des petites variations de l’entrée d’un système peuvent être reliées à
de petites variations de la sortie par un modèle dynamique linéaire qui s’écrit :
d n y (t ) d n −1 y (t ) dy (t )
an n
+ a n −1 n −1
+ ... + a1 + a0 y (t )
dt dt dt
[1.44]
d m u (t ) d m −1u (t ) du (t )
= bm + b m −1 + ... + b1 + b0 u (t )
dt m dt m −1 dt
où le coefficient n spécifie l’ordre du système.
Cette équation est linéaire à coefficients constants. Elle permet de modéliser

l’évolution de la sortie d’un système en fonction de l’action qui lui est appliquée et de
représenter simplement le comportement dynamique entrée-sortie du système avec un
outil mathématique que l’on sait exploiter. Dans ce cas, on parle d’un modèle de
comportement. Pour manipuler aisément la relation [1.44], on utilise la transformée de
Laplace qui permet de passer d’une équation différentielle à une équation algébrique.
Nous allons évaluer la transformée de Laplace de l’équation [1.44]. Il nous faut

d’abord préciser les conditions initiales : la valeur de y(0) et de toutes ses dérivées
sont données tandis que celle de u (0) est nulle (action nulle avant t = 0 ).
On peut ensuite utiliser la transformée de Laplace et ses propriétés et obtenir la

relation :
( an s n + an −1 s n −1 + ... + a 0 )Y ( s ) − ⎡⎣ s n −1 (an y (0))

⎛ dy ⎞
+ s n − 2 ⎜ an (0) + an −1 y (0) ⎟ + ... [1.45]
⎝ dt ⎠
⎛ d n −1 y ⎞⎤
+ s 0 ⎜ an n −1 (0) + ... + a1 y (0) ⎟ ⎥ = (bm s m + bm −1 s m −1 + ... + b0 )U ( s )
⎝ dt ⎠ ⎥⎦
L’expression entre crochets correspond à la réponse libre du système, c’est-à-dire

celle qui représente l’effet des conditions initiales. L’autre terme, en facteur de U(s)
correspond à la réponse forcée, c’est-à-dire celle qui est obtenue sous l’effet de
l’entrée.
On définit la fonction de transfert en considérant le cas où toutes les conditions

initiales sont nulles :
bm s m + bm −1 s m −1 + ... + b0
G (s) = [1.46]
an s n + an −1 s n −1 + ... + a 0
Pour les systèmes discrets il y a des modèles équivalents exprimés par une équation
aux différences :
a0 y (k ) + a1 y ( k − 1) + ... + an y ( k − n)
[1.47]
= b0 u (k ) + b1u (k − 1) + ... + bm u (k − m)
et, respectivement, par une fonction de transfert en z −1 :
Y ( z −1 ) b0 + b1 z −1 + ... + bm z − m
G ( z −1 ) = = [1.48]
U ( z −1 ) a0 + a1 z −1 + ... + a n z − n
Il faut noter qu’en général le terme b0 est nul (pas de transfert direct d’information).
Il est évident qu’un modèle de comportement exprime bien la composante

structurelle du processus, car l’équation différentielle ou la fonction de transfert
exprime l’ordre du modèle mathématique. Ce type de modèle donne la possibilité de
proposer une structure adéquate pour un modèle de commande, qui sera évalué par
l’identification du processus.
Le modèle de comportement est alors basé sur le modèle de connaissance et utilisé

pour l’évaluation de la dynamique d’un processus réel par le moyen de la simulation.
Ce type de modèle exprime des informations sur la structure du modèle par une
équation différentielle standard où les coefficients sont normalisés.
On peut remarquer l’intérêt spécial de ce type de modèle de comportement par sa

relation avec les modèles de connaissance d’une part, et par sa connexion avec les
modèles de commande d’autre part.
Le modèle de commande est utilisé pour la conception du système en boucle

fermée. On peut citer, à titre d’exemple, le mécanisme de la conception de la
commande par placement des pôles.
1.3.2.3. Modèle de commande

Les modèles de commande sont l’un des modèles dynamiques, obtenus par une
représentation particulière d’un modèle de comportement qui s’exprime par des
paramètres manipulés usuellement en automatique (gain, constante de temps, retard
pur, etc.) et qui doivent être identifiés par l’ingénieur automaticien pour la conception
de la commande des systèmes numériques. La disponibilité des ressources numériques
permet de mettre en place des algorithmes d’estimation automatique des paramètres
d’un modèle par une opération d’identification. Il est important de souligner que
l’opération d’identification permet d’obtenir des modèles discrets très performants,
d’utilisation plus générale, et offre de nombreux avantages par rapport aux autres
approches.
Des algorithmes d’identification performants, ayant une formulation récursive

adaptée aux problèmes d’identification en temps-réel et à leur mise en œuvre sur
calculateur numérique, ont été beaucoup développés.
Le principe de l’estimation des paramètres des modèles échantillonnés est basé sur
l’erreur de prédiction du modèle.
Un modèle échantillonné à paramètres ajustables est facilement implanté sur le

calculateur. L’erreur entre la sortie du processus à l’instant t, y(t) et la sortie prédite
par le modèle yˆ (t ), appelée erreur de prédiction, est utilisée par un algorithme
d’adaptation paramétrique qui, à chaque instant d’échantillonnage, va modifier les
paramètres du modèle afin de minimiser cette erreur. L’entrée est en général une
séquence binaire pseudo-aléatoire de très faible niveau, engendrée par le calculateur

(succession d’impulsions rectangulaires de durées variables aléatoirement). Une fois le
modèle obtenu, une validation objective peut être faite par des tests statistiques sur
l’erreur de prédiction ε(t) de la sortie. Le test de validation permet, pour un processus
donné, de choisir le meilleur algorithme pour l’estimation des paramètres et
respectivement le meilleur modèle. Cette approche directe pour l’identification des
modèles dynamiques de processus offre d’autres possibilités telles que :
– la compression importante des données, car les algorithmes récursifs ne traitent à
chaque instant qu’une paire entrée/sortie au lieu de l’ensemble des données
entrée/sortie ;
– la nécessité d’une mémoire et d’une puissance de calcul relativement faibles ;
– la mise en œuvre aisée sur micro-ordinateur ;
– la possibilité de réalisation de systèmes d’identification en temps réel ;
– la possibilité de poursuite des paramètres lentement variables dans le temps ;
– l’identification des modèles de perturbations mesurables.
Un des éléments clés pour la mise en œuvre de cette approche pour l’identification
des modèles de processus est l’algorithme d’adaptation paramétrique (A.A.P.) qui
pilote les paramètres du modèle ajustable de prédiction à partir des informations
recueillies sur le système à chaque pas d’échantillonnage. Cet algorithme a une
structure « récursive », c’est-à-dire que la nouvelle valeur des paramètres est égale à la
valeur précédente plus un terme de correction qui dépend des dernières mesures. On
définit en général un « vecteur » des paramètres dont les composantes sont les
différents paramètres qui doivent être identifiés. Les algorithmes d’adaptation
paramétrique ont la structure ci-après : [nouvelle estimation des paramètres (vecteur)] =
[estimation précédente des paramètres (vecteur)] + [gain d’adaptation (matrice)] x
[fonction des mesures (vecteur)] x [fonction de l’erreur de prédiction (scalaire)]. Le
vecteur des fonctions de mesures s’appelle le « vecteur des observations ».
Considérons le modèle en temps discret :

nA nB
yˆ ( k + 1) = ∑ aˆi y ( k + 1 − i ) + ∑ bˆi u ( k + 1 − i ) [1.49]
i =1 i =1
θˆT (k + 1) = ⎡ aˆ1 , aˆ2 ,..., aˆnA , bˆ1 , bˆ2 ,...bˆnB ⎤ [1.50]

⎣ ⎦
ΦT (k ) = [ − y(k ), − y(k − 1),..., − y(k + 1 − nA); u(k ),..., u(k + 1 − nB)] [1.51]
yˆ (k + 1) = θˆT (k )Φ ( k ), ∀k ∈ ] [1.52]
On utilise une méthode adéquate d’identification, par exemple (MCR) pour estimer
les paramètres du modèle comme la solution du problème d’optimisation :
k
min{ J (θˆ( k )) = ∑ ⎡ y (i ) − θˆT ( k )Φ (i − 1) ⎤} [1.53]
θˆ ( k ) i =1
⎣ ⎦
La solution du problème [1.53] est donnée par la relation récursive suivante :
θˆ( k + 1) = θˆ( k ) + F ( k + 1)Φ ( k )ε ( k + 1) [1.54]
avec :
F (0) = α , I (α > 0) ; θˆ(0) = θ 0 [1.55]
et :
F (k + 1) < F (k ) [1.56]
L’algorithme récursif [1.54] assure la convergence de la méthode (MCR) et

l’erreur de l’estimation s’annule asymptotiquement :
lim ε (k + 1) = 0 [1.57]
k →∞
De l’équation [1.44] on obtient facilement la forme polynomiale du modèle :
bˆ( z −1 )
y ( z −1 ) = u ( z −1 ) [1.58]
aˆ ( z −1 )
où l’ensemble :
aˆ = 1 + a 1 z −1 + ... + anA z − nA
[1.59]
bˆ = b 1 z −1 + b 2 z −2 + ... + b nB z − nB
est considéré comme « modèle de commande » utilisé pour la conception de la

commande des systèmes numériques [DAU 04, LAN 93, LAN 97, POP 00, POP 01].
L’évaluation des modèles de connaissance, de comportement et de commande,
linéarisés (tangents), autour d’un point de fonctionnement, pour différents types de
processus industriels est nécessaire pour arriver à l’étape de calcul de la commande
des systèmes en boucle fermée.
On peut citer [BOR 11, GEN 97, LAN 93, POP 06] et faire appel simplement à la
conception des systèmes basés sur le modèle utilisant la méthode de placement des
pôles. Considérons la structure du système bouclé dans la figure 1.1, où
(bˆ( z −1 )aˆ ( z −1 )) est le modèle de commande, l’ensemble ( R ( z −1 ), S ( z −1 ) ) est
l’algorithme de contrôle, et Pi z −1 ( ) le polynôme caractéristique qui impose les
performances.
Figure 1.1. Système numérique en boucle fermée
Δ
( )
La solution de l’équation polynomiale diophantienne Pi z −1 = aˆ z −1 S z −1 + ( ) ( )
( ) ( )
b̂ z −1 R z −1 donne les polynômes inconnus du contrôleur ( R * ( z −1 ), S * ( z −1 ) ). Cette
commande numérique peut s’améliorer par des stratégies adaptatives, robustes,
prédictives, multimodèles, etc. [BOR 11, DAU 04, LAN 97, POP 06].
1.3.2.4. Modèle de conduite

Le processus est considéré dans ce cas comme une « boîte noire », et
l’établissement du modèle est fondé sur les observations des entrées/sorties. Les
entrées du modèle sont les paramètres contrôlés par régulation et les sorties sont
considérées comme des grandeurs de qualité. Le modèle obtenu doit décrire, de façon
appropriée, le comportement du processus dans son régime quasi-stationnaire de
fonctionnement. Cette classe de modèles concerne surtout les processus industriels
complexes, non linéaires et multi-variables qui sont utilisés pour la résolution des
problèmes d’optimisation. La résolution de ces problèmes représente la décision
optimale de conduite du procédé qui sera introduite comme consigne du système en

boucle fermée, ce qui assure le point optimal d’exploitation. La structure des modèles
de conduite est inspirée des lois qui gouvernent le procédé ou par une analyse de
sensibilité des sorties du processus par rapport à la variation des entrées. Les
paramètres du modèle sont estimés par des techniques expérimentales (MC-off line),
après un protocole d’acquisition et de traitement des données. Les modèles sont
validés et mis à jour chaque fois que cela est nécessaire [CAL 79, FIL 09, LUP 13,
TER 00].
Le travail commence par la programmation du fonctionnement expérimental du

processus. Après un protocole d’acquisition et de traitement qui va choisir les entrées
et la(les) sortie(s) du modèle, la structure du modèle non linéaire multi-variable est
précisée et les fichiers de données sont préparés pour l’opération d’identification
proprement dite. La sortie du modèle représente la grandeur de qualité z du processus
en question, et les entrées les variables qui sont contrôlées. La représentation générale
du modèle est donc une fonction non linéaire du vecteur de paramètres inconnus aˆ , et
du vecteur des entrées y :
zˆ = f (aˆ , x) [1.60]
où, l’estimateur â des paramètres du modèle est calculé en utilisant la méthode des
moindres carrés (MC) sur l’ensemble des données expérimentales. Si les données sont
organisées dans une manière matricielle-vectorielle, l’estimateur â se calcule par la
relation :
aˆ = ( yyT ) −1 yT z [1.61]
où y est la matrice des observations acquises aux entrées et z est le vecteur des
observations acquises à la sortie.
Utilisant un opérateur algébrique Q, le modèle de conduite avec les contraintes

associées est utilisé à la construction d’un problème d’optimisation PO, pour le
processus en cause :
min{I ( y) = Q ⎡⎣ zˆ( y)⎤⎦} [1.62]
Cet ouvrage, offert aux spécialistes en automatique industrielle, développe dans la

première partie les concepts, les méthodes et les techniques les plus performantes pour
la conception des systèmes numériques, et présente dans les derniers chapitres
des exemples pour l’implémentation des applications pratiques en exploitation des

processus industriels [CAL 97, POP 06, TER 98].
Dans le chapitre suivant sont présentées les méthodes d’identification (en boucle
fermée) les plus performantes pour l’estimation de la forme numérique des modèles
dynamiques des procédés nécessaires pour la conception de la commande.
Chapitre 2
Identification linéaire
des systèmes en boucle fermée
Dans ce chapitre, on présente quelques méthodes d’identification linéaire des

systèmes bouclés, en prenant le régulateur de type RST comme exemple de contrôleur
automatique. Une application d’identification en boucle fermée, dans laquelle un autre
régulateur est utilisé (de type Youla-Koucera), finit le chapitre.
2.1. Aperçu d’ensemble sur l’identification des systèmes
Un des piliers de l’automatique est constitué par le domaine de l’identification des

systèmes (IS). Par IS, on comprend un ensemble de techniques de modélisation et
d’estimation des modèles numériques (linéaires ou non linéaires) associés à des
systèmes/processus réels, en utilisant des données mesurées fournies par ces systèmes/
processus. En fait, on peut dire que l’automatique et l’IS sont apparues approximative-
ment en même temps (à la fin de la décade 1930-1940) et ont été développées
progressive-ment l’une à côté de l’autre, car traditionnellement le modèle
d’identification a permis de concevoir une loi de commande automatique pour le
processus afférent.
En gros, il existe deux catégories de techniques d’IS : pour des processus sans
régulation automatique (en boucle ouverte (BO)) et pour des processus ayant un
contrôleur automatique intégré (en boucle fermée (BF)).
Le but principal de l’IS en BO (ISBO) est de proposer un modèle numérique

suffisamment précis, à partir duquel on peut concevoir un régulateur approprié. Une
panoplie de méthodes d’identification linéaire en BO a été présentée dans [BOR 13a,
BOR 13b, SCS 05].
L’IS en BF (ISBF) a un but différent, notamment de proposer des modèles estimés

en tenant compte du régulateur, afin d’améliorer les performances du système global par
re-conception de ce régulateur. Des méthodes d’identification linéaire de cette catégorie
sont présentées, par exemple, dans [DAU 04, LAN 01, LAN 05a, LAN 93, LAN 97,
POP 98].
Bien que des techniques d’identification non linéaire aient été proposées dans la
littérature spécialisée (voir à ce propos [HAB 99] et [HUA 04]), leur complexité étant
assez grande, l’industrie n’a pas encore décidé de les adopter dans des applications
usuelles. Puisque ce tome est concerné par les applications de l’automatique dans
l’industrie, nous n’irons pas au-delà des limites du monde linéaire dans la modélisation
des processus réels.
Avant de présenter le sujet annoncé, il est peut-être utile de relever les raisons
principales de ce choix. Premièrement, les techniques d’ISBO ont été largement décrites
dans [BOR 13a, BOR 13b]. Le lecteur est fortement conseillé de consulter d’abord ces
références bibliographiques (ou d’autres similaires) avant d’aborder ce chapitre.
Deuxièmement, il existe de nombreuses applications industrielles où les modèles
d’identification en BO ont produit des performances inférieures en régulation à celles
obtenues à partir des modèles d’identification en BF (voir, par exemple, [LAN 01,
LAN 97]). Le succès des techniques d’ISBF est fondé pourtant sur l’emploi
d’algorithmes numériques appropriés, parfois de complexité supérieure à celle des
algorithmes d’ISBO.
2.2. Contexte de travail
En général, il existe des situations typiques dans lesquelles l’ISBF devrait être
utilisée. Notamment, des techniques d’ISBF sont à appliquer lorsque le processus à
identifier :
a) est instable en absence du régulateur (rappelons que la plupart des modèles
déterminés par une technique d’identification en BO sont stables) ;
b) a des points nominaux de fonctionnement avec une dérive importante ;
c) ne permet pas de mesurer la commande fournie par le régulateur (est une vraie
boîte noire) ;
d) exige une amélioration du régulateur (ce dernier étant usuellement conçu
d’abord à base d’un modèle d’identification en BO) ;
e) a besoin d’une maintenance systématique (usuellement à cause d’une
dégradation des performances de son régulateur) ;
Identification linéaire des systèmes en boucle fermée 37
f) doit inclure des facilités de détection de défauts et, éventuellement, de tolérance

aux fautes.
Un schéma typique de régulation basée sur le régulateur de type RST est illustré
dans la figure 2.1.
v
+
yr
T (q −1
)
uT + εu 1 u
Procédé + y
S ( q −1 )
–
uR
R ( q −1 )
Figure 2.1. Un schéma de processus bouclé,

basé sur le régulateur de type RST
Le schéma est composé de 3 blocs, hormis celui du processus :

– le bloc de régulation (un filtre à réponse impulsionnelle finie (RIF)) :
R ( q −1 ) = r0 + r1q −1 + r2 q −2 + + rnr q − nr [2.1]
– le bloc d’adaptation de la sensitivité (un filtre à réponse impulsionnelle infinie

(RII), ayant uniquement des pôles) :
1 1
= [2.2]
S ( q −1 ) s0 + s1q −1 + s2 q −2 + + sns q − ns
– le bloc de poursuite (un filtre de type RIF également) :
T ( q −1 ) = t0 + t1q −1 + t2 q −2 + + tnt q − nt [2.3]
Dans les définitions [2.1]-[2.3], q −1 est l’opérateur de retard d’un pas (une période
d’échantillonnage). De même, la notation T du polynôme de poursuite dérive de la
terminologie anglaise : tracking. Les degrés des 3 polynômes (nr, ns, nt) ainsi que
{ }
leurs coefficients ( {ri }i∈0, nr , s j j∈0, ns , {tl }l∈0, nt ) peuvent être déterminés à l’aide de
plusieurs algorithmes connus dans la littérature (voir, par exemple, [LAN 93,
POP 98, STE 16]). Tous les algorithmes s’appuient pourtant sur un modèle linéaire
d’identification du processus (vu comme une boîte noire) exprimé par :
q − k B ( q −1 )
H ( q −1 ) = [2.4]
A ( q −1 )
∗
où k ∈N est une approximation du retard pur du processus (au moins égal à un pas
d’échantillonnage), alors que :
⎧B ( q −1 ) = b0 + b1q −1 + b2 q −2 + + bnb q − nb (b0 ≠ 0)

⎪
⎨ [2.5]
⎪⎩A ( q ) = 1 + a1q + a2 q + + ana q
−1 −1 −2 − na
sont les deux polynômes du modèle d’identification associé (avec des notations
naturelles).
Il est facile de démontrer que, si le bloc du processus de la figure 2.1 est remplacé
par le bloc du modèle [2.4], le système bouclé est alors caractérisé par l’opérateur
entrée-sortie (E/S) rationnel suivant (en absence du bruit exogène v ) :
q − k B ( q −1 ) T ( q −1 )
H BF ( q −1
)= A [2.6]
(q )S(q ) + q B(q ) R (q )
−1 −1 −k −1 −1
L’expression [2.6] montre comment le régulateur RST travaille : il annule (une

partie ou tous) les pôles du modèle [2.4] (les racines du polynôme A) et les remplace
par d’autres pôles, en général choisis en fonction de certaines performances imposées
au système bouclé (stabilité, robustesse, efficacité, rendement, etc.). Les pôles désirés
sont en fait les racines du polynôme :
P ( q −1 ) = A ( q −1 ) S ( q −1 ) + q − k B ( q − 1 ) R ( q − 1 ) [2.7]
ce qui permet de déterminer les polynômes S et R du régulateur. Le dernier

polynôme T peut être déterminé en imposant les zéros du système bouclé donnés par
le polynôme :
Q ( q − 1 ) = B ( q −1 ) T ( q −1 ) [2.8]
En général, les zéros imposés peuvent changer non seulement la dynamique du

système bouclé dans la zone transitoire, mais aussi la bande des fréquences
caractéristiques (comme position et largeur).
Un opérateur E/S caractérisant le régulateur RST (qui figure devant le processus,

ayant pour l’entrée la consigne yr et pour la sortie la commande u, en absence du
bruit de sortie v ) s’exprime comme suit :
A ( q −1 ) T ( q −1 ) A ( q −1 ) T ( q −1 )
H 0
(q ) = A
−1
=
RST
(q )S(q ) + q B (q ) R (q )
−1 −1 −k −1 −1
P ( q −1 )
[2.9]
Q (q ) A (q )
−1 −1
= ⋅
P (q ) B (q )
−1 −1
Ceci révèle comment le polynôme A est simplifié (car il figure au numérateur du

régulateur et au dénominateur du modèle d’identification). Néanmoins, la relation
[2.9] n’est pas utilisable pour l’implémentation, car elle ne prend pas en compte la
sortie réelle du processus, mais la sortie du modèle d’identification. Le vrai opérateur
E/S est vectoriel, le régulateur ayant deux entrées : la sortie du processus (y) et la
consigne (yr) :
⎡ − R ( q −1 ) T ( q −1 ) ⎤
H RST ( q −1 ) = ⎢ ⎥ [2.10]
⎢⎣ S ( q −1 ) S ( q −1 ) ⎥⎦
Bien entendu, la commande est fournie par :
⎡ − R ( q −1 ) T ( q −1 ) ⎤ ⎡ y ⎤ T ( q −1 ) R ( q −1 )
u≡ ⎢ ⎥ ⎢ ⎥≡ yr − y [2.11]
⎢⎣ S ( q −1 ) S ( q −1 ) ⎥⎦ ⎣ yr ⎦ S ( q −1 ) S ( q −1 )
L’expression E/S [2.11] du régulateur RST ne change pas, si la perturbation v est

prise en compte, ce qui permet de tracer le schéma d’implémentation de la figure 2.2.
v
+
yr T (q ) −1
uT,S + u
Procédé + y
S (q ) −1
–
uR,S R ( q −1 )
S ( q −1 )
Figure 2.2. Schéma d’implémentation basée sur le régulateur de type RST
Avec perturbations, le transfert E/S du système bouclé est décrit par :
q − k B ( q −1 ) T ( q −1 ) A ( q −1 ) S ( q −1 )
y≡ ry + v [2.12]
P ( q −1 ) P ( q −1 )
filtre utile filtre de perturbations
L’équation [2.12] montre que le modèle bouclé possède deux filtres : un pour la
partie utile (processus, qui traite la consigne ry) et un autre pour la partie perturbée (qui
traite le bruit v). Les deux filtres ont les mêmes pôles, établis par le polynôme P
(défini dans [2.7]). Néanmoins, en général, leurs zéros sont bien différents. Si la
consigne est un signal pseudo-aléatoire (SPA) proche du bruit blanc et le filtre utile a
un maximum dans la zone de l’hodographe (lieu de Nyquist), près du point critique
(–1,0), alors l’amplitude de la consigne filtrée sera renforcée dans la zone
correspondante de fréquences, ce qui engendre une meilleure précision du modèle
identifié dans cette zone de fréquences. En revanche, comme l’expression [2.11] le
montre clairement, la commande est affectée par le bruit v (qui est une composante de
la sortie mesurée y). Ceci peut introduire un biais important, lorsque l’on essaye
d’identifier le processus par des techniques d’identification en BO.
Deux problèmes peuvent alors être formulés dans ce contexte. Le premier concerne
la régulation automatique (déterminer le régulateur RST), tandis que le deuxième
concerne l’identification du processus (déterminer un modèle du processus surtout en
BF). Les deux problèmes sont intercorrélés, car le modèle du processus détermine le
régulateur, alors que le régulateur détermine, à son tour, le modèle en BF.
Apparemment, ceci complique la démarche pour trouver des solutions. En réalité,
l’enchaînement des deux problèmes peut être astucieusement exploité afin d’améliorer
graduellement les deux solutions : le régulateur et le modèle du processus.
Plus précisément, le problème d’ISBF peut être formulé comme suit : étant donné
un processus en BF, on cherche à déterminer un modèle [2.4], qui produit avec le
même régulateur une fonction de système aussi proche que possible de celle du
processus bouclé. Une bonne qualité du modèle identifié est surtout exigée dans les
zones fréquentielles critiques pour la commande, notamment là où l’hodographe de la
fonction de transfert en BO est proche du point critique.
Le problème de la régulation automatique est formulé comme suit : étant donné un

modèle d’identification en BF, améliorer le régulateur existant (notamment de type
RST), surtout autour des points critiques, afin d’obliger le processus à suivre de façon
aussi proche que possible la consigne spécifiée, malgré les perturbations qui affectent
le fonctionnement global.
Une solution au problème d’ISBF (qui constitue le point principal de discussion de

ce chapitre) est fournie par les méthodes d’identification connues sous l’acronyme
CLOE (Closed Loop Output Error). Il s’agit en fait des méthodes qui utilisent l’erreur
de sortie en boucle fermée, afin de produire des modèles d’identification appropriés.
Ce groupe de méthodes sera décrit par la suite. La qualité du modèle d’identification
déterminé est fortement dépendante de la manière dans laquelle sont séparées les deux
informations contenues dans les données de sortie mesurées : utile et parasite (voir
encore une fois l’expression [2.12]). Puisqu’il n’existe pas de méthode idéale pour
réaliser cette séparation, on cherche au moins une méthode satisfaisante, voire
optimale (par rapport à un critère qui minimise la variance de l’erreur de sortie).
2.3. Identification préliminaire d’un processus bouclé
Avant de démarrer l’identification (et surtout la mise à jour) d’un modèle en BF

avec une des méthodes de la classe CLOE, il est utile de fournir une première
approximation de ce modèle, à partir d’un ensemble de données E/S mesurées. Pour
arriver à ce but, on peut s’appuyer sur une approche multi-variable dans l’IS. Deux cas
sont à analyser, par rapport au schéma d’implémentation de la figure 2.2 :
a) on peut mesurer la commande u et la sortie y ;
b) on peut mesurer la consigne yr et la sortie y, sans avoir accès à la commande u.
Le premier cas est assez rare. Mais, si la commande est mesurable, on peut utiliser
une des méthodes d’ISBO pour proposer un modèle de processus [2.4]. Ce modèle a
pourtant des désavantages évidents, le plus important étant sa généralité réduite
(à cause du fait que la commande n’est probablement pas un SPA). En outre, identifier
le modèle du processus ne suffit pas. Il est également nécessaire de déterminer le
régulateur RST.
Le deuxième cas est plus fréquent dans l’industrie. Il faut déterminer, lorsque cela
est possible, les 5 polynômes ( A , B , R , S et T ) à la fois, en utilisant la consigne et
la sortie mesurées.
Dans les deux cas, le but d’identification peut être atteint (au moins d’une manière
satisfaisante) par une approche multi-variable. La méthode d’identification afférente
fait partie de la classe MMC (méthodes de type moindres carrés).
2.3.1. Modèles d’identification linéaires multi-variables
La caractéristique de base des modèles aux entrées et sorties multiples (multi-

variables) est leur complexité élevée. Ce terme concerne aussi bien la formalisation
que (et surtout) la méthodologie d’estimation. Dans cette sous-section, la discussion
est focalisée sur le modèle linéaire de type MIMO (Multi-Input Multi-Output).
On part de la définition d’un modèle linéaire de type SISO (Single-Input

Single-Output), en forme de régression linéaire que l’on trouve, par exemple, dans
[BOR 13a, BOR 13b, STE 05]. Elle peut être généralisée comme suit, pour décrire un
modèle linéaire de type MIMO :
⎧⎪y[n] = Θϕ[n] + v[n]

⎨ T
, ∀ n, m ∈N [2.13]
⎪⎩ E{v[n]v [m]} = Vδ0 [n − m]
où y ∈ R ny est le vecteur des signaux de sortie, v ∈ R est le vecteur des

ny
perturbations, Θ ∈ R
ny×nθ
est la matrice des paramètres inconnus (d’une structure que
l’on va particulariser plus tard dans ce section), V ∈ R
ny×ny
est la matrice d’auto-
covariance des perturbations (inconnue aussi, mais définie positive), ϕ ∈ R nθ est le
vecteur des régresseurs (qui inclut des données mesurées et, éventuellement, estimées)
et E est l’opérateur d’espérance mathématique. La dimension de la sortie vectorielle
du modèle ( ny ) est régulièrement inférieure ou égale au nombre de colonnes de la
matrice des paramètres ( nθ ).
Si le bloc principal de la matrice Θ est diagonal, alors les sorties du modèle sont
découplées. Dans ce cas particulier (et rare), le modèle MIMO se décompose en ny
modèles indépendants de type SISO. Si la matrice V est diagonale, alors le vecteur
des perturbations est constitué par une collection de bruits blancs non corrélés entre
eux.
La classe ARMAX [LJU 99, SOD 89, STE 05] est le candidat principal pour ce
type de généralisation. L’équation correspondante au modèle ARMAX[na,nb,nc] de
type MIMO s’écrit alors comme suit :
y[n] + A1y[n − 1] + + A na y[n − na]

= B1u[n − 1] + + B nb u[n − nb] [2.14]
+ e[n] + C1e[n − 1] + + Cnc e[n − nc], ∀ n ∈ N 
Dans la définition [2.14], les paramètres scalaires (du modèle de type SISO) ont été
remplacés par les paramètres matriciels : A i ∈ R ny × ny , ∀ i ∈1, na ; B j ∈ R ny×nu ,
∀ j ∈1, nb ; C k ∈ R ny × ny , ∀ k ∈1, nc.
Le nombre des paramètres principaux est alors :
nθ = (na + nc) ⋅ ny 2 + nb ⋅ nu ⋅ ny [2.15]
Ce nombre a des valeurs assez élevées, même dans le cas de modèles simples. Pour
avoir une image de son ampleur, prenons, par exemple, le modèle MIMO-
ARMAX[2,2,2]. Il possède 24 paramètres principaux, auxquels on ajoute les 4 para-
mètres auxiliaires de la matrice d’auto-covariance du bruit.
Le modèle [2.14] s’exprime d’une manière plus compacte, également :
A ( q −1 ) y[ n ] = B ( q −1 ) u[ n ] + C ( q −1 ) e[ n] , ∀ n ∈N [2.16]
où A ∈ R ny × ny ( q −1 ) , B ∈ R ny × nu ( q −1 ) et C ∈ R ny × ny ( q −1 ) sont des matrices de polynômes

(chaque élément est un polynôme). A noter que tous les polynômes d’une matrice ont le
même degré (na, nb ou nc).
L’expression compacte [2.16] est utile pour retrouver la forme de régression

linéaire des modèles de la classe MIMO-ARMAX. Par exemple, un modèle
MIMO-ARMAX avec deux sorties est exprimé par les équations équivalentes
suivantes (la dernière, [2.19], étant mise en forme de régression linéaire) :
⎡ A11 ( q −1 ) A12 ( q −1 ) ⎤ ⎡ y [n] ⎤ ⎡ C11 ( q −1 ) C12 ( q −1 ) ⎤ ⎡ e [n] ⎤

⎢ ⎥⎢ 1 ⎥ = ⎢ ⎥ ⎢ 1 ⎥ , ∀ n ∈N [2.17]
⎢ A 21 ( q −1 ) A 22 ( q −1 ) ⎥ ⎣ y2 [n]⎦ ⎢C21 ( q −1 ) C22 ( q −1 ) ⎥ ⎣e2 [n]⎦
⎣ ⎦ ⎣ ⎦
y[n] e[n]
A(q )−1
C(q )−1
⎡ y1[ n] ⎤ ⎡ a11,1 a12,1 ⎤ ⎡ y1[n − 1] ⎤ ⎡ a11, na a12, na ⎤ ⎡ y1[n − na ] ⎤

⎢ y [ n ]⎥ + ⎢ a ⎥⎢ ⎥+ +⎢
a22, na ⎥⎦ ⎢⎣ y2 [ n − na ]⎥⎦
⎣ 2 ⎦ ⎣ 21,1 a22,1 ⎦ ⎣ y2 [ n − 1]⎦ ⎣ a21, na
[2.18]
⎡ e [ n] ⎤ ⎡ c11,1 c12,1 ⎤ ⎡ e1[n − 1] ⎤ ⎡ c11, nc c12, nc ⎤ ⎡ e1[n − nc] ⎤
=⎢ 1 ⎥+⎢ ⎥⎢ ⎥+ +⎢ , ∀n∈N
⎣e2 [n]⎦ ⎣c21,1 c22,1 ⎦ ⎣e2 [n − 1]⎦ ⎣c21, nc c22, nc ⎥⎦ ⎢⎣e2 [ n − nc]⎥⎦
⎡ A11 ( q −1 ) A12 ( q −1 ) ⎤ ⎡ y [n] ⎤ ⎡ C11 ( q −1 ) C12 ( q −1 ) ⎤ ⎡ e [n] ⎤ ⎡ y [n] ⎤

⎢ ⎥ 1 =⎢ ⎥ 1 1
⎢ A 21 ( q −1 ) A 22 ( q −1 ) ⎥ ⎢⎣ y2 [ n]⎥⎦ ⎢C21 ( q −1 ) C22 ( q −1 ) ⎥ ⎢⎣e2 [n]⎥⎦ ⎢⎣ y2 [n]⎥⎦

⎣ ⎦ ⎣ ⎦
y[ n] e[n]
A ( q −1 ) C ( q −1 )
⎡ − y1[ n − 1]⎤
⎢ ⎥
⎢ ⎥
⎢ − y1[n − na]⎥
⎢ ⎥
⎢ − y2 [ n − 1]⎥
⎢ ⎥
⎢ ⎥
⎡ a11,1 a11,na a12,1 a12,na c11,1 c11,nc c12,1 c12,nc ⎤ ⎢ − y2 [n − na]⎥ ⎡ e1[n] ⎤
=⎢ ⎥ ⎢ ⎥+⎢ ⎥
⎣⎢ a21,1 a21,na a22,1 a22,na c21,1 c21,nc c22,1 c22,nc ⎦⎥ ⎢ e1[ n − 1]⎥ ⎣e2 [n]⎦
⎢ ⎥
Θ ⎢ ⎥
⎢ e1[n − nc]⎥
⎢ e [ n − 1]⎥
⎢ 2 ⎥
⎢ ⎥
⎢ ⎥ ∀ n ∈N [2.19]
⎢⎣ e2 [n − nc]⎥⎦
φ[n]
La matrice des paramètres n’est pas uniquement déterminée par les équations
[2.17] du modèle (ce qui est, par ailleurs, une caractéristique générale des modèles de
la classe MIMO-ARMAX). Elle dépend essentiellement de l’ordre des régresseurs
dans le vecteur afférent. La dimension importante de ces deux variables (matrice des
paramètres et vecteur des régresseurs) est la cause principale de la complexité du
modèle et des méthodes utilisées pour son identification.
La stabilité d’un tel modèle d’identification est, à son tour, difficile à analyser. La
construction du domaine de stabilité S ⊆ R ny × nθ ne peut plus bénéficier des résultats
généraux des modèles de type SISO. Néanmoins, dans certains cas simples, ce
domaine peut être délimité avec une bonne approximation. Bien entendu, dans le cas
des modèles découplés, à chaque canal E/S son domaine de stabilité.
Afin d’alléger la tâche d’estimation des paramètres des modèles de type MIMO,
dans l’environnement de programmation Matlab, on a adopté un point de vue
intéressant. Chaque sortie du modèle de type MIMO est vue comme un canal de
mesure qui rassemble les contributions de toutes les entrées. En d’autres termes, le
modèle global de type MIMO est remplacé par une collection de ny modèles partiels
de type MISO (Multi-Input Single-Output). Il faut signaler que la collection des
modèles MISO n’est pas équivalente au modèle initial de type MIMO, car chaque
sortie de ce dernier peut être également influencée par les autres sorties. Mais, puisque
les sorties des modèles sont toutes déterminées par les entrées, on peut prendre en
considération la simplification de type Matlab. Cette approche a un avantage
important : il est plus facile (et efficace) d’identifier les ny modèles de type MISO
(successivement ou en parallèle), au détriment de la précision, que d’identifier le

modèle global de type MIMO.
2.3.2. Estimation des modèles linéaires de type MIMO par la MMC
Le contexte de travail défini dans le cas des modèles de type SISO [BOR 13a,
BOR 13b], peut être adapté au cas des modèles de type MIMO. On commence par
l’équation du processus fournisseur de données :
P (Θ∗ ) : y[n] = Θ∗φ[n] + v[n] , ∀ n ∈N [2.20]
∗
avec les notations de la section 2.3.1. Comme d’habitude, Θ est la matrice des vrais
paramètres. La matrice d’auto-covariance des perturbations est V (voir la définition
[2.13]). Le modèle d’identification associé s’exprime par une équation similaire :
M (Θ) : y[n] = Θφ[n] + ε[n, Θ] , ∀ n ∈N [2.21]
où ε[ n, Θ ] ∈ R ny est le vecteur des erreurs courantes de modélisation. Si la matrice des

paramètres inconnus est remplacée par la matrice des vrais paramètres, alors les
erreurs de modélisation sont égales aux bruits du processus :
ε ⎡⎣ n, Θ ∗ ⎤⎦ = v[ n] , ∀ n ∈N [2.22]
Dans ce nouveau contexte, le problème d’identification basé sur la MMC se

résume au problème général et idéal d’optimisation quadratique suivant :
def
Θ = argmin V (Θ) = argmin E {ε[n, Θ]εT [n, Θ]} [2.23]
Θ∈S Θ∈S
A la différence du critère à minimiser dans le cas des modèles SISO, qui est
scalaire, V de [2.23] est un critère matriciel. En conséquence, la condition de
minimisation d’une matrice peut sembler étrange. Mais, conformément à une
convention bien connue, deux matrices peuvent être comparées en termes de relation
d’ordre par l’intermédiaire de la propriété de positivité. On dit que la matrice carrée
A est supérieure à la matrice B et on écrit A ≥ B si leur différence A − B est une
matrice définie positive : A − B ≥ 0 . Dans le cas des matrices de [2.23], on peut écrire
l’équivalence suivante :
V ( Θ1 ) ≤ V ( Θ2 ) ⇔ V ( Θ2 ) − V ( Θ1 ) ≥ 0 [2.24]
Malgré cette complication, l’expression quadratique du critère matriciel permet de

trouver une solution élégante (bien que sous-optimale) au problème [2.23], comme
dans le cas des modèles de type SISO. Une approche naturelle est basée sur la
relaxation du problème [2.23] : le critère matriciel est remplacé par un critère scalaire
apparenté. Un problème d’optimisation plus simple s’exprime alors comme
ci-dessous :
def
Θ = argmin V0 (Θ) = argmin E {εT [n, Θ]ε[n, Θ]} = argmin ε[n, Θ]
2
[2.25]
Θ∈S Θ∈S Θ∈S
Pratiquement, dans [2.25], le produit extérieur des erreurs du modèle a été tout
simplement remplacé par leur produit scalaire. Pourtant, le prix à payer pour cette
simplification n’est pas trop élevé. Il est vrai que le problème [2.25] est moins
concordant avec le contexte de travail que le problème [2.23]. Mais il ouvre la
possibilité de trouver une solution d’une manière assez simple. Par ailleurs, il y a un
lien entre les deux problèmes. Le problème [2.23] est « plus fort » que le problème
[2.25], parce que minimiser une matrice engendre aussi la minimisation de sa trace (la
somme des éléments sur la diagonale principale). Or, le critère scalaire du problème
[2.25] est précisément la trace du critère matriciel du problème [2.23].
La nouvelle définition du critère allégera la recherche d’une solution qui sera en

fait une solution idéale (mais sous-optimale). De plus, la solution idéale possède un
∗
caractère déterministe. Si la solution idéale est Θ , alors le critère quadratique corres-
pondant possède une valeur égale à la matrice d’auto-covariance des perturbations :
V ( Θ∗ ) = E {ε ⎡⎣n, Θ∗ ⎤⎦ εT ⎡⎣n, Θ∗ ⎤⎦} = E { v[n]vT [n]} = V [2.26]
Par conséquent, une fois le problème [2.25] résolu, la valeur optimale du critère
constitue l’estimation de la matrice d’auto-covariance des perturbations. Résoudre le
problème [2.25] c’est en fait déterminer les estimations (sous-)optimales à la fois pour
les paramètres principaux et auxiliaires.
La solution pratique du problème [2.25] (c'est-à-dire la solution qui permet

l’implémentation sur un ordinateur) s’exprime alors en suivant l’expression formelle
de la solution idéale. Elle a un caractère non déterministe (il existe une solution pour
chaque ensemble de données acquises). Le résultat suivant offre la solution en forme
complète mais idéale du problème [2.25]. Sa démonstration s’appuie sur la méthode
généralisée des pseudo-inverses et peut constituer un exercice utile pour le lecteur.
THÉORÈME 2.1. On définit les matrices suivantes :
def
– R = E {φ[ n]φT [ n]} ∈ R nθ× nθ (inversible) ;
def
– S = E {y[ n]φT [n]} ∈ R ny×nθ (rectangulaire) ;
def
– Y = E {y[n]y T [ n]} ∈ R ny× ny (quadratique).
Alors la solution idéale du problème d’optimisation quadratique [2.25] est

exprimée par les équations suivantes :
−1
Θmin = S ⋅ R −1 = ⎡⎣ E {y[n]φT [n]}⎤⎦ ⎡⎣ E {φ[n]φT [n]}⎤⎦ [2.27]
v min = ε [ n, Θmin ] = y[n] − Θmin φ[n] , ∀ n ∈N [2.28]
V ( Θmin ) = Vmin = Y − Θmin ST = Y − SR −1ST ≥

0 [2.29]
La conclusion du théorème 2.1 constitue le cœur de la MMC multi-variable

(MMC-MV). Elle ressemble beaucoup à la MMC classique, pour des modèles de type
SISO (voir [BOR 13a, BOR 13b]). Néanmoins, on peut remarquer que le produit des
matrices S et R −1 s’effectue dans l’ordre inverse pour la MMC-MV par rapport à la
MMC classique (où R −1 figure comme facteur de gauche).
La solution idéale [2.27] peut se transformer en une solution pratique, à l’aide de

l’hypothèse ergodique [BOR 13a, BOR 13b]. Les matrices idéales définies dans
l’énoncé du théorème 2.1 peuvent être estimées par l’intermédiaire des moyennes
temporelles correspondantes, à partir d’un ensemble de données acquises DN =
{y[n], φ[n]}n∈1, N . Plus précisément, leurs estimations s’expriment comme suit :
⎡ˆ 1 N
⎢ R N = N ∑ φ[n]φ [n] N→
T
R
→∞
⎢ n =1
⎢ˆ 1 N
S
⎢ N =
N
∑ y[n]φT [n] → S
N →∞
[2.30]
⎢ n =1
⎢ˆ 1 N
⎢ YN = ∑ y[n]y [n] N→
T
Y
⎣ N n =1
→∞
Par convention, dans l’IS, les modèles estimés (déterminés d’une manière
approximative à l’aide d’un estimateur) sont notés avec le signe ^ (chapeau).
De [2.27]-[2.30], il résulte que les équations d’implémentation (pratiques) de la

MMC-MV sont les suivantes :
−1
ˆ −1 = ⎡ 1 ∑ y[n]φT [n]⎤ ⎡ 1 ⎤
N N
ˆ = Sˆ R
Θ N N N ⎢N
⎣ n =1
⎥⎢N
⎦⎣
∑
n =1
φ[n]φT [n]⎥
⎦
[2.31]
ˆ ⎤ = y[n] − Θ
vˆ N = ε ⎡⎣n, Θ ˆ φ[n] , ∀ n ∈N [2.32]
N⎦ N
ˆ − Sˆ R
ˆ =Y
V ˆ −1Sˆ T [2.33]
N N N N N
L’implémentation des équations [2.31]-[2.33] exige l’inversion de la matrice R ˆ ,

N
d’une dimension déterminée par le nombre des paramètres à estimer ( nθ ). Or, ce

nombre étant assez grand (même pour des modèles ayant un petit nombre d’entrées et
de sorties), l’effort de calcul requis par l’inversion peut augmenter très vite. Pour cette
raison, il est souhaitable que l’inversion s’effectue d’une manière récurrente. En
général, la stratégie à suivre est celle du contexte de la MMC en ligne [STE 05,
BOR 13a, BOR 13b], où le lemme de Sherman-Morrison [SHE 50] est l’acteur
principal. Vu l’expression de R ˆ (voir les définitions [2.30]), il faut appliquer suc-
N
cessivement ce lemme afin d’alléger l’effort de calcul.
L’usage de l’hypothèse ergodique ne suffit pas à garantir la consistance des

estimations dans l’IS. Pour cette raison, des résultats qui prouvent cette propriété sont
nécessaires. Dans le cas de la MMC-MV, un résultat de consistance est celui du
théorème suivant.
THÉORÈME 2.2. Dans le contexte de la MMC-MV, les estimations [2.31]-[2.33]

sont consistantes si les conditions ci-dessous sont vérifiées :
ˆ sont inversibles pour un nombre de données acquises
– les matrices R N
suffisamment grand (c'est-à-dire, pour N suffisamment grand) ;

– les perturbations exogènes sont idéalement non corrélées avec le vecteur des
1 N
régresseurs ( lim ∑ v[n]φT [n] = 0 ).
N →∞ N
n =1
Bien que la deuxième condition du théorème 2.2 soit difficile à vérifier (à première
vue), en réalité, le vecteur des régresseurs φ[n] à l’instant courant inclut des valeurs
de signaux à des instants antérieurs ( n − 1 , n − 2 , etc.), qui sont plutôt non corrélées
avec la valeur courante de la perturbation v[n] , surtout si cette perturbation est proche
d’un bruit blanc (non auto-corrélé).
ˆ ) et du bruit
A noter que les erreurs d’estimation des paramètres principaux ( Θ N
( vˆ N ) proviennent d’une seule source : l’approximation de la moyenne statistique par
une moyenne arithmétique. Pour les paramètres auxiliaires (les éléments de la matrice
ˆ ), les erreurs d’estimation sont provoquées par une source supplémentaire :
V N
l’approximation des matrices Y et S selon les définitions [2.30]. Par conséquent, la
matrice V ( Θ ˆ ) est différente de la matrice V
N
ˆ et probablement plus précise (car,
N
pour la calculer, on utilise seulement l’estimation Θˆ ).
N
Si le nombre des paramètres principaux dépasse quelques dizaines, on peut

renoncer à cette forme de la MMC-MV car elle devient trop lente. Son efficacité
réduite est notamment causée par son caractère non récursif. Pour l’améliorer, il
faudrait retrouver des relations récurrentes similaires à la MMC adaptative. Le lecteur
est invité à redécouvrir ces relations pour la MMC-MV à l’aide d’un raisonnement
similaire à celui qui a mené à l’algorithme de la MMC adaptative (voir [BOR 13a,
BOR 13b, STE 05]). Il faut seulement faire attention au point de départ (qui est fixé
maintenant par l’estimation [2.31]) et à l’ordre de multiplication des matrices.
L’efficacité de l’algorithme adaptatif qui en résultera est garantie par le même lemme
de Sherman-Morrison, qui n’a pas besoin d’être généralisé dans ce but.
2.3.3. Identifier les processus bouclés à l’aide de la MMC-MV
Les sections précédentes (2.3.1. et 2.3.2) ont préparé les techniques d’identification
décrites par la suite. Soulignons pourtant que la MMC-MV est utilisée dans d’autres
applications industrielles également, notamment pour l’identification en BO des
systèmes complexes de production d’énergie, la prédiction des ensembles de données
météorologiques ou écologiques inter-corrélées, etc.
On regarde encore une fois la figure 2.2. On va analyser les deux cas mentionnés
auparavant. Afin d’identifier le processus, ainsi que le régulateur RST, il faut formuler
le problème d’une manière menant à l’usage de la MMC-MV.
2.3.3.1. Données E/S mesurées directement sur le processus

Puisque les signaux u et y sont accessibles à l’utilisateur, on peut les grouper
dans un vecteur de sortie y ≡ [u y ] . La dynamique du système multi-variable est
T
alors décrite par les équations suivantes :
⎡ S ( q −1 ) R ( q −1 ) ⎤ ⎡ u ⎤ ⎡T ( q −1 ) yr ⎤
⎢ ⎥⎢ ⎥ ≡ ⎢ ⎥ [2.34]
⎢ −q − k B ( q −1 ) A ( q −1 ) ⎥ ⎣ y ⎦ ⎢ A ( q −1 ) v ⎥
⎣ ⎦ ⎣ ⎦
y
( )
A q −1 w
On obtient ainsi un modèle multi-variable de type AR (un cas particulier de la

classe MIMO-ARMAX) avec deux canaux de mesure. Afin de simplifier la démarche,
supposons que les polynômes de la matrice A ( q −1 ) ont tous le même degré, soit nα .
(Après l’identification, on peut enlever les coefficients d’amplitude négligeables
correspondants aux monômes de puissance proche de nα .) Alors, l’équation [2.34]
s’exprime d’une manière équivalente comme suit :
A 0 y[n] + A1y[n − 1] + + A nα y[n − nα] = w[n] , ∀ n ∈N [2.35]
où A 0 , A1 , … , A nα ∈ R 2× 2 sont les paramètres inconnus du modèle (des matrices à 4

éléments chacune, formées par les coefficients des polynômes A , B , R et S ). A
noter que :
⎡s r0 ⎤
A0 = ⎢ 0 [2.36]
⎣0 1 ⎥⎦
car le retard pur k est au moins égal à 1 (le coefficient libre du polynôme q - k B est
nul). Il en résulte que la matrice A 0 est inversible (le coefficient s0 étant non nul).
Ceci engendre la possibilité de normaliser l’équation [2.36] par multiplication avec
l’inverse de A 0 :
y[ n] = − A 0−1 A1y[ n − 1] − − A 0−1 A nα y[ n − nα] + A 0−1w[ n] , ∀ n ∈N [2.37]
On peut re-noter les coefficients matriciels de l’équation [2.37] par A 1 , A 2 , …,

A nα et le bruit par w , tel que :
y[n] = − A1y[n − 1] − − A nα y[n − nα] + w[n] , ∀ n ∈N [2.38]
Cette dernière expression facilite l’obtention de la forme de régression linéaire du

modèle (avec une notation naturelle pour les coefficients du polynôme q − k B ) :
⎡ −u[n − 1] ⎤
⎢ ⎥
⎢ ⎥
⎡ u[n] ⎤ ⎡ s1 sn α r1 rnα ⎤ ⎢ −u[n − nα] ⎥ ⎡ w1[n] ⎤
⎢ y[n]⎥ = ⎢ −b k + , ∀ n ∈N [2.39]
⎣ ⎦ ⎢⎣ 1 −bnkα a1 anα ⎥⎥⎦ ⎢⎢ − y[n − 1] ⎥⎥ ⎢⎣ w2 [n]⎥⎦
⎢ ⎥
Θ ⎢ ⎥
⎢⎣ − y[n − nα]⎥⎦
φ[n]
Dans le cas du modèle [2.39], la solution [2.31] de la MMC-MV permet de

récupérer directement les polynômes estimés Â , B̂ , R̂, Ŝ (les deux derniers étant
normalisés) et le retard k . Après cette opération, on peut éliminer les coefficients
négligeables dans les 4 polynômes, afin d’établir leurs degrés réels (on appelle cette
opération « réduction dimensionnelle »). De plus, l’équation [2.32] permet d’estimer le
bruit vectoriel w . De l’équation [2.34] (à laquelle on applique l’inverse de la matrice
A 0 [2.36]), il résulte que la perturbation exogène peut être facilement estimée à l’aide
d’une relation récursive :
ˆ ( q −1 ) vˆ ≡ wˆ ⇔ vˆ[n] = −aˆ vˆ[n − 1] −

A − aˆna vˆ[n − na ] + wˆ 2 [n] , ∀ n ∈N [2.40]
2 1
La même équation [2.34] mène à :
Tˆ ( q −1 ) yr ≡ s0 wˆ 1 + r0 wˆ 2 [2.41]
ce qui montre que, pour déterminer le dernier polynôme du modèle bouclé (T), il est
nécessaire de connaître la consigne yr et les paramètres s0 , r0 . Normalement, la
consigne est bien connue à l’avance (usuellement mesurable), alors que s0 = 1 et
r0 = 0 . Dans ces conditions, en appliquant la MMC classique sur l’équation [2.41], on
arrive à :
−1
⎡ tˆ0 ⎤ ⎛ ⎡ yr [n] ⎤ ⎞ ⎛ ⎡ yr [ n ] ⎤ ⎞
⎢ˆ ⎥ ⎜ N ⎢ y [ n − 1] ⎥
⎟ ⎜ N ⎢ y [ n − 1] ⎥
⎟
t
⎢ ⎥=⎜ 1 1
⎢ r ⎥ [ y [n] y [n − 1] yr [n − nt ]] ⎟ ⎜ ⎢ ⎥ wˆ [n] ⎟
⎢ ⎥ ⎜N∑ ∑
1
⎟ ⎜ N n=1 ⎢
r
⎟
[2.42]
n=1
⎢ ⎥ r r
⎥ 1
⎢ ⎥ ⎜⎜ ⎢ ⎥ ⎟
⎟
⎜
⎜ ⎢ ⎥ ⎟
⎟
⎣⎢tˆnt ⎦⎥ ⎝ ⎣ yr [n − nt ]⎦ ⎠ ⎝ y
⎣ r [ n − nt ] ⎦ ⎠
La précision du modèle ainsi déterminé est donnée par l’équation [2.33]. Plus les
ˆ sont petites (la matrice étant définie positive), plus le
valeurs propres de la matrice VN
modèle est précis.
2.3.3.2. Données E/S mesurées sur le système en BF (sans accès à la

commande du processus)
Dans ce cas, puisque l’on dispose des données en provenance des signaux y r et
y, le vecteur de sortie y ≡ [ yr y ] peut être naturellement constitué. Ceci engendre
T
l’équation dynamique suivante :
 T ( q −1 ) − R ( q −1 )   y r   S ( q −1 ) u 
   ≡   [2.43]
 −q − k Q ( q −1 ) P ( q −1 )   y   A ( q −1 ) S ( q −1 ) v 

  y  
  
( )
A q −1 w
avec les définitions [2.8] et [2.7].
Comme dans le cas précédent, la forme de régression linéaire associée au modèle

[2.43] est finalement :
 − yr [n − 1] 
  
 
 yr [n]  t1  tnα − r1  − rnα   − yr [n − nα]  w1[n] 
 y[n]  =  − q k  − q k  + , ∀ n ∈N [2.44]
  1
  p1  pnα  − y[n − 1]   w2 [n]
 
nα
  
Θ  
 − y[n − nα] 
  
φ[n]
avec t0 = s0 = 1 et r0 = 0 . La MMC-MV appliquée à l’équation [2.44] mène à

l’obtention directe des estimations P̂ , Q̂ , R̂ , T̂ et du retard pur k . Une estimation
de la perturbation virtuelle ŵ est disponible également.
Après avoir réalisé la réduction dimensionnelle (qui consiste à éliminer les

coefficients négligeables), le polynôme B̂ résulte alors de l’identité suivante (de type
Bézout) :
ˆ ( q −1 ) ≡ B
Q ˆ ( q −1 ) Tˆ ( q −1 ) [2.45]
où l’estimation Q̂ est déjà disponible. Ensuite, le produit AS peut se calculer tout

simplement par :
AS ( q −1 ) ≡ Pˆ ( q −1 ) − q − k B
ˆ ( q −1 ) Rˆ ( q −1 ) [2.46]
A noter que le premier coefficient du polynôme AS est bien ŝ0 (voir encore une
fois les définitions [2.2] et [2.5]).
Le deuxième élément du terme droit de l’équation [2.43] permet alors de

déterminer une estimation du bruit exogène à l’aide d’une relation récursive (avec des
notations naturelles) :
AS ( q −1 ) vˆ ≡ wˆ 2
⇔ vˆ[n] = (as)1 vˆ[n − 1] − − (as) na + ns vˆ[n − na − ns] + wˆ 2 [n] , ∀ n ∈N [2.47]
Le seul problème qui reste à résoudre est de séparer les polynômes Â et Ŝ du

produit AS . Le premier élément du terme droit de l’équation [2.43] pourrait être
utilisé dans ce but, pourvu que la commande soit accessible. Mais ceci n’est pas
possible. La seule solution que l’on puisse envisager est de déterminer les racines du
produit AS et de les répartir d’une manière empirique entre les deux polynômes.
Puisque, de toute façon Ŝ ne peut pas être instable (sinon le régulateur RTS
deviendrait instable), toutes les racines instables du produit AS (c'est-à-dire
d’amplitudes au moins égales à 1) seront allouées au polynôme Â . De même, le degré
du polynôme Â devrait être au moins égal à nb (afin de permettre la réalisation
physique en temps continu du modèle d’identification, si nécessaire). On peut
présumer que le régulateur RST à un double but : stabiliser le processus et améliorer la
robustesse du système en BF. Pour cette raison, hormis les racines instables, le
polynôme Â peut accueillir les racines les plus proches de l’instabilité de la
collection. Ainsi, deux polynômes Â et Ŝ peuvent être proposés, bien qu’une
incertitude concernant leurs degrés et coefficients existe toujours.
Une fois le polynôme Ŝ déterminé, il est possible d’estimer la commande par une
deuxième relation récursive :
Sˆ ( q −1 ) uˆ ≡ wˆ 1
⇔ uˆ[n] = sˆ1uˆ[n − 1] − − sˆns uˆ[n − ns ] + wˆ 1[n] , ∀ n ∈N [2.48]
En général, les 5 polynômes estimés par la MMC-MV ne sont pas très précis, mais
ils sont sous-optimaux grâce au critère V 0 du problème [2.25], qui a été minimisé,
afin de les déterminer. Ils peuvent très bien servir d’initialisation dans un algorithme
d’adaptation en ligne basé sur une méthode de la classe CLOE.
2.4. Méthodes d’identification de la classe CLOE
2.4.1. Principe des méthodes CLOE
Le nom « CLOE » des méthodes d’identification de ce chapitre provient de

l’image représentée par la figure 2.3.
v
+
yr
T ( q −1 )
uT + εu 1 u
Procédé + y
S ( q −1 )
–
uR
R ( q −1 )
+ε y
–
û R
R (q −1
)
–
uT εˆ u 1 û ˆ ( q −1 )
q −k B +
+ S ( q −1 ) Â ( q −1 ) ŷ
v̂
+
Adaptation
optimale
paramétrique
Figure 2.3. Principe des méthodes d’identification de la classe CLOE
On constate que le modèle du processus, après avoir été identifié hors ligne
(comme présenté auparavant), est renouvelé en ligne (à chaque instant
d’échantillonnage), en fonction de l’erreur de sortie, notée ε y dans la figure 2.3. Le
renouvellement concerne les coefficients des polynômes [2.5]. On peut parfois (mais
rarement) changer d’autres paramètres du modèle [2.4] (notamment les indices
structuraux k, na et/ou nb). Bien entendu, chaque modification du modèle du
processus engendre un renouvellement du régulateur RST (même si la figure ne le
suggère pas).
L’erreur de sortie en boucle fermée mesure en fait l’écart entre le processus réel et
son modèle. La variance de cette erreur doit être minimisée, afin de réaliser le
renouvellement du modèle d’identification. L’objectif principal de l’ISBF est alors de
trouver un modèle optimal du processus obtenu par minimisation de l’écart entre la
sortie simulée et la sortie réelle du processus en BF.
Pour ce type de méthodes d’identification, il est important de faire travailler le

modèle d’identification en parallèle avec le processus, tous deux étant contrôlés par le
même régulateur (de type RST dans cette approche) et ayant pour but de poursuivre la
même consigne, tout en restant stables.
Dans cette section, on va considérer que le régulateur RST est connu, alors que le
modèle du processus doit être mis à jour en fonction de l’erreur de sortie courante.
2.4.2. Méthode CLOE de base
Avant de présenter les équations de la méthode CLOE, il est utile de rappeler

l’algorithme des moindres carrés adaptatif en ligne pour des systèmes SISO (voir, par
exemple, [BOR 13a, BOR 13b, SCS 05]). La procédure CLOE de base s’appuie
fortement sur cet algorithme. Le contexte de cet algorithme est construit à partir du
modèle sous la forme d’une régression linéaire de type SISO décrite ci-dessous :
yM [ n, θ] = φT [ n]θ , ∀ n ∈N [2.49]
où θ ∈ R est le vecteur des paramètres inconnus et φ[ n] ∈ R nθ est le vecteur des

nθ
régresseurs à l’instant courant n ∈N . Le processus est décrit virtuellement par une

équation similaire à [2.49] :
y[ n] = φT [ n]θ∗ + v[ n] , ∀ n ∈N [2.50]
où θ ∈ R est le vecteur des vrais paramètres (inconnu) et v est une perturbation

∗ nθ
exogène de dispersion λv2 (inconnue également).
Le critère quadratique utilisé pour déterminer un modèle optimal à partir d’un

ensemble de données mesurées (et/ou estimées) DN = { y[n], φ[n]}n∈1, N est défini
comme suit :
N N
V N (θ) = ∑ ( y[n] − yM [n, θ]) = ∑ ( y[n] − φT [n]θ )
2 2
[2.51]
n =1 n =1
La solution offerte par la MMC hors ligne (qui minimise le critère [2.51]) est
exprimée par les équations suivantes :
−1
⎛1 N ⎞ ⎛1 N ⎞
θˆ N = ⎜ ∑ φ[n]φT [n] ⎟ ⎜ ∑ φ[n] y[n] ⎟ [2.52]
⎝ N n =1 ⎠ ⎝ N n =1 ⎠
vˆN [n] = y[n] − φT [n]θˆ N , ∀ n ∈N [2.53]

N N
1 1 1
() ( y[n] − φT [n]θˆ )
2
λˆ v2, N =
N − nθ
V N θˆ = ∑
N − nθ n =1
vˆN2 = ∑
N − nθ n =1
[2.54]
La procédure numérique décrite dans l’algorithme 2.1 (ci-dessous) part de

l’expression [2.51] de la solution offerte par la MMC hors ligne et utilise une notation
astucieuse :
−1
⎛ N ⎞
PN = ⎜ ∑ φ[n]φT [n] ⎟ [2.55]
⎝ n =1 ⎠
1) Initialisation :
a) choisir l’indice structurel du modèle : nθ ∈ N ∗ ;
b) si possible, recueillir une collection réduite de données E/S de la boîte noire :

DN = {( y[n], φ[ n])}n∈1, N ;
0
0
c) si l’ensemble DN 0 est disponible, utiliser une méthode d’identification optimale hors

ligne (par exemple la MMC) pour estimer la matrice P0 et le vecteur θ̂0 ;
d) sinon, choisir P0 = α 2I nθ et θ̂0 , d’une manière arbitraire, mais avec α suffisamment

grand (quelques centaines, au moins) ;
e) initialiser l’indice de l’itération : n = 1 .
2) Pour n > 1 :
2.1) réaliser l’acquisition des données E/S courantes : { y[ n], φ[n]} ;
2.2) évaluer l’erreur de simulation : ε[ n] = y[n] − φT [n]θˆ n −1 ;
2.3) évaluer le vecteur auxiliaire : ξ n = Pn −1φ[n] ;
ξn
2.4) évaluer le gain de sensibilité : γ n = ;
1 + φT [n ]ξ n
2.5) réactualiser la matrice Pn−1 , par : Pn = Pn −1 − γ nξTn (tout en évitant l’inversion

explicite des matrices, grâce au Lemme de Sherman-Morrison) ;
2.6) réactualiser le vecteur des paramètres : θˆ n = θˆ n −1 + γ n ε[n] ;
2.7) passer à l’itération suivante : n ← n + 1 .
3) Retourner le vecteur des paramètres θˆ n , avec des valeurs réactualisées à chaque instant
n≥0.
Algorithme 2.1. Etapes de la MMC adaptative de base
Les pas 2.1, 2.4 et 2.5 de l’algorithme 2.1 constituent la pierre angulaire de la
procédure numérique. Dans le cas du modèle [2.4] (de type ARX, en fait), on constate
que le vecteur courant des régresseurs s’exprime comme suit :
φ[ n ] = [ − y[ n − 1] u[ n − nb − k ]]
T
− y[ n − na ] u[ n − k ] [2.56]
Normalement, la sortie y du processus est mesurable. En revanche, on ne peut pas

mesurer la commande u . Pour cette raison, il est nécessaire d’évaluer la commande en
utilisant les régulateurs RST précédents. Plus précisément, dans la deuxième partie du
vecteur [2.56], on calcule les valeurs régressées de la commande par :
Tn −1 ( q −1 ) R n −1 ( q −1 ) Tn −1 ( q −1 ) R n −1 ( q −1 )
uˆ[ n] = yr [ n] − yˆ[ n] = yr [ n] − φˆ T [ n]θˆ n −1
Sn −1 ( q −1 ) Sn −1 ( q −1 ) Sn −1 ( q −1 ) Sn −1 ( q −1 )
∀ n ∈N [2.57]
où par définition :
φˆ [ n ] = [ − y[ n − 1] uˆ[ n − nb − k ]]
T
− y[ n − na ] uˆ[ n − k ] [2.58]
Les équations [2.57] et [2.58] constituent une manière récursive de calcul de la

commande et, en conséquence, du vecteur des régresseurs. A noter que la consigne yr
est mesurable.
La méthode CLOE utilise deux types de données de sortie simulées, étant donné
que le vecteur des paramètres inconnus en provenance du modèle [2.4], noté θˆ n , est
variable en temps :
yˆb [n] = φˆ T [n]θˆ n −1 , ∀ n ∈N (a priori, backward) [2.59]
yˆ f [n] = φˆ T [n]θˆ n , ∀ n ∈N (a posteriori, forward) [2.60]
On observe que, dans les deux expressions ci-dessus, le vecteur des régresseurs
n’inclut que des valeurs E/S régressées (c'est-à-dire jusqu’à l’instant précédent, mais
pas à l’instant courant – voir encore une fois la définition [2.56]). Dans la sortie
a priori [2.59], ce vecteur et le vecteur des paramètres variables sont synchronisés à
l’instant précédent ( n − 1 ). En revanche, dans la sortie a posteriori [2.60], le vecteur
des paramètres devance le vecteur de régresseurs d’un pas d’échantillonnage.
Deux types d’erreurs de sortie sont alors disponibles à chaque instant :
εby [n] = y[n] − yˆb [n] = y[n] − φˆ T [n]θˆ n −1 , ∀ n ∈N (a priori) [2.61]
ε yf [n] = y[n] − yˆ f [n] = y[n] − φˆ T [n]θˆ n , ∀ n ∈N (a posteriori) [2.62]
De l’algorithme 2.1, on déduit que l’expression d’adaptation des paramètres s’écrit

comme suit, en détail (avec la définition [2.61]) :
ξˆ n
θˆ n = θˆ n −1 + γˆ n εby [n] = θˆ n −1 + εby [n]
1 + φˆ T [n]ξˆ n
[2.63]
Pn −1φˆ [n]
= θˆ n −1 + εby [n], ∀n ≥ 0
1 + φˆ T [n]Pn −1φˆ [n]
L’expression [2.63] permet de déterminer une relation entre les deux types
d’erreurs de sortie :
ε yf [n] = y[ n] − φˆ T [n]θˆ n
φˆ T [n]Pn −1φˆ [n] b
= y[n] − φˆ T [n]θˆ n −1 − ε y [ n]
b
1 + φˆ T [n]Pn −1φˆ [n]
εy [n]
1 + φˆ T [n]Pn −1φˆ [n] − φˆ T [n]Pn −1φˆ [n] [2.64]

= εby [n]
1 + φˆ T [n]Pn −1φˆ [n]
εby [n]
= , ∀n ≥ 0
1 + φˆ T [ n]Pn −1φˆ [n]
On a donc la possibilité de connaître l’erreur de sortie a posteriori avant de

réactualiser le vecteur de paramètres. De plus, puisque les matrices Pn sont définies
positives, le résultat final de [2.64] montre que l’erreur de sortie a tendance à diminuer
en amplitude (car 1 + φˆ T [ n]Pn −1φˆ [n] > 1 ). Suite à l’équation [2.64], la relation
principale de renouvellement s’exprime comme suit :
Pn −1φˆ [n]
θˆ n = θˆ n −1 + εby [n] = θˆ n −1 + Pn −1φˆ [n]ε yf [n] , ∀n ≥ 0 [2.65]
1 + φˆ T [n]Pn −1φˆ [n]
L’erreur a posteriori joue un rôle important dans l’implémentation efficace des

algorithmes de la famille CLOE.
La mise à jour des paramètres du modèle ARX s’effectue donc selon les équations
[2.65], où l’erreur a posteriori dépend de l’erreur a priori, qui peut se calculer sans
difficulté en utilisant le vecteur des paramètres θˆ n −1 – voir la définition [2.61].
L’algorithme d’adaptation optimale des paramètres proposé par la méthode CLOE de
base est similaire à celui de la MMC en ligne. Ses étapes sont présentées dans
l’algorithme 2.2.
1) Initialisation :
a) choisir l’indice structurel du modèle : nθ = na + nb ∈ N ∗ ;
b) identifier un modèle en BF du processus par une des techniques hors ligne proposées
dans la section précédente ; suite à cette opération, on dispose d’une première estimation des
5 polynômes : Â 0 , B̂0 , R̂ 0 , Ŝ0 , et T̂0 ; de même, des estimations du retard pur du
processus ( k ) et de la commande ( û ) sont disponibles ; ceci permet de construire le vecteur
initial des paramètres estimés, θ̂0 , formé par les coefficients des polynômes Â 0 et B̂0 ;
c) choisir une initialisation pour les matrices principales : P0 = α 2I nθ , avec α

suffisamment grand (quelques centaines, au moins) ;
d) initialiser le vecteur des régresseurs estimé :
φˆ [1] = [ − y[ N − 1] uˆ[ N − nb − k ]]
T
− y[ N − na] uˆ[ N − k ]
où N est la taille de l’horizon de mesure hors ligne ;
2) Pour n ≥ 1 :
2.1) mesurer la consigne et la sortie courantes : { yr [ n], y[ n]} ;
Tˆ n −1 ( q −1 ) Rˆ n −1 ( q −1 ) T
2.2) estimer la commande courante : uˆ[n] = y [ n ] − φˆ [ n]θˆ n −1 ;
Sˆ ( q −1 ) Sˆ ( q −1 )
r
n −1 n −1
2.3) préparer le vecteur des régresseurs pour l’itération suivante :

φˆ [n + 1] = [ − y[n] uˆ[n − nb − k + 1]]
T
− y[n − na + 1] uˆ[n − k + 1]
(prendre des valeurs du vecteur φˆ [1] , si nécessaire) ;
2.4) évaluer l’erreur de sortie a priori : εby [n] = y[n] − φˆ T [n]θˆ n −1 ;
2.5) évaluer le vecteur auxiliaire : ξˆ n = Pn −1φˆ [n] ;

1
2.6) évaluer la constante de multiplicité des erreurs de sortie : μˆ n = (scalaire) ;
1 + φˆ T [n]ξˆ n
2.7) évaluer l’erreur de sortie a posteriori : ε yf [n] = μˆ n εby [n] ;
2.8) réactualiser la matrice principale : Pn = Pn −1 − μˆ nξˆ nξˆ Tn ;
2.9) réactualiser le vecteur des paramètres : θˆ n = θˆ n −1 + ξˆ nε yf [n] ;
{ }
2.10) réactualiser le régulateur RST : Rˆ n ,Sˆ n ,Tˆ n à partir du modèle A
ˆ ,B
n
ˆ (construit
n { }
du θˆ n ) ;
3) Retourner le modèle du processus en BF {Aˆ , Bˆ ,Rˆ ,Sˆ ,Tˆ }

n n n n n
à chaque instant n ≥ 0 .
Une estimation de la commande, uˆ, est aussi disponible.
Algorithme 2.2. Etapes de la procédure CLOE de base
La mise à jour du régulateur RST (exigée au pas 2.10 de l’algorithme 2.2) se réalise,
par exemple, comme dans les chapitres 3 et 4 de cet ouvrage. En gros, cette procédure
est assez efficace. Des améliorations sont pourtant envisageables.
2.4.3. Méthode CLOE pondérée (W-CLOE)
Un des défauts importants de la méthode CLOE de base, est le fait que, pendant les
renouvellements successifs, l’histoire de la dynamique du processus a tendance à trop
influencer les résultats courants. Pour cette raison, une première amélioration de cette
méthode consiste à pondérer la contribution des données E/S anciennes par rapport à la
contribution des données récemment acquises. La méthode présentée dans cette
section s’appelle CLOE pondérée, W-CLOE (Weighted CLOE).
A la différence de la méthode CLOE de base, l’équation de départ pour construire

la procédure de renouvellement dans la méthode W-CLOE est :
−1
⎛ N −1
⎞ ⎛ N −1
⎞
θˆ N = ⎜ α N −1 ∑ φ[n]φT [n] + β N −1φ[ N ]φT [ N ] ⎟ ⎜ α N −1 ∑ φ[n] y[n] + β N −1φ[ N ] y[ N ] ⎟ [2.66]
⎝ n =1 ⎠ ⎝ n =1 ⎠
où α N −1 ∈ (0,1] et β N −1 ∈ [1, 2] sont des poids adaptatifs (à préciser plus tard). On

constate que le rôle du poids α N −1 est de diminuer l’effet de l’histoire de la
dynamique du processus, alors que le poids βN −1 est employé pour accentuer
l’importance des données E/S courantes.
En suivant le raisonnement de la MMC en ligne, la matrice principale est définie

comme suit :
−1
⎛ N −1
⎞
PN = ⎜ α N −1 ∑ φ[n]φT [n] + βN −1φ[ N ]φT [ N ] ⎟ ≅ ( α N −1PN−1−1 + β N −1φ[ N ]φT [ N ])
−1
[2.67]
⎝ n =1 ⎠
A noter que la récurrence [2.67] est approximative, car la matrice PN−1−1 est égale à
N −1
la somme ∑ φ[i]φ [i]
i =1
T
uniquement pour α N − 2 = β N − 2 = 1 . Plus α N − 2 ou β N − 2
s’éloignent de l’unité, moins précise est la récurrence [2.67]. Dans la suite, on va

pourtant considérer que [2.67] exprime une égalité.
Avec le lemme de Sherman-Morrison appliqué sur la récurrence [2.67], on obtient :
1 ⎛ β N −1PN −1φ[ N ]φT [ N ]PN −1 ⎞

PN = ⎜ PN −1 − ⎟ [2.68]
α N −1 ⎝ α N −1 + β N −1φT [ N ]PN −1φ[ N ] ⎠
De même, [2.67] engendre une autre relation récurrente intéressante :

1
PN−1−1 =
α N −1
(P −1
N − β N −1φ[ N ]φT [ N ]) [2.69]
A l’instant courant n ≥ 1 , on peut constater que :
⎛ n −1
⎞
⎝ i =1 ⎠
(
θˆ n = Pn ⎜ α n −1 ∑ φ[i ] y[i ] + βn −1φ[n] y[n] ⎟ ≅ Pn α n −1Pn−−11θˆ n −1 + βn −1φ[n] y[n] )
⎡ 1 ⎤
= Pn ⎢ α n−1
α n−1
( Pn−1 − β n −1φ[ n]φT [ n]) θˆ n −1 + βn −1φ[ n] y[ n]⎥
⎢⎣ ⎥⎦
[2.70]
( )
= θˆ n −1 + βn −1Pn φ[n] y[ n] − φT [ n]θˆ n −1 = θˆ n −1 + βn −1 Pn φ[ n]εby [ n], ∀ n ≥ 1
εby [ n ]
Comme auparavant, l’égalité [2.70] est approximative, car le terme Pn−−11θˆ n −1 est
n −1
égal à la somme ∑ φ[i] y[i]
i =1
uniquement pour α n − 2 = βn − 2 = 1 . Plus α n− 2 ou βn− 2
s’éloignent de l’unité, moins précise est la récurrence [2.70]. Dans la suite, on va

pourtant adopter [2.70] comme une égalité.
La recette de mise à jour des paramètres du modèle d’identification [2.70], n’est

que légèrement différente de celle du contexte de la MMC en ligne. On peut continuer
le raisonnement afin d’enlever la présence de la matrice principale courante ( Pn ) dans
le terme correcteur (qui rend l’implémentation inefficace). On peut utiliser le résultat
du lemme d’inversion [2.68] pour écrire que :
1 ⎛ βn −1Pn −1φ[ n]φT [n]Pn −1φ[ n] ⎞

Pnφ[ n] = ⎜ Pn −1φ[ n] − ⎟
α n −1 ⎝ α n −1 + βn −1φT [n]Pn −1φ[n] ⎠
T T
1 α n−1 Pn −1φ[n] + βn −1Pn −1φ[n]φ [n]Pn −1φ[n] − βn −1Pn −1φ[n]φ [ n]Pn −1φ[n]
= [2.71]
α n −1 α n −1 + βn −1φT [n]Pn −1φ[ n]
Pn −1φ[n]
=
α n −1 + βn −1φT [ n]Pn −1φ[ n]
De [2.70] et [2.71] il résulte :

βn −1Pn −1φ[n]
θˆ n = θˆ n −1 + βn −1Pn φ[n]εby [n] = θˆ n −1 + εby [n] [2.72]
α n −1 + βn −1φT [n]Pn −1φ[n]
ce qui permet une implémentation efficace, car la matrice Pn (à l’instant courant) est
maintenant remplacée par une expression contenant la matrice précédente Pn −1 .
De plus, comme dans le cas de la méthode CLOE de base, entre les deux erreurs de
sortie existe une corrélation :
βn −1φT [n]Pn −1φ[n]
ε yf [n] = y[n] − φT [n]θˆ n = y[n] − φT [n]θˆ n −1 − εby [n]
α n −1 + βn −1φT [n]Pn −1φ[n]
εby [ n ]
α n −1 + βn −1φT [n]Pn −1φ[n] − βn −1φT [n]Pn −1φ[n]

= εby [n] [2.73]
α n −1 + βn −1φT [n]Pn −1φ[n]
α n −1
= εby [n]
α n −1 + βn −1φT [n]Pn −1φ[n]
(Afin de rendre l’écriture plus simple, on a renoncé, pour l’instant, à l’usage du

vecteur estimé des régresseurs.)
Pour arriver à la fin de ce raisonnement, la formule d’implémentation pour la

relation principale de renouvellement [2.72] devient (avec la propriété [2.73]) :
βn −1Pn −1φ[n] β
θˆ n = θˆ n −1 + T
εby [n] = θˆ n −1 + n −1 Pn −1φ[n]ε yf [n] [2.74]
α n −1 + βn −1φ [n]Pn −1φ[n] α n −1
Comment mettre à jour les poids α n et βn ? Une première option est de les fixer à
des valeurs constantes, d’une manière empirique, suite à une analyse de la dynamique
du processus. Par exemple, on peut fixer α n à 0.9 et β n à 1.1. Ce choix manque
toutefois de finesse. De plus, on doit s’assurer que la procédure numérique
d’adaptation optimale ne dégrade pas la consistance des paramètres estimés. Il existe
un résultat théorique qui propose des conditions suffisantes pour préserver la
consistance des estimations θˆ . { } n
n≥ 0
THÉORÈME 2.3. Dans le contexte de la méthode W-CLOE, la suite des estimations

{ }
θˆ n réactualisées avec l’équation récursive [2.74] est consistante si la fonction de
n≥ 0
transfert :
S ( z −1 ) βmax
HS,P ( z −1 ) = −
P(z −1
) 2
avec :
β max = sup {β n } ∈ (0, 2)
n≥ 0
est strictement réelle positive.
Rappelons que la fonction de transfert d’un système continu notée H c est

strictement réelle positive si :
Re [ H c ( s )] > 0 , pour s ∈ C avec Re( s ) > 0

 [2.75]
Im [ H c ( s)] = 0 , pour s ∈ C avec Im( s) = 0
Pour un système discret, la fonction de transfert notée H d est strictement réelle

positive si :
 Re  H d ( z −1 )  > 0, pour z ∈ C avec z > 1

  
 [2.76]
 Im  H d ( z )  = 0,
−1
pour z ∈ C avec arg( z ) = 0
Dans le théorème 2.3, on reconnaît le polynôme global P qui donne les pôles du
système en BF. L’expression de la fonction de transfert HS,P justifie le choix de la borne
supérieure des poids β n (égale à 2). Si tous les poids α n et β n sont unitaires, alors on
retrouve la procédure CLOE de base. Dans ce cas, βmax = 1 et on peut démontrer que, si
le régulateur RST est conçu judicieusement, alors la fonction de transfert :
S ( z −1 ) 1
HS,P ( z −1
)= P − [2.77]
(z )
−1
2
est strictement réelle positive, ce qui signifie que la méthode CLOE de base produit
des estimations consistantes du vecteur des paramètres du modèle d’identification. Le
problème est donc de trouver une stratégie pour augmenter le poids β n jusqu’à la
limite de positivité de la fonction de transfert HS,P .
En fait, le théorème 2.3 offre la possibilité de tester à chaque instant si le choix du

poids β n est correct ou non. Pour ce faire, on calcule la valeur maximum courante de
la série {βi }i∈0, n et on teste la positivité de la fonction de transfert courante H S,P ( z −1 ) .
A noter que cette fonction peut changer d’un pas d’échantillonnage à l’autre, car, bien
entendu, le régulateur RST doit être renouvelé de même.
Néanmoins, le problème du choix des poids α n et β n n’est pas encore résolu. On

a besoin d’une procédure numérique dans ce but. Une autre démarche (différente de
celle empirique) est d’analyser le comportement estimé du processus en fréquence.
Plus précisément, il faut se concentrer dans les bandes de fréquence autour des points
critiques (donnés par les résonances intrinsèques du modèle d’identification). Dans ce
cas, les poids doivent être variés pour réduire (si possible) les raies spectrales
résonantes, comme illustré dans la figure 2.4. Dans cette figure, le spectre du modèle
d’identification (tracé en décibels (dB)) est évalué à l’aide de la transformation de
Fourier (TF) [OPP 85a, OPP 85b, PRO 96], qui a été appliquée à la fonction de
transfert estimée :
B̂n ( e jω )
Ĥ n ( e jω ) = e − jωk , ∀ω∈[0, π] [2.78]
Â n ( e jω )
Il y a des cas où le modèle du processus diminue ses résonances suite à un choix

judicieux des poids adaptatifs. Puisque cette diminution peut être quantifiée de telle
manière qu’un critère d’optimisation soit défini, on cherche plutôt des poids optimaux.
Mais optimiser ce critère par des techniques classiques n’est pas une tâche facile, car il
est difficile (voire impossible) de calculer ses dérivées. Pour cette raison, on cherche
une solution alternative, de type métaheuristique. Quelques méthodes d’optimisation
par métaheuristique (basées sur le principe de Monte Carlo) sont proposées dans
[STE 14a] ou [STE 14b]. Le lecteur pourrait adopter une procédure numérique
appartenant à ce groupe de méthodes pour résoudre le problème d’optimisation. (Ces
procédures sont assez simples et ne risquent pas d’alourdir l’algorithme W-CLOE.)
Ĥ n ( e jω ) αn = βn = 1
dB
αn < 1 , βn > 1
0 π ω
Figure 2.4. Atténuation des raies spectrales résonantes d’un processus

par variation des poids dans la méthode W-CLOE
Une autre démarche intéressante est liée à l’équation de renouvellement [2.74]. Si

on regarde avec attention cette relation récursive, on constate qu’elle est bien similaire
à l’équation qui constitue le cœur d’une procédure d’optimisation numérique basée sur
des méthodes exactes. Par exemple, dans [BOR 13a] ou [BOR 13b], il existe deux
méthodes de programmation non linéaire basées sur des relations récursives comme
[2.74]. Il s’agit de la méthode de Cauchy (de gradient) et la méthode de Newton-
Raphson, toutes les deux à pas d’adaptation variable. Rappelons brièvement les
équations principales de ces deux méthodes :
– pour la méthode de Cauchy :
⎧⎪xn = xn −1 + αn −1J x ( xn−1 )

⎨ , ∀n ≥ 1 [2.79]
⎪⎩αn = αn −1 − J x ( xn ) J x ( xn −1 )
T
– pour la méthode de Newton-Raphson :

⎧ x n = x n −1 + α n −1J −xx1 ( x n −1 ) J x ( x n −1 )
⎪
⎨ J Tx ( x n ) J −xx1 ( x n −1 ) J x ( x n −1 ) , ∀n ≥ 1 [2.80]
α
⎪ n = α −
J x ( x n −1 ) J xx ( x n −1 ) J xx ( x n ) J xx ( x n −1 ) J x ( x n −1 )
n −1 T −1 −1
⎩
Dans les systèmes [2.79] et [2.80] :

– J est le critère d’optimisation avec le vecteur du gradient noté J x et la matrice
hessienne notée J xx ;
– x n−1 est le point optimal courant ;
– αn−1 est le pas d’adaptation courant.
Or, dans l’équation [2.74], on peut considérer que le rapport βn −1 α n −1 est le pas
d’adaptation, θ n est x n et :
a) soit Pn −1φ[n]ε yf [n] correspond au gradient courant ( J x ( x n −1 ) ) d’un critère

quelconque ;
b) soit φ[n]ε yf [n] correspond au gradient courant ( J x ( xn −1 ) ) et Pn−−11 (symétrique
et inversible) correspond à la matrice hessienne courante ( J xx ( xn −1 ) ) d’un autre
critère.
De toute façon, même si on ne connaît pas le critère d’optimisation, on dispose tout

de même des valeurs successives de son gradient et, éventuellement, de sa matrice
hessienne à chaque pas d’échantillonnage. Il est alors naturel d’utiliser la deuxième
équation des systèmes [2.79] et [2.80] pour réaliser la mise à jour du rapport βn / α n .
Plus précisément :
a) pour la méthode de Cauchy :
βn βn −1
= − φT [n + 1]Pn Pn −1φ[n]ε yf [ n + 1]ε yf [n] , ∀ n ≥ 1 [2.81]
α n α n −1
b) pour la méthode de Newton-Raphson :
T f f
βn βn −1 φ [n + 1]Pn −1φ[n]ε y [n + 1] ε y [n]
= − , ∀n ≥ 1 [2.82]
n −1 n n −1 (
α n α n −1 φT [n]P P −1P φ[ n] ε f [ n] 2
y )
A noter que le facteur Pn−1 (du dénominateur dans [2.82]) n’exige pas d’effectuer
l’inversion d’une matrice à chaque pas d’échantillonnage (voir encore une fois la
récurrence [2.67]). Il suffit d’inverser la matrice P0 au début de la procédure

numérique, puis de réactualiser l’inverse obtenue avec la relation [2.67].
Le problème le plus important posé par les équations [2.81] et [2.82] concerne le
calcul effectif de l’erreur a posteriori à l’instant suivant ( ε yf [n + 1] ). Vu l’expression
[2.73] de cette erreur, il est évident que sa valeur suivante ne peut pas être calculée
sans avoir d’abord mesuré la valeur suivante de la sortie ( y[n + 1] ), ce qui rend
l’implémentation impossible. Tout ce que l’on peut faire est d’approximer cette erreur.
Une approximation naturelle (surtout dans la proximité de l’optimum) est :
ε yf [n + 1] ≅ ε yf [n] . Ceci permet de pouvoir implémenter les récurrences [2.81] et
[2.82]. De plus, la2 récurrence [2.82] devient indépendante de l’erreur a posteriori, car
( )
le facteur ε yf [n] se simplifie.
Afin de préciser les poids séparément, soit on impose la contrainte :
α n + βn = 2 , ∀ n ≥ 0 [2.83]
soit, dans le cas de l’équation [2.82], on peut se hasarder à considérer, abusivement,

que :
⎧⎪αn = αn−1 + φT [n]Pn −1Pn−1Pn −1φ[n]

⎨ T
, ∀n ≥ 1 [2.84]
⎪⎩βn = βn−1 − φ [n + 1]Pn−1φ[n]
Cette démarche présente quand même un défaut. Il faut rappeler que les poids
varient entre certaines limites : α n ∈ (0,1] et βn ∈ [1, 2) pour tout n ≥ 0 . Si on adopte
la contrainte [2.83] (qui semble naturelle), alors on peut exprimer les deux poids
comme : α n = 1 − δ n et βn = 1 + δn , où l’écart variable δ n bouge entre 0 et 1. Avec ces
nouvelles expressions des poids, on peut retourner aux récurrences [2.81] et [2.82]
pour écrire que :
1 + δn 1 + δn −1
= + Δ n −1 , ∀ n ≥ 1 [2.85]
1 − δn 1 − δn −1
où Δ n est employé pour unifier les corrections sous une même notation :
⎧ φT [n + 1]Pn −1φ[n] ⎫
Δ n ∈ ⎨−φT [n + 1]Pn Pn −1φ[n] ( ε yf [n]) , − T
2
⎬ , ∀ n ≥ 1 [2.86]
⎩ φ [n]Pn −1Pn−1Pn −1φ[n] ⎭
De [2.85], après quelques calculs élémentaires, on obtient la récurrence vérifiée par

l’écart :
2δn −1 + (1 − δn −1 ) Δ n −1
δn = , ∀n ≥ 1 [2.87]
2 + (1 − δn −1 ) Δ n −1
On peut démontrer (par induction mathématique) que, si l’écart initial varie entre 0
et 1, tandis que les corrections Δ n prennent des valeurs à l’extérieur de l’intervalle
⎡⎣ −2 / (1 − δ n ) , −2δ n / (1 − δ n ) ⎤⎦ , alors tous les écarts successifs varient entre 0 et 1
également. Puisque le fait que Δ n vérifiant cette contrainte ne peut pas être garantie,
dès que sa valeur courante appartient à l’intervalle interdit, il faut l’ajuster.
Pour conclure cette section, la procédure numérique afférente à la méthode

W-CLOE est décrite dans l’algorithme 2.3.
1) Initialisation :
5 polynômes : Â 0 , B̂0 , R̂ 0 , Ŝ 0 , et T̂0 ; de même, des estimations du retard pur du
processus ( k ) et de la commande ( û ) sont disponibles ; ceci permet de construire le vecteur
initial des paramètres estimés, θ̂0 , formé par les coefficients des polynômes Â 0 et B̂0 ;
c) choisir une initialisation pour les matrices principales : P−1 = P0 = α 2I nθ , avec α

1
d) calculer l’inverse de la matrice principale (si nécessaire) : P0−1 = I nθ ;
α2
e) initialiser le vecteur des régresseurs estimés ( φˆ [0] et φˆ [1] ), en utilisant les données
E/S/ les plus récentes, acquises pour l’identification hors ligne (voir le pas 1.d de l’algorithme
précédent, comme exemple) ;
f) initialiser l’écart des poids : δ0 = 0 (ce qui engendre, α0 = β0 = 1 ) ;
g) fixer un seuil de correction : ε > 0 (par défaut, ε = 0.1 ) ;
h) initialiser l’indice de l’itération : n = 1.
2) Pour n ≥ 1 :
2.1) mesurer la consigne et la sortie à l’instant courant : { yr [ n], y[ n]} ;
Tˆ n −1 ( q −1 ) Rˆ n −1 ( q −1 ) T
2.2) éstimer la commande courante : uˆ[n] = y [ n ] − φˆ [n]θˆ n −1 ;
Sˆ ( q −1 ) Sˆ ( q −1 )
r
n −1 n −1
φˆ [n + 1] = [ − y[n] uˆ[n − nb − k + 1]]

T
− y[n − na + 1] uˆ[n − k + 1]
2.4) évaluer l’erreur de sortie a priori : εby [n] = y[n] − φˆ T [n]θˆ n −1 ;
2.5) évaluer le vecteur auxiliaire : ξˆ n = Pn −1φˆ [ n]. ;
2.6) évaluer la constante de multiplicité des erreurs de sortie :

1
μˆ n −1 = (scalaire)
1 − δn −1 + (1 + δn −1 ) φˆ T [n]ξˆ n
2.7) évaluer l’erreur de sortie a posteriori : ε yf [n] = (1 − δ n −1 ) μˆ n −1εby [n] ;
2.8) réactualiser la matrice principale :

1 ⎡
Pn = Pn −1 − (1 + δn −1 ) μˆ n −1ξˆ nξˆ Tn ⎤
1 − δ n −1 ⎣ ⎦
2.9) réactualiser l’inverse de la matrice principale (si nécessaire) :

Pn−1 = (1 − δ n −1 ) Pn−−11 + (1 + δ n −1 ) φˆ [n]φˆ T [n]
1 + δ n −1 ˆ f
2.10) réactualiser le vecteur des paramètres : θˆ n = θˆ n −1 + ξ n ε y [n] ;
1 − δ n −1
{
2.11) réactualiser le régulateur RST : Rˆ n ,Sˆ n ,Tˆ n à partir du modèle A }
ˆ ,B
n
ˆ
n
(construit { }
du θˆ n ) ;
2.12) calculer la correction à appliquer au rapport des poids :

φˆ T [n + 1]Pn −1φˆ [n]
Δ n −1 = φˆ T [ n + 1]Pn Pn −1φˆ [ n ] ( ε yf [ n ]) ou Δ n −1 = −
2
φˆ T [n]Pn −1Pn−1Pn −1φˆ [n]
⎡ −2 −1 − δn −1 ⎞
2.13) si Δ n −1 ∈ ⎢ , ⎟ , forcer la correction à sortir de l’intervalle vers la
⎣1 − δn −1 1 − δn −1 ⎠
−2
gauche : Δ n −1 ← −ε ;
1 − δ n −1
⎡ −1 − δn −1 −2δn −1 ⎤
2.14) si Δ n −1 ∈ ⎢ , ⎥ , forcer la correction à sortir de l’intervalle vers la
⎣ 1 − δn −1 1 − δ n −1 ⎦
− 2 δ n −1
droite : Δ n −1 ← +ε ;
1 − δ n −1
2.15) réactualiser l’écart des poids (pour l’itération suivante) :

2δn −1 + (1 − δn −1 ) Δ n −1
δn =
2 + (1 − δn −1 ) Δ n −1
2.16) évaluer/réactualiser le maximum des valeurs {δi }i∈0, n , soit δ max

n ;
2.17) si la fonction de transfert :
Ŝn ( z −1 ) 1 + δnmax
HSˆ ( z ) = Pˆ
−1
−
n (z )
ˆ −1
n ,Pn
2
( ) n n ( ) ( )
ˆ z −1 Sˆ z −1 + z − k B
où Pˆn z −1 = A ( ) ( )
ˆ z −1 Rˆ z −1 , n’est pas réelle positive, diminuer
n n
l’écart δn progressivement (par exemple, en utilisant des décréments multiples de ε), jusqu’à
ce que cette propriété soit vérifiée ;
2.18) passer à l’itération suivante : n ← n + 1 ;
3) Retourner le modèle du processus en BF {Aˆ , Bˆ ,Rˆ ,Sˆ ,Tˆ }

n n n n n
à chaque instant n ≥ 0 .
Une estimation de la commande, û, est aussi disponible.
Algorithme 2.3. Etapes de la procédure W-CLOE
Comme on peut l’observer dans l’algorithme 2.3, la technique de renouvellement

des poids décrite par les équations [2.87] et [2.82] a été adoptée. Néanmoins,
l’utilisateur peut proposer d’autres algorithmes de type W-CLOE, étant donné que la
procédure ci-dessus est basée sur les récurrences [2.67] et [2.70], qui ne sont pas
exactes.
Bien évidemment, de l’algorithme 2.3 (W-CLOE) on obtient facilement l’algorith-

me 2.2 (CLOE de base). Il suffit de maintenir tous les écarts δ n à la valeur initiale, nulle.
Pour cette raison, les méthodes décrites dans la suite de ce chapitre sont dérivées de la
méthode CLOE de base, avec la possibilité d’ajouter des poids.
2.4.4. Méthodes CLOE avec filtrage (F-CLOE) ou filtrage adaptatif

(AF-CLOE)
Pour certains processus, la condition suffisante de consistance proposée par le

théorème 2.3 peut s’avérer difficile à vérifier. Dans ce cas, il vaut mieux adopter une
version différente de la méthode CLOE, qui allège la tâche. C’est ainsi que la méthode
CLOE avec filtrage du vecteur des régresseurs, F-CLOE (Filtered CLOE) est apparue.
Le filtre à appliquer aux données E/S mesurées a pour rôle de diminuer la présence
des perturbations et donc d’augmenter le rapport signal-bruit, SNR (Signal-to-Noise
Ratio), surtout lorsque ces perturbations dégradent trop l’information utile qui exprime
la dynamique du processus. Il existe plusieurs possibilités pour choisir ce filtre (ou
bien pour le concevoir). Normalement, à chaque processus correspond son filtre. Dans
la littérature scientifique il existe un éventail assez riche de méthodes de conception
des filtres analogiques ou numériques (voir, par exemple, [OPP 85a, PRO 96]).
Parfois, il n’est pas si facile de trouver « le bon filtre », car l’utilisateur est confronté
avec la difficulté de définir « le bruit » d’une manière numérique.
Dans l’IS, habituellement, les filtres de données utilisés sont fortement liés aux
modèles d’identification que l’on peut obtenir. Dans cet esprit, la méthode F-CLOE
propose d’utiliser le filtre suivant :
Ŝ ( q −1 )
F ( q −1 ) = [2.88]
P̂0 ( q −1 )
où P̂0 est une estimation hors ligne du polynôme [2.7], qui donne les pôles du système
bouclé. De même, le polynôme Ŝ est une estimation du polynôme qui définit le filtre
RII [2.2] du régulateur RST.
Pour déterminer le polynôme P̂0 , il suffit de considérer que le processus bouclé est
une boîte noire que l’on peut identifier par des techniques d’ISBO. Usuellement, la
classe des modèles utilisée est ARMAX. Le modèle ARX de cette classe est souvent
visé dans cette démarche. Dernièrement, grâce à l’augmentation de la puissance de
calcul des machines actuelles, le modèle de type Box-Jenkins (BJ) est devenu un choix
intéressant (même recommandé). (Une description des modèles d’identification liné-
aires se trouve, par exemple, dans [BOR 13a, BOR 13b].)
Soulignons que l’entrée de cette boîte noire globale est la consigne yr et non pas la
commande u. Si le processus bouclé supporte des SPA comme consignes (bien entendu,
adaptés à la gamme de variation de la sortie y), alors on peut obtenir une estimation assez
précise du polynôme P, sans connaître les autres polynômes de la définition [2.7]. En ce
qui concerne l’estimation Ŝ , plusieurs approches existent. Par exemple, on peut

considérer que Ŝ est bien Ŝ0 , obtenu dans l’étape d’initialisation des algorithmes de la
classe CLOE (décrits auparavant). Dans ce cas, le filtre [2.88] est fixé et non adaptatif.
Pour le rendre adaptatif, on peut remplacer Ŝ par Ŝn , obtenu dans l’étape de mise à jour
du régulateur RST des algorithmes de la classe CLOE. En tout cas, le filtre F qui en
résulte est inversible, car les polynômes S sont tous stables (comme retournés par la
procédure de conception/renouvellement du régulateur RST). Si le filtre est adaptatif, la
méthode s’appelle de même F-CLOE adaptative, AF-CLOE (Adaptive Filtered CLOE).
L’algorithme numérique correspondant aux méthodes (A)F-CLOE est très

similaire aux algorithmes 2.2 et 2.3. Trois différences existent pourtant :
a) l’étape d’initialisation doit être complétée par l’identification hors ligne de la
boîte noire globale ; le modèle d’identification est soit ARX, soit ARMAX, soit BJ (ce
dernier étant recommandé) ; mais indépendamment du modèle choisi, le filtre utile est
exprimé par une fonction de transfert dont le dénominateur est le polynôme P̂0 ; cette
opération peut être réalisée par des techniques d’ISBO (comme, par exemple, celles
décrites dans [BOR 13a, BOR 13b ou STE 05]) ;
b) après avoir préparé le vecteur des régresseurs pour l’itération suivante (voir le
pas 2.3 des algorithmes précédents de la classe CLOE), il faut calculer et mémoriser
une version filtrée de ce vecteur :
Ŝn ( q −1 )
φˆ F [ n + 1] = F ( q −1 ) φˆ [ n + 1] = φˆ [ n + 1] [2.89]
P̂0 ( q −1 )
à noter que la commande estimée se calcule en utilisant le vecteur φˆ [ n] (non filtré),

alors que, dans tous les autres pas de l’algorithme, φ̂ doit être remplacé par φˆ F ; par
conséquent, le vecteur filtré ne doit pas sur-inscrire celui non filtré dans le programme
informatique, car ces deux vecteurs sont nécessaires ;
c) la condition de consistance change de même ; la fonction de transfert HSˆ ˆ (du

n ,Pn
pas 2.17 de l’algorithme 2.3) doit être remplacée par :
Ŝn ( z −1 ) P̂0 ( q −1 ) 1 + δmax P̂0 ( q −1 ) 1 + δmax

n +1 n +1
H Pˆ ,Pˆ = − = − [2.90]
0 n
Pˆ n ( z −1 ) Sˆ n ( q −1 ) 2 Pˆn ( q −1 ) 2
(expression obtenue en appliquant l’inverse du filtre des données).
La définition du filtre [2.88] s’appuie sur le résultat de consistance suivant.
THÉORÈME 2.4. Dans le contexte des méthodes (A)F-CLOE, la suite des

estimations θˆ n{ }
réactualisées est consistante, si la fonction de transfert :
n≥ 0
P̂0 ( z −1 ) β max
H S,P ( z −1 ) = −
P ( z −1 ) 2
avec :
βmax = sup {βn } ∈ (0, 2)
n≥ 0
est strictement réelle positive.
Une autre approche produisant des procédures numériques de la classe AF-CLOE

est basée sur la ré-identification périodique, en BO, du polynôme P̂0 épisodiquement
(par exemple, sur un délai de 10 périodes d’échantillonnage). Dans cette démarche, on
utilise les données E/S déjà acquises durant la procédure en ligne.
Dans certaines applications, les méthodes (A)F-CLOE (et surtout AF-CLOE) ont
permis d’obtenir des performances supérieures à celles du processus bouclé,
notamment dans les zones des fréquences critiques.
2.4.5. Méthode CLOE étendue (X-CLOE)
L’emploi d’un modèle de type ARX dans les applications modernes de l’IS
commence à être dépassé. Ce modèle s’est imposé il y a une trentaine d’années,
surtout grâce au fait que le vecteur correspondant des régresseurs ne contient que des
données E/S mesurées (et non des signaux qui doivent être estimés). Ceci rend la
procédure numérique d’identification (usuellement de la classe MMC) très efficace et
avec un effort de calcul assez réduit. Mais ce modèle présente deux limitations
importantes : il impose un filtre de perturbations qui n’a pas de zéros et, de plus, ce
filtre a exactement les mêmes pôles que le filtre utile. Ces limitations deviennent
clairement visibles en regardant l’équation principale du modèle :
B ( q −1 ) 1
y[n] = q − k u[n] + e[n] , ∀ n ∈N [2.91]
A (q −1
) A ( q −1 )
où e est un bruit blanc (usuellement centré et gaussien, en accord avec le théorème

limite central). Si on regarde encore une fois la figure 2.3, on voit que, dans la partie
inférieure, il existe une estimation de la perturbation du processus vˆ. Le modèle ARX

propose de la calculer en filtrant le bruit blanc par :
1
vˆ[n] = e[n] , ∀ n ∈N [2.92]
Â ( q −1 )
ce qui montre clairement les limitations mentionnées auparavant.
Afin d’améliorer la précision de la procédure d’identification en BF, on peut

considérer d’autres modèles de perturbations, plus complexes, même si cette démarche
alourdit le calcul. Deux modèles sont considérés dans ce but :
C ( q −1 )
ARMAX : v[n] = e[n] , ∀ n ∈N [2.93]
A ( q −1 )
C ( q −1 )
BJ : v[n] = e[n] , ∀ n ∈N [2.94]
D ( q −1 )
Le modèle ARMAX introduit des zéros (voir le polynôme C au numérateur de la

définition [2.93]), mais il préserve les pôles identiques avec ceux du filtre utile. Dans
le modèle BJ, le filtre de perturbations est indépendant du filtre utile, possédant ses
propres zéros et pôles.
Les polynômes précisés dans les définitions [2.93] et [2.94] sont exprimés par :
C ( q −1 ) = 1 + c1q −1 + + cnc q − nc [2.95]
D ( q −1 ) = 1 + d1q −1 + + d nd q − nd [2.96]
Dans cette section, une méthode de type CLOE qui permet l’identification du
modèle ARMAX est présentée. Dans la section suivante (2.4.6), une autre méthode
associée au modèle BJ est décrite.
Ce qui rend le modèle ARMAX plus difficile à identifier que le modèle ARX est le
fait que le vecteur des régresseurs contient maintenant des valeurs du bruit blanc. Pour
obtenir la configuration de ce vecteur, on part de l’équation du modèle ARMAX :
y[n] + a1 y[n − 1] + + ana y[n − na ]

= b0 u[n − k ] + + bnb u[n − k − nb] [2.97]
+ e[n] + c1e[n − 1] + + cnc e[n − nc], ∀ n ∈ N
qui implique :
⎡φ[n] = ⎡ − y[n − 1] − y[n − na] u[n − k ] u[n − k − nb] e[n − 1] e[n − nc]⎤⎦
T
⎢ ⎣
[2.98]
⎢θ = ⎡ a a cnc ⎦⎤
T
∀n ∈ N
⎣ ⎣ 1 2 ana b0 b1 bnb c1 c2
Le vecteur φ est donc seulement partiellement mesurable. Pour cette raison, la

MMC ne peut pas être appliquée directement, mais selon une stratégie en deux étapes,
ce qui mène à la MMC étendue (MMC-E). Premièrement, il faut trouver un moyen
d’estimer le bruit blanc contenu dans les données E/S mesurées. Cet estimateur est en
fait un autre modèle d’identification, auxiliaire, plus simple, mais avec un nombre plus
large de paramètres. Dans le cas du modèle ARMAX, son adjuvant est un modèle
ARX avec les deux polynômes notés A nα et B nβ (de degrés nα , respectivement nβ,
sensiblement plus grands que na + nb + nc ). Ce modèle peut être identifié par une
méthode de la classe MMC. Deuxièmement, l’estimateur du bruit est employé pour
remplacer les valeurs non mesurables dans le vecteur des régresseurs par des valeurs
estimées. Le nouveau vecteur permet maintenant d’appliquer encore une fois la MMC
pour déterminer les coefficients des 3 polynômes initiaux. Soulignons que A nα et B nβ
ne sont que des polynômes auxiliaires ; ils ne peuvent pas remplacer les polynômes A
et B du modèle ARMAX.
Pour le processus bouclé, considérer ARMAX comme modèle d’identification (au

lieu d’ARX) complique la méthode CLOE, qui devient ainsi CLOE étendue, X-CLOE
(eXtended CLOE).
Pour obtenir la méthode X-CLOE, la MMC-E doit être adaptée au contexte du

travail de la figure 2.3. Afin de rendre l’explication plus facile à comprendre, les
équations suivantes sont liées à la méthode CLOE de base et non pas à la méthode
W-CLOE. Après avoir compris l’esprit de la méthode X-CLOE, le lecteur peut
avancer vers une combinaison avec la méthode W-CLOE.
On part de l’identification préliminaire décrite dans la section 2.3.3 pour le modèle

ARX. Puisqu’il n’est pas nécessaire que le résultat deacette identification soit d’une
précision élevée, on peut adopter une stratégie simplifiée, même si le modèle de
processus est maintenant ARMAX.
Ainsi, des 5 polynômes déterminés pour le modèle ARX, on préserve les 3 qui
définissent le régulateur RST. (Dans cette étape d’identification, on peut même
considérer que le modèle ARX est de dimension [ nα, nβ ] pour augmenter la
précision.) Puis, on calcule les valeurs approximatives de la commande u, selon

l’équation [2.48]. Maintenant, on est dans la situation de connaître une estimation de la
commande et la sortie du processus sur l’horizon de mesure. On dispose donc de
l’ensemble de données E/S Dˆ N = {uˆ[ n ], y[ n ]}n∈1, N . Ceci permet d’appliquer la
MMC-E (comme méthode d’ISBO) en jouant avec les modèles ARX et ARMAX. Les
équations principales de cette démarche sont les suivantes (pour tout instant discret
n ∈N ) :
eˆ[n] = y[n] + αˆ 1 y[n − 1] + + αˆ nα y[n − nα]

[2.99]
− βˆ 0 uˆ[n − k ] − − βˆ nβuˆ[n − k − nβ]
(estimer le bruit blanc avec le modèle ARX) ;
⎡φˆ [n] = ⎡− y[n − 1] − y[n − na] uˆ[n − k ] uˆ[n − k − nb] eˆ[n − 1] eˆ[n − nc]⎦⎤
T
[2.100]
⎣⎢ ⎣
(construire le vecteur des régresseurs pour le modèle ARMAX) ;
−1
⎛1 N ⎞ ⎛1 N ⎞
θˆ N = ⎜ ∑ φˆ [n]φˆ T [n] ⎟ ⎜ ∑ φˆ [n] y[n] ⎟ [2.101]
N
⎝ n =1 N
⎠ ⎝ n =1 ⎠
(estimer le vecteur des paramètres inconnus du modèle ARMAX).
Dans l’équation [2.99], les coefficients du modèle ARX ont été notés d’une
manière naturelle. Ces coefficients sont, en général, différents des coefficients
correspondants estimés par [2.101].
Pour l’identification en ligne, il est nécessaire de réactualiser non seulement les

3 polynômes du modèle ARMAX, mais aussi les 2 polynômes du modèle ARX
auxiliaire. Sans ces deux derniers polynômes, il est impossible d’estimer le bruit blanc
et, par conséquent, de renouveler le modèle ARMAX.
La procédure de l’algorithme 2.4 suit l’esprit de la méthode CLOE de base. Le

lecteur pourrait être intéressé par la conception d’un algorithme plus complexe, en
ajoutant les poids, comme expliqué dans la section 2.4.3.
La procédure de l’algorithme 2.4 met en évidence l’esprit d’une méthode

d’identification étendue. On l’applique deux fois : une fois pour le modèle auxiliaire et
une autre fois pour le modèle principal.
1) Initialisation :
a) choisir l’indice structurel du modèle ARMAX : nθ = na + nb + nc ∈ N ∗ ;
b) choisir l’indice structurel du modèle auxiliaire ARX : nτ = nα + nβ∈ N (usuellement,

∗
nτ ≥ 3nθ ) ;
c) identifier un modèle du processus bouclé, basé sur le modèle ARX[nα,nβ,k], par une
des techniques hors ligne proposées dans la section précédente ; suite à cette opération, on
dispose d’une estimation préliminaire des 5 polynômes : A 0 , B0 , R̂ 0 , Ŝ 0 , et T̂0 (les deux
premiers étant auxiliaires) ; de même, une estimation du retard pur du processus ( k ) est
disponible ; ceci engendre la possibilité de construire le vecteur initial des paramètres
estimés, θ0 , formé par les coefficients des polynômes auxiliaires A 0 et B0 ; une estimation
ˆ ⊂ R2 , est disponible de même ;
de la perturbation exogène virtuelle, w
d) estimer la commande sur l’horizon de mesure, à l’aide des coefficients du polynôme Ŝ0
et la deuxième composante de la perturbation virtuelle estimée :
1
uˆ[n] =
sˆ0,0
( sˆ0,1uˆ[n − 1] − − sˆ0, nsuˆ[n − ns] + wˆ 2[n]) , ∀ n ∈ 1, N
e) estimer le bruit blanc sur l’horizon de mesure :

eˆ[n] = y[n] + αˆ 1 y[n − 1] + + αˆ nα y[n − nα]
− βˆ 0uˆ[n − k ] − − βˆ nβuˆ[n − k − nβ], ∀ n ∈ 1, N
f) construire les vecteurs des régresseurs pour le modèle ARMAX :

φˆ [ n] = [ − y[ n − 1] − y[ n − na ]
uˆ[ n − k ] uˆ[ n − k − nb]
T
eˆ[ n − 1] eˆ[ n − nc ]⎤⎦ , ∀ n ∈ 1, N
g) estimer le modèle ARMAX initial :

−1
⎛1 N ⎞ ⎛1 N ⎞
θˆ 0 = ⎜ ∑ φˆ [n]φˆ T [n] ⎟ ⎜ ∑ φˆ [n] y[n] ⎟
N
⎝ n =1 N
⎠ ⎝ n =1 ⎠
maintenant, l’initialisation du modèle d’identification en BF est exprimée par les polynômes :

Â 0 , B̂0 , Ĉ0 , R̂ 0 , Ŝ0 et T̂0 (les 3 premiers étant déterminés par le vecteur θ̂0 ci-dessus) ;
h) choisir une initialisation pour les matrices principales du modèle ARX : P0 = α 2I nτ ,

avec α suffisamment grand (quelques centaines, au moins) ;
i) choisir une initialisation pour les matrices principales du modèle ARMAX : Pˆ 0 = α 2I nθ ;
j) initialiser le vecteur auxiliaire des régresseurs estimé (modèle ARX), en utilisant les
données acquises hors ligne :
T
φ[1] = ⎣⎡ − y[ N − 1] − y[ N − nα ] uˆ[ N − k ] uˆ[ N − k − nβ]⎦⎤
k) initialiser le vecteur principal des régresseurs estimé (modèle ARMAX), en utilisant les
données acquises hors ligne : φˆ [1] ← φˆ [ N ] ;
l) initialiser l’indice de l’itération : n = 1.
2) Pour n ≥ 1 :
Tˆ n −1 ( q −1 ) Rˆ n −1 ( q −1 ) T
2.2) estimer la commande courante : uˆ[n] = y [ n ] − φˆ [n]θˆ n −1 ;
Sˆ ( q −1 ) Sˆ ( q −1 )
r
n −1 n −1
2.3) préparer le vecteur auxiliaire des régresseurs pour l’itération suivante (modèle ARX) :
φ[n + 1] = [ − y[n] uˆ[n − nβ − k + 1]]

T
− y[n − nα + 1] uˆ[n − k + 1]
2.4) évaluer l’erreur de sortie a priori (en utilisant le modèle ARMAX courant) :
εˆ by [n] = y[n] − φˆ T [n]θˆ n −1 ;
2.5) évaluer le vecteur auxiliaire (modèle ARX) : ξ n = Pn −1φ[ n] ;
2.6) évaluer la constante de multiplicité des erreurs de sortie (modèle ARX) :

1
μn = (scalaire) ;
1 + φT [ n]ξ n
2.7) évaluer l’erreur de sortie a posteriori (modèle ARX) : ε yf [n] = μ n εˆ by [n] ;
2.8) réactualiser la matrice principale du modèle ARX : Pn = Pn −1 − μ nξ nξ Tn ;
2.9) réactualiser le vecteur des paramètres du modèle ARX :
θn = θn −1 + ξ nε yf [n]
2.10) évaluer le bruit blanc courant avec le modèle ARX mis à jour :
eˆ[n] = y[n] + αˆ n ,1 y[n − 1] + + αˆ n , nα y[n − nα]

− βˆ n,0uˆ[n − k ] − − βˆ n, nβuˆ[n − k − nβ]
2.11) préparer le vecteur principal des régresseurs pour l’itération suivante (modèle
ARMAX) :
φˆ [ n + 1] = [ − y[n] − y[ n − na + 1]
uˆ[n − k + 1] uˆ[ n − k − nb + 1]
T
eˆ[ n] eˆ[ n − nc + 1]⎤⎦
2.12) évaluer le vecteur auxiliaire (modèle ARMAX) : ξˆ n = Pˆ n −1φˆ [n] ;
2.13) évaluer la constante de multiplicité des erreurs de sortie (modèle ARMAX) :

1
μˆ n = (scalaire) ;
1 + φ [n]ξˆ
ˆ T
n
2.14) évaluer l’erreur de sortie a posteriori (modèle ARMAX) : εˆ yf [ n] = μˆ n εby [ n] ;
2.15) réactualiser la matrice principale du modèle ARMAX : Pˆ n = Pˆ n −1 − μˆ nξˆ nξˆ Tn ;
2.16) réactualiser le vecteur des paramètres du modèle ARMAX : θˆ n = θˆ n −1 + ξˆ nεˆ yf [n] ;
2.17) réactualiser le régulateur RST {Rˆ ,Sˆ ,Tˆ }

n n n
en utilisant le modèle ARMAX
{Aˆ , Bˆ , Cˆ } (construit du θˆ
n n n n );
2.18) passer à l’itération suivante : n ← n + 1.
{
3) Retourner le modèle du processus en BF Aˆ n , Bˆ n , Cˆ n ,Rˆ n ,Sˆ n , Tˆ n } à chaque instant n ≥ 0.
Une estimation de la commande, û, est aussi disponible.
Algorithme 2.4. Etapes de la procédure X-CLOE

de base (pour le modèle ARMAX)
Dans les pas 2.3 et 2.10, il est recommandé de préparer les vecteurs suivants des
régresseurs à l’aide des données mesurées hors ligne dans l’étape d’initialisation.
Par ailleurs, il existe des relations de récurrence entre les vecteurs successifs des
régresseurs que le lecteur peut observer facilement. Ces récurrences peuvent aider à
produire une implémentation efficace de cet algorithme. Les données E/S nécessaires,
mesurées ou estimées hors ligne, sont déjà contenues dans les vecteurs initiaux.
En général, cet algorithme peut améliorer les performances des algorithmes CLOE
basés sur le modèle ARX. Le fait que les deux filtres du modèle ARMAX ont les
mêmes pôles constitue pourtant une limitation. Si l’application industrielle le permet, il
est recommandé de travailler avec un modèle BJ qui sépare les deux filtres. La
méthode de la classe CLOE afférente à ce modèle est décrite dans la sous-section
suivante.
2.4.6. Méthode CLOE généralisée (G-CLOE)
Il est naturel de considérer que la source externe des perturbations qui affecte la
dynamique d’un processus a peu de corrélations avec ce processus. Il est vrai, le
processus peut interférer avec d’autres entités dynamiques du même environnement.
Ces perturbations d’interférence affectent, en général, toutes les boîtes qui les ont
produit. Afin de généraliser l’approche concernant les perturbations exogènes, il est
souhaitable de travailler avec le modèle BJ, décrit par l’équation principale suivante :
B ( q −1 ) C ( q −1 )
y[n] = q − k u[n] + e[n] , ∀ n ∈N [2.102]
A ( q −1 ) D ( q −1 )
Les polynômes A et D du modèle peuvent être co-primes ou non. Si des

interférences font partie de la perturbation exogène, alors il est sage d’accepter
quelques pôles communs pour les deux filtres.
Pour identifier le modèle BJ en BF il est nécessaire d’adopter une approche

différente de la précédente (spécifique à la méthode X-CLOE), parce que le vecteur
des régresseurs des définitions [2.98] ne correspond plus à un vecteur linéaire des
paramètres (et il n’y a pas un autre moyen de le construire). Cette limitation devient
claire lorsque l’on exprime l’équation [2.102] sous forme équivalente :
A ( q −1 ) D ( q −1 ) y[ n ] = q − k B ( q −1 ) D ( q −1 ) u[ n ] + A ( q −1 ) C ( q −1 ) e[ n ] , ∀ n ∈N [2.103]
Les produits des polynômes rendent inapproprié l’emploi de la MMC, car elle peut
fournir uniquement les coefficients de ces produits et non pas les coefficients des
4 polynômes. Pratiquement, le modèle [2.103] est de type ARMAX. Même si on
l’identifie comme dans la section précédente, il est très improbable que les produits
estimés AD , BD et AC mettent en évidence toutes les racines communes, pour
pouvoir isoler correctement les 4 polynômes.
Il faut donc changer de méthode d’identification. Il est bien connu que les modèles
linéaires comme BJ sont identifiés avec une précision assez grande en utilisant la
méthode de la minimisation de l’erreur de prédiction (MMEP). Une description de
cette méthode se trouve, par exemple, dans [BOR 13a, BOR 13b, STE 05]. C’est l’une
des méthodes les plus générales et précises pour l’identification linéaire (même non-
linéaire). Néanmoins, le prix payé pour sa précision est la complexité élevée des
calculs engendrés par la procédure numérique afférente.
La MMEP est en fait fondée sur une méthode d’optimisation exacte (de gradient) :
la méthode de Gauss-Newton (de même décrite dans [BOR 13a, BOR 13b, STE 05]).
Afin d’alléger la tâche du lecteur, rappelons brièvement les deux méthodes (Gauss-
Newton et MMEP). Toutes les deux ont pour objectif la minimisation d’un critère
quadratique de la forme suivante :
N
V (θ) = ∑ ε 2 [n, θ] [2.104]
n =1
où ε est généralement connue sous le nom d’erreur de modélisation, alors que

N ∈N∗ est la taille de l’horizon de mesure. Par exemple, si cette erreur est exprimée
comme :
ε[n, θ] = y[n] − yM [n, θ] [2.105]
pour un modèle d’identification yM , avec les paramètres inconnus θ ∈ R , associé à

nθ
un processus qui fournit la sortie y, alors on obtient le critère quadratique [2.51] (avec
lequel on a démarré la présentation des méthodes de la classe CLOE).
L’expression de l’erreur de modélisation est fortement dépendante du modèle

mathématique employé pour décrire le comportement d’une certaine entité (par
exemple, un processus industriel). Mais, si ce modèle rend l’erreur au moins une fois
dérivable par rapport au vecteur θ , alors une méthode de programmation non linéaire
peut être utilisée pour minimiser le critère [2.104]. Dans ce cas, une méthode efficace
est dérivée de la procédure de Newton-Raphson, que l’on a évoqué dans la
section 2.4.3. Elle s’appelle la méthode de Gauss-Newton et ses itérations spécifiques
sont les suivantes (dans la variante à pas variables) :
⎧θ n +1 = θ n + α nV θθ−1 ( θ n ) V θ ( θ n )
⎪
⎨ V θT ( θ n +1 ) V θθ−1 ( θ n ) V θ ( θ n ) , ∀n ≥ 0 [2.106]
α
⎪ n +1 = α −
⎩
n
V θ ( θ n ) V θθ ( θ n ) V θθ ( θ n +1 ) V θθ ( θ n ) V θ ( θ n )
T −1 −1
où :
N
Vθ ( θ ) = 2∑ εθ [n, θ]ε[n, θ] [2.107]
n =1
(le gradient du critère) :
N
Vθθ ( θ ) = 2∑ εθ [n, θ]εTθ [n, θ] [2.108]
n =1
(la matrice hessienne approximative du critère).
La définition [2.108] montre qu’il n’est pas nécessaire de calculer la deuxième

dérivée de l’erreur de modélisation pour construire la matrice hessienne, ce qui
constitue un grand avantage de la méthode.
La MMEP part des formules [2.106]-[2.108] et propose une manière particulière

de calculer le gradient de l’erreur, en fonction de chaque modèle d’identification
considéré. Son nom provient du terme « erreur de prédiction » associé à l’erreur de
modélisation. Si on regarde encore une fois la définition [2.105], on peut considérer
que yM [ n, θ] est la valeur prédite courante de la sortie du processus, en utilisant les
paramètres θ du modèle d’identification. Alors, ε[n, θ] est l’erreur de prédiction
correspondante. Dans le cas de modèles de la classe ARMAX en BF, l’erreur de
prédiction est identique à l’erreur de sortie a priori [2.61]. Ceci justifie le nom
« prédiction », car, pour produire une estimation courante de la sortie du processus, on
utilise le modèle d’identification précédent. En d’autres mots, une estimation de la
sortie à l’instant suivant, prédite, est obtenue avec le modèle d’identification courant.
L’erreur de prédiction constitue en fait une estimation du bruit exogène qui affecte le
processus.
Dans le cas du modèle ARMAX, l’erreur de prédiction s’exprime comme suit :
ε[n, θ] = A ( q −1 ) y[n] − q − k B ( q −1 ) u[n] + ⎡⎣1 − C ( q −1 ) ⎤⎦ ε[n, θ] , ∀ n ≥ 0 [2.109]
On peut regarder [2.109] comme une relation récurrente de calcul de l’erreur de

prédiction, à partir d’une initialisation quelconque, car le polynôme 1 − C n’a pas de
terme constant (et alors produit au signal appliqué un retard d’un pas, au moins). De
plus, cette relation montre que l’erreur de prédiction dépend linéairement des
paramètres du modèle (les coefficients des 3 polynômes), ce qui la rend indéfiniment

dérivable.
En fait, l’équation [2.109] exprime la technique sur laquelle la MMEP est fondée :
calculer l’erreur de prédiction et son gradient d’une manière récursive.
A partir de [2.109], on constate facilement que les dérivées partielles qui

constituent le gradient εθ peuvent être calculées récursivement comme ci-dessous :
∂ε ∂ε
[n, θ] = q − i y[n] + ⎡⎣1 − C ( q −1 ) ⎤⎦ [n, θ] , ∀ i ∈1, na , ∀ n ≥ 0 [2.110]
∂ai ∂ai
∂ε ∂ε
[n, θ] = −q − k − j u[n] + ⎡⎣1 − C ( q −1 ) ⎤⎦ [ n, θ] , ∀ j ∈ 0, nb , ∀ n ≥ 0 [2.111]
∂b j ∂b j
∂ε ∂ε
[n, θ] = −q − l ε[n, θ] + ⎡⎣1 − C ( q −1 ) ⎤⎦ [n, θ] , ∀ l ∈1, nc , ∀ n ≥ 0 [2.112]
∂cl ∂cl
Passons maintenant au modèle BJ. L’erreur de prédiction est alors (voir

l’expression équivalente [2.103]) :
ε[n, θ] = A ( q −1 ) D ( q −1 ) y[n] − q − k B ( q −1 ) D ( q −1 ) u[ n]
[2.113]
+ ⎡⎣1 − A ( q −1 ) C ( q −1 ) ⎤⎦ ε[n, θ], ∀ n ≥ 0
Comme dans le cas du modèle ARMAX, le polynôme 1 − AC n’a pas de terme

constant, ce qui permet de calculer l’erreur de prédiction d’une manière récursive, avec
la relation [2.113].
Le gradient est pratiquement défini par les équations récurrentes suivantes

(dérivées de [2.113]) :
∂ε ∂ε
[n, θ] = q − i D ( q −1 ) y[n] + ⎡⎣1 − A ( q −1 ) C ( q −1 ) ⎤⎦ [ n, θ] , ∀ i ∈1, na , ∀n ≥ 0 [2.114]
∂ai ∂ai
∂ε ∂ε
[n, θ] = −q −k − j D ( q −1 ) u[n] + ⎣⎡1 − A ( q −1 ) C ( q−1 ) ⎦⎤ [n, θ] , ∀ j ∈ 0, nb , ∀ n ≥ 0 [2.115]
∂bj ∂bj
∂ε ∂ε
[n, θ] = −q − l A ( q −1 ) ε[n, θ] + ⎡⎣1 − A ( q −1 ) C ( q −1 ) ⎤⎦ [n, θ] , ∀ l ∈1, nc , ∀ n ≥ 0 [2.116]
∂cl ∂cl
∂ε ∂ε
[n, θ] = q − m A ( q −1 ) y[n] − q − k − m B ( q −1 ) u[ n] + ⎣⎡1 − A ( q −1 ) C ( q −1 ) ⎦⎤ [ n, θ ] ,
∂d m ∂d m
∀ m ∈ 1, nd , ∀ n ≥ 0 [2.117]
Dans le contexte des méthodes CLOE, on va exploiter les équations

[2.113]-[2.117]. Elles constituent le cœur de la méthode CLOE généralisée, G-CLOE
(Generalized CLOE). La procédure afférente, décrite dans l’algorithme 2.5, est bien
différente des procédures précédentes de la classe CLOE, car, cette fois-ci, la MMEP
est employée au lieu de la MMC.
1) Initialisation :
a) choisir l’indice structurel du modèle BJ : nθ = na + nb + nc + nd ∈ N ∗ ;
b) identifier un modèle du processus bouclé, basé sur le modèle ARX[na,nb,k], par une
des techniques hors ligne proposées dans la section précédente ; suite à cette opération, on
dispose d’une estimation préliminaire des 5 polynômes : Â 0 , B̂0 , R̂ 0 , Ŝ0 , et T̂0 ; de
même, une estimation du retard pur du processus ( k ), ainsi qu’une estimation de la
perturbation exogène virtuelle ( wˆ ⊂ R 2 ) sont disponibles ;
c) choisir les deux autres polynômes du modèle BJ ; ainsi, Ĉ0 = 1 (avec nc coefficients
nuls), tandis que D̂0 est construit en utilisant une partie ou tous les coefficients du polynôme
Â 0 , en fonction de la relation d’ordre entre na et nd ; si nd < na , on retient les premiers
nd coefficients du Â 0 ; sinon, on retient tous les coefficients du Â 0 et on ajoute des
valeurs nulles pour les coefficients restants (bien évidemment, on tient compte du fait que le
modèle ARX est un cas particulier de modèle BJ) ;
d) construire le vecteur initial des paramètres estimés, θˆ 0 ∈ R nθ , constitué par les

coefficients des polynômes : Â 0 − 1 , B̂0 , Ĉ0 − 1 et D̂ 0 − 1 ;
e) construire le vecteur initial des paramètres du modèle ARMAX équivalent,

ˆ D
θ0 ∈ R 2 na + nb + nc + 2 nd , constitué par les coefficients des polynômes : A ˆ ˆ ˆ
0 0 − 1 , B0 D 0 et
A Cˆ − 1 ;
0 0
f) estimer la commande sur l’horizon de mesure hors ligne à l’aide des coefficients du
polynôme Ŝ0 et la deuxième composante de la perturbation virtuelle estimée :
1
uˆ[n] =
sˆ0,0
( sˆ0,1uˆ[n − 1] − − sˆ0, nsuˆ[n − ns] + wˆ 2[n]) , ∀ n ∈ 1, N
g) estimer le bruit blanc sur l’horizon de mesure hors ligne, à l’aide du modèle ARX
identifié :
ˆ ( q −1 ) y[ n ] − q − k B
eˆ[ n ] = A ˆ ( q −1 ) uˆ[ n] + ⎡1 − A
ˆ ( q −1 ) ⎤ eˆ[ n ] , ∀ n ∈ 1, N
0 0 ⎣ 0 ⎦
h) construire le vecteur des régresseurs initial, correspondant au modèle ARMAX

équivalent :
φ[1] = [ − y[ N ] − y[ N − na − nd + 1]
uˆ[ N − k + 1] uˆ[ N − k − nb − nd + 1]
T
eˆ[ N ] eˆ[ N − na − nc + 1]⎦⎤
i) initialiser le bruit blanc :

eˆ[0] ← eˆ[ N ] , eˆ[ −1] ← eˆ[ N − 1] , …, eˆ[ − nθ] ← eˆ[ N − nθ]
j) choisir un seuil de précision δ > 0 pour arrêter la procédure itérative afférente à la

MMEP ;
k) initialiser l’indice de l’itération : n = 1.
2) Pour n ≥ 1 :
2.1) mesurer la consigne et la sortie courantes : { y r [ n ], y[ n ]} ;
2.2) estimer la commande courante, à l’aide du modèle ARMAX équivalent :
Tˆ n −1 ( q −1 ) Rˆ n −1 ( q −1 ) T
uˆ[n] = y [ n ] − φ [n]θn −1
Sˆ ( q −1 ) Sˆ ( q −1 )
r
n −1 n −1
2.3) initialiser la procédure MMEP :
ε ⎡⎣ 0, θˆ n −1 ⎤⎦ = eˆ[ n − 1] , ε ⎡⎣ −1, θˆ n −1 ⎤⎦ = eˆ[ n − 2]
ε ⎡⎣ − nθ, θˆ n −1 ⎤⎦ = eˆ[ n − nθ − 1]
ε θ ⎡⎣ 0, θˆ n −1 ⎤⎦ = ε θ ⎡⎣ −1, θˆ n −1 ⎤⎦ = = ε θ ⎡⎣ − nθ, θˆ n −1 ⎤⎦ = 0 ; θˆ 0 = θˆ n−1 ; α 0 = 1
2.4) pour r ∈1, n :
2.4.1) évaluer l’erreur de prédiction :

ˆ ( q −1 ) D
ε ⎡⎣ r , θˆ n −1 ⎤⎦ = A ˆ ( q −1 ) y[ r ] − q − k B
ˆ ( q −1 ) D
ˆ ( q −1 ) uˆ[ r ]
n −1 n −1 n −1 n −1
ˆ ( q −1 ) C
+ ⎣⎡1 − A ˆ ( q −1 ) ⎤ ε ⎡ r , θˆ ⎤
n −1 n −1 ⎦ ⎣ n −1 ⎦
2.4.2) évaluer le gradient de l’erreur de prédiction par composantes :

∂ε ⎡ ˆ ⎤ ˆ ( q −1 ) y[r ] + ⎡1 − A ˆ ( q −1 ) ⎤ ∂ε ⎡ r , θˆ ⎤ , ∀ i ∈1, na
ˆ ( q −1 ) C
r , θ n −1 ⎦ = q − i D
∂ai ⎣ ⎣ ⎦ ∂a ⎣ n −1 ⎦
n −1 n −1 n −1
i
∂ε ⎡ ˆ ⎤ ˆ ( q −1 ) uˆ[r ] + ⎡1 − A ˆ ( q −1 ) ⎤ ∂ε ⎡r , θˆ ⎤ , ∀ j ∈ 0, nb
ˆ ( q −1 ) C
r , θn −1 ⎦ = −q − k − j D
∂b j ⎣ ⎣ ⎦ ∂b ⎣ n −1 ⎦
n −1 n −1 n −1
j
∂ε ⎡ ˆ ⎤ ˆ ( q −1 ) Cˆ ( q −1 ) ⎤ ∂ε ⎡ r , θˆ ⎤ , ∀ l ∈1, nc
ˆ ( q −1 ) ε ⎡ r , θˆ ⎤ + ⎡1 − A
r , θ n −1 ⎦ = −q − l A
∂cl ⎣ ⎣ n −1 ⎦ ⎣ ⎦ ∂c ⎣ n −1 ⎦
n −1 n −1 n −1
l
∂ε ⎡ ˆ ⎤ ˆ ( q −1 ) y[r ] − q − k − m B
ˆ ( q −1 ) uˆ[r ]
r , θn −1 ⎦ = q − m A
∂d m ⎣
n −1 n −1
ˆ ( q −1 ) ⎤ ∂ε ⎡ r , θˆ ⎤ , ∀ m ∈1, nd
ˆ ( q −1 ) C
+ ⎡⎣1 − A n −1 n −1 ⎦ ∂d ⎣ n −1 ⎦
m
n
2.5) évaluer la matrice de la correction : R 0n = ∑ ε θ ⎡⎣ r , θˆ n −1 ⎤⎦ εTθ ⎡⎣ r , θˆ n −1 ⎤⎦ ;
r =1
2.6) inverser la matrice R 0n (prendre en compte sa symétrie) ;
n
2.7) évaluer le vecteur de la correction : rn0 = ∑ ε θ ⎡⎣ r , θˆ n −1 ⎤⎦ ε ⎡⎣ r , θˆ n −1 ⎤⎦ ;
r =1
2.8) pour p ≥ 1 :
2.8.1) évaluer le vecteur auxiliaire : ξˆ np −1 = ( R np −1 ) rnp −1 ;

−1
2.8.2) réactualiser le vecteur des paramètres : θˆ p = θˆ p −1 + α p −1ξˆ np −1 ;
2.8.3) si θˆ p − θˆ p −1 = α p −1 ξˆ np −1 < δ , arrêter le processus itératif, car l’estimation des
paramètres a atteint la précision souhaitée ; aller directement au pas 2.9 ;
2.8.4) construire les polynômes Â p , B̂ p , Ĉ et D̂ p à partir du vecteur θˆ ;

p p
2.8.5) pour r ∈1, n :
a) évaluer l’erreur de prédiction :
ˆ p ( q −1 ) D
ε ⎡⎣ r , θˆ p ⎤⎦ = A ˆ p ( q −1 ) y[ r ] − q − k B
ˆ p ( q −1 ) D
ˆ p ( q −1 ) uˆ[ r ]
ˆ p ( q −1 ) Cˆ p ( q −1 ) ⎤ ε ⎡ r , θˆ p ⎤
+ ⎣⎡1 − A ⎦ ⎣ ⎦
b) évaluer le gradient de l’erreur de prédiction par composantes :
∂ε ⎡ ˆ p ⎤ ˆ p ( q −1 ) Cˆ p ( q −1 ) ⎤ ∂ε ⎡ r , θˆ p ⎤ , ∀ i ∈1, na
ˆ p ( q −1 ) y[ r ] + ⎡1 − A
⎣ r , θ ⎦ = q −i D ⎣ ⎦ ∂a ⎣ ⎦
∂ai i
∂ε ⎡ ˆ p ⎤ ˆ p ( q −1 ) uˆ[r ] + ⎡1 − A ˆ p ( q −1 ) ⎤ ∂ε ⎡r , θˆ p ⎤ , ∀ j ∈ 0, nb
ˆ p ( q −1 ) C
r , θ ⎦ = −q − k − j D
∂b j ⎣ ⎣ ⎦ ∂b ⎣
j
⎦
∂ε ⎡ ˆ p ⎤ ˆ p ( q −1 ) Cˆ p ( q −1 ) ⎤ ∂ε ⎡ r , θˆ p ⎤ , ∀ l ∈1, nc
ˆ p ( q −1 ) ε ⎡ r , θˆ p ⎤ + ⎡1 − A
⎣ r , θ ⎦ = −q − l A ⎣ ⎦ ⎣ ⎦ ∂c ⎣ ⎦
∂cl l
∂ε ⎡ ˆ p ⎤ ˆ p ( q −1 ) y[r ] − q − k − m B
ˆ p ( q −1 ) uˆ[r ]
r, θ ⎦ = q−mA
∂d m ⎣
ˆ p ( q −1 ) ⎤ ∂ε ⎡ r , θˆ p ⎤ , ∀ m ∈1, nd
ˆ p ( q −1 ) C
+ ⎡⎣1 − A ⎦ ∂d ⎣ ⎦
m
n
2.8.6) évaluer la matrice de la correction : R np = ∑ ε θ ⎡⎣ r , θˆ p ⎤⎦ εTθ ⎡⎣ r , θˆ p ⎤⎦ ;
r =1
p
2.8.7) inverser la matrice R (prendre en compte sa symétrie) ;
n
n
2.8.8) évaluer le vecteur de la correction : rnp = ∑ ε θ ⎡⎣ r , θˆ p ⎤⎦ ε ⎡⎣ r , θˆ p ⎤⎦ ;
r =1
2.8.9) préparer le pas adaptatif pour l’itération suivante :
rnpξˆ np −1
α p = α p −1 −
(ξˆ )
T
p −1
n R np ξˆ np −1
2.9) réactualiser le modèle BJ : θˆ n = θˆ p ; les nouveaux polynômes Â n , B̂n , Ĉn et D̂ n

sont construits à base de θˆ ; n
2.10) mémoriser la valeur courante du bruit blanc : eˆ[ n ] = ε ⎡⎣ n, θˆ p ⎤⎦ ;
2.11) préparer le vecteur des régresseurs correspondant au modèle ARMAX équivalent

pour l’itération suivante :
φ[ n + 1] = [ − y[ n] − y[ n − na − nd + 1]
uˆ[ n − k + 1] uˆ[ n − k − nb − nd + 1]
T
eˆ[ n] eˆ[ n − na − nc + 1]⎤⎦
2.12) préparer le vecteur des paramètres du modèle ARMAX équivalent pour l’itération
suivante ; ainsi, θ n ∈ R 2 na + nb + nc + 2 nd est constitué par les coefficients des polynômes :
ˆ D ˆ ˆ ˆ ˆ ˆ
A n n − 1 , B n D n et A n C n − 1 ;
{ }
2.13) réactualiser le régulateur RST : Rˆ n ,Sˆ n ,Tˆ n à partir du modèle BJ A
ˆ ,B
n n {
ˆ ,D
ˆ ,C
n
ˆ ;
n }
3) Retourner le modèle du processus en BF {Aˆ , Bˆ , Cˆ ,Dˆ ,Rˆ ,Sˆ , Tˆ }

n n n n n n n
à chaque instant
n ≥ 0. Une estimation de la commande, û, est aussi disponible.
Algorithme 2.5. Etapes de la procédure G-CLOE (pour le modèle BJ)
La procédure G-CLOE de l’algorithme 2.5 peut se transformer en une procédure

de type X-CLOE (pour un modèle ARMAX), mais sensiblement différente de celle de
l’algorithme 2.4 (car la MMEP remplace la MMC-E).
Il existe une caractéristique critique de l’algorithme G-CLOE : l’effort de calcul

assez élevé (surtout pour les applications en temps réel). Bien entendu, tous les calculs
du pas 2 doivent être effectués sur une durée qui ne dépasse pas une période
d’échantillonnage. Or, dans cette étape, on voit les cycles 2.4 et 2.8.4 qui prennent un
temps de plus en plus grand, car toutes les données acquises sont balayées dès le début
jusqu’à l’instant courant ( r ∈ 1, n ). La procédure devient ainsi de plus en plus lente.
Puisque les anciennes données E/S ne devraient pas trop influencer la dynamique
courante du processus, il est recommandé d’appliquer une fenêtre de pondération à ces
données. Dans l’IS, deux types de fenêtres sont usuellement employées :
– la fenêtre exponentielle : we, n [r ] = λ n − r , ∀ r ∈1, n , où λ ∈ (0,1] est un facteur

d’oubli défini a priori (par exemple, λ = 0.98 ) ;
⎪⎧1, r ∈ n − M + 1, n ∗
– la fenêtre rectangulaire : wr , n [r ] = ⎨ , où M ∈N mesure
⎪⎩0, r ∈1, n − M
l’ouverture, étant définie a priori.
L’emploi de la fenêtre exponentielle ne réduit pas le temps de calcul, car l’indice r

continue de varier de 1 jusqu’à n . En revanche, la fenêtre rectangulaire limite sa
variation de n − M + 1 à n . Malgré son avantage apparent, la fenêtre rectangulaire a le
désavantage d’introduire une perturbation assez dure dans les données (surtout si elle est
de courte durée), ce qui risque de dégrader le modèle d’identification. Heureusement,
l’utilisateur peut contrôler l’ouverture de cette fenêtre, tel qu’un bon compromis entre la
durée des cycles internes du pas 2 et la précision du modèle d’identification soit trouvé.
Une combinaison des deux fenêtres est aussi envisageable.
Une autre opération qui prend du temps est l’inversion des matrices. Dans le cadre de
l’algorithme G-CLOE, cette opération est prévue dans les pas 2.6 et 2.8.6, pour des
matrices similaires à la hessienne [2.108]. Ces matrices ont nθ× nθ éléments, ce qui
3
mène à un effort de calcul d’une durée proportionnelle avec nθ pour réaliser
l’inversion par l’algorithme classique de Gauss. Afin d’alléger cet effort, il est
recommandé d’exploiter la symétrie de ces matrices et d’utiliser un algorithme
d’inversion basé par exemple, sur la décomposition QR avec rotations de type Givens
[GOL 96, PRE 07]. La durée de l’inversion peut ainsi descendre à une valeur
2
proportionnelle à nθ .
La méthode G-CLOE permet d’obtenir de très bonnes performances dans beaucoup

d’applications industrielles, pourvu que la complexité du calcul soit acceptée.
2.4.7. Méthode CLOE pour des systèmes avec intégrateur (I-CLOE)
Il fait partie de la pratique courante de prévoir un intégrateur juste après la

consigne d’un système bouclé afin d’assurer de meilleures performances de poursuite.
L’intégrateur peut améliorer la dynamique de la sortie de façon à ce que la consigne
soit plus rapidement et plus précisément suivie. En outre, il contribue à la diminution
(voire à l’élimination) des erreurs statiques éventuellement introduites par les capteurs
en cours de décalibrage. Sa fonction de système est :
1
H I ( q −1 ) = [2.118]
1 − q −1
Si, dans l’application d’identification et commande on sait qu’un intégrateur fait

partie de la configuration en BF, alors il est sage d’en tenir compte. Dans le contexte
des méthodes CLOE, l’intégrateur [2.118] (placé devant la composante T du
régulateur RST) modifie la dynamique du système en BF (décrite par la relation E/S
[2.12]), comme suit :
q − k B ( q −1 ) T ( q −1 ) A ( q −1 ) S ( q −1 )
y≡ yr + v [2.119]
(1 − q ) P ( q )
−1 −1
P ( q −1 )
L’équation [2.119] est équivalente avec :
q − k B ( q −1 ) T ( q −1 ) A ( q −1 ) S ( q −1 )
(1 − q ) y ≡
−1
P ( q −1 )
yr +
P ( q −1 )
(1 − q ) v
−1
[2.120]
Remarquable dans l’équation [2.120] est l’effet de l’intégrateur sur la dynamique

du modèle. Au lieu de travailler avec les valeurs successives de la sortie ( y[n] ) et de
la perturbation ( v[n] ), dans ce cas, on travaille avec les différences des valeurs
successives de la sortie ( Δy[ n ] = (1 − q −1 ) y[ n ] = y[ n ] − y[ n − 1] ), respectivement de la
perturbation Δv[ n] = (1 − q −1 ) v[ n] = v[ n] − v[ n − 1] (où n ∈N ). On peut appeler ces
∗
différences incréments. Ceci explique le rôle de l’intégrateur dans un schéma de

régulation automatique : les incréments de la perturbation (au lieu de la perturbation
elle-même) sont traités et transformés en incréments de la sortie (qui est ainsi plus
finement modifiée), afin de suivre la consigne avec une meilleure précision. En fait,
l’intégrateur est capable de rejeter des perturbations à des valeurs constantes sur la
sortie (produites, par exemple, en cas de décalibrage des capteurs, qui mène à des
erreurs systématiques dans les données E/S acquises).
On peut regarder l’identité [2.120] d’un autre point de vue également. L’opérateur
incrémental (1 − q −1 ) peut être associé aux fonctions de système et non aux signaux.
Si la présence de l’intégrateur est ignorée, alors on constate que les polynômes A et
R sont obligés d’avoir une racine unitaire chacun, car :
(1 − q ) P ( q ) = ⎡⎣(1 − q ) A ( q )⎤⎦ S( q ) + q B ( q ) ⎡⎣(1 − q ) R ( q )⎤⎦

−1 −1 −1 −1 −1 −k −1 −1 −1
[2.121]
L’algorithme CLOE utilisé pour identifier ce modèle devrait mettre en évidence ces
racines, ce qui est assez difficile, à cause des erreurs numériques. Pour cette raison, il est
conseillé de prendre en compte l’existence de l’intégrateur, si elle est connue à l’avance.
Dans un schéma avec intégrateur, la commande calculée par le régulateur RST a la

forme suivante :
T ( q −1 ) R ( q −1 )
u≡ yr − y
(1 − q ) S ( q )
−1 −1
S ( q −1 )
T ( q −1 ) R ( q −1 )
⇔ (1 − q −1 ) u ≡ yr − (1 − q ) y
−1
S(q −1
) S(q −1
)
T (q)y −1
R (q ) Δy
−1
⇔ Δu ≡ − [2.122]
S(q ) S(q )
−1 r −1
Dans l’équation [2.122], on voit que les incréments de la commande sont produits
par les incréments de la sortie (pour une même consigne), comme attendu.
Si la perturbation est associée à un filtre qui résulte des modèles ARX, ARMAX
ou BJ, on peut écrire d’une manière générale que :
C ( q −1 ) C ( q −1 )
Δv ≡ (1 − q −1 ) v ≡ (1 − q ) e ≡ D
−1
Δe [2.123]
D ( q −1 ) (q )
−1
ce qui transfère le calcul incrémental au bruit blanc de même. (A noter que si e est un
bruit blanc, centré, gaussien, alors le signal des incréments Δe ≡ (1 − q −1 ) e est aussi
un bruit blanc, centré, gaussien.)
Par conséquent, les algorithmes CLOE décrits auparavant peuvent être modifiés
comme suit :
– la sortie mesurée y est remplacée par les incréments Δy ≡ (1 − q −1 ) y ;
– la commande estimée û est remplacée par les incréments Δuˆ ≡ (1 − q −1 ) uˆ ;
– la perturbation v est remplacée par les incréments Δv ≡ (1 − q −1 ) v ;
– le bruit blanc e est remplacé par les incréments Δe ≡ (1 − q −1 ) e .
(A noter que la consigne reste inchangée.)
Les modifications ci-dessus affectent tout le trajet d’identification, à partir de la

détermination initiale du modèle ARX grossier, jusqu’à la fin. Par exemple, l’équation
[2.43] devient :
⎡ T ( q −1 ) −R ( q −1 ) ⎤ ⎡ yr ⎤ ⎡ S ( q −1 ) Δu ⎤
⎢ ⎥⎢ ⎥ ≡ ⎢ ⎥ [2.124]
⎣ − q Q ( q ) P ( q ) ⎦ ⎣ ⎦ ⎣ A ( q ) S ( q ) Δv ⎦
⎢ −k −1 −1 ⎥ Δy ⎢ −1 −1 ⎥
y
( )
A q −1 w
De même, les définitions de [2.58]-[2.62] se transforment en (pour tout n ∈N ) :
φˆ [ n ] = [ −Δy[ n − 1] Δuˆ[ n − nb − k ]]
T
−Δy[ n − na ] Δuˆ[ n − k ] [2.125]
Δyˆb [n] = φˆ T [n]θˆ n −1 [2.126]
Δyˆ f [n] = φˆ T [n]θˆ n [2.127]
Δεby [n] = Δy[n] − Δyˆb [n] = Δy[n] − φˆ T [n]θˆ n −1 [2.128]
Δε yf [n] = Δy[n] − Δyˆ f [n] = Δy[n] − φˆ T [n]θˆ n [2.129]
La nouvelle classe des méthodes s’appelle CLOE avec intégrateur, I-CLOE

(Integral CLOE).
La procédure I-CLOE de base est décrite dans l’algorithme 2.6. Si intéressé, le

lecteur peut réécrire tous les autres algorithmes CLOE pour la structure de régulation
avec intégrateur.
1) Initialisation :
5 polynômes : Â 0 , B̂0 , R̂ 0 , Ŝ0 , et T̂0 ; de même, des estimations du retard pur du
processus ( k ) et des incréments de la commande ( Δû ) sont disponibles ; ceci engendre la
possibilité de construire le vecteur initial des paramètres estimés, θ̂0 , formé par les
coefficients des polynômes Â 0 et B̂0 ; à noter que cette partie d’initialisation est fondée sur
l’équation incrémentale [2.122] ;
c) choisir une initialisation pour les matrices principales : P0 = α 2I nθ , avec α

d) initialiser le vecteur des régresseurs estimé :
φˆ [1] = ⎡⎣ −Δy[ N − 1] − Δy[ N − na] Δuˆ[ N − k ] Δuˆ[ N − nb − k ]⎤⎦
où N est la taille de l’horizon de mesure hors ligne ;
2) Pour n ≥ 1 :
2.2) estimer l’incrément de la commande courante :
Tˆ n −1 ( q −1 ) Rˆ n −1 ( q −1 ) T
Δuˆ[n] = y [ n ] − φˆ [n]θˆ n −1
Sˆ ( q −1 ) Sˆ ( q −1 )
r
n −1 n −1
2.3) estimer la commande courante ;
2.4) calculer l’incrément courant de la sortie : Δy[ n ] = y[ n ] − y[ n − 1] ;
φˆ [n + 1] = [ −Δy[n] Δuˆ[n − nb − k + 1]]

T
−Δy[n − na + 1] Δuˆ[n − k + 1]
2.6) évaluer l’incrément de l’erreur de sortie a priori : Δεby [n] = Δy[n] − φˆ T [n]θˆ n −1 ;
2.7) évaluer le vecteur auxiliaire : ξˆ n = Pn −1φˆ [n] ;
2.8) évaluer la constante de multiplicité des incréments des erreurs de sortie :

1
μˆ n = (scalaire) ;
1 + φˆ T [n]ξˆ
n
2.9) évaluer l’incrément de l’erreur de sortie a posteriori : Δε yf [n] = μˆ n Δεby [ n] ;
2.10) réactualiser la matrice principale : Pn = Pn −1 − μˆ nξˆ nξˆ Tn ;
2.11) réactualiser le vecteur des paramètres : θˆ n = θˆ n −1 + ξˆ nε yf [n] ;
{ }
2.12) réactualiser le régulateur RST, Rˆ n ,Sˆ n ,Tˆ n , à partir du modèle A
ˆ ,B
n { }
ˆ (à son tour,
n
construit à partir du θˆ n ) ;
ˆ ,B
3) Retourner le modèle du processus en BF A n n n{
ˆ ,Rˆ ,Sˆ ,Tˆ
n n } à chaque instant n ≥ 0 . Une
estimation de la commande, û, est aussi disponible.
Algorithme 2.6. Etapes de la procédure I-CLOE de base
Des combinaisons entre certains algorithmes de type CLOE sont possibles.

Usuellement, hormis G-CLOE, l’algorithme WX-CLOE (X-CLOE pondéré) est assez
performant et mérite d’être implémenté dans des applications industrielles.
2.4.8. Sur la validation des modèles identifiés par les méthodes CLOE
Même si les techniques d’identification des sections précédents conduisent à des

algorithmes en ligne, il est conseillé de vérifier, de temps en temps, si les modèles
impliqués sont valides ou non. Les tests de validation des modèles bouclés sont bien
similaires à ceux utilisés dans l’ISBO [BOR 13a, BOR 13b, STE 05].
Afin de pouvoir tester la validité des modèles d’identification en BF, il est sage
d’organiser une expérience de simulation avec ces modèles, fondée sur un autre
ensemble de données E/S que dans le cas de l’identification.
En gros, il existe deux catégories de tests de validation [LAN 01, LAN 05a,
LAN 93] :
– fondés sur la technique de décorrélation ;
– fondés sur la proximité des pôles.
Le principe des tests de la première catégorie est de vérifier si certains signaux du

schéma représenté dans la figure 2.3 sont auto-corrélés/inter-corrélés. Le test de base
consiste à décider si ces signaux ont les caractéristiques d’un bruit blanc centré,
gaussien ou non (d’où le nom de « test de blanchiment »). Si c’est le cas, alors on peut
dire que le modèle d’identification est valide (même avec un certain degré de validité –
voir, par exemple, [BOR 13a, BOR 13b, STE 05]). Sinon, le modèle est invalide.
Les signaux usuellement soumis au test de blanchiment sont :

– l’erreur de sortie a priori, εby ; si cette erreur ressemble à un bruit blanc centré
gaussien, alors on peut dire que le modèle d’identification réalise une bonne séparation
entre l’information utile et l’information parasite des données E/S, ce qui signifie qu’il
est conforme avec le processus, par exemple valide ;
– l’erreur de sortie a priori, versus la sortie a priori (simulée avec le processus) ;
dans ce cas, l’inter-corrélation estimée des deux signaux :
1 n
⎢n⎥
rˆεb , yˆ [ p] =
y b
∑
n − p i = p +1
εby [i ] yˆb [i − p] , ∀ p ∈ 0, ⎢ ⎥
⎣3⎦
[2.130]
∗
où n ∈N est l’instant courant, doit être proche de l’auto-corrélation d’un bruit blanc
centré gaussien ; ceci s’explique par le fait que, si le modèle du processus (ARX,
ARMAX, BJ) est valide, alors il intègre correctement la dynamique de la source des
perturbations ; ainsi, l’erreur de sortie ne dépend que très faiblement des perturbations,
alors que la sortie simulée modélise très bien ces perturbations.
Pour la deuxième classe de tests de validation, la technique est la suivante : hormis

l’identification en BF du processus, on utilise d’abord une méthode d’ISBO, à partir de
la consigne et la sortie comme signaux E/S mesurés dans ce but ; puis, les pôles du
modèle global en BF sont comparés avec les pôles du modèle de la boîte noire en BO.
Si les deux modèles ont des pôles placés approximativement aux mêmes positions
dans le plan complexe, alors le modèle en BF est valide.
Pratiquement, tout gravite autour du polynôme P [2.7], qui peut être estimé de
deux manières. D’une part, on utilise une des méthodes CLOE, pour obtenir
l’estimation de P , soit P̂BF (à l’aide de la définition [2.7]). D’autre part, puisque l’on
connaît son degré, P peut être regardé comme le dénominateur de la fonction de
système utile d’un modèle d’identification en BO de type ARX, ARMAX ou BJ. Le
modèle identifié (par une technique d’identification en BO) peut être noté P̂BO . Les
deux polynômes, P̂BF et P̂BO , doivent impérativement avoir le même degré. Ceci
permet de comparer l’emplacement de leurs racines (les pôles utiles des deux modèles)
dans le plan complexe. Si la carte des pôles montre qu’ils se groupent en paires de
points géométriquement proches l’un de l’autre, alors on peut décider que le modèle
en BF est valide. Si, au contraire, il existe au moins une paire de pôles isolés (placés
assez loin l’un de l’autre), alors le modèle en BF est plutôt invalide.
Il faut souligner que le test basé sur l’emplacement des pôles est plus fort que le
test de blanchiment. Par conséquent, le nombre de modèles qui peuvent le passer avec
succès est plus petit.
2.5. Application : identification d’une suspension active
L’application présentée succinctement dans cette dernière section du chapitre

concerne un problème intéressant de l’industrie automobile : l’identification et le
contrôle automatique de la suspension active. Dans la suite, une solution à ce problème
est proposée et l’explication afférente est concentrée autour de la partie d’identification
en BF. Plus de détails concernant cette application se trouvent, par exemple, dans
[LAN 05b, STE 10].
Beaucoup de grands fabricants de l’industrie automobile sont préoccupés par la

suspension active, comme solution alternative de la suspension classique (sans
contrôle automatique par des dispositifs électroniques). Il y a quelques avantages à
cette solution qui encouragent le monde industriel à la standardiser dans le futur.
Premièrement, avec la suspension active, la durée de vie des amortisseurs et des
composantes mécaniques afférentes peut être augmentée. Deuxièmement, l’ordinateur
de bord de la voiture peut surveiller le fonctionnement du système de suspension, en

vue de la détection précoce des défaillances. Enfin, troisièmement, le confort des
passagers de l’automobile (ou la sûreté de la marchandise transportée) peut être
accru(e), car l’amortissement des vibrations durant le déplacement est réalisé d’une
manière plus efficace. D’autres avantages sont envisageables de même. Il y a toutefois
un grand désavantage : pour l’instant, le contrôle automatique de la suspension peut
augmenter considérablement le prix des véhicules.
Les recherches qui ont été développées pour résoudre le problème de la suspension
active ont utilisé pour stand expérimental l’installation illustrée par la figure 2.5.
Cette installation fait partie du patrimoine du laboratoire GIPSA (situé à Grenoble,

France). Malgré les apparences, le système associé à cette installation présente une
dynamique assez complexe, avec quelques fréquences propres de résonance. La
figure 2.6 montre le schéma opérationnel du système de suspension. Il met en évidence
deux sous-systèmes : principal et auxiliaire. Le sous-système principal est constitué
par le dispositif classique de suspension, qui a pour entrée la force primaire produite
par le véhicule (vue ici comme une perturbation) et pour sortie la force résiduelle du
cône d’élastomère (qui atténue partiellement la force primaire). (On peut mesurer les
forces par l’intermédiaire des accéléromètres.)
Figure 2.5. Le système de suspension active expérimental

accueilli par le laboratoire GIPSA de Grenoble, France
force primaire
véhicule (perturbation)
cône d’élastomère
actionneur
inertiel
force résiduelle
couvercle d’acier
bobinage électrique
RST/YK
joint élastique
partie mobile contrôleur
(magnet) amplificateur
support de puissance
Figure 2.6. Schéma opérationnel du système de suspension active expérimental

accueilli par le laboratoire GIPSA de Grenoble, France
Le système auxiliaire est une extension du dispositif de suspension classique,

constitué par un actionneur inertiel contrôlable. Son entrée est une grandeur électrique
(tension/courant) appliquée à travers le bobinage, afin de produire une force
supplémentaire d’atténuation, qui joue le rôle de sortie. Cette force est opposée à la force
résiduelle du cône. Lorsque l’on compose les deux forces (résiduelle et d’atténuation
contrôlée), une deuxième force résiduelle (d’une amplitude plus petite) en résulte. C’est
bien cette force que la figure 2.6 indique comme entrée dans le contrôleur (de type RST,
éventuellement, paramétré en forme de type Youla-Kucera, YK).
Dans ce contexte, le problème principal est de concevoir un régulateur RST qui

puisse minimiser la force résiduelle, surtout dans les bandes de fréquence critiques, où
l’installation présente des résonances. De plus, ce régulateur devrait être adaptatif, vu
le caractère non linéaire de l’installation. Pour résoudre ce problème, il est nécessaire
d’identifier le sous-système auxiliaire en BF.
Avant d’aborder ce problème, on a effectué une identification globale, hors ligne

du système de suspension active, en absence d’une perturbation stochastique. L’entrée
a été un SPA (converti en grandeur électrique), d’une longueur suffisamment grande
(10 000 valeurs). La période d’échantillonnage a été fixée à 800 Hz. Avec la force
résiduelle mesurée, on a identifié un modèle ARX[12,14] (avec 12 pôles et 14 zéros),
en utilisant une procédure de la classe MMC. Ce modèle a permis de tracer le spectre
lissé du filtre utile (en absence du bruit), comme affiché dans la figure 2.7.
Spectrum of noiseless frequency response

Spectrum magnitude [dB]
Frequency [Hz]
Figure 2.7. Spectre du sous-système de la suspension active, estimé en BO
Ce graphique met en évidence l’existence de deux fréquences de résonance

(critiques) : une à 51.66 Hz (≅ 52 Hz) et une autre à 94.72 Hz (≅ 95 Hz). De même, un
comportement quasi-résonant apparaît dans la bande de 220 Hz à 300 Hz. Néanmoins,
vu la différence entre les deux pics de résonance (d’une part) et l’amplitude du spectre
dans cette bande (d’autre part), on peut considérer que la résonance dangereuse pour la
partie mécanique du système est celle qui correspond aux pics. Les perturbations
peuvent amplifier le phénomène de résonance, si leur spectre montre des raies
importantes dans les sous-bandes étroites contenant les deux fréquences critiques. Un
problème lié au problème général est alors d’atténuer ces résonances par un contrôle
automatique optimal, si possible. Ceci engendre la nécessité de trouver des modèles
appropriés d’identification en BF.
Afin d’avoir une comparaison cohérente entre les résultats, on a décidé de tester les
deux types d’identification : en BO et en BF. Les modèles considérés sont, dans les
deux cas, ARX, ARMAX et BJ.
Pour l’identification en BO, on a implémenté les algorithmes afférents aux

méthodes suivantes :
– la MMC étendue adaptative, R-ELS (Recursive Extended Least Squares) pour le
modèle ARMAX ;
– la méthode de la minimisation de l’erreur de sortie en BO, OLOE (Open Loop
Output Error) pour le modèle ARX ;
– la X-OLOE (l’OLOE étendue) pour le modèle ARMAX ;
– la MMEP pour le modèle BJ (aussi connue comme MMC généralisée, G-LS

(Generalized Least Squares)).
Ces méthodes sont largement présentées dans la littérature scientifique (voir, par
exemple, [BOR 13a, BOR 13b, DAU 04, LJU 99, STE 05, SOD 89]). A noter que la
seule différence entre R-ELS et X-OLOE est que le modèle du filtre des perturbations
change de C/A à (C – A)/A.
Les méthodes d’ISBF considérées sont :

– CLOE pour le modèle ARX ;
– X-CLOE pour le modèle ARMAX ;
– G-CLOE pour le modèle BJ.
Le régulateur RST a été envisagé en deux versions :

– classique (comme présenté dans ce chapitre, voir la figure 2.3) ;
– paramétrée sous forme YK.
Une description assez large de cette dernière est présentée par exemple dans
[BLO 06]. Le principe des régulateurs RST paramétrés en forme YK (RST-YK)
résulte facilement de la figure 2.8 (dérivée en fait de la figure 2.3). A première vue, il
s’agit d’une complication inutile : introduire une deuxième boucle de réaction à
l’intérieur de la boucle existante, avec un polynôme supplémentaire, L , à déterminer.
Mais, si on analyse en détail le problème que l’on cherche à résoudre, on constate que,
pour réduire l’effet des perturbations dans les sous-bandes critiques, il ne suffit pas de
contrôler le filtre utile, il est nécessaire de contrôler de même l’autre filtre du modèle,
en charge avec le traitement des perturbations. Or, la deuxième boucle de réaction a
pour but précisément le contrôle du filtre des perturbations.
A noter que, dans la plupart des publications, le régulateur RST-YK est défini à
l’aide d’une autre notation pour le polynôme supplémentaire : Q. Puisque, dans le
contexte de l’ISBF, Q désigne un autre polynôme, défini dans [2.8], on a préféré
changer la notation originelle de ce régulateur, pour éviter toute confusion.
La forme YK du régulateur RST illustrée dans la figure 2.8 mène à la conclusion

que la fonction de système en BF est exprimée par la relation E/S suivante (déduite
après quelques calculs algébriques élémentaires) :
q − k B ( q −1 ) T ( q −1 ) A ( q −1 ) ⎡⎣S ( q −1 ) − q − k B ( q −1 ) L ( q −1 ) ⎤⎦
y[ n] = yr [ n ] + v[n] , ∀ n ∈N [2.131]
P ( q −1 ) P ( q −1 )
où P est le même polynôme du cas RST classique (défini par l’équation [2.7]).
v
+
yr
T ( q −1 )
uT + εu 1 u
Procédé + y
+ S ( q −1 )
– –
ˆ ( q −1 )
q −k B
-
L̂ ( q −1 )
+
Â ( q −1
)
uR
R ( q −1 )
y
+ε y
–
ûR ŷ
R ( q −1 )
Â ( q −1 )
+
L̂ ( q −1 )
–
ˆ ( q −1 )
−k
q B
– εˆ – ˆ ( q −1 )
uT u 1 û q −k B +
+ + S ( q −1 ) Â ( q −1 ) ŷ
v̂
+
Adaptation
optimale
paramétrique
Figure 2.8. Configuration de contrôle automatique avec un régulateur RST-YK
L’équation [2.131] dévoile maintenant le rôle du polynôme supplémentaire L. On

peut considérer le cas général du modèle BJ qui inclut les modèles ARX et ARMAX
comme cas particuliers. Le filtre de bruit est alors [2.94], avec les pôles donnés par le
polynôme D . En général, le comportement en fréquence d’un système linéaire est
plus sensible à l’emplacement de ses pôles qu’à l’emplacement de ses zéros. Il est
donc naturel d’enlever le polynôme D dans l’expression de la sortie [2.131] si
possible. Heureusement, le polynôme L permet de réaliser cette opération. Il suffit
d’imposer la contrainte de factorisation suivante :
S ( q − 1 ) − q − k B ( q − 1 ) L ( q − 1 ) = L D ( q − 1 ) D ( q −1 ) [2.132]
où L D est un facteur correspondant. Si l’égalité [2.132] est vérifiée par une paire
{L, LD } , alors l’équation E/S [2.131] devient :
q − k B ( q −1 ) T ( q −1 ) A ( q −1 ) L D ( q −1 ) C ( q −1 )
y[n] = yr [ n ] + e[n] , ∀ n ∈N [2.133]
P ( q −1 ) P ( q −1 )
ce qui montre que le filtre final du bruit blanc a les mêmes pôles que le système
bouclé. A noter que la présence du polynôme L dans le schéma de régulation ne
change que la contribution du bruit dans la sortie et non la contribution de la consigne,
ce qui constitue un fait remarquable.
Pour déterminer la paire {L, LD } , on s’appuie sur l’égalité [2.132], qui peut être
regardée comme une identité polynomiale de type Bézout. On peut faire varier le
degré du polynôme L (à partir d’une valeur minimum) pour obtenir plusieurs
solutions (on résout un système linéaire en fait). Une autre approche consiste à fixer
d’abord le polynôme L D (afin d’avoir une certaine réponse en fréquence du système
qui filtre le bruit blanc), puis de déterminer le polynôme L de l’identité [2.132].
Si les zéros du filtre des perturbations doivent être enlevés également, alors il faut
ajouter la contrainte ci-dessous à la méthode de conception du régulateur RST :
P ( q −1 ) = A ( q −1 ) S ( q −1 ) − q − k B ( q −1 ) R ( q −1 ) = PC ( q −1 ) C ( q −1 ) [2.134]
où PC est le polynôme des pôles souhaités en BF. Ceci engendre la transformation de

l’équation E/S [2.133] en :
q − k B ( q −1 ) T ( q −1 ) A ( q −1 ) L D ( q −1 )
y[n] = yr [ n ] + e[ n] , ∀ n ∈N [2.135]
PC ( q −1 ) C ( q −1 ) PC ( q −1 )
L’identité [2.134] complique la procédure de synthèse du régulateur RST et, de plus,

s’il existe des racines instables du polynôme C , alors le système en BF devient instable
(voir le dénominateur du premier filtre dans l’équation [2.135]). Il est donc conseillé
d’éviter la contrainte [2.134], sauf si elle est absolument nécessaire et faisable.
Avant de conclure cette section avec quelques résultats obtenus par les méthodes
d’identification mentionnées auparavant, il faut souligner que dans le cas du régulateur
RST-YK, la commande doit être estimée par une relation différente de [2.57], comme
suit :
T ( q −1 ) A ( q −1 ) L ( q −1 ) − R ( q −1 )
uˆ[n] = yr [ n ] + yˆ[ n]
S(q −1
) − q B(q ) L (q )
−k −1 −1
S(q ) − q B (q ) L (q )
−1 −k −1 −1
[2.136]
T (q )−1
A (q ) L (q ) D (q ) − R (q )
−1
D
−1 −1 −1
= y [n] + yˆ[ n], ∀ n ∈ N

LD ( ) ( )
q−1
D q −1 r
L (q ) D (q )D
−1 −1
L’équation [2.136] montre, d’une part, que les régulateurs RST et RST-YK ne sont
pas équivalents et, d’autre part, que le régulateur RST-YK prend en compte les pôles
du filtre des perturbations d’une manière directe.
L’installation a été testée pour 3 catégories de perturbations, avec le spectre

concentré autour des fréquences : 75 Hz, 90 Hz et 95 Hz. Le spectre de la troisième
catégorie de perturbations étant dans la zone du deuxième pic de résonance de la
caractéristique affichée dans la figure 2.7, on s’attend à une rejection plus difficile de
la part du régulateur que dans le cas des autres catégories de perturbations.
La consigne a été un SPA généré dans la gamme de variation de la force résiduelle.

Son spectre est donc légèrement décroissant. Si le régulateur est activé, alors le spectre
de la force résiduelle devrait être proche du spectre de la consigne. En absence du
régulateur, la consigne a été générée à nouveau, mais cette fois-ci, dans la gamme de
variation de la commande, car elle stimule maintenant directement le processus. Dans
ce cas, la force résiduelle résultée n’est pas obligée de la suivre.
La première expérience d’identification a eu pour but de choisir, parmi les

méthodes proposées, celles qui produisent les caractéristiques en fréquence les plus
proches de celle illustrée dans la figure 2.7 en présence des perturbations. (Rappelons
que la caractéristique de la figure 2.7 a été tracée en absence de perturbations, étant, de
ce point de vue, « idéale ».) Après avoir effectué les simulations correspondantes avec
les modèles optimaux identifiés, on a conclu que les meilleures méthodes
d’identification sont la G-LS en BO et la G-CLOE en BF.
Dans la figure 2.9, on a tracé les spectres des meilleurs filtres utiles des modèles BJ
identifiés avec la G-LS en BO (sur la colonne de gauche) et avec la G-CLOE en BF
(sur la colonne de droite). Dans chaque image, le graphique en pointillés bleus
représente le spectre (pseudo-)idéal de la figure 2.7, alors que la deuxième courbe,
continue (en rouge pour la G-LS et en vert pour la G-CLOE) est le spectre de la
réponse en fréquence du filtre utile ( B̂ / A ˆ ) identifié. De même, chaque image
correspond à une perturbation (75 Hz, 90 Hz, 95 Hz – de haut en bas) et à un type
d’identification (en BO ou en BF – de gauche à droite). Afin de pouvoir comparer les
performances de ces filtres, on a calculé la distance par rapport au spectre (pseudo-)
idéal sous forme de la déviation standard, notée λ . Plus la valeur de λ est petite, plus
la précision du modèle identifié est meilleure.
De ces figures, on constate que la G-LS fournit les modèles les plus précis (par
rapport à la G-CLOE) – voir les valeurs de λ. Apparemment, ceci est surprenant, mais
il existe une explication. Pour les modèles en BF, on a considéré que la commande est
inaccessible à l’acquisition des données, alors que pour les modèles en BO, on a
mesuré la commande. Pratiquement, puisque la commande est toujours estimée et
jamais mesurée dans le cadre des méthodes CLOE, il est naturel d’obtenir une légère
dégradation de la qualité du modèle BJ.
On peut aussi comparer les performances de ces modèles à travers les fréquences
spécifiques des perturbations. Si la fréquence de la perturbation est située entre les
deux fréquences critiques (notamment celle de 75 Hz), alors les modèles sont très
proches de celui (pseudo-)idéal, ce qui montre que les deux filtres du modèle BJ
effectuent une séparation correcte des deux types d’information contenus dans les
données : utile et parasite. Si cette fréquence approche une des fréquences critiques
(ici, celle de 94.72 Hz), la précision du modèle identifié se dégrade. La résonance rend
la tâche de séparation des deux types d’information plus difficile. Mais d’une manière
encore surprenante, si la fréquence spécifique des perturbations est de 95 Hz
(pratiquement collée à celle de 94.72 Hz), la précision des modèles augmente
légèrement. Ceci s’explique par le fait que le modèle d’identification mélange les deux
types d’information uniquement dans une sous-bande très étroite autour d’une
fréquence critique, mais les sépare nettement en dehors de cette sous-bande. Pour le
modèle, la perturbation à 95 Hz fait partie du filtre utile (voir le pic plus grand du
spectre continu, par rapport au spectre pointillé), mais ce filtre reste inaffecté aux
autres fréquences. La perturbation à 90 Hz, par son rapprochement de la fréquence
critique de 94.72 Hz, augmente la confusion entre les deux types d’information, alors
que cette confusion s’atténue fortement pour la perturbation à 95 Hz.
Suite à cette première expérience d’identification hors ligne, on peut proposer un

modèle BJ initial (pour les méthodes en ligne) avec na = 10, nb = 12, nc = 1,
nd = 12, k = 1 en BO et avec na = 14, nb = 14, nc = 2, nd = 2, k = 1 en BF.
La deuxième expérience d’identification a été réalisée en utilisant les versions

adaptatives des deux méthodes (G-LS et G-CLOE), dans les mêmes conditions de
perturbation. Pour la G-LS, on a mis en œuvre le régulateur RST classique, alors que
pour la G-CLOE, c’est le régulateur RST-YK qui a fourni la commande.
La figure 2.10 montre les variations des spectres spécifiques de la force résiduelle :
sur la colonne de gauche – dans le cas de la méthode G-LS ; sur la colonne de droite –
dans le cas de la méthode G-CLOE. Les petites fenêtres insérées dans chaque image
spectrale représentent les forces résiduelles correspondantes (qui relèvent également
l’instant où les perturbations sont intervenues : 1 s après le début des variations). Chaque
image correspond à une perturbation (75 Hz, 90 Hz, 95 Hz – de haut en bas) et à un
modèle d’identification (en BO ou en BF – de gauche à droite). Sur une image spectrale,

deux variations sont représentées : sans contrôleur automatique (en pointillés bleus) et
avec contrôleur automatique (courbes continues rouges (G-LS) ou vertes (G-CLOE)).
La méthode G-LS travaille dans ce contexte similairement à la G-CLOE, mais on

présume que l’entrée du sous-système de suspension active est accessible à l’utilisateur,
donc mesurable. (Le lecteur peut tenter d’écrire l’algorithme d’identification et de
contrôle en ligne afférent.)
La comparaison entre le spectre « inactif » (sans contrôleur) et le spectre « actif »

(avec contrôleur) est réalisée à l’aide de deux indicateurs :
– σ : la déviation standard globale, calculée sur la bande complète des fréquences
(de 0 à 400 Hz) ;
– σnb : la déviation standard locale, calculée sur une bande étroite de fréquences,
autour de la fréquence critique de 94.72 Hz (de 75 Hz à 110 Hz).
On considère que la deuxième déviation standard est la plus importante, car le but
principal est d’atténuer au mieux les raies spectrales autour de la fréquence critique.
Les images de la figure 2.10 montrent premièrement, que la force résiduelle

« inactive » possède vraiment trois résonances intrinsèques, comme déjà annoncé par le
spectre (pseudo-)idéal de la figure 2.7 (à comparer visuellement avec les 3 pics des
courbes pointillées de la figure 2.10). De plus, la résonance autour de la fréquence de
94.72 Hz semble être la plus forte des 3. Deuxièmement, on constate que les deux
contrôleurs (RST et RST-YK) arrivent à atténuer d’une manière assez importante, non
seulement le pic le plus rebelle (à 94.72 Hz), mais également les deux autres pics (le
premier d’une manière juste satisfaisante). Troisièmement, le spectre de la force
résiduelle active semble suivre celui de la consigne d’une manière satisfaisante. Il faut
souligner quand même que généralement, si la consigne est un SPA (comme dans notre
cas), alors la suivre de près à la sortie d’un processus bouclé est une tâche difficile pour
tout contrôleur automatique intégré. Ceci est l’effet d’un paradigme bien connu dans
l’automatique : un système ne peut pas être infiniment stable et totalement adaptatif à la
fois. Si on augmente sa stabilité, on diminue sa capacité d’adaptation. En revanche, si on
augmente sa capacité de poursuite des consignes, alors on risque de le pousser vers la
limite de stabilité. Dans le cas des consignes de type SPA, la capacité réduite de
poursuite des systèmes bouclés dérive du fait que le système n’a pas terminé sa
dynamique transitoire d’une valeur d’entrée à l’autre. Pratiquement, le système reste
toujours en régime transitoire, ce qui le mène dans des états plus proches de l’instabilité
que dans le régime permanent, où son fonctionnement est beaucoup plus stable.
Frequency characteristics GLS, 75Hz Frequency characteristics GCLOE, 75Hz

Frequency [Hz] Frequency [Hz]

Frequency characteristics GCLOE, 90Hz
Frequency characteristics GLS, 90Hz

Frequency characteristics GLS, 95Hz Frequency characteristics GCLOE, 95Hz
Figure 2.9. Performances des meilleures méthodes d’identification

pour le sous-système de suspension active
Power Spectral Density Estimate of Residual Force (GLS, 75Hz) Power Spectral Density Estimate of Residual Force (GCLOE, 75Hz)
Spectral Power [dB]
Spectral Power [dB]

Power Spectral Density Estimate of Residual Force (GLS, 90Hz)

Power Spectral Density Estimate of Residual Force (GCLOE, 90Hz)
Spectral Power [dB]
Spectral Power [dB]

Power Spectral Density Estimate of Residual Force (GLS, 95Hz) Power Spectral Density Estimate of Residual Force (GCLOE, 95Hz)
Spectral Power [dB]
Spectral Power [dB]
Figure 2.10. Performances des meilleures solutions de commande RST

et RST-YK pour le système complet de suspension
Analysons de plus près les performances des deux schémas de régulation. Les
valeurs de la déviation standard globale σ montrent que la G-CLOE est légèrement
supérieure à la G-LS. En tout cas, la force résiduelle possède des composantes de
basse fréquence assez importantes. Ceci s’explique partiellement par l’inertie du
système entier qui se transfère à sa sortie. Le premier pic faisant partie de cette zone, il
est naturel qu’il soit moins atténué que les autres pics. En revanche, l’atténuation des
deux derniers pics est visiblement plus accentuée dans les deux méthodes. Ceci montre
que le but recherché a été atteint.
Les valeurs de la déviation standard locale, σnb , montrent que la G-CLOE,

combinée avec le régulateur RST-YK, est meilleure que la G-LS combinée avec le
régulateur RST, même si la différence n’est pas trop grande.
En conclusion, comme d’autres applications pratiques l’ont montré, on peut dire

que les techniques d’ISBO ne sont pas si loin des techniques d’ISBF en ce qui
concerne les performances du contrôle automatique. La différence majeure réside dans
leur faisabilité. Si le processus bouclé ne permet pas de mesurer la commande, alors
les techniques d’ISBF sont les seules à prendre en compte pour une implémentation
efficace. En revanche, si le signal de commande est accessible à l’utilisateur, il existe
alors, grâce à la similarité des performances des deux approches, une forte tentation
d’implémenter les méthodes d’ISBO, qui mènent généralement à des algorithmes
moins complexes.
Chapitre 3
Conception de la commande numérique

par placement de pôles
Dans ce chapitre, nous proposons une structure numérique pour la conception de la

commande PID, considérée comme la commande classique en génie des systèmes
automatisés et de la commande polynomiale RST, une approche numérique plus
flexible avec deux degrés de liberté, facilement implantable dans les applications
industrielles en temps réel. Une commande prédictive à horion fini et à horizon
unitaire de type polynomial est également développée. Les méthodes consacrées au
placement de pôles qui se trouvent à l’origine du calcul de ces types de commandes
sont utilisées pour la synthèse des systèmes en boucle fermée qui pilotent les processus
industriels.
3.1. Commande PID numérique

Pour la conception de la commande PID des systèmes de contrôle, il est nécessaire
de spécifier les performances désirées en boucle fermée et de connaître le modèle
dynamique du processus (modèle de commande et de perturbation). A partir de ces
éléments, l’objectif est de déterminer la structure et les paramètres de l’algorithme de
commande.
Nous revenons au schéma classique du régulateur PID continu avec filtrage sur
l’action dérivée présenté dans la littérature [BIT 93, DAF 04, LAN 93, POP 00,
POP 01] :
⎡ ⎤
Δ ⎢ 1 Td s ⎥
GPID ( s) = k ⎢1 + + ⎥ [3.1]
⎢ Ti s Td s + 1 ⎥
⎣ λ ⎦
La version discrète de l’expression [3.1], utilisant une période d’échantillonnage h,

exprimée en termes de transformée z, est la suivante :
⎡ h λTd ⎤
⎢ z ( z − 1) ⎥
T T + λh
GPID ( z ) = k ⎢1 + i + d ⎥ [3.2]
⎢ z − 1 Td ⎥
z−
⎢ Td + λh ⎥⎦
⎣
et en termes de z-1 :
⎡ h λTd ⎤
⎢ (1 − z −1 ) ⎥
T T + λ h R ( z −1 )
GPID ( z −1 ) = k ⎢1 + i
+ d
⎥ = [3.3]
⎢ 1− z
−1
Td S ( z −1 )
1− z −1 ⎥
⎢ Td + λ h ⎥
⎣ ⎦
où :
⎡ −1
def
−1 ⎛ Td ⎞ kh ⎛ Td ⎞
⎢ R( z ) = k (1 − z ) ⎜1 − z −1 ⎟ + ⎜ 1 − z −1 ⎟ +
⎢ ⎝ Td + λ h ⎠ Ti ⎝ Td + λ h ⎠
⎢ k λTd
⎢ + −1 2
(1 − z ) [3.4]
⎢ Td + λ h
⎢
⎢ S ( z −1 ) = (1 − z −1 ) ⎛1 − Td z −1 ⎞ .
def
⎢⎣ ⎜ ⎟
⎝ Td + λ h ⎠
Les polynômes R, S sont donc définis par les expressions suivantes :
⎡ R( z −1 ) = r0 + r1 z −1 + r2 z −2
⎢ −1 −1 −1
[3.5]
⎢⎣ S ( z ) = (1 − z )(1 + s1 z )
On remarque que le contrôleur PID est caractérisé par les 4 paramètres : r0, r1, r2 et
s1 et que pour le schéma du système en boucle fermée représenté dans la figure 3.1, sa
fonction de transfert s’exprime, comme suit :
bˆ ( z −1 ) R ( z −1 )
GRST ( z −1 ) = [3.6]
aˆ ( z −1 ) S ( z −1 ) + bˆ ( z −1 ) R ( z −1 )
Figure 3.1. Système de contrôle de type PID sous forme polynomiale
Commande numérique par placement de pôles 111
Dans le polynôme S, le facteur (1–z-1) assure l’effet d’intégration numérique tandis

que le facteur (1+ s1 z-1) produit l’effet de filtrage numérique.
Les performances du système sont spécifiées par les pôles désirés pour le système
en boucle fermée (les racines du polynôme caractéristique Pi(z-1)), le dénominateur de
l’expression [3.6] étant noté comme suit :
Δ
Pi ( z −1 ) = aˆ ( z −1 ) S ( z −1 ) + bˆ ( z −1 ) R ( z −1 ) . [3.7]
En pratique, on choisit Pi(z-1) de la forme suivante, suggérée pour la structure du

régulateur PID :
Pi ( z −1 ) = 1 + p1 z −1 + p2 z −2 , [3.8]
qui représente l’équivalent discrétisé d’un modèle continu du 2e ordre.
Il en résulte que le calcul des paramètres (R, S) du régulateur PID suppose la

résolution de l’équation polynomiale :
aˆ ( z −1 )(1 − z −1 )(1 + s1 z −1 ) + bˆ ( z −1 )( r0 + r1 z −1 + r2 z −2 ) ≡ Pi ( z −1 ) [3.9]
où â(z-1), b̂(z-1) et Pi(z-1) sont des polynômes connus. La solution de cette équation
impose des restrictions sur le modèle du processus (au maximum du deuxième ordre
avec un retard pur). On constate que le produit b̂(z-1)R(z-1) définit les zéros en boucle
fermée et donc, le contrôleur PID introduit des zéros supplémentaires par R(z-1) ; le
contrôleur PID ne simplifie pas les zéros du processus et donc il peut être utilisé pour
la régulation des processus ayant un modèle avec des zéros instables ; les
performances pour le contrôleur PID sont imposées en régulation ou en poursuite, et il
n’y a pas la possibilité d’assurer des dynamiques indépendantes en régulation et
poursuite par la même commande calculée.
3.2. Commande polynomiale RST numérique
Pour annuler les limitations de l’algorithme PID, on peut enrichir la structure de la

figure 3.1 par un polynôme additionnel T(z-1), pré-compensateur de poursuite. Cette
structure numérique du système en boucle fermée est illustrée dans la figure 3.2.
Figure 3.2. Système de contrôle de type R-S-T
L’algorithme général du contrôleur numérique s’exprime comme suit :
1 ⎡ ns nr nt
⎤
u [k ] = ⎢ −∑ si u [ k − i ] − ∑ ri y [ k − i ] + ∑ ti r [ k − i ]⎥ , ∀k ∈ [3.10]
s0 ⎣ i =1 i =0 i =0 ⎦
Dans cette relation, r[k] est la consigne, u[k] est la commande numérique, y[k] est
la sortie du système et {si} i = 0, ns , {ri} i = 0, nr , {ti} i = 0, nt sont les paramètres du
contrôleur numérique.
Le nombre de coefficients donne la complexité et la mémoire des algorithmes, qui

sont imposés en fonction de la dimension du processus et des performances souhaitées.
A partir de l’expression [3.10] ci-dessus, il est possible de construire la structure

polynomiale canonique RST, qui permet l’implémentation des systèmes numériques
de régulation dans beaucoup d’applications industrielles [BOR 93, BOR 97, DAU 04,
GEN 97, LAN 97, OGA 01, POP 00].
On peut facilement exprimer la commande de manière équivalente en z-1 :
T ( z −1 ) R ( z −1 )
u ⎡⎣ z −1 ⎤⎦ = r ⎡⎣ z −1 ⎤⎦ − y ⎡ z −1 ⎤ [3.11]
S ( z −1 ) S ( z −1 ) ⎣ ⎦
où :
⎡ R ( z −1 ) = r0 + r1 z −1 + ... + rnr z − nr
⎢
⎢ S ( z −1 ) = s0 + s1 z −1 + ... + sns z − ns [3.12]
⎢
⎢ T ( z −1 ) = t0 + t1 z −1 + ... + tnt z − nt .
⎣
Le modèle mathématique du processus commandé est de type ARX qui s’exprime

par les polynômes â( z ) et bˆ( z −1 ) :
−1
⎡
⎢bˆ ( z −1 ) = b1 z −1 + b2 z −2 + ... + bnb z − nb
⎢ [3.13]
⎢⎣ aˆ ( z −1 ) = 1 + a1 z −1 + ... + ana z − na
La fonction de transfert du système représenté dans la figure 3.2 est la suivante :
bˆ ( z −1 ) T ( z −1 )
GRST ( z ) = aˆ z −1 S z −1 + bˆ z −1 R z −1
−1
[3.14]
( ) ( ) ( ) ( )
La configuration de la structure précédente peut encore être améliorée par un
générateur de trajectoire afin de construire un système qui offre des performances en
poursuite (changement de consigne) et en régulation (rejet de perturbation).
Dans ce cas, une trajectoire de référence y*[k] est construite à l’aide du modèle de
poursuite b̂m(z-1)/âm(z-1) comme dans la figure 3.3, où :
⎡
⎢bˆm ( z −1 ) = bm1 z −1 + bm 2 z −2 + ... + bms z − ms
⎢ [3.15]
⎢⎣ aˆm ( z −1 ) = 1 + am1 z −1 + ... + amr z − mr .
Figure 3.3. Structure R-S-T en poursuite et régulation
Ce modèle spécifie le comportement dynamique en poursuite. Cette fois-ci, la

fonction de transfert globale est obtenue à l’aide de la relation [3.14] (qui exprime l’effet
de la régulation) en considérant l’action supplémentaire du module de poursuite :
bˆm ( z −1 )
G ∗ RST ( z −1 ) = GRST ( z −1 ) =
aˆm ( z −1 )
bˆm ( z −1 ) bˆ ( z −1 ) T ( z −1 )
= [3.16]
aˆm ( z −1 ) ⎡⎣ aˆ ( z −1 ) S ( z −1 ) + bˆ ( z −1 ) R ( z −1 ) ⎤⎦
3.3. Commande RST par placement de pôles

Le placement de pôles dans la vision ci-dessous, est une stratégie qui permet de
calculer un régulateur polynomial sans restriction sur les degrés des polynômes â(z-1)
et b̂(z-1) premiers entre eux, sans restriction sur le retard du processus et sans
restriction sur les zéros du processus (stables ou instables) [AST 97, BOR 93,
DAU 04, GOD 84, LAN 97, POP 06].
Le processus est caractérisé par le modèle irréductible ci-dessous :
bˆ( z −1 )
G ( z −1 ) = [3.17]
aˆ( z −1 )
où :
⎡ −1 −1 − na
⎢ aˆ( z ) = 1 + a1 z + ... + ana z
⎢ ˆ −1 [3.18]
−1 − nb
⎣b ( z ) = b1 z + ... + bnb z .
Dans ce cas, la fonction de transfert globale (en boucle fermée) du système,

s’exprime comme suit :
T ( z −1 ) bˆ ( z −1 )
GRST ( z −1 ) = [3.19]
aˆ ( z −1 ) S ( z −1 ) + bˆ ( z −1 ) R ( z −1 )
3.3.1. Calcul de la commande pour la dynamique en régulation
Considérons le polynome qui définit les performances en régulation :

Pi ( z −1 ) ≡ 1 + p1 z −1 + p2 z −2 + ... + pn z − np [3.20]
A partir des relations antérieures, on peut écrire que :

aˆ ( z −1 ) S ( z −1 ) + bˆ ( z −1 ) R ( z −1 ) ≡ Pi ( z −1 ) [3.21]
L’équation polynomiale [3.21] a une solution unique dans les conditions suivantes :
⎡deg aˆ ( z −1 ) = na
⎢
⎢deg bˆ( z ) = nb
−1
⎢ −1
⎢deg P ( z ) = np ≤ na + nb [3.22]
⎢deg S ( z −1 ) = ns = nb
⎢
⎢deg R ( z −1 ) = nr = na
⎣
Pour résoudre l’équation [3.21] on utilise la forme matricielle suivante, Mx = p,

où :
⎡ TΔ
⎢ x = [1 s1 s2 ...snb r0 r1....rna −1 ]
⎢ T def [3.23]
⎢⎣ p = [1 p1 p2 ... pna + nb ] .
M est la matrice de Sylvester (de dimensions (na + nb + 1) x (na + nb + 1))

associée aux polynômes â(z-1) et b̂(z-1). Pour les polynômes â(z-1) et b̂(z-1) premiers
entre eux, la matrice de Sylvester est inversible.
Le vecteur x qui contient les coefficients inconnus des polynômes S(z-1) et R(z-1)
s’obtient alors tout simplement par l’inversion de la matrice M :
x = M − 1 p. [3.24]
3.3.2. Calcul de la commande pour la dynamique en poursuite
En pratique, on souhaite que la sortie y[k] du système suive une trajectoire imposée
y*[k]. Cette trajectoire peut être construite à l’aide du générateur de trajectoire, comme
il est montré à la figure 3.3.
La fonction de transfert de ce générateur est définie par le modèle dynamique :

def bˆm ( z −1 )
Gm ( z −1 ) = [3.25]
aˆm ( z −1 )
où les polynômes âm(z-1) et b̂m(z-1) sont introduits par les relations [3.15]. En général,
cette fonction de transfert est déterminée à partir des performances souhaitées, par
exemple, par un modèle continu normalisé du 2e ordre.
En pratique, la fonction de transfert discrétisée du générateur de trajectoire sera

alors représentée comme ci-dessous avec des pôles imposés :
z −1 ( bm 0 + bm1 z −1 )
Gm ( z −1 ) = [3.26]
1 + am1 z −1 + am 2 z −2
C’est précisément cette fonction de transfert que le régulateur doit réaliser entre la
consigne r[k] et la sortie y[k]. Dans le cas usuel de la méthode de placement de pôles,
ceci n’est pas possible, car on conserve les zéros du processus (c’est-à-dire du
polynôme b̂(z-1)).
L’objectif final sera alors de s’approcher de la trajectoire de référence, définie dans

ce cas comme suit :
def bˆm ( z −1 )
y ∗ ⎡⎣ z −1 ⎤⎦ = r ⎡ z −1 ⎤ ,
aˆm ( z −1 ) ⎣ ⎦
[3.27]
Enfin, on choisit T(z-1) pour assurer : un gain statique unitaire entre y*[k] et y[k] et
la compensation de la dynamique de régulation, c’est-à-dire de Pi(z-1).
Ceci conduit au choix suivant pour le polynôme T(z-1) :

T ( z −1 ) = GPi ( z −1 ) , [3.28]
où G est un gain constant, défini par :

⎧ 1
Δ⎪ , bˆ (1) ≠ 0
G = ⎨ bˆ (1) [3.29]
⎪ ˆ
⎩ 1, b (1) = 0 .
qui conduit à la sortie suivante :

y ⎡⎣ z −1 ⎤⎦ = GRST ( z −1 ) y ∗ ⎡⎣ z −1 ⎤⎦ = Gbˆ ( z −1 ) y ∗ ⎡⎣ z −1 ⎤⎦ [3.30]
3.3.3. Commande RST à objectifs en régulation et poursuite
Cette approche permet d’obtenir le comportement désiré du système en poursuite

(changement de consigne) indépendamment du comportement imposé en régulation
(rejet de perturbation) en utilisant la même commande u(k).
Contrairement à la méthode de placement de pôles, cette méthode conduit à la

simplification des zéros stables du modèle échantillonné du processus, ce qui permet
de réaliser les performances désirées en poursuite et en régulation. Si tous les zéros
sont stables une fois le transitoire terminé, la sortie suit exactement la consigne au
retard près et qui ne peut être compensé.
Cette stratégie de commande permet de calculer un contrôleur numérique RST

pour des processus stables ou instables, sans restriction sur les degrés des polynômes
â(z-1) et b̂(z-1) de la fonction de transfert échantillonnée du processus.
En revanche, à cause de la simplification des zéros, elle ne s’applique qu’aux

modèles ayant des zéros stables.
La structure du système en boucle fermée en discussion est représentée dans la

figure 3.3. La sortie du modèle de poursuite b̂m(z-1)/âm(z-1) spécifie la trajectoire désirée
y*[k] que doit suivre la sortie du système en boucle fermée. Il en résulte que r[k]
contribue au calcul de la valeur y*[k] = y[k].
Les pôles en boucle fermée sont définis par le polynôme caractéristique désiré
Pi (z-1).
Le calcul des polynômes R(z-1), S(z-1) et T(z-1) s’effectue en deux étapes. Dans la
première étape, à l’aide de R(z-1) et de S(z-1), on place les pôles en boucle fermée
spécifiés par Pi(z-1) (objectif en régulation) et on simplifie les zéros stables du modèle
échantillonné du processus. Dans la deuxième étape, on détermine le polynôme T(z-1),
pour retrouver la trajectoire de référence y*[k] directement à la sortie du système
global.
3.3.3.1. Performances en régulation

Si on élimine la partie de poursuite et le pré-compensateur du schéma de la
figure 3.3, la fonction de transfert en boucle fermée avec des zéros stables, s’exprime
comme suit :
bˆ ( z −1 ) [3.31]
GRS ( z −1 ) =
aˆ ( z −1 ) S ( z −1 ) + bˆ ( z −1 ) R ( z −1 )
On impose maintenant la condition ci-dessous :
1
GRS ( z −1 ) = [3.32]
Pi ( z −1 )
Le polynôme Pi(z-1) étant a priori spécifié, on obtient l’équation suivante :
aˆ ( z −1 ) S ( z −1 ) + bˆ ( z −1 ) R ( z −1 ) = bˆ ( z −1 ) Pi ( z −1 ) [3.33]
qui permet de calculer R(z-1) et S(z-1).
Pratiquement, l’équation [3.33] montre la manière nécessaire de factoriser le

dénominateur de la fonction de transfert GRS (z-1) par b̂ ( z −1 ) . Cette opération engendre
une factorisation naturelle pour S(z-1) :
S ( z −1 ) = bˆ ( z −1 ) S ' ( z −1 ) . [3.34]
On obtient alors une expression plus simple de l’équation [3.33] :
aˆ ( z −1 ) S ' ( z −1 ) + R ( z −1 ) ≡ Pi ( z −1 ) [3.35]
Cette équation a une solution unique pour :
⎡deg aˆ ( z −1 ) = na
⎢ −1
⎢deg Pi ( z ) = np ≤ na + ns '
⎢deg S '( z −1 ) = ns ' [3.36]
⎢
⎢⎣deg R ( z −1 ) = nr = na + ns '
L’équation [3.35] peut être mise sous forme matricielle Mx = p, où M est la

matrice de Sylvester ayant les dimensions (na + ns’) x (na + ns’). Bien évidemment :
⎡ T Δ
⎢ x =[1 s1 s2 ... sns ' , r0 r1 ... rna + ns '−1 ]
[3.37]
⎢ T Δ
⎢⎣ p =[1 p1 p2 ... pna + ns '−1 ]
Ici les pi sont les coefficients du polynôme caractéristique Pi(z-1). La solution de

l’équation [3.35] s’obtient alors par l’inversion de la matrice M :
x = M −1 p [3.38]
3.3.3.2. Performances en poursuite

Le polynôme T(z-1) est calculé en imposant la condition spécifiée que la structure
globale de la figure 3.3 (obtenue en rajoutant la partie de poursuite et le pré-
compensateur) se comporte comme un système de poursuite :
def bˆm ( z −1 ) bˆm ( z −1 )

G ∗ RST ( z −1 ) = T ( z −1 ) GRS ( z −1 ) = [3.39]
aˆm ( z −1 ) aˆm ( z −1 )
On a déjà établi que :
1
GRS ( z −1 ) = [3.40]
Pi ( z −1 )
ce qui conduit à l’identification de T(z-1) avec Pi : T(z-1) = Pi(z-1).
Le régulateur sera alors décrit par l’équation suivante :
S ( z −1 ) u ⎡⎣ z −1 ⎤⎦ + R ( z −1 ) y ⎡⎣ z −1 ⎤⎦ = Pi ( z −1 ) y ∗ ⎡⎣ z −1 ⎤⎦ ⇔
[3.41]
⇔ S ( z −1 ) u ⎡⎣ z −1 ⎤⎦ + R ( z −1 ) y ∗ ⎡⎣ z −1 ⎤⎦ = Pi ( z −1 ) y ∗ ⎡⎣ z −1 ⎤⎦ .
Si on tient compte de la forme de S(z-1) :
S ( z −1 ) = s0 + s1 z −1 + ... + sns z − ns = bˆ ( z −1 ) S ' ( z −1 ) [3.42]
on déduit que s0 = b1 et donc :
S ( z −1 ) = b1 + z −1S ∗ ( z −1 ) [3.43]
L’équation du contrôleur pour l’implémentation devient alors :

1
u[ z −1 ] = ( Pi ( z −1 ) y[ z −1 ] − S * ( z −1 ) z −1u[ z −1 ] − R( z −1 ) y* [ z −1 ]) [3.44]
b1
3.4. Commande prédictive
Ce sous-chapitre présente la technique de régulation prédictive souvent utilisée

dans les systèmes numériques de commande. Au début, on présente les idées centrales
de la conception et l’intérêt de cette approche. Ensuite, on met en évidence les
différentes étapes algorithmiques d’une commande prédictive. Finalement, les
méthodes les plus représentatives (de type « réponse pile » (dead beat)), pour un
horizon de prédiction égal à une période d’échantillonnage sont détaillées [FLA 94,
MAC 01, POP 04].
Le calcul de la commande prédictive se caractérise par les étapes suivantes :

a) à chaque instant kh (où h est la période d’échantillonnage), une prédiction de
l’évolution du processus est réalisée pour une séquence d’actions futures sur l’entrée ;
b) la séquence de la commande numérique est déterminée en optimisant un critère
fondé sur les valeurs futures ; le calcul prend en compte l’écart entre la valeur prédite
et la consigne aussi bien que les variations de l’entrée ;
c) seule la première commande de la séquence est appliquée effectivement et un
nouveau calcul commence, en tenant compte de l’évolution en temps réel du processus.
A un instant t = kh, la sortie prochaine du processus est prédite sur un horizon de

temps à partir d’un modèle mathématique de la dynamique du processus. Elle dépend
de l’évolution passée du processus et du scénario de commande qui va être suggéré

pour la période suivante.
En fonction de différentes solutions, on choisit la commande qui amène la sortie du

processus à la valeur de la consigne d’une manière « optimale » par rapport à un
objectif défini a priori. La commande calculée est appliquée au processus réel de
l’instant kh jusqu’à l’instant (k + l)h.
L’intérêt de cette approche est justifié par le fait que la commande prédictive est
supérieure à la commande PID pour le processus à retard lorsque les changements de
consigne sont connus ou programmés à l’avance. La commande prédictive est considé-
rée robuste pour une approximation grossière du processus commandé.
Un paramètre important de la commande prédictive est l’horizon, qui possède

plusieurs représentations, comme suit :
– l’horizon de modèle (hM) : c’est la durée au bout de laquelle la réponse du
processus en boucle ouverte atteint 99 % de sa valeur finale ;
– l’horizon de commande (hC) : c’est la durée d’application des actions successives
sur l’entrée du processus pour amener la sortie à la valeur souhaitée ;
– l’horizon de prédiction (hP) : c’est la durée sur laquelle on prédit la sortie du
processus, utilisée dans le calcul récurrent de la commande par anticipation de la
consigne.
On peut considérer le cas particulier correspondant à une commande prédictive

pour un horizon réduit à un seul pas. Le modèle pour la prédiction de la sortie est
donné par identification à partir des données mesurées à l’entrée et à la sortie du
procédé. Le calcul de la commande revient alors à déduire la valeur u[k] qui assure
tout simplement l’égalité entre la sortie prochaine y[k+1] et la consigne actuelle r[k].
Dans ce cas, un horizon de prédiction est alors égal à seulement une période
d’échantillonnage (hP = h).
Dans la plupart des situations, un horizon unitaire est suffisant et nous allons
démontrer que dans ce cas la commande prédictive est simple à déterminer et facile à
implémenter.
3.4.1. Commande prédictive à horizon fini
Les algorithmes du contrôle prédictif sont fondés sur la prédiction de la sortie du

processus. Pour calculer la valeur prédite, un modèle du processus est utilisé. Le plus
facile à obtenir est le modèle construit à partir, par exemple, d’une réponse indicielle.
Considérons une réponse indicielle pour une suite finie de valeurs ai (a1, a2, ...,ahM)
prélevées aux instants (1, 2, 3, ..., hM ) qui représentera un modèle de convolution. Ce
modèle peut être utilisé pour calculer la réponse du système à une suite de variations
de l’entrée.
Supposons que y[0] = 0 et que l’entrée est une suite de variations de la variable
d’entrée, Δu 0 à k = 0 , Δu i à k = i. La sortie du système est donnée alors par le
modèle suivant :
hM
y [ k ] = ∑ ai Δuk −1 , ∀k ∈ [3.45]
i =1
où hM est l’horizon du modèle.

La réponse impulsionnelle peut être définie comme la dérivée de la réponse
indicielle. Dans ce cas, la sortie du système est décrite par un modèle similaire, comme
suit :
hM
y [ k ] = ∑ hi Δuk −1 , ∀ k ∈ [3.46]
i =1
où hi = ai-ai-1, i ∈ 1, hM . Pour un éventuel retard donné d, les premiers coefficients sont

nuls : hi = 0 ( i ∈ 1, d ).
La prédiction de la sortie sur l’horizon hC (yp[l], yp[2] ..., yp [hC] ) pour une
séquence de hM actions (a1, a2, ...,ahM), basée sur un modèle de réponse de convolution
peut s’écrire sous la forme matricielle :
⎡ y p [ k + 1] ⎤ ⎡ a1 0 0 … 0 ⎤ ⎡ Δuk ⎤
⎢ ⎥ def ⎢
⎢ y p [ k + 2] ⎥ = ⎢ a2 a1 0 … 0 ⎥⎥ ⎢⎢ Δuk +1 ⎥⎥
. [3.47]
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣⎢ y p [ k + hC ]⎦⎥ ⎣ ahC ahC −1 ahC −hM −1 ⎦ ⎣ Δuk +hM −1 ⎦
Yp [ k ] A ΔU[ k ]
Si l’horizon de commande hC est supérieur à l’horizon du modèle hM, on fixe

ai = ahM pour i > hM et on écrit que :
Yp [ k ] = AΔU [ k ] , ∀ k ∈ [3.48]
La matrice A est obtenue à partir du modèle de la réponse indicielle. La relation

[3.48] permet de calculer la commande Δu[k ] . L’objectif de la régulation est
d’obliger la sortie du système à suivre la trajectoire de référence r[k+l], r[k+2], ...,

r[k+hC]. Pour ce faire, on impose la minimisation d’un critère quadratique :
hC hM
J [k ] = ∑ (r[k + i ] − y p [k + i ]) 2 + λ ∑ Δu 2 [ k + i ] [3.49]
1 i =1
Le vecteur ΔU[ k ] qui minimise le critère J[k] par la méthode des moindres carrés,
est donné par la relation suivante :
( )
−1
ΔU [ k ] = A T A + λ 2I ( R [ k ] − Y [ k ])
p [3.50]
où :
def
R T [ k ] = ⎡⎣ r [ k + 1] ... r [ k + hC ] ⎤⎦ , ∀k ∈ [3.51]
Seul le premier élément de ΔU[ k ] est utilisé pour réactualiser la commande :
u [ k ] = u [ k − 1] + Δu [ k ] , ∀ k ∈ [3.52]
ce qui va assurer l’évolution désirée pour la sortie y[k].
3.4.2. Commande prédictive à horizon unitaire
Comme nous l’avons précisé plus haut, une commande prédictive élaborée sur un
horizon unitaire est suffisante pour de nombreux cas. L’horizon de prédiction, dans ce
cas, est égal à une période d’échantillonnage, alors que les horizons de modèle et de
commande sont également réduits à une période d’échantillonnage.
Le modèle du processus qui spécifie la sortie prédite est supposé connu par une
opération d’identification. La consigne est considérée constante sur l’horizon de
prédiction.
A la figure 3.4 nous avons présenté l’évolution temporelle de la sortie du

processus, de la sortie désirée et de la commande prédictive correspondante pour un
horizon de prédiction unitaire. Ces représentations montrent l’évolution continuelle
des grandeurs correspondantes entre les instants d’échantillonnage.
La structure du système en boucle fermée est précisée à la figure 3.2. On considère

que le processus est modélisé par un système de type ARX ayant la fonction de
transfert suivante :
bˆ ( z −1 )
G ( z −1 ) = [3.53]
aˆ ( z −1 )
où :
⎡ aˆ ( z −1 ) = 1 + a1 z −1 + a2 z −2 + ... + ana z − na
⎢ −1 [3.54]
⎢⎣bˆ( z ) = b1 z −1 + b2 z −2 + ... + bnb z − nb
Les relations [3.53] et [3.54] permettent d’exprimer y[k] comme suit :

na nb
y [ k ] = −∑ ai y [ k − i ] + ∑ bi u [ k − i ], ∀k ∈ [3.55]
i =1 i =1
Le prédicteur du processus est déterminé simplement par l’avance d’une période

d’échantillonnage :
na nb
y[k + 1] = ∑ ai y[k − i + 1] + ∑ bi u[k − i + 1], ∀k ∈ [3.56]
i =1 i =1
La première stratégie de type prédictif est celle qui permet de choisir la

commande u[k] de telle manière que y[k+l] coïncide exactement avec la consigne
r[k]. Il faut donc assurer une erreur nulle à l’instant d’échantillonnage suivant. Cette
technique de régulation s’appelle réponse pile (dead-beat). Elle correspond à
l’annulation de l’erreur en un coup. Suite à cette condition et à l’équation [3.56], on
peut écrire que :
na nb
r[k ] = −∑ ai y[k − i + 1] + ∑ bi u[k − i + 1], ∀k ∈
i =1 i =1 [3.57]
ce qui s’exprime d’une manière plus compacte comme suit :
bˆ( z −1 )u[ z −1 ] = r[ z −1 ] + aˆ ( z −1 ) y[ z −1 ] [3.58]
La commande prédictive u[k] peut être calculée selon la relation récurrente ci-
dessous :
1 aˆ ( z −1 )
u[ z − 1 ] = r [ z −1 ] + y[ z −1 ] [3.59]
bˆ( z ) −1 ˆ
b( z ) −1
Figure 3.4. Principe de la régulation prédictive avec horizon unitaire
L’expression [3.59] correspond au schéma représenté à la figure 3.5.
Sur cette figure, on peut identifier les polynômes R, S, T, suite à la relation [3.59] :
T ( z −1 ) = 1 , S ( z −1 ) = bˆ( z −1 ) , R( z −1 ) = aˆ ( z −1 ) [3.60]
On peut remarquer que pour ce type d’algorithme, les conditions suivantes sont
vérifiées : temps de stabilisation fini, temps de montée minimal et erreur stationnaire
nulle à chaque instant d’échantillonnage.
L’objectif de la commande est d’ajuster la sortie courante y[k] à la valeur de la

référence r[k] en un seul pas. Cet objectif n’est pas réaliste parce que l’on ne tient pas
compte des restrictions sur l’amplitude de la commande. De fortes oscillations
apparaîtront entre les instants d’échantillonnage malgré une sortie correcte à ces
instants précis.
Figure 3.5. Schéma de principe de la régulation prédictive (réponse dead-beat)
Une approche plus réaliste consiste à imposer la poursuite de la consigne (vue

comme trajectoire de référence) par la sortie selon un régime transitoire prédéterminé :
y [ k + 1] = y [ k ] + α ( r [ k ] − y [ k ]) = (1 − α ) y [ k ] + αr [ k ] , ∀ k ∈ [3.61]
Si α ∈ (0,1) , alors la sortie future appartient au segment reliant y[k] et r[k]. Pour
α = 1 , on obtient l’algorithme précédent. Alors, si on remplace dans [3.61] la valeur
de prédiction calculée par [3.56], on obtient la relation récurrente suivante :
na nb
(1 − α ) y[k ] + α r[k ] = − ∑ ai y[ k − i + 1] + ∑ bi u[ k − i + 1] [3.62]
1 i =1
A l’aide de la relation [3.62] on peut construire la commande courante :
α (1 − α ) + aˆ ( z −1 )
u[ z −1 ] = r[ z −1 ] + y[ z −1 ] [3.63]
bˆ( z −1 ) ˆ −1
b( z )
On considère donc, que les polynômes de la structure canonique sont définis

comme suit :
⎡T ( z −1 ) = α
⎢
⎢ S ( z ) = bˆ( z )
−1 −1
[3.64]
⎢
⎢⎣ R ( z ) = (α − 1) − aˆ ( z )
−1 −1
Le schéma d’implémentation correspondant est présenté à la figure 3.6.
On peut remarquer l’absence de la composante intégrale sur la voie directe de la

structure prédictive, ce qui ne garantit pas que l’erreur stationnaire sera nulle et que les
coefficients du modèle soient évalués d’une manière exacte.
Un prédicteur exprimé par une forme incrémentale élimine ces désavantages. Le

prédicteur incrémental est défini à partir des équations [3.55] et [3.56], par soustraction,
comme suit :
def na na
y[ k + 1] − y[ k ] = ∑ ai y[ k − 1] − ∑ ai y[ k − i + 1] +
i =1 i =1
nb nb
+ ∑ bi u[k − i + 1] − ∑ bi u[k − i ] =
i =1 i =1
⎡ nb na
⎤
[3.65]
= (1 − z −1 ) ⎢ ∑ bi u[k − i + 1] − ∑ ai y[k − i + 1]⎥ =
⎣ i =1 i =1 ⎦
= (1 − z −1 )[ z − d bˆ* ( z −1 )u[k ] − aˆ * ( z −1 ) y[k ]], ∀k ∈
Figure 3.6. Régulation prédictive théorique de type R-S-T
D’autre part, la condition [3.63] montre que l’algorithme pratique de calcul pour la
commande prédictive incrémentale est le suivant :
α (1 − z −1 ) aˆ ( z −1 ) − α
u[ z −1 ] = r[ z −1 ] + y[ z −1 ] [3.66]
(1 − z )bˆ( z )
−1 −1
(1 − z −1 )bˆ( z −1 )
Ceci conduit aux polynômes suivants :
⎡T ( z −1 ) = α
⎢
⎢ S ( z ) = (1 − z )bˆ( z )
−1 −1 −1
[3.67]
⎢
⎢⎣ R ( z ) = α − (1 − z ) aˆ ( z )
−1 −1 −1
Le schéma correspondant à la relation [3.66] est représenté à la figure 3.7. En

régime stationnaire, le polynôme R(z-1) se réduit à la valeur α du polynôme T(z-1), ce
qui signifie l’annulation de l’erreur statique. De plus, grâce à l’effet d’intégration, ce
schéma ne nécessite pas que les paramètres du système soient déterminés avec une
grande précision, comme auparavant et l’implémentation de l’algorithme peut se faire

indépendamment de la précision de l’estimation des paramètres du modèle du
processus [DAU 04, POP 06].
Figure 3.7. Régulation prédictive pratique de type R-S-T
Chapitre 4
Commande adaptative
et commande robuste
On considère la structure de la figure 3.3 dans le cas où les paramètres du modèle

mathématique, les coefficients des polynômes b̂(z-1) et â(z-1), sont variables dans le
temps. Dans ces conditions, on souhaite assurer les performances dynamiques du
système en boucle fermée à l’aide d’une stratégie adaptative [AST 93, AST 95, BES 98,
BIT 93, DUG 91, LAN 89, LAN 97, LEF 14].
La conception de la commande adaptative de type polynomial, peut être réalisée

en quelques étapes, comme suit :
– calcul de la commande en régulation R(z-1), S(z-1) et en poursuite T(z-1) ;
– estimation récursive des nouveaux paramètres pour le système en boucle
fermée ;
– conception du mécanisme d’adaptation pour la commande u[k] par adaptation
des paramètres des polynômes RST.
4.1. Systèmes adaptatifs à commande polynomiale
Pour assurer un point de vue unitaire et utiliser les qualités de la commande RST,
on propose la même forme de représentation du contrôleur adaptatif, c’est-à-dire la
forme polynomiale de type RST. L’équation qui assure la poursuite entre r[k] et y[k]
est écrite ci-dessous :
aˆm ( q −1 ) y [ k ] = bˆm ( q −1 ) r [ k ] ⇔ y [ k ] = y ∗ [ k ] , ∀ k ∈ ` [4.1]
où âm et bm sont les polynômes du générateur de trajectoire évalués a priori (voir la

structure définie par [3.26]) et y*[k] est la trajectoire désirée.
Rappelons que la commande canonique est décrite comme suit :
T ( z −1 ) R ( z −1 )
u [k ] = . y∗ [ k ] − . y [ k ] , ∀ k ∈ `. [4.2]
S ( z −1 ) S ( z −1 )
La conception de la commande en régulation pour le système en boucle fermée

peut être réalisée par la méthode de placement de pôles présentée à la section 3.3.
Les paramètres du régulateur étant déterminés, il reste seulement à préciser la
méthode d’adaptation aux changements temporels des paramètres du système.
4.1.1. Estimation des paramètres pour les systèmes en boucle fermée
La stratégie d’adaptation est recommandée dans le cas où les paramètres du

modèle sont variables en temps (la structure se conserve) et l’estimation des
paramètres du modèle est réalisée en utilisant une technique d’identification, par
exemple, la méthode des moindres carrés récursifs MCR pour le système en boucle
fermée. Le modèle dynamique du système est représenté par l’équation ci-dessous :
aˆk ( z −1 ) y ⎡⎣ z −1 ⎤⎦ = bˆk ( z −1 ) u ⎡⎣ z −1 ⎤⎦ , [4.3]
où âk(z-1) et bˆk (z-1) sont définis par :
⎡ aˆk ( z −1 ) = 1 + a1 ( k ) z −1 + a2 ( k ) z −2 + ... + ana ( k ) z − na ; (∀)k ∈ `

⎢ [4.4]
⎢⎣bˆk ( z −1 ) = b1 ( k ) z −1 + b2 ( k ) z −2 ... + bnb ( k ) z − nb ; (∀) k ∈ `
On peut exprimer ce modèle sous la forme d’une régression :

y [ k ] = θT [ k ] ϕ [ k ] , ∀ k ∈ `.
Bien évidemment pour tout k ∈` :
⎡ T Δ
⎢θ (k ) =[b1 (k ) b2 (k )...bnb (k ) a1 (k ) a2 (k )...ana (k )] [4.5]

⎢ T Δ
⎢⎣ϕ [k ] =[u[k − 1] u[ k − 2]...u[ k − nb] − y[ k − 1] − y[ k − 2]... − y[ k − na]]
Un algorithme du type MCR peut être utilisé pour réactualiser les paramètres du
système par une procédure d’identification expérimentale en boucle fermée (comme
montré, par exemple, dans le chapitre 2).
Commande adaptative et commande robuste 131
4.1.2. Conception de la commande adaptative
Si on choisit une stratégie d’adaptation, alors il est nécessaire de minimiser

l’erreur provoquée par les variations des paramètres du modèle, appelée erreur
d’adaptation. En effet, cette erreur est définie comme suit :
Δ
e ⎡⎣ z −1 ⎤⎦ = aˆk ( z −1 ) y ⎡⎣ z −1 ⎤⎦ − bˆk ( z −1 ) u ⎡⎣ z −1 ⎤⎦ , [4.6]
et souvent, elle est filtrée :
Δ S (z )
−1
k
e f ⎡⎣ z −1 ⎤⎦ = e ⎡ z −1 ⎤ , [4.7]
P z −1 ⎣ ⎦
k ( )
Cette fois-ci, les polynômes qui définissent le régulateur RST ont aussi des
coefficients variables dans le temps :
⎡ Δ
⎢ R k ( z −1
) = r0 [ k ] + r1 [ k ] z −1 + ... + rnr [ k ] z − nr
⎢ Δ
⎢ S k ( z −1 ) = 1 + s1 [ k ] z −1 + ... + sns [ k ] z − ns
⎢ Δ
∀k ∈` [4.8]
⎢ T z −1 = t [ k ] + t [ k ] z −1 + ... + t [ k ] z − nt
k ( )
⎢ 0 1 nt
⎢ Δ
⎢⎣ Pk ( z ) = 1 + p1 [ k ] z + ... pnp [ k ] z ,
−1 −1 − np
Rappelons que la méthode de placement de pôles fournit une relation simple de

calcul pour T, qui va être aussi utilisée pour Tk :
Rk (1)
Tk ( z −1 ) = .Pk ( z −1 ) , ∀ k ∈ `. [4.9]
Pk (1)
Le polynôme Pk impose les pôles en boucle fermée et les polynômes Rk et Sk sont

calculés comme solutions de l’équation suivante :
Pk ( z −1 ) = aˆk ( z −1 ) Sk ( z −1 ) + bˆk ( z −1 ) Rk ( z −1 ) [4.10]
Dans ces conditions, la commande adaptative peut être calculée en employant

deux approches différentes :
– on garde constants les polynômes R et S et on fait varier les coefficients du
polynôme T → Tk (donc du polynôme P → Pk ) en concordance avec les variations
des paramètres θ[ k ] , ceci constitue une opération d’adaptation en poursuite ;
– on garde constants le polynôme caractéristique P (donc les pôles en boucle

fermée) et T et on fait varier les coefficients des polynômes R → Rk , S → S k , en
concordance avec les variations des paramètres θ[ k ] , ceci constitue une opération
d’adaptation en régulation.
Suite à ces deux démarches, on peut concevoir deux algorithmes adaptatifs

correspondants. Dans ce qui suit, nous allons décrire les étapes principales de ces
algorithmes (après initialisation), tout en indiquant les différences entre les deux
démarches.
1) Lire les valeurs actuelles de la commande u[k], de la sortie y[k] et la valeur

suivante de la consigne r[k +1].
2) Calculer la trajectoire désirée y*[k + 1] basée sur le modèle :
bˆm ( z −1 )
Gm ( z −1 ) = [4.11]
aˆm ( z −1 )
3) Evaluer l’erreur d’adaptation filtrée selon une relation dépendant de la

démarche utilisée :
3.1) R, S constants et T, P variables :
S ( z −1 )
e f [ z −1 ] = (aˆk ( z −1 ) y[ z −1 ] − bˆk ( z −1 )u[ z −1 ]) [4.12]
Pk ( z −1 )
3.2) P constant et R, S, T variables :

S k ( z −1 )
e f [ z −1 ] = (aˆk ( z −1 ) y[ z −1 ] − bˆk ( z −1 )u[ z −1 ]) [4.13]
P ( z −1 )
4) Estimer récursivement les paramètres θ[k + 1] et obtenir ainsi les nouveaux

polynômes âk+1, bk+1.
5) Déterminer les polynômes Rk+1, Sk+1, Tk+1 et Pk+1, selon la démarche utilisée :
⎡ −1 −1
def
−1
⎢ Rk +1 ( z ) = Rk ( z ) = R ( z )
⎢ −1 −1
def
−1
⎢ S k +1 ( z ) = S k ( z ) = S ( z ) [4.14]
⎢ −1 −1 −1 ˆ −1 −1
⎢ Pk +1 ( z ) = aˆk +1 ( z ) S ( z ) + bk +1 ( z ) R( z )
⎢T ( z −1 ) = P ( z −1 ) ;
⎣ k +1 k +1
5.2) P, T constants et R, S variables :

⎡ −1 −1
def
⎢ Pk +1 ( z ) = P k ( z ) = P ( z −1 )
⎢ P ( z −1 ) = aˆ ( z −1 ) S ( z −1 ) + bˆ ( z −1 ) R ( z −1 ) ⇒ R , S [4.15]
⎢ k +1 k +1 k +1 k +1 k +1 k +1
⎢T ( z −1 ) = P ( z −1 ) .
⎢⎣
6) Calculer la commande adaptative pour l’instant suivant (k + 1) :

1
u[ z −1 ] = (Tk +1 ( z −1 ) y * [ z −1 ] − R ( z −1 ) y[ z −1 ]) [4.16]
S ( z −1 )
6.2) P, T constants et R, S variables :

1
u[ z −1 ] = (T ( z −1 ) y*[ z −1 ] − Rk +1 ( z −1 ) y[ z −1 ]) [4.17]
Sk +1 ( z −1 )
4.2. Systèmes robustes à commande polynomiale
La robustesse des systèmes assure la tolérance aux perturbations structurelles et

paramétriques des modèles [DAU 04, LAN 97, POP 06]. Dans les applications
industrielles de contrôle, la robustesse des systèmes est mesurée facilement par la
marge de module définie comme la distance minimale entre le point critique (c’est-
à-dire le point (-1,0) du plan complexe) et le lieu de Nyquist du système en boucle
ouverte, ou par la valeur maximale de la fonction de sensibilité perturbation-sortie
évaluée sur la caractéristique fréquentielle de cette fonction.
4.2.1. Robustesse des systèmes en boucle fermée
Pour le système nominal, on peut tracer le lieu de Nyquist dans le plan

complexe et évaluer l’écart minimal de ce lieu par rapport au point critique de
Nyquist ; plus l’écart est grand, plus le système est robuste. Soit |ΔM(jω)| la distance
minimale du lieu de Nyquist du système en boucle ouverte par rapport au point
critique de Nyquist (voir la figure 4.1). On peut évidemment écrire que :
Δ
| ΔM ( jω ) | = min |1 + G(e jω ) | [4.18]
ω∈\
et |ΔM(jω)| = min|1+GBO(jω)| est le rayon du cercle (de robustesse) tangent au lieu

de Nyquist du système en boucle ouverte.
Figure 4.1. Marge de robustesse sur le lieu de Nyquist d’un système en BO
Nous considérons la même structure de régulation de type canonique RST pour

l’étude de la robustesse. La structure polynomiale du système en boucle fermée, en
présence des perturbations aléatoires v[k] et du bruit de mesure w[k], est alors
représentée par le schéma de la figure 4.2.
Figure 4.2. Schéma de commande robuste sous la forme canonique RST
Par conséquent, la sortie du système est obtenue comme suit :
bˆ( z −1 )
y[ z −1 ] = v[ z −1 ] + ⋅ [T ( z −1 )r[ z −1 ] − R( z −1 )( y[ z −1 ] + w[ z −1 ])], [4.19]
aˆ( z −1 ) S ( z −1 )
La sortie y vérifie en fait l’équation polynomiale suivante :
( aˆ( z −1
)
) S ( z −1 ) + bˆ( z −1 ) R( z −1 ) y[ z −1 ] =
[4.20]
= bˆ( z −1 )T ( z −1 )r[ z −1 ] + aˆ ( z −1 ) S ( z −1 )v[ z −1 ] − bˆ( z −1 ) R( z −1 ) w[ z −1 ],
Dans les études de la robustesse des systèmes, l’influence des perturbations v sur
la sortie y joue un rôle important. Dans ce contexte, l’analyse de la robustesse est
étudiée sur la fonction de transfert :
aˆ( z −1 ) S ( z −1 )
Gvy ( q −1 ) = [4.21]
aˆ( z −1 ) S ( z −1 ) + bˆ( z −1 ) R ( z −1 )
qui représente la fonction de sensibilité de la sortie par rapport à la perturbation

aléatoire du système. Dans le domaine fréquentiel, la relation [4.21] devient :
def aˆ(e jω ) S (e jω )
Svy (e jω ) = Gvy (e jω ) = , ∀ω ∈ \ [4.22]
aˆ(e jω ) S (e jω ) + bˆ(e jω ) R(e jω )
Entre les deux indicateurs de la robustesse ΔM ( jω) et Svy ( jω) , il y a une

relation évidente. On peut d’ailleurs constater que :
Svy ( e jω ) =1/ 1 + G (e jω ) [4.23]
et donc nous avons :
1 1
|ΔM ( jω )| = min 1 + G (e jω ) = min jω
= [4.24]
ω∈R ω∈R
Svy (e ) max Svy (e jω )
ω∈R
Autrement dit, la marge de module |ΔM(jω)| est égale à l’inverse du maximum

du module de la fonction de sensibilité Svy(ejω). Dans une représentation
fréquentielle, en dB, on écrit que :
ΔM ( jω ) dB
= − max Svy (e jw ) [4.25]
ω∈R dB
La figure 4.3 montre la caractéristique de Svy(ejω) et la méthode d’évaluation pour

|ΔM(jω)|. L’intérêt de la conception d’une commande robuste est évidemment la
diminution de la valeur maximale de |Svy(ejω)| pour atténuer l’effet des perturbations
aléatoires et donc, l’augmentation de la marge de module de robustesse. La marge
de module indique à la fois les limites inférieures des performances pour le rejet des
perturbations et la tolérance du système vis-à-vis de la non-linéarité du système.
Figure 4.3. Calcul de l’écart ΔM(jω) en employant

jω
la fonction de sensibilité Svy(e )
Avant de passer à la conception de la commande robuste, il faut étudier les

liaisons entre les propriétés fondamentales les plus importantes du système et sa
robustesse.
4.2.2. Etude de la connexion stabilité-robustesse
La commande nominale assure la stabilité et les performances désirées du

système nominal (C,M) vérifiées habituellement en simulation. Il faut trouver des
conditions supplémentaires qui vont confirmer que le système réel (C,P) piloté par
une commande robuste reste stable et qui vont donc garantir la stabilité du système
utilisant le contrôleur C, robuste en boucle fermée.
Figure 4.4. Structure générale du système (Δ,M)
On considère la représentation générique d’un système en boucle fermée (Δ,M),

pour lequel nous rappelons les conditions de stabilité imposées par le théorème
connu comme théorème des petits gains (small gain theorem).
Alors, pour G(jω) stable, la structure en boucle fermée est stable, pour Δ(jω)
stable, avec Δ ( jω ) ∞ ≤ γ , à condition que M ( jω ) ∞ ≤ γ −1 , ou bien :
M ( jω ) ∞
⋅ Δ ( jω ) ∞
≤1 ω≥0 [4.26]
Dans le cas mono-variable, nous avons pour la norme || M ||∞ :
M ( jω ) ∞
= sup G ( jω ) [4.27]
ω
Considérons le système réel en boucle fermée avec des perturbations

structurelles multiplicatives :
P = (1 + Δ ) ⋅ M [4.28]
La perturbation structurelle est déduite facilement en respectant la condition

Δ ( jω ) ∞ ≤ γ du théorème de stabilité considéré. Dans le cas multiplicatif, nous
avons :
P−M
Δ= [4.29]
M
Figure 4.5. Structure équivalente du système réel (C,P)
Par quelques transformations algébriques de la structure présentée dans la figure

4.5, on obtient la structure équivalente du système réel en boucle fermée.
Figure 4.6. Structure en boucle fermée du système réel (C,P)
Nous appliquons le théorème « des petits gains » à la structure du système [4.6].

Le contrôleur C stabilise le système nominal (C,M), et la perturbation structurelle
Δ(jω) est limitée :
P−M
Δ= ≤ lm ( jω ) [4.30]
M
Si les conditions du théorème des petits gains sont respectées alors, le contrôleur
C va stabiliser le système réel (C, P) sous la condition suivante :
P −M CM [4.31]
⋅ <1
M 1+CM
Le contrôleur C qui respecte l’inégalité supplémentaire [4.31] assure la qualité

stabilisante de la commande pour le système réel (C,P).
4.2.3. Etude de la connexion non-linéarité-robustesse
On considère un système non linéaire ayant des caractéristiques entrée-sortie non

linéaires, la non-linéarité étant située à l’intérieur d’un secteur conique défini par les
valeurs réelles et positives, a1, a2, où a1 > a2 > 0.
Figure 4.7. Structure du système non linéaire
Afin d’assurer la stabilité du système en boucle fermée en présence des éléments

non linéaires, on applique le critère de stabilité (Popov-Zames) pour les systèmes
non linéaires, le critère du cercle. Le lieu de Nyquist de G (ejω) laisse alors à gauche
le cercle (Popov) centré sur l’axe réel, passant par les points de coordonnées
⎛ 1 ⎞ et ⎛ 1 ⎞ comme sur la figure 4.8 :
⎜⎜ − ,0 ⎟⎟ ⎜⎜ − ,0 ⎟⎟
⎝ a1 ⎠ ⎝ a2 ⎠
Figure 4.8. Limites de tolérance d’une non-linéarité
D’autre part, la marge de module |ΔM(jω)| définit le cercle de robustesse de

rayon |ΔM(jω)| centré dans le point (1,0), qui reste aussi à gauche du lieu de Nyquist
de la fonction de transfert en boucle ouverte et tangent à ce lieu. Par une
superposition entre les deux cercles on peut remarquer que le système en boucle
fermée tolère des non-linéarités situées à l’intérieur d’un secteur conique défini par
les coordonnées ⎛⎜ 1 ,0 ⎞⎟ et ⎛⎜ 1 ,0 ⎞⎟ . Ceci impose des restrictions au
⎝ 1 − ΔM ⎠ ⎝ 1 + ΔM ⎠
niveau de l’ouverture du secteur conique, qui s’expriment par des contraintes sur les
valeurs de a1 et a2 :
1 1
≥ a1 ≥ a2 ≥ [4.32]
1 − ΔM 1 + ΔM
En conclusion, le système avec une robustesse mesurée par la marge du module

|ΔM(jω)| va tolérer une non-linéarité située dans un secteur conique délimité par les
valeurs 1/( 1 − ΔM ),1/( 1 + ΔM )).
4.2.4. Etude de la connexion performance-robustesse
Pour étudier les performances du système réel et du système de calcul (nominal),

il est nécessaire de considérer les fonctions de transfert en boucle fermée pour les
deux systèmes correspondant à (C,P) et (C,M).
La condition de proximité en performance entre les deux systèmes dynamiques

est la suivante :
CP CM
− = petit [4.33]
1 + CP 1 + C M
Mais par une transformation facile, la condition [4.33] peut se factoriser et

s’écrire :
CP CM P−M CM 1
− = ⋅ ⋅ = petit [4.34]
1 + CP 1+ C M M 1 + CM 1 + C P
L’inégalité suivante :
P − M C M [4.35]
⋅ <1
M 1+ C M
garantit la robustesse du système en stabilité et donc, la conclusion finale qui assure

la robustesse en performance est la suivante :
1 [4.36]
= petit
1+ C P
Ce dernier résultat confirme que la fonction de sensibilité perturbation-sortie (par

sa valeur maximale) est un indicateur de la robustesse du système ; grâce à ce
résultat qui vise le gabarit de la fonction de sensibilité, on propose ensuite le travail
sur la caractéristique fréquentielle de cette fonction pour la conception de la
commande robuste.
4.2.5. Analyse de la robustesse par l’étude sur la fonction de sensibilité
La fonction de sensibilité Svy(ejω) constitue le concept central dans l’étude de la

stabilité et de la robustesse des systèmes en boucle fermée. Rappelons que cet
indicateur a été défini à l’aide de la fonction de transfert des perturbations aléatoires
v à la sortie du système y (voir [4.22]) :
def aˆ ( e jω ) S ( e jω )
S vy ( e jω ) = H vy ( e jω ) = , ∀ω ∈ \. [4.37]
aˆ ( e jω ) S ( e jω ) + bˆ ( e jω ) R ( e jω )
II est alors utile de préciser les caractéristiques les plus importantes de la

fonction de sensibilité [4.37].
1) Le module |Svy(ejω)| est une mesure de l’amplification/atténuation de la

perturbation à la sortie du système. On peut constater ainsi que :
- dans la zone des fréquences où |Svy(ejω)| = 1 (0 dB), les perturbations
aléatoires se transfèrent directement à la sortie ; dans ce cas le système fonctionne
comme en boucle ouverte ;
- dans la zone des fréquences où |Svy(ejω)| < 1 (0 dB), les perturbations
aléatoires sont atténuées, ce qui correspond au cas souhaité ;
- dans la zone des fréquences où |Svy(ejω)| > 1 (0 dB), les perturbations
aléatoires sont amplifiées, ce qui correspond au cas à éviter.
Figure 4.9. Bande passante intrinsèque et bande passante fermée
2) Le système en boucle fermée étant asymptotiquement stable, l’intégrale du

logarithme du module de Svy de 0 à 0.5 fe (où fe est la fréquence d’échantillonnage)
est égale à 0 pour un système stable en boucle ouverte :
0.5 fe
∫ (
log Svy e 2 πjfe ) df = 0. [4.38]
0
Autrement dit, la somme des surfaces entre la courbe du module et l’axe des
fréquences est nulle. Ceci implique que l’atténuation des perturbations aléatoires
dans une certaine zone entraînera leur amplification dans d’autres zones de
fréquence. Ce phénomène est une conséquence du principe de la conservation de
l’énergie (l’atténuation dans une certaine zone de fréquence va se payer par une
amplification dans une autre zone de fréquence).
3) L’inverse du maximum du module de la fonction de sensibilité correspond à la

marge de module |ΔM(jω)| (propriété déjà démontrée). La marge de module contrôle
la stabilité et la robustesse du système, même dans le cas des systèmes ayant certaines
non-linéarités.
4) L’annulation de l’effet des perturbations aléatoires sur la sortie est obtenue (pour
le système a commande polynomiale RST), dans la zone des fréquences où :
aˆ ( e jω ) S ( e jω ) = 0. [4.39]
En général, cette restriction concerne plutôt le polynôme S que le polynôme A.

Par exemple, si S contient un élément intégrateur :
S ( e jω ) = (1 − e − jω ) S ' ( e jω ) , ∀ω ∈ \, [4.40]
alors on obtient un rejet parfait des perturbations stationnaires (pour ω =0).
5) Le module de la fonction de sensibilité est égal à 1 (pour le système à com-

mande polynomiale RST) dans la zone des fréquences où :
bˆ ( e jω ) R ( e jω ) = 0 [4.41]
Comme auparavant, cette restriction s’applique au polynôme R. Par exemple, il

peut être factorisé comme suit :
R ( e jω ) = (1 + e− jω ) R ' ( e jω ) , ∀ω∈ \ [4.42]
ce qui assure une fonction de sensibilité unitaire pour ω = π , c’est-à-dire pour

f = 0.5fe.
6) L’introduction de pôles auxiliaires Pa(ejω) asymptotiquement stables

entraînera, en général, une atténuation du module de la fonction de sensibilité dans
les zones d’atténuation de l/Pa(ejω).
4.2.6. Conception de la commande RST robuste
Les contraintes de stabilité et de performance robustes conduisent à l’introduction

d’un gabarit souhaitable pour la fonction de sensibilité. En ce qui concerne les
performances, l’intérêt est d’assurer un rejet des perturbations dans la zone des basses
fréquences et une amplification réduite des perturbations dans la zone des hautes
fréquences (la conséquence étant une valeur maximale petite pour le module de Svy(ejω)
en haute fréquence). Donc, les performances désirées exigent une certaine forme du
module de la fonction de sensibilité. Par exemple, à la figure 4.10, il est illustré le
tube de gabarit (de tolérance) dans lequel on doit retrouver le module de la fonction
de sensibilité. Ce tube est déterminé à l’aide d’une suite de spécifications imposées a
priori et la conception de la commande robuste est basée ensuite sur le concept du
calibrage de la fonction de sensibilité du système [DAU 04, LAN 97, POP 06].
Figure 4.10. Tube de gabarit spécifié a priori pour la sensibilité Svy
Les spécifications du contrôleur imposent certains zéros et/ou pôles dans la

structure de la commande pour diminuer la sensibilité par rapport aux perturbations
dans une bande de fréquence donnée. Le cas le plus fréquent est d’imposer le facteur
(l – z-1) dans la structure du polynôme S ou le facteur (l + z-1) dans le polynôme R.
En général, ces spécifications sont notées par les polynômes auxiliaires :
– GR(z-1) : le polynôme spécifié a priori pour R(z-1) :
R ( z −1 ) = GR ( z −1 ) R ′( z −1 ) [4.43]
– GS(z-1) : le polynôme spécifié a priori pour S(z-1) :
S ( z −1 ) = GS ( z −1 ) S ′( z −1 ) [4.44]
Le calcul du contrôleur se développe alors avec le même cheminement que dans

le cas général après avoir remplacé le polynôme â(z-1) par â’(z-1) = â(z-1)GS(z-1) et le
polynôme b(z-1) par b’(z-1) = b(z-1)GR(z-1).
4.2.7. Calibrage de la fonction de sensibilité
Afin de diminuer le gabarit spécifié a priori autour du module de la fonction de

sensibilité nominale, il est nécessaire de préciser les pôles dominants et auxiliaires
de la boucle fermée et de pré-spécifier des filtres GR(z-1) et GS(z-1).
L’opération du calibrage de la fonction de sensibilité peut être formulée ainsi :

étant donnée une bande d’atténuation, il faut choisir les pôles de la boucle fermée et
calculer les polynômes R(z-1), S(z-1) de la commande pour assurer une marge de
module ΔM ( jω ) , tout en respectant le gabarit imposé sur la fonction de sensibilité
perturbation-sortie.
L’idée principale est donc d’améliorer la commande pour la diminution de la

valeur maximale du module de la sensibilité (d’augmenter la marge de module de
robustesse), par une méthode de calibrage de la fonction de sensibilité.
La méthode de calibrage est une procédure récurrente qui se déroule

généralement comme suit :
– choisir les pôles dominants de P, GR et GS imposés par les spécifications de
performance ;
– déterminer le régulateur (R’ et S’) ;
– tester la fonction de sensibilité.
Si elle reste à l’intérieur du gabarit, alors le régulateur robuste est correctement

déterminé. Dans le cas contraire, il y a deux possibilités :
– si max | Svy (e jω ) | se trouve dans la zone de fréquence adjacente à la zone
ω∈IR
d’atténuation : on introduit une paire de zéros supplémentaires dans GS(z-1) pour

diminuer les valeurs de |Svy(ejω)| dans la zone adjacente et des pôles auxiliaires en
haute fréquence, Pa(z-1) ;
– si max | Svy (e jω ) | se trouve dans la zone des hautes fréquences : on introduit
ω∈IR
des pôles auxiliaires en haute fréquence et, puis, si nécessaire, on introduit aussi une
paire de zéros (comme auparavant).
On reprend la procédure de calcul du régulateur et on continue jusqu’à ce que le

gabarit soit respecté.
La commande robuste a l’expression suivante :
T ( z −1 ) GR ( z −1 ) R′( z −1 )
u ⎡⎣ z −1 ⎤⎦ = y ∗ ⎡⎣ z −1 ⎤⎦ − y ⎡ z −1 ⎤ . [4.45]
GS ( z −1 ) S ′( z −1 ) GS ( z −1 ) S ′( z −1 ) ⎣ ⎦
Chapitre 5
Commande multimodèle
Ces dernières années, de nombreux travaux sur les problèmes d’analyse et de

synthèse ont été consacrés à l’approche multimodèle. Ce choix a été motivé par le
désir d’asseoir les problèmes de synthèse de lois de commande et d’estimation d’état
des processus non linéaires sur des bases numériques. De telles possibilités sont
devenues envisageables grâce à l’approche multimodèle et au développement
d’outils numériques de résolution efficaces basés principalement sur les programmes
d’optimisation convexe.
L’automatique repose sur la notion de modèles représentant le comportement

dynamique d’un système. Par exemple, un système se modélise par une relation
mathématique de comportement entrées-sorties ou par une équation caractérisant
l’évolution de son état. Le dilemme réside alors entre la fidélité du modèle avec le
processus et l’adéquation de ce modèle avec une forme mathématiquement et aisément
exploitable. Devant la difficulté de la tâche, l’ingénieur est souvent amené, à partir de
considérations physiques, à considérer certaines classes de systèmes suivant des
restrictions structurelles (linéarité, convexité, etc.) produisant des approximations du
modèle. Ainsi, la représentation linéaire a été largement utilisée. Le modèle non
linéaire est alors représenté par un modèle linéaire obtenu en première approximation
au voisinage d’un point de fonctionnement donné. L’inconvénient d’une telle approche
est son aspect uniquement local.
Pour pallier cette difficulté, une approche globale basée sur de multiples modèles
définis autour de divers points de fonctionnement a été proposée. Cette approche,
dite multimodèle, est une représentation pouvant être obtenue soit à partir d’un
modèle initial non linéaire, soit directement à partir de données entrées-sorties.
Les modèles de commande sont évalués plusieurs fois par linéarisation autour
d’un point de fonctionnement. D’autre part, le processus possède une caractéristique
non linéaire et ce modèle est difficilement exploitable. Par conséquent, il convient

d’adopter des représentations valables chacune dans un domaine limité d’évolution.
Pour obtenir les mêmes performances en différents points de fonctionnement de la
caractéristique non linéaire, la solution proposée dans ce chapitre est d’utiliser la
conception de la commande multimodèle basée sur une approche linguistique.
5.1. Construction de multimodèles
La conception de la commande d’un processus s’effectue à partir d’un modèle

généralement obtenu par observation de son comportement [CHA 12].
Le plus souvent il s’agit d’une relation mathématique reliant entrées et sorties de

ce processus.
Lorsque, de par sa complexité ou sa validité limitée à un domaine d’évolution donné

ce modèle est difficilement exploitable, il convient d’adopter des représentations valables
chacune dans un domaine limité d’évolution.
Une approche très performante et de mise en œuvre aisée consiste à utiliser une
représentation linguistique utilisant la logique floue [ZAD 65] et l’approche de
Mamdani [MAM 75].
La représentation de Takagi-Sugeno [TAK 85], basée également sur la logique

floue, met en œuvre un ensemble de modèles du processus le plus souvent définis
autour de divers points de fonctionnement.
La représentation à partir d’un ensemble de modèles linéarisés est la plus

fréquemment utilisée. Ces modèles peuvent être obtenus soit à partir d’un modèle
non linéaire initial, soit directement à partir d’observations entrées-sorties comme,
par exemple, dans l’approche neuronale.
5.1.1. Logique floue, modèles de Mamdani
Les informations disponibles sur le processus sont un certain nombre de grandeurs

correspondant soit à des mesures déterminées sur le système, soit à des consignes
définissant le comportement souhaité du processus et déterminées par l’expérience.
A chacune de ces grandeurs on attribue diverses classes d’appartenance possibles

comme, par exemple « petite, moyenne ou grande ». En général, le nombre de classes est
limité à cinq et le domaine d’évolution possible de chaque variable, nommé univers de
Commande multimodèle 149
discours, doit être totalement recouvert par l’ensemble des classes et un coefficient
μc (v) ∈ [ 0 1] d’appartenance de la variable v à la classe C est attribué. μc (v) = 1
signifie que la variable v appartient totalement à la classe C et μc (v) = 0 que la variable
v n’appartient pas du tout à la classe C.
La mise en œuvre de l’approche floue impose en général qu’il y ait en plus du

recouvrement total de l’univers de discours par l’ensemble des classes, c'est-à-dire
par l’ensemble des valeurs admissibles par la variable v, un recouvrement partiel de
deux classes correspondant à des valeurs voisines de la variable v (figure 5.1).
μ (v )
μ c (v )
1
μ c (v ) μ c (v ) μ c (v ) μc (v )
2
3 4 5
v
v0
Univers de discours
Figure 5.1. Répartition en classes
Par exemple, pour la valeur v0 indiquée sur la figure 5.1, la variable v appartient
partiellement à chacune des classes C2 et C3 .
Cette répartition en classes des valeurs admissibles par la variable v s’appelle la

fuzzification.
De la même façon, l’ensemble des valeurs possibles des variables de décision,

c'est-à-dire permettant l’évolution du processus, est réparti en classes.
La définition du modèle résulte de l’expertise de l’utilisateur qui à chaque classe

de situation, définie par l’ensemble des valeurs des données disponibles, associe une
classe de décision à partir d’un ensemble de règles appelé « moteur d’inférence ».
A chaque ensemble de données définissant plusieurs classes de situation est

associée une ou plusieurs classes de décision. La valeur exacte de chaque variable de
décision est alors obtenue par un processus dit de défuzzification (figure 5.2).
Supposons que les données du problème correspondent à la variable

T T
… x 0 ⎤ et les décisions à prendre à la variable Y0 = ⎡ y 0 , y 0 … y 0 ⎤ .
X 0 = ⎡⎣ x 01 , x 02 n ⎦ ⎣ 1 2 m ⎦
Si x 0i appartient partiellement à la classe Xik avec le coefficient d’appartenance
i
μ ki (x 0 ) on dit usuellement x 0i est X ik . A partir de la base de règles (fournie par un

i 2
expert) et des sous-ensembles flous correspondant à la fuzzification du vecteur des

données X0 , le mécanisme d’inférence détermine les sous-ensembles flous auxquels
appartient la variable de décision Y0 .
Figure 5.2. Structure d’une commande floue
Une règle de la base s’exprime sous la forme :
si x 01 est X1k1 , x 02 est X2k2 ,… x 0kn est Xnkn alors y 0 j est Yl pj
Les règles de la base sont appliquées de façon à définir les ensembles flous
auxquels appartiennent chacune des variables de décision y 0 j .
Avec μ ki l (x 0i ) le coefficient d’appartenance de x 01 à la classe Xik1 il vient pour le

coefficient d’appartenance de y 0 j à la classe Yl pj :
μl j (y 0 ) = μ k1 (x 0 ) ∧ μ k2 (x 0 ),… , ∧ μ kn (x 0 )
p j 1 1 2 2 n n
[5.1]
Et pour l’application de l’ensemble des rj règles de la base de règles utilisée, il

vient pour la je variable de décision :
 rj ( y0 )  l j ( y0 )  l j ( y0 ), ,  l j ( y0 )
j 1 j 2 j rj j
[5.2]
Dans cette écriture,  représente l’opérateur logique ET et  représente

l’opérateur logique OU.
Les opérateurs logiques les plus utilisés dans le cadre de la représentation

multimodèle sont le « min » pour le ET et le « max » pour le OU.
L’opérateur de défuzzification le plus utilisé est l’opérateur barycentrique, soit

pour la variable z de coefficient d’appartenance  (z ) :
 z (z)dz [5.3]
DF (z)  z 
Dz
  (z)dz
Dz
Dans cette écriture, Dz représente le domaine d’évolution de la variable z.
(Un exemple d’application à la réalisation d’une commande PI floue est

disponible dans [BOR 98].)
Soit un processus de sortie y et de commande u pour lequel seuls sont connus les
domaines d’évolution des diverses variables mesurées et de la commande à réaliser.
Le gain entrée-sortie instantané du processus est positif : y croît si u croît et y

décroît si u décroît.
Notons y c la grandeur de consigne :

d dy
  y c  y ,    (si y c = constante) [5.4]
dt dt
Trois classes sont définies pour  et  cinq classes pour u , variation de u.
Compte tenu des propriétés du processus, la table de règles peut être construite
par simple prise en compte des données instantanées.
Figure 5.3. Classes de données
Figure 5.4. Etablissement des règles
Figure 5.5. Table de règles définissant Δu
Figure 5.6. Défuzzification
La valeur Δ u0 de variation de la commande est l’abscisse du centre de gravité

de la zone hachurée de la figure obtenue en faisant le OU (le max) des diverses
situations.
5.1.2. Identification à partir de données entrées-sorties : méthode directe
Les modèles linéaires sont identifiés à partir des données entrées-sorties aux
voisinages de divers points de fonctionnement.
Les méthodes les plus utilisées d’identification de modèles linéaires à paramètres

inconnus sont basées sur la minimisation d’une fonctionnelle de l’écart entre la
sortie estimée y m (t ) du modèle et la sortie mesurée y(t ) du processus :
1 h 2 1 h
J (θ) = ∑
2 k =1
ε (k , θ) = ∑ ( ym (k ) − y (k ))2
2 k =1
[5.5]
Dans cette expression, h est l’horizon d’observation et θ le vecteur des

paramètres du modèle.
L’algorithme de mise à jour des paramètres est de la forme :
θ( k + 1) = θ( k ) − ηD ( k ) [5.6]
où k est l’indice d’itération, θ(k ) la valeur du vecteur des paramètres à la Ke itération et

η un facteur d’ajustement permettant de régler la vitesse de convergence. D(k ) est la
direction de recherche dépendant de la méthode d’optimisation utilisée pour minimiser
J(θ).
Les méthodes d’optimisation les plus fréquemment utilisées sont :

– l’algorithme du gradient :
∂j h
∂ε( k , θ)
D (k ) = G (k ) = =∑ ε ( k , θ) [5.7]
∂θ θ=θ ( k ) k =1 ∂θ θ=θ ( k )
– l’algorithme de Newton :
D(k ) = H −1 (k )G (θk ))
où H(k) est la matrice hessienne du critère :

h
∂ε( k , θ) ∂ε( k , θ) h ∂ 2 ε( k , θ)
H (k ) = ∑ +∑ [5.8]
k =1 ∂θ ∂θT k =1 ∂θ2 θ=θ ( k )
– l’algorithme de Gauss-Newton, qui est une forme simplifiée de l’algorithme de

Newton :
h
∂ε(k , θ) ∂ε(k , θ)
H a (k ) = ∑ [5.9]
k =1 ∂θ ∂θT θ=θ( k )
5.1.3. Identification à partir de données entrées-sorties : approche

neuronale
Cette méthode permet d’optimiser a priori le nombre de modèles à utiliser dans

la méthode multimodèle et de déterminer l’ensemble des données à prendre en
compte pour la détermination de chaque modèle.
L’ensemble des données, collectées est regroupé en classes par un réseau de

neurones artificiels à apprentissage compétitif avec pénalisation du rival [BOR 07,
ELF 08, XU 93]. Le réseau de neurones utilisé comporte une seule couche cachée.
Notons :
d(t ) = [d1 (t ), d 2 (t ), … d v (t )]
T
[5.10]
le vecteur regroupant l’ensemble des données disponibles à l’instant t :
z (1) (t ) = w j (t ) − d(t ) [5.11]
T
avec w j (t ) = ⎡⎣ w j1 (t ), w j2 (t ), … w jv (t ) ⎤⎦ le vecteur des poids reliant les
e
entrées au j neurone. Ce vecteur correspond à la classe C j :
e
– z (2)
j (t ) sortie du j neurone de la couche de sortie ;
(2)
– z (t ) = arg min
j
w j (t ) − d(t ) .
Partant d’un nombre K arbitrairement choisi de classes, chacune représentée par

un vecteur w j , les vecteurs de données sont successivement présentés au réseau.
Notons :
– g = arg min w k (t ) − d(t )
k
– r = arg min w k (t ) − d(t )

k≠g
L’actualisation des poids à chaque présentation des données d (t ) s’effectue

comme suit :
w g (t + 1) = w g (t ) + η(t )(d(t ) − w g (t ))
w r (t + 1) = w r (t ) − γ (t )(d(t ) − w r (t )) [5.12]
les autres poids étant inchangés.
Les coefficients d’apprentissage η(t ) et γ (t ) appartiennent à l’intervalle ]0,1[ et

γ (t ) est très inférieur à η(t ) .
Après avoir, si nécessaire, présenté plusieurs fois les diverses données au réseau,
celui-ci peut déterminer le nombre de classes en présence, en effet :
– si le nombre K de neurones de sortie choisi est supérieur aux nombres de
classes en présence, les neurones gagnants évoluent vers les centres des classes et les
neurones en excédent s’éloignent de l’ensemble des observations ;
– si le nombre K de neurones de sortie s’avère inférieur au nombre de classes, il
y a oscillation des vecteurs poids entre les diverses classes ce qui nécessite d’ajouter
une ou plusieurs classes.
Le nombre optimum K de classes ayant été déterminé, l’affinement du regroupement

des diverses données par classes peut être effectué par la règle de Kohonen.
Partant des centres des classes précédemment obtenus, la classification s’effectue

par l’algorithme :
g = arg min w k (t ) − d(t )
k
[5.13]
w g (t + 1) = w g (t ) + η(t )(d(t ) − w g (t ))
en présentant successivement les diverses données au réseau, les autres poids étant
inchangés.
L’identification de chacun des K modèles de la base s’effectue alors à partir de

chacun des groupes de données précédemment déterminés.
5.1.4. Linéarisation autour de divers points de fonctionnement
Si l’on dispose d’un modèle mathématique non linéaire du processus, la

détermination de la base de modèles peut s’effectuer par linéarisation de ce modèle
autour de divers points de fonctionnement.
Soit le modèle :
x (t ) = f ( x (t ), u (t )) [5.14]
avec :
f: n
× m
→ n
de classe C1
Dans le voisinage du point (xi , ui ) par développement au premier ordre, on peut

écrire :
x(t ) = Ai x(t ) + Bi u(t ) + di [5.15]
avec :
∂f (x, u ) ∂f (x, u )
Ai = , Bi =
∂x x = xi ∂u x = xi [5.16]
u = ui u = ui
di = f (xi , ui ) − Ai xi − Bi ui [5.17]
Dans le cas de k modèles locaux, il vient la formulation multimodèle :
k
x(t ) = ∑ ηi (z (t ))( A i x(t ) + Bi u (t ) + di ) [5.18]
i =1
où les ηi (z(t )) sont les fonctions d’activation et z(t ) le vecteur des variables
mesurables du système.
5.1.5. Transformation polytopique convexe à partir d’un modèle analytique

affine en la commande
Soit le modèle non linéaire affine en la commande dont l’évolution est régie par
les équations [CHA 12] :
x(t ) = f (x(t )) + B(x(t ))u (t )
[5.19]
y = g( x(t ))
avec x ∈ , u ∈ m , y ∈ l , f ∈ n , g ∈ l , B ∈ n×m , si les diverses non-linéarités

n
intervenant dans le modèle sont continues et bornées, une transformation polytopique

convexe de chaque élément non linéaire permet la définition systématique de la base de
modèles [CHA 02b, CHA 02a, MOR 00].
En effet, soit h ( v (t )) une fonction bornée pour tout v ∈ [ a, b ] . Il existe alors

deux fonctions :
hi ( v(t )) : [ a, b ] → [ 0,1] , i = 1, 2
avec h1 ( v(t )) + h 2 ( v(t )) = 1 et deux scalaires α et β tels que :
h( v(t )) = αh1 ( v(t )) + βh 2 ( v(t )) [5.20]
Par exemple, en prenant :
α = max ( h( v (t )) ) , β = min ( h( v (t )) ) [5.21]

v∈[ a , b ] v∈[ a , b ]
on peut choisir :
h( v(t )) − β 2 α − h( v(t ))
h1 ( v(t )) = , h ( v(t )) = [5.22]
α −β α −β
Le modèle étant écrit sous la forme :
⎛ x(t ) ⎞ ⎡ A ( x(t )) B ( x(t )) ⎤ ⎡ x(t ) ⎤

⎜ ⎟=⎢
⎝ y (t ) ⎠ ⎣ C( x (t )) 0 ⎥⎦ ⎢⎣u (t ) ⎥⎦ [5.23]
en posant :
⎡ A (x(t )) B( x(t )) ⎤
E( x(t )) = ⎢
⎣ C( x(t )) 0 ⎥⎦ [5.24]
si E(x(t )) est continue et bornée, en considérant chaque terme non constant, la

matrice E(x(t )) peut être transformée sous la forme :
N
⎡A Bi ⎤
E(x(t )) = ∑ ηi (x(t ))Ei , Ei = ⎢ i
i =1 ⎣ Ci 0 ⎥⎦ [5.25]
Le nombre N de modèles de la base, issus de la transformation, dépend du

nombre s de non-linéarités contenues dans la matrice E(x(t )) : N = 2s.
On peut constater que cette approche n’introduit pas d’erreur d’approximation

[CHA 12].
5.1.6. Calcul de la validité des modèles de base
Comprise entre 0 et 1, la validité caractérise la pertinence à chaque instant de

chaque modèle [DEL 96].
Notons z le vecteur des variables mesurables du processus et z i le vecteur

correspondant du ie modèle et posons :
ri = z − z i , i = 1,…, k [5.26]
La norme choisie est la norme euclidienne :

ri
ri' = k
, v i' = 1 − ri'
[5.27]
∑r
i
i
Il vient une première expression de la validité (validité simple) :

v i'
μisimp = [5.28]
k −1
Lorsque les classes de données relatives aux divers modèles sont bien séparées,
on définit les validités renforcées [ELF 08] :
k
v i'' = μisimp ∏ (1 − μisimp )
i =1
v i''
μisimp = k
[5.29]
∑v i =1
''
i
Dans la mise en œuvre des multimodèles, on utilise parfois les termes fonction
d’appartenance ou fonction d’activation au lieu du terme validité.
5.2. Stabilisation et commande des multimodèles
La commande multimodèle est réalisée en calculant séparément la commande de

chacun des modèles de la base ou sous-modèles.
Soit le modèle M i de commande ui (.) et de coefficient d’activation ηi (.) avec :
ηi (.) ≥ 0, ∑ η (.) = 1 .
i
i
Il vient pour le multimodèle la commande :

k
u (.) = ∑ηi (.)ui (.) [5.30]
i =1
Cette approche s’avère particulièrement efficace et reste valable même si les

modèles de la base et leurs commandes sont de natures et d’ordres différents.
Par exemple, loin de l’objectif, il est possible d’envisager une commande avec un
critère d’optimalité du type temps minimum ou énergie minimale et pour le modèle
dans le voisinage de l’objectif, une commande à action proportionnelle et intégrale.
Lorsque les modèles de la base sont de même nature et de même ordre, notons θ
le vecteur des paramètres déterminant le système de commande.
Dans ces conditions, si θi est le vecteur des paramètres du correcteur associé au

modèle Mi., on peut prendre pour vecteur des paramètres du correcteur du
multimodèle :
k
θ(.) = ∑ η (.)θ
i=1
i i [5.31]
et ce quelque soit la nature du correcteur utilisé.
5.3. Conception de la commande multimodèle : approche floue
Lorsque tous les modèles sont de même ordre et définis dans l’espace d’état avec
un vecteur d’état de même nature, l’approche de Takagi-Sugeno, [TAK 85] est très
utilisée.
Dans ce cas, les principaux systèmes de commande utilisés correspondent à un

retour d’état ou à un retour de sortie, telles la commande par placement de pôle, la
commande RST (principalement dans le cas de processus échantillonnés) et la
commande avec critère quadratique.
Soit le modèle M i d’équation d’état :
x (t ) = A i ( x(t ) + Bi ui (t )
y (t ) = Ci ( x(t )) [5.32]
La commande ui est de la forme :
ui (t ) = Ki x(t )) + li y c (t ) [5.33]
où y c (t ) désigne la consigne de sortie.
La commande du multimodèle est alors de la forme :

k
u (t ) = ηi (t )ui (t ) [5.34]
i =1
soit :
 k   k 
u (t ) =   ηi (.)( A i + B i K i )  x(t ) +   ηi (.)B i li  y (t ) [5.35]
 i =1   i =1 
L’ensemble des techniques de commande des multimodèles est développé de
façon très détaillée dans [CHA 12].
5.4. Suivi de trajectoire
La commande multimodèle s’avère particulièrement bien adaptée au problème

de suivi de trajectoire pour un système non linéaire. En effet, il suffit de choisir un
ensemble de points de la trajectoire désirée et de déterminer un modèle linéarisé
pour chacun de ces points.
Figure 5.7. Trajectoire d'un système non linéaire
Par exemple, partant du point Pi , la commande ui +1 pour aller à un point Pi +1 est

déterminée à partir d’un modèle M i +1 défini en ce point ou pour éviter des problèmes
liés à la commutation par fusion des commandes ui et ui +1 calculées pour aller du
point Pi au point Pi +1 , ui étant calculée à partir du modèle M i défini au point Pi

et ui +1 étant calculée à partir du modèle M i +1 défini au point Pi +1 :
ui ,i +1 = ηi ui +i ηi +1ui +1 [5.36]
Compte tenu des non-linéarités et incertitudes sur le modèle du processus, il se peut

que le point Pi +1 ne soit pas atteint mais que l’évolution du processus l’ait fait aller dans
un voisinage de ce point, voisinage dont la précision peut être déterminée par un calcul
d’attracteur défini au chapitre 6.
Chapitre 6
Systèmes mal définis et/ou incertains
Le calcul de lois de commande d’un processus s’effectue à partir d’un modèle.
Lorsque le modèle utilisé est mal défini et/ou incertain avec incertitudes ou
perturbations bornées, il convient de vérifier si le processus évolue bien selon la loi
prescrite avec une erreur compatible avec le comportement souhaité.
Une approche particulièrement performante de ce problème consiste à étudier la

stabilité du processus commandé et à estimer l’erreur maximale de comportement du
processus par rapport à celui souhaité en utilisant la notion du système de
comparaison et de système majorant définis en utilisant les normes vectorielles
[BOR 74].
6.1. Etude de la stabilité des systèmes non linéaires à partir des

normes vectorielles
6.1.1. Normes vectorielles
Soit E = n un espace vectoriel et E1 , E2 …,Ek des sous espaces de E tels que

E = E1 ∪ E2 …∪ E k et soit x un vecteur défini sur E avec sa projection sur Ei
notée xi :
[6.1]
x i = Pri x
où Pri est l’opérateur de projection de E dans Ei .
Notons pi (x) = pi (xi ) une norme scalaire du vecteur xi et p ( x) =

[ p1 (x), p2 (x) …, pk x1 ] .
T
Si y est un vecteur de E avec y i = Pri y , nous avons les propriétés suivantes :
⎪ i i( )
⎧ p x ≥ 0, ∀x ∈ E ∀i = 1,2,…, k
i i
⎪ p x = 0 ↔ x = 0, ∀i = 1,2,…, k
⎪ i i( ) i
⎨ [6.2]
( ) ( ) ( )
⎪ pi xi + y i ≤ pi xi + pi y i , ∀xi , y i ∈ Ei ∀i = 1,2,…, k
⎪
( ) ( )
⎪ pi λ xi = λ pi xi , ∀xi ∈ Ei , ∀i = 1,2,…, k , ∀λ ∪
⎩
Dans la suite, les sous-espaces Ei sont disjoints et sont tous nécessaires pour
définir tout l’espace E . La norme vectorielle p est alors dite régulière [BOR 08,
BOR 74, BOR 87].
6.1.2. Systèmes de comparaison, systèmes majorants
Un système de comparaison d’un processus est un système dont certaines

propriétés impliquent les mêmes propriétés pour le processus initial. Dans les études
de stabilité les systèmes de comparaison les plus souvent utilisés sont les systèmes
majorants.
6.1.2.1. Cas continu

n
Soit le processus S de vecteur état x ∈ dont l’évolution est régie par l’équation :
x = A (t , x, δ) x, t ∈ τ = [t0 + ∞ ] , δ ∈ Δ = {δ, δ ≤ δ m } [6.3]
δ représente ici un vecteur regroupant les incertitudes du modèle :
A :τ × n
,Δ → n× n
[6.4]
Aij (t , x, δ) = Pri A(t , x, δ) Pri , ∀i, j = 1, 2,…, k
La matrice M : τ × nn× → k ×k est une matrice pseudo-majorante de A relative à

la norme vectorielle p si et seulement si l’inégalité suivante est vérifiée tout le long
des trajectoires du système :
d
p ( x ) ≤ M (t, x ) p ( x ) ∀ (t, x ) ∈ τ × n
[6.5]
dt
Systèmes mal définis et/ou incertains 165
Notons :
grad pi (y i )T A ij (t , x, δ) y i
mij (t , x, y , δ) = [6.6]
pi ( y i )
DÉFINITION 6.1. La matrice M (t , x) = {µij (t , x)} , µij (t ) : τ × n

→ , avec :
µii (t ) = sup mii (t , x, y , δ), ∀i = 1, 2,… , k [6.7]

y∈ n
δ∈Δ
µij (t ) = sup mij (t , x, y , δ) , ∀i ≠ j = 1, 2,… , k [6.8]

y∈ n
δ∈Δ
est une matrice pseudo-majorante de A.
DÉFINITION 6.2. La matrice M (t ) = {µij (t )} , avec :
µii (t ) = sup mii (t , y , y , δ), ∀i = 1, 2,… , k [6.9]

y∈ n
δ∈Δ
µij (t ) = sup mij (t , y , y, δ) , ∀i ≠ j = 1, 2,… , k [6.10]

y∈ n
δ∈Δ
DÉFINITION 6.3. La matrice constante M = {µij } , avec :
µii (t ) = sup mii (t , y , y , δ), ∀i = 1, 2,… , k [6.11]

y∈ n
t∈τ
δ∈Δ
µij (t ) = sup mij (t , y, y, δ) , ∀i ≠ j = 1, 2,…, k [6.12]

y∈ n
t∈τ
δ∈Δ
Il vient : M (t , x) ≤ M (t ) ≤ M.
Avec ces définitions, le système dont l’évolution est régie par l’équation :
\ z = M(.)z [6.13]
est un système de comparaison du système initial et vérifie p (x(t )) < z (t ) ∀t ∈ τ , si

cette propriété est vérifiée à l’instant initial :
p( x(t0 )) < z (t0 ) [6.14]
La stabilité du système de comparaison implique donc la stabilité du système

initial.
Si M (.) est une matrice pseudo-majorante de A, la matrice M (.) + ΔM où ΔM

est une matrice à éléments tous positifs ou nuls est également une matrice pseudo-
majorante de A.
6.1.2.2. Cas discret

Dans ce cas l’évolution du processus est régie par une équation de la forme :
x(t + 1) = A(t , x(t ), δ(t )) x(t ) [6.15]
où le vecteur δ regroupe l’ensemble des incertitudes et des perturbations agissant

sur le processus :
[6.16]
δ ∈ Δ = {δ, δ ≤ δ m }
La majoration peut s’effectuer de façon semblable au cas continu.
DÉFINITION 6.1’. La matrice M (t , x(t )) = {µij (t , x(t ))} , avec :
µij (t ) = sup mij (t , x(t ), y, δ) , ∀i = 1, 2,… , k [6.17]

y∈ n
δ∈Δ
est une majorante de matrice A.
DÉFINITION 6.2’. La matrice M (t ) = {µij (t )} , avec :
µij (t ) = sup mij (t , y , y, δ) , ∀i ≠ j = 1, 2,… , k [6.18]

y∈ n
δ∈Δ
DÉFINITION 6.3’. La matrice constante M = {µij } , avec :
µij (t ) = sup mij (t , y, y, δ) , ∀i, j = 1, 2,…, k [6.19]

y∈ n
t∈τ
δ∈Δ
Il vient : M (t , x) ≤ M (t ) ≤ M.
Comme dans le cas continu, si M (.) est une matrice majorante de A, la matrice
M (.) = M (.) + ΔM où ΔM est une matrice à éléments tous positifs ou nuls, et est
'
également une majorante de A.
Avec ces définitions, le système dont l’évolution est régie par l’équation
z (t + 1) = M (.)z (t ) est un système de comparaison du processus initial, et la
majoration p(x(t )) < z (t ) ∀t ∈τ est vérifiée si cette propriété est vérifiée à l’instant
initial p( x(t0 )) < z (t0 ) .
La stabilité du système de comparaison implique donc celle du système initial.
REMARQUE 6.1.– Dans le cas d’une représentation de l’évolution du processus par

une équation de la forme :
x(t ) = A(t , x(t ), δ)x(t ) + B(t , x(t ), δ) [6.20]
ou :
x(t + 1) = A(t , x(t ), δ(t ))x(t ) + B(t , x(t ), δ(t )) [6.21]
la majoration s’effectue de façon semblable à celles présentées ci-dessus, il vient :
d
p ( x ) ≤ M ( .) p ( x ) + N ( .) [6.22]
dt
ou :
p ( x ( t + 1) ) ≤ M (.) p ( x ( t ) ) + N (.) [6.23]
Dans les deux cas, N (.) prend la même expression :
N (.) = { ν i (.)} [6.24]
avec :
ν i (t , x) = sup pi ( B(t , x, δ) ) [6.25]

δ∈Δ
ν i (t ) = sup pi ( B(t , x, δ) ) [6.26]

x∈ n
δ∈Δ
ν i = sup pi ( B(t , x, δ) ) [6.27]

x∈ n
t∈τ
δ∈Δ
REMARQUE 6.2.– Pour x ∈ n , les conditions de stabilité obtenues à partir du

système de comparaison relatif à la norme vectorielle p sont les moins conservatives
si la norme vectorielle p ( x ) est elle-même de dimension n.
Dans ce cas la norme vectorielle, la plus simple peut s’écrire :
p ( x ) = Px
P étant une matrice carrée n × n inversible avec si v = [ v1 , v 2 ,… , v n ] :

T
T
v = ⎡⎣ v1 , v 2 ,…, v n ⎤⎦
Pour P = I il vient :
T
p(x) = x = ⎡⎣ x1 , x2 …, xn ⎤⎦ [6.28]
Pour P différent de la matrice identité la méthode revient à prendre p ( x ) = x '

avec le changement de base correspondant à x ' = P x .
Lorsque p ( x ) = x , la recherche du système de comparaison est simplifiée pour

{ } {
A (.) = aij (.) et B (.) = bij (.) . }
Il vient :
a) en continu :
mii (.) = aii (.), ∀i = 1,… , n
mij (.) = aij (.) , ∀i ≠ j = 1,… , n
[6.29]
ni (.) = bi (.) , ∀i = 1,… , n
b) en discret :
mij (.) = aij (.) , ∀i ≠ j = 1,… , n

[6.30]
ni (.) = bi (.) , ∀i = 1,… , n
Les expressions des μij (.) et ν i (.) s’en déduisent directement.
6.1.3. Détermination des attracteurs
Pour un système homogène stable :
x = A(t , x, δ)x
[6.31]
x(t + 1) = A(t , x(t ), δ)x(t )
l’attracteur se réduit à l’origine.
Pour un système non homogène localement instable, l’attracteur est un domaine

entourant l’origine.
Lorsque le système de comparaison du processus est constant, la détermination

de l’attracteur peut s’effectuer simplement.

z = Mz + N [6.32]
Si la matrice M dont les éléments diagonaux sont négatifs et les éléments hors
diagonaux positifs ou nuls est l’opposée d’une M-matrice, c'est-à-dire a toutes ses
valeurs propres stables au sens du continu (à parties réelles strictement négatives), il
vient :
z ∞ = lim z (t ) = −M −1N [6.33]
t →∞
et dans ces conditions comme p(x(t )) ≤ z (t ) :
lim p ( x(t )) ≤ z ∞ = −M −1 N [6.34]

t →∞
L’attracteur correspond donc à un domaine D = {x ∈ n

}
; p ( x ) ≤ − M −1 N .
La condition pour que M soit l’opposée d’une M-matrice s’exprime simplement

à partir des conditions de Kotelyanski M = {mij } :
m1,1 m1,2 … m1, k

m1,1 m1,2 m2,1 m2,2 … m2, k
m1,1 ≺ 0, 0,… , (−1) k 0 [6.35]
m2,1 m2,2
mk ,1 mk ,2 … mk , k
C'est-à-dire que les déterminants des mineurs principaux successifs de M doivent

être de signes alternés, le premier étant négatif [GHA 13].

z (t + 1) = Mz (t ) + N [6.36]
Si la matrice M, dont les éléments sont tous positifs, a toutes ses valeurs propres
de modules strictement inférieures à l’unité, il vient pour t tendant vers l’infini :
z (t ) → z ∞ = ( I − M ) N
−1
[6.37]
où I représente la matrice identité.
La condition pour que le rayon spectral de M soit de module inférieur à l’unité se

vérifie simplement en imposant les conditions de Kotelyanski à la matrice ( M − I )
qui est alors l’opposée d’une M-matrice [BOR 76].
L’attracteur D est alors défini par :
{
D = x / p ( x) ≤ z ∞ = ( I − M ) N
−1
} [6.38]
REMARQUE 6.3.– Dans les cas continu et discret les conditions les moins
conservatives sont obtenues si la norme vectorielle p (x) est de dimension n.
REMARQUE 6.4.– Le résultat peut encore être amélioré si la matrice A (.) du

système peut être linéarisée au voisinage de l’origine avec des valeurs propres
réelles et distinctes. Il suffit alors, dans p ( x ) = PD x , de prendre pour matrice de
passage celle qui diagonalise le linéarisé A L de A (.) au voisinage de l’origine.
Si ce n’est pas le cas, le résultat peut tout de même être amélioré en prenant
p ( x ) = PF x où PF est le changement de base qui met le linéarisé de A (.) en forme
de flèche (annexe A) les éléments diagonaux de PF étant choisis de façon à
minimiser les modules des éléments de la dernière ligne et de la dernière colonne de
PF−1 A L PF .
REMARQUE 6.5.– Dans la recherche d’une estimation par majoration de l’erreur

dans le cas de suivi de trajectoire il vient :
e(t ) = x R (t ) − x(t )
où x R (t ) représente le trajectoire d’état de référence.
6.1.4. Attracteurs emboîtés
Ayant déterminé un premier attracteur D1 à partir d’une représentation initiale

choisie il est possible pour x ∈ D1 De choisir une autre représentation [GHA 15a] :
x = A' (t , x, p)x+B' (t , x, p)
[6.39]
x(t + 1) = A' (t + 1, x(t ), p(t ))x(t )+B' (t , x(t ), p(t ))
et de recommencer la majoration avec cette fois x ∈ D1 , et non x ∈ n

.
Cette opération peut être répétée plusieurs fois, permettant de définir des
attracteurs emboités D1 ⊃ D2 ⊃ D3 ...
6.2. Adaptation de la commande

6.2.1. Minimisation de la taille des attracteurs : approche directe
2
La loi de commande du processus dépend du paramètre θ ∈ . Il vient la
représentation :
x(t ) = A(t , x, u (t , x,θ ), p)x(t )+B(.)

[6.40]
x(t + 1) = A(t , x(t ), u (t , x(t ),θ ), p(t ))x(t )+B(.)
expressions dans lesquelles le vecteur B(.) est borné en module.
Dans ce cas, la détermination d’un système de comparaison linéaire conduit à

des expressions de la forme :
z = M (θ )z (t ) + N(θ )
[6.41]
z (t + 1) = M (θ )z (t ) + N(θ )
Si la matrice M (θ ) est stable, il vient en continu :
lim p (x(t )) ≤ −M −1 (θ ) N (θ ) = p∞ (θ ) [6.42]

t →∞
et en discret :
( )
lim p(x(t )) ≤ I − M−1 (θ )N(θ ) = p∞ (θ )
t →∞
[6.43]
Il convient alors, dans le domaine d’évolution de θ où la matrice M (θ ) est

stable, de chercher la valeur de θ qui minimise une norme de p∞ en utilisant les
techniques d’optimisation [BOR 13].
6.2.2. Minimisation de la taille des attracteurs par métaheuristique
Cette approche est semblable à la précédente, seul l’algorithme mis en œuvre

pour l’optimisation est différent.
En effet, ayant défini l’attracteur par une relation de la forme p(x) ≤ p∞ (θ ) ,

l’expression p∞ (θ ) peut être d’obtention particulièrement complexe et il s’avère
souvent difficile d’appliquer les techniques d’optimisation classiques dérivées pour
la plupart de la méthode du gradient. Dans ce cas, des méthaheuristiques de mise en
œuvre simple, telles que la recherche tabou, s’avèrent particulièrement performantes
[GHA 16a, STE 14].
6.3. Majoration de l’erreur maximale pour diverses applications
6.3.1. Commande des systèmes non linéaires par placement de pôles

L’évolution du processus est décrite par l’équation :
x = A (.) x(t ) +B(.)u (t ) + B ' (.) [6.44]
Toutes les incertitudes et perturbations étant regroupées dans le vecteur B ' (.) à
évolution bornée :
B 'm ≤ B ' (.) ≤ B 'M [6.45]
Le linéarisé du processus au voisinage de l’origine peut s’écrire sous la forme :
xl (t ) = A(0)xl +B(0)u [6.46]
Le placement de pôles s’effectue par un retour d’état de la forme :
u = −Lxl [6.47]
où le vecteur L permet d’imposer les pôles choisis.
Ce retour d’état calculé sur le modèle linéarisé est appliqué au processus initial,
il vient :
x = A ( x ) x+B ( x )Lx + B ' (.) [6.48]
x(t ) = A ( x(t )) x(t ) +B ' (.) [6.49]
avec :
A (x(t )) = A(x) + B(x)L [6.50]
La détermination du système de comparaison s’effectue directement à partir du

système bouclé.
Une mise en œuvre très détaillée de la méthode sur un exemple académique du

troisième ordre est présentée dans l’annexe B [BOR 90, GHA 13, GHA 16b].

L’approche est semblable au cas continu :
x(t + 1) = A (.) x(t ) +B (.)u (t ) + B ' (.) [6.51]
Les incertitudes et les perturbations étant regroupées du vecteur B ' (.) à évolution
bornée :
B 'm ≤ B ' (.) ≤ B 'M [6.52]
Le placement de pôles s’effectue par un retour d’état de la forme :

u (t ) = −Lxl (t ) [6.53]
calculé à partir du modèle linéarisé :

xe (t + 1) = A e x + xe (t )+B e u (t ) [6.54]
du système initial.
La détermination du système de comparaison permettant de déterminer une

majoration de l’erreur s’effectue à partir du système initial bouclé avec le retour
d’état calculé sur le linéarisé.
6.3.2. Commande par difféomorphisme des processus non linéaires
Pour un processus multi-variable non linéaire, il peut être intéressant, pré-

alablement à la détermination de la commande, de faire une linéarisation par
découplage du processus.
La linéarisation entrée-sortie par retour d’état est une approche qui a attiré ces
dernières années beaucoup de recherches [BOR 90, HED 05, JAK 80, LEV 04,
MAR 93].
Soit le processus supposé commandable dont l’évolution est décrite par un

modèle affine en la commande de la forme :
x = f (x) + G (x)u
[6.55]
y = h( x)
avec : x = [ x1 , x 2 ,… , x m ] , y = [ y1 , y 2 ,… , y m ] , et u = [u1 , u2 ,… , um ] .
T T T
La méthode consiste à dériver chaque composante y i du vecteur de sortie

jusqu’à faire apparaître le vecteur de commande.
En notant :
h(x) = [h1 (x), h 2 (x), , h m (x)]T

hi (x) = hi0 (x)
hij (x) = hij,−x1T (x)f (x) [6.56]
j
∂h (x)
hij, x = i
∂x
G ij (x) = hi ,jx−1T (x)G (x)
avec :
∀j ≤ d i , G ij ( x) = 0 et G idi +1 ( x ) ≠ 0 [6.57]
il vient :
⎛ y1( d1 +1) ⎞ ⎛ h1( d1 +1) (x) ⎞ ⎛ G1( d1 +1) ( x) ⎞

⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
y * = ⎜ y i( di +1) ⎟ , f * = ⎜ h(i di +1) (x) ⎟ , f * = ⎜ G i( di +1) (x) ⎟ , et y * = f * + G *u [6.58]
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ y( m ) ⎟
d +1 ⎜ h ( m ) ( x) ⎟
d +1 ⎜ G ( m ) (x) ⎟
d +1
⎝ m ⎠ ⎝ m ⎠ ⎝ m ⎠
Si G* est inversible dans le domaine d’évolution du vecteur d’état, en posant :

−1
u = G* (x)( v − h* (x)) [6.59]
y i(
di +1)
= vi , ∀i = 1, 2,…, m [6.60]
il vient :
Figure 6.1. Schéma synoptique relatif

à la linéarisation entrée-sortie par retour d’état
Cette représentation n’est valable que si le retour d’état n’a pas rendu non
observables des éléments instables du processus.
Ce retour d’état transforme ainsi chaque sous-système découplé en une chaîne

d’intégrateurs, tel que représenté à la figure 6.2.
Figure 6.2. Sous-système découplé en une chaîne d’intégrateurs
En remplaçant u et v par leurs valeurs, il vient, pour y c = 0 , une description de

la forme :
dx
= A ( x, t )x+B(x, t ) [6.61]
dt
Pour étudier la stabilité du système, on va déterminer l’attracteur du système

pouvant éventuellement se réduire à l’origine x = 0, en utilisant les techniques
d’agrégation, et en élaborant un système de comparaison tel que sa matrice
caractéristique instantanée soit l’opposée d’une M-matrice.
T
Pour la norme vectorielle p(x) = ⎡⎣ x1 , x2 …, xn ⎤⎦ , il vient par majoration le
système de comparaison suivant :
n
z∈ /z (t ) = Mz (t ) + N [6.62]
M et N étant des matrices à coefficients constants.
Si p (x0 ) ≤ z 0 à l’instant t0 initial, il vient : p(x) ≤ z,∀t > 0 .
L’attracteur D est alors défini par la relation : D = {x /; p ( x ) ≤ − M −1 N}.
Un exemple académique d’application à un système d’ordre deux est présenté de

façon détaillée dans l’annexe C [GHA 15b].
6.3.3. Détermination de l’attracteur pour les processus du type Lur’e

Postnikov
Les modèles à non-linéarité séparable du type Lur’e Postnikov sont très utilisés
dans la commande des processus, ce qui justifie notre intérêt pour cette classe de
processus [GHA 14].
6.3.3.1. Description des systèmes étudiés

Considérons le système de type Lur’e Postnikov de la figure 6.3.
Figure 6.3. Processus de type Lur’e Postnikov
La partie linéaire est caractérisée par le triplet de matrices (A, B, C) et la non-

linéarité est définie dans un secteur délimité par les droites f1 (ε ) = f M ε et
f 2 (ε ) = f m ε , telle que dans la figure 6.4.
Figure 6.4. Non-linéarité du système étudié
f (ε ) f (ε )
Si est définie, alors , notée f * (ε ) , est supposée telle que :
ε ε =0 ε
f m ≤ f * (ε ) ≤ f M :
⎧⎪x = Ax+Bf (ε )
⎨ [6.63]
⎪⎩ε = e − C x
T
ou encore par :
( )
x = A-BCT f * (.) x+Bf * (.)e [6.64]
En régime autonome ( e = 0 ), le système est supposé soumis à la perturbation

δ (.) et son évolution est décrite par la relation :
x = ψ (x)x+δ (.) [6.65]
avec :
ψ (.) = A-BCT f * (.) [6.66]
6.3.3.2. Cas du système incertain en régime non autonome (et non nul)
Considérons les systèmes [6.63] et [6.64] suivants :
⎧⎪x1 = Ax1 +Bf (ε1 )

⎨ [6.67]
⎪⎩ε1 = e − C x1
T
⎧⎪x2 = Ax1 +Bf (ε 2 ) + δ (.)

⎨ [6.68]
⎪⎩ε 2 = e − C x2
T
où [6.63] correspond au système non perturbé et [6.64] au système perturbé, avec :

– x1 trajectoire désirée, c'est-à-dire celle du système non perturbé ;
– x2 trajectoire perturbée ;
– e entrée du processus définie sur ;
– A matrice carrée constante n × n ;
– B vecteur constant d’ordre n d’éléments bi , ∀i = 1,… , n ;

– C vecteur constant d’ordre n ;
– δ (.) perturbation.
L’évolution de l’écart des réponses de ces systèmes peut être décrite par la
relation suivante :
⎧⎪x1 -x 2 = A ( x1 -x 2 ) +B ( f (ε1 ) − f (ε 2 ) ) + δ (.)

⎨ [6.69]
⎪⎩ε1 − ε 2 = −C ( x1 -x 2 )
T
L’application du théorème des accroissements finis donne :
f (ε 1 ) − f (ε 2 ) = f * (.) ( ε 1 − ε 2 ) [6.70]
n
f * (.) prenant ses valeurs parmi celles de la dérivée de f par rapport à z ∈ / de la
caractéristique de la non-linéarité f (ε ) .
En posant x1 -x 2 = ξ , il vient :
ξ = φ ( x)ξ − δ (.) [6.71]
avec :
φ(.) = A-BCT f * (.) [6.72]
6.3.3.2.1. Détermination du domaine d’attraction ou de l’écart limite par

rapport à la trajectoire nominale par les techniques d’agrégation
T
Pour la norme vectorielle p(ξ) = ⎡⎣ ξ1 , ξ 2 …, ξ n ⎤⎦ , il vient le système de
comparaison suivant :
n
z∈ /z (t ) = M (.) z (t ) + N [6.73]
avec :
p(ξ ) ≤ z [6.74]
Si M et N sont des matrices constantes et si M est l’opposée d’une M-matrice,

comme N est un vecteur positif, alors il existe pour l’écart ξ un attracteur D
asymptotiquement stable tel que :
D = ξ∈ { n
; p (ξ ) ≤ − M − 1 N } [6.75]
M étant la matrice obtenue en prenant la valeur maximale des éléments

diagonaux, les valeurs les plus défavorables des modules des éléments hors
diagonaux de φ(x) et les éléments de N égaux aux maxima des modules des
éléments de δ soit :
N = max δ [6.76]
il vient, si M est l’opposée d’une M-matrice :
lim p (ξ ) ≤ lim z = − M −1N [6.77]

t →∞ t →∞
Cette approche est présentée de façon très détaillée dans un exemple proposé
dans l’annexe D.
6.3.4. Minimisation de l’attracteur par la recherche tabou
Le principe de la recherche tabou [GHE 07, STE 14], consiste en partant d’une
solution à chercher la meilleure solution dans son voisinage puis partant de cette
nouvelle solution à recommencer l’opération ; c’est le principe de l’algorithme
glouton, qui risque de tomber rapidement dans un optimum local. Le problème est
évité dans la recherche tabou en interdisant de retomber dans les nT dernières
solutions qui sont taboues, ce qui permet de sortir d’un optimum local en acceptant
une dégradation provisoire de la solution trouvée.
L’exemple suivant va illustrer cette approche [GHA 16a].
Soit le processus non linéarisé du second ordre dont l’évolution est décrite par
les équations :
⎧ x = A ( x, t ) x+B( x)u ( x, θ ) + δ (.)

⎨ [6.78]
⎩ y = h( x)
avec :
u (θ , x ) = − (θ1 y + θ 2 x 2 ) [6.79]
et :
2
h(x) = x1 + (1 − e− x1 )x2 [6.80]
avec : x ( t ) ∈ 2
, B (.) ∈ 2
, A (.) ∈ 2× 2
,θ ∈ 2
.
⎡ −2 + cos t + cos x1 4 − e − x1 (1 + sin x1 ) ⎤

2
A ( x, t ) = ⎢ ⎥ [6.81]
⎢⎣ −8 + sin x1 + e − x1 ⎥⎦
2
4 + cos x 2
⎡3 + 0.5 cos x1 ⎤
B(x) = ⎢ ⎥ [6.82]
⎣ 2 ⎦
il vient :
x = A (x, t ,θ )x + δ(.) [6.83]
avec :
2
A (x, t ,θ ) = A(x, t ) − B(x)[θ1 ,θ1 ((1 − e− x )) + θ2 ] 1
[6.84]
soit :
⎡ a11 a12 ⎤
A (x, t ,θ ) = ⎢ ⎥
⎣ a21 a22 ⎦
avec :
a11 = −2 + cos t cos x1 − θ1 (3 + 0.5cos x1 )
2 2
a12 = 4 − ex1 (1 + sin x1 ) − (3 + 0.5cos x1 )(θ1 (1 − e x1 ) + θ 2 )
[6.85]
a21 = 4 + cos x 2 − 2θ1
2 2
a22 = −8 + e x1 + sin x1 − 2[θ1 (1 − ex1 ) + θ 2 ]
Il vient, en utilisant la norme vectorielle p ( x ) = [ x1 x 2 ] , la majoration :
d
p ( x) ≤ M ( A ( x, θ ,.) ) p ( x ) + N (.) [6.86]
dt
n
z∈ /z (t ) = M (.)z (t ) + N (.) [6.87]
avec :
⎡a a12 ⎤
M (A (.)) = ⎢ 11 ⎥ = M (x, t , θ1 , θ 2 ) [6.88]
⎢⎣ a21 a21 ⎥⎦
et :
N (.) ≤ δ M [6.89]
δ(.) est borné selon les relations suivantes :
⎡ −0.2 ⎤ ⎡ 0.1⎤
δ1 = ⎢ ⎥ ≤ δ(.) ≤ δ 2 = ⎢ ⎥ [6.90]
⎣ 0.3 ⎦ ⎣ 0.5⎦
d’où :
⎡ 0.2 ⎤
δM = ⎢ ⎥ [6.91]
⎣ 0.5 ⎦
Partant de la solution θ1 = 2,θ 2 = 0.1, les variations possibles à chaque étape
sont : δθ1 et δθ2 avec δθ1 = 0.2 et δθ 2 = 0.1 .
Il vient :
⎡ −2 − e− x1 (−5 + sin x1 − cos x1 ) ⎤

2
⎢ −8 + cos t ⎥
M(x, t , 2, 0) = ⎢ − cos x1 ⎥ [6.92]
⎢ 2 ⎥
⎢⎣ cos x 2 −12 + sin x1 + 5e− x1 ⎥⎦
⎡0.2 ⎤
N=⎢ ⎥ [6.93]
⎣ 0.5 ⎦
d’où le système de comparaison :
⎡ −7 3 ⎤ ⎡ 0.2 ⎤
z=⎢ ⎥ z+⎢ ⎥ [6.94]
⎣ 1 −7 ⎦ ⎣ 0.5 ⎦
Les conditions :
⎧⎪−7 < 0
⎨ 2 [6.95]
( )
⎪⎩ −1 det(M ) > 0
étant vérifiées, M est l’opposée d’une M-matrice, il vient :
⎡ 0.0630 ⎤
p ( x ) ≤ − M −1 N = ⎢ ⎥ = p∞ ( x) [6.96]
⎣ 0.0804 ⎦
Notons :
PM = p∞ ( x ) [6.97]
La stratégie consiste alors à chercher dans le voisinage de θ = [ 2; 0 ] la meilleure

solution compte tenu des variations admissibles. Dans la suite, les trois dernières
solutions trouvées sont taboues.
Partant de θ = [ 2; 0 ] , huit solutions sont possibles.
Figure 6.5. Solutions du voisinage de θ = [ 2; 0 ]
θ = (θ1 ,θ 2 + δθ 2 ),θ = (θ1 ,θ 2 − δθ 2 ),θ = (θ1 + δθ1 ,θ 2 ), θ = (θ1 − δθ1 , θ 2 ),

θ = (θ1 + δθ1 ,θ 2 + δθ 2 ),θ = (θ1 + δθ1 ,θ 2 − δθ 2 ),θ = (θ1 − δθ1 ,θ 2 + δθ 2 ),
θ = (θ1 − δθ1 ,θ 2 − δθ 2 )
La solution qui minimise la norme euclidienne de p∞ (x) correspond à

θ = [ 2, 2; 0,1] et cette solution devient taboue.
En continuant l’itération, les meilleures solutions correspondent successivement

à : θ = [ 2, 4; 0, 2 ] ; θ = [ 2, 4; 0, 3] ; θ = [ 2, 4; 0, 4 ] ; θ = [ 2, 4; 0, 5] .
Figure 6.6. Evolution des meilleures solutions
A partir de cette dernière solution, il n’y a plus d’amélioration :
Pθ =[2,4:0,4] = Pθ =[2,4:0,5] = Pθ =[2,4:0,7] = 0.870 [6.98]
La meilleure solution correspond donc à θ = [ 2, 4; 0, 2 ] .
L’évolution du vecteur état vers un attracteur est représenté sur les figures ci-
dessous :
Figure 6.7. Evolution du vecteur état
0. 1
0.08
0.06
0.04
0.02
x2
−0.02
−0.04
−0.06
−0.08
−0.06 −0.04 −0.02 0 0.02 0.04 0.06 0.08 0. 1
x1
Figure 6.8. Evolution du vecteur état vers un attracteur
6.4. Commande à boucle secondaire floue
Considérons un processus non linéaire éventuellement perturbé, dont la loi de

commande CM a été réalisée à partir d’un modèle M donné. Lorsque la précision du
suivi de consigne s’avère insuffisante, il est possible d’améliorer le résultat en
introduisant une boucle secondaire de régulation de nature floue de type Mamdani
telle qu’illustrée par la figure 6.9.
Figure 6.9. Boucle secondaire de régulation de nature floue
La boucle secondaire mesure l’écart entre la sortie du processus et celle du

modèle ayant servi à élaborer la commande et en déduit la correction à apporter à la
commande en vue de satisfaire au mieux le comportement souhaité.
Chapitre 7
Modélisation et contrôle
d’un processus industriel élémentaire
Dans ce chapitre, l’objectif est de présenter la conception des systèmes de

commande en boucle fermée, intégrés dans une solution d’automatisation. On décrit la
méthodologie de mise au point de différents modèles existants en génie des processus
élémentaires (écoulement de fluide, transfert d’énergie et de masse et processus
chimiques) basée sur les concepts qui sont introduits dans le chapitre 1. Tout d’abord,
on évalue les modèles de connaissance souvent non linéaires, obtenus à partir des lois
de la physique ; ensuite, on calcule les modèles de comportement tangents, représentés
par des équations différentielles ou par des fonctions de transfert, pour arriver aux
modèles de commande qui sont utilisés pour la conception des algorithmes de
régulation. Ce dernier type de modèle est parfois le résultat d’une opération
d’identification ; sa forme est abstraite mais il exprime la dynamique approximative du
processus commandé. Après l’évaluation des modèles, on passe au calcul de la
commande des systèmes qui contrôlent les différents paramètres du processus, en
proposant les meilleures méthodes pour la conception des algorithmes traditionnels
PID et des algorithmes polynomiaux, faciles à implémenter pour l’ingénieur
automaticien dans les applications pratiques. On considère les processus d’écoulement
de fluide, d’alimentation-évacuation des liquides, de transfert d’énergie et les
processus chimiques.
7.1. Modélisation et contrôle des processus de transfert de fluide
Pour la conception des systèmes de contrôle des processus de transfert de fluide

dans une application réelle, il faut respecter deux étapes de travail : évaluer les
modèles dynamiques de ces types de processus et déterminer un algorithme de
contrôle basé sur le modèle qui assure les performances désirées.
7.1.1. Modélisation des processus d’écoulement de fluide
Les processus d’écoulement de fluide se retrouvent dans la majorité des ap-

plications industrielles et la modélisation de l’écoulement fait appel aux équations de
bilan de masse et de quantité de mouvement [DAU 04, POP 06, POP 11, TER 98].
Pour le calcul du modèle, on considère un tronçon d’un tuyau délimité par

l’actionneur et le capteur de débit.
On suppose que le fluide qui traverse le tuyau est incompressible et on applique

alors l’équation de conservation de l’impulsion (quantité de mouvement) au système,
pour deux cas différents, les plus courants en pratique : tuyaux courts avec L ≅ D et
tuyaux longs avec L D , où L est la longueur et D le diamètre du tuyau.
7.1.1.1. Modèle dynamique d’un tuyau court

Nous considérons le tuyau dans la figure 7.1, avec : Q – débit d’écoulement ; ΔP –
chute de pression à travers la restriction ; a – coefficient de débit ; S – section de
passage ; ρ – densité du fluide. Dans ce cas, le tuyau court considéré est équivalent à une
résistance hydraulique, pour laquelle la relation suivante est valable :
2 ΔP
Q =α [7.1]
ρ
Figure 7.1. Tuyau pour écoulement de fluide
Pour un écoulement en régime stationnaire, les forces qui agissent sur le système
sont équilibrées :
Q02 ρ
ΔP0 S − S =0 [7.2]
2α 2 S 2
Q02 ρ
où ΔP0 S est la force active de pression sur le liquide et S , la force réactive due
2α 2 S 2
à la restriction.
Modélisation et contrôle d’un processus 189
En régime dynamique, la différence entre les deux forces est compensée par la
variation temporelle de la quantité de mouvement dans le système :
Q 2 (t ) ρ d
ΔP (t ) S − 2 2
S = ( Mv) [7.3]
2α S dt
Dans la relation [7.3], M représente la masse du fluide dans le tuyau et v sa

vitesse de déplacement. Alors, nous avons :
Q 2 (t ) ρ 1 dQ (t )
ΔP (t ) S − S = ρ LS [7.4]
2α 2 S 2 S dt
En général, on travaille autour d’un point de fonctionnement (du régime

stationnaire) sur des petites variations qui s’effectuent autour de ce point, ce qui se
traduit par :
ΔP (t ) = ΔP0 + Δ ( ΔP (t )) = ΔP0 + Δp (t )
[7.5]
Q (t ) = Q0 + ΔQ (t )
Des relations [7.4] et [7.5] on obtient :
[Q0 + ΔQ(t )]2 ρ d [Q0 + ΔQ (t )]

[ΔP0 + Δp (t )]S − 2 2
S = ρL [7.6]
2α S dt
Si on extrait le régime stationnaire exprimé par [7.2], il vient :
2 ρ Q0 ΔQ(t ) + ρΔQ(t ) 2 d [ΔQ(t )]

Δp (t ) S − 2 2
S = ρL [7.7]
2α S dt
Dans cette relation qui correspond au modèle non linéaire de connaissance, Δp (t )

représente la variation Δ(ΔP(t )) de la pression différentielle.
On néglige le terme quadratique en ΔQ2 (t ) dans la relation [7.7] et après une

opération de normalisation des grandeurs Q (t ) et p (t ) appliquée par rapport à leurs
valeurs en régime stationnaire, nous avons :
Δ Q (t )
y (t ) =
Q0
[7.8]
Δp (t )
u (t ) =
ΔP0
Le modèle tangent adimensionnel, qui exprime le comportement du processus

d’écoulement, est alors le suivant :
V0 dy (t ) 1
α2 + y (t ) = u (t ) [7.9]
F0 dt 2
où V0 représente le volume de fluide dans le tuyau en régime stationnaire.
De l’équation différentielle [7.9], on déduit la fonction de transfert du modèle

dynamique :
kp
G pa ( s ) = [7.10]
τ pa s + 1
où : kp est le gain statique ( k p = 0.5 ) et τpa est la constante de temps du modèle

V0
linéarisé, τ pa = α 2 .
F0
Le modèle correspondant en temps discret est :
−
h ⎛ −
h ⎞
y (k + 1) − e
τ pa ⎜
y (k ) = k p 1 − e
τ pa ⎟ u (k ) [7.11]
⎜⎜ ⎟⎟
⎝ ⎠
et la fonction de transfert discrète qui en résulte :
⎛ −
h ⎞ ⎛ − 20 ⎞
hF
⎜
kp 1− e
τ pa ⎟ −1
z ⎜
0.5 1 − e α V0 ⎟ −1
z
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
b1 z −1
G pa ( z −1 ) = ⎝ ⎠ = ⎝ ⎠ =
−
h
− 0
hF
1 + a1 z −1
−1 τ pa −1 α 2V0
1− z e 1− z e
où la période d’échantillonnage h respecte la condition h ≤ 0,1τ pa .
Dans le cas du fluide compressible, le calcul est similaire. Néanmoins, la relation

[7.1] est corrigée avec un coefficient de compressibilité connu qui va multiplier
l’expression du débit Q [POP 06, POP 11].
7.1.1.2. Modèle dynamique d’un tuyau long

Dans ce cas, on suppose que la force de réaction est la force de frottement du fluide
sur la longueur du tuyau, le débit étant dépendant essentiellement de la longueur L :
ΔP
Q = L2 [7.12]
kρ
Nous avons pour le régime stationnaire de l’écoulement, l’équilibre des forces de

travail dans le système :
Q02
ΔP0 S − k ρ LS =0 [7.13]
L5
où k représente le coefficient de frottement du fluide dans le tuyau.
En régime dynamique, on peut écrire :
Q 2 (t ) d ( Mv(t ))
ΔP(t ) S − k ρ LS = [7.14]
L5 dt
Les grandeurs ΔP (t ) et Q (t ) gardent les mêmes significations que dans l’ex-

pression [7.5].
La relation [7.3] devient :
[Q0 + ΔQ(t )]2 1 d [Q0 + ΔQ(t )]

[ΔP0 + Δp(t )]S − k ρ LS = ρ LS [7.15]
L5 S dt
Si on extrait le régime stationnaire exprimé par [7.13] dans la relation [7.15], nous
obtenons :
2Q0 ΔQ(t ) + ΔQ(t ) 2 d [ΔQ(t )]

Δp (t ) S − k ρ LS 5
= ρL [7.16]
L dt
et si on néglige aussi le terme quadratique ΔQ2 (t ) , l’équation se réécrit :
2k ρ LSQ0 ΔQ(t ) d [ΔQ(t )]

Δp(t ) S − 5
= ρL [7.17]
L dt
A l’aide des variables normalisées selon le processus utilisé dans le cas précédent,
on obtient le modèle entrée-sortie :
L5 dy (t ) 1
+ y (t ) = u (t )
2kQ0 S dt 2
d’où on déduit la fonction de transfert :
kp
G pb ( s ) = [7.18]
τ pb s + 1
avec :
L5
k p = 0.5 et τ pb =
2kQ0 S
On considère une période d’échantillonnage h (d’ordre de grandeur de la seconde)

pour discrétiser le modèle [7.18]. Nous arrivons ainsi à la fonction de transfert discrète
qui représente le modèle du processus :
b1 z −1
G pb ( z −1 ) = [7.19]
1 + a1 z −1
⎛ −
h ⎞ −
h
⎜
avec : b1 = k p 1 − e
τ pb ⎟ et a = e τ pb .
⎜⎜ ⎟⎟ 1
⎝ ⎠
7.1.2. Conception des systèmes de contrôle du débit
Pour la conception de la commande d’un système de contrôle du débit, on

considère quelques observations. Ce type de systèmes se caractérise par une petite
inertie, donc le système est souvent perturbé et la recommandation est d’éviter la
composante dérivée de l’algorithme de commande qui peut amplifier l’effet des
perturbations. Les structures des systèmes plus performantes en boucle fermée (par
exemple, structures de cascade niveau-débit, température-débit, etc.), utilisent la
boucle de régulation de débit, comme une boucle secondaire (intérieure) ; l’idée ici est
d’assurer pour ce système secondaire bouclé, une dynamique qui modifie doucement
la dynamique du système principal (la boucle extérieure) ; la stratégie de calcul pour la
boucle de débit impose de spécifier des performances plus rapides et apériodiques.
Tenant compte de ces remarques et de la forme simplifiée du modèle dynamique

de commande, l’algorithme usuel pour le contrôle du débit de fluide est un algorithme
traditionnel PI.
Pour la conception du système nous avons besoin des informations suivantes : le

modèle de commande qui va assembler la dynamique de l’actionneur (considéré
élément proportionnel), la dynamique de processus (tuyau) qui s’exprime par le
modèle du premier ordre calculé par la relation [7.10] et du capteur de débit (élément
proportionnel) et aussi des performances imposées pour le système en boucle fermée.
Le modèle dynamique du système s’écrit alors :
kf
G f (s) = [7.20]
Tf s + 1
où k f est le gain du modèle ( k f est le produit des gains de l’actionneur, du procédé et

⎛ V ⎞
du capteur), T f est la constante de temps du procédé ⎜ T f = α 2 0 ⎟ et l’algorithme
⎝ Q0 ⎠
proposé est de type PI :
kr (Ti s + 1)
Gc = [7.21]
Ti s
Les performances désirées (apériodiques) du système en boucle fermée sont

imposées simplement par la fonction de transfert :
1
G0 d = [7.22]
T0 s + 1
où la constante de temps T0 assure l’estimation de la durée du régime transitoire du

système en boucle fermée.
On calcule la fonction de transfert en boucle ouverte :
kr (Ti s + 1) k f
G ( s ) = Gc G p = [7.23]
Ti s Tf s + 1
et le transfert du système en boucle fermée a la forme suivante :
kr k f (Ti s + 1)
Go = [7.24]
Ti s (T f s + 1) + k r k f (Ti s + 1)
Le polynôme caractéristique du système s’écrit :
Pc = Ti s(T f s + 1) + kr k f (Ti s + 1) = TiT f s 2 + Ti s(kr k f + 1) + kr k f [7.25]
Pour assurer une dynamique apériodique qui s’exprime par la structure [7.22], il
faut imposer des pôles réels négatifs utilisant les racines de l’expression suivante :
T 2i s 2 (kr k f + 1)2 − 4TiT f kr k f = 0 [7.26]
Après une étude dans l’espace des paramètres ( k r , Ti ) du contrôleur sur

l’expression Ti = f ( k r ), pour avoir la réponse la plus rapide du système en boucle
fermée, on obtient les valeurs suivantes des paramètres :
1 Tf
kr* = , Ti* = [7.27]
kf kr k f
Pour la forme discrétisée de l’algorithme PI, il vient :
R ( z −1 ) r0 + r1 z −1
=
S ( z −1 ) 1 − z −1
Il est facile de déterminer les paramètres r0 , r1 en fonction de kr* et Ti* , calculés

par les relations [7.27] [LAN 95].

de liquide
La dynamique du niveau dans un réservoir peut être décrite par la modélisation

d’un processus d’alimentation-évacuation [DAU 04, POP 06, POP 11, TER 98].
On considère le modèle dynamique d’un processus d’alimentation-évacuation

pour un réservoir de section constante S , alimenté avec un débit Qa , le débit de sortie
étant Qe (voir figure 7.2). Deux cas sont possibles :
– évacuation à débit constant à Qe = ct ;
– évacuation à débit variable en fonction de niveau de fluide dans le réservoir

Qe ( L ).
La mise en équation de ce modèle est basée sur la relation de conservation de la

quantité de fluide véhiculée dans le processus.
7.2.1. Evacuation à débit constant
Dans le cas d’un régime stationnaire (accumulation nulle dans le système), les
débits d’entrée et de sortie sont égaux, alors :
ρ Qa 0 − ρ Qe 0 = 0, [7.28]
avec : Qa 0 – débit d’alimentation ; Qe 0 – débit d’évacuation ; ρ – densité du liquide.
Dans le régime dynamique, la variation de la masse dans le système est égale à la

différence des débits entrants et sortants :
dM (t ) dL(t )
ρQa (t ) − ρQe0 = = ρS [7.29]
dt dt
Figure 7.2. Représentation d’un processus d’alimentation-évacuation
Dans la relation [7.29], S représente la section constante du réservoir, L (t ) le niveau

du liquide à l’instant t, M (t ) est la masse du liquide dans le réservoir à l’instant t.
Nous supposons que le système va évoluer autour d’un point de fonctionnement

correspondant à un régime stationnaire :
L (t ) = L0 + ΔL (t )
[7.30]
Fa (t ) = Fa 0 + ΔFa (t )
De [7.29] et [7.30], il résulte :
dM (t ) d [ L0 + ΔL(t )]
ρ [Qa 0 − ΔQa (t )] − ρ Qe0 = = ρS [7.31]
dt dt
et en tenant compte de la condition du régime stationnaire exprimée par [7.28] nous

avons :
d ΔL(t )
ΔQa (t ) = S [7.32]
dt
La normalisation par les valeurs de régime stationnaire donne les variables

adimensionnelles :
ΔL (t )
= y (t )
L0
ΔQa (t )
= u (t )
Qa 0
Ainsi, l’équation [7.32] devient le modèle tangent de comportement :
SL0 dy (t ) V0 dy (t )
= = u (t ) [7.33]
Qa 0 dt Qa 0 dt
ou, par intégration :
t
Q
V0 ∫
y (t ) = a 0 u (t )dt
0
[7.34]
La fonction de transfert entrée-sortie peut en être facilement déduite :
1
H pa ( s ) = , [7.35]
τ pa s
V0
avec : τ pa = .
Qa 0
La discrétisation de l’expression [7.35] conduit au modèle linéaire discret qui

s’exprime par la fonction de transfert :
h
H pa ( z −1 ) = .
τ pa (1 − z −1 )
Avec h la période d’échantillonnage bien choisie (ordre de grandeur en pratique de

la seconde).
Les relations [7.34] et [7.35] montrent que le processus d’alimentation-évacuation

à débit constant se comporte comme un intégrateur, raison pour laquelle il est nommé
« procédé sans auto-stabilisation ».
7.2.2. Evacuation à débit variable
En cas d’un régime stationnaire du processus la relation [7.28] reste valable. En

régime dynamique, l’écriture du bilan matière se traduit par l’équation suivante :
dM (t ) dL(t )
ρQa (t ) − ρQe (t ) = = ρS [7.36]
dt dt
Le débit Qe dépend cette fois du niveau L dans le réservoir selon une relation du
type :
Qe = α 2 gL [7.37]
avec : α – section d’évacuation du réservoir et g – accélération de gravitation. Son

développement en série de Taylor autour du point de fonctionnement s’écrit :
2
⎛ ∂Q ⎞ L − L0 ⎛ ∂ 2Qe ⎞ ( L − L0 )
Qe = Qe 0 + ⎜ e ⎟ +⎜ 2 ⎟⎟ + ... [7.38]
⎜ ∂L
⎝ ∂L0 ⎠ 1! ⎝ 0 ⎠ 2!
Pour la partie linéaire, on obtient la relation :
⎛ ∂Q ⎞
Qe ≅ Qe 0 + ⎜ e ⎟ ( L − L0 ) [7.39]
⎝ ∂L0 ⎠
que l’on peut écrire :
⎛ ∂Q ⎞
Qe (t ) − Qe 0 = ⎜ e ⎟ ( L (t ) − L0 ) [7.40]
⎝ ∂L0 ⎠
ou bien :
⎛ ∂Q ⎞
ΔQe (t ) = ⎜ e ⎟ ΔL (t ) [7.41]
⎝ ∂L0 ⎠
On reprend la relation [7.33] et on considère les grandeurs variables dans le temps,

exprimées par :
L (t ) = L0 + ΔL (t )
Qa (t ) = Qa 0 + ΔQa (t )
Qe (t ) = Qe 0 + ΔQe (t )
On a alors :
d [ L0 + ΔL(t )]
[Qa 0 + ΔQa (t )] − [Qe 0 + ΔQe (t )] = S [7.42]
dt
En tenant compte du régime stationnaire [7.28], on arrive à la relation reliant des

variations des grandeurs :
d[ΔL(t )]
ΔQa (t ) − ΔQe (t ) = S [7.43]
dt
D’autre part, considérant la relation [7.41] et par normalisation, on obtient les

variables adimensionnelles du modèle :
ΔL (t )
= y (t )
L0
ΔQa (t )
= u (t )
Qa 0
En remplaçant la dérivée de Qe par rapport à L et après quelques calculs usuels,

la forme finale de l’équation [7.43] en résulte :
2V0 dy (t )
+ y (t ) = 2u (t ) [7.44]
Qa 0 dt
Moyennant les simplifications ci-dessus, on obtient une fonction de transfert

simple pour le processus d’alimentation-évacuation :
k pb
H pb ( s ) = [7.45]
τ pb s + 1
V0
où k pb = 2 et τ pb = 2 sont les paramètres du modèle.
Qa 0
Le modèle discret équivalent de premier ordre s’écrit :
− h /τ
b1 z −1 k pb (1 − e pb
) z −1
H pb ( z −1 ) = = − h /τ pb −1
1 + a1 z −1 1− e z
Nous pouvons dire qu’au voisinage d’un point stationnaire, le processus

d’alimentation-évacuation avec évacuation par chute libre (débit variable par rapport
au niveau L ) se comporte comme un système du premier ordre, raison pour laquelle
celui-ci s’appelle « processus avec auto-stabilisation ».
7.2.3. Conception des systèmes de contrôle du niveau de liquide
Pour la conception du système en boucle fermée qui contrôle le processus

d’alimentation-évacuation à débit constant, nous avons à notre disposition : le modèle
de commande qui comprend la dynamique de l’actionneur (élément proportionnel), la
dynamique du processus qui s’exprime par l’intégrateur calculé dans la relation [7.35]
et celle du capteur de niveau (élément proportionnel).
Le modèle global s’exprime par la relation :
1 kf
G f ( s ) = ka kt = [7.46]
τ pa s s
où k f est le gain ( k f est le produit des gains de l’actuateur, du processus et du

capteur) et donc reste comme un intégrateur ; les performances du système en boucle
fermée s’expriment par une dynamique imposée :
1
G0e ( s ) = [7.47]
T0 s + 1
Il est facile d’observer que l’objectif principal est de proposer une commande
stabilisante pour le système en boucle fermée, et que la commande proportionnelle
peut résoudre cet objectif pour le modèle [7.46].
Soit un contrôleur proportionnel k r pour lequel nous avons :
kr k f
G0 ( s ) = [7.48]
s + kr k f
L’algorithme proportionnel de commande qui assure les performances imposées

est alors :
T0
kr* =
kf
Dans le cas du processus à l’évacuation variable (libre), la conception du système

en boucle fermée qui contrôle le processus d’alimentation-évacuation s’effectue de la
même manière et alors, les informations nécessaires pour la synthèse de la loi de
commande sont : le modèle de commande qui comprend la dynamique de l’actionneur
(élément du premier ordre), la dynamique du processus qui s’exprime aussi par un
système du premier ordre calculé par la relation [7.45] et le gain du capteur de niveau
(élément proportionnel).
Dans les hypothèses mentionnées, le modèle global du processus s’exprime cette

fois par la fonction de transfert du deuxième ordre :
k pa k pb kf
Gp = kt = [7.49]
τ pa s + 1 τ pb s + 1 (τ pa s + 1)(τ pb s + 1)
On considère que le système dynamique en boucle fermée de deuxième ordre
[7.50] est défini par la fonction de transfert standard :
ωn2
G (s) = [7.50]
s 2 + 2ζωn s + ωn2
qui va assurer par le couple imposé (ζ , ωn ) bien choisi, les performances désirées.
On peut calculer le polynôme discret de deuxième ordre qui correspond au

dénominateur de la fonction de transfert [7.50] :
P( z −1 ) = 1 + p1 z −1 + p2 z −2 [7.51]
D’ autre part, l’équivalent discret du modèle continu [7.49] du processus est de la

forme suivante :
bˆ( z −1 ) b1 z −1 + b2 z −2
=
aˆ( z −1 ) 1 + a1 z −1 + a2 z −2
Considérons un contrôleur PI en représentation discrète :
R ( z −1 ) r0 + r1 z −1
= [7.52]
S ( z −1 ) 1 − z −1
L’équation polynomiale qui donne les paramètres inconnus du contrôleur est :
aˆ ( z −1 ) S ( z −1 ) + bˆ( z −1 ) R ( z −1 ) = 1 + p1 z −1 + p2 z −2
Il en résulte le contrôleur qui assure les performances désirées défini par les
polynômes R( z −1 ), S ( z −1 ) :
R( z −1 ) = r0 + r1 z −1 = ( p1 − a1 − 1) / b1 + [( p2 + a1 ) / b1 ]z −1
S ( z −1 ) = 1 − z −1

d’une capacité pneumatique
La pression est une grandeur importante pour la caractérisation de certaines

installations pneumatiques ou hydrauliques, mais aussi pour les installations
énergétiques et chimiques.
7.3.1. Modélisation d’une capacité pneumatique
Nous définissons, dans ce qui suit, un modèle mathématique de la capacité

pneumatique de volume constant V dans laquelle se trouve un gaz à la température T
et à la pression p alimentée avec le débit massique Qa et un débit Qe en sortie
(figure 7.3). Si on suppose que le gaz se comporte comme un gaz parfait et que la
température est constante, on peut alors appliquer l’équation d’état des gaz parfaits :
pV = MRT [7.53]
avec : M – masse du gaz dans le volume V et R – la constante des gaz parfaits.
Figure 7.3. Représentation d’un procédé pneumatique
Selon ces hypothèses, la variation de la pression dans la capacité est

proportionnelle à celle de la masse. En effet, la dérivation par rapport au temps dans la
relation [7.53] donne :
dp(t ) dM (t )
V = RT [7.54]
dt dt
mais :
dM (t )
= Qa (t ) − Qe (t ), [7.55]
dt
Donc :
dp(t ) RT
= ⎡Qa (t ) − Qe (t )⎤⎦ [7.56]
dt V ⎣
Nous supposons que le débit de sortie dépend de la pression selon la relation
(écoulement laminaire) : Qe = α p( p − pc ) avec α une constante déterminée par la
résistance pneumatique du trajet d’évacuation et pc la pression au consommateur. En
utilisant le développement en série de Taylor autour du point nominal de
fonctionnement, on trouve :
2
⎛ ∂Q ⎞ p − p0 ⎛ ∂ 2Qe ⎞ ( p − p0 )
Qe = Qe0 + ⎜ e ⎟ +⎜ ⎟⎟ + ... [7.57]
⎜ ∂p 2
⎝ ∂p0 ⎠ 1! ⎝ 0 ⎠ 2!
La partie linéaire de la relation [7.57] pour la pression p s’écrit :
⎛ ∂Q ⎞
Qe = Qe 0 + ⎜ e ⎟ ( p − p0 ) [7.58]
⎝ ∂p0 ⎠
ou encore :
⎛ ∂Q ⎞
ΔQe (t ) = ⎜ e ⎟ Δp (t ) [7.59]
⎝ ∂p0 ⎠
On considère les grandeurs variables dans le temps exprimées par :
p ( t ) = p0 + Δ p ( t )
Qa (t ) = Qa 0 + ΔQa (t ) [7.60]
Qe (t ) = Qe 0 + ΔQe (t )
En tenant compte de [7.59]-[7.60] et de la condition de régime stationnaire, on

obtient :
⎛ ∂Q ⎞ V d [ ΔL (t ) ]
ΔQa (t ) − ⎜ e ⎟ Δp (t ) = [7.61]
⎝ ∂p0 ⎠ RT dt
Par la même procédure de normalisation, on obtient les grandeurs

adimensionnelles du modèle :
Δp (t )
= y (t )
p0
ΔQa (t )
= u (t )
Qa 0
Le modèle dynamique final est le suivant :
−1 −2
V ⎛ ∂Qe ⎞ dy (t ) ∂Qa ⎛ ∂Qe ⎞
⎜ ⎟ + y (t ) = ⎜ ⎟ u (t ) [7.62]
RT ⎝ ∂p0 ⎠ dt ∂p0 ⎝ ∂p0 ⎠
On obtient ainsi la fonction de transfert du modèle continu :
kp
H p (s) = [7.63]
τ ps +1
et la fonction de transfert discrète correspondante :
⎛ −
h ⎞
⎜
kp 1− e τ p ⎟ −1
z
⎜ ⎟
b1 ⎝ ⎠
H p ( z −1 ) = = [7.64]
1 + a1 z −1 h
−
τ p −1
1− e z
où :
−1 −1
Q ⎛ ∂Q ⎞ V ⎛ ∂Qe ⎞
k p = a ⎜ e ⎟ ,τ p = ⎜ ⎟ [7.65]
p0 ⎝ ∂p0 ⎠ RT ⎝ ∂p0 ⎠
sont les paramètres du modèle de comportement et h la période d’échantillonnage

(d’ordre de grandeur de la seconde).
7.3.2. Conception des systèmes de contrôle de la capacité pneumatique
Les informations pour la conception de la commande de ce type de processus sont :

le modèle de commande qui comprend la dynamique de l’ensemble-actionneur
(proportionnel), la capacité pneumatique, le capteur de pression (proportionnel) et les
performances pour le système bouclé.
La fonction de transfert du modèle de commande s’écrit :
kp kf
G ( s) = ka kt = [7.66]
τ ps +1 τ f s +1
Basé sur la même motivation que dans le cas de la régulation de débit, un

algorithme PI est recommandé pour les performances du système en boucle fermée. La
commande utilisée cette fois est de type optimal et représente la solution de la
minimisation d’un critère intégral qui s’exprime en fonction de l’erreur de régulation
et de sa dérivée :
⎧⎪ ∞ ⎫⎪
⎪⎩ 0
∫
min ⎨ J = [ε (t ) + qε(t )] dt ⎬
⎭⎪
[7.67]
Pour le modèle [7.66] et le contrôleur PI, on calcule l’expression directe du critère

optimal [7.67] qui s’exprime à partir des paramètres du contrôleur et du modèle et
devient un problème de programmation non linéaire :
⎧ ⎛ T ⎞⎫
⎪ K r K ⎜1 + K r K i ⎟⎪
⎪ Ti + K r KT ⎝ T ⎠⎪
min ⎨ J = +q ⎬ [7.68]
⎪ 2 K r K (1 + K r K ) 2Ti (1 + K r K ) ⎪
⎪⎩ ⎭⎪
dans lequel q est un coefficient de pondération du critère.
Ce problème est résolu pour le modèle prédéterminé (kf et τf connus) par une
technique numérique du gradient dans l’espace des paramètres du contrôleur :
min{J (k f ,τ f , K r , Ti )}
La solution de ce problème donne les paramètres optimaux de l’algorithme de

contrôle ( Kr* , Ti* ) .
Cette approche permet d’introduire un concept de dualité, c’est-à-dire de ré-

identifier le modèle en temps réel en cas de nécessité (le processus change de point de
fonctionnement), donc le critère [7.68] est vu en fonction des paramètres (kf, τf).
Ensuite on calcule l’algorithme de commande (les valeurs K r* , Ti* ) dans l’espace des
paramètres du contrôleur, pour le modèle bien précisé (approche connue- partition des
variables de la fonction critère). Le nouveau modèle impose de manière récurrente un
nouvel algorithme de commande pour préserver les performances [BOR 13a,
BOR 13b, CAL 79, DAU 04, POP 06].
7.4. Modélisation et contrôle des processus de transfert de chaleur
La température est une grandeur représentative pour les processus industriels de

transfert de chaleur [DAU 04, POP 06, POP 11, TER 98].
On s’intéresse dans ce cas, à la modélisation du transfert de chaleur d’un agent

thermique vers un produit qui doit être chauffé ou refroidi.
7.4.1. Modélisation d’un processus de transfert thermique
Nous nous intéressons à l’élaboration d’un modèle mathématique pour un

processus de transfert de chaleur par convection de l’agent thermique et du produit en
phase liquide (la figure 7.4) dans un volume V , caractérisé par les grandeurs : Qa0 –
débit de l’agent thermique ; Ta – température de l’agent thermique ; ca – chaleur
spécifique de l’agent thermique ; Qp – débit du produit ; Tp – température du produit ;
c p – chaleur spécifique du produit ; ρa – densité de l’agent thermique ; ρ p – densité
du produit ; Te – température du mélange ; ce – chaleur spécifique du mélange ; ρe –
densité du mélange.
Pour le régime stationnaire on écrit l’équation de bilan énergétique (en négligeant

les pertes extérieures de chaleur) :
ρa Qa 0caTa + ρ p Q p c pTp − ρeQe0ceTe0 = 0 [7.69]
et la relation additionnelle de la conservation de quantité :
Qe0 = Qa 0 + Q p
Figure 7.4. Représentation pour un processus de transfert de chaleur
En régime dynamique, la différence entre les flux calorifiques en entrée et en sortie

du système est compensée par la variation de la quantité de chaleur qui s’exprime par
la variation de la température :
dTe (t )
ρ a Qa (t )caTa + ρ p Q p c pTp − ρeQe (t )ceTe (t ) = ρeVce [7.70]
dt
Qe (t ) = Qa (t ) + Q p
Les paramètres variables dans le temps s’écrivent :
Te (t ) = Te 0 + ΔTe (t )
Qa (t ) = Qa 0 + ΔQa (t )
Il en résulte la relation suivante :
ρ a [Qa 0 + ΔQa (t )]caTa + ρ p Q p c pTp −

d [Te 0 + ΔTe (t )] [7.71]
− ρe [Qa 0 + ΔQa (t ) + Q p ]ce [Te0 + ΔTe (t )] = ρeVce
dt
En éliminant le régime stationnaire exprimé par les équations [7.69] et en

négligeant les termes d’ordre supérieur, il vient :
ρa ΔQa (t )caTa − ρeQa 0 ce ΔTe (t ) − ρeTe0 ce ΔQa (t ) =

d [ΔTe (t )] [7.72]
= ρeVce
dt
où :
d [ΔTe (t )]
ρeVce + ρe Qa 0 ce ΔTe (t ) = ( ρ a caTa − ρeTe0 ce )ΔQa (t ) [7.73]
dt
Par la même technique de normalisation, on obtient les variables adimensionnelles

du modèle :
ΔTe (t )
= y (t )
Te 0
[7.74]
ΔQa (t )
= u (t )
Qa 0
Si on introduit [7.74] dans [7.73] nous avons, après un calcul très simple :
V dy (t ) ρ c T − ρeTe 0ceQa 0
+ y (t ) = a a a u (t ) [7.75]
Qe0 dt ρeTe0 ce
La fonction de transfert correspondant à cette équation différentielle s’écrit :
kp
H p (s) = [7.76]
τ ps +1
avec les paramètres du modèle de comportement :
ρ a caTa − ρeTe 0 ceQa 0 V

kp = , τp =
ρeTe 0 ce Qe0
7.4.2. Conception des systèmes de contrôle pour la température
Les processus industriels avec transfert de chaleur sont souvent très lents et nous
considérons que l’actionneur est approximé par un élément proportionnel et que le
capteur de température possède la dynamique d’un élément du premier ordre.
Dans ces conditions, la fonction de transfert de modèle du processus est la

suivante :
kp kt kf
G p ( s ) = ka = [7.77]
( )
τ p s + 1 (Tt s + 1) (τ p s + 1)(Tt s + 1)
Afin de concevoir la commande, on recommande un algorithme PID. On travaille

en discret en utilisant la méthode de placement de pôles et les performances du
système en boucle fermée sont imposées par un polynôme caractéristique Pi ( z −1 ) de
deuxième ordre, spécifié à l’avance par les deux pôles désirés (les coefficients p1, p2
sont donc connus) :
Pi ( z −1 ) = 1 + p1 z −1 + p2 z −2 [7.78]
La forme discrétisée de la relation [7.77] utilisant une période d’échantillonnage de

quelques dizaines de secondes est :
bˆ( z −1 )
G p ( z −1 ) = [7.79]
aˆ ( z −1 )
L’algorithme PID avec un filtrage sur la composante dérivée est décrit par la
fonction de transfert :
R ( z −1 ) r0 + r1 z −1 + r2 z −2
Gc ( z −1 ) = = [7.80]
S ( z −1 ) (1 − z −1 )(1 + s1 z −1 )
La fonction de transfert du système en boucle fermée est de la forme suivante :
bˆ( z −1 ) R ( z −1 )
G0 ( z −1 ) = [7.81]
aˆ ( z ) S ( z −1 ) + b( z −1 ) R ( z −1 )
−1
et le polynôme caractéristique du système est donc :
P( z −1) = aˆ( z −1)S ( z −1) + bˆ( z −1)R( z −1) [7.82]
On impose l’identité polynomiale P( z −1 ) = Pi ( z −1 ) et il en résulte l’équation

diophantienne :
aˆ ( z −1 ) S ( z −1 ) + bˆ ( z −1 ) R ( z −1 ) = 1 + p1 z −1 + p 2 z −2 [7.83]
avec R( z −1 ) et S ( z −1 ) en tant que polynômes inconnus du contrôleur PID.
La commande qui assure les performances spécifiées est donnée par la solution de
l’équation [7.83], c’est-à-dire par les deux polynômes R* ( z −1 ), S * ( z −1 ) .
7.5. Modélisation et contrôle des processus de transfert de composants
La concentration est un paramètre lié aux procédés chimiques, avec ou sans

réaction, qui se retrouvent dans les installations chimiques ou pétrochimiques. Il existe
une grande variété de réacteurs de formes et/ou de dimensions diverses. La mise en
équation de tels processus est basée sur des équations de conservation de la masse des
composants [FOU 04, POP 06, POP 11, TER 98].
Les équations de bilan, écrites ci-dessus, prennent différentes formes en fonction

du système considéré et du mode opératoire. Nous entendons dans ce cas par
processus, tout réacteur dans lequel nous avons un transfert de matière avec ou sans
réaction. Les équations de bilan ci-dessous sont écrites en fonction du processus
chimique considéré et du mode opératoire.
7.5.1. Modélisation d’un processus de mélange sans réaction chimique
On s’intéresse ici à l’obtention, dans un réacteur de volume V constant, d’une

substance de concentration intermédiaire à partir du mélange d’une substance
concentrée et d’une autre diluée (figure 7.5). En régime stationnaire du processus

considéré, on peut écrire :
ρQd 0cd + ρQccc − ρQe0ce0 = 0 [7.84]
Qd 0 + Qc0 = Qe0 [7.85]
Figure 7.5. Représentation d’un processus avec transfert de composants
où : Qd 0 est le débit de diluant ; Qc est le débit de la substance concentrée ; cd est la

concentration du diluant ; Qe0 est le débit d’évacuation du mélangeur ; ce0 est la
concentration du mélange et ρ est la densité de la substance.
Le régime dynamique, quant à lui, est décrit par la relation :
ρVdce (t )
ρ Qd (t )cd + ρ Qc cc − ρ Qe (t )ce (t ) = [7.86]
dt
De plus :
ce (t ) = ce 0 + Δce (t )
[7.87]
Qd (t ) = Qd 0 + ΔQd (t )
On remplace [7.87] dans [7.86] pour avoir :
ρ[Qd 0 + ΔQd (t )]cd + ρ Qc cc − ρ[Qe0 + ΔQe (t )][ce0 + Δce (t )] =

ρVd [ce0 + Δce (t )] [7.88]
=
dt
En éliminant le régime stationnaire exprimé par les équations [7.84] et [7.85] et en

négligeant l’infiniment petit ΔQd (t )Δce (t ) , on arrive au résultat :
Vd [Δce (t )]
cd ΔQd (t ) + Qc cc − Qe0 Δce (t ) − ce 0 ΔQd (t ) = [7.89]
dt
Les variables adimensionnelles du modèle sont :
Δce (t )
= y (t )
ce0
[7.90]
ΔQd (t )
= u (t )
Qd 0
En introduisant [7.90] dans [7.89] on obtient :
V dy (t ) c − ce0 ΔQd 0
+ y (t ) = d u (t ) [7.91]
Qe0 dt ce 0 Qe 0
A cette équation différentielle correspond la fonction de transfert :
k pa
H pa ( s ) = [7.92]
τ pa s + 1
où :
cd − ce0 ΔQd 0 V
k pa = et τ pa =
ce0 Qe0 Qe0
Il en résulte que ce type de processus se comporte comme un élément du premier

ordre. Le modèle discret correspondant est présenté dans la relation suivante :
⎛ −
h ⎞
k pa ⎜ 1 − e τ a ⎟ z −1
b1 z −1 ⎜ ⎟
H pa ( z −1 ) = = ⎝ ⎠
1 + a1 z −1 −
h
τ pa
1− e z −1
⎛ −
h ⎞ −
h
⎜
avec : b1 = k pa 1 − e
τ pa ⎟ et a = e τ pa .
⎜⎜ ⎟⎟ 1
⎝ ⎠
(L’ordre de grandeur de la période d’échantillonnage h est de quelques secondes.)
7.5.2. Modélisation d’un mélange avec réaction chimique
k
On considère une réaction chimique non-isotherme, du type A ⎯⎯ → B( A) , qui a
lieu dans un réacteur de volume V (la substance A se transforme partiellement en B
avec la constante de vitesse de réaction k). Le modèle mathématique se détermine par
les équations de conservation de la masse pour le réactant A et pour le produit de
réaction B . Les quantités de substances consommées et produites par la réaction sont
vues comme des flux massiques de sortie, respectivement d’entrée dans le système
(figure 7.6).
Figure 7.6. Processus de transfert de composants avec réaction chimique
Alors, pour le régime stationnaire, on a :
Q0cA1 − kVcA2 − Q0cA2 = 0 [7.93]
kVcA2 − F0cB0 = 0 [7.94]
Nous nous intéressons ici à la variation de la concentration de la substance

résiduelle c A 2 dans un réacteur infiniment mélangé en fonction des variations de
débits d’entrée et de sortie :
VdcA2 (t )
Q(t )cA1 − kVcA2 (t ) − Q(t )cA2 (t ) = [7.95]
dt
Les grandeurs qui dépendent du temps sont exprimées par les relations :
c A 2 (t ) = c A 20 + Δc A 2 (t )
[7.96]
Q (t ) = Q0 + ΔQ (t )
L’élimination du régime stationnaire et de l’infiniment petit ΔF (t )ΔcA2 (t ) des

équations [7.93], [7.94] et [7.95] permet d’écrire :
Vd[ΔcA2 (t )]
cA1ΔQ(t ) − kV ΔcA2 (t ) − Q0 ΔcA2 (t ) − cA20 ΔQ(t ) = [7.97]
dt
ou encore :
Vd[ΔcA2 (t )]
ΔQ(t )(cA1 − cA20 ) − (Q0 + kV )ΔcA2 (t ) = [7.98]
dt
Par normalisation, on obtient :
Δc A2 (t )
= y (t )
c A20
[7.99]
ΔQ (t )
= u (t )
Q0
Avec les notations [7.92] on obtient le modèle final adimensionnel :

dy(t )
Vc A20 + (Q0 + kV )c A20 y (t ) = Q0 (c A1 − c A20 )u(t ) [7.100]
dt
Ensuite, on obtient :
dy (t ) Q0 (c A1 − c A20 )
Vc A20 + y (t ) = u (t ) [7.101]
dt (Q0 + kV ) c A20
A cette équation différentielle on fait correspondre la fonction de transfert :

kp
Hp = [7.102]
τ ps +1
où :
Q0 (cA1 − c A20 ) V
kp = , τp =
(Q0 + kV ) c A20 (Q0 + kV )
avec la forme discrète correspondante :

− h /τ p
−1 k p (1 − e ) z −1
H p (z ) = − h / τ p −1
[7.103]
1− e z
et h la période d’échantillonnage (d’ordre de grandeur dequelques secondes).
7.5.3. Conception des systèmes de contrôle de la concentration des

composants chimiques
Dans le cas des processus chimiques, il y a des problèmes concernant l’acquisition

des paramètres à contrôler. Les capteurs sont bien protégés pour éviter le contact direct
avec les substances chimiques par un mécanisme d’isolation qui va introduire un
retard pur.
Donc, la fonction de transfert globale du modèle s’exprime par la relation :
kp k f e −τ s
G p ( s ) = ka kt (e −τ s ) = [7.104]
τ ps +1 τ ps +1
Nous proposons un algorithme PID et une méthode fréquentielle pour la

conception de la commande.
On considère la forme factorisée de l’algorithme PID :
⎛K ⎞
Gc ( s ) = ⎜ r ⎟ (Ti s + 1)(Td s + 1) [7.105]
⎝ Ti s ⎠
On peut choisir Ti* = τ p et calculer la fonction de transfert pour le système en

boucle ouverte :
Kr K
G ( s) = (Td s + 1) k f e−τ s = (Td s + 1) e−τ s [7.106]
τ ps τ ps
Le module et l’argument de G ( jω ) s’expriment par les relations :
K (Td ω )2 + 1
G ( jω ) = [7.107]
τ pω
π
arg G ( jω ) = −τω + arctg (Td ω ) − [7.108]
2
Les performances du système sont imposées par les marges de module et de phase
qui sont mesurées sur le lieu de Nyquist du système en boucle ouverte.
π
Considérons une marge de module de 0,5 et une marge de phase de à la pulsation
4
critique du système ωcr .
Pour la pulsation critique, la relation [7.108] devient :
π π
−τωcr − + = −π [7.109]
2 4
et on calcule la pulsation ωcr du système :
3π
ωcr = [7.110]
4τ
La constante de dérivée Td se déduit facilement en fonction de la pulsation

critique à partir de la relation [7.108] et le gain K r du contrôleur PID se calcule
utilisant l’expression du module [7.107] :
4τ
Td* =
3π
[7.111]
3 2π τ p
K r* =
16 τ
La commande PID discrétisée, prévue par un filtrage sur la composante dérivée

(avec une période d’échantillonnage h de l’ordre de grandeur de la dizaine de
secondes) utilisant le résultat de la conception en continu est la suivante :
R ( z −1 ) r + r z −1 + r2 z −2
Gc ( z −1 ) = = 0 −11 [7.112]
S ( z ) (1 − z )(1 + s1 z −1 )
−1
où les paramètres r0 , r1 , r2 et s1 se calculent en fonction de K r* , Td* , Ti* [CAL 79,

LAN 95, TER 98].
Pour passer de la forme factorisée [7.105] à la forme standard de l’algorithme, une

correction des paramètres est appliquée [POP 06].
Chapitre 8
Applications industrielles – Etudes de cas
Ce chapitre présente des résultats sur quelques études de cas concernant la conduite
de processus industriels représentatifs : en sidérurgie – l’installation d’un chauffage d’air
pour l’alimentation du haut fourneau d’une aciérie, en pétrochimie – le réacteur à
pyrolyse pour la fabrication de l’éthylène, en énergétique – les installations de transfert
thermique et les installations énergétiques renouvelables – photovoltaïques. Une solution
d’automatisation moderne, simple et à bas coût, est basée sur le contrôle des paramètres-
clés du processus pour assurer un point nominal d’exploitation intéressant. Une
amélioration de la commande utilisant des stratégies avancées, adaptatives, robustes ou
prédictives est recommandée pour conserver les performances dans la réalité industrielle
et l’optimisation de l’installation technologique pour augmenter le profit de l’entreprise.
Le résultat du problème d’optimisation qui représente la meilleure décision de conduite
est transféré comme la « consigne optimale » au niveau de la régulation pour exploiter le
processus au point optimal de fonctionnement. Dans ce contexte sont proposés des
algorithmes de contrôle qui assurent également des performances en poursuite et en
régulation et des solutions numériques d’automatisation et d’optimisation. Toutes les
études présentées sont validées sur des installations technologiques en fonction.
8.1. Contrôle numérique pour l’installation de chauffage de l’air dans une

aciérie
La complexité des installations métallurgiques et sidérurgiques ainsi que leurs

difficultés d’organisation et de fonctionnement sont bien connues. Des améliorations
importantes dans l’exploitation de ces installations ont été obtenues après l’apparition
du contrôle numérique et des équipements performants de calcul.
Sur le plan économique et commercial, les critères d’évaluation les plus importants
dans une aciérie sont : le prix, la quantité et la qualité de la production. Les priorités
actuelles dans les installations sidérurgiques sont l’économie de l’énergie, la
productivité et la diversification des produits [POP 06, TAL 93, WAI 62].
Nous considérons une installation de chauffage de l’air pour alimentation des hauts
fourneaux. Le mécanisme d’opération d’une telle installation comporte trois étapes
importantes : le chauffage de l’air proprement dit pour le haut fourneau, l’apport d’air
et le refroidissement de l’installation. En utilisant une commutation technologique
efficiente par des moyens adéquats, les installations alimentent le haut fourneau en air
chaud (1 200 °C). Il y a quelques particularités pour ce type d’installations : les
dimensions assez grandes conduisent à des modèles mathématiques avec un retard
important ou des paramètres distribués ; le combustible utilisé présente plusieurs
composants, mélangés d’une manière parfois aléatoire : le gaz méthane, le gaz de coke
et le gaz de haut fourneau, qui ont différentes puissances calorifiques, ainsi qu’avec
des non-linéarités de l’ensemble technologique. Pour évaluer la qualité de la
combustion, la composition du gaz résiduel en concentrations d’O2 et de CO est
mesurée et analysée. Toutes ces particularités donnent de grandes difficultés dans
l’exploitation des installations de chauffage.
La structure pour l’automatisation de l’installation de chauffage de l’air est organisée

sur deux niveaux interconnectés dans une configuration hiérarchique de conduite. Le
niveau d’exécution pour le contrôle des paramètres du processus et le niveau de
supervision pour l’optimisation du régime de combustion nécessaire au chauffage de
l’air. Notons que les modèles dynamiques pour la régulation des paramètres du processus
et le modèle de conduite sont obtenus par des techniques expérimentales d’identification
et les algorithmes de contrôle utilisés sont de type polynomial.
8.1.1. Solution d’automatisation et conception de la commande
L’objectif majeur est alors de proposer une solution d’automatisation numérique

pour ce type d’installation, qui assure une exploitation performante du chauffage de
l’air pour le haut fourneau et l’optimisation du processus de combustion, fournisseur
important de l’énergie thermique nécessaire. La solution choisie pour le niveau de
régulation est basée sur deux objectifs :
– le contrôle du processus de combustion qui est responsable de la quantité de
chaleur nécessaire pour le chauffage de l’installation par la régulation du débit de
combustion et de l’air qui entretient la combustion ;
Applications industrielles – Etudes de cas 219
– le contrôle des paramètres du processus de chauffage de l’air qui va alimenter le

haut fourneau par la régulation du débit et de la température de l’air à l’entrée du haut
fourneau.
Le contrôle du régime de combustion inclut des systèmes en boucle fermée pour le

débit de combustible (FRC-1) qui respecte la consigne à la valeur de 98 000 m3/h et
pour le débit de l’air de combustion (FRC-2) qui respecte la consigne à la valeur de
49 000 m3/h. Les deux systèmes contrôlent l’énergie thermique nécessaire pour le
chauffage de l’air dans l’installation.
Pour le système (FRC-1), un modèle du premier ordre (bˆ1 , aˆ1 ) a été évalué, basé
sur les valeurs technologiques acquises lors de l’évolution du processus (voir le
chapitre 7) :
bˆ1 = 0.19033 z −1
[8.1]
aˆ1 = 1 − 0.90484 z −1
et un algorithme polynomial numérique, qui assure une dynamique apériodique rapide

en poursuite et en régulation, a été calculé par une méthode de placement de pôles :
R1 = 0.0956 − 0.856 z −1
S1 = 0.4758 − 0.4758 z −1 [8.2]
T1 = 1 − 1.809 z + 0.819 z
−1 −2
Pour le système (FRC-2), on a estimé par la même procédure le modèle (bˆ2 , aˆ2 ) :
bˆ2 = 0.1903 z −1
[8.3]
aˆ2 = 1 − 0.904 z −1
et l’algorithme de commande correspondant :
R2 = 0.5907 − 0.4731 z −1
S 2 = 0.1903 − 0.1903 z −1 [8.4]
T2 = 1 − 1.314094 z + 0.43171 z
−1 −2
Le contrôle pour le chauffage de l’air dans le haut fourneau est réalisé par les
systèmes en boucle fermée : (FRC-3) pour le débit qui alimente l’installation de
chauffage de l’air à l’entrée du haut fourneau à la consigne de 50 000 m3/h et (TRC-4)
pour la température de l’air qui respecte la consigne imposée de 1 200 °C.
Pour le système (FRC-3), le modèle (bˆ3 , aˆ3 ) de deuxième ordre a été estimé :
bˆ3 = 0.06777 z −1 + 0.05188 z −2

[8.5]
aˆ3 = 1 − 1.3299 z −1 + 4.49258 z −2
et la commande numérique correspondante :
R3 = 8.35702 − 11.111503 z −1 + 3.754475 z −2

S3 = 1 − 0.5663 z −1 − 0.4336 z −2 [8.6]
T3 = 8.35702 − 11.111503 z −1 + 3.754475 z −2
Le modèle dynamique du deuxième ordre (bˆ4 , aˆ 4 ) a été évalué et validé par une
opération d’identification expérimentale (MCR) pour le système (TRC-4) :
bˆ4 = 0.00123 + 0.000139 z −1

[8.7]
aˆ4 = 1 − 1.37198 z −1 + 0.37623z −2
et l’algorithme numérique de régulation correspondant :
R4 = 1.76889 − 2.03422 z −1 + 0.51875 z −2

S4 = 0.00123 + 0.000605 z −1 − 0.001643 z −2 , [8.8]
T4 = 1 − 0.99317 z + 0.24660 z
−1 −2
qui assure les performances imposées a été calculé.
Les trois composants du débit de combustion sont calculés d’après une recette
technologique de consommation pré-spécifiée qui est assurée par les systèmes
en boucle fermée : (FRC-5) pour le débit de cocs, (FRC-6) pour le débit de CH4 et
(FRC-7) pour le débit de gaz de haut fourneau. On a calculé :
– le modèle dynamique (bˆ5 , aˆ5 ) du système ( FRC-5) :
bˆ5 = 0.03807 z −1
[8.9]
aˆ5 = 1 − 0.9084 z −1
et l’algorithme de contrôle :
R5 = 0.27 − 0.23387 z −1
S5 = 0.038065 − 0.038065 z −1 [8.10]
T5 = 1 − 1.63476 z + 0.67099 z
−1 −2
– le modèle (bˆ6 , aˆ 6 ) pour le système (FRC-6) avec :
bˆ6 = 0.0314 z −1
[8.11]
aˆ6 = 1 − 0.90484 z −1
et l’algorithme de commande :
R6 = 0.27 − 0.233846 z −1
S6 = 0.0314 − 0.0314 z −1 [8.12]
T6 = 1 − 1.63476 z + 0.670991 z
−1 −2
– le modèle (bˆ7 , aˆ7 ) du système (FRC-7) avec :
bˆ7 = 0.47581 z −1
[8.13]
aˆ7 = 1 − 0.90484 z −1
et les polynômes de l’algorithme de contrôle :
R7 = 0.095682 − 0.85697 z −1
S7 = 0.475813 − 0.475813z −1 [8.14]
T7 = 1 − 1.809155 z −1 + 0.819142 z −2
Avant d’implanter la commande, on a vérifié en simulation les performances

(nominales) des systèmes en boucle fermée. Quelques améliorations ont été apportées
à la conception des systèmes en utilisant des stratégies adaptatives pour garder les
performances en temps réel [DAU 04, LAN 97, POP 06].
8.1.2. Optimisation du processus de combustion
Au niveau de l’optimisation, un modèle multi-variable et non linéaire de conduite a

été calculé. Ce modèle a comme sortie la concentration d’oxygène dans le gaz résiduel
de combustion qui exprime la qualité du processus de combustion et comme entrées : le
débit du mélange de combustible et le débit de l’air pour la combustion. Le problème
d’optimisation a été résolu par une méthode évolutive de recherche aléatoire [BOR 13a,
POP 06, STE 14a].
Pour notre application, la concentration d’oxygène z ( %O2 ) a été choisie comme

la grandeur de qualité (qui a défini le critère d’optimisation) et qui dépend des entrées
y1 , débit de gaz de combustion et y2 , débit de l’air de combustion.
L’idée centrale est de trouver la solution optimale pour le processus de combustion

respectant les conditions technologiques restrictives d’exploitation.
Le modèle quasi-stationnaire de conduite zˆ ( %O2 ) = f ( y1 , y2 ) a été évalué et

ensuite, les fonctions qui expriment les contraintes technologiques pour la
concentration ẑ1 de CO, la température ẑ2 de la coupole de l’installation et la
température ẑ3 du gaz résiduel, qui dépendent de mêmes variables y1 et y2 , ont été
identifiés :
zˆ1 ( %CO ) = f1 ( y1 , y 2 )
( )
zˆ2 Tcowpercupola = f 2 ( y1 , y 2 ) [8.15]
zˆ (T
3 flowgas ) = f ( y ,y )
3 1 2
Ces fonctions (modèles) non linéaires ont été évaluées en utilisant la technique
d’identification expérimentale de MC.
Le protocole expérimental s’est concentré sur la procédure d’acquisition de

données pendant le premier intervalle de chauffage de l’installation avec une durée
imposée (résolution de 128 observations avec une période d’acquisition de deux
secondes).
Avec les collectes des mesures prélevées en temps réel, on a estimé les modèles
suivants :
zˆ = −9.665 + 0.229 y1 − 0.0009 y12 + 0.010 y2
zˆ1 = −4282.875 − 21.566 y1 − 0.077 y12 + 21.500 y2

[8.16]
zˆ2 = 1277.613 + 0.001 y12 − 0.387 y2
zˆ3 = 499.161926 − 0.002147 y1 − 3.49945 y2
La première équation représente le modèle de conduite et les suivantes : ẑ1 , ẑ 2 , ẑ3 ,

les modèles des contraintes technologiques du processus.
Le problème d’optimisation paramétrique non linéaire s’exprime dans ce cas

comme suit :
min{I = −9.665 + 0.229 y1 − 0.0009 y12 + 0.010 y2 } [8.17]
en respectant l’ensemble des contraintes :
0 ≤ zˆ1 ≤ 450 ppm
0 ≤ zˆ2 ≤ 13000 C
0 ≤ zˆ3 ≤ 3400 C [8.18]

96.309 ≤ y1 ≤ 102.452
46.602 ≤ y2 ≤ 57.992
La solution de ce problème, calculée par une technique d’optimisation utilisant la

méthode numérique directe Complex, détermine le point optimal d’exploitation du
processus de combustion :
3
y1* = 97469.85 m – débit optimal de gaz combustible
h
3
y2* = 47804.16 m – débit optimal de l’air de combustion
h
Ce point de fonctionnement va garantir la valeur minimale d’O2 suivante, dans le

gaz résiduel :
z *min ( %O2 ) = 4.65% [8.19]
Utilisant l’approche présentée dans ce travail, la consommation du combustible de

méthane a été réduite de 7.4% par rapport au niveau moyen de consommation.
Les valeurs des variables des contraintes calculées en ce point de fonctionnement,

sont les suivantes :
*
z1 ( %CO ) = 415.73 ppm
*
z2 (Tcupola ) = 1273.25o C [8.20]
*
z3 ( T flowgas ) = 311.47o C
La décision optimale (y ,y )
*
1
*
2 est automatiquement prise comme consigne
(r1
*
= y1* , r2* = y2* ) pour le niveau inférieur, qui mène par le moyen des systèmes en
boucle fermée le processus de combustion au point optimal de fonctionnement.
Le problème d’optimisation [8.17]-[8.18] est reconstruit et résolu, après l’opération

de mise à jour du modèle de conduite ẑ . Cette application est mise en fonction et
pilote une installation de chauffage des hauts fourneaux sur une plateforme
sidérurgique du sud-est de l’Europe [FIL 09, POP 06].
8.2. Contrôle et optimisation d’une installation d’éthylène
L’industrie chimique constitue toujours un champ fertile pour le contrôle au-

tomatique des processus technologiques et en conséquence, certaines des applications
les plus représentatives trouvent leur place dans ce secteur. Dans les récentes
décennies, l’industrie pétrochimique a subi un développement sans précédent en
améliorant les équipements et les lignes de production et a également contribué à
l’expansion de la capacité de production.
Aujourd’hui, la demande d’éthylène dépasse 125 millions de tonnes par an avec

une tendance de croissance de 3.5% par an. On s’attend à ce que la capacité moyenne
d’usines, d’une valeur de 300 KTA dans les années 1980 et de plus de 1 000 KTA
aujourd’hui, se développe au delà de 2 000 KTA dans un avenir proche.
La pyrolyse est une installation pétrochimique de décomposition thermique d’une

matière organique complexe (essence, éthane) en d’autres produits précieux : éthylène,
propylène, butadiène, benzène, xylène, qui forment la base de toute l’industrie
pétrochimique. Les matières organiques sont composées de chaînes de molécules. La
chaleur permet de casser ces chaînes et de produire des structures organiques plus
simples. Les réactions chimiques entre les matières organiques et l’eau en phase
vapeur se déroulent dans une atmosphère pauvre en oxygène pour éviter les
phénomènes dangereux d’explosion.
Il s’agit donc d’une réaction complexe dans des fours à pyrolyse, entre le
composant organique et l’eau (en phase vapeur), qui a lieu à haute température
(850 °C) et basse pression (3–4 atm) et qui va générer un mélange complexe de
produits chimiques en phase gazeuse [CAL 79, TER 89].
L’éthylène est le produit principal et représente l’une des matières premières les
plus importantes dans l’industrie pétrochimique. Elle est considérée comme la colonne
vertébrale de l’industrie pétrochimique et est vue comme le produit avec le plus grand
volume de production et le point de départ pour la plupart des produits dérivés, parmi
lesquels les polyéthylènes et les glycols qui consomment environ 85 % de la
production d’éthylène.
Il y a deux zones de travail dans le réacteur, la zone de convection dans laquelle on

mélange la matière première et la vapeur d’eau nécessaires, où la réaction va débuter à
la température d’environ 500 °C et la zone de radiation dans laquelle ont lieu les
réactions chimiques à une température de 820 °C – 860 °C. La pression dans le
réacteur reste entre 3–4 atm.
La quantité de chaleur nécessaire pour la réaction s’obtient par une batterie de

brûleurs, alimentée par le combustible méthane.
Le produit de la réaction de pyrolyse est le mélange de composants chimiques

parmi lesquels se retrouve le produit principal, l’éthylène.
Après la récupération de l’éthylène, suit un ordre complexe de procédures de

séparation des différents composants chimiques.
Une exploitation du réacteur de pyrolyse dans un point nominal de travail permet

d’assurer une proportion correcte entre l’essence et les vapeurs d’eau et les conditions
nécessaires de température et de pression pour la réaction de pyrolyse. Pour obtenir un
rendement chimique supérieur, il faut améliorer la commande et trouver un régime
optimal d’exploitation du réacteur.
8.2.1. Solution d’automatisation et conception de la commande
Une solution d’automatisation pour l’installation de pyrolyse est imaginée pour

deux objectifs importants :
– garantir une proportion correcte à l’entrée du réacteur, entre les réactants qui
participent à la réaction par le contrôle de débit d’essence et le débit de vapeur ;
– assurer les conditions nécessaires pour la réaction chimique par le contrôle de la
température dans la section médiane du réacteur qui doit rester autour de la valeur
de (850 °C) et par le contrôle et la pression à l’intérieur du réacteur qui doit être
maintenue à la valeur de 4 atm.
Les modèles de commande pour les systèmes de contrôle de débit des réactants ont
été évalués par une approche analytique (équations de bilan), et pour la température et
la pression de la réaction de pyrolyse, les modèles dynamiques ont été identifiés par
des techniques expérimentales de moindres carrés récursifs MCR.
La conception de la commande des systèmes numériques par la méthode de

placement des pôles est développée en utilisant des algorithmes polynomiaux. Avant
d’implanter la commande, on vérifie en simulation les performances nominales des
systèmes en boucle fermée. Après une analyse de la robustesse des systèmes, une
amélioration de la commande est assurée, pour garder les performances en temps réel
sur le processus physique [FRA 72, LAN 97, POP 06, POP 13].
8.2.1.1. Contrôle de la proportion des débits d’essence et de vapeur

Le premier objectif est de bien calibrer les quantités introduites dans le réacteur et
qui participent aux réactions chimiques par le contrôle des débits d’essence et de
vapeur.
Tout d’abord, les modèles analytiques sont calculés (voir chapitre 7) sur base des
équations hydrauliques d’écoulement de fluide. Ces modèles sont exprimés en continu
par les fonctions de transfert :
0.24 [8.21]
GF1 ( s) =
(8s + 1)( 0.67s + 1)
pour le débit d’essence et :
0.21 [8.22]
GF 2 ( s) =
( 4s + 1)( 0.2s + 1)
pour le débit de vapeur.
Les algorithmes PI sont calculés par placement des pôles pour les systèmes en
boucle fermée, et les fonctions de transfert correspondantes sont décrites par les
relations suivantes :
⎛ 1⎞
GR1 ( s ) = 11.11 ⎜ 1 + ⎟
⎝ 8s ⎠ [8.23]
⎛ 1 ⎞
GR 2 ( s ) = 6.34 ⎜ 1 + ⎟
⎝ 4 s⎠
La technique d’Euler pour la discrétisation des relations [8.21] et [8.22] avec un

pas de discrétisation de 0,1 seconde a été utilisée. Nous avons obtenu la représentation
équivalente discrète pour les deux algorithmes :
11.24 − 11.11z −1
GR1 ( z −1 ) =
1 − z −1 [8.24]
7.92 − 6.34 z −1
GR 2 ( z −1 ) =
1 − z −1
Les performances imposées en poursuite et en régulation pour les deux systèmes

en boucle fermée sont validées en simulation par le logiciel Matlab-Simulink. Les
résultats sont présentés dans la figure 8.1 qui montre leurs performances en poursuite
et en régulation.
Gasoline
Amplitude
Steam
Time (seconds)
Figure 8.1. Réponse des systèmes de contrôle de débit d’essence et de vapeur
8.2.1.2. Contrôle des paramètres de la réaction chimique

Le deuxième objectif de la solution d’automatisation proposée est d’assurer les
conditions optimales de température et de pression de la réaction chimique par le
contrôle de la température et de la pression à l’intérieur du réacteur.
Les modèles mathématiques ont été évalués par une procédure expérimentale
d’identification utilisant la méthode des MCR. A l’étape de la conception de la
commande, les algorithmes qui assurent les performances pour les systèmes bouclés
ont été calculés en utilisant la méthode de placement des pôles en discret.
Un modèle numérique de deuxième ordre a été identifié et validé pour le système

de contrôle de température (TRC-3), en utilisant un programme expérimental
d’acquisition et de traitement de données, relation [8.25] :
0.04711z −1 [8.25]
GP 3 ( z −1 ) =
1 − 1.61402 z −1 + 0.65344 z −2
Pour le système (TRC-3) la commande numérique calculée est présentée par les
relations [8.26] :
⎡ R3 ( z −1 ) = 36.45 − 52.01z −1 + 18.98 z −2

⎢ [8.26]
⎢ S3 ( z −1 ) = 1 + 0.36 z −1 − 1.36 z −2
⎢ −1 −1 −2
⎢⎣T3 ( z ) = 21.22 − 26.42 z + 8.63 z
Le modèle identifié pour le système de contrôle de la pression (PRC-4) est présenté

en [8.27] :
0.00597 z −1 [8.27]
GP 4 ( z −1 ) =
1 − 1.68364 z −1 + 0.70730 z −2
L’algorithme numérique de régulation pour le système de contrôle (PRC-4) a été

évalué en utilisant la même méthode de placement des pôles avec des objectifs
indépendants en poursuite et en régulation et qui s’exprime par les relations [8.28] :
⎡ R4 ( z −1 ) = 241.9 − 372.9 z −1 + 145.3 z −2

⎢ [8.28]
⎢ S 4 ( z −1 ) = 1 + 0.22 z −1 − 1.22 z −2
⎢ −1 −1 −2
⎢⎣T4 ( z ) = 167.5 − 243.9 z + 90.8 z
La figure 8.2 présente en simulation la réponse et la commande du système en

boucle fermée (TRC-3) :
Step response
Plant_Output Reference
Number of samples
Process’ input
Plant_Intput Number of samples
Figure 8.2. Réponse du système (TRC-3) de contrôle de température
Dans la figure 8.3 est présentée la dynamique du système (PRC-4) en poursuite et

en régulation, et la commande du système en boucle fermée :
Step response
Plant_Output Reference Number of samples

Plant input
Number of samples
Figure 8.3. Réponse du système de contrôle de pression
L’intérêt final de l’automatisation est d’améliorer la dynamique de la commande et

de préserver les performances nominales comme des performances réalisées sur le
processus physique. Avant d’implanter la commande sur un microcontrôleur, on
vérifie en simulation les performances nominales des systèmes en boucle fermée et
on effectue quelques améliorations pour la commande en utilisant une stratégie
robuste pour garder les performances sur l’installation en temps réel [LAN 97,
POP 06].
Une analyse de robustesse, basée sur le calcul du module de robustesse ΔM et sur

la caractéristique fréquentielle de la fonction de sensibilité perturbation-sortie du
système, est réalisée pour les systèmes ce qui assure les conditions de la cinétique des
réactions de pyrolyse (TRC-3) et (PRC-4).
La marge de module ΔM ( jω) mesure la distance minimale entre le point critique

[-1, 0j] et le lieu de Nyquist du système en boucle ouverte.
Pour le système de contrôle considéré avec une commande polynomiale RST, la

fonction de sensibilité s’exprime par :
aˆ ( z −1 ) S ( z −1 ) [8.29]
S py ( z −1 ) =
aˆ ( z −1 ) S ( z −1 ) + bˆ( z −1 ) R( z −1 )
où aˆ( z ) et bˆ( z −1 ) sont les polynômes du modèle identifié et R( z ) et S(z ) les

−1 −1 −1
polynômes de la commande calculée.
La relation entre les deux indicateurs de robustesse est connue :

−1
−1
ΔM ( j ω) = S py ( j ω) = S py ( j ω) [8.30]
min max
Une robustesse acceptée s’exprime en pratique par un module supérieur à la valeur

0,5 ou bien par une valeur maximale de la fonction de sensibilité inférieure à 6dB.
La caractéristique en fréquence de la fonction de sensibilité pour la commande

nominale, présentée dans les relations [8.28], montre que les indicateurs de robustesse
ne sont pas respectés.
dB
Amplitude
Sensitivity Frequency
Frequency f/fs
Figure 8.4. Fonction de sensibilité du système nominal

de contrôle de température
Pour augmenter la robustesse du système, on a effectué une correction de la

commande et un autre algorithme qui contrôle la température (TRC-3) a été calculé :
⎡ R3 ( z −1 ) = 3.42 − 5.53z −1 + 2.24z −2

⎢ −1 −1 −2 [8.31]
⎢ S3 ( z ) = 1 − 1.24z + 0.24z
⎢ −1 −1 −2 −3 −4
⎢⎣T3 ( z ) = 21.22 − 60.68z + 65.15z − 31.19z + 5.63z
L’algorithme robuste du système (TRC-3) a corrigé la fonction de sensibilité, la

maintenant sous la limite de 6dB imposée et les performances en poursuite sont
conservées par la dynamique de la commande améliorée (voir figure 8.5).
dB
Amplitude
Sensitivity Frequency f/fs
Figure 8.5. Fonction de sensibilité du système robuste

de contrôle de température
Plant_Output Reference
Plant_Intput
Figure 8.6. Réponse du système robuste

pour le contrôle de température
Pour le système de contrôle de la pression (PRC-4), une correction similaire a été

appliquée et la commande polynomiale robuste calculée a corrigé la fonction de
sensibilité, la maintenant aussi sous la limite de 6dB (voir la figure 8.6) par la
dynamique de la commande suivante, améliorée :
⎡R4 ( z −1 ) = 14.34 − 24.15z −1 + 10.14z −2

⎢ −1 −1 −2 [8.32]
⎢ S 4 ( z ) = 1 − 1.45z + 0.45z
⎢ −1 −1 −2 −3 −4
⎣T4 ( z ) = 167.5 − 526.6z + 620.1z − 325.5z + 64.24z
8.2.2. Optimisation du processus de pyrolyse
Le problème d’optimisation assure le point d’exploitation optimal du réacteur.

Dans notre étude de cas, l’objectif d’optimisation est de maximiser la concentration
d’éthylène (z) et donc le rendement de conversion de l’essence–matière première en
produit utile–éthylène, en calculant les nouvelles consignes des systèmes bouclés. Pour
résoudre ce problème, un certain nombre de données a été acquis, pour les entrées : le
débit d’essence ( y1 ) , le débit de vapeur ( y2 ) , la pression de réaction ( y3 ) et la
température du réacteur ( y4 ) et pour la sortie (z), la grandeur de qualité qui représente
la concentration d’éthylène dans le produit de la réaction.
Basée sur une collection des données bien choisie, nous avons estimé le modèle de
conduite du processus chimique, non linéaire, multi-variable , avec la sortie ẑ par la
structure suivante :
1
ẑ = aˆ0 + aˆ1 y1 + aˆ2 + + aˆ3 y3 + aˆ4 y42 [8.33]
y2
où :
⎡ ⎤ [8.34]
aˆ T = ⎢ aˆ0 aˆ1 aˆ2 aˆ3 aˆ4 ⎥
⎣ ⎦
est le vecteur des paramètres inconnus du modèle qui a été estimé en employant la
méthode des moindres carrés MC sur l’ensemble des données expérimentales
acquises.
Le problème d’optimisation est alors construit en vue de maximiser le produit

principal, l’éthylène, comme suit :
max zˆ ( y ) [8.35]
avec les contraintes :

3
1000 ≤ y1 ≤ 1600[m ]
h
3
430 ≤ y2 ≤ 540[m ] [8.36]
h
3.3 ≤ y3 ≤ 4.5[barr ]
820 ≤ y4 ≤ 860[ 0 C ]
Les résultats obtenus à partir d’une routine de Matlab, basée sur une méthode
directe de recherche (BOX) ont conduit aux valeurs suivantes :
y ∗1 = 1559.6 [m 3 / h] , y∗2 = 430.03 [m3 / h] , y ∗3 = 3.3 [barr ]

y ∗ 4 = 859.85 [ 0 C]
La proportion d’éthylène produite dans le total de produits finaux de la réaction a

∧
conduit à la valeur optimale : z * = 34.16% .
La décision optimale ( y∗1 , y∗2 , y∗3 , y∗4 ) de ce niveau de conduite est utilisée comme
consigne pour les systèmes en boucle fermée du niveau de régulation.
Après avoir mis en application le résultat de ce processus en temps réel, la

concentration d’éthylène obtenu a augmenté de 4,2 % par rapport à la valeur moyenne
sur une plateforme pétrochimique représentative, en fonction [BOR 13, FIL 09,
POP 06, STE 14].
8.3. Commande numérique d’une installation thermo-énergétique
La solution recommandée pour augmenter l’efficacité du régime de fonction-

nement des installations de chauffage thermo-énergétique est aujourd’hui d’introduire
à large échelle, des systèmes d’automatisation performants qui sont capables de piloter
les nouvelles technologies des installations qui fournissent l’énergie thermique.
Cette étude de cas a pour objectif principal la conception d’une structure

numérique de développement qui dessert les installations existantes au niveau d’un
point de distribution d’énergie thermique dans la structure d’un réseau de chauffage
urbain de grande taille. La configuration d’automatisation proposée représente une
structure hardware-software flexible, capable de s’adapter aux conditions saisonnières
réelles d’exploitation et aux demandes de l’utilisateur. L’application de conduite de
l’installation thermique considérée assure l’acquisition et le contrôle des paramètres

d’importance technologique du processus (la température de l’eau ménagère, et de
l’agent secondaire de chauffage, la chute de pression sur le point thermique et les
débits de l’agent et des produits), ainsi que l’optimisation du régime de transfert
thermique.
La réalisation d’un système numérique de développement (SND) de haute

performance suppose la connaissance de technologies, ressources d’exploitation et
managériales, l’intégration des connaissances théoriques et pratiques des systèmes
automatisés (méthodes, algorithmes et produits software), des équipements numériques
spécialisés pour le contrôle des processus industriels thermo-énergétiques (interfaces de
processus, microcontrôleurs, automates programmables, traducteurs et actionneurs
intelligents).
La solution d’automatisation présentée dans la suite a été développée en deux

étapes, la première matérialisée par la conception du niveau de régulation numérique
et la deuxième concrétisée par la conception d’un superviseur qui assure l’optimisation
du transfert thermique agent-produit.
8.3.1. Solution d’automatisation d’un point de fonctionnement thermique
La solution d’automatisation correspond à la configuration technologique série-

parallèle qui existe au niveau d’un point thermique dans le réseau. Cette configuration
est utilisée pour assurer un rendement élevé du transfert thermique agent-produit pour
l’eau ménagère et l’eau de chauffage [POP 06, TUD 13].
En principe, les systèmes de chauffage centralisés ont à la base des processus de

transfert de chaleur qui présentent un degré élevé de complexité et posent de
nombreux problèmes dans l’activité de l’exploitation.
A partir de prémisses présentées dans la suite, on propose une solution

d’automatisation qui assure les fonctions suivantes : la surveillance de l’information au
niveau d’un point thermique par la mesure et l’acquisition des données dans le
processus, la régulation des paramètres d’importance technologique dans le point
thermique et l’optimisation du régime de transfert énergétique.
La fonction de contrôle automatique vise les paramètres technologiques de

l’installation pour lesquels on prévoit les systèmes de réglage suivants : (TRC-1) la
température de l’eau chaude ménagère qui a comme grandeur d’éxecution le débit de
l’agent thermique primaire (à l’entrée de l’installation) ; (TRC-2) la température de
l’agent de chauffage secondaire qui a comme grandeur d’exécution le débit sortant de
l’agent thermique ; (DPRC-3) la chute de pression sur le point thermique avec comme
grandeur d’exécution une fraction du débit (le retour) de l’agent thermique.
Ces systèmes assurent le fonctionnement de l’installation en un point nominal aux

valeurs imposées à l’opérateur par les consignes des systèmes.
Pour la conception des systèmes de régulation, les modèles mathématiques ont été
estimés par l’identification MCR. Les algorithmes de commande qui assurent les
performances dynamiques ont été calculés en utilisant la technique, devenue usuelle,
de placement de pôles [DAU 04, LAN 97, POP 06, TUD 13].
Les performances imposées pour les systèmes bouclés sont validées en simulation
par un logiciel dédié.
Le modèle dynamique discret du processus a été estimé pour le système (TRC-1)

par une opération d’identification expérimentale :
0.21 z −1 −1
G f ( z −1 ) = z [8.37]
1 − 0.88 z −1
Basé sur le modèle estimé, un algorithme polynomial numérique (les polynômes R

et S) a été calculé pour assurer les performances en regulation.
La dynamique en poursuite est spécifiée par le modèle (bˆm , aˆm ) qui va générer la
trajectoire imposée :
⎧⎪bˆm ( z −1 ) = 0.02 + 0.02 z −1

⎨ [8.38]
−1 −1 −2
⎪⎩ aˆm ( z ) = 1 − 1.56 z + 0.61 z
Cette trajectoire sera reproduite à la sortie du système en boucle fermée par le

polynôme T( z −1 ) disponible.
Les performances en régulation sont imposées par le système dynamique obtenu

par la discrétisation d’ un système de deuxième ordre :
ω2n
G0 ( s ) = [8.39]
s + 2ζωn + ω2n
2
avec ωn = 0.0042 rad / sec et ζ = 0.95 , qui assurent le placement des pôles désirés
pour le système bouclé.
L’algorithme général de la commande RST calculé s’exprime par les composantes

polynomiales suivantes :
⎧ R ( z −1 ) = 10.68 − 6.80 z −1
⎪ −1 −1 −2 [8.40]
⎨ S ( z ) = 1 + 0.65 z − 1.65 z
⎪ −1 −1 −2
⎩T ( z ) = 4.65 − 1.03 z + 0.26 z
La réponse en simulation du système (TRC-1) en boucle fermée qui donne les

performances en poursuite et en régulation ainsi que la dynamique de la commande est
présentée dans la figure 8.7.
Figure 8.7. Réponse du système en boucle fermée (TRC-1)
Pour le système (TRC-2), un modèle de premier ordre du processus a été évalué

par la même méthode d’identification expérimentale :
0.47 z −1 −3 [8.41]
G f ( z −1 ) = z
1 − 0.86 z −1
Un algorithme RST qui assure des performances en poursuite et en régulation

imposées, a été calculé utilisant la même méthode.
La dynamique en poursuite est imposée par le modèle discret (bˆm / aˆ m ) , avec :
⎪⎧bˆm ( z ) = 0.037 + 0.03 z

−1 −1
⎨ [8.42]
−1 −1 −2
⎪⎩aˆm ( z ) = 1 − 1.49 z + 0.56 z
La sortie du modèle [8.42] fournit la trajectoire en poursuite qui sera reproduite à la

sortie du système en boucle fermée par le calcul du pré-compensateur T( z −1 ).
Les performances en régulation sont fixées par le polynôme caractéristique obtenu

par la discrétisation du système dynamique continu du deuxième ordre :
ω2n [8.43]
G0 ( s ) =
s + 2ζωn + ω2n
2
avec ωn = 0.001rad / sec et ζ = 0.95 , qui assurent le placement de pôles désiré.
La commande RST pour le système bouclé comprend les composantes polyno-

miales suivantes :
⎧ R( z −1 ) = 0.26 − 0.22 z −1
⎪ −1 −1 −2 −3 −4 [8.44]
⎨ S ( z ) = 1 − 0.89 z + 0.006 z + 0.006 z − 0.12 z
⎪ −1 −1 −2
⎩T ( z ) = 2.11 − 3.71 z + 1.64 z
La réponse du système (TRC-2) en boucle fermée, et la dynamique de la

commande sont presentées en simulation dans la figure 8.8.
Figure 8.8. Réponse du système en boucle fermée (TRC-2)
Le modèle discret du processus pour le système (DPRC-3) a été estimé par une
technique de MCR d’identification expérimentale :
0.019 z −1 + 0.015 z −2 [8.45]
G f ( z −1 ) =
1 − 1.45 z −1 + 0.51 z −2
Un algorithme RST qui va assurer des performances en poursuite et en régulation

imposées a été calculé.
La dynamique en poursuite est specifiée par le modèle discret suivant :

⎧⎪bˆm ( z −1 ) = 0.037 + 0.03 z −1
⎨ [8.46]
−1 −1 −2
⎪⎩aˆm ( z ) = 1 − 1.49 z + 0.56 z
La dynamique en régulation est obtenue comme précédement, par la discrétisation

d’un système continu du deuxième ordre :
ω2n
G0 ( s ) = [8.47]
s + 2ζωn + ω2n
2
avec ωn = 0.002rad/sec et ζ = 0.9, valeurs qui définissent les pôles du système en

boucle fermée.
Le contrôleur RST est représenté par l’ensemble des polynômes :

⎧ R( z −1 ) = 23.36 − 35.39 z −1 + 13.44 z -2
⎪ −1 −1
⎨ S ( z ) = 1 − 0.58 z − 0.41 z
−2 [8.48]
⎪ −1 −1 −2
⎩T ( z ) = 28.23 − 44.82 z + 18 z
La réponse du système (DPRC-3) en boucle fermée, en poursuite et en régulation

et la dynamique de la commande sont présentées (en simulation) dans la figure 8.9.
Figure 8.9. Réponse du système en boucle fermée (DPRC-3)
8.3.2. Optimisation du transfert thermique agent-produit
Le niveau de supervision intégré dans la structure hierarchisée de conduite réalise

la fonction d’optimisation du processus de transfert thermo-énergétique.
On propose comme grandeur de qualité z, la température de l’agent thermique sur

le retour (à la sortie du point thermique) et comme sorties : y1 – température de l’eau
ménagère, y2 – température de chauffage et y3 – différence de pression entrée-sortie
de l’agent thermique.
Nous considérons que le rendement efficace de transfert de chaleur agent

thermique-produits est assuré si le résidu thermique évacué par le retour de l’agent
thermique est minimal.
La structure du modèle non linéaire, multi-variable est la suivante :

ẑ = aˆ0 + aˆ1 y1 + aˆ 2 y2 + aˆ3 y3 2 [8.49]
Le vecteur des paramètres du modèle de la forme aˆ = [ aˆ0 aˆ1 aˆ2 aˆ3 ]

T
est
déterminé par la méthode des moindres carrés (MC) utilisant des fichiers de données
numériques bien dimensionnés. Dans ce sens, nous avons acquis un ensemble de
fichiers avec les données E/S nécessaires.
Les paramètres du modèle estimé sont :

⎧aˆ0 = 74.85
⎪ˆ
⎪a1 = −2.15 [8.50]
⎨
⎪aˆ2 = −38.06
⎪⎩aˆ3 = 5.68
La fonction critère se construit de la manière suivante :

I ( y ) = y2 ⋅ zˆ ( y ) [8.51]
où y = ⎡⎣ y1 , y2, y3 ⎤⎦ est le vecteur des variables d’entrées normalisées.
Les contraintes ci-dessous s’interprètent comme des limites inférieures et su-

périeures des valeurs mesurées :
42.67 0C ≤ y1 ≤ 65.18 0C
34.20 0C ≤ y2 ≤ 47.62 0C [8.52]
2.67 barr ≤ y3 ≤ 3.98 barr
Les résultats du problème d’optimisation sont les suivants :
zmin = 30.98 0C
y1_ min = 63.09 0C
[8.53]
y2 _ min = 35.44 0C
y3 _ min = 2.67 barr
Les résultats obtenus se situent dans les limites imposées.
La solution ( y1* = 63.09 0C y2* = 35.44 0C y3* = 2.67 barr ) pour le problème de
l’optimisation représente la décision optimale d’exploitation du point thermique avec
rendement maximisé pour le transfert de chaleur. Pour le fichier des données
mesurées, on a calcule la valeur moyenne, zmoyen = 40.33 °C. On observe que
zmin < zmoyen . La valeur de l’indicateur de qualité calculé après l’opération
d’optimisation est r = (z min − zmoyen ) / zmin = « 10,34 % », et donc le rendement de
conversion obtenu est satisfaisant.
Les valeurs calculées au niveau de la supervision sont transférées automatiquement

dans la configuration des systèmes de réglage sous la forme des consignes (optimales)
calculées. Les opérations d’identification du modèle de conduite et d’optimisation se
répètent en fonction du régime saisonnier de fonctionnement de l’installation, sous la
décision du superviseur [BOR 13, CAL 79, FIL 09, POP 06, TER 90].
8.4. Contrôle extrémal d’une installation photovoltaïque
Dans cette étude de cas, on présente la conception d’un système extrémal pour le
contrôle de la puissance maximale d’un panneau photovoltaïque. La configuration
générique d’une plateforme solaire est presentée dans la figure 8.10.
Figure 8.10. Schéma d’une plateforme photovoltaïque
L’électricité photovoltaïque est une source d’énergie intermittente, de caractère

non linéaire et dépendant de nombreux paramètres comme l’irradiation et la
température de l’environnement. Il faut donc adapter la dynamique de cette source
d’énergie à un modèle de représentation adéquat. La puissance fournie par le panneau
photovoltaïque dépend du point de fonctionnement sur la caractéristique de la
puissance génerée. Le panneau photovoltaïque est consideré comme une collection des
jonctions PN qui sont à la base de la réalisation des cellules photovoltaïques. De
nombreux modèles mathématiques ont été́ développés pour représenter le comporte-
ment des cellules photovoltaïques.
Le fonctionnement d’une jonction PN nous permet d’aboutir au modèle électrique

équivalent de la cellule photovoltaïque représenté dans la figure 8.11, appelé́ le modèle
idéal. C’est le modèle le plus simple pour la cellule solaire, car il ne tient compte que
du phénomène de diffusion.
Id
Iph Vd V
Figure 8.11. Modèle idéal d’une cellule PV
Les relations électroniques associées sont les suivantes :
I = I ph − I d
⎛ Vd ⎞
I d = I 0 ⎜ e αVT − 1⎟
⎜ ⎟
⎝ ⎠
et donc nous avons la formule générale du courant :
⎛ Vd ⎞
I = I ph − I 0 ⎜ e α VT − 1⎟ [8.54]
⎜ ⎟
⎝ ⎠
où I – courant fourni par la cellule ; V – tension aux bornes de la cellule ; I 0 –

courant de saturation inverse de la diode ; I ph – intensité́ de court-circuit débitée par
la cellule, α – facteur d’idéalité de la diode ; VT – potentiel thermodynamique avec
kb
VT = T . Les paramètres inconnus du modèle sont : I ph , I 0 et α.
q
Ce type de modèle a l’avantage d’avoir un nombre réduit de paramètres

nécessaires pour le calcul de la courbe caractéristique. Cependant il ne prend pas en
compte la variation de l’environnement, il ne peut donc pas fonctionner dans le monde
réel.
Id
Iph Vd Rsh IRsh V
Figure 8.12. Modèle d’une cellule PV à une diode
Le modèle à une diode, figure 8.12, est obtenu en ajoutant une résistance parallèle
R p et une résistance série Rs à la structure précédente, et donc ce modèle tient
compte des pertes ohmiques au niveau de la cellule, et il est décrit par les relations :
I = I ph − I d − I R p
⎛ Vd ⎞
I d = I 0 ⎜ e αVT − 1⎟ avec Vd = V + IRs
⎜ ⎟
⎝ ⎠
V V + IRs
I Rs = d =
Rp Rp [8.55]
⎛ V + IRs ⎞
V + IRs
I = I ph − I 0 ⎜ e αVT − 1⎟ −
⎜ ⎟ Rp
⎝ ⎠
Les paramètres inconnus sont : I ph , I 0 , α, Rs et R p .
Ce modèle est considéré satisfaisant et même une référence pour les constructeurs
qui s’appuient sur ce modèle pour donner les caractéristiques techniques de leurs
cellules solaires.
Le modèle à deux diodes est dit le plus proche du comportement réel de la cellule
solaire, du fait qu’il tient compte du mécanisme de transfert des charges à l’intérieur de
la cellule, la diode supplémentaire permet de reproduire dans le schéma équivalent des
effets chimiques de recombinaison des électrons (figure 8.13).
Id1 Id2 Rs
Iph Vd1 Vd2 Rsh IRsh V
Figure 8.13. Modèle à deux diodes d’une cellule PV
⎛ V + IRS ⎞ ⎛ V + IRS ⎞
V + IRS
I = I ph − I 01 ⎜ e α1VT − 1⎟ − I 02 ⎜ e α 2VT − 1⎟ − [8.56]
⎜ ⎟ ⎜ ⎟ Rp
⎝ ⎠ ⎝ ⎠
Dans cette figure : I – courant fourni par la cellule ; V – tension aux bornes de
la cellule ; I ph – intensité́ de court-circuit débitée par la cellule ; I 01 – courant de
saturation inverse de la diode 1 ; I 02 – courant de saturation inverse de la diode 2 ; α1
– facteur d’idéalité de la diode 1 ; α2 – facteur d’idéalité de la diode 2 ; VT – potentiel
thermodynamique ; Rs – résistance en série ; R p résistance en parallèle.
Les paramètres inconnus du modèle sont : Iph, I01, I02, α1, α2, Rs et Rp.
La modélisation du fonctionnement des modules photovoltaïques consiste

principalement en l’estimation des courbes non linéaires I = f(V) et P = f(V). La
résolution des équations caractéristiques n’est pas directe. Il existe plusieurs méthodes
afin de tracer la courbe caractéristique non linéaire photovoltaïque. Nous avons
notamment utilisé la méthode de Newton-Raphson, basée sur une technique

numérique récursive de résolution des équations non linéaires du type f ( x) = 0 . En
effet, on cherche d’une manière récurrente la racine (zéro) de la fonction f en
considérant son développement de Taylor au premier ordre. En appliquant cette
méthode pour le modèle à deux diodes, l’objectif est de résoudre, pour différentes
valeurs de V telles que 0 ≤ V ≤ Voc _ STC , l’équation :
⎛ V + IRS ⎞ ⎛ V + IRS ⎞
V + IRS
I = I ph − I 01 ⎜ e α1VT − 1⎟ − I 02 ⎜ e α 2VT − 1⎟ − =0 [8.57]
⎜ ⎟ ⎜ ⎟ Rp
⎝ ⎠ ⎝ ⎠
Pour cela on pose :
⎛ V + IRS ⎞ ⎛ V + IRS ⎞
⎜ V + IRS
f ( I ) = I − I ph + I 01 e α1VT
− 1 + I 02 ⎜ e α 2VT − 1 ⎟ +
⎟ [8.58]
⎜ ⎟ ⎜ ⎟ Rp
⎝ ⎠ ⎝ ⎠
pour 0 ≤ I ≤ I sc _ STC et on applique la méthode de Newton-Raphson à la fonction f

définie ci-dessus.
Les profils extrémaux des caractéristiques I = f (V ) et P = f (V ) d’une cellule

photovoltaïque sont les suivants :
Figure 8.14. Caractéristique I(V) d’une cellule photovoltaïque
Figure 8.15. Caractéristique P(V) d’une cellule photovoltaïque
La puissance fournie par un panneau photovoltaïque dépend du point de

fonctionnement sur la caractéristique et est issue du produit de la tension entre ses
bornes et l’intensité́ en sortie. On remarque qu’il existe un point particulier où la
puissance est maximale. L’objectif est alors de se placer à ce point de fonctionnement,
point de puissance maximale, afin d’optimiser le rendement de conversion de la cellule
photovoltaïque.
D’après la caractéristique I = f(V), il y a trois points importants dont on connaît les

valeurs : point de court-circuit : I = I sc _ STC et V = 0 ; point de circuit-ouvert :
I = 0 et V = Voc _ STC ; point de puissance maximale, I = I np _ STC et V = Vnp _ STC .
Chaque panneau photovoltaïque a des caractéristiques particulières, indiquées dans la

fiche technique fournie par le constructeur. Les paramètres importants qui définissent un
panneau solaire et qui permettent de calculer son rendement sont toujours spécifiés.
L’objectif de la modélisation est maintenant de déterminer tous les paramètres de

la caractéristique extrémale d’une cellule photovoltaïque en fonction des données
spécifiques de la cellule fournies par le constructeur.
Nous allons par la suite nous concentrer sur le modèle de panneau photovoltaïque
choisi, le 30W Ameresco Solar 30J.
Les paramètres de calcul de ce type de panneau utilisés pour l’évaluation de

caractéristiques et pour l’estimation de la dynamique sont présentés dans le tableau ci-
dessous :
TSTC Température standard en conditions de test 25 °C

GSTC Irradiation standard en conditions de test 1 000 W.m-2
Voc_STC Tension de circuit ouvert 22,1 V
Isc_STC Courant de court-circuit 1,74 A
Pmp_STC Puissance maximale 30 W
Vmp_STC Tension à Pmp_STC 17,9 V
Imp_STC Courant à Pmp_STC 1,68 A
Ki Coefficient de température à Isc_STC 0,105 %/°C
Kv Coefficient de température à Voc_STC –0,360 %/°C
Ns Cellules en séries 36
Tableau 8.1. Paramètres caractéristiques du panneau photovoltaïque
Les modules photovoltaïques fournis par les constructeurs représentent un

assemblage en série et en parallèle des cellules photovoltaïques. Les paramètres N s et
N p spécifiés sur la fiche technique représentent respectivement le nombre de cellules
en série et en parallèle. Généralement, les modules photovoltaïques ont des cellules
branchées seulement en série ( N p = 1 ).
La formule de la caractéristique du modèle à deux diodes s’exprime dans ce cas

par :
⎛ V + IRS ⎞ ⎛ V + IRS ⎞
V + IRS
I = I ph − I 01 ⎜ e α1VT N S − 1⎟ − I 02 ⎜ e α 2VT N S − 1⎟ − [8.59]
⎜ ⎟ ⎜ ⎟ Rp
⎝ ⎠ ⎝ ⎠
Dans la suite, on considère ainsi cette nouvelle expression et on modélise

maintenant un module photovoltaïque à deux diodes. Il faut noter que :
kb
VT = N s T [8.60]
q
Afin de déterminer le comportement d’une cellule photovoltaïque, nous allons

calculer le modèle à deux diodes 2-D. Pour cela, il faut déterminer les paramètres
inconnus dans ce cas : I ph , I 01 , I 02 , α1 , α2, Rs et R p .
Considérant la relation :
I sc _ STC + Ki ΔT
I 01 = I 02 = Voc _ STC + K v ΔT [8.61]
α1 + α 2
VT
p
e −1
le courant de court-circuit I ph est plusieurs fois mesuré et enregistré sur le panneau

réel. Les facteurs d’idealite des diodes α1 et α2 représentent respectivement les
composants de la diffusion et de la recombinaison du courant et les valeurs déduites
d’une manière expérimentale qui en résultent :
α1 + α 2
= 1 et on considère α1 = 1 p = 2.2 [8.62]
p
Nous avons alors la possibilité d’évaluer les courants I 01 , I 02 :
I sc _ STC + Ki ΔT
I 01 = I 02 = Voc _ STC + K v ΔT
[8.63]
VT
e −1
Les valeurs des résistances Rs et Rp sont obtenues par itération. Plusieurs mé-
thodes ont évalué ces deux paramètres d’une manière indépendante, mais les résultats
ne sont pas toujours satisfaisants. Dans cette approche, Rs et R p sont ainsi calculées
simultanément.
En effet, d’après l’équation caractéristique du modèle à deux diodes, dans le point

de puissance maximale Rp peut s’exprimer en fonction de Rs de la façon suivante :
Vmp _ STC + I mp _ STC RS

Rp = [8.64]
⎛ Vmp _ STC + Imp _ STC RS ⎞ ⎛ Vmp _ STC + Imp _ STC RS ⎞
⎜ ⎟ ⎜ Pmp _ E
I pv − I01 e α1VT
− 1 − I02 e α2VT
− 1⎟ −
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ Vmp _ STC
⎝ ⎠ ⎝ ⎠
L’idée de cet algorithme est de comparer la valeur du point de puissance maximale

calculée Pmp _ C pour des valeurs de Rs et R p particulières, avec la valeur du point de
puissance maximale expérimentale Pmp _ E (qui existe dans la fiche technique du
constructeur). L’objectif est alors de trouver les valeurs de ces deux paramètres pour
lesquelles la puissance maximale calculée est la plus proche de la puissance maximale
expérimentale.
Utilisant le mécanisme proposé, on calcule les valeurs des paramètres inconnus

pour le modèle 2-D spécifié qui sont présentés dans le tableau 8.2.
I01 = I02 Iph a1 a2 RS Rp

−11 1, 74 A 1, 3 0, 903Ω 533, 059Ω
7, 31.10 A 1
Tableau 8.2. Paramètres obtenus
Une fois les paramètres inconnus déterminés, il reste à résoudre l’équation ca-
ractéristique afin de tracer la caractéristique de l’intensité en fonction de la tension V,
puis la courbe qui nous intéresse plus particulièrement, la courbe de la puissance P en
fonction de la tension V afin de déterminer la tension de puissance maximale. Nous
avons utilisé le panneau solaire spécifié, le 30W Ameresco Solar 30J, dont les données
nécessaires se trouvent dans la fiche technique présentée.
La modélisation a permis de tracer les courbes caractéristiques en fonction des

paramètres fournis par le constructeur, mais aussi des paramètres calculés à l’aide des
formules et des méthodes décrites précédemment et présentées dans les figures 8.16 et
8.17.
Nous pouvons maintenant comparer les valeurs des caractéristiques qui sont
calculées à celles fournies par le constructeur et valider notre approche.
La température T et l’irradiation G ont un impact direct sur les performances d’un

module photovoltaïque. Lorsque la température des cellules augmente, la tension du
circuit ouvert diminue sensiblement tandis que le courant de court-circuit augmente
légèrement. On peut alors remarquer que les cellules photovoltaïques ont de meilleures
performances dans un environnement à température normale avec ciel dégageé, au
contraire d’un environnement chaud.
Dans la figure 8.18, on a tracé plusieurs courbes à différentes valeurs de

température et à éclairement constant à l’aide de la modélisation du panneau solaire
précédent. La puissance du panneau solaire dépend d’une manière importante des
effets de l’irradiation de la cellule. Seule une petite fraction de l’irradiation qui touche
le module est convertie en électricité, la plupart de l’énergie incidente est absorbée et
convertie en chaleur.
Dans la figure 8.19, on a tracé plusieurs courbes pour différentes valeurs

d’éclairement à l’aide de la modélisation du modèle à deux diodes à température
constante.
Caractéristique I-V : Intensitéen fonction de la tension

Valeur Courant
(en A) 1.8
1.6
1.4
1.2
0.8
0.6
0.4 T=25°C et G=1000 W/m2
0.2
0
0 5 10 15 20 25
Tension (en V)
Figure 8.16. Caractéristique calculée, I(V)
Puissance (en W) Caractéristique P-V : Puissance en fonction de la tension

30
T=25°C et G=1000 W/m2
Point de puissance max
25
20
15
10
0
0 5 10 15 20 25
Tension (en V)
Figure 8.17. Caractéristique calculée, P(V)
Figure 8.18. Caractéristiques calculées à différentes valeurs

de température et à éclairement constant
Figure 8.19. Caractéristiques calculées à différentes valeurs

de l’éclairement et à température constante
De nombreuses perturbations peuvent modifier le point de fonctionnement optimal

d’un panneau solaire, comme un changement de température, d’éclairement, le
mouvement d’un nuage. Dans ce contexte difficile, il y a un intérêt majeur de se placer
au point maximal qui permet de fournir la puissance maximale et ainsi optimiser la
conversion énergétique du panneau photovoltaïque.
Pour suivre le point de puissance maximale, il existe de nombreux algorithmes.

Les critères de performances de ces algorithmes sont la complexité de mise en œuvre,
la capacité de l’algorithme à détecter le point extrémal et la vitesse de convergence.
Deux algorithmes validés sont proposés dans nos applications :
– l’algorithme de Coggin’s pour lequel l’idée est d’approximer la caractéristique
de puissance P = f(V) autour du point optimal par un polynôme d’interpolation et ainsi
de calculer facilement le point maximum de ce polynôme. L’approximation du point
maximum de la puissance est ainsi réalisée par le maximum du polynôme
d’interpolation. On peut réitérer cette opération jusqu’à ce que les deux points soient
très proches, séparés par la précision désirée ;
– l’algorithme du gradient optimal (Cauchy) est reconnu comme un algorithme
robuste avec la vitesse de convergence la plus rapide. Dans le cas du panneau
photovoltaïque, la fonction–critère d’optimisation est la puissance générée vue en
fonction de deux paramètres, de l’intensité et de tension, P(I, V).
Les paramètres d’initialisation de l’algorithme sont : un point de départ donné

(I0, V0), la direction du gradient de la puissance P(I,V), la longueur du pas
d’avance et la précision ε, qui assure l’arrêt de l’algorithme [BOR 13, FIL 09,
TER 90].
8.4.1. Contrôle extrémal du panneau photovoltaïque
L’objectif réel de l’étude est de contrôler un panneau photovoltaïque à l’orientation

variable à l’aide d’un moteur-actionneur, permettant de le manipuler afin qu’il puisse
suivre la direction de l’éclairement, pour assurer à la sortie la puissance maximale
[MIR 15, MIR 16, TOR 15, TOR 16].
Dans ce cas, l’objet à contrôler est l’ensemble : l’actionneur (un moteur électrique
à courant continu), le panneau photovoltaïque et le capteur qui va mesurer la puissance
délivrée. Le but du système bouclé, figure 8.20, est de suivre la puissance en sortie du
panneau à la consigne donnée par la valeur de la puissance maximale calculée
précédemment.
252 Co
onception de la commande
c de processus
p pour les applicationss industrielles
Fig
gure 8.20. Sysstème numériq
que pour le con
ntrôle de la puiissance maxim
male
Pour cela, il faut év

valuer cette fois le modèle dynamique
d de l’ensemble coomprenant
ur, le panneau photovoltaïqu
le moteu p ue et le capteurr de puissance ainsi que déteerminer le
correcteu
ur approprié afin de valid der les perforrmances du sy ystème à l’aiide de la
simulatio
on.
Pour la modélisatio on du moteur à courant conttinu, figure 8.2

21, deux équat
ations sont
utilisées sur le schémaa électromécan
nique suivant :
ia La Ra
ω
va
J b
Figure 8.21. Schéma

S électrro-mécanique du moteur à courant
c continu
u
l’équatio
on électrique :
dia (t))
ua (t) = uRa (t)) + uLa (t) + ea (t) = Raia (tt) + La + ea (t) [8.65]
dt
et l’équaation mécaniqu
ue :
dω (t )
J = Cm (t ) − C f (t ) [8.66]
dt
Pour le moteur choisi, on obtient la fonction de transfert suivante :
K
Ω( s ) Ld J
Gm ( s) = = [8.67]
U a ( s) Ra J + La f R f + K2
s2 + s+ a
La J La J
et après un calcul numérique basé sur les paramètres du moteur, nous avons obtenu :
13, 44 Km
Gm ( s ) = = =
s + 93, 97 s + 40, 33 (
2
1 + Tm1 ) ⋅ (1 + Tm 2 s )
s
[8.68]
0, 31
=
(1 + 0, 01s ) ⋅ (1 + 2,17 s )
Les simulations expérimentales permettent de dire que la puissance délivrée par le
panneau photovoltaïque est proportionnelle à l’éclairement reçu. Pour la dynamique du
panneau choisi, basée sur ses caractéristiques fonctionnelles, on obtient alors la
fonction de transfert normalisée (le gain) suivante :
G pv ( s ) = K pv = 1, 03 [8.69]
L’angle d’incidence ai, qui correspond au plan formé entre le panneau solaire et les
rayons lumineux, a une grande importance. L’angle d’incidence optimal correspond à
la valeur de 90°. Chaque fois que cet angle est modifié, la surface du panneau solaire
exposé aux rayons lumineux diminue, donc l’éclairement reçu diminue. Le coefficient
de l’éclairement d’un panneau solaire en fonction de l’inclinaison du rayon s’exprime
par le sinus de l’angle d’incidence. Dans notre cas, le rôle du moteur est d’orienter le
panneau pour suivre les rayons incidents. Ainsi l’angle ai est très faible, nous pouvons
en déduire que l’éclairement reçu par le panneau est proportionnel à l’angle
d’incidence ai . Le transfert de la vitesse angulaire du moteur à la déviation ai est un
évincement de type intégrateur et nous avons :
αi ( s ) 1
= [8.70]
Ω( s ) s
On utilise un capteur afin de mesurer la puissance délivrée par le panneau

photovoltaïque, qui donne à la sortie un signal standard proportionnel à la puissance
reçue. Le comportement proportionnel du capteur s’exprime par le gain calculé à la

valeur :
Gc ( s ) = K c = 1,15 [8.71]
La fonction de transfert globale de l’ensemble moteur-panneau-capteur en continu

admet l’expression :
0, 278
Gg ( s ) = [8.72]
s (1 + 0, 011s )(1 + 2,17 s )
L’objectif du système extrémal est alors d’assurer la valeur de la puissance générée

du panneau à la consigne calculée qui correspond au point de puissance maximale. Pour
cela nous allons utiliser les résultats précédents pour évaluer le point de puissance
maximale nécessaire pour la conception du système d’asservissement. La configuration
générale du système est présentée dans la figure 8.22.
Figure 8.22. Schéma général du système extrémal
Par la discrétisation de la fonction de transfert [8.72] avec une période

d’échantillonnage de 0,05 s, nous avons obtenu :
1.364 ⋅ 10−5 z −3 + 2.201 ⋅ 10−4 z −2 + 1.183 ⋅ 10−4 z −1

G ( z −1 ) = [8.73]
9.111 ⋅ 10−3 z −3 + 0.9971 ⋅ z −2 − 1.988 z −1 + 1
Les performances en régulation du système sont spécifiées par les pôles désirés en
boucle fermée introduits à l’aide du polynôme caractéristique P(z–1) qui représente
l’équivalent discret du modèle continu spécifié par l’ensemble (ζ = 0,87, ω0 = 5 rad/s).
Utilisant le logiciel dédié Winreg, les polynômes R et S de la commande sont

calculés facilement en utilisant le polynôme caractéristique P( z −1 ) :
P( z −1 ) = (1 − 1.596847 z −1 + 0.647265z −2 )(1 − 1.058z −1 + 0.81z −2 ) [8.74]
Il en résulte :
R (z−1 ) = 1193.887 – 1106.043z−1 − 10.065z−2

[8.75]
S( z−1 ) = 1 + 0.2499z−1 + 0.0150z−2
Des zéros supplémentaires sont ajoutés en S par le polynôme spécifié à l’avance

GS ( z−1 ) = (1 − z−1 )(1 −1.756z−1 + z−2 ) et en R, par le polynôme GR(z−1 ) = (1 + z−1 ) pour
assurer la robustesse de la commande.
Le générateur de trajectoire s’exprime par un modèle ayant à l’entrée, la valeur de

la puissance maximale et qui offre à la sortie, la dynamique désirée en poursuite pour
la puissance. Cette dynamique est reproduite à la sortie du système en boucle fermée.
Il s’agit d’un modèle de deuxième ordre défini par les paramètres suivants : ζ = 0.8 et
ω0 = 3rad .s −1 .
Pour une période d’échantillonnage de 0,05 s, on a calculé la fonction de transfert

du générateur en discret.
Le pré-compensateur T qui assure la dynamique en poursuite (au changement de la

consigne) a été evalué à partir de la relation :
⎧ 1
⎪G = , B(1) ≠ 0 [8.76]
T ( z −1 ) = ⎨ B(1) ⋅ P( z −1 )
⎪G = 1
⎩
utilisant le polynôme caractéristique de relation [8.74]. Les performances en

simulation du système en boucle fermée sont présentées dans la figure 8.23.
La commande robuste a été implémentée par un microcontrôleur sur un processus

virtuel (modèle dynamique) dans une configuration hardware in the loop. Le retard
dans la figure au début est généré par l’initialisation du microcontrôleur.
La solution proposée a été installée en pratique sur une installation photovoltaïque

d’alimentation énergétique d’une plateforme expérimentale d’extraction dans un
champ pétrolier [MIR 15, MIR 16, TOR 15, TOR 16].
Power (W)
Times (s)
Figure 8.23. Réponse du système extrémal en boucle fermée

implémenté sur un microcontrôleur
Annexe A
Passage d’une matrice

d’une forme quelconque à la forme
compagnon ou à la forme en flèche
Soit le processus dont l’évolution est décrite par l’équation :
x = Ax + Bu [A.1]
Le changement de base de matrice de passage Pc telle que :
x = Pc xc [A.2]
permet d’obtenir une représentation du système décrit par l’équation (S’) sous forme
commandable, xc représentant le vecteur d’état du processus dans la nouvelle base.
Il vient :
xc = Ac xc + Bc u [A.3]
Ac = Pc−1 Al Pc , Bc = Pc−1 Bl [A.4]
Notons PA (λ ) le polynôme caractéristique de la matrice Ac :
PA (λ ) = a0 + a1λ + + an −1λ n −1 + λ n [A.5]
Si le couple ( A( x0 ), B ( x0 )) est commandable, la recherche d’une description du

système sous forme commandable permet de caractériser le système par le couple
( Ac , Bc ) défini par :
⎡0 1 0 0 ⎤ ⎡0⎤
⎢0 0 1 0 ⎥ ⎢0⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
Ac = ⎢ ⎥ Bc = ⎢ ⎥ [A.6]
⎢0 0 0 0 ⎥ ⎢0⎥
⎢ ⎥ ⎢ ⎥
⎢0 0 0 1 ⎥ ⎢0⎥
⎢−a − a1 − a2 ⎥
− an −1 ⎦ ⎢1 ⎥
⎣ 0 ⎣ ⎦
Il vient :
Pc Ac = APc , Pc Bc = B [A.7]
Notons Pci la i-ème colonne de Pc telle que :
Pc = [ Pc1 Pc 2 … Pcn ] [A.8]
Les colonnes de Pc se déduisent de l’algorithme suivant :
Pcn = B
Pcn−1 = ( A + an −1 I ) B
Pcn−2 = ( A2 + an −1 A + an − 2 I ) B [A.9]
Pc1 = ( An −1 + an −1 An − 2 + + a1 I ) B
Il vient :
Acf = Pcf−1 Ac Pcf [A.10]
Bcf = Pcf−1 Bc [A.11]
Passage d’une matrice sous forme compagnon à la forme en flèche

[BEN 82, BEN 10, BOR 08]
Notons Pcf la matrice de passage de la forme compagnon à la forme en flèche.
Annexe A 259
Il vient :
Acf = Pcf−1 Ac Pcf [A.12]
⎡ 1 1 … 1 0⎤ ⎡ α1 β1 ⎤
⎢ α ⎢ ⎥
⎢ 1 α 2 … α n −1 0 ⎥⎥ ⎢ α2 β2 ⎥
Pcf = ⎢ ⎥ , Acf (.) = ⎢ ⎥ [A.13]
⎢ n−2 ⎥ ⎢ ⎥
⎢α1 α 2n − 2 … α α n −1 β n −1 ⎥
n−2
n −1 0⎥ ⎢
⎢α n − 2 α n −1 … α n −1 ⎥ ⎢γ γ i , n ⎥⎦
⎣ 1 2 n −1 1⎦ ⎣ i ,1 γ i ,2 … γ i , n −1
avec :
n −1
β j = ∏ (α j −α k ) −1 ; ∀j = 1, 2… n − 1
k =1
n −1
γ i , n = −an −1 − ∑ α i [A.14]
i =1
γ i , j = −P (α j ) ; ∀j = 1, 2… n − 1
( )
P α j = a0 + a1α i + + an −1α ni −1 + α n
Le passage d’une matrice de forme quelconque à la forme en flèche peut se

réaliser en effectuant successivement les deux changements de base :
x = Pf x f [A.15]
Il vient :
Af = Pf−1 A( x) Pf [A.16]
et :
B f = Pf−1 B [A.17]
avec :
( )
−1
Pf−1 = Pc Pcf et Pf = Pc Pcf [A.18]
Passage direct d’une matrice de forme quelconque à la forme en flèche

Soit A et B une paire commandable, x ∈ n
,u ∈ , A∈ n× n
,B∈ n
et P (., λ ) le
polynôme caractéristique de A :
n −1
P ( λ ) = λ n + ∑ ai λ i [A.19]
i =0
THÉORÈME A.1. Le changement de base défini par la matrice P1 :

P1 = [ P11 P12 … P1n ] [A.20]
telle que :
x = P1 y [A.21]
avec :
⎧ i ⎡ n −1 n −1 k −1 ⎤
⎪ P1 = ⎢ A + ∑ α k ,i A ⎥ B
⎨ ⎣ k =1 ⎦ i = 1,… , n − 1 [A.22]
⎪ n
⎩ P1 = PB
n − k −1
α k ,i = ak + ( f i ,i ) ∑ a (f )
n−k j
+ k+ j i ,i , k = 1,… , n − 1, i = 1,… , n − 1 [A.23]
j =1
avec fi ,i , ∀i = 1,…, n − 1 , des paramètres non nuls, arbitraires distincts permettent

de décrire la matrice A sous forme en flèche F = P1-1 AP1 :
⎡ f11 f1N ⎤
⎢ ⎥
F=⎢ ⎥ [A.24]
⎢ f ( k −1)( k −1) f ( N −1) n ⎥
⎢ ⎥
⎢⎣ f n1 … f n ( N −1) f nn ⎥⎦
avec :
n −1
f in = ∏ ( f ii − f jj ) −1 ∀i = 1, 2,… n − 1
j =1
f ni = − P (., fii ) ∀i = 1, 2,… n − 1 [A.25]

n −1
f nn = −an −1 (.) − ∑ f ii
i =1
Annexe B
Détermination de l’erreur maximale

dans le cas d’un placement de pôles pour
un processus non linéaire d’ordre trois
Nous considérons le processus (S) dont l’évolution est décrite par l’équation :
(S) : xc = Axc + Bc u [B.1]
avec :
⎡λ + 10.5 0 0 ⎤
⎢
det(λ I − A(0)) = det ⎢ 0 λ + 3.4 −3.6 ⎥⎥ = λ 3 + 21.5λ 2 + 143.5λ + 294 [B.2]
⎢⎣ 0 0.6 λ + 7.6 ⎥⎦
⎡0.5 + 0.01sin x1 ⎤
B( x(t )) = ⎢⎢ 0.4 ⎥
⎥ [B.3]
⎢⎣ 0.02sat x1 + 0.3 ⎥⎦
et :
B ≤ Bm [B.4]
avec :
⎡ 0.2 ⎤
Bm = ⎢⎢0.15⎥⎥ [B.5]
⎢⎣ 0.1 ⎥⎦
En linéarisant le système sans incertitudes autour du point de fonctionnement

( x0 = 0) on obtient :
y (t ) = A( x0 ) y + B( x0 )u [B.6]
avec :
⎡ −10.5 0 0 ⎤ ⎡0,5 ⎤
A(0) = ⎢⎢ 0 −3.4 3.6 ⎥⎥ ; B(0) = ⎢⎢0, 4 ⎥⎥ [B.7]
⎢⎣ 0 −0.6 −7.6 ⎥⎦ ⎢⎣0,3 ⎥⎦
Le polynôme caractéristique du système s’écrit :
⎡ −10.5 0 0 ⎤
⎢
det(λ I − A(0)) = det ⎢ 0 −3.4 3.6 ⎥⎥ = λ 3 + 21.5λ 2 + 143.5λ + 294 [B.8]
⎢⎣ 0 −0.6 −7.6 ⎥⎦
soit :
PA (λ ) = λ 3 + 21.5λ 2 + 143.5λ + 294 [B.9]
Avec le changement de base défini par la matrice Pc :
⎡ 14 5.5 0.5⎤ ⎡ 0.0879 0.03 −0.1865⎤

Pc = ⎢⎢ 43.26 8.32 0.4 ⎥⎥ et Pc−1 = ⎢⎢ −0.9231 0.01 1.5251 ⎥⎥ [B.10]
⎢⎣ 8.19 3.93 0.3⎥⎦ ⎢⎣ 9.6923 −0.9491 −11.551⎥⎦
en posant :
Ac = Pc−1 A(0) Pc [B.11]
Bc = Pc−1 B (0) [B.12]
il vient la forme canonique commandable :
xc = Ac xc + Bc u [B.13]
Annexe B 263
avec la commande :
u = − Lc x [B.14]
⎡ 0 1 0 ⎤ ⎡0 ⎤
⎢
Ac = ⎢ 0 0 1 ⎥ ; Bc = ⎢⎢0 ⎥⎥
⎥
[B.15]
⎢⎣ −294 −143.5 −21.5⎥⎦ ⎢⎣1 ⎥⎦
Pour la détermination du gain de retour d’état L, considérons le système bouclé

décrit dans l’espace d’état par :
xc (t ) = ( Ac − Bc Lc ) xc (t ) [B.16]
Lc = ⎡⎣lc0 lc1 lc2 ⎤⎦ [B.17]
⎛⎡ 0 1 0 ⎤ ⎡0 ⎤ ⎞
⎜⎢ ⎟
xc = ⎜ ⎢ 0 0 1 ⎥⎥ − ⎢⎢ 0 ⎥⎥ ⎡⎣lc0 lc1 lc2 ⎤⎦ ⎟ xc [B.18]
⎜ ⎢ −294 −143.5 −21.5⎥ ⎢1 ⎥ ⎟
⎝⎣ ⎦ ⎣ ⎦ ⎠
Choisissons les pôles correspondant au polynôme caractéristique PAc − Bc Lc (λ ) de

la forme :
PAc − Bc Lc (λ ) = (λ + 8)(λ + 9)(λ + 10) = λ 3 + 27λ 2 + 242λ + 720 [B.19]
Il vient :
xc = ( Ac − Bc Lc ) xc = Ac xc
⎛⎡ 0 1 0 ⎤ ⎡0 ⎤ ⎞
⎜ ⎟
= ⎜ ⎢⎢ 0 0 1 ⎥⎥ − ⎢⎢0 ⎥⎥ ⎡⎣lc0 lc1 lc2 ⎤⎦ ⎟ xc [B.20]
⎜ ⎢ −294 −143.5 −21.5⎥ ⎢1 ⎥ ⎟
⎝⎣ ⎦ ⎣ ⎦ ⎠
⎡ 0 1 0 ⎤
= ⎢⎢ 0 0 1 ⎥⎥ xc
⎢⎣ −720 −242 −27 ⎥⎦
d’où :
u = − ⎡⎣lc1 lc2 lc3 ⎤⎦ xc [B.21]
avec :
Lc = [ 426 98.5 5.5] [B.22]
soit :
L = Lc Pc−1 = [ −0.1648 8.5315 7.2328] [B.23]
Posons :
A ( x) = ( A( x) − B ( x) L) [B.24]
Linéarisation du système en boucle fermée autour du point de

fonctionnement x = 0
Soit A (0) la matrice du régime libre du système linéarisé bouclé :
A (0) = A(0) − B (0) L

⎡ −10.5 0 0 ⎤ ⎡0.5 ⎤
⎢
=⎢ 0 −3.4 3.6 ⎥⎥ − ⎢⎢0.4 ⎥⎥ [ −0.1648 8.5315 7.2328] [B.25]
⎣⎢ 0 −0.6 −7.6 ⎦⎥ ⎢⎣0.3 ⎥⎦
⎡ −10.4176 −4.2657 −3.6164 ⎤
= ⎢⎢ 0.0659 −6.8126 0.7069 ⎥⎥
⎢⎣ 0.0495 −3.1594 −9.7698 ⎦⎥
Calcul du changement de base diagonalisant A (0)
Soit P ce changement de base, il vient :
⎡ 14 5.5 0.5 ⎤ ⎡ 1 1 1 ⎤ ⎡ 2 5 9 ⎤
P = Pc PD = ⎢⎢ 43.26 8.32 0.4 ⎥⎥ ⎢⎢ −8 −9 −10 ⎥⎥ = ⎢⎢ 2.3 0.78 0.06 ⎥⎥ [B.26]
⎢⎣ 8.19 3.93 0.3⎥⎦ ⎢⎣ 64 81 100 ⎥⎦ ⎢⎣ −4.05 −2.88 −1.11⎥⎦
Annexe B 265
d’où :
⎡ 0.033 0.969 0.3197 ⎤

P = ⎢ −0.1099 −1.6284 −0.9790 ⎥⎥
⎢
−1
[B.27]
⎢⎣ 0.1648 0.6893 0.4729 ⎥⎦
On a :
A D ( x ) = P −1 A ( x ) P; BD = P −1 B ' [B.28]
il vient :
xD = AD ( x ) xD + BD [B.29]
A ( x ) = ( A( x) − B ( x) L) [B.30]
avec :
⎡ a11 a12 a13 ⎤

⎢ ⎥
A ( x(t )) = ⎢ a21 a22 a23 ⎥ [B.31]
⎢⎣ a31 a32 a33 ⎥⎦
a11 = 0.0016sin x1 − 0.5cos x1 − 9.9176

a12 = −0.0853sin x1 − 4.2657
2
a13 = 0.04(cos x1 − e − x2 ) − 0.0723sin x1 − 3.6164
x1 x2
a21 = −0.01 sin x1 + 0.0659
x12 x22
a22 = 0.12 cos x1 − 6.9326
2
a23 = 0.32e − x1 + 0.3869
a31 = 0.0033satx1 + 0.01sin x1 + 0.0495
2
a32 = −0.1706satx1 − 0.6e − x2 − 2.5594
a33 = −0.1447satx1 − 0.22 cos x1 − 9.5498
il vient :
A D ( x ) = P −1 A ( x ) P [B.32]
⎡ ad 11 ad 12 ad 13 ⎤
⎢ ⎥
AD ( x(t )) = ⎢ ad 21 ad 22 ad 23 ⎥ [B.33]
⎢⎣ ad 31 ad 32 ad 33 ⎥⎦
avec :
2 2
ad 11 = 0.0639satx1 − 1.697e − x1 + 0.0053e − x2 + 0.514cos x1 + 0.0033sin x1 + 0.0064sin x3
x1 x2
− 0.0194 sin x1 − 6.8223
x + x22
2
1
2 2
x1 x2
− 0.0485 sin x1 + 0.8318
x + x22
2
1
2 2
ad 13 = 0.0575satx1 − 0.35571e − x1 + 0.0015e − x2 − 0.0648cos x1 + 0.003sin x1 + 0.0288sin x3
x1 x2
− 0.0872 sin x1 + 0.419
x12 + x22
2 2
ad 21 = −0.1958satx1 + 3.4614e − x1 − 0.0178e − x2 − 1.194cos x1 − 0.011sin x1 − 0.0196sin x3
x1 x2
+ 0.0326 sin x1 − 2.2496
x12 + x22
2 2
ad 22 = −0.2937satx1 + 1.9589e − x1 − 0.0127e − x2 − 0.4853cos x1 − 0.0165sin x1 − 0.049sin x3
x1 x2
+ 0.0814 sin x1 − 10.4609
x12 + x22
2 2
ad 23 = −0.1762satx1 + 0.6136e − x1 − 0.0049e − x2 + 0.2486cos x1 − 0.0099sin x1 − 0.0881sin x3
x1 x2
+ 0.1466 sin x − 0.8573
x + x22
2
1
2 2
x1 x2
− 0.0138 sin x1 + 1.0992
x12 + x22
2 2
ad 32 = 0.1419satx1 − 0.8566e − x1 + 0.019e − x2 + 0.067 cos x1 + 0.0247sin x1 + 0.0236sin x3
x1 x2
− 0.0275satx1 cos t − 0.0345 sin x1 + 0.9045
x12 + x22
2 2
ad 33 = 0.0851satx1 − 0.2619e − x1 + 0.0073e − x2 − 0.6286cos x1 + 0.0148sin x1
x1 x2
+ 0.0426sin x3 − 0.062 sin x1 − 9.1168
x12 + x22
En majorant M(.) par M et N(.) par N, il vient le système de comparaison :

z = Mz + N [B.34]
N (.) = P −1 B ' (.) = B 'D (.) [B.35]
P −1 B ' ≤ P −1 Bm' [B.36]
Annexe B 267
⎡ 0.033 0.969 0.3197 ⎤ ⎡0.2 ⎤ ⎡0.1839 ⎤

N = max P −1 B ' (.) ≤ ⎢⎢0.1099 1.6284 0.9790 ⎥⎥ ⎢⎢0.15⎥⎥ = ⎢⎢ 0.3641⎥⎥
'
[B.37]
⎢⎣ 0.1648 0.6893 0.4729 ⎥⎦ ⎢⎣0.1 ⎥⎦ ⎢⎣0.1836 ⎥⎦
⎡ −6.2197 1.1837 0.6182 ⎤ ⎡0.1839 ⎤

z (t ) = ⎢ 3.7041 −7.6168 1.4583 ⎥ z (t ) + N ⎢⎢ 0.3641⎥⎥
⎢ ⎥
[B.38]
⎣⎢ 1.7589 1.1973 -8.3074 ⎦⎥ ⎣⎢0.1836 ⎦⎥
Les conditions suivantes :
⎧−6.2197 ≺ 0
⎪⎪
⎨( −6.2197 × −7.6168 ) − ( 3.7041× 1.1837 ) 0 [B.39]
⎪
⎪⎩( −1) det( M ) ≺ 0 ⇒ ( −1) × ( -332.2047 )
3 3
0
étant vérifiées, M est l’opposée d’une M-matrice et on a :
lim z (t ) = − M −1 N [B.40]
t →+∞
lim p ( xD (t )) ≤ − M −1 N [B.41]
t →+∞
Il vient l’attracteur défini par :
p ( xD (t )) ≤ − M −1 N [B.42]
⎡ -0.1852 -0.0318 -0.0194 ⎤ ⎡0.1839 ⎤

p ( xD (t )) ≤ ⎢⎢ -0.1003 -0.1523 -0.0342 ⎥⎥ ⎢⎢ 0.3641⎥⎥ [B.43]
⎢⎣-0.0537 -0.0287 -0.1294 ⎥⎦ ⎢⎣0.1836 ⎥⎦
⎡0.0492 ⎤
p ( P −1 x(t )) ≤ ⎢⎢0.0802 ⎥⎥ [B.44]
⎢⎣ 0.0441⎥⎦
Sachant que :
lim p ( P −1 x (t )) ≤ − M −1 N [B.45]
t →∞
le domaine D est défini par les relations :
⎧ 0.033x1 + 0.969 x2 + 0.3197 x3 ≤ 0.0492

⎪⎪
⎨ −0.1099 x1 − 1.6284 x2 − 0.9790 x3 ≤ 0.0802 [B.46]
⎪
⎪⎩ 0.1648 x1 + 0.6893x2 + 0.4729 x3 ≤ 0.0441
La figure B.1 montre les évolutions du système vers l’attracteur calculé.
Figure B.1. Evolution du système vers la zone d’attraction
Annexe C
Détermination de l’attracteur
pour un processus non linéaire
incertain commandé
Soit le système d’ordre 2 suivant :
⎧ x1 = − x1 + x2 2 u1 − u2
⎪
⎪ x = 2 x1 x2 + u1 + u2
(S ) : ⎨ 2 [C.1]
⎪ y1 = x1
⎪y = x
⎩ 2 2
Il peut être décrit sous la forme :
x = f ( x ) + G ( x )u + δ f
[C.2]
y = h( x)
avec :
⎡ − x1 ⎤ ⎡ x22 − 1⎤ ⎡δ f1 ⎤
f ( x) = ⎢ ⎥ ; G ( x) = ⎢ ⎥; δ f =⎢ ⎥ [C.3]
⎣ 2 x1 x2 ⎦ ⎣1 1⎦ ⎣δ f 2 ⎦
Pour vérifier si le système sans perturbation admet une linéarisation entrée-

sortie, il faut déterminer le degré relatif du système en dérivant y :
⎧⎪ y1 = x1 = − x1 + x2 2 u1 − u2
⎨ [C.4]
⎪⎩ y 2 = x2 = 2 x1 x2 + u1 + u2
Puisque l’entrée apparaît dès la première dérivée de y, hiTx G ≠ 0, on peut arrêter le

calcul. Il vient :
⎡ − x1 ⎤
h* ( x ) = f ( x ) = ⎢ ⎥ [C.5]
⎣ 2 x1 x2 ⎦
sachant que :
⎡ x2 − 1⎤
G* = ⎢ 2 ⎥ [C.6]
⎣1 1⎦
on a :
−1 1 ⎡1 1⎤
G* = 2 ⎢ ⎥ [C.7]
x + 1 ⎣ −1
2 x22 ⎦
Puisque G* est inversible, on peut poser l’entrée u égale à :
u = G*−1 (−h* + v) [C.8]
or :
⎡ v1 ⎤
y * = h* + G *u = v = ⎢ ⎥ [C.9]
⎣v2 ⎦
il vient :
⎡u1 ⎤ 1 ⎡1 1 ⎤ ⎡ x1 + v1 ⎤
⎢ ⎥= 2 ⎢ ⎥⎢ ⎥ [C.10]
⎣u2 ⎦ x2 + 1 ⎣ −1 x22 ⎦ ⎣ −2 x1 x2 + v2 ⎦
⎡u1 ⎤ 1 ⎡ x1 + v1 − 2 x1 x2 + v2 ⎤
⎢ ⎥= 2 ⎢ 3 2 ⎥ [C.11]
⎣u2 ⎦ x2 + 1 ⎢⎣ − x1 − v1 − 2 x1 x 2 + x 2 v2 ⎥⎦
Le comportement entrée-sortie du système est ainsi linéarisé.
La commande du processus conduit à choisir :
1
vi =
τi
(y c
i − yi ) [C.12]
Annexe C 271
Soit, puisque yi = xi et pour yic = 0 :
1
xi = xi [C.13]
τi
En tenant compte des perturbations et/ou des incertitudes sur f, il vient :
x1
x1 = v1 + δ f1 = − + δ f1
τ1
[C.14]
x2
x2 = v2 + δ f 2 = − + δ f2
τ2
⎡ 1 ⎤
⎢− τ 0 ⎥
δf
x = ⎢ 1 ⎥ x + ⎢⎡ 1 ⎥⎤ [C.15]
⎢ 1⎥ ⎣δ f 2 ⎦
⎢ 0 − ⎥
⎣ τ2 ⎦
avec :
δ fi ≤ δ f N i
[C.16]
T
Pour une norme vectorielle p ( x) = ⎡⎣ x1 , x2 ⎤⎦ , il vient le système de compa-
raison suivant :
z ∈ \ n / z = Mz + N [C.17]
Dans cet exemple M = A , et le vecteur N est à coefficients positifs avec :
N = δ fN [C.18]
alors on a :
⎡τ 1δ f N1 ⎤
lim x ≤ − M −1 N = ⎢ ⎥ [C.19]
t →∞
⎢⎣τ 2δ f N2 ⎥⎦
pour les données suivantes :
τ 1 = τ 2 = 1s , et δ f N1 = δ f N2 = 0.01 [C.20]
Il vient :
⎡ 0.01⎤
lim x ≤ − M −1 N = ⎢ ⎥ [C.21]
t →∞
⎣ 0.01⎦
La convergence des variables d’état du système étudié vers l’attracteur calculé

est illustrée dans la figure C.1.
Figure C.1. Evolution des variables du système vers la zone d’attraction
Annexe D
Majoration de l’erreur maximale

dans un problème de poursuite
pour un processus
du type Lur’e Postnikov
Considérons le système de type Lur’e Postnikov d’ordre trois de vecteur d’état

xI 1 et le système avec incertitudes de vecteur d’état xI 2 , tels que :
⎧⎪ xI 2 = AI xI 2 + BI 2 f (ε 2 ) + δ I (.)
⎨ [D.1]
⎪⎩ε 2 = e − C I xI 2
T
avec :
⎡ 2.25 −10.75 −1.375⎤ ⎡ 23.25 ⎤
⎢
AI = ⎢ 3.5 −10 −0.75 ⎥ ; BI = ⎢⎢ 13.5 ⎥⎥ ; CIT = [1 −2 −0.5]
⎥
[D.2]
⎢⎣ −39.5 72.5 5.25 ⎥⎦ ⎢⎣ −23.5⎥⎦
Il faut tout d’abord effectuer un changement de base PI pour que CIT xI 2 soit la
dernière composante du vecteur d’état x ; il vient pour le vecteur caractérisant la
sortie :
xI 2 = PI x2 [D.3]
C T = CIT PI = [ 0 0 1] [D.4]
Il existe une infinité de changements de base qui correspondent à ce résultat.
Pour PI définie par :
⎡ −2 0.5 0 ⎤
PI = ⎢⎢ −1 0 0 ⎥⎥ [D.5]
⎢⎣ 0 1 −2⎥⎦
il vient :
x2 = Ax2 + Bf (ε 2 ) + δ (.) [D.6]
avec :
A = PI−1 AI PI ; B = PI−1 BI ; δ (.) = PI−1δ I (.) [D.7]
et :
⎡ −3 −1 −1.5⎤ ⎡ −13.5⎤
A = ⎢0.5 −4.5 −0.5⎥ ; B = ⎢⎢ −7.5 ⎥⎥ ; C T = [ 0 0 1]
⎢ ⎥
[D.8]
⎢⎣ −3 5 5 ⎥⎦ ⎢⎣ 8 ⎥⎦
ou encore en régime libre :
x2 = ( A − Bf *C T ) x2 + δ (.)
x2 = ψ ( x2 ) x2 + δ (.) [D.9]
avec :
ψ (.) = A − Bf * (.)C T [D.10]
en posant :
f (ε 2 )
f (ε 2 ) = ε 2 = f *ε 2 [D.11]
ε2
Le changement de base défini par la matrice P :
⎡ 2 1 0⎤
P = ⎢⎢1 1 0 ⎥⎥ [D.12]
⎢⎣ 0 0 1 ⎥⎦
Annexe D 275
conduit à la caractérisation du système global par la matrice caractéristique

Dψ ( x2 ) = P −1ψ ( x2 ) P sous forme de flèche :
x2 D = P −1 APx2 D − P −1 BC T f * Px2 D + P −1δ (.) [D.13]
x2 D = Dψ ( x2 ) x2 D + δ D (.) [D.14]
avec :
⎡ −3.5 0 −1 + 6 f * ⎤
⎢ ⎥
Dψ ( x2 ) = ⎢ 0 −4 0.5 + 1.5 f * ⎥ [D.15]
⎢ −1 2 5 − 8 f * ⎥⎦
⎣
Etude de la stabilité et détermination de l’attracteur en utilisant les

techniques d'agrégation
T
La norme vectorielle p ( x2 D ) = ⎡ x2 D1 , x2 D2 … , x2 Dn ⎤ permet une majoration
⎣ ⎦
*
M ( f (.)) de la matrice Dψ ( x2 ) :
dp
x2 D ≤ M ( f * ) p( x2 D ) + δ D (.) [D.16]
dt
avec :
⎡ −3.5 0 −1 + 6 f * ⎤
⎢ ⎥
M ( f *) = ⎢ 0 −4 0.5 + 1.5 f * ⎥ [D.17]
⎢ ⎥
⎢ 1 2 5−8 f * ⎥
⎣ ⎦
La stabilité de la matrice M ( f * ) impose f * > 0.8968.
Il vient le système de comparaisoncorrespondant aux conditions les plus

défavorables :
z = Mz + N [D.18]
avec :
⎡ −3.5 0 −1 + 6 f * ⎤
⎢ ⎥
M =⎢ 0 −4 0.5 + 1.5 f * ⎥ [D.19]
⎢ ⎥
⎢ 1
⎣
2 (5−8 f * ⎥ ) ⎦
Considérons le cas où :
1.5 ≤ f * ≤ 2 [D.20]
il vient :
⎡ −3.5 0 11 ⎤
M = ⎢⎢ 0 −4 3.5⎥⎥ [D21]
⎢⎣ 1 2 −7 ⎥⎦
Comme δ D (.) = P −1 PI−1δ I (.) , on a :
N = max δ D (.) = max P −1 PI−1δ I (.) [D.22]
Soit :
δIm ≺ δI ≺ δIM [D.23]
avec :
δ I m = [ −0.1 −0.05 −0.15] ; δ I M = [ 0.05 0.1 0.1]

T T
[D.24]
il vient :
P −1 PI−1δ I m ≺ δ D ≺ P −1 PI−1δ I M [D.25]
avec :
⎡ −2 3 0 ⎤
P −1 PI−1 = ⎢⎢ 4 −7 0 ⎥⎥ [D.26]
⎢⎣ 1 −2 −0.5⎥⎦
ou encore :
[0.05 −0.05 0.075] ≺ δ D ≺ [ 0.2 −0.5 −0.2]

T T
[D.27]
et :
N = max δ D (.) = [ 0.2 0.5 0.2]

T
[D.28]
Annexe D 277
Si M ( Dψ ( x2 )) est l’opposée d’une M-matrice, il vient :
lim p ( x2 D ) ≤ lim z = − M -1 N [D.29]

t →+∞ t →+∞
soit dans la représentation initiale :
lim P −1 PI−1 xI 2 ≤ − M -1 N [D.30]

t →+∞
c'est-à-dire :
⎡ 0.8136 ⎤
lim p( P PI xI 2 ) ≤ ⎢⎢0.3356 ⎥⎥
−1 −1
[D.31]
t →∞
⎢⎣0.2407 ⎥⎦
La figure D.1 montre l’évolution de l’état du système initial en régime autonome

vers l’attracteur calculé précédemment.
Figure D.1. Evolution de l’état du système initial

en régime autonome vers son attracteur
Envisageons maintenant le cas ou l’entrée e est non nulle

Soit le processus du système sans incertitudes dont la modélisation initiale
correspond au vecteur d’état xI 1 :
⎧⎪ xI 1 = AxI 1 + Bf (ε1 )
⎨ [D.32]
⎪⎩ε1 = e − C xI 1
T
L’évolution de l’écart des réponses du système nominal de vecteur d’état xI 1 et

du système incertain soumis à la même entrée de vecteur d’état xI 2 est décrite par la
relation suivante :
⎧⎪ xI 1 − xI 2 = AI ( xI 1 − xI 2 ) + BI ( f (ε1 ) − f (ε 2 )) − δ (.)
⎨ [D.33]
⎪⎩ε1 − ε 2 = −C I ( xI 1 − xI 2 )
T
Si f(.) est dérivable, l’application du théorème des accroissements finis donne :
f (ε1 ) − f (ε 2 ) = f * (θ ) ( ε1 − ε 2 ) [D.34]
avec : ε1 ≺ θ ≺ ε 2 .
Il vient :
xI 1 − xI 2 = AI ( xI 1 − xI 2 ) − BI f * (ε )C IT ( xI 1 − xI 2 ) − δ (.) [D.35]
Posons :
xI 1 − xI 2 = ξ I [D.36]
Nous envisageons d’appliquer tout d’abord un changement de base PI pour que

C ξ I corresponde à la dernière composante du vecteur d’état ξ ; ξ I = PI ξ . Dans ce
T
I
cas, on a :
PI−1ξ I = PI−1 AI PI PI−1ξ I − PI−1 BI f * (.)CIT PI PI−1ξ I − PI−1δ I (.) [D.37]
soit :
ξ = ( A − Bf * (.)C T ) ξ − δ (.) [D.38]
expression de la forme :
ξ = ϕ (.)ξ − δ (.) [D.39]
Annexe D 279
avec :
ϕ (.) = A − BC T f * (.) [D.40]
On applique maintenant le changement de base P qui conduit à la matrice

caractéristique de forme en flèche, il vient :
P −1ξ = P −1 APP −1ξ − P −1 Bf * (ε )C T PP −1ξ − P −1δ (.) [D.41]
ou encore :
ξ D = ( AD − BD f * (.)CDT ) ξ D − δ D (.) [D.42]
soit :
⎡ −3.5 0 −1 + 6 f * ⎤
⎢ ⎥
ξD = ⎢ 0 −4 0.5 + 1.5 f * ⎥ ξ D − δ D (.) [D.43]
⎢ −1 2 5 − 8 f * ⎥⎦
⎣
(
La majorante de la matrice AD − BD f * (.)CDT ) est définie comme précédemment
par :
⎡ −3.5 0 −1 + 6 f * ⎤
⎢ ⎥
( )
M f* =⎢ 0
⎢
−4 0.5 + 1.5 f * ⎥
⎥
[D.44]
⎢ 1
⎣
2 (5−8 f * ⎥ )⎦
Considérons une non linéarité f (.) telle que :
f m* ≤ f * ≤ f M* [D.45]
Si on a, par exemple, f m* = 1.5 et f M* = 2, il vient, compte tenu des résultats

précédents relatifs au cas le plus défavorable, la majorante :
⎡ −3.5 0 −1 + 6 f M* ⎤
⎢ ⎥
M =⎢ 0 −4 0.5 + 1.5 f M* ⎥ [D.46]
⎢ ⎥
⎢ 1
⎣
2 ( )
5 − 8 f m* ⎥
⎦
qui s’exprime numériquement par :
⎡ −3.5 0 11 ⎤
M = ⎢⎢ 0 −4 3.5⎥⎥ [D.47]
⎢⎣ 1 2 −7 ⎥⎦
Les conditions de stabilité étant satisfaites, la matrice M est l’opposée d’une

M-matrice, et le système est stable.
D’après la relation [D.22], N est définie par :
N = max δ D (.) = [ 0.2 0.5 0.2]

T
[D.48]
M étant l’opposée d’une M-matrice, il vient :
lim p (ξ D ) ≤ lim z = − M -1 N [D.49]

t →+∞ t →+∞
soit dans la représentation initiale :
lim P −1 PI−1ξ I ≤ − M -1 N [D.50]

t →+∞
et :
⎡ 0.8136 ⎤
lim p( P PI ξ I ) ≤ ⎢⎢0.3356 ⎥⎥
−1 −1
[D.51]
t →∞
⎢⎣0.2407 ⎥⎦
Après un bref transitoire dépendant des conditions initiales, l’erreur de suivi de

trajectoire reste confinée dans le domaine défini par les relations [D.51].
Liste des notations et acronymes
Notations
(A,B,C,D) Représentation d’état du système continu MIMO

(A,B,C,D) Représentation d’état du système discret MIMO
(Ad,bd,cd,dd) Représentation d’état du système continu SISO
(Ad,bd,cd,dd) Représentation d’état du système discret SISO
(â(z-1),b(z-1)) Modèle dynamique de commande
(bm(z-1),âm(z-1)) Modèle dynamique de poursuite
(C,M) Système nominal en boucle fermée
(C,P) Système réel en boucle fermée
ΔM( jω) Marge du module de robustesse
G(s) Fonction de transfert du système continu
G(z) Fonction de transfert du système discret
I = f(V) Caractéristique courant-tension
L Matrice de l’estimateur
M Matrice de Sylvester
P(z) Polynôme caractéristique du système
P = f(I,V) Caractéristique puissance-courant et tension
Q Matrice d’observabilité
R Matrice de contrôlabilité
Svy(jω) Fonction de sensibilité perturbation-sortie
Acronymes
AF-CLOE Méthode d’identification basée sur l’erreur de sortie en boucle

fermée, avec filtrage adaptatif du vecteur des régresseurs
(Adaptive Filtered Closed Loop Output Error)
ARMAX Modèle ou groupe de modèles d’identification autorégressifs de
moyenne glissante, avec contrôle exogène
ARX Modèle d’identification autorégressive avec contrôle exogène
BF Boucle fermée (système, identification, etc.)
BJ Modèle d’identification de type Box-Jenkins
BO Boucle ouverte (système, identification, etc.)
CLOE Groupe de méthodes d’identification basées sur l’erreur de sortie
en boucle fermée (Closed Loop Output Error)
dB Décibel – Unité de mesure pour les spectres des signaux et/ou
systèmes
DPRC Système pour le contrôle de chute de pression
E/S Entrée-sortie (type de modèle d’identification, transformation,
opérateur, etc.)
F-CLOE Méthode d’identification basée sur l’erreur de sortie en boucle
fermée, avec filtrage du vecteur des régresseurs (Filtered Closed
Loop Output Error)
FRC Système pour le contrôle de débit
G(s) Fonction de transfert du système continu
G(z) Fonction de transfert du système discret
G-CLOE Méthode d’identification basée sur l’erreur de sortie en boucle
fermée, généralisée (utilisant le modèle BJ à la place du modèle
ARX)
G-LS Méthode des moindres carrés généralisée (MMEP pour le modèle
BJ) (Generalized Least Squares) (Generalized Closed Loop
Output Error)
GR(z-1), GS(z-1) Polynômes pré-spécifiés pour la correction robuste de la
commande
I-CLOE Groupe de méthodes d’identification basées sur l’erreur de sortie
en boucle fermée, avec intégrateur (Integral Closed Loop Output
Error)
I=f(V) Caractéristique courant-tension
IS Identification des systèmes
ISBF Identification des systèmes en boucle fermée
Liste des notations et acronymes 283
ISBO Identification des systèmes en boucle ouverte

L Matrice de l’estimateur
LRC Système pour le contrôle de niveau
M Matrice de Sylvester
MC Techniques d’identification des moindres carrées
MCR Techniques d’identification des moindres carrées récursifs
ME Modèle d’état
ME/S Modèle entrée-sortie
MIMO Type de système/modèle avec plusieurs entrées et plusieurs sorties
(Multi-Input Multi-Output)
MISO Type de système/modèle avec plusieurs entrées et une sortie
(Multi-Input Single-Output)
MMC Méthode(s) des moindres carrés
MMC-E Méthode des moindres carrés étendue
MMC-MV Méthode des moindres carrés multi-variable
MMEP Méthode de la minimisation de l’erreur de prédiction
OLOE Groupe de méthodes d’identification basées sur l’erreur de sortie
en boucle ouverte (Open Loop Output Error)
PID Algorithme proportionnel-intégral-derivé
PRC Système pour le contrôle de pression
PV Panneau photovoltaïque
Q Matrice d’observabilité
R Matrice de contrôlabilité
R-ELS Méthode des moindres carrés étendue adaptative (Recursive
Extended Least Squares)
RIF Type de filtre numérique : à réponse impulsionnelle finie
RII Type de filtre numérique : à réponse impulsionnelle infinie
RST Type de régulateur polynomial, basé sur 3 polynômes : R, S et T
RST-YK Régulateur de type RST paramétré sous forme Youla-Kucera
SISO Type de système/modèle avec une entrée et une sortie (Single-
Input Single-Output)
SNR Rapport signal-bruit (Signal-to-Noise Ratio)
SPA Signal pseudo-aléatoire
TF Transformation de Fourier
TRC Système pour le contrôle de la température
W-CLOE Méthode d’identification basée sur l’erreur de sortie en boucle

fermée pondérée (Weighted Closed Loop Output Error)
X-CLOE Méthode d’identification basée sur l’erreur de sortie en boucle
fermée étendue (utilisant le modèle ARMAX à la place du modèle
ARX) (eXtended Closed Loop Output Error)
X-OLOE Méthode d’identification basée sur l’erreur de sortie en boucle
ouverte, étendue (utilisant le modèle ARMAX à la place du
modèle ARX) (eXtended Open Loop Output Error)
YK Expression paramétrique d’un régulateur de type Youla-Kucera
Bibliographie
[AND 71] ANDERSON B.D.O., MOORE J.B., Linear Optimal Control, Prentice Hall, Englewood
Cliffs, 1971.
[AND 98] ANDERSON B.D.O, “From Youla Kucera to identification, adaptive and nonlinear
systems”, Automatica, vol. 34, pp. 1485–1506, 1998.
[AST 93] ASTROM K.J., “Matching criteria for control and identification”, Proceedings of
European Control Conference, vol. 3, pp. 248–251, 1993.
[AST 94 ] ASTROM K.J., “A new Smith predictor for controlling a process with an integrator
and long dead-time”, IEEE Transaction on Automatic Control, vol. 39, no. 2, pp. 334–
345, 1994.
[AST 95] ASTROM K.J., WITTENMARK B., Adaptive Control, 2nd ed., Prentice Hall,
Englewood Cliffs and Addison Wesley, Boston, 1995.
[AST 97] ASTROM K.J., WITTENMARK B., Computer Controlled Systems, Theory and Design,
3rd ed., Prentice Hall, Englewood Cliffs, 1997.
[AVO 00] AVOY M.T., JUONELA S.L.J., PATTON R. et al., “IFAC Milestone Report on
Industrial Applications”, IFAC Proceedings Volume, 2000.
[BES 95] BESANCON VODA A., LANDAU I.D., “An iterative method for the autocalibration of
digital controllers”, Proceeding of European Control Conference, vol. 4a, pp. 2463–2469,
1995.
[BES 98] BESANCON VODA A., “Iterative autocalibration of digital controllers – methodology
and applications”, Control Engineering Practice, vol. 6, no. 3, pp. 345–358, 1998.
[BIT 93] BITMEAD B., “Interactive control design approaches”, IFAC World Congress, 1993.
[BOR 74] BORNE P., GENTINA J.C., “On the stability of large nonlinear systems”, Joint
Automatic Control Conference, Austin, 1974.
Cette bibliographie est identique à celle de l’ouvrage correspondant en anglais publié par ISTE.
[BOR 87] BORNE P., “Nonlinear system stability. Vector norm approach”, Systems and
Control Encyclopedia, vol. 5, pp. 3402–3406, 1987.
[BOR 90] BORNE P., DAUPHIN-TANGUY G., RICHARD J.P. et al., Commande et Optimisation
des Processus, Technip, 1990.
[BOR 93a] BORNE P., DAUPHIN-TANGUY G., RICHARD J.P. et al., Analyse et Régulation des
Processus Industriels, Tome1 régulation continue, Tome 2, Régulation Numérique,
Technip, 1993.
[BOR 93b] BORNE P., DAUPHIN-TANGUY G., RICHARD J.P. et al., Analyse et régulation des
processus industriels, Technip, 1993.
[BOR 98] BORNE P., ROZINOER J., DIEULOT J.Y. et al., Introduction à la commande floue,
Technip, 1998.
[BOR 07] BORNE P., BENREJEB M., HAGGEGE J., Les réseaux de neurones, présentation et
applications, Technip, 2007.
[BOR 11] BORNE P., POPESCU D., BENREJEB M. et al., Automatique Avancée et Informatique
Appliquée, Editions de l’Académie, 2011.
[BOR 13a] BORNE P., POPESCU D., FILIP F. et al., Optimisation en Sciences de l’Ingénieur –
Méthodes Exactes, Hermès-Lavoisier, Paris, 2013.
[BOR 13b] BORNE P., POPESCU D., FILIP F. et al., Optimization in Engineering Sciences –
Exact Methods, ISTE, London, and John Wiley & Sons, New York, 2013.
[CAL 79] CALIN S., TERTISCO M., DUMITRACHE I. et al., Optimizari in automatizari
industriale, Editura Tehnica, Bucharest, 1979.
[CAM 04] CAMACHO E.F., BORDONS C., Model Predictive Control, 2nd ed., Springer, New
York, 2004.
[CHA 02a] CHADLI M., MAQUIN D., RAGOT J., “Output stabilization in multiple model
approach”, International Conference on Control Applications, vol. 2, pp. 1315–1320,
2002.
[CHA 02b] CHADLI M., Stabilité et stabilisation des multimodèles, PhD Thesis, INPL-CRAN,
Nancy, 2002.
[CHA 12] CHADLI M., BORNE P., Multimodèles en automatique, outils avancés d’analyse et
de synthèse, Hermès-Lavoisier, Paris, 2012.
[COR 13] CORNOIU M., BARA C., POPESCU D., “Metaheuristic approcah in nonlinear systems”,
UPB Scientific Bulletin, Series A, Bucharest, 2013.
[DAH 13] DAHMANI H., PAGÈS O., EL HAJJAJI A. et al., Observer-Based Multi-Actuator
Vehicle Chassis Control in Critical Situations, IEEE, Villeneuve d’Ascq, pp. 156–161,
2013.
Bibliographie 287
[DAU 99] DAUPHIN-TANGUY G., Les bond graphs et leur application en mécatronique,
Techniques de l’Ingénieur, Paris, 1999.
[DAU 00] DAUPHIN-TANGUY G., Les bond graphs, Hermès, Paris, 2000.
[DAU 04] DAUPHIN-TANGUY G., FOULOY L., POPESCU D. (eds), Modelisation, identification et
commande des systèmes, Éditions de l’Académie roumaine, Bucharest, 2004.
[DEL 96] DELMOTE F., DUBOIS L., BORNE P., “A general scheme for multi-model controller
using trust”, Mathematics and Computers in Simulation, vol. 41, pp. 173–186, 1996.
[DIO 97] DION J.M., POPESCU D., Optimisation des Systemes-Commande Optimale, Diderot,
Paris, 1997.
[DOY 92] DOYLE J.C., FRANCIS B.A., TANENBAUM A.R., Feedback Control Theory,
MacMillan, New York, 1992.
[DUG 91] DUGARD L., LANDAU I.D., Commande Adaptative-Metodologie et Applications,
Hermes, Paris, 1991.
[ELF 08] EL FELLY N., DIEULOT J.Y., BORNE P., “A neural approach of multiple model
representation of complex processes”, International Journal of Computers,
Communications & Control, vol. 3, no. 2, pp. 39–50, 2008.
[FIL 02] FILIPESCU A., STAMATESCU S., Systems Theory, Matrix Rom, Bucharest 2002.
[FIL 09] FILIP F., POPESCU D., MATEESCU M., “Optimal decisions for complex systems-
software packages”, Mathematics and Computers in Simulation, vol. 76, pp. 422–
429, 2009.
[FLA 94] FLAUS J.M., La régulation industrielle, Hermès, Paris, 1994.
[FOU 87] FOULARD C., GENTIL S., SANDRAZ J.P., Commande et Régulation par Calculateur
Numérique, Eyrolles, Paris, 1987.
[FRA 72] FRANKS R.G.E., Modeling and Simulation in Chemical Engineering, John Wiley &
Sons, New York, 1972.
[FRA 86] FRANKLIN G.F., POWELL J.D., Feedback Control of Dynamic Systems, Addison
Wesley, Reading, 1986.
[FRA 90] FRANKLIN G.F., POWELL J.D., WORKMAN M.L., Digital Control of Dynamic
Systems, Addison Wesley, Reading, London, 1990.
[GEN 97] GENTIL S., POPESCU D., Commande Numérique et Intelligence Artificielle en
Automatique, Editura Tehnica, Bucarest, 1997.
[GEV 95] GEVERS M., “Identification for control”, Proceedings of IFAC Conference ACASP’
95, Budapest, pp. 1–12, 1995.
[GHA 13] GHARBI A., PETRESCU C., BENREJEB M. et al., “New approach for the determination
of attractors for nonlinear systems”, Proceedings of 2nd International Conference on
Systems and Computer Science (ICSCS 2013), Villeneuve d’Ascq, France, pp. 216–221,
2013.
[GHA 14] GHARBI A., BENREJEB M., BORNE P., “Tracking error estimation of uncertain Lur’e
Postnikov Systems”, IEEE International Conference on Control, Decision and
Information Technologies (CODIT 2014), Metz, France, 2014.
[GHA 15a] GHARBI A., BENREJEB M., BORNE P., “Determination of nested attractors for
uncertain nonlinear systems”, IEEE International Conference CESA 2015, Marrakech,
2015.
[GHA 15b] GHARBI A., BENREJEB M., BORNE P., “Error estimation in the decoupling of ill-
defined and/or perturbed nonlinear processes”, Proceedings of 19th International
Conference on Circuits, Systems, Communications and Computers (CSCC 2015),
pp. 203–208, 2015.
[GHA 16a] GHARBI A., BENREJEB M., BORNE P., “A taboo search optimization of the control
low of the bounded uncertainties nonlinear systems”, International Journal of Computers
Communication and Control, vol. 2, 2016.
[GHA 16b] GHARBI A., BENREJEB M., “Study of the stabilization of uncertain nonlinear
systems controlled by state feedback”, Acta Polytechnica Hungaria, vol. 13, no. 4,
pp. 21–38, 2016.
[GHE 07] GHEDIRA K., Optimization combinatoire par métaheuristiques, Technip, Paris,
2007.
[GOO 84] GOODWIN G.C., SIN K.S., Adaptive Filtering Prediction and Control, Prentice Hall,
Englewood Cliffs, 1984.
[GRU 04] GRUYITCH LJ.T., RICHARD J.P., BORNE P. et al., Stability Domains, Chapman and
Hall, 2004.
[HAB 99] HABER R., KEVICZKY L., Nonlinear System Identification – Input-Output Modeling
Approach, Kluwer Academic Publishers, Dordrecht, 1999.
[HED 05] HEDRICK J.K., GIRARD A., “Feedback linearization”, Control of Nonlinear Dynamic
Systems: Theory and Applications, Printed Course, Universita Degli Studi Di Padova,
2005.
[HUA 04] HUANG J., Nonlinear Output Regulation – Theory and Applications, SIAM
Advances in Design and Control Series, Philadelphia, 2004.
[KAI 80] KAILATH T., Linear Systems, Prentice Hall, Englewood Cliffs, 1980.
[KAR 00] KARNOPP D., MARGOLIS D., ROSENBERG R., System Dynamics: Modelling and
Simulation of Mechatronic Systems, John Wiley & Sons, London, 2000.
[KAR 91] KARNOPP D., ROSENBERG R., Systems Dynamics: A Unified Approach, 2nd ed.,
John Wiley & Sons, London, 1991.
[KUO 91] KUO B.C., Automatic Control Systems, Prentice Hall, 1991.
[LAN 86] LANDAU I.D., DUGARD L., Commande Adaptative Aspects Pratiques et Theoriques,
Masson, Paris, 1986.
Bibliographie 289
[LAN 89] LANDAU I.D., “Adaptive control, robustness and performance enhancement”, IFAC
International Symposium, Glasgow, 1989.
[LAN 93] LANDAU I.D., Identification et Commande des Systèmes, Hermes, Paris, 1993.
[LAN 95] LANDAU I.D., Identification et Commande des Systèmes, Hermes, Paris, 1995.
[LAN 97] LANDAU I.D., LOZANO R., M’SAAD M., Adaptive Control, Springer-Verlag, London,
1997.
[LAN 01] LANDAU I.D., KARIMI A., “Identification des modèles de procédé en boucle
fermée”, dans LANDAU I.D., BESANÇON-VODA A. (DIR.), Identification de systèmes,
Hermès, Paris, 2001.
[LAN 05a] LANDAU I.D., ZITO G., Digital Control Systems – Design, Identification and
Implementations, Springer-Verlag, London, 2005.
[LAN 05b] LANDAU I.D., CONSTANTINESCU A., REY D., “Adaptive narrow band disturbance
rejection applied to an active suspension – an internal model principle approach”,
Automatica, vol. 41, pp. 563–574, 2005.
[LEV 04] LEVINE J., Analyse et Commande des Systèmes Non linéaires, Centre Automatique
et Systèmes, Ecole de Mines de Paris, Paris, 2004.
[LJU 99] LJUNG L., System Identification – Theory for the User, 2nd ed., Prentice Hall, Upper
Saddle River, 1999.
[LUP 13] LUPU C., BANDICI L., MOLNAR C. et al., “Reduced simulation strategy-multiple
model applicability”, Journal of Electrical and Electronics Engineering, vol. 6, no. 1,
pp. 63–68, 2013.
[M’SA 94] M’SAAD M., HEJDA I., “Adaptive control of a flexible transmission system”,
Control Engineering Practice, vol. 4, pp. 629–639, 1994.
[MAC 01] MACEJOWSKI J.M., Predictive Control with Constraints, Prentice Hall, 2001.
[MAM 75] MAMDANI E.H., ASSILIAN S., “An experiment in linguistic synthesis with fuzzy
logic controller”, International Journal of Man-Machine Studies, vol. 7, no. 1, pp. 1–3,
1975.
[MED 13] MEDIANU S.O., LUPU C., POPESCU D. et al., Optimal Closed-Loop Identification
Solution Using the Direct and Indirect Methods for a Flexible Transmission System,
IEEE, Villeneuve d’Ascq, France, pp. 74–79, 2013.
[MED 14] MEDIANU S., LEFEVRE L., POPESCU D. et al., “Simulator for open loop identification
of dynamic systems”, UPB Scientific Bulletin, Series C, Bucharest, 2014.
[MED 16] MEDIANU S., LUPU C., LEFEVRE L. et al., “Solution for model adequacy verification
in indirect adaptive control”, Control Engineering and Applied Informatics Journal,
vol. 18, no. 1, Bucharest, 2016.
[MIR 15] MIRON C., POPESCU D., CHRISTOV N. et al., “Control based observer for PV system
by fuzzy Takagi Sugeno model”, ICSTCC 18, Sinaia, 2015.
[MIR 16] MIRON C., OLTEANU S., CHRISTOV N., “Energy management for PV systems using
fuel cells”, ICSTCC 19, Sinaia, 2016.
[MOR 00] MORERE Y., “Mise en œuvre de lois de commande pour les modèles flous de type
Takagi-Sugeno”, PdD Thesis, University of Valenciennes and Harnaut Cambiésis, 2000.
[OGA 91] OGATA K., Modern Control Engineering, Prentice Hall, 1990.
[OPP 85a] OPPENHEIM A.V., SCHAFER R., Digital Signal Processing, Prentice Hall,
Englewood Cliffs, New York, 1985.
[OPP 85b] OPPENHEIM A.V., WILLSKY A.S., Signals and Systems, Prentice Hall, Englewood
Cliffs, 1985.
[POP 98] POPESCU D., STEFANOIU D., “System identification and command”, Editura Tehnica,
Bucharest, February 1998.
[POP 00] POPESCU D., TAMBOZI G., PETRESCU C., “Some considerations about the rafinament
and accuracy of PID controllers”, Proceedings of IFAC Workshop on Digital Control,
Terrasa, 2000.
[POP 01a] POPESCU D., SERBANESCU M., “Software package for optimal decisions large scale
systems”, IFAC Symposium on Large Scale Systems, LSS Bucharest, pp. 225–230, 2001.
[POP 01b] POPESCU D., FANEA A., “Refinement and accuracy of PID algorithms”, IFAC
Symposium on System Structure and Control, SSC 2001, Prague, 2001.
[POP 11a] POPESCU D., IONESCU F., MIRCIOIU M. et al., Robust Control and Optimization for
an Ethylene Reactor, 18th Mediterranean Conference on Control and Automation (MED),
pp. 1097–1102, Marrakech, 2011.
[POP 11b] POPESCU D., IONESCU F., DOBRESCU R. et al., Modeling in Engineering Industrial
Processes, Ed. AGIR Press, Bucharest, 2011.
[POP 13] POPESCU D., PETRESCU C., DIMON C. et al., Control and Optimization for a
Petrochemical Reactor, IEEE, Villeneuve d’Ascq, pp. 14–19, 2013.
[ROB 01] ROBERTS P.D., “Optimal control using integrated system optimization and
parameter estimation”, Proceedings of IFAC Symposium on Large Scale Systems, LSS
2001, Bucharest, pp. 1–13, 2001.
[ROS 83] ROSENBERG R., KARNOPP D., Introduction to Physical System Dynamics, McGraw-
Hill, New York, 1983.
[SHE 50] SHERMAN J., MORRISON W.J., ”Adjustment of an inverse matrix corresponding to a
change in one element of a given matrix”, Annals of Mathematical Statistics, vol. 21,
no. 1, pp. 124–127, 1950.
[SÖD 89] SÖDERSTRÖM T., STOICA P., System Identification, Prentice Hall, London, 1989.
Bibliographie 291
[STE 05] Stefanoiu D., Culita J., Stoica P., A Foundation to System Modeling and
Identification, Printech Press, Bucharest, 2005.
[STE 10] STEFANOIU D., LANDAU I.D., CORNOIU M., “Identification of an active suspension in
the presence of narrow band disturbances”, IFAC Conference on Management and Control
of Production Logistics – MCPL-2010, Coimbra, paper 63, 2010.
[STE 14] STEFANOIU D., BORNE P., POPESCU D. et al., “Metaheuristics – local methods”, in
Optimisation in Engineering Sciences. Metaheuristics, Stochastic Methods and Decision
Support, ISTE, London and John Wiley & Sons, New York, 2014.
[STE 16] STEFANOIU D., BARRIO A.M., STOICA A.M. et al., “A RST design approach for the
launchers flight control system”, The 6-th International Conference on Astrodynamics
Tools and Techniques – ICATT-2016, Darmstadt, pp. 32–37, 2016.
[TAK 85] TAKAGI M., SUGENO M., “Fuzzy identification of systems and its application to
modelling and control”, IEEE Transactions on Systems, Man and Cybernetics, vol. 15,
no. 1, pp. 116–132, 1985.
[TAL 93] TALOI D., Optimization of Metallurgical Processes, Ed.Tehnica, Bucharest, 1993.
[TAN 13] TANASA V., CHIRIAC A., POPESCU D. et al., Errors Estimation for the Numerical
Control Computations in the Industrial Applications, ICSTCC, Sinaia, 2013.
[TER 98] TERTISCO M., POPESCU D., JORA B. et al., Automatizari industriale continue, Editura
Didactica si Pedagogica, Bucharest, 1998.
[THO 75] THOMA J., Introduction to Bond Graphs and Their Applications, Pergamon Press,
Oxford, 1975.
[TOR 15] TOROUS C., POPESCU D., BALAN D. et al., Search Algorithms for the Maximum
Power Point on Photovoltaic Panels, ICSTCC 18, Sinaia, 2015.
[TOR 16] TOROUS C., OLTEANU S., POPESCU D., Extremal Control for Photovoltaic Panels,
ICSTCC 19, Sinaia, 2016
[TUD 13] TUDOR F., POPESCU D., BORNE P., Advanced Control for Thermo-Energetic
Installations, ICSTCC, Sinaia, 2013.
[VAN 95] VAN DER HOP P., SCHRAMA R., “Identification and control”, Automatica, vol. 31,
no. 12, pp. 1751–1770, 1995.
[WAN 09] WANG L., Model Predictive Control, System Design and Implementation Using
Matlab, Springer-Verlag, London, 2009.
[WEI 62] WEIGHT W.B., SCRIMGEOUR J.H.C., Modeling Steel Mills on a Digital Computer,
Iron and Steel Engineering, 1962.
[WIR 91] WIRK G.S., Digital Computer Systems, MacMillan, London, 1991.
[WIS 72] WISMER D.A., Optimization Methods for Large Seale Systems with Applications,
McGrow-Hill Inc., New York, 1972.
[XU 93] XU L., KROYZAK A., ORIA E., “Rival penalized competitive learning for cluster
analysis RBF and curve detection”, IEEE Transactions on Neural Network, vol. 4,
pp. 636–646, 1993.
[ZAD 65] ZADEH L., “Fuzzy sets”, Information Control, vol. 8, pp. 338–353, 1965.
Index
B, C I
bande passante, 141 identification, 11, 13, 28-30, 32, 33,
base de règles, 150, 151 35, 36, 38-42, 44, 45, 49, 50, 53-
commande 56, 62, 64, 68, 71-77, 81, 82, 88,
adaptative, 11, 129, 131, 133 89, 91, 94, 95, 97, 98, 101-105,
multimodèle, 11, 147, 148, 160, 118, 120, 122, 130, 154, 155, 157,
161 187, 218, 220, 222, 227, 235-237,
polynomiale, 109, 111, 129, 133, 240, 282-284
142, 230, 231 installation
prédictive, 11, 109, 119-121, 123, d’éthylène, 224
124, 127 thermo-énergétique, 233
robuste, 11, 129, 134-136, 140,
143, 145, 255 L, M
contrôlabilité, 22, 281, 283
contrôle logique floue, 148
de débit, 225, 227, 282 marge de robustesse, 134
de température, 227, 228, 230, mécanisme d’inférence, 150
231 méthode
CLOE
étendue, 73
D, F
généralisée, 80, 84
défuzzification, 150, 151, 153 des moindres carrés, 32, 122, 130,
filtrage adaptatif, 71, 282 232, 239, 282, 283
filtre numérique, 283 modèle
fonction de sensibilité, 133, 135, 136, ARMAX, 42, 74-80, 82-84, 88,
140-144, 229-231, 281 98, 99, 284
fuzzification, 149, 150
ARX, 59, 71, 74, 75-78, 80, 84, plateforme photovoltaïque, 240
91, 97-99, 282, 284 processus industriel, 11, 15, 18, 31,
d’état, 17, 19, 23, 283 33, 81, 109, 187, 205, 208, 217,
de comportement, 25-28, 204, 208 234
de conduite, 32, 218, 223, 224,
232, 240 R, S
de connaissance, 25, 26, 28
entrée-sortie, 17, 192, 283 rapport signal-bruit, 71, 283
modélisation, 11, 13, 15, 35, 36, 45, signal pseudo-aléatoire, 40, 283
81, 82, 187, 188, 194, 201, 205, suspension active, 95-98, 104, 105
209, 212, 243, 245, 248, 249, 252, système
277 extrémal, 240, 254, 256
linéaire, 21, 100, 101
mal défini, 163
O, P
observabilité, 23, 281, 283
panneau photovoltaïque, 240, 241,
245, 246, 251-253, 283

293 Conception de La Commande de Processus Popescu

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

293 Conception de La Commande de Processus Popescu

Transféré par

Droits d'auteur :

Formats disponibles

Popescu.

qxp_Mise en page 1 03/08/2017 11:26 Page1

COLLECTION SYSTÈMES ET GÉNIE INDUSTRIEL

Conception de la commande de processus pour les applications industrielles

Cet ouvrage offre aux spécialistes en automatique industrielle les

ISTE Editions Ltd

© ISTE Editions Ltd 2017

British Library Cataloguing-in-Publication Data

Chapitre 1. Modèles et systèmes dynamiques . . . . . . . . . . . . . 13

Chapitre 2. Identification linéaire des systèmes

2.4. Méthodes d’identification de la classe CLOE . . . . . . . . . . . . . . . . 54

Chapitre 3. Conception de la commande numérique

Chapitre 4. Commande adaptative et commande robuste . . . . . . 129

4.2.5. Analyse de la robustesse par l’étude sur la fonction

Chapitre 5. Commande multimodèle . . . . . . . . . . . . . . . . . . . . 147

Chapitre 6. Systèmes mal définis et/ou incertains . . . . . . . . . . . 163

6.3.2. Commande par difféomorphisme

Chapitre 7. Modélisation et contrôle d’un processus industriel

Chapitre 8. Applications industrielles – Etudes de cas . . . . . . . . 217

Liste des notations et acronymes . . . . . . . . . . . . . . . . . . . . . . 281

Le calcul de la commande d’un processus s’effectuant à partir d’un modèle de ce

A partir du modèle choisi, le système de commande est déterminé en vue de

Lorsque le comportement du processus est fortement non linéaire, il peut être

Une méthode d’estimation de l’erreur induite par la difficulté d’estimation du

Ce chapitre présente une introduction à la problématique de la conception et de

La conception et l’implémentation des systèmes numériques de contrôle dans les

l’automatique et de l’informatique pour l’amélioration de la qualité des produits, la

Cet objectif répond aux besoins de fonctionnement plus efficace et autonome de

Deux catégories principales d’outils de l’automatique industrielle sont nécessaires :

Les moyens numériques de calcul et de programmation assurent également

La commande classique assure le contrôle autour d’un point nominal de

L’exploitation du processus se déroule dans un domaine « admissible », ce domaine

Une configuration standard de conduite de ce processus est organisée en plusieurs

et le niveau de supervision (décision). Le niveau de supervision calcule, après une

Le superviseur trouve le point optimal d’exploitation (PO) dans le domaine

Dans ce contexte, notre ouvrage propose les ingrédients nécessaires pour la

1.2. Modélisation des processus industriels

Le modèle mathématique est la représentation abstraite du comportement d’un

Le modèle obtenu restera toujours une idéalisation de la réalité physique, du fait

où rf et rc représentent respectivement les vitesses de réaction, de formation et de

Ce bilan peut s’écrire, par exemple, pour la conservation de la masse globale du

avec : ρ – masse volumique de la matière dans le système ; ρ e – masse volumique de la

Pour la conservation de chaque composant il vient :

avec : ca – concentration molaire du composant A dans le système ; ca ,in – concentration

du système ; na – nombre de moles dans le système ; raf , rac – vitesses de réaction du

Pour la conservation de l’énergie :

avec : E – énergie totale du système ; U – énergie interne ; K – énergie cinétique ; P –

Pour les processus plus complexes, il y a aussi la possibilité d’une représentation

Il y a deux classes importantes de modèles utilisés en automatique, les modèles

En fonction de la nature du processus et de l’intérêt de l’utilisateur, les équations

1.3. Classes de modèles

1.3.1. Modèles d’état (ME)

Dans le régime stationnaire de fonctionnement du processus, il y a égalité entre les

qui explique, par le bilan de masse ou d’énergie, l’état d’équilibre du processus.

Comme la demande du consommateur est changeable, la quantité de la sortie We

La quasi-majorité des processus industriels sont des processus auto-stabilisants et

où A est la matrice d’état qui assure normalement le caractère stabilisant du système

La modification de la quantité entrante wi est prise en compte par le vecteur de la

Il est raisonnable de considérer que les grandeurs de sortie regroupées dans un

Donc le processus considéré s’exprime en général par le modèle dynamique d’état

L’ensemble ( A, B, C , D ) caractérise donc la représentation par modèle d’état du

La représentation [1.10] est un système multi-variabe MIMO continu, linéaire et

Pour un système mono-variable SISO, la relation [1.10] s’écrit :

Un système discret x = Ax , avec x (0) = x0 , est asymptotiquement stable si toutes