Académique Documents
Professionnel Documents
Culture Documents
I. INTRODUCTION
On ne peut parler de l’identification sans invoquer la
science de la construction des modèles mathématiques
décrivant la dynamique du process, souvent il n’est pas
évident d’obtenir le model due à la carence de sa
dynamique ou encore sa complexité, même en ayant le
modèle l’intrication rend son control une tache délicate
(largeur de dimensions, non linéarité, etc...),afin d’obvier il
est indispensable de réaliser la réduction du modèle ceci
nécessitant de commencer par le modèle linéaire, ce qui
fait la raison de ce présent document d’où on aura le soin Figure 1:Histogramme I/O
de réaliser ou plutôt d’appliquer les disciplines
d’identification interrogées durant les séances d’activité
pratique en identifiant la plus proche approximation
linéaire du Benchmark de Wiener- Hammerstein, à ce titre
nous tirons l’attention a remercié notre cher professeur
A.Naitali qui sans lui cet opuscule n’aurait vu le jour. En visualisant les résultats obtenus en peut constater la non
linéarité du système, ce qui se manifeste par la distorsion
sur l’histogramme de la sortie en temps que la sortie c’est
II. ANALYSE TEMPORELLE ET FREQUENTIELLE une gaussienne lissée.
A. Analyse temporelle
Dans cette partie on adresse le problème de la non linéarité
du système dans la structure de Wiener-Hammerstein, il
consiste d’un block statique non linéaire f[.] entourée par
deux composantes linéaires dynamiques avec leurs
réponses impulsionnelles respectivement G1, G2.
La structure Wiener-Hammerstein est considerablement
utilisée, pour ses différentes applications dans plusieurs
domaines science et technologie.
B. Analyse frequentielle
Figure 2:Systeme de Wiener-Hamerstein
Afin de visualiser clairement le comportement du système
Le système Wiener-Hammerstein est excite par une nous somme menée à poursuivre son comportement dans
excitation gaussienne filtrée de fréquence de coupure le domaine fréquentiel ce qui donne les résultats suivants.
fc=10kHz.
Or
enregistrer l’évolution de la sortie y(t). Le meilleur vecteur de paramètre qu’on peut choisir est :
Observer la forme de y(t) et reconstruire G(s), (1 er ordre
? 2eme ordre oscillatoire ? Présence de retard pure ?
etc…)
Validation du model choisi pour des entrées quelconques
Fonction Matlab : Θ = arx(ZN,[na nb nk])
Le type d’identification qu’on appliquera dans la suite
sera black box identification considérons qu’on a que C. Procedure generale du black-box identification
l’information sur l’entrée et la sortie du système. Essai de la conception d’identification : quel type
d’entrée u(t) a appliquée ?
Structure du model : quelle classe de model à IV. IDENTIFICATION DE LA BLA DU BENCHMARK
choisir convenablement aux données
A. Preparation des donnees
d’apprentissage ?
Fit criterion évaluation de la précision d’estimation. Après la collection des données étant la phase cruciale de
Critère de validation : le model d’identification est l’essai de l’identification et la plus cher en même temps il vient la
- il consistant ? préparation des données de telle sorte d’exprimer les données
d’apprentissage et de validation de façon d’échapper aux facteurs
de la non consistance du model (overfitting, Underfitting), pour
cela on commence par définir l’intervalle de 1) L’erreur moyenne d’estimation et de la
d’apprentissage et de validation. validation : Le model d’état représente l’erreur
moyenne minimale
B. Choix de la structure du model mais ceci n’est suffisant pour la validation du choix.
La sélection du model exige au moins trois étapes suivantes
: 2) L’erreur efficace d’estimation et de validation
1) La sélection de la classe des modèles linéaires
/non linéaires, et le type d’identification a
appliquée.
2) Le choix de l’ordre du modèle (ordre d’état, degré
du modèle polynomial ou nombre de neurones),
ceci se rend à une problématique de la sélection
de l’ordre du model.
3) Choix des paramètres du model, lors du choix du
model (eg : model d’état), en se rend a le
paramétrer ce qui fait de trouver un model qui
convient à
Le but de cette démarche est pour une finalité du choix
du meilleur model en termes de sa qualité et sa
consistance et avec les moindres ressources
financières.
Le model ARMAX représente l’erreur efficace minimale
Qualité du model : d’estimation et de validation.
La qualité du model peut être mesure par plusieurs critères
parmi eux le critère du moindre carré (algorithme détaillé
dans le cours system Identification course 2017 A.NAITALI). 3) La déviation standard de l’erreur
V. CONCLUSION
L’identification est l’outil de liaison entre l’observation et la
science, qui consiste à partir de l’observation du
comportement du système de s’en sortir avec une relation
mathématique qui relie les deux et permet de prédire le
comportement future, présent (filtrage) ou antérieur
(lissage). Dans cet écrit est comme le critère de consistance
et précision du model l’exige nous avons abouti à partir de
la FPE à choisir le model BJ pour décrire le comportement
du système Wiener-Hammerstein, le tout en commençant
par la collection des données la sélection du type
d’identification le choix du modèle a partir du critère
d’évaluation de la précision d’estimation et par la validation
du model.