Académique Documents
Professionnel Documents
Culture Documents
L’idée de base des représentations d’état est que le futur d’un système dépend
de son passé, de son présent et de ses entrées. Le futur peut alors être décrit à
partir d’un ensemble de variables bien choisies, contrairement à l’analyse
classique des systèmes qui fait appel à la représentation de Laplace, dans le cas
des représentations d’état, l’analyse a lieu dans le domaine temporel. De fait, au
cadre de l’analyse des fonctions de la variable complexe se substitue le cadre de
l’algèbre matricielle.
D’une manière générale, à tout système linéaire causal et continu peuvent être
associées les équations matricielles suivantes :
dx t
A t x t B t e t Equation d ' état
dt
y t C t x t D t e t Equation de sortie
1
dx t
Ax t Be t
dt
y t Cx t De t
Y s
H s
E s
sX s AX s BE s
Y s CX s DE s
sI A X s BE s X s sI A 1 BE s 1
Y s CX s DE s Y s CX s DE s 2
1
Y s C sI A B E s DE s Y s C sI A B D E s
1
Y s
Finalement : H S
E s
C sI A B D
1
Les pôles de la fonction de transfert correspondent aux zéros de det(sI-A) qui
est aussi le polynôme caractéristique de la matrice d’état A. par conséquent les
pôles de H(s) sont les valeurs propres de la matrice d’état A.
2
I.3.a Décomposition en mise série :
y s b
y s s a bu s sy s ay s bu s sy s bu s ay s
u s sa
Graphe de fluence :
b0 b bm
H S * 1 * *
s a0 s a1 s an 1
sxn 1 s b0u s a0 xn 1 s
sx s b1 xn 1 s a1 xn 2 s
n2
sx0 s bm x1 s an1 x0 s
3
x0 an 1 bm 0 0 x0 0
x1 0 an 2 bm 1 0 x1 0
xn 2 0 0 a1 b1 xn 2 0
xn 1 0 0 0 a0 xn 1 b0
x0
x
1
y t 1 0 0 0
xn 2
xn 1
Y s 3
R s s 3s 2
2
B 3 1
p1 2
2A 2
Il Ya deux solution :
p B 3 1 1
2 2A 2
Y s 3 3 1
*
R s s 2 s 1 s 2 s 1
sX 2 s 3R s 2 X 2 s x2 t 3r t 2 x2 t
sX 1 s X 2 s X 1 s
Laplace inverse
x1 t x2 t x1 t
Y s X1 s y t x1 t
4
x1 t 1 1 x1 t 0
r t
x2 t 0 2 x2 t 3
x1 t
y t 1 0
x2 t
Dans le cas où tous les pôles sont simples et le système d’ordre n, H(s) (3) prend
la forme :
a0 a a
H s 1 n 1
s b0 s b1 s bn 1
x0 an 1 0 0 0 x0 b0
x1 0 an 2 0 0 x1 b1
xn 2 0 0 a1 0 xn 2 bn 2
xn 1 0 0 0 a0 xn 1 bn 1
x0
x
1
y t 1 1 1 1
xn 2
xn 1
5
Exemple I.2 : on considère le système régi par la fonction de transfert
suivantes :
Y s 3
R s s 3s 2
2
B 3 1
p1 2
2A 2
Il Ya deux solution :
p B 3 1 1
2 2A 2
Y s 3 3
R s s 2 s 1
sX 2 s 3R s 2 X 2 s x2 t 3r t 2 x2 t
sX 1 s 3R s X 1 s
Laplace inverse
x1 t 3r t x1 t
Y s X s X s y t x t x t
1 2 1 2
6
x1 t 1 0 x1 t 3
r t
x2 t 0 2 x2 t 3
x1 t
y t 1 1
x2 t
Y s s 2 7s 2
Soit la fonction de transfert suivante : G s
R s s 3 9 s 2 26 s 24
Y s 1
On décompose la fonction de transfert sous la forme : *Y s
R s R s
s 3 9s 2 26s 24 M s R s
Laplace inverse
t 9m
m t 26m t 24m t r t
s2 7s 2 M s Y s
Laplace inverse
t 7m t 2m t y t
m
On pose :
x1 m t x1 m t x2
x2 m t x2 m t x3
x m x m
3 t 3 t r t 9m
t 26m t 24m t r t 9 x3 26 x2 24 x1
Et : y t x3 7 x2 2 x1
7
x1 0 1 0 x1 0
x2 0 0 1 x2 0 r t
x3 24 26 9 x3 1
x1
y t 2 7 1 x
2
x3
Y s s 2 7s 2
Soit la fonction de transfert suivante : G s
R s s 3 9 s 2 26 s 24
s 3Y s 9 s 2Y s 26 sY s 24Y s s 2U ( s ) 7 sU ( s ) 2U ( s )
s 3Y s s 2U ( s ) 7 sU ( s ) 2U ( s ) 9s 2Y s 26sY s 24Y s
s 3Y s s 2 U ( s ) 9Y s s 7U ( s ) 26Y s 2U ( s ) 24Y s
1 1 1
Y s
s
U ( s ) 9Y s 2 7U ( s ) 26Y s 3 2U ( s ) 24Y s
s s
1 1 1
Y s U ( s ) 9Y s 7U ( s ) 26Y s 2 2U ( s ) 24Y s
s s s
1 1 1
Y s U ( s ) 9Y s 7U ( s ) 26Y s 2U ( s ) 24Y s
s s s
8
A partir de schéma fonctionnel, on tire les équations d’états :
x1 0 0 24 x1 2
x2 1 0 26 x2 4 u t
x3 0 1 9 x3 1
x1
y t 0 0 1 x2
x3
det B AB A2 B An 1 B 0
On dit aussi que le rang=n
C
CA
det CA2 0
CAn 1
dx t
Ax t Bu t
dt
y t Cx t Du t
9
recto-action linéaire de l’état du système sur l’entrée : u t e t kx t
dx t
Ax t Bu t 4
dt
u t e t kx t 5
y t Cx t De t 6
Laplace inverse
sX s AX s B E s kX s sI A Bk X s BE s
X s sI A Bk 1 B E s 7
Y s CX s DE s 8
E s
La dynamique du système bouclé est donc fixée par les valeurs propres de la
matrice (A-Bk), ces valeurs propres sont les racines de l’équation
caractéristique :
det sI A Bk 0
10
Exemple I.4 : soit le système donné par la fonction de transfert suivante :
Y s 10
R s s 1 s 2
Solution I.4 :
10 s 1
AA slim
1 s 1 s 2
10
Y s 10 AA BB
1.
R s s 1 s 2 s 1 s 2 BB lim 10 s 2 10
s 2 s 1 s 2
Y s 10 10
R s s 1 s 2
Graphe de fluence :
Représentation d’état :
x1 1 0 x1 10
x 0 2 x 10 r t
2 2
x
y t 1 1 1
x2
10 1 0 10 10 10
det B AB det det 100 0
10 0 2 10 10 20
11
Le système est commandable
3. Le retour d’état
L’équation caractéristique :
1 0 1 0 10
det sI A Bk det s k1 k2
0 1 0 2 10
s 2 10k1 10k2 3 s 20k1 10k2 2 9
équation caractéristique
ln 0.1
2
2
ln 0.1 1 2 2 2 ln 0.1 2 2 ln 0.1
2 2
ln 0.1 2
2
0.3
3
tr 0.5 6 rad / s
Il arrive souvent que toutes les variables d’état d’un système ne soient pas
accessibles à la mesure. Dans ce cas, l’implémentation directe de la commande
u=-kx est impossible. De plus, la connaissance de la sortie y ne résoudre pas le
problème. En effet, comme C n’est pas inversible, la connaissance de y=Cx ne
permet pas de connaitre x.
12
Erreur d’estimation : t xˆ t x t
On a :
xˆ t Axˆ t v Cxˆ t Cx t Bu t
xˆ t A vC xˆ t vCx t Bu t 11
On a : x t Ax t Bu t Bu t x t Ax t 12
On remplace l’équation (12) dans l’équation (11) :
xˆ t A vC xˆ t vCx t x t Ax t
xˆ t A vC xˆ t A vC x t x t
xˆ t x t A vC xˆ t x t
t A vC t
Y s 10
R s s 1 s 2
Solution I.5 :
13
10 s 1
AA slim
1 s 1 s 2
10
Y s 10 AA BB
1.
R s s 1 s 2 s 1 s 2 BB lim 10 s 2 10
s 2 s 1 s 2
Y s 10 10
R s s 1 s 2
Graphe de fluence :
Représentation d’état :
x1 1 0 x1 10
x 0 2 x 10 r t
2 2
x
y t 1 1 1
x2
14
I.7 bilan sur la commande par retour d’état avec synthèse d’observateur :
La mise en œuvre d’une commande dans le cas des systèmes continus suppose
l’hypothèse d’un système commandable et observable lorsque toutes les variables
d’état ne sont pas accessibles à la mesure. On écarte donc les parties non
commandables ou non observables du système. Le problème de la commande de
résoudre ensuite en trois grandes étapes :
Recherche de la commande en supposant x mesurable. La commande
linéaire est de la forme u=-kx, k étant déterminée par exemple en
imposant des pôles à la boucle fermée.
Reconstruction de l’état. Si seul y est mesurable, il faut synthétiser un
observateur et une estimation sans biais.
La commande du système est finalement réalisée à partir de l’état estimé.
x t Ax t Bu t 13
xˆ t Axˆ t vCxˆ t vCx t Bu t 14
u t e t kxˆ t 15
t xˆ t x t 16
y t Cx t 17
On remplace l’équation (15) dans l’équation (13) :
15
x t Ax t B kxˆ t e t 18
On remplace l’équation (16) dans l’équation (18) :
x t Ax t B k t x t e t A Bk x t Bk t Be t 19
t A vC t 20
x t A Bk Bk x t B
e t
t 0 A vC t 0
y t C 0 x t 0
e t
u t k k t 1
16
Chapitre II : Commande des systèmes multivariables
Z11 s Z1m s
Z s
Z r1 s Z rm s
f1 y, y ,
y, , y , u1 , u2 , , um 0
r 1
y, , y , u1 , u2 , , um 0
f r y, y ,
r 1
c) Représentation d’état :
x t Ax t Bu t
y t Cx t Du t
x t Ax t Bu t
y t Cx t Du t
Y s
H s
U s
17
sX s AX s BU s
Y s CX s DU s
sI A X s BU s X s sI A BU s 1
1
Y s CX s DU s Y s CX s DU s 2
Y s C sI A B U s DU s Y s C sI A B D U s
1 1
Y s
Finalement : H S
U s
C sI A B D
1
Pour calculer la matrice de transfert on utilise dans le cas multivariable,
l’algorithme de Leverrier :
1
sI A * M s
1
Ou
Ls
L s s n an 1s n 1 a1s a0
Avec :
M s M n 1s n 1 M n 2 s n 2 M 1s M 0
M i AM i 1 Iai 1 i n 1
1 et M n 1 I
ai n i tr AM i i n 1
n
1 0
tr A aii I
0 1
i 1
18
Exemple II.1 : soit le système multivariable suivant, dont :
0 1 0 1 0
1 0 0
A 0 0 1 B 0 0 C
0 0 1
0 4 5 0 1
Solution II.1 :
L s s 3 a2 s 2 a1s a0
L’ordre du système n=3 et
M s M 2 s M 1s M 0
2
1 0 0
M 2 I 3,3 0 1 0
0 0 1
D’après l’algorithme :
0 1 0 1 0 0 0 1 0
a2 tr AM 2 0 0 1 0 1 0 tr 0 0 1 5
0 4 5 0 0 1 0 4 5
0 1 0 5 0 0 5 1 0
M 1 AM 2 I * a2 0 0 1 0 5 0 0 5 1
0 4 5 0 0 5 0 4 0
0 1 0 5 1 0 0 5 1
1 1
a1 tr AM 1 0 0 1 0 5 1 tr 0 4 0 4
2 0 4 5 0 4 0 2
0 0 4
0 5 1 4 0 0 4 5 1
M 0 AM 1 I * a1 0 4 0 0 4 0 0 0 0
0 0 4 0 0 4 0 0 0
0 1 0 5 1 0 0 0 0
1 1
a0 tr AM 0 0 0 1 0 5 1 tr 0 0 0 0
3 0 4 5 0 4 0 3
0 0 0
Donc
19
1 0 0 5 1 0 4 5 1
1 1
sI A *M s 3 * 0 1 0 s 0 5 1 s 0 0 0
1
2
L s s 5s 4 s
2
0 0 1 0 4 0 0 0 0
s 2 5s 4 s 5 1
0 5s s
0 4s s 2
sI A
1
s 3 5s 2 4 s
s 2 5s 4 s 5 1 1 0
1 0 0
0 0 1 0 5s s 0 0
4s s 2 0 1
Y s
0
H S C sI A B
1
U s s 3 5s 2 4 s
s 2 5s 4 1
0 s2
H S
s 3 5s 2 4s
Notion de rang : le rang de la matrice A c’est l’ordre de plus grand tableau que
on peut extrairez de A dont le det 0
x t Ax t Bu t
y t Cx t
1 0 0 1 0
1 1 2
Avec A 0 2 0 B 1 2 C
0 0 3 2 1 3 1 5
20
1 0 1 0 1 0 1 0 1
x B AB A B 1 2 2 4 4 8 det x det 1 2 2 13
2
2 1 6
2 1 6 3 18 9
1 1 2
3 1 5
C 1 1 2
1 2 6
x CA det x det 3 1 5 7
3 2 15
CA2 1 2 6
1 4 18
3 4 45
y1 2
y1 3 y1 y 2 y2 u1 u2 u3 D3 2 D 3 y1 D 1 y2 Du1 u2 u3
y1 y1 3 y 2 y2 u1 u3 u3 D 1 y1 3D 1 y2 u1 D 1 u3
21
L D y M D u 3
L D Lv D v L1 D L0
M D M u D u M 1 D M 0
y1 2
y1 y 2
y2 u2 u2 u1 u3 D 3 2 D y1 D 2 D y2 D 1 u2 u3 u1
4 y1 4 y1 y 2 y2 u2 u3 4 D 4 y1 D 1 y2 u2 u3
u1
D 3 2 D D 2 D y1 1 D 1 1
Sous forme matricielle : u2
4 D 4 D 1 y 0 1 1
2 u3
L D y M D
u
1 0 0 1 2 1 0 0
L3 L2 L1 L0
0 0 0 0 4 1 4 1
0 1 0 1 1 1
M1 M0
0 0 0 0 1 1
D racine det L D (pour toutes les racines)
22
Z s L1 s M s
x t Ax t Bu t
x x1 xn
T
avec
y t Cx t Du t
Est le vecteur d’état tel que la dimension de x est égale à l’ordre du système (3)
n deg rée det L D on a : L D Lv D v L1 D L0
La mise sous forme d’état s’effectue de deux façons suivantes : que Lv est
inversible ou pas ( Lv : matrice des coefficients de plus haut degré de L D )
Lv 1 L D y Lv 1M D u
x1 Lv 1 I 0 0 x1 0 x1
x L 0 I 0 x2 0 x
2 v 2 2
u y I 0 0 0
xv 1 L1 0 0 I xv 1 M 1 xv 1
xv L0 0 0 0 xv M 0 xv
M 1 D 2 f1 D k1 k2 k2 y1 1 0 F1
k2 M 2 D 2 k2 k3 y2 0 1 F2
23
Met le système sous forme d’état
Solution II.5 :
M D 2 f1 D k1 k 2 k2
det L D det 1
k2 M 2 D k2 k3
2
M 1M 2 D 4 f1M 2 D 3 k1M 2 k2 M 2 k2 M 1 k3 M 1 D 2 k2 f1 k3 f1 D k3 k1 k2 k1 k3 k2
24
Donc l’ordre du système n=4
On applique la méthode de Lv inversible :
Après multiplication du système par l’inverse de la matrice L2 on obtient le
nouveau système suivant :
2 f1 k1 k2 k2
1
D M D M M y M 0
1
M1 F
L21 L D y L21M D u 1 1 1
1 1
k k k y 1 F2
2
D2 2 3 2 0
M2 M2 M2 M 2
k1 k k2
f1 2
0 M1 M1 M1
v 2 L2 déja calculer L1 M 1 L0
k2 k2 k3
0 0 M
2 M 2 M 2
1
M 0
u 0 M0 1
1
0 M 2
x1 x1
I x2 0 22
x1 x2 L1
x x L u y I 0 22
2 0 0 22 x3 M
3 0
x4 x4
f1
M 0 1 0 0 0
x1
1
x1 0 0
x 0 0 0 1
k
2 x2 1 F y 1 0 0 0
0 1 1
k k2
x3 1 2 0 0 x3 M 1
M1 M1 M1 F2 y2 0 1 0 0
x4 k x4 1
k2 k 0
2
3 0 0 M2
M 2 M2 M2
Remarque : dans tous les cas en considère que v>u ceci correspond à un système
25
propre, dans le cas ou v≤ u on dit qu’il y a une transmission directe entre l’entrée
et la sortie, dans ce cas on fait un changement de variable de tel sorte on
obtient v>u (isolations de la transmission directs.
post multipication
( changement de var iable )
L D y M D u
transformation
V D L D W D z V D M D u
primultiplication primultiplication
I 0
L D z M D u Lv
0 0
L11 D L12 D z1 M 1 D
u
L21 D L22 D z2 M 2 D
3D3 D 2 2 D 3D 3 D 2 2 y1 3D 2 3D 4 4 D 2 u1
2
2 D D D 2 D D 1 y2 2 D 3 D 2 3 D 1 u 2
3 2 3 2
Solution II.6 :
26
L3 :
3 3
det L3 det 6 6 0 donc L3 n’est pas inversible :
2 2
L’ordre du système n=degré(det(L(D))) :
3 D 3 D 2 2 D 3 D 3 D 2 2
det L D det D4 D2
2 D3 D 2 D 2 D 3 D 2 1
D 3 D D 1 z1 D 2 2 D 1 u1
L D z M D u 2
D D D 1 z2 3D 2 D 1 u2
1er sous système : D 3
D z1 D 2 2 u1 D 1 u2 D 1 z2
2ième sous système : D 1 z2 3D 2 u1 D 1 u2 D 2 D z1
Le premier sous-système :
D 3
D z1 D 2 2 u1 D 1 u2 D 1 z2
L’ordre du système n=degré(det(L11(D))) :
det D3 D D 3 D
L2 I 0 M2 Z2
x1 L1 0 I x1 M 1 u
Z z
1 2 z1 I 0 0 x1
L0 0 0 M 0
Z 0
patrie de 2ième sous système
27
Les matrices de coefficient :
L2 0 L1 1 L0 0 Z 2 0 Z1 1
Z 0 1 M 2 1 0 M1 0 1 M 0 2 1
0 1 0 1 0 0
x1 1 0 1 x1 0 1 u 1 z
2 z1 1 0 0 x1
0 0 0 2 1 1
patrie de 2ième sous système
Le deuxième sous-système :
D 1 z2 3D 2 u1 D 1 u2 D 2 D z1
L’ordre du système n=degré(det(L22(D))) :
det D 1 D 1
L’ordre du système n=1
Il faut décomposer les termes supplémentaires, pour avoir une forme
x t Ax t Bu t
générale suivantes : , il s’agit ici de terme D 2 D z1
y t Cx t Du t
28
x2 0 x2 1 2 u 1 1 1 x1 x2 0 x2 1 2 u 1 1 1 x1
z2 x2 z2 x2 2 1 u
0 1 0 1 0 0
x1 1 0 1 x1 0 1 u 1 x2 2 1 u
z1 1 0 0 x1
0 0 0 2 1 1
0 1 0 0 1 0
x1 1 0 1 x1 1 x2 2 2 u
z1 1 0 0 x1
0 0 0 1 0 0
x1 0
1 0 0 x1 1 0
0 1 1 x2 2 2 u1
x1 x2 1
X
0 0 1 x3 0 0 u2
x2 x3 0
x4 1
1 1 0 x4 1 2
z 1 0 0 0 x1 0 0 u1
z 1
z2 0 0 0 1 x2 2 1 u2
On revient à y : y=W(D)z
x1 0 1 0 x1 1 0
0
x 1 0 1 1 x2 2 2 u1
x
X 1 2
x2 x3 0 0 0 1 x3 0 0 u2
x4 1 1 1 0 x4 1 2
y 1 1 1 0 0 0 x1 0 0 u1
y 1 W D z
y2 0 1 0 0 0 1 x2 2 1 u2
x1 0
1 0 0 x1 1 0
0 1 1 x2 2 2 u1
x1 x2 1
X
x2 x3 0
0 0 1 x3 0 0 u2
x4 1
1 1 0 x4 1 2
y 1 0 0 1 x1 1 2 u1
y 1
y2 0 0 0 1 x2 1 2 u2
29
II.3 Représentation d’état des systèmes multivariables définis par matrice
de transfert :
Cette méthode ne s’applique quand tous les pôles sont simples et réel, dans ce
cas on a :
M s M s Mi z
z s
L s s i s i
i avec M rm
La procédure :
i 0 0 1 0 0 M i 1
0 0 0 1 0
M i 2
Ai i Ci Bi
0 0 i
0 0 1
M i r r
r r r r
f
j 1 f
M i k kj M i j
j 1 k f 1 r
1 0 0
i 0 0 0 M i 1
1 0
0 0
M i 2
Ai i Ci Bi
0 0 1
0 0 i
k 1 k 2 kf M i f
f
f
f
f r f
30
suivante (dans les deux cas) :
A1 0 0 B1
0 A 0 B
A Ci C1 C2 Cn Bi
2 2
n r
0 0 An
Bn
n n m n
4 s 2 8s 2 s 2 2s
2
6s 10 s 3s 2 7 s 2
z s
s s 1 s 2
Solution II.7 :
1 1 0 1 2 1 1 1 0
z s
s 0 1 s 1 4 2 s 2 2 0
M1 M2 M3
0 0 1 0 1 0
A1 B1 C1
0 0 0 1 0 1
31
1
M 2 : A2 1 B2 2 1 C2
2
1
M 3 : A3 2 B3 1 0 C3
2
0 0 0 0 1 0
0 0 1
0 0 0 1 0 1 1
x x u y x
0 0 1 0 2 1 0 1 2 2
0 0 0 2 1 0
M s M s
Toujours partant de la relation : z s
L s s an 1s
n n 1
a1s a0
On a:
M 1 0 0 M 0 1 0 M 0 0 1
1 2 m
z s zi s
Ls Ls L s
1 0 0 0
0 0
0
M n 1
i
0 0
0 M i M
i
Ai Ci M i
Bi 0
1 1! 2! n 1!
0 1 0
a0 a1 an 1
n r iième colonne
n n
32
A1 0 0 B1
0 A 0 B
A 2 Ci C1 C2 Cn Bi 2
n r
0 0 An
Bn
n n m n
s 2 2 s 1
2 s 5 s 3
z s 3
s 3s 2 2 s
s2 2 s 1
1 0 0 1
2 s 5 s 3
z s
s 3 3s 2 2 s
Système global :
33
0 1 0 0 0 0 0 0
0 0 1 0 0 0 0 0
A 0 B1 0 2 3 0 0 0 1 0
x 1 x u x u
0 A2 B2 0 0 0 0 1 0 0 0
0 0 0 0 0 1 0 0
0 0 0 0 2 3 0 1
2 0 1 1 1 0
y C1 C2 x x
5 2 0 3 1 0
s 3 3s 8
1 s 1
z s
s 2
2
M2 M1
z s
s 2
2
s 2
1 k 1
s z s
n
Théorème de Résidus : cas pôle multiple Ak lim
s k 1 !
1 2 1 3 1 2
M 1 lim s 2 z s
s 2
1 1 0 1 1 1
z s
s 2 s 2
2
1 3
M 2 lim s 2 z s
'
s 2
0 1
On décompose le système en deux sous-systèmes :
1 3 u 1 2 u
y1 s
s 2
2
s 2
y s 0 1 u 1 1 u
2 s 2 2 s 2
34
1
x 2 s
s 2
1 2 u s
1 sx2 s 2 x2 s 1 2 u s
x1 s
x2 s 1 3 u s
s 2 sx1 s 2 x1 s x2 s 1 3 u s
x s 1
1 1 u s sx4 s 2 x4 s 1 1 u s
4
s 2 sx3 s 2 x3 s x4 s 0 1 u s
x s 1
3 s 2 3
x s 0 1 u s
x2 t 2 x2 t 1 2 u t
x1 t 2 x1 t x2 t 1 3 u t y t x1 t
Laplace inverse
1
x4 t 2 x4 t 1 1 u t y2 t x3 t
x3 t 2 x3 t x4 t 0 1 u t
2 1 0 0 1 3
0 2 0 0
x t x t 1 2 u t
0 0 2 1 0 1
0 0 0 2 1 1
1 0 0 0
y t x t
0 0 1 0
x t Ax t Bu t x t Ax t Bu t
Système en BO : Système en BO :
y t Cx t Du t y t Cx t Du t
35
Loi de commande : u t kx t e t
k11 k12 k1n
Loi de commande : u t kx t e t k k22 k2 n
Avec : k k1 k2 kn Avec : k 21
km1 km 2 kmn
Système en BF : Système en BF :
x t A Bk x t Be t x t A Bk x t Be t
y t Cx t Du t y t Cx t Du t
Polynôme caractéristique : Polynôme caractéristique :
c det sI A Bk c det sI A Bk
Polynôme désiré : Polynôme désiré :
d s 1 s 2 s n d s 1 s 2 s n
Détermination de k : c d Détermination de k : c d
Il y a plus d’inconnus kij (dans le cas du système MIMO) que d’équations, donc il y
a une infinité de solutions.
Résolution du problème :
x t A Bk x t Be t
Système en boucle fermé :
y t Cx t Du t
En boucle fermé les valeurs propres et les vecteurs propres sont donné par :
A Bk Vi iVi V
AVi i i
36
Vi Vi n * i
A i I Vi Bqi 0 A i I B 0 i 1, 2, , n
qi qi m * i
k : est une matrice dans le cas MIMO et un vecteur dans le cas SISO.
f kT C k ième ligne de C
et f kT 0 1 0 , Donc f kT k k ième ligne de k
k ième position T
f k Vi k ligne de Vi
ième
A i I B V
Contrainte 0 i 0 k q1 q2 qn V1 V2 Vn 1
qi
fkT , fkT C , fkT k
y Cx Vi n * i qi m * i i 1 n
1 0 0 0 1
0 1 1
x t 1 0 1 x t 1 0 u t y t x t
0 1 1 0 1 1 0 0
Solution II.10 :
37
A I B Vi
k= nombre de sortie correspondante : T i 0
fk C 0 qi
k 2 pour 1 et 2 , k 1 pour 3
i=1 : 1 , V1 , q1 :
0
1
Finalement on trouve : V1 2 q1
0
1
i=2 : 2 , V2 , q2 :
38
3 0 0 V21 0 1
q21
1 2 1 V22 1 0 q 0 3V21 q22 0 1
22
0 1 3 V23 0 1 V 2V22 V23 q21 0 2
21
V21 V22 3V23 q22 0 3
V21 0 4
1 0 0 V22 0
V23
0
5
Finalement on trouve : V2 3 q2
1 0
i=3 : 3 , V3 , q3 :
39
q32 3 7
3
Si on remplace l’équation (7) dans l’équation (1), on trouve : V31 8
4
3
4 5
Finalement on trouve : V3 1 q3 3
1 0
q3 V1 V2 V3
1
Le gain de retour d’état : k q1 q2
1 8
3 1 3
0 0 3
5 4 5 7
1 5 1 5 4 4 7
k 4 2 3 1 4 1 2 3
3
0 0 0 1 1 1 0 0 0 4 0 0 0
0 0
3
1 0 0
0 1
x t 4 4 8 x t 1 0 e t
x t A Bk x t Be t 3
0 1
y t Cx t 0 1 1
0 1 1
y t x t
1 0 0
Erreur d’estimation : t xˆ t x t
On a :
40
xˆ t Axˆ t v Cxˆ t Cx t Bu t
xˆ t A vC xˆ t vCx t Bu t 11
On a : x t Ax t Bu t Bu t x t Ax t 12
t A vC t
41
II.6 bilan sur la commande par retour d’état avec synthèse
d’observateur :
x t Ax t Bu t 13
xˆ t Axˆ t vCxˆ t vCx t Bu t 14
u t e t kxˆ t 15
t xˆ t x t 16
y t Cx t 17
On remplace l’équation (15) dans l’équation (13) :
x t Ax t B kxˆ t e t 18
On remplace l’équation (16) dans l’équation (18) :
x t Ax t B k t x t e t A Bk x t Bk t Be t 19
t A vC t 20
42
u t e t k t x t 21
D’après les équations (17), (18), (19), (20) et (21) :
x t A Bk Bk x t B
e t
t 0 A vC t 0
y t C 0 x t 0
e t
u t k k t 1
43
Chapitre III : Commande Optimale
Les principaux critères utilisés sont le temps minimum, les critères quadratiques
et critères de type consommation.
44
la qualité, de la sécurité et des coûts de mise en œuvre.
L’utilisation de critères de type consommation concerne surtout les
processus de production continue, dont on veut diminuer les coûts de
fonctionnement, et les processus autonomes à ressources limitées dont on
désire accroître la durée de fonctionnement.
Quel que soit le critère retenu, la méthode envisagée permet une détermination
rigoureuse et systématique de la commande dans une approche boucle fermée ;
elle est, de plus, compatible auxquelles peut être associée, comme la commande
adaptative, la commande prédictive, la commande en mode glissant….
J g x0 , t0 , x f , t f r x, u, t dt 3.1
t0
Le choix du critère est très important et une commande qui minimise un critère
donné n’est pas nécessairement intéressante si le critère est mal choisi ou ne
tient pas compte des contraintes physiques au système.
Par exemple, pour un système linéaire sans contrainte, le choix d’un critère
correspondant à une réaction en temps minimum conduira par le calcul à une
réponse instantanée imposant un transfert d’énergie fini en un temps nul, c’est-
à-dire une puissance infinie, a priori irréalisable. Dans ce cas, le problème doit
être modifié soit en changeant le critère, soit en ajoutant des contraintes ou
45
des limitations sur l’état ou la commande.
Afin de simplifier la présentation des résultats, nous allons utiliser une quantité,
appelée hamiltonien du système, définie par la relation :
H x, u , , t r x, u , t T f x, u, t 3.2
dx
x f x, u , t Ax Bu
dt 3.3
y h x, u, t Cx Du
H
x
H
x
46
commandé par l’induit, la charge étant une inertie pure.
En notant y la vitesse angulaire et u le couple d’accélération, il vient, avec des
unités convenablement choisies, la mise en équation :
y u
J u 2 dt
t0
Solution III.1 :
Il vient l’hamiltonien : H r T f u 2 T u
Les équations canoniques de Hamilton s’écrivent :
H
x u
H 0
x
H 2H
La maximisation du hamiltonien donne : 0 0
u u 2
H 2H
Soit : 2u 0 2 0 Cte
u u 2
Il en résulte u u0 Cte
2
L’intégration de l’équation caractéristique de l’évolution du système conduit à
l’expression :
y t y t0 u0 t t0
y t y t0
La vérification de la condition finale impose alors : u0
t t0
47
problèmes de sécurité ou fabrication, le critère utilisé s’écrit alors :
tf
J dt
t0
J u dt
t0
J u 2 dt
t0
Ce dernier cas a été développé dans l’hypothèse linéaire pour la commande plus
générale à critère quadratique.
x t Ax t Bu t
Avec x t0 x0
48
système au voisinage d’un état désiré xd. Toutefois, un choix approprié de la
matrice S dans la fonction de coût final permet de réduire à volonté l’écart final
sur l’état final désiré, on choisit ici, sans perte de généralité xd=0.
H r T f
1 T
H
2
x t Qx t uT t Ru t T Ax t Bu t
H
x Ax t Bu t
H
Qx t AT
x
H
0 Ru t BT 0 u t R 1 B T
u
49
L’étude des conditions dites de transversalité donne :
t P t x t
Ou P(t) est symétrique est définie positive, la commande en boucle fermée est :
u t R 1 B T Px t
Détermination de la matrice P :
Px Px
Px 3.5
P Ax Bu
Qx AT Px
PAx PBu
Qx AT Px
PAx PBR 1 BT
Qx AT Px Px
PAx PBR 1 BT Px
Qx AT Px Px
Qx AT Px PAx PBR 1 BT Px
Px
Q AT P PA PBR 1BT P x
Px
P Q AT P PA PBR 1 BT P
Q AT P PA PBR 1 BT P 0
50
Quant à la loi de commande, elle reste inchangée.
x1 y x y x2
1
x2 y x2
y x2 u
x 0 1 x1 0
La représentation d’état sera alors : 1 u
x2 0 0 x2 1
1
1 Q Q12 x1
J
2 0
2 x1
x T
t Qx t u T
t Ru t dt x2 11 uRu dt
0 Q21 Q22 x2
1
1 0 x1 1 1
J x1 x2 u 1 u dt x1 u dt y 2 u 2 dt
2 2
2 0 0 0 x2 20 20
Q AT P PA PBR 1 BT P 0
1 0 1 1 p11 p12 p11 p12 1 0 p11 p12 0 p p12 0 0
p22 p21
p22 1 0 p21 0 1 11
p22 0 0
0 0 0 0 p21 p22 1 p21
51
p12 p21 p12 p21 2 p11 1 0 p11 0.5
p p p p 0
12 22 22 12 p12 0
p21 p22 p22 p21 0 p21 0
p 0
2 p22 0
22
0.5 0
u t R 1 BT Px t 1 0 1 x t
0 0
u t 0 0 x t kx t
x t A t x t B t u t V t
z t C t x t W t
52
Le contrôleur LQG est la solution des équations :
x t A Bk Bk x t B
e t
t 0 A vC t 0
y t C 0 x t 0
e t
u t k k t 1
S SAT AS SC T W 1CS V 0
53
commande d’entrée y et de sortie u :
xˆ t A Bk vC xˆ t vCx t
u t kxˆ t
La matrice k est le gain du correcteur LQ. Cette matrice est déterminée par les
matrices A(t), B(t), Q(t) et R(t). Le gain de correcteur est calculé par résolution
de l’équation de RICCATI :
P Q AT P PA PBR 1 BT P
1 0 0
X t X t U t V t
0 1 1
Z t 1 0 X t W t
1 1
Avec : V t W t 3
2 3
54
On cherche à trouver le gain de retour d’état ainsi que le gain d’estimateur.
1 2
3 S11 2S11 1 0
2S 1 S S 1 0
12 3 11 12
2S 1 S S 2 0
21 3 11 21
1
2 S 22 S12 S 21 3 0
3
1 16
B 2 4 AC 22 4* *1 0
3 3
16
2
B 3 6.4641
S11
2A 2
3
Il Ya deux solution :
16
2
B 3 0.4641
S11
2
2A
3
Pour : S11 6.4641 on trouve : S12 6.4641 , S21 12.9282 , S22 12.3420 ,
donc on trouve le gain de l’observateur suivant :
55
6.4641 6.4641 1 1 2.1414
v SC T W 1
12.9282 12.3420 0 3 4.3094
Pour : S11 0.4641 on trouve :
S12 0.4641 , S21 0.9282 , S22 1.4282 , donc on trouve le gain de
0.4641 0.4641 1 1 0.1414
l’observateur suivant : v SC TW 1
0.9282 1.4282 0 3 0.3094
Calcul le gain de correcteur :
k R 1 BT P
Tout d’abord on doit calculer la matrice S avec l’équation de RICCATI
suivante :
Q AT P PA PBR 1 BT P 0
T T
1 0 1 0 P11 P12 P11 P12 1 0 P11 P12 0 0 P11 P12 0 0
0 0 0 1 P21 P22 P21 P22 0 1 P21 P22 1 1 P21 P22 0 0
B2 4 AC 22 4
B 2 2
P22 2
2 A 2
Il Ya deux solution :
P B 2 2 0
22 2A 2
Pour : P22 2 trouve on: P12 0 , P21 0 , P11 0.5 , donc on trouve le
0.5 0
gain de l’observateur suivant : k R 1 BT P 1 0 1 0 2
0 2
Pour : P22 0 trouve on: P12 0 , P21 0 , P11 0.5 , donc on trouve le
0.5 0
gain de l’observateur suivant : k R 1 BT P 1 0 1 0 0
0 0
Finalement on trouve l’espace d’état du système en boucle fermée avec
observateur :
56
x t A Bk Bk x t B
e t
t 0 A vC t 0
y t C 0 x t 0
e t
u t k k t 1
1 0 0 0
0 2 0 2 0
x t 0 1 1 1 x t
1 e t
t t 0
1 0 0.1414
0 22 1 0 21
0 1 0.3094
y t 1 0 012 x t 0
e t
u t 0 2 0 2 t 1
1 0 0 0 0
x t 0 3 0 2 x t 1
e t
t 0 0 1.1414 0 t 0
0 0 0.3094 1 0
y t 1 0 0 0 x t 0
t 1 e t
u t 0 2 0 2
57
Chapitre IV : Commande Robuste
58
synthèse est systématique et très générale. En particulier, elle est directement
applicable aux systèmes à plusieurs entrées/sorties.
59
réel souvent appelé modèle nominal ou modèle de référence. Ce modèle peut
provenir des équations de la physique ou d’un processus d’identification où la
réponse fréquentielle est mesurée par un transféromètre. En tout cas, ce
modèle n’est qu’une approximation de la réalité. Ses carences peuvent être
multiples : dynamiques et non linéarités négligées, incertitude sur certains
paramètres physiques, hypothèses simplificatrices, erreurs de mesure à
l’identification, etc. De plus, certains paramètres du système peuvent varier
sensiblement avec le temps ou les conditions de fonctionnement. Enfin, des
facteurs externes imprévisibles peuvent venir perturber le fonctionnement du
système asservi.
Il est donc insuffisant d’optimiser l’asservissement par rapport au modèle
nominal : il faut aussi se prémunir contre l’incertitude de modélisation et les
aléas externes. Bien que ces facteurs soient par essence mal connus, on dispose
en général d’informations sur leur amplitude maximale ou leur nature statistique.
Par exemple, la fréquence de la houle, l’intensité maximale du vent, ou des bornes
min et max sur la valeur d’un paramètre. C’est à partir de cette connaissance
sommaire qu’on va tenter de “robustifier” l’asservissement.
On distingue deux classes de facteurs incertains. Une première classe comprend
les aléas et perturbations externes. Ce sont des signaux ou actions à caractère
aléatoire qui viennent perturber le système asservi. On les identifie en fonction
de leur point d’entrée dans la boucle. Par exemple, le vent pour un avion, un
changement de pression atmosphérique pour un réacteur chimique…etc.
A noter que ces actions externes ne modifient pas le comportement dynamique
interne du système, mais seulement la “trajectoire” de ses sorties.
Une deuxième classe de facteurs incertains réunit les imperfections et
variations du modèle dynamique du système. Rappelons que les techniques de
commande robuste s’appliquent à des modèles linéaires de dimension finie alors
que les systèmes réels sont généralement non-linéaires et de dimension infinie.
Typiquement, le modèle utilisé néglige donc les non-linéarités et n’est valable que
dans une bande de fréquence limitée. Il dépend de plus de paramètres physiques
dont la valeur peut fluctuer et n’est souvent connue qu’approximativement. Pour
des raisons pratiques, on distinguera :
– l’incertitude non structurée ou incertitude dynamique qui rassemble les
dynamiques négligées dans le modèle. On ne dispose en général que d’une borne
supérieure sur l’amplitude de ces dynamiques. On doit donc assumer et se
prémunir contre le pire des cas dans la limite de cette borne.
– L’incertitude paramétrique ou structurée qui est liée aux variations ou erreurs
60
d’estimation sur certains paramètres physiques du système, ou à des
incertitudes de nature dynamique, mais entrant dans la boucle en différents
points. L’incertitude paramétrique intervient principalement lorsque le modèle
est obtenu à partir des équations de la physique. La manière dont les paramètres
influent sur le comportement du système détermine la “structure” de
l’incertitude.
U 0 0
U x 0 x 0, x
U x 0 x 0, x
61
exemple suivant).
U 0 0
U x 0 x 0
U x 0 x 0
U quand x
x t x 2 t x x t 0
x1 x2
x2 x1 x1 x2
2
Il est facile de vérifier que « cet oscillateur avec une fonction d'amortissement
non-linéaire » a un état d'équilibre à l'origine x1 , x2 0, 0 . Pour l'analyse de la
stabilité nous choisirons la fonction de LYAPUNOV candidate suivante :
x12 x22
U x1 , x2
2
Ce choix est fondé sur une considération physique : c'est une intégrale première
(énergie mécanique totale) du système idéalement conservatif obtenu pour 0 .
Le calcul de U donne :
U U
U x1 , x2 dx1 dx2 x1 x1 x2 x2
x1 x2
x1 x2 x2 x1 x12 x2
x12 x22
Donc U est une fonction définie positive qui est strictement décroissante le long
62
de toutes les trajectoires du système si 0 . D'après les théorèmes
précédents, l'état d'équilibre 0, 0 est globalement stable pour 0 , est
globalement asymptotiquement stable si 0 , globalement instable sinon. Dans
cet exemple, l'analyse est complète car elle a permis de caractériser la stabilité
globale du système. Ce n'est pas toujours le cas et cela dépend de la fonction de
LYAPUNOV candidate comme le montre l'exemple suivant.
x1 2 x1 x22 1
x2 x2 x1 1
2
x12 x22
U x1 , x2
2
On a alors :
U U
U x1 , x2 dx1 dx2 x1 x1 x2 x2
x1 x2
x1 2 x1 x22 1 x2 x2 x12 1
x12 x22 2 x12 x22
U 0 si x12 x22 2 x12 x22 0 . Dans le plan x12 , x22 , on peut tracer le domaine de
stabilité suggéré par cette fonction de LYAPUNOV candidate. On obtient alors
la figure IV.1 :
63
Figure IV.1: Domaine stabilité suggéré par U x1 , x2 .
x12 2 x22
U1 x1 , x2
2
Nous obtenons :
U U
U1 x1 , x2 dx1 dx2 x1 x1 2 x2 x2
x1 x2
x1 2 x1 x22 1 2 x2 x2 x12 1
2 x12 2 x22
64
atteindre et rester sur une surface de glissement ou bien dans son voisinage. Ce
type de commande a suscité un grand intérêt du fait de ses deux principaux
avantages :
u ueq u glis
65
Figure IV.2 : convergence du système glissant
66
Choix de la surface de glissement : J.J.Slotine 1991, nous propose une forme
d’équation générale pour déterminer la surface de glissement qui assure la
convergence d’une variable vers valeur désirée :
r 1
s x x e x
t
Avec :
r : Degré relatif, égal au nombre de fois qu’il faut dériver la sortie pour faire
apparaitre la commande.
pour r 1 s x e x
pour r 2 s x x e x e x
pour r 3 s x x2e x xe x e x
Nous voulons faire suivre au vecteur d’état x une trajectoire désirée, définie par
le vecteur désiré xd(t). Pour cela on pose le vecteur d’erreur
x x
T
x x xd x
n 1
67
Par ailleurs, nous allons définir une surface de glissement dans l’espace d’état
des erreurs :
s x, t Sx
Avec la définition précédente, le problème de suivre x=xd est le même que celui
de rester sur la surface s(x,t) pour tout le temps t>0. En effet s=0 représente
une équation, dont la solution unique est x=0. De cette façon le problème de
suivre le vecteur désiré xd est réduit à retenir s à zéro.
lim s 0 et lim s 0
s 0 s 0
ss 0
Les propriétés de convergence en temps fini des commandes par régime glissant
d’ordre un sont obtenues en considérant la fonction de Lyapunov suivante :
1
V s s2
2
Et de déterminer une loi de commande qui soit capable de satisfaire la
condition : V s ss s
68
(Chattering en Anglais). La figure 1.3 montre l’effet de la réticence lors de la
convergence du système. La réticence est un phénomène indésirable. En effet,
elle induit des dynamiques de haute fréquence sur les actionneurs pouvant les
endommager, et augmente ainsi considérablement la consommation énergétique.
1, si s 0
La fonction signe : sign s 0, si s 0
1, si s 0
69
La fonction de saturation sat est définie par l’expression ci-dessous. L’allure de
cette fonction est donnée par :
1, si s
s
sign s , si s
1, si s
70
Une autre solution plus efficace pour limiter le phénomène de réticence, et ainsi
améliorer la réponse de la commande du système, c’est d’utiliser la technique du
mode glissant d’ordres supérieurs.
x Ax Bu
s S T x 0
s sign s
Car,
ss s si gn s s
On obtient :
s S T x S T Ax Bu sign s
71
appliquer :
u S T B S T Ax S T B sign s
1 1
u ueq u glis
ueq S T B S T Ax Kx
1
Avec,
K ST B ST A
1
K glis S T B
1
x A B S T B S T A x
1
Ou,
K ST B ST A
1
K glis S T B
1
On cherche le gain K qui place les valeurs propres de Ac à des valeurs désirées
correspondant à une dynamique désirée.
det I Ac 0
L’une des valeurs propres de la matrice Ac du système bouclé doit être nulle. La
72
matrice Ac étant alors connue, on obtient S en cachant que S est le vecteur
T
propre à droite de Ac qui correspond à la valeur propre nulle i
AcT S i S 0
Exemple IV.3:
Avec,
0.5 0.6 0
0.4680 0.5 0.799 0.492 *1.3117 1.3117 0.5 0.282 1.561* 0.4680 k1
0.4680 0.6 0.799 0.492 *1.3117 1.3117 0.6 0.282 1.561* 0.4680 k2
0.25 0.799 0.282 0.5 0.282 * 0.799 0.492 *1.561
0.36 0.799 0.282 0.6 0.282 * 0.799 0.492 *1.561
73
0.7853* k1 0.4446 * k2 0.8332
0.7385 * k1 0.3134 * k2 0.8313
K 2.1929 2.5149 0
Pour cela, on pose S1=1 et on résout le système de deux équations pour obtenir
S2 etS3. On normalise ensuite les Si.
1
S 0.9946
0.8173
La surface de glissement :
s S T x d 0.9946 * r rd 0.8173* d
u S T B S T Ax S T B sign s
1 1
u ueq u glis
u 2.1929 * d 2.5149 * r rd
1.1953* sign d 0.9946 * r rd 0.8173* d
u ueq u glis
74
IV.3 Commande H infinie :
Dans la théorie de la commande, Hinfini est une méthode qui sert à la conception
de commandes optimales. Il s'agit essentiellement d'une méthode d'optimisation,
qui prend en compte une définition mathématique des restrictions en ce qui
concerne le comportement attendu en boucle fermée. La commande Hinfini a
pour principal avantage la capacité d'inclure dans un même effort de
synthétisation les concepts liés à la commande classique et à la commande
robuste.
Cependant les usagers/opérateurs sont parfois réticents vis-à-vis des
commandes Hinfini, ils disent souvent qu'elles ne sont pas optimales et se
plaignent de leur lenteur. En effet le mot "optimal" est utilisé dans son sens
strictement mathématique car la commande synthétisée est celle qui minimisera
l'effet des entrées/sorties du système, ce qui peut être vu comme "pas optimal"
par les opérateurs (l'optimisation étant relative à l'objectif recherché).
Le "infini" dans Hinfini signifie que ce type de commande est conçu pour imposer
des restrictions de type minimax au sens de la théorie de la décision (minimiser
la perte maximale possible) dans le domaine fréquentiel. La norme Hinfini d'un
système dynamique est l'amplification maximale que le système peut exercer sur
l'énergie du signal d'entrée. Dans le cas d'un système MIMO, ceci équivaut à la
valeur singulière maximale du système, ce qui, dans le cas SISO, se traduit par la
valeur maximale de l'amplitude de sa réponse fréquentielle.
Soit le système P décrit par le schéma bloc représenté par figure IV.4 où :
x t Ax t Bw w t Bu u t
z t C z x t Dzw w t Dzu u t
y t C y x t Dyw w t Dyu u t
75
Figure IV.4 : forme standard
x s sI A 1 Bw w s Bu u s
z s Cz sI A Bw w s Bu u s Dzw w s Dzu u s
1
y s C y sI A Bw w s Bu u s Dyw w s Dyu u s
1
z s w s
On a P s u s K s y s
y s u s
Soit
u s I K s Pyu s K s Pyw s w s
1
z s Pzw s Pzu s I K s Pyu s K s Pyw s w s
1
Par cette approche, le problème admet une solution si les quatre hypothèses
suivantes sont vérifiées. Attention, seules les 3 dernières hypothèses sont liées
à l’approche choisie qui est basée sur la résolution Des équations de Riccati.
La paire (A, Bu) est stabilisable et la paire (Cy, A) est détectable : cela
garantit l’existence d’un correcteur K qui stabilise le système en boucle
fermée ;
rang(Dzu) = mu et rang(Dyw) = py : ce sont des conditions suffisantes pour
assurer que le correcteur K(p) est propre. De façon implicite, cela veut
76
dire aussi qu’il y a au moins autant de sorties commandées z que d’entrées
de commande u (pz ≥ mu) et qu’il y a au moins autant d’entrées de critère w
que de mesures y (mw ≥ py).
A j I n Bu
rang n mu garantit que le transfert Pzu n’a pas de zéro
Cz Dzu
sur l’axe imaginaire.
A j I n Bu
Rang n p y garantit que le transfert Pyw n’a pas de zéro
Cy Dyu
sur l’axe imaginaire.
Ces 4 hypothèses doivent être impérativement vérifiées. Pour obtenir des
expressions plus simples, on introduit les conditions supplémentaires suivantes :
Bw T 0
Dzw 0 DzuT Cz Dzu 0 I mu Dyu 0 D Dyw I
yw p y
A 2 Bw BwT Bu BuT
La matrice hamiltonienne T n’a pas de valeurs
C z Cz AT
propres sur l’axe imaginaire et il existe une matrice symétrique X 0
telle que :
AT 2C z CzT C Ty C y
La matrice hamiltonienne n’a pas de valeurs
Bw Bw A
T
propres sur l’axe imaginaire et il existe une matrice symétrique Y 0
telle que :
De plus, l’ensemble des correcteurs K(S) répondant au problème est donné par
K s f l K a s , s ou s est n’importe quelle fonction de transfert stable,
de norme H∞ inférieure à et :
77
Aˆ Z L Z Bu
K a s F 0 I mu
C y I py 0
Avec :
Z I n 2 X Y
1
Aˆ Z L
K0 s
F 0
Exemple IV.4:
critère z y u .
T
Le signal mesuré qui entre dans K(s) est y = y + v et le signal de commande qui
sort est u = u. On recherche un correcteur K(s) tel que le système en boucle
fermée soit stable et tel que la norme H∞ entre l’entrée w et la sortie z soit
inférieure à . On discutera de l’existence d’un tel correcteur en fonction de .
S’il existe, on le calculera explicitement et enfin on cherchera le “optimal”,
c’est-`a-dire la plus petite valeur de pour laquelle il existe un correcteur
solution du problème H∞.
Solution IV.4:
Etape1 : pour cela, dans une première étape, le problème est mis sous forme
78
standard, en choisissant comme vecteur d’état x t y t
1
y s b u sy s b u
iLaplace
y t b u x t
s
x t b u
y x 0 * x 1 0 w 1 * u
z u
A
Bw
Bu
b
1 0 0 0
w z x w u
v 0 0 0
1
Y y v C z Dzw Dzu
U u Y 1 * x 0 1 w 0 * u
Cy
Dyw
Dyu
A 2 Bw BwT Bu BuT 0 2 1
La matrice hamiltonienne : T
C z Cz AT 1 0
ne doit pas avoir de valeur propre sur l’axe imaginaire. Ses valeurs propres
sont 1 2 Pour qu’elles ne soient pas sur l’axe imaginaire, on doit
choisir 1 . On recherche maintenant X∞,positif tel que :
X A AT X X 2 Bw BwT Bu BuT X CzT C z X 2 1 X 1 0
1
X 0
2 1 2 1
79
AT 2C z CzT C yT C y 0 2 1
La matrice hamiltonienne :
Bw Bw A 1
T
0
ne doit pas avoir de valeur propre sur l’axe imaginaire. Ses valeurs propres
sont 1 2 Pour qu’elles ne soient pas sur l’axe imaginaire, on doit
choisir 1 . On recherche maintenant X∞,positif tel que :
Y AT AY Y 2C z C zT C yT C y Y Bw BwT Y 2 1 Y 1 0
1
Y 0
2 1 2 1
2
Doit être inférieur à 2 implique X , Y 2 2
1
2
2 1 1 2 2 1
2
Aˆ
K s
Z L
2 2 2 2 2 1
F 0
0
2 1
3 3 3
Aˆ
Z L 2 3
Exemple 2 K s
F 0 2
0
3
80
IV.4 Commande Backstepping:
IV.4.1 Principe :
Depuis quelques années, beaucoup de progrès ont été faits dans le domaine de la
commande des systèmes non linéaires. La technique du backstepping fait partie
de ces nouvelles percées dans ce domaine. Elle propose une méthode de synthèse
systématique destinée à la classe des systèmes non linéaires ayant une forme
triangulaire. Elle est basée sur la décomposition du système entier de commande,
qui est généralement multi variable (MIMO) et d'ordre élevé en une cascade de
sous-systèmes de commande du premier ordre. Pour chaque sous système, une loi
de commande dite virtuelle est calculée. Cette dernière servira comme
référence pour le sous-système suivant jusqu'à l'obtention de la loi de commande
pour le système complet. Par ailleurs, cette technique a l'avantage de conserver
les non linéarités utiles pour la performance et la robustesse de la commande,
contrairement aux méthodes de linéarisation. La détermination des lois de
commande qui découle de cette approche est basée sur l'emploi des fonctions de
Lyapunov de commande (CLF).
La commande des systèmes non linéaire s'appuie sur deux approches possibles.
La première vise à linéariser le système à commander, afin de profiter des
techniques consacrées aux systèmes linéaires. La deuxième approche consiste à
trouver une Fonction de Commande de Lyapunov garantissant certaines
performances pour le système en boucle fermée. De telles fonctions peuvent
81
être très difficiles à trouver pour un système non linéaire d'ordre élevé. La
technique du backstepping permet de réduire avantageusement cette
complexité.
Cette méthode est basée sur le concept d'énergie dans un système. Le principe
de cette méthode consiste à analyser la stabilité du système, sans même
résoudre les équations différentielles non linéaires qui le régissent. La stabilité
dépend uniquement de l'étude des variations (signe de la dérivée) de l'énergie,
ou d'une fonction qui lui est équivalente, le long de la trajectoire du système.
Cette méthode s'applique à des systèmes ayant une forme dite triangulaire, telle
que l'indique la représentation suivante :
82
x1 f1 x1 g 0 x1 x2
x2 f1 x1 , x2 g1 x1 , x2 x3
(4.1)
xn f n x1 , , xn g n 1 x1 , , xn u
Avec x x1 , x2 , , xn n , u
Etape 1 :
x1 d 0 yref (4.2)
e1 x1 0 (4.3)
e1 x1 0
(4.4)
e1 f1 x1 g 0 x1 x2 0
1
V1 e12 (4.5)
2
V1 e1e1
(4.6)
V1 e1 f1 x1 g 0 x1 x2 0
83
dynamique de (4.4). Pour cela, prenons x2 1 telle que :
f1 x1 g 0 x1 x2 0 k1e1 (4.7)
1
1 k1e1 0 f1 x1 (4.8)
g 0 x1
Ce qui implique
Etape 2 :
x2 d 1 (4.10)
e2 x2 1 (4.11)
Sa dérivée est :
1 1
V2 V1 e22 e12 e22 (4.13)
2 2
84
f1 x1 , x2 g1 x1 , x2 x3 1 k 2e2 (4.15)
1
2 k2 e2 1 f1 x1 , x2 (4.16)
g1 x1 , x2
Avec
Etape n :
xn d n1 (4.19)
en xn n 1 (4.20)
Sa dérivée est :
en xn n 1
(4.21)
en f n x1 , , xn g n 1 x1 , , xn u n 1
1 1
Vn V1 V2 en2 e12 e22 en2 (4.22)
2 2
Sa dérivée est :
Dans cette dernière étape, on est arrivé à déduire la loi de commande pour le
85
système entier. Un bon choix doit satisfaire :
f n x1 , , xn g n 1 x1 , , xn u n 1 kn en (4.24)
1
u kn en n 1 f n x1 , , xn (4.25)
g n 1 x1 , , xn
Exemple IV.5 :
x1 t 0 1 0 x1 t 0
x2 t 0 0 1 x2 t 0 u t (4.27)
x3 t 0 0.5428 1.081 x3 t 1
Etape 1 :
e1 x1 x1d (4.28)
Sa dérivée est :
1 2
V1 e1 (4.30)
2
86
Sa dérivée est :
Etape 2 :
e2 x2 x2d (4.35)
Sa dérivée est :
1 1
V2 e12 e12 (4.38)
2 2
Sa dérivée est :
87
pour que V2 soit négative il faut que V2 2 e22
x3 1 x2 1 x1d
x1d 2 e2 x3 2 e2 1 x2 1 x1d
x1d (4.41)
Etape 3 :
e3 x3 x3d (4.43)
Sa dérivée est :
1 2 1 2 1 2
V3 e1 e1 e3 (4.46)
2 2 2
Sa dérivée est :
88
e3e3 3e32 e3 3e3 (4.48)
89