Académique Documents
Professionnel Documents
Culture Documents
Professeur Belkacem OULD BOUAMAMA
Recherche : Responsable de l’équipe de recherche MOCIS
Laboratoire d'Automatique, Génie Informatique et Signal de Lille (LAGIS ‐UMR CNRS 8219)
Enseignement: Professeur et Directeur de la recherche à Poltech’ lille
Coordonnées
Polytech Lille . Avenue Paul Langevin, F59655 Villeneuve d'Ascq cedex
Tél : (00) 328767397, GSM (00)667123020
Mèl : Belkacem.ouldbouamama@polytech‐lille.fr,
Page personnelle : http://www.mocis‐lagis.fr/membres/belkacem‐ould‐bouamama/
IDENTIFICATION
yr(t)
+
u(t)
Algorithme
d’identif.
ym(t) -
Modèle
non oui
< adm? F ( ym , y m ,..., u, u,..) 0
INTRODUCTION
3
Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Chap1 : INTRODUCTION Chap.1/4
transmetteurs...
commande
Simulation
Réalisation définitive
Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Chap1 : INTRODUCTION Chap.1/5
Modélisation ?
Définitions
Modélisation ? : Ensemble des procédures permettant d’obtenir un modèle
Modéliser un système = capable de prédire le comportement du système
Subjectivisme de la modélisation : modèle = intersection du système et du
modélisateur
Modèle jamais "exact"?
Importance
Outil d'aide à la décision., Support de la simulation,
Représente 50 % d’un projet de commande
Perspectives grâce à l'informatisation
Un modèle pourquoi faire ?
Concevoir, Comprendre, Prévoir, Commander (décider).
Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Chap1 : INTRODUCTION Chap.1/6
2. MODELE DE REPRESENTATION
Système "boite noire";
Expérience active (système dérangé) ou passive (aléatoire);
Etape qualitative (connaissances a priori) et quantitative;
Paramètres du modèle n'ont aucun sens physique;
Modèle de conduite (modèle E/S) utile pour la commande;
Complément du modèle de représentation.
Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Chap1 : INTRODUCTION Chap.1/7
Étapes de modélisation
PROCESSUS PHYSIQUE
NON Modèle
adéquat ?
OUI
SIMULATION, MONITORING,
CONTROL...
GENERALITES SUR L’IDENTIFICATION
9
Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Chap1 : INTRODUCTION Chap.1/10
Définitions de l’identification
Définition au sens de Zadeh (1962) :
L’identification d’un procédé est définie comme la détermination, basée
sur la connaissance des entrées et des sorties du procédé, d’un
modèle appartenant à une classe spécifiée, équivalente au procédé.
Méthodologie de l’identification
Connaissance à priori
CALCUL DU MODELE
NON
Adéquation du modèle ?
OUI
Utilisation du modèle
Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Chap1 : INTRODUCTION Chap.1/12
Principe de l’identification
Base de l’identification : Expérience
Expérience active
Expérience passive
Principe
1. Étape qualitative : Sur la base d’une connaissance à priori du système à identifier, on
fixe une structure du modèle comportant des coefficients inconnus. : Boite « grise » et
« boite noire »
PROCESS
m ax Y s (i) - Y m (i) 5%
Ys(t) + ai, bi
Entrées Algorithme
MODELE d’identification
x(t) -
W( p)
ai p i
bi p i Ym(t)
Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Chap1 : INTRODUCTION Chap.1/14
CRITÈRES D’IDENTIFICATION
Distance d’état
basée sur la différence entre la sortie du système et du modèle
Ys(i)
SYSTEME
+
(i)
Entrées Critère D((i))
d’identification
x(i)
-
MODELE
Ym(i)
n
2
D (Ys ( i ) Ym ( i )) min
i 1
Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Chap1 : INTRODUCTION Chap.1/15
CRITÈRES D’IDENTIFICATION
Distance de prédiction
basée sur la différence entre la sortie du système et celle que prédit le modèle au même
instant
n
2
Ys(i)
D (Ys (i ) Yp (i )) min
SYSTEME i 1
+
(i)
Entrées Ys(i-j) Critère D((i))
d’identification
x(i)
-
MODELE
Yp(i)
Exemple : modèle choisi est une équation de 1er ordre aux différences : on utilise
l’information à l’instant (i-1)
y p [i ] ay (i 1) b. x (i 1)
Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Chap1 : INTRODUCTION Chap.1/16
CRITÈRES D’IDENTIFICATION
Distance de structure
basée sur la différence entre les paramètres du système et ceux du modèle
SYSTEME
+ D(s)
s
Entrées Critère
d’identification
x(i)
m -
MODELE
Remarque : distance de structure non mesurable directement. On se base sur les effets
de cette structure sur la sortie
Exemple : approximer un modèle à paramètres distribués par un modèle à paramètres
localisés
Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Chap1 : INTRODUCTION Chap.1/17
VALIDATION DU MODELE
Nous ne pouv ons pas afficher l’image.
Explosion nucléaire
Poste de commande Données
expérimentales
ERREUR DE
MODÉLISATION
YE (i)
Processus
X(i) + max
il faut que l’erreur soit minimale
dans les systèmes industriels
Ym (i) -
Modèle
Ym maxYE max
max .100% admissible
YE max
Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Chap1 : INTRODUCTION Chap.1/18
EXPERIMENTATION
Caractéristiques du signal d’excitation
Centrée : ±10% de la consigne
Spectre riche : recueillir le max d’information sur le système (exciter sur
toute la bande de fréquence intéressante)
Déterministe : Physiquement réalisable
Amplitude limitée : ne pas trop perturber le process, rester en linéaire
EXPERIMENTATION
SBPA et STPA
Suite d’événements créée de façon déterministe mais apparaissant
aléatoire
x(t)
SBPA (2 niveaux)
+a
t
-a
0
t
-a
Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Chap1 : INTRODUCTION Chap.1/20
1. Méthode de base
Basées sur les réponses graphiques ( indicielles, impulsionnelles..)
2. Méthodes du modèle
Ajuster manuellement ou automatiquement la structure ou les paramètres
du modèle jusqu’à ce que min.
Itérative
ys(t)
Paramètres du
SYSTEME +
x(t) s modèle
algorithme
ym(t) -
MODELE
Ajustement
Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Chap1 : INTRODUCTION Chap.1/21
3. Méthode statistiques
Basées sur les MMC
PROCESSUS ys(t)
x(t)
X(t)
FILTRE Xˆ (t )
Reconstructeur
Chapitre 2
METHODES DE BASE
22
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/23 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
y
C E U x
REGULATEUR VANNE PROCESSUS PHYSIQUE
Manu..
M
TRANSMETTEUR ET CEP CAPTEUR
DE TEMPERATURE DE TEMPERATURE
Auto.
U SYTEME A M
COMMANDER
Méthodes de Broîda et du 1er ordre
par un exemple
25
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/26 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
TT
-
AR FI THS
1 1 1
1 Conigne Tc
Pétrole brut Ts-Tc
Ts Pétrole chauffé
TRC
FR 1
1
Air (O2)
PR
1
AR U
2 FVC
Gaz
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/27 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Qp(t) CONDUITE
DE PETROLE
-
x Ts1
Tc T U CONDUITE
Pr
REGULATEUR VANNE FOUR
DE GAZ
-
Manu..
Ts
TRANSMETTEUR ET CEP CAPTEUR
DE TEMPERATURE DE TEMPERATURE
Auto.
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/28 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Régimes de fonctionnement
Ts(t) - Grandeur de sortie ( température à la sortie –
c'est la grandeur à régler ), Valeurs maximales et minimale de la variation de température : Tsmax = 170°c,
Tsmin=20 °c ; Tso - Valeur nominale de la température le fonctionnement Tso = 80 °C
Bloc diagrammes
1. En boucle ouverte (sans correction) :
U(p) G(p) +
Ts ( p ) U ( p ). G ( p ) Qp ( p ).Wz ( p )
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/30 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Bloc diagrammes
2. En boucle fermée (avec correction)
Tc(p)
U(p) (+)
C(p) G(p)
(-)
C ( p ).G ( p ) Wz( p )
Ts( p ) Tc( p ). Qp( p )
1C ( p ).G ( p ) 1C ( p ).G ( p )
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/31 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Logistique
Qp
Wz(p)
-
Tc U Ts1
T x Pr
C(p) Wv(p) Wcg(p) Wf(p) +
- Manu..
Ts
Wct(p)
Auto.
U(p) ? Ts(p)
Ts(p)
U(p) Wv(p) Wcg(p) Wf(p) Wct(p) G(p)
?
Qp(p) Wz(p) Ts(p)
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/32 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Préparation
Méthodologie
1. Correcteur mis en fonctionnement manuel, système stabilisé
Expérimentation
Vue global
10 % PROCESS
REGULATEUR VANNE
TRANSMETTEUR CAPTEUR
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/34 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Qp(t)
[m3/s]
95
Ts(t)
23 [°c]
Qp 3m3 / s
90
20
? Ts 15c
Qp(p) Ts(p)
Wz(p))
85
t
80
0 5 15 20 25 30 35
T=10 t (main.)
10
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/35 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Ts 15
0,66
gain relatif Tsmax 170 20 Wz( p)
K 0,66 110p
Qp 3
Qpmax 3010
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/36 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
3. Vérification du modèle
0 ,15 0 ,66
t
Tm( t ) L 1 . 0 ,15 * 0 ,66 1 e 10 [ ]
p 10 p 1
Sortie du modèle
t
Tm( t ) 0 ,15 * 0 ,66 * 150 c 1 e 10 80 c [ c ]
Vérification 95
Ts(t)
Ts(t)
Tm(t)
t [min] Ts(t) °c Tm(t) °c abs(Tm-Ts)
Tm(t)
0 80 80 0 90
3 84,35 83,89 0,46
6 87,60 86,77 0,83
9 89,60 88,90 0,7
85
12 90,95 90,48 0,47
15 92,30 91,65 0,65
18 92,70 92,52 0,18
21 93,5 93,16 0,35
80
24 93,88 93,63 0,25 0 5 10 15 20 25 30 35
27 94,5 93,99 0,51
30 94,6 94,25 0,35
33 95,00 94,44 0,56
Emax=0.83/15 =5.53%
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/37 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
1. Identification
U G(p)
de G(p)
Ts
: Expérimentation
t1 28% de t s
t2 40% de t s
Us(t) 100
Ts(t) Ts 20c
100% 1 bar 96
84
0% 0,2bar t1 6 min, t2 9min
t
80
10 20 30 40 50 60 70 80
t1
t (min.)
t2
U K
.e p
Ts K , T et ?
1 Tp
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/38 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
principe
La méthode de Broîda est une méthode d'identification en boucle
ouverte d'une réponse indicielle expérimentale qui consiste a assimiler la
fonction de transfert d'un système d'ordre n à celle du premier ordre
affectée d'un retard pur
K p
.e
1 Tp
( t )
1
1 e T 0 , 28 2 ,8 t1 1,8 t 2
( t 2 )
1 e T 0 , 40
t1
1e T 0,28 T 5,5t2 t1
t1
1e T 0,40
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/40 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Modèle final
1.33 0,6 p 1,33
G ( p) e
116,5 p 116,5 p 10,6 p
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/41 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
0 0 20 40 60 80 100
Qp(p) 0 ,66
Wz( p )
1 10 p
-
Tc(p) T U(p) 133
, + Ts(p)
C( p ) G( p)
1 165, p1 06, p
-
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/42 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
0 ,66
Qp(p) Wz( p )
1 10 p
+
Tc(p) T U(p) 133
, + Ts(p)
PID G( p)
1 16,5p1 06, p
-
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/43 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
METHODE DE STREJC
Principe
La méthode d'identification de STREJC est basée sur les propriétés
géométriques de la réponse indicielle d'un système d'ordre n de fonction
de transfert
K p
W( p) e
1 Tp n
Paramètres à identifier
K, T, n et
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/44 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
METHODE DE STREJC
Méthodologie
En se basant sur la réponse indicielle, on établit :
1
Tu
F1 ( n )
TA
Tu
F2 ( n )
T
I
yI Réponse indicielle d’un modèle de Stréjc TA
F3 ( n )
T
YI F3 ( n )
TU TA t( sec.)
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/45 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
METHODE DE STREJC
Tableau de Strejc
n TU TU TA YI
TA T T
1 0 0 1 0
2 0,104 0,282 2,718 0,264
3 0,218 0,805 3,695 0,323
4 0,319 1,425 4,465 0,353
5 0,410 2,100 5,119 0,371
6 0,493 2,811 5,699 0,384
7 0,570 3,549 6,226 0,394
8 0,642 4,307 6,711 0,401
9 0,709 5,081 7,164 0,407
10 0,773 5,869 7,590 0,413
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/46 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Difficultés d’application
La détermination du point d’inflexion
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/49 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Us(t) ys(t)
(bar) (m)
Réservoir courbe expérimentale
0,8bar
U 0,2bar
1,5 m
ys 0,5m
0,6bar
t 1m
t 1min
1 2 3 t (min) 5
Intégrateur d’ordre n
Remarque
La méthode qu’on va développer est simpliste, il existe d’autre plus précise
qu’on ne développe pas ici
ys(t)
(m)
Us(t)
(bar)
Réservoir
0,8bar
ys 05
,m
U 0,2bar
0,6bar
t
0,8 1 2 5
3
t (min)
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/51 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Intégrateur d’ordre n
A. Structure du modèle
Ys( p ) K p
W( p ) e
U( p ) p
B. Paramètres du modèle :
Le gain K exprime le rapport entre la variation du signal d’entrée et la variation du signal
de sortie par unité de temps
ys 15
, 1m / min. m W( p )
2 ,5 0 ,8 p
e
2 ,5
k 25
, . , 0,8 min
u 0,8 06
, min.bar
p p1 0 ,8 p
IDENTIFICATION DES SYSTEMES APERIODIQUES A
DEPHASAGE NON MINIMALE
52
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/53 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Définition
Exemple de tels systèmes physiques et Problématique
1 ap K
S
W ( p) K K, a, T, n ?
E
1 Tp n
Paramètres du modèle
t1 t0
0 K, a, T, n
t2 T(s)
-h(t0)
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/54 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
p 1 Tp i 1 (i 1)! T
n 1 t
1 at 1
y2 (t ) aL1
n
. e T
1 Tp T T n 1!
1. Détermination de t0 : dh(t)/dt =0
t
dh (t ) n 1 a ( n 1)T
0 e T t tT a ( n 1)T aT 0 t0
dt . a T
T ( n 1)! T tT
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/55 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
( n 1)(T 2 2aT )
La somme de ces deux solutions donne : t1 t2
T a
En tenant compte de l’expression de t0
En posant x=a/T
t1 t2 T t1 t2 1
2 2
t0 a t0 x
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/56 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
x ( n 1)
n 1 x ( n 1) i 1 n 1
x x ( n 1)
h ( t0 ) 1 e 1 x .
i 1 ( i 1)! 1 x n 1! 1 x
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/58 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
3. Calcul de T : abaque 3
A partir de x on tire t0/((n-1)T ) =C
Alors T= t0/((n-1).C)
4. Calcul de a
a=xT
SYTEME A DEPHASAGE NON MINIMALE
D’ORDRE 2
60
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/61 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Principe
Structure du modèle
1 ap K, a, T ?
W ( p ) K
2
1 Tp
h(t)
1 Paramètres de la RI
t0,, h(t0)
tb, t0
Paramètres du modèle
t0
0 K, a, T
T(s)
Tb S
K
E
-h(t0)
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/62 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Paramètres du modéle
Tb : Projection de la tg au point d’inflexion sur l’axe t
Abaque 4 :
Tb a
Il existe une relation : F ( ) F ( x)
T T
Détermination de x=a/T
De l’’abaque 2, on détermine x (pour n=2, et –h(t0))
Calcul de T
De l’abaque 4 : on détermine Tb/T pour x (soit Tb/T=A)
Calcul de a
a=xT
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/63 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
t
K t t
y( t ) Ke T 1 1
y(t)Ke T
e T
.Ke a. y(t)
T
t1 t1 + t t
T
log a
Les valeurs d'expérience
y(t)
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/64 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Principe
La réponse indicielle d'un élément apériodique est :
t
t
t
t
T1 T2
y( t ) K 1 e T1 e T2 K y( t ) 1 .e T1 2 .e T2
T1 T2 T1 T2
t
t
t
t
K T1 T2
et impulsionnelle h( t ) e e 1 .e T1 2 .e T2
T1 T2
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/66 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
K
Pour la réponse iimpulsonnelle 1 2
T1 T2
KT1 KT2
et pour l a réponse indicielle 1 2
T1 T2 T1 T2
Identifier K, T1,T2, ?
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/67 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
1. O n relève par expérience les données s(t) , s(t-) et s(t-2); ( est fixé à l'avance)
2. O n déterm ine graphiquem ent les coefficient a 1 et a 2 com m e suit :
s( t ) s( t 2 )
s( t ) a 1 s( t ) a 2 s( t 2 ) 0 1 a 1 a2 a1 0
s( t ) s( t )
O n trace dans le plan les points des coordonnées
s( t ) s( t 2 )
et
s( t ) s( t )
O n déterm ine du graphe les valeurs de -1/a 1 et -1/a 2 com m e intersection avec l'axe des ordonnées
et des abscisses
s( t )
s( t )
1
1
a1
a2
s( t 2 )
s( t )
3. On calcule les racines de :
2
1 a 1 e T1 a 2 e T1 1 a 1 z a 2 z 2 0 ( z e T1 )
4. On déduit T 1 et T 2
T1 , T2
log z 1 log z 2
Remarque : Il faut bien choisir le pas sinon vous risquez d'avoir proche de 1 s( t ) / s( t ) et s( t 2 ) / s( t )
IDENTIFICATION EN BOUCLE FERMEE
68
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/69 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Intérêt de la méthode
sans débrancher le régulateur
Fonctionnement « naturel » du SRA
Conditions d’application
S’applique pour les systèmes d’ordre supérieur à 2
Sytème stable
Analyse fréquentielle
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/71 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
PRINCIPE
Système de régulation en BF
Tcr
Wou(p)
C(p)
Kr Ks.G(p) Ys(p)
Principe
Wou(p)
Ks Ys(p)
C(p)
Kr G( p)
1Tpn
-
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/73 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
K r .K s K cr .K s
A ( ) 1
En régime de pompage
D' p) 1 1Z ( p ) ou cr n
1Tp n 2
1T cr 2
( ) narctg T
ou cr cr
n
ou cr n
cos
n
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/75 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
K n K n K n K n
Méthodologie pratique
On augmente le gain K du régulateur jusqu'à apparition de pompage, on
fixe ce gain Kcr
2. On mesure la période de l’auto oscillation Tcr et on calcule
K = Kcr.Ks
3. On déduit n du tableau et Tcr par la valeur mesuré
4. On calcule T par l a formule ci dessous
Tcr
T .tg
2 n
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/77 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
xo xo Eo
Eo Ks
1 Kro.Ks Kro.Eo
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/78 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Z(p) Wz ( p ) Yz(p)
E(p) U(p) + + Y(p)
Xc(p) Wr ( p ) G ( p)
-
Yc(p)
1 Wr ( p ).G ( p )
P rincipe de superposit ion : Y ( p ) Z ( p ).Wz ( p ). Xc ( p )
1 Wr ( p ).G ( p ) 1 Wr ( p ).G ( p )
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/79 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Yz(p) Xc(p)=0
Z(p) Wz ( p )
1
+ + Y(p) Yz ( p ) Z ( p ).Wz ( p ).
1 Wr ( p ).G ( p )
Yc(p) U(p) E(p) -
G ( p) Wr ( p ) Xc=0
Y ( p ) Yz ( p ) Yc ( p )
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/80 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
I 1
U(p) U (t ) K r .E (t ) E (t )dt
Wr ( p ) Ti
P P
I
T (s)
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/81 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Z 1 Z0K z
E ( ) lim p Yz ( p ) Xc ( p ) lim p 0 .Wz ( p ).
p0 p0 p 1 Wr ( p ).G ( p ) 1 K r K s
Z0K z
La sortie UI due à I régulateur est : U I Ut U P
1 K r K s K s
MODELE DE BROIDA
Principe
C(p) Ko Ys(p)
P-régulateur
1 T1p1 T2p...1 Tnp
-
Principe
K R . K 0 2 1
arctg
cr
Chap2 : METHODES DE BASE D’IDENTIFICATION Chap.2/87 Copyright © : Prof. B. Ould Bouamama , Polytech’Lille
Méthodologie pratique
Méthodologie pratique
On augmente le gain K du régulateur jusqu'à apparition de pompage, on
fixe ce gain Kcr
2. On mesure la période de l’auto oscillation Tcr et on calcule
K = Kcr.Ko
3. On déduit T et des formules établies
Le gain K0 est calculé à partir de l’erreur statique en boucle fermée
IMA 3 Automatique
IDENTIFICATION
LST methods (chap3)
yr(t)
+
u(t)
Algorithme
d’identif.
ym(t) -
Modèle
non oui
< adm? F ( ym , y m ,..., u, u,..) 0
METHODES STATISTIQUES
89
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/90 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
MODELES STATIQUES
91
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/92 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Ys(i)
SYSTEME
+
(i)
Entrées Critère D((i))
d’identification
x(i)
-
MODELE
Ym(i)
n
2
D (Ys ( i ) Ym ( i )) min
i 1
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/93 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
x1
PROCEDE y1
TECHNOLOGIQUE
XK
Expérimentation
N : Nbre. d'observations (d'échantillons de mesures); J = 1,2..K : Paramètre du
modèle; i = 1,2...N : Numéro d'expériences;
Modèle statique : Ym = F(X1,X2,.....Xk) Modèle
Structure du modèle
k
Ym a0 a1 X 1 a 2 X 2 ....a k X k a0 ai X i
i 1
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/94 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Matrice d’expérience H
No Exp. I N P U T OUTPUT
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
i X1i X2i X3i ............ Xji ............ XKj Yj
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
Problématique
Soit donné :
X0
K
Ym a j X j
j 0 X
1
a0 a1 ... ak , Ym . .a0 a1 ... a k H T .
H X 0 X 1 ... X k
.
X
K
Que veut on ? : Trouver :
a0 a1 ... a K ,
Tel que :
N
Yi Y m i 2 J ( ) Minimum .
i 1
1. cas monovariable
K=1, Ym=a0+a1x
Droite de régression, champ de corrélation, infinité de droites
Ym EN Ym=ao+a1X
E2 Ei
E1
1. cas monovariable
2. N > 2 : trouver la meilleure droite au sens des MMC
Déterminer les paramètres a0 et a1 tel que :
N
J ( a 0 ,a1 ) y ( i ) ( a 0 a1 X 1 ( i ))
2
i 1
1. cas multivariable
K>1, Structure du modèle
K
Ym a j X j a1 X 1 a2 X 2 ...a K X K H T . ,
j 0
a0 a1 ... a K ,
H X 0 X 1 ... X K
Erreurs d’estimation : ˆ m
Estimateur optimal
Critère d’optimalité
N N
J () y ( i ) y m ( i 2
) E ( i ) 2
E 1 2
.... E N 2
E T
. E Y H . T
.Y H .
i 1 i 1
Conditions d'optimalité
J ()
2 H T .Y H . 0
opt. H .H .H T .Y
T
1
Biais de l'estimateur
Biais de l’estimateur b
b E ( opt R ) E ( opt ) R
Lim opt N
N
b # 0 : Estimateur biaisé
V et H séquences corrélées ( hypothèses de régression);
V est de moyenne non nulle
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/102 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
104
objectif
105
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/106 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Principe
Motivations
Utilisation des PC pour la commande numérique des procédés fournit des
sorties échantillonnées
Intérêt d’utiliser ces sorties échantillonnées pour l’identification par la
MMC
Avantages
Simple a mettre en œuvre
Implémentation en temps réel sur calculateur sous forme récursive
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/107 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
u(t)
Système à y(k)
t identifier CAN
S.B.P.A E(k)
yˆ ( k )
CAN Modèle prédictif
Objectifs de ce chapitre
Étude des principales méthodes des MMC basées sur l’erreur de
prédiction
Identification tems réel
Méthodes récursives
Méthodes à fenêtre glissante
Méthodes pondérées
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/109 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Et ensuite?
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/110 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
u(k) y(k)
PROCESSUS
0 1 2 ………….k 0 1 2 ………….k
n m
yˆ ( k ) ai y ( k i ) b j u ( k j d )
i 1 j 0
y(k-1), ….y(k-n) : Échantillons d’un signal analogique de sortie y(t) aux instant k, k-1,….k-n
u(k-d),…u(k-m-d) : Échantillons de l’excitation d’entrée u(t) qui a généré y(t)
d : retard pur multiple de la période d’échantillonnage Te compté en nombre entier de Te
K : temps discret normalisé (temps réel) divisé par la période d’échantillonnage :
k=t/Te
bj et ai : paramètres du modèle
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/113 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
n
i m j
y ( k ) 1 ai Z u( k ) b j Z Z d
i 1 j 0
n
A( Z ) 1 ai Z i ,
1
i 1
y ( k ) A( Z 1 ) u( k ). B( Z 1 ).Z d m
B ( Z 1 ) b0 b j Z j
j 1
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/114 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
y ( k ) A( Z 1 ) u ( k ). B ( Z 1 ).Z d Y ( Z ) Z d . B( Z 1 )
W (Z )
U (Z ) A( Z 1 )
U (Z ) Y (Z )
Z d . B ( Z 1 )
A( Z 1 )
OB4
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/115 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
n
i m j
y ( k ) 1 ai Z u( k ) b j Z Z d u( k ).b0 Z d
i 1 j 0
Y ( Z ) b0 .Z d
W (Z )
U ( Z ) A( Z 1 )
n
i m j m j
y ( k ) 1 ai Z u( k ) b j Z Z y ( k ) ( k ) b j Z Z d
d
i 1 j 0 j 0
Y (Z )
W (Z ) b0 .Z d .B ( Z 1 )
U (Z )
1. MMC SIMPLE
117
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/118 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Système bruité
Soit le système dynamique bruité
v (k )
+ y ( k ) yˆ ( k ) V ( k )
yˆ ( k )
u (k ) W ( Z 1 ) y (k )
+ y ( k ) H ( k )T . E ( k )
y ( N ) y ( N 1) ... y ( N n ) u( N d ) ... u( N m d ) a1 E ( N )
y ( N 1) y ( N 2) u( N 1 m d ) . .
N exp.
... y ( N 1 n ) u( N 1 d ) ...
. . . . . . . . .
y ( n 1) y ( n ) a
n .
... y (1) u( n 1 d ) ... u( n 1 m d )
b0 .
y (n) y ( n 1) ... y (0) u(n d ) ... n(n m d ) . .
Cond. Initi.
. . ... ... ... . .
y (1) y (0) ... y (1 n ) u(1 d ) ... u(1 m d ) bm E (1)
Les valeurs y(1),…y(n) et les entrées correspondantes sont connues : conditions initiales
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/120 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
ˆ H T .H
1
.H T .Y
METHODE DES MMC GENERALISEES
121
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/122 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
θˆ H T .H 1
.H .H E H .H
T
T
1
.H T .E
E θˆ E E H T .H
1 T
.H .E E H .H T
1
.H T .E
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/123 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
E θˆ 0 lim θˆN
E θˆ E
N
E θˆ E H .H T
1 T
.H .E
E H .HT
1
.H T .E 0
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/124 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Alors (le coef. de corrélation est nulle s’il n’y a pas de corrélation) :
E H T
.H 0 ou E H T
.E 0 ssi
E ( k ) non corrélés avec H(k)
Bruit non corrélé avec les données d’expériences : Ce sont justement les
hypothèses pour construire un modèle de régression
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/125 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
E θˆ E H T .H 1 T
.H .E
E θˆ E H T .H .EH T .E
1
Conclusions
Le biais serait nul si :
Le bruit auquel est assimilé l’écart (modèle –système réel) était blanc
Le bruit E et la matrice des expériences H ne sont pas corrélés
Quel sens ?
La valeur exacte recherchée du vecteur paramètre serait égal à la moyenne de tous
les vecteurs optimaux obtenus en répétant N fois les expériences
L’estimation est alors biaisé si les observations ont affectées d’un bruit corrélé avec les
mesures
Que faire alors si les observations ont affectées d’un bruit corrélé avec
les mesures ?
2. ESTIMATION DES PARAMÈTRES DE MODÈLE AFFECTÉ
D’UN BRUIT CORRELES
127
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/128 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Notion de résidu
Soit un modèle ARMA non bruité
n m
u (k ) ARMA yˆ ( k ) yˆ ( k ) ai yˆ ( k i ) b j u( k j d )
i 1 j 0
n m
yˆ ( k ) y ( k ) v ( k ) y (k ) v(k ) ai . y (k i ) v(k i ) b j u(k j d)
i 1 j 0
Diapositive 129
BELKACEM3 en remplaçant l'expression de y^(k) =y(k)-v(k) dans l'expression gloabl de y^(k) donné plus haut
Belkacem; 11/10/2004
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/130 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Résidu corrélé
Pourquoi le bruit v(k) devient un résidu r(k) corrèle ?
n m
y (k ) v(k ) ai . y (k i ) v(k i ) b j u(k j d)
i 1 j 0
n m
y (k ) ai y ( k i ) b j u ( k j d ) r ( k )
i 1 j 0
n
r(k ) v(k ) ai v ( k i ) RÉSIDU : est un bruit corrélé
i 1
Méthodologie
n m
Soit y (k ) ai y ( k i ) b j u ( k j d ) r ( k )
i 1 j 0
Supposons que le résidu r(k) est généré par un bruit blanc v(k) à travers
un filtre :
BELKACEM4
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/132 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
y ( k ). A( Z 1 ) Z d .B ( Z 1 ).U ( k ) r ( k )
BELKACEM4 Lorsque l'estimateur est biaisé, on améliore la qualité de l'estimateur des MMC par de nouvelles techniques. ces techniques reposent sur l'hypothése que le
bruit de mesure v(k) peut être considéré comme étant le signal de sortie d'un filtre linéaire inconnu excité par une séquence de bruit blanc non corrélé r(k)
et à moyenne nulle.
Belkacem; 11/10/2004
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/133 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Yr(k) Ur(k)
Sur ce modèle agit un bruit blanc v(k), les E/S sont :
y r ( k ) C ( Z 1 ). y ( k )
U r ( k ) C ( Z 1 ).U ( k )
Z d B ( Z 1 ) A( Z 1 )
- +
ALORS IL FAUT DETERMINER
LE FILTRE C(Z-1) ????
v (k ) Bruit blanc
ERREUR GENERALISEE
E ( k ) A( Z 1 ).C ( Z 1 ) . y ( k ) Z d . B ( Z 1 )C ( Z 1 ) U ( k )
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/135 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
r ( p ) r ( p 1) . . . r ( 0) c1 v ( p )
r ( p 1) . . . .
. . . . . . r R.C V
. . . . .
r ( N ) r ( N 1) . . . r( N p ) c p v ( N )
Nous sommes en présence de modèle classique où V est un bruit blanc, C : le vecteur des
paramètres à déterminer
Comment calculer C ?
C R T .R 1
. R T .r
H y r ( k 1) ... y r ( k p ) u p ( k ) ... u p ( k p )
a1 ... a p b0 ... b p
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/138 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Si n est l’ordre de chaque filtre Ci, l’ordre du filtre global C(Z-1) est nS
Si on veut avoir un filtre qui ne dépend que du nombre d’itérations on fixe n=1
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/140 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Algorithme MCG
Début
Calcul de l’estimateur
ˆ ( i ) H NT ( i ). H N ( i ) 1. H NT (i ). y N (i )
Calcul des résidus
rN ( i ) y N ( i ) H NT ( i ).ˆ ( i )
oui
J (i ) ˆ ˆ ( i )
Non
i i 1
Calcul des paramètres du filtre
C ( i ) R NT ( i ). R N ( i ) 1. R NT (i ). rN (i )
Filtrage des données
y r y ( k ).C ( Z 1 ), u r u ( k ).C ( Z 1 )
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/142 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
OB6 on a Interet alorsà choisir n=1 ce qui permet d'obtenir un filtre dont l'ordreaugmente à chaque pas. L'ordre final dépendant du nombre d'itérations et
n'étant plus arbitraire. L'autre avantage de prendre n=1 et de supprimer l'inversion de la matrice RnT(i).RN(i) qui devient scalaire
OULD BOUAMAMA; 12/10/2004
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/143 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Conclusions
Inconvénient
Introduction d’un grand nbre de données à la fois
Nécessite l’inversion de la matrice C (de grandes dimensions)
Avantages
Performante surtout dans le cas d’un signal riche (SBPA)
Si les paramètres statistiques du bruit sont connus, le filtre C(Z-1) est
parfaitement déterminé : on a alors directement un estimateur sans biais
des coefficients de A(Z-1) A(Z-1) , C(Z-1) et B(Z-1)/ C(Z-1) donc des
coefficients de la FT du modèle
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/144 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Paramètres à déterminer :
na : nbre de pôles,
nb-1: nbre de zéros
d : le retard pur
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/145 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Équation de récurrence
nb na nc
y ( k ) b j u( k j d ) ai y ( k i ) ci e( k l )
j 0 i 0 l 1
Paramètres à déterminer :
na : nbre de pôles,
nb-1: nbre de zéros
d : le retard pur
nc : ordre du modèle de la dynamique du filtre
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/146 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Paramètres à déterminer :
nb, d , et nf
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/147 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
B ( Z 1 ) d C ( Z 1 )
y (k ) 1
Z u(k ) 1
e( k )
F (Z ) D(Z )
Paramètres à déterminer :
nb, nf, nc , nd et d
METHODES RECURSSIVES
148
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/149 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Principe de la RLST
opt .( N 1) Estim ateur optimal tenant compte des N 1 observatio n s.
opt ( N ) Estimateur optimal tenant compte des N précédente s observatio n s.
Y N 1 la (N 1) éme observatio n.
opt. N 1 opt. N K N 1. YN 1 H N 1T .opt. N
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/150 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
H N 1T . N Ym N 1
1 1 1
T
K N 1 H N . H N . H N 1 . 1 H N 1 T . H N T . H N . H N 1
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/151 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
ALGORITHME RLST
PN H N .H N T
1
, et
N-elle mesure
à l'instant N+1
P N 1 1K N 1.H N 1T . .PN
Y(N+1), H(N+1)
ECART DE PREDICTION
T N=N+1
E(N+1)=Y(N+1)- H(N+1)
ESTIMATION
opt.(N+1) = opt. (N) +K(N+1).E(N+1)
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/152 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
INITIALISATION DE L'ALGORITHME
P(0) = diag(1000); 0)=0.
Inconvénient de la RLST
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/153 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Estimateur optimal
K 1 K PK 1. H K 1T . YK 1 H K 1. K H K N T . YK N H K N . K
0 0 . . 0
0 . . . 0
0 0 . . 0
W Matrice de pondération définie 0
. . . . . .
. . . . . .
0 0 . . .
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/156 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
Choix de la pondération
On recommande progression géométrique
i (1 0,1... N )
J ()
2 H T WH Y T WH H T W Y 0
optH WH T 1 T
.H WY
Chap3 : METHODES STATISTIQUES D’IDENTIFICATION Chap.3/157 Copyright© : Prof. B. Ould Bouamama , Polytech’Lille
T
K N 1 PN . H N 1. 1 H N 1 .PN . H N 1
1
T
PN H N .W .H N
T 1
1
I METHODES DE BASE 4
Chapitre 2. Identification en boucle ouverte . . . . . . . . . . . . . 5
2.1. Questions relative à l’identification en boucle ouverte . . . . . . . . . 5
Chapitre 5. Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.1. Estimation de la réponse impulsionnelle . . . . . . . . . . . . . . . . . 16
5.2. Estimation paramétrique des modèles . . . . . . . . . . . . . . . . . . 16
5.2.1. Interprétation de la structure du modèle . . . . . . . . . . . . 17
2
Chapitre 1
1.1 But du TP
Le but de ce TP est la mise en oeuvre des méthodes d’identification des systèmes
en utilisant principalement le logiciel MATLAB et la boite à outil "IDENT" . Le
travail pratique sera réalisé en trois parties :
4
5
Chapitre 2
Chapitre 3
7
8
Chapitre 4
u = u1 u2 .. .. um (4.3)
où m est le nombre de colonne égal au nombre d’entrées.
4.2 Syntaxe
Les données observées sont représentées dans la boite à outil par un objet iddata
créé à partir des signaux E/S par :
Lancer l’opération
d’estimation
— Les entrées et sorties du signal (exemple u et y dans notre cas, voir équation4.4
)
— Le nom donné à l’objet (ensemble des données) exo_data
— Le pas d’échantillonnage : Ts=0.1
Pour importer les donner on sélectionne dans le menu déroulant Data et on choisit
Import (fig.4.1). L’interface de la figure 4.2 apparaît.
On peut ajouter d’autres informations (nom des entrées et sorties, les unités des
variables etc...) en cliquant sur more de l’interface précédente.
Data name : Nom de l’ensemble des données introduite. Ce nom peut être changé
plus loin
Starting time and Sampling interval : Permet de corriger l’échelle du temps
et de la fréquence des graphes.
Period : Si l’entrée est périodique entrez la période sinon "inf" est introduite par
défaut (entrée non périodique)
Intersample : Choisir le type d’échantillonnage des données , par défaut est mis
un bloqueur d’ordre zero : ZOH (la valeur du signal d’entrée u est constante entre
11
Spectra (au dessous de la prtie Data Views) (fig.4.4). Les réponses fréquentielles
peuvent être changées à l’aide du menu option dans la fenêtre data spectra.
Le but de l’analyse de ces courbes est de vérifier s’il n’existe pas un partie des
données qui ne sont pas adaptées à l’identification (tronquées, trop bruitées, ...) ou
examiner les paramètres intéressantes pour l’opération (fréquences critiques).
Chapitre 5
Estimation
affichée)
Fig. 5.1. Boite de dialogue pour l’estimation à l’aide des modèles paramétriques
y(k)
Système
+
u(k) ε(k)
ym(k) -
Modèle
(a)
y(k)
Système
+
e(k)
u(k)
-
Modèle yˆ (k )
prédictif
(b)
Fig. 5.2. Estimation selon l’erreur de sortie (a) et l’erreur d’équation ou de prédiction
(b)
ym (k) +a1 ym (k −1) +... +an ym (k −n) = b0 u(k) +b1 u(k − 1) +... +bm um (k −n) (5.2)
yb(k) = b0 u(k) + b1 u(k − 1) + ... + bnb um (k − nb) − a1 y(k − 1) − ... − ana y(k − na) (5.3)
Supposons que le système est bruité et que le bruit e(k) agit à l’entrée (fig.5.3) du
système on pose :
e (k)
+
y(k)
u (k)
ub (k) Modèle
+
v (k) e (k)
1
C(z -1 )
X
nb X
na
y(k) = bi u(k − j − nk ) − ai y(k − i) + e(k) (5.7)
j=0 i=0
Les paramètres du modèle ARX donné sous forme fréquentielle sont trois entiers :
na : le nombre de pôles, nb − 1 : le nombre de zéros et nk le retard pur (voir fig.
5.1).
— Estimation des paramètres
Plusieurs combinaisons des ordres du modèle ARX peuvent être introduites. Alors
les modèles obtenus sont comparés aux observations réelles, en double cliquent sur
20
ModelOutput. On obtient les courbes (fig.5.5 Les ordres sélectionnés sont affichés
(à gauche de la figure)
Fig. 5.5. Comparaison entre le modèle ARX sélectionné et les observations réelles
1
= 1 + c1 z −1 + c2 z −2 + ... + cnc z −nc (5.8)
C(z −1 )
Le modèle sous forme récurent sera alors :
X
nb X
na X
nc
y(k) = bi u(k − j − nk ) − ai y(k − i) + e(k) + ci e(k − l) (5.9)
j=0 i=0 l=1
>>arx441
Discrete-time IDPOLY model: A(q)y(t) = B(q)u(t) + e(t)
A(q) = 1 - 1.064 q^-1 + 0.1634 q^-2 - 0.2772 q^-3 + 0.2568 q^-4
ARMAX est une estimation itérative (contrairement à ARX ) basée sur l’erreur de
prédiction. On peut alors affiner le modèle par des procédures itératives en cliquant sur
"Iteration contrtol..." (cf. fig5.8). On pourra alors sélectionner le meilleur modèle.
23
Le modèle ARMAX est bien adapté quand on veut représenter ensemble l’effet de la
commande et des perturbations sur la sortie du procédé
3. Modèle basé sur l’erreur de sortie (Output-Error (OE) models : y =
(B/F )u + e)
Cette métode consiste à déterminer les valeurs des paramères du modèle en mini-
misant un critére sur l’erreur de sortie.
Le modèle est obtenu en posant A(z −1 ) = 1, 1/C(z −1 ) = 1
B(z −1 ) −nk
y(k) = .z .u(k) + e(k) (5.11)
F (z −1 )
Le modèle sous forme récurent sera alors :
X
nb nf
X
y(k) = bi u(k − j − nk ) − ai y(k − i) + e(k) (5.12)
j=0 i=1
Les paramètres du modèle OE donné sous forme fréquentielle sont trois entiers :nb,
nf et nk.
Fig. 5.9.
Chapitre 6
Annexe A
Courbes expérimentales
Fig. A.1.
29
Fig. A.2.
30
Fig. A.3.
31
Fig. A.4.
32
Fig. A.5.
33
Fig. A.6.