Deuxième partie : Systèmes Linéaires

temps discret.

Dr Ing. Kaboré Pousga

1
Introduction

Les systèmes linéaires échantillonnés sont rendus nécessaires par l’apparition du

phénomène d’échantillonnage des données et de la numérisation du traitement
de l’information. En effet, l’avènement d’ordinateurs puissants, et d’une
puissance de calcul rend possible de gros calculs avec plus de rapidité. Ainsi, les
systèmes de régulation jadis impossibles à implémenter sur ordinateur et câblés
de façon analogiques sont maintenant numérisés. Ce qui a pour conséquence
des applications à dynamiques ultra rapides. En conséquence des quantités
inégalées d’informations sont générées à haute fréquence. C’est la question de
l’échantillonnage.
L’œil, la caméra, les ordinateurs et autres calculateurs doivent prélever les
données (ou images) qui se présentent à leurs entrées. Le prélèvement se fait à
une certaine fréquence. Lorsque la fréquence est élevée, il n’est pratiquement
pas possible de remarquer une différence entre le signal du système
échantillonné et celui du système réel. Par contre, dans de nombreux cas, il y a
une nécessité de prendre en compte les caractéristiques de l’échantillonnage.
C’est le cas de la stroboscopie qui permet de visualiser la vitesse de rotation d’un
objet en rotation. Lorsque la vitesse de la lumière est inférieure (ou supérieure) à
la fréquence de rotation, un mouvement inverse (ou d’avance) est observé. En
revanche, un mouvement stationnaire est observé lorsque les deux coïncident.
Dans les systèmes rapides tels que les systèmes électriques, la fréquence
d’échantillonnage peut jouer un rôle crucial dans la reconstitution du signal et
dans la commande des systèmes électriques.

En effet, lorsque l’échantionnage se fait à une fréquence faible, il y a perte

d’information. En traitement du signal comme dans le contrôle des systèmes, les
systèmes échantillonnés ont fait l’objet de plusieurs écrits et sont enseignés dans
plusieurs disciplines.

2
L’échantillonnage et la numérisation ont une conséquence sur la fonction de
transfert du système. De même, la commande de ce système peut subir des
modifications.
Le chapitre sur les systèmes linéaires échantillonnés est organisé comme suit. Dans
un premier temps, il revient sur les notions d’échantillonnage. Il reprend ensuite les
principes de l’échantillonnage ainsi que les notions mathématiques y relatives. Ce
faisant, la notion de transformée en z est introduite. Les principaux théorèmes sont
rappelés par la suite.
La fonction de transfert d’un système échantillonnée est dérivée ainsi que les
règles de calcul y relatifs. La modélisation des systèmes échantillonnés est alors
traitée. Tout comme les systèmes analogiques, la question de la stabilité, de la
précision et de la rapidité est traitée afin de permettre la conception de
compensateurs pour de tels systèmes. Le correcteur PID est celui qui est exposé
dans ce chapitre. Enfin les technologies de la régulation sont présentées pour
permettre une conduite de projet de régulation.

3
Chapitre 6. Introduction aux systèmes temps discret

4
VI.1 Chaine d’acquisition
La réalisation de l’implémentation d’une régulation passe par une chaine
d’acquisition de données comme décrit précédemment et que l’on peut décrire
comme suit :
 un ou des capteur(s) pour la mesure de l’évolution des variables à contrôler
du système ;
 le traitement et la transmission de données du capteur ;
 un module d’acquisition qui lit les informations à des intervalles réguliers que
l’on appelle période d’échantillonnage. Ces informations peuvent être
stockés dans une mémoire vive afin de permettre au calculateur ou
processeur de les traiter ;
 un module de calcul (microprocesseur) permettant de calculer la valeur à
envoyer aux actionneurs ;
 une sortie dédiée à l’actionneur considéré, à cette sortie l’information est
envoyée en attendant qu’elle soit lue pour l’action ;
 un pré actionneur chargé d’interpréter l’information et de l’envoyer à
l’actionneur ; c’est le cas d’un variateur de vitesse ;
 un actionneur qui agit pour réguler la sortie.
En fonction du type d’application, il peut s’avérer nécessaire de s’intéresser à la
façon dont l’information est traitée dans cette chaine. C’est le cas par exemple
des cas de systèmes très rapides (électricité, électronique, systèmes embarqué
etc.).

VI.2 Conversion numérique et échantillonnage

VI.2.1 Traitement de l’information

Dans la plupart de ces cas, l’information n’est pas lue ou traitée de façon
continue mais à intervalle régulier appelée période d’échantillonnage. Ce qui
peut impliquer un changement de comportement du système si la période

5
d’échantillonnage n’est pas largement inférieure à sa constante de temps. Un
exemple couramment utilisé pour illustrer cette situation est la sinusoïde comme
le montre la figure ci-dessous. Si la période d’échantillonnage est supérieure à une
demi-période, on ne peut pas reconstituer une sinusoïde. On ne peut voir qu’une
droite. Si la période d’échantillonnage est suffisamment petite, on peut
reconstituer le signal initial.

Figure 1. Echantillonnage d'un signal sinusoïdal

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 1 2 3 4 5 6 7 8 9 10

Contrairement aux systèmes linéaires continus, les systèmes échantillonnés

peuvent être représentés par des équations aux différences comme nous le
verrons dans la suite du texte. Les signaux qui, au départ, étaient continus
deviennent discrets dans le temps c’est à dire qu’un certain nombre de mesures
sont prises à des intervalles soit réguliers soit irréguliers. De même, les commandes
(entrée du système) sont appliquées à des intervalles bien donnés dépendant du
temps de calcul (rapidité du processeur). Dans ce cas, un certain nombre de
points est prélevé sur le signal de départ. Ainsi le système initial n’est vu qu’à des
intervalles de temps donnés et non de façon continue.
Le principe de l’échantillonnage est régi par le théorème de Shannon qui est
stipulé comme suit :

6
THEOREME (de Shannon, 1948):
Pour pouvoir reconstituer sans perte d’information un signal continu à partir des
échantillons de période Te de celui-ci, il faut que la fréquence
d’´echantillonnage, fe = 1/Te soit au moins égale au double de la fréquence
maximale contenue dans le spectre de ce signal :
fe ≥ 2fM où fM = ωM/2∏
La fréquence fN = fe/2 est appelée fréquence de Nyquist .
Dans la suite de ce texte, le principe de l’échantillonnage et les implications sur le
système considéré sont exposés : dynamique, comportement, régulation, stabilité
et stabilisation. Les notions, vues pour les systèmes linéaires continus, seront donc
revues pour dans ce cas.
VI.2.2 Conversion numérique et analogique

VI.2.2.1 Boucle de régulation numérisée

Rappelons la mise en œuvre des systèmes échantillonnés, sur un calculateur. Elle

fait intervenir un bloqueur qui « fait attendre la donnée pendant un certain temps
et deux éléments importants : le convertisseur analogique numérique (CAN) et le
convertisseur numérique analogique (CNA).

Figure 2. Échantillonnage et conversion de données

Le schéma ci-dessus correspond en réalité à l’implémentation dans un

calculateur du système continu avec un CAN et un CNA.

7
Considérons un système dont la sortie est aussi échantillonnée. Dans le cas où cet
échantillonnage est suffisamment rapide, le système résultant peut encore être
comme continu. Cependant, il arrive que dans les applications très rapides
(moteurs électriques, production et distribution d’électricité par exemple) le
besoin d’un bon échantillonnage se fasse ressentir.

Figure 3. Système à sortie échantillonnée

e(t) e*(t)
BOZ S(t)
H(p)

S*(t)

Calculateur
BOZ est un bloqueur d’ordre zéro dont la fonction sera expliquée plus tard.
La sortie est échantillonnée lors de la prise en compte dans le calculateur. Cette
configuration est illustrée sur la figure suivante.

Figure 4. CAN et CNA

Perturbations

Consigne
B u(t)
N Processus à
O
Algorithme A réguler
Z
de calcul

y(t)
N
A Te
Echantillonneur
Y(kT) Bruits de mesures

8
VI.2.2.2 Convertisseur analogique numérique (CAN)

Les données analogiques provenant du système étudié en données numérisées

c'est-à-dire codées sur plusieurs bits et en 0, 1. Plus le nombre de bits est grand,
plus la conversion est précise. Le CAN convertit donc le signal continu en une
succession de bits dont la longueur traduit la précision de conversion. Soit X la

variable/signal à convertir. Selon la conversion, on peut écrire : =∑

où les prennent la valeur {0,1}. N correspond à la longueur du codage. Les
constituent les éléments de codage sur N bits.
Le rôle du convertisseur est illustré par la figure suivante :

Figure 5. Conversion analogique numérique

a0
a1
…
…
y(t) …
an-1
an

Les ai sont codés pour une valeur de l’entrée. Ainsi chaque valeur de l’entrée a
une représentation sous la forme de bits a1 ...an.
La plus faible valeur codable pour un nombre de bit donnés est appelée
quantum.
VI.2.2.3 Convertisseur numérique analogique (CNA)

Le convertisseur numérique analogique, reprend la valeur calculée sous la forme

de bits et la convertit en une valeur analogique compréhensible par l’actionneur.
C’est le processus inverse du convertisseur analogique numérique. Il permet de
recouvrer l’information analogique après traitement numérique. Plusieurs
configurations peuvent être rencontrées dont la suivante

9
VI.3 Echantillonnage de l’information
VI.3.1 Principe
Considérons les courbes suivantes où les flèches (peigne) indiquent les instants de
prélèvement de points sur la courbe au-dessus. L’échantillonneur est représenté
sur la figure 4 par rapport aux autres éléments de la boucle de régulation.
L’échantionnage se fait à chaque temps d’horloge de l’ordinateur. La figure
suivante montre comment une courbe est échantillonnée.

Figure 6. Echantillonnage

Te 2Te nTe
…...

La conséquence de peigne (dit de Dirac) est représentée sur la figure suivante. A

des instants proportionnels à Te, la période échantillonnage, l’on vient prélever les
valeurs de f(t) représentée par la courbe de la figure précédente. A t=nTe,
l’échantillon vaut ( )d( − ). (t) est appelée peigne de dirac et chaque
valeur de  est une impulsion comme nous l’avons vu précédemment dans
l’identification des systèmes. Le signal continu est passé par un peigne de Dirac
. Tout se passe comme si l’on utilise un interrupteur pendant des durées presque
nulles. L’opération est répétée chaque Te période d’échantillonnage.
Appelons f*(t) l’échantillonnage f(t)(t). On peut écrire :
∗( ) = (0) ( ) + ( ) ( − ) + (2 ) ( −2 ) + ⋯+ ( ) ( − )…
Cette situation peut être representée par la figure suivante.

10
Figure 7. Échantillonnage d'un système

Te 2Te nTe
…...

On peut alors utiliser la transformée de Laplace pour éliminer la fonction impulsion

de Dirac. La transformée de Laplace (voir notions sur la transformée de Laplace)
de f* s’écrit :
( )=∫ ( ) avec f(t) qui sera remplacé par sa version échantillonnée

donnée ci-dessus. Ainsi la transformée de Laplace devient :

∗( )= ( (0) ( ) + ( ) ( − ) + (2 ) ( −2 )+⋯

+ ( ) ( − ) + ⋯ +)
Ainsi, on obtient
∗( )= ∗( )
= (0) ( ) + ( ) ( − ) + (2 ) ( −2 ) +⋯
+ ( ) ( − ) +⋯
D’où l’adoption d’une écriture plus simplifiée :

∗( ) = ( ) = (0) + (1. ) + (2. ) + ⋯+ ( . ) +⋯

= ( )

( ) = 1, ( − ) = (Règle du retard).
Où = . On note Z(f)= F*(p)=F(z).

11
Cette transformation correspond à la transformée en z utilisée dans les systèmes
échantillonnés. La transformée en z correspond donc à une version de la
transformée de Laplace.

Dans le cas de la mesure et de la valeur de la commande, entre deux

échantillons, lors de la mise en œuvre de régulation, la valeur obtenue est
maintenue constante pendant un intervalle de temps et l’on obtient la figure
suivante. On dit que l’on passe par un bloqueur d’ordre zéro.

Figure 8. Effet de Blocage du signal

Le schéma résultant du signal est donnée par la figure suivante qui schématise le
bloqueur par un interrupteur.

VI.3.2 Quelques propriétés de la transformée en z

Tout comme la transformée de Laplace pour les systèmes linéaires continus, la
transformée en z a un certain nombre de propriétés similaires.
La transformée en z d’une fonction f(t) est par définition :

( )= ( )

Te étant la période d’échantillonnage.

Cette transformée respecte les propriétés suivantes :
Linéarité : Si f(t) et g(t) sont deux fonctions échantillonnées et F et G leurs
transformées en Z, alors la transformée de la fonction combinaison linéaire des
deux h=af+bg (a et b sont des coefficients constants) est H(z) = a F(z) + b G(z).
Quelques propriétés de la fonction de transfert.

12
Transformée de la convolution : Z(f*g) = F.G
Retard : Z(f(t-t0) = z-t0 F(z) ;
Avance :
( − ) = ( )− ( )− ( )− ( ) − ⋯− (( − ) )

Multiplication par ak : Z(ak f(k)) = F(z/a)

Théorème de la valeur initiale : f (0)  lim F ( z )

z 

Théorème de la valeur finale : lim f (k )  lim( z  1) F ( z )

k  z 0

Quelques transformées en z
Z((t)) = 1
Z(u(t)) = z/(z-1) où u est la fonction unité.
Z(tu(t)) = Tz/(z-1)2 où T est la période d’échantillonnage.
Voir tableau fournis pour les autres transformées en z.

13
Chapitre 7. Modélisation des systèmes linéaires échantillonnés

14
VII.1 Représentation de la fonction de transfert
Le système échantillonné peut se mettre sous la forme d’un système dit en
’’temps discret’’ c'est-à-dire comme la série suivante :
( + )+ ( + − 1) + ⋯ + ( − 1) + ( )
= ( + )+ ( + − 1) + ⋯ + ( − 1) + ( )
Dans ce système, y est la sortie mesurée du système et u l’entrée qui commande
le système. Pour être causal, le modèle doit être tel que m est inférieur ou égal à
n.
Si > , prenons par exemple m=2 et n=1,
( + 2) + ( + 1) + ( )= ( + 1) + ( )
Cette même équation de récurrence peut être écrite sous la forme suivante en
posant +2= soit = − 2 on a :
+ −1 + −2 = −1 + −2
Ce qui signifie que l’entrée u à l’instant participe à causer les entrées y a des
instants passés − 1 et − 2. Ici on peut exprimer l’entrée à l’instant en
fonction de y et u a des instants passés − 1 et − 2. Ce qui n’est pas vrai pour
des systèmes causaux car c’est la sortie qui devrait être exprimées ainsi.
Pour < , posons + = , = − . En remplaçant dans l’équation de
récurrence ci-dessus on obtient :
− + + − + −1 + ⋯+ − +1 + −
= + −1 +⋯+ − +1 + ( − )

En utilisant, la règle du retard et de linéarité de la transformée en z, on aboutit

à:
( ) ( )+ ( ) ( ) + ⋯+ ( ) ( )+ ( )= ( )
+ ( ) + ⋯+ ( )+ ( )
On peut alors tirer la fonction de transfert G(z) en z en regroupant les différents
termes en U(z) et Y(z).

15
 ( ) ( ) ( )
( + + ⋯+ + ) ( )
=( + + ⋯+ + ) ( )

Soit G(z) est la fonction de transfert du système linéaire échantillonné.

( ) ( ) ( )
+ + ⋯+ +
( )=
+ + ⋯+ +
En factorisant par , on obtient :
( + + ⋯+ + )
( )=
+ + ⋯+ +
En multipliant le numérateur et le dénominateur par , on obtient :
( + + ⋯+ + )
( )=
+ +⋯+ +

Le modèle peut donc s’écrire de façon générale pour < sous la forme :
+ + ⋯+ +
( )=
+ +⋯+ +
Commentaires :
La modélisation des systèmes linéaires échantillonnés peut se faire en procédant
à une expérimentation permettant de retrouver le modèle ci-dessus reliant
entrées et sorties de façon temporelle.
Avec ces valeurs, il est alors possible de faire une modélisation basée sur les
données expérimentales. À l’aide du modèle obtenu, on utilise d’abord la règle
du retard puis on isole les termes en z pour retrouver la fonction de transfert ci-
dessus.

VII.2 identification de paramètres (du système)

Algorithmes et méthodes d’identification
Les paramètres ,…, , ,…, ne sont pas toujours connus. Même dans le cas
d’un modèle de connaissance, ils ne sont pas toujours exacts et conformes à ce
que donne les documentations techniques. Pour ce faire, Ils ont besoins d’être
estimés à partir d’une expérimentation. A l’aide de données collectées sur le

16
processus, il est possible si celles-ci sont suffisamment riches d’estimer les
paramètre ci-dessus. Supposons que l’on dispose d’un enregistrement suivant sur
une fenêtre temporelle de n+1 instants ; sous la forme de tableau de données
suivantes :

Tableau 1. n+1 données entrées sorties

instant k entrée u sortie y
k u(k) y(k)
k-1 ⋮ ⋮
k-2 ⋮ ⋮
⋮ ⋮ ⋮
k-m+1 u(k-m+1) y(k-m+1)
k-m u(k-m) y(k-m)
⋮ 0 ⋮
k-n+1 0 y(k-n+1)
k-n 0 y(k-n)

On alors exprimer d’abord y(k) comme suit (on prend ici a0=1 pour simplifier):
( − )+ ( − + 1) + ⋯ + ( − 1) + ( )−( ( − 1) + ⋯
+ ( − + 1) + ( − )) = ( )
On peut donc mettre cette équation sous la forme :
( )=Υ Θ
Où Θ = ( ⋯ ⋯ ) le vecteur des paramètres et Υ =
( ( ) ( − 1) ⋯ ( − + 1) ( − ) − ( − 1) − ( − + 1) − ( − ) )
Dans le cas de bruite de mesure, on peut écrire que
( )=Υ Θ + v(k)
Ou v(k) représente un bruit de mesure. La mesure à l’instant k dépend donc des
valeurs de y et u à des instants précédents sur une fenêtre de données.

Pour une fenêtre de données suffisamment riches, Υ Υ devient inversible. En

réalité en présence de bruits de mesure, on cherche à minimiser son impact par

le critère quadratique = ( )−Υ Θ ( )−Υ Θ par rapport aux valeurs de

Θ.

= ( ) − ( )Υ Θ−Θ Υ ( )+Θ Υ Υ Θ

17
Le minimum par rapport Θ est donné par =-2Υ ( ) − 2Υ Υ Θ=0

Ce qui donne : Θ = Υ Υ Υ ( )

On dit que l’on a obtenu les paramètres par la méthode des moindres carrées.

Autres types de modèles

En utilisant la transformée en z, le modèle précédent peut s’écrire sous la forme :
( ) ( )= ( ) ( )
En présence de bruit de mesure, ou de signaux perturbants, cette équation peut
se mettre sous la forme :
( ) ( )
( )= ( )+ ( )
( ) ( )
V représente un ensemble de signaux perturbateurs ou des bruits de mesures dont
on suppose qu’ils sont des bruits blancs (de type gaussiens) centrés réduits. Ce
type de modèle est appelé modèle de Box et Jenkins. On peut ramener ce
modèle de la forme
( ) ( )= ( ) ( )+ ( ) ( )
Si l’on pose ( ) = ( ). Ce modèle est connu sous l’appellation de ARMAX
(Autoregressive moving average eXogenous) :
 lorsque ( ) ( )= ( ) , on parle d’autoregressivité (il ya une
autoregressivité de la sortie
 lorsque ( ) = ( ) ( ), on parle de moyenne mobile (moving average)
 lorsque ( ) ( ) = ( ) ( )+ ( ), il y a presence d’une entrée eXogène
(X) déterministe U(z). Le cas traité précédemment est de type ARX:
autorégressif aevc une entrée eXogène.

On rencontre donc les formes de modèles suivants en identification de

paramètres (voir aussi les fonctions des logiciels de simulation comme Matlab ou
Scilab):
 ARMA;
 ARMAX;

18
  ARX

Une deuxième façon de retrouver la fonction de transfert échantillonnée est de

disposer d’un modèle dans le domaine de Laplace soit par modélisation par des
lois de la physique soit en disposant déjà d’un telle modèle par expérimentation.
Dans ce cas, le chapitre suivant permettra de tenir compte de l’échantillonnage.

VII.2 Effets du bloqueur sur la fonction de transfert d’un système linéaire continu
VII.2.1 Transformation de la fonction de transfert

Lorsque la fonction de transfert échantillonnée est obtenue à partir d’une relation

sous la forme de série comme ci-dessus, il n’y a pas besoin de transformer pour
une seconde fois la fonction de transfert. Cependant, il peut arriver que l’on
dispose de la fonction de transfert du système continu et qu’on l’on ait besoin de
la fonction de transfert échantillonnée. Dans ces conditions, Le bloqueur d’ordre
zéro joue un rôle dans la transformation en z.
Pour le comprendre, on peut utiliser la fonction de transfert de Laplace à laquelle
on doit adjoindre la fonction de transfert du bloqueur d’ordre zéro.

Figure 9. Effet du bloqueur d'ordre zéro

Bloqueur
d’ordre zéro

Sortie du CNA Vers l’entrée du système

L’effet du BOZ peut être schématisée comme suit :

19
 ( . )
(0)
( )
( )
1
= (0) − ( )= ( . ) −

k.Te

Ainsi la transformée de Laplace de l’impulsion résultant de l’action d’un

bloqueur donne pout t=0
1
( ) = (0) −

Et pour t=k.Te, il ya une translation qui se traduit par :

( )
−
( )= ( . ) −

Ainsi pour une série d’impulsion de l’entrée sortant du CNA, on a

( )
1
( ) = (0) − + ( ) − +⋯+ ( . ) −

+⋯
Ce qui peut se mettre sous la forme :
1
( ) = ( (0) + ( ) + ⋯+ ( . ) +⋯) −

En posant = on obtient :
1 1
( ) = ( (0) + ( ) +⋯+ ( . ) +⋯) − = ( )(1 − )

La sortie y(p) est donc donnée par :

( )
( )= ( ) ( )= ( )(1 − )

( )
La sortie discrète ( ) = ( ) ( ) = ( )(1 − )

On en déduit que la fonction de transfert discrète du système avec le bloqueur

( ) ( ) ( )
d’ordre zéro est : ( ) = (1 − ) où est l’équivalent en z de .

20
Enoncé : Soit un système linéaire continu dont la fonction de transfert est H(p). La
fonction de transfert discrète associée au bloqueur d’ordre zéro est ( )=
( ) ( ) ( ) ( )
(1 − ). = , où est l’équivalent en z de .
( )
Pour obtenir l’équivalent, de , il est souvent nécessaire de décomposer en
( )
éléments simples . Dans les exercices qui suivent, quelques exemples sont

donnés.

Exercices.
Exercice 1. On considère la série suivante :
( − 3) + 5 ( − 2) + ( − 1) + ( ) = ( − 3)

Cette série représente un processus dont on veut la fonction de transfert.

a. Donner sa fonction de transfert. Pour cela on se servira de la règle du
retard
( ( − )= ( )
b. Donner l’ordre du système

Exercice 2.
Ainsi, considérons la fonction de transfert suivante :
( ) 2,5 + − 1
( )= =
( ) 2,5 − 1,75 − 2 + 0,4

Écrire l’équation qui relie y(k-3), y(k-2), y(k-1), y(k) en fonction de u(k-3), u(k-2)
et u(k-1). On utilisera Y(z) en fonction de U(z) et la propriété du retard.

21
Chapitre 8. Stabilité, précision et rapidité des systèmes à temps discrets

22
VIII.1 Stabilité des systèmes à temps discrets
On étudie maintenant la stabilité des systèmes échantillonnés. Pour cela
considérons le système échantillonné avec la fonction de transfert H(z). Pour
U(z)=1, Y(z)=H(z)U(z)=H(z).
Prenon d’abord un exemple d’un système du premier ordre :
( )= , sa fonction de transfert discrète est donnée par :

z
H ( z)   S ( z) avec z 1  e  aT . Dans ce cas : s ( t )  e  at et s ( nT )  e  anT  z 1n . Le
z  z1
système est donc stable si |z1|<1. Exemple du deuxième ordre :
b1 z  b0 z  e  cos 
H ( z)  
a2 z 2  a1 z  a0 ( z  z1 )( z  z 2 )
Les pôles s’écrivent :
z1  e  aTe (cos   j sin  ), z 2  e  aTe (cos   j sin  )
z1n  z 2n
s ( nTe ) 
2
On voit bien que si les modules sont <1, la sortie tend vers zéro pour n grand.
Critère de stabilité :
Pour que le système échantillonné soit stable il faut que les pôles soient à
l’intérieur du cercle unité.

Figure 10. Stabilité des systèmes échantillonnés

z5
z1 z4
z2 z3

23
VIII.2 Critère de Jury de la stabilité
Pour vérifier la stabilité d’un système linéaire échantillonné, il faut comme il a été rappelé
dans le chapitre ci-dessus que les pôles soient dans le cercle de rayon unité (module
inférieur à 1). La vérification de ce critère pour des systèmes de dont le dénominateur est
d’ordre supérieur ou égal à 3 devient difficile. Il faut donc un critère simple sans à avoir à
calculer les pôles. Dans le cas des systèmes continus, il s’agit du critère de Routh-
Hurwitz. Dans le cas des systèmes linéaires échantillonnés, il s’agit du critère de Jury qui
va être détaillé ci-dessous. Considérons pour cela le polynôme suivant :

P ( z )  a 0  a1 z    a n 1 z n 1  a n z n
Selon le critère de Jury, il faudrait que :
1. P(1) > 0
2. (-1)nP(-1) > 0
3. |ai| - an < 0
j j
4. a a 0 n j
0 pour j =1,2,……,n-2

0
Où les coefficients sont calculés de la façon suivante. a a
i i
Pour i =1, 2, …,n et les
j j
a0
et a
k
sont calculés de la façon suivantes :

a10  a00 a00  an0 an0 , a11  a00 a10  an0 an01

Les calculs de la matrice ci-dessus sont complexes. Pour réduire la complexité, il est
usuel d’utiliser la matrice suivante.

24
Tableau 2. Critère de Jury
…. ……
…. ….
…. …. 0
…. …. 0
…. …. …. …. …. …. …. ….
…. …. …. …. …. …. …. ….

Méthode : La première ligne est retournée pour former la seconde. Ces deux sont
utilisées pour calculer le niveau 1.
Calcul au niveau 1 (les ).
= . − . ; = . − . ; = . − . ;…;
= . − . ; = . − .
Les ainsi obtenus forment le niveau 1. La troisième ligne est retournée comme le
montre le tableau pour obtenir la quatrième. Celle-ci permet de calculer le second
niveau comme suit.
Calcul au niveau 2 ( les ).
= . − . ; = . − . ; = . − . ;…;
= . − . ; = . − .

On répète la procédure pour les , j allant de 1 à n-2. Par exemple pour n=3 on s’arrête
à j=1, pour n=2, on ne calcule rien puisque le j=0. On utilise seulement les coefficients
du polynôme.
La vérification des deux conditions peut être très contraignante. Il est plus indiqué d’utiliser
des moyens modernes tels que MATLAB, SCILAB pour calculer les pôles et vérifier leurs
position par rapport au cercle unité. Il suffit pour cela de rentrer la fonction de transfert en
utilisant la fonction tf (H=tf(NUM, DEN,tz) du toolbox ‘’control systems’’.
Et de chercher les pôles par pole(H).
Exemple :
Vérifier la stabilité du système suivant

25
 2 +1
( )=
+2 +4 +7
Autre méthode : Il existe une autre méthode consistant à faire un changement de
variable : = .

² Figure 11. Transformation en w

+1
=
−1

+1
=
−1

Ainsi, Le système est stable en continu si et seulement si le système de départ

échantillonné est stable. On peut utiliser le critère de Routh sur le système final pour
vérifier la stabilité du système de départ.

VIII.3 Précision et rapidité des systèmes linéaires échantillonnés.

La rapidité d’un système est déterminée par son régime transitoire. Elle correspond à son
temps de réponse. Dans le cas du premier ordre, ce temps de réponse correspond à trois
fois la constante de temps. Cependant dans le cas d’un système du second ordre, il
convient de prendre en compte le comportement de la sortie en particulier les oscillations
qui sont observées. Ainsi on observe des dépassements qui sont amortis avec le temps.

26
Figure 12. Rapidité et précision d'un système du deuxième ordre

Dépassement
maximal Consigne de valeur 1

Précision à +/- n%

Temps de réponse à n%

Temps de Pic

Le système du second ordre est souvent pris en exemple. En effet, après correction on
désire ramener le plus souvent le système à un comportement équivalent au 2e ordre.
Le système du second ordre dans le cas analogique est donné par :
1
H ( p)  ' 2
où est l’amortissement et est la pulsation propre du système.

1
2
p
p
2
 0  02
Pour les systèmes échantillonnés le système du second ordre prend la forme de :
−1 ( ) + −
( )= = =
+ + ( − )( − )
On peut dans ce cas retrouver les éléments de la forme.

−1 ( ) −1 1 1 −1
( )= = ⎛ ⎞= + +
2 − −
1+ +
⎝ ⎠
Pour le terme à l’intérieur des parenthèses, il s’agit de décomposition en éléments
simples. Par identification, on obtient :

27
 1 1
= 1; = ; =
−2 (1 − ) + (1 − ) 2 (1 − ) − (1 − )
Ainsi

( )= + + = + + où T est la

période d’échantillonnage.

( )=1+ +
− −
On montre qu’on peut mettre H(z) sous la forme :
+
( )=
+ +
On retrouve les différents paramètres comme suit.

=1+ + , pour <1;

( )

= + − +
(1 − )

= (1 − )

= −2 (1 − ) et =
Ce qui permet d’utiliser des abaques comme dans le cas des systèmes continus. Ces
abaques permettent de déterminer le nombre de dépassements, l’amortissement etc.
Dans le premier abaque, les valeurs de a0 et a1 sont en ordonnée et en abscisse. Ils
permettent d’obtenir les valeurs de la pulsation et de l’amortissement. A l’aide du
paramètre γ (gamma) et des valeurs de l’amortissement, l’on peut déterminer le nombre
et les amplitudes des dépassements.

Figure 13. Abaque du second ordre échantillonné

28
Figure 14. Abaque second ordre suite

La précision est liée au régime permanent. Pour ce faire on utilise la valeur finale du signal
pour évaluer la précision du système. Soit y(k) la sortie d’un système. La valeur finale de
y est donnée par
lim ( ) = lim( − 1) ( )
→ →

L’erreur se définit par rapport à l’entrée ou la consigne. ( ) = − ( ). Ainsi la valeur

finale de l’erreur donne : lim ( ) = lim[ − ( − 1) ( ) ]
→ →

L’erreur statique permet de déterminer la précision du système échantillonné.

29
Il existe plusieurs niveaux de précisions à savoir sur l’erreur statique de position, de
vitesse et d’accélération. Il est donc usuel d’évaluer les systèmes asservis par rapport à
ces trois erreurs.

30
Chapitre IX. Correction des systèmes linéaires temps discret

IX.1 Nécessité de correction

Ici encore on recherche un correcteur qui doit satisfaire aux conditions de stabilité, de
précision et de rapidité (temps de réponse a 5%, dépassements, etc.). Pour cela, on va
implémenter les correcteurs P, PI et PID utilises dans le cas continu. La fonction de
transfert en boucle fermée s’écrit :
C( z) H ( z)
G( z)  .
1  C( z) H ( z)
z z 1
Le correcteur s’écrit sous la forme : C ( z )  K p  K i  Kd . Il s’agit en fait du
z 1 z
correcteur PID continu que l’on numérise. L’opérateur p est approximé selon différente
méthode (voir plus loin).
Il comporte trois parties :
 Un correcteur proportionnel représenté par le paramètre Kp
 Un correcteur dérivé matérialisé par le paramètre Kd
 Enfin in correcteur intégral représenté par le paramètre Ki
On obtient donc trois paramètres à régler: kp, ki et kd. En pratique en milieu industriel,
du fait du bruit généré par l’action dérivée, la transmittance adoptée est:
( ) −1
( )= = + +
( ) −1 −

= : = , par rapport aux coefficients du correcteur en temps continu.

La valeur de α permet de filtrer les bruits de mesure. La figure suivante représente les
trois composantes du correcteur PID.
Nota Béné : En réalité pour réaliser la partie dérivée, il faut passer par une discrétisation
exacte de la fonction de transfert continue. La partie dérivée donne une fonction de
transfert non-réalisable.

Figure 15. Composante du correcteur PID

Schéma à revoir

31
E(z) représente l’erreur entre la consigne et la sortie du système à corriger, et U(z)
représente l’entrée du système. Chacune des trois actions a un effet bien connu sur le
système comme le montre la figure suivante (voir aussi la partie continue en chapitre 1).

Figure 16. Correcteurs et effets

On peut noter les caractéristiques suivantes :

 Le correcteur proportionnel permet de réduire l’erreur statique mais peut mener à
une instabilité. C’est d’ailleurs ce qui est utilisé dans la recherche des paramètres
comme indiqué plus loin dans le texte.
 Le correcteur dérivé permet d’accroitre la rapidité du système mais du fait des
bruits de mesures, l’action dérivée accroit ces bruits et génère d’autres
problèmes.
 Le correcteur intégral permet de réduire l’erreur mais peut créer ce qui est appelé
windup si le paramètre d’intégral est élevé. C’est un compromis qui est recherché
dans le réglage du PID. .

32
Divers combinaisons peuvent être observées dans la mise en œuvre du correcteur en
fonction des besoins. Ainsi au lieu d’un PID on peut utiliser les correcteurs suivants dont
les caractéristiques peuvent être vues sur la figure suivante :
 Le correcteur Proportionnel et Intégral (PI) : accroit la précision par un retard et
augmentation du gain statique.
 Le correcteur Proportionnel et Dérivée PD (avance de phase) : accroitre la
stabilité et la rapidité par une avance de phase.
Le PID numérique : améliore les performances du système bouclé (précision, stabilité,
rapidité et est sensible aux incertitudes du modèle), permet d’allonger la période
d’échantillonnage.

IX.2 Choix des paramètres du correcteur

IX.2.1 Réglage des paramètres PID
La détermination des paramètres de PID est essentielle dans la correction. Plusieurs
méthodes sont proposées. La détermination par simulation est une des méthodes et
consiste à utiliser le modèle du système pour déterminer les paramètres. On fait alors
varier les paramètres en simulant les performances globales. Une autre façon de faire est
d’utiliser des méthodes empiriques. Comme pour la méthode de Ziegler-Nichols dans la
forme analogique, on soumet le système à l'un des deux essais :

 un essai indiciel qui donne les valeurs de τ et a,

 un essai en boucle fermée avec un gain K : on augmente K jusqu‘à Kosc valeur du
gain pour laquelle
 on obtient une oscillation entretenue de période Tosc.

La figure suivante donne les paramètres en fonction des résultats de l’expérience. Il est
aussi donné pour différents types de correcteur les paramètres. Cette méthode est dite
de Takahashi.
Tableau à reprendre

33
IX.2.2 Le cas du retard (prédicteur de Smith)

Dans le cas de systèmes très retardés, ce qui arrive souvent dans les applications
industrielles, les méthodes précédentes de PID conduisent à un système plus lent en
boucle fermée qu'en boucle ouverte si le retard pur dépasse la moitié de la constante de
temps dominante. Dans ce cas le système se met sous la forme : ( ) = ( )
k est le nombre de pas retard (kTe est le temps de retard). On a donc besoin d’un
correcteur C1(z) pour le système non retardé selon la configuration suivante:

34
Figure 17. Schéma d'un système à retard

Le correcteur associé au système initial est fonction des paramètres précédents

( )
( )=
1 + (1 − ) ( ) ( )
Le schéma équivalent est le suivant :
Figure 18. Schéma du prédicteur de Smith

En réalité, le prédicteur de Smith suit le principe de la commande à modèle interne.

IX.2.3 Implémentation d’un correcteur numérique

L’implémentation d’un correcteur numérique part du modèle à temps discret obtenu. En

partant d’une fonction de transfert
+ + ⋯+ + ( )
( )= =
+ +⋯+ + ( )
On peut obtenir la relation entre la sortie et l’entrée en valeurs présentes et passées.
Ainsi on a :
( − )+ ( − + 1) + ⋯ + ( − 1) + ( )
= ( − )+ ( − + 1) + ⋯ + ( − 1) + ( )
On peut alors tirer Y(k) en fonction des autres variables :

35
L’algorithme de calcul permet de calculer la valeur présente de y lorsque la valeur de
présente de u(k) et celles passées de y et u sont connues. Il faut pour cela une fenêtre
de données stockées. L’algorithme de simulation du système à temps discret prend
donc la forme suivante :
%%%Définition des constantes du processus et de simulation
Initialiser y(0), y(1),…y(k-1), u(0), u(1)…., u(k-1)
Mémoriser les valeurs de y(0), y(1),…y(k-1), u(0), u(1)…., u(k-1)
Donner la valeur de u(k)
Pour k allant de 2 au temps final de calcul faire

1
( )= ( ( − )+ ( − + 1) + ⋯ + ( − 1) + ( )− ( − )

− ( − + 1) − ⋯ − ( − 1))
Mémoriser la nouvelle valeur y(k)
y(k-2) devient y(k-1)
y(k-1) devient y(k)
ainsi de suite
%%% Détermination de la nouvelle valeur de la commande u
Donner la nouvelle valeur de de u(k) %commentaire : soit par une entrée connue
soit par le correcteur PID, dans un sous-programme)
Mémoriser la nouvelle valeur u(k)
u(k-2) devient u(k-1)
u(k-1) devient u(k)
ainsi de suite.
fin de la boucle

Dans le domaine continu, il est possible de simuler le système en utilisant des algorithmes
du type Runge Kutta, Euler etc. Pour la mise en œuvre du correcteur PID, on l’utilise des
approximations de p à partir du PID en continu. Les approximations les plus connues sont
= , ou = , qui sont dérivées de l’approximation de la transformée en z de la

dérivée. Il s’agit des méthodes d’Euler avant et arrière.

36
 ( ) ( ) ( ) ( ) ( ) ( )
≈ ce qui entraine ≈ = = ( )

Par ailleurs, la transformée de Laplace de la dérivée est = ( ) − (0), on

considérant (0) = 0, on fait correspondre p à (méthode arrière).

Pour la méthode avant, on utilise la règle de l’avance :

( ) ( ) ( ) ( )
≈ d’où ≈ = ( ) pour des conditions initiales nulles.

L’opérateur p peut être approximé par (méthode dite avant). Le correcteur continu est

en absence de filtre ( ) = 1+ + . On l’approxime par

( )
( )= 1+ + = 1+ + = (Méthode avant).
( ) ( )

Pour ce type de méthode, on a

( − 1) ( − 1)( − 1) ( ) ( )
+ + =
( − 1) ( − 1) ( − 1) ( )
On obtient alors après développement

( ) + + + +
= =
( ) + +
Avec = ( + + ), = −(2 + ); = ; = , =−
On obtient l’équation de récurrence :
( )+ ( − 1) + ( − 2) = ( )+ ( − 1)
Un sous-programme de calcul du correcteur PID prend la forme :

définir les paramètres Ti, Te, Td, et Kp , Yc (si Yc est constant, si non le définir
dans le sous programme)
calculer a, b, c, d, e
initialiser (0) = (0) − (0), (1) = (1) − (1), (2) = (2) − (2), (1)
mémoriser (0), (1), (2), (1)
pour k variant de 1 à la fin de l’expérience (ou bien tant que k fin n’est pas donné par un
arrêt)

37
 Calculer ( )= ( ( ) + ( − 1) + ( − 2) − ( − 1))

Appliquer la limitation sur la commande (u est bornée)

Mémoriser u(k)
u(k-1) devient u(k)
mémoriser ( ), ( − 1), ( − 2)
( − 1) ( ) , ( − 1) ( − 2)
Acquérir la nouvelle mesure y(k)
Calculer ( ) = ( )− ( )
Exporter u(k) dans le programme principal ou en sortie pour l’actionneur
Fin de la boucle
Sauvegarder toutes les valeurs de u, y et yc
Fin du programme
Remarque : sous matlab, cette implémentation est donnée par la fonction pid qui
permet de définir le pid en précisant la méthode utilisée et le pas d’échantillonnage et le
boucle par feedback.

38
Exercice. Régulation de température dans un chauffe-eau calorifugé.
On considère le chauffe-eau suivant.

P
e

Eau

Pe représente la puissance électrique utilisée pour chauffer l’eau. L’équation d’évolution

de la température de l’eau est approximée par :

≈ + ,

Tk est la température à l’instant k, te est la période d’échantillonnage, a est une constante

(a=8360) et Pe,k-1 est la puissance appliquée à l’instant k-1. Pe varie entre 0w et 750w.
On évite les températures proches de 100° pour s’éloigner des zones d’évaporation de
l’eau.
1. En utilisant la règle du retard, donner la fonction de transfert échantillonnée ( ) =
( )
( )

2. Etudier la stabilité du système donné par H(z)

3. On désire réguler la température autour de Tc=70°C, une température de

consigne. Le système en boucle fermée peut être représenté par le schéma
suivant.

Tc P T
C(z) H(z)

On applique un correcteur C(z) Proportionnel Intégral (PI) de la forme

( )= (1 + )
( )

39
 a. En remplaçant cette expression dans celle de la fonction de transfert en
( ) ( )
boucle fermée ( )= , donner la fonction de transfert HBF(z).
( ) ( )

b. En utilisant la règle de la valeur finale, donner la valeur finale (∞).

c. Le système est-il précis ?

Extension aux systèmes à représentation d’Etat

Chapitre X. Quelques technologies de réalisation des boucles de régulation

X.1 Introduction
Ici l’historique des DCS, PLC, PAC etc.

Dans la mise œuvre des technologies de régulation, il convient de rappeler quelques

technologies utilisées. Cette technologie a évolué avec l’évolution des possibilités de
calcul et notamment le progrès des micro-processeurs. Ainsi, on est passé de simple mise
en œuvre impliquant des composants analogiques à des calculateurs plus avancé.
Aujourd’hui, dépendant de l’application, on peut lettre en œuvre une régulation sur :

 un régulateur simple à afficheur digital ou à écran tactile ;

 un ordinateur avec l’aide d’une carte d’acquisition ;
 un automate doté de la fonction régulation ;
 une carte électronique en recomposant les éléments de base de la régulation. C’est
le cas de carte de microcontrôleurs de Texas Instruments, ou de Arduino qui offrent
des fonctionnalités de programmation et de réalisation de régulation de
température.
 des éléments mécaniques (exemple de la chasse d’eau ou du régulateur
mécanique de vitesse sur les groupes électrogènes) etc.
Outre les régulateurs, il y a des éléments de la boucle de régulation qu’il faut citer. Ces
éléments sont :

 les capteurs et analyseurs ;

 les conditionneurs de signaux ;

40
  les éléments de transmission (câble, protocole de communication, carte de
communication, carte d’acquisition de données etc.) ;
 les pré-actionneurs (variateurs de vitesse, variateurs de puissance, distributeurs
pneumatiques et hydrauliques etc.) ;
 les actionneurs (moteurs électriques, vannes, pompes, ventilateurs etc.)
 etc.
Dans cette partie du document, nous rappelons la plupart de ces éléments ainsi que leurs
principales caractéristiques.

X.2 Régulateurs
La technologie des régulateurs a évolué depuis les technologies analogiques (utilisation
d’amplificateur opérationnel pour réaliser les fonctions d’intégration, d’amplification et de
dérivation). Ainsi avec l’apparition des micro-processeurs et des capacités de stockage,
l’on a assisté à la réalisation et à l’utilisation de régulateurs de plus en plus sophistiqués.
On est ainsi passé de régulateurs à simple affichage et à une seule boule de régulation à
des régulateurs à plusieurs boucles de régulations et de filtrage nécessaires pour la mise
en œuvre des correcteurs PID et avec des fonctions de plus en plus complexes de
communication (RS 232, RS845 Etc.) et de supervision (alarme). Certains régulateurs et
automates ont des fonctions de logique floue permettant de renforcer la régulation.
D’autres ont intégré des fonctions d’automatisme (grafcet).

Figure 19. Architecture d'un régulateur (exemple du régulateur JUMO)

41
La figure suivante montre un régulateur à affichage simple et à simple boucle de
régulation.

Figure 20. Régulateurs à affichage de Omega

Source : www.omega.com

L’affichage des données se fait sur un écran digital. La programmation se fait à l’aide de
touches telles que indiquées sur la figure. La programmation de certains régulateurs se
fait grâce à un logiciel et une connexion à un ordinateur ou l’ingénierie se fait.

Ces régulateurs sont dédiés uniquement aux fonctions de régulation et peuvent intégrer
des fonctions mathématiques, des fonctions logiques mais pas de fonction d’automate.
Ces fonctions permettent généralement de réaliser des applications de régulations
d’alarmes et de surveillance. Quelques boucles de régulation réalisées sont :
42
  régulation de température avec capteur pt 100, thermocouple, RTD ;
 régulateur de vitesse (tension normalisée) ;
 regulation de tension

Figure 21. Série UDC de Honeywell

Il existe de plus en plus des régulateurs avec une interface homme machine (IHM) à écran
tactile et de plus en plus sophistiquée. On peut y voir représenté le process et ses
variables. Un logiciel de dessin permet dans ces cas de représenter le process à réguler
et d’y afficher les variables ainsi que quelques courbes. Pour le choix de ces régulateurs
il convient de se bien spécifier les caractéristiques. Par exemple :
 le nombre de boucle de régulation
 le type de régulation (température, débit, vitesse etc.)
 le type de capteurs (RTD, thermocouple, PT 100 etc.)
 nombre et type d’entrées –sorties ;
 la connectivité (RS 232, MODBUS etc.)
 le type de régulation (PID, PI, tout ou rien, Logique floue, auto réglage ou non,
adaptatif ou non etc.) ;
 l’alimentation (tension continue, courant et tolérance) ;
 l’affichage ;
 l’encombrement (besoin d’insérer dans un tableau, longueur, largeur, profondeur,
masse) ;
 autres aspects (mode de configuration.
Ces régulateurs offrent aujourd’hui les propriétés d’autoréglages, d’adaptation et
d’identification du process. Cependant la multiplication des régulateurs dans l’industrie
pose le problème de réglage surtout s’il y a plusieurs centaines voire des milliers. De plus,

43
la critique faite au régulateur PID est qu’il n’est pas optimal comparé à des technologies
telles que la commande à modèle prédictif.

Figure 22. Régulateurs de chez Eurotherm

X.3. Les PC
Un PC munie d’une bonne carte d’acquisition peut servir à implémenter une régulation
PID simple. Il suffit pour cela de se munir de la bonne carte d’acquisition (voir cartes
Labview de National Instruments ou Texas instruments.) On peut encore utiliser les ports
d’un PC pour l’acquisition et la commande dans des applications simples. Labview offre
un environnement de programmation et d’utilisation des PID pourvu que la carte
d’acquisition de National instrument soit incorporée. Le choix de l’ordinateur et de la carte
est lié au type d’application que l’on met en œuvre. Les caractéristiques recherchées
sont :

44
  le processeur et la mémoire;
 les caractéristiques de la carte : entrée-sortie, échantillonnage et numérisation ;
 type d’applications
 etc.

X.3. Les automates

Un automate muni de la fonction de régulation peut être utilisé dans les applications de
régulation. Pour cela le bloc fonction PID ou PI peut être utilisé et configuré. Il faut une
certaine taille d’automate pour réaliser les fonctions de régulation à cause de la demande
en processeur et en mémoire. Les automates micro, et mini ne sont pas dans la plupart
des cas capables de réaliser ce type de régulation.
La figure suivante donne un exemple de block fonction PID fourni par plusieurs fabricants.

Figure 23. Bloc fonction PID

PID
EN DN SP Setpoint
CV : Control variable
PV : Process variable
SP CV

PV

TB

En plus du bloc fonction PID des fonctions mathématiques et logiques sont fournies pour
permettre l’application di PID. Les paramètres du PID dont configurables. Les termes PV
(process variable) et CV (control variable) sont l’entrée et la sortie. L’utilisation est
conforme à la norme IEC 61131 qui définit les langages utilisé par les automates.

45
Figure 24. Exemple d'automate offrant des capacités de régulation (96 boucles
PID par machine). ControLogix de Allen Bradley (Rockwell)

X.4 Autres configurations pour la régulation

X.4.1 Les éléments de la boucle de régulation
Les éléments de la boucle de régulation sont les capteurs, les actionneurs, les pré-
actionneurs, la communication (connectivité), les conditionneurs de signaux.
X.4.1.1 Les capteurs

Les capteurs sont des éléments importants de la boucle de régulation. Ce sont les
premiers éléments dans la pyramide de l’automatique. Aussi dans un système, il est
quasiment impossible d’automatiser une quelconque tache sans mesure.

Encadré : Selon l’ancien PDG de General Electric (Jack Welsh): On ne peut gérer
un système dont on n’a aucune mesure.

Il en existe de plusieurs sortes selon les variables à mesurer. On distingue

 les capteurs de débit (débitmètre), de température, de vitesse (dynamo Tachi
métrique, stroboscope etc.), de niveau, d’électricité (ampèremètres, voltmètre,
analyseurs de réseau), de pression (manomètre), de pH (pHmètre), des
compteurs (volume par exemple) etc. ;
 les analyseurs (turbidité, redox, conductivité, réseaux électriques et
télécommunications etc.) ;
 des indicateurs (avec le suffix stat comme les pressostats).
46
Ce document n’est pas un cours sur les capteurs car cela mériterait tout un document
pour les détails. Cependant, nous donnons quelques technologies pour orienter et illustrer
ce cours.
Les technologies des capteurs partent de l’analogique au numérique, et sont aujourd’hui
assez variées. La grandeur mesurée est convertie en électricité sous la forme de tension
ou de courant. Le standard très utilisé dans les applications est :
 pour le courant : 4 à 20mA ou 0 à 20 mA ;
 pour la tension : 0 à 5V ou 0 à 10V.

La valeur du courant est ensuite convertie par une règle de 3 en valeur représentant la
grandeur à mesurer.
De toutes les applications de capteurs, celles de la température sont les plus rencontrées
dans pratiquement toutes les applications. On rencontre plusieurs types de capteurs : les
pt100 (au platine), les thermocouples, les RTD (capteurs dépendant de la résistance), les
capteurs à infrarouge etc. Le tableau suivant montre quelques caractéristiques de
capteurs. Les thermocouples sont rencontrés dans les applications à hautes températures
et à larges plages.
 Les thermocouples sont composés principalement de deux jonctions. La première
jonction appelée ‘’point chaud’’ à l’intérieur du partie dont on veut mesurer la
température et la seconde ‘’point froid’’ à l’extérieur du système. Un courant est
créé lorsque la température du point chaud est différente de celle du point froid
considéré comme référence : c’est l’effet Seebeck. Il existe plusieurs types de
jonctions caractérisant les thermocouples.

Tableau 3. Principales caractéristiques d'un thermocouple

Lettre de désignation jonctions Plage de mesure
B P platinium 30% rhodium 0 à 1820°C
N platinium 30% rhodium
E P Chromel -270 à 1000°C
N Constantan
J P Fer -200 à 1200°C
N Constantan
K P Chromel -270 à 1372°C

47
 N Alumel
N P Nicrosil -270 à 1300°C
N Nisil
R P Platinium + 13%Rhodium -50 à 1768°C
N Platinium pure
S P Platinium + 10%Rhodium -50 à 1768°C
N Platinium pure
T P cuivre -270 à 400°C
N constantan

Le type K est plus utilisé pour cout moins élevé et sa relative stabilité. Sa sensibilité est
de 41micro Volt par °C. Due à la basse tension sortie par le thermocouple, il y a besoin
d’un conditionneur de signal (amplification et filtrage, éventuellement une numérisation
pour la transmission) est nécessaire pour une utilisation en régulation.

Figure 25. Thermocouple

 Les capteurs/détecteurs RTD. Ils composés de résistances et permettent la

mesure de la température. Ce sont les plus utilisés dans l’industrie et dans
plusieurs applications (50 à 60% contre 30 à 40% pour les thermocouples). Ils sont
plus précis et non résistant dans les milieux où il y a des vibrations. Cependant,
dans les milieux où il y a du bruit ils sont préférés. Ils ne sont pas adaptés pour les
fortes températures.

48
X.4.1.2 Les pré-actionneurs et les actionneurs :

Pour la commande des actionneurs il est fait appel à des pré-actionneurs pour la
transmission de puissance. Ainsi parmi les pré-actionneurs connus, on peut citer :
 les variateurs de vitesse et le démarreur pour les moteurs électriques
 les distributeurs pour les vérins
 les variateurs de puissance dans les applications de chauffage à résistance
 les éléments de protection de réseaux électriques (disjoncteurs, relais etc.).
 les conditionneurs de signaux
 etc.

Figure 26. Variateur de puissance à thyristors JUMO

Les turbomachines (Pompes, compresseurs, ventilateurs, turbines etc.).

Les turbomachines sont des équipements très utilisés dans l’industrie. Les pompes sont
un exemple de turbo machine. Ils combinent moteurs électriques et turbomachines de
transformation énergétique (mécanique à hydraulique). Cet attelage doit être maitrisé à
cause de la transformation de puissance électrique à mécanique et hydraulique. Les
conpresseurs et ventilateurs répondent de la même logique. Les problèmes de régulation
de flux et de pression sont nombreux. C’est le cas de la régulation de débit.

49
Les vannes :
Les vannes sont utilisées dans le contrôle de débit de fluides. Elles présentent
généralement des caractéristiques non linéaires et sous la forme d’hystérésis. On en
trouve de plusieurs sortent : manuelle, pneumatiques, électropneumatiques, et
électriques. La figure suivante montre une vanne et sa caractéristique non linéaire. Le
pourcentage de débit est fonction de la course du piston de la vanne.

Figure 27. Vanne électropneumatique

Source : Chemical engineering handbook.

Les électrovannes sont très utilisées en industrie dans les applications de fluides. Le
débit est proportionnel à la chute de pression entre l’entrée et la sortie de la vanne.

Figure 28. Electrovanne et caractéristiques

50
Le débit est proportionnel au signal de commande qui lui est corrélé à l’ouverture de la
vanne. Le coefficient de proportionnalité est appelé coefficient de vanne Cv (Kv selon
les fabricants). On peut exprimer la relation sous la forme :
= √∆
Les machines électriques.
Ce sont des machines électriques couramment rencontrées dans les applications de
l’ingénierie. On distingue entre autre :
 le moteur pas à pas ;
 le moteur à courant continu
 le moteur asynchrone
 le moteur synchrone
 les actuateurs linéaires électriques.
 Les vannes

Les applications sont nombreuses et variées : vitesse de rotation (pompes, ventilateurs,

compresseurs, motorisation de véhicules etc.), les mouvements de matières etc.
L’étude détaillée de ces équipements n’est pas abordée dans ce document. Seules
leurs utilisations dans des applications est intéressant ici.

X.4.2 Réseau industriel et régulation

X.4.2.1 Réseaux Industriels

La conception d’un réseau industriel est très importante dans la résolution des problèmes
de régulation et de commande de procédés. Elle montre l’approche d’ingénierie adoptée
dans la solution d’un problème qui est très souvent vaste. En effet, il existe plusieurs
boucles de régulation et d’autres applications dans une industrie. Comment peut-on
découper l’éléphant pour le manger ? dirait-on.
Une approche méthodologique (voir www/isa.com en particulier ISA/IEC 62442) peut
permettre de mieux appréhender le problème. Cette approche recommande que l’on
décompose (segmenter) l’application en zone, entité et ensemble. Dans le cas d’une
industrie de transformation, on peut distinguer trois niveaux :
 la cellule ou zone

51
  le site de production
 et l’entreprise et son intégration.
Cette décomposition tient compte de la topologie de l’entreprise.
1. Zonage ou segmentation local.
Dans cette segmentation, on conseille la connexion de moins de 200 appareilles dans un
réseau local de type VLAN. C’est un moyen efficace pour une segmentation et pour le
respect des contraintes de trafic.
2. Conception de réseau pour un site de production.
Dans le cadre de l’internet des objets (Iot, internet of things), des objets de plus en plus
intelligents seront connectés par adressage IP et par réseau mobile. Pour assurer la
sécurité du réseau et son efficacité, la fréquence de 2,4 GHz habituellement utilisé dans
d’autres applications n’est pas conseillée pour des applications industrielles. On lui préfère
celle de 5GHz ou il y a moins d’interférence. Autres considérations : nombre de I/O, les
CPU, Les mémoires vives et le nombre d’objets à déployer ainsi que le nombre d’année
de déploiement.
3. Intégration de l’entreprise
Dans le cadre l’internet des objets, il est conseillé d’utiliser un réseau centré sur l’IP.
L’utilisation du Cloud computing pour l’intégration des applications permet une meilleure
maintenance, une réduction des couts, et une agilité, pourvu que les infrastructures
réseaux soient de bonne qualité.

Encadré (source www.isa.org). Utilisation de réseau Wifi dans les mesures dans
l’industrie alimentaire :
Les bandes de fréquence habituellement utilisées dans les applications sont celle de 2,4
GHz. Celles de 860 à 950MHz, et 433 MHz sont aussi utilisées. Le choix de la bande
de fréquence doit être judicieux. Les bandes de 2,4GHz et de 900MHz sont très
sensibles à l’humidité et ont une atténuation dans ces milieux. Celle de 433 MHz sont
adaptés pour des applications de cuisson

Pour l’intégration des applications, de l’entreprise une approche intégrant la

hiérarchisation de l’automatique donnée auparavant permet une efficacité de mise en

52
œuvre. La figure suivante montre une intégration des applications avec un système ABB
basée sur la plateforme 800xA.

Figure 29. Intégration des applications.

Source ABB.
Un logiciel d’intégration est aussi nécessaire dans ces cas. Dans le cas de ABB (et de
plusieurs fournisseurs), une plateforme d’ingénierie et de SCADA (Supervisory control
and data acquisition) est nécessaire pour permettre de travail de configuration, et de
déploiement. Ainsi dans l’exemple cité, une plateforme nommée 800xA a été développée
par ABB dans les années 2000 et est opérationnelle sur le marché. D’autres logiciels
existent telles que DeltaV (Emerson), Ignition (Inductive Automation), Movicon (Progea)
etc.
La conception d’un bon réseau passe par une bonne architecture permettant une
maintenabilité, une réduction des couts de mise en œuvre et une agilité du système.

Plusieurs régulateurs peuvent être mis en réseau industriel comme l’indique la figure
suivante pour le YS1000 de chez Yokogawa.

53
Figure 30. Régulateurs en réseau (Yokogawa)

X.4.2.2 Réseau Ethernet et Fieldbus et importance dans le réseau

X.5 Logiciel de CAO en régulation et commande des systèmes

Il existe aujourd’hui plusieurs logiciels de CAO en régulation et commande des systèmes.
Parmis les plus connus, on distingue :
 Matlab de mathworks une entreprise américaine. Il offre plusieurs toolbox (boite à
outil) dans des domaines aussi varié que la régulation, le traitement de signal, la
finance, l’économie, l’électricité, l’électronique, la biologie etc. C’est sans doute la
plateforme la plus connue et la plus usitée. Son utilisation requiert l’acquisition
d’une licence en payant le code d’accès. Sa version graphique est appelée
Simulink et est plus facile d’utilisation car ne demandant pas de code tel que
Matlab. On peut aussi créer ses propres fonctions en programmant en C/C++.

54
  Scilab : C’est la version française de Matlab. Elle a été développée par une équipe
de l’école polytechnique de Paris et l’INRIA. Bien qu’ayant moins de boite à outil,
elle n’est reste pas moins utilisé surtout le monde francophone. Elle est gratuite et
peut etre téléchargée du site web de Scilab.
 Modélica et Dymola.
 Mathématica, R et bien d’autres.

De nombreux logiciels sont aujourd’hui disponibles en freeware (gratuit) et proposent de

nombreuses possibilités de CAO.

X.6 Conduite de projet de régulation industrielle

X.6.1 Analyse, Schématisation et Documentation
A compléter
X.6.2 Conduite de projet

A compléter
Figure 31. Répartition couts/ bénéfices des projets de régulation

55
Conclusions

Bibliographie

Terrence Blevins and Mark Nixon. Control Loop Foundation –Batch and Continuous
processes. ISA, 2012
Terrence Blevins, Mark Nixon, Control loop foundation-Batch and continuous processes.
ISA, 2011
Jutard A. et Betemps, INSA lyon, cours de régulation numérique, 1998. Docinsa.insa-
lyon.
Pierre Borne, Commande et Optimisation des processus. 2000.
David Polka, Motors and drives : a practical technology guide. ISA
Karl Astroem and Tore Haegglung, PID controllers: Theory, design and tuning. 2nd Edition.
ISA
Karl Astroem and Tore Haegglung, Advanced PID Control. ISA
D. Jacob, Régulation PID en Génie Electrique. Etudes de cas régulation. Eclipse, Sept.
2000. Technosup.

Gonzalo Cabodevila, automatique linéaire échantillonnée, gonzalo.cabodevila@femto-

st.fr
PID in the third millenium, Lessons learned and new approaches, Ramon Villanova,
Antonio visioli, Springer 2012
The control handbook
Pierre Agati, Electricité, électronique de commande et de puissance, électrotechnique,
Aide mémoire, Dunod
Pierre de Larminat. Automatique appliquée. Germes Lavoisier. 2007.
Patrick Prouvost Cours d’automatique. Contrôle et régulation. 2e Edition. DUNOD 2004
Réné Husson, Claude Lung, Jean Francois Aubry, Jamal Daafouz, Didier Wolf,
Automatique, Du cahier des charges à la réalisation de systèmes. DUNOD, 2007.

Dahlin E.B., Designing and Tuning Digital Controllers, Instr and Cont Syst,41 (6), 77,
1968.
56
Andréas Kroll. Computer based training…..
Ziegler J.G. and Nichols N.B., Optimum settings for automatic controllers,Trans. ASME,
pp. 759-768, 1942
James Beall, InTech Magazine › 2016 / Mar-Apr › Automation Basics: Loop tuning basics:
Integrating processes
James Beall, InTech Magazine › 2016 / May-Jun › Automation Basics: Loop tuning basics:
Self-regulating processes
Jutard A. et Betemps, INSA lyon, cours de régulation numérique, 1998. Docinsa. Insa-
Lyon.
Pierre Borne, Commande et Optimisation des processus. 2000.
David Polka, Motors and drives: a practical technology guide. ISA
Karl Astroem and Tore Haegglung. PID controllers: Theory, design and tuning. 2nd Edition.
ISA
K. J. Åstroem. Computer Control of a Paper Machine - An Application of Linear Stochastic
Control Theory, IBM Journal of R&D 11 (1967), pp. 389-405
Karl Astroem and Tore Haegglung, Advanced PID Control. ISA.
D. Jacob, Régulation PID en Génie Electrique. Etudes de cas. Eclipse, Sept. 2000.
Technosup.

Gonzalo Cabodevila, automatique linéaire échantillonnée, gonzalo.cabodevila@femto-

st.fr
PID in the third millenium, Lessons learned and new approaches, Ramon Villanova,
Antonio visioli, Springer 2012
Pierre de Larminat. Automatique appliquée. Germes Lavoisier. 2007.
Patrick Prouvost Cours d’automatique. Contrôle et régulation. 2e Edition. DUNOD 2004
Réné Husson, Claude Lung, Jean Francois Aubry, Jamal Daafouz, Didier Wolf,
Automatique, Du cahier des charges à la réalisation de systèmes. DUNOD, 2007.
Sites internet :
www.hornerocs.com
www.signalconditioning.weidmuller.com
www.rotork.com
www.io4ab.com
57
www.automationdirect.com
www.omegamation.com
www.hardyinstruments.com
www.selinc.com
www.opto22.com

58