Académique Documents
Professionnel Documents
Culture Documents
Préparé par :
A S S E F Yanis
L A S L A Rayane
Groupe : AII.1
1
Adaptation de gain
𝐾. 𝐺(𝑝)
𝐾. 𝐺(𝑝). 𝜃 ° = 𝐾0 . 𝐺(𝑝)
𝐾0
𝜃° = 𝑎𝑣𝑒𝑐 𝜃 ° = 𝑣𝑎𝑙𝑒𝑢𝑟 𝑓𝑖𝑛𝑎𝑙𝑒
𝐾
2
Adaptation de gain
3
Adaptation de gain
4
5
GRAPHIQUE DE TETA 𝜃 POUR GAMMA=1
GRAPHIQUE DE L’ERREUR (Y-Ym) POUR GAMMA=1
6
Adaptation de gain
On remarque que le système réagit de manière plus rapide et plus efficace avec les
valeurs de 𝛾 = 0.5 & 1 qu’avec 𝛾 = 1 on va maintenant comparer l
GRAPHIQUE DE TETA 𝜃 POUR GAMMA=1 & GAMMA=0.5 GRAPHIQUE DE L’ERREUR POUR GAMMA=1 & GAMMA=0.5
ANALYSE
Dans les deux graphes nous avons une poursuite parfaite 𝑒 → 0 𝑦 → 𝑦𝑚 et les courbes sont
très proches l’un de l’autre il n’y a pas une grande différence mise à part que pour 𝛾 = 1 nous
avons des graphes sinusoïdaux et pour 0.5 nous avant des graphes qui se rapproche plus des dents
de scie.
En zoomant et en prenant une plage plus large de valeurs on remarque que la valeur qui
𝐾
atteint le plus rapidement la valeur de 0 est celle pour la quelle 𝛾 = 1
𝐾
FIN ANALYSE
7
1er Ordre MIT
8
1er Ordre MIT
La règle MIT :
𝑑𝜃 𝑑𝐽 𝑑𝑒
= −𝛾 ′ . = −𝛾 ′ . . 𝑒 … (𝐼)
𝑑𝑡 𝑑𝜃 𝑑𝜃
Nous allons appliquer cette règle par rapport à 𝜃1 𝑝𝑢𝑖𝑠 𝜃2 :
0 Car il ne dépend pas de 𝜃1
𝑑𝑒 𝑑𝑦 𝑑𝑦𝑚 𝑑𝑦
= − = … (6)
𝑑𝜃1 𝑑𝜃1 𝑑𝜃1 𝑑𝜃1
0 Car il ne dépend pas de 𝜃2
𝑑𝑒 𝑑𝑦 𝑑𝑦𝑚 𝑑𝑦
= − = … (7)
𝑑𝜃2 𝑑𝜃2 𝑑𝜃2 𝑑𝜃2
En remplaçant l’équation (5) dans (6) et (7) :
𝑑𝑒 𝑏
= 𝑢 … (8) 𝑦(𝑡)
𝑑𝜃1 𝑝 + 𝑎 + 𝑏 𝜃2 𝑐
𝑑𝑒 −𝑏 2 𝜃1 −𝑏 𝑏 𝜃1
= 𝑢 = 𝑢
𝑑𝜃2 (𝑝 + 𝑎 + 𝑏 𝜃2 )2 𝑐 (𝑝 + 𝑎 + 𝑏 𝜃2 )(𝑝 + 𝑎 + 𝑏 𝜃2 ) 𝑐
𝑑𝑒 −𝑏
= 𝑦 … (9)
𝑑𝜃2 (𝑝 + 𝑎 + 𝑏 𝜃 2 )
Nous avons à l’infini : 𝑝 + 𝑎 + 𝑏𝜃2 = 𝑝 + 𝑎𝑚
En remplaçant dans (8) et (9) et (𝐼) :
𝑑𝑒 𝑏 𝑑𝑒 −𝑏
= 𝑢 & = 𝑦 𝛾
𝑑𝜃1 𝑝 + 𝑎𝑚 𝑐 𝑑𝜃2 𝑝 + 𝑎𝑚
𝑏 Remarque : on divise et on
𝑑𝜃1 𝑏 𝑎𝑚 . −𝛾 ′ .
== −𝛾 ′ . 𝑢𝑐 . 𝑒 = 𝑎𝑚 multiplie par 𝑎𝑚 pour faire
sortir le 𝑎𝑚 au numérateur et se
𝑑𝑡 𝑝 + 𝑎𝑚 𝑝 + 𝑎𝑚
débarrasser de b et avoir
finalement une seule variable
inconnue dans notre équation
Et finalement nous aurons les équations désirées :
9
1er Ordre MIT
𝑑𝜃1 𝑎𝑚
= −𝛾. 𝑢 .𝑒
𝑑𝑡 𝑝 + 𝑎𝑚 𝑐
𝑑𝜃2 𝑎𝑚
= 𝛾. 𝑦. 𝑒
𝑑𝑡 𝑝 + 𝑎𝑚
2)- Implémentation de l’algorithme de commande adaptative avec les données :
𝑎 = 1 ; 𝑏 = 0.5 ; 𝑎𝑚 = 2 ; 𝑏𝑚 = 2 ; 𝛾 = 1
Et un signal de référence d’amplitude 1 à -1 et de fréquence -20.
On va alors crée notre schéma bloc équivalent sur Simulink :
10
1er Ordre MIT
11
1er Ordre MIT
GRAPHIQUE DE 𝜃1 GRAPHIQUE DE 𝜃2
12
1er Ordre MIT
On remarque par le biais des graphiques que la valeur de 𝑦 converge vers celle de
𝑦𝑚 quand 𝑡 → ∞ c-à-d que l’erreur entre eux tend vers 0, On peut le remarquer en
se penchant sur les valeurs 𝜃1 & 𝜃2 qui eux aussi converge vers des constantes à
savoir :
𝑏𝑚 2
lim 𝜃1 = 𝜃1 ° = = =4
𝑡→∞ 𝑏 0.5
𝑎𝑚 − 𝑎 2 − 1
lim 𝜃2 = 𝜃2 ° = = =2
𝑡→∞ 𝑏 0.5
Et tout ceci prouve l’efficacité et fiabilité de la méthode ou règle MIT d’un
système à première ordre.
Afin de mieux comprendre l’influence de 𝛾 sur notre système nous allons prendre
plusieurs valeurs différentes et nous allons simuler en fonction de ses dernières.
Contrairement à la première dans cette partie nous allons simuler les différents
graphiques dans un seul et même plan.
Nous allons fixer nos 𝛾 pour des valeurs supérieurs et inférieurs à 0, Dans notre cas
on va prendre 4 valeurs :
𝛾 = 0.2 , 𝛾 = 0.5 , 𝛾 = 2 & finalement 𝛾 = 3
Après simulation nous aurons :
13
1er Ordre MIT
14
1er Ordre MIT
On remarque en premier lieu que 𝛾 influe sur la vitesse de convergence des teta & ainsi
aussi sur l’erreur et plus 𝛾 ↗ (𝑔𝑟𝑎𝑛𝑑) → 𝜃1 & 𝜃2 converge plus rapidement et par la suite l’erreur
diminue 𝑒 ↘ .
Pour les deux premiers graphiques on remarque que plus 𝛾 est grand plus nos tetas
𝑏𝑚 𝑎𝑚 −𝑎
convergent plus rapidement vers des valeurs constantes à savoir 𝜃1 = = 4 et 𝜃2 = = 2.
𝑏 𝑏
Donc systématiquement si 𝜃1 & 𝜃2 convergent plus rapidement pour des valeurs constantes
donc l’erreur sera plus petite pour des valeurs grandes de 𝛾 car l’erreur et proportionnelle à la
𝑑𝜃1 𝑎𝑚 𝑑𝜃2 𝑎𝑚
variation des 𝜃 : = −𝛾. 𝑢𝑐 . 𝑒 = 𝛾. 𝑦. 𝑒
𝑑𝑡 𝑝+𝑎𝑚 𝑑𝑡 𝑝+𝑎𝑚
On peut vérifier ça via la dernière figure où on voit le graphique rouge (𝛾 = 0.2) avec l’erreur la
plus importante et le graphique violet (𝛾 = 3) pour l’erreur la plus basse. Et donc vu que l’erreur
est petite pour 𝛾 plus grand donc 𝑦 → 𝑦𝑚
FIN ANALYSE
15
1er Ordre Lyapunov
16
1er Ordre Lyapunov
1 𝑑𝜃1
𝑉̇ = 𝑒(−𝑎𝑚 𝑒 − (𝑏𝜃2 + 𝑎 − 𝑎𝑚)𝑦𝑒 + (𝑏𝜃1 − 𝑏𝑚 )𝑢𝑐 ) + (𝑏𝜃1 − 𝑏𝑚 )
𝛾 𝑑𝑡
1 𝑑𝜃2
+ (𝑏𝜃2 − 𝑎 − 𝑎𝑚 ) )
𝛾 𝑑𝑡
1 𝑑𝜃1 1 𝑑𝜃1
𝑉̇ = −𝑎𝑚 𝑒 2 + (𝑏𝜃1 − 𝑏𝑚 ) (𝑢𝑐 𝑒 + ) + (𝑏𝜃2 − 𝑎 − 𝑎𝑚 )( − 𝑦. 𝑒)
𝛾 𝑑𝑡 𝛾 𝑑𝑡
Pour calculer les lois d’adaptation on met :
1 𝑑𝜃1 𝑑𝜃1
(𝑢𝑐 𝑒 + )=0→ = −𝛾. 𝑢𝑐 . 𝑒
𝛾 𝑑𝑡 𝑑𝑡
1 𝑑𝜃1 𝑑𝜃2
( − 𝑦. 𝑒) = 0 → = 𝛾. 𝑦. 𝑒
𝛾 𝑑𝑡 𝑑𝑡
𝑉̇ = −𝑎𝑚 𝑒 2 ≤ 0
Il est semi définie.
On peut alors utiliser le théorème de borgnitude :
𝑉̈ = 𝑏𝑜𝑟𝑛é𝑒 Et tous nos signaux sont bornés (𝑦𝑐 , 𝑒 … ) et 𝑉̇ est uniformément
continue (définie sur chaque 𝐷𝑓 ) donc notre signal d’erreur convergera vers 0.
On peut alors vérifier ça en simulant tout ça sur Simulink ce qui nous donnera le
schéma bloc suivant :
17
1er Ordre Lyapunov
18
1er Ordre Lyapunov
19
1er Ordre Lyapunov
GRAPHIQUE DE 𝜃1 GRAPHIQUE DE 𝜃2
20
1er Ordre Lyapunov
Et nous allons les comparer à des valeurs différente et 𝑎 𝑒𝑡 𝑏 : (nous allons prendre
pour 𝒂 = 𝟐 𝑒𝑡 𝒂 = 𝟎. 𝟓 puis pour 𝒃 = 𝟐)
COMMENTAIRESE
𝜃1
On remarque que plus 𝑎 ↗ plus
notre 𝜃1 prendre des valeurs
grandes donc : 𝑒 ↘ mais sans
affecté la rapidité de convergence.
Pour notre 𝜃2 plus 𝑎 ↘ plus il
prend des valeurs plus grandes et
cela est vérifier par l’équation :
𝑎𝑚 − 𝑎
𝜃2 ° =
𝑏
Tandis que plus 𝑏 ↗ plus notre
système convergera rapidement
vers une valeur cste et donc plus
l’erreur diminuera 𝑒 ↘ rapidement
pour mais elle ne sera pas très
stable plus le temps passe nous
𝜃2
aurons pour 𝑡 → ∞ les valeurs des
b inférieures seront plus apte à
devenir plus stable même s’ils
atteignent lentement la valeur de
la stabilité. Alors pour remédier à
ce problème on prendra un 𝑎 plus
grand.
𝑏𝑚
𝜃1 ° =
𝑏
21
1er Ordre Lyapunov
On remarque que plus 𝛾 est grand plus l’erreur entre la sortie et la sortie de
référence diminue.
22
1er Ordre Lyapunov
23
1er Ordre Lyapunov
4)- Comparaison avec :
En remarque à première vue que les graphes de la méthode de Lyapunov et celle de
la méthode (règle) MIT sont les mêmes pour s’assurer du résultat nous allons
associer les 2 schéma bloc sur un seul et même schéma et nous allons simuler :
Visualisation de 𝜃1
Visualisation de 𝜃2
LYAPUNOV
24
1er Ordre Lyapunov
25
1er Ordre Lyapunov
On remarque à partir des schémas que l’erreur est légèrement plus grande
pour la méthode de Lyapunov et cela peut être vérifier en analysant le graphe des 𝜃
on remarque que les pics (variation de 𝜃) de Lyapunov sont beaucoup plus
brusques que celle de la MIT.
On remarque aussi que les courbes des 𝜃 MIT sont au-dessus de ceux de
Lyapunov donc on peut alors dire l’erreur pour la méthode de Lyapunov est plus
conséquente.
Donc on finalement dire que les deux méthodes suivent le modèle de
référence (presque parfaitement) avec une meilleure fiabilité pour la méthode MIT.
26
Conclusion
CONCLUSION
Durant ce TP nous avons eu l’occasion
de vérifier le fonctionnement de plusieurs
méthodes à savoir l’adaptation de gain et la
méthode MIT et Lyapunovpour les équations de
premier ordre Nous avons aussi vu pu
implémenter les différentes méthode et
visualiser les graphiques afin d’avoir une
meilleure vue de ses dernières et nous avons pu
comparer les résultats entre elles et nous avons
conclu que le modèle MIT était légèrement plus
favorable.
27