Activite pratique

Identification de la BLA du Benchmark de Wiener -Hammerstein

E.Karmani, Y.Edahbi , N.Mabrouk, C.Essadqi, S.El Aabed, M.El Habachi,
ENSET RABAT,Electrical Engineering Departement

Abstract—Ce document papier est réalisé dans le cadre de

l’activité pratique encadre par notre professeur A. Naitali pour
l’identification de la BLA du Benchmark de Wiener-
Hammerstein.

Keywords—identification, BLA, MATLAB, Wiener-

Hammerstein, model.

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.

Figure 2:Systeme de Wiener-Hamerstein
Le système Wiener-Hammerstein est excite par une
excitation gaussienne filtrée de fréquence de coupure
fc=10kHz.
B. Analyse frequentielle
Afin de visualiser clairement le comportement du système
nous somme menée à poursuivre son comportement dans
le domaine fréquentiel ce qui donne les résultats suivants.

Identification BLA du systeme Wiener Hammerstein ©2020 ENSET Rabat


Figure 3:Reponse fréquentielle d'entree/sortie
La repense fréquentielle du signal d’entrée représente un
comportement passe bas ce qui effectivement illustre dans
la figure 1. Or la sortie représente clairement un zéro.
III. PROCEDURE D’IDENTIFICATION
A. Types d’identification
Vers le chemin de la construction du modèle
mathématique on se coïncide avec plusieurs types
d’identification :
White box : la structure du model basée sur les premiers
principes (ex : loi de newton), les paramètres du model
estimées à partir des entrées et sorties.
Grey box : la structure du model est partiellement
connue à partir des premiers principes la suite est
construite depuis les données du système.
Black box : la structure du model ainsi que ses
paramètres sont incomplètement connus le tout est
estimées à partir des E/S du système.
Eg : démarche d’identification d’une réponse indicielle
On commence par excite le process par un échelon u(t),
enregistrer l’évolution de la sortie y(t).
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
Le type d’identification qu’on appliquera dans la suite
sera black box identification considérons qu’on a que
l’information sur l’entrée et la sortie du système.
 Structure du model : quelle classe de model à
choisir convenablement aux données
d’apprentissage ?
 Fit criterion évaluation de la précision d’estimation.
 Critère de validation : le model d’identification est
- il consistant ?
B. Black-box identification
Avant d’entamer la réalisation et le choix du model pour
notre benchmark on aura le soin de définir la procédure
d’identification en boite noire via la régression linéaire on
considère pour notre exemple le model ARX
(AutoRegressive eXogenous) :
Ou e(k) est un bruit blanc.
On peut prédire la valeur suivante de la sortie a partir de
l’observations antérieur.
D’une manière compacte
Θ vecteur de paramètre (inconnu).
Φ(k) regresseur.
 On note par
la sortie prédite qui dépend des valeurs antérieures
de y(k) et du paramètre Θ.
 Θ est inconnu mais on connait ZN (measured data)
 A partir de la méthode du moindre carre on estime
Θ* = argmin{V(Θ,ZN)}
Avec
 V(Θ,ZN) est une fonction quadratique de Θ, on
trouve son minimum en annulant sa dérivée de V
Or
Le meilleur vecteur de paramètre qu’on peut choisir est :
Fonction Matlab : Θ = arx(ZN,[na nb nk])
C. Procedure generale du black-box identification
 Essai de la conception d’identification : quel type
d’entrée u(t) a appliquée ?
IV. IDENTIFICATION DE LA BLA DU BENCHMARK
A. Preparation des donnees
Après la collection des données étant la phase cruciale de
l’essai de l’identification et la plus cher en même temps il vient la
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

Pour notre model de benchmark 4 critères ont été illustrée

pour la réalisation du choix :

Le model BJ représente un compromis d’ordre

(complexité) et précision (erreur minimale).
4) akaike's final prediction  Que le système réel soit décrit par Θ*= Θ.
error On assume :  Les paramètres sont identifiables alors V‾n(Θ)est inversible.
 Les données de validation ont les mêmes propriétés que celle
d’estimation.
Cependant on a :
 (Le document suivant ne fait pas preuve de cette relation, plus de
detaille Lennart ljung-System Identification Theory for the User
second edition, 16.34 page 503.) REFERENCES

[1] A.Naitali “System Identification course 2017”.

[2] Lennart Ljung,”System Identification theory for the user 2nd edition”.
[3] Alberto Bemporad,”System Identification”.
[4] Mathworks /Matlab/Identification_Toolbox.

La simulation sur matlab montre que le modele le plus

precis est BJ (Box-Jenkins) , 9eme ordre avec l’erreur
minimale 5.771.10-7.

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.