Modélisation et identification

globale des systèmes physiques

• AC441
• 8CM (NF)
• 4 TD (NF)
• 3 TP (Silviu MEDIANU, Adrien VASSAL)

• 1,5 ECTS - Exam (70%), TP( 30%)

1
 Modélisation et identification
globale des systèmes physiques
• bibliographie
– Modélisation et identification des processus, de P Borne, éditions
TECHNIP, Tome 1 et 2, 1993
– Pratique de l’identification, de Jacques Richalet, éditions Hermès,
1991
– Identification et commande des systèmes de Ioan Dore Landau,
Editions Hermès, 1988
– System identification: Theory for the user de Lennart Ljung,
Editions Prentice Hall, 1987
– Ingénierie de la systémique, tome 2, Modéliser vos idées,
concrétiser vos modèles de Jean Brunet, Editions CoolLibri, 2021

2
 Modélisation et identification
globale des systèmes physiques
• Objectifs généraux du cours
– Présenter l'intérêt de la démarche de
modélisation, et d'identification globale.
Rappeler la modélisation de systèmes
physiques simples (électrique, mécanique,
thermique), et introduire différentes méthodes
d'identification en insistant sur les aspects
pratiques de leur mise en oeuvre.

3
 Modélisation et identification
globale des systèmes physiques
• Compétences visées
– modéliser un système physique simple par les équations de
connaissance
– modéliser un système et identifier les paramètres du modèle à
partir de signaux enregistrés lors d'essais
– décrire les principes des algorithmes d'identification non
paramétriques, paramétriques, et des méthodes du modèle, et leurs
avantages et inconvénients
– spécifier les essais à mettre en oeuvre pour une bonne
identification
– traiter correctement les signaux avant identification
– choisir la bonne structure pour le modèle
– analyser les résultats obtenus en identification locale
– valider le résultat précédent par l'identification globale

4
 Modélisation et identification
globale des systèmes physiques
• Système physique = Processus
– Système dynamique qui évolue dans le temps,
qui est soumis à des échanges avec l’extérieur
(énergie, matière, information…)
– Son évolution dynamique est représentée par
des variables internes (état du système)

5
 Modélisation et identification
globale des systèmes physiques
• Représentation d’un processus

commandes
entrées État interne sorties
perturbations

6
 Modélisation et identification
globale des systèmes physiques
• Modèle
– Représentation mathématique qui se comporte
de la même façon que le processus dans un
domaine de fonctionnement déterminé et
limité
– Ensemble de relations et d’équations liant entre
elles les entrées, les sorties et les variables
internes du processus, et faisant intervenir des
paramètres

7
 Modélisation et identification
globale des systèmes physiques
• But de la modélisation
– trouver une représentation mathématique
(modèle, simulateur) d’un phénomène ou d’un
processus physique
– le modèle doit être capable de prévoir le
comportement du système sous l’influence d’un
stimulus, dans des conditions déterminées

8
 Modélisation et identification
globale des systèmes physiques
• A quoi sert le modèle?
– à synthétiser un régulateur
• Réglage des paramètres (RST, observateur contrôleur …)
• Commande à modèle interne, prédictive (PFC …)
• Commande adaptative
– à construire un simulateur
• Analyse des performances de ce régulateur
• Conception et dimensionnement d’un système physique
• Prédiction …

9
 Modélisation et identification
globale des systèmes physiques
• Limites du modèle
– Un modèle est fonction de son utilité
– Tout modèle n’est représentatif d’un système
que dans un certain domaine de fonctionnement
• Il faut toujours associer au modèle son
domaine de fonctionnement

10
 Modélisation et identification
globale des systèmes physiques
• Il existe une infinité de modèles pour un
même système
– Exemple: automobile
• Comportement moteur (simulateur ou modèle de
commande…, fonctionnement nominal ou pas…)
• Comportement thermique
• Tenue de route, confort de conduite
• Résistance aux chocs

11
 Modélisation et identification
globale des systèmes physiques
• Modélisation
– Déterminer les équations du modèle
– Choisir le type de modèle
• Identification locale
– Déterminer la valeur des paramètres
• Identification globale
– Déterminer l’incertitude des paramètres

12
 Types de modèle
• Modèle de connaissance
– lois de la physique, modèle générique
– lourd à mettre en œuvre
– utile pour la conception de procédés
• Modèle de représentation
– boite noire, souvent linéaire
– facile à mettre en œuvre
– souvent suffisant pour modèle de commande
13
 Types de modèle

• connaissance ou représentation?
– Modèle de représentation en utilisant la
connaissance à priori...
– Modèle de connaissance avec certaines parties
sous forme de boite noire...
– ... Modèle de type boite grise
– ... Modèle plus ou moins de connaissance selon
l’utilité

14
 Types de modèle
• Exemple CNR: régulation du niveau du
Rhône:
• Choisir entre
– Modèle linéaire avec paramètres variable en
fonction de plages de fonctionnement
– Modèle non linéaire de connaissance
• Quels sont les critères de choix?

15
 Types de modèle
• Modèle linéaire / Modèle non linéaire
– La plupart des systèmes sont non linéaires
– On se contente souvent d’un modèle linéaire
• En négligeant les saturations, les jeux, les hystérésis
• En se limitant à un modèle linéarisé
• Éventuellement plusieurs modèles linéarisés selon la
plage de fonctionnement

16
 Types de modèle
• Modèle linéaire

– Fonction de transfert

– Équations d’état

– Équations différentielles

17
 Types de modèle
• Modèle non linéaire

– Non linéarité analytique

• modèle de connaissance
• Relation empirique (représentation polynomiale …)

– Abaques, cartographie … (look up table…)

18
 Types de modèle
• Modèle à temps continu / à temps discret

– Système physique à temps continu

– Utilisation du modèle à temps discret

• Simulateur numérique
• Régulateur numérique

19
 Mise en œuvre de
l’identification
• détermination des protocoles d’essais
• essais et acquisition des données
• prétraitement des données
• modélisation
– caractérisation (choix de la structure)
– identification locale (algorithmes de
minimisation)
– identification globale: validation
20
 Détermination des protocoles
d’essais
• protocoles d’essai = information
• S’il n’y a pas d’information sensibilisante
dans le protocole, on ne pourra pas extraire
un bon modèle, même avec des algorithmes
sophistiqués

21
 Détermination des protocoles
d’essais
• famille de protocoles (horizon, niveau et
structure du signal d’excitation)
• Choix en fonction des objectifs de précision
et du domaine d’application du modèle,
mais surtout des contraintes techniques et
économiques
• Respecter une plage sans excitation avant
d’appliquer le protocole
22
 Détermination des protocoles
d’essais:
Horizon
• horizon long: permet de réduire l’influence
des bruits et des perturbations
• MAIS
– si système non stationnaire => modèle moyen
– si les essais nécessitent de déboucler une
régulation => problèmes de sécurité
– facteur économique => perte de production

23
 Détermination des protocoles
d’essais:
Niveau d’excitation
• niveau élevé: meilleur rapport signal/bruit
• MAIS
– rester dans le domaine de fonctionnement
linéaire du système
– en production, ne pas perturber la qualité de la
production
• se rapprocher au maximum des contraintes

24
 Détermination des protocoles
d’essais:
Compromis amplitude / horizon
amplitude

hors production

en production

horizon

25
 Détermination des protocoles
d’essais:
Structure du signal
• Bruit blanc: SBPA
– sensibilise toutes les fréquences
– déterminer directement le diagramme de Bode
– beaucoup d’énergie perdue
– résultats non exploitables ( visuellement) sur les
signaux temporels

26
 Détermination des protocoles
d’essais:
Structure du signal
• essais harmoniques
– chaque essai apporte l’information pour une
fréquence
– essais longs
– bien pour sensibiliser les modes souples d’une
structure mécanique
– non adaptés pour des systèmes lents

27
 Détermination des protocoles
d’essais:
Structure du signal
• essais déterministes
– suite de créneaux d’amplitude et de durée
variable (fonction de la dynamique du système)
– en cas de problèmes de contrainte, on remplace
les créneaux par des trapèzes ou des triangles
(pente fonction des contraintes)
– éventuellement signal sinusoïdal à fréquence
variable

28
 Essais et acquisition des données

• appliquer les essais dans les conditions les

moins perturbées possibles
• enregistrer le maximum de signaux (pas
seulement l’entrée et la sortie du système)
– permet de faire une analyse des résultats

29
 Essais et acquisition des données

• choisir judicieusement la période

d'échantillonnage
– idéalement, Te compris entre TRsys/50 et
TRsys/30
• penser au filtre anti-repliement adapté à la
fréquence d’échantillonnage

30
 Prétraitement des données

• En principe, identification locale autour

d’un point de fonctionnement, il faut donc
supprimer les composantes continues.
u ( n ) = u0 + ∆u ( n )
y ( n ) = y 0 + ∆y ( n )

y0 ∆y
G0 = G∆ =
u0 ∆u

31
 Prétraitement des données

• filtrer les données pour minimiser l’effet

des bruits de mesure et des perturbations
• Attention à ne pas trop filtrer: ne pas
éliminer l’information utile
• Attention à ne pas modifier le
comportement entrée/sortie

32
 Prétraitement des données

• principe du filtrage parallèle

u y
P(p)

F(p) F(p)

u
f y
f
P(p)

33
 Prétraitement des données

• filtrage parallèle passe-bas

– supprime les bruits de mesure haute fréquence

TR pb ≤ TRsys / 3

34
 Prétraitement des données

• filtrage parallèle passe haut

– supprime les composantes continues et les
dérives capteurs

TR ph ≥ 3 TRsys

35
 Prétraitement des données

• filtrage parallèle fréquentiel (coupe bande)

– centré sur la fréquence à rejeter (ex 50 Hz)

36
 Prétraitement des données

• filtrage dérivateur
– filtre passe-bas sur l’entrée et passe-haut sur la
sortie
– permet de supprimer la composante intégratrice
du système et de mieux identifier le reste de la
dynamique

37
 Prétraitement des données

• filtrage parallèle non symétrique: si une

partie du système est déjà caractérisée
u y
H1(p)*H2(p)

F(p)*H2(p) F(p)

uf yf
H1(p)

38
 Etapes de la modélisation

caractérisation Structure du modèle

identification Paramètres du modèle

validation Incertitude des paramètres

NON OUI Modèle identifié et validé

39
 Caractérisation
• étape qualitative qui consiste à déterminer
la structure du modèle
– La finesse de la modélisation dépend de 3
critères:
• utilité du modèle
• domaine de validité: quel type de sollicitation?
• précision recherchée: quelle erreur de prédiction est
acceptable
– Choix d’une structure de modèle

40
 Caractérisation

• méthode itérative
– choix d’une structure initiale d’ordre réduit
• penser à faire l’analyse physique du
système

41
 Caractérisation

• Structure du modèle  ensemble de K

paramètres
• espace paramétrique associé à une structure
de modèle: espace de dimension K
– chaque axe correspond à un paramètre
– chaque point de l’espace paramétrique
représente un modèle

42
 Espace paramétrique
G
• exemple: O: point fictif de
1+ Tp
G
l’espace paramétrique
GO *O O: objet
GM *M M: modèle

TM TO T
43
 Identification

• étape quantitative
– trouver la valeur des paramètres du modèle
défini dans l’étape de caractérisation qui
minimise un critère significatif de l’erreur entre
le système et le modèle
– différents algorithmes d’optimisation plus ou
moins sophistiqués

44
 Algorithmes d’identification
u(t) y(t) modèle
processus
algorithme
d'identification

u(t) y(t)
processus
algorithme
d'identification

modèle

paramètres

45
 Identification:
minimisation d’un critère
• Distance de structure
DS(O,M) = ||pM - pO ||2
– norme de l’espace paramétrique, distance entre
les points O et M non accessible
• Distance d’état
DE(O,M) =  (yM(n) - yO(n))2
– accessible mais n∈H
dépend du protocole d’entrée
46
 Iso-distances (d’état) dans
l’espace paramétrique
G
D*
essai court

GO
D*
essai long

T
TO

47
 Evolution du critère (distance
d’état) pour un paramètre
D minimiser la distance d’état =
faire passer le bruit dans le modèle

D
O niveau de bruit
D
min

p
p p
O min

48
 Identification locale:
méthodes non paramétriques
• Méthode de déconvolution
– Séquence de réponse impulsionnelle
– Hypothèse système linéaire
– Signaux entrée/sortie
– Sensible aux bruits et perturbations

49
 Identification locale:
méthodes non paramétriques
• Méthode de corrélation
– Même principe que déconvolution
– Utilise les fonctions d’inter et auto corrélation
– Moins sensible aux bruits et perturbations

50
 Identification locale:
Méthodes d’estimation paramétrique
• systèmes linéaires vis à vis des paramètres

yˆ ( n ) = p .x ( n )
T

Sortie prédite

vecteur de variables explicatives

vecteur de paramètres

51
 Estimation paramétrique:
Méthode des moindres carrés
• Critère des moindres carrés
N
C MC =  (( yˆ ( n) − yO ( n)) 2

n =1
N
=  (( p .x ( n) − yO ( n))
T 2

n =1

52
 Estimation paramétrique:
Méthode des moindres carrés
• Solution des moindres carrés: minimisation
du critère C MC
−1 N
 N 
p MC = 
 n =1
x (n). x ( n) T 

y
n =1
O ( n ). x ( n )

matrice d’information inversible

si information suffisamment riche

Modélisation et identification 53
 Estimation paramétrique:
Méthode des moindres carrés
• Critère du modèle / Critère des moindres
carrés: toujours valider la solution moindres
carrés sur un simulateur C M > C MC
N
C MC = 
n =1
( yo (n) − poT . x ( n)) 2

N
CM =  ( y ( n) − y
n =1
o m ( n )) 2

sortie d’un simulateur

54
 Estimation paramétrique:
Méthode des moindres carrés
• limitée aux systèmes linéaires vis à vis des
paramètres
• sensible aux bruits (biais sur l’estimation
des paramètres)
• facile à mettre en oeuvre
• Bonne méthode pour initialisation des
méthodes itératives

55
 Estimation paramétrique:
méthode des variables
instrumentales
• Moins sensible aux bruits de mesure
– v(n) vecteur des variables instrumentales
– Similaire au vecteur des variables explicatives
• Valeurs filtrées
• Valeurs décalées
• …
−1 N
 N
T
pvi =  v(n).x(n)  y O (n).v(n)
 n =1  n =1

Modélisation et identification 56
 Estimation paramétrique:
autres méthodes
• ARX et MCS

Modélisation et identification 57
 Estimation paramétrique:
autres méthodes
• DARX et Moindres carrés généralisés

Modélisation et identification 58
 Estimation paramétrique:
autres méthodes
• ARMAX et Moindres carrés étendus

Modélisation et identification 59
 Estimation paramétrique:
méthodes récursives temps réel
• Méthodes qui peuvent être utilisées en temps
réel
– Pas d’inversion de matrice
– Traitement de l’information (signaux entrée sortie)
au fur et à mesure
• Domaines d’application
– Commande adaptative
– Diagnostic, maintenance préventive

Modélisation et identification 60
 Estimation paramétrique:
méthodes récursives temps réel
• Moindres carrés récursifs

Modélisation et identification 61
 Estimation paramétrique:
méthodes récursives temps réel
• Variables instrumentales récursives

Modélisation et identification 62
 Estimation paramétrique:
méthodes récursives temps réel
• Méthodes de minimisation de l’erreur
quadratique
– Least Mean Square
– Normalized least Mean Square

Modélisation et identification 63
 Identification locale:
Méthodes du modèle
• principe
– utilisation d’un modèle (simulateur)
– méthode itérative
– exploration dans l’espace paramétrique
– recherche d’un point qui minimise le critère
objet-modèle, ou erreur de sortie
• s’applique à tout type de modèle simulable

64
Identification locale:
Méthodes du modèle
pinit

p2
p1
p4
p3

65
 Identification locale:
Méthodes du modèle
• description de la méthode
m
– choix d’une direction de recherche d à
chaque itération et minimisation du critère
selon cette direction
m +1
p = p +γ d
m m m

D( p + γ d ) ≤ D( p + γ d )
m m m m m
∀γ

66
 Identification locale:
Méthodes du modèle
• différentes méthodes en fonction de la
détermination de la direction de recherche
– géométriques (Gauss, Powell)
– analytiques (gradient, Gauss-Newton)
– heuristiques (simplex, polyèdres flexibles)

67
 Identification locale:
Méthodes du modèle
• différentes méthodes en fonction de la
détermination de la direction de recherche
– géométriques (Gauss, Powell)
– analytiques (gradient, Gauss-Newton)
– heuristiques (simplex, polyèdres flexibles)

68
Méthode de Gauss:

69
Méthode de Powell:

70
Méthode du gradient:

71
Méthode de Gauss Newton:

72
Méthode du simplex:

73
 Identification locale:
Méthodes du modèle- stratégie
de choix
• géométrique
– simple, mais converge lentement si les
paramètres sont couplés
• analytique
– efficaces au voisinage du minimum (2nd ordre)
• heuristique
– peu sensible au bruit
– calculs lourds
74
 Identification globale:
validation
• identification globale
– le modèle obtenu est-il valable pour d’autres
séquences d’entrée?
– les paramètres sont-ils significatifs?
• analyse de l’évolution du critère au
voisinage du point modèle et définition d’un
intervalle d’incertitude des paramètres

75
 Identification globale:
validation
• si certains paramètres sont mal sensibilisés
– sur-caractérisation ou mauvais protocole
• si le modèle est non valable sur d’autres
protocoles
– sous-caractérisation
• revenir sur l’étape de caractérisation

76
parallélépipède circonscrit à la
surface iso-critère

77
Coupe d’une surface iso-critère
par un plan

78
Projection d’une surface iso-
critère sur un plan

79
 Identification globale:
validation
• choix du niveau d’iso-critère
– essai unique
• déterminé en fonction du niveau de bruit
• de la précision demandée

80
 Identification globale:
validation
• choix du niveau d’iso-critère: plusieurs essais

81