Université Abou Bekr Belkaid Tlemcen

Faculté de technologie
L3 AUTOMATIQUE

AS543 / TP Modélisation et identification des systèmes

Responsable de module : Mme KAHOUADJI SALIMA

COMPTE-RENDU DE TP

Membres :
 Rachedi Ibrahim Khallil
 Chehih Mohammed El Amine

Année Universitaire 2020/2021
 TP 1

Exercice 2 :
 Simulation :

1
 Système 1 : T ( s ) = 2
s +2 s +1
  Le modèle proposé : Ziegler-Nichols
θ=1.2
τ =2.9
e−1.2 s
G ( s )=
(1+2.9 s )
1
 Système 2 : T ( s ) =
s+1

 Réponse Indicielle
τ =2.1
1
G ( s )=
1+ 2.1 s
 TP 2
1- Le type de la réponse est indicielle.
2- Matrice Z :

3- Visualisation :

4- La réponse impulsionnelle :
On remarque que La réponse du système tend vers 0 donc Le système est stable.
5- Modèle arx :

Discrete-time ARX model: A(z)y(t) = B(z)u(t) + e(t)

A(z) = 1 + 0.1308 z-1 - 0.124 z-2 - 0.1287 z-3 - 0.1627 z-4
B(z) = 21.51
Changement de la période d’échantillonnage par

6- Comparaison :
On remarque que les deux graphes sont superposés et ils sont identique à 99%.
7- Les diagrammes de bode, Nyquist, et le lieu des poles :
D’abord on obtient la fonction de transfert par

 Bode :
 Nyquist :
 Poles et zeros :

 Le modèle est satisfaisant.

 TP 3
1. Régression linéaire :
1. La fonction y=f(x) avant et après la superposition d’un bruit gaussien centréet de
variance unité :
clc;
clear all;
close all;
x=[1:1:21];
y=0.5*x+2; %modèle expérimental
y1=0.5*x+2+randn(1,21); %processus expérimental
hold on %commande qui permet d'afficher plusieurs
tracé dans lameme figure
plot(x,y) %tracé d eyenfonctionde x

plot(x,y1,'.r') %tracé de y1 en fonction de x

Visualisation:

figure (1)

2. Ecriture du vecteur optimal des paramètres θ :

On a Y =θ × Φ => Y ×Φ T =(θ ×Φ)×Φ T => θ=Y × ΦT ×(Φ T ×Φ)

3. Détermination des coefficients a et b:

phi=[x',ones(21,1)];
teta=inv(phi'*phi)*phi'*y1' ;
a=teta(1);
b=teta(2);
y2=phi*teta; %modèle obtenue par la méthode des moindres carrés
plot(x,y2,'r')

Résultats :
a = 0.5100
b = 2.0151

Visualisation :

Figure (1) avec moindres carrées

4. Détermination des paramètres a et b en utilisant la fonction nnls « non negative least

square » :

y1=0.5*x+2+randn(1,21);
phi=[x',ones(21,1)];
L=lsqlin(phi,y1);
a=L(1)
b=L(2)
y2=(a.*x)+b;

R ésultats :
a = 0.4777
b = 2.0966
 - Comparaison:
En utilisant la fonction lsqlin on retrouve le même résultat pour les paramètres a et b
que l’écriture matricielle.

2. Régression non linéaire :

1. Le tracé des données réelles et du modèle exponentiel :

clc;
clear all;
close all;

x=[0.1 0.2 0.5 1 1.5 1.9 2 3 4 6];

y=[0.95 0.89 0.79 0.7 0.63 0.58 0.56 0.45 0.36 0.28];

hold on
plot(x,y) % tracé des données réelles
n=length(y);
a=sum(x.*log(y));
b=sum(x);
c=sum(log(y)/n);
d=sum(x.^2);
e=(sum(x).^2)/n;
B=(a-b*c)/(d-e)
f=sum(exp(B*x)/y);
g=sum(exp(2*x*B)/y.^2);
A=f/g
y1=A*exp(B*x);
plot(x,y1,'.r') %tracédumodèleexponentiel
Visualisation :

Figure (2)

Résultats :
B = -0.2080
A = 0.9275

2. Détermination des coefficients A et B du modèle exponentiel par la méthode des

moindres carrés:

phi=[x',ones(10,1)];
teta=inv(phi'*phi)*phi'*y';
y2=phi*teta ;
a1=teta(1)
b1=teta(2)
Y=exp(y);
A1=exp(b1)
B1=a1
y3=A1*exp(B1*x);
plot(x,y3,'g') %tracé du modèle exponentiel en utilisant la méthode
des moindres carrés

Visualisation :
 Figure (2) apres la methode des moindres carrées

Resultats:
A1 = 2.3266
B1 = -0.1116

- Comparison:
En utilisant la méthode des moindres carrés en observe que les paramètres A et B sont plus
précis

3. Conclusion :

La méthode des moindres carrés permet de choisir un jeu de paramètres d’unmodèle

définie de telle sorte qu’il minimise l’erreur entre les valeurs prédites par le modèle et
les valeurs observes .
 TP 4

1. Exercice 01:

1. Estimation des paramètres p1, p2 et p3 par moindres carrées :

clc;
clear all;
close all;

t=[-3 -1 0 2 3 6]'; %entrer

y=[17 3 1 5 11 46]'; %sortie
plot(t,y) %tracer y en fonction de t
hold on
phi=[t.^2 t ones(6,1)] %phi
teta=inv(phi'*phi)*phi'*y; %teta
p1=teta(1)
p2=teta(2)
p3=teta(3)
y1=p1*t.^2+p2*t+p3
plot(t,y1,'.r')

Resultats :
p1 = 1.4155
p2 = -0.9848
p3 = 1.0630

visualization:
 2. On déduit les mesures filtrées et les résidus :

y_ch=phi*teta %mesure filtré

res=y-y_ch %résidue

Résultats :
y_ch =
16.7569
3.4633
1.0630
4.7555
10.8483
46.1130

res =
0.2431
-0.4633
-0.0630
0.2445
0.1517
-0.1130

2. Exercice 02:

1. Estimation des paramètresp1, p2 et p3 par moindres carrées :

clc;
clear all;
close all;

u=[4 10 11 13 15]';
tr=[0 1 5 5 3]';
omg=[5 10 8 11 17]';
phi=[u tr];
teta=inv(phi'*phi)*phi'*omg;
p1=teta(1)
p2=teta(2)

Résultats :

p1 = 1.2522

p2 = -1.0524
 2. On déduitles mesures filtrées et les résidus:
teta_ch=inv(phi'*phi)*phi'*omg;

y_ch=phi*teta_ch

res=omg-y_ch

Résultats :
y_ch =
5.0090
11.4701
8.5128
11.0173
15.6265
res =
-0.0090
-1.4701
-0.5128
-0.0173
1.3735