Vous êtes sur la page 1sur 61

Chapitre IV

Identification des systèmes


Chapitre IV-2
Méthodes non Paramétriques

Temporelles Fréquentielles
Méthodes
non Paramétriques
Temporelles
Méthodes Off Line
Réponse d’un système du premier ordre à un échelon

K
G(s) =
1+ s
Réponse d’un système du premier ordre à une
impulsion

K
G(s) =
1+ s
Réponse d’un système du premier ordre à un echelon
avec Retard

Ke−s
G(s) =
1+ Ts
Réponse d’un système du second ordre à un échelon

K
G(s) =
2 s2
1+ s+
0 02


1− 2
D1% = 100e

t1 =

 1−  2
0
Réponse d’un système du second ordre à un échelon

K
G(s) =
(1+ s )2
Avec y(ti)=yi

 t + −t 
y(t) = K  1− e 
  
Réponse d’un système du second ordre non resonnant
Ou Premier ordre retardé
Méthode de BROIDA
La méthode de Broïda consiste à "faire coller" un modèle de la forme sur la réponse du système.

Les valeurs de T et τ de sont calculées à partir des relations suivantes :

Calcul empirique
Méthode de BROIDA
Correction du modèle de Broïda pour le choix des
correcteurs en BF
(Méthodes Empiriques
En fonction du rapport a= /T, Broïda a établi le tableau suivant :

a = /T Type de correcteur


a<2 Prédicteur de SMITH
2 a < 5 PID
5  a < 10 PI
10  a < 20 P
a > 20 TOR
Méthode de BROIDA
pour le choix des correcteurs en BF
(Méthodes Empiriques)

Kp i d
125KT
P

125KT
PI 

120KT T
PID  + 0.4T
 + 0.4T 2.5 + T
Méthode de BROIDA en BF
• Déterminer K en boucle
− s
ouverte en calculant la pente à ke
l’infini.
• Procéder à une augmentation
1 + Ts
du gain de commande en BF
jusqu’à pompage.  KK r 
2
1
• Relever le gain critique Kr et la T=   −1
r  r 
pulsation d’oscillation r.
• Utiliser les formules pour la
détermination de la constante  =  1− 2 Arctg (Tr )
de temps et le retard. 2r   
Méthode de Strejc Colonne Pour le calcul de Tu’

n
Tu’

T=Tu-Tu’
Méthode de Strejc

Méthode de Strejc : Réponse indicielle.


1.Mesurer Tu /Ta .
2.Dans la colonne Tu /Ta du tableau trouver la valeur immédiatement
inférieure à ce ratio.
3.Sur la ligne de ce ratio déterminer n.
4.Toujours à l’aide des valeurs numériques de cette ligne,
calculer 𝜏 avec Ta/ 𝜏.
1.Calculer la nouvelle valeur de Tu’ (du tableau)avec Tu/ 𝜏 .
2.En déduire T avec T = Tu –Tu’.
Méthode de Strejc avec Intégrateur

Réponse à un Echelon Δu
Méthode de Strejc avec Intégrateur

T (s)= Ke−s la réponse à un échelon


d’amplitude Eo
s (1+ Ts )n

K = a/Eo

n 1 2 3 4 5

AB/AC 0.37 0.27 0.255 0.195 0.175


 : retard pur.
C a : pente de la
a tangente
T = Tu/n

A
 Tu
Méthode en boucle fermée (Strejc)
• Déterminer K en boucle ouverte
en calculant la pente à l’infini. n 2 3 4 5 6
• Procéder à une augmentation K.Kr/r 2 1.54 1.37 1.28 1.23
du gain de commande en BF
jusqu’à pompage. 2
• Relever le gain critique Kr et la 1  KK r  n
T=   −1
pulsation d’oscillation r. r  r 
• Utiliser le tableau pour
déterminer l’ordre n
=   2n
(  )
• Utiliser les formules pour la  1− Arctg T 
2r   r
détermination de la constante 
de temps et le retard.

ENSA-Kenitra Correction des SLC - LAJOUAD Rachid 20


Méthode de Strejc
choix des correcteurs en BF
(Méthodes Empiriques)

=
Généralisation Méthodes
non Paramétriques Temporelles
Réponse impulsionnelle
δ(t)
h(t)

Système

Réponses du
Excitation système
Réponse impulsionnelle h(ti)
h(ti) avec i de 1 à m nous avons m mesures

ti avec i de 1 à m
Objectif
Calcul de Sortie y(t) Ɐ x(t)
Avec le Produit de convolution

y(t)=

𝒚(𝒌) = σ 𝑥 𝑡𝑖 𝑦 𝑘 − 𝑡𝑖 .Δt=1 à n
i=1 à m
Réponse impulsionnelle h(ti)

Nous avons les vecteurs des informations


suivantes

ti et h(ti) et x(ti) et dt avec i de 1 à n

Vecteur des temps t1 t2 t3 … tn


Vecteur des entréess
x(1) x(2) x(3) … x(n)
Vecteur des sorties h(1) h(2) h(3) … h(n)
Généralisation Méthodes
Conclusion
Méthodes
non Paramétriques Fréquentielles
Methodologies
Systeme Lineaire
Tous les systemes
A B Changement d’amplitude
ω Seulement lineaire
ω
Dephasage nulle Tous les systemes
Φ Creation de Dephasage

u(t)= A Sin(ωt) Système y(t)=B Sin(ωt+Φ)


SL

Pour Chaque ωi
Excitation
Plusieurs Sinusoides
Bi et Φi
ωi et Ai Réponses du
système
Methodologies
Systeme Lineaire
K Réponse d’un système du premier Ordre
G(s) =
1+ s
20 log K

ω0
K Réponse d’un système du premier Ordre
G(s) =
1+ s

ω0

ω0
K
G(s) = Réponse d’un système du second ordre
2 s 2
1+ s+
0 02
G(s) = K
2 s 2 Réponse d’un système du second ordre
1+ s+ 2
0 0
Méthodes
Paramétriques
Non paramétriques
Réponses fréquentielles ou temporelles

Modèles dynamiques

Paramétriques
Fonction de transfert
Modèles paramétriques

Continus Echantillonnés

On s’intéresse par la suite à l’identification des modèles paramétriques échantillonnés


Méthodes Paramétriques
Entrées
Sorties
Système réel
réelles yr
+ Erreur de

- modélisation
Critère
Sorties d'évaluation
Modèle
calculées
ym J
Ajustement du modèle
Méthodes Paramétriques
Modélisation d'un système sans entrée

Système S
yr

+ Erreur de

- modélisation
Sorties Critère
Modèle
modélisées
ym
Méthodes Paramétriques
Modélisation d'un système avec entrée

Entrée Système Sorties yr


externe
+ Erreur de

- modélisation
Sorties Critère
Modèle
modélisées
ym
Méthodes Paramétriques
Choix du Critère

IE=J(Θ)=Min‫ 𝒓𝒚( 𝟎׬‬−𝒚𝒎 )𝒅𝒕 Integral Error


IAE=J(Θ)= Min‫𝟎׬‬ 𝒚𝒓 − 𝒚𝒎 𝒅𝒕 Integral Absolute Error


IRMSE=J (Θ)= Min‫𝒓𝒚( 𝟎׬‬ − 𝒚𝒎 )𝟏/𝟐 Integral Root Mean Square Error


ISE= J(Θ)=Min‫𝒓𝒚( 𝟎׬‬ − 𝒚𝒎 )𝟐 Integral Square Error

Θ Parametres à determiner
Θ Paramètres à déterminer

Θ𝑻 = (Θ𝟏 Θ𝟐 Θ𝟑 … Θ𝒏 )
Par minimisation du critère
𝝏𝑱
= grad J = 0 avec Matrice Définie Positive
𝝏𝜽

La résolution de cette équation donne Θ𝒐𝒑


Résolution de n Equations
J(Θ) est une fonction vectorielle
Le Pb:On a pas l’expression analytique de J
Exemple de Θ
J(𝒂𝟏 ) J(𝒂𝟏 , 𝒂𝟐 )
120

10000

100
8000

80
6000

60 4000

J
min
40 2000
J
0
min
20 0

0
0 2 4 6 8 10 12 14 16
a2 5

10
15
10
15
a1 0
5

a1

1
G(s) =
1 2 s 2
G(s) = 1+ s+ 2
0 0
1+  s Cas 2
Cas 1 𝒂𝟏 = 𝝃
𝒂𝟏 = τ 𝒂𝟐 = 𝝎𝟎
Méthodes de résolution
Analyse numérique

Θ𝒊+𝟏 = Θ𝒊 + Δ Θ

Méthode du gradient,
Méthode du gradient conjugué
𝜕𝐽
Méthode Newton
α
Méthode quasi- Newton
Méthode gradient projeté
𝜕𝜃
Méthode Lagrange –Newton Méthode du gradient
Méthodes métaheuristiques
(MOA, Recuit Simulé)
Θ Paramètres à déterminer
Cette résolution doit se faire numériquement en utilisant des
calculateurs

Donc il faut un modèle adéquat pour l’ordinateur


Un nouveau modèle de représentation
u(t) y(t)
Système réel

CAN Te CAN
Période d’echantillannage
Théorème de Shannon
Ensemble de mesures

On suppose n et m et On propose
C’est ce qu’on appelle le modèle
des Equations aux Différences

Sous forme de schéma fonctionnel


Un nouveau Operateur

Régulateur Automatique Stabilité


RST Equivalence Performances

𝑞−1 𝑧 −1
Domaine temporel Domaine Fréquentiel
Autres Modèles paramétriques
Auto Regressive eXogen

Auto Regressive Mooving Average eXogen

Output Error
Identification basée sur l’erreur de prédiction
Dans cette partie, nous supposerons que le modèle obtenu est un prédicteur, c’est à dire
qu’il permet de calculer la sortie à l’instant i en fonction des entrées et des sorties réelles
aux instants précédents 𝑢𝑖−𝑘et 𝑦𝑖−𝑘

Principe d’identification foncée sur l’erreur de prédiction


Méthode des moindres carrés simples
.

𝑒𝑖 sont les résidus


de l’estimation

Si nous possédons N mesures consécutives, on peut écrire N-n fois l’équation


n est l’ordre supposé connu du polynôme A
P=m l’ordre du polynôme B
Sous forme matricielle, on obtient :

soit

le critère J est :

donc

Nous cherchons la valeur 𝜃 de 𝜃 qui minimise J. Ainsi

Méthode de Jacobi ;
Méthode de Gauss-Seidel ;
Il reste à vérifier que la valeur obtenue est bien un minimum Méthode de Newton - Raphson

matrice définie positive : c’est bien un minimum!


Identification (estimation) paramétrique récursive
Algorithme d’adaptation paramétrique (AAP)

Vecteur des paramètres = contient l’ensemble des paramètres à identifier

Nouvelle estimation Estimation précédente


 des paramètres   des paramètres 
 = +
 (vecteur)   (vecteur) 
 Gain   Fonction   Fonction 
d'adaptation  des mesures  de l'erreur de prédiction
     
 (matrice)   (vecteur)   (scalaire) 

Vecteur des
observations

Sous la forme Θ𝒊+𝟏 = Θ𝒊 + Δ Θ


Méthode des MCR Moindres carrées Récursives
Dans le cas des modeles ARMAX
Méthode des MCE Moindres Carrées Etendues
BB
Identification ToolBox de Matlab
Ljung
Fin de Chapitre VI

Vous aimerez peut-être aussi