Université de Boumerdès - FHC

Cours d’Identifcation des Systèmes

Chapitre 3

Méthodes d’identification paramétriques

Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC

Contenu
1. Introduction
2. Méthode des moindres carrés pour les systèmes statiques
3. Méthode des moindres carrés pour les systèmes
dynamiques discrets
4. Méthode des moindres carrés pour les systèmes
dynamiques continus
5. Méthode des moindres carrés récursifs
6. Méthode de la variable instrumentale

Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC

1. Introduction
Les méthodes d’identification paramétriques permettent de traiter le problème
d’identification des systèmes en termes d’estimation statistique de paramètres

Certaines méthodes d’identification paramétriques:

Les moindres carrés
Les moindres carrés récursifs, généralisées, …
Le maximum de vraisemblance
La variable instrumentale

Ces méthodes différencient entre elles par les hypothèses statistiques adoptées
et les modèles de bruits considérés

Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
2. Méthode des moindres carrés pour les systèmes statiques
2.1 Position du problème η(k )

Soit un système décrit par : u (k ) y p (k ) + y (k )

y p ( k ) = f (θ 0 ) Système
+
+
Le vecteur de paramètres inconnus: e(k )
−
θ 0 = [θ10 θ 20 K θ m 0 ]T y M (k )
Modèle
En présence de bruit, la sortie du système: Critère
de performance
y ( k ) = y p ( k ) + η( k ) = f (θ 0 ) + η( k )
Optimisation
Etant donné un modèle à identifier de la forme:
y M ( k ) = f ( θ) où θ = [θ1 θ 2 K θ m ]T est le vecteur de paramètres à estimer
Le problème d’identification consiste en la détermination du vecteur de paramètres θ
du modèle de manière à réaliser une bonne approximation de la sortie y (k )
Ce problème est formulé comme un problème d’optimisation de l’erreur d’identification e(k )
soit:
∑ ∑
N N
min J =θ
e (k ) =
2
( y ( k ) − y ( k )) 2 est le nombre de mesures
M N
k =1 k =1

Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
2. Méthode des moindres carrés pour les systèmes statiques (suite)
2.2 Système statique linéaire
Soit un système statique décrit par le modèle: y p ( k ) = Κu (k )
En présence de bruit de mesure la sortie réelle du système est: y ( k ) = Κ u (k ) + η( k )
On cherche à identifier un modèle de la forme: y M (k ) = Κ M u (k )
Procédure: Etant donné un ensemble de mesure entrée/sortie:
{u (1), u (2),K u ( N ); y (1), y (2), K , y ( N )}
∑ ∑
N N

On définit un critère de performance à minimiser, soit: J = e( k ) = ( y ( k ) − y M ( k )) 2

2

k =1 k =1

Le problème à résoudre: min

Κ
J (K M )
M

dJ
∑ ( y(k ) − Κˆ
N
Solution: =0⇒ −2 u ( k )).u ( k ) = 0
dΚ M
M
k =1
Κ M = Κˆ

∑
N
y ( k )u ( k )
∑
N
⇒ Κˆ M = k =1
, avec u 2 (k ) ≠ 0
∑ u (k )
N
2 k =1

k =1

Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
2. Méthode des moindres carrés pour les systèmes statiques (suite)
2.3 Modèle de régression linéaire
Soit un système statique décrit par le modèle:
y p ( k ) = ψ 1 ( k )θ10 + ψ 2 ( k )θ 20 + K + ψ n ( k )θ n 0 ⇒ y p ( k ) = ψ T ( k )θ 0
La sortie mesurée est donnée par: y (k ) = y p (k ) + η(k )
Pour ce système , on choisi un modèle de la forme: y M (k ) = ψ T (k )θ
Le vecteur des paramètres à estimer : θ = [θ1 , K , θ n ]T
Ainsi, l’erreur d’estimation est: e(k ) = y ( k ) − y M (k ) ⇒ y (k ) = y M (k ) + e( k )

Pour N mesures entrée/sortie: k = 1, K , N

y (1) = ψ 1 (1)θ1 + ψ 2 (1)θ 2 + K + ψ n (1)θ n + e(1)
M ⇒ Y = Ψθ + Ε
y ( N ) = ψ 1 ( N )θ1 + ψ 2 ( N )θ 2 + K + ψ n ( N )θ n + e( N )

Où: Y = [ y (1), K , y ( N )]T Ε = [e(1), K , e( N )]T θ = [θ1 , K , θ n ]T

Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
2.3 Modèle de régression linéaire (suite)
 ψ 1 (1) K ψ n (1) 
Ψ =  M M M 
ψ 1 ( N ) K ψ n ( N ) ( N × n )

Procédure: Etant donné un ensemble de mesure entrée/sortie:

{u (1), u (2),K u ( N ); y (1), y (2), K , y ( N )}
On définit un critère de performance à minimiser, soit:

∑ ∑
N N
J ( θ) = e( k ) =
2
( y ( k ) − ψ T ( k ) θ) 2 = Ε T Ε
k =1 k =1

Le problème à résoudre: min

θ
J ( θ ) = min
θ
Ε T
Ε
Solution:
Considérons la fonction objectif J(θ) et supposons que la matrice de données Ψ T Ψ
est définie positive. Alors J(θ) possède un minimum unique donné par:
θˆ = ( Ψ T Ψ ) −1 Ψ T Y Estimateur au sens des moindres carrés du vecteur
des paramètres θ.
Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
2.3 Modèle de régression linéaire (suite)
Propriétés:
1. J (θ) = Ε T Ε = (Y T − θT Ψ T )(Y − Ψθ)
2. J (θˆ ) = Y T Y − Y T Ψ (Ψ T Ψ ) −1 Ψ T Y

Exemple: (Estimation d’une constante)

y (k ) = β + η( k ) ⇒ ψ (k ) = 1, θ = β

Y = [ y (1), K , y ( N )]T Ε = [e(1), K , e( N )]T Ψ = [1, K ,1]T

1
θˆ = β = ( Ψ T Ψ ) −1 Ψ T Y = ( y (1) + y (2) + K + y ( N ))
N
Ainsi obtenu, θ représente la moyenne arithmétique des mesures de la sortie.

Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
3. Méthode des moindres carrés pour les systèmes
dynamiques discrets
Soit un système dynamique discret de l’ordre n = 3:
y ( k + 3) + a2 y ( k + 2) + a1 y ( k + 1) + a0 y ( k ) = b2 u ( k + 2) + b1u ( k + 1) + b0 u ( k )

Le vecteur des paramètres: θ = [ a0 a1 a2 b0 b1 b2 ]T

Etant donné un ensemble de N = 127 mesure entrée/sortie:
{u (1), u (2), K u (127 ); y (1), y (2), K , y (127 )}
k = 1 : yˆ ( 4) = − a0 y (1) − a1 y ( 2) − a2 y (3) + b0 u (1) + b1u ( 2) + b2 u (3)
k = 2 : yˆ (5) = − a0 y ( 2) − a1 y (3) − a2 y ( 4) + b0u ( 2) + b1u (3) + b2 u ( 4)
M
k = 124 : yˆ (127 ) = − a0 y (124 ) − a1 y (125) − a2 y (126) + b0u (124) + b1u (125) + b2 u (126)

Le modèle à identifier peut être exprimé sous forme condensée par:

∑ a y (k + i) + ∑ b u (k + i)
2 2
yˆ ( k + 3) = − i i
i =0 i =0

L’erreur d’estimation : e(k + 3) = y ( k + 3) − yˆ (k + 3)

Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
3. Méthode des moindres carrés pour les systèmes
dynamiques discrets (suite)
Généralisation pour un système discret d’ordre “n”:
Considérons un système dynamique discret d’ordre “n” décrit par le modèle:
y ( k + n) + a n −1 y ( k + n − 1) + K + a0 y ( k ) = bm u ( k + m ) + bm −1u ( k + m − 1) + K + b0 u ( k )

∑ ∑ b u (k + i)
n −1
 yˆ ( k + n ) = − ai y ( k + i ) +
m


⇒ i=0
i
i =0

e( k + n ) = y ( k + n) − yˆ ( k + n )
A partir de l’équation d’erreur, il en découle:
 y ( n + 1)   − y (1) L − y ( n) u (1) K u ( m + 1)   a0   e( n + 1) 
 y ( n + 2)   − y ( 2) K − y ( n + 1) u ( 2 ) K u ( m + 2 )   M   e ( n + 2) 
       
 M = M  ×  b0  +  M 
       
 y ( N − 1)   M    M e ( N − 1) 
 y ( N )   − y ( N − n ) K − y ( N − 1) u ( N − m) K u ( N − n + m)  bm   e( N ) 

[( N − n) × 1] [( N − n ) × ( n + m + 1)] [( n + m + 1) × 1] [( N − n ) × 1]

Y = Ψθ + Ε
Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
3. Méthode des moindres carrés pour les systèmes
dynamiques discrets (suite)
Solution par la méthode des moindres carrés:
La méthode des moindres carrés est basée sur la minimisation de l’erreur d’estimation
globale Є. On définit alors un critère de performance à minimiser de la forme:

∑ ∑
N N
J ( θ) = ε ε =
T
e (i ) = 2
[ y (i ) − yˆ (i )]2
i = n +1 i = n +1

Le problème à résoudre : min J (θ)

θ

L’estimateur au sens des moindres carrés du vecteur des paramètres θ :

θˆ = ( Ψ T Ψ ) −1 Ψ T Y

Conditions de convergence
(Ψ T Ψ ) doit être inversible
Ψ doit avoir plus de lignes que de colonnes
Les colonnes de Ψ doivent être linéairement indépendants (une entrée échelon
est inconvenable)
Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
4. Méthode des moindres carrés pour les systèmes
dynamiques continus
Soit un système dynamique continu d’ordre “n” de la forme:
an y (pn ) (t ) + an −1 y (pn −1) (t ) + K + a1 y& p (t ) + y p (t ) = bm u ( m ) (t ) + bm −1u ( m −1) (t ) + K + b1u& (t ) + b0 u (t )
B ( s ) b0 + b1 s + K + bm s m
Yp ( s)
La fonction de transfert du système: G ( s ) = = = ( m ≤ n)
U ( s ) A( s ) 1 + a1 s + K + an s n
En présence de bruit, la sortie du système s’exprime par:
y (t ) = y p (t ) + η(t ) ⇒ y (t ) = y M (t ) + e (t ) = ψ T (t ) θ + e (t )
Avec ψ T (t ) = [− y& (t ) L − y ( n ) (t ) u (t ) K u m (t ) ]
θ = [ a1 K an b1 K bm ]T
Discrétisation au pas d’échantionnage Ts: Pour N mesures, le système discrétisé devient:
y ( kTs ) = ψ T ( kTs )θ + e( kTs ), k = 0,1, K , N
Ou d’une façon abrégée: y (k ) = ψ T (k )θ + e(k ), k = 0,1, K , N
Pour k = 0,1,…,N, il est facile d’établir:
Y = Ψθ + Ε
Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
4. Méthode des moindres carrés pour les systèmes
dynamiques continus (suite)

Y = [ y (0), K , y ( N )]T θ = [ a1 K an b1 K bm ]T
 − y& (0) L − y ( n ) (0) u (0) K u ( m ) (0) 
 & 
 − y (1) K − y (n)
(1) u (1) K u (m)
(1) 
Ψ= M 
 
 M 
 − y& ( N ) K − y ( n ) ( N ) u ( N ) K u ( m ) ( N ) 

Solution par la méthode des moindres carrés:

La méthode des moindres carrés est basée sur la minimisation de l’erreur d’estimation
globale Є. On définit alors un critère de performance à minimiser de la forme:

∑ ∑
N N
J ( θ) = Ε Ε =
T
e( k ) =
2
[ y ( k ) − y M ( k )]2
k =0 k =0

∂J ( θ )
= 0 ⇒ θˆ = ( Ψ T Ψ ) −1 Ψ T Y Estimateur au sens des moindres carrés
∂θ θ = θˆ
du vecteur des paramètres θ.
Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
4. Méthode des moindres carrés pour les systèmes
dynamiques continus (suite)
Remarques:
L’expression de l’estimateur au sens des moindres carrés est similaire à celle établie
pour les systèmes discrets
Si les dérivées des grandeurs d’entrée/sortie sont mesurables, la solution est
entièrement définie. Dans le cas contarire, des approximations de dérivées peuvent
être employées. Parmi les méthodes utilisées on distingue:
- La différentiation numérique
- Le filtrage par variables d’état
Differentiation numérique
x ( k + 1) − x ( k )
1. x& ( k ) = ⇒ Forward diff .
Ts
x ( k ) − x ( k − 1)
2. x& ( k ) = ⇒ Backward diff .
Ts
x( k + 1) − x ( k − 1)
3. x& ( k ) = ⇒ Central diff .
2Ts
Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
5. Méthode des moindres carrés récursifs
La méthode d’identification par les MC nécessite d’avoir effectué toutes les mesures
avant de pouvoir calculer le vecteur des paramètres θ. C’est une méthode en temps
différé (off-line).
Une méthode d’identification en temps réel (on-line) de type récursif réactualise la
nouvelle valeur des paramètres du modèle après chaque nouvelle acquisition de
données. C’est une approche valable si l’identification est utilisée en contrôle adaptatif ou
sur des processus variant avec le temps.
Problématique: Comment obtenir, après une nouvelle mesure y(j+1), la nouvelle
valeur du vecteur des paramètres θˆ j +1 , connaissant θ̂ j obtenu à partir des “j”
mesures précédentes?

Eléments de réponse:

θ̂ j s’exprime par: θˆ j = ( Ψ Tj Ψ j ) −1 Ψ Tj Y j

L’acquisition d’une mesure supplémentaire y(j+1) conduit à rajouter la ligne

Ψ(j+1) à la matrice Ψ j et un élément au vecteur colonne Y j

Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
5. Méthode des moindres carrés récursifs (suite)
 Ψj   Yj 
Ainsi: Ψ j +1 =  , Y j +1 =   (5.1)
 ψ ( j + 1)   y ( j + 1) 

Dans ces conditions: θˆ j +1 = ( Ψ Tj+1Ψ j +1 ) −1 Ψ Tj+1Y j +1

Et en utilisant (5.1): θˆ j +1 = ( Ψ Tj Ψ j + ψ T ( j + 1)ψ ( j + 1)) −1 + Ψ Tj Y j + ψ T ( j + 1) y ( j + 1) (5.2)

L’idée de la récurence est de faire apparaitre dans (5.2) une relation entre θˆ j +1 et θ̂ j
Après calcul:
[
θˆ j +1 = θˆ j + Pj +1ψ T ( j + 1) y ( j + 1) − ψ ( j + 1)θˆ j ] (5.3)

Pj +1 = Pj − Pj ψ T ( j + 1)[ψ ( j + 1) Pj ψ T ( j + 1) + 1] ψ ( j + 1) Pj
−1
(5.4)

Algorithme d’estimation paramétrique par les MC récursifs

Dimension des matrices:
[θˆ j ]( n + m +1) x1 [ Pj ]( n + m +1) x ( n + m +1) [ψ ( j + 1)]1 x ( n + m +1) [ y ( j + 1)]1 x1

Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
5. Méthode des moindres carrés récursifs (suite)
Remarques:

La relation d’adaptation des paramètres (5.3) fait apparaître un terme correctif

qui tient compte des dernières mesures
La relation (5.4) ne nécessite pas d’inversion de matrice, le calcul des éléments
entre crochets conduisant à un scalaire
L’initialisation des paramètres peut s’effectuer comme suit:
θˆ T0 = [0 K 0]
 p11 0 0
P0 =  0 p22 0  , p11 , p22 , K sont de très grands nombres
 0 0 O

Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
6. Méthode de la Variable Instrumentale
Considérons un système dynamique discret d’ordre “n” décrit par le modèle:
y ( k ) + a1 y ( k − 1) + K + an y ( k − n) = b1u ( k − 1) + b2 u ( k − 2) + K + bm u ( k − m ), m ≤ n
Ce modèle peut être réécrit sous la forme: y (k ) = ψ ( k )θ + e(k )
T

ψ T ( k ) = [ − y ( k − 1) K − y ( k − n ) u ( k − 1) K u ( k − m )]
θ = [ a1 K an b1 K bm ]T
Admettons que le système réel est représenté par: y (k ) = ψ (k )θ 0 + η( k )
T

L’estimateur au sens des moindres carrés du vecteur des paramètres est obtenu par:
−1

θˆ = ( Ψ Ψ ) Ψ Y =  ∑ ψ ( k )ψ ( k )   ∑ ψ ( k ) y ( k ) 
N N
T −1 T T

 k =1   k =1 
−1
1
∑  1
∑ 
N N
θˆ − θ 0 =  ψ ( k )ψ T ( k )   ψ ( k )( k )η( k ) 
N k =1  N k =1 
Lorsque N →∞:
θˆ − θ 0 = (E {ψ ( k )ψ T ( k )}) (E {ψ ( k )η( k )})
−1

Pr Habbi H. – habbi@univ-boumerdes.dz
 Université de Boumerdès - FHC
6. Méthode de la Variable Instrumentale (suite)
θ̂ serait consistant sous la condition: E {ψ ( k )η( k )} = 0
Comme ψ (k ) dépend de y ( k ), y ( k − 1), y (k − 2), K et donc de η(k ), η(k − 1), η( k − 2), K ,
cette condition sera satisfaite seulement si η(k) est assimilable à un bruit blanc.
C’est assez contraignant comme condition en pratique, d’où l’introduction de la notion de
variable instrumentale qui joue le rôle d’instrument visant à contourner ladite contrainte.

Pour cela, on introduit dans l’expression de l’estimateur un vecteur z(k) ayant la même
dimension que le vecteur ψ(k) appelé vecteur des variables instrumentales. L’estimateur
des paramètres au sens des moindres carrés devient alors:
−1

θˆ =  ∑ z ( k )ψ ( k )   ∑ z ( k ) y ( k ) 
N N
T

 k =1   k =1 

La variable instrumentale peut être choisie sous l’une des formes suivantes:
z T ( k ) = [ − x ( k − 1) K − x ( k − n) u ( k − 1) K u ( k − m )]
où x(k-i), i=1,…,n sont les valeurs filtrées du signal d’entrée u
z T ( k ) = [ − u ( k − 1) u ( k − 2) K u ( k − m) K u ( k − n − m)]
Pr Habbi H. – habbi@univ-boumerdes.dz