Académique Documents
Professionnel Documents
Culture Documents
M.BAHATTI
Plan du cours
Définitions
Importance
Distance de prédiction:
Basée sur la différence entre la sortie du système et celle que prédit le modèle au
même instant
Chapitre 1: Introduction
Critères d’Identifications
Distance de structure:
Basée sur la différence entre les paramètres du système et ceux du modèle
Chapitre 1: Introduction
Classification des méthodes d’identification
Méthodes non paramétriques
Basées sur les réponses graphiques ( indicielles, impulsionnelles, fréquentielles..)
Méthodes paramétriques de base
Détermination de la Fonction de Transfert à partir des réponses graphiques
Méthodes du modèle
− Ajuster manuellement ou automatiquement la structure ou les paramètres du modèle
jusqu’à ce que ε< εmin.
− Itérative
Méthode statistiques
Basées sur les Moindres Carrées et outils analogues.
2. Méthodes d’identification de Base
Chapitre 2: Méthodes de base
Avantages et inconvénients
- Avantage : Simplicité , outil mathématique simple
- Inconvénient : Signaux d’entrée spécifiques (donc pas toujours réalisables)
Classification
Analyse indicielle
Analyse impulsionnelle
Analyse harmonique
Contexte Industriel
Chapitre 2: Méthodes de base
Identification d’un premier ordre
K
H p =
1 + τp
π
𝑡𝑝𝑖𝑐 =
ω0 1 − m 2
2π
𝑇𝑝𝑠𝑒𝑢𝑑𝑜−𝑝é𝑟𝑖𝑜𝑑𝑒 =
ω0 1 − m 2
Chapitre 2: Méthodes de base
Méthode de Broîda
Domaine d’application :
Systèmes linéaires à réponse indicielle apériodique
Principe :
La méthode de Broîda est une méthode d'identification en boucle ouverte
d'une réponse indicielle expérimentale qui consiste à assimiler la fonction de transfert
d'un système d'ordre n à celle du premier ordre affectée d'un retard pur
Y ( p) e p
G ( p) K.
U ( p) 1 Tp
Problème de l’identification
Déterminer les paramètres :
• K: gain statique
• T: Constante du temps (sec.), et
• : Temps de retard pur (sec.)
Chapitre 2: Méthodes de base
Méthodologie: Calcul des paramètres du modèle de Broîda
K = 5; τ = 0,375s ; T = 1,21s
5𝑒 −0,375𝑝
H𝑖 p =
1 + 1,21p
Chapitre 2: Méthodes de base
Exemple du modèle de Broîda (suite)
100 5𝑒 −0,375𝑝
H p = H𝑖 p =
(p + 5)(p + 4)(p + 1) 1 + 1,21p
Les deux réponses indicielles sont:
L’objectif consiste à approximer la réponse indicielle d’un système donné par la réponse
indicielle d’un système de constante de temps multiple et comportant éventuellement un
retard pur
K. e−τp
G p =
1 + Tp n
K (gain Statique),
T(Constante de temps)
n ( l’ordre du système) et 𝜏 ( Retard)
Chapitre 2: Méthodes de base
Méthodologie
On enregistre la réponse indicielle , qui doit être apériodique
u(t)
u(t) y(t)
Système
Chapitre 2: Méthodes de base
Méthodologie: Tableau de Strejc
Paramètres du modèle
Détermination de K
C’est le gain statique: Rapport de l'amplitude du
signal de sortie sur celle d'entrée .
Détermination de n
• On trace le mieux possible la tangente au
point d'inflexion de la réponse indicielle
• Les intersections de la tangente donnent TU
et TA
T
• On calcule ensuite le rapport 𝑅 = TU
A
• On détermine alors n d’après le tableau: On prendra la valeur de n entier , immédiatement
inférieure
Exemple: A titre d’exemple, si TU=3s, TA=11s, alors TU/TA = 3/11=0,27; La valeur de n
entier la plus proche inférieure sera égale à n=3
Chapitre 2: Méthodes de base
Détermination de la constante de temps T
Connaissant la valeur de n , TA (ou TU), on détermine la constante du temps T à
l'aide de l'une des deux dernières colonnes du tableau.
Dans notre cas , pour n= 3, TA / T = 3,695 alors T= TA /3,695 = 2,97sec.
Détermination du temps de retard fictif 𝝉
Afin de compenser l'erreur due à la détermination du point d'inflexion, on introduit
un retard fictif 𝝉 = TUT -TUR
TUT : déterminée du tableau de Strejc . TUR :Valeur réelle de la grandeur TU sur la
réponse indicielle.
Dans l’exemple:
TUR =3sec, alors TUT /TA=0,218 (pour n=3) d’où TUT = 0,218*TA =0,218*11=2,4 sec.
Le retard fictif sera ∶ 𝝉 =3-2,4=0,6 sec
Remarque
• Si un retard réel existe, il sera ajouté au retard fictif
Chapitre 2: Méthodes de base
100
Méthode de Strejc : Exemple H p =
(p + 5)(p + 4)(p + 1)
Chapitre 2: Méthodes de base
Méthode de Strejc : Exemple (suite)
𝑒 −0,09𝑝
H𝑆 p = 5. 2
1 + 0,65𝑝
Chapitre 2: Méthodes de base
Méthode de Strejc : Exemple 100
H p =
(p + 5)(p + 4)(p + 1)
𝑒 −0,09𝑝
H𝑆 p = 5. 2
1 + 0,65𝑝
Remarques
• La méthode n’est applicable que pour les systèmes d’ordre >= 2
• Le modèle de Strejc donne des résultats satisfaisants lorsque les constantes du
temps du système sont de même ordre de grandeur
Chapitre 2: Méthodes de base: boucle fermée
Intérêt de la méthode
• L’identification en boucle ouverte est parfois considérée comme dangereuse pour
l’évolution du système (tous les systèmes de régulation sont hors service).
• L’identification en BO est moins précise que celle de la BF.
Condition d’application
• S’applique pour les systèmes d’ordre supérieur à 2
• Système stable
• Analyse fréquentielle
Méthode de Strejc sans retard
yc + e u G ( p)
k y
kp
(1 Tp ) n
-
Chapitre 2: Méthodes de base: boucle fermée
Méthodologie
Calcul du gain statique k
• On considère une entrée échelon,
• On calcule k à partir de l’erreur en régime permanent
Calcul de n et T
• On fait varier kp jusqu’à l’apparition des oscillations entretenues (pompage)
• On mesure w0 et kp. On pose K=kkp.
• À la limite de stabilité, on a ,
K
1 n. Arctg (Tw0 )
1 T w
et
n
2 2
0
1
T
K 1 T w 1 /[cos ( )]
tg ( )
2 2 n
n w0 n
0
n
Chapitre 2: Méthodes de base: boucle fermée
K 1 T w 1/[cos ( n )]
2 2
0
n
n
Chapitre 2: Méthodes de base: boucle fermée
Méthode de Broïda
u kep y
yc + e kp G ( p)
1 Tp
-
k0
1 T 1 k 0 1
2
1T w
2 2
0 w0
Artg( k 0 1)
2
w 0 ArtgTw 0
w0
Chapitre 2. Identification en boucle fermée
Principe général
Déterminer les paramètres d’un modèle de telle sorte à minimiser la somme des carrés
de la différence entre les valeurs prédites par le modèle et les valeurs observées.
Objectif:
Etablir la régression linéaire : Equation de la droite 𝑦 = 𝑓 𝑥 minimisant l’erreur
au sens des moindres carrés.
𝑦 = 𝑦1 , 𝑦2 , 𝑦3 , … . 𝑦𝑁 𝑇 ;
𝒚 = 𝒂. 𝒙 ; 𝑎: Paramètre inconnu
3.1. Méthode des moindres carrés
Critère à minimiser au sens des moindres carrés :
2 2 2 𝑇
𝐽 𝑎 = 𝑦1 − 𝑦1 + 𝑦2 − 𝑦2 + ⋯ + 𝑦𝑁 − 𝑦𝑁 = 𝑌 − 𝑋𝑎 𝑌 − 𝑋𝑎
𝑇
𝐽 𝑎 = 𝑌 − 𝑋𝑎 𝑌 − 𝑋𝑎 = 𝑌 𝑇 𝑌 − 𝑌 𝑇 𝑋𝑎 − 𝑎𝑋 𝑇 𝑌 + 𝑎𝑋 𝑇 𝑋𝑎 = 𝑌 𝑇 𝑌 − 2𝑎𝑋 𝑇 𝑌 + 𝑎𝑋 𝑇 𝑋𝑎
𝜕𝐽 𝜕𝐽 −1
= −2𝑋 𝑇 𝑌 + 2𝑋 𝑇 𝑋𝑎 =0 a = 𝑋𝑇 𝑋 𝑋𝑇 𝑌
𝜕𝑎 𝜕𝑎
Exemple Matlab:
clear all ;close all; clc;
% générer les données y = a0*x+b; b: bruit et a0 =3;
N = 30; %Nb d'échantillons
a0 =3;
x = 1:N ; % vecteur ligne
b = 10*randn(N,1) ;
y = a0*x'+b ;
% estimation des paramètres
a = inv((x*x'))*x*y;
plot(x,y,'+',x,a*x)
3.1. Méthode des moindres carrés
𝑥1 𝑦1 𝑦1 = 𝑎𝑥1 + 𝑏
𝑥2 𝑦2 𝑦2 = 𝑎𝑥2 + 𝑏
… … …
𝑥𝑁 𝑦𝑁 𝑦𝑁 = 𝑎𝑥𝑁 + 𝑏
Objectif:
Déterminer les paramètres a et b tel que le critère quadratique soit minimal
𝑁 𝑁
2 𝑎
𝑎
𝐽 𝑎, 𝑏 = 𝑦𝑖 − (𝑎𝑥𝑖 + 𝑏) 2 𝐽 𝑎, 𝑏 = 𝑦𝑖 − (𝑥𝑖 1) 𝜃=
𝑏 𝑏
𝑖=1 𝑖=1
𝑥1 1
𝐽 = 𝑌 − ∅. 𝜃
𝑇
𝑌 − ∅. 𝜃 𝐽 = 𝑌 𝑇 𝑌 − 𝑌 𝑇 ∅. 𝜃 − 𝜃 𝑇 ∅𝑇 𝑌 + 𝜃 𝑇 ∅𝑇 ∅. 𝜃
∅= … 1
𝑥𝑁 1
𝜕𝐽 𝜕𝐽
= −2∅𝑇 𝑌 + 2∅𝑇 ∅. 𝜃 =0 𝜃 = ∅𝑇 ∅ −1
∅𝑇 . 𝑌
𝜕𝜃 𝜕𝜃
3.1. Méthode des moindres carrés
Dynamique
y(i): fonction inconnue des mesures précédentes y(i-1), y(i-2)… et des entrées x(i), x(i-1) etc.
Objectif:
Donner un modèle dynamique du système (Fonction de transfert, Equation récurrente, etc )
Les sorties 𝑦(𝑖) du modèle sont prédites en fonction de x(i), x(i-1),…et des sorties y(i-1), y(i-2)…
Estimer les paramètres de ce modèle de telle manière à minimiser l’erreur quadratique entre les
sorties réelles 𝑦 𝑖 et les valeurs prédites 𝑦(𝑖)
𝑁 𝑁
2 2
𝐽= ϵ(𝑖) = 𝑦 𝑖 − 𝑦(𝑖) Soit minimal
𝑖=1 𝑖=1
3.1. Méthode des moindres carrés
Exemple : Système du première ordre.
𝑏
𝐹 𝑧 = 𝑦 𝑖 = −𝑎 𝑦 𝑖 − 1 + 𝑏𝑥(𝑖 − 1)
𝑧+𝑎
Commande Observation Prévision
𝑥0 𝑦0
𝑥1 𝑦1 𝑦1 = −𝑎𝑦0 + 𝑏𝑥0
𝑥2 𝑦2 𝑦2 = −𝑎𝑦1 + 𝑏𝑥1
… … …
𝑥𝑁 𝑦𝑁 𝑦𝑁 = −𝑎𝑦𝑁−1 + 𝑏𝑥𝑁−1
𝑁 𝑁
2 2
𝐽= 𝑦 𝑖 − 𝑦(𝑖) = 𝑦 𝑖 − (−𝑎𝑦 𝑖 − 1 + 𝑏𝑥 𝑖 − 1
𝑖=1 𝑖=1
𝑁
2
𝑎
𝐽= 𝑦𝑖 − (−𝑦𝑖−1 , 𝑥𝑖−1 )
𝑏
𝑖=1
𝑦1
−𝑦0 𝑥0 .
𝑎 𝑇
𝜃= ∅= … … 𝑌= . 𝐽 = 𝑌 − ∅. 𝜃 𝑌 − ∅. 𝜃
𝑏 −𝑦𝑁−1 𝑥𝑁−1 .
𝑦𝑁
𝑎
𝐽 𝑚𝑖𝑛 𝜃= = ∅𝑇 ∅ −1
∅𝑇 . 𝑌
𝑏
3.1. Méthode des moindres carrés
Application numérique : Système de premier ordre –Réponse indicielle
Valeurs relevées pour y(i) : 0 , 0.4, 0.7, 0.95, 0.98, 1, 0.97, 0.99, 1.02
𝐵 𝑧 −1 = 𝑏1 𝑧 −1 + ⋯ + 𝑏𝑚−1 𝑧 −(𝑚+1) + 𝑎𝑚 𝑧 −𝑚
Modèles Stochastiques
Modèle ARX le bruit entre directement dans l'équation du processus
𝑦 𝑘 = −𝑎1 𝑦 𝑘 − 1 − ⋯ − 𝑎𝑛 𝑦 𝑘 − 𝑛 + 𝑏1 𝑢 𝑘 − 1 + ⋯ + 𝑏𝑚 𝑢 𝑘 − 𝑚 + 𝜀(𝑘)
𝐴 𝑧 −1 𝑦 𝑧 = 𝐵 𝑧 −1 𝑢 𝑧 + 𝜀(𝑧)
𝐴 𝑧 −1 𝑦 𝑧 = 𝐵 𝑧 −1 𝑢 𝑧 + 𝐶 𝑧 −1 𝜀(𝑧)
𝐵 𝑧 −1 𝐶 𝑧 −1
𝑦 𝑧 = 𝑢 𝑧 + 𝜀(𝑧)
𝐴 𝑧 −1 𝐴 𝑧 −1
𝐶 𝑧 −1
𝑉 𝑧 = 𝜀(𝑧) Si 𝐶 𝑧 −1 = 1; Processus Auto régressif: AR
𝐴 𝑧 −1
Si 𝐴 𝑧 −1 = 1; Processus à moyenne mobile(Moving Average)
Modèle de bruit plus réaliste.
Détermination des paramètres : Méthodes Probabilistes
3.3. Méthode des moindres carrés récursifs
Inconvénient de la méthode MC simples
𝑦1
Calcul sur n mesures : .
• On dispose de n observations 𝑌𝑛 = .
.
𝑦𝑛
−1 𝑇
• La solution optimale calculée sur les n mesures est : 𝜃𝑛 = ∅𝑛 𝑇 ∅𝑛 ∅𝑛 . 𝑌𝑛
Formulation récursive
Possibilité de traiter un plus grand nombre de données
Cas des systèmes variant dans le temps
• Possibilité de "suivre" les paramètres du système
• Possibilité d’une commande « auto-adaptative"
3.3. Méthode des moindres carrés récursifs
Principe des MC récursifs 𝑦1
Ajout de la (n+1)ème mesure : . 𝑌𝑛
.
• On dispose de n+1 observations: 𝑌𝑛+1 = =
.
𝑦𝑛
𝑦𝑛+1
𝑎12 𝑎13 … 𝑦𝑛+1
𝑎11 𝑎1𝑘
∅𝑛 = … … …. … …
𝑎𝑛1 𝑎𝑛2 𝑎𝑛3 … 𝑎𝑛𝑘
∅𝑛 𝑇
−1
∅𝑛+1 = 𝜃𝑛+1 = ∅𝑛+1 ∅𝑛+1 𝑇
∅𝑛+1 . 𝑌𝑛+1
𝑓𝑛+1 𝑇
3.3. Méthode des moindres carrés récursifs
𝑇
Expression récursive de base: 𝑇
𝜃𝑛+1 = ∅𝑛+1 . ∅𝑛+1
−1
∅𝑛+1 . 𝑌𝑛+1
𝑇
∅𝑛 ∅𝑛
𝑇
∅𝑛+1 . ∅𝑛+1 = . = ∅𝑛 𝑇 . ∅𝑛 +𝑓𝑛+1 . 𝑓𝑛+1 𝑇
𝑓𝑛+1 𝑇 𝑓𝑛+1 𝑇
Calcul de 𝜃𝑛+1:
−1
𝜃𝑛+1 = ∅𝑛 𝑇 . ∅𝑛 +𝑓𝑛+1 . 𝑓𝑛+1 𝑇 + ∅𝑛 𝑇 𝑌𝑛 + 𝑓𝑛+1 . 𝑦𝑛+1
Fin