Académique Documents
Professionnel Documents
Culture Documents
Chapitre 3
Chapitre 3
PRÉDICTION
1. Introduction
Ce chapitre est réservé à l’estimation paramétrique des systèmes dynamiques en utilisant la
méthode de l’erreur de prédiction et les techniques des moindres carrés, tout en se basant sur
la connaissance de plusieurs mesures (couples d’entrée-sortie) issues de ce système. Cette
méthode d’estimation consiste en la minimisation d’un critère quadratique portant sur l’erreur
de prédiction, en vue d’aboutir aux meilleurs paramètres estimés du modèle mathématique à
élaborer. Notons toutefois que l’erreur de prédiction correspond à l’écart entre la sortie
mesurée du système et la sortie prédite du modèle ajustable.
Nous considérons ici, plus particulièrement, les systèmes dynamiques opérant dans un
environnement déterministe, qui peuvent être décrits par la classe des modèles mathématiques
de type entrée-sortie, linéaires, monovariables, déterministes et à paramètres inconnus, mais
constants.
Deux stratégies d’identification d’un système dynamique peuvent être envisagées, à savoir :
1. identification en boucle ouverte, non commandé. Dans une telle stratégie d’identification,
le choix du signal d’entrée, qui est à appliquer à ce système, se fait librement;
Chapitre 3 : Estimation paramétrique des systèmes dynamiques par la méthode de l’erreur de prédiction 19
Cours Identification des procédés industriels Badreddine LOUHICHI
A q 1 y k B q 1 u k e k (3.1)
définis par :
Le niveau du bruit e(k) agissant sur le système est supposé faible (i.e., sa variance étant
assez faible) de façon qu’il n’ait pas beaucoup d’influence sur la qualité d’estimation et que
l’utilisation d’un algorithme d’estimation paramétrique déterministe permet de donner des
résultats satisfaisants.
Dans ce qui suit, nous allons formuler le problème d’estimation des paramètres intervenant
dans le modèle mathématique (3.1), en utilisant la méthode des moindres carrés ordinaires et à
partir de la connaissance de plusieurs valeurs mesurées de l’entrée et de la sortie du système
considéré. Mais, avant d’entamer la formulation de ce problème, nous allons présenter les
hypothèses de travail, qui sont nécessaires à cette formulation.
Chapitre 3 : Estimation paramétrique des systèmes dynamiques par la méthode de l’erreur de prédiction 20
Cours Identification des procédés industriels Badreddine LOUHICHI
7. le bruit agissant sur le système est supposé stationnaire, c’est-à-dire que son
comportement dynamique est invariant dans tout changement de l’origine du temps.
Il est important d’indiquer que la deuxième hypothèse, qui consiste à supposer que le
système considéré soit stable en boucle ouverte n’est pas stricte. Ainsi, il est parfois possible,
sous certaines conditions, d’estimer les paramètres d’un système instable.
y k T k e k (3.5)
où θ est un vecteur de paramètres et ψ(k) est un vecteur d’observations, qui sont définis par :
T a1 an b1 bm (3.6)
et
T k y k 1 y k n u k 1 u k m (3.7)
Nous définissons la sortie prédite a priori y k du système considéré, qui correspond, en
Remarquons que la sortie prédite a priori y k est calculée à l’instant discret k, tout en se
basant sur les valeurs des paramètres estimés à l’instant discret k −1, et à partir de la
connaissance des informations accessibles à cet instant et aux instants antérieurs (i.e., y(k −1),
u(k −1), etc.).
Nous pouvons récrire la sortie prédite a priori y k sous la forme compacte suivante :
y k T k 1 k (3.9)
où k 1 représente le vecteur des paramètres estimés à l’instant discret k – 1, tel que :
T k 1 a1 k 1 an k 1 b1 k 1 bm k 1 (3.10)
Chapitre 3 : Estimation paramétrique des systèmes dynamiques par la méthode de l’erreur de prédiction 21
Cours Identification des procédés industriels Badreddine LOUHICHI
Dans un contexte idéal, les mesures effectuées sur un système dynamique sont non bruitées
et les hypothèses de travail sont supposées parfaites. Dans ce cas, nous pouvons avoir :
y k y k . Cependant, dans un contexte réel ces mesures sont toujours entachées de
perturbations aléatoires. Il existe donc un certain écart, appelé erreur de prédiction, entre la
sortie du système et la sortie prédite du modèle ajustable. Nous définissons l’erreur de
prédiction a priori ε(k) par :
k y k y k (3.11)
A partir des expressions (3.5) et (3.9), nous pouvons réécrire l’erreur de prédiction a priori
ε(k) sous la forme suivante :
k T k T k 1 e k (3.13)
Il est donc bien évident que, si le vecteur T k 1 correspond à la meilleure estimation du
estimation du bruit e(k). En d’autres mots, la valeur du bruit e(k), qui n’est pas mesurable à
l’instant discret k, peut être estimée à partir de calcul de la valeur de l’erreur de prédiction a
priori k à cet instant. Ainsi, nous pouvons écrire les deux expressions suivantes :
1 M
lim k (3.14)
M M k
0 k 1 k0
et
M
1
lim 2 k 2 (3.15)
M M k
0 k 1 k0
où k0 est un instant discret, à partir duquel nous calculons la valeur de la moyenne statistique
du vecteur des paramètres estimés k , et 2 désigne la valeur de la variance du bruit e(k).
Chapitre 3 : Estimation paramétrique des systèmes dynamiques par la méthode de l’erreur de prédiction 22
Cours Identification des procédés industriels Badreddine LOUHICHI
L’erreur de prédiction ε(k), telle que définie par (3.12), peut s’écrire sous la forme
développée suivante :
k y k a1 k 1 y k 1 an k 1 y k n b1 k 1 u k 1 bm k 1 u k m (3.16)
Nous proposons de développer un estimateur k optimal du vecteur de paramètres , tel
que donné par (3.6), et ce, à partir de la minimisation du critère quadratique J(k) suivant :
k 2
J k y i T k i (3.17)
i n 1
où k est le vecteur des paramètres estimés à l’instant discret k, qui est défini par :
T k a1 k an k b1 k bm k (3.18)
Il est important d’indiquer que l’expression de ce critère quadratique J(k) est une fonction
linéaire par rapport aux paramètres estimés intervenant dans le vecteur k . Il en résulte
donc que la minimisation du carré de cette erreur de prédiction peut être faite en utilisant des
techniques d’optimisation simples et faciles à mettre en œuvre.
Chapitre 3 : Estimation paramétrique des systèmes dynamiques par la méthode de l’erreur de prédiction 23
Cours Identification des procédés industriels Badreddine LOUHICHI
Le terme T k i intervenant dans l’expression du critère J(k) peut être donné par :
T k i a1 k y i 1 an k y i n b1 k u i 1 bm k u i m (3.19)
Nous pouvons réécrire le critère quadratique J(k), tel que décrit par (3.17), sous la forme
matricielle suivante :
J k ET k E k (3.21)
Y T k y n 1 y k (3.24)
et
y n y n 1 y 1 u n u n 1 u n 1 m
y n 1 y n y 2 u n 1 u n u n 2 m
k (3.25)
y k 1 y k 2 y k n u k 1 u k 2 u k m
La matrice Ψ(k), définie par (3.25), peut se réécrire sous la forme compacte suivante :
Chapitre 3 : Estimation paramétrique des systèmes dynamiques par la méthode de l’erreur de prédiction 24
Cours Identification des procédés industriels Badreddine LOUHICHI
T n 1
T
n 2
k (3.26)
T
k
L’objectif visé ici consiste en la détermination de l’estimé optimal k du vecteur de
paramètres , tel que donné par (3.6), et ce, à partir de la recherche du minimum du critère
quadratique J(k), qui est défini par (3.21). En fait, l’estimé optimal k correspond à la
solution optimale de ce critère quadratique J(k). Nous sommes donc amenés à chercher cette
solution optimale en annulant la dérivée du critère quadratique J(k) par rapport au vecteur
k . Pour cela, nous proposons d’exprimer le critère quadratique J(k) sous la forme
développée suivante :
J k Y T k Y k 2Y T k k k T k T k k k (3.27)
La dérivée de ce critère quadratique J(k) par rapport au vecteur k donne :
J k
2 T k k k T k Y k (3.28)
k
L’estimé optimal k du vecteur de paramètres θ, tel que donné par (3.6), s’obtient donc
exprimer l’algorithme non récursif d’estimation paramétrique des moindres carrés ordinaires
permettant d’estimer les paramètres intervenant dans le modèle mathématique (3.4) comme
suit :
1
k T k k T k Y k (3.30)
Notons que le fait de supposer que la matrice T k k est régulière revient à dire que
cette matrice doit être de rand n + m. Ceci est possible si le nombre de mesures M est
suffisamment grand, ce qui permet à la matrice Ψ(k) d’avoir plus de lignes que de colonnes.
Dans le cas où la matrice Ψ(k) serait carrée, nous pouvons montrer aisément que
l’algorithme non récursif d’estimation paramétrique des moindres carrés ordinaires peut se
mettre sous la forme suivante :
Chapitre 3 : Estimation paramétrique des systèmes dynamiques par la méthode de l’erreur de prédiction 25
Cours Identification des procédés industriels Badreddine LOUHICHI
k 1 k Y k (3.31)
La condition de l’unicité de l’estimé optimal k peut être obtenue en calculant la dérivée
seconde du critère quadratique J(k) par rapport à k , soit :
2 J k
2 T k k
k
(3.32)
Il en résulte donc que si la matrice T k k est définie positive, alors le critère
quadratique J(k), défini par (3.21), peut admettre un estimé optimal unique k , qui
Chapitre 3 : Estimation paramétrique des systèmes dynamiques par la méthode de l’erreur de prédiction 26
Cours Identification des procédés industriels Badreddine LOUHICHI
paramètres estimés optimal T k , qui correspond au minimum de ce critère quadratique,
J k k
2 y i T k i i 0 (3.34)
k i n 1
k
k T
y i i i i k (3.35)
i n1 i n1
ou encore, en supposant que la somme des matrices i T i existe
k T
1
k
k i i y i i (3.36)
i n1 in1
Nous avons supposé, jusqu’à maintenant, que l’estimation des paramètres intervenant dans
le vecteur , tel que donné par (3.6), se fait en se basant sur des valeurs mesurées (couples
d’entrée sortie) du système considéré, et ce, à partir de l’instant n + 1 jusqu’à l’instant k.
L’adjonction d’un nouveau couple d’entrée-sortie permet d’estimer ces paramètres à l’instant
discret k + 1. Ainsi, en considérant l’équation (3.36), nous pouvons écrire :
k 1
k 1 P k 1 y i i (3.37)
i n1
où la matrice P(k +1), que nous appellerons matrice de gain d’adaptation, est définie par :
1
k 1
P k 1 i T i (3.38)
i n1
Nous pouvons écrire l’expression suivante :
k 1 k
k 1
k T
y i i i i k y k 1 k 1 (3.40)
i n1 i n1
En ajoutant et en retranchant la quantité k 1 T k 1 k dans le membre droit de
k 1
k 1 T T
y i i i i k k 1 y k 1 k k 1 (3.41)
i n1 i n1
Chapitre 3 : Estimation paramétrique des systèmes dynamiques par la méthode de l’erreur de prédiction 27
Cours Identification des procédés industriels Badreddine LOUHICHI
Compte-tenu des deux expressions (3.37) et (3.42), nous pouvons exprimer le vecteur des
paramètres estimés optimal k sous la forme récursive suivante :
k 1 k P k 1 k 1 k 1 (3.43)
De l’expression (3.43), nous remarquons que le calcul du vecteur des paramètres estimés
k 1 se base sur la connaissance du vecteur des paramètres estimés k ; ceci constitue
totalement récursive, nous devons chercher une forme récursive pour la matrice de gain
d’adaptation paramétrique P k 1 . Notons toutefois que cette matrice est symétrique définie
positive.
ou encore
1
P k 1 P1 k k 1 T k 1 (3.45)
Chapitre 3 : Estimation paramétrique des systèmes dynamiques par la méthode de l’erreur de prédiction 28
Cours Identification des procédés industriels Badreddine LOUHICHI
P k 1 k T k P k 1
P k P k 1 (3.48)
1 T k P k 1 k
n a a k 2 m b b k 2
0.5
j j
d k i i (3.50)
i 1 ai j 1 b j
Nous pouvons montrer aisément que l’algorithme récursif d’estimation paramétrique des
moindres carrés ordinaires RLS (3.49) peut se mettre sous la forme suivante :
k k 1 K k k
P k 1 k
K k T
1 k P k 1 k
(3.51)
T
P k P k 1 P k 1 k k P k 1
1 T k P k 1 k
k y k T k 1 k
Chapitre 3 : Estimation paramétrique des systèmes dynamiques par la méthode de l’erreur de prédiction 29
Cours Identification des procédés industriels Badreddine LOUHICHI
Figure 3.2. Structure de l’algorithme récursif d’estimation paramétrique des moindres carrés ordinaires RLS
3. Conclusion
Ce chapitre a traité de l’estimation paramétrique de systèmes dynamiques par la méthode
de l’erreur de prédiction, tout en se basant sur les techniques des moindres carrés ordinaires.
Nous avons considéré plus particulièrement les systèmes dynamiques pouvant être décrits par
la classe des modèles mathématiques entrée-sortie, linéaires, monovariables, déterministes ou
légèrement bruités et à paramètres inconnus, mais constants.
Chapitre 3 : Estimation paramétrique des systèmes dynamiques par la méthode de l’erreur de prédiction 30