Généralités sur l’identification

Chapitre05
Enseignant :
Cours Généralités sur l’identification A.Loudjani

TABLE DES MATIERES

Objectif de la modélisation................................................ 2

1- Définition (Modélisation/ Identification)............................................................... 3

2- Choix du signal d’entrée (signal d’excitation) ........................................................ 3

3- Etapes d’Identification................................................................................. 4

4- Séquence binaire pseudo-aléatoire (SBPA) ........................................................... 5

4.1- Propriétés de la SPBA ................................................................................. 6

5- Dimensionnement de la SBPA........................................................................ 7

BIBLIOGRAPHIE................................................................................................ 8

1
 Généralités sur l’identification

Objectif de la Modélisation:

En abordant un problème de commande de point de vue formulation, il y a des anomalies

spécifiques entre le système concret réel et le modèle mathématique mis au point dans le but

de concevoir la loi de commande. Cette particularité peut être due à la variation des

paramètres du système ou à l’approximation du comportement complexe du système par un

modèle direct. Essentiellement on peut résumer l’objectif du modèle en trois points :

1- Pour concevoir (effectuer) la synthèse d’une loi de commande, ou pour être incorporé

dans un dispositif de commande (commande adaptative)

2- Pour prédire

3- Pour analyser et diagnostic des défauts (pannes) [les défauts des circuits électriques,

localiser les défauts dans systèmes industriels……].

2
 Généralités sur l’identification

1- Définition (Modélisation/Identification)
L'identification de système est une technique de l'automatique

consistant à obtenir un modèle mathématique d'un système à partir de mesures

d’entrées/ sorties. Dans la pratique, deux démarches sont possibles pour l’obtention

du modèle d’un système. La première approche est analytique (modèle de

connaissance ou physique) et la deuxième est expérimentale (modèle de

représentation, de commande, de conduite) [1]. La modélisation analytique utilise les

équations physico-chimiques qui régissent le comportement dynamique du système.

La modélisation expérimentale traite le système comme une boîte noire et utilise les

mesures expérimentales pour extraire le modèle. Bien que la modélisation analytique

offre une description précise facilitant la compréhension du comportement des

procédés, elle est souvent complexe et peu utilisée pour la commande. Les

automaticiens utilisent surtout la modélisation expérimentale ((modèle de

l’automaticien) car elle présente une grande souplesse lors de la synthèse des

régulateurs. (Voir le premier cours)[1] [2] [3] [4].

2- Choix du signal d’entrée (signal d’excitation)

Pour obtenir un modèle consistant, il est important d'exciter le processus

avec toutes les fréquences de sa plage de fonctionnement. Le signal d'entrée

appliqué doit donc être :

1- Sensibilisante,

2- Sa moyenne statistique nulle,

3- Riche en fréquences (posséder un large spectre),

4- Son spectre plus large que la bande passante du système.

(Dans le but d’avoir un signal (mesure) de sortie riche en informations qui aide à

l’estimation des paramètres inconnus du système en question)

En général on applique un signal périodique pseudo-aléatoire (PRBS). Lorsque le

système possède plusieurs entrées/plusieurs sorties, il est important d'appliquer des

signaux décorrélés pour ne pas introduire de biais d'identification. Une idée commune

3
 Généralités sur l’identification

consistant à exciter l'une après l'autre les entrées est une mauvaise méthode car elle

introduit un biais d'identification (moyenne du signal d’erreur 0) et ne rend pas

compte du fonctionnement normal du système [5][6][7][8].

3- Etapes de l’identification

Il est important de respecter une procédure rigoureuse pour identifier un

procédé :

a) Détermination du protocole de test: de propriétés statistiques

des signaux d'entrée pour balayer toutes les fréquences

intéressantes.

b) Détermination de la structure du modèle (étape qualitative):

Fixation du modèle (type de modèle, ordre et retard).


c) Identification (étape quantitative): Une fois le modèle est fixé,

c’est l’étape ou il s’agit d’estimer les paramètres inconnues de ce

modèle de telle façon à reproduire le plus possible le

comportement entrée-sortie du système à identifier.

Généralement Les algorithmes assignés pour trouver le modèle

utilisent les critères de minimisation des erreurs entre les

mesures (sortie du système) et le modèle, citant à titre

d’exemple l’algorithme de la méthode des moindres carrés (MC,

MCR, MCG).

d) Validation du modèle (étape de test): Réalisation de plusieurs

tests de vérification. Il est nécessaire pour cette étape

d'utiliser des mesures différentes de celles utilisées lors de

l'identification.



4
 Généralités sur l’identification

4-Séquence binaire pseudo-aléatoire (SBPA)

Dans ce chapitre, on s’intéresse par une entrée riche en fréquence telle que

la séquence binaire pseudo-aléatoire (SBPA) dans l’identification expérimentale

des systèmes. Voir section 2

SBPA est un signal binaire généré par un registre à décalage de N bits (Bascule D)

rebouclé par une fonction spécifique à base de "OU exclusifs". L'état des N

bascules forment un mot de N bits observé par sérialisation.

Horloge
Séquence
D Q1 D Q2 D Q… D QN
binaire
1 …

Fonction combinatoire

Rebouclage

Figure 1. Registre générateur de séquence SBPA.

Si la fonction de bouclage est bien choisie, le registre peut prendre au

mieux toutes les combinaisons possibles des N bits soit 2N états différents, sauf

la combinaison "0 0 0 ....0" (le registre resterait à une valeur nulle indéfiniment).

Cette structure sert à générer des mots binaires aléatoires, la séquence étant

formée de 2N−1 valeurs différentes du mot. A partir de la 2N ième valeur, il y a

répétition de la première valeur, le générateur "reboucle" sur sa première valeur.

La séquence est donc cyclique et se répète tous les 2N−1 coups d'horloge. Le signal

obtenu est aléatoire et forme une Séquence Binaire Pseudo Aléatoire. Sa longueur

maximale est donc L = 2N-1.

Pour les applications d'identification, on utilise la sortie obtenue par

sérialisation (la sortie de n'importe quelle bascule peut servir de sortie série). La

sortie du registre binaire présente une succession de "0" et de "1" pseudo-aléatoire.

5
 Généralités sur l’identification

Après translation de niveau et amplification d'un facteur a, la séquence présente

l'allure suivante.

0
t

Figure 2. Allure d'une séquence binaire pseudo aléatoire à niveaux symétriques.

0
La fonction combinatoire généralement adoptée est le "OU EXCLUSIF" ou somme

modulo 2. Le tableau ci-dessous (Tableau.1) donne les fonctions de rebouclage pour

N
diverses valeurs de N donnant les séquences de longueur maximale L = 2 − 1:

Tableau 1. Fonctions de rebouclage SBPA de rang 10.

Nombre de cellules Longueur de la séquence Bits additionnés

N L=2N -1 Bouclage Bi et Bj
2 3 1 et 2
3 7 2 et 3
4 15 3 et 4
5 31 3 et 5
6 63 5 et 6
7 127 4 et 7
8 255 2,3,5 et 8
9 511 5 et 9
10 1023 7 et 10

4.1-Propriétés de la SBPA (x(t))

1- Périodique de période L= 2N-1

Après amplification
2- Amplitudes (0, 1) (-a, +a)

3- Moyenne

avec

(fSBPA : fréquence d’horloge du SBPA, fe : fréquence d’échantillonnage)

6
 Généralités sur l’identification

4- Autocorréélation ,

/L pour

On peut générer sur Matlab une séquence binaire pseudo aléatoire pour N en

utilisant la fonction « idinput » avec la syntaxe suivante : Z = idinput (N, ‘PRBS’) ;

Remarque: Cette fonction supplémentaire dispose d'une aide directe sous la syntaxe

"help idinput".

5-Dimensionnement de la SBPA
Pour bien identifier le gain statique, il faut que la durée d’au moins une des

impulsions (par exemple l’impulsion de durée maximale) soit supérieure au temps de

montée tM du procédé. La durée maximale étant N.Te, il résulte la condition :

N.Te >tM 5.1

A partir de la condition 5.1, on détermine N et donc la longueur de la

séquence L. D’autre part, pour balayer tout le spectre des fréquences, il faut la

longueur d’un essai soit au moins égale à la longueur de la séquence. Dans beaucoup

de cas, on choisit la durée de l’essai (T essai) égale à la longueur de la séquence L.

Si la durée de l’essai est spécifiée, il faut donc s’assurer que :

L< T essai 5.2

A noter que la condition 5.1 peut conduire à des valeurs assez grandes de N

correspondant à des longueurs de séquence de durée prohibitive. Soit parce que Te

est très grand, soit parce que le système à identifier risque d’évoluer pendant la

durée de l’essai.

C’est la raison pour laquelle dans beaucoup de situations pratiques, on choisit

comme fréquence d’horloge pour la SBPA (fSBPA), un sous multiple de la fréquence

d’échantillonnage.

Si :

fSBPA ; p=1,2,3,4… 5.3

7
 Généralités sur l’identification

Alors la condition 5.1 devient :

p.N.Te > tM
Cette approche est plus intéressante que l’allongement de la longueur de la

séquence (augmentation de N). En effet, si l’on N à N1=N+1, la durée maximale

d’une impulsion passe de N.Te à (N+1).Te mais la longueur de la séquence double

L1=2L. Par contre, si l’on choisit fSBPA=fe/2, la durée maximale d’une séquence d’une
impulsion passe de N.Te à 2.N.Te pour une durée de la séquence double

Tseq1=2Tseq.

De la comparaison des deux approches, il résulte que la deuxième approche

(division de fréquence) permet d’obtenir une impulsion de durée plus grande pour

une longueur identique de séquence et donc de l’essai. Si l’on note par p l’entier

diviseur de la fréquence, on a dans le cas de la division de la fréquence d’horloge

(dmax=durée de l’impulsion maximale) :

dmax=p.N.Te ; Tseq=L.N.TSBPA ; TSBPA =p.Te ; k=1,2,3,4…. 5.4

BIBLIOGRAPHIE
[1] R. Ben Abdennour, P. Borne, M. Ksouri et F. M’Sahli, 2001, Identification et commande

numérique des procédés industriels, Edition Technip, Paris.

[2] D. Landau, 1988. Identification et commande des systèmes, édition Hermès.

[3] G. B. Giannakis and E. Serpedin, 2001. A bibliography on nonlinear system identification,

Signal Processing, Vol. 81, pp. 533-580.

[4] Ljung, System Identification, Theory for the User (ISBN 0-13-881640-9)
[5] Laszlo J. Naszodi, « On Digital Filtration in Correlation Time-of-Flight Spectrometry »,

Nuclear Instruments and Methods (en), vol. 161, no 1, 15 avril 1979, p. 137–140 (DOI

10.1016/0029-554X(79)90371-9).

[6] Modélisation et identification des processus, Volume 2, Pierre Borne, Jean-Pierre Richard,

ISSN 1152-0647.

[7] Wassila Chagra, Accurate Calculation of the Settling Time of a Linear System Using New

Expressions and Iterative Algorithms, Circuits Syst Signal Process, 2017.

[8] BORNE Pierre , KSOURI Mekki Application aux procédés industriels, 1999.