Jesan 1

RECHERCHE
Identification des systèmes multivariables :

méthodes des sous-espaces
Partie 1 : Etat de l’art
Thierry Bastogne — Patrick Sibille — Alain Richard
Centre de Recherche en Automatique de Nancy (CRAN), CNRS UPRESA 7039

Université Henri Poincaré, Nancy 1,
BP 239, F-54506 Vandœuvre Cedex, France,
Phone : (33) 3 83 91 20 69 - Fax : (33) 3 83 91 20 30
Mél. : {thierry.bastogne,patrick.sibille,alain.richard}@cran.u-nancy.fr
Web : wwwi3s.unice.fr/{~chignoli, ~jf, ~lahire, ~rr}
RÉSUMÉ. Bien que l’identification de modèles multivariables, linéaires et invariants dans le

temps ne soit pas un thème nouveau au sein de l’automatique des systèmes continus, l’esti-
mation d’une représentation d’état d’un processus physique, directement à partir des mesures
de ses entrées-sorties, reste un problème ouvert faisant l’objet de beaucoup d’intérêt. A la fin
des années 80, des méthodes intitulées « méthodes des sous-espaces » ou « méthodes des projec-
tions » ont été proposées comme une alternative aux méthodes plus traditionnelles reposant soit
sur la théorie de la réalisation soit sur une expression canonique du problème. Cet article pro-
pose un état de l’art des méthodes des sous-espaces en présentant leur fondement algébrique,
leur interprétation géométrique et leur positionnement par rapport aux méthodes de l’erreur
d’équation et de l’erreur du modèle. Les résultats de cette analyse permettent de dégager en
conclusion les points forts et faibles de ces approches.
ABSTRACT. Although linear multivariable system identification is not a new topic in control
and continuous-time systems engineering, the direct estimation of a state-space model from
input-output data is still a problem which has drawn considerable interest in recent years.
Since the end of eighties, subspace based state-space system identification (4SID) methods have
been suggested as an alternative to the more traditional prediction error system identification
methods. In this paper, the basic principles, the similarities and an overview of existing
subspace based techniques are given. The subspace fitting technique is explained from a
geometric interpretation of a matrix equation at the origin of all these algorithms. Their
mathematical implementation is detailed via two major computation tools : the RQ and the
singular value decomposition. After having examined the advantages and drawbacks, open
problems and outlooks about these methods are also discussed in conclusion.
MOTS-CLÉS : identification des systèmes, modèles d’état linéaires, méthodes des sous-espaces.
KEY WORDS : system identification, linear state-space models, subspace methods.
2 Technique et science informatiques. Vol. 15- no 6/1996
1. Introduction
L’identification désigne à la fois une démarche scientifique et un ensemble de tech-

niques visant à déterminer des modèles de comportement d’un système réel pour des
objectifs de compréhension, de simulation, de prévision, de commande ou de diag-
nostic. Depuis le premier congrès mondial IFAC dédié à l’identification à Prague en
1967, cette discipline a connu un développement indéniable. Parmi les travaux les
plus récents, les techniques intitulées méthodes des projections ou méthodes des sous-
espaces (subspace methods) ouvrent de nouvelles perspectives pour l’identification
de modèles linéaires multivariables. Ces méthodes se décomposent en deux grandes
classes [VIB 94] : les méthodes « indirectes » fondées sur la théorie de la réalisation
et les méthodes « directes » qui feront l’objet de cet article. Si la première classe date
des années 60 et a fait l’objet de beaucoup de travaux [HO 65], [ZEI 74], [KUN 78],
les méthodes « directes » [LAR 83], [DEM 87], [VAN 96b] sont beaucoup plus ré-
centes et offrent de nouveaux développements intéressants. Par abus de langage, nous
désignerons par méthodes des sous-espaces, méthodes des projections ou encore al-
gorithmes 4SID (Subspace based State-Space System IDentification), toutes les tech-
niques en rapport avec les méthodes « directes ».
Le domaine d’application des méthodes des sous-espaces est essentiellement li-
mité aux modèles linéaires à paramètres concentrés (localisés) et invariants dans le
temps. Certes, le problème de l’identification de modèles linéaires n’est pas nouveau.
Les synthèses proposées dans ce domaine [BAR 86], [LJU 87], [LAN 88], [SöD 89]
et la diffusion de logiciels d’identification (System Identification Toolbox Matlab
[LJU 95], MIDSYS toolbox [ADA ], GLIDE CAD Software [ADE ]) ont permis d’iden-
tifier de nombreux systèmes industriels. Toutefois, l’application de ces méthodes au
cas multivariable est délicate. Cet article traite de ce problème et plus précisément de
l’estimation d’une représentation d’état, c’est-à-dire l’ordre et les matrices des réali-
sations déterministe et stochastique, directement à partir des données d’entrée-sortie.
De par la nature multivariable de la plupart des procédés industriels, la représen-
tation d’état est la forme de modèles généralement considérée. Ce choix tient d’abord
de la généralisation simple du cas monovariable au cas multivariable de cette repré-
sentation, de l’expression de certaines caractéristiques fondamentales pour l’analyse
des systèmes comme la stabilité, la commandabilité, l’observabilité, ou la minimalité,
et enfin d’un grand nombre d’applications comme la commande par retour d’état ou
le diagnostic établi sur la réalisation d’observateurs d’état. Pour toutes ces raisons,
plusieurs méthodes d’identification associées aux modèles d’état ont été proposées.
Elles reposent soit sur la théorie de la réalisation soit sur une expression canonique
du problème. Ces approches dites « traditionnelles » sont indirectes dans le sens où
elles nécessitent au préalable l’estimation des réponses impulsionnelles ou l’estima-
tion des différents indices structuraux du système. Ces étapes supplémentaires font de
l’identification des systèmes multivariables, un travail encore réservé aux spécialistes.
L’estimation d’une représentation d’état d’un système, c’est-à-dire la détermination à
la fois de l’ordre et des matrices du modèle d’état, directement à partir des mesures
d’entrées-sorties, demeure par conséquent un problème important. Les méthodes des
Exemple d’utilisation du style LATEX tsi.sty 3
sous-espaces constituent une proposition de réponse à ce problème.

L’objectif de cet article est d’établir un état de l’art des méthodes des sous-espaces
en présentant une revue des travaux dans ce domaine, leur fondement algébrique, leur
interprétation géométrique et leur positionnement par rapport aux méthodes minimi-
sant une erreur d’équation ou une erreur de sortie. Seul le problème de l’identification
d’une réalisation déterministe d’une forme d’état est examiné dans cette étude. Un
diagramme général de l’approche 4SID est proposé à la fin de cet article. Les résultats
de cette analyse permettent de dégager en conclusion les points forts et faibles de ces
approches.
Le second paragraphe de cet article retrace un bref historique de ces méthodes.
La problématique liée à l’identification directe sous forme d’état est présentée au pa-
ragraphe suivant. Avant d’aborder la réponse apportée par les méthodes des sous-
espaces, la quatrième partie présente l’équation algébrique de base appelée « équation
matricielle d’entrée-sortie ». Cette équation commune à toutes les méthodes des sous-
espaces est à l’origine des interprétations géométriques introduites au cinquième pa-
ragraphe. La première étape de ces techniques consacrée à l’estimation des espaces
d’état et d’observabilité étendue et leurs matrices associées est présentée au para-
graphe 6. Les seconde et troisième étapes des algorithmes 4SID réalisent l’estimation
de l’ordre et des matrices du modèle d’état déterministe ; elles sont développées aux
paragraphes 7 et 8. Enfin, les points faibles et forts ainsi que les problèmes ouverts
sont énumérés en conclusion de cet article.
2. Bref historique des travaux d’identification sur les formes d’état
2.1. Estimation de formes d’état canoniques observables
L’identification des systèmes multivariables directement sous forme d’état est pé-
nalisée par la présence du vecteur d’état inconnu (x k ), équation (1). Pour éviter ce
problème d’estimation non linéaire du produit A x k , une première solution consiste
à identifier au préalable une représentation externe, du type matrices de transfert ou
matrices polynomiales, avant de la convertir sous forme d’état canonique observable.
Sous l’hypothèse d’observabilité, cette technique propose de décomposer le système
multivariable en autant de sous-systèmes que de sorties. Chacun des sous-systèmes
peut alors s’écrire sous la forme d’une régression linéaire des entrées et des autres
sorties du système pour tenir compte de sa nature multivariable. Les méthodes ex-
ploitant ce principe se décomposent en deux classes selon le critère de minimisation
utilisé :
— Une première approche repose sur la minimisation d’une erreur de prédiction
(erreur d’équation). Les paramètres relatifs à chaque sous-système peuvent être esti-
més par des techniques d’estimation dérivées de la méthode des moindres carrés (MC)
ou celles de la variable instrumentale. Les propriétés statistiques de ces estimateurs
sont bien connues et expliquent en partie l’attrait pour cette stratégie. En revanche,
l’hypothèse a priori de blancheur de l’erreur de prédiction, pour les techniques de
type MC, est une hypothèse « lourde » dans le sens où elle n’est que rarement vérifiée
en pratique et de ce fait constitue, a posteriori, un sérieux obstacle à la validation du
modèle.
— La seconde approche minimise une erreur de sortie [BAR 75], [BAR 77]. Ce
second critère se distingue du premier par sa signification physique et sa sensibilité
plus importante aux erreurs de structure du modèle et aux valeurs des paramètres. En
revanche, elle se différencie aussi par sa mise en œuvre plus délicate due à l’expres-
sion non linéaire de l’erreur de sortie par rapport aux paramètres du modèle. La ré-
solution du problème fait alors intervenir des techniques itératives de programmation
non linéaires reposant sur des méthodes locales et déterministes comme les méthodes
de Newton et ses variantes : Gauss-Newton, Quasi-Newton et Levenberg-Marquardt,
la méthode des gradients conjugués et la méthode du simplex [DEN 83], [LUE 84],
[WAL 94].
L’identification des systèmes multivariables par les méthodes précédentes néces-
site une paramétrisation canonique du modèle. La paramétrisation d’une représenta-
tion d’état est un point de recherche délicat qui a fait l’objet de beaucoup de travaux
[LUE 67], [DEN 74], [GLO 93], [GUI 75], [KAI 80], [GUI 81], [GEV 84]. Les avan-
tages principaux de ces formes canoniques sont leur identifiabilité globale [MCK 95]
et leur nombre réduit de paramètres à estimer : d = np + 2nm où n est l’ordre du
modèle, m le nombre de variables de sortie et p le nombre de variables d’entrée. En
revanche, elles impliquent la détermination au préalable des indices structuraux ou in-
dices d’observabilité. Cette étape, appelée « identification structurale » a suscité l’in-
térêt de nombreux chercheurs [GUI 75], [GUI 82], [BEG 87], [FUC 90], [DUO 93].
Différents tests ont été développés pour sélectionner les ordres des polynômes dont
ceux fondés sur les critères d’information de type AIC (Akaïke Information Criterion),
BIC (Bayes Information Criterion), CIC (Control Information Criterion) [KEU 93].
Aujourd’hui les problèmes majeurs de ces méthodes restent leur coût de calcul et leur
manque de précision lorsque la dimension du système réel augmente. Jusqu’en 1992,
il n’existait pas d’algorithmes d’identification structurale possédant des propriétés sta-
tistiques, pour déterminer le rang de la matrice ou la nullité des résidus en présence
de bruit sur les données. Cette approche a été développée par D UONG et L ANDAU
[DUO 93].
2.2. Estimation de modèles d’état surparamétrés
2.2.1. Théorie de la réalisation (méthodes des sous-espaces indirectes)

La théorie de la réalisation est une autre solution au problème de l’estimation d’une
forme d’état. Cette théorie développée dans les années soixante [HO 65] est à l’origine
de l’identification des systèmes sous forme d’état par la méthode des sous-espaces.
Son principe consiste à retrouver une réalisation des matrices A, B , C et D, à partir
de l’estimation des réponses impulsionnelles infinies (IIR) du système, encore appelés
paramètres de Markov. Z EIGER et M CEWEN [ZEI 74] ainsi que K UNG [KUN 78]
ont amélioré cette méthode en introduisant la décomposition en valeurs singulières

(S.V.D. : singular value decomposition) pour réduire la sensibilité aux bruits présents
sur les mesures. Plus récemment, de nouveaux algorithmes construits sur cette théorie
ont été proposés [KIN 88], [LIU 91], [LJU 91], [BAY 92]. Le problème majeur de ces
algorithmes reste la difficulté à obtenir une estimation non paramétrique de la réponse
impulsionnelle infinie.
2.2.2. Méthode de l’erreur d’équation avec paramétrisation complète du modèle

C’est une méthode récente [MCK 95] fondée sur une représentation d’état entiè-
rement paramétrée et sur la minimisation de l’erreur d’équation. A la différence des
méthodes reposant sur une paramétrisation canonique, cette méthode ne nécessite plus
une étape d’identification structurale avant l’estimation paramétrique. En imposant le
gain de Kalman K = 0 au sein de la forme d’état d’innovation à estimer, la méthode
proposée est équivalente à la méthode du modèle. L’algorithme d’optimisation utilisé
est du type Gauss-Newton avec régularisation du Hessien.
2.2.3. Méthodes des sous-espaces

Les méthodes des sous-espaces trouvent leur origine dans le domaine de la mo-
délisation des signaux [DEP 88], [VEE 93]. Citons à ce propos les premiers travaux
effectués par A KAIKE [AKA 75] sur les approches de corrélation pour la réalisation
stochastique des signaux. En analyse spectrale, les premiers travaux fondés sur l’utili-
sation de sous-espaces vectoriels sont dus à P ISARENKO en 1973 [PIS 73]. Par la suite,
en 1979, B IENVENU et K OPP ont développé la méthode du goniomètre [BIE 79], mé-
thode qui a parallèlement été proposée la même année par Schmidt sous le nom de
MUSIC (MUltiple SIgnal Classification) [SCH 79]. Afin de diminuer le coût de cal-
cul de cette dernière méthode, une amélioration a été proposée sous le nom d’ESPRIT
(Estimation of Signal Parameters via Rotational Invariance Techniques) [ROY 89].
En matière d’identification des systèmes, trois familles d’algorithmes, respective-
ment intitulées CVA pour « Canonical Variate Analysis» [LAR 83], [LAR 90], N4SID
pour « Numerical Subspace based State-Space System IDentification » [DEM 88],
[MOO 89] et MOESP pour « MIMO Output-Error State sPace model identification »
[VER 91], sont à l’origine des méthodes des sous-espaces. D’autres développements
ont suivi comme l’introduction d’une procédure permettant l’identification directe
d’une réalisation d’état équilibrée [MOO 93] ou l’amélioration de la robustesse d’es-
timation via l’introduction d’une matrice de pondération [SWI 92].
Une première analyse statistique des performances d’un estimateur 4SID a été ini-
tiée par V IBERG [VIB 91] dans le cas où le système est perturbé par un bruit de me-
sure. Une analyse plus récente a été étendue aux algorithmes N4SID et CVA [PET 95].
Les premières propositions pour pallier le problème de convergence des estima-
teurs 4SID face aux bruits additifs ont été énoncées par M OONEN [MOO 90] avec
l’utilisation de la SVD Quotient (QSVD). Mais le véritable progrès dans ce domaine
a été accompli avec l’introduction du concept de Variable Instrumentale (VI) au sein
des méthodes de projection [OTT 94], [VAN 94a], [VER 94] et [VIB 94].
Sur la base d’une autre approche dite « combinée », regroupant réalisations dé-
terministe et stochastique [VAN 94a], un théorème unifié [VAN 94b] a été proposé
par V AN OVERSCHEE et D E MOOR. Plus récemment, J ANSSON et W AHLBERG ont
proposé une expression des techniques 4SID sous la forme d’une régression linéaire
[JAN 96]. En termes plus précis, leur conclusion présente les méthodes des sous-
espaces comme des méthodes fondées sur les erreurs de prédiction à horizons mul-
tiples et sur des contraintes de rang. La généralisation des méthodes des sous-espaces
a aussi été entreprise dans le domaine fréquentiel avec les travaux de M CKELVEY
[MCK 94a], [MCK 94b]. Sur ce même thème, une approche itérative est proposée par
J ACQUES et al. [JAC 96].
Pour améliorer les performances des algorithmes 4SID en terme de coût de calcul
et de précision d’estimation, une exploitation judicieuse des structures des matrices
de Hankel et de Toeplitz utilisées au sein de ces méthodes a été suggérée par C HO et
al. [CHO 94]. L’estimation des pôles proches du cercle unité en présence de bruit est
un autre problème pouvant conduire à l’estimation de modèles instables, une solution
« robuste » a été proposée par M ACIEJOWSKI [MAC 94]. Sur ce thème de recherche,
l’introduction d’une transformation bilinéaire a été présentée comme une seconde so-
lution [VER 95b].
Initialement destinés aux modèles d’état dynamiques à temps discret, des travaux
ont été menés pour adapter les algorithmes 4SID au cas de l’estimation de modèles
d’état à temps continu [MOO 91], [VAN 96a], [HAV 96], [BAS 97c], [BAS 97b]. D’autres
études ont permis d’étendre l’utilisation des algorithmes 4SID à l’identification de sys-
tèmes singuliers [MOO 93], [YU 95]. Le champ d’application des algorithmes 4SID
s’est aussi orienté vers l’identification des systèmes en boucle fermée avec les travaux
de V ERHAEGEN [VER 93] et ceux de L JUNG et M CKELVEY [LJU 96]. L’applica-
tion des méthodes des sous-espaces au problème de l’identification de systèmes non
linéaires multivariables de type Wiener a aussi été considérée [VER 95a]. Enfin, ré-
cemment, un algorithme de détection de défaut utilisant une technique d’estimation
4SID a été proposé par G USTAFFSSON. Il repose sur la proximité, soulignée dans
[VAN 96b], des relations des méthodes des sous-espaces avec celles d’un filtre de
Kalman. D’autres travaux comme ceux de B ASSEVILLE [BAS 97a] confirment cette
orientation vers des applications de diagnostic.
3. Identification d’une représentation d’état : formulations du problème
3.1. Problème de départ
En supposant que le système que l’on cherche à identifier appartient à la classe

des systèmes linéaires et invariants dans le temps, le problème d’identification directe
d’une forme d’état peut se formuler ainsi.
Etant donné N échantillons des entrées u k 2 Rp et des sorties yk 2 Rm d’un
système dont on cherche à approcher le comportement en sortie par un modèle d’état
défini par :
xk+1 = Axk + Buk + Kek (1)

yk = Cxk + Duk + ek (2)
où xk Rn est le vecteur d’état, K est le gain d’innovation de Kalman et e k est un
2
vecteur de bruits blancs dont la matrice d’autocovariance est donnée par E e i eTj =
f g
ij . ij est le symbole de Kronecker. On cherche alors à déterminer :

— l’ordre n du modèle;
— les matrices du système déterministe A 2 Rn n , B 2 Rn p , C 2Rm n ,
m
D R et K R
2
p 2
n m à une transformation de similarité (T ) près.
3.2. Equation matricielle d’entrée-sortie
Les techniques classiques d’identification comme la méthode PEM (Prediction

Error Method) [LJU 87] établies sur les techniques statistiques de régression linéaire
visent à ajuster des polynômes ou des fractions rationnelles afin de reproduire des
séquences temporelles ou fréquentielles des signaux d’entrée-sortie. Quant aux mé-
thodes des sous-espaces, elles cherchent dans une première étape à ajuster un sous-
espace vectoriel aux observations discrètes sur les entrées-sorties, figure (1).
Les sous-espaces vectoriels considérés sont engendrés par les vecteurs lignes ou
colonnes de matrices construites à partir des mesures d’entrée-sortie. Toutes ces ma-
trices interviennent au niveau d’une équation algébrique commune à toutes les mé-
thodes des sous-espaces. L’objet de ce paragraphe est de présenter cette équation,
d’abord dans un cadre idéal, déterministe, et enfin dans un cadre réaliste prenant en
compte les incertitudes du modèle et les bruits par une approche stochastique.
3.2.1. Cas du modèle déterministe

Dans une première approche, seule la partie déterministe de la représentation
d’état est prise en compte.
xk+1 = Axk + Buk (3)

yk = Cxk + Duk : (4)
Considérons dans un premier temps l’équation d’état (3) aux différents instants
discrets successifs: f0 k ; 1g. Nous obtenons alors un système de k équations.
Après substitutions successives des (k ; 1) premières équations au sein de la dernière
et après factorisation, une nouvelle équation est obtenue :
kX
;1
xk = Ak x0 + Ah Buk;1;h (5)
h=0
Mesures u ; y #
k k
Estimation de
Identification
sous-espaces
structurale
vectoriels
Indices
ν
d'observabilité i Matrice
Γ i $
X = xk k = 1:i
Matrice d'état
d'observabilité étendue
Estimation Estimation de
paramétrique l'ordre
n
Estimation des
matrices
A, B, C, D
( q −1 )
(q −1 ) yk = −1 uk +
!(q −1 ) x = Axk + Buk + wk
y
k +1
e
$(q ) "(q −1 ) k k = Cxk + Duk + vk
Modèle polynomial Modèle d'état
Représentation
canonique
Ac , Bc , Cc , Dc
Figure 1. Approche classique (indirecte) et méthode des sous-espaces (directe) pour

les systèmes observables
ou encore :
0u 1 0u 1
k;1
B . C BB u01 CC
B@ .. CCA = Ak x0 + ;Ak;1 B
xk = Ak x0 + k B

AB B B @ ... CA : (6)
u1
u0 uk;1
k =
; B AB Ak;1 B
2 Rn kp est la matrice de commandabilité
étendue (k > n). En incluant dans (6), l’équation de sortie (4) pour les instants t 2
f0 k 1 , nous obtenons :
; g
0u 1
; BBu01 CC
yk = CAk x0 + CAk;1 B CB D B @ ... CA : (7)
uk
Considérons à présent les vecteurs d’entrée et de sortie suivant :
0 y 1 0 u 1
k k
BB yk+1 CC BB uk+1 CC
yi (k ) = B . C Rmi 1 u i (k ) = B . C Rpi 1:
@ .. A 2
@ .. A 2 (8)
yk+i;1 uk+i;1
L’équation (7) est alors étendue aux différents échantillons de sortie, de k à k +i;1
pour obtenir :
yi (k ) = ;i xk + Hi ui (k ) (9)
avec :
0 D 0 0
1 0 C 1
BB CB D 0 0CC BB CA CC
Hi = BBB CAB CB D 0CC CA 2 Rmi pi et ;i = BBB CA. 2 CCC 2 Rmi n
@ ... ..
. @ .. A
CAi;2 B CAi;3 B CB D CAi;1
(10)
où Hi est une matrice triangulaire inférieure de Toeplitz composée des paramètres

de Markov, échantillons successifs de la réponse impulsionnelle du système détermi-
niste. ;i est la matrice d’obervabilité étendue du système. Par récurrence sur l’indice
k de yi (k) et de ui (k), en prenant k = f0 j ; 1g avec j >> i > n, l’équation
(9) est étendue pour obtenir l’équation matricielle d’entrée-sortie définie par :
Yi = ;i X + Hi Ui : (11)
avec :
0y y yj;1
1
0 1
; B
B y1 . .
yj
CC
yi (j 1) = B CC
.
Yi = yi (0) yi (1) B@ .. Rmi j
A
; 2
..
. .
yi;1 yi+j;2
(12)
0u u uj;1
1
0 1
; B
B u1 . ..
uj C
C
Ui = ui (0) ui (1) ui (j 1) = B
B@ .. C
.. C Rpi j
. A
; 2
.
ui;1 ui+j;2
(13)
;
X = x0 x1 xj;1
2 R
n j: (14)
Dans la suite, la matrice de Hankel d’entrée, U i , est supposée être de rang plein
( = pi et i > n) car toute diminution de rang à ce niveau risque d’une part de
provoquer une sous-estimation du nombre d’état estimé du système, et d’autre part
de diminuer les performances d’estimation de ces approches. De plus, cette condition
permet d’éviter tout problème de conditionnement numérique qui se traduirait par des
erreurs de calcul dans l’estimation de ; i ou de X . Cette condition est à rapprocher
de la condition d’excitation permanente définie dans [BAR 77]. La matrice de Han-
kel d’entrée peut aussi être exploitée en vue de tester l’ordre d’excitation persistante
[SöD 89] dont un estimateur est donné par R uu (i) = Ui UiT . La séquence fuk g est
alors une excitation persistante d’ordre i si R uu (i) est une matrice définie positive.
3.2.2. Cas stochastique

A présent, considérons le modèle d’état stochastique complet, équations (1) et (2).
Avec le même raisonnement que précédemment, l’équation matricielle d’entrée-sortie
devient :
Yi = ;i X + Hd Ui + Hs Ei (15)
où Hd = Hi est la matrice des paramètres de Markov de la réalisation déterministe
et Hs celle de la réalisation stochastique :
0 I 0 0
1
BB CK I 0 0CC
Hs = BBB CAK CK I 0CC CA 2 Rmi mi (16)
@ ... ..
.
CAi;2 K CAi;3 K CK I
et Ei 2 Rmi j est une matrice de Hankel formée des vecteurs de bruit e k .
4. Interprétations géométriques
4.1. Cas déterministe
L’objectif de ce paragraphe est de montrer comment les matrices ; i et X ainsi

que les espaces associés Imcol (;i ) et Imlig (X ) peuvent être estimés à partir de U i
et Yi . Pour cela, une interprétation géométrique de l’équation matricielle d’entrée-
sortie (11) s’avère être une clé essentielle. Considérons les sous-espaces lignes de
chacune des matrices de cette équation, respectivement notés Im lig (Yi ), Imlig (;i X )
et Imlig (Hi Ui ). Pour des facilités de représentation, nous symboliserons chacun de
ces sous-espaces par un vecteur. Une représentation géométrique de l’équation (11)
est présentée à la figure (2). Les vecteurs lignes du produit H i Ui étant des combi-
naisons linéaires des vecteurs lignes de U i , les vecteurs représentant Im lig (Hi Ui ) et
Imlig (Ui ) sont colinéaires. Cette remarque permet de placer la représentation dans un
repère connu, dépendant des entrées.
⊥
Im lig !U i & = Im col !U i ⊥ &
Im lig ! Yi &
!
Im lig Γi XUi ⊥ & ! &
Im lig Γi X
!
= Im lig Yi U i ⊥ &
!
Im lig H i U i & ! &
Im lig U i
Figure 2. Interprétation géométrique dans le plan déterministe
En examinant ces représentations, deux remarques peuvent être faites.

1. Le sous-espace ligne de Y i est la somme de deux sous-espaces lignes Im lig (;i X )
et Imlig (Hi Ui ). Le premier, engendré par les vecteurs lignes de ; i X , peut être inter-
prété comme le « sous-espace d’état observable » obtenu par la projection des vecteurs
d’état de X sur le sous-espace d’observabilité. Il peut être également interprété comme
le « régime libre » engendré exclusivement par des états initiaux non nuls du système.
A l’inverse, le second, Im lig (Hi Ui ), peut être assimilé au « régime forcé » de la sor-
tie dû à l’excitation des entrées via les coefficients de la réponse impulsionnelle du
système contenus dans H i .
2. La figure 2 montre aussi que la projection orthogonale de Im lig (Yi ) sur Imcol (Ui? )
est égale à la projection orthogonale de Im lig (;i X ) sur Imcol (Ui? ). La dimension du
sous-espace Imlig (;i X ), réalisant une combinaison linéaire des vecteurs lignes de X ,
est égale à n, l’ordre du système si j i > n. Alors, si la projection sur Im col (Ui? )
ne modifie pas la dimension de Im lig (;i X ), la dimension du résultat de la projection,
noté Imlig (Yi Ui? ), fournit une estimation de l’ordre du modèle. Im lig (Yi Ui? ) peut
être présenté comme le sous-espace engendré par des composantes des vecteurs de
sortie indépendantes des vecteurs d’entrée et ne résultant par conséquent que de l’état
du système. A partir du théorème de Sylvester généralisé, appliqué à deux reprises sur
l’équation matricielle (11), Moonen [MOO 89] confirme l’interprétation géométrique
et démontre également l’égalité entre l’équation précédente et l’ordre de système.
n = rang(Yi Ui? ) = rang(X ) = rang(;i ): (17)
Les mêmes interprétations géométriques peuvent être étendues pour estimer soit
Imlig (X ) soit Imcol (;i ) à partir de Ui et Yi :
Imlig (Yi Ui? ) = Imlig (X ) ;! X^ (18)
Imcol (Yi Ui?) = Imcol (;i ) ;! ;^ i : (19)
Les estimations X ^ et ;^ i sont réalisées en déterminant une base des sous-espaces

estimés correspondants. Comme le montrent les équations (18) et (19), la différence
essentielle entre ces sous-espaces est le caractère ligne ou colonne. Pour simplifier nos
propos, les indices col et lig seront dès à présent omis.
4.1.1. Cas stochastique

Dans le cas stochastique (15), l’interprétation géométrique précédente n’est plus
valable. Le repère est augmenté d’une dimension symbolique associée aux bruits
contenus dans la matrice E i . A la différence du cas déterministe, ; i X est sensible,
tout au moins en partie, à ces bruits. Par conséquent, le vecteur symbolisant ce pro-
duit possède une composante selon l’axe E i . Le vecteur Yi se trouve sur un plan
intermédiaire représenté en pointillés et différent du plan déterministe précédent. Pour
s’y ramener, une projection supplémentaire Ei? est nécessaire, figure 3. Elle permet
de se ramener au plan déterministe de la figure 2 en effectuant une projection sur le
noyau des perturbations. Une seconde projection, notée Ui? , est alors utilisée pour
en déduire une estimation de ; i sur le même principe que celui décrit dans le cas dé-
terministe. La projection notée , résultant de la combinaison de Ei? et de Ui? est
en pratique difficilement réalisable, en toute précision, du fait de la méconnaissance
du bruit contenu dans E i . Toutefois, cette interprétation géométrique souligne l’inté-
rêt d’introduire une matrice « instrumentale » pour minimiser autant que possible
l’influence du bruit sur l’estimation. Afin d’alléger la figure, les notations des vecteurs
(sous-espaces) ont été simplifiées en supprimant délibérément les termes Im lig ( ).
U ⊥
E
i
i ΠΨ
H s Ei Π U⊥
plan déterministe
i
Yi Π Ψ = Γi XΠ Ψ
Γi X
Γi X d ΠΨ Π E⊥
Γi Yi i
Hd U i Ui
Ei
Figure 3. Interprétation géométrique dans le cas stochastique
5. Identification des sous-espaces vectoriels : Im(; i ) et Im(X )
Tous les algorithmes 4SID reposent sur le concept d’ajustement de sous-espaces

dont le principe est de déterminer une représentation d’état du système capable de
reproduire au mieux, au sens des moindres carrés, un sous-espace vectoriel formé à
partir des matrices d’entrée-sortie. Deux espaces vectoriels ont des propriétés intéres-
santes pour l’estimation des modèles d’état, Im(; i ) et Im(X ). Une fois ces sous-
espaces estimés, une base quelconque de ces derniers constitue une estimation de ; i
ou respectivement de X à une matrice de similarité près.
5.1. Estimations de la matrice d’observabilité étendue : ; i
5.1.1. Cas déterministe

L’espace d’observabilité étendu est l’espace vectoriel engendré par les vecteurs
colonne de ; i : Im(;i ). L’interprétation géométrique précédente a montré le rôle de
la projection orthogonale de Im(Y i ) sur le noyau de U i pour l’estimation de ; i . Soit
U ? l’opérateur normalisé associé à la projection orthogonale sur le noyau de U i
défini par :
;
U ? = (Ui? ) (Ui? )T Ui? ;1 (Ui? )T (20)
où Ui? 2 Rj j ;pi est la matrice orthogonale de U i définie par Ui Ui? = 0. L’uti-
lisation de cette projection dans notre problème revient algébriquement à multiplier
chacun des membres de l’équation matricielle déterministe (11) par U ? .
Yi U ? = ;i X U ? (21)
L’équation résultante (21) montre que le produit Y i U ? est une combinaison li-
néaire des vecteurs colonnes de ; i . Par conséquent, le sous-espace colonne de Y i U ?
est une réalisation du sous-espace d’observabilité étendu Im(; i ). Le calcul de U ?
nécessite l’utilisation d’une décomposition en valeurs singulières dont la charge de
calcul est de l’ordre de o(j 3 ) flops (floating point operation) [GOL 93] où j est le
nombre de colonnes de la matrice à décomposer. Un moyen de calcul plus écono-
mique en temps et en nombre d’opérations consiste à effectuer une factorisation RQ
(o(j 2 ) flops). Cette factorisation est définie par l’équation (22).
U R
i
Yi = RQ =
U
RYQ= R 11 0pi mi Q1
R21 R22 Q2 (22)
où R est une matrice triangulaire inférieure, Q est une matrice orthonormale,

R11 Rpi pi , R21 Rmi pi , R22 Rmi mi , Q1 Rpi j et Q2 Rmi j . En
2 2 2 2 2
remplaçant Yi par RY Q et Ui par RU Q dans les équations (20) et (21), nous obtenons
finalement l’égalité (23).
Yi U ? = R22 Q2 : (23)
Q2 étant par définition une matrice orthonormale, cette dernière équation est fina-
lement équivalente à :
Yi U ? QT2 = R22 : (24)
Sans modifier le sous-espace colonne associé, cette multiplication à droite par Q T2

montre que R 22 suffit pour la suite de l’estimation. Cette opération a pour avantage de
réduire la dimension de la matrice à décomposer et ainsi diminuer le coût de calcul.
Sachant que le sous-espace Im(Y i U ? QT2 ) coïncide avec l’espace d’observabilité
étendu, une base de ce dernier est alors une estimation de ; i , à une matrice de simila-
rité près (T ). Le calcul de cette base repose sur la décomposition singulière suivante :
Yi U ? QT2 = T :
U V (25)
avec U 2 Rmi mi , 2 Rmi mi et V 2 Rj j . Les vecteurs singuliers contenus

dans la matrice U peuvent à eux seuls constituer une base estimée de Im(; i ). Tou-
tefois, la matrice 1=2 est couramment utilisée pour pondérer chacun des vecteurs de
cette base. Une estimation de ; i est alors donnée par :
;^ i = 1=2 :
U (26)
5.1.2. Cas stochastique : technique de la variable instrumentale

Pour pallier au problème de convergence des estimateurs précédents en présence
de bruits sur les données, les méthodes des sous-espaces initiales ont été modifiées de
façon à incorporer une approche « Variable Instrumentale (VI) » [OTT 94], [VAN 94a],
[VER 94], [VIB 94]. En effet, en présence de bruit, l’interprétation géométrique de
l’équation matricielle d’entrée-sortie n’est plus valable. Pour se rapprocher de ces
propriétés géométriques, une idée est d’utiliser la technique de la variable instrumen-
tale pour minimiser les effets du bruit sur l’équation matricielle (15). D’un point de
vue interprétation géométrique, le rôle de la variable instrumentale peut aussi être in-
terprété comme l’utilisation d’une projection notée permettant de se ramener au
plan déterministe. Toutefois, si ces projections ont pour premier objectif de réduire
la part du bruit, la part d’information sur la dynamique du système doit pour autant
rester intacte. En conséquence, si est la matrice instrumentale, elle doit vérifier les
propriétés « classiques » :
EfVi g = 0 avec Vi = Hs Ei et (27)

rang (EfX g) = n (28)
où Ef g désigne l’espérance mathématique. Autrement dit, l’image du bruit par la

projection doit être nulle et celle de X doit être invariante en dimension. De plus,
en vue d’estimer la matrice d’observabilité étendue, il faut éliminer le terme H d Ui de
l’équation matricielle d’entrée-sortie. Par conséquent, doit aussi être orthogonale à
la matrice d’entrée U i , tel que :
EfUi g = 0: (29)
Face à toutes ces conditions, plusieurs solutions ont été formulées, toutes pro-
posent de décomposer les matrices d’entrée-sortie en deux sous-matrices dites « pas-
sée » et « future ».

U2i = UUp Y2i = YYp (30)
f f
avec Up , Uf 2 Rpi j et Yp , Yf 2 Rmi j .
Parmi les différentes approches proposées, nous citerons ici les principales.
— méthodes PI-MOESP et PO-MOESP [VER 94].
La relation matricielle d’entrée-sortie appliquée aux matrices dites futures s’écrit :
Yf = ;i Xf + Hd Uf + Vf (31)
;
avec Xf = xi xi+1

xi+j;1 . Deux choix de la matrice instrumentale
sont proposés :
PI-MOESP : utilisation des entrées passées
= Uf? UpT : (32)
PO-MOESP : utilisation des entrées-sorties passées

U T
= Uf? Y p : (33)
p
L’équation matricielle d’entrée-sortie modifiée est alors la suivante [VER 94] :
Yf = ;i Xf + Vf : (34)
Dans les deux cas, cela suppose que les bruits de mesure et d’état soient suffisamment
peu corrélés avec les entrées et/ou les sorties passées du système pour que :
1
lim V = 0:
j !1 j f
(35)
La procédure d’estimation de ; i depuis cette équation est identique à celle explicitée

pour le cas déterministe. Toutefois, en pratique, la matrice instrumentale atténue l’ef-
fet du bruit mais ne l’annule pas complètement. Dans ces conditions, Y f devient une
matrice de rang plein ligne et son rang est supérieur à l’ordre n du système. L’estima-
tion de l’ordre du modèle devient alors un problème délicat à résoudre.
— méthode IV-ESP [OTT 94].
Une autre expression de la matrice instrumentale est proposée par Ottersten.
= Z T (ZZ T );1 J ( 1j ZZ T )1=2 (36)

0 I 0pi 0pi mi
1 Up
0 1
pi
avec J = @ 0pi 0pi 0pi mi A Z = @Uf A
0mi pi 0mi pi Imi Yp
et j : le nombre de colonnes des matrices d’entrée-sortie.
— méthode N4SID : utilisation d’une projection oblique [VAN 94a].
Dans une approche dite « combinée », associant une identification déterministe [WIL 86],
[DEM 88], [MOO 89] avec une identification stochastique [AKA 74], [FAU 76], [AOK 87],
V AN OVERSCHEE et D E MOOR [VAN 94a] proposent d’utiliser une projection oblique
comme matrice instrumentale, figure 4.
= UUfp Yp ] : (37)

UUfp Yp ] représente la projection oblique sur les observations passées selon les direc-
tions des entrées futures. Une expression de cette projection est donnée par l’équation
(38) [VAN 96b] où ( ) + désigne l’opérateur matriciel de la pseudo-inverse.
U + U
UUfp Yp ] = Uf? p
Yp Uf?
p
Yp : (38)
Yf
Uf
Oi = Γ i X f
HiU f
Ψ
Yp
Oi
Up
Figure 4. Projection oblique O i et intersection passé/futur
Le résultat de cette projection oblique, défini par l’équation (39), est noté O i .
Oi = Yf UUfp Yp ] : (39)
La propriété principale de cette projection est explicitée par l’équation (40).
Oi = ;i X: (40)
En outre, un théorème unifié [VAN 94b] montre que les différences entre les algo-
rithmes 4SID (CVA, MOESP et N4SID) sont relatives à un choix particulier de deux
matrices de pondérations W 1 et W2 sur Oi . Les estimations de ;i et X s’effectuent
alors à partir de la décomposition en valeurs singulières de la nouvelle matrice géné-
ralisée suivante :
W1 Oi W2 = T : U V (41)
L’utilisation de la matrice permet de généraliser les équations (18) et (19) au

cas stochastique :
Imlig (Yi ) Imlig (X )

;! X^ (42)
Imcol (Yi ) Imcol (;i )
;! ;^ i : (43)
Le mode de calcul de la matrice ; i et X est alors identique à celui exposé au

paragraphe 5.1.1. Comme dans le cas déterministe, le calcul du produit Y f est géné-
ralement effectué à partir de la factorisation RQ suivante :
0U 1 0R 0 0 0
1 0Q 1
BBUfp CC = BBR1121 R22 0 0 CC BBQ12CC :
@ Yp A @R31 R32 R33 0 A @Q A 3
(44)
Yf R41 R42 R43 R44 Q4
Chacune des projections précédentes est alors calculée à partir des matrices sui-
vantes :
— méthode PO-MOESP;
Yf = R42:3 : (45)
— méthode IV-ESP;
+ R1:31:3
Yf = R41:3 R1:31:3 (46)
— méthode N4SID;
; U
Y = L
f Up LY Y p
p (47)
p
avec :
;L = R R+
LUf LYp def
Up 41:3 1:31:3 (48)
où LUp 2 Rmi pi , LUf 2 Rmi pi , LYp 2 Rmi mi . Ri:jk:l représente la sous-matrice

formée des bloc-lignes i à j et des bloc-colonnes k à l de la matrice R.
5.2. Estimation de la matrice des états : X
Une seconde stratégie, empruntée par certains algorithmes 4SID, vise à estimer les
vecteurs d’état contenus dans la matrice X . Un des premiers algorithmes établis sur
ce principe est celui de M OONEN et al. [MOO 89]. Ce dernier propose d’estimer le
sous-espace d’état futur (Im lig (X )) en calculant l’intersection de deux sous-espaces

vectoriels obtenus à partir de deux matrices de Hankel d’entrée-sortie.
Y Y
Imlig (Xf ) = Imlig Up \ Imlig Uf : (49)
p f
Cette notion d’intersection rejoint l’interprétation graphique de la projection oblique
donnée à la figure 4. La décomposition passé-futur des données est identique à celle
explicitée par les équations (30) et (31). Cette intersection est déterminée grâce à une
double décomposition en valeurs singulières. La première est donnée par l’équation
suivante :
0U 1
BB Ypp CC = 11 12

11 0 T
@U A
U U
f U21 U22 0 0 V (50)

Yf
Le développement de cette décomposition mène à l’égalité suivante :
T T
U 12 Zp = ;U22Zf (51)
;
avec ZpT = UpT YpT
T ; T
et ZfT = UfT YfT . Cette dernière équation signifie
que l’espace ligne de la matrice U 12 T Zp est égal à l’intersection des espaces ligne de
Zp et Zf , et par suite à l’espace ligne de X f . Dans ce but, une base de l’intersection
est calculée à partir d’une seconde SVD définie par :
T ;
U12 U11 11 = U1q
q 0 T :
U 2q 0 0 q V (52)
L’utilisation du produit U 11 11 au lieu de Zp au sein de l’équation précédente,

permet une réduction des dimensions de la matrice à décomposer en vue de diminuer
les coûts de calculs. Si mi > n, une estimation de X f est enfin donnée par :

X^f = 1Tq 12T UYp :
U U (53)
p
Une seconde solution consiste à utiliser la projection oblique, O i , pour en extraire
une estimation de la matrice des états futurs à partir de l’équation (40) et de l’estima-
tion a priori de ; i .
X^ f = ;^ +i Oi : (54)
6. Estimation de l’ordre du système
L’estimation de l’ordre n du modèle d’état est la seconde étape des méthodes des
sous-espaces. Dans le cas déterministe, l’ordre n est égal au rang des matrices estimées
;^ i et X^f :
n^ = rang(X^ ) = rang(;^ i ): (55)

^ i devient une matrice de rang plein ligne, rang( ;^ i ) >
Dans le cas stochastique, ;
n. Le problème principal, quel que soit l’outil utilisé, est alors le choix de l’ordre de
troncature n au sein de la répartition des valeurs singulières permettant ainsi de dé-
composer l’espace vectoriel estimé en deux sous-espaces : le sous-espace « système »
et le sous-espace « bruit ».
Yf = s s sT + b b bT :
U V U V (56)
Le rang du sous-espace « système » est alors une estimation de l’ordre du modèle
d’état :
n^ = rang ( s ) : (57)
Une fois l’ordre estimé, la matrice d’observabilité étendue et la matrice des états
sont réduites pour ne tenir compte que de la partie « système ». Les matrices réduites
^ s et X^f sont données par :
notées ;
;^ s = ;^ i (: 1 : n) X^s = X^f (1 : n :): (58)

La notation (:) désigne la sélection de toutes les lignes ou colonnes de la matrice.
Le choix de la troncature entre s et b dépend de la coloration du bruit, du rapport
signal sur bruit, de la plus petite des valeurs singulières de ; i et de la richesse d’infor-
mation contenue dans les matrices de Hankel d’entrée-sortie. Ne disposant d’aucune
information sur le bruit, la plus simple des solutions consiste à rechercher l’écart le
plus important entre les différentes valeurs singulières successives en vue de décom-
poser l’information en une partie « système » et une partie « bruit ». Les techniques
classiques de sélection d’ordre sont utilisables comme le critère d’information AIC
(Akaike Information Criterion), utilisé par L ARIMORE dans l’algorithme CVA, tandis
que M C KELVEY et V AN OVERSCHEE minimisent une distance fondée sur une erreur
de prédiction.
7. Estimation des matrices du modèle d’état
L’estimation des matrices A, B , C et D de la partie déterministe du modèle

d’état constitue la troisième et dernière étape des méthodes des sous-espaces. Dans
ce paragraphe, pour comprendre plus facilement les différentes approches, seul le

cas déterministe est traité. Les lecteurs désireux de trouver des algorithmes d’iden-
tification directe de modèle d’état stochastique pourront se référer aux travaux de
V AN OVERSCHEE [VAN 96b]. Deux stratégies sont possibles : soit obtenir les ma-
trices A^ et C^ à partir de ;
^ s et déduire ensuite les matrices B^ et D^ en résolvant un
système surdéterminé d’équations [VIB 91], [VIB 94], soit déterminer directement
les quatre matrices à partir de la connaissance de X ^s [DEM 88], [MOO 89].
^s
7.1. Première stratégie fondée sur ;
Comme pour la théorie de la réalisation, la matrice A^ est déduite de la propriété

dite « A-invariance » de la matrice d’observabilité étendue alors que C^ est directement
extraite de la définition de ; s .
A^ = ;^ s + ;^ s (59)
C^ = ;^ s (1 : m :): (60)
;^ s et ;^ s sont définis par (62). En présence de bruit, certains pôles peuvent être mal
estimés ce qui peut donner lieu à des modèles instables. M ACIEJOWSKI a récemment
proposé une solution robuste par rapport à la stabilité du modèle, en posant :
;^ 0 = ;^ s A^ (61)
avec :
0 C 1 0 CA 1 0 CA 1
B CA CC B ... CC B ... CC
;^ s = B
B@ ... CA ;^ s = B
B@CAi;2 CA ;^ 0 = B
B@CAi;2 CA (62)
CAi;2 CAi;1 0m n
En contrepartie de cette robustesse accrue, la précision d’estimation de l’emplace-
ment des pôles est diminuée. Les matrices A^ et C^ étant connues, il reste à déterminer
^ et D^ à partir de la nouvelle équation matricielle :
les matrices B
Yi = ;^ s X + Hi Ui : (63)
En pré-multipliant (à gauche) l’équation (63) par U bT afin de se débarrasser de

;^ s X et à droite par Ui+ , le problème est ramené à la résolution du système d’équations
surdéterminé suivant :
T + T
Ub Yi Ui = Ub Hi (64)
ou :
K = JHi (65)
avec J = UbT , K = JYi Ui+ et Ub est donné par l’équation (56). L’équation (65)
mène finalement à un système d’équations surdéterminé, équation (66), linéaire en B
et D et qui peut être résolu à partir de méthodes telles que les moindres carrés.
0K (: 1)1 0J (: 1) J (: 2) J (: i 1) J (: i)
1
BBK (: 2)CC BBJ (: 2) J (: 3) 0 C
;
J (: i) C D
BB ... CC = BBJ (: 3) J (: 4) .. CC I 0
BB . CC BB . . CC 0 ;i;1 B
@ . A @ .
. .
..
. A
K (: i) J (: i) 0 0
(66)
où K (: l) et J (: l) correspondent au l eme p-bloc colonne de K et J respective-

ment.
7.2. Seconde stratégie fondée sur X s
A partir de l’estimation de la matrice des états ( X ^s ), une autre solution au pro-

blème de l’estimation des matrices A, B , C et D consiste à réinjecter au sein des
équations (1) et (2) les estimations du vecteur d’état. Il s’agit là encore de résoudre un
système d’équations surdéterminé défini par l’équation (67).
x^ A^ B^ x^

i+1:j +i;1 i:j +i;2
yi:j+i;2 = C^ D^ ui:j+i;2 (67)
avec :
;
xî+1:j+i;1 = xî+1 x^j+i;1
(68)
;
xî:j+i;2 = xî xî+j;2
(69)
;
yi:j+i;2 = yi yi+j;2
(70)
;
ui:j+i;2 = ui u
:
i+j ;2 (71)
8. Situation des méthodes 4SID par rapport aux méthodes conventionnelles
8.1. Estimation des erreurs de prédiction à horizon multiple
A partir de l’équation algébrique (15), les méthodes 4SID estiment dans une pre-
mière phase le produit matriciel ; i X avant d’estimer ; i ou X . Par l’intermédiaire
de quelques équations, ce paragraphe apporte une autre interprétation de l’objectif
4SID permettant de mieux situer ces méthodes par rapport à des approches conven-
tionnelles. Seul le cas déterministe est considéré. Sur la base du modèle de la réponse
impulsionnelle d’un système causal, les évolutions des sorties du système peuvent être
représentées par le produit de convolution discret suivant :
X
k+i
yk+i = Ht uk+i;t (72)
t=0
avec i > 0 et Ht : paramètres de Markov définis par :
H 0 = D (couplage direct; pas de retard)

j = CAj ;1 B pour j > 0
(73)
H
L’équation (72) peut être décomposée de la manière suivante :
X
i;1 X
k+i
yk+i = Ht uk+i;t + H t uk+i;t (74)
t=0 t=i
X
i;1
yk+i = Ht uk+i;t + y^k+i=k (75)
t=0
Pk
où y^k+i=k = t=0 Ht+i uk;t correspond à la prédiction à i pas de la sortie ne
connaissant que les mesures d’entrée u t pour t k . Or, dans le cas de la représentation
d’état, la combinaison des équations (4) et (5) permet d’aboutir à :
X
i;1
yk+i = CAi xk + H t uk+i;t : (76)
t=0
Par identité entre les expressions (74) et (76), on en déduit que :
y^k+i=k = CAi xk (77)
et par extension que :

T
T
;i+1 xk = y^k=k y^kT+1=k y^kT+i=k (78)
d’où :
0 y^ y^k+1=k+1 y^k+j;1=k+j;1
1
k=k
B
;i+1 X = @ ... ..
.
CA 2 Rm(i+1) j : (79)
y^k+i=k y^k+i+1=k+1 y^k+i+j;1=k+j;1
Dans une première étape, toutes les méthodes des sous-espaces estiment le produit
;i X de l’équation (15), connaissant U i et Yi . Etant donné l’équation (79), les mé-
thodes des sous-espaces apparaissent comme des techniques cherchant à estimer les
prédictions à horizons multiples (1 à i) sur les sorties. Une autre étude [JAN 96], plus
détaillée, aboutit à la même conclusion. En ce sens, les méthodes des sous-espaces
peuvent être classées entre les méthodes de l’erreur d’équation (erreur de prédiction à
un pas) et les méthodes du modèle (erreur de sortie). Les différences entre les princi-
paux algorithmes 4SID se situent au niveau de l’estimation de ; i X . Jusqu’à présent,
aucune des méthodes des sous-espaces ne repose véritablement sur l’optimisation d’un
critère explicite reposant entièrement ou en partie sur les erreurs de prédictions à ho-
rizons multiples, ce qui en fait des méthodes sous- ou quasi-optimales.
8.2. Modèle de régression 4SID
Etant donné la nature algébrique de l’équation matricielle (11), la théorie 4SID fait
intervenir des projections de sous-espaces vectoriels et des techniques de calcul d’al-
gèbre linéaire avancées. En conséquence, il est plus difficile de les comparer avec des
méthodes conventionnelles fondées sur des approches statistiques. Pour cette raison,
il est intéressant d’introduire un modèle de regression 4SID [JAN 94], [JAN 96]. Pour
y arriver, considérons le cas optimal où x k est remplacé dans l’équation (9) par x ^k,
son estimation par un filtre de Kalman dont les équations peuvent être ramenées à :
x^k = K1yp (k p) + K2 up (k p) + K3 uf (k f )
; ; ; (80)
où f est l’horizon de prédiction (futur) et p l’horizon mémoire du système. En

utilisant cette dernière équation au sein de l’équation (9), on aboutit à la relation sui-
vante :
yf (k ) = L1 yp (k ; p) + L2 up (k ; p) + L3 uf (k ; f ) + nf (k ) (81)
avec :
;L L = ; ;K K
1 2 f 1 2 (82)
L3 = ;f K3 + Hd (83)
nf (k ) = ;f (xk x^k ) + Hs ef (k ):
; (84)
Ce modèle de régression 4SID exprime les sorties futures sous la forme d’une
combinaison linéaire des entrées et sorties passées et des entrées futures. Cette com-
binaison linéaire montre que les prédictions sur y f (k ) à partir des données passées
fup (k ; p) yp (k ; p)g dépendent de la matrice d’observabilité étendue ; f que l’on
cherche à estimer. Les coefficients f et p se retrouvent au niveau de la constitution des

matrices de Hankel d’entrée-sortie définies par l’équation (30).
9. Conclusions et perspectives
Les méthodes des sous-espaces appartiennent aux techniques d’identification de

type « boîte-noire » et leur cadre d’application d’origine est essentiellement centré sur
les modèles linéaires et invariants dans le temps. Apparues dans les années 70 en ce
qui concerne le traitement du signal, leur application au problème de l’identification
des systèmes date du milieu des années 80. Elles estiment directement une réalisation
quelconque de la représentation d’état d’un système, à savoir l’ordre et les matrices
de la représentation d’état à une matrice de similarité près, à partir des mesures de ses
entrées-sorties. A la différence des techniques d’estimation « classiques » qui ajustent
des polynômes, les méthodes des sous-espaces ajustent un sous-espace vectoriel aux
observations des entrées-sorties. Les sous-espaces en question sont intimement liés
aux matrices A, B , C et D via la matrice d’observabilité étendue ; i ou la matrice des
états X . La figure 5 résume le principe général de ces méthodes. Cette différence d’ap-
proche entre les méthodes conventionnelles et les méthodes 4SID explique peut-être
les difficultés de comparaison et d’extension du savoir-faire des premières à la se-
conde. Toutefois, il est possible d’interpréter les techniques des sous-espaces comme
des approches situées entre les méthodes de l’erreur d’équation et les méthodes de
l’erreur du modèle. En effet, les méthodes des sous-espaces cherchent en premier lieu
à estimer les prédictions à horizons multiples (i > 1) sur les sorties. Cette position
est intéressante en vue d’applications industrielles comme la commande prédictive de
systèmes multivariables.
Toutefois, ne reposant sur aucun critère explicite, les méthodes 4SID sont des tech-
niques d’estimation « sous-optimales ». C’est le premier point faible majeur de ces
approches. Le second concerne l’absence d’information ou de description de l’incerti-
tude du modèle estimé. En outre, leur mise en œuvre ne reposant sur aucune paramé-
trisation au préalable du modèle d’état peut aussi être un inconvénient. Elle empêche
d’introduire directement toute information a priori au sein du modèle et à l’inverse,
empêche d’estimer un paramètre précis de l’installation au sein de la représentation.
Au contraire, les méthodes des sous-espaces sont implicitement liées à une surpara-
ek
uk yk
xk +1 = Ax k + Buk + Ke k
y k = Cx k + Duk + e k
Système
u0 u1 u j −1 y0 y1 y j −1
u1 U p y Y
= p
Y 2i = 1
U 2i =
=
U

Y

u 2 i −1 u j+2 i−2 f
y 2 i −1 y j +2 i −2 f
DE SOUS-ESPACES
Y2 i = Γ2 i ⋅ X + H d ⋅ U 2 i + H s ⋅ E2 i
IDENTIFICATION
Yf ⋅ Π Ψ = Γi ⋅ X f ⋅ Π Ψ
Im col 1Γi 6 → Γ i Im lig X f % → X f
ESTIMATION
Γ i = Γ s + Γ b X f = X s + X b
DE L'ORDRE

rang 4 X =
rang 4 Γ = n
s9 s9
A Γ s = Γ s X s 1:,2: j6 A
B X s 1:,1: j −16
DES MATRICES
=
ESTIMATION

C = Γ s (1: m ) U 11: j − 11
Yi 11: j − 11, :m6 C D i , : p6
N 2
= min ∑ " yk
! B, D& − D + C (qI − A )−1 B u '
k
B, D
k =1
Figure 5. Organigramme général des méthodes 4SID

métrisation du modèle par rapport aux formes canoniques. Cette surparamétrisation

peut être un avantage ou un inconvénient selon l’application finale : commande, diag-
nostic, modélisation ou simulation des systèmes. Il s’agit d’une perspective d’étude à
développer.
En revanche, les méthodes 4SID ont l’avantage d’être directes au sens où elles ne
nécessitent pas l’estimation des paramètres de Markov au contraire de la théorie de
la réalisation. N’exigeant également aucune paramétrisation au préalable du modèle
d’état, elles évitent l’étape délicate de l’identification structurale du système. L’atout
majeur de ces techniques est d’apporter une simplification significative de la procé-
dure d’identification des systèmes multivariables. Cette remarque est accentuée par le
très faible nombre de paramètres de synthèse au sein de ces approches, qui peut se
limiter au seul choix de l’ordre de la représentation d’état. Les algorithmes 4SID sont
dérivés de l’algèbre linéaire, ils ne souffrent d’aucun problème de convergence vers
des minima locaux et sont plus rapides que les algorithmes itératifs de programmation
non linéaire ce qui constitue un avantage dans le cas d’applications en temps réel. En-
fin, ces méthodes peuvent fournir une estimation initiale intéressante des paramètres
pour des méthodes d’estimation fondées sur des techniques d’optimisation itératives.
Plusieurs perspectives de développements de ces méthodes sont à citer. Elles concernent
en particulier leur analyse statistique [PET 96], le développement d’une procédure
de sélection de l’ordre du modèle [CHO 94], leurs connexions avec les techniques
classiques d’identification [OTT 94], [JAN 94], [JAN 96], leur développement pour
l’identification en boucle fermée [VER 93], [SCH 91], [VAN 93], [VEE 93], [WAN 94],
[LJU 96] et enfin la détermination de bornes d’incertitudes sur les modèles 4SID
[ENN 84].
Bibliographie
[ADA ] ADAPTECH, MIDSYS Toolbox, Identification for multi-input/multi-output systems.

ADAPTECH, 4 rue du tour de l’eau, F-38400 Saint Martin d’Heres, France.
[ADE ] ADERSA, GLIDE CAD Software : Global identification for MISO systems.
ADERSA, 7 bd du Marechal Juin, 91371 Verrieres le Buisson, France.
[AKA 74] A KAIKE H., « Stochastic theory of minimal realizations ». IEEE Trans. on Auto-
matic Control, vol. 19, p. 667–674, 1974.
[AKA 75] A KAIKE H., « Markovian representation of stochastic process by canonical va-
riables ». SIAM J. Control, vol. 13, no 1, p. 162–173, 1975.
[AOK 87] AOKI M., State space modelling of time series. Springer Verlag, Berlin, 1987.
[BAR 75] BARRAUD A., « Réalisation minimale et approximation optimale des systèmes dy-
namiques linéaires invariants ». Docteur d’Etat, Nantes, janvier 1975.
[BAR 77] BARRAUD A., « Identification de systèmes multivariables par modèle d’état sous
forme canonique ». RAIRO Automatique / Systems Analysis and Control, vol. 11, no 2, p.
161–194, 1977.
[BAR 86] BARRAUD A., « L’identification : une technique d’un autre type ? ». RAIRO Auto-
matique Productique Informatique Industrielle, vol. 20, no 5, p. 433–454, 1986.
[BAS 97a] BASSEVILLE M., A BDELGHANI M. et B ENVENISTE A., « Subspace-based fault
detection and isolation methods - Application to vibration monitoring ». Rapport de re-
cherche INRIA No. 3299, Novembre 1997.
[BAS 97b] BASTOGNE T., « Identification des systèmes multivariables par les méthodes des
sous-espaces. Application à un système d’entraînement de bande ». Thèse de Doctorat,
Université Henri Poincaré, Nancy 1, novembre 1997.
[BAS 97c] BASTOGNE T., G ARNIER H., S IBILLE P. et M ENSLER M., « PMF-based subspace
method for continuous-time model identification. Deterministic study ». In Proc. of the
11th IFAC Symposium on System Identification, vol. 4, p. 1665–1670, Kitakyushu, Japan,
July 1997.
[BAY 92] BAYARD D., « An algorithm for state-space frequency domain identification without
windowing distortions ». In Proc. of the 31st Conference on Decision and Control, p.
1707–1712, Tucson, AZ., USA, 1992.
[BEG 87] B EGHELLI S., G UIDORZI R. et S OVERINI U., « Structural identification of multi-
variable systems by the eigenvector method ». Int. J. of Control, vol. 46, no 2, p. 671–678,
1987.
[BIE 79] B IENVENU G. et KOPP L., « Principe de la goniométrie passive adaptative ». In
Actes du 7ème colloque GRETSI, Nice, 1979.
[CHO 94] C HO Y. M., X U G. et K AILATH T., « Fast recursive identification of state-space
models via exploitation of displacement structure ». Automatica, Special Issue on Statistical
Signal Processing and Control, vol. 30, no 1, p. 45–49, 1994.
[DEM 87] D E M OOR B. et VANDERWALLE J., « A geometrical strategy for the identification
of state space models of linear multivariable systems with Singular Value Decomposition ».
In Proc. of the 3rd International Symposium on Applications of Multivariable Systems
Techniques, p. 59–68, Plymouth, U.K., 1987.
[DEM 88] D E M OOR B., « Mathematical concepts and techniques for modelling of static and
dynamic systems ». PhD thesis, Katholieke Universiteit Leuven, Faculteit der Toegepaste
Wetenschappen, Departement Elektrotechniek, 1988.
[DEN 74] D ENHAM M. . J., « Canonical forms for the identification of multivariable linear
systems ». IEEE Trans. On Automatic Control, vol. 19, no 6, p. 646–656, 1974.
[DEN 83] D ENNIS J. E. et S CHNABEL R. B., Numerical methods for unconstrained optimi-
zation and nonlinear equations. Prentice Hall, Englewood Cliffs, NJ, 1983.
[DEP 88] D EPRETTERE E. F., SVD and signal processing - algorithms, applications and ar-
chitectures. North Holland, Elsevier Science Publishers, 1988.
[DUO 93] D UONG H. N., « Identification structurelle et paramétrique des systèmes linéaires
monovariables et multivariables ». Thèse de doctorat, Institut National Polytechnique de
Grenoble, 1993.
[ENN 84] E NNS D., « Model reduction for control system design ». PhD thesis, Dep. Aero-
naut., Stanford University, Stanford CA., 1984.
[FAU 76] FAURE P., « Stochastic realization algorithms », Chapitre System Identification :
Advances and cases studies. Academic Press, (Eds) Mehra R., Lainiotis D., 1976.
[FUC 90] F UCHS J.-J., « Structure and order estimation of multivariable stochastic pro-
cesses ». IEEE Trans. of Automatic Control, vol. AC-35, p. 1338–1341, 1990.
[GEV 84] G EVERS M. et W ERTZ V., « Uniquely identifiable state-space and ARMA para-
metrizations for multivariable linear systems ». Automatica, vol. 20, no 3, p. 333–347,
1984.
[GLO 93] G LOVER K. et W ILLEMS J. C., « Parametrizations of linear dynamical systems :
Canonical forms and identifiability ». IEEE Trans. On Automatic Control, vol. 19, no 6, p.
640–645, 1993.
[GOL 93] G OLUB G. H. et VAN L OAN C. F., Matrix computations. The Johns Hopkins Uni-
versity Press, Baltimore, Maryland, USA, 1993.
[GUI 75] G UIDORZI R., « Canonical structures in the identification of multivariable systems ».
Automatica, vol. 11, p. 361–374, 1975.
[GUI 81] G UIDORZI R., « Invariants and canonical forms for systems structural and parametric
identification ». Automatica, vol. 17, no 1, p. 117–133, 1981.
[GUI 82] G UIDORZI R., L OSITO M. P. et M URATORI T., « The range error test in the structu-
ral identification of linear multivariable systems ». IEEE Trans. on Automatic Control, vol.
AC-27, p. 1044–1054, 1982.
[HAV 96] H AVERKAMP B. R. J., C HOU C. T., V ERHAEGEN M. et J OHANSSON R., « Identi-
fication of continuous-time MIMO state space models from sampled data, in the presence
of process and measurement noise ». In Proc. of the 35th Conference on Decision and
Control, Kobe, Japan, 1996.
[HO 65] H O B. L. et K ALMAN R. E., « Effective construction of linear state-variable models
from input/output data ». In Third Annual Alberton Conference on Circuit and System
Theory, 1965.
[JAC 96] JACQUES R. N., L IU K. et M ILLER D. W., « Identification of highly accurate low
order state space models in the frequency domain ». Signal Processing, vol. 52, p. 195–207,
1996.
[JAN 94] JANSSON M. et WAHLBERG B., « 4SID Linear Regression ». In Proc. 33rd IEEE
Conference on Decision and Control, p. 2858–2863, Lake Buena Vista, Florida, USA, 1994.
[JAN 96] JANSSON M. et WAHLBERG B., « A linear regression approach to state-space sub-
space system identification ». Signal Processing, vol. 52, p. 103–129, 1996.
[KAI 80] K AILATH T., Linear Systems. Prentice Hall, Englewood Cliffs, New Jersey, 1980.
[KEU 93] K EUCHEL U., « Parameter estimation and structure selection for linear multiva-
riable systems ». In Proc. of the 2nd European Control Conference, vol. 1, p. 615–620,
Groningen, The Netherlands, 1993.
[KIN 88] K ING A. M., D ESAI U. B. et S KELTON R. E., « A generalized approach to Q-
Markov covariance equivalent realizations for discrete systems ». Automatica, vol. 24, no
4, p. 507–515, 1988.
[KUN 78] K UNG S., « A new identification and model reduction algorithm via singular value
decomposition ». In Asilomar Conf. on Circuits, Systems and Computers, p. 705–714,
Pacific Grove, California, USA, 1978.
[LAN 88] L ANDAU I. D., Identification et commande des systèmes. Traité des nouvelles tech-
nologies, Hermés, Paris, 1988.
[LAR 83] L ARIMORE W. E., « System identification, reduced-order filtering and modelling
via canonical variate analysis ». In Proc. of the American Control Conference, p. 445–451,
1983.
[LAR 90] L ARIMORE W. E., « Canonical Variate Analysis in Identification, Filtering, and
Adaptative Control ». In Proc. of the 29th Conference on Decision and Control, p. 596–
604, Honolulu, Hawai, 1990.
[LAR 96] L ARIMORE W. E., « ADAPTx : Automated Multivariable System Identification and
Time Series Analysis Software ». Users Manual, 1996. Adaptics Inc.
[LIU 91] L IU K., « Identification of multi-input and multi-output systems by observability
range space extraction ». In Proc. of the 31st Conference on Decision and Control, p.
915–919, Tucson, Arizona, USA, 1991.
[LJU 87] L JUNG L., System identification : theory for the user. Prentice Hall, Englewood
Cliffs, NJ, 1987.
[LJU 91] L JUNG L., « A simple start-up procedure for canonical form state space identifica-
tion, based on subspace approximation ». In Proc. of the Conference on Decision and
Control, p. 1333–1336, Brighton, UK, 1991.
[LJU 95] L JUNG L., System identification toolbox user’s guide. The Math Works, Inc., 1995.
[LJU 96] L JUNG L. et M C K ELVEY T., « Subspace identification from closed loop data ».
Signal Processing, vol. 52, p. 209–215, 1996.
[LUE 67] L UENBERGER D. G., « Canonical forms for linear multivariable systems ». IEEE
Trans. On Automatic Control, vol. 12, page 290, 1967.
[LUE 84] L UENBERGER D. G., Linear and nonlinear programming. Addison-Wesley, Mas-
sachusetts, 2nd édition, 1984.
[MAC 94] M ACIEJOWSKI J. M., « Guaranted stability with subspace methods ». Systems &
Control Letters, vol. 26, p. 153–156, 1994.
[MCK 94a] M C K ELVEY T., « An efficient frequency domain state-space identification algo-
rithm ». In Proc. 33rd IEEE Conference on Decision and Control, p. 3359–3364, Lake
Buena Vista, Florida, USA, 1994.
[MCK 94b] M C K ELVEY T., « On state-space models in system identification ». PhD thesis,
Department of Electrical Engineering, Linköping University, Sweden, 1994.
[MCK 95] M C K ELVEY T., « Identification of State-Space Models from Time and Frequency
Data ». PhD thesis, Linköping Studies in Science and technology, 1995.
[MOO 89] M OONEN M., D E M OOR B., VANDENBERGHE L. et VANDEWALLE J., « On- and
off-line identification of state-space models ». Int. J. of Control, vol. 49, no 1, p. 219–232,
1989.
[MOO 90] M OONEN M. et VANDEWALLE J., « QSVD approach to on- and off-line state-
space identification ». Int. J. of Control, vol. 51, no 5, p. 1133–1146, 1990.
[MOO 91] M OONEN M., D E M OOR B. et VANDEWALLE J., « Identification of continous-time
systems, methodology and computer implementation », Chapitre SVD-based subspace me-
thods for multivariable continuous-time systems identification, p. 473–488. Kluver Acade-
mic Publishers, (Eds) N. K. Sinha and G. P. Rao, 1991.
[MOO 93] M OONEN M. et R AMOS J., « A subspace algorithm for balanced state space system
identification ». IEEE Trans. on Automatic Control, vol. 38, no 11, p. 1727–1729, 1993.
[OTT 94] OTTERSTEN B. et V IBERG M., « A subspace based instrumental variable method
for state-space system identification ». In Proc. of the 10th IFAC Symposium on System
Identification, vol. 2, p. 139–144, Copenhagen, Denmark, 1994.
[PET 95] P ETERNELL K., S CHERRER W. et D EISTLER M., « Statistical analysis of Subspace
identification methods ». In Proc. of the 3rd European Control Conference, p. 1342–1347,
Roma, Italy, 1995.
[PET 96] P ETERNELL K., S CHERRER W. et D EISTLER M., « Statistical analysis of novel
subspace identification methods ». Signal Processing, vol. 52, p. 161–177, 1996.
[PIS 73] P ISARENKO V. F., « The retrieval of harmonics from a covariance function ». Geo-
physical J. Royal Astronomical Soc., vol. 33, p. 347–366, 1973.
[ROY 89] ROY R. et K AILATH T., « ESPRIT - Estimation of Signal Parameters via Rotational
Invariance Techniques ». IEEE Trans. on Acoustic, Speech and Signal Processing, vol. 37,
no 7, p. 984–995, 1989.
[SCH 79] S CHMIDT R. O., « Multiple emitter location and signal parameter estimation ». In
Proc. of the RADC Spectrum Estimation Workshop, p. 243–258, 1979. Rome Air Develop-
ment Corp.
[SCH 91] S CHRAMA R., « An open-loop solution to the approximate closed-loop identifica-
tion problem ». In Proc. 9th IFAC/IFORS Symp. on Identification and System Parameter
Estimation, p. 1602–1607, Budapest, Hungary, 1991.
[SöD 89] S ÖDERSTRÖM T. et S TOICA P., System identification. University Press, Cambridge,
Prentice Hall, 1989.
[SWI 92] S WINDLEHURST A., ROY R., OTTERSTEN B. et K AILATH T., « System identifi-
cation via weighted subspace fitting ». In Proc. of the American Control Conference, p.
2158–2163, 1992.
[VAN 93] VAN D EN H OF P. et S CHRAMA R. J. P., « An indirect method for transfer function
estimation from closed loop data ». Automatica, vol. 29, no 6, p. 1523–1527, 1993.
[VAN 94a] VAN OVERSCHEE P. et D E M OOR B., « N4SID : Subspace algorithms for the
identification of combined deterministic-stochastic systems ». Automatica, vol. 30, no 1,
p. 75–93, 1994.
[VAN 94b] VAN OVERSCHEE P. et D E M OOR B., « A unifying theorem for subspace identifi-
cation algorithms and its interpretation ». In Proc. of the 10th IFAC Symposium on System
Identification, vol. 2, p. 145–150, Copenhagen, Denmark, 1994.
[VAN 96a] VAN OVERSCHEE P. et D E M OOR B., « Continuous-time frequency domain sub-
space system identification ». Signal Processing, Special Issue on Subspace Methods, part
II : System identification, vol. 52, p. 179–194, 1996.
[VAN 96b] VAN OVERSCHEE P. et D E M OOR B., Subspace identification for linear systems -
Theory, implementation, applications. Kluwer Academic Publishers, 1996.
[VEE 93] VAN DER V EEN A.-J., D EPRETTERE E. D. et S WINDLEHURST A. L., « Subspace-
based signal analysis using singular value decomposition ». In Proceedings of the IEEE,
vol. 81 de 9, September 1993.
[VER 91] V ERHAEGEN M., « A Novel Non-iterative MIMO State-Space Model Identification
Technique ». In Proc. of the 9th Identification and System Parameter Estimation Sympo-
sium, p. 1453–1458, Bupadest, Hungary, 1991.
[VER 93] V ERHAEGEN M., « Application of a subspace model identification technique to
identify LTI systems operating in closed loop ». Automatica, vol. 29, no 4, p. 1027–1040,
1993.
[VER 94] V ERHAEGEN M., « Identification of the Deterministic Part of the MIMO State
Space Models given in Innovations Form from Input-Output Data ». Automatica, vol. 30,
no 1, p. 61–74, 1994.
[VER 95a] V ERHAEGEN M. et W ESTWICK D., « A subspace model identification algorithm
to identify MIMO Wiener type of non-linear systems ». In Proc. of the 3rd European
Control Conference, p. 3429–3434, Roma, Italy, 1995.
[VER 95b] V ERHAEGEN M., W ESTWICK D. et K EARNEY R., « The use of a bilinear transfor-
mation of the shift operator in subspace model identification ». IEEE Trans. on Automatic
Control, vol. 40, no 8, 1995.
[VIB 91] V IBERG M., OTTERSTEN B., WAHLBERG B. et L JUNG L., « A statistical perspec-
tive on state-space modeling using subspace methods ». In Proc. of the 30th Conference
on Decision and Control, p. 1337–1342, Brighton, England, 1991.
[VIB 94] V IBERG M., « Subspace Methods in System Identification ». In Proc. of the 10th
IFAC Symposium on System Identification, vol. 1, p. 1–12, Copenhagen, Denmark, 1994.
[WAL 94] WALTER E. et P RONZATO L., Identification de modèles paramétriques à partir de
données expérimentales. Masson, Paris, 1994.
[WAN 94] WANG J., « Algorithms for approximate closed-loop identification of state-space
representations ». Master’s Thesis, Department of Electrical Engineering, Katholieke Uni-
versiteit Leuven, Leuven, Belgium, 1994.
[WIL 86] W ILLEMS J., « From time series to linear systems ». Automatica, 1986. Part I: Vol.
22, No. 5, pp. 561-580, 1986, Part II: Vol. 22, No. 6, pp. 675-694, 1986, Part III: Vol. 23,
No. 1, pp. 87-115, 1987.
[YU 95] Y U X. et V ERHEAGEN M., « An Algorithm of Subspace Model Identification for
Descriptor Systems ». In Proc. of the 3rd European Control Conference, p. 417–422,
Rome, Italy, 1995.
[ZEI 74] Z EIGER H. P. et M C E WEN A. J., « Approximate linear realizations of given dimen-
sion via Ho’s algorithm ». IEEE Trans. on Automatic Control, vol. AC-19, page 153, 1974.
Article reçu le 3 avril 1995.

Versions révisées le 25 septembre 1995 et le 18 janvier 1996.
Rédacteurs responsables : Amadeo Napoli et Jean-François Perrot.
Thierry Bastogne est post-doctorant au Centre de Recherche en

Automatique de Nancy, à l’Université Henri Poincaré, Nancy 1.
Avant d’obtenir un thèse en automatique en novembre 1997, il a
travaillé en tant que chef de projet en automatismes industriels
en 1993. Ses travaux de recherche portent essentiellement sur
l’identification des systèmes multivariables en utilisant des ap-
photo
proches telles que les méthodes des sous-espaces.
Patrick Sibille est post-doctorant au Centre de Recherche en Au-

tomatique de Nancy, à l’Université Henri Poincaré, Nancy 1.
photo
Alain Richard est post-doctorant au Centre de Recherche en Au-

tomatique de Nancy, à l’Université Henri Poincaré, Nancy 1.
photo

Jesan 1

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Jesan 1

Transféré par

Droits d'auteur :

Formats disponibles

RECHERCHE

Identification des systèmes multivariables :

Thierry Bastogne — Patrick Sibille — Alain Richard

Centre de Recherche en Automatique de Nancy (CRAN), CNRS UPRESA 7039

RÉSUMÉ. Bien que l’identification de modèles multivariables, linéaires et invariants dans le

L’identification désigne à la fois une démarche scientifique et un ensemble de tech-

sous-espaces constituent une proposition de réponse à ce problème.

2. Bref historique des travaux d’identification sur les formes d’état

2.1. Estimation de formes d’état canoniques observables

2.2. Estimation de modèles d’état surparamétrés

2.2.1. Théorie de la réalisation (méthodes des sous-espaces indirectes)

ont amélioré cette méthode en introduisant la décomposition en valeurs singulières

2.2.2. Méthode de l’erreur d’équation avec paramétrisation complète du modèle

2.2.3. Méthodes des sous-espaces

3. Identification d’une représentation d’état : formulations du problème

3.1. Problème de départ

En supposant que le système que l’on cherche à identifier appartient à la classe

xk+1 = Axk + Buk + Kek (1)

ij . ij est le symbole de Kronecker. On cherche alors à déterminer :

3.2. Equation matricielle d’entrée-sortie

Les techniques classiques d’identification comme la méthode PEM (Prediction

3.2.1. Cas du modèle déterministe

xk+1 = Axk + Buk (3)

Figure 1. Approche classique (indirecte) et méthode des sous-espaces (directe) pour

où Hi est une matrice triangulaire inférieure de Toeplitz composée des paramètres

3.2.2. Cas stochastique

et Ei 2 Rmi j est une matrice de Hankel formée des vecteurs de bruit e k .

4.1. Cas déterministe

L’objectif de ce paragraphe est de montrer comment les matrices ; i et X ainsi

Figure 2. Interprétation géométrique dans le plan déterministe

En examinant ces représentations, deux remarques peuvent être faites.

n = rang(Yi Ui? ) = rang(X ) = rang(;i ): (17)

Imlig (Yi Ui? ) = Imlig (X ) ;! X^ (18)

Imcol (Yi Ui?) = Imcol (;i ) ;! ;^ i : (19)

Les estimations X ^ et ;^ i sont réalisées en déterminant une base des sous-espaces

4.1.1. Cas stochastique

Figure 3. Interprétation géométrique dans le cas stochastique

5. Identification des sous-espaces vectoriels : Im(; i ) et Im(X )

Tous les algorithmes 4SID reposent sur le concept d’ajustement de sous-espaces

5.1. Estimations de la matrice d’observabilité étendue : ; i

5.1.1. Cas déterministe

où R est une matrice triangulaire inférieure, Q est une matrice orthonormale,

Yi U ? QT2 = R22 : (24)

Sans modifier le sous-espace colonne associé, cette multiplication à droite par Q T2

avec U 2 Rmi mi , 2 Rmi mi et V 2 Rj j . Les vecteurs singuliers contenus

5.1.2. Cas stochastique : technique de la variable instrumentale

EfVi g = 0 avec Vi = Hs Ei et (27)

où Ef g désigne l’espérance mathématique. Autrement dit, l’image du bruit par la

La relation matricielle d’entrée-sortie appliquée aux matrices dites futures s’écrit :

PO-MOESP : utilisation des entrées-sorties passées

La procédure d’estimation de ; i depuis cette équation est identique à celle explicitée

= Z T (ZZ T );1 J ( 1j ZZ T )1=2 (36)

= UUfp Yp ] : (37)

Figure 4. Projection oblique O i et intersection passé/futur

Oi = Yf UUfp Yp ] : (39)

La propriété principale de cette projection est explicitée par l’équation (40).

L’utilisation de la matrice permet de généraliser les équations (18) et (19) au

Imlig (Yi ) Imlig (X )

Le mode de calcul de la matrice ; i et X est alors identique à celui exposé au

où LUp 2 Rmi pi , LUf 2 Rmi pi , LYp 2 Rmi mi . Ri:jk:l représente la sous-matrice

5.2. Estimation de la matrice des états : X

sous-espace d’état futur (Im lig (X )) en calculant l’intersection de deux sous-espaces

f U21 U22 0 0 V (50)

= UUfp Yp ] : (37)

Oi = Yf UUfp Yp ] : (39)

où K (: l) et J (: l) correspondent au l eme p-bloc colonne de K et J respective-

x^ A^ B^ x^

H 0 = D (couplage direct; pas de retard)