Académique Documents
Professionnel Documents
Culture Documents
Elmehraz -Fès
Cours commande
adaptative
Bensalem BOUKILI
2023-2024
1
Plan de cours
1ère PARTIE
2ème PARTIE
3ème PARTIE
Commande adaptative
2
DÉFINITIONS: Identification
L’identification des systèmes dynamiques consiste à
rechercher des modèles mathématiques à partir des
données expérimentales et de connaissances disponibles a
priori.
3
DÉFINITIONS: Identification
La démarche d’identification consiste à :
x = états
y = sorties
Modélisation ou Identification
6
DÉFINITIONS: Types des modèles
Par modélisation: modèle de connaissances Par identification: modèle de représentation
(boîte blanche), obtenu sur la base des lois
ou modèle de comportement (boîte noir)
physiques, chimiques, biologiques,
économiques… entrées sorties (modèle expérimental ou
9
DÉFINITIONS: Classification des modèles
10
DÉFINITIONS: Classification des modèles
NB: Les équations ci-dessus peuvent décrire le comportement d’un procédé faiblement
12
DÉFINITIONS: Procédure d’identification
13
DÉFINITIONS: Procédure d’identification
14
DÉFINITIONS: Procédure d’identification
3. Choix du critère
Sélection de J
4. Calcul du meilleur θ
Choisir un algorithme d’optimisation
5. Validation
Test pouvant invalider ⟹ Modèle acceptable
15
DÉFINITIONS : Principe de parcimonie
16
DÉFINITIONS: Identifiabilité
17
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Modèles de représentation paramétriques
choisir au préalable:
▪ Le critère de performance.
▪ Le signal d’excitation u .
18
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Modèles de représentation paramétriques
𝐧 𝐦
𝐲𝐦 𝐤 + 𝐚𝐢 𝐲𝐦 𝐤 − 𝐢 = 𝐛𝐣 𝐮 𝐤 − 𝐝 − 𝐢 𝐤 = 𝟎, 𝟏, 𝟐, 𝟑, … (𝟏)
𝐢=𝟏 𝐣=𝟏
20
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Modèles de représentation paramétriques
D’où
𝐘𝐦 𝐳 𝐛 + 𝐛𝟏 𝐳 −𝟏 + . . . + 𝐛𝐦 𝐳 −𝐦
−𝐝 𝟎 −𝒅
𝑩(𝒛)
𝐺 𝑧 = =𝐳 −𝟏 −𝐧
=𝒛 (𝟑)
𝐔 𝐳 𝟏 + 𝐚𝟏 𝐳 + . . . +𝐚𝐧 𝐳 𝑨(𝒛)
Opérateur retard : dans le but de simplifier l’écriture des équations aux
différences, on introduit l’opérateur retard 𝐪−𝟏 défini comme suit:
𝐪−𝟏 𝐲 𝐤 = 𝐲 𝐤 − 𝟏 𝐤>𝟏 && 𝐪−𝟏 𝐲 𝟎 = 𝟎 (𝟒)
21
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Modèles de représentation paramétriques
Avec
𝒚𝒎 (𝒌) 𝑩(𝒒−𝟏 )
𝑮 𝒒−𝟏 = = 𝒒 −𝟏 (𝟕)
𝒖(𝒌) 𝑨(𝒒−𝟏 )
Comme l’opérateur de transfert temporel (7) possède la même forme que G(z)
22
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Exercice 01
Soit le système dynamique donné par la fonction de transfert
discrète:
𝑧 3 + 2𝑧 2 + 𝑧 − 1
𝐺 𝑧 = 4
𝑧 + 1,6𝑧 2 − 0,8𝑧
différences.
Ou de façon équivalente:
𝒚(𝒌) + 𝟏. 𝟔𝒚(𝒌 − 𝟐) − 𝟎. 𝟖𝒚(𝒌 − 𝟑) = 𝒖(𝒌 − 𝟏) + 𝟐𝒖(𝒌 − 𝟐) + 𝒖(𝒌 − 𝟑) − 𝒖(𝒌 − 𝟒)
retard: d = 1
24
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Modèles de représentation paramétriques
nature déterministe,
25
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Modèles de représentation paramétriques
26
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Exercice 02
27
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Solution d’exercice 02
Soit le circuit électrique RCL ci-contre.
𝑑 2 𝑢𝑐 𝑑𝑢𝑐
𝑢 = 𝐿𝐶 + 𝑅𝐶 + 𝑢𝑐
𝑑𝑡 2 𝑑𝑡
𝑑𝑢𝑐
𝑦 = 𝑅𝐶
𝑑𝑡
La fonction de transfert est:
𝑌(𝑝) 𝑅𝐶𝑝
𝐺 𝑠 = =
𝑈(𝑝) 𝐿𝐶𝑝2 + 𝑅𝐶𝑝 + 1
−1
𝑦(𝑘) −1
𝑏0 + 𝑏1 𝑞−1
𝐺 𝑞 = =𝑞
𝑢(𝑘) 1 + 𝑎1 𝑞−1 + 𝑎2 𝑞−2
28
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Modèles de représentation paramétriques
𝜷𝒑
𝐆(𝐩)
𝜶𝟐 𝒑𝟐 + 𝜶𝟏 𝐩 + 𝟏
29
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Modèles de représentation paramétriques
Le retard (valeur de d ≥ 1)
31
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
CRITERES DE PERFORMANCE
32
CRITERES DE PERFORMANCE
Critère basé sur l’erreur de sortie
L’erreur de sortie 𝒆𝒔 (𝒌) est la différence entre la sortie mesurée
𝒚(𝒌) et la sortie du modèle 𝒚𝒎 (𝒌) qui résultent de la même
excitation 𝒖(𝒌), comme cela est illustré à la figure ci-dessous.
On a donc:
𝒆𝒔 𝒌 ≡ 𝒚 𝒌 − 𝒚𝒎 𝒌 = 𝒚𝒑 𝒌 + 𝒏 𝒌 − 𝒚𝒎 𝒌 (𝟖)
Par modèle:
−𝟏
−𝟏
𝒚𝒎 (𝒌) −𝒅
𝑩(𝒒 )
𝑮 𝒒 = =𝒒 (𝟗)
𝒖(𝒌) 𝑨(𝒒−𝟏 )
33
CRITERES DE PERFORMANCE
Critère basé sur l’erreur de sortie
L’équation aux différences correspondante s’écrit:
𝐲𝐦 𝐤
= −𝐚𝟏 𝐲𝐦 𝐤 − 𝟏 − ⋯ − 𝐚𝐧 𝐲𝐦 𝐤 − 𝐧 + 𝐛𝟎 𝐮 𝐤 − 𝐝 + 𝐛𝟏 𝐮 𝐤 − 𝐝 − 𝟏 + ⋯
+ 𝐛𝐦 𝐮 𝐤 − 𝐝 − 𝒎 (𝟏𝟎)
Il s’ensuit que l’erreur de sortie est une fonction non linéaire des
paramètres à identifier.
34
CRITERES DE PERFORMANCE
Critère basé sur l’erreur de sortie
−𝟏
𝑩 𝒒
𝒆𝒔 𝒌 = 𝒚 𝒌 − 𝒚𝒎 𝒌 = 𝒚 𝒌 − 𝒒−𝒅 𝒖 𝒌 (𝟏𝟏)
𝑨 𝒒−𝟏
35
CRITERES DE PERFORMANCE
Critère basé sur l’erreur de sortie
𝑵
𝐦𝐢𝐧 𝑱 𝜽 = 𝒆𝒔 𝟐 𝒌 (𝟏𝟐)
𝜽
𝒌=𝟏
où N représente le nombre de mesures disponibles.
locaux.
36
CRITERES DE PERFORMANCE
Critère basé sur l’erreur d’équation
La sortie mesurée 𝒚(𝒌) diffère de 𝒚𝒎 (𝒌), celle du modèle
l’erreur d’équation 𝒆𝒆 (𝒌) représente l’erreur dans l’équation
(10) lorsque la sortie du modèle 𝒚𝒎 (𝒌) est remplacée par la
sortie mesurée 𝒚:
𝒆𝒆 𝒌 ≡ 𝒚 𝒌 + 𝒂𝟏 𝒚 𝒌 − 𝟏 + ⋯ + 𝒂𝒏 𝒚 𝒌 − 𝒏 − 𝒃𝟎 𝒖 𝒌 − 𝒅 −
𝒃𝟏 𝒖 𝒌 − 𝒅 − 𝟏 − ⋯ − 𝒃𝒎 𝒖 𝒌 − 𝒅 − 𝒎 (𝟏𝟑)
37
CRITERES DE PERFORMANCE
Critère basé sur l’erreur d’équation
La différence entre la sortie 𝒚(𝒌) filtrée à l’aide du
dénominateur 𝑨(𝒒−𝟏 ) de la fonction de transfert et l’entrée 𝒖(𝒌)
filtrée à l’aide du numérateur 𝒒−𝒅 𝑩 𝒒−𝟏 de la fonction de
transfert (figure ci-dessous).
38
CRITERES DE PERFORMANCE
Critère basé sur l’erreur d’équation
Les échantillons 𝒖(𝒌 − 𝒅), . . . , 𝒖(𝒌 − 𝒅 − 𝒎) sont donnés et les
échantillons 𝒚(𝒌), . . . , 𝒚(𝒌 − 𝒏) sont mesurés, l’erreur d’équation 𝒆𝒆 (𝒌)
est linéaire par rapport aux paramètres 𝜽 , c.-à-d. 𝒂𝒊 et 𝒃𝒋 (𝒊 =
𝟏, 𝟐, … 𝒏; 𝒋 = 𝟎, 𝟏, . . . , 𝒎).
𝒆𝒆 𝒌
=𝒚 𝒌
− [ −𝒂𝟏 𝒚 𝒌 − 𝟏 − … − 𝒂𝒏 𝒚 𝒌 − 𝒏 + 𝒃𝟎 𝒖 𝒌 − 𝒅 + 𝒃𝟏 𝒖 𝒌 − 𝒅 − 𝟏 + …
+ 𝒃𝒎 𝒖 𝒌 − 𝒅 − 𝒎 ] (𝟏𝟓)
39
CRITERES DE PERFORMANCE
Critère basé sur l’erreur d’équation
Cas d’un modèle correct:
𝒆𝒆 𝒌 = 𝑨 𝒒−𝟏 𝒏 𝒌 (𝟏𝟔)
41
CRITERES DE PERFORMANCE
Critère basé sur l’erreur de prédiction
ෝ 𝒌
𝒚
= 𝑭(𝜽, 𝒖 𝒌 − 𝟏 , 𝒖 𝒌 − 𝟐 , . . . , 𝒚 𝒌 − 𝟏 , 𝒚(𝒌
− 𝟐), . . . , 𝒚 ෝ 𝒌 − 𝟐 ,...)
ෝ 𝒌 − 𝟏 ,𝒚 (𝟏𝟖)
où 𝑭 est une fonction à définir.
On peut mentionner que l’erreur de sortie 𝒆𝒔 (𝒌) et l’erreur
d’équation 𝒆𝒆 (𝒌) sont des cas particuliers de l’erreur de
prédiction.
Si l’on prend la sortie du modèle pour la sortie prédite
ෝ 𝒌 = 𝒚𝒎 𝒌 , on retrouve le critère de l’erreur de sortie.
𝒚
42
CRITERES DE PERFORMANCE
Critère basé sur l’erreur de prédiction
La sortie prédite s’écrit:
ෝ 𝒌
𝒚
ෝ 𝒌 − 𝟏 − · · · −𝒂𝒏 𝒚
= −𝒂𝟏 𝒚 ෝ 𝒌 − 𝒏 + 𝒃𝟎 𝒖 𝒌 − 𝒅 + · ·
· + 𝒃𝒎 𝒖 𝒌 − 𝒅 − 𝒎 (𝟏𝟗)
L’erreur d’équation dans l’équation (15) peut aussi être écrite comme une
erreur de prédiction en choisissant la sortie prédite égale au terme entre
crochets de l’équation (15):
ෝ 𝒌
𝒚
= −𝒂𝟏 𝒚 𝒌 − 𝟏 − · · · −𝒂𝒏 𝒚 𝒌 − 𝒏 + 𝒃𝟎 𝒖 𝒌 − 𝒅 + · ·
· +𝒃𝒎 𝒖 𝒌 − 𝒅 − 𝒎 (𝟐𝟎)
𝜺 𝒌 = 𝒚 𝒌 − 𝝓𝑻 𝒌 𝜽 (𝟐𝟏)
avec:
𝝓𝑻 𝒌 = −𝒚 𝒌 − 𝟏 , . . . , −𝒚 𝒌 − 𝒏 , 𝒖 𝒌 − 𝒅 , . . . , 𝒖 𝒌 − 𝒅 − 𝒎 (𝟐𝟐)
𝜽𝑻 = 𝒂𝟏 , . . . , 𝒂𝒏 , 𝒃𝟎 , . . . , 𝒃𝒎 (𝟐𝟑)
44
ALGORITHME DES MOINDRES CARRES
où :
45
ALGORITHME DES MOINDRES CARRES
46
ALGORITHME DES MOINDRES CARRES
En accumulant N mesures, par exemple aux instants
discrets k = 1, 2, ...N, l’équation (21) donne sous forme
matricielle:
𝜺(𝟏) 𝒚(𝟏) 𝝓𝑻 𝟏
⋮ = ⋮ − ⋮ 𝜽 (𝟐𝟒)
𝜺(𝑵) 𝒚(𝑵) 𝝓𝑻 𝑵
𝜺 = Y − Φθ (25)
47
ALGORITHME DES MOINDRES CARRES
𝜺 : (N × 1) vecteur d’erreurs
Y : (N × 1) vecteur de mesures
Φ : (N × p) matrice d’observations
θ : (p × 1) vecteur de paramètres
où 𝒑 = 𝒏 + 𝒎 + 𝟏 représente le nombre de
paramètres à identifier.
48
ALGORITHME DES MOINDRES CARRES
49
ALGORITHME DES MOINDRES CARRES
𝝏𝑱(𝜽)
ቤ = 𝟎 (𝟐𝟕)
= −𝟐𝜱𝑻 𝒀 + 𝟐𝜱𝑻 𝜱𝜽
𝝏𝜽 𝜽=𝜽
50
ALGORITHME DES MOINDRES CARRES
𝝏𝟐 𝑱(𝜽)
ฬ = 𝟐𝜱𝑻 𝚽 > 𝟎 (𝟑𝟎)
𝝏𝜽𝝏𝜽𝑻 𝜽=𝜽
51
ALGORITHME DES MOINDRES CARRES
52
ALGORITHME DES MOINDRES CARRES
L’estimée du vecteur de paramètres, donnée par l’équation
(28), s’écrit également sous la forme équivalente suivante:
−𝟏
𝑵 𝑵
= ϕ (𝒌)ϕ𝑻 (𝒌)
𝜽 ϕ 𝒌 𝒚(𝒌)
𝒌=𝟏 𝒌=𝟏
−𝟏
𝑵 𝑵
𝟏 𝟏
= ϕ (𝒌)ϕ𝑻 (𝒌) ϕ 𝒌 𝒚(𝒌) (𝟑𝟏)
𝑵 𝑵
𝒌=𝟏 𝒌=𝟏
L’équation (31) indique que 𝜽 peut également être
interprété comme le résultat d’une analyse de corrélation si le
nombre de données N tend vers l’infini
53
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Exercice 03
La réponse indicielle d’un système lscr a donné pour les 3
premiers points d’échantillonnage ( 𝑇 = 0.2 ) les valeurs
suivantes: 𝑦1 = 0.18; 𝑦2 = 0.33 et 𝑦3 = 0.45. Le système peut
être modélisé par la fonction de transfert du premier ordre:
𝑏1 𝑧 −1
𝐺 𝑧 =
1 + 𝑎1 𝑧 −1
1. Expliciter la fonction quadratique relative à la minimisation
de l’erreur de sortie.
2. Répéter le développement précédent pour l’erreur
d’équation.
3. Identifier le système dynamique, c’est-à-dire déterminer les
valeurs numériques de 𝑎1 et 𝑏1 .
4. Identifier le système dynamique en n’utilisant que les deux
premières mesures 𝑦1 et 𝑦2 .
54
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Exercice 04
𝑆0 = 𝑦(𝑘) 𝑆1 = 𝑘𝑦(𝑘)
𝑘=1 𝑘=1
b) Répéter le point précédant pour le cas du modèle:
𝑦𝑚 𝑘 = 𝑎
c) Supposer que le paramètre 𝒂 est d’abord identifié comme indiqué
sous point b). Identifier ensuite le paramètre b du modèle:
𝑦𝑚 𝑘 − 𝑎ො = 𝑏𝑘
et comparer avec les résultats du point a).
55
ALGORITHME DES MOINDRES CARRES
Formulation récurrente des moindres carrés
56
ALGORITHME DES MOINDRES CARRES
Formulation récurrente des moindres carrés
𝜃መ𝑘 = 𝑃𝑘 𝜑 𝑖 𝑦 𝑖 (34)
𝑖=1
−1
𝑘
La matrice 𝑷𝒌+𝟏
−𝟏
peut se calculer de façon récurrente comme suit:
𝑘
𝑘+1
−1 𝜑 𝑖 𝜑 𝑇 𝑖 = 𝜑(𝑖)𝜑𝑇 (𝑖) + 𝜑 𝑘 + 1 𝜑 𝑇 𝑘 + 1
𝑃𝑘+1 =
𝑖=1
𝑖=1
= 𝑃𝑘−1 + 𝜑 𝑘 + 1 𝜑𝑇 𝑘 + 1 (36)
58
ALGORITHME DES MOINDRES CARRES
Formulation récurrente des moindres carrés
𝒌+𝟏 𝒌
𝒌+𝟏 = 𝑷𝒌+𝟏 𝝋 𝒊 𝒚 𝒊 = 𝑷𝒌+𝟏 𝝋 𝒊 𝒚 𝒊 + 𝝋 𝒌 + 𝟏 𝒚 𝒌 + 𝟏
𝜽
𝒊=𝟏 𝒊=𝟏
59
ALGORITHME DES MOINDRES CARRES
Formulation récurrente des moindres carrés
L’algorithme des moindres carrés peut être présente par les deux
équations récurrentes suivantes:
−1
𝑃𝑘+1 = 𝑃𝑘−1 + 𝜑 𝑘 + 1 𝜑𝑇 𝑘 + 1 (38)
60
ALGORITHME DES MOINDRES CARRES
Formulation récurrente des moindres carrés
Remarque:
61
ALGORITHME DES MOINDRES CARRES
Formulation récurrente des moindres carrés
62
ALGORITHME DES MOINDRES CARRES
Formulation récurrente des moindres carrés
𝑃𝑘 𝜑 𝑘 + 1 𝜑(𝑘 + 1)𝑇 𝑃𝑘
𝑃𝑘+1 = 𝑃𝑘 −
1 + 𝜑 𝑘 + 1 𝑇 𝑃𝑘 𝜑(𝑘 + 1)
63
Exercice 05
64
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Méthode de l’erreur de prédiction
66
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures sans modèle du bruit: Structure OE
Soit la sortie mesurée du système puisse être exprimée comme suit:
𝒚 𝒌 = 𝑮𝟎 𝒒−𝟏 𝒖 𝒌 + 𝒏 𝒌 (𝟒𝟎)
67
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures sans modèle du bruit: Structure OE
La sortie mesurée peut s’écrire 𝒚(𝒌) = 𝒚𝒑 (𝒌) + 𝒏(𝒌). Il est évident que la sortie
du modèle du processus 𝒚𝒑 (𝒌) peut être facilement calculée avec les
informations disponibles à l’instant 𝒌 − 𝟏 à condition que les paramètres du
vrai modèle 𝑮𝟎 𝒒−𝟏 soient parfaitement connus.
Par contre, étant un signal aléatoire, le bruit 𝒏 n’est pas prévisible avant sa
réalisation à l’instant k.
68
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures sans modèle du bruit: Structure OE
où 𝒚
ෝ(𝒌, 𝜽𝟎 ) est la sortie prédite à l’instant 𝒌 qui dépend du
vecteur de paramètres du vrai modèle 𝜽𝟎 . Comme 𝜽𝟎 est en
principe inconnu, on peut construire un prédicteur
paramétrée où le vecteur 𝜽𝟎 est remplacé par un vecteur de
paramètres inconnu 𝜽 comme suit:
𝒒−𝒅 𝑩 𝒒−𝟏
ෝ 𝒌, 𝜽𝟎 = 𝑮
𝒚 𝒒−𝟏 , 𝜽 𝒖 𝒌 = 𝒖 𝒌 (44)
𝑨 𝒒−𝟏
69
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures sans modèle du bruit: Structure OE
𝐵 𝑞 −1 = 𝑏0 + 𝑏1 𝑞 −1 + ⋯ + 𝑏𝑚0 𝑞−𝑚
𝐴 𝑞 −1 = 1 + 𝑎1 𝑞 −1 + ⋯ + 𝑎𝑛 𝑞 −𝑛
𝜃 𝑇 = 𝑎1 , … , 𝑎𝑛 , 𝑏0 , … , 𝑏𝑚
Si 𝑑0 = 𝑑 , 𝑚0 = 𝑚 et 𝑛0 = 𝑛 , on dit que 𝐺0 𝑞 −1
appartient à l’ensemble des modèles 𝐺(𝑞 −1 ), c’est-à-
dire 𝐺 𝑞 −1 , 𝜃0 = 𝐺0 𝑞−1 .
70
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures sans modèle du bruit: Structure OE
71
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures sans modèle du bruit: Structure OE
72
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures sans modèle du bruit: Structure FIR
où
73
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures sans modèle du bruit: Structure FIR
74
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures sans modèle du bruit: Structure FIR
−1
𝑁 𝑁
𝜃 − 𝜃0 = 𝜑𝑓 𝑘 𝜑𝑓𝑇 𝑘 𝜑𝑓 𝑘 𝑛 𝑘 (𝟓𝟏)
𝑘=1 𝑘=1
L’estimation des paramètres est donc non biaisée car 𝒏(𝒌) n’est pas
d’entrée.
75
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures avec modèle du bruit
On peut démontrer que si le spectre du bruit est strictement positif dans
toutes les fréquences entre 𝟎 et 𝝅 (∅𝒏𝒏 (𝝎) > 𝟎, ∀𝝎 ∈ [𝟎 𝝅]), le bruit 𝒏(𝒌)
peut toujours être modélisé par un bruit blanc à moyenne nulle 𝒆(𝒌) filtré par
une fonction de transfert stable est inversement stable:
−𝟏
𝑪𝟎 𝒒−𝟏
𝒏 𝒌 = 𝑯𝟎 𝒒 𝒆 𝒌 = 𝒆 𝒌 (𝟓𝟐)
𝑫𝟎 𝒒−𝟏
−𝟏 −𝟏
𝑪𝟎 𝒒−𝟏 − 𝑫𝟎 𝒒−𝟏
𝒏 𝒌 = 𝑯𝟎 𝒒 𝒆 𝒌 = 𝑯𝟎 𝒒 −𝟏 𝒆 𝒌 +𝒆 𝒌 = 𝒆 𝒌 +𝒆 𝒌 (𝟓𝟒)
𝑫𝟎 𝒒−𝟏
77
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures avec modèle du bruit
des valeurs de 𝒆(𝒌 − 𝟏), 𝒆(𝒌 − 𝟐), . . . et est donc accessible à l’instant 𝒌 − 𝟏.
ෝ 𝒌, 𝜽𝟎 = 𝑮𝟎 𝒒−𝟏 𝒖 𝒌 + 𝑯𝟎 𝒒−𝟏 − 𝟏 𝒆 𝒌
𝒚 (56)
78
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures avec modèle du bruit
ෝ 𝒌, 𝜽 = 𝑮 𝒒−𝟏 𝒖 𝒌 + 𝑯 𝒒−𝟏 − 𝟏 𝜺 𝒌
𝒚 (58)
79
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures avec modèle du bruit
L’erreur de prédiction dans ce cas s’écrit:
𝜺 𝒌, 𝜽 = 𝒚 𝒌 − 𝒚 ෝ 𝒌, 𝜽
= 𝒚 𝒌 − 𝑮 𝒒−𝟏 𝒖 𝒌 + 𝑯 𝒒−𝟏 − 𝟏 𝜺 𝒌, 𝜽 (59)
Ce qui donne
𝜺 𝒌, 𝜽 = 𝑯−𝟏 𝒒−𝟏 𝒚 𝒌 − 𝑮 𝒒−𝟏 𝒖(𝒌) (60)
La figure ci-contre, montre le
modèles du processus et du
bruit.
80
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structures avec modèle du bruit
obtient:
82
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structure ARX
Cette structure modélise le bruit 𝒏(𝒌) par un bruit blanc filtré à l’aide du
dénominateur du modèle du processus:
𝑞𝑑0 𝐵0 (𝑞−1 ) 1
𝑦 𝑘 = −1
𝑢 𝑘 + −1
𝑒 𝑘 (62)
𝐴0 (𝑞 ) 𝐴0 𝑞
83
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structure ARX
84
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structure ARX
Le prédicteur de la sortie pour le modèle ARX s’obtient en remplaçant
−1 1
𝐻(𝑞 ) par −1 dans l’équation (58):
𝐴(𝑞 )
𝑞 −𝑑 𝐵 𝑞 −1 1
𝑦ො 𝑘 = −1
𝑢 𝑘 + −1
−1 𝜀 𝑘 (63)
𝐴 𝑞 𝐴 𝑞
L’erreur de prédiction est obtenu aussi en remplaçant 𝐻(𝑞 −1 ) par
1
𝐴(𝑞−1 dans l’équation (60):
)
−1 𝑞 −𝑑 𝐵 𝑞−1
𝜀 𝑘 =𝐴 𝑞 𝑦 𝑘 − 𝐴 𝑞−1
𝑢 𝑘
𝜀 𝑘 = 𝐴 𝑞 −1 𝑦 𝑘 − 𝐵 𝑞 −1 𝑢 𝑘 − 𝑑
𝜀 𝑘 = 𝑦 𝑘 − 𝑎1 𝑦 𝑘 − 1 − ⋯ − 𝑎𝑛 𝑦 𝑘 − 𝑛 + 𝑏0 𝑢 𝑘 − 𝑑 + ⋯ + 𝑏𝑚 𝑢(𝑘 − 𝑑 − 𝑚)
𝜀 𝑘 = 𝑦 𝑘 − 𝜑 𝑇 (𝑘)𝜃
85
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structure ARX
On observe que l’équation de l’erreur de prédiction
pour le modèle ARX et la même que l’erreur
d’équation (14). Ceci nous permet d’utiliser
l’algorithme des moindres carrés pour la minimisation
du critère quadratique basé sur l’erreur de prédiction.
L’estimation du vecteur de paramètres sera non biaisé
si le bruit sur la sortie est un bruit blanc filtré par le
dénominateur du modèle du processus.
86
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structure ARMAX
Pour cette structure, la sortie mesurée s’écrit:
87
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structure ARMAX
Comme les deux fonctions de transfert de la figure ci-dessous possèdent le
même dénominateur, ce modèle est utile lorsque le bruit agit en amont du
processus
−𝟏 𝑪(𝒒−𝟏 )
En remplaçant 𝑯(𝒒 ) par dans l’équation (58) on obtient la
𝑨(𝒒−𝟏 )
88
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structure ARMAX
𝑞 −𝑑 𝐵 𝑞 −1 𝐶 𝑞 −1
𝑦ො 𝑘 = −1 𝑢 𝑘 + −1 −1 𝜀 𝑘 (65)
𝐴 𝑞 𝐴 𝑞
L’erreur de prédiction pour le modèle ARMAX s’écrit donc:
𝐴 𝑞−1 𝑞 −𝑑 𝐵 𝑞 −1
𝜀 𝑘 = 𝑦 𝑘 − 𝑢 𝑘
𝐶 𝑞−1 𝐴 𝑞 −1
1 −1 𝑦 𝑘 − 𝐵 𝑞 −1 𝑢 𝑘 − 𝑑
𝜀 𝑘 = 𝐴 𝑞 (65𝑎)
𝐶 𝑞 −1
L’erreur de prédiction est non linéaire par rapport au paramètres
du modèle du processus et du bruit.
L’erreur de prédiction sera blanche si la structure du vrai modèle
est ARMAX et appartient à l’ensemble des modèles candidats
(𝑑 = 𝑑0 et les ordres de 𝐴, 𝐵 et 𝐶 sont respectivement les mêmes
que ceux de 𝐴0 ,𝐵0 et 𝐶0 ).
89
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structure Box-Jenkins
La structure proposée par Box et Jenkins est plus générale car les
modèles du processus et du bruit n’ont pas de facteur communs.
Ainsi, on a plus de degré de liberté pour modéliser le bruit mais
également plus de paramètres à identifier.
La sortie mesurée est représentée par:
𝒒𝒅𝟎 𝑩𝟎 (𝒒−𝟏 ) 𝑪𝟎 𝒒−𝟏
𝒚 𝒌 = −𝟏
𝒖 𝒌 + −𝟏
𝒆 𝒌 (66)
𝑨𝟎 (𝒒 ) 𝑫𝟎 𝒒
Cette structure conduit aussi à un prédicteur non linéaire par
rapport au vecteur de paramètres:
𝒒−𝒅 𝑩 𝒒−𝟏 𝑪 𝒒−𝟏
ෝ 𝒌 =
𝒚 𝒖 𝒌 + −𝟏 𝜺 𝒌 67
𝑨 𝒒−𝟏 𝑫 𝒒−𝟏
90
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structure Box-Jenkins
91
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Minimisation de l’erreur de prédiction
On a vu que les paramètres d’un modèle sont identifiés en
minimisant un critère quadratique basé sur l’erreur de
prédiction définie comme:
𝑵 𝑵
𝟏 𝟐
𝟏 𝟐
ෝ(𝒌)
𝑱 𝜽 = 𝜺 𝒌 = 𝒚 𝒌 −𝒚 (69)
𝑵 𝑵
𝒌=𝟏 𝒌=𝟏
92
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Minimisation de l’erreur de prédiction
93
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Régression pseudo-linéaire
Considérons le prédicteur de l’erreur de sortie donné à l’équation (44). En
multipliant les deux cotés de cette équation par 𝐴(𝑞−1 ) on obtient:
𝑨 𝒒−𝟏 𝒚
ෝ 𝒌 = 𝑩 𝒒−𝟏 𝒖 𝒌 − 𝒅 (70)
Cette équation peut être représentée sous forme vectorielle comme suit:
𝑦ො 𝑘 = −𝑎1 𝑦ො 𝑘 − 1 , … , −𝑎𝑛 𝑦ො 𝑘 − 𝑛 + 𝑏0 𝑢 𝑘 − 𝑑 + ⋯ + 𝑏𝑚 𝑢 𝑘 − 𝑑 − 𝑚
𝑦ො 𝑘 = 𝜑𝑒𝑇 𝑘 𝜃 (71)
Où
𝜑𝑒𝑇 𝑘 = −𝑦ො 𝑘 − 1 , … , −𝑦ො 𝑘 − 𝑛 , 𝑢 𝑘 − 𝑑 , … , 𝑢 𝑘 − 𝑑 − 𝑚
𝜃 𝑇 = 𝑎1 , … , 𝑎𝑛 , 𝑏0 , … , 𝑏𝑚
94
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Régression pseudo-linéaire
−1
𝑁 𝑁
95
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structure Box-Jenkins
Cette approche connue sous le nom de l’algorithme de substitution est
l’algorithme le plus simple pour résoudre les problèmes d’optimisation
non linéaire.
Une initialisation de l’algorithme avec la méthode des moindres carrés
est indispensable.
Cet algorithme peut également être appliqué aux structures avec un
modèle du bruit.
A titre d’exemple, considérons la structure ARMAX avec l’erreur de
prédiction présentée à l’équation (65𝑎). En multipliant les deux cotés
de cette équation par 𝑪(𝒒−𝟏 ) , l’erreur de prédiction peut être
reformulée sous forme d’une régression pseudo-linéaire comme suit:
96
IDENTIFICATION DES SYSTÉMES DYNAMIQUES
Structure Box-Jenkins
𝜀 𝑘
= 𝑦(𝑘)
− ൣ−𝑎1 𝑦ො 𝑘 − 1 , … , −𝑎𝑛 𝑦ො 𝑘 − 𝑛 + 𝑏0 𝑢 𝑘 − 𝑑 + ⋯ + 𝑏𝑚 𝑢 𝑘 − 𝑑 − 𝑚
+ 𝑐1 𝜀 𝑘 − 1 + ⋯ + 𝑐𝑝 𝑢 𝑘 − 𝑝 ൧
𝜀 𝑘 = 𝑦 𝑘 − 𝜑𝑥𝑇 𝑘 𝜃 (73)
où 𝑝 est l’ordre du polynôme 𝐶(𝑞−1 ) et 𝜑𝑥𝑇 𝑘 = [−𝑦 𝑘 − 1 , … , −𝑦(𝑘 −
𝑛), 𝑢 𝑘 − 𝑑 , … , 𝑢 𝑘 − 𝑑 − 𝑚 , 𝜀 𝑘 − 1 , … , 𝜀 𝑘 − 𝑝 ]
𝜃 𝑇 = 𝑎1 , … , 𝑎𝑛 , 𝑏0 , … , 𝑏𝑚 , 𝑐1 , … , 𝑐𝑝
Une estimation de 𝜃 s’obtient en remplaçant 𝜑𝑒 (𝑘, 𝜃መ𝑖 )par 𝜑𝑥 (𝑘, 𝜃መ𝑖 )dans l’équation
(72).
97