Académique Documents
Professionnel Documents
Culture Documents
Le succès de l’identification dépend dans une large mesure de l’opportunité de certains choix
apriori. Les éléments suivants jouent un rôle primordial dans l’identification d’un système
dynamique:
Le choix de la période d’échantillonnage et du signal d’excitation (amplitude et
contenu fréquentiel)
Le choix du modèle pour le processus et pour le bruit (nombre de pôles et de zéros,
retard pur)
Le choix de l’algorithme d’identification (par exemple, méthode des variables
instrumentales, méthode des moindres carres batch ou récurrents, pondères ou non,
valeur du facteur d’oubli λ, valeurs initiales).
Cette section sera consacrée à certains aspects pratiques lies au conditionnement des signaux
de mesure et au choix de la période d’échantillonnage et du signal d’excitation.
Une borne supérieure pour T est donnée par la condition d’échantillonnage de Shannon (ωN >
ωmax , c’est -à- dire T < π/ωmax , ou ωN représente la pulsation de Nyquist et ωmax la plus
grande pulsation contenue dans les signaux d’entrée et de sortie). En pratique, il est
recommande d’utiliser un filtre de garde afin de réduire le contenu fréquentiel à hautes
fréquences et ainsi les effets de recouvrement de spectre.
Contenu fréquentiel
Le processus à identifier est excite à l’aide du signa l d’entrée u( k) . Il est important de
choisir une entrée qui excite tous les modes du système, et donc toutes les fréquences
correspondantes.
Par exemple, un signal d’entrée sinusoïdal de pulsation ω 0 ne donnera de l’information qu’à
cette pulsation ω0. Il existe une infinité de systèmes qui généreront la même sortie pour cette
entrée particulière. Il importe donc que u(k) contiennent suffisamment de fréquences.
Il convient également que cette excitation soit persistante de façon à assurer que la matrice
ΦTΦ, laquelle contient les entrées et les sorties passées, soit régulière. La qualité de
l’identification dépend de la «richesse» de l’excitation.
D’autre part, si l’excitation est insuffisante, la convergence vers zéro de l’erreur de prédiction
n’implique pas nécessairement la convergence des paramètres estimes vers les vrais
paramètres du modèle.
Amplitude
L’amplitude du signal d’excitation représente un compromis entre le rapport signal-sur-bruit
et la non- linéarité du système à identifier.
L’amplitude de l’excitation doit rester supérieure au niveau du bruit résiduel. Si le rapport
signal-sur-bruit est faible, il faudra allonger la longueur de l’essai afin d’obtenir une bonne
estimation des paramètres.
Dans de nombreuses applications, une excitation trop forte du processus n’est pas souhaitable
en raison du caractère non linéaire du processus à identifier ou, tout simplement, par ce
qu’une telle perturbation est inacceptable pour le bon fonctionnement du processus.
Durée de l’essai
Il convient de dimensionner correctement le signal d’excitation. Pa r exemple, afin de mieux
identifier le gain statique du système avec un SBPA (Signal Binaire Pseudo-Aléatoire), on
propose que la durée de l’impulsion la plus longue soit supérieure au temps d’établissement
du processus.
Les méthodes d’identification paramétrique peuvent aussi être utilisées pour estimer l’ordre
d’un système. Considérons qu’on fixe le retard d = 1 et qu’on trace l’évolution du critère
d’identification J pour la structure ARX en fonction de la valeur de n = m pour n = 0 ,...,n max
où nmax est l’ordre maximum qu’on considère pour le système. Autrement dit, pour chaque
valeur de n, on lance l’algorithme d’identification avec la structure ARX et on calcule les
résidus en fonction de n comme suit :
En théorie, s’il s’agit d’un exemple simule et non bruite, une courbe présentant un coude net
suivi d’un segment horizontal sera obtenue qui indique que l’accroissement du nombre de
paramètres n’améliore pas le critère. En pratique, comme l’ordre des systèmes réels est infini
et les données sont bruitées, ce coude n’est pas franc.
Cependant, on peut s’apercevoir qu’a partir d’un certain ordre l’amélioration du critère n’est
plus significative et donc qu’il n’est pas raisonnable d’augmenter plus l’ordre du modèle.
Si l’ordre du modèle est surestime, on peut le réduire sans trop influencer le comportement
entrée-sortie du système. Dans ce cas, une simplification approximative de pôles et de zéros
devient possible. Donc, pour estimer l’ordre d’un modèle, on peut varier m = n de 1 à nmax est
trouver l’ordre n à partir duquel une simplification de pôles et de zéros se produit.
Estimation du retard
Il faut noter que le modèle identifie avec les ordres estimes ne vérifie pas nécessairement les
critères de validation expliques à la section suivante. Si l’essai de toutes les méthodes ne
permet pas d’obtenir un modèle valide, alors une solution est d’augmenter n et m.