Vous êtes sur la page 1sur 9

ECOLE NORMALE SUPÉRIEURE DE L’ENSEIGNEMENT

TECHNIQUE

DÉPARTEMENT GÉNIE ELECTRIQUE

Filière d’Ingénieur de Génie électrique-4èmeSemestre : Elément de


Module l’Identification paramétrique des Systèmes

Contrôle Continu sur l’Identification


paramétrique des Systèmes Dynamiques

Réalisé par : Encadré par :


BENMANSOUR Kaouthar
Mr.A.NAITAILI

Année universitaire : 2019/2020


DOCUMENT DE REPONSE
La procédure itérative d’identification d’un système dynamique est
décrite dans la figure ci-dessous.

1- Définition des taches correspondantes aux différentes actions de la procédure


itérative d’identification de la figure ci-dessus :
D’abord pour créer les étapes de cette procédure il faut répondre aux questions
suivantes :
• Quel genre de modèle ?
• Paramétrique ou non paramétrique ?
• Quelles mesures effectuer ?
• Quel signal d'excitation ?
• Quelle structure adopter ?
• Doit-on y inclure des connaissances a priori ?
• Comment choisir le bon modèle parmi tous ceux calculés ?
• Ce modèle est-il adapté à ce que l'on va lui demander ?

2
Par les réponses de ces questions on crée des étapes qui effectuent des taches
différentes à fin de modéliser un système :

✓ Etape 1 : Définir les connaissances à priori :


Sa Tache est d’Exploiter de connaissances à priori, et l’établissement de modèles
analytiques.
✓ Etape 2 : Concevoir l’expression d’identification :
Il permet de faire la Définition des conditions d’expériences et le choix des variables
✓ Etape 3 : Collecter les données
Durant cette phase, des mesures sont effectuées sur les variables sensés caractérisés le
système. Ces variables peuvent être des variables externes qui agissent sur le système
(entrées de commande ou perturbations mesurables), des variables internes qui traduisent
l’état du système (variables d’état), ou la réponse du système (variable de sortie). Il
existe souvent des perturbations non mesurables qui agissent sur le système (en entrée ou
en sortie) rendant plus difficile sa modélisation.
✓ Etape 4: Analyser et Préparer les données :
Il permet de faire L’Expérimentation et l’enregistrement de données et les divises en
3parties :l’une pour l’estimation, puis pour la validation et la dernière pour le test
✓ Etape 5 : Choisir une classe de modèle :
Il s’agit de définir d’une façon formelle la relation expliquant le fonctionnement du
système. Cette relation correspond à une famille de fonctions mathématiques dont une
seule correspond au modèle recherché.

✓ Etape 6 : Choisir un critère d’adaptation (fit) :


C’est le choix de la fonction objectif (fonction coût) dont l’optimisation (minimisation)
permet de déterminer la structure du modèle de façon unique. Ce critère est fonction de
l’écart entre la sortie du système et celle du modèle. Généralement c’est la fixation d’erreur.
Cette étape implique la définition d’estimation
✓ Etape 7 : Calculer le modèle :
Après avoir choisi la structure du modèle, il faut estimer les paramètres de ce dernier. Ces
paramètres sont les poids de connexions entre les neurones qui sont adaptés de telle sorte à
minimiser un critère de performance.
✓ Etape 8 : Tester le modèle :
C’est une procédure qui permet d’évaluer l’exactitude (ou la fidélité) du modèle. Pendant
cette phase, le modèle est testé avec des données non utilisées pendant la phase
d’identification.
✓ Etape 9 : Validation de modèle :
Vérification du modèle obtenu et son adaptation aux donnees de validation .
✓ Etape 10 : Réviser
Après la validation si le modèle est adapté il pourra être utiliser sinon on revient
éventuel l’étape où on choisis le modèle.

3
2. Dans le cadre des systèmes linéaires, on effectue la commande
(ou la suite de commandes) Matlab qui permettent de réaliser chacune des
taches des étapes de la procédure d’identification en précisant leurs
paramètres d’entrée et de sortie.
Ces commandes montrent comment créer des modèles de processus simples à l'aide de System
Identification Toolbox.
✓ Etape 3 : Collecter les données :

• Chargement des données dans l'espace de travail MATLAB en tapant la commande


suivante dans la fenêtre de commande MATLAB:

Cette commande charge les données dans l'espace

de travail MATLAB sous la forme de deux


Load data

vecteurs de colonne, u et y, respectivement. La

variable u est les données d'entrée et y les données

de sortie.

• Tracez les données d'entrée et de sortie pour savoir mieux des informations sur le système

plot(Time,Input1,Time,Output1)
legend('Input 1','Output 1')
figure

• Création d'objets par iddata :


En ce moment on crée deux données une pour l’estimation et l’autre la validation

data_obj = iddata(output,input,sampling_interval);

4
✓ Etape 4 : Analyser et Préparer les données :

• Pour afficher les propriétés d'un objet iddata, utilisez la commande get.

get(objet)

• Pour Tracer les données dans un objet de données On peut tracer des objets iddata à
l'aide de la commande plot.

Plot(objet)

• Pour Sélectionner d'un sous-ensemble des données avant de commencer, on cree un


nouvel ensemble de données qui ne contient que les 1 000 premiers échantillons des
ensembles de données d'estimation et de validation d'origine pour accélérer les calculs.

Obj1 = obj(1:1000);

• Division des données en donnée d’estimation, validation et de test

Ze=Z(1:fix(Z.Ns/3));
Zv=Z((fix(Z.Ns/3)+1:2*fix(Z.Ns/3)));
Zt=Z(2*fix(Z.Ns/3)+1:Z.Ns);

• detrend permet d’éliminer les moyennes ainsi que les trends linéaires de signal d’entrée et
sortie.

Dataz=detrend(data)

5
✓ Etape 5-7-8 : Choisir, Calculer et tester une classe de modèle
• Choix de modèle :
On applique la commande Hist( ) pour savoir si notre système est linéaire ou non
-Pour les modèles Non paramétrique (sortie pour une entrée spécifique) :
On prend par exemple la réponse impulsionnelle :
La réponse en fréquence et la réponse en étapes sont des modèles non paramétriques qui peuvent
aider à comprendre les caractéristiques dynamiques de système. Ces modèles ne sont pas
représentés par une formule mathématique compacte avec des paramètres ajustables. Au lieu de
cela, ils se composent de tableaux de données.
Pour estimer la réponse en fréquence :
Le produit System Identification Toolbox fournit trois fonctions pour estimer la réponse en
fréquence :

etfe calcule la fonction de transfert empirique en utilisant l'analyse de


Fourier.

spa estime la fonction de transfert en utilisant l'analyse spectrale pour


une résolution de fréquence fixe.

spafdr permet de spécifier une résolution de fréquence variable pour


estimer la réponse en fréquence.

Alors on utilise le spa pour estimer la réponse en fréquence


Ge = spa(estimationdata);
bode(Ge)

Pour Estimer la réponse de l'échelon empirique :


Pour estimer la réponse échelonnée à partir des données, on estime d'abord un modèle de
réponse impulsionnelle non paramétrique (filtre FIR) à partir des données, puis on trace
sa réponse échelon

% model estimation
Mimp =
impulseest(dataestimation,60);

% step response
step(Mimp)

-Pour les modèles paramétrique :


Deux classes de modèles sont les plus utilisées : Les modèles d’état et les modèles
polynomiaux.

6
Estimation des modèles polynomiaux :
À propos des modèles ARX. Pour un système à entrée / sortie unique (SISO), la structure
du modèle ARX est la suivante :
y(t)+a1y(t−1)+…+anay(t−na)= b1u(t−nk)+…+bnbu(t−nk−nb+1)+e(t)

y (t) représente la sortie au temps t,


u (t) représente l'entrée au temps t,
na est le nombre de pôles,
nb est le nombre de zéros plus 1,
nk est le nombre d'échantillons avant que l'entrée affecte la sortie de le système (appelé
retard ou temps mort du modèle),
et e (t) est la perturbation du bruit blanc.
Alors pour estimes le modèle on utilise les commandes suivantes :

Estimation des modèles d’état :

À propos des modèles d'état spatial. La structure générale du modèle de l'espace d'état est:
𝑑𝑥(𝑡)
= 𝐴𝑥(𝑡) + 𝐵𝑢(𝑡) + 𝐾𝑒(𝑡)
{ 𝑑𝑡
𝑦(𝑡) = 𝐶𝑥(𝑡) + 𝐷𝑢(𝑡) + 𝑒(𝑡)
y (t) représente la sortie au temps t,
u (t) représente l'entrée au temps t,
x (t) est le vecteur d'état au temps t et
e (t) est la perturbation du bruit blanc.
On spécifie un seul entier comme ordre du modèle (dimension du vecteur d'état) pour estimer un
modèle d'espace d'état. Par défaut, le retard est égal à 1.
Le produit System Identification Toolbox estime les matrices d'espace d'état A, B, C, D et K en
utilisant l'ordre du modèle et les données qu’on a spécifiées.
La structure du modèle de l'espace d'état est un bon choix pour une estimation rapide car elle ne
contient que deux paramètres : n est le nombre de pôles (la taille de la matrice A) et nk est le
retard.
• Calculer le modèle :
On calcule le modèle en utilisant les commandes suivantes :

Marx= arx(Ze,[na nb nk]);

Moe=oe(Ze,[na nb nk]);

Marmax=armax(Ze,[na nb nc nk]);

Mbj=bj(Ze,[na nb nc nd nk]);

7
• Tester le modèle :
Pour le test, on utilise la commande compare, cette fois ci avec de nouveaux paramètres.

compare(Zt,Model)

Etape 6 : Choisir un critère d’adaptation (fit) :


On utilise la commande mais ces paramètres est différentes de celle en avant

compare(data,sys,1)

✓ Etape 9 : Validation de modèle :

Dans cette partie on crée un tracé qui compare la sortie réelle et la sortie du modèle à l'aide de

la commande de

compare(sortiereelle,sortiemodèle)

8
3. La condition sur les échantillons d’E/S {u(t),y(t); t=1...N} pour que
le modèle identifié soit:
Soit un système(y,u) Pour que le système soit :

a) Consistant :

Il faute que la valeur moyenne d’erreur de prédiction tend vers 0

̃ : erreur de prédiction
Telle que 𝜺 = 𝒚 − 𝒚

Donc :
𝑡𝑒𝑛𝑑 𝑣𝑒𝑟𝑠
Système est consistant ==) < 𝜀 > → 0
b) Précis :
𝐿𝑎 𝑑𝑖𝑣𝑖𝑎𝑡𝑖𝑜𝑛 𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝑑(𝜀) 𝑡𝑒𝑛𝑑 𝑣𝑒𝑟𝑠
Il faut que → 0
𝐿𝑎 𝑣𝑎𝑙𝑒𝑢𝑟 𝑒𝑓𝑓𝑖𝑐𝑎𝑐𝑒 (𝑦)
1
Tel que 𝐿𝑎 𝑣𝑎𝑙𝑒𝑢𝑟 𝑒𝑓𝑓𝑖𝑐𝑎𝑐𝑒 (𝑦) = √𝑁 ∑𝑁
𝑡=1(𝑦(𝑡))
2

𝐿𝑎 𝑑𝑖𝑣𝑖𝑎𝑡𝑖𝑜𝑛 𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝑑(𝜀) 𝑡𝑒𝑛𝑑 𝑣𝑒𝑟𝑠


Système est précis ==) → 0
𝐿𝑎 𝑣𝑎𝑙𝑒𝑢𝑟 𝑒𝑓𝑓𝑖𝑐𝑎𝑐𝑒 (𝑦)

Vous aimerez peut-être aussi