LABOUDI 2017 Archivage

Contribution à la detection et à l’estimation des defauts
pour des systèmes lineaires à commutations

Khaled Laboudi
To cite this version:

Khaled Laboudi. Contribution à la detection et à l’estimation des defauts pour des systèmes lineaires à
commutations. Automatique / Robotique. Université de Reims Champagne-Ardenne, 2017. Français.
�tel-02883210�
HAL Id: tel-02883210

https://hal.archives-ouvertes.fr/tel-02883210
Submitted on 28 Jun 2020
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
UNIVERSITÉ DE REIMS CHAMPAGNE-ARDENNE
ÉCOLE DOCTORALE SCIENCES – TECHNOLOGIES – SANTÉ (547)
THÈSE
Pour obtenir le grade de
DOCTEUR DE L’UNIVERSITÉ DE REIMS CHAMPAGNE-ARDENNE
Discipline : AUTOMATIQUE, SIGNAL, PRODUCTIQUE, ROBOTIQUE
Spécialité : Automatique
Présentée et soutenue publiquement par
Khaled LABOUDI
Le 9 novembre 2017
Thèse dirigée par NOUREDDINE MANAMANNI ET NADHIR MESSAI
Contribution à la détection et à l’estimation des défauts pour des systèmes linéaires
à commutations
JURY
Mme Véronique CARRE-MENETRIER, Professeur, Université de Reims Champagne Ardenne, Président
M. Noureddine MANAMANNI, Professeur, Université de Reims Champagne Ardenne, Directeur de thèse
M. Nadhir MESSAI, Maître de Conférences, Université de Reims Champagne Ardenne, Encadrant
M. Houcine CHAFOUK, Professeur, ESIGELEC Rouen, Rapporteur
M. Michael DEFOORT, Maître de Conférences HDR, Université de Valenciennes et du Hainaut-Cambrésis, Rapporteur
M. Didier THEILLIOL, Professeur, Université de Lorraine, Examinateur
M. Mamadou MBOUP, Professeur, Université de Reims Champagne Ardenne, Invité

2
Résumé
Ce travail de thèse traite de la problématique d’estimation des défauts et de l’état

hybride pour une classe de systèmes linéaires à commutations. L’objectif est de
développer une méthode afin de synthétiser un observateur et un estimateur dédiés
respectivement à l’estimation de l’état hybride et des défauts. Après la présentation
d’un état de l’art sur les techniques d’estimation, de stabilité et de diagnostic
pour les systèmes linéaires à commutations, la thèse est scindée en deux parties.
La première partie propose une méthode d’estimation de l’état continu et des
défauts dans le cas où l’état discret du système est connu. En se basant sur une
transformation de coordonnées qui découple un sous-ensemble de l’état du système
des défauts, nous avons synthétisé dans un premier temps un observateur hybride
pour estimer l’état continu du système, et dans un second temps, un estimateur
permettant la reconstruction des défauts. L’estimateur de défauts proposé dépend
de la dérivée de la sortie du système. Pour cette raison, un différenciateur robuste
et exact basé sur des techniques des modes glissants est utilisé. Dans la seconde
partie de ce mémoire, l’état discret du système est supposé inconnu. Une approche
basée sur des méthodes algébriques est proposée afin d’estimer les instants de
commutation entre les différents sous-systèmes. Par la suite, l’estimation de l’état
hybride (état continu et état discret) et des défauts est considérée dans le cas
où l’état discret du système est inconnu. Ce dernier est reconstruit en se basant
sur les instants de commutations estimés et sur une séquence de commutation
connue. L’état continu du système est estimé en se basant sur une méthode de
placement de pôles permettant d’améliorer les performances de la phase transitoire.
Enfin, en exploitant les résultats trouvés dans la première partie, l’estimation des
défauts est considérée en estimant la sortie du système avec un différenciateur
i
Résumé
algébrique. Ce différenciateur donne des résultats plus intéressants vis-à-vis du

bruit par rapport au différenciateur basé sur les techniques des modes glissants
utilisé dans la première partie.
Mots clés : Système linéaire à commutation, estimation de l’état hybride, es-

timation des défauts, fonction de Lyapunov, les techniques des modes glis-
sants, algèbre différentielle.
ii
Abstract
This work deals with the problem of estimation of fault and hybrid state for a class
of switched linear systems. The objective is to develop a method to synthesize an
observer and an estimator dedicated respectively to the estimation of the hybrid
state and the faults. After presenting a state of the art for estimation, stability
and diagnostic techniques for switched linear systems, the report is divided into
two parts. The first part proposes a method for estimating the continuous state
and the faults in the case where the discrete state of the system is known. Based
on a coordinate transformation which decouples a subset of the state of the system
of faults, we first synthesized a hybrid observer to estimate the continuous state
of the system and, in a second step, an estimator allowing the reconstruction
of faults. The proposed fault estimator depends on the derivative of the system
output. For this reason, a robust and accurate differentiator based on sliding mode
techniques is used. In the second part of this paper, the discrete state of the system
is assumed unknown. An algebraic approach is proposed to estimate the switching
times between the different subsystems. Thereafter, the estimation of the hybrid
state (continuous and discrete state) and of the faults is considered in the case
where the discrete state of the system is unknown. The latter is reconstructed
from the estimated switching times and on a known switching sequence. The
continuous state of the system is estimated using a pole placement method allowing
improve the performances of the transient phase. Finally, by exploiting the results
found in the first part, the estimation of the faults is considered by estimating
the output of the system with an algebraic differentiator. This differentiator gives
more interesting results at the noise compared to the differentiator based on the
sliding mode techniques used in the first part.
iii
Abstract
Keywords: Switched linear systems, hybrid state estimation, fault estimation,

Lyapunov function, sliding mode techniques, differential algebra.
iv
Remerciements
Ce travail de thèse a été réalisé au Laboratoire CReSTIC de l’Université de Reims

Champagne Ardenne et en particulier au sein de l’équipe Auto.
L’achèvement de ce manuscrit n’a été possible sans l’aide et le soutien de plusieurs
personnes qui ont contribué de prés ou de loin à ma formation le long de mes
études et recherches scientifiques.
Je tiens à remercier tout particulièrement et à témoigner toute ma reconnaissance
aux personnes suivantes, pour l’expérience enrichissante et pleine d’intérêt qu’elles
m’ont fait vivre durant la thèse au sein du laboratoire CReSTIC.
En premier lieu, je tiens à remercier mon directeur de thèse, monsieur Noureddine
MANAMANNI, et mon Codirecteur , monsieur Nadhir MESSAI pour la confiance
qu’ils m’ont accordé en acceptant d’encadrer ce travail doctoral, pour leurs mul-
tiples conseils et pour toutes les heures qu’ils ont consacré à diriger cette recherche.
Pour l’ensemble du personnel du CReSTIC, pour leur accueil sympathique et leur
coopération professionnelle tout au long de ma thèse.
Mes sincères remerciements à Monsieur Mamadou MBOUP, professeur à l’uni-
versité de Reims Champagne Ardenne, pour ses conseils, pour son soutien et sa
contribution dans ce travail.
J’exprime également ma profonde reconnaissance à Madame Véronique CARRE-
MENETRIER et Monsieur Didier THEILLIOL, qui me font l’honneur d’examiner
ce travail. J’adresse mes profonds remerciements à monsieur Houcine CHAFOUK
et monsieur Michael DEFOORT, pour avoir accepté d’évaluer ce travail.
Mes remerciements profonds à tous mes amies et collègues, en particulier ceux et
v
Remerciements
celles qui m’ont apporté un soutien moral et une amitié inoubliable et précieuse.
Enfin, je remercie tous les membres de ma famille pour leur aide et encouragement.
vi
Table des matières
Résumé i
Abstract iii
Remerciements v
Table des matières vii
Table des figures xiii
Liste des tableaux xvii
Introduction générale 1
1 Notions introductives à la synthèse d’observateurs et au diagnostic 7
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Notions introductives sur les systèmes dynamiques hybrides . . . . 10
1.2.1 Structure générale d’un système dynamique hybride . . . . 10
1.2.2 Modélisation des systèmes dynamiques hybrides . . . . . . . 11
1.2.2.1 Tour d’horizon sur la modélisation des systèmes

dynamiques hybrides . . . . . . . . . . . . . . . . 11
vii
TABLE DES MATIÈRES
1.2.2.2 Automate hybride . . . . . . . . . . . . . . . . . . 12
1.2.3 Les systèmes à commutation . . . . . . . . . . . . . . . . . . 14
1.2.3.1 Loi de commutations dépendante de l’état . . . . . 15
1.2.3.2 Loi de commutation dépendante du temps . . . . . 16
1.3 Généralité sur les systèmes linéaires à commutations . . . . . . . . . 18
1.3.1 Modélisation des systèmes linéaires à commutations . . . . . 18
1.3.2 Notions générales sur l’estimation d’état hybride dans les SLC. 19
1.3.2.1 Problèmes d’observation . . . . . . . . . . . . . . . 19
1.3.2.2 Synthèse d’observateurs dans les SLC . . . . . . . . 20
1.3.3 Stabilité des systèmes linéaires à commutations . . . . . . . 24
1.3.3.1 Fonction de Lyapunov quadratique Commune . . . 25
1.3.3.2 Fonction de Lyapunov Quadratique Multiple . . . 26
1.3.3.3 Fonction de Lyapunov quadratique à commutations 27
1.4 Problématiques et objectifs du diagnostic des systèmes dynamiques 29
1.4.1 Classification des défauts . . . . . . . . . . . . . . . . . . . . 30
1.4.2 Diagnostic de défauts à base de modèle . . . . . . . . . . . . 32
1.4.2.1 Diagnostic de défauts à base de modèle des sys-

tèmes continus . . . . . . . . . . . . . . . . . . . . 33
1.4.2.2 Diagnostic des systèmes linéaires à commutations . 40
1.4.3 Estimation des défauts . . . . . . . . . . . . . . . . . . . . . 42
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2 Synthèse d’un observateur hybride : État discret du système connu 47
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2 Présentation de la problématique et des hypothèses . . . . . . . . . 49
viii
TABLE DES MATIÈRES
2.3 Observation d’un système linéaire à commutations . . . . . . . . . . 51

2.3.1 Estimation de l’état continu . . . . . . . . . . . . . . . . . . 51
2.3.1.1 Cas où les matrices des défauts sont identiques
pour tous les modes . . . . . . . . . . . . . . . . . 51
2.3.1.2 Cas où les matrices des défauts sont différentes
pour tous les modes . . . . . . . . . . . . . . . . . 56
2.3.2.1 Synthèse de l’estimateur . . . . . . . . . . . . . . . 62
2.3.2.2 Différenciateur d’ordre supérieur basé sur les tech-
niques des modes glissants . . . . . . . . . . . . . . 63
2.4 Exemple de simulation . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.4.1 Exemple1 : Cas où les matrices des défauts sont identiques
pour tous les modes . . . . . . . . . . . . . . . . . . . . . . . 65
2.4.1.1 Présentation de l’exemple numérique . . . . . . . . 65
2.4.1.2 Synthèse de l’observateur hybride . . . . . . . . . . 67
2.4.2 Exemple2 : Cas où les matrices des défauts sont différentes
pour tous les modes. . . . . . . . . . . . . . . . . . . . . . . 68
2.4.2.1 Présentation de l’exemple numérique. . . . . . . . . 68
2.4.2.2 Synthèse de l’observateur hybride . . . . . . . . . . 69
2.4.3 Résultats numériques . . . . . . . . . . . . . . . . . . . . . . 70
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3 Synthèse d’un estimateur pour la détection des instants de commu-

tations 77
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.2 Présentation de la problématique . . . . . . . . . . . . . . . . . . . 80
3.3 Notions mathématiques . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.3.1 Outils mathématiques . . . . . . . . . . . . . . . . . . . . . 82
ix
TABLE DES MATIÈRES
3.3.2 Transformée de Laplace de quelques fonctions utiles . . . . . 86

3.3.3 Transformée de Laplace inverse de quelques fonctions utiles . 87
3.4 Estimation des instants de commutations dans un SLC . . . . . . . 89
3.4.1 Cas d’un système avec une seule sortie . . . . . . . . . . . . 90
3.4.1.1 Développements préliminaires . . . . . . . . . . . 90
3.4.1.2 Principe de détection . . . . . . . . . . . . . . . . 96
3.4.2 Cas d’un système à plusieurs sorties . . . . . . . . . . . . . . 98
3.4.2.1 Présentation de l’algorithme . . . . . . . . . . . . . 100
3.4.2.2 Discussion . . . . . . . . . . . . . . . . . . . . . . . 102
3.5 Résultats de simulation . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4 Synthèse d’un observateur hybride pour un SLC : État discret inconnu109

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.2 Présentation de la problématique . . . . . . . . . . . . . . . . . . . 110
4.3 Placement de pôle dans une région LMI . . . . . . . . . . . . . . . . 113
4.3.1 La D−stabilité . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.3.2 Définition d’une région LMI . . . . . . . . . . . . . . . . . . 115
4.3.3 Présentation de quelques régions LMIs . . . . . . . . . . . . 117
4.4 Estimation de l’état hybride . . . . . . . . . . . . . . . . . . . . . . 120
4.4.1 Reconstruction de l’état discret . . . . . . . . . . . . . . . . 120
4.4.2 Synthèse de l’observateur de l’état continu . . . . . . . . . . 121
4.5 Estimation du vecteur de défauts . . . . . . . . . . . . . . . . . . . 126
4.5.1 Différenciateur basé sur les techniques algébriques . . . . . . 127
4.5.1.1 Développement préliminaire . . . . . . . . . . . . 127
4.5.1.2 Différenciateur d’ordre minimal . . . . . . . . . . . 131
x
TABLE DES MATIÈRES
4.5.1.3 Différenciateur d’ordre non-minimal . . . . . . . . 134

4.6 Exemple Numérique . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.6.1 Estimation de l’état discret . . . . . . . . . . . . . . . . . . 137
4.6.2 Estimation de l’état continu . . . . . . . . . . . . . . . . . . 139
4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
Conclusion et perspectives 149
Annexes 153
A Complément de Schur 155
B Algorithme de super Twisting 157
C Notions mathématiques 159
D Démonstration du théorème 4.5 161
E Démonstration du théorème 4.6 163
Bibliographie 165
xi
Table des figures
1.2.1 Structure générale d’un système dynamique hybride . . . . . . . . 10

1.2.2 Représentation graphique du thermostat par un automate hybride 14
1.2.3 Loi de commutation dépendante de l’état . . . . . . . . . . . . . . 16
1.2.4 Loi de commutations dépendante du temps . . . . . . . . . . . . . 17
1.3.1 Le rôle d’un observateur dans un processus . . . . . . . . . . . . . 20
1.3.2 Observateur continu . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.3 Observateur discret . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.4 Observateur hybride : Estimation de l’état discret à partir de l’état
continu estimé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.5 Observateur hybride : Estimation de l’état continu à partir de l’état
discret estimé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.3.6 Fonction de Lyapunov Multiple : (a) Sa valeur croit après chaque
instant de commutations, (b) Sa valeur ne croit pas après chaque
instant de commutations . . . . . . . . . . . . . . . . . . . . . . . 27
1.4.1 Caractéristiques de défaut en fonction du temps . . . . . . . . . . 31
1.4.2 Principe d’un système générateur de résidus . . . . . . . . . . . . . 32
1.4.3 Architecture de diagnostic à base de modèle . . . . . . . . . . . . . 34
1.4.4 Résidus directionnels . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.1 Saut de l’état transformé à un instant de commutation . . . . . . . 58
xiii
TABLE DES FIGURES
2.4.1 Signal de commutations λ (t) : cas sans saut dans l’état transformé 66
2.4.2 Signal de commutations λ (t) : cas avec saut dans l’état transformé 69
2.4.3 Évolution de la fonction de Lyapunov V (ε1 (t)) ; (a) : cas où les

matrices des défauts sont identiques pour tous les modes, (b) : cas
où les matrices des défauts sont différentes pour tous les modes . . 70
2.4.4 Erreur d’estimation x̂1 − x1 ; (a) : cas où les matrices des défauts
sont identiques pour tous les modes, (b) : cas où les matrices des
défauts sont différentes pour tous les modes . . . . . . . . . . . . . 70
2.4.5 Erreur d’estimation x̂2 − x2 ; (a) : (a) : cas où les matrices des dé-
fauts sont identiques pour tous les modes, (b) : cas où les matrices
des défauts sont différentes pour tous les modes . . . . . . . . . . . 71
2.4.7 Erreur d’estimation x̂4 − x4 ; (a) : (a) : cas où les matrices des dé-
des défauts sont différentes pour tous les modes . . . . . . . . . . . 72
2.4.9 Norme de l’erreur d’estimation kx̂ − xk ; (a) : cas où les matrices

des défauts sont identiques pour tous les modes, (b) : cas où les
matrices des défauts sont différentes pour tous les modes . . . . . 73
2.4.10 Défaut f1 et son estimation fˆ1 ; (a) : cas où les matrices des défauts
2.4.12 Estimation des défauts en utilisant un différenciateur d’Euler : Cas

où les matrices des défauts sont identiques pour tous les modes . . 73
xiv
TABLE DES FIGURES
2.4.11 Défaut f2 et son estimation fˆ2 ; (a) : cas où les matrices des défauts
défauts sont différentes pour tous les modes . . . . . . . . . . . . 74
3.2.1 Structure générale de l’estimation des instants de commutations . 81

3.2.2 Changement de dynamique dans un signal . . . . . . . . . . . . . . 82
3.3.1 Courbe représentative de la fonction fn . . . . . . . . . . . . . . . 83
3.3.2 Représentation graphique de la distribution de Dirac . . . . . . . . 84
3.3.3 Représentation d’une fonction qui change de dynamique en un
point : (a) : changement de dynamique sans rupture, (b) : change-
ment de dynamique avec rupture . . . . . . . . . . . . . . . . . . . 85
3.4.1 Restriction de la sortie y i dans l’intervalle IτT . . . . . . . . . . . . 91
3.5.1 Évolution de la sortie y et des différentes fonctions Jki . . . . . . . 106
4.2.1 Structure générale de l’observateur hybride proposé . . . . . . . . 112

4.2.2 Les limites des performances d’un système linéaire . . . . . . . . . 113
4.3.1 Région LMI : (a) bande verticale, (b) bande horizontale, (c) disque 118
4.4.1 Évolution de l’observateur et du système entre deux instants de
commutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
4.4.2 Région LMI utilisée . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.5.1 Dérivée réelle de la fonction sin et son estimation par un différen-
ciateur d’ordre minimal : κ = 1, µ = 1 . . . . . . . . . . . . . . . . 133
4.6.1 Signal de commutations λ . . . . . . . . . . . . . . . . . . . . . . . 137
4.6.2 Signal de commutations λ et son estimation λ̂ . . . . . . . . . . . 139
4.6.3 État x1 , son estimation x̂1 et l’erreur d’estimation x̂1 − x1 : (a) :
cas avec région LMI (théorème 4.3), (b) : cas sans région LMI
(théorème 2.2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
(théorème 2.2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
xv
TABLE DES FIGURES

(théorème 2.2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
(théorème 2.2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
(théorème 2.2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
4.6.8 Norme de l’erreur d’estimation kx̂ − xk : (a) : cas avec région LMI
(théorème 4.3), (b) : cas sans région LMI (théorème 2.2) . . . . . . 143
4.6.9 Estimation en ligne de défauts avec la méthode algébrique : (a) :
défaut f1 et son estimation fˆ1 , (b) : défaut f2 et son estimation fˆ2 . 145
4.6.10 Estimation hors ligne de défauts avec la méthode algébrique : (a) :
défaut f1 et son estimation fˆ1 , (b) : défaut f2 et son estimation fˆ2 . 145
4.6.11 Estimation en ligne de défauts avec la méthode de modes glissants :
(a) : défaut f1 et son estimation fˆ1 , (b) : défaut f2 et son estimation
fˆ2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
xvi
Liste des tableaux
3.1 Détection des instants de commutations par les différents estima-

teurs : Système d’ordre quatre . . . . . . . . . . . . . . . . . . . . 106
4.1 Détection des instants de commutations par les différents estima-

teurs : Système d’ordre cinq . . . . . . . . . . . . . . . . . . . . . 138
xvii
Introduction générale
La majorité des systèmes physiques sont décrits, soit par un modèle continu, ou
soit par un modèle à évènement discret. Par ailleurs, différents systèmes complexes
de types hétérogènes ne peuvent pas être modélisés uniquement par un modèle
continu, ou uniquement par un modèle à évènement discret. Néanmoins, ce type
de systèmes peut être modélisé par le mixage de deux types de modèles. En effet,
l’interaction entre les systèmes numériques tels que les calculateurs numériques,
logiciels, composants logiques,..., et les processus physiques de nature continue,
a conduit dans plusieurs applications industrielles, à l’apparition et à la forma-
lisation d’une nouvelle classe de systèmes, appelée, système dynamique hybride
(SDH). Ce type de systèmes fait intervenir d’une façon explicite et simultanée,
deux types de dynamiques, une dynamique continue et une autre événementielle.
La dynamique continue peut être en temps continu ou en temps discret. D’autre
part, la dynamique discrète est liée à un système à événements discret (SED) dont
l’espace d’état est un ensemble discret fini.
Dans les SDH, nous trouvons différentes classes de systèmes, comme par exemple,
les systèmes linéaires à saut [Mariton 90], les systèmes linéaires affines constants
par morceaux [Bemporad 00] et les systèmes à commutations [Liberzon 03]. En
raison de son importance de point de vue théorique et pratique, nous nous inté-
ressons dans cette thèse à cette dernière classe de systèmes dans le cas linéaire, et
qui est plus connue sous le nom de classe des systèmes linéaires à commutations
(SLC). Ces systèmes jouent un rôle important dans différentes applications, comme
par exemple la gestion de l’énergie électrique par les convertisseurs électriques. Un
SLC est un système dynamique qui se compose d’une part, de plusieurs systèmes
linéaires, chacun d’entre eux évolue avec une dynamique donnée, et d’autre part
1
d’une règle qui orchestre les commutations entre eux, appelée généralement « état
discret ».
L’étude des SLC, a retenu aussi bien l’attention des chercheurs qui s’intéressent à
l’étude des systèmes continus, que à ceux qui s’intéressent à l’étude des systèmes
à événement discret (SED). Les premiers travaux de recherches sur ce type de
système ont été menés sur la modélisation. En effet, cette dernière est une étape
nécessaire, en vue de la commande, de l’estimation, de l’étude de stabilité ou
du diagnostic. Elle permet de représenter d’une façon homogène les deux types
de dynamiques. Ceci permet généralement, lors de l’étude des SLC, de ne pas
utiliser uniquement des méthodes classiques issues de l’automatique des systèmes
continus ou des SED, mais de développer également d’autre méthodes qui prennent
en compte les deux types de dynamiques et leurs interactions.
D’autre part, dans un système physique, la connaissance en temps réel de certaines

variables est nécessaire, voire indispensable pour la maitrise de son comportement.
Néanmoins, en raison des contraintes physiques ou économiques, la mesure directe
de ces variables ne peut pas être possible. Ainsi, le recours à des observateurs
permettant d’estimer ces variables devient naturel. Différents travaux existent dans
la littérature sur la synthèse d’observateurs. Pour des SLC, la différence entre
les approches existantes est liée généralement à la connaissance ou non de l’état
discret du système. En effet, lorsque l’état discret est disponible à chaque instant, le
problème se limite seulement à la synthèse d’observateurs pour estimer les variables
continues. Par ailleurs, lorsque l’état discret est inconnu, la synthèse d’observateurs
pose des problèmes supplémentaires pour les SLC. En effet, les SLC commutent
entre plusieurs systèmes linéaires, et par conséquent, l’estimation des variables
continues dans ce type de systèmes revient à identifier dans un premier temps,
dans quel système linéaire évolue le système global, et dans un second temps
d’estimer les variables continues que nous cherchons.
D’autre part, la sécurité, la fiabilité et la performance sont trois points impor-

tants pour le fonctionnement d’un système. Néanmoins, ces propriétés peuvent
être dégradées lors d’une occurrence d’un défaut, entrainant un endommagement
du système. Par conséquent, pour palier ce problème et garantir la sûreté de fonc-
tionnement, la mise en place d’un système de diagnostic est devenue une étape
2
primordiale. Ce dernier permet d’empêcher la propagation des défauts et d’assu-
rer la sécurité de l’opérateur humain et du matériel. Les systèmes de diagnostic
ont eu un intérêt grandissant dans toutes les applications. En effet, la complexité
croissante des systèmes industriels exige un niveau de sécurité, de fiabilité et de
performance élevé. Ceci peut être assuré par un système de diagnostic. La tâche
principale de diagnostic consiste à détecter dans un premier temps le défaut quand
il apparait, de le localiser en donnant précisément son origine, sa nature et les
causes liées à son apparition. Il existe deux classes de techniques de diagnostic.
La première est la classe des méthodes sans modèle mathématique. Dans cette
classe, le diagnostic se réalise par l’analyse des données. La deuxième classe est
celle des méthodes avec modèle mathématique. Les méthodes utilisées dans cette
classe sont basées sur une modélisation par un modèle mathématique permettant
de voir l’état normal ou anormal du système.
Le diagnostic des défauts des SLC est également un nouveau chalenge pour les
automaticiens. La majorité des travaux effectués dans ce cadre sont des extensions
des méthodes issues de diagnostic à base de modèle mathématique des systèmes
continus. De plus, les méthodes de diagnostic pour les SLC sont employées selon
la connaissance ou non de l’état discret à chaque instant. Ainsi, le diagnostic des
SLC est plus compliqué lorsque l’état discret est inconnu. En effet, la procédure de
diagnostic commence par la mise en œuvre des techniques permettant d’identifier
le système linéaire actif à chaque instant.
Cependant, la tâche principale de diagnostic s’effectue en générant un signal d’alarme

lorsqu’un défaut se produit (détection), et en identifiant son emplacement (locali-
sation). Cette tâche de diagnostic est basée généralement sur des signaux appelés
résidus. Ces derniers sont conçus d’une façon à être inférieurs à un seuil en ab-
sence des défauts et un ou plusieurs d’entre eux deviennent supérieurs au seuil en
présence de défaut. Toutefois, en présence de bruit, l’effet d’un défaut à faible am-
plitude peut être caché. Ceci est inacceptable dans des applications qui demandent
un niveau de sécurité élevé. Par conséquent, ces problèmes de détection ont mo-
tivé les chercheurs pour prospecter d’autres alternatives. L’estimation de défauts
est parmi les alternatives de diagnostic qui a intéressé les chercheurs. En effet, elle
représente une extension des approches de détection et de localisation. En d’autres
3
termes, l’estimation de défaut permet non seulement de détecter et de localiser le

défaut, mais d’identifier également son amplitude et son évolution.
Ce travail de thèse se focalise sur le problème d’estimation et de diagnostic dans
un SLC avec bruit de mesure. Toutefois, la majeure partie des travaux réalisés
considèrent que l’état discret du système est connu. Cette condition sera utilisée
dans un premier temps afin de synthétiser d’une part, un observateur permettant
l’estimation de l’état continu, et d’autre part, un estimateur permettant la recons-
truction de défauts. Une projection de l’état continu du système dans une autre
base est réalisée afin de découpler un sous-ensemble de l’état de défauts. L’esti-
mateur de défauts proposé dépend de la dérivée de la sortie du système. Pour
cette raison, un différenciateur robuste et exact basé sur des techniques des modes
glissants est utilisé.
Dans un second temps, l’état discret du système est supposé inconnu. De ce fait,
afin de reconstruire cet état discret, nous proposons une approche d’estimation
des instants de commutations sous l’hypothèse que la séquence de commutation
est connue. L’approche proposée est basée sur des méthodes algébriques. Ainsi,
lorsque nous avons un système avec une seule sortie, un seul estimateur veille
à détecter les instants de commutation. Néanmoins, dans le cas d’un système à
plusieurs sorties, un estimateur est associé à chacune des sorties, suivi d’un bloc
de décision permettant de minimiser d’une part, les fausses détections et d’autre
part la non détection.
Enfin, une autre approche pour l’estimation de l’état continu et de défauts est
proposée dans le cas où l’état discret du système est inconnu. Ainsi, afin d’améliorer
la qualité d’estimation de défauts, nous considérons un estimateur basé sur des
méthodes algébriques pour estimer la dérivée de la sortie du système.
Ce manuscrit de thèse contient quatre chapitres et est organisé de la façon suivante :
Le premier chapitre fourni une étude bibliographique sur la modélisation des
SDH et sur les techniques d’estimation, de stabilité et de diagnostic dans les SDH
et particulièrement dans les SLC. Ce premier chapitre contient trois parties. La
première partie aborde quelques notions introductives sur les SDH. Ainsi, nous
passerons en revue quelques éléments de modélisation et quelques classes de ce
type de système.
4
La deuxième partie de ce chapitre est consacrée aux problèmes d’estimation et de
stabilité des SLC. Enfin, la troisième partie de ce chapitre est destinée à la présen-
tation des notions générales de diagnostic. Ainsi, nous décrivons quelques concepts
fondamentaux des approches de diagnostic à base de modèle et d’estimation des
défauts.
Le deuxième chapitre considère le problème d’estimation simultanée de l’état
continu et des défauts actionneurs dans un SLC avec bruit de mesure, dans le cas
où l’état discret est connu. Une transformation de coordonnées est effectuée afin
de découpler un sous ensemble de l’état du système des défauts. Par la suite, la
synthèse d’observateur pour estimer l’état continu du système dans deux cas de
figure est considérée. Dans le premier cas, les matrices des défauts sont considérées
identiques, ce qui permet d’avoir un état sans discontinuité à chaque instant. Quant
au second cas, les matrices des défauts sont considérées différentes, ce qui engendre
un saut dans l’état du système transformé à chaque instant de commutation.
La dernière partie de ce chapitre est consacrée à la synthèse d’un estimateur des
défauts. Nous allons montrer que cet estimateur est en fonction de la dérivée de la
sortie. Par conséquent, nous estimons cette dérivée par un différenciateur d’ordre
élevé basé sur les techniques des modes glissants.
Le troisième chapitre présente une approche permettant la détection des ins-
tants de commutation dans un SLC avec bruit mesure. Après une présentation de
la problématique et de quelques notions mathématiques, nous développons dans
un premier temps un estimateur basé sur une approche algébrique permettant la
détection des instants de commutations dans un système avec une seule sortie. Par
la suite, la méthode proposée est généralisée pour un système à plusieurs sorties.
Dans ce cas, pour chaque sortie, nous avons un estimateur. Ainsi, un bloc de dé-
cision est mis en place afin d’orchestrer les sorties des différents estimateurs. A la
fin de ce chapitre, nous montrons l’efficacité de l’approche proposée à travers un
exemple.
Le quatrième chapitre considère le problème d’estimation d’état hybride (état
discret et état continu) et des défauts dans un SLC avec bruit de mesure et état
discret inconnu. L’état discret est reconstruit en se basant sur la séquence de
commutations connue et sur les instants de commutations détectés par l’approche
5
proposée dans le troisième chapitre. L’estimation de l’état continu est considérée

avec une méthode de placement de pôles afin d’améliorer les performances de la
phase transitoire. Par la suite, l’estimation des défauts est considérée et les résul-
tats trouvés dans le deuxième chapitre sont exploités. Contrairement au chapitre
2, la dérivée de la sortie est estimée dans ce chapitre par un différenciateur algé-
brique. Nous montrerons que l’utilisation de ce dernier donne des résultats plus
intéressants vis-à-vis du bruit par rapport au différenciateur basé sur les techniques
des modes glissants présenté dans le deuxième chapitre. Ceci va être confirmé à
travers un exemple de simulation qui montre également l’amélioration de la qualité
d’estimation, particulièrement dans la phase transitoire, par rapport aux résultats
du deuxième chapitre.
Nous terminerons le mémoire de thèse par une conclusion et des perspectives.
6
Chapitre 1
Notions introductives à la synthèse

d’observateurs et au diagnostic
1.1 Introduction
La progression technologique dans plusieurs domaines comme par exemple les do-
maines électriques, mécaniques et hydrauliques a suscité le développement de tech-
niques d’estimation, de contrôle et de diagnostic. Une représentation par un modèle
mathématique simplifié de ces systèmes est nécessaire afin d’étudier ses proprié-
tés physiques. Certains systèmes sont représentés par des modèles dans lesquels
les variables varient d’une façon continue. Nous pouvons citer comme exemple le
courant électrique dans un circuit électrique ou la température dans une chambre
climatisée.
D’autres systèmes dit événementiel ou discret font intervenir plutôt des variables
qui varient d’une façon événementielle. Par exemple, l’état ouvert ou fermé d’un
commutateur dans un redresseur ou dans une vanne. Ces deux types de systèmes
ont fait l’objet d’études approfondies liées à la conception d’outils spécifiques pour
la commande, l’observation ou le diagnostic. Ces outils ne sont pas toujours adap-
tés pour des systèmes qui ont une forte interaction entre les parties continues et
les parties discrètes. Par conséquent, une nouvelle catégorie de systèmes dyna-
miques dits hybride est apparue. Formellement, les systèmes dynamiques hybrides
7
Chapitre 1 Notions introductives à la synthèse d’observateurs et au diagnostic
(SDH) sont des systèmes qui font intervenir explicitement et simultanément des
dynamiques continues et événementielles.
Plusieurs travaux se sont focalisés sur l’étude de cette classe de systèmes. Par
exemple, la modélisation des SDH a été traitée par différentes communautés scien-
tifiques. Plusieurs résultats de modélisation de ce type de systèmes ont été obtenus.
Généralement, les modèles proposés sont une extension des modèles proposés soit
pour des systèmes continus ou bien pour des systèmes discrets. Dans ce cadre,
on trouve la modélisation par Automate hybride [Lygeros 03] ou la modélisation
basée sur les réseaux de Petri mixte [Vibert 97].
La problématique de la commande des SDH a eu à son tour un intérêt énorme pour
la communauté de recherche. Dans ce cadre, plusieurs formulations du problème
de la commande hybride ont été employées. Certaines formulations accordent
une grande importance à la partie discrète au détriment de la partie continue
[Alur 95] [Asarin 99], alors que d’autres accordent plus d’importance à la partie
continue [Branicky 95] [Branicky 98]. Cependant, il existe d’autres formulations
qui prennent en compte les deux dynamiques [Tittus 98].
Par ailleurs, le problème de stabilité est une autre problématique qui a attiré l’at-
tention de différents chercheurs. La majorité des travaux réalisés autour de cette
problématique consiste à exploiter des approches classiques, telles que l’approche
de Lyapunov [Liberzon 03] [Hespanha 04] [Hien 09]. Plusieurs travaux ont été ef-
fectués dans le but de la mise en point des concepts de base concernant la stabilité
des SLC. Le premier diagnostic des problèmes de la stabilité a été effectué dans
[Liberzon 99a]. Les auteurs de ce papier ont résumé ces problèmes en trois points.
Le premier point consiste à trouver la condition qui garantie la stabilité asymp-
totique du SLC pour n’importe quel signal de commutations. Quant au deuxième
point, il consiste à identifier les classes de signaux de commutations pour lesquelles
le système à commutation est asymptotiquement stable. Le troisième point consiste
à construire un signal de commutations pour lequel le SLC est asymptotiquement
stable.
D’autre part, le problème de synthèse d’observateurs hybrides est une autre thé-
matique qui a été largement traitée [Balluchi 02] [Pettersson 05] [Birouche 06]
[Pettersson 06]. Ces observateurs hybrides permettent d’estimer l’état continu,
8
1.1 Introduction
l’état discret du SDH ou les deux états simultanément. Le problème principal dans
la synthèse de ces observateurs concerne la recherche des conditions de convergence.
Ce problème est généralement lié à des conditions de stabilité formulées sous la
forme d’inégalités matricielles à résoudre.
Le problème de diagnostic des SDH a fait également l’objet de plusieurs travaux

de recherches. La majorité de ces travaux consiste à étendre, soit des méthodes
issues des systèmes continus [Rocha Loures 05] [Kajdan 07] [Xu 07], ou bien des
méthodes issues des systèmes à événements discrets [Saadaoui 06b] [Xu 07]. Néan-
moins, ce problème a été traité également en considérant simultanément les deux
dynamiques [Bayoudh 09] [Mohammadi 09] [Daigle 10].
Le travail développé dans cette thèse s’intéresse aux problèmes d’estimation de

l’état continu, de l’état discret et des défauts pour un système linéaire à com-
mutation (SLC) qui représente une classe particulière de SDH. De ce fait, nous
introduisons dans ce chapitre des outils nécessaires pour nos travaux de recherche
que nous détaillons dans les chapitres suivants.
Ce chapitre se déclinera en trois parties. La première partie abordera des notions

introductives sur les SDH. Ainsi, on passera en revue quelques éléments de modé-
lisations de ce type de systèmes et on présentera quelques classes de SDH.
La seconde partie quant à elle, sera consacrée aux problématiques des SLC. L’étude
qui en découle s’articule autour de trois axes. Le premier axe sera dédié à une pré-
sentation et une modélisation de ce type de systèmes. Le deuxième se focalisera sur
les problèmes d’estimation. Quant au troisième axe, il sera consacré aux problèmes
de stabilité des SLC.
Enfin, l’objectif de la troisième partie de ce chapitre sera de présenter les notions

générales de diagnostic des systèmes dynamiques, et particulièrement pour les SLC.
9
1.2 Notions introductives sur les systèmes

dynamiques hybrides
1.2.1 Structure générale d’un système dynamique hybride
D’une façon générale, un SDH peut être considéré comme l’agrégation de systèmes
continus, d’un SED et d’une interface qui gère l’interaction entre les deux dyna-
miques, continues et discrètes (figure 1.2.1) [Antsaklis 00]. L’évolution d’un SDH
est donnée par des équations différentielles qui dépendent généralement de ces
deux dynamiques.
Entrées discrètes Sorties discrètes

Partie discrète
Entrées hybrides
Sorties hybrides
Interface
Entrées continues Sorties continues

Partie continue
Figure 1.2.1 – Structure générale d’un système dynamique hybride
La dynamique discrète des SDH, appelée généralement état discret du SDH, dé-
termine la dynamique continue spécifique de la variable continue du SDH. Elle est
liée à un SED dont l’espace d’état est un ensemble discret fini. Chaque élément
de cet ensemble représente un mode. Le passage d’un mode à un autre se produit
par l’intermédiaire d’une interface qui traduit l’interaction entre la partie continue
et la partie discrète. Ce phénomène d’interaction se nomme phénomène hybride
[Branicky 95].
10
1.2 Notions introductives sur les systèmes dynamiques hybrides
Généralement l’action de ce phénomène se réalise par la commutation d’un mo-

dèle continu à un autre ou par une discontinuité apparaissant sur le vecteur d’état.
D’autre part, ce phénomène peut être déclenché par un système à événement dis-
cret décrivant la dynamique du système global à chaque instant. Ce phénomène
peut être également déclenché lorsque les variables continues atteignent un seuil
bien défini.
1.2.2 Modélisation des systèmes dynamiques hybrides
1.2.2.1 Tour d’horizon sur la modélisation des systèmes dynamiques

hybrides
La modélisation des SDH est une étape essentielle pour toutes études à savoir ; la
stabilité, l’estimation, le contrôle, etc. Ainsi, afin de représenter d’une façon homo-
gène les deux types de dynamiques, des chercheurs ont pu étendre des approches
issues de l’automatique continu pour intégrer l’aspect discret. A titre d’exemple,
dans [Buisson 98], les auteurs ont modélisé un SDH en faisant une extension du
principe de modélisation par bon-graph.
D’autres chercheurs ont pu étendre des approches issues de l’automatique dis-

cret pour intégrer l’aspect continu. C’est le cas d’une modélisation par l’extension
de modélisation par réseaux de Petri hybride ou par des automates à état finis
[Puri 96].
Des approches mixtes [Belkhiat 12] sont également proposées pour modéliser les
SDH. Celles-ci intègrent en parallèle dans le même formalisme de modélisation
d’une façon rigoureuse et explicite les deux aspects continu et discret.
Dans la littérature, on trouve une catégorie de modèles issues des approches mixtes
qui reposent sur la collaboration de deux aspects continu et discret. Ces modèles
sont basés soit sur les aspects évènementiels, ou soit sur les aspects continus géné-
ralisés par des équations d’état. Dans les deux cas, l’aspect hybride apparait dans
l’interface d’interaction. En effet, l’aspect discret gouverne le modèle continu en
choisissant les équations différentielles continues qui correspondent au mode dis-
cret actif. De plus, l’aspect continu agi sur le modèle discret en validant ou forçant
11
le franchissement des transitions.

Différents types de modèles basés sur les approches mixtes existent dans la litté-
rature [Zaytoon 01]. L’automate hybride [Lygeros 03] est le modèle le plus connu
parmi tous les modèles basés sur ces approches. Ce modèle est assez simple et dé-
finit proprement les interactions entre la partie continue et la partie discrète, ainsi
que le comportement global du système qui en découle. Ce modèle sera présenté
dans la section suivante. Toutefois, on retrouve également les Statecharts hybrides
qui utilisent une structuration hiérarchisée nécessaire pour améliorer la structu-
ration dans les automates hybrides [Zaytoon 01]. Ce type de modélisation a été
utilisé dans les travaux de Kesten [Kesten 91]. On trouve également des modèles
basés sur les réseaus de Petri mixtes qui sont utilisés généralement pour modéliser
des phénomènes associés aux systèmes à événements discrets [Vibert 97].
1.2.2.2 Automate hybride
Différentes définitions d’automate hybride existent dans la littérature. Chacune

d’entre elles est utilisée selon l’objectif visé. Dans ce manuscrit, nous allons présen-
ter une définition générale proposée dans [Alur 95], [Henzinger 95] et [Lygeros 03].
Cette définition a été choisie en raison de sa richesse qui permet une modélisation
réaliste d’un SLC.
Définition 1.1. Un automate hybride H est une collection de plusieurs compo-

sants , H = {Q, X, h, Init, Inv, E, G, R} avec
— Q = {q1 , q2 , · · · } un ensemble fini des états discrets.

— X ⊆ Rn représente l’espace d’état où les variables d’état continu prennent
leurs valeurs.
— h : Q × X → Rn une fonction qui associe à chaque état discret q ∈ Q un
champ de vecteur h (q, .).
— Init ⊆ Q × X représente l’ensemble des états initiaux.
— Inv : Q → 2X étant une application qui associe à chaque état discret q ∈ Q
un ensemble Inv (q) ⊆ X appelé domaine invariant.
— E ⊆ Q × Q l’ensemble de transition discrètes. Le couple (q, q 0 ) représente
une transition du mode q vers le mode q 0 .
12
— G : E → 2X une application qui associe à chaque couple (q, q 0 ) ∈ E une

condition de garde nécessaire pour le franchissement de la transition du
mode q vers le mode q 0 .
— R : E × X → 2X étant une application de réinitialisation. Elle affecte une
nouvelle valeur à l’état continu x après chaque transition.
Le couple (q, x), où q ∈ Q et x ∈ X, désigne l’état de l’automate H.
Exemple 1.1. (Système de chauffage)
Considérons l’exemple du système de régulation de la température dans une pièce.

Le système comporte deux modes distincts correspondant à l’opération marche-
arrêt du thermostat. La dynamique de la température change selon l’état de la
pièce. En effet, la température croît lorsque le chauffage est en mode marche et
elle décroit lorsque ce dernier est en mode arrêt. Initialement le chauffage est hors
tension et la température de la pièce est inférieure à une température minimale θm .
Lorsque on commence le processus de régulation de la température, le chauffage
reste allumé tant que la température de la pièce est inférieure à une température
maximale θM . Une fois le capteur détecte une température ambiante égale à la
température maximale θM , le chauffage s’arrête. La température ambiante com-
mence à diminuer en raison de pertes de la chaleur. Quand le capteur détecte une
température ambiante égale à la température minimale θm , le chauffage se rallume.
Ce système peut être modélisé par un automate hybride dont les éléments sont
donnés comme suit :
— Q = {ON, OF F } est l’ensemble des deux états discrets ; ON correspond
au mode marche et OF F correspond au mode arrêt ;
— X = R désigne la plage de la température ambiante ;
— h (ON, x) = −x + αu et h (OF F, x) = −x où α est une constante positive
et u est la commande extérieure ;
— Init = {OF F } × {x < θm } ;
— Inv (ON ) = {x ∈ R : x < θM } et Inv (OF F ) = {x ∈ R : x > θm } ;
— E = {(ON, OF F ) , (OF F, ON )} représente deux possibilités de transi-
tions ; une du mode ON vers le mode OF F et une autre du mode OF F
vers le mode ON ;
13
— G (ON, OF F ) = {x ∈ R : x = θM } et G (OF F, ON ) = {x ∈ R : x = θm } ;
Cet automate hybride peut être représenté par un graphe orienté comme indiqué
dans la figure 1.2.2 présentée ci-dessous [Kurovszky 02]. Il contient des sommets et
des branches. Pour chaque sommet, on spécifie le mode discret q ∈ Q, l’équation
différentielle ẋ = h (q, x) et le domaine invariant Inv (q). Chacune de ses branches
représente la transition (q, q 0 ) et contient la condition de garde G (q, q 0 ). Enfin,
l’état initial est marqué par une flèche sans sommet source. Il pointe vers le sommet
qui contient le mode initial.
x < θm
x = θ m ; x := x
OFF ON
x! = −x x! = −x + α u
x > θm x < θM
x = θ M ; x := x
Figure 1.2.2 – Représentation graphique du thermostat par un automate hybride
1.2.3 Les systèmes à commutation
Plusieurs classes de SDH existent dans la littérature. Par exemple, les systèmes
linéaires à sauts [Vidal 02], les systèmes linéaires affines constants par morceaux
[Johansson 03] et les systèmes à commutations [Liberzon 99a].
Dans le cadre de cette thèse, la classe des systèmes à commutations est étudiée.
Plusieurs travaux effectués sur ce type de systèmes existent dans la littérature
[Liberzon 99a] [Liberzon 99b] [Schaft 00] [Liberzon 03] [Liberzon 04]. Différents
systèmes physiques peuvent être modélisés par ce type de systèmes. On peut citer
par exemple, le système de chauffage présenté dans l’exemple 1.1.
Les systèmes à commutations sont composés de plusieurs sous-systèmes et d’une
loi de commutations qui définie à chaque instant le sous-système actif.
La forme générale d’un système à commutations en temps continu peut être définie
comme suit [Lin 09] :
14

 ẋ (t) = h (λ, x, u)
(1.2.1)
 y (t) = g (λ, x, u)
avec x ∈ Rn l’état continu du système, u ∈ Rm la commande, y ∈ Rp la sortie

et t ∈ R+ où R+ représente l’ensemble de nombres réels positifs. La fonction λ est
une fonction constante par morceaux qui prend ses valeurs dans un ensemble fini
I qui contient une collection de modes discrets (I = {1, · · · , N }). Cette fonction
représente l’évolution de l’état discret du système. Elle orchestre les commuta-
tions entre les sous systèmes et décrit les différents régimes du fonctionnement du
système. N est le nombre de modes composant le système à commutations. La
fonction λ change ses valeurs à chaque instant de commutations. Ainsi, le système
à commutations évolue à un instant donné t dans le mode i ∈ I lorsque λ = i.
Une classification des systèmes à commutations peut être définie par la nature de
la commutation d’un mode à un autre. Dans ce contexte, on peut identifier par
exemple ; la classe des systèmes où la loi de commutations dépend de l’état, la
classe des systèmes avec une loi de commutations dépendant du temps, et enfin
une autre classe où la loi de commutations dépend à la fois de l’état et du temps.
Dans ce qui suit, une présentation de ces deux lois de commutations sera donnée.
1.2.3.1 Loi de commutations dépendante de l’état
Dans un système à commutations ayant une loi de commutations dépendant de

l’état, la commutation d’un mode à un autre ne dépend que du vecteur d’état
continu du système. En effet, l’espace d’état est divisé en plusieurs régions de
fonctionnements. Dans chaque région, un système dynamique en temps continu
évolue selon des équations différentielles appropriées. Lorsque la trajectoire de
l’état atteint une surface de l’espace d’état appelée surface de commutations, une
commutation se produit instantanément et l’état continu du système change de
dynamique (figure 1.2.3).
Dans cette figure on a quatre régions R1 , R2 , R3 et R4 . Chaque région définie
l’espace d’état dans lequel un sous-système χi , i = 1, 2, 3, 4 évolue. Il y a quatre
surfaces de commutations définies par les équations S12 (x) = 0, S23 (x) = 0,
15
S34 (x) = 0 et S14 (x) = 0. Chaque surface Sij représente une surface de commuta-
tions du mode i vers le mode j ou du mode j vers le mode i. Cette figure montre
que lorsque la trajectoire de l’état atteint la surface de commutations entre la ré-
gion 1 et la région 2, l’état change de dynamique et évolue dans la région 2 avec
les équations différentielles appropriées au sous-système 2.
Trajectoire de l’état
R1
R2
( )
S12 x = 0
S14 ( x ) = 0
( )
S34 x = 0
R4 ( )
S23 x = 0
R3
Figure 1.2.3 – Loi de commutation dépendante de l’état
1.2.3.2 Loi de commutation dépendante du temps
Dans ce cas, l’évolution de l’état discret λ est gérée par le temps. Ainsi, le système à
commutations évolue dans un intervalle de temps donné avec une dynamique puis
avec une autre dynamique dans l’intervalle suivant. Chaque dynamique représente
un mode q. La figure 1.2.4 montre l’évolution d’un système à commutations sous
une loi de commutations dépendante du temps. Dans un premier temps, le premier
sous système fonctionne avec sa propre dynamique. A l’instant t = t1 , l’état discret
λ change de valeur, et le système à commutations évolue dans le deuxième mode
jusqu’à l’instant t2 . Le temps qui sépare deux instants de commutations est appelé
temps de séjour. Il vaut τ1 lorsque le système à commutations a évolué dans le
mode 1 entre l’instant t0 et l’instant t1 et τ2 dans le deuxième mode entre les deux
instants t1 et t2 .
16
mode 1 mode 2 mode q
t0 t1 t2 tk −1 tk t f −1 tf Temps
τ1 τ2 τf
Figure 1.2.4 – Loi de commutations dépendante du temps
En résumé, une commutation dépendante de l’état fait référence à la localisation

des états dans le plan de phase, alors qu’une commutation dépendante du temps
se produit à un instant donné.
Dans cette thèse, on s’intéresse à une classe particulière de systèmes à commu-

tations, à savoir, la classe des systèmes linéaires à commutations (SLC), où la
commutation dépend du temps. Un effort particulier a été apporté à cette classe
de systèmes en raison de leur richesse qui permet une modélisation réaliste de
plusieurs problèmes, ainsi que de leur simplicité permettant la conception d’outils
algorithmiques pour leur étude.
On s’intéresse dans ce travail à l’estimation de l’état hybride (état continu et

état discret) et des défauts dans un SLC. Pour cela, dans le but de présenter le
contexte général de l’approche proposée, les deux sections suivantes représentent
une modélisation des SLC et offrira un état de l’art en ce qui concerne l’estimation,
la stabilité et le diagnostic des SLC.
17
1.3 Généralité sur les systèmes linéaires à

commutations
1.3.1 Modélisation des systèmes linéaires à commutations
Un SLC se compose de plusieurs sous-systèmes linéaires et une règle qui orchestre

la commutation entre eux [Pettersson 97] [Branicky 98] [Decarlo 00].
Dans ces systèmes, l’état continu évolue sur un intervalle de temps avec une dy-
namique (parmi un ensemble fini de dynamiques) puis avec une autre dynamique
sur l’intervalle de temps suivant.
L’étude de ce type de système durant ces dernières années a fournie plusieurs résul-
tats sur certains problèmes, tels que la comandabilité [Sun 02] [Sun 05] [Ji 07], l’ob-
servabilité [Bemporad 99] [Egerstedt 05] [Hespanha 05], la stabilité [Decarlo 00]
[Liberzon 03] [Hespanha 04], ainsi que le diagnostic [Wang 09] [Belkhiat 11] [Du 14].
Formellement, un SLC (Σλ ) peut être défini comme suit :

ẋ (t)

= Aλ x (t) + Bλ u (t)
(Σλ ) : (1.3.1)
y (t)

= Cλ x (t) + Dλ u (t)
avec x ∈ Rn l’état continu du système, u ∈ Rm la commande et y ∈ Rp la sortie.

La fonction λ représente l’état discret du système, elle est définie de la même façon
que dans l’équation (1.2.1).
Lorsqu’à un instant t, λ = i, i ∈ I, le SLC (1.3.1) évolue selon la dynamique du

système linéaire Σi donné par

ẋ (t)

= Ai x (t) + Bi u (t)
(Σi ) : (1.3.2)
y (t)

= Ci x (t) + Di u (t)
Pour tout i ∈ I, les matrices Ai ∈ {A1 , · · · AN }, Bi ∈ {B1 , · · · BN }, Ci ∈ {C1 , · · · CN }

et Di ∈ {D1 , · · · DN } sont des matrices connues de dimensions appropriées.
18
1.3 Généralité sur les systèmes linéaires à commutations
Dans la suite de la thèse, on note par Σ = {Σ1 , · · · , ΣN } l’ensemble de tous les

systèmes linéaires constituant le SLC (1.3.1).
Afin de présenter le contexte général dans lequel s’inscrit l’approche de synthèse

d’observateur qu’on propose, on passera en revue dans la suite de cette section,
les concepts fondamentaux d’estimation dans les SLC. Ainsi, un état de l’art sur
l’estimation dans un SLC sera présenté.
1.3.2 Notions générales sur l’estimation d’état hybride dans les

SLC.
1.3.2.1 Problèmes d’observation
Dans plusieurs systèmes, la connaissance en temps réel de certaines variables est

une étape importante voire indispensable pour la synthèse de lois de commande, la
détection et le diagnostic de défauts ou la supervision [Besançon 07] (figure 1.3.1).
Ces variables peuvent être déterminées en utilisant des capteurs physiques pour
mesurer directement certaines grandeurs. Néanmoins, pour des raisons techniques,
ces derniers ne sont pas toujours éligibles pour être installés ou peuvent être trop
couteux. Par conséquent, une autre alternative a été proposée. Celle-ci repose sur
la synthèse d’observateur d’état permettant l’estimation de l’état du système.
Ces observateurs sont des algorithmes basés sur un modèle du système. Ils estiment
l’état du système en se basant sur les variables connues, à savoir ; la commande u
et la sortie mesurée y.
La synthèse d’un observateur est généralement basée sur le principe de retour

d’information. En effet, si l’état initial x (0) connu et l’état discret λ est disponible,
l’observateur peut reconstruire à partir de cet état initial, l’état complet x en
intégrant le système (1.3.1). Néanmoins, si cet état initial est inconnu, la tâche
devient plus compliquée. Ainsi, à partir d’une condition initiale quelconque x̂ (0),
l’observateur essaye de corriger l’estimation de l’état x̂ en se basant sur l’erreur
entre la sortie mesurée et estimée.
19
Perturbations
Système à commander
Actions Entrées Sorties mesurées
Processus Capteur
Identifications Surveillance
Observateur (défauts)
(paramètres)
Commande
Figure 1.3.1 – Le rôle d’un observateur dans un processus
1.3.2.2 Synthèse d’observateurs dans les SLC
L’observateur d’état a été introduit au début pour les systèmes linéaires [Luenberger 66]
[Kalman 60]. Dans ce cas, la convergence de l’observateur proposé est basée sur
un choix adéquat d’un gain L permettant de rendre la matrice A − LC stable. Le
calcul de ce gain est basé généralement sur une technique de placement de pôles
pour l’observateur de Luenberger ou en résolvant une équation de Ricatti pour
l’observateur de Kalman.
La synthèse d’observateur pour les SLC a été traitée par différents chercheurs.
La différence entre les approches existantes est liée généralement à la connais-
sance ou non de l’état discret et/ou de l’état continu. En effet, certaines approches
considèrent que l’un des deux états est inconnu et l’objectif principal repose sur
l’estimation de l’état inconnu en utilisant l’état et les autres variables connues. Par
exemple, l’estimation de l’état continu en supposant que l’état discret est connu (fi-
gure 1.3.2) a été étudiée par plusieurs chercheurs. Dans ce contexte, on peut citer
par exemple les travaux de Alessandri et al. dans [Alessandri 01, Alessandri 03]
dans lesquels une extension de l’observateur de Luenberger pour un SLC avec
20
un état discret connu a été faite. Dans le même cadre, Bejarano et al. ont pro-
posé dans [Bejarano 11b, Bejarano 11c], un observateur basé sur les techniques
des modes glissants pour estimer l’état d’un SLC avec des entrées inconnues et
état discret connu. Dans le même contexte, nous trouvons les travaux de Defoort
et al. [Defoort 12] dans lesquels, un observateur d’ordre réduit a été synthétisé.
L’observateur proposé permet l’estimation de l’état continu pour un SLC avec des
entrées inconnues. La classe étudiée de systèmes comprend des systèmes ayant des
modes dans lesquels l’état n’est pas entièrement observable.
y
u Système
Observateur continu:
Estimation de l’état continu x̂
Figure 1.3.2 – Observateur continu
D’autres travaux ont porté sur l’estimation de l’état discret en supposant que
l’état continu est connu (figure 1.3.3). Ce problème a été étudié par Orani et al
dans [Orani 11]. En effet, l’état continu a été supposé connu et un algorithme basé
sur les techniques des modes glissants a été proposé afin de reconstruire l’état
discret dans un système à commutations non linéaires incertains. Des méthodes
algébriques ont été utilisées dans [Fliess 08] afin de reconstruire en temps réel le
signal de commutations.
Lorsque l’état discret et l’état continu du système sont tous les deux non dis-
ponibles, le problème de l’estimation simultanée de ces deux états semble être
particulièrement difficile et la tâche devient plus compliquée. Ainsi, l’observateur
est généralement constitué de deux parties ; une pour reconstruire l’état discret et
une autre pour estimer l’état continu du SLC. Dans ce contexte, ce problème a été
étudié par plusieurs chercheurs et a été abordé avec deux approches. La première
(figure 1.3.4) consiste à estimer l’état continu dans un premier lieu et d’estimer
l’état discret dans un second lieu. Dans ce cadre, on trouve les travaux de Saa-
21
y
u Système
x
Observateur discret:
λ̂
Estimation de l’état discret
Figure 1.3.3 – Observateur discret
daoui et al [Saadaoui 07] où un observateur hybride basé sur un algorithme de

super twisting a été proposé pour un système à commutations avec sauts afin de
reconstruire l’état continu du système. L’état continu estimé est utilisé par la suite
pour estimer la partie discrète.
La deuxième approche traite l’estimation d’une manière inverse. En effet, une es-
timation de l’état discret se fait dans un premier temps afin de l’utiliser pour
estimer l’état continu dans un deuxième temps (figure 1.3.5). Balluchi a traité ce
problème dans [Balluchi 02]. Il a proposé un observateur hybride constitué d’une
part, d’un observateur discret qui identifie l’état discret du système et d’autre
part, d’un observateur continu qui converge d’une façon exponentielle afin d’esti-
mer l’état continu du système. Dans [Saadaoui 06b], Saadaoui et al. ont synthétisé
un observateur en mode glissant d’ordre deux permettant de reconstruire les états
continus et discrets dans un système à commutations. Dans [Saadaoui 06a], un
observateur basé sur les techniques des modes glissants est appliqué pour l’estima-
tion de l’état continu en présence d’incertitudes. Dans le même contexte, Bejarano
et al. ont synthétisé dans [Bejarano 09] [Bejarano 11a], un observateur basé sur
les techniques des modes glissants, permettant de reconstruire en un temps fini,
l’état discret dans un premier lieu et l’état continu dans un second lieu dans un
SLC. Une batterie d’observateurs et un algorithme de décision ont été synthéti-
sés dans [Hector 12] afin d’estimer simultanément, l’état continu et l’état discret
22
u . Système . y
. Observateur continu:
.
.
x̂
Estimation de l’état continu
Observateur discret:
λ̂
Estimation de l’état discret
Figure 1.3.4 – Observateur hybride : Estimation de l’état discret à partir de l’état

continu estimé
dans un SLC. Dans [Van Gorp 14], une estimation simultanée de l’état discret,
de l’état continu et des entrées inconnues dans un SLC a été réalisée. L’identi-
fication de l’état discret a été effectuée dans un premier temps en utilisant un
observateur par modes glissants d’ordre deux associé à une logique de décision. Ce
même observateur permet également l’estimation de l’entrée inconnue en temps
fini. L’état continu est reconstruit par un second observateur hybride fondé sur
les techniques d’observation par modes glissants d’ordre supérieur, qui utilise les
informations partielles disponibles de l’état provenant de chaque mode de fonction-
nement. Dans le même contexte, Arichi et al. ont synthétisé dans [Arichi 14], un
observateur hybride constitué d’une partie discrète et d’une partie continue pour
estimer l’état discret et l’état continu du système. L’évolution de l’état discret du
système considéré est dirigée par un réseau de Petri.
Généralement, l’étude de la convergence d’un observateur d’état continu revient

à étudier la stabilité de la dynamique de l’erreur d’estimation qui se comporte
comme un SLC autonome. Ce problème est généralement étudié en se basant sur
la deuxième méthode de Lyapunov.
Dans la section suivante, on présente un tour d’horizon sur la stabilité des SLC.
23
u . Système . y
. Observateur discret:
. λ̂
. Estimation de l’état discret
Observateur continu:
x̂
Estimation de l’état continu
Figure 1.3.5 – Observateur hybride : Estimation de l’état continu à partir de

l’état discret estimé
1.3.3 Stabilité des systèmes linéaires à commutations
L’objectif de cette section n’est pas de faire une étude approfondie de la stabilité
des SLC. Il s’agit simplement de sensibiliser le lecteur à certains outils qui seront
nécessaires pour appréhender quelques développements qui seront présentés dans
les prochains chapitres.
Plusieurs travaux ont été réalisés afin de mettre au point des concepts de base sur
la stabilité des SLC. Par exemple, on peut citer les travaux de Decarlo et al. dans
[Decarlo 00], dans lesquels des résultats concernant la stabilité et la stabilisation
d’un SLC autonome ont été établis. Dans cet article, les auteurs ont utilisé des
fonctions de Lyapunov afin d’assurer la stabilité de système. Des conditions de
stabilité ont été formulées sous la forme d’inégalités matricielles linéaires (LMI).
De plus, ils ont montré que le choix de la séquence de commutations influe sur la
stabilité.
D’autre part, la stabilité asymptotique des SLC autonomes impulsifs a été égale-
ment étudiée par plusieurs chercheurs dans les deux dernières décennies. Dans cette
optique, on peut mentionner les travaux réalisés dans [Chen 12], dans lesquels, des
24
conditions suffisantes pour la stabilité en temps fini de ce type de systèmes ont été
données. On peut citer également les travaux présentés dans [Zhang 05] et [Liu 07],
où les auteurs ont étudié le problème de stabilité des SLC impulsifs avec retard.
La majorité des travaux sur la stabilité des SLC sont basés sur la deuxième mé-
thode de Lyapunov [Lin 09]. Dans la suite de ce chapitre, on présente quelques
fonctions de Lyapunov les plus employées, à savoir, les fonctions de Lyapunov qua-
dratiques communes (Common Quadratic Lyapunov Function (CQLF)), les fonc-
tions de Lyapunov quadratiques multiples (Multiple Quadratic Lyapunov Function
(MQLF) et les fonctions de Lyapunov quadratiques à commutations (Switched
Quadratic Lyapunov Function (SQLF).
1.3.3.1 Fonction de Lyapunov quadratique Commune
Il est bien connu que si tous les sous-systèmes linéaires d’un SLC partagent une
même fonction de Lyapunov quadratique connue sous le nom d’une CQLF, alors le
SLC est asymptotiquement stable pour tout signal de commutations [Dogruel 94].
Cela motive les chercheurs à la recherche de conditions d’existence des CQLF ainsi
que d’algorithmes permettant de les calculer.
D’autre part, les conditions d’existence d’une CQLF pour un SLC peuvent être
exprimées comme des inégalités matricielles linéaires (LMI) [Boyd 94]. La tâche qui
reste difficile étant la détermination des conditions algébriques (sur les matrices
d’états des sous-systèmes) pour l’existence d’une CQLF. Plusieurs travaux ont
été faits dans ce sens pour des cas particuliers. Par exemple, dans [Shorten 03],
Shorten et al. ont considéré un SLC d’ordre deux avec deux modes. Ils ont proposé
des conditions algébriques nécessaires et suffisantes pour l’existence d’une CQLF.
Dans [King 04], King et al. ont généralisé des conditions algébriques nécessaires et
suffisantes pour la non-existence d’une CQLF pour un SLC à deux modes d’ordre
trois.
Un résultat concerne la stabilité d’un SLC autonome en utilisant une CQLF, a été
établi dans [Boyd 94] . Ce résultat sera présenté dans le théorème suivant.
Théorème 1.1. [Boyd 94] Soit le SLC autonome donné par :
25
ẋ (t) = Aλ x (t) (1.3.3)
où λ ∈ I est l’état discret du système.
S’il existe une matrice P ∈ Rn×n symétrique définie positive P ∈ Rn×n vérifiant
P Ai + ATi P < 0, i∈I (1.3.4)
alors la fonction V (x) = xT P x est une CQLF pour le système (1.3.3). Le système
(1.3.3) est alors asymptotiquement stable.
1.3.3.2 Fonction de Lyapunov Quadratique Multiple
Une MQLF est une fonction de Lyapunov quadratique non classique, construite en
concaténant plusieurs fonctions de Lyapunov quadratiques. Chaque fonction est
décroissante dans sa région, mais la fonction globale peut être non décroissante
le long des trajectoires de l’état et peut contenir des discontinuités. De plus, elle
est continue et différentiable par morceaux. Ce type de fonctions peut être utilisé
pour assurer la stabilité d’un SLC. De plus, l’avantage de ces fonctions est qu’elles
sont moins conservatives par rapport aux CQLF.
Dans la littérature, on trouve plusieurs travaux qui utilisent des MQLF. Un ré-
sultat intuitif est présenté dans [Decarlo 00] dans lequel la MQLF décroit dans
chaque mode actif et sa valeur après chaque instant de commutations est toujours
inférieure à celle avant ces instants (figure 1.3.6 (a)).
D’autre part, il est possible de trouver des MQLF qui décroissent dans chaque
mode actif mais après chaque instant de commutations, elles peuvent prendre des
valeurs plus grandes que les valeurs avant la commutation [Branicky 98] (1.3.6 (b)).
Ces fonctions de Lyapunov sont discontinues à chaque instant de commutations.
Dans ce qui suit, on présente une définition d’une MLQF présenté par Peleties et
al. dans [Peleties 91].
26
(a) (b)
V (t ) V (t )
t1 t2 t3 t t1 t2 t3 t
Figure 1.3.6 – Fonction de Lyapunov Multiple : (a) Sa valeur croit après chaque
instant de commutations, (b) Sa valeur ne croit pas après chaque
instant de commutations
Définition 1.2. [Peleties 91] Considérons le SLC (1.3.3). La famille des fonctions
n o
Vi (x) = xT Pi x, i ∈ I représente une MQLF si elle satisfait les propriétés sui-
vantes :
— Chaque champ de vecteur Ai x a sa propre fonction de Lyapunov Vi (x) =

xT P i x ;
— Vi (x) = xT Pi x > 0 ∀x 6= 0 et Vi (0) = 0 ;
— ∀i ∈ I, V̇i (x) = dV i
dx i
A x (t) ≤ 0.
1.3.3.3 Fonction de Lyapunov quadratique à commutations
En raison du conservatisme des CQLF, une attention particulière a été portée sur
une autre classe des fonctions de Lyapunov moins conservatrices appelées SQLF
[Daafouz 02] [Fang 04] [Lin 09].
Dans le cas où chaque sous-système du SLC est stable, la SQLF peut être définie
de la façon suivante :
V (t, x (t)) = xT (t) Pλ x (t) (1.3.5)
27
Dans cette équation, la matrice Pλ est définie par
N
X
ξi (t) Pi
i=1

 1, si λ = i
avec ξi (t) =  et pour tout i ∈ I, Pi est une matrice symétrique,
0, sinon
définie, positive et vérifie la stabilité asymptotique pour le ième sous-système.
Ce type de fonctions sera utilisé dans le deuxième et le quatrième chapitre afin
d’assurer la stabilité asymptotique de l’erreur d’estimation qui se représente par
un SLC autonome impulsif :

 ẋ (t) = Aλ x (t) si λ(t+ ) = λ(t− )
(1.3.6)
 x(t+ ) = G + x(t− ) si λ(t+ ) 6= λ(t− )
λ,λ
avec λ l’état discret du système et les matrices Gλ,λ+ représentent les matrices des
sauts de l’état x aux instants de commutations particuliers. Par exemple, si à un
instant tc , le système (1.3.6) commute du mode i vers le mode j, un saut apparait
−
dans l’état x, défini par x (t+c ) = Gi,j x (tc ).
Par conséquent, on présente dans le théorème suivant quelques conditions de sta-

bilité pour ce système.
Théorème 1.2. [Xie 06] Considérons le SLC (1.3.6). Les propriétés suivantes
sont équivalentes :
(a) Il existe une SQLF définie par (1.3.5) assurant la stabilité asymptotique du
système (1.3.6) ;
(b) Il existe des matrices symétriques, définies positives P1 , · · · , PN satisfaisant
les conditions suivantes :
ATi Pi + Pi Ai < 0, i ∈ I; (1.3.7)
 
Pi GTi,j Pj 
 ≥ 0 i, j ∈ I; (1.3.8)
Pj Gi,j Pj
28
1.4 Problématiques et objectifs du diagnostic des systèmes dynamiques
avec j le mode successeur du mode i.
Il est évident que lorsque Pi = Pj pour tout i, j ∈ I, la fonction SQLF devient

une CQLF. Par conséquent, les critères de stabilité basés sur les SQLF généra-
lisent l’approche basée sur les CQLF et donnent généralement des résultats moins
conservatifs. Cependant, trouver une SQLF ne reste qu’une condition suffisante
pour la stabilité.
Une analyse des études réalisées dans le cadre des SLC prouve que si les travaux
effectuée dans le contexte de l’observabilité, de l’estimation et de la stabilité des
SLC ont abouti à une maturité importante, le diagnostic des SLC mérite d’être
encore approfondi.
Afin de présenter le contexte général dans lequel s’inscrit l’approche proposée dans
cette thèse, on passera en revue dans la section suivante quelques concepts fonda-
mentaux de diagnostic à base de modèle des systèmes dynamiques et particulière-
ment des SLC. Un état de l’art autour de l’estimation et le diagnostic des défauts
dans les SLC sera présenté. Ceci nous permet de mettre en évidence les avantages
et les limitations des méthodes développées, et de définir les orientations de nos
travaux de thèse.
1.4 Problématiques et objectifs du diagnostic des

systèmes dynamiques
Pour de nombreuses applications industrielles, la fiabilité et la performance sont

parmi les critères les plus importants. Une fois qu’un défaut capteur, actionneur
ou défaillance de capteur se produit dans le système, le fonctionnement de celui-ci
peut être considérablement réduit, allant de la dégradation de la performance à
l’instabilité. La présence d’un défaut est alors un danger aussi bien pour le système,
que pour l’opérateur humain. Dans ce contexte, la sûreté de fonctionnement et la
sécurité de l’opérateur humain sont devenues un véritable enjeu sociétal. Pour ces
raisons, des méthodes de diagnostic de défauts ont été développées. Ces méthodes
permettent d’améliorer la fiabilité individuelle des différents équipements. Bien que
29
restreint dans le passé à des domaines à haut niveau de risque, comme l’aéronau-
tique, l’astronautique ou les centrales nucléaires, le diagnostic tend à être présent
dans tous les domaines autant pour des problèmes de sécurité que de fiabilité et
de coût.
Généralement, les techniques de diagnostic sont divisées en deux classes diffé-
rentes. La première étant la classe des méthodes sans modèle de référence. Dans ce
cas, l’état du système est déterminé par l’analyse des données. On peut citer par
exemple les travaux de Zhang et al. [Zhang 02] dans lesquels, des algorithmes d’ap-
prentissage basés sur les réseaux de neurones ont été utilisés. D’autres méthodes
de diagnostic sans modèle ont été employées dans [Akhenak 08] en se basant sur
une identification basée sur un filtre de Kalman.
La deuxième classe des méthodes de diagnostic est la classe des méthodes à base
de modèle. Ces méthodes exploitent un modèle mathématique afin de voir si le
fonctionnement du système est normal ou anormal. Elles se basent sur les redon-
dances qui existent entre les différentes variables mesurées en terme de relation
statique ou dynamique. En d’autres termes, le diagnostic à base de modèle s’ap-
puie sur le test de cohérence permettant de voir s’il y a des contradictions entre les
observations et les prédictions effectuées par un modèle de référence. Ceci permet
de vérifier la présence des défauts (détection) et de leur localisation [Fourlas 02]
[Bhowal 07] [Chafouk 17]. Dans le cadre de notre thèse, on s’intéresse seulement
aux méthodes de diagnostic à base de modèle.
Avant de passer en revue ces méthodes, on présente dans la section suivante une
classification de différents types de défauts.
1.4.1 Classification des défauts
Les défauts représentent des événements qui apparaissent à différents endroits du

système. Ainsi, on distingue deux types de classification [Sharma 15].
Le premier type étant la classification basée sur la nature de l’organe physique
affecté. Celle-ci représente trois classes de défauts :
— Les défauts actionneurs [Blanke 06] : Ces défauts agissent sur la partie opé-
rative du système et se rajoutent ou se multiplient généralement aux si-
30
gnaux d’entrées du système. Ils provoquent la perte partielle ou totale du

fonctionnement du système.
— Les défauts de systèmes [Blanke 06] : Dans ce cas, les défauts provoquent
certains changements dans le système en introduisant une relation dyna-
mique invalide entre les différentes variables physiques.
— Les défauts capteurs [Blanke 06] : Ceux-ci peuvent être visualisés comme
des variations importantes dans les mesures effectuées dans le système et
apparaissent sous la forme d’écarts entre les valeurs réelles et les valeurs
mesurées des variables de système.
Le deuxième type de classification est basé sur le comportement individuel des

défauts. Dans ce cas, on distingue trois classes de défauts (figure 1.4.1) :
— Les défauts abrupts : Ces défauts se produisent en raison d’un changement

brusque et de façon discontinue dans les valeurs des variables.
— Les défauts graduels : Ces défauts varient graduellement et se développent
lentement jusqu’à une valeur importante. L’usure lente d’un composant
dans un système industriel peut être définie comme un défaut graduel.
— Les défauts intermittents : Ils font l’objet de la troisième classe de ce type
de classification. Ils se produisent puis disparaissent de manière répétée sur
une période de temps [Isermann 06]. Pour maintenir un bon fonctionnement
du système, il devient nécessaire d’isoler ce défaut le plus tôt possible.
Défaut Défaut Défaut
Temps Temps Temps
Abrupt Graduel Intermittent
Figure 1.4.1 – Caractéristiques de défaut en fonction du temps
31
1.4.2 Diagnostic de défauts à base de modèle
Le diagnostic de défauts à base de modèle repose sur un test de cohérence entre

les observations et les prédictions effectuées par un modèle de référence. Il permet
non seulement d’indiquer la présence de défauts, mais également de les localiser
[Fourlas 02].
Dans le cadre des système continus, les méthodes de diagnostic à base de modèle
reposent sur l’étude des signaux indicateurs appelés résidus [De Flaugergues 09].
Ces derniers sont des signaux portant de l’information, basés sur l’écart entre les
mesures et les calculs basés sur le modèle. Dans la figure 1.4.2 on présente une
illustration du principe d’un système générateur de résidus.
()
u t y (t )
Actionneurs Système Capteurs
Générateurs
Commandes de résidus Mesures
Résidus
Figure 1.4.2 – Principe d’un système générateur de résidus
En fonctionnement normal (pas de défauts), les données d’entrées/sorties sont

cohérentes avec le modèle utilisé pour construire le générateur de résidus. Ainsi,
ces résidus sont théoriquement nuls. Lorsque un défaut apparait dans le système,
ces données d’entrées/sorties ne sont plus cohérentes avec le modèle et les résidus
prennent des valeurs significatives. Néanmoins, en pratique, des perturbations, des
bruits ou des erreurs de modélisation influent sur ces résidus et les rendent non
nuls même dans le cas où il n’y a aucun défaut. Par conséquent, afin d’avoir une
robustesse par rapport aux éléments néfastes mentionnés ci-avant, l’utilisation d’un
processus de décision s’avère nécessaire pour décider si un défaut apparait ou non.
32
Dans le cas des systèmes à événements discrets, un modèle représenté par une ma-
chine à état fini est utilisé afin d’effectuer la tâche de diagnostic. Ainsi, le système
est considéré comme un générateur d’événements. Le test de cohérence dans ce
type de systèmes consiste à vérifier s’il y a des contradictions entre les événements
prévus par le modèle et les événements observés [Sampath 95] [Sampath 96]. La
présence des défauts est déduite à partir d’une contradiction entre les deux types
d’événements.
Dans le cadre des SLC, différents travaux de diagnostic à base de modèle ont été
effectués durant ces deux dernières décennies. La majorité de ces travaux sont des
extensions des méthodes issues des systèmes continus. Pour cela, avant de passer
en revue les travaux de diagnostic à base de modèle des SLC, on aborde dans la
suite de cette section, les problèmes de diagnostic à base de modèle des systèmes
continus.
1.4.2.1 Diagnostic de défauts à base de modèle des systèmes continus
Dans le paragraphe précédent, on a mentionné que le diagnostic de défauts à

base de modèle des systèmes continus est basé sur l’étude de résidus. Dans la
littérature, on trouve différentes méthodes pour la génération de ces résidus. Parmi
ces méthodes, trois principales approches se dégagent (figure 1.4.3), celles basées
sur l’estimation paramétrique [Isermann 84], l’approche utilisant l’espace de parité
[Patton 94] et également celles à base d’observateurs ou des filtres [Frank 96].
33
Défaut
Processus Processus Capteurs
Système réel
Modèle nominal
Observateurs ou filtres Identification paramétrique Espace de parité
Génération de résidus
Prise de décision
Défaut
Figure 1.4.3 – Architecture de diagnostic à base de modèle
Un bloc d’évaluation des résidus pour effectuer des tests sur les résidus, est mis en
place, afin de décider si un défaut apparait ou non.
Les résidus sont obtenus en utilisant un algorithme appelé générateur de résidus.
Dans la littérature, la conception de cet algorithme est connue par le problème
fondamental de génération de résidus. La conception de ce générateur de résidus
peut être effectuée en utilisant trois approches.
Approches à base d’identification paramétriques
Ces méthodes consistent à vérifier la cohérence entre les différents paramètres du

système connus apriori et les paramètres estimés. L’erreur d’estimation entre ces
paramètres est considérée comme résidu. Cependant, un des inconvénients majeurs
de la méthode réside dans la nécessité d’avoir un système physique excité en per-
manence. Ceci pose donc des problèmes d’ordre pratique dans le cas de procédés
34
dangereux, coûteux ou fonctionnant en mode stationnaire. De plus, les relations

entre paramètres mathématiques et physiques ne sont pas toujours inversibles de
façon unique, ce qui complique la tâche du diagnostic basé sur les résidus. Le
lecteur intéressé par cette approche pourra consulter par exemple les travaux des
références suivants [Jiang 08] [Iqbal 09].
Approches à base de relations de redondance analytique
Les approches à base de relations de redondance analytique sont appelées égale-

ment approches de l’espace de parité. Ces approches consistent à vérifier la cohé-
rence dans des relations particulières, statiques ou dynamiques appelées « Rela-
tion de Redondance Analytique (RRA) » [Maquin 00] [Venkatasubramanian 03].
Les procédures de génération de résidus sont basées sur deux approches princi-
pales distinctes [Maquin 97]. La première (approche directe) consiste à éliminer
toutes les variables inconnues (états, entrées inconnues...) en conservant les rela-
tions entrées/sorties impliquant uniquement des variables observables. La seconde
approche (approche indirecte) estime des états, des sorties ou des paramètres afin
de générer des signaux obtenus en substituant les variables réelles par leurs esti-
mations. Cependant, le principal problème du diagnostic basé sur ces approches
est la robustesse par rapport aux incertitudes liées par exemple aux bruits ou à des
erreurs de modélisation. Pour les méthodes utilisant l’approche directe, lorsqu’un
découplage parfait n’est pas possible, un indice de performance qui mesure la sensi-
bilité aux défauts et l’insensibilité aux incertitudes est optimisé. D’autre part, dans
le cas des méthodes utilisant les approches indirectes, la procédure d’estimation
doit être également insensible aux incertitudes inconnues.
Approches à base d’observateurs ou de filtres
L’approche à base d’observateurs ou de filtres est l’approche la plus utilisée dans le

diagnostic de défauts à base de modèles. L’idée de base de cette approche est d’uti-
liser des observateurs ou des filtres pour estimer les états du système à partir des
mesures. Les erreurs d’estimation de la sortie sont considérées comme des résidus.
Ces derniers doivent servir d’indicateurs fiables de comportement du processus.
35
Ils sont théoriquement nuls dans le cas sans défauts (dans la pratique, ils sont
inférieurs à un seuil prédéfini). Lorsque un défaut apparait, ces résidus prennent
des valeurs considérables à partir desquelles nous concluons la présence d’un dé-
faut. Les observateurs ont été adaptés à des fins de diagnostic. Ainsi, on trouve
dans la littérature différents travaux basés sur ces approches. A titre d’exemple,
Chafouk et al. ont abordé dans [Chafouk 15], le problème de détection et d’isole-
ment des défauts capteurs, dans un générateur d’induction à double alimentation
piloté par une éolienne. Un observateur à entrées inconnues utilisant des modèles
Takagi-Sugeno a été utilisé pour l’estimation de l’état et la détection et l’isolation
des défauts capteurs. Dans le même contexte, nous trouvons également les travaux
de [Zhou 06] [Odgaard 10], où des observateurs à entrées inconnues ont été syn-
thétisés pour la détection des défauts. Ces observateurs doivent être robustes par
rapport aux incertitudes.
Après la génération des résidus, l’étape suivante consiste à surveiller les caracté-
ristiques de chacun d’entre eux. Lorsqu’une des caractéristiques du résidu change,
des méthodes de décision peuvent conclure à l’apparition d’un défaut. Cette étape
représente l’étape de détection de défauts et sera présentée dans le paragraphe
suivant.
a- La détection de défauts
L’étape de détection qui s’exerce lors de chaque procédure de diagnostic, n’est
pas une tâche triviale car les résidus ne sont pas des grandeurs déterministes,
mais plutôt des variables aléatoires dues aux bruits de mesures et aux erreurs de
modélisation. Il convient donc de donner un sens mathématique à ce problème de
décision en le formulant dans un cadre statistique.
Des méthodes de décision utilisant des tests d’hypothèses statistiques ou des mé-
thodes d’évaluation basées sur la norme du résidu ont été employées dans la litté-
rature [Ding 08] afin de détecter les défauts avec la plus grande précision possible.
Elles sont généralement considérées en tenant compte des erreurs de modélisation,
des bruits de mesures, des imprécisions de modélisation,...etc. Ces méthodes as-
surent le bon fonctionnement du système en surveillant l’apparition des défauts.
Lorsqu’un défaut se produit, le fonctionnement réel du système n’est plus cohérent
avec le modèle de fonctionnement sain, ainsi une alarme se déclenche indiquant la
36
présence d’une panne.

Généralement, les méthodes de test d’hypothèses statistiques consistent en la dé-
tection des changements des caractéristiques statistiques du résidus, à savoir ;
la moyenne et la variance. A titre d’exemple, le test de somme cumulée ap-
pelé test de Page-Hinkley consiste en la détection en ligne des changements de
moyenne. Cette méthode est simple à mettre en œuvre, rapide et robuste au bruit
[Basseville 88]. Nous trouvons également d’autres tests d’hypothèses statistiques
comme par exemple le test de maximum de vraisemblance généralisé introduit dans
[Willsky 76]. Cet algorithme consiste à chercher une forme particulière de rupture
dans les résidus qui représente un changement de caractéristique.
D’autre part, les méthodes d’évaluation basées sur la norme de résidu ont été
initiées dans [Emami-Naeini 88]. Dans ce papier les auteurs ont proposé d’utiliser
la moyenne quadratique (RMS) afin d’évaluer le résidu. Ils ont appliqué ce concept
afin de faire face aux problèmes d’évaluation des résidus dans lesquels la norme
est considérée comme fonction d’évaluation du résidu. Ainsi, un seuil de détection
doit être fixé dans les conditions de fonctionnement normal du système, à la limite
de la tolérance du modèle par rapport aux erreurs de modélisation, aux bruits de
mesures et aux incertitudes de modèle.
b- La localisation des défauts
Une fois le défaut détecté, sa localisation permet de définir son origine ou sa
nature. De plus, lorsqu’il est bien localisé et sa nature a été bien identifiée, le
système peut être reconfiguré pour fonctionner avec un niveau de sécurité tolérable.
Par conséquent, la localisation est une étape primordiale dans le diagnostic, et
particulièrement nécessaire à l’application d’une commande tolérante aux défauts.
De plus, elle permet à l’opérateur humain, de savoir quelle partie est défectueuse
afin de la réparer.
Les défauts peuvent être simples comme ils peuvent être multiples. La probabilité
d’avoir plusieurs défauts en même temps est faible. Néanmoins, un défaut grave
peut agir sur le fonctionnement du système et provoquer d’autres défauts. Alors,
il est intéressant de chercher une structure du résidu la plus efficace possible afin
d’avoir une évaluation correcte. Ceci peut être réalisé en se basant sur la signature
du défaut qui représente l’effet de celui-ci sur un ou plusieurs résidus. Ainsi, la
37
procédure de localisation nécessite d’utiliser un ensemble (ou vecteur) de résidus

[Domlan 06]. Afin d’assurer d’une manière fiable la localisation des défauts, le
vecteur de résidus doit avoir quelques propriétés nécessaires à la caractérisation de
chaque défaut d’une façon unique. Dans la littérature, on distingue deux types de
résidus, à savoir ; les résidus structurés et les résidus directionnels.
Les résidus structurés
La construction des résidus structurés se fait de telle sorte que chacun d’entre
eux soit affecté par un sous ensemble de défauts et insensible au reste de défauts.
De plus, pour un défaut donné, une seule partie des résidus réagit en présen-
tant une valeur différente de zéro permettant d’alerter la présence d’un défaut
[Venkatasubramanian 03].
Deux étapes sont nécessaires pour la conception de ces résidus. La première consiste
à définir les sensibilités (ou robustesses) désirées des résidus liés aux défauts à dé-
tecter (ou à ne pas détecter). La deuxième étape consiste à concevoir le générateur
de résidus approprié. Une table binaire, appelée table des signatures théoriques,
contenant les différentes informations de sensibilité et de robustesse souhaitées
pour les résidus, est construite. Chaque ligne i de cette table correspond au ième
résidu et définie un mot binaire Sri .
Afin de comprendre le principe de diagnostic de défauts en utilisant les résidus

structurés et la table des signatures, on considère l’ensemble de défauts φ =
{f1 , · · · , fl } d’ordre l.
La structure d’un résidu ri par rapport à l’ensemble de défauts φ est représentée

par le mot binaire Sri composé de l bits (Si,j ) (j = 1, · · · , l), chacun d’entre eux
est donné par :
— Si,j = 1 si le résidu ri est affecté par le défaut fj .
— Si,j = 0 si le résidu ri n’est pas affecté par le défaut fj .
Lorsque la table des signatures théoriques est construite, une procédure de détec-
tion est appliquée à chaque résidu afin de trouver à chaque instant la signature
réelle des résidus. Dans le cas où cette signature réelle est nulle, alors on peut
conclure que le système ne contient pas de défauts, ainsi, il est déclaré sain. Une
38
fois qu’un défaut apparait, au moins un des résidus générés est sensible à ce dé-
faut. Ainsi, la signature réelle devient différente de zéro. Une comparaison entre
les signatures de la table des signatures théoriques et la signature réelle fait l’objet
de la procédure de la localisation.
Les résidus directionnels
Les résidus directionnels représentent une alternative aux résidus structurés. Ils
sont construits de telle sorte que lorsqu’un défaut se présente, le vecteur des résidus
se dirige vers une direction dans l’espace des résidus (figure 1.4.4) [Campos-Delgado 11].
!
v2 !
! v3
v1 !
r1
Figure 1.4.4 – Résidus directionnels
Un vecteur de résidu directionnel →

−
r (t), en réponse à un défaut fi (i = 1, · · · , l),
peut être exprimé sous la forme :
→
−
r (t/fi ) = αi (t) →
−
v i, i = 1, · · · , l
où →−
v i étant un vecteur constant appelé signature directionnelle du défaut i dans
l’espace des résidus et αi représente un scalaire qui dépend des caractéristiques du
défaut.
Un défaut peut être localisé en se basant sur ce vecteur de résidus. En effet, la
localisation de défaut se fait par la détermination de la signature directionnelle
théorique la plus proche de la signature directionnelle calculée. Par exemple, dans
la figure 1.4.4, le vecteur →
−
r 1 représente une signature réelle du résidu à un instant
donné. On remarque que ce résidu est plus proche de la signature directionnelle
théorique du défaut 3. Alors, à cet instant, le défaut 3 est probablement présent.
39
1.4.2.2 Diagnostic des systèmes linéaires à commutations
Dans un SLC, les défauts peuvent apparaitre dans la partie continue et/ou la partie
discrète. Ils peuvent survenir sur l’état discret avec un blocage au niveau du mode
actif ou avec une commutation non attendue. D’autre part, les défauts peuvent
agir sur l’état continu du système. Ainsi, afin d’assurer le bon fonctionnement de
ce type de systèmes, la conception des outils de diagnostic pour les SLC est de-
venu un challenge théorique. Dans ce cadre, à notre connaissance, la majorité des
travaux autour du diagnostic consiste en des extensions des méthodes issues des
systèmes continus. Ainsi, on peut distinguer deux situations possibles dépendent
de la disponibilité ou non de l’état discret du SLC à chaque instant. Lorsque l’état
discret est disponible, la tâche de diagnostic ne nécessite pas la détermination de
l’état discret. Dans le cas contraire, la tâche devient plus difficile et la procédure de
diagnostic d’un SLC commence par la mise en œuvre des techniques permettant
d’identifier l’état discret afin de connaître le sous système linéaire actif à diag-
nostiquer. Cette problématique a été traitée dans plusieurs travaux de recherche
[Alessandri 03] [Domlan 07] où des méthodes de diagnostic à base de modèle sont
utilisées.
Dans ce qui suit, on passe en revue quelques méthodes de diagnostic des SLC, en
respectant une classification selon, les méthodes de diagnostic des SLC avec état
discret connu ainsi que celles avec état discret inconnu.
a- Méthodes de diagnostic des SLC avec état discret connu
Dans le cadre de diagnostic à base de modèle des SLC avec état discret connu,
différents travaux ont été développés. Par exemple, dans [Iftikhar 12], Iftikhar et
al. se sont basés sur des fonctions de Lyapunov multiples afin de synthétiser un
filtre robuste de détection pour un SLC en temps discret. Dans leurs travaux, les
auteurs ont appliqué des contraintes de temps de séjour moyen sur la séquence
de commutations supposée connue afin d’assurer la stabilité du système. D’autre
part, afin de minimiser l’effet d’entrées inconnues et maximiser l’effet de défauts
sur le signal résiduel, une méthode de découplage a été utilisée. Dans le même
contexte, Du et al. ont étudié dans [Du 12] le problème de la conception de filtre
de détection de défauts pour les SLC en temps continu. En effet, la synthèse d’un
40
tel filtre est faite de telle sorte que l’erreur d’estimation entre le résidu et le défaut
soit minimisée au sens de la norme H∞ . De plus, les auteurs ont utilisé une fonction
de Lyapunov par morceaux afin de formuler des conditions suffisantes en termes
d’inégalités matricielles linéaires (LMI) pour l’existence d’un tel filtre.
Par ailleurs, d’autres chercheurs ont opté pour des méthodes de diagnostic à base
d’observateurs. A titre d’exemple, dans [Abdo 10], le problème de détection des
défauts pour des SLC en temps continu avec des entrées inconnues et état discret
connu a été abordé. Dans ces travaux, les auteurs ont synthétisé un observateur
basé sur un générateur de résidus et robuste par rapport aux entrées inconnues afin
de détecter les défauts. Dans le même contexte, VanGorp et al. [Van Gorp 15] ont
considéré le problème de détection des défauts qui se produisent sur la partie conti-
nue du système pour un SLC en temps continu non observable au sens classique.
Un signal résiduel basé sur des observateurs en modes glissants a été introduit sans
utiliser une transformation de découplage, afin de détecter ces défauts. Des études
sur le convertisseur multicellulaire en cascade et sur le convertisseur amplificateur
ont été effectuées pour détecter un défaut correspondant au vieillissement d’un
condensateur. VanGorp et al. ont proposé dans [Van Gorp 13] une méthode de
diagnostic pour des systèmes à commutations pouvant ne pas satisfaire aux condi-
tions de diagnostic classiques. Dans [Abdo 13], une nouvelle approche d’évaluation
du signal résiduel a été proposée afin de synthétiser un système de détection de
défauts pour les SLC en temps discret. Les informations disponibles pour chaque
sous-modèle local sont utilisées afin d’intégrer les signaux résiduels dans le système
de détection de défauts. Dans cet article, la convergence de l’erreur d’estimation a
été garantie en utilisant des fonctions de Lyapunov à commutations. Ainsi, les pro-
blèmes d’optimisation ont été formulés sous la forme de LMI. Ces inégalités ont été
formulées également dans [Farhat 16] pour la détection de défauts et l’estimation
d’état des SLC en temps discret.
b- Méthodes de diagnostic à base de modèle des SLC avec état discret

inconnu
Différents travaux de diagnostic à base de modèle des SLC avec état discret inconnu
ont été faits durant ces deux dernières décennies. Dans ce cas, le diagnostic d’un
tel système commence par la mise en œuvre de méthodes permettant de connaitre
41
à tout instant, le modèle de fonctionnement actif. Ceci permet d’avoir une connais-
sance supplémentaire quant à l’évolution du système et de permettre un meilleur
suivi de ce dernier. Différentes publications ont porté sur ce problème délicat. A
titre d’exemple, Pissano et al. ont synthétisé dans [Pisano 12] un observateur basé
sur les modes glissants, permettant d’estimer l’état discret et de détecter les défauts
dans un SLC incertain en temps continu. Dans le même contexte, une attention
particulière a été portée également aux SLC avec des entrées inconnues. En effet,
dans [Belkhiat 11], Belkhiat et al. se sont basés sur une approche H∞ afin de syn-
thétiser un observateur robuste permettant de détecter les défauts dans un SLC
en temps continu avec entrées inconnues et état discret inconnu. Ces auteurs ont
développé également dans [Belkhiat 12], un observateur hybride pour la détection
et l’isolation de défauts dans un SLC en temps continu. L’observateur proposé,
utilise trois blocs en interaction. Un bloc génère les signatures de modes, un autre
pour la génération des signatures des défauts et un dernier pour le diagnostic des
évènements discrets observés. Des conditions LMI sont formulées afin de garantir
la robustesse et la convergence des observateurs. Dans [Balluchi 02], une extension
des méthodes basées sur des observateurs hybrides et sur la génération des rési-
dus, a été effectuée afin de détecter les défauts. La majorité de ces travaux à base
d’observateurs hybrides reposent sur le principe de génération des résidus issus de
la substitution des données estimées par les observations réelles.
D’autre part, une attention particulière a été portée sur l’extension des techniques
de détection et de localisation des défauts à base de modèle quantitatifs appliquées
aux systèmes continus. En effet, dans [Cocquempot 04], une extension d’une ap-
proche basée sur l’espace de parité a été proposée pour un SLC afin de détecter
les instants de commutations, d’estimer le mode actif du système et de détecter
les défauts.
1.4.3 Estimation des défauts
Dans le cadre des SLC, les problèmes d’estimation des défauts sont généralement
des extensions des méthodes issues des systèmes continus. A titre d’exemple, Du et
al. ont conçu dans [Du 16], un algorithme d’estimation de défauts, en se basant sur
42
1.5 Conclusion
un observateur d’ordre réduit et sur une fonction de Lyapunov à commutations.

Ces auteurs ont étudié également dans [Du 14], les problèmes de détection et d’es-
timation des défauts pour un SLC en temps discret. Dans ces travaux, les auteurs
ont synthétisé dans un premier temps, un observateur pour un SLC augmenté qui
peut estimer simultanément, l’état et le défaut capteur. Dans un second temps, en
se basant sur le défaut estimé, une compensation de défaut capteur a été réalisée
afin d’améliorer les performances. D’autre part, dans [Du 15], un observateur de
détection de défaut est utilisé afin de générer un résidu. Le défaut est détecté, si
le résidu généré dépasse un seuil choisi apriori. Par la suite, l’amplitude de défaut
est estimée en ligne en utilisant une loi de mise à jour des paramètres appropriés.
Par ailleurs, le problème d’estimation des défauts dans les SLC en temps continu
avec retard a été également étudié. Dans ce contexte, Du et al. ont développé
dans [Du 10] un algorithme adaptatif permettant d’estimer les défauts constants
ou variables dans le temps. D’autre part, l’identification et la compensation du
défaut capteur ont été étudiées dans [Yahia 16] pour un SLC en temps discret. En
effet, pour estimer le défaut, Yahia et al. ont employé une méthode de projection
des données. Celle-ci a l’avantage de la détection des défauts sans connaitre le
modèle mathématique. Cette approche consiste à projeter les matrices de sorties
sur l’orthogonal des matrices d’entrées afin d’estimer le défaut.
En résumé, bien que le problème de diagnostic à base de modèle en terme de

détection et de localisation a été largement étudié, l’estimation simultanée de l’état
discret, de l’état continu et des défauts dans un SLC, particulièrement avec bruit
de mesure, a reçu moins d’intérêt et mérite d’être encore approfondie.
1.5 Conclusion
Dans ce chapitre, une présentation générale des SDH a été effectuée. Nous nous
sommes particulièrement intéressés à une classe particulière de ce type de systèmes,
à savoir ; la classe des systèmes à commutations.
En tenant compte des objectifs de cette thèse, on s’est concentré sur les SLC et
les problématiques qu’y sont liées. Ainsi, dans un premier temps, on a commencé
43
par la description des SLC en donnant les définitions de base, suivi par une mo-
délisation. Par la suite, on a présenté des notions liées aux problèmes d’estimation
dans les SLC. Dans ce contexte, on a présenté dans un premier lieu, les objectifs
d’estimation. Dans un second lieu, on a passé en revue les travaux réalisés autour
de l’estimation dans les SLC.
Comme la fiabilité et la performance de l’estimation de l’état sont en relation
directe avec l’analyse de la stabilité, on a présenté alors ce problème dans la suite
de ce chapitre. Ainsi, les études évoquées dans ce contexte s’articulent autour du
principe de la deuxième méthode de Lyapunov. Dans ce cadre, on a présenté trois
fonctions de Lyapunov les plus utilisées dans la stabilité à savoirs, les fonctions
de Lyapunov quadratiques communes, les fonctions de Lyapunov quadratiques
multiples et les fonction de Lyapunov quadratiques à commutations.
Dans la dernière partie de ce chapitre, on s’est concentré sur les problèmes de
diagnostic dans les systèmes dynamiques et particulièrement dans les SLC. Dans
un premier temps, on a effectué une classification de différents types de défauts. Par
la suite, on a passé en revue quelques approches de diagnostic à base de modèle des
systèmes continus. Ensuite, une présentation de quelques méthodes de diagnostic
à base de modèle des SLC a été effectuée. Dans cette présentation, on a respecté
une classification des méthodes utilisées selon : les méthodes de diagnostic à base
de modèle des SLC avec état discret connu et les méthodes de diagnostic à base
de modèle des SLC avec état discret inconnu.
Grâce à l’état de l’art effectué autour de l’estimation et du diagnostic dans les
SLC, on a remarqué que la majorité des travaux effectués autour du diagnostic
de défauts dans les SLC est basée sur les notions de détection et de localisation
de défauts. Toutefois, en raison des bruits et des incertitudes de modélisation, un
défaut de faible amplitude peut être masqué, et la détection et la localisation par
les méthodes classiques deviennent inopérantes. De plus, les défauts intermittents
et graduels sont deux classes de défauts qui ne sont pas facilement détectés par les
méthodes standards. Cependant, dans certaines applications, un défaut doit être
détecté afin d’assurer un bon fonctionnement du processus.
L’estimation de défauts est une autre alternative qui représente une extension de
la détection et de la localisation. En effet, en plus de ces deux derniers, l’estima-
44
1.5 Conclusion
tion de défauts permet également la reconstruction de l’amplitude et de l’allure de

défauts, même à faible amplitude. Ainsi, bien qu’elle apporte des avantages dans
un processus de diagnostic, l’estimation de défauts a reçu moins d’intérêt que les
méthodes classiques de détection et de localisation et particulièrement pour les
SLC et mérite d’être encore approfondie. D’autre part, peu de travaux considèrent
l’estimation simultanée de l’état continu, de l’état discret et de défauts et particu-
lièrement dans un SLC avec bruit de mesure.
Ainsi, dans le cadre de notre thèse, nous allons opté pour une méthode d’estimation
simultanée de l’état continu, de l’état discret et de défauts dans un SLC en temps
continu et avec bruit de mesure. Le choix de cette classe de systèmes est justifié
par sa capacité à représenter une large classe de systèmes complexes.
Dans le prochain chapitre, en supposant que l’état discret est connu, nous présen-
tons une approche de synthèse d’observateur pour estimer simultanément l’état
continu et les défauts dans un SLC en temps continu avec bruit de mesure.
45
Chapitre 2
Synthèse d’un observateur hybride :

État discret du système connu
2.1 Introduction
La synthèse d’observateurs d’état pour les SLC dans la plupart de ses travaux
est effectuée en considérant un état discret connu, ce qui simplifie la synthèse de
l’observateur [Alessandri 01, Bejarano 11b, Bejarano 11c]. L’extension de l’obser-
vateur de Luenberger pour les SLC en temps continu et en temps discret a été
d’abord introduite dans [Alessandri 01]. Dans ces travaux, une approche LMI per-
mettant d’introduire une fonction coût de l’erreur d’estimation a été introduite
afin de synthétiser l’observateur d’une façon optimale.
D’autres chercheurs se sont basés sur les techniques des modes glissants afin de
synthétiser un observateur d’état pour estimer l’état continu dans un SLC avec des
entrées inconnues [Bejarano 11c]. L’observateur proposé assure une convergence en
un temps fini.
Dans le cas d’un système présentant des défauts, le problème de synthèse d’obser-
vateur pour l’estimation simultanée de l’état continu et des défauts a été également
traité par les chercheurs. Dans ce contexte, les premiers travaux ont été réalisés
pour des systèmes continus et datent des années quatre-vingt [Fukui 86][Walcott 88].
47
Chapitre 2 Synthèse d’un observateur hybride : État discret du système connu
Dans le cadre des SLC, la majorité des travaux sont des extensions des méthodes
issues des systèmes continus. Par exemple, un observateur adaptatif largement uti-
lisé pour les systèmes continus, a été étendu dans [Du 10] afin de synthétiser un
algorithme d’estimation adaptative pour estimer simultanément l’état continu et
les défauts dans un SLC en temps continu avec retard. Dans ces travaux, la mé-
thode proposée permet d’estimer les informations liées aux deux types de défauts
à savoir ; défaut constant et défaut variable dans le temps.
Toutefois, les défauts ou les perturbations peuvent être considérés comme des en-
trées inconnues. Dans ce contexte, différents chercheurs ont opté pour l’estimation
simultanée de l’état et des entrées inconnues en utilisant différentes méthodes. A
titre d’exemple, Bejarano et al. [Bejarano 11b] ont synthétisé deux observateurs de
Luenberger pour estimer l’état continu et l’entrée inconnue dans un SLC en temps
continu. Le premier observateur a été synthétisé pour le cas où les matrices des en-
trées inconnues sont linéairement dépendantes. Cette hypothèse permet d’estimer
l’état continu par l’observateur, pour une séquence de commutations arbitraire.
Par ailleurs, le deuxième observateur a été synthétisé pour des matrices des en-
trées inconnues arbitraires. Dans ce cas, la séquence de commutations doit vérifier
un certain temps de séjour minimum.
Dans ce chapitre, en supposant que l’état discret est connu, nous considérons le
problème d’estimation simultanée de l’état continu et des défauts dans un SLC
avec défauts et bruit de mesure. Une méthode de transformation de coordonnées
utilisée pour les systèmes linéaires dans [Park 04] sera étendue dans nos travaux,
afin de réaliser une projection de l’état continu dans une autre base et découpler
un sous-ensemble de l’état du système des défauts. Par la suite, deux observateurs
d’état et un estimateur de défauts vont être synthétisés.
Dans la deuxième partie de ce chapitre, nous allons présenter la problématique ainsi

que les objectifs. Par la suite, nous présentons les différentes étapes de synthèse
de deux observateurs d’état et de l’estimation des défauts. Le premier observateur
d’état est synthétisé dans le cas où les matrices de défauts sont identiques. Quant
au second observateur, il est synthétisé pour des matrices de défauts différentes.
Ainsi, des conditions sous forme de LMI, assurant la convergence de l’observateur
seront formulées et présentées pour chaque observateur proposé. Enfin, afin de
48
2.2 Présentation de la problématique et des hypothèses
montrer l’efficacité de l’approche proposée, nous présentons dans la dernière partie

de ce chapitre un exemple numérique.
2.2 Présentation de la problématique et des

hypothèses
D’une façon générale, l’occurrence d’un défaut dans un SLC peut affecter la partie
continue ou la partie discrète. Dans ce chapitre, nous nous intéressons seulement
à l’estimation des défauts affectant la partie continue, et plus particulièrement, les
défauts actionneurs. Nous considérons alors, tout au long de ce chapitre, le SLC
(1.3.1) en temps continu avec défauts actionneurs et bruits de mesure, défini par
le système suivant :

 ẋ (t) = Aλ x (t) + Bλ u (t) + Fλ f (t)
Σλ : (2.2.1)
 y (t) = Cλ x (t) + η (t)
avec x ∈ Rn étant l’état continu du système, u ∈ Rm désigne l’entrée connue ou

la commande, f ∈ Rl est le vecteur des défauts qui affecte le système. Le vecteur
y ∈ Rp représente la sortie du système et η ∈ Rp est un bruit de mesure. Pour
tout i ∈ I, les matrices Fi ∈ {F1 , · · · FN } sont des matrices connues de dimensions
appropriées.
Lorsque à un instant donné t, λ = i, i ∈ I, alors le ième sous système linéaire

(2.2.2) est actif.

 ẋ (t) = Ai x (t) + Bi u (t) + Fi f (t)
Σi :  (2.2.2)
y (t) = Ci x (t) + η (t)
Ce dernier possède une dynamique régie par le quadruplet de matrices (Ai , Bi , Ci , Fi )
Un modèle formel d’un automate hybride pour le SLC (2.2.1) peut être donné par :
HSLC = {Q, X, h, Init, Inv, E, G, R} (2.2.3)
49
avec Q = I est un ensemble fini de modes. Chacun d’entre eux est représenté
par un sous-système Σi donné par (2.2.2). L’espace d’état continu est représenté
par l’ensemble X = Rn . La fonction h (λ, x) représente l’évolution du SLC, elle
est donnée par les deux équations du système (2.2.1). Quant à l’état initial du
système, il est représenté par un état hybride {q0 } × {x0 ∈ Rn }. Le domaine in-
variant Inv (q), l’ensemble de transitions discrètes E et l’ensemble des conditions
de garde G dépendent de l’état discret λ qui varie selon une loi de commutations
dépendante du temps.
Comme nous l’avons mentionné dans l’introduction, l’objectif de ce chapitre est

d’estimer simultanément l’état continu x et le vecteur des défauts f , en supposant
que l’état discret λ est connu. Des conditions d’observabilité classiques doivent
être vérifiées pour chaque sous-système linéaire Σi donné par le système (2.2.2).
Dans ce qui suit, nous présenterons quelques hypothèses nécessaires au découplage

ainsi qu’à l’estimation.
Hypothèses
— H.2.1. L’état discret est connu à chaque instant.
Pour tout i ∈ I
— H.2.2. rang (Ci ) = p,

— H.2.3. rang (Fi ) = l,
— H.2.4. rang (Ci Fi ) = l; (p ≥ l),
h iT
— H.2.5. rang (Oi ) = n avec Oi = Ci Ci Ai · · · Ci An−1
i .
Les hypothèses H.2.2, H.2.3 et H.2.4 sont nécessaires au découplage d’un sous en-
semble de l’état du système des défauts. Ceci permet de réaliser une projection de
l’état dans une autre base. Cette opération est connue généralement par la trans-
formation de coordonnées. L’hypothèse H.2.5 représente une condition classique
d’observabilité pour chaque sous système. La vérification de cette condition pour
chaque sous système est nécessaire pour la synthèse d’observateur.
50
2.3 Observation d’un système linéaire à commutations
2.3 Observation d’un système linéaire à

commutations
2.3.1 Estimation de l’état continu
2.3.1.1 Cas où les matrices des défauts sont identiques pour tous les modes
L’objectif dans cette section est de synthétiser un observateur capable d’estimer

l’état continu x du système (2.2.1) sachant que l’état discret λ est connu et que
les matrices des défauts données dans (2.2.1) sont identiques pour tous les modes
(∀i ∈ I, Fi = F ). De plus, afin de simplifier les notations, nous considérons que la
sortie du système est non bruitée (η = 0). Une fois le développement effectué, la
synthèse de l’observateur sera donnée en fonction de la sortie bruitée.
Afin de faciliter la synthèse de l’observateur, nous avons opté dans cette étude
pour un découplage des défauts. Par conséquent, une projection de l’état x dans
une autre base est réalisée en se basant sur l’hypothèse H.2.3. En effet, à partir
de cette dernière, nous pouvons trouver une matrice arbitraire N ∈ Rn×(n−l) telle
h i
que la matrice T = N F ∈ Rn×n soit non singulière. Ainsi, nous pouvons
transformer l’état continu x dans une autre base qui nous permettra de déduire
un nouvel état transformé x̄ défini par :
h iT
x̄ = T −1 x = x̄1 x̄2 (2.3.1)
Cet état transformé présente deux parties ; la première correspond au sous-état

x̄1 ∈ <n−l qui est indépendant des défauts et la deuxième partie est définie par le
sous état x̄2 ∈ Rl affecté par les défauts.
Le résultat de cette transformation de coordonnées nous permet d’obtenir l’équi-

valent du système (2.2.1) donné dans une nouvelle base sous la forme suivante :

 ˙
x̄(t) = Āλ x̄(t) + B̄λ u(t) + F̄ f (t)
(2.3.2)
 y(t) = C̄λ x̄(t)
51
où les différentes matrices du système (2.3.2) sont données par :

     
Ā11
λ Ā12
λ  B̄λ1  0 
Āλ = T −1 AT =  21 22
, B̄λ = T −1
B = 
2
, F̄ = T −1 F =  et
Āλ Āλ B̄λ Il
h i
C̄λ = Cλ T = Cλ N Cλ F . La matrice F̄ correspond à la matrice des défauts
dans la nouvelle base. A partir de la structure de cette matrice, nous remarquons
qu’une partie de l’état transformé est découplé des défauts.
En développant le système (2.3.2), la première équation de ce dernier nous permet

de déduire les dynamiques de deux sous états x̄1 et x̄2 sous la forme suivante :

 x̄˙ 1 (t) = Ā11 12 1
λ x̄1 (t) + Āλ x̄2 (t) + B̄λ u(t)
 x̄˙ (t) = Ā21 x̄ (t) + Ā22 x̄ (t) + B̄ 2 u(t) + f (t)
(2.3.3)
2 λ 1 λ 2 λ
Contrairement à la dynamique de x̄2 , celle de x̄1 est indépendante des défauts. Par
conséquent, afin de synthétiser l’observateur hybride permettant d’estimer dans un
premier temps x̄1 et de déduire dans un second temps l’état x du système initial
(2.2.1), nous nous intéressons à partir de maintenant à la dynamique de x̄1 que
nous pouvons exprimer par :

x̄˙ 1 (t) = Ā11 x̄ (t) + Ā12
λ x̄ (t) + B̄λ1 u(t)
hλ 1 i2

 y (t) = C N C F x̄ (t)
(2.3.4)
λ λ
En regardant la première équation du système (2.3.4), nous remarquons que la

dynamique de x̄1 dépend du sous état x̄2 dont la dynamique dépend du défaut.
Par conséquent, afin d’éliminer définitivement le défaut de la dynamique de x̄1 , il
serait judicieux d’éliminer x̄2 de cette dernière. Ceci peut être réalisé en utilisant les
hypothèses H.2.2 et H.2.4. En effet, à partir de ces deux hypothèses, nous pouvons
trouver pour tout i ∈ I, une matrice arbitraire Qi ∈ Rp×(p−l) telle que la matrice
h i
Ui = Ci F Qi ∈ Rp×p soit une matrice non singulière. Dans ce cas, pour tout
i ∈ I, la matrice Ui admet une inverse que nous pouvons exprimer sous la forme
h iT
(Ui )−1 = Ui1 Ui2 avec Ui1 ∈ Rl×p et Ui2 ∈ R(p−l)×p . Ainsi, nous obtenons pour
tout i ∈ I
52
   
U 1 Ci F Ui1 Qi   Il 0 
(Ui )−1 Ui =  i2 = (2.3.5)
Ui Ci F Ui2 Qi 0 Ip−l
En utilisant l’équation (2.3.5) et en multipliant l’expression de y donnée dans le

système (2.3.4) par (Uλ )−1 , nous obtenons le système suivant :

 Uλ1 y(t) = Uλ1 Cλ N x̄1 (t) + x̄2 (t)
 U 2 y(t) = U 2 C N x̄ (t)
(2.3.6)
λ λ λ 1
Le système (2.3.6) nous permet d’exprimer x̄2 en fonction de x̄1 sous la forme :
x̄2 (t) = Uλ1 y(t) − Uλ1 Cλ N x̄1 (t) (2.3.7)
Ainsi, en utilisant les systèmes (2.3.4) et (2.3.7), nous déduisons un système trans-
formé réduit indépendant des défauts donné par :

 x̄˙ 1 (t) = Ãλ x̄1 (t) + B̃λ u(t) + Ẽλ y(t)
(2.3.8)
 ȳ(t) = C̃λ x̄1 (t)
avec Ãλ = Ā11 12 1 1 2 12 1 2

λ − Āλ Uλ Cλ N , B̃λ = B̄λ , C̃λ = Uλ Cλ N , Ẽλ = Āλ Uλ et ȳ = Uλ y.
A partir de l’hypothèse H.2.5, de la dynamique de x̄1 présentée dans le système

(2.3.8) et des équations (2.3.7) et (2.3.1), un observateur est proposé ci-dessous
permettant d’estimer à la fois, le sous état du système transformé x̄1 et l’état x
du SLC initial (2.2.1) :
x̄ˆ˙ 1 (t) = Aobs




 ˆ obs obs
λ x̄1 (t) + Bλ u(t) + Cλ y(t)
 
ˆ1 (t)
x̄ (2.3.9)
 x̂(t) = T  1 
Uλ y(t) − Uλ1 Cλ N x̄ˆ1 (t)



avec Aobs obs obs 2 ˆ

λ = Ãλ −Lλ C̃λ , Bλ = B̃λ et Cλ = (Lλ Uλ +Ẽλ ). x̄1 représente l’estimation
de x̄1 et y la sortie bruitée du SLC (2.2.1).
Pour tout i ∈ I, les matrices Li sont des gains de l’observateur. Ces gains sont
choisis de telle sorte que l’erreur d’estimation entre le sous état estimé x̄ˆ1 et le
53
sous état réel x̄1 définie dans l’équation (2.3.10) présentée ci-dessous converge
asymptotiquement vers zéro. Cette convergence asymptotique permet à son tour,
une convergence asymptotique de l’état estimé x̂ vers l’état réel x du système
(2.2.1).
ε1 (t) = x̄ˆ1 (t) − x̄1 (t) (2.3.10)
La dynamique de l’erreur d’estimation (2.3.10) est donnée par :
ε̇1 (t) = Aobs

λ ε1 (t) (2.3.11)
La synthèse de l’observateur (2.3.9) revient donc à trouver les gains matriciels Li

garantissant la stabilité asymptotique de l’erreur d’estimation (2.3.10). Ceci peut
être réalisée en étudiant la stabilité asymptotique de sa dynamique donnée dans
(2.3.11). L’évolution de cette dernière peut être représentée par le SLC autonome
défini dans le dernier chapitre par l’équation (1.3.3).
L’étude de stabilité de ce type de système a été présentée dans la section 1.3.3 du

chapitre 1. Trois types de fonctions de Lyapunov à savoir ; CQLF, MQLF et SQLF
ont été présentées afin d’assurer la stabilité asymptotique du système (1.3.3). Afin
d’assurer la stabilité asymptotique du système (2.3.11), nous utilisons dans cette
partie un cas particulier des MQLF de la définition 1.2 (figure 1.3.6). Cette fonction
est choisie en raison de sa facilité d’implémentation et de ses avantages en terme
de conservatisme par rapport aux CQLF.
Dans ce qui suit, nous présentons les conditions de convergence de l’observateur

(2.3.9).
Théorème 2.1. Considérons le SLC (2.2.1), ainsi le système transformé réduit

(2.3.8).
S’il existe pour tout i ∈ I, une matrice Hi ∈ R(n−l)×(p−l) , une matrice symétrique,
définie et positive Pi ∈ R(n−l)×(n−l) et un scalaire 0 ≤ µi ≤ 1 tel que :
ÃTi Pi + Pi Ãi − HiT C̃i − C̃iT Hi ≤ 0 (2.3.12)
54
Pj − µ i P i ≤ 0 (2.3.13)
où j est le mode successeur du mode i.

Alors, l’observateur (2.3.9) synthétisé avec les gains matriciels Li = Pi−1 HiT , as-
sure la convergence asymptotique de l’erreur d’estimation (2.3.10), ainsi que de
l’état estimé x̂ vers l’état réel x.
Démonstration. Pour prouver la convergence de l’erreur d’estimation (2.3.10),

nous considérons tout d’abord une MQLF V (ε1 ) comme présentée dans la dé-
finition 1.2 du premier chapitre. Cette fonction est constituée de N sous-fonctions,
chacune d’entre elles est définie par :
Vi (ε1 ) = εT1 Pi ε1 i∈I (2.3.14)
avec Pi ∈ <(n−l)×(n−l) désignant une matrice symétrique définie et positive.

La dérivée en fonction de temps de cette fonction de Lyapunov est donnée pour
tout i ∈ I par :
V̇ (ε1 ) = ε̇T1 Pi ε1 + εT1 Pi ε̇1 (2.3.15)
En utilisant les équations (2.3.11) et (2.3.15), nous obtenons :
T
V̇i (ε1 ) = εT1 Aobs
i Pi + Pi Aobs
i ε1 (2.3.16)
Nous remplaçons l’expression de Aobs

i dans cette équation, nous déduisons donc :
h i
V̇i (ε1 ) = εT1 ÃTi Pi + Pi Ãi − Pi Li C̃i − C̃iT LTi Pi ε1 (2.3.17)
Ainsi, après l’introduction d’un changement de variable bijectif Hi = (Pi Li )T , la

dérivée de la fonction de Lyapunov aura pour expression :
h i
V̇i (ε1 ) = εT1 ÃTi Pi + Pi Ãi − HiT C − C̃iT Hi ε1 (2.3.18)
55
Afin de garantir la convergence asymptotique de l’erreur d’estimation (2.3.10), la

troisième condition donnée dans la définition 1.2 doit être vérifiée. Par conséquent,
il faut que pour tout i ∈ I la dérivée V̇i (ε1 ) ≤ 0. Ceci est équivalent à l’inégalité
(2.3.12).
La deuxième partie de la preuve est consacrée à la deuxième condition du théorème.

Cette condition assure la décroissance de la fonction de Lyapunov globale. En effet,
la valeur de la fonction de Lyapunov globale après chaque instant de commutations
doit être inférieure à celle précédent cet instant (figure 1.3.6). Pour cela, afin de
démontrer l’inégalité (2.3.13), nous considérons un instant de commutation tc .
Soit Vi (ε1 ) = εT1 Pi ε1 la fonction de Lyapunov donnée dans le mode qui précède cet
instant, et Vj (ε1 ) = εT1 Pj ε1 la fonction de Lyapunov dans le mode suivant. Alors
pour que cette fonction de Lyapunov décroit après chaque instant de commutation,
il faudra que Vj (ε1 (tc )) ≤ µi Vi (ε1 (tc )), avec 0 ≤ µi ≤ 1 . Ceci revient à vérifier la
condition suivante :
T T T
x̄ˆ1 (tc ) − x̄1 (tc ) Pj x̄ˆ1 (tc ) − x̄1 (tc ) ≤ µi x̄ˆ1 (tc ) − x̄1 (tc ) Pi x̄ˆ1 (tc ) − x̄1 (tc )
(2.3.19)
Cette dernière inégalité est équivalente à l’inégalité (2.3.13).
D’autre part, en se basant sur l’équation (2.3.7), lorsque l’état x̄ˆ1 converge asymp-
totiquement vers l’état x̄1 , l’état x̄ˆ2 converge également vers l’état x̄2 . Par consé-
quent, à partir de l’équation (2.3.1), nous pouvons conclure que l’état estimé x̂
converge asymptotiquement vers l’état réel x du système (2.2.1).
2.3.1.2 Cas où les matrices des défauts sont différentes pour tous les modes
Contrairement au paragraphe précédent, nous considérons dans ce paragraphe, le

système (2.2.1) avec des matrices des défauts qui peuvent être différentes pour
tous les modes. Ceci nous permet de remarquer que le système présenté dans
la section 2.3.1.1 est un cas particulier du cas général qui sera présenté ici. Les
mêmes objectifs du paragraphe précédent sont considérés dans cette section. Ainsi,
56
un observateur est synthétisé permettant d’estimer l’état continu x du système

(2.2.1).
La même procédure de découplage effectuée dans le paragraphe précédent va être

appliquée ici. La différence est qu’en se basant sur l’hypothèse H.2.3, nous devons
trouver pour chaque mode i ∈ I, une matrice arbitraire Ni ∈ Rn×(n−l) telle que
h i
la matrice Ti = Ni Fi ∈ Rn×n soit une matrice non singulière. Ceci permet
d’avoir des matrices Ti différentes pour tous les modes et donc la matrice T sera
remplacée dans ce paragraphe par la matrice Tλ . Par conséquent l’état du système
transformé sera défini par :
h iT
x̄ = Tλ−1 x = x̄1 x̄2 (2.3.20)
Ainsi, après une transformation de coordonnées similaire à celle effectuée au pa-

ragraphe précédent, nous obtenons le système suivant :




˙
x̄(t) = Āλ x̄(t) + B̄λ u(t) + F̄λ f (t)

y(t) = C̄λ x̄(t) (2.3.21)

 x̄(t+ ) = T −1+ T − x̄(t− )


c λ(t ) λ(tc )
c
c
Les différentes matrices Āλ , B̄λ , C̄λ et F̄λ du système (2.3.21) sont données dans
le paragraphe précédent (il faut remplacer N , T et F par Nλ , Tλ et Fλ ). x̄(t− c )
+
et x̄(tc ) désignant respectivement le vecteur d’état du système transformé avant
et après l’instant de commutation tc . D’autre part, Tλ(t−c ) et Tλ(t+c ) représentent
respectivement la matrice de transformation du mode actif avant et après l’instant
de commutation tc (i.e. si i et j sont respectivement le mode actif avant et après
l’instant de commutation tc , alors Tλ(t−c ) = Ti et Tλ(t+c ) = Tj ).
La troisième partie du système (2.3.21) est introduite afin de mettre à jour l’état du
système transformé à chaque instant de commutation. En effet, en utilisant l’équa-
−1
tion (2.3.1), après un instant de commutation tc , nous avons x̄(t+ c ) = Tλ(t+ x(t+
c ).
c )
De plus, l’état x du système initial (2.2.1) est continu même à chaque instant
−
de commutation et donc, nous avons x(t+ c ) = x(tc ) = Tλ(t−c )
x̄(t−
c ). Ainsi, nous
obtenons la troisième partie du système (2.3.21).
57
La transformation de coordonnées génère des sauts dans le système transformé

(2.3.21) à chaque instant de commutation (figure 2.3.1).
x (t ) x (t ) ( ) ( )
x tc+ ≠ x tc−
( ) ( )
x tc+ = x tc−
Saut
t t
Transformation
tc de coordonnées tc
Figure 2.3.1 – Saut de l’état transformé à un instant de commutation
En se basant sur les hypothèses et les techniques employées dans le paragraphe

précédent, nous déduisons le système transformé réduit suivant :





x̄˙ 1 (t) = Ãλ x̄1 (t) + B̃λ u(t) + Ẽλ y(t)
ȳ(t) = C̃λ x̄1 (t) (2.3.22)

−

x̄1 (t+
c ) = Sλ,λ+ x̄(tc )


avec Ãλ = Ā11 12 1 1 2 12 1 2

λ − Āλh Uλ Cλ Nλ , B̃λ =i B̄λ , C̃λ = Uλ Chλ Nλ , Ẽλ = Āλ iUλ et ȳ = Uλ y.
−1 1 2
La matrice Sλ,λ+ = In−l 0(n−l)×l Tλ(t + Tλ(t− ) = Sλ,λ + Sλ,λ + désignant une
c ) c
1
matrice d’ordre (n − l) × n, elle est composée de deux sous matrices Sλ,λ + d’ordre
2
(n − l) × (n − l) et Sλ,λ + d’ordre (n − l) × l.
La troisième partie du système (2.3.22) représente la mise à jour du sous-état x̄1 à

chaque instant de commutations tc . Elle est déduite à partir de la troisième partie
du système (2.3.21).
L’observateur proposé dans le cas où les matrices de défauts sont identiques estime
l’état continu du système sans tenir compte de ce qui se déroule à chaque instant
de commutation.
Ainsi, nous pouvons synthétiser l’observateur suivant :
58




 ˆ obs obs
λ x̄1 (t) + Bλ u(t) + Cλ y(t)

x̄ˆ1 (t+ S + x̄ˆ(t−

c ) = c )


 λ,λ  (2.3.23)

 ˆ1 (t)
x̄
x̂(t) = Tλ  1

 
Uλ y(t) − Uλ1 Cλ Nλ x̄ˆ1 (t)



avec Aobs λ = Ãλ − Lλ C̃λ , Bλobs = B̃λ , Cλobs = (Lλ Uλ2 + Ẽλ ) et x̄ˆ1 (t) représente
l’estimation de x̄1 . Ainsi, x̄1 (t+
c ) est l’estimation de l’état du système transformé
réduit (2.3.22) après l’instant de commutation tc et x̄ˆ(t− c ) correspond à l’estima-
tion de l’état x̄ du système transformé (2.3.21) avant l’instant de commutation tc
−1
(x̄ˆ(t− −
c ) = Tλ(t− ) x̂(tc ) ).
c
L’erreur d’estimation pour le sous-état x̄1 est définie par :
ε1 (t) = x̄ˆ1 (t) − x̄1 (t) (2.3.24)
Contrairement à ce qui était présenté précédemment, la dynamique de l’erreur

d’estimation doit tenir compte ici des sauts qui se produisent à chaque instant de
commutation. Ainsi, dans ce qui suit, une proposition est introduite afin de donner
l’expression explicite de cette dynamique.
Proposition 2.1. Considérons le SLC (2.2.1), le système transformé réduit (2.3.22)

et l’observateur (2.3.23)
La dynamique de l’erreur d’estimation (2.3.24) est donnée par :

 ε̇1 (t) = Aobs
λ ε1 (t)
(2.3.25)
 ε (t ) = G + ε (t− )
+
1 c λ,λ 1 c
1 2 1
avec Gλ,λ+ = Sλ,λ + − Sλ,λ+ Uλ Cλ Nλ .
Démonstration. La première partie de l’équation (2.3.25) représente l’évolution de

la dynamique de l’erreur d’estimation dans chaque mode. Ainsi, la démonstration
de cette première partie est triviale, de façon identique que dans le cas traité dans
le paragraphe précédent.
59
La deuxième partie est nécessaire pour la mise à jour de l’erreur d’estimation à

chaque instant de commutation.
Soit tc un instant de commutation. L’erreur d’estimation après un instant de com-
mutation tc peut alors s’écrire comme suit :
ε1 (t+ ˆ + +
c ) = x̄1 (tc ) − x̄1 (tc )
En utilisant l’équation (2.3.22), nous obtenons :
   
h i x̄ˆ (t− ) x̄ (t− )
 1 c  −  1 c 
ε1 (t+ ˆ − −
c ) = Sλ,λ+ x̄(tc ) − x̄(tc ) =
1
Sλ,λ +
2
Sλ,λ +
x̄ˆ2 (t−
c ) x̄2 (t−
c )
Nous pouvons donc réécrire cette équation sous la forme suivante :

ε1 (t+ 1 ˆ − − 2 ˆ − −
c ) = Sλ,λ+ x̄1 (tc ) − x̄1 (tc ) + Sλ,λ+ x̄2 (tc ) − x̄2 (tc ) (2.3.26)
En se basant sur l’équation (2.3.7), nous avons :

 x̄2 (t− 1 1 −
c ) = Uλ y(t) − Uλ Cλ Nλ x̄1 (tc )
ˆ2 (t−
 x̄ 1 1 ˆ −
c ) = Uλ y(t) − Uλ Cλ Nλ x̄1 (tc )
Ainsi, en introduisant ces deux expressions dans l’équation (2.3.26), nous obtenons
la deuxième partie du système (2.3.25).
La dynamique de l’erreur d’estimation est représentée par le SLC autonome im-

pulsif (1.3.6). L’étude de stabilité de ce type de systèmes a été présentée dans le
chapitre précédent. Par conséquent, nous formulons les conditions de convergence
de l’observateur dans le théorème suivant.
Théorème 2.2. Considérons le SLC (2.2.1), ainsi le système transformé réduit

(2.3.22).
S’il existe pour tout i ∈ I, une matrice Hi ∈ R(n−l)×(p−l) et une matrice Pi ∈
R(n−l)×(n−l) symétrique définie et positive tel que :
60
ÃTi Pi + Pi Ãi − HiT C̃i − C̃iT Hi ≤ 0 (2.3.27)
 
P GTi,j Pj 
 i ≥0 (2.3.28)
∗ Pj
où j est le mode successeur du mode i.
Alors, l’observateur (2.3.23) synthétisé avec les gains matriciels Li = Pi−1 HiT ,
assure la convergence asymptotique de l’erreur d’estimation (2.3.24), ainsi que
celle de l’état estimé x̂ vers l’état réel x.
Démonstration. L’inégalité (2.3.27) a été déjà démontrée dans le théorème 2.1.

Elle découle également de la condition (1.3.7) du théorème 1.2.
D’autre part, afin de faire face aux sauts qui se produisent à chaque instant de
commutation et afin d’assurer la décroissance de la SQLF, nous devons vérifier la
condition suivante [Xie 06] :
si λ (t+ ) 6= λ (t), nous avons V (ε1 (t+ )) ≤ V (ε1 (t)).
En considérant que le mode j soit le mode successeur du mode i, nous obtenons :

εT1 (t) GTi,j Pj Gi,j − Pi ε1 (t) ≤ 0
Cela implique que :
GTi,j Pj Gi,j − Pi ≤ 0
En appliquant le complément de Schur (annexe A) à cette dernière équation, nous

obtenons l’inégalité (2.3.28).
Enfin, la démonstration de la convergence asymptotique de l’état estimé x̂ vers

l’état réel x a été donnée dans la preuve du théorème 2.1.
61
2.3.2.1 Synthèse de l’estimateur
Après avoir synthétisé dans la section précédente, un observateur pour estimer

l’état continu x du système (2.2.1), nous nous intéressons ici à l’estimation du
vecteur des défauts f . Le développement effectué est la suite de celui effectué pré-
cédemment. En effet, nous pouvons remarquer que l’estimation du vecteur des dé-
fauts est liée directement à l’estimation de l’état x̄1 du système transformé réduit.
En se basant sur ces résultats d’estimation, la proposition suivante est formulée.
Proposition 2.2. Considérons le SLC (2.2.1).
Supposons que l’état estimé x̄ˆ1 (t) converge asymptotiquement vers l’état x̄1 avec
des gains matriciels Li (i ∈ I) calculés à partir du théorème 2.1 (respectivement
du théorème 2.2).
Alors, l’estimateur présenté ci-dessous assure la reconstruction asymptotique du

vecteur des défauts.
fˆ = Uλ1 ẏ + θλ1 x̄ˆ1 + θλ2 y + θλ3 u (2.3.29)
avec
θλ1 = −Uλ1 Cλ N Aobs 22 1 21

λ + Āλ Uλ Cλ N − Āλ (respectivement N et F sont remplacées
par Nλ et Fλ )
θλ2 = −Uλ1 Cλ N (Lλ Uλ2 + Ẽλ ) − Ā22 1

λ Uλ (respectivement N et F sont remplacées par
Nλ et Fλ )
θλ3 = −Uλ1 Cλ N B̄λ1 − B̄λ2 (respectivement N et F sont remplacées par Nλ et Fλ ).
Démonstration. Nous effectuons ici, la démonstration de la proposition 2.2 dans

le cas où les matrices des défauts sont identiques (Dans le cas où les matrices des
défauts sont différentes, il suffit de remplacer les matrices N et F par les matrices
Nλ et Fλ ).
62
En utilisant le système (2.3.3) et l’équation (2.3.7), lorsque l’état estimé x̄ˆ1 (t)
converge asymptotiquement vers l’état x̄1 , nous obtenons les équations suivantes :
fˆ = x̄ˆ˙ 2 − Ā21 ˆ 22 ˆ 2
λ x̄1 − Āλ x̄2 − B̄λ u
x̄ˆ2 = Uλ1 y − Uλ1 Cλ N x̄ˆ1
L’expression de x̄ˆ˙ 2 est donnée par :

x̄ˆ˙ 2 = Uλ1 ẏ − Uλ1 Cλ N x̄ˆ˙ 1 = Uλ1 ẏ − Uλ1 Cλ N Aobs

ˆ obs obs
λ x̄1 + Bλ u + Cλ y
Ainsi, en remplaçant l’expression de x̄ˆ˙ 2 dans f , nous obtenons après quelques

manipulations algébriques l’estimateur (2.3.29).
Nous remarquons que l’estimateur (2.3.29) proposé pour estimer le vecteur des
défauts nécessite le calcul de la dérivée de la sortie y. Or, comme cette dernière
est bruitée, le calcul de sa dérivée par des approches classiques risque d’amplifier
le bruit. Par conséquent, l’utilisation d’un différenciateur robuste en terme de
sensibilité par rapport aux bruits s’avère une piste intéressante pour résoudre ce
problème. Ainsi, un différenciateur robuste et exact d’ordre supérieur basé sur
les techniques des modes glissants est utilisé dans cette partie afin d’estimer les
différents éléments du vecteur de sortie y.
2.3.2.2 Différenciateur d’ordre supérieur basé sur les techniques des modes
glissants
Le différenciateur d’ordre supérieur basé sur les techniques des modes glissants est
une généralisation de l’algorithme Super Twisting [Levant 93, Levant 98, Levant 03].
Le principe de fonctionnement de ce dernier est donné dans l’annexe B. Ainsi,
la question que l’on peut se poser est pourquoi nous utilisons un différenciateur
d’ordre supérieur et non pas d’ordre un pour calculer la dérivée première de la sor-
tie y. La réponse à cette question se trouve dans les travaux de Levant [Levant 03].
En effet, dans cet article, Levant a étudié la précision de l’estimation des r déri-
vées successives par un différenciateur d’ordre élevé. Il a montré que la dérivée
63
première estimée avec un différenciateur d’ordre r est plus précise que celle esti-
mée par un différenciateur d’ordre r − 1 et donc plus précise que celle estimée par
un différenciateur d’ordre un.
De ce fait, un différenciateur d’ordre r peut être utilisé afin de calculer les r

premières dérivées de la sortie y, y compris sa dérivée première dont nous avons
besoin pour l’estimation du vecteur des défauts f . Ainsi, sous l’hypothèse de la
bornitude de la sortie et du bruit de mesure, cet algorithme à r sorties est donné
par le système suivant :



 ż0 = υ0
 r
υ0 = −α0 |z0 − y| (r+1) sign (z0 − y) + z1






ż1 = υ1






 (r−1)
υ1 = −α1 |z1 − υ0 | sign (z1 − υ0 ) + z2

 r


..



.


.. (2.3.30)



 .
..






 .





 żr−1 = υr−1
 1
υr−1 = −αr−1 |zr−1 − υr−2 | 2 sign (zr−1 − υr−2 ) + zr






żr = −αr sign (zr − υr−1 )


où, pour tout j = 0 · · · r, αj étant des gains positifs. Ces gains sont choisis d’une
façon convenable afin d’assurer la convergence en temps fini de l’algorithme et de
minimiser le phénomène de chattering au niveau des dérivées estimées [Levant 98].
Dans [Levant 03], Levant a exprimé ces coefficients en fonction de la constante de

Lipschitz L de la fonction à dériver de la façon suivante :
1
αj = α0j L r−j+1 , j = 0, · · · , r (2.3.31)
L’initialisation de l’algorithme 2.3.30 peut se faire comme suit : z0 (0) = y (0) et

pour tout j = 1 · · · r, zj (0) = υj−1 (0) = 0. Cet algorithme a pour sortie, le vecteur
T
z = z0 z1 · · · zr . Le deuxième élément z1 du vecteur z représente une
estimation de la dérivée première de y dont nous avons besoin pour l’estimation
64
2.4 Exemple de simulation
du vecteur f des défauts.
Le phénomène de chattering apparait dans les dérivées successives estimées peut

être diminué en choisissant des faibles valeurs de αj ( j = 0 · · · r) . Néanmoins, ces
valeurs doivent être suffisamment élevées afin d’assurer la convergence en temps
fini. Ainsi, le choix des différents gains αj doit s’effectuer d’une façon rigoureuse
afin d’obtenir le compromis adéquat pour minimiser le chattering avec un temps
de convergence fini.
Dans le but d’illustrer l’efficacité de l’approche proposée, nous considérons dans

cette section deux exemples numériques. Le premier exemple est dédié au cas où
les matrices des défauts sont identiques (il n’y a aucun saut dans l’état du système
transformé). Quant au deuxième, il représente le cas où les matrices des défauts
sont différentes (il y a un saut dans l’état du système transformé).
2.4.1 Exemple1 : Cas où les matrices des défauts sont

identiques pour tous les modes
2.4.1.1 Présentation de l’exemple numérique
Considérons le système linéaire à commutations (2.2.1) avec trois modes, défini

par les matrices suivantes :
   

−1 3 −2 −3 −2  
−1 −2 2 1 0 
−2 0 1 1 −2   0 −2 2 1 −1
   
 
   
A1 = −2 −1 0 −3 1  , A2 = 
 1 −1 0 1 −2 ,
  

   
2 0 1 0 −3   0 −1 −1 −2 2
   
 
   
−2 1 0 2 −1 0 1 1 1 −2
65
   

−1 −1 −1 1 3  
1 
1 1 −2 −1 2 0
   
   
   
A3 = −2 0 0 2 −3 , B1 = B2 = B3 = 1 ,
   
 
   
0 3 −3 −1 3 0
   
   
   
−1 1 1 0 −1 0
 T  

0 0 0  
1 0 
1 0 0 0 1
   
   
   
C1 = C2 = C3 = 0 1 0 et F1 = F2 = F3 = 1 1 .
   
  
   
0 0 1 0 0
   
   
   
0 0 0 0 1
Ce système vérifie les différentes hypothèses H.2.1, H.2.2, H.2.3, H.2.4 et H.2.5.
Dans cet exemple, x ∈ R5 est l’état continu du système, y ∈ R3 est la sortie. La
commande du système est définie par u = 1. D’autre part, le vecteur des défauts
h iT
est définie par f = f1 f2 , avec f1 (t) = 3sin (5t) et f2 (t) = 2cos (5t). Nous
supposons que ces défauts apparaissent à l’instant t = 5s et que le système global
commute entre trois sous-systèmes selon la séquence de commutations donnée dans
la figure 2.4.1.
4
0
0 5 10 15 20
Temps (s)
Figure 2.4.1 – Signal de commutations λ (t) : cas sans saut dans l’état transformé
Les différents instants de commutations sont donnés par t1 = 2.6, t2 = 5.4, t3 =

8.25, t4 = 10.75, t5 = 13.2, t6 = 15.53, t7 = 17.8. L’état initial de notre système
h iT
est donné par x (0) = 4 2 −1 −1 2 .
Les simulations ont été faites sur Matlab/simulink avec le solver Euler et un pas
66
d’échantillonnage Ts = 1ms. D’autre part, concernant le bruit affectant la sor-

tie, nous avons considéré un bruit aléatoire avec une amplitude inférieur à 0.01
(|η (t)| ≤ 0.01).
2.4.1.2 Synthèse de l’observateur hybride
En se basant sur le développement présenté dans les sections 2.3.1.1 et 2.3.1.2,

nous introduisons les différentes matrices Ni et Qi (i = 1, 2, 3), nécessaires pour la
transformation de coordonnées, afin de découpler un sous-ensemble de l’état des
défauts. Ainsi les différentes matrices Ni et Qi sont définies par :
 

5 0 4       
5 3 0 4 0 −1
 
 
       
N1 = N2 = N3 = −1 −2 0 , Q1 =  5 , Q2 =  4 et Q3 =  −1 .
    
    
       
4 4 4 1 3 2
 
 
 
−5 5 −4
Les gains matriciels de l’observateur (2.3.9) sont obtenus en résolvant les deux
LMIs (2.3.12) et (2.3.13) du théorème 2.1. Ces gains sont donnés par :
     

−0.0461  
0.9147  
−1.4692 
L1 =  −0.1833 , L2 =  1.6418 et L3 =  −0.1950 .
     

     
0.8082 −1.7221 2.4007
Concernant l’estimation des défauts, un différenciateur d’ordre 5 a été utilisé.

D’autre part, en se basant sur les travaux de Levant [Levant 03], les différents
gains du différenciateur sont choisis comme suit :
Pour tout j = 0, · · · , 5, α0j = 5 ∗ (r − j + 1). De plus, nous avons choisi une

constante de Lipschitz L = 10. Par conséquent, les différents gains αj j = 0, · · · , 5
sont calculés en utilisant l’équation (2.3.31).
67
2.4.2 Exemple2 : Cas où les matrices des défauts sont

différentes pour tous les modes.
2.4.2.1 Présentation de l’exemple numérique.
Dans cet exemple, nous considérons un système linéaire à commutations représenté

par les matrices suivantes :
   

1 1 2 0 2  
1 0 1 2 −1 
0 −2 2 0 0 0 −2 0 0 1
   
   
   
A1 = 0 −2 1 0 0 , A2 = −1 −2 1 −2 0 ,
   
 
   
−1 1 −1 −1 0 0 0 2 −1 −2
   
   
   
−2 −2 −2 −1 −1 1 −2 1 2 −2
   

−2 1 0 0 0  
1 
−2 1 0 0 −1  0
   
   
  
A3 = −1 −2 −2 −2 1 , B1 = B2 = B3 =  1 ,
   

   
0 −2 2 0 2  0
   
   
  
−2 2 −2 −1 0 0
 
1 0 0 0 0   T
 1 0 1 0 0
C1 = C2 = C3 =  0 1 0 0 0 

,F =  ,
 1

 0 1 1 0 1
0 0 −1 0 1
 T  T
−1 0 −1 0 0  1 0 1 0 0 
F2 =  et F3 =  .
0 1 1 0 1 0 −1 −1 0 −1
Ce système vérifie les différents hypothèses H.2.1, H.2.2, H.2.3, H.2.4 et H.2.5.
x ∈ R5 est l’état continu du système

 et y ∈ R3 est la sortie. La commande de ce
 0 si t < 1s
système est donnée par u (t) = . Le vecteur des défauts f est défini
 1 si t ≥ 1s
de la même façon que dans le premier exemple et apparait à l’instant t = 3.5s.
La séquence de commutations est donnée dans la figure 2.4.2. Ainsi, les différents
instants de commutations sont donnés par t1 = 2.5, t2 = 5, t3 = 7.5, t4 = 10, t5 =
h iT
12.5, t6 = 15, t7 = 17.5 et l’état initial correspond à x (0) = 4 2 −1 −1 2 .
68
0
0 5 10 15 20
Temps (s)
Figure 2.4.2 – Signal de commutations λ (t) : cas avec saut dans l’état transformé
Les simulations sont faites sur Matlab/Simulink en utilisant les mêmes conditions
que l’exemple précédent.
2.4.2.2 Synthèse de l’observateur hybride
Les différentes matrices Ni et Qi (i = 1, 2, 3), nécessaires à la transformation de

coordonnées sont données par :
     

1 −1 0  
−1 3 0  
−1 1 −2 
−3 1 −3   3 2 −2   1 3 0 
     

     
N1 = −3 3 2 , N2 =  −1 1 −3 , N3 =  −3 0 −3 , Q1 =
     

     
−1 −1 1  2 −1 2  −3 1 3 
     
    
   
−1 3 1 3 −1 1 −3 2 2
h iT h iT h iT
3 −3 −1 , Q2 = −1 −1 2 et Q3 = −3 0 −3 .
En résolvant les LMIs (2.3.27) et (2.3.28) du théorème 2.2, nous obtenons les gains
matriciels de l’observateur (2.3.23) :
     

3.3905  
0.4818  
19.1914 
L1 =  3.8477 , L2 =  0.2707 et L3 =  −20.5211 .
    
 
     
−1.8678 0.0559 23.8607
Le même différenciateur d’ordre élevé utilisé dans le premier exemple sera réutilisé
pour estimer la dérivée de la sortie, afin d’estimer les défauts.
69
2.4.3 Résultats numériques
La figure 2.4.3 présente l’évolution de la fonction de Lyapunov V (ε1 ) donnée dans

l’équation (2.3.14). Cette fonction de Lyapunov est strictement décroissante, elle
assure la convergence asymptotique de l’erreur d’estimation.
(a) (b)
8 1000
V (ε1 (t)) V (ε1 (t))
800
6
600 0.1
4
0
400
−0.1
2 10 10.5 11
200
0 0
0 5 10 15 20 0 5 10 15 20
Temps (s) Temps (s)
Figure 2.4.3 – Évolution de la fonction de Lyapunov V (ε1 (t)) ; (a) : cas où les
matrices des défauts sont identiques pour tous les modes, (b) : cas
où les matrices des défauts sont différentes pour tous les modes
Les figures 2.4.4 jusqu’à 2.4.9 présentent l’évolution de l’erreur d’estimation ε =

x̂ − x et de sa norme kx̂ − xk dans les deux cas de figures. Ces figures montrent
l’efficacité des deux observateurs et indiquent que ces derniers convergent rapide-
ment.
(a) (b)
5 30
Erreur d′ estimation xˆ1 − x1
Erreur d′ estimation xˆ1 − x1 0.1
0 20
0
−5 10 −0.1
8 8.5 9
−10 0
−15 −10
0 5 10 15 20 0 5 10 15 20
Temps (s) Temps (s)
Figure 2.4.4 – Erreur d’estimation x̂1 − x1 ; (a) : cas où les matrices des défauts
défauts sont différentes pour tous les modes
D’autre part, les défauts réels et leurs estimations sont présentés dans les figures
2.4.10 et 2.4.11. Ces résultats obtenus en appliquant l’estimateur (2.3.29), puis
70
(a) (b)
4 10
Erreur d′ estimation xˆ2 − x2 Erreur d′ estimation xˆ2 − x2
3
0
2
0.1
1 −10
0
0
−20 −0.1
−1 10 10.5 11
−2 −30
0 5 10 15 20 0 5 10 15 20
Temps (s) Temps (s)
Figure 2.4.5 – Erreur d’estimation x̂2 − x2 ; (a) : (a) : cas où les matrices des dé-
des défauts sont différentes pour tous les modes
(a) (b)
4 10
3
0
2
−10
0.1
1
−20 0
0
−0.1
−30 8 8.5 9
−1
−2
0 5 10 15 20 −400 5 10 15 20
Temps (s) Temps (s)
en utilisant le différenciateur basé sur les techniques des modes glissants (2.3.30),
montrent qu’au moment où l’état continu estimé converge vers l’état réel du sys-
tème, les défauts estimés prennent la valeur zéro jusqu’à l’instant de l’apparition
des défauts (5s pour le premier exemple et 3.5s pour le deuxième exemple), mo-
ment pour lequel, les défauts estimés suivent les défauts réels du système.
Nous pouvons observer également sur ces figures, qu’à chaque instant de commu-
tation, un phénomène de chattering apparait au niveau des défauts estimés. Ce
phénomène est dû aux changements de dynamiques à ces instants.
Enfin, la figure 2.4.12 représente l’estimation des défauts en utilisant un diffé-

renciateur standard d’Euler. Ce résultat correspond à l’exemple où les matrices
des défauts sont identiques pour tous les modes. Nous pouvons remarquer que
71
(a) (b)
4 4
2
2
0
0 −3
−2 x 10
5
−2
−4 0
−6 −4 −5
10 10.5 11
−8
0 5 10 15 20 −60 5 10 15 20
Temps (s) Temps
Figure 2.4.7 – Erreur d’estimation x̂4 − x4 ; (a) : (a) : cas où les matrices des dé-
(a) (b)
6 10
0
4
−10
0.1
2 −20
0
−30
0
−40 −0.1
10.5 11
−2 −50
0 5 10 15 20 0 5 10 15 20
Temps (s) Temps (s)
la qualité d’estimation des défauts est médiocre. Elle est due au différenciateur
d’Euler qui est sensible au bruit. Ainsi, nous pouvons donc confirmer l’efficacité
du différenciateur d’ordre élevé basé sur les techniques des modes glissants.
72
(a) (b)
15
80
∥x̂ − x∥
∥x̂ − x∥
0.1
60
10 0.1
0
−0.1 40 0
7.5 8 8.5 9
5 −0.1
20 10.2 10.4 10.6 10.8 11
0 0
0 5 10 15 20 0 5 10 15 20
Temps (s) Temps (s)
Figure 2.4.9 – Norme de l’erreur d’estimation kx̂ − xk ; (a) : cas où les matrices
des défauts sont identiques pour tous les modes, (b) : cas où les
matrices des défauts sont différentes pour tous les modes
(a) (b)
f1 f1
3
fˆ1 fˆ1
6 6
7.6 7.8 8
3 3
0 0
−3 −3
−6 −6
0 5 10 15 20 0 5 10 15 20
Temps Temps (s)
Figure 2.4.10 – Défaut f1 et son estimation fˆ1 ; (a) : cas où les matrices des dé-
f1 f2
fˆ1 fˆ2
6
4
3
2
0 0
−2
−3
−4
−6
0 5 10 15 20 0 5 10 15 20
Temps (s) Temps (s)
Figure 2.4.12 – Estimation des défauts en utilisant un différenciateur d’Euler :

Cas où les matrices des défauts sont identiques pour tous les
modes 73
(a) (b)
f2 f2
fˆ2 fˆ2
4 4
2 2
0 0
−2 −2
−4 −4
0 5 10 15 20 0 5 10 15 20
Temps (s) Temps (s)
Figure 2.4.11 – Défaut f2 et son estimation fˆ2 ; (a) : cas où les matrices des dé-
2.5 Conclusion
Sous l’hypothèse que l’état discret du système est connu, nous avons considéré le
problème d’estimation de l’état continu et des défauts pour un SLC avec bruit de
mesure. Selon des hypothèses classiques et non restrictives, une transformation de
coordonnées a été réalisée pour transformer le système initial dans une autre base,
afin de découpler un sous ensemble de l’état des défauts.
Dans un premier temps, nous avons considéré des matrices identiques des défauts
pour les différents modes. De ce fait, l’état du système transformé est toujours
continu. Un observateur d’état et un estimateur des défauts ont été proposés afin
d’estimer l’état continu du système et de reconstruire les défauts en utilisant un
différenciateur basé sur les techniques des modes glissants. Ensuite, en se basant
sur une MQLF, des conditions LMI ont été mises en place afin d’obtenir des
gains matriciels de l’observateur assurant la convergence asymptotique de l’erreur
d’estimation.
Dans un second temps, nous avons considéré des matrices des défauts différentes.
Par conséquent, un saut dans l’état du système transformé apparait à chaque ins-
tant de commutation. Dans ce cas de figure, l’observateur d’état qui a été proposé
tient compte des sauts. Ainsi, une SQLF a été considérée afin d’obtenir des nou-
velles conditions LMI. La résolution de ces conditions permet de calculer les gains
matriciels de l’observateur nécessaires à la convergence de l’erreur d’estimation.
74
2.5 Conclusion
Par la suite, les défauts ont été estimés en utilisant le même estimateur et en
utilisant également le même différenciateur.
Enfin, avec deux exemples illustratifs, nous avons montré les performances de
l’approche proposée.
Dans le chapitre suivant, l’état discret du système est supposé inconnu.
75
Chapitre 3
Synthèse d’un estimateur pour la

détection des instants de
commutations
3.1 Introduction
Dans la littérature, on trouve plusieurs outils de synthèse de loi de commande et

d’observateurs d’état pour des SLC. Ces outils sont basés sur la connaissance du
mode de fonctionnement dans lequel se trouve le système à chaque instant. La
disponibilité de cette information est donc une étape nécessaire pour la mise en
œuvre de ces outils. La majorité des travaux réalisés dans ce contexte suppose que
ce mode de fonctionnement est disponible à chaque instant. Cette hypothèse a été
considérée dans le chapitre précédent afin d’estimer simultanément l’état continu
et les défauts pour un SLC en temps continu. Ce chapitre traite du problème
de l’estimation des instants de commutation dans un SLC, à partir d’un jeu de
mesures données par le vecteur de sortie y.
Bien que le problème d’estimation de l’état continu ait atteint une certaine ma-
turité dans les domaines des SDH [Alessandri 03], beaucoup de points concernant
l’estimation de l’état discret méritent d’être encore approfondis. Ce problème reste
77
Chapitre 3 Synthèse d’un estimateur pour la détection des instants de
commutations
toujours un défi qui motive différents chercheurs de la communauté des automati-
ciens.
Dans ce contexte, on trouve dans la littérature, une panoplie d’approches traitant
de l’estimation de l’état discret. On peut citer par exemple [Saadaoui 06b][Bejarano 09][Tian 09b][Orani
Ces approches peuvent être classées en deux familles : celles estimant toutes les
informations liées à l’état discret, tel que, les instants de commutation et le sous
système actif, et celles estimant seulement les instants de commutation [Tian 09b].
Dans la dernière catégorie, le problème se résume à la détection en temps réel des
instants de commutation, et par la suite à la reconstruction de l’état discret en
se basant sur une séquence de commutation et un mode initial connu. C’est dans
cette dernière catégorie que s’inscrivent les contributions de ce chapitre de thèse.
Dans les deux cas, plusieurs approches ont été proposées dans la littérature selon
deux situations différentes. Premièrement, l’état discret est estimé en supposant
que l’état continu du système peut être mesuré. Par exemple, nous trouvons des
travaux où les auteurs ont développé des observateurs basés sur les techniques des
modes glissants [Saadaoui 06b][Orani 11]. Dans d’autres travaux, l’estimation de
l’état discret est assurée par un observateur basé sur le formalisme des réseaux de
Petri hybrides [Hamdi 08, Hamdi 09, Arichi 12].
Dans la deuxième situation, l’état discret est estimé simultanément avec l’état
continu. A titre d’exemple, dans [Bejarano 11a], basé uniquement sur les informa-
tions de la sortie et sur les techniques des modes glissants, les auteurs ont proposé
un observateur hybride permettant de reconstruire l’état hybride d’un SLC en un
temps fini. Dans le même contexte, une méthodologie pour synthétiser un obser-
vateur pour une classe de systèmes hybrides non linéaires sans réinitialisation de
l’état continu a été proposée dans [Djemai 05]. Une approche basée sur un algo-
rithme du « super-twisting » est synthétisé dans [Barbot 07] pour une classe de
systèmes non-linéaires à commutations avec saut, afin d’estimer simultanément et
en un temps fini l’état continu et l’état discret.
D’autre part, peu de travaux ont été portés sur la synthèse d’estimateurs pour
estimer les instants de commutation. Selon notre connaissance les travaux réalisés
dans ce cadre se résument dans les articles [Ragot 03][Tian 09b][Tian 09a]
[Hakem 10][Hakem 11][Mincarelli 11][Tian 11][Hakem 16]. Les méthodes utilisées
78
3.1 Introduction
dans les travaux [Tian 09b][Tian 11][Tian 09a][Mincarelli 11] sont des méthodes
algébriques. Dans [Tian 09b], un algorithme explicite basé sur des méthodes algé-
briques, qui calcule en ligne les instants de commutation a été proposé. Dans cet
article, l’approche est proposée pour un système linéaire à commutation avec deux
modes. Cette approche a été étendue dans [Tian 09a][Tian 11] pour des cas plus
généraux où le SLC contient plusieurs modes. Dans le même cadre, un algorithme
explicite basé sur les distributions et des filtres a été proposé dans [Mincarelli 11]
pour calculer en ligne les instants de commutations. En effet, dans un premier
temps, le système original est réécris sous la forme d’un modèle impulsif auxiliaire.
Par la suite, une manipulation algébrique annihilante est fournie pour obtenir une
relation algébrique différentielle souhaitée dans laquelle les instants de commuta-
tions inconnus apparaissent explicitement. Enfin, en utilisant des filtres appropriés,
les instants de commutations sont récupérés sans utiliser de mesures dérivées.
Par ailleurs, on trouve d’autres travaux s’affranchissant des méthodes algébriques.

A titre d’exemple, des signaux indicateurs, appelés résidus, qui sont générés en
projetant des signaux mesurés dans un sous-espace lié aux signaux d’entrées, ont
été utilisés dans [Hakem 10][Hakem 11][Hakem 16] afin de détecter les instants de
commutations dans un SLC en temps discret. Dans le même esprit, les auteurs de
[Ragot 03] ont synthétisé deux observateurs, un observateur discret pour estimer
les instants de commutations et déduire dans un second temps l’état discret du
système, et un autre observateur continu pour estimer l’état continu du système.
Motivés par les travaux présentés ci-dessus, on s’est intéressé dans ce travail au
problème de détection en temps réel des instants de commutation entre les sous
systèmes linéaires dans un SLC avec bruit de mesure. Après une présentation de
la problématique, on présente dans la troisième partie de ce chapitre des notions
mathématiques nécessaires au développement proposé. Par la suite, en se basant
sur une approche algébrique, on développe dans la quatrième partie une méthode
permettant l’estimation en temps réel des instants de commutations dans un sys-
tème avec une ou plusieurs sorties. A la fin de ce chapitre, on montre comment
exploiter l’approche proposée à travers un exemple académique.
79
commutations
3.2 Présentation de la problématique
Nous considérons dans ce chapitre un SLC défini par :

 ẋ (t) = Aλ x (t) + Bλ u (t)
 y (t) = C x (t) + η (t)
(3.2.1)
λ
où x ∈ Rn et u ∈ Rm sont respectivement l’état continu et la commande. La sortie

du système est définie par le vecteur y ∈ Rp . Le vecteur η ∈ Rp représente le
bruit de mesure et λ étant l’état discret du système supposé inconnu. Il prend ses
valeurs dans l’ensemble discret I = {1, · · · , N }, avec N le nombre de modes qui
composent le SLC. Ainsi, nous avons N sous-systèmes linéaires invariants dans le
temps auxquels des commutations de modèles sont associées dépendent de l’état
discret qui change ses valeurs aux instants de commutations {tc }∞ c=1 .
A un instant donné t, si nous avons λ = i, i ∈ I, le ième sous système linéaire

(3.2.2) est actif.

 ẋ (t) = Ai x (t) + Bi u (t)
Σi : (3.2.2)
 y (t) = C x (t) + η (t)
i
avec Ai ∈ AI = {A1 , · · · , AN }, Bi ∈ BI = {B1 , · · · , BN } et Ci ∈ CI = {C1 , · · · , CN }.
Pour ce système, nous supposons que la séquence de commutation inconnue {tc }∞

c=1
est arbitraire et indépendante des variables d’état de système. Nous supposons
également qu’aucun phénomène Zeno ne se produit, i.e., un nombre fini de com-
mutations peut se produire dans un intervalle de temps fini.
L’objectif de ce chapitre est d’estimer en temps réel les instants de commutations

{tc }∞
c=1 en utilisant seulement la sortie y. Dans le cas d’un système avec une seule
sortie, la détection des instants de commutations est assurée par un seul estimateur.
Néanmoins, dans le cas d’un système à plusieurs sorties, la détection est assurée
par un ensemble de p estimateurs (p est l’ordre du vecteur y) qui fonctionnent
en parallèle. Un Estimateuri , i = 1, · · · , p de cet ensemble est dédié a une sortie
y i du vecteur y. Le principe de détection de chaque estimateur est basé sur une
80
méthode algébrique qui sera proposée dans la suite de ce chapitre. Lorsque le

système est constitué de plusieurs sorties, un bloc de décision (figure 3.2.1) basé
sur un algorithme permettant de minimiser d’une part, les fausses détections et
d’autre part, la non détection, est mis en place. Cet algorithme analyse en temps
réel toutes les sorties logiques si , i = 1, · · · , p (si prend la valeur 1 ou 0) des p
estimateurs et décide si une commutation s’est produite à un instant donné ou
non.
y1 s1
Estimateur1
........
Bloc de décision
y yi si tˆc
u SLC Estimateuri
........
yp sp
Estimateurp
Estimation des instants de commutation
Figure 3.2.1 – Structure générale de l’estimation des instants de commutations
Dans un SLC, l’instant de commutation représente l’instant où l’état discret du

système change de valeur en produisant un changement de la dynamique dans l’état
continu et donc dans la sortie y du système (figure 3.2.2). Néanmoins, nous pouvons
avoir le cas où une commutation se produit avec un changement de dynamique lisse
dans une sortie y i . Ceci peut se traduire généralement par la non détection de cette
commutation par l’Estimateuri . Ainsi, lorsque nous avons un système à plusieurs
sorties, le fonctionnement en parallèle de tous les Estimateuri , i = 1, · · · , p peut
éviter la non détection des changements de dynamiques lisses réalisées dans une
ou quelques sorties y i du vecteur y.
Les techniques développées dans ce chapitre permettent de déterminer les chan-
gements de dynamiques du SLC qui correspondent probablement aux instants de
commutations recherchés.
Parmi les méthodes de détection des instants de commutations existantes dans la
81
commutations
3
λ (t)
2
1
tc1 tc2 tc3 tc4
0
y(t)
1
0 2.1 4.3 7 8.5
Temps
Figure 3.2.2 – Changement de dynamique dans un signal
littérature, nous trouvons les techniques de détection de ruptures [Pekpe 04]. Bien
qu’elles soient robustes en présence de données bruitées, ces méthodes souffrent
généralement d’un retard à la détection. En outre, la principale contribution de la
procédure d’identification en ligne dans cette thèse est la détection en temps réel
des instants de commutations et la robustesse par rapport aux bruits.
L’approche proposée est basée sur l’algèbre différentielle.
Dans ce qui suit, nous présenterons des outils et formules mathématiques néces-
saires aux développements présentés par la suite.
3.3 Notions mathématiques
3.3.1 Outils mathématiques
Étant donné la présence de dynamiques non lisses dans les différentes sorties du
système, la dérivation va être considérée au sens de distributions. Pour cette rai-
son, nous présenterons ci-dessous quelques outils et définitions liés à la théorie de
distributions développées par L. Schwartz [Schwartz 78].
a- La fonction Heaviside
82
Nous définissons la fonction Heaviside (nommée également la fonction échelon

unité), la fonction H (discontinue en 0), prenant la valeur 1 pour tous les réels
positifs et la valeur 0 pour tous les réels strictement négatifs.

 0 si t < 0
H (t) =  (3.3.1)
1 si t ≥ 0
Remarque 3.1. La dérivée au sens de distributions de la fonction de Heaviside est
la distribution de Dirac δ présentée ci-dessous [Schwartz 78].
b- Distribution de Dirac
La distribution de Dirac, communément notée δ, n’est pas à proprement parler une

fonction. Nous pouvons la définir comme la limite de plusieurs suites de fonctions.
A titre d’exemple, nous considérons la suite de fonctions fn [Dirac 30][Abramowitz 84]
définies par morceaux par :





0 si x < − n1 ,
si − n1 ≤ x < 0,

2
n x+n


fn (x) = 



−n2 x + n si 0 ≤ x < n1 ,
x ≥ n1

0 si


La courbe représentative de la fonction fn est donnée dans la figure 3.3.1 :
x
1 1
−
n n
Figure 3.3.1 – Courbe représentative de la fonction fn
Une définition de la distribution de Dirac peut être donnée par :
83
commutations
δ = lim fn (3.3.2)
n→+∞
La distribution de Dirac peut être définie d’une façon informelle par la fonction
qui prend une valeur infinie en 0, et la valeur 0 partout ailleurs, et dont l’intégrale
sur R est égale à 1 [Dirac 30][Abramowitz 84] . Lorsque la distribution de Dirac
est donnée par δ, nous considérons qu’elle est centrée en t = 0 (figure 3.3.2 (a)).
Par ailleurs, l’expression de la distribution de Dirac en un point a est notée par
δa ou encore δ (t − a) appelée distribution de Dirac centrée en t = a (figure 3.3.2
(b)).
δa
δ
t t
0 0 a
(a) (b)
Figure 3.3.2 – Représentation graphique de la distribution de Dirac
L’une des caractéristiques intéressantes de la théorie de la distribution réside dans

les propriétés de la multiplication. En effet, pour toutes fonctions lisses α, nous
avons :
α (t) δa = α (a) δa (3.3.3)
c- Dérivée N ème d’une fonction discontinue en un point
Dans ce chapitre, les fonctions (localement intégrables au sens de Lebesgue) sont

définies au sens de distributions. Par conséquent, lorsque nous avons une fonction
h qui change de dynamique en un point τc (voir figure 3.3.3), alors selon la théorie
de la distribution [Schwartz 78], la dérivée de h peut être donnée par :
84
" #
dh dh
= + µ1 H (t − τc )
dt dt
h i
avec dhdt
est la partie régulière de dh
dt
(figure 3.3.3), µ1 un saut fini et H est la
fonction Heaviside présentée dans l’équation (3.3.1).
⎡ ⎤ ⎡ ⎤
h, dh , ⎢ dh ⎥ h, dh , ⎢ dh ⎥
dt ⎣ dt ⎦ dt ⎣ dt ⎦
µ1 ≠ 0 µ1 µ1 ≠ 0
µ0 = 0 µ0 ≠ 0
τc Temps τc Temps
(a) (b)
Figure 3.3.3 – Représentation d’une fonction qui change de dynamique en un

point : (a) : changement de dynamique sans rupture, (b) : chan-
gement de dynamique avec rupture
Le signal h présenté dans la figure 3.3.3 (a) change de dynamique à l’instant τc

sans rupture (µ0 = 0). En revanche, en raison du changement de la dynamique, la
dérivée de h n’est pas continue à l’instant τc et contient un saut µ1 (h n’est pas
dérivable au point τc (dérivée à droite différente de la dérivée à gauche)). D’autre
part, le signal h présenté dans la figure 3.3.3 (b) change de dynamique avec un
saut fini µ0 6= 0 (avec rupture). Ceci provoque à son tour un saut dans la dérivée
(µ1 6= 0).
En se basant sur la remarque 3.1, la dérivée seconde de h peut être donnée alors
par :
" #(1)
d2 h dh
2
= + µ1 δ (t − τc ) (3.3.4)
dt dt
h i(1)
dh dh
où dt
est la dérivée première de la partie régulière de dt
. Ce résultat peut être
85
commutations
généralisé au cas d’un ordre de dérivation arbitraire. Ainsi, la dérivée N ième de la
fonction h satisfait la relation suivante :
#(1) N −1
dN h dN −1 h
"

µN −k−1 δ (k) (t − τc )
X
= + (3.3.5)
dtN dtN −1 k=0
h N −1
i(1)
où l’exposant (k) représente la dérivée k ième et ddtN −1h est la dérivée première
dN −1 h
de la partie régulière de dtN . µN −k−1 défini le saut apparaissant dans la dérivée
dk h dk h −
k ième de h à l’instant τc . Ainsi, nous avons µN −k−1 = dt +
N (τc ) − dtN (τc ).
3.3.2 Transformée de Laplace de quelques fonctions utiles
Nous considérons une fonction ϕ (t) définie sur R+ suffisamment différentiable à

l’ordre n (les (n − 1) premières dérivées par rapport au temps ne contiennent au-
cunes discontinuités) ayant une transformée de Laplace Φ (s) définie par [Schiff 01] :
Z +∞
T L (ϕ (t)) = Φ (s) = e−st ϕ (t) dt (3.3.6)
0
a- Transformée de Laplace de la dérivée nième par rapport au temps

d’une fonction
La transformée dans le domaine opérationnel de la dérivée nième par rapport au
temps de la fonction ϕ (t) est donnée par [Schiff 01] :
n−1
dn ϕ (t)
!
= sn Φ (s) − sn−k−1 ϕ(k) (0)
X
TL (3.3.7)
dtn k=0
avec, ϕ(i) (0) pour tout i = 0, · · · , n − 1 représente la dérivée iième de ϕ au point

zéro.
Ce dernier résultat peut être trouvé en étendant à l’ordre n la transformée de
Laplace de la dérivée première de la fonction ϕ (t).
b- Transformée de Laplace d’une fonction retardée
Dans le cas où il y a un retard τr dans la fonction ϕ, sa transformée de Laplace
peut être donnée par [Schiff 01] :
86
Z +∞
T L (ϕ (t − τr )) = e−st ϕ (t − τr ) dt
0
Cette dernière est équivalente à :
Z +∞
−sτr
T L (ϕ (t − τr )) = e e−s(t−τr ) ϕ (t − τr ) dt
0
après un changement de variable t̃ = t − τr et en tenant compte du fait que ϕ est

définie sur R+ , nous pouvons déduire :
T L (ϕ (t − τr )) = e−sτr Φ (s) (3.3.8)
c- Transformée de Laplace de la distribution de Dirac [Schiff 01]

La transformée de Laplace de la distribution de Dirac peut être donnée par :
Z +∞
T L (δ (t)) = e−st δ (t) dt
0
La fonction α (t) = e−st est une fonction lisse sur [0, +∞[. Par conséquent, en
appliquant l’équation (3.3.3), nous obtenons :
Z +∞ Z +∞
T L (δ (t)) = α (0) δ (t) dt = δ (t) dt
0 0
De plus, nous avons vu ci-dessus dans la définition de la distribution de Dirac que

son intégrale sur R correspond à l’intégrale sur [0, +∞[ qui est égale à 1. Ainsi,
nous avons :
T L (δ (t)) = 1 (3.3.9)
3.3.3 Transformée de Laplace inverse de quelques fonctions

utiles
Soit ϕ (t) la transformée de Laplace inverse du domaine opérationnel vers le do-

maine temporel de la fonction Φ (s). Alors ϕ (t) est donnée par [Schiff 01] :
87
commutations
+∞
−1 1 Z st
ϕ (t) = T L (Φ (s)) = e Φ (s) ds (3.3.10)
2πj
−∞
La transformée de Laplace inverse de la fonction Φ (s) divisée par sυ (υ ≥ 1) se

traduit dans le domaine temporel par une suite d’intégrales itérées donnée par
[Mikusinski 87] :
1 Z tZ t Z t

T L−1 Φ (s) = · · · ϕ (ρ) dρυ
sυ 0 0 0
Cette dernière peut s’exprimer au moyen de l’intégrale de convolution par :
1 1 Z t

TL −1
Φ (s) = (t − ρ)υ−1 ϕ (ρ) dρ (3.3.11)
sυ (υ − 1)! 0
Lorsque nous remplaçons dans l’équation (3.3.11) Φ (s) par une constante quel-
conque c, nous obtenons la transformée de Laplace inverse suivante :
c tυ−1

−1
TL =c (3.3.12)
sυ (υ − 1)!
La dérivée par rapport à s correspond à une multiplication par −t dans le domaine

temporel [Mikusinski 87]. Par conséquent, nous pouvons exprimer facilement la
transformée de Laplace inverse de la dérivée d’ordre κ de φ (s) de la façon suivante :
dκ Φ (s)
!
TL −1
= (−1)κ tκ ϕ (t) (3.3.13)
dκs
Dans ce qui suit, nous présentons un Lemme, nécessaire pour la présentation

d’autres transformées de Laplace inverses.
Lemme 3.1. [Schwartz 78] Soient ϕ et ψ deux fonctions définies sur R+ suffisamment
différentiables à l’ordre n. Supposons que ϕ (t) = T L−1 (Φ (s)) et ψ (t) = T L−1 (Ψ (s)).
Alors par utilisation du théorème de convolution, nous pouvons écrire :
Zt
−1
TL (Φ (s) Ψ (s)) = ϕ (t) ψ (t − ρ) dρ (3.3.14)
0
88
3.4 Estimation des instants de commutations dans un SLC
A partir des équations (3.3.12), (3.3.13) et (3.3.14) nous pouvons déduire la trans-
formée de Laplace inverse suivante :
1 dκ Φ (s) (−1)κ Z t
!
TL −1
= (t − ρ)υ−1 ρκ ϕ (ρ) dρ (3.3.15)
sυ dκs (υ − 1)! 0
La multiplication par s dans le domaine opérationnel correspond à une dérivée

par rapport au temps dans le domaine temporel [Mikusinski 87]. Par conséquent,
la transformée de Laplace inverse de la fonction Φ (s) multipliée par sr peut être
exprimée par :
−1 r dr ϕ (t)
TL (s Φ (s)) = (3.3.16)
dtr
Les deux équations (3.3.15) et (3.3.16) permettent de déduire la transformée de

Laplace inverse suivante :
1 dκ (sr Φ (s)) (−1)κ Z t dr h

!
i
−1 υ−1 κ
TL = (t − ρ) ρ ϕ (ρ) dρ (3.3.17)
sυ dsκ (υ − 1)! 0 dtr
3.4 Estimation des instants de commutations dans

un SLC
Dans cette section, nous nous intéressons à la détection des instants de commuta-
tion à partir du vecteur de sortie y. Nous considérons dans un premier temps, un
système avec une seule sortie. Ceci va nous permettre de synthétiser un estimateur
basé sur une méthode algébrique permettant d’obtenir une relation algébrique li-
néaire entre les grandeurs connues et les instants de commutations inconnus. Dans
un second temps, nous considérons un système à plusieurs sorties. Dans ce cas, la
détection des instants de commutation est effectuée à partir de toutes les sorties.
En effet, pour tout i = 1, · · · , p, un Estimateuri est dédié à une sortie y i . Ainsi,
un algorithme de décision est mis en place afin de donner à partir de tous les
estimateurs les différents instants de commutations.
89
commutations
3.4.1 Cas d’un système avec une seule sortie
Nous supposons que la seule sortie du système est donnée par y = y 1 . Ainsi,
afin d’harmoniser les notations et les formules données dans cette section et celle
d’après, cette sortie y 1 sera notée par y i (i = 1). D’autre part, dans le but de
simplifier le calcul, nous faisons dans un premier temps le développement avec une
sortie y i non bruitée. Par la suite, l’estimation est donnée en tenant compte du
bruit.
Afin de faciliter le développement, la sortie y i est restreinte à chaque instant τ sur
un intervalle de temps IτT = [τ − T, τ ], où T > 0 est une longueur prédéfinie de
l’intervalle, considérée suffisamment petite. Ensuite, dans le but d’avoir un système
linéaire en fonction des instants de commutations cherchés, nous dérivons à l’ordre
N la sortie y i et nous effectuons ensuite des manipulations algébriques basées sur
les formules données dans la section précédente.
Un temps de séjour minimum TD est considéré, i.e. le système doit attendre au
moins un temps constant TD avant la prochaine commutation. De plus, nous sup-
posons qu’il existe un temps T ∗ tel que nous avons T + T ∗ < TD et que la première
commutation t1 du système a lieu après l’instant τ = T (t1 > T ).
Une restriction de la sortie y i dans l’intervalle IτT peut être donnée par :
yτi (t) = H (t) y i (τ − T + t) , t ∈ [0, T ] (3.4.1)
où H est la fonction Heaviside définie dans le système (3.3.1). Cette restriction

permet de n’avoir que la sortie y i durant l’intervalle IτT , dont nous avons besoin
dans les développements (figure 3.4.1). Sur cette figure, nous avons le signal y i qui
évolue dans le temps. A l’instant τ , nous faisons une restriction du signal y i dans
l’intervalle IτT afin d’obtenir le signal yτi . Nous pouvons voir également sur cette
figure, que l’origine du temps du signal yτi commence à partir de l’instant τ − T .
3.4.1.1 Développements préliminaires
Lorsqu’une commutation apparait dans l’intervalle IτT à un instant tc = τ − T +

τc (la valeur de τc est dans [0, T ]), le signal yτi devient non lisse et change de
90
yi yτi
() ()
yτi t = y i t! = y i τ − T + t ( )
.
0 t T Temps
0 τ −T t! τ Temps
Figure 3.4.1 – Restriction de la sortie y i dans l’intervalle IτT
dynamique sur cet intervalle. Ainsi, selon l’équation (3.3.5), sa dérivée N ième peut
être donnée par l’équation suivante :
#(1) N −1
dN (yτi (t)) dN −1 (yτi (t))
"

µN −1−k δ (k) (t − τc )
X
= (t) + (3.4.2)
dtN dtN −1 k=0
(1)
dN −1 (yτi (t)) dN −1 (yτi (t))
où dtN −1
est la dérivée première de la partie régulière de dtN −1
.
L’équation (3.4.2) représente alors un point de départ de la procédure de détection

d’une commutation à un instant τc lorsqu’il apparait dans IτT .
Parmi les hypothèses considérées dans ce chapitre, nous avons supposé que l’inter-
valle IτT est considéré suffisamment petit. Ceci permet de considérer l’hypothèse
que le signal yτi est linéaire sur l’intervalle IτT . Cette dernière permet d’éliminer la
(yτ (t)) (1)
N −1 i
d
partie dtN −1
de l’équation (3.4.2) pour tout N ≥ 2. Par conséquent, avec
cette hypothèse, la dérivée N ième du yτi peut s’écrire sous la forme :
−1
dN (yτi (t)) NX (k)

= µ N −k−1 δ (t − τ c ) (3.4.3)
dtN k=0
91
commutations
Afin de simplifier le développement, nous transformons l’équation (3.4.3) dans le
domaine opérationnel en utilisant les formules (3.3.7), (3.3.8) et (3.3.9). Ainsi, nous
obtenons :
N −1 (k)
sN yτi sN −k−1 yτi
X
(s) − (0) = 4 (s) (3.4.4)
k=0
P
N −1
avec 4 (s) = k=0 µN −k−1 sk e−τc s .
(k)
Cette équation contient des paramètres inconnus à savoir ; µN −k−1 et (yτi ) (0).
L’élimination de ces paramètres inconnus représente une étape nécessaire pour la
synthèse de l’estimateur. Par conséquent, afin d’éliminer ces paramètres inconnus,
nous dérivons l’équation (3.4.4) à l’ordre N . Ceci permet d’éliminer la quantité
PN −1 N −1−j i (j)
j=0 s (yτ ) (0) qui correspond à un polynôme en s d’ordre N − 1. Ainsi,
nous obtenons :

dN sN yτi (s) dN (4 (s))
= (3.4.5)
dsN dsN
Cette dernière équation est vraie pour tout entier N ≥ 2. Une petite valeur de
N peut provoquer la non détection des commutations avec un changement de
dynamique lisse. Néanmoins, une grande valeur de N amplifie le bruit et peut
provoquer des fausses détections. Ainsi, nous considérons dans la suite de dévelop-
pement, N = 3 qui peut être un bon compromis, et nous remplaçons yτi (s) par yτi
pour simplifier les notations. Ceci nous permet de déduire l’équation suivante :
d3 (s3 yτi ) d3 (4)

= (3.4.6)
ds3 ds3
Dans ce qui suit, nous présentons une proposition utile pour la suite de dévelop-
pement.
Proposition 3.1. Pour N = 3, la quantité 4 de l’équation (3.4.4) satisfait l’équa-

tion différentielle suivante :
d∆ 2 d2 ∆ d3 ∆
4τc3 +3 τ + 3 2 τc + 3 = 0 (3.4.7)
ds c ds ds
92
Démonstration. Lorsque N = 3, ∆ (s) = (µ2 + µ1 s + µ0 s2 ) e−τc s . La dérivée de ∆

par rapport à s donne :
d∆
= (µ1 + 2µ0 s) e−τc s − ∆τc (3.4.8)
ds
La dérivée seconde de ∆ est déduite à partir de la dernière équation par :
d2 ∆ d∆
2
= 2µ0 e−τc s − (µ1 + 2µ0 s) e−τc s τc − τc (3.4.9)
ds ds
D’après l’équation (3.4.8), on a (µ1 + 2µ0 s) e−τc s = d∆

ds
+∆τc . Ainsi, en introduisant
cette dernière dans (3.4.9), on obtient :
d2 ∆ d∆
2
= 2µ0 e−τc s − 2 τc − ∆τc2 (3.4.10)
ds ds
A partir de (3.4.10), la dérivée d’ordre 3 de ∆ est donnée par :
d3 ∆ −τc s d2 ∆ d∆ 2
= −2µ 0 e τ c − 2 τc − τ (3.4.11)
ds 3 ds 2 ds c
2
A partir de l’équation (3.4.10), on peut déduire que 2µ0 e−τc s = dds∆2 + 2 d∆ τ + ∆τc2 .
ds c
En remplaçant cette dernière dans (3.4.11), on obtient l’équation (3.4.7).
Dans l’équation (3.4.7), l’instant de commutation apparait à coté des dérivées

successives de 4. L’objectif du développement suivant est de remplacer ces dérivées
par des dérivées successives de yτi .
En regardant l’équation (3.4.6), on remarque que pour tout entier k ≥ 0, nous
avons :
dk+3 (s3 yτi ) dk+3 (4)

= (3.4.12)
dsk+3 dsk+3
La dérivée à l’ordre k + 3 pour tout k ≥ 0 de l’équation (3.4.7) donne :
dk+3 (4) 3 dk+4 (4) 2 dk+5 (4) dk+6 (4)

(τc ) + 3 (τc ) + 3 τc = − (3.4.13)
dsk+3 dsk+4 dsk+5 dsk+6
93
commutations
A partir de deux équations (3.4.12) et (3.4.13), on peut déduire pour tout entier
naturel k ≥ 0, l’équation suivante :
dk+3 (s3 yτi ) 3 dk+4 (s3 yτi ) 2 dk+5 (s3 yτi ) dk+6 (s3 yτi )
(τ c ) + 3 (τc ) + 3 τ c = − (3.4.14)
dsk+3 dsk+4 dsk+5 dsk+6
Lorsque l’instant de commutation τc existe dans l’intervalle IτT , il apparait expli-

citement dans l’équation (3.4.14). Par conséquent, la détection de la commutation
à un instant τc peut être obtenue à partir de (3.4.14).
La multiplication de l’équation (3.4.14) par s1υ , avec υ > 3 permet d’avoir seule-
ment des intégrales dans le domaine temporel. Ainsi, en réalisant cette opération
dk+3 (s3 y i )
et en posant vki (s, τ ) = s1υ dsk+3 τ , on obtient pour tout k ≥ 0 :

vki (τc )3 + vk+1
i
3 (τc )2 + vk+2
i i
(3 τc ) = −vk+3 (3.4.15)
Cette dernière équation est vraie pour tout k ≥ 0. Ceci permet de conclure que si
l’équation (3.4.15) est vraie pour k ≥ 0, alors elle est également vérifiée pour k + 1
et pour k + 2. De ce fait, on peut déduire le système suivant :



 vki (τc )3 + vk+1
i
3 (τc )2 + vk+2
i i
(3 τc ) = −vk+3


i
vk+1 (τc )3 + vk+2
i
3 (τc )2 + vk+3
i i
(3 τc ) = −vk+4 (3.4.16)

3 2

 vi i i i
(3 τc ) = −vk+5
k+2 (τc ) + vk+3 3 (τc ) + vk+4

A partir de ce système, on déduit le système linéaire matriciel suivant :
Pik (s, τ ) Θ̂τ = Qik (s, τ ) (3.4.17)

 

vki vk+1
i i
vk+2  T
avec, Pik (s, τ ) = 
 i
vk+1 i
vk+2 i
vk+3 ,

Qik = − i
vk+3 i
vk+4 i
vk+5
 
i i i
vk+2 vk+3 vk+4
T T
et Θ̂c = (τ̂c )3 3 (τ̂c )2 3 τ̂c une estimation du vecteur Θc = (τc )3 3 (τc )2 3 τc
à partir de la sortie y i . De plus, τ̂c représente une estimation d’un instant de com-
mutation τc dans l’intervalle de temps IτT , à partir de la sortie y i . La valeur de
94
cette estimation est donnée dans l’intervalle [0, T ]. Par conséquent, l’estimation de
l’instant de commutation tc = τ − T + τc est donné par t̂c = τ − T + τ̂c .
Dans la suite de ce paragraphe, nous allons écrire le système (3.4.17) dans le
domaine temporel. Cela revient à écrire vki en fonction du temps, pour tout k ≥ 0
et υ > 3. De ce fait, en utilisant l’équation (3.3.17), la transformée de vki dans le
domaine temporel est donnée pour tout t ∈ [0, T ] par :
(−1)k+1 Z t d3 n k+3 υ−1

o
vki (t, τ ) = ρ (t − ρ) yτi (ρ) dρ (3.4.18)
(υ − 1)! 0 dρ3
où yτi est la restriction de la sortie y i donnée dans l’intervalle IτT . Ainsi, nous
avons :
Pik (t, τ ) Θ̂τ = Qik (t, τ ) (3.4.19)
où Θ̂τ étant une estimation de Θτ pour tout t ∈ [0, T ].

A chaque instant τ , la variable vki est calculée pour tout t ∈ [0, T ]. Ainsi, sans
perte de généralités, on considère dans la suite de ce chapitre t = T . Ceci nous
permet de déduire pour tout k ≥ 0 et υ > 3 l’équation suivante :
(−1)k+1 Z T d3 n k+3 υ−1

o
vki (T, τ ) = ρ (T − ρ) yτi (ρ) dρ (3.4.20)
(υ − 1)! 0 dρ3
Cette dernière équation peut être donnée par :
Z T
vki (τ ) = hk (ρ) yτi (ρ) dρ (3.4.21)
0
avec vki (τ ) une abréviation de vki (T, τ ) et
k+1
 n o
d3
 (−1)
(υ−1)! dρ3
ρk+3 (T − ρ)υ−1 ρ ∈ [0, T ]
hk (ρ) = 
0 Sinon
3
n o
En développant dρ d
3 ρk+3 (T − ρ)υ−1 , l’expression de hk (ρ) peut être encore sim-
plifiée par l’expression suivante :
95
commutations
k+1

 (−1) (h1 (ρ) − h2 (ρ) + h3 (ρ) − h4 (ρ)) ρ ∈ [0, T ]
(υ−1)!
hk (ρ) = (3.4.22)
 0 Sinon
avec h1 (ρ) = (k + 3) (k + 2) (k + 1) ρk (T − ρ)υ−1 ,
h2 (ρ) = 3 (k + 3) (k + 2) (υ − 1) ρk+1 (T − ρ)υ−2 ,
h3 (ρ) = 3 (k + 3) (υ − 1) (υ − 2) ρk+2 (T − ρ)υ−3 et
h4 (ρ) = (υ − 1) (υ − 2) (υ − 3) ρk+3 (T − ρ)υ−4 ..
Dans ce qui suit, nous présentons le principe de détection des commutations entre
un nombre arbitraire de sous-systèmes. Ainsi, afin de simplifier les notations, nous
remplaçons Pik (T, τ ) et Qik (T, τ ) par Pik (τ ) et Qik (τ ).
3.4.1.2 Principe de détection
Le principe de détection des commutations est déduit à partir du développement

présenté dans la section précédente. Ce développement a été effectué pour un ins-
tant τ , et a été basé sur tous les échantillons de l’intervalle IτT . Ainsi, à chaque
instant τ , le calcul de tous les éléments des matrices Pik (τ ) et Qik (τ ) du système
(3.4.19) s’effectue en appliquant la formule (3.4.21). Cette dernière nous donne la
valeur de vki à chaque instant τ qui est basé sur tous les échantillons de l’intervalle
IτT qui est de longueur T . Par conséquent, la procédure de détection des com-
mutations ne peut commencer qu’à partir de l’instant τ = T . Pour cette raison,
nous avons supposé que la première commutation t1 ne peut apparaitre qu’après
l’instant τ = T (t1 > T ).
Lorsque l’intervalle IτT ne contient aucune commutation, le signal yτi est lisse et nous
d3 (yτi (t))
h i
i (3)
avons µ0 = µ1 = µ2 = 0 et l’équation (3.4.2) devient dt 3 = (y τ (t)) (t),
i
ainsi, le système matriciel linéaire (3.4.19) se dégénère, et nous avons Pk (τ ) = 0
et Qik (τ ) = 0.
En revanche, lorsque une commutation apparait à un instant τc , nous avons µ1 6= 0,

µ2 6= 0, ainsi que µ0 6= 0 quand il y a une commutation avec rupture et µ0 = 0
96
lorsqu’il y a une commutation sans rupture (figure 3.3.3). De plus, nous avons
dans ce cas, Pik (τ ) 6= 0 et Qik (τ ) 6= 0, ainsi, à partir du système matriciel linéaire
(3.4.19), on a également det (Pik (τ )) 6= 0. Ceci nous permet de déduire à chaque
instant τ , à partir du det (Pik (τ )), si une commutation est apparue ou non dans
l’intervalle IτT . De plus, dans l’affirmative, l’instant de la commutation peut être
estimé. Ce résultat est présenté dans la proposition suivante.
Proposition 3.2. Considérons la sortie unique du système y i , ainsi qu’un temps

de séjour minimum TD . Soit IτT = [τ − T, τ ] une fenêtre glissante de longueur
T > 0 considérée suffisamment petite.
Alors l’intervalle de temps IτT contient une commutation tc si
Jki (τ ) > 0 (3.4.23)
où Jki est une fonction déduite à partir du système linéaire matriciel (3.4.19) et
donnée par :

Jki (τ ) = det Pik (τ ) (3.4.24)

Par ailleurs, l’estimée t̂c de tc est donnée par :
t̂c = τ − T + τ̂c (3.4.25)

iT
−1
h
où τ̂c = 31 Θ̂τ (3, 1) et Θ̂τ = (τ̂c )3 3 (τ̂c )2 3 τ̂c = (Pik (τ )) Qik (τ ).
Démonstration. Lorsqu’une commutation est détectée à un instant τ > T dans

l’intervalle IτT à partir de la sortie y i , on a det (Pik (τ )) 6= 0. Ceci est équivalent à
Jki (τ ) = |det (Pik (τ ))| > 0. Ainsi, dans ce cas, l’intervalle du temps IτT contient une
commutation à l’instant tc = τ −T +τc , avec τc ∈ [0, T ]. De plus, on peut déduire à
iT
−1
h
partir de l’équation (3.4.19) que Θ̂τ = (τ̂c )3 3 (τ̂c )2 3 τ̂c = (Pik (τ )) Qik (τ )
et donc τ̂ci = 31 Θ̂τ (3, 1), où τ̂c est une estimation de τc . Par conséquent, l’estimée
de l’instant de commutation tc à partir de la sortie y i , est t̂c = τ − T + τ̂c .
97
commutations
Remarque 3.2. La condition (3.4.23) est donnée pour une sortie y i non bruitée.
Ainsi, en présence de bruit, la valeur de Jki (τ ) ne peut jamais être nulle. Par
conséquent, un seuil de détection γJ doit être considéré. De ce fait, en présence
du bruit, la condition (3.4.23) de la proposition 3.2 doit être remplacée par la
condition suivante :
Jki (τ ) > γJ (3.4.26)
Remarque 3.3. Théoriquement, lorsque une commutation apparait à un instant tc ,

elle sera détectée dans IτT pour tout τ ∈ [tc , tc + T [. Néanmoins, en pratique, la
première détection d’un instant de commutation tc , à partir de la sortie y i , se fait
avec un retard inconnu Tci . Par conséquent, cette commutation est détectée dans
tous les intervalles IτT pour tout τ ∈ [tc + Tci , tc + T [. De plus, à chaque détection,
l’estimation de l’instant de commutation à partir de la sortie y i est donnée par
l’équation (3.4.25).
En temps réel, le premier instant τ où la condition donnée dans (3.4.26) est vérifiée,
est considéré comme un instant de commutation détecté à partir de la sortie y i .
Ainsi, une estimation des instants de commutations peut être donnée par :

 t̂1 = min (τ ∈ R+ | Jki (τ ) > γJ )
(3.4.27)
 t̂ = min τ ∈ R+ | J i (τ ) > γ et τ > t̂ + T = c = 2, 3, · · ·
c k J c−1
où t̂1 est une estimation d’une première commutation détectée par l’estimateur et
t̂c−1 représente une estimation d’une commutation précédente.
Dans la section suivante, nous considérons le cas d’un système à plusieurs sorties.
3.4.2 Cas d’un système à plusieurs sorties
Dans la section précédente, on a présenté un estimateur permettant la détection des

instants de commutations à partir de l’unique sortie y i du système. Néanmoins,
bien que cet estimateur proposé soit caractérisé par la simplicité de sa mise en
98
œuvre, il reste toutefois, limité pour nous fournir un résultat optimal. En effet,
on peut avoir le cas où une commutation se produit à un instant tc , alors que
l’estimateur ne la détecte pas sur tout l’intervalle [tc , tc + T [. Ceci peut s’expliquer
par le fait qu’à cause du bruit et/ou du changement lisse de la dynamique de la
sortie y i à cet instant, la commutation est cachée. D’autre part, on peut avoir le
cas où l’estimateur détecte une commutation, alors que réellement, ce n’est pas
le cas. Ceci représente une fausse détection. Pour cette raison, dans cette section
où on a un système à plusieurs sorties, la détection des instants de commutations
est effectuée à partir de toutes les sorties du système. Ceci va nous permettre de
minimiser d’une part, les fausses détections et d’autre part la non détection d’une
ou de plusieurs commutations.
h iT
Le vecteur y du système est composé de p sorties (y = y 1 · · · y i · · · y p ).
Ainsi, pour chaque sortie y i , i = 1, · · · , p, on associe un Estimateuri basé sur
le développement effectué pour synthétiser l’estimateur proposé dans la section
précédente. Par conséquent, la condition de détection donnée dans (3.4.26) sera
utilisée ici pour chaque Estimateuri , i = 1, · · · , p. Un algorithme de décision est
mis en place afin de décider à partir des différents estimateurs si une commuta-
tion est apparue ou non. Le principe de décision de cet algorithme est basé sur
deux critères, d’une part, une logique de décision par majorité, et d’autre part,
il faut vérifier que dans l’intervalle IτT , il n’y a aucune commutation décidée par
l’algorithme de décision. Cette dernière condition est nécessaire. En effet, vu que
lorsque un Estimateuri détecte une commutation à un instant τ , il l’a détecte
tout au long de l’intervalle [τ, τ + T [ (remarque 3.3). Ainsi, cette condition per-
met à l’algorithme de prendre en compte seulement la première détection de cet
intervalle.
Par ailleurs, contrairement à la section précédente où l’estimateur synthétisé fourni

une estimation direct des différents instants de commutations, dans cette section,
chaque Estimateuri fourni une sortie logique si qui prend la valeur 1 ou 0, couplée
directement avec l’algorithme de décision. En effet, lorsque l’algorithme de décision
n’a pas encore détecté une commutation, la sortie si prend la valeur 1 si Jki (τ ) > γJ .
Une fois l’algorithme de décision détecte une première commutation, la sortie si
ne prend à un instant τ , la valeur 1 que lorsque Jki (τ ) > γJ et τ > t̂c−1 + T où t̂c−1
99
commutations
est une estimation par l’algorithme de décision d’une commutation précédente. En

d’autres termes, la sortie si peut être donnée par :

 si = 1 si Jki (τ ) > γJ et H est vraie ou τ > t̂c−1 + T
(3.4.28)
 si = 0 sinon
où H est l’hypothèse : L’algorithme de décision n’a pas encore détecté une com-
mutation.
En résumé, l’algorithme proposé réalise trois tâches présentées comme suit :

— Le calcul à chaque instant τ et pour chaque Estimateuri , i = 1, · · · , p,
à partir du système (3.4.19) de la fonction Jki (τ ) donnée par l’équation
(3.4.24).
— La vérification de la condition (3.4.26) pour chaque Estimateuri . Lorsque
cette condition est vérifiée à un instant τ , et qu’aucune commutation n’est
prise en compte par l’algorithme dans l’intervalle IτT , alors la sortie si de
l’Estimateuri prend la valeur 1.
— Le calcul à chaque instant τ de la valeur S = pi=1 si . Lorsque S ≥ p2 ,
P
l’algorithme décide que l’instant τ est un instant de commutation.

L’implémentation de cet algorithme est faite sur une fenêtre glissante de longueur
T et présentée dans la section suivante.
3.4.2.1 Présentation de l’algorithme
Première étape : Initialisation

Fixer un seuil de détection γJ et choisir une fenêtre d’observation T = M Ts , avec
Ts le pas d’échantillonnage et M + 1 le nombre des échantillons dans la fenêtre T ;
Initialiser le paramètre δ à une valeur δ > T ;
Définir la longueur tf de la sortie échantillonnée y : tf = length (y (1, :)) ;
Deuxième étape : Détection des instants de commutations
pour j = M + 2 : tf
si δ > T
100
Phase 1 :
lecture de y (jTs ) ;
pour i = 1 : p
Initialisation de la valeur de si (si = 0) ;
calcul de la fonction Jki (jTs ) donnée par (3.4.24) et déduite à partir du
système (3.4.19) ;
si la condition (3.4.26) est vérifiée
alors l’Estimateuri détecte une commutation à l’instant τ = jTs et nous
avons alors si = 1 ;
fin si
fin pour
Pp
Calcul de la somme S = i=1 si ;
p
si S ≥ 2
c’est à dire la majorité d’estimateurs détecte une commutation
alors l’instant τ = jTs est un instant de commutation et le paramètre δ se
réinitialise à δ = 0 ;
sinon
l’instant τ = jTs n’est pas un instant de commutation ;
fin si
sinon
Phase 2 :
l’instant τ = jTs n’est pas un instant de commutation et nous avons si = 0,
ainsi, le paramètre δ s’incrémente d’un pas d’échantillonnage Ts : δ = δ + Ts ;
fin si
fin pour
L’estimation des instants de commutation par l’algorithme de décision peut être

donnée par :
 Pp
p
 t̂1 = min τ ∈ R+ | S = i=1 si ≥ 2
Pp
p
 t̂c = min τ ∈ R+ | S = i=1 si ≥ 2
et τ > t̂c−1 + T c = 2, 3, · · ·
(3.4.29)
101
commutations
où t̂1 et t̂c−1 sont respectivement, l’estimation par l’algorithme de décision, d’une
première commutation et d’une commutation précédente.
3.4.2.2 Discussion
L’algorithme proposé ci dessus a pour but de décider à partir des sorties si , i =

1, · · · , p, si une commutation est produite ou non.
Cet algorithme consiste en deux étapes d’exécution ; une étape d’initialisation et

une autre pour la détection.
Première Étape : Initialisation
Cette étape a pour objectif de définir les deux paramètres T et γJ et d’initialiser

la variable δ. Le paramètre T correspond à la longueur de la fenêtre IτT . Ainsi,
dans une fenêtre de longueur T , nous avons au maximum une seule commutation.
Le paramètre γJ correspond au seuil de détection qui dépend du bruit et de la
longueur T de la fenêtre IτT .
On a mentionné dans le paragraphe précédent, que si un Estimateuri détecte

une commutation à un instant τ , alors, cette commutation sera détectée sur tout
l’intervalle [τ, τ + T [. Ainsi, avec la variable δ qui est initialisée à une valeur supé-
rieure à T , l’algorithme ne prend en compte que l’instant de la première détection
de cette commutation par l’Estimateuri .
Deuxième étape : Étape de détection
Sous l’hypothèse qu’aucune commutation n’est produite sur l’intervalle [0, T ], l’al-
gorithme commence la procédure de détection à l’instant τ = T + Ts (j = M + 2).
A cet instant, la condition δ > T est vérifiée et l’algorithme rentre dans la phase 1
et commence à surveiller l’apparition d’un instant de commutation. Une fois que
la valeur y (jTs ) est lue, l’algorithme calcul pour chaque Estimateuri la fonction
Jki (jTs ) déduite à partir du système (3.4.19). Lorsque la condition (3.4.26) est
vérifiée pour un Estimateuri , la sortie si de ce dernier prend la valeur 1. Dans le
102
3.5 Résultats de simulation
cas contraire, elle prend la valeur 0. Lorsque la somme de toutes les sorties si est
égale à une valeur supérieure ou égale à p2 (la majorité des Estimateuri détecte
une commutation), l’algorithme considère l’instant τ = jTs comme un instant de
commutation et réinitialise la valeur δ à 0. Avec cette réinitialisation, l’algorithme
considère que les M +1 prochains échantillons sont des instants sans commutations
car la détection d’une commutation à un instant τ par un Estimateuri se fait sur
tout l’intervalle [τ, τ + T [. Ceci se réalise en incrémentant à chaque itération δ
d’un pas d’échantillonnage Ts et en vérifiant si δ > T ou non. Dans les M + 1
échantillons suivant la détection, nous avons toujours δ < T , et par conséquent à
ces instants l’algorithme passe à la phase 2.
Lorsqu’à un instant τ = jTs , l’algorithme est dans la phase 1 (δ > T ) et la

somme de toutes les sorties si est égale à une valeur strictement inférieure à p2 (une
minorité des Estimateuri détecte une commutation), alors l’algorithme considère
que l’instant τ = jTs n’est pas un instant de commutation. Ainsi, l’algorithme se
trouve à la prochaine itération avec la même valeur de δ qui est supérieure à T
(δ > T ). Cette condition lui permet de rester dans la phase 1 afin de vérifier s’il y
a une commutation ou non.
Afin de présenter l’efficacité de l’approche proposée ainsi que de l’algorithme de dé-

cision, nous considérons un SLC en temps continu avec trois sorties qui commutent
entre deux sous-systèmes linéaires d’ordre 4 donnés par :
     

−1.5 −1.5 0.3 −0.4  
−1.95 −2.09 1.61 0  
−5 
−1.5 −1.5 0.3 −0.4   1.59 1.45 −1.21 0   −5 
     

A1 =  , A2 =  , B1 =  ,
−1 −1 0 0  0 0 −1 0  0 
     
    
   
0 0 0 0 1 1 0 1 0
 
10  
  0 1 0 0
10
   
 
B2 = et C1 = C2 = C3 =  0 0 1 0 .
   
0
   
 
  1 0 0 0
0
103
commutations
D’autre part, la commande est donnée par u = 1 et la sortie y dans cet exemple
T
est donnée par y = y 1 y 2 y 3 .
Le système initialement dans le mode 2, commute entre les deux sous-systèmes

linéaires. Les instants de commutations de ce système sont donnés par : t1 = 0.5s,
t2 = 1s, t3 = 1.5s, t4 = 2s, t5 = 2.5s, t6 = 3s, t7 = 3.5s, t8 = 4s et t9 = 4.5s. Le
h iT
système commence à évoluer à partir d’un état initial x (0) = 4 5 −3 4 .
La simulation de cet exemple est faite sur Matlab/Simulink, avec un pas d’échan-
tillonnage Ts = 1ms.
Le bruit de mesure η (t) est un bruit blanc généré par le bloc « band-limited white
noise », avec une puissance donnée par « noise power » : [0.00001].
La méthode développée dans ce chapitre pour la détection des instants de commu-

tations est effectuée en temps continu. On a montré que la procédure de détection
commence par le calcul de la fonction Jki donnée dans l’équation (3.4.24). Ceci
revient à calculer les éléments vki des matrices Pik et Qik donnés dans l’équation
(3.4.21).
En temps continu, et à un instant donné τ , on a pour tout k ≥ 0 et υ > 3,

vki (τ ) = 0T hk (ρ) yτi (ρ) dρ où hk (ρ) est donnée dans (3.4.22).
R
L’implémentation de la méthode proposée est effectuée en considérant des échan-

tillons du vecteur y avec un pas d’échantillonnage Ts . L’intervalle du temps [0, T ]
est remplacé par la fenêtre des échantillons 0, · · · , M (T = M Ts ). Ainsi, un ins-
tant τ sera équivalent à l’échantillon nTs , et l’intervalle du temps IτT est rem-
placé par la fenêtre des échantillons [(n − M ) Ts , · · · , nTs ]. Pour ρ ∈ [0, T ], l’équi-
h iT
valent de la sortie yτ (ρ) = yτ1 (ρ) yτ2 (ρ) yτ3 (ρ) est donné par yn−M +m =
h iT
1 2 3 pour tout m = 0, · · · M .
yn−M +m yn−M +m yn−M +m
La méthode trapézoïdale est utilisée pour calculer l’intégrale qui existe dans l’ex-
pression de vki pour tout k ≥ 0 et υ > 3. Ainsi, on obtient pour tout k ≥ 0 et
υ>3:
M
vki (τ ) = vk,n
i i
Wm1 hk,m yn−M
X
= +m , i = 1, 2, 3 (3.5.1)
m=0
104

 0.5 pour m = 0 et m = M
avec Wm1 =  et hk,m étant un filtre numérique
1 pour m = 2, · · · , M − 1
donné par {hk,m = hk (mTs )}Mm=0 . Les éléments de ce dernier sont calculés, en rem-
m
plaçant dans (3.4.22), ρ par M et T par 1.
Dans cet exemple, on a considéré M = 300. Ainsi, en tenant compte des trois
sorties du vecteur y, on a trois estimateurs. Chaque Estimateuri , i = 1, 2, 3 est
dédié à une sortie y i . On prend υ = 5 et on choisit k = 1 et un seuil de détection
γJ = 5.10−6 . Ainsi, à chaque instant  τ = nTs , n >M , on a pour tout i = 1, 2, 3,
v i v2i v3i 
 1
J1i (nTs ) = |det (P1i (nTs ))| avec Pi1 =  v2i v3i v4i .
 
 
v3i v4i v5i
En appliquant l’algorithme présenté dans le paragraphe précédent, les différents
instants de commutations sont estimés. Ainsi, le tableau 3.1 présente la détection
des différents instants de commutations par l’algorithme proposé. Dans ce tableau,
i
l’instant tc représente l’instant de commutation réel et tˆc , i = 1, 2, 3 est l’instant
de la première détection par un Esimateuri d’une commutation. D’autre part,
l’instant tˆc dans ce tableau est l’instant de commutation déduit par l’algorithme
de décision à partir des trois estimateurs.
On remarque que la majorité des commutations est détectée par tous les estima-
teurs. La première commutation à l’instant t1 = 0.5s est détectée par les trois
estimateurs. L’Estimateur1 commence à détecter cette commutation à partir de
1
l’instant tˆ1 = 0.512s. Néanmoins l’Estimateur2 et l’Estimateur3 détectent cette
2 3
commutation à partir des instants tˆ1 = 0.522s et tˆ1 = 0.526s. L’algorithme pro-
2
posé considère l’instant t̂c = tˆ1 = 0.522s comme un instant de commutation car
la majorité des estimateurs le confirme à partir de cet instant.
D’autre part, les commutations aux instants t2 = 1s, t6 = 3s, t7 = 3.5s et t9 = 4.5s
ne sont détectées que par deux estimateurs et l’algorithme proposé considère ces
instants comme des instants de commutations car ces commutations sont détec-
tées par la majorité. Par exemple, l’instant de commutation t6 = 3s est détecté
seulement par l’Esimateurt2 et l’Esimateurt3 . En effet, dans un premier temps,
3
l’Estimateur3 détecte cette commutation à partir de l’instant tˆ6 = 3.009s et dans
2
un second temps, l’Estimateur2 le détecte qu’à partir de l’instant tˆ6 = 3.020s.
105
commutations
2
Ainsi, l’algorithme proposé considère l’instant t̂c = tˆ6 = 3.020s comme un instant
de commutation.
tc (s) 0.5 1 1.5 2 2.5 3 3.5 4 4.5

1
tˆc (s) 0.512 1.022 1.510 2.033 2.537 - 3.537 4.085 4.539
2
tˆc (s) 0.522 - 1.559 2.064 2.570 3.020 - 4.056 -
3
tˆc (s) 0.526 1.026 1.528 2.035 2.558 3.009 3.540 4.029 4.539
tˆc (s) 0.522 1.026 1.528 2.035 2.558 3.020 3.540 4.056 4.539
Table 3.1 – Détection des instants de commutations par les différents estima-
teurs : Système d’ordre quatre
30 15 5
25
y1 −1.5 y2 0 −26.5
y3
10 −2
20 −5 −27
15 −2.5 −10
20 5 −27.5
10 −3 −15
19.5
2 2
5 0 −20
19
0 18.5 −25
−5
−5 18 −30
2 −35
−10 −10
0 −3 1 2 3 4 5 0 −4 1 2 3 4 5 0 −3 1 2 3 4 5
x 10 x 10 x 10
3 −5 1.4
−5 −5
x 10
J11 x 10 J12 x 10 J13
2.5
γJ γJ 1.2 γJ
8 3
2
6 1
2 4 2 2
1
2 0.8
1.5 0 1
0
0.6
2 2.2 2.4 1.9 2 2.1 2.2 2.3 2 2.1 2.2 2.3
1 1
0.4
0.5
0.2
0 0 0
0 1 2 3 4 5 0 1 2 3 4 5 0 1 2 3 4 5
Temps (s) Temps (s) Temps (s)
Figure 3.5.1 – Évolution de la sortie y et des différentes fonctions Jki
La figure 3.5.1 montre l’évolution des différentes sorties y 1 , y 2 et y 3 du vecteur y,

ainsi que des différentes fonctions J1i , i = 1, 2, 3 données par l’équation (3.4.24)
et calculées à partir du système (3.4.19). Ces figures montrent qu’après chaque
instant de commutations, les fonction J1i , i = 1, 2, 3 deviennent non nulles durant
un intervalle de temps et reviennent à zéro après cet intervalle. Cet intervalle
106
3.6 Conclusion
correspond à [tc + Tci , tc + T [, où Tci est le retard de détection. Ceci confirme la

conjoncture donnée dans la remarque 3.3.
Une fois l’instant de commutation estimé, le signal de commutation λ̂ peut être
déduit à partir de la séquence de commutation connue.
3.6 Conclusion
Généralement, la majorité des observateurs d’état pour les SLC ne tiennent pas
compte de la partie discrète. En effet, dans la plupart des travaux réalisés dans
ce cadre, l’état discret est supposé disponible à chaque instant, ce qui simplifie la
synthèse de ces observateurs. Dans notre travail, on a supposé que l’état discret est
inconnu à chaque instant. Ainsi, dans ce chapitre, on s’est intéressé au problème
de détection en temps réel des instants de commutation pour les SLC en temps
continu avec bruit de mesure.
Un estimateur basé sur une approche algébrique a été proposé afin de détecter les
instants de commutation pour un système avec une seule sortie. Cette approche
a été généralisée par la suite pour détecter les instants de commutations dans un
système à plusieurs sorties. Dans ce cas de figure, nous avons proposé p estimateurs,
chacun d’entre eux est dédié à une sortie y i du vecteur y, suivi d’une procédure
de décision.
La dernière partie de ce chapitre a été consacrée aux résultats de simulations. Ces
résultats montrent que la méthode proposée remplit correctement les objectifs de
détection des instants de commutations.
Dans le chapitre suivant, en se basant sur les résultats trouvés dans le deuxième
et le troisième chapitre, le problème d’estimation de l’état complet dans un SLC
avec défauts et bruit de mesure est abordé sous l’hypothèse que l’état discret est
inconnu.
107
Chapitre 4
Synthèse d’un observateur hybride

pour un SLC : État discret inconnu
4.1 Introduction
Dans ce chapitre, nous considérons un SLC avec état discret inconnu. Ce dernier
est reconstruit en se basant sur l’approche proposée dans le chapitre précédent.
Ainsi, l’estimation de l’état continu et des défauts dans ce type de systèmes est
considérée. L’estimation de l’état continu est effectuée en utilisant une méthode
de placement de pôles dans une région LMI afin de tenir compte de la phase
transitoire et d’améliorer les performances par rapport aux méthodes proposées
dans le deuxième chapitre.
Après avoir posé le problème, on présente dans la troisième partie de ce chapitre
quelques notions de base sur le placement de pôles dans une région LMI. La qua-
trième partie s’intéresse à la synthèse d’observateur de l’état hybride. L’estimation
des défauts fait l’objet de la cinquième partie. Les résultats trouvés dans le chapitre
2 sont exploités dans ce chapitre en utilisant deux différenciateurs algébriques afin
d’estimer la dérivée de la sortie y nécessaire à l’estimation des défauts. Le premier,
appelé « différenciateur d’ordre minimal », estime la dérivée avec un retard. Le se-
cond différenciateur, appelé, « différenciateur d’ordre non minimal », découle d’une
combinaison linéaire du premier. Nous montrons dans ce chapitre que ce dernier
109
Chapitre 4 Synthèse d’un observateur hybride pour un SLC : État discret
inconnu
est capable d’estimer la dérivée de la sortie sans retard et donne des résultats plus
intéressants vis-à-vis du bruit par rapport au différenciateur basé sur les modes
glissants présenté dans le chapitre 2. Enfin, l’objectif de la dernière partie sera de
proposer un exemple numérique afin d’illustrer l’efficacité de l’approche proposée.
Nous considérons dans ce chapitre le SLC présenté dans la section 2.3.1.2 du

deuxième chapitre et donné par le modèle suivant :

ẋ (t) = Aλ x (t) + Bλ u (t) + Fλ f (t)
Σλ : (4.2.1)
 y (t) = C x (t) + η (t)
λ
où x ∈ Rn , u ∈ Rm , y ∈ Rp et η ∈ Rp représentent respectivement, l’état continu,

la commande, la sortie du système et le bruit de mesure. λ est l’état discret du
système, considéré non disponible. Il prend ses valeurs dans l’ensemble discret
I = {1, · · · , N }, avec N le nombre de modes qui composent le système (4.2.1)
et représente également le nombre de sous-systèmes linéaires invariants dans le
temps. L’état discret λ change ses valeurs aux instants {tc }∞
c=1 , appelés instants
de commutations. Lorsque à un instant t, nous avons λ = i, i ∈ I, alors le ième
sous système linéaire (4.2.2) est actif.

 ẋ (t) = Ai x (t) + Bi u (t) + Fi f (t)
Σi : (4.2.2)
 y (t) = Ci x (t) + η (t)
où Ai ∈ AI = {A1 , · · · , AN }, Bi ∈ BI = {B1 , · · · , BN } et Ci ∈ CI = {C1 , · · · , CN }

sont des matrices connues de dimensions appropriées.
La séquence de commutation {tc }∞ c=1 est supposée arbitraire et indépendante des
variables d’états de système. Nous supposons également qu’aucun phénomène Zeno
ne peut se produire. De même, afin de remplir les objectifs de ce chapitre, nous
considérons toutes les hypothèses données dans les chapitres 2 et 3. D’autre part,
dans un premier temps et afin de simplifier le calcul, nous supposons que la sortie y
est non bruitée (η = 0) et nous avons y (t) = Cλ(t) x (t). Une fois le développement
110
effectué, l’observateur sera donné en tenant compte du bruit. Nous considérons

également un temps de séjour minimum TD , et nous supposons qu’il existe un T ∗
tel que nous avons T + T ∗ < TD et que la première commutation dans le système
est supposée produite à un instant t1 > T .
En se basant sur les hypothèses données, la transformation de coordonnées effec-
tuée dans la section 2.3.1.2 du deuxième chapitre est considérée dans ce chapitre
afin d’obtenir le système transformé donné par :




˙
x̄(t) = Āλ x̄(t) + B̄λ u(t) + F̄λ f (t)

y(t) = C̄λ x̄(t) (4.2.3)

−1
x̄(t+ x̄(t−

c ) = Tλ(t+ ) Tλ(t− c )


c c )
ainsi que le système transformé réduit suivant :





x̄˙ 1 (t) = Ãλ x̄1 (t) + B̃λ u(t) + Ẽλ y(t)
ȳ(t) = C̃λ x̄1 (t) (4.2.4)

−

x̄1 (t+
c ) = Sλ,λ+ x̄(tc )


Les différentes matrices Ãλ , B̃λ , C̃λ , Ẽλ Sλ,λ+ Āλ , B̄λ , C̄λ , F̄λ et le vecteur ȳ
sont définis dans la section 2.3.1.2 du deuxième chapitre. x̄(t− +
c ) et x̄(tc ) désignant
respectivement le vecteur d’état du système transformé avant et après l’instant
de commutation tc . D’autre part, Tλ(t−c ) et Tλ(t+c ) représentent respectivement la
matrice de transformation, du mode actif, avant et après l’instant de commutation
tc (pour plus de détails sur ces matrices, voir section 2.3.1.2 du chapitre 2).
 
x̄1 
Le vecteur x̄1 du système (4.2.4) représente la première partie de l’état x̄ = 
x̄2
du système transformé (4.2.3). Nous pouvons voir dans (4.2.4) que la dynamique
du sous-état x̄1 est indépendant des défauts. Ainsi, x̄1 (t+
c ) est le vecteur d’état du
système transformé réduit (4.2.4) après l’instant de commutation tc .
Le travail présenté dans ce chapitre représente une suite des résultats trouvés
dans les deux derniers chapitres. En effet, en se basant sur une séquence de com-
mutation connue, et en utilisant les résultats développés dans le dernier chapitre
pour l’estimation des instants de commutations, nous reconstruisons l’état discret
111
inconnu
du système. A partir des informations partielles disponibles de ce dernier, l’état
continu du système est estimé par un observateur d’état. Cet observateur est syn-
thétisé en se basant sur le concept de placement de pôles dans une région LMI afin
d’améliorer les performances d’estimation par rapport aux résultats trouvés dans
le deuxième chapitre, et particulièrement dans la phase transitoire.
La figure 4.2.1 montre la structure générale de l’observateur hybride proposé dans

le cas d’un système à plusieurs sorties. Par ailleurs, lorsque nous avons un système
avec une seule sortie, un seul estimateur est présent, ainsi, le bloc de décision
disparait.
Séquence de commutations
y1 Estimateur s1
1
........
Bloc de décision
u . SLC .
y y i Estimateur si
i
tˆc Bloc de
reconstruction .
λ̂
........
f de l’état discret
y p Estimateur s p
p
Estimation des instants de commutations
.
Estimation de l’état discret du système
. . Observateur hybride
x̂
. Estimateur
de défaut
fˆ
y!
Différenciateur algébrique
Figure 4.2.1 – Structure générale de l’observateur hybride proposé
L’utilisation des contraintes de placement de pôles dans une région LMI consiste
à formuler des conditions LMI permettant, après leurs résolutions, de trouver des
valeurs propres de l’observateur dans une région souhaitée. Ceci permet d’avoir
une qualité d’estimation qui respecte certaines performances comme la rapidité et
112
4.3 Placement de pôle dans une région LMI
le degré d’oscillation.
Dans la figure 4.2.2, des limites de performances de placement de pôles dans une
région pour un système linéaire sont indiquées par les zones hachurées. Ces limites
sont généralement liées au degré de stabilité (zone limitée par 1), aux oscillations
(zone limitée par 2), au degré d’amortissement (zone limitée par 3) et à la limitation
de la partie réelle (zone limitée par 4).
3
1
Imag
2
4
Real
Figure 4.2.2 – Les limites des performances d’un système linéaire
Dans la deuxième partie de ce chapitre, en exploitant les résultats trouvés dans

le chapitre 2, le vecteur des défauts est estimé en utilisant la dérivée de la sortie
estimée par des méthodes algébriques.
Dans ce qui suit, nous présentons des notions et outils relatifs au placement de pôles
dans une région LMI qui seront nécessaires au développement de l’observateur
d’état.
Afin de présenter les différentes notions de placement de pôles dans une région
LMI, nous donnons dans la première partie de cette section quelques notions et
résultats liés la D−stabilité.
113
inconnu
4.3.1 La D−stabilité
Dans la littérature anglophone, la notion de D−stabilité est connue sous le vo-

cabulaire « root-clustering ». Elle a été considérée pour la première fois pour
la localisation des racines d’un polynôme donné. Dans ce cadre, différents tra-
vaux ont été réalisés, comme par exemple, les travaux de Jury et Kalman dans
[Kalman 69][Jury 71]. A partir de ces travaux, des propositions sur les problèmes
de stabilité des systèmes linéaires ont été réalisées en passant par les critères de
stabilité de Routh, de Hurwitz, de Hermite et de Schur. Les extensions de ces
problèmes ont fait l’objet des premières réflexions sur le concept de la D−stabilité
[Howland 71][Gutman 79][Gutman 81].
Dans un système linéaire décrit par une représentation d’état, les valeurs propres
jouent un rôle très important dans le comportement transitoire du système. De
plus, afin d’avoir de bonnes performances dans la phase transitoire du système,
il faut que les valeurs propres de la matrice A soient mieux placées dans le plan
complexe. Ces performances sont souhaitées être des fois avec un certain niveau
d’amortissement ou avec une certaine rapidité. Ce qui ne peut pas être traduit par
un spectre bien précis mais plutôt par une région D du plan complexe correspon-
dant aux performances souhaitées. Ainsi, cette région D vérifie la propriété de la
D−stabilité, définie dans ce qui suit.
Définition 4.1. Considérons une matrice A ∈ Cn×n et une région D du plan
complexe.
La matrice A est dit D−stable si et seulement si nous avons :
Sp (A) ∈ D (4.3.1)
où Sp (A) représente le spectre de A.
La D−stabilité restreint la propriété de la stabilité dans le sens classique. En effet,

lorsque nous étudions la stabilité d’une matrice A dans le sens classique, nous
testons si les valeurs propres de cette matrice sont dans le demi plan gauche. Dans
le cas de la D−stabilité, le demi plan gauche est restreint à une région D inclue
dans ce demi plan.
114
La D−stabilité généralisant la propriété de stabilité, peut être transformée sous des

conditions des inégalités matricielles linéaires « LMI ». Ainsi, cette région D sera
définie par des LMI. Par conséquent, nous parlerons de la région LMI présentée
ci-dessous.
4.3.2 Définition d’une région LMI
Un sous-ensemble D du plan complexe est appelé une région LMI d’ordre n s’il
est défini par :
D = {z ∈ C | fD (z) = R + M z + M T z ∗ < 0} (4.3.2)
avec R ∈ Rn×n est une matrice symétrique, M ∈ Rn×n et z ∗ est la variable conju-
guée de z dans le plan complexe.
La fonction fD est une fonction caractéristique de variable complexe z. Elle est
symétrique parce que nous avons : fD (z) =: fDT (z), et par conséquent, la région
D est une région LMI, symétrique par rapport à l’axe réel.
Dans ce qui suit, nous présentons un résultat sur la D−stabilité d’une matrice A
dans une région LMI issu des travaux de Chilali [Chilali 96].
Théorème 4.1. [Chilali 96] Considérons une matrice A ∈ Rn×n et une région
LMI D définie par (4.3.2).
La matrice A est D−stable si et seulement si il existe une matrice X symétrique,
définie et positive, telle que nous avons :
MD (A, X) = R ⊗ X + M ⊗ (AX) + M T ⊗ (AX)T < 0 (4.3.3)
où ⊗ représente le produit de Kronecker (annexe 3).
La D−stabilité peut être testée par l’intersection de plusieurs régions LMI. Dans
ce cadre, les auteurs de [Chilali 96] ont montré qu’une seule solution symétrique,
définie et positive est nécessaire pour qu’une matrice A soit D−stable dans l’in-
tersection de plusieurs régions Dk , k ∈ {1, · · · ν}.
115
inconnu
Dans ce cadre, nous présentons dans ce qui suit, un résultat utile pour la suite de
notre travail.
Théorème 4.2. [Chilali 96] Considérons une matrice A ∈ Rn×n et ν régions LMI,
Dk , k ∈ {1, · · · ν}. Chacune d’entre elles est définie par :
Dk = {z ∈ C | fDk (z) = Rk + Mk z + MkT z ∗ < 0} (4.3.4)
où k ∈ {1, · · · ν}.
Soit D une région résultant de l’intersection de toutes les sous-région Dk , k ∈
{1, · · · ν}.
Les valeurs propres de la matrice A sont dans la région D si et seulement si il
existe une matrice X, symétrique, définie et positive, tel que :
MD (A, X) = R⊗X +M ⊗(AX)+M T ⊗(AX)T = diag (MDk (A, X)) < 0 (4.3.5)
k=1,···ν
où diag est une matrice diagonale d’ordre ν (annexe 3), et pour tout k = 1, · · · ν,
k=1,···ν
R = diag (Rk ), M = diag (Mk ) et
k=1,···ν k=1,···ν
MDk (A, X) = Rk ⊗ X + Mk ⊗ (AX) + MkT ⊗ (AX)T (4.3.6)
Ce dernier théorème montre que la matrice X recherchée doit vérifier pour tout
k = 1, · · · ν, la condition MDk (A, X) < 0. En d’autres termes, la même matrice
X est utilisée pour toutes les régions LMI Dk afin de garantir la condition de
la D−stabilité de la matrice A. Ce qui permet de garantir que toutes les valeurs
propres de la matrice A sont dans la région D qui résulte de l’intersection de toutes
les régions Dk , k = 1, · · · ν. De plus, lorsque le nombre ν des régions Dk augmente,
l’inégalité (4.3.5) devient plus conservative.
Nous remarquons que l’équation (4.3.5) est une généralisation du théorème de
Lyapunov standard. En effet, une matrice A est stable si ses valeurs propres sont
dans le demi plan gauche D défini par sa fonction caractéristique fD (z) = z + z ∗ <
116
0. Ceci est équivalent selon le théorème (4.1) à choisir R = 0 et M = 1 et d’obtenir

l’inégalité suivante :

1 ⊗ (XA) + 1 ⊗ AT X = AT X + XA < 0, X>0
4.3.3 Présentation de quelques régions LMIs
Plusieurs régions LMI définies par la forme caractéristique (4.3.2) peuvent être
déduites. Nous ne pouvons pas passer en revue toutes les régions présentées dans
la littérature. Dans ce paragraphe, nous présentons trois régions LMI les plus
connues et les plus utilisées.
Bande verticale
La bande verticale est une région D centrée en x = γ et de largeur 2ω (figure 4.3.1

(a)).
Cette région D est définie par :
D = {(z = x + iy) ∈ C | |x − γ| < ω}
z + z ∗ − 2γ z + z ∗ − 2γ

⇐⇒ D = z ∈ C | − ω2 < 0
2 2
(z + z ∗ − 2γ) (z + z ∗ − 2γ)
( )
⇐⇒ D = z ∈ C | − 2ω < 0
2ω
   
 −2ω (z + z ∗ − 2γ)  
⇐⇒ D = z ∈ C |  < 0
(z + z ∗ − 2γ) −2ω 
Ainsi, nous avons
D = {z ∈ C | R + M z + M T z ∗ < 0} (4.3.7)
117
inconnu
   
−2ω −2γ  0 1 
avec R =  et M =  .
−2γ −2ω 1 0
2ω
Imag Imag Imag
2α
. .
r
Real Real Real
γ β
(a) (b) (c)
Figure 4.3.1 – Région LMI : (a) bande verticale, (b) bande horizontale, (c) disque
Bande horizontale
Une bande horizontale est une région D centrée en y = 0 et de largeur 2α(figure

4.3.1 (b)).
Mathématiquement, cette région peut être définie par :
D = {(z = x + iy) ∈ C | |y| < α}
n o
⇐⇒ D = z ∈ C | |y|2 − α2 < 0
(z − z ∗ ) (z ∗ − z)
( )
⇐⇒ D = z ∈ C | − α2 < 0
4
(z − z ∗ ) (z ∗ − z)
( )
⇐⇒ D = z ∈ C | − 2α < 0
2α
118
   
 −2α (z − z ∗ )  
⇐⇒ D = z ∈ C |  ∗ <0
 (z − z) −2α 
Ce qui est équivalent à
D = {z ∈ C | R + M z + M T z ∗ < 0} (4.3.8)
   
−2α 0  0 1 
où R =  et M =  .
0 −2α −1 0
Disque
Un disque D ayant comme centre (β; 0) et rayon r (figure 4.3.1 (c)) est défini par :
D = {z ∈ C | |z − β| < r}
n o
⇐⇒ D = z ∈ C | (z − β) (z ∗ − β) − r2 < 0
(z − β) (z ∗ − β)
( )
⇐⇒ D = z ∈ C | −r + <0
r
   
 −r z−β  
⇐⇒ D = z ∈ C | −r +  ∗ <0
z − β −r 
Ainsi, nous avons là encore :
D = {z ∈ C | R + M z + M T z ∗ < 0} (4.3.9)
   
−r −β  0 1 
avec R =  et M =  .
−β −r 0 0
Dans la suite de ce chapitre, il s’agit de traiter le problème d’estimation de l’état
hybride du système (4.2.1). Ainsi, un bloc pour la reconstruction de l’état discret à
119
inconnu
partir des instants de commutations détectés par l’approche proposée dans le der-
nier chapitre est nécessaire, suivi d’un observateur d’état permettant l’estimation
de l’état continu du système.
4.4 Estimation de l’état hybride
4.4.1 Reconstruction de l’état discret
Dans le dernier chapitre, nous avons proposé une approche algébrique permettant
la détection en temps réel des commutations dans un SLC. Nous supposons dans
ce chapitre que la séquence de commutations et le mode initial sont connus. Ceux-
ci nous permet de reconstruire l’état discret du système à chaque instant t en
se basant sur l’estimation des instants de commutation par la méthode présentée
dans le chapitre 3. Ainsi la démarche principale de l’estimation de l’état discret
est basée sur les deux étapes suivantes :
— Estimation des instants de commutations par la méthode présentée dans le
chapitre 3.
— Identification du mode actif actuel et de la séquence de commutations, pour
déduire le mode actif qui suit la commutation.
En se basant sur le système (3.4.27) pour un système avec une seule sortie ou sur
le système (3.4.29) pour un système à plusieurs sorties, une estimation de l’état
discret du système (4.2.1) peut être donnée par :

 λ̂ = λ̂ (t = 0) = λ (t = 0) ; 0 ≤ t < t̂1
(4.4.1)
 λ̂ = λ t̂c−1 = λ (tc−1 ) ; t̂c−1 ≤ t < t̂c
avec t̂c une estimation d’une commutation et t̂c−1 représente une estimation d’une
commutation précédente.
Lorsque l’état discret est identifié, il sera injecté par la suite dans un observateur
d’état (figure 4.2.1) afin d’estimer l’état continu du système. La synthèse de cet
observateur fait l’objet du paragraphe suivant.
120
4.4.2 Synthèse de l’observateur de l’état continu
Considérons la structure de l’observateur d’état, associé au système transformé

réduit (4.2.4), défini par :





 λ̂
x̄ˆ1 (t) + Bλ̂obs u(t) + Cλ̂obs y(t)
x̄ˆ1 (t+ x̄ˆ(t−

c ) = S c )


 λ̂,λ̂+  (4.4.2)

 ˆ1 (t)
x̄
x̂(t) = Tλ̂  1

 
U y(t) − U 1 Cλ̂ Nλ̂ x̄ˆ1 (t)



λ̂ λ̂
où x̄ˆ1 représente une estimation de l’état x̄1 du système transformé réduit (4.2.4).
λ̂ est une estimation de l’état discret λ du système. Elle est reconstruite à partir du
système (4.4.1) et prend ses valeurs dans l’ensemble discret I = {1, · · · , N }, avec
N le nombre de modes qui compose le système (4.2.1). Ainsi, x̄ˆ1 (t̂+ c ) est la valeur
de l’estimation de l’état du système transformé réduit (4.2.4) après l’instant de
commutation estimé t̂c . et x̄ˆ(t̂−
c ) est la valeur de l’estimation de l’état du système
transformé (4.2.3) avant cet instant estimé.
Lorsque l’état discret estimé λ̂ converge vers λ, l’observateur (4.4.2), le SLC (4.2.1)
et le système transformé réduit (4.2.4) évoluent dans le même mode discret. Ainsi,
les différentes matrices Aobs
λ̂
, Bλ̂obs , Cλ̂obs , Sλ̂,λ̂+ , Uλ̂1 , Cλ̂ , Nλ̂ et Tλ̂ deviennent iden-
tiques aux matrices Aobs obs obs 1
λ , Bλ , Cλ , Sλ,λ+ , Uλ , Cλ , Nλ et Tλ définies dans le
deuxième chapitre. La matrice Aobs λ̂
est donnée par Aobs λ̂
= Ãλ̂ − Lλ̂ C̃λ̂ , où Ãλ̂ et C̃λ̂
sont équivalentes aux matrices Ãλ et C̃λ lorsque l’observateur et le système évo-
luent dans le même mode, et Lλ̂ est le gain de l’observateur qui prend ses valeurs
dans l’ensemble des matrices {L1 , · · · , LN }. Les différents gains matriciels Li , i ∈ I
sont choisis de telle sorte que l’erreur d’estimation entre le sous état estimé x̄ˆ1 et
le sous état réel x̄1 converge asymptotiquement vers zéro.
La reconstruction en ligne de l’état discret λ se produit avec un certain retard
Tc qui apparait à chaque instant de commutation tc . Ceci permet d’introduire un
décalage de détection du mode actif après chaque transition discrète. Ainsi, entre
deux instants de commutations tc et tc+1 nous avons deux phases (figure 4.4.1).
La première phase représente la phase entre l’apparition de la commutation à l’ins-
tant tc et l’instant de sa détection t̂c = tc + Tc . Dans cette phase l’observateur et
121
inconnu
Tc
Observateur et système Observateur et système
n’évoluent pas dans le évoluent dans le même
même mode mode
λ =i λ̂ = j ≠ i λ = λ̂ = i
tc tˆc = tc + Tc tc+1 Temps
Figure 4.4.1 – Évolution de l’observateur et du système entre deux instants de

commutations
le système n’évoluent forcement pas dans le même mode. Par conséquent, l’obser-
vateur ne peut pas suivre la trajectoire de l’état x̄1 du système transformé réduit
(4.2.4) et donc également de l’état x du système (4.2.1). Lorsque la commutation
à l’instant tc est détectée à l’instant t̂c = tc + Tc , l’observateur et le système com-
mencent à évoluer à partir de cet instant dans le même mode. Ainsi, l’état estimé
x̄ˆ1 respectivement x̂ commence à converger vers l’état x̄1 respectivement x.
Afin de simplifier le calcul, nous supposons que le retard de détection est négli-
geable et que l’observateur et le système évoluent dans le même mode.
Dans ce cadre, l’erreur d’estimation entre le sous état estimé x̄ˆ1 et le sous état réel
x̄1 est donnée par :
ε1 (t) = x̄ˆ1 (t) − x̄1 (t) (4.4.3)
De plus, la dynamique de l’erreur d’estimation est donnée par :

 ε̇1 (t) = Aobs
λ ε1 (t)
 ε (t̂+ ) = G + ε (t̂− )
(4.4.4)
1 c λ,λ 1 c
où Gλ,λ+ est une matrice définie dans la proposition 2.1 et les vecteurs ε1 (t̂+c ) et
ε1 (t̂−
c ) sont respectivement l’erreur d’estimation après et avant l’estimation t̂c de
l’instant de commutation tc .
122
Dans la suite de ce chapitre, afin d’étudier la convergence asymptotique de l’erreur

d’estimation (4.4.3) en assurant de bonnes performances de la phase transitoire de
l’observateur (4.4.2) en terme de rapidité et niveau d’oscillation, nous considérons
pour chaque mode i ∈ I, une région Di (figure 4.4.2), déduite à partir de l’inter-
section de deux régions D1i et D2i . La région D1i est une bande verticale présentée
dans le paragraphe précédent. Elle est délimitée par deux droites verticales espa-
cées d’une distance de 2ωi et symétriques par rapport à la droite d’équation x = γi .
La région D2i est une bande horizontale présentée également dans le paragraphe
précédent. Elle est délimitée par deux droites horizontales espacées d’une distance
2αi et symétriques par rapport à la droite d’équation y = 0.
2ω i
Imag
2α i
.
γi
Real
Figure 4.4.2 – Région LMI utilisée
Remarque 4.1. Pour tout i ∈ I, les paramètres γi et ωi sont choisis de telle sorte
que les valeurs propres de l’observateur soient dans une région permettant à l’ob-
servateur d’être plus rapide par rapport au système. De plus, l’observateur ne doit
pas être trop rapide, sinon il sera trop sensible au bruit.
D’autre part, pour tout i ∈ I, les paramètres αi sont positifs et ne sont pas choisis
grands afin de borner la partie imaginaire des valeurs propres de l’observateur. Ceci
permet d’éviter des oscillations dans la phase transitoire causées par des grandes
valeurs des parties imaginaires des valeurs propres.
En introduisant la fonction de Lyapunov quadratique à commutations donnée par

(1.3.5), des conditions de convergence de l’observateur (4.4.2) sont formulées dans
123
inconnu
le théorème suivant.
Théorème 4.3. Considérons le SLC (4.2.1), ainsi que le système transformé ré-
duit (4.2.4). Nous supposons que le retard de détection des instants de commu-
tations est négligeable et que l’observateur et le système évoluent dans le même
mode.
Soit pour tout i ∈ I, αi , γi et ωi trois paramètres choisis selon les performances

présentées dans la remarque 4.1.
S’il existe pour tout i ∈ I, une matrice Hi ∈ <(n−l)×(p−l) et une matrice Pi ∈

<(n−l)×(n−l) symétrique, définie et positive telles que :
 

−2ωi Pi Ψ1i 0 0 
∗ −2ωi Pi 0 0
 
 
  ≤0 (4.4.5)
0 0 −2αi Pi Ψ2i
 
 
 
0 0 −Ψ2i −2αi Pi
 
P GTi,j Pj 
 i ≥0 (4.4.6)
∗ Pj
avec j le mode successeur du mode i, Ψ1i = −2γi Pi + ÃTi Pi + Pi Ãi − C̃iT Hi − HiT C̃i
et Ψ2i = ÃTi Pi − Pi Ãi − C̃iT Hi + HiT C̃i .
Alors, en utilisant les gains matriciels Li = Pi−1 HiT , i ∈ I, l’observateur (4.4.2)

assure la convergence asymptotique de l’erreur d’estimation (4.4.3) avec des valeurs
propres situées dans les régions Di (i = 1, · · · , N ) présentées dans la figure 4.4.2.
Ainsi, l’état estimé x̂ converge asymptotiquement vers l’état réel x du système
(4.2.1)
Démonstration. La démonstration de l’équation (4.4.6) a été étudiée dans la preuve

du théorème 2.2. Il nous reste alors que l’inégalité (4.4.5) à démontrer.
Nous avons montré également dans la preuve du théorème 2.2 que la convergence
de l’erreur d’estimation nécessite l’existence pour tout i ∈ I de deux matrice Pi et
Hi telle que :
124
T
Aobs
i Pi + Pi Aobs
i ≤0 (4.4.7)
Dans cette section, nous avons supposé que le retard de détection des instants de
commutations par l’approche proposée dans le chapitre 3 est négligeable, et par
conséquent, l’observateur et le système sont supposés évoluer dans le même mode.
L’inégalité (4.4.7) doit être vérifiée ici.
Maintenant, afin de garantir donc, que pour tout i ∈ I , les valeurs propres de
la matrice Aobs
i de l’observateur soient dans la région Di présentée dans la figure
4.4.2, l’inégalité (4.3.5) doit être vérifiée . Pour cela, il faut qu’il existe pour tout
i ∈ I, une matrice Pi , telle que :
T
MDi Aobs i i obs T obs
i , Pi = R ⊗ Pi + M ⊗ Ai Pi + Mi ⊗ Ai Pi =
 
MD1i Aobs
i , Pi 0 (4.4.8)
  <0
0 MD2i Aobs
i , Pi
T
T

avec MD1i Aobs i i obs i obs
i , Pi = R1 ⊗Pi +M1 ⊗ Ai Pi +(M1 ) ⊗ Ai Pi et MD2i Aobs
i , Pi =
T
T

R2i ⊗ Pi + M2i ⊗ Aobs i
i Pi + (M2 ) ⊗ Ai Pi
obs
, où Rki et Mki , k = 1, 2, représentent
les matrices spécifiques de la région Dki présentée dans l’équation (4.3.2).
Dans notre travail, nous avons considéré pour tout i ∈ I, une région Di définie
par l’intersection d’une bande verticale D1i et d’une autre horizontale
 D2i . De ce

−2ωi −2γ i 
fait, en utilisant les équations (4.3.7) et (4.3.8), nous avons R1i =  ,
−2γi −2ωi
     
0 1  i  −2αi 0  0 1 
M1i =  , R2 = et M2i =  . Ainsi, en remplaçant
1 0 0 −2αi −1 0
ces matrices dans l’inégalité (4.4.8), et en posant Hi = (Pi Li )T , nous aboutissons
à la LMI (4.4.5).
D’autre part, en se basant sur les équations (2.3.7) et (2.3.20), l’état estimé x̂
converge asymptotiquement vers l’état réel x du système (4.2.1).
125
inconnu
4.5 Estimation du vecteur de défauts
Après avoir reconstruit l’état discret λ, l’état x̄1 du système transformé réduit
(4.2.4) et l’état x du système (4.2.1), nous nous intéressons dans cette section à
l’estimation du vecteur de défauts f du système (4.2.1). Dans ce chapitre, nous
avons supposé que l’état discret du système (4.2.1) est inconnu et qu’il est re-
construit en temps réel en utilisant l’estimateur (4.4.1). Lorsque λ̂ converge vers
λ, nous avons λ̂ = λ, et l’estimateur (2.3.29) présenté dans le chapitre 2 peut
être considéré alors comme un estimateur du vecteur de défauts f du système
(4.2.1). D’autre part, sous l’hypothèse que le retard de détection des instants de
commutations est négligeable et que l’observateur et le système évoluent dans le
même mode, l’estimateur (4.5.1) présenté ci-dessous, peut être considéré comme
un estimateur du vecteur de défauts f du système (4.2.1).
fˆ (t) = Uλ̂1 ẏ + θλ̂1 x̄ˆ1 + θλ̂2 y + θλ̂3 u (4.5.1)
où λ̂ prend ses valeurs dans l’ensemble discret I, et pour tout i ∈ I, les matrices
Ui1 , θi1 , θi2 et θi3 sont présentées dans la proposition 2.2 du chapitre 2.
Comme nous l’avons mentionné dans le chapitre 2, l’estimateur du vecteur de dé-

fauts (4.5.1) contient la dérivée du vecteur de sortie y. Cette dérivée a été estimée
grâce à un différenciateur basé sur les techniques des modes glissants d’ordre su-
périeur. L’utilisation de ce différenciateur se base sur l’hypothèse que la sortie à
dériver y et le bruit de mesure η doivent être bornés par des valeurs relativement
faibles. En pratique, ce type de différenciateurs présente des difficultés liées au
réglage de leurs gains. Ainsi, en présence d’un signal bruité, ce différenciateur né-
cessite également un compromis délicat entre la robustesse par rapport au bruit,
la précision et la convergence en un temps fini. Ceci limite son utilisation dans
certaines applications. Par conséquent, dans le but d’estimer la dérivée du vec-
teur de sortie y, nous proposons dans ce chapitre, un autre type de différenciateur
basé sur des méthodes algébriques. Ce différenciateur algébrique présente certains
avantages par rapport au différenciateur basé sur les modes glissants. En effet,
contrairement à ce dernier, un différenciateur algébrique est basé sur une forme
126
algébrique, et ne présente donc pas un problème de convergence. De plus, cela lève

les contraintes sur le bruit et aucune hypothèse sur celui-ci n’est considérée.
4.5.1 Différenciateur basé sur les techniques algébriques
Les différenciateurs basés sur des approches algébriques ont été revisités dans plu-
sieurs travaux et ont été appliqués avec succès dans différents domaines, comme
par exemple la détection de ruptures dans un signal ou le dé-bruitage des signaux
mono-dimensionnels [Fliess 04] [Fliess 05]. Des extensions de ces techniques ont été
réalisées également pour des signaux multi-dimensionnels, comme par exemple, les
séquences d’images [Fliess 06].
Dans cette section, nous présentons une approche basée sur des techniques algé-
briques, permettant de calculer la dérivée du vecteur de sortie y. Cette approche re-
présente une revisite des travaux développés dans [Mboup 07] [Villagra 08] [Mboup 09][Liu 11].
L’idée principale de cette approche se base sur l’hypothèse que la sortie y dont nous
allons estimer la dérivée est supposée de classe C ∞ . Ceci nous permet de dévelop-
per y en série de Taylor et de tronquer ce développement à un certain ordre N .
Une transformée de Laplace sera appliquée afin d’obtenir un modèle réécrit dans le
domaine opérationnel. En réalisant des dérivations adéquates dans le domaine opé-
rationnel et des manipulations algébriques permettant le passage dans le domaine
temporel, la dérivée de la sortie y recherchée peut être alors estimée.
Dans ce qui suit, nous présentons un développement préliminaire nécessaire à la
synthèse du différenciateur algébrique proposé.
4.5.1.1 Développement préliminaire
Pour simplifier le calcul et afin de synthétiser le différenciateur, nous ferons le

développement avec une sortie y non bruitée de classe C ∞ . Une fois le différencia-
teur synthétisé, il sera appliqué par la suite à la sortie y bruitée, afin d’estimer sa
dérivée.
h i
Nous considérons un intervalle IτT̃+ = τ, τ + T̃ , où τ est un instant donné. Le
développement en série de Taylor de la sortie y autour d’un point t0 ∈ IτT̃+ est
127
inconnu
donné par :
+∞
X
(k) (t − t0 )k
y (t) = y (t0 ) (4.5.2)
k=0 k!
où τ ≤ t0 ≤ t ≤ τ + T̃ et y (k) (t0 ) la dérivée k ième de y évaluée à l’instant t0 .
Afin d’estimer la dérivée première de la sortie y, un calcul est fait à chaque instant
τ dans l’intervalle IτT̃+ . Par conséquent, cet intervalle est considéré comme une
fenêtre glissante de largeur T̃ , ayant comme origine t = 0 qui correspond en réalité
à l’instant t = τ . Ainsi, à chaque instant τ , le long du calcul, l’intervalle de temps
h i h i
IτT̃+ = τ, τ + T̃ est remplacé par 0, T̃ .
Sans perte de généralités, nous considérons par la suite le développement en série

de Taylor de y autour de l’origine t0 = 0 qui correspond au point τ . Ceci nous
permet d’avoir :
+∞
tk
y (k) (0)
X
y (t) = (4.5.3)
k=0 k!
Une troncature du développement de la série de Taylor de y à l’ordre N ≥ 1 nous

donne une approximation de y notée yN définie par :
N
tk
y (k) (0)
X
yN (t) = (4.5.4)
k=0 k!
dN +1
L’expression de yN satisfait l’équation différentielle y
dtN +1 N
(t) = 0.
Dans l’équation (4.5.4), les différents coefficients y (k) (0), k = 0, · · · N , représentent

les k + 1 premières dérivées successives de y au point t = 0 (instant τ ). Néanmoins,
l’objectif ici est de calculer seulement la dérivée première de y. Pour cela, nous ef-
fectuons des manipulations algébriques sur l’équation (4.5.4) afin d’isoler la dérivée
première qui correspond à k = 1. Ainsi, les notions mathématiques présentées dans
le chapitre 3 seront totalement exploitées ici.
En utilisant la transformée de Laplace inverse donnée dans (3.3.12), l’équation

(4.5.4) peut être donnée dans le domaine opérationnel par :
128
N
X y (k) (0)
yN (s) = (4.5.5)
k=0 sk+1
En examinant l’équation (4.5.5), nous remarquons que chaque dérivée k ième de y

au point 0 est divisée par sk+1 . Ceci nous permet de conclure que pour isoler la
dérivée première de y au point 0, des multiplications par des exposants de s dans
un premier lieu et des dérivées successives par rapport à s dans un second lieu
sont nécessaires. Ainsi, en multipliant l’équation (4.5.5) par sN +1 et en utilisant
dN −1
l’opérateur différentiel ds N −1 , l’équation suivante est trouvée :
dN −1 N +1
s yN (s) = N ! s y (0) + (N − 1)! ẏ (0) (4.5.6)
dsN −1
De plus, en examinant l’équation (4.5.6), nous remarquons que toutes les dérivées
k ième , k > 1 ont disparu et il reste que la valeur de y au point 0 ainsi que sa
dérivée désirée. Pour cela, nous essayons dans un second temps de faire disparaitre
la quantité N ! s y (0). De ce fait, en multipliant l’équation (4.5.6) par 1s et en
dκ+1
appliquant l’opérateur différentiel ds κ+1 , κ ≥ 0, nous aboutissons à (4.5.7).
dκ+1 1 dN −1 N +1 (−1)1+κ (κ + 1)! (N − 1)!

!

s yN (s) = ẏ (0) (4.5.7)
dsκ+1 s dsN −1 sκ+2
La dérivation du terme sN +1 yN (s) qui existe dans le premier membre de l’équation

(4.5.7) fait apparaitre des termes en si yN (s) qui sont équivalents à des dérivées
dans le domaine temporel. Ceci représente un inconvénient majeur et pose des
problèmes d’estimations. En d’autres termes, nous souhaitons faire apparaitre que
des termes en s1i qui sont équivalents à des intégrales dans le domaine temporel. Par
1
conséquent, nous multiplions les deux membres de (4.5.7) par sN +µ+1 , avec µ ≥ 0.
Ainsi, en remplaçant la quantité yN (s) par la vraie sortie bruitée y observée dans
la fenêtre IτT̃+ , une estimation de la dérivée de y peut être donnée par [Mboup 07] :
ϕκ,µ,N (s) ẏˆ (0; κ; µ; N ) = ΠN

κ,µ y (4.5.8)
(−1)κ+1 (κ+1)! (N −1)! dκ+1 1 dN −1

avec ϕκ,µ,N (s) = sµ+N +κ+3
, ΠN
κ,µ =
1
sN +µ+1 dsκ+1 s dsN −1
sN +1 et ẏˆ (0; κ; µ; N )
129
inconnu
étant une estimation de la dérivée de la sortie bruitée y, estimée en tronquant le
développement de la série de Taylor à l’ordre N et en utilisant deux entiers na-
turels positifs µ et κ. Ceci nous permet de conclure que cette estimation est une
fonction de N , µ et κ.
Le terme ẏ (0) existe dans l’équation (4.5.7) est une dérivée exacte de y à l’instant
t = 0. En effet, cette dérivée découle du développement mathématique commencé
à partir de l’équation (4.5.4). Néanmoins, ẏˆ (0; κ; µ; N ) qui existe dans l’équation
(4.5.8) n’est qu’une estimation de la dérivée exacte de y à l’instant t = 0. En
effet, la quantité tronquée yN du développement en série de Taylor de la sortie y
considérée non bruitée a été remplacée par la vraie sortie y bruitée et non tronquée.
Pour cette raison, nous procédons à ce stade à l’examen de l’erreur d’estimation.
Ainsi, nous définissons à partir des équations (4.5.3) et (4.5.4), la quantité RN =
y − yN qui représente la différence entre le développement en série de Taylor de la
sortie sans bruit et sa troncature à l’ordre N . Ceci nous permet d’écrire la sortie
bruitée y sous la forme suivante :
y = yN + RN + η (4.5.9)
A partir de l’équation (4.5.9), l’estimation de la dérivée de la sortie y donnée dans

(4.5.8) peut s’écrire sous la forme suivante :
ẏˆ (0; κ; µ; N ) = ẏ (0) + eRN (0) + eη (0) (4.5.10)
où ẏ (0) représente la dérivée exacte de la sortie y sans bruit à l’instant t = 0,

eRN (0) l’erreur d’estimation causée par la troncature à l’ordre N de la sortie y
sans bruit, donnée dans l’équation (4.5.4) et eη (0) est l’erreur d’estimation causée
par le bruit η.
La contribution de ces deux types d’erreurs varie selon le choix des deux paramètres
µ et κ, de l’ordre de troncature N ainsi que de la longueur T̃ de la fenêtre IτT̃+
[Mboup 09]. Par exemple, pour N fixée, l’erreur d’estimation eRN (0) décroit quand
la longueur T̃ diminue. D’autre part, T̃ doit être choisie large afin de filtrer le bruit
et minimiser l’erreur eη (0). Par conséquent, le choix de T̃ doit vérifier certains
130
compromis.
Différents estimateurs peuvent être déduits en fonction des différents paramètres µ
et κ, de l’ordre de troncature N et ainsi que de la longueur T̃ de la fenêtre glissante
IτT̃+ .
Lorsque l’ordre de la troncature N prend la valeur la plus petite (N = 1), le
différenciateur qui en résulte est appelé différenciateur d’ordre minimal.
4.5.1.2 Différenciateur d’ordre minimal
Le différenciateur d’ordre minimal est obtenu en choisissant N = 1. Ce différen-

ciateur est donné par :
ϕκ,µ (s) ẏˆ (0; κ, µ) = Π1κ,µ y (4.5.11)

κ+1
1 dκ+1
avec ϕκ,µ (s) = (−1)sµ+κ+4
(κ+1)!
et Π1κ,µ = sµ+2 dsκ+1
s, où µ et κ sont deux entiers
naturels positifs.
Dans ce qui suit, nous présentons un théorème dans lequel le différenciateur d’ordre
minimal est donné dans le domaine temporel.
Théorème 4.4. Nous considérons deux entiers naturels positifs µ et κ. Soit T̃ une
longueur de la fenêtre glissante IτT̃+ .
Une estimation de la dérivée de la sortie bruitée y à un instant τ peut être donnée
par :
Z T̃
ρ

ẏˆ (τ ; κ, µ) = gκ,µ y τ − T̃ + ρ dρ (4.5.12)
0 T̃
µ
où gκ,µ (u) = − γT̃κ,µ κ
2 u (1 − u) [κ + 1 − (κ + µ + 2) u] et γκ,µ =
(µ+κ+3)!
(µ+1)!(κ+1)!
.
Démonstration. La démonstration de ce théorème se résume par la transformation

de l’équation (4.5.11) dans le domaine temporel.
A un instant donné τ , nous considérons l’intervalle de temps IτT̃+ . Comme nous
l’avons mentionné précédemment, cet intervalle sera remplacé dans le dévelop-
h i
pement par l’intervalle 0, T̃ . Ainsi, en se basant sur l’équation (3.3.12), nous
131
inconnu
h i κ+1
avons pour tout t ∈ 0, T̃ , ϕκ,µ (t) = (−1) (κ+1)! µ+κ+3
(µ+κ+3)!
t . De plus, en se basant sur
1
l’équation (3.3.17), nous transformons Πκ,µ y dans le domaine temporel. Ainsi, nous
h i κ+1 R n o
µ+1
obtenons pour tout t ∈ 0, T̃ , Π1κ,µ y = (−1) t d
(µ+1)! 0 dσ
σ κ+1
(t − σ) y (σ) dσ.
Par la suite, après un changement de variable ρ = σt , nous avons pour tout t ∈

h i κ+1 µ+κ+3 R n o
t
0, T̃ , Π1κ,µ y = (−1)(µ+1)!t 1 d
0 dρ ρ
κ+1
(1 − ρ)µ+1 y (tρ) dρ.
En se basant sur l’équation (4.5.11), l’estimation de la dérivée peut être déduite

par :
ˆ γκ,µ Z 1
ẏ (0; κ, µ) = Ψκ,µ (ρ) y (ρt) dρ (4.5.13)
t 0
n o
où Ψκ,µ (ρ) = d
dρ
ρκ+1 (1 − ρ)µ+1 = ρκ (1 − ρ)µ [κ + 1 − (κ + µ + 2) ρ].
Afin d’exprimer l’estimation de la dérivée de y à un instant τ dans l’intervalle IτT̃+ ,

l’équation (4.5.13) est remplacée par l’expression suivante :
γκ,µ Z 1
ẏˆ (τ ; κ, µ) = Ψκ,µ (ρ) y (τ + ρt) dρ (4.5.14)
t 0
h i
avec t ∈ IτT̃+ = τ, τ + T̃ .
Sans perte de généralités, nous choisissons t = T̃ afin d’obtenir :
γκ,µ Z 1
ẏˆ (τ ; κ, µ) = Ψκ,µ (ρ) y τ + ρT̃ dρ (4.5.15)
T̃ 0
Jusqu’à présent, le calcul effectué dans la démonstration est basé sur les instants
h i
t ∈ IτT̃+ = τ, τ + T̃ . Ces instants ne sont pas connus en temps réel à l’instant
τ , ce qui impose un caractère non-causal de l’estimation de la dérivée. Pour cela,
afin d’avoir une estimation avec un caractère causal, nous devons nous baser sur
l’instant en cours et les instants précédents. Par conséquent, à ce stade, l’intervalle
h i
IτT̃+ sera remplacé par l’intervalle IτT̃− = τ − T̃ , τ , ce qui revient à remplacer le

terme y τ + ρT̃ par −y τ − T̃ + ρT̃ . De ce fait, l’équation suivante est déduite :
γκ,µ Z 1
ẏˆ (τ ; κ, µ) = − Ψκ,µ (ρ) y τ − T̃ + ρT̃ dρ (4.5.16)
T̃ 0
132
En utilisant un simple changement de variable σ = ρT̃ , nous obtenons l’équation

(4.5.12).
Le différenciateur (4.5.1) a un inconvénient qui réside en la présence d’un retard

au niveau de l’estimation de la dérivée de la sortie y. En effet, le développement en
série de Taylor effectué autour d’un point τ correspond en réalité à une estimation
de la dérivée en un point τ + τ1 (voir figure 4.5.1). Ainsi, pour tout instant τ ≥ T̃ ,
nous avons :
ẏˆ (τ ; κ, µ) ≈ ẏ (τ − τ1 ) (4.5.17)
κ+2
où τ1 = T̃ ξ1 et ξ1 = µ+κ+4
.
dérivée réelle de la fonction sin

dérivée estimée de la fonction sin
1
−1
0 5 10 15 20
Temps (s)
Figure 4.5.1 – Dérivée réelle de la fonction sin et son estimation par un diffé-
renciateur d’ordre minimal : κ = 1, µ = 1
Ce problème de décalage d’estimation a été discuté dans [Mboup 07] et [Mboup 09].
Ainsi, la démonstration de l’équation (4.5.17) est liée à une approximation polyno-
miale de premier ordre au sens des moindres carrés. Celle-ci a été faite en utilisant
une projection orthogonale dans une base polynomiale de Jacobi formée par des
polynômes orthogonaux. Ce résultat ne sera pas démontré dans cette thèse. Pour
plus de détails, le lecteur peut voir les travaux présentés dans [Mboup 09].
La présence du retard dans l’estimation de la dérivée de la sortie n’est pas ac-

ceptable dans des applications en temps réel. Il est intéressant alors de trouver
une alternative permettant de compenser ce retard. Ceci peut être réalisé avec le
133
inconnu
différenciateur (4.5.8) en choisissant N > 1. Dans ce cas, ce différenciateur est ap-
pelé différenciateur d’ordre non minimal. Ainsi, il sera présenté dans le paragraphe
suivant.
4.5.1.3 Différenciateur d’ordre non-minimal
Le différenciateur d’ordre non-minimal est obtenu en choisissant N > 1. Il peut

être exprimé sous la forme d’une combinaison linéaire de plusieurs différenciateurs
d’ordre minimal. Ce résultat a été donné dans les travaux de Mboup [Mboup 09]
et sera présenté dans le théorème suivant.
Théorème 4.5. [Mboup 09] Soit N , κ et µ trois entiers naturels positifs et q =

N − 1 avec N ≥ 1 et q ≤ κ + 1.
Considérons l’ensemble Hκ,µ des différenciateurs d’ordre minimal définis par :
n o
Hκ,µ = ẏˆ (τ ; κ + N − 1, µ) , · · · , ẏˆ (τ ; κ + N − 1 − i, µ + i) , · · · , ẏˆ (τ ; κ, µ + N − 1)
(4.5.18)
où i ∈ [0, N − 1].
Le différenciateur d’ordre non-minimal donné par l’équation (4.5.8) ne peut s’écrire

que sous la forme d’une combinaison linéaire de tous les éléments de l’ensemble
Hκ,µ . De plus, ce différenciateur est donné dans le domaine temporel par :
N −1
ẏˆ (τ ; κ; µ; N ) = βj ẏˆ (τ ; κj , µj )
X
(4.5.19)
j=0
avec κj = κ + N − 1 − j et µj = µ + j. Ainsi, les coefficients βj satisfaisant la

P −1
condition Nj=0 βj = 1. De plus, il existe un seul βj < 0.
Démonstration. La démonstration de ce théorème est donnée dans l’annexe D.
Remarque 4.2. Les coefficients βj dans (4.5.19) jouent un rôle très important, non
seulement sur la grandeur du retard, mais aussi sur la qualité d’estimation. En
134
effet, des résultats trouvés dans [Mboup 09] montrent que l’existence du retard
dans l’estimation de la dérivée de la sortie avec un différenciateur non-minimal,
améliore la qualité d’estimation. Par conséquent, avec un différenciateur d’ordre
non-minimal, l’estimation en temps réel de la dérivée de la sortie y est moins bonne
qu’une estimation avec un retard imposé.
Dans ce qui suit, nous présenterons un résultat dans lequel les coefficients βj de
l’équation (4.5.19) sont exprimés en fonction du retard.
Théorème 4.6. Considérons trois entiers naturels positifs N , κ et µ et une fenêtre

T̃ > 0. Supposons que q = N − 1 avec N ≥ 1 et q ≤ κ + 1.
Nous définissons la matrice carrée E d’ordre q + 1 par E = [Ei,j ]i,j , où Ei,j =

Cqi Cqj
γκ+2q−(i+j),µ+(i+j)
, Cqi et Cqj sont des coefficients binomiaux définis dans l’annexe C
et γκ,µ défini dans le théorème 4.4.
γκl ,µl
Nous définissons la matrice diagonale K par K = diag (Kl ), où Kl = Cql
ainsi
l=1,···q
le vecteur bq qui est une fonction de ρ par bq (ρ) = (b0,q (ρ) · · · bq,q (ρ))T où bl,q (ρ) =
Cql (1 − ρ) ρl , l = 0, · · · q.
Nous considérons le vecteur β (ρ) défini par :
β (ρ) = K−1 E−1 bq (ρ) = (β1 (ρ) · · · βl (ρ) · · · βq (ρ))T
ainsi, l’ensemble Hκ,µ des différenciateurs d’ordre minimal défini dans (4.5.18).
Alors, l’équation suivante :
Z T̃
ẏˆ (τ ; ξ; κ; µ; N ) = G (ξ, ρ) y τ − T̃ + ρ dρ (4.5.20)
0

avec, G (ξ, ρ) = ql=0 βl (ξ) gκl ,µl T̃ρ , où, gκ,µ définie dans le théorème 4.4, ξ ∈
P
[0, 1], κl = κ + q − l et µl = µ + l, définie un différenciateur d’ordre non-minimal

avec un retard d’estimation τ ∗ = ξ T̃ .
Démonstration. La démonstration de ce théorème est donnée dans l’annexe E.
135
inconnu
Le résultat donné dans le théorème 4.6 représente un résultat intéressant pour
l’estimation de la dérivée de la sortie. En effet, le retard est fixé par nous même
en choisissant la valeur de ξ. Ainsi, afin d’avoir un différenciateur sans retard,
nous choisissons ξ = 0. En présence du bruit dans la sortie y, ce choix détériore
la qualité d’estimation par rapport à une estimation avec un retard. D’autre part,
une estimation de la dérivée par le différenciateur d’ordre non-minimal (4.5.20)
avec un retard τ ∗ = τ1 = T̃ ξ1 (ξ1 est défini dans le paragraphe précédent) est
meilleure qu’une estimation avec le différenciateur d’ordre minimal (4.5.12). Ceci
est dû principalement à l’erreur eRN (équation (4.5.10)) qui est beaucoup plus
importante dans un différenciateur d’ordre minimal que dans un différenciateur
d’ordre non-minimal. Ce résultat a été discuté et démontré dans [Mboup 09].
4.6 Exemple Numérique
Pour ce paragraphe, nous considérons le SLC donné par l’équation (4.2.1), avec
trois modes. Les matrices de ce système sont données par :
   

−1 3 −2 −3 −2  
−1 −2 2 1 0 
−2 0 1 1 −2   0 −2 2 1 −1
   
 
   
A1 = −2 −1 0 −3 1  , A2 =  1 −1 0 1 −2 ,
   

   
2 0 1 0 −3   0 −1 −1 −2 2
   
  
  
−2 1 0 2 −1 0 1 1 1 −2
   

−1 −1 −1 1 3  
1 
1 1 −2 −1 2 0
   
   
   
A3 = −2 0 0 2 −3 , B1 = B2 = B3 = 1 ,
   
 
   
0 3 −3 −1 3 0
   
   
   
−1 1 1 0 −1 0
 T  

0 0 0  
1 0 
1 0 0 0 1
   
   
   
C1 = C2 = C3 = 0 1 0 et F1 = F2 = F3 = 1 1 .
   
  
   
0 0 1 0 0
   
   
   
0 0 0 0 1
136
D’autre part, la commande et le vecteur des défauts sont donnés respectivement

T
par u (t) = 1 et f (t) = f1 (t) f2 (t) , où f1 (t) = 7sin (t) et f2 (t) = 6cos (t).
Ces défauts apparaissent à l’instant t = 3.5s et le système commute entre les trois
modes suivant le signal de commutations donné dans la figure 4.6.1.
4
0
0 5 10 15 20 25 30 35 40
Temps (s)
Figure 4.6.1 – Signal de commutations λ
Les instants de commutations de ce signal sont donnés par : t1 = 1s, t2 = 4s,

t3 = 7.4s, t4 = 12.5s, t5 = 16.5s, t6 = 20.2s, t7 = 25s, t8 = 29.5s et t9 = 34s et
h iT
l’état initial correspond à x (0) = 4 5 −3 4 2 .
La simulation de cet exemple est faite sur Matlab/Simulink, avec un pas d’échan-
1
tillonnage Ts = 3000 . Le bruit de mesure η est un bruit blanc généré par le
bloc « band-limited white noise », avec une puissance donnée par « noise power :
[0.000001]. La variation de la puissance du bruit est donnée par le paramètre
« seed » de ce bloc, par [23341].
Le rapport signal a bruit (SNR) en db est 57db pour y 1 , 56db pour la deuxième
sortie y 2 et 64db pour y 3 .
4.6.1 Estimation de l’état discret
L’estimation de l’état discret du système (4.2.1) est effectuée sur deux phases. La
première consiste en l’estimation des instants de commutations par la méthode
présentée dans le chapitre 3. La deuxième phase consiste en la reconstruction de
l’état discret par le système (4.4.1).
137
inconnu
Tout d’abord, nous commençons par montrer les résultats de simulation de la pre-
mière phase. Pour cela, nous supposons qu’un instant τ est équivalent à l’échan-
tillon nTs et nous considérons une fenêtre T contenant M + 1 échantillons avec
M = 500. Ceci nous permet de dire que la fenêtre T est donnée par T = M Ts . Le
T
vecteur y contient trois sorties (y = y 1 y 2 y 3 ). De ce fait, nous avons trois
estimateurs Estimateuri , i = 1, 2, 3 . Chacun d’entre eux est dédié à une sortie y i .
Nous prenons υ = 5 et nous choisissons k = 1, ainsi qu’un seuil de détection

γJ = 7 10−6 . A chaque instant τ = nTs , n > M , en se basant sur la formule donnée
dans l’équation
 (3.5.1),
 les fonctions de décision J1i (nTs ) = |det (P1i (nTs ))| avec
v i v2i v3i 
 1
Pi1 = 
 v2i v3i v4i  et i = 1, 2, 3 sont calculées.

 
v3i v4i v5i
La décision de la présence d’un instant de commutation est prise par l’algorithme
de décision donné dans le chapitre 3. Le tableau 4.1 présente l’estimation des
différents instants de commutations par les trois estimateurs. Dans ce tableau,
i
tc représente l’instant de commutation réel, tˆc donné par l’équation (3.4.27) re-
présente l’instant de la première détection par un Estimateuri , i = 1, 2, 3 de la
commutation produite à l’instant tc . D’autre part, l’instant tˆc dans ce tableau est
l’instant de commutation déduit par l’algorithme de décision à partir des trois
estimateurs.
Nous remarquons que la majorité des instants de commutations sont détectés par
tous les estimateurs. Une fausse détection par l’Estimateur2 apparait à l’instant
τ = 3.596. Cette fausse détection est rejetée par l’algorithme de décision car la
majorité des estimateurs ne l’a pas détectée.
tc 1 FD 4 7.4 12.5 16.5 20.2 25 29.5 34

1
tˆc 1.018 4.0507 7.436 12.522 16.544 20.2257 25.0273 29.5847 34.0217
2
tˆc 1.099 3.596 4.0433 7.432 12.525 - - 25.029 - 34.0233
3
tˆc 1.0157 4.0487 - 12.5237 16.539 20.2277 25.0537 29.557 -
tˆc 1.018 4.0487 7.436 12.5237 16.544 20.2277 25.029 29.5847 34.0233
Table 4.1 – Détection des instants de commutations par les différents estima-
teurs : Système d’ordre cinq
138
Une fois l’instant de commutation estimé, le signal de commutation λ̂ est déduit

par l’estimateur (4.4.1) en se basant sur une séquence de commutation connue.
Ainsi, le signal de commutation λ et son estimation sont donnés dans la figure
4.6.2.
4
λ
3
2
λ̂
3 1
16 17
0 5 10 15 20 25 30 35 40
Temps (s)
Figure 4.6.2 – Signal de commutations λ et son estimation λ̂
Maintenant nous procédons à l’estimation de l’état continu du système afin de

montrer les avantages de l’approche de placement de pôles dans une région LMI.
Une comparaison, entre des résultats trouvés en utilisant les gains Li calculés à
partir du théorème 4.3 et des résultats trouvés en utilisant des gains Li calculés à
partir du théorème 2.2, sera effectuée.
4.6.2 Estimation de l’état continu
En suivant la même méthodologie développée au chapitre 2, nous découplons le

vecteur de défauts f , ce qui permet de trouver les différentes matrices Ni et Qi
(i = 1, 2, 3) définies par :
 T  

5 5 −1 4 −5  
0 
N1 = N2 = N3 =  0 3 −2 4 5  et Q1 = Q2 = Q3 =  4 .
   
   
4 0 0 4 −4 3
Afin d’avoir un observateur avec des valeurs propres permettant d’avoir de bonnes
performances en terme de rapidité de l’observateur (4.4.2) par rapport au SLC
139
inconnu
(4.2.1), les paramètres de la bande verticale de la région LMI de chaque mode i,
i = 1, 2, 3 (figure 4.4.2 et remarque 4.1) sont choisis par : γ1 = −3, ω1 = 1 pour
le mode 1, γ2 = −5.5, ω2 = 3.5 pour le mode 2 et γ3 = −2, ω3 = 1 pour le mode
3. D’autre part, et sans perte de généralités, et afin d’éviter les oscillations dans
l’estimation de l’état continu, les paramètres αi sont choisis de la façon suivante :
α1 = α2 = α3 = 7.
En se basant sur ces paramètres, les gains matriciels de l’observateur (4.4.2) obte-
nus en résolvant les LMI (4.4.5) et (4.4.6) du théorème 4.3 sont donnés par :
     

0.9217  
−1.6301  
−3.7190 
L1 = 
 0.1545 ,

L2 = 
 4.4503

 et L3 = 
 1.2350 .

     
9.0086 2.2144 3.5021
Les différents gains Li obtenus en résolvant les LMI (2.3.27) et (2.3.28) du théorème
2.2 sont donnés par :
     

−1.6763  
0.9063  
−0.7827 
L1 =  −0.5348 , L2 =  0.4750 et L3 =  −0.7325 .
     

     
9.4136 −3.8811 −2.3037
Nous considérons que l’observateur commence à évoluer à partir d’un état initial
h iT
x̄ˆ1 (0) = 20 20 −20 .
Dans les figures 4.6.3, 4.6.4, 4.6.5, 4.6.6, 4.6.7 et 4.6.8, nous présentons l’évolution
de l’état x, son estimation x̂, l’erreur d’estimation x̂ − x et sa norme dans deux
cas. Les figures à gauche représentent des simulations avec placement de pôles dans
une région LMI, et donc en utilisant des gains matriciels trouvés en résolvant les
LMI du théorème 4.3. A droite, sont représentées les simulations sans placement
de pôles dans une région LMI, et donc en utilisant des gains matriciels obtenus en
résolvant les deux LMI du théorème 2.2.
Ces figures montrent non seulement l’efficacité de l’observateur (4.4.2) proposé,
mais également l’importance d’utilisation du concept de placement de pôles dans
une région LMI découlant de la résolution des LMIs (4.4.5) et (4.4.6) données dans
le théorème 4.3. En effet, nous remarquons que même en présence du bruit, en pla-
çant les pôles de l’observateur dans la région LMI choisie, l’observateur converge
plus rapidement que sans utilisation de ce concept de placement de pôles. Néan-
moins, dans les deux cas, après chaque commutation, l’observateur diverge dans un
140
(a) (b)
100 5
100
x1
50 50 xˆ1
−15
19 22
0 0
x1
−50 xˆ1 −50
5 5
xˆ1 − x1 xˆ1 − x1
0 0
−5 −5
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Temps (s) Temps (s)
Figure 4.6.3 – État x1 , son estimation x̂1 et l’erreur d’estimation x̂1 − x1 : (a) :
(théorème 2.2)
(a) (b)
0
60 60
40 40
20 20
−12
20 20.5
0
0
−20 x2
−20 x2
xˆ2 −40 xˆ2
5
xˆ2 − x2
2 xˆ2 − x2
0
0
−2
−5
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Temps (s) Temps (s)
(théorème 2.2)
intervalle de temps fini. Ceci est dû au retard de détections Tc des commutations à

chaque instant tc . Une fois la commutation détectée à l’instant τ = t̂c , l’état discret
estimé λ̂ converge vers λ (λ̂ ' λ) et l’observateur d’état commence à converger.
De plus, nous remarquons également qu’à partir des instants τ = t̂c , avec les
gains matriciels trouvés pour le principe de placement de pôles dans une région
LMI, l’observateur converge plus rapidement que sans utilisation de ce concept de
placement de pôles.
Ces résultats sont confirmés également dans la figure 4.6.8. En effet, avec l’utilisa-
tion du concept de placement de pôles dans une région LMI, lorsque l’observateur
d’état converge après le retard de détection Tc , l’erreur d’estimation ne dépasse
141
inconnu
(a) (b)
50 10 50
−3
19 22
0 0
x3 x3
−30 −30
xˆ3 xˆ3
5 5
xˆ3 − x3 xˆ3 − x3
0 0
−5 −5
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Temps (s) Temps (s)
(théorème 2.2)
(a) (b)
5
100
100
−5
19 21
0
0
x4 x4
−50 xˆ4
−50 xˆ4
5
5 xˆ4 − x4
xˆ4 − x4
0 0
−5 −5
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Temps (s) Temps (s)
(théorème 2.2)
pas 0.2. Néanmoins, lorsque nous n’utilisons pas le concept de placement de pôles,
l’erreur d’estimation atteint 2, elle est donc beaucoup plus importante.
Dans ce paragraphe, nous présentons des résultats de simulations liés à l’estimation

des défauts. Une telle estimation est basée sur l’estimation de la dérivée du vecteur
de sortie y. Celle-ci a été estimée par le différenciateur algébrique d’ordre non
minimal (4.5.20) avec et sans retard et par le différenciateur (2.3.30) basé sur les
techniques des modes glissants. Ceci nous permet de montrer les avantages et les
142
(a) (b)
0
20
20
−8
20 22
0
0
x5
x5 −20 xˆ5
−20 xˆ5
5
5 xˆ5 − x5
xˆ5 − x5
0
0
−5
−5 0 5 10 15 20 25 30 35 40
0 5 10 15 20 25 30 35 40 Temps (s)
Temps (s)
(théorème 2.2)
(a) (b)
20 20
|| x̂ − x ||
|| x̂ − x ||
15 15
10 10
5 5
0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Temps (s) Temps (s)
Figure 4.6.8 – Norme de l’erreur d’estimation kx̂ − xk : (a) : cas avec région LMI
(théorème 4.3), (b) : cas sans région LMI (théorème 2.2)
inconvénients de l’un par rapport aux autres. Le différenciateur algébrique (4.5.20)

a été appliqué dans un premier temps pour une estimation sans retard, de ce fait, la
variable ξ est considérée nulle ( ξ = 0 ). Dans un second temps, le différenciateur
algébrique d’ordre non-minimal (4.5.20) a été appliqué pour une estimation en
imposant un retard τ ∗ en choisissant une valeur de ξ différente de zéro. Ce choix
introduit un retard dans l’estimation de la dérivée. Ceci permet l’amélioration de
la qualité d’estimation par rapport à un différenciateur d’ordre non minimal sans
retard (ξ = 0) (voir remarque 4.2). Enfin, le différenciateur (2.3.30) basé sur les
techniques des modes glissants présenté dans le chapitre 2 a été appliqué.
Les simulations qui découlent de l’utilisation de ces différenciateurs vont nous

permettre de discuter des avantages et des inconvénients d’un différenciateur basé
143
inconnu
sur l’algèbre différentielle par rapport à un différenciateur basé sur les techniques
des modes glissants.
Afin d’implémenter le différenciateur algébrique (4.5.20), nous considérons κ = 1,
µ = 1 et q = 3, ainsi, qu’une fenêtre T̃ contenant M̃ +1 échantillons avec M̃ = 500.
Ceci nous permet de dire que la fenêtre T̃ = M̃ Ts .
A chaque instant τ = nTs , avec n ≥ M̃ , une approximation de ẏˆ est donnée par :
M̃
ẏˆ (τ ; ξ; κ; µ; N ) = ẏˆξ,n = Wm2 Gξ,m yn−M̃ +m
X
(4.6.1)
m=0

Ts pour m = 0 et m = M̃
où ym = y (tm ) = y (mTs ), Wm2 =  2 est la fonc-
Ts pour m = 2, · · · , M̃ − 1
tion poids de l’intégration par la méthode trapézoïdale.

Pour un ξ donné, Gξ,m = ql=0 βl (ξ) gκl ,µl mT , avec βl (ξ), l = 0, · · · q, sont les
P s
T̃
éléments du vecteur β (ξ) donné dans le théorème 4.6. De plus, les éléments Gξ,m ,
l = 0, · · · q, sont calculés une seule fois pour toute et seront utilisés pour le calcul
de la dérivée à chaque instant τ = nTs .
Concernant l’estimation de la dérivée par le différenciateur (2.3.30) basé sur les
techniques des modes glissants, nous choisissons r = 5, L = 10 et α0i = 5 ∗
(r − i + 1), i = 0, · · · , 5. Ainsi, les différents gains αi i = 0, · · · , 5 sont calculés en
utilisant l’équation (2.3.31).
Dans la figure 4.6.9, nous présentons l’évolution des défauts et de leurs estimations
dans le cas où la dérivée de y est estimée avec le différenciateur algébrique (4.5.20)
sans retard (ξ = 0).
La figure 4.6.10 montre l’évolution de ces deux signaux dans le cas où la dérivée
de y est estimée par le même différenciateur algébrique (4.5.20) en imposant un
retard d’estimation τ2 = T̃ ξ2 = 50ms avec ξ2 = 0.3 (ξ = ξ2 6= 0). D’autre part,
dans la figure 4.6.11, nous présentons l’évolution des défauts et de leurs estimations
en utilisant la dérivée de y estimée avec le différenciateur (2.3.30) d’ordre 5, basé
sur les techniques des modes glissants.
Ces résultats de simulation montrent qu’à l’instant où l’état estimé x̂ converge
vers l’état réel x du SLC (4.2.1), les défauts estimés donnés par le vecteur fˆ
144
(a) (b)
f1 f2
15 fˆ1 15 fˆ2
7 6
0 0
−7 −6
−15 −15
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Temps (s) Temps (s)
Figure 4.6.9 – Estimation en ligne de défauts avec la méthode algébrique : (a) :

défaut f1 et son estimation fˆ1 , (b) : défaut f2 et son estimation
fˆ2 .
(a) (b)
f1 f2
15 fˆ1 15
fˆ2
7 6
0 0
−7 −6
−15 −15
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Temps (s) Temps (s)
Figure 4.6.10 – Estimation hors ligne de défauts avec la méthode algébrique : (a) :
défaut f1 et son estimation fˆ1 , (b) : défaut f2 et son estimation
fˆ2 .
convergent vers les défauts réels définis par le vecteur f . Ainsi, des phénomènes
de chattering apparaissent à chaque instant de commutation. Ces phénomènes dus
principalement au retard de détections Tc des commutations à chaque instant tc
et particulièrement au changement de dynamique à ces instants.
D’autre part, on remarque l’apparition d’un bruit dans les défauts estimés. Ceci
est causé par l’amplification du bruit lors de la dérivation de la sortie y par les
différenciateurs.
Nous remarquons également que l’amplification du bruit est beaucoup plus im-
portante lorsque nous utilisons le différenciateur algébrique d’ordre non-minimal
145
inconnu
(a) (b)
f1 f2
15 fˆ1 15 fˆ2
7
6
0 0
−7 −6
−15 −15
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Temps (s) Temps (s)
Figure 4.6.11 – Estimation en ligne de défauts avec la méthode de modes glis-

sants : (a) : défaut f1 et son estimation fˆ1 , (b) : défaut f2 et son
estimation fˆ2 .
(4.5.20) avec une estimation sans retard (ξ = 0). En effet, le rapport signal sur
kf k
bruit RSB défini par RSBdb = 10∗log10 fˆ−f et calculé à partir de l’apparition
k k
des défauts à l’instant τ = 3.5s, est de −3.083db pour le défaut f1 et de −3.0266db
pour le défaut f2 .
Cependant, l’estimation des défauts est moins bruitée lorsque nous utilisons le
même différenciateur algébrique (4.5.20) en imposant un retard ou en utilisant
le différenciateur (2.3.30) d’ordre 5, basé sur les techniques des modes glissants.
D’autre part, lorsque nous appliquons le différenciateur algébrique (4.5.20) en im-
posant un retard, l’estimation est plus précise et moins bruitée par rapport au
différenciateur (2.3.30) d’ordre 5, basé sur les techniques des modes glissants. Ceci
est confirmé par les résultats montrés dans les figures 4.6.10 et 4.6.11 et par le
calcul des RSB . En effet, avec le différenciateur algébrique (4.5.20) où il y a un
retard de 50ms, le RSB est de 3.3024db pour f1 et de 5.1436db pour f2 . Alors
que pour une estimation des défauts en utilisant le différenciateur (2.3.30) basé
sur les techniques des modes glissants, la valeur de RSB est de −0.3644db pour f1
et de 0.8014db pour f 2 . Par conséquent, nous pouvons conclure que l’estimation
des défauts en estimant la sortie y avec un différenciateur algébrique en imposant
un retard est plus précise est moins bruitée qu’en estimant la sortie y avec un
différenciateur basé sur les techniques des modes glissants.
Remarque 4.3. Le retard que nous avons imposé au différenciateur algébrique
d’ordre non-minimal (4.5.20) est de 50ms. Il améliore la qualité d’estimation par
146
4.7 Conclusion
rapport au même différenciateur sans imposer un retard et par rapport au diffé-

renciateur (2.3.30), basé sur les techniques des modes glissants. Par conséquent,
pour des systèmes lents, un retard de 50ms est négligeable, ainsi, le différenciateur
(4.5.20) assure une meilleure estimation par rapport au différenciateur (2.3.30).
Tandis que, pour des systèmes rapides, un retard de 50ms devient considérable, et
l’utilisation de différenciateur (2.3.30) basé sur les techniques des modes glissants
assure une meilleure estimation par rapport au différenciateur (4.5.20).
4.7 Conclusion
Dans ce chapitre, le problème d’estimation de l’état hybride et des défauts dans

un SLC est abordé lorsque l’état discret du système est inconnu. Les différents
sous-systèmes sont supposés observables au sens classique. La transformation de
coordonnées présentée dans le chapitre 2 a été appliquée ici afin de découpler le
système par rapport aux défauts. Par la suite, un estimateur de l’état discret a été
synthétisé. Cet estimateur permet la reconstruction de l’état discret en se basant
sur une séquence de commutations connue et en tenant compte des instants de
commutations estimés avec la méthode présentée dans le chapitre 3. L’état continu
du système a été estimé par la suite par un observateur d’état qui fonctionne en
interaction avec l’estimateur de l’état discret. Le concept de placement de pôles
dans une région LMI a été appliqué afin d’avoir une estimation avec de bonnes
performances, particulièrement dans la phase transitoire.
La deuxième partie de ce chapitre a été consacrée à l’estimation des défauts. Ainsi,
un estimateur a été synthétisé exploitant les développements du chapitre 2. L’esti-
mateur proposé nécessite une estimation de la dérivée de la sortie. Contrairement
au second chapitre dans lequel nous avons estimé cette dérivée en utilisant un
différenciateur basé sur les techniques des modes glissants, nous estimons dans
ce chapitre la dérivée de la sortie par un différenciateur basé sur des méthodes
algébriques.
Dans la dernière partie, des résultats de simulations , sur un exemple académique,
montrent que l’association de l’estimateur de l’état discret, l’observateur de l’état
continu et l’estimateur des défauts avec le différenciateur basé sur des méthodes
147
inconnu
algébriques, a permis de remplir les objectifs d’estimation. Ces résultats de simu-
lations ont montré également les avantages et les inconvénients du différenciateur
basé sur des méthodes algébriques par rapport à un différenciateur basé sur des
techniques des modes glissants.
148
Conclusion et perspectives
Ce travail de thèse présente une contribution à la synthèse d’observateurs d’état et

d’estimateurs des défauts pour les systèmes linéaires à commutations (SLC) avec
bruit de mesure. Les contributions ont été réalisées selon deux situations possibles
qui dépendent de la disponibilité ou non de l’état discret du SLC à chaque instant.
Ainsi, avant d’entamer le problème d’estimation de l’état hybride et des défauts,

nous avons exposé dans la première partie du chapitre 1 une description générale
des SDH. Dans ce contexte, nous avons introduit une définition formelle, à base
d’automates hybrides, d’un SDH. Ensuite, nous avons présenté les systèmes à
commutations et particulièrement les systèmes linéaires à commutations qui ont
fait l’objet des études effectuées dans cette thèse. Dans ce cadre, nous avons passé
en revue les travaux réalisés autour de l’estimation et de la stabilité dans ce type
de systèmes.
Dans la troisième partie du chapitre 1, après avoir effectué une classification de

différents types de défauts, nous avons passé en revue quelques approches de diag-
nostic à base de modèles proposées dans la littérature pour les systèmes continus.
Ensuite, nous avons présenté quelques méthodes de diagnostic des SLC en respec-
tant une classification selon la connaissance ou non de l’état discret du système.
Dans le deuxième chapitre, nous avons supposé que l’état discret du système est
connu. Par la suite, le problème d’estimation simultanée de l’état continu et des
défauts actionneurs dans un SLC avec bruit de mesure est considéré. Ainsi, après
avoir effectué un découplage d’un sous-ensemble de l’état du système des défauts,
un observateur a été synthétisé pour estimer l’état continu du système dans deux
cas de figure. Dans le premier cas, les matrices de défauts ont été considérées
149
Conclusion et perspectives
identiques, ce qui a permis d’avoir un état découplé sans discontinuité à chaque

instant. Quant au second cas, les matrices de défauts ont été considérées différentes,
ce qui a engendré un saut dans l’état découplé à chaque instant de commutation.
Dans la dernière partie de ce chapitre, nous avons synthétisé un estimateur per-

mettant l’estimation des défauts. Cet estimateur dépend de la dérivée de la sortie.
Pour cette raison, afin d’estimer cette dérivée, nous avons utilisé un différenciateur
d’ordre élevé basé sur les techniques des modes glissants.
Dans le troisième chapitre, l’état discret du système a été supposé inconnu. Ainsi,
dans un premier temps, une approche algébrique a été développée afin de détecter
les instants de commutations pour un système avec une seule sortie. Par la suite,
la méthode proposée a été généralisée pour un système à plusieurs sorties. Dans
ce cas, pour chaque sortie, nous avons un estimateur. Ainsi, un bloc de décision
est mis en place afin d’orchestrer les sorties des différents estimateurs.
Le dernier chapitre a été consacré à l’estimation de l’état hybride et des défauts

dans le cas d’un état discret inconnu. Ce dernier a été reconstruit dans un pre-
mier temps en utilisant une séquence de commutations connue et des instants de
commutations estimés par la méthode proposée dans le chapitre 3. Par la suite,
nous avons proposé une approche d’estimation de l’état continu se basant sur un
placement de pôles des valeurs propres de l’observateur dans une région LMI. Ceci
a amélioré largement les performances et la dynamique de l’observateur d’état
synthétisé. Par la suite, nous avons considéré l’estimation des défauts. Ainsi, les
résultats trouvés dans le chapitre 2 ont été exploités. Par ailleurs, la dérivée de la
sortie a été estimée dans ce chapitre par un différenciateur algébrique. Ce diffé-
renciateur donne des résultats plus intéressants vis-à-vis du bruit par rapport au
différenciateur basé sur les techniques des modes glissants présenté dans le chapitre
2.
En perspectives des travaux réalisés, plusieurs points restent à développer.
Les résultats trouvés dans cette thèse ont été validés uniquement en simulation.
Ainsi, trouver un exemple de système physique sur lequel pourrait être validé
l’ensemble de ces résultats est parmi les perspectives envisagées.
L’un des problèmes rencontrés lors de la réalisation de ce travail est le conserva-
150
tisme des LMI élaborées. Afin de réduire le conservatisme qui découle de l’utili-
sation des fonctions de Lyapunov quadratiques, la méthodologie de l’élaboration
des conditions de convergence pourra être orientée vers des fonctions de Lyapunov
non quadratiques.
La reconstruction de l’état discret du système effectuée dans notre thèse est basée
sur la détection des instants de commutations par l’approche algébrique proposée.
Ces instants sont détectés avec un retard. Ainsi, nous proposons de synthétiser un
observateur d’état qui prend en considération le retard. De ce fait, l’élaboration des
contraintes de convergence doivent tenir compte des modes d’évolution du système
et de l’observateur.
D’autre part, l’approche d’estimation des défauts proposée dans ce travail concerne
principalement les défauts actionneurs. Ainsi, nous pouvons élargir les travaux
présentés à d’autres classes de SLC et traiter d’autres types de défauts, entre
autres, les défauts systèmes, les défauts capteurs,. . . .
Une approche de commande tolérante aux défauts peut être développée en se
basant sur l’estimateur des défauts présenté dans cette thèse.
151
Annexes
Annexe A
Complément de Schur
Lemme. (Complément de Schur) [Boyd 94] : Soient M , R et S = S T des ma-

trices de dimensions appropriées. Si S est inversible et définie négative, alors les
conditions suivantes sont équivalentes :
M − RT SR < 0
 
M RT 
 <0
R S −1
155
Annexe B
Algorithme de super Twisting
Considérons une fonction g (t) : R+ → R mesurable au sens de Lebesgue.
Nous supposons que g (t) est un signal bruité donné par :
g (t) = g0 (t) + η (t)
avec g0 (t) le signal de base (sans bruit) ayant une dérivée seconde bornée par une
constante connue L > 0 (appelée constante de Lipschitz). η (t) représente le bruit
supposé borné par une constante connue (|η (t)| ≤ ).
L’application de cet algorithme est basée sur le bon choix d’une surface s [Utkin 09]
appelée surface de glissement.
Considérons l’équation suivante :
ż0 = ν0 (B.0.1)
La surface de glissement est définie par :
s = z0 − g (t) (B.0.2)
Ainsi, l’algorithme de Super Twisting est donné comme suit :
157
Annexe B Algorithme de super Twisting
1

ν0 = z1 − α0 |s| 2 sign (s)
(B.0.3)
 ż = −α sign (s)
1 1
où, z0 et z1sont les deux états de l’algorithme. La fonction sign (.) est définie par
 1, si (.) ≥ 0
sign (.) =
 −1, si (.) < 0
α0 et α1 sont des gains positifs choisis d’une façon convenable afin d’assurer la
convergence en temps fini de l’algorithme et d’atténuer dans le cas de présence du
bruit, l’effet du chattering dû au terme sign (s) [Levant 98].
Le but de l’algorithme du Super Twisting est d’obtenir en un temps fini l’équation :
s = ṡ = 0 (B.0.4)
Ceci permet d’obtenir :

 s = z0 − g (t) = 0
1 (B.0.5)
 ṡ = ν0 − ġ (t) = z1 − α0 |s| 2 sign (s) − ġ (t) = 0
A partir de ce dernier système, nous pouvons conclure, qu’après la convergence

de l’algorithme de Super Twisting, nous obtenons théoriquement g (t) = z0 et
ġ (t) = z1 .
158
Annexe C
Notions mathématiques
— Une matrice diagonale est définie par :

 
 X1 0 ··· 0 
.
X2 . .
 
 0 
diag (Xi ) =  . .
 
.. ...

i=1,···ν  .
 . 0


 
0 ··· 0 Xν
— Le produit de Kronecker entre une matrice A de taille m × n et d’éléments
aij et une matrice B de taille p × q est une matrice par bloc C de taille
mp × nq définie par :
 
a B ··· a1n B
 11
. .. .. 
C = A ⊗ B =  .. . . 
 
 
am1 B · · · amn B
L’élément 1 est un élément neutre pour le produit de Kronecker. Ainsi, si A est

une matrice donnée, alors nous avons 1 ⊗ A = A ⊗ 1 = A.
— En mathématiques, les coefficients binomiaux, définis pour tout entier na-
turel n et tout entier naturel k ≤ n , donnent le nombre de parties de k
éléments dans un ensemble de n éléments. On les note Cnk (lu k parmi n).
Cette quantité s’exprime à l’aide de la fonction factorielle :
k!
Cnk =
k! (n − n)!
159
Annexe D
Démonstration du théorème 4.5
Considérons la première expression du différenciateur d’ordre non-minimal donné

dans l’équation (4.5.8).
Soit q = N − 1 et r = κ + 1.
1 dr 1 dq
Supposons que ΠN κ,µ = sN +µ+1
D avec D = dsr s dsq
sq+1 s. La quantité D peut
s’écrire sous la forme
q
(q + 1)! dr q−i dq−i
Cqi
X
D= s s
i=0 (q + 1 − i)! dsr dsq−i
q min(r+i,q)
X X
q−j dr+q−j
= ai,j s s (D.0.1)
i=0 j=i dsr+q−j
(q+1)!
avec ai,j = Cqi Crj−i (q+1−i)!(q−j)! , où Cij est un coefficient binomial défini dans l’an-
nexe 3.
Après quelques manipulations mathématiques, l’expression de ΠN

κ,µ peut être don-
née par :
 
q j
ΠN ai,j  Π1κ+q−j,µ+j
X X
κ,µ =  (D.0.2)
j=0 i=m(j)
161
Annexe D Démonstration du théorème 4.5

 0 si q ≤ r
où, m (j) =  .
max (0, j − r) sinon
A partir de l’équation (4.5.8), l’estimation de la dérivée peut s’écrire sous la forme
de la combinaison linéaire donnée dans (4.5.19), avec des coefficients αj donnés
par :
 
j
(r + q − j)!  X
βj = (−1)q−j ai,j 
r!q! i=m(j)
−1
Maintenant, nous devons montrer que N
P
j=0 βj = 1. Pour cela, nous devons sim-
plifier d’abord l’expression de βj . Ce dernier peut s’écrire pour q ≤ r sous la
forme :
j
q−j r
Crj−i Cq+1
i
X
βj = (−1) Cr+q−j
i=0
= (−1)q−j Cr+q−j
r j
Cr+q+1
−1
Nous définissons I (q) = N l
P
j=0 βj . De ce fait, en utilisant la formule Cm+1 =
l l−1
Cm + Cm , nous pouvons déduire que
q+1
(−1)j Cr+j
j r+j
X
I (q + 1) = I (q) + Cr+q+1
j=0
q+1
r
(−1)j Cq+1
j
X
= I (q) + Cr+q+1 = I (q)
j=0
PN −1
Par conséquent, nous pouvons conclure que I (q) est constante et que j=0 βj =
I (1) = 1.
162
Annexe E
Démonstration du théorème 4.6
La première partie de la démonstration du théorème 5 est basée sur des résultats

développés dans [Mboup 09]. Pour cela, dans cette thèse, nous présentons que la
deuxième partie qui représente une reformulation dans le domaine temporelle de
l’estimation de la sortie.
Nous avons montré dans le théorème 4.5 qu’un différenciateur d’ordre non minimal
s’écrit sous la forme d’une combinaison linéaire de tous les éléments de l’ensemble
Hκ,µ . De plus, dans [Mboup 09], il a été montré qu’un différenciateur d’ordre non
minimal s’écrit sous la forme :
q
ẏˆ (τ ; ξ; κ; µ; N ) = βl (ξ) ẏˆ (τ ; κl , µl )
X
(E.0.1)
l=0
où βl (ξ), l = 0, · · · , q, sont les coefficients définis dans le théorème 4.6.

A partir du différenciateur (4.5.12), nous pouvons reformuler l’équation (E.0.1) de
la manière suivante :
q (Z
T̃
)
ρ

ẏˆ (τ ; ξ; κ; µ; N ) =
X
βl (ξ) gκl ,µl y τ − T̃ + ρ dρ (E.0.2)
l=0 0 T̃
Après une permutation entre la somme et l’intégrale, nous trouvons le différencia-

teur (4.5.20).
163
Bibliographie
[Abdo 10] A. Abdo, W. Damlakhi, J. Saijai & S. X. Ding. De-

sign of robust fault detection filter for hybrid switched
systems. In Conference on Control and Fault-Tolerant
Systems, pages 161–166, Nice, France, oct 2010. IEEE.
[Abdo 13] A. Abdo, S. X. Ding, J. Saijai & W. Damlakhi. Inte-
grated fault detection in multiple switched systems. In
European Control Conference, pages 920–925, Zurich,
Switzerland, 2013. EUCA.
[Abramowitz 84] M. Abramowitz & I. A. Stegun. Handbook of mathema-
tical functions. Frankfurt, Deutsch, handbook edition,
1984.
[Akhenak 08] A. Akhenak, L. Bako, E. Duviella, K. M. Pekpe & S. Le-
coeuche. Fault diagnosis for switching system using ob-
server kalman filter identification. In IFAC, editeur,
Proceedings of the 17th world congress., volume 17,
pages 10142–10147, seoul, korea, 2008.
[Alessandri 01] A. Alessandri & P. Coletta. Switching observers for
continuous-time and discrete-time linear systems. In
AACC, editeur, Proceedings of the American Control
Conference, volume 3, pages 2516–2521, Arlington,
2001.
[Alessandri 03] A. Alessandri & P. Coletta. Design of observers for
switched discrete time linear systems. In Proceedings
165
BIBLIOGRAPHIE
of the American Control Conference, volume 4, pages

2785–2790, Denver, Colorado, 2003. IEEE.
[Alur 95] R. Alur, C. Courcoubetis, N. Halbwachs, T. A. Hen-

zinger, P. H. Ho, X. Nicollin, A. Olivero, J. Sifakis &
S. Yovine. The algorithmic analysis of hybrid systems.
Theoretical Computer Science, vol. 138, no. 1, pages
3–34, feb 1995.
[Antsaklis 00] P .J. Antsaklis. Special Issue on Hybrid Systems :

Theory and Applications. Proceedings of the IEEE,
vol. 88, no. 7, pages 879–887, 2000.
[Arichi 12] F. Arichi, M. Djemai & B. Cherki. Active Mode Detec-

tion for a Class of Hybrid Dynamic Systems. In Interna-
tional conference on systems, signal processing and elec-
tronics engineering, pages 210–215, Dubai, UAE, 2012.
[Arichi 14] Fayssal Arichi, Jeremy Van Gorp, Mohamed Djemai,

Michael Defoort & Brahim Cherki. Hybrid state esti-
mation for a class of switched system using Petri Nets.
pages 2534–2539, 2014.
[Asarin 99] E. Asarin & O. Maler. As Soon as Possible : Time

Optimal Control for Timed Automata. In Hybrid sys-
tems : Computation and Control HSCC, volume 1569.
Springer Berlin Heidelberg, 1999.
[Balluchi 02] A. Balluchi, L. Benvenuti, M. Benedetto & A. L. San-

giovanni Vincentelli. Design of Observers for Hybrid
Systems. Hybrid Systems : Computation and Control,
vol. 2289, pages 76–89, 2002.
[Barbot 07] J. P. Barbot, H. Saadaoui, M. Djemai & N. Manamanni.

Nonlinear observer for autonomous switching systems
with jumps. Nolinear Analysis : Hybrid Systems, vol. 1,
pages 537–547, 2007.
166
BIBLIOGRAPHIE
[Basseville 88] M. Basseville. Detecting changes in signals and sys-

tems—A survey. Automatica, vol. 24, no. 3, pages 309–
326, 1988.
[Bayoudh 09] M. Bayoudh & L. Travé-Massuyès. An algorithm for
active diagnosis of hybrid systems casted in the des fra-
mework. In IFAC workshop on dependable control of
discrete systems, volume 2, pages 287–292, Bari, Italy,
2009.
[Bejarano 09] Francisco J. Bejarano & Leonid Fridman. Exact Ob-
server for Switching Linear Systems via Super Twisting
Algorithm. IFAC Conference on Analysis and Design of
Hybrid Systems, vol. 42, no. 17, pages 370–375, 2009.
[Bejarano 11a] F. J. Bejarano & L. Fridman. State exact reconstruction
for switched linear systems via a super-twisting algo-
rithm. International Journal of Systems Science, vol. 42,
no. 5, pages 717–724, may 2011.
[Bejarano 11b] F. J. Bejarano & A. Pisano. Switched Observers for
Switched Linear Systems With Unknown Inputs. IEEE
Transactions on Automatic Control, vol. 56, no. 3, pages
681–686, mar 2011.
[Bejarano 11c] F. J. Bejarano, A. Pisano & E. Usai. Finite-time conver-
ging jump observer for switched linear systems with unk-
nown inputs. Nonlinear Analysis : Hybrid Systems,
vol. 5, no. 2, pages 174–188, may 2011.
[Belkhiat 11] D. E. C. Belkhiat, N. Messai & N. Manamanni. De-
sign of a robust fault detection based observer for linear
switched systems with external disturbances. Nonlinear
Analysis : Hybrid Systems, vol. 5, no. 2, pages 206–219,
may 2011.
[Belkhiat 12] D. E. C. Belkhiat, N. Manamanni, N. Messai & M. Dje-
mai. Fault detection & isolation for a class of hybrid
systems : A dedicated switched robust observer scheme.
167
BIBLIOGRAPHIE
In Mediterranean Conference on Control & Automa-

tion, pages 984–989. Ieee, jul 2012.
[Bemporad 99] A. Bemporad, G. Ferrari-trecate & M. Morari. Observa-
bility and Controllability of Piecewise Affine and Hybrid
Systems. IEEE Transactions on Automatic Control,
pages 1–27, 1999.
[Bemporad 00] A. Bemporad, G. Ferrari-trecate & M. Morari. Obser-
vability and Controllability of Piecewise Hybrid Systems
Affine and. IEEE Transaction on Automatic Control,
vol. 45, no. 10, pages 1864–1876, 2000.
[Besançon 07] G. Besançon. Nonlinear Observers and Applications :
Preface, volume 363. 2007.
[Bhowal 07] P. Bhowal, D. Sarkar, S. Mukhopadhyay & A. Basu.
Fault diagnosis in discrete time hybrid systems–a case
study. Information Sciences, vol. 177, pages 1290–1308,
2007.
[Birouche 06] A. Birouche. Contribution sur la synthèse d ’observa-
teurs pour les systèmes dynamiques hybrides, 2006.
[Blanke 06] M. Blanke & J. Schroder. Diagnosis and fault-tolerant
control. Springer, 2006.
[Boyd 94] S. Boyd, L. El Ghaoui, E. Feron & V. Balakrishnan. Li-
near Matrix Inequalities in System and Control Theory,
volume 15. Philadelphia, PA : SIAM, 1994.
[Branicky 95] M. S. Branicky. Studies in hybrid systems : Modeling,
analysis, and control, 1995.
[Branicky 98] M. S. Branicky. Multiple Lyapunov functions and other
analysis tools for switched and hybrid systems. IEEE
475–482, apr 1998.
[Buisson 98] J. Buisson & H. Cormerais. Descriptor Systems for the
Knowledge Modelling and Simulation of Hybrid Physical
168
BIBLIOGRAPHIE
Systems. Journal Européen des Systèmes Automatisés,

vol. 32, pages 1047–1072, 1998.
[Campos-Delgado 11] D. U. Campos-Delgado & D. R. Espinoza-Trejo. An
observer based diagnosis scheme for single and simul-
taneous open switch faults in induction motor drives.
IEEE Transactions on Industrial Electronics, vol. 58,
no. 2, pages 671–679, 2011.
[Chafouk 15] H. Chafouk & H. Ouyessaad. Fault detection and
isolation in DFIG driven by a wind turbine. IFAC-
PapersOnLine, vol. 48, no. 21, pages 251–256, 2015.
[Chafouk 17] H. Chafouk & L. Gliga. Detection of faulty sensors of
fire and explosions. In 2017 IEEE International Confe-
rence on Computational Intelligence and Virtual Envi-
ronments for Measurement Systems and Applications
(CIVEMSA), numéro 3, pages 13–18, Annecy, France,
2017.
[Chen 12] G. Chen & Y. Yang. A Sufficient Condition for Fi-
nite Time Stability of Impulsive Switching Systems. In
Spring Congress on Engineering and Technology, pages
1–4. IEEE, may 2012.
[Chilali 96] M. Chilali & P. Gahinet. H design with pole placement
constraints : An LMI approach. IEEE Transactions on
Automatic Control, vol. 41, no. 3, pages 358–367, 1996.
[Cocquempot 04] V. Cocquempot, T. El Mezyani & M. Staroswiecki.
Fault detection and isolation for hybrid systems using
structured parity residuals. In Control Conference, 5th
Asian5th Asian, volume 2, pages 1204 – 1212, 2004.
[Daafouz 02] J. Daafouz, P. Riedinger & C. Iung. Stability analysis
and control synthesis for switched systems : a switched
Lyapunov function approach. IEEE Transactions on Au-
tomatic Control, vol. 47, no. 11, pages 1883–1887, nov
2002.
169
BIBLIOGRAPHIE
[Daigle 10] M. J. Daigle, I. Roychoudhury, G. Biswas, X. D. Kout-

soukos, A. Patterson-Hine & S. Poll. A Comprehensive
Diagnosis Methodology for Complex Hybrid Systems : A
Case Study on Spacecraft Power Distribution Systems.
IEEE Transactions on Systems, Man, and Cybernetics
- Part A : Systems and Humans, vol. 40, no. 5, pages
917–931, sep 2010.
[De Flaugergues 09] V. De Flaugergues, V. Cocquempot, M. Bayart &
N. Lefebvre. Exhaustive Search of Residuals Compu-
tation Schemes Using Macro-Graphs and Invertibility
Constraint. In IFAC Proceedings Volumes, volume 42,
pages 390–395. Elsevier, 2009.
[Decarlo 00] R. A. Decarlo, M. S. Branicky, S. Pettersson & B. Len-
nartson. Perspectives and results on the stability and
stabilizability of hybrid systems. Proceedings of the
IEEE, vol. 88, no. 7, pages 1069–1082, jul 2000.
[Defoort 12] M Defoort, J. Van Gorp, M. Djemai & K. Veluvolu.
Hybrid observer for switched linear systems with unk-
nown inputs. In 2012 7th IEEE Conference on Indus-
trial Electronics and Applications (ICIEA), numéro 1,
pages 594–599, sangapore, 2012.
[Ding 08] S. X. Ding. Model-based Fault Diagnosis Techniques.
Springer Berlin Heidelberg, 2008.
[Dirac 30] P. A. M. Dirac. The principles of quantum mechanics.
United Kingdom, 1930.
[Djemai 05] M. Djemai, N. Manamanni & J. P. Barbot. Sliding
Mode Observer for Triangular Input Hybrid System. In
Triennial World Congress, volume 38, pages 181–186.
IFAC, 2005.
[Dogruel 94] M. Dogruel & U. Ozguner. Stability of Hybrid Systems.
In International symposium on Intelligent Control,
pages 129–134, Columbus, Ohio, USA, 1994. IEEE.
170
BIBLIOGRAPHIE
[Domlan 06] E. A. Domlan. Diagnostic des systèmes à changement

de régime de fonctionnement, 2006.
[Domlan 07] E. A. Domlan, J. Ragot & D. Maquin. Switching sys-
tems : Active mode recognition, identification of the
switching law. Journal of Control Science and Engi-
neering, page 11, 2007.
[Du 10] D. Du, B. Jiang & P. Shi. Fault diagnosis for switched
systems with time delay. In IEEE International confe-
rence on control and automation, pages 2162–2165. Ieee,
jun 2010.
[Du 12] D. Du, B. Jiang & P. Shi. Fault detection for discrete-
time switched systems with intermittent measurements.
International Journal of Control, vol. 85, no. 1, pages
78–87, jan 2012.
[Du 14] D. Du & B. Jiang. Fault diagnosis for discrete-time swit-
ched linear systems. In Proceedings of the 33rd Chinese
Control Conference, pages 3006–3011, Nanjing, China,
jul 2014. IEEE.
[Du 15] D. Du & Y. Yang. Fault detection and estimation
for discrete-time switched systems. In Chinese Control
Conference, pages 6382–6385, Hangzhou, China, jul
2015. IEEE.
[Du 16] D. Du & B. Jiang. Actuator fault estimation and ac-
commodation for switched systems with time delay :
Discrete-time case. ISA Transactions, vol. 62, pages
137–144, 2016.
[Egerstedt 05] M. Egerstedt & M. Babaali. On observability and rea-
chability in a class of discrete-time switched linear sys-
tems. In Proceedings of the 2005, American Control
Conference, numéro 1, pages 4–5, Portland, OR, USA,
2005. AACC.
171
BIBLIOGRAPHIE
[Emami-Naeini 88] A. Emami-Naeini. Effect of Model Uncertainty on Fai-

lure Detection : The Threshold Selector. IEEE Tran-
saction on Automatic Control, vol. 33, no. 12, pages
1106–1115, 1988.
[Fang 04] L. Fang, H. Lin & P. J. Antsaklis. Stabilization and

performance analysis for a class of switched systems. In
IEEE Conference on Decision and Control, volume 3,
pages 3265–3270, Paradise Island, Bahamas, 2004.
[Farhat 16] A. Farhat & D. Koenig. Generalized Luenberger obser-

vers for fault detection in switched systems using H- in-
dex. In European Control Conference, numéro 3, pages
1886–1891, Aalborg, Denmark, 2016.
[Fliess 04] M. Fliess, C. Join, M. Mboup & H. Sira-Ramírez. Com-

pression différentielle de transitoires bruités. Comptes
Rendus Mathematique, vol. 339, no. 11, pages 821–826,
dec 2004.
[Fliess 05] M. Fliess, M. Mboup & H Sira-Ramirez. Analyse et

représentation de signaux transitoires : application à la
compression, au débruitage et à la détection de ruptures.
In CRETSI, Louvain-la-Neuve, Belgique, 2005. HAL-
inria.
[Fliess 06] M. Fliess, M. Mboup & A. Sedoglavic. Estimation

des dérivées d’un signal multidimensionnel avec applica-
tions aux images et aux vidéos. In CRETSI, numéro 1,
pages 136–139, Louvain-la-Neuve, Belgique, 2006. HAL-
inria.
[Fliess 08] M. Fliess, C. Join & W. Perruquetti. Real-time estima-

tion for switched linear systems. In IEEE Conference on
Decision and Control, pages 941–946, Cancun, Mexico,
2008. IEEE.
172
BIBLIOGRAPHIE
[Fourlas 02] G. K. Fourlas, K. J. Kyriakopoulos & N. J. Krikelis.

Diagnosability of hybrid systems. In Proceedings of the
Mediterranean Conference, Lisbon, Portugal, 2002.
[Frank 96] P. M. Frank. Analytical and qualitative model-based
fault diagnosis–a survey and some new results. Euro-
pean Journal of control, vol. 2, no. 1, pages 6–28, 1996.
[Fukui 86] C. Fukui & J. Kawakami. An Expert System for Fault
Section Estimation Using Information from Protective
Relays and Circuit Breakers. IEEE transaction on po-
wer delivery, vol. PWRD-1, no. 4, pages 83–90, 1986.
[Gutman 79] S. Gutman. Root clustering of a real matrix in an alge-
braic region. International Journal of Control, vol. 29,
no. 5, pages 871–880, may 1979.
[Gutman 81] S. Gutman & E. I. Jury. A general theory for matrix
root clustering in subregions of the complex plane. IEEE
853–863, 1981.
[Hakem 10] A. Hakem, K. M. Pekpe & V. Cocquempot. Parameter
free method for switching time estimation and current
mode recognition. In Conference on Control and Fault
Tolerant Systems, pages 879–884, Nice-France, 2010.
[Hakem 11] A. Hakem, K. M. Pekpe & V. Cocquempot. On mode
discernibility and switching detectability for linear swit-
ching systems using a data based projection method. In
Chinese Control and Decision conference, pages 81–86,
Mianyang, China, 2011. IEEE.
[Hakem 16] A. Hakem, V. Cocquempot & K. M. Pekpe. Switching
time estimation and active mode recognition using a
data projection method. International Journal of Ap-
plied Mathematics and Computer Science, vol. 26, no. 4,
pages 827–840, 2016.
173
BIBLIOGRAPHIE
[Hamdi 08] F. Hamdi, N. Manamanni, N. Messai & K. Benmaham-

med. Hybrid observer design for switched linear systems
using Differential Petri Net. 2008 16th Mediterranean
Conference on Control and Automation, pages 95–100,
jun 2008.
[Hamdi 09] Fatiha Hamdi, Noureddine Manamanni, Nadhir Messai
& Khier Benmahammed. Hybrid observer design for
linear switched system via Differential Petri Nets. Non-
linear Analysis : Hybrid Systems, vol. 3, no. 3, pages
310–322, aug 2009.
[Hector 12] R. Hector, D. Jorge, L. Fridman & D. Efimov. State
estimation for linear switched systems with unstable in-
variant zeros and unknown inputs. In Proceding of the
IEEE Conference on decison and Control, pages 5499–
5504, Maui, HI, USA, 2012. IEEE.
[Henzinger 95] T. A. Henzinger. Hybrid automata with finite Bisimula-
tions. International colloquium on Automata and Pro-
gramming, vol. 944, pages 324–335, 1995.
[Hespanha 04] J. P. Hespanha. Stabilization through hybrid control.
Control systems, robotics and automation, vol. 15, 2004.
[Hespanha 05] J. P. Hespanha, D. Liberzon, D. Angeli & E. D. Son-
tag. Nonlinear norm-observability notions and stability
of switched systems. IEEE Transactions on Automatic
Control, vol. 50, no. 2, pages 154–168, 2005.
[Hien 09] L. V. Hien, Q. P. Ha & V. N. Phat. Stability and stabili-
zation of switched linear dynamic systems with time de-
lay and uncertainties. Applied Mathematics and Com-
putation, vol. 210, no. 1, pages 223–231, 2009.
[Howland 71] J. L. Howland. Matrix equations and the separation of
matrix eigenvalues. Journal of Mathematical Analysis
and Applications, vol. 33, no. 3, pages 683–691, 1971.
174
BIBLIOGRAPHIE
[Iftikhar 12] K. Iftikhar, A. Q. Khan & M. Abid. Robust Fault Detec-

tion Filter Design for Discrete Switched Linear Systems.
In International Conference on Frontiers of Information
Technology, numéro 1, pages 116–121, Islamabad, India,
dec 2012. IEEE.
[Iqbal 09] M. Iqbal, A. I. Bhatti, S. Iqbal & Q. Khan. Parameter
estimation based fault diagnosis of uncertain nonlinear
three tank system using HOSM differentiator observer.
In International Multitopic Conference, Islamabad, Pa-
kistan, 2009. IEEE.
[Isermann 84] R. Isermann. Process fault detection based on modeling
and estimation methods-A survey. Automatica, vol. 20,
no. 4, pages 387–404, 1984.
[Isermann 06] R. Isermann. Fault-diagnosis systems : an introduction
from fault detection to fault tolerance. Springer, 2006.
[Ji 07] Z. Ji, L. Wang & X. Guo. Design of switching sequences
for controllability realization of switched linear systems.
Automatica, vol. 43, no. 4, pages 662–668, 2007.
[Jiang 08] T. Jiang, K. Khorasani & S. Tafazoli. Parameter
estimation-based fault detection, isolation and recovery
for nonlinear satellite models. IEEE Transactions on
Control Systems Technology, vol. 16, no. 4, pages 799–
808, 2008.
[Johansson 03] M. K. J. Johansson. Piecewise linear control systems :
A computational approach. Springer Berlin Heidelberg,
2003.
[Jury 71] E. I. Jury. Inners, approach to some problems of sys-
tem theory. IEEE Transactions on Automatic Control,
vol. 16, no. 3, pages 233–240, jun 1971.
[Kajdan 07] R. Kajdan, F. Kratz & D. Aubry. Fault Detection of Af-
fine Hybrid Systems Using Finite Memory Observers. In
175
BIBLIOGRAPHIE
Proceeding of the European Control Conference, pages

1030–1037, Kos, Greece, 2007. IEEE.
[Kalman 60] R. E. Kalman. A New Approach to Linear Filtering
and Prediction Problems. Journal of Basic Engineering,
vol. 82, no. 1, pages 35–45, 1960.
[Kalman 69] R. E. Kalman. Algebraic characterization of polyno-
mials whose zeros lie in certain algebraic domains. Pro-
ceedings of the National Academy of Sciences of the
United States of America, vol. 64, no. 3, pages 818–823,
1969.
[Kesten 91] Y. Kesten & A. Pnueli. Timed and hybrid statecharts
and their textual representation. International Sympo-
sium on Formal Techniques in Real-Time and Fault-
Tolerant Systems, vol. 571, pages 591–620, 1991.
[King 04] C. King & R. Shorten. A singularity test for the exis-
tence of common quadratic Lyapunov functions for pairs
of stable LTI systems. In Proceedings of the Ameri-
can Control Conference, pages 3881–3884, Boston, MA,
USA„ 2004. IEEE.
[Kurovszky 02] M. Kurovszky. Etude des systèmes dynamiques hybrides
par représentation d’état discrète et automate hybride,
2002.
[Levant 93] A. Levant. Sliding order and sliding accuracy in sliding
mode control. International Journal of Control, vol. 58,
no. 6, pages 1247–1263, 1993.
[Levant 98] A. Levant. Robust exact differentiation via sliding mode
technique. Automatica, vol. 34, no. 3, pages 379–384,
mar 1998.
[Levant 03] A. Levant. Higher-order sliding modes, differentiation
and output feedback control. International journal of
Control, vol. 76, no. 9/10, pages 924–941, 2003.
176
BIBLIOGRAPHIE
[Liberzon 99a] D. Liberzon, J. P. Hespanha & A. S. Morse. Stability of

switched systems : a Lie-algebraic condition. Systems &
Control Letters, vol. 37, no. 3, pages 117–122, jul 1999.
[Liberzon 99b] D. Liberzon & A. S. Morse. Basic Problems in Stability
of Switched Systems. IEEE Control Systems, pages 59–
70, 1999.
[Liberzon 03] D. Liberzon. Switching in Systems and Control. Sys-
tems & Control : Foundations & Applications. Birkhäu-
ser Boston, Boston, MA, 2003.
[Liberzon 04] D. Liberzon & R. Tempo. Common Lyapunov Func-
tions and Gradient Algorithms. IEEE Transactions on
Automatic Control, vol. 49, no. 6, pages 990–994, jun
2004.
[Lin 09] H. Lin & P. J. Antsaklis. Stability and Stabilizability of
Switched Linear Systems : A Survey of Recent Results.
IEEE Transactions on Automatic Control, vol. 54, no. 2,
pages 308–322, feb 2009.
[Liu 07] X. Liu & Q. Wang. The method of Lyapunov functio-
nals and exponential stability of impulsive systems with
time delay. Nonlinear Analysis, Theory, Methods and
Applications, vol. 66, no. 7, pages 1465–1484, 2007.
[Liu 11] D Liu. Error analysis of a class of derivative estimators
for noisy signals and applications, 2011.
[Luenberger 66] D. G. Luenberger. Observers for Multivariable Systems.
pages 190–197, 1966.
[Lygeros 03] J. Lygeros, K. H. Johansson, S. N. Simié, J. Zhang &
S. S. Sastry. Dynamical properties of hybrid automata.
pages 2–17, 2003.
[Maquin 97] D. Maquin, V. Cocquempot, J. P. Cassar, M. Staros-
wiecki & J. Ragot. Generation of analytical redundancy
177
BIBLIOGRAPHIE
relations for FDI purposes. In IFAC Symposium on

Diagnostics for Electrical Machines, Power Electronics
and Drives, pages 86–93, Carry-le Rouet, France, 1997.
[Maquin 00] D. Maquin & J. Ragot. Diagnostic des systemes li-
neaires. Hermes Science Publications, 2000.
[Mariton 90] M. Mariton. Jump linear systems in automatic control.
Numeéro 1990. 1990.
[Mboup 07] M. Mboup, C. Join & M. Fliess. A revised look at nu-
merical differentiation with an application to nonlinear
feedback control. In Mediterrean Conference on Control
and Automation, Athens, Greece, 2007. IEEE.
[Mboup 09] M. Mboup, C. Join & M. Fliess. Numerical differentia-
tion with annihilators in noisy environment. Numerical
Algorithms, vol. 50, no. 4, pages 439–467, 2009.
[Mikusinski 87] J. Mikusinski & T. K. Boehme. Operational Calculus,
Volume 2, volume 110. 1987.
[Mincarelli 11] D. Mincarelli, T. Floquet & L. Belkoura. Active mode
and switching time estimation for switched linear sys-
tems. In Conference on Decision and Control and Eu-
ropean Control Conference, pages 1854–1859, Orlando,
FL, USA, 2011. IEEE.
[Mohammadi 09] R. Mohammadi, S. Hashtrudi-Zad & K. Khorasani.
Diagnosis of hybrid systems : part 2-residual genera-
tor selection and diagnosis in the presence of unreliable
residual generators. In Procedings of the 2009 IEEE
Internationale Conference on Systems, Man, and Cybe-
metics, pages 3340–3345, San Antonio, TX, USA, 2009.
IEEE.
[Odgaard 10] P. F. Odgaard & J. Stoustrup. Unknown input obser-
ver based detection of sensor faults in a wind turbine.
In IEEE International Conference on Control Applica-
tions, pages 310–315, Yokohama, Japan, 2010. IEEE.
178
BIBLIOGRAPHIE
[Orani 11] N. Orani, A. Pisano, M. Franceschelli, A. Giua &

E. Usai. Robust reconstruction of the discrete state for
a class of nonlinear uncertain switched systems. Nonli-
near Analysis : Hybrid Systems, vol. 5, pages 220–232,
2011.
[Park 04] T. G. Park & K. S. Lee. Process fault isolation for
linear systems with unknown inputs. IEE Proceedings
Control Theory and Applications, vol. 151, no. 6, pages
720–726, nov 2004.
[Patton 94] R. J. Patton & J. Chen. A review of parity space
approaches to fault diagnosis. Journal of Guidance,
Control, and Dynamics, vol. 17, no. 2, pages 277–285,
1994.
[Pekpe 04] K. M. Pekpe, G. Mourot, K. Gasso & J. Ragot. Iden-
tification of switching systems using change detection
technique in the subspace framework. In Conference on
Decision and Control, volume 4, pages 3720–3725, Nas-
sau, Bahamas, 2004. IEEE.
[Peleties 91] P. Peleties & R. DeCarlo. Asymptotic Stability of m-
Switched Systems using Lyapunov-Like Functions. In
American Control Conference, pages 1679–1684, Bos-
ton, MA, USA, 1991. IEEE.
[Pettersson 97] S. Pettersson & B. Lennartson. LMI for stability and
robustness of hybrid systems. Proceedings of the Ameri-
can Control Conference, vol. 3, pages 1714–1718, 1997.
[Pettersson 05] S. Pettersson. Switched state jump observers for swit-
ched systems. Proceedings of the IFAC World Congress,
vol. 38, no. 1, pages 127–132, 2005.
[Pettersson 06] S. Pettersson. Designing Switched Observers for Swit-
ched Systems Using Multiple Lyapunov Functions and
Dwell-Time Switching. In IFAC Conference on Ana-
179
BIBLIOGRAPHIE
lysis and Design of Hybrid Systems, volume 39, pages

18–23, Alghero, Italy, 2006. Elsevier.
[Pisano 12] A. Pisano, M. R. Rapaić & E. Usai. Discontinuous dy-
namical systems for fault detection. A unified approach
including fractional and integer order dynamics. Ma-
thematics and Computers in Simulation, vol. 95, pages
111–125, 2012.
[Puri 96] A. Puri, V. Borkar & P. Varaiya. E-Approximation of
differential inclusions. In the series Lecture Notes in
Computer Science, volume 1066, pages 362–376. Sprin-
ger Berlin Heidelberg, 1996.
[Ragot 03] J. Ragot, D. Maquin & E. A. Domlan. Switching time
estimation of piecewise linear systems. Application to
diagnosis. In IFAC Symposium on Fault Detection, Su-
pervision and Safety for Technical Processes, volume 36,
pages 651–656, Washington DC, USA, 2003. Elsevier.
[Rocha Loures 05] E. Rocha Loures & J. C. Pascal. A diagnosis frame-
work of hybrid dynamic systems based on time fuzzy
Petri nets. In 16th Triennial World Congress, pages
55–60, Prague, Czech Republic A, 2005. Elsevier IFAC
publications.
[Saadaoui 06a] H. Saadaoui, J. De Leon, M. Djemai, N. Manamanni
& J. P. Barbot. High order sliding mode and adaptive
observers for a class of switched systems with unknown
parameter : A comparative study. In Proceedings of the
45th IEEE Conference on Decision and Control, pages
5555–5560, San Diego, CA, USA, 2006. IEEE.
[Saadaoui 06b] H. Saadaoui, N. Manamanni, M. Djemaï, J.P. Barbot
& T. Floquet. Exact differentiation and sliding mode
observers for switched Lagrangian systems. Nonlinear
Analysis : Theory, Methods and Applications, vol. 65,
no. 5, pages 1050–1069, sep 2006.
180
BIBLIOGRAPHIE
[Saadaoui 07] Hassan Saadaoui. Contribution à la synthèse d’obser-

vateurs non linéaires pour des classes de systèmes dy-
namiques hybrides. PhD thesis, 2007.
[Sampath 95] M. Sampath, R. Sengupta, S. Lafortune, K. Sinnamohi-

deen & D. Teneketzis. Diagnosability of discrete-event
systems. IEEE Transactions on Automatic Control,
vol. 40, no. 9, pages 1555–1575, 1995.
[Sampath 96] M. Sampath, R. Sengupta & S. Lafortune. Failure diag-

nosis using discrete-event models. IEEE transactions on
control systems technology, vol. 4, no. 2, pages 105–124,
1996.
[Schaft 00] A. V. D. Schaft & H Schumacher. An introduction to

hybrid dynamical systems, volume 251. Springer-Verlag
London, 2000.
[Schiff 01] J. L. Schiff. The Laplace Transform : Theory and Ap-

plications, volume 85. Springer-Verlag New York, 2001.
[Schwartz 78] L. Schwartz. Theorie des Distributions. 1978.
[Sharma 15] R. S. Sharma, L. Dewan & S. Chatterji. Fault Diagnosis

Methods in Dynamic Systems : A Review. International
Journal of Electronics and Electrical Engineering, vol. 3,
no. 6, pages 465–471, 2015.
[Shorten 03] R. Shorten, K. S. Narendra & O. Mason. A result on

common quadratic Lyapunov functions. IEEE Transac-
tions on Automatic Control, vol. 48, no. 1, pages 110–
113, jan 2003.
[Sun 02] Z. Sun, S. S. Ge & T. H. Lee. Controllability and Rea-

chability Criteria for Siwtched Linear Systems. Auto-
matica, vol. 38, pages 775–786, 2002.
[Sun 05] Z. Sun & S. S. Ge. Switched Linear Systems Control

and Design. 2005.
181
BIBLIOGRAPHIE
[Tian 09a] Y. Tian, T. Floquet, L. Belkoura & W. Perruquetti. Al-

gebraic switching time identification for a class of linear
hybrid systems. IFAC Conference on Analysis and De-
sign of Hybrid Systems, vol. 5, no. 2, pages 233–241,
2009.
[Tian 09b] Y. Tian, T. Floquet, L. Belkoura & W. Perruquetti.
Switching time estimation for linear switched systems :
an algebraic approach. In Conference on Decision
and Control, pages 3909–3913, Shanghai, China, 2009.
IEEE.
[Tian 11] Y. Tian, T. Floquet, L. Belkoura & W. Perruquetti. Al-
gebraic switching time identification for a class of linear
hybrid systems. Nonlinear Analysis : Hybrid Systems,
vol. 5, pages 233–241, 2011.
[Tittus 98] M. Tittus & B. Egardt. Control design for integrator hy-
brid systems. IEEE Transactions on Automatic Control,
vol. 43, no. 4, pages 491–500, 1998.
[Utkin 09] V. Utkin, J. Guldner & J. Shi. Sliding mode control in
electro-mechanical systems. CRC Press, 2009.
[Van Gorp 13] Jeremy Van Gorp, Alessandro Giua, Michael Defoort
& Mohamed Djemai. Active diagnosis for a class of
switched systems. 52nd IEEE Conference on Decision
and Control, pages 5003–5008, dec 2013. www
[Van Gorp 14] Jeremy Van Gorp, Michael Defoort, Kalyana C. Velu-
volu & Mohamed Djemai. Hybrid sliding mode obser-
ver for switched linear systems with unknown inputs.
Journal of the Franklin Institute, vol. 351, no. 7, pages
3987–4008, 2014. www
[Van Gorp 15] J. Van Gorp, M. Defoort, M. Djemai & K. C. Velu-
volu. Fault detection based on higher-order sliding mode
observer for a class of switched linear systems. IET
182
BIBLIOGRAPHIE
Control Theory and Applications, vol. 9, no. 15, pages

2249–2256, oct 2015.
[Venkatasubramanian 03] V. Venkatasubramanian, R. Rengaswamy, K. Yin &
S. N. Kavuri. A review of process fault detection
and diagnosis. Computers and Chemical Engineering,
vol. 27, no. 3, pages 293–311, 2003.
[Vibert 97] D. Vibert, C. Valentin-Roubinet & E. Niel. A modelling
method to take into account fluctuations of continuous
variables in a class of hybrid systems. In European
Control Conference, pages 484–453, Brussels, Belgium,
1997. IEEE.
[Vidal 02] R. Vidal, A. Chiuso & S. Soatto. Observability and
identifiability of jump linear systems. In Proceedings of
the IEEE Conference on Decision and Control, pages
3614–3619, 2002.
[Villagra 08] J. Villagra, B. D’andréa-Novel, M. Fliess & H. Mounier.
Synthèse algébrique d’estimateurs de vitesses longitudi-
nale et latérale d’une automobile. vol. 5, no. 3, pages
12–17, 2008.
[Walcott 88] B. L. Walcott & S. H. Zak. Combined Observer-
Controller Synthesis for Uncertain Dynamical Systems
with Applications. IEEE Transactions on Systems, Man
and Cybernetics, vol. 18, no. 1, pages 88–104, 1988.
[Wang 09] D. Wang, W. Wang & P. Shi. Robust fault detection for
switched linear systems with state delays. IEEE transac-
tion on systems. man, and cybernetics, vol. 39, no. 3,
pages 800–805, 2009.
[Willsky 76] A. S. Willsky. A survey of design methods for failure de-
tection in dynamic systems. Automatica, vol. 12, no. 6,
pages 601–611, 1976.
[Xie 06] G. Xie & L. Wang. Stability and stabilization of switched
impulsive systems. In American Control Conference,
183
BIBLIOGRAPHIE
numéro 4, pages 4406–4411, Minneapolis, Minnesota,

USA, 2006. IEEE.
[Xu 07] J. Xu, A. P. Loh & K. Y. Lum. Observer-based fault de-
tection for piecewise linear systems : Continuous-time
cases. In International Conference on Control Applica-
tions, pages 379–384, Singapore, 2007. IEEE.
[Yahia 16] S. Yahia, S. Bedoui & K. Abderrahim. Sensor fault es-
timation and compensation for hybrid switched system.
In International conference on system theory, control
and computing, pages 449–454, Sinaia, Romania, 2016.
IEEE.
[Zaytoon 01] J. Zaytoon. Systèmes dynamiques hybrides. Hermes
Science publications, 2001.
[Zhang 02] X. Zhang, M. M. Polycarpou & T. Parisini. A robust
detection and isolation scheme for abrupt and incipient
faults in nonlinear systems. IEEE Transactions on Au-
tomatic Control, vol. 47, no. 4, pages 576–593, 2002.
[Zhang 05] Y. Zhang & J. Sun. Eventual practical stability of im-
pulsive differential equations with time delay in terms
of two measurements. Journal of Computational and
Applied Mathematics, vol. 176, no. 1, pages 223–229,
2005.
[Zhou 06] K. Zhou, Z. Ren & W. Wang. On the Design of Unk-
nown Input Observers and Fault Detection Filters. In
Proceding of World Congress on Intelligent Control
and Automation, numéro 1, pages 5638–5642, Dalian,
China, 2006. IEEE.
184
Contribution à la détection et à l’estimation des défauts pour des systèmes linéaires à commutations
Ce travail de thèse traite de la problématique d’estimation des défauts et de l'état hybride pour une classe de systèmes linéaires à
commutations. L'objectif est de développer une méthode afin de synthétiser un observateur et un estimateur dédiés respectivement à
l'estimation de l'état hybride et des défauts. Après la présentation d'un état de l'art sur les techniques d'estimation, de stabilité et de diagnostic
pour les systèmes linéaires à commutations, la thèse est scindée en deux parties. La première partie propose une méthode d'estimation de l'état
continu et des défauts dans le cas où l'état discret du système est connu. En se basant sur une transformation de coordonnées qui découple un
sous-ensemble de l’état du système des défauts, nous avons synthétisé dans un premier temps un observateur hybride pour estimer l'état
continu du système, et dans un second temps, un estimateur permettant la reconstruction des défauts. L'estimateur de défauts proposé dépend
de la dérivée de la sortie du système. Pour cette raison, un différenciateur robuste et exact basé sur des techniques des modes glissants est
utilisé. Dans la seconde partie de ce mémoire, l'état discret du système est supposé inconnu. Une approche basée sur des méthodes algébriques
est proposée afin d'estimer les instants de commutation entre les différents sous-systèmes. Par la suite, l'estimation de l'état hybride (état
continu et état discret) et des défauts est considérée dans le cas où l'état discret du système est inconnu. Ce dernier est reconstruit en se basant
sur les instant de commutation estimé et sur une séquence de commutation connue. L'état continu du système est estimé en se basant sur une
méthode de placement de pôles permettant d’améliorer les performances de la phase transitoire. Enfin, en exploitant des résultats trouvés dans
la première partie, l'estimation des défauts est considérée en estimant la sortie du système avec un différenciateur algébrique. Ce différenciateur
donne des résultats plus intéressants vis-à-vis du bruit par rapport au différenciateur basé sur les techniques des modes glissants utilisé dans la
première partie.
Mots-clés : Système linéaire à commutation, estimation de l'état hybride, estimation des défauts, fonction de Lyapunov, les techniques des
modes glissants, algèbre différentielle.
Contribution to fault detection and estimation for switched linear systems

This work deals with the problem of estimation of fault and hybrid state for a class of switched linear systems. The objective is to develop
a method to synthesize an observer and an estimator dedicated respectively to the estimation of the hybrid state and the faults. After presenting
a state of the art for estimation, stability and diagnostic techniques for switched linear systems, the report is divided into two parts. The first
part proposes a method for estimating the continuous state and the faults in the case where the discrete state of the system is known. Based
on a coordinate transformation which decouples a subset of the state of the system of faults, we first synthesized a hybrid observer to estimate
the continuous state of the system and, in a second step, an estimator allowing the reconstruction of faults. The proposed fault estimator
depends on the derivative of the system output. For this reason, a robust and accurate differentiator based on sliding mode techniques is used.
In the second part of this paper, the discrete state of the system is assumed unknown. An algebraic approach is proposed to estimate the
switching times between the different subsystems. Thereafter, the estimation of the hybrid state (continuous and discrete state) and of the
faults is considered in the case where the discrete state of the system is unknown. The latter is reconstructed from the estimated switching
times and on a known switching sequence. The continuous state of the system is estimated using a pole placement method allowing improve
the performances of the transient phase. Finally, by exploiting the results found in the first part, the estimation of the faults is considered by
estimating the output of the system with an algebraic differentiator. This differentiator gives more interesting results at the noise compared to
the differentiator based on the sliding mode techniques used in the first part.
Keywords : Switched linear systems, hybrid state estimation, fault estimation, Lyapunov function, sliding mode techniques, differential algebra.
Discipline : AUTOMATIQUE, SIGNAL, PRODUCTIQUE, ROBOTIQUE

Spécialité : Automatique
Université de Reims Champagne-Ardenne
EA 3804, Centre de recherche en Sciences et Techniques de l’information

et de Communication,
UFR Sciences Exactes et Naturelles Moulin de la Housse BP 1039, 51867
Reims CEDEX 2 FRANCE

LABOUDI 2017 Archivage

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

LABOUDI 2017 Archivage

Titre original :

Transféré par

Droits d'auteur :

Formats disponibles

Contribution à la detection et à l’estimation des defauts

pour des systèmes lineaires à commutations

To cite this version:

HAL Id: tel-02883210

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

ÉCOLE DOCTORALE SCIENCES – TECHNOLOGIES – SANTÉ (547)

DOCTEUR DE L’UNIVERSITÉ DE REIMS CHAMPAGNE-ARDENNE

Discipline : AUTOMATIQUE, SIGNAL, PRODUCTIQUE, ROBOTIQUE

Présentée et soutenue publiquement par

Thèse dirigée par NOUREDDINE MANAMANNI ET NADHIR MESSAI

Contribution à la détection et à l’estimation des défauts pour des systèmes linéaires

Mme Véronique CARRE-MENETRIER, Professeur, Université de Reims Champagne Ardenne, Président

M. Noureddine MANAMANNI, Professeur, Université de Reims Champagne Ardenne, Directeur de thèse

M. Nadhir MESSAI, Maître de Conférences, Université de Reims Champagne Ardenne, Encadrant

M. Houcine CHAFOUK, Professeur, ESIGELEC Rouen, Rapporteur

M. Michael DEFOORT, Maître de Conférences HDR, Université de Valenciennes et du Hainaut-Cambrésis, Rapporteur

M. Didier THEILLIOL, Professeur, Université de Lorraine, Examinateur

M. Mamadou MBOUP, Professeur, Université de Reims Champagne Ardenne, Invité

Ce travail de thèse traite de la problématique d’estimation des défauts et de l’état

algébrique. Ce différenciateur donne des résultats plus intéressants vis-à-vis du

Mots clés : Système linéaire à commutation, estimation de l’état hybride, es-

Keywords: Switched linear systems, hybrid state estimation, fault estimation,

Ce travail de thèse a été réalisé au Laboratoire CReSTIC de l’Université de Reims

Table des matières vii

Table des figures xiii

Liste des tableaux xvii

1 Notions introductives à la synthèse d’observateurs et au diagnostic 7

1.2 Notions introductives sur les systèmes dynamiques hybrides . . . . 10

1.2.1 Structure générale d’un système dynamique hybride . . . . 10

1.2.2 Modélisation des systèmes dynamiques hybrides . . . . . . . 11

1.2.2.1 Tour d’horizon sur la modélisation des systèmes

1.2.2.2 Automate hybride . . . . . . . . . . . . . . . . . . 12

1.2.3 Les systèmes à commutation . . . . . . . . . . . . . . . . . . 14

1.2.3.1 Loi de commutations dépendante de l’état . . . . . 15

1.2.3.2 Loi de commutation dépendante du temps . . . . . 16

1.3 Généralité sur les systèmes linéaires à commutations . . . . . . . . . 18

1.3.1 Modélisation des systèmes linéaires à commutations . . . . . 18

1.3.2.1 Problèmes d’observation . . . . . . . . . . . . . . . 19

1.3.2.2 Synthèse d’observateurs dans les SLC . . . . . . . . 20

1.3.3 Stabilité des systèmes linéaires à commutations . . . . . . . 24

1.3.3.1 Fonction de Lyapunov quadratique Commune . . . 25

1.3.3.2 Fonction de Lyapunov Quadratique Multiple . . . 26

1.3.3.3 Fonction de Lyapunov quadratique à commutations 27

1.4 Problématiques et objectifs du diagnostic des systèmes dynamiques 29

1.4.1 Classification des défauts . . . . . . . . . . . . . . . . . . . . 30

1.4.2 Diagnostic de défauts à base de modèle . . . . . . . . . . . . 32

1.4.2.1 Diagnostic de défauts à base de modèle des sys-

1.4.2.2 Diagnostic des systèmes linéaires à commutations . 40

1.4.3 Estimation des défauts . . . . . . . . . . . . . . . . . . . . . 42

2 Synthèse d’un observateur hybride : État discret du système connu 47

2.2 Présentation de la problématique et des hypothèses . . . . . . . . . 49

2.3 Observation d’un système linéaire à commutations . . . . . . . . . . 51

3 Synthèse d’un estimateur pour la détection des instants de commu-

3.3.2 Transformée de Laplace de quelques fonctions utiles . . . . . 86

4 Synthèse d’un observateur hybride pour un SLC : État discret inconnu109

4.5.1.3 Différenciateur d’ordre non-minimal . . . . . . . . 134

Conclusion et perspectives 149

A Complément de Schur 155

B Algorithme de super Twisting 157

C Notions mathématiques 159

D Démonstration du théorème 4.5 161

E Démonstration du théorème 4.6 163