Académique Documents
Professionnel Documents
Culture Documents
Asservissements Lineaires
Asservissements Lineaires
Introduction
Les systèmes de contrôle sont utilisés partout dans la vie courante : dans les automo-
biles, les fours, la robotique, l’aérospatiale, avions, etc...
1.1 Définition
Avantages
Les systèmes de contrôle permettent d’atteindre des précisions qui seraient autrement
impossible. Ils permettent aussi de faire des opérations à distance. On peut aussi transfor-
mer la forme d’une entrée (ex : un thermomètre a comme entrée une position, et comme
sortie la chaleur). Ils sont aussi utilisés pour compenser lorsqu’un système est soumis à
des perturbations.
1
CHAPITRE 1. INTRODUCTION
Historique
Parmi les premiers à utiliser du contrôle, il y a les anciens Grecs. On note aussi ici
certains travaux importants :
• Watt : 18e siècle, réglage de la vitesse d’une locomotive
• Minorsky : 1922, Stabilité selon les équations différentielles
• Nyquist : 1932, Stabilité dans le domaine fréquentiel
• Huzen : 1934, Servo-mécanismes
• 1940 – 1950 : Réponse en fréquence
• 1960 : Variables d’état
Types de systèmes
Comme mentionné plus haut, un système de contrôle produit une sortie ou réponse
pour une entrée (ou stimulus) donnée.
Deux facteurs font que la sortie est différente de l’entrée. On prend l’exemple de la
figure 1.1 :
1.2
0.8 erreur
Amplitude
Sortie
0.6
Régime Entrée
transitoire
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
Temps
Perturbation
Entrée + + Sortie
Contrôleur Procédé
Un système en boucle ouverte ne peut pas corriger pour des perturbations. Par contre,
en boucle fermée, il y a du feedback entre la sortie et l’entrée, comme à la figure 1.3.
Perturbation
Entrée + + + Sortie
Contrôleur Procédé
−
Contrôle
Les systèmes de contrôle sont dynamiques : ils répondent à une entrée en ayant une
réponse transitoire puis en se stabilisant à une réponse en régime permanent. Il y a trois
paramètres importants à considérer lors du design de systèmes de contrôle : la réponse
transitoire, réduire l’erreur en régime permanent, et la stabilité.
La réponse transitoire est importante. Dans certains cas, il est important d’atteindre le
régime permanent le plus rapidement possible, tandis que dans d’autres cas on ne peut
pas osciller.
1.2.3 Stabilité
Pour qu’un système de contrôle soit utile, la réponse naturelle doit (1) éventuellement
devenir zéro ou (2) osciller. Dans certains systèmes, la réponse naturelle augmente sans
arrêt au lieu de s’atténuer. Éventuellement, la réponse naturelle est beaucoup plus grande
que la réponse forcée et le système n’est plus contrôlable. Cette condition, l’instabilité,
peut détruire la composantes physiques du système.
Autres considérations
dérailler le projet.
• Robustesse : Le système de contrôle devrait être capable de fonctionner même si
les paramètres du système changent. Les changements entre les paramètres et la
valeur de sortie ne sont pas nécessairement linéaires, ce qui rend l’impact d’une va-
riation des paramètres difficile à prévoir. Un système robuste sera mieux en mesure
de fonctionner face à ces variations.
Par contre, dans le cadre de ce cours, on se limitera au trois paramètres principaux présentés.
Dans l’étude des systèmes de contrôle, on doit être en de mesure de suivre une méthodologie
qui permet d’arriver à un objectif le plus rapidement possible. Le flot de design est montré
à la figure 1.4.
1. Modélisation du système : Dans tous les cas, afin d’étudier un système, on doit
être en mesure de modéliser ce système par une série d’équation, et ensuite y for-
muler une fonction de transfert pour chacun des éléments du système. Une bonne
connaissance des outils mathématiques est nécessaire pour transformer les fonctions
de transfert en formes utiles. Un système de contrôle ne fonctionnera pas correcte-
ment si le modèle utilisé est faux. Il faut aussi faire un choix approprié de la techno-
logie : système analogique vs numérique, méthode de contrôle, etc.[Ch.2, Ch.10]
2. Réduction et caractérisation : La prochaine étape consiste à réduire l’ensemble des
sous-systèmes à un système équivalent. L’algèbre des blocs et les équations relatives
aux systèmes de premier et second ordre sont utilisées ici pour simplifier les calculs.
[Ch.3, Ch.4, Ch.8]
3. Analyse du design : On analyse ensuite le système par rapport à certains critères,
notamment la stabilité, la réponse transitoire, et l’erreur statique. [Ch.5, Ch.6]
4. Contrôle : Il s’agit de concevoir les contrôleurs pour obtenir la caractéristique vou-
lue du système. Plusieurs méthodes sont possible, comme l’analyse par diagramme
de Bode, pour les contrôleurs à avance de phase, retard de phase et avance-retard de
phase, ou la technique de Ziegler-Nichols, pour les contrôleurs P, PI, et PID. [Ch.7
et Ch.9]
Il existe plusieurs méthodes pour faire le contrôle des systèmes. Certaines méthodes
sont plus performantes, mais aussi plus coûteuses à implémenter. En ordre de complexité,
les méthodes de commandes sont présentées à la figure 1.5.
Intelligente
Adaptative Non-linéaire
Adaptative Logique floue
Directe
Non-adaptative Réseau de neurones
Indirecte
Algorithme génétique
A/N A/N
A/N
Les méthodes empiriques sont les pires méthodes à utiliser : il y a risque de briser le
système en essayant de trouver la loi de commande appropriée. On se limitera dans ce
cours aux méthodes classiques analogiques.
L’asservissement n’est pas limité aux systèmes mécaniques ; on peut aussi faire de l’as-
servissement sur les systèmes vivants. Comme exemple, les vaches : l’entrée est la nour-
riture, et le produit est le lait. Un autre exemple est la croissance d’algues marines pour
la production de bio-diésel ; le système asservit peut modifier la quantité de nourriture
fournie aux algues en mesurant la production de CO2 .
Pour illustrer les avantages des systèmes de contrôle, on prend l’exemple des régulateurs
de vitesse dans les automobiles (cruise control). Le système de contrôle simplifié est montré
à la figure 1.6.
Route (pente)
Contrôleur Actionneur Vitesse
Accélérateur actuelle
?? Moteur Automobile
Capteur
Tachymètre
Bruit de mesure
Pour faire une analyse quantitative de ce système, il faut définir le modèle du système.
Le modèle n’est autre que la fonction mathématique qui relie les différentes variables du
système. Pour simplifier l’analyse, on suppose que le système est linéaire et représenté par
la figure 1.7.
w : pente de la route
0.5
r u + −
Régulateur 10 y : vitesse (km/h)
Vitesse de
référence
On peut calculer la sortie du système pour différentes entrées, comme au tableau 1.1.
On voit bien que l’erreur est nulle lorsque la pente est nulle, mais aussitôt que la pente
augmente, une erreur apparait. L’erreur augmente plus la pente augmente.
Tableau 1.1 – Erreurs pour différentes entrées pour le système de régulation de vitesse
Le résultat dépend du gain 1/10 du régulateur. Ce gain est égal à l’inverse du gain
du système. En pratique, la connaissance du gain exact du système peut être difficile à
déterminer. De plus, le gain peut être sujet à des changements. Donc s’il y a erreur dans
la détermination du gain K, il y aura aussi erreur à la sortie.
0.5
r + u + − y
100 10
−
ce qui donne :
y = 0.999r − 0.005w (1.7)
Tableau 1.2 – Erreurs pour différentes entrées pour le système de régulation de vitesse
en boucle fermée
On voit bien, dans le tableau 1.2, que l’erreur augmente de façon beaucoup moins
significative avec le système en boucle fermée. L’erreur est beaucoup plus petite en boucle
fermée pour la même vitesse de référence et la même pente. Un gain plus élevé réduira
cette erreur encore plus. Cependant, il y a une erreur avec une pente nulle : on a amélioré
l’erreur de façon globale, mais au détriment d’un peu de précision.
Le but de ce chapitre est d’apprendre à écrire des fonctions de transfert pour différents
types de systèmes : électriques, mécaniques et électromécaniques. Pour appliquer du
contrôle à un système, on doit être en mesure de décrire son comportement de façon
mathématique.
où
1 t>0
u(t) = (2.3)
0
t<0
1
CHAPITRE 2. MODÉLISATION
Le tableau 2.1 montre quelques fonctions les plus utilisées. Une liste plus complète de
transformées est disponible à la fin du chapitre.
s
7 cos(ωt)u(t)
s2 + ω2
Exemple 1
Z ∞ Z ∞
−at −at −st
L{e u(t)} = e dt =e e−(s+a)t dt
0− 0−
∞
−1 −(s+a)t
−1
= e = (0 − 1)
s+a
0 s+a
1
=
s+a
Propriétés
Exemple 2
Selon la propriété 4,
L[e−at f (t)] = F(s + a)
et la transformée 3,
1
−1
L = tu(t)
s2
Donc, la transformée inverse est
f (t) = e−3t tu(t)
Pour des fonctions de transfert complexes, il peut être difficile de trouver la trans-
formée inverse. On se sert donc de l’expansion en fractions partielles. On utilisera des
exemples pour démontrer les principes.
s+1
s2 + s + 5 s3 + 2s2 + 6s + 7
− s3 − s2 − 5s
s2 + s + 7
− s2 − s − 5
2
On obtient donc :
s3 + 2s2 + 6s + 7 2
= s + 1 +
s2 + s + 5 s2 + s + 5
La transformée inverse est :
dδ(t) 2
−1
f (t) = + δ(t) + L
dt s2 + s + 5
Il reste cependant le troisième terme à déterminer. On utilisera l’expansion en fractions
partielles pour trouver
2
L−1 2
s +s+5
Exemple :
2
F(s) =
(s + 1)(s + 2)
On peut écrire :
2 K1 K2
F(s) = = +
(s + 1)(s + 2) (s + 1) (s + 2)
Pour isoler K1 , on multiplie chaque côté par (s + 1). On obtient :
2 (s + 1)K2
= K1 +
(s + 2) (s + 2)
Si on prend s = −1,
2
K1 = =2
(s + 2)
s=−1
Pour trouver K2 , on fait le même processus, sauf qu’on multiplie par (s + 2) cette fois.
2
K2 = = −2
(s + 1)
s=−2
Donc,
2 −2
F(s) =
+
s+1 s+2
qui donne la transformée inverse suivante :
Note : La fonction u(t) doit être appliquée à toute transformée inverse. Cependant,
pour alléger le texte, on n’écrira plus le u(t).
N (s) N (s)
F(s) = = (2.4)
D(s) (s + p1 )(s + p2 ) . . . (s + pi ) . . . (s + pn )
K1 K2 Ki Kn
F(s) = + + ··· + + ··· + (2.5)
s + p1 s + p2 s + pi s + pn
Soit
2
F(s) =
(s + 1)(s + 2)2
On peut trouver les termes selon
2 K K2 K
F(s) = 2
= 1 + 2
+ 3
(s + 1)(s + 2) s + 1 (s + 2) s+2
La constante K1 peut être trouvée en utilisant la première méthode montrée plus haut
(ce qui donne K1 = 2. Pour trouver K2 , on multiplie par (s + 2)2 :
2 K
= 1 (s + 2)2 + K2 + K3 (s + 2) (*)
s+1 s+1
On évalue à s = −2,
2
K2 = = −2
s + 1
s=−2
Pour K3 , on dérive l’équation * par rapport à s,
−2 (s + 2)s
= K1 + K3
(s + 1)2 (s + 1)2
De même, si s = −2,
−2
K3 = = −2
2
(s + 1)
s=−2
N (s) N (s)
F(s) = = r
(2.7)
D(s) (s + p1 ) (s + p2 ) . . . (s + pn )
3 = K1 (s2 + 2s + 5) + (K2 s + K3 )s
= (K1 + K2 )s2 + (2K1 + K3 )s + 5K1
K1 + K2 = 0
2K1 + K3 = 0
5K1 = 3
1 −0.15(2 + j) −0.15(2 − j)
F(s) = 0.6 + +
s s + 1 + j2 s + 1 − j2
x(t) y(t)
Système
Entrée Sortie
Rappel : L[δ(t)] = 1
Soit un système avec une fonction de transfert f (t), ou dans le domaine fréquentiel,
F(s). Si on applique une entrée impulsion δ(t), la fonction de transfert devient :
L[δ(t)f (t)] = 1 · F(s) = F(s) (2.12)
Et donc la fonction inverse est :
L−1 [F(s)] = f (t) (2.13)
On se sert des fonctions de transfert pour modéliser les systèmes électriques, méca-
niques, et électromécaniques. Les lois physiques relatives à ces systèmes seront utilisées,
à l’aide de techniques d’analyse spécialisées pour simplifier les calculs. On commence
d’abord avec les systèmes électriques.
Les éléments des systèmes électriques sont donnés dans le tableau 2.3.
Pour résoudre des problèmes de circuits électriques, on se sert de trois lois principales :
1. Loi d’Ohm, v = Ri
2. Loi de Kirchhoff, courant : somme des courants à un noeud est zéro.
3. Loi de Kirchhoff, tension : somme des tensions dans une maille est zéro.
Exemple 3
Soit le circuit suivant. Calculer la fonction de transfert qui relie la tension Vc (s) à V (s).
L R
+
+
v(t) − vc (t) C
−
R1 R3
+ +
e1 (t) − i1 R2 i2 − e2 (t)
R4 R5
Exemple 4
C2 L3 R2
i3
L1 L2
C1
+ +
e1 (t) − i1 i2 − e2 (t)
R1
Par inspection :
sL1 + sC11 + R1 −(R1 + sC11 )
−sL1 i1 e1
−(R + 1 ) sL + 1 + R −sL2 i = −e
1 sC1 2 sC1 1 2 2
1
−sL1 −sL2 sC2 + R2 + s(L1 + L2 + L3 ) i3 0
On peut utiliser la méthode des noeuds pour solutionner des circuits. La technique
d’analyse est la même, sauf qu’on utilise les admittances au lieu des impédances.
ΣY −ΣY communs, −ΣY communs, Σsources du
de m ···
m1 , m 2 m1 , m n noeud 1
1
v1
.. ΣY v2 Σsources du
. . =
. noeud 2
(2.15)
de m2 .
. ..
.
.
vn .
ΣY Σsources du
de mn noeud n
Exemple 5
+ +
e1 (t) − R2 is R4 e2 (t) −
Par inspection :
1 1 1 1 v e1
+ + − a
R1 R2 R3 R3 R1
=
1 1 1 1 e2
− + + vb + is
R3 R3 R4 R5 R5
Exemple 6
x
k
M f
B
Et la fonction de transfert :
X(s) 1
= 2
F(s) s M + sB + k
Exemple 7
x1 x2
k2
k1
M1 M2 f
B
Par inspection :
s2 M1 + sB + k1 + k2 −(sB + k2 ) X1 0
=
2
−(sB + k2 ) s M2 + sB + k2 X2 F
Système de rotation
dθ(t)
Amortissement D T (t) = Dω(t) T (t) = D sD
dt
dω(t) d 2 θ(t)
Inertie J T (t) = J T (t) = J s2 J
dt dt 2
Engrenages
Les engrenages sont très souvent utilisés dans les systèmes avec moteurs. Ils per-
mettent d’échanger de la vitesse pour un couple, ou vice-versa. Le comportement idéal
θ2 r1 N1
= = (2.16)
θ1 r2 N2
T2 θ1 N2
= = (2.17)
T1 θ2 N1
Ra La
+
Rf +
+
ea vf Lf vb
Tm
− θm
−
−
di
La + Ra i + vb = ea (2.18)
dt
Gabriel Cormier 16 GELE5313
CHAPITRE 2. MODÉLISATION
Comme première étape, la relation entre la tension d’entrée Ea et l’angle de sortie Θm (s)
est :
(Ra + sLa )Tm (s)
+ sKb Θm (s) = Ea (s) (2.21)
Kt
T (Nm)
Tdec
ea1
ea2
ω (rad/s)
ωsc
et
ea
Kb = (2.25)
ωsc
2.4 Linéarisation
Que faire alors si certains composants non-linéaires sont présents dans le système ?
→ Pour appliquer les méthodes vues ici, il faudra linéariser le système. Lorsqu’on
linéarise un système, on le fait seulement pour une entrée spécifique.
f (x)
f (x1 )
A
f (x0 )
x
x0 x1
On prend la pente au point A pour créer une ligne droite. La pente est ma . Si on fait
varier (faiblement) la point A le long de cette ligne, la différence entre la valeur réelle et
la valeur ”linéarisée” sera faible.
ou
δf (x) ≈ ma δx (2.27)
Exemple 8
Donc,
f (x) ≈ f (x0 ) + ma δx
= 0 − 5δx
= −5δx
Sur la figure 2.5, on voit bien que la fonction ressemble à la ligne droite au point
recherché.
4 pente = −5
2
Amplitude
0
π
−2 2
−4
−6
−4 −3 −2 −1 0 1 2 3 4
Temps
Exemple 9
Linéariser
d 2x dx
2
+ 2 + cos x = 0
dt dt
au point x = π4 .
On remplace x = δx + π4 et on substitue.
d 2 (δx + π4 ) d(δx + π4 )
π
+2 + cos δx + =0
dt 2 dt 4
Mais,
d(δx + π4 ) dδx
=
dt dt
et
d 2 (δx + π4 ) d 2 δx
=
dt 2 dt
π
et on linéarise le terme cos(δx + 4 ) en utilisant une série de Taylor :
π π d cos x π
cos δx + − cos = δx = − sin δx
4 4 dx π
x= 4 4
ce qui donne,
π π π
cos δx + = cos − sin δx
4 4 4
√ √
2 2
= − δx
2 2
Annexe
On étudie ici le comportement des systèmes de premier et second ordre et leur réponse
en fonction du temps. Les caractéristiques de ces systèmes sont étudiés en détail, ainsi que
leur réponse, et certaines techniques d’analyse.
où n ≥ m.
Définition :
Zéro : Cause la fonction de transfert à devenir zéro (z1 , z2 , . . . , zm ).
Pôle : Où la fonction de transfert devient infinie (p1 , p2 , . . . , pn ).
On peut représenter les pôles et zéros par un diagramme. Ce diagramme donne de
l’information sur le type de système et le type de réponse du système, et peut être une
façon rapide d’analyser un système.
1
CHAPITRE 3. RÉPONSE DANS LE DOMAINE TEMPOREL
jω
×
−5 −2 σ
Pour montrer l’effet des pôles sur un système, on prend la réponse échelon à G(s).
1 (s + 2) A B
C(s) = G(s) = = +
s s(s + 5) s s + 5
Donc,
0.4 0.6
C(s) = +
s s+5
et
c(t) = 0.4 + 0.6e−5t
|{z} | {z }
réponse forcée réponse naturelle
Commentaires :
• Le pôle à l’entrée génère la réponse forcée (le terme 0.4
s ).
• Le pôle de la fonction de transfert génère la réponse naturelle.
• Les pôles et zéros génèrent les amplitudes des deux réponses.
Soit un système de premier ordre sans zéro, donné par la figure 3.2 :
F(s)
X(s) a Y (s)
s+a
On peut générer la réponse de ce système. Un exemple est montré à la figure 3.3, pour
a = 1.2.
1.4 Sortie
Entrée
1.2
pente initiale = a
1
0.9
Amplitude
0.8
0.6
0.4
Ts
0.2
0.1 Tr
0
0 0.5 1 1.5 2 2.5 3 4 3.5 4
a
Temps (s)
Figure 3.3 – Réponse à une entrée échelon d’un système de 1er ordre.
Constante de temps
La constante de temps est le temps requis pour que e−at diminue jusqu’à 37% de la
valeur initiale. Ou, en d’autre mots, c’est le temps nécessaire pour que y(t) atteigne 67%
de sa valeur finale. La constante de temps est donc :
1
t0 = (3.6)
a
Temps de montée
Le temps de montée est définit comme le temps requis pour que la fonction passe de
10% à 90% de sa valeur finale. Ce qui veut dire :
Temps de stabilisation
C’est le temps requis pour que la réponse soit à 2% de la valeur finale (et demeure là).
C’est le temps où c(t) = 0.98.
4
0.98 = 1 − e−at ⇒ Ts = (3.11)
a
Il est relativement facile de déterminer les paramètres d’un système du premier ordre
par expérimentation. Il suffit de mesurer la réponse du système à une entrée échelon.
Exemple 1
0.7
0.6
0.5
Amplitude
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
Temps (s)
En premier lieu, on calcule la constante de temps. C’est le temps requis pour atteindre
63% de la valeur finale (environ 0.72 pour ce système) :
yt0 = 0.72 · 0.63 = 0.45
Selon le graphe, y(t) = 0.45 à environ 0.13s, donc
1
a= = 7.7
t0
Pour trouver K, on remarque que la valeur finale est K/a selon l’équation de Y (s). Donc
K = a · y(∞) = (7.7)(0.72) = 5.54
Il est intéressant de noter que la figure ci-haut fut générée avec la fonction
5
s+7
L’analyse des systèmes de second ordre est plus complexe que celle des systèmes de
premier ordre. Pour les systèmes de premier ordre, seul le temps de réponse pouvait
changer si on variait les paramètres. Pour les systèmes de deuxième ordre, la forme de
la réponse peut varier.
b
G(s) = (3.12)
s2 + sa + b
On va examiner de plus près les différentes réponses possibles et comment elles sont
reliées au pôles. Les réponses décrites plus bas sont tous des réponses à une entrée échelon.
Pour chaque type de réponse, on utilise un exemple pour montrer le comportement.
Il faut noter qu’on étudie ici une fonction de deuxième ordre sans zéro. Le terme au
numérateur ne sert qu’à modifier l’amplitude de la réponse. On regardera l’effet d’un
zéro sur ces systèmes à la fin du chapitre.
a. Sur-amorti
0.8
0.5
Axe imaginaire
Amplitude
0.6
0
0.4
−0.5 0.2
−1 0
−8 −6 −4 −2 0 2 0 1 2 3 4 5
Axe réel Temps (s)
Note :
• Chacun des pôles du système génère un exponentiel.
• Il n’y a aucune oscillation.
b. Sous-amorti
Note :
2
1
Axe imaginaire
Amplitude
0
0.5
−2
0
−2 −1 0 1 0 2 4 6
Axe réel Temps (s)
c. Amortissement critique
Note :
• Chacun des pôles du système génère un exponentiel, sauf qu’un des exponentiel est
multiplié par t.
• Il n’y a pas d’oscillations.
0.5 0.8
Axe imaginaire
Amplitude
0.6
0
0.4
−0.5
0.2
−1 0
−4 −3 −2 −1 0 1 0 1 2 3 4
Axe réel Temps (s)
d. Sans amortissement
2
1.5
Axe imaginaire
Amplitude
0 1
0.5
−2
0
−1 −0.5 0 0.5 1 0 2 4 6 8 10
Axe réel Temps (s)
Note :
• Les pôles représentent la fréquence du cosinus.
Résumé
fréquence de l’exponentiel
ζ= (3.13)
fréquence naturelle
b
G(s) = (3.14)
s2 + as + b
Sans amortissement, les pôles seraient sur l’axe imaginaire seulement, et la réponse se-
rait un sinusoı̈de. Selon G(s), pour que les pôles soient imaginaires, a = 0. Donc la fonction
serait
b
G(s) = 2 (3.15)
s +b
ou
b = ωn2 (3.17)
Pour trouver a, on sait que dans un système amorti, la fréquence de l’exponentiel est
σ . Dans un système de deuxième ordre, σ = − 2a . Donc :
| 2a | a
ζ= = (3.18)
ωn 2ωn
ou
a = 2ζωn (3.19)
On peut écrire l’équation générale d’un système de deuxième ordre en fonction de ces
nouveaux coefficients :
ωn2
G(s) = (3.20)
s2 + 2ζωn s + ωn2
Exemple 2
√
ωn = b = 6
2ζωn = 4.2 ⇒ ζ = 0.35
Le système est sous-amorti.
Selon la valeur de ζ, la réponse du système sera différente. Le tableau 3.1 montre les
différentes réponses selon la valeur de ζ.
Exemple 3
On sait que
a
ζ= √
2 b
a.
8
ζ = √ = 1.155 ⇒ sur-amorti
2 12
b.
8
ζ = √ = 1.0 ⇒ amortissement critique
2 16
c.
8
ζ = √ = 0.894 ⇒ sous-amorti
2 20
Les systèmes sous-amortis de deuxième ordre sont présents dans plusieurs systèmes
physiques naturels. Pour bien comprendre leur comportement, on analysera en détail ce
type de système.
ωn2 K1 K2 s + K3
C(s) = = + (3.22)
s(s2 + 2ζωn s + ωn2 ) s s2 + 2ζωn s + ωn2
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2 2.5 3 3.5
Temps (s)
Figure 3.8 – Réponse d’une fonction sous-amortie, ζ = 0.2, 0.4, 0.6, 0.8 et 1
1.2
1
0.9
Amplitude
0.8
0.6
Ts
0.4
Tp
0.2
0.1 Tr
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4
Temps (s)
Temps de pointe, Tp
Dépassement, Mp
Donc, !
− √ ζπ
1−ζ 2
Mp = e × 100% (3.28)
Temps de stabilisation, Ts
Le temps de stabilisation, par définition, est le temps requis pour que l’exponentiel ait
diminué jusqu’à 0.02% de sa valeur initiale. Ce qui veut dire :
e−ζωn t
√ = 0.02 (3.30)
1 − ζ2
ce qui donne, √
− ln(0.02 1 − ζ 2 )
Ts = (3.31)
ζωn
√
Le terme − ln(0.02 1 − ζ 2 ) varie de 3.91 à 4.74 (pour 0 < ζ < 1). On peut réduire cette
équation à :
4
Ts = (3.32)
ζωn
Temps de montée, Tr
Il n’y a pas de solution analytique pour trouver le temps de montée Tr . Par contre, la
figure 4.16 p.181 donne une relation entre Tr ·ωn et ζ. Il existe aussi une relation empirique
pour trouver le temps de montée :
ou, connaissant ωn et Tr ,
Exemple 4
On a :
√
ωn = 100 = 10
15
ζ= = 0.75
2 · 10
Donc,
π
Tp = √ = 0.475s
ωn 1 − ζ 2
− √ ζπ
Mp = e 1−ζ 2 = 2.838%
4
Ts = = 0.533s
ζωn
Selon la figure 4.16,
ωn · Tr = 2.3 ⇒ Tr = 0.23s
On peut se servir du diagramme des pôles et zéros pour obtenir de l’information sur
le système. La figure 3.10 montre les pôles d’une fonction de deuxième ordre.
jω
p
× jωn 1 − ζ 2
ωn
θ
σ
p
× −jωn 1 − ζ 2
Si on change l’équation de Ts ,
4 4
Ts = = (3.39)
ζωn σd
On peut montrer ces relations dans un diagramme de pôles et zéros (figure 3.11).
Mp2 Mp1 jω
Tp2
Tp1
Ts2 Ts1
Si on résume la figure :
Exemple 5
jω
× j7
σ
−3
× −j7
Trouver ζ, ωn , Tp , Mp et Ts .
D’après la figure,
−1 7
ζ = cos tan = 0.394
3
√
ωn = 72 + 32 = 7.616
π π
Tp = = = 0.449s
ωd 7
!
− √ ζπ
1−ζ 2
Mp = e = 26.018%
4 4
Ts ≈ = = 1.333s
σd 3
On peut faire de façon semblable au systèmes de premier ordre pour déterminer expérimen-
talement les paramètres d’un système. Il suffit de mesurer Mp , Tr , Tp . Les autres pa-
ramètres peuvent alors être déduits de ces mesures.
Les équations précédentes ne sont valides que pour un système de deuxième ordre
sans zéros. S’il y a un zéro, ou que l’ordre est supérieur à 2, on ne peut pas appliquer les
équations de Ts , Tp , etc.
Par contre, sous certaines conditions, on peut approximer ces systèmes par des systèmes
de deuxième ordre.
→ On peut approximer par un système de deuxième ordre si les pôles d’ordre supérieurs
sont plus grands que ceux de deuxième ordre :
Si les pôles supérieurs sont plus grands que 5 fois les pôles plus faibles, leur contribu-
tion à la réponse du système est négligeable.
De la même façon, si un système a un zéro, l’effet de ce zéro est négligeable s’il est très
grand. Si le zéro est positif, le type de réponse change, et la fonction commence par un
négatif (exemple à la figure 3.12).
1.5
1
Amplitude
0.5
0 2 4 6 8 10 12 14
Temps (s)
Jusqu’à présent on a travaillé avec des systèmes simples composés d’un seul bloc (une
fonction de transfert). Mais les systèmes réels sont bien plus complexes : ils sont composés
de plusieurs sous-systèmes, branchés ensemble de différentes façons.
On va donc essayer de réduire ces systèmes complexes à une seule fonction de trans-
fert.
On peut représenter des systèmes en utilisant l’une de deux méthodes : les schémas
blocs, ou les diagrammes de fluence. Habituellement, on se sert des schémas blocs pour
l’analyse dans le domaine fréquentiel, et les diagrammes de fluence pour l’analyse par
équations d’état.
Règle 1 : Série
Pour des blocs en série, le bloc total est la multiplication des blocs, comme montré à la
figure 4.1.
Note : Cette règle est vraie à condition que la connexion d’un système à un autre
n’affecte pas la sortie. En d’autre mots, cette réduction est possible si la sortie d’un système
est la même qu’il y ait un autre sous-système après ou pas.
1
CHAPITRE 4. RÉDUCTION DE SYSTÈMES MULTIPLES
R(s) C(s)
G1 (s) G2 (s) G3 (s)
⇓
R(s) C(s)
G1 (s)G2 (s)G3 (s)
Règle 2 : Parallèle
Pour des blocs en parallèle, on fait la somme (ou la soustraction) des blocs, comme
montré à la figure 4.2.
G1 (s)
±
R(s) ± C(s)
G2 (s)
±
G3 (s)
⇓
R(s) C(s)
±G1 (s) ± G2 (s) ± G3 (s)
Une boucle de feedback est montrée à la figure 4.3. La fonction de transfert équivalente
est :
C(s) G(s)
= (4.1)
R(s) 1 + G(s)H(s)
Note : C’est une règle importante : elle est utilisée souvent. La démonstration est
comme suit :
R(s) + a b C(s)
G(s)
−
H(s)
Au point a,
A(s) = R(s) − C(s)H(s) (4.2)
Au point b,
Ce qui donne
C(s) G(s)
= (4.6)
R(s) 1 + G(s)H(s)
Autre simplifications
D’autres types de simplifications sont montrées aux figures 4.4, 4.5, 4.6 et 4.7.
X(s)
G(s)
X(s)
X(s)
1
G(s)
X(s)
G(s)
R(s) R(s) 1
≡ G(s)
G(s)
1
G(s)
G(s)
R(s) R(s)
G(s) ≡ G(s)
G(s)
Exemple 1
R(s) + C(s)
G1 G2 G3
− + −
H1
H2
H3
Première étape :
R(s) + C(s)
G1 G2 G3
−
H1 − H2 + H3
Deuxième étape :
R(s) G2 G3 C(s)
G1
1 + G2 G3 (H1 − H2 + H3 )
Troisième étape :
R(s) G1 G2 G3 C(s)
1 + G2 G3 (H1 − H2 + H3 )
R(s) + K C(s)
− s(s + a)
Exemple 2
R(s) + K C(s)
− s(s + 5)
et
2ζωn = 5
ou,
5
ζ= √
2 K
K = 17.892
Si on aurait choisit le temps de stabilisation comme critère de design, on aurait été inca-
pable de satisfaire aux exigences. Le temps de stabilisation est fonction de la partie réelle
des pôles, et dans ce cas, K n’affecte pas la partie réelle.
Les diagrammes de fluence sont une alternative aux schémas blocs. Ils sont constitués
de branches et noeuds.
H(s)
H(s)
G6
G1 G2 G3 G4 G5 G7
R(s) C(s)
H1 H2
H3
Gain de boucle : Le produit des gains dans un parcours qui débute et finit au même
noeud.
Dans le circuit de la figure 4.10, on a 4 boucles. Les gains des 4 boucles sont :
1. G2 H1
2. G4 H2
3. G4 G5 H3
4. G4 G6 H3
Gain en parcours direct : Le produit des gains d’un parcours allant du noeud du début
au noeud de fin (sans revenir en arrière).
Boucles sans contact : Des boucles qui n’ont aucun noeud en commun.
Dans le circuit de la figure 4.10, la boucle G2 H1 n’a aucun noeud en commun avec les
autres boucles.
Gain des boucles sans contact : Le produit des gains des boucles qui ne se touchent pas
pris 2, 3, 4, etc à la fois.
Règle de Mason
P
Tk ∆k
C(s) k
G(s) = = (4.9)
R(s) ∆
où
• k = nombre de parcours direct
• Tk = gain e
P du k parcours direct P P
• ∆ = 1 -P gains de boucle + gains sans contact pris 2 à la fois - gains pris 3 à la
fois + gains pris 4 à la fois . . .
• ∆k = ∆ - gains de boucles de ∆ qui touchent au k e parcours direct
P
Exemple 3
G1 G2 G3 G4 G5
R(s) C(s)
H1 H2
G8 G6
G7
H4
C(s)
Trouver la fonction de transfert
R(s)
G1 G2 G3 G4 G5
∆ = 1 − [G2 H1 + G4 H2 + G7 H4 + G2 G3 G4 G5 G6 G7 G8 ]
+ [G2 H1 G4 H2 + G2 H1 G7 H4 + G4 H2 G7 H4 ]
− [G2 H1 G2 H4 G7 H4 ]
∆k = ∆1 = 1 − G7 H4
La stabilité est le critère le plus important dans le design des systèmes de contrôle. Si
un système n’est pas stable, les autres paramètres n’ont aucune signification. On doit donc
porter une attention particulière à la stabilité. Un système instable ne peut pas être conçu
pour donner une réponse transitoire et erreur statique spécifique.
Dans le cadre du cours, on se limite aux systèmes linéaires invariants. Dans ce cas, la
réponse du système est :
c(t) = cf (t) + cn (t) (5.1)
où cf (t) est la réponse forcée, et cn (t) est la réponse naturelle.
1
CHAPITRE 5. STABILITÉ
Physiquement, un système instable dont la réponse naturelle croit sans limites peut
causer des dommages au système lui-même, à des systèmes adjacents, ou causer des bles-
sures à des personnes.
Diverses méthodes peuvent être utilisées pour déterminer la stabilité des systèmes :
1. Calcul des pôles de la fonction de transfert
2. Critère de Routh-Hurwitz
3. Critère de Nyquist
4. Diagramme de Bode
5. Lieu des racines en fonction des paramètres du système
Dans ce chapitre, on se limite aux deux premières méthodes. On verra les méthodes 3 et
4 dans d’autre chapitres.
Si les pôles de la fonction de transfert du système ont une partie réelle positive, le
système est instable. Un seul pôle suffit pour rendre le système instable. Si des pôles ont
une partie réelle égale à zéro, le système est marginalement stable.
jω
instable
Dans certains cas, il peut être difficile de calculer les racines sans logiciel. On utilise
alors la prochaine méthode, le Critère de Routh-Hurwitz.
N (s)
F(s) = (5.5)
a4 s4 + a 3 2
3 s + a2 s + a1 s + a0
s4 a4 a2 a0
s3 a3 a1 0
a3 a2 − a4 a1 a3 a0 − a4 0 a3 0 − a4 0
s2 A= B= =0
a3 a3 a3
Aa1 − Ba3 A0 − a3 0
s1 C= =0 0
A A
CB − A0
s0 D= 0 0
C
Exemple 1
Note : On a deux changements de signe dans la première colonne, donc deux racines
réelles positives ⇒ instable.
Dans ce cas, on remplace le zéro par une variable , et on prend la limite lorsque
tend vers 0+ (ou 0− ).
Exemple 2
Exemple 3
Exemple 4
On sait déjà qu’on va obtenir un 0 dans la première colonne. On prend donc le po-
lynôme réciproque :
r(s) = 3s5 + 5s4 + 6s3 + 3s2 + 2s + 1
On crée la table de Routh :
s5 3 6 2
s4 5 3 1
(5)(6)−(3)(3) (5)(2)−(3)(1)
s3 5 = 4.2 5 = 1.4 0
(4.2)(3)−(1.4)(5)
s2 4.2 = 1.33 1 0
(1.33)(1.4)−4.2
s1 1.33 = −1.75 0 0
s0 1 0 0
Il y a deux changements de signe dans la première colonne, donc le système est instable.
Exemple 5
A(s) = s4 + 6s2 + 8
et on dérive :
dA(s)
= 4s3 + 12s + 0
ds
Exemple 6
R(s) + K C(s)
− s(s + 7)(s + 11)
On considère ici le troisième paramètre de design, soit l’erreur statique. L’erreur sta-
tique est la différence entre l’entrée et la sortie d’un système lorsque t → ∞ pour une
entrée de contrôle.
On utilise une entrée connue, comme un échelon, une rampe, ou une parabole pour
caractériser la réponse du système et son erreur statique.
Le calcul de l’erreur statique n’est valide que si le système est stable. Il faut donc s’as-
surer de stabiliser le système étudié avant toute considération de l’erreur statique.
6.1 Définition
Note : L’erreur statique est définie pour un système à boucle de retour unitaire.
1
CHAPITRE 6. ERREUR STATIQUE
sR(s)
= (6.6)
1 + G(s)
s=0
L’erreur statique dépend de R(s) et G(s). Puisqu’elle dépend de R(s), l’erreur statique
est différente selon l’entrée utilisée.
Si le système sous étude a une boucle de retour non unitaire (H(s) , 1), il faut trans-
former le système avant de pouvoir appliquer les équations de l’erreur statique.
H(s)
On définit alors
G(s)
Go (s) = (6.7)
1 + G(s)[H(s) − 1]
sR(s)
ess = (6.8)
1 + Go (s)
s=0
Puisque l’erreur statique dépend du type de signal à l’entrée, on classifie les systèmes
selon l’ordre des pôles à s = 0. La fonction de transfert en boucle ouverte Go (s) peut être
représentée de la forme :
K(sm + am−1 sm−1 + · · · + a1 s + a0 )
Go (s) = (6.9)
sq (sn + bn−1 sn−1 + · · · + b1 s + b0 )
où K est une constante et m et n sont des entiers. L’exponentiel q est un entier, et représente
le type du système. Par exemple, si q = 0, le système est de type 0 ; si q = 2, le système est
de type 2.
Exemple 1
sR(s) kr
ess = lim = lim (6.11)
s→0 1 + Go (s) s→0 1 + Go (s)
kr
= (6.12)
1 + lim Go (s)
s→0
Exemple 2
Calculer l’erreur statique due à une entrée échelon unitaire pour le système suivant :
0.8 ess
Amplitude
0.6
0.4
Sortie
0.2 Entrée
0
0 0.1 0.2 0.3 0.4 0.5 0.6
Temps
kr
L[r(t)] = (6.17)
s2
R(s)
ess = lim sE(s) = lim s (6.18)
s→0 s→0 1 + Go (s)
kr
= lim (6.19)
s→0 s + sGo (s)
kr
= (6.20)
lim sGo (s)
s→0
Ce qui donne
kr
ess = (6.22)
Kv
kr
ess = (6.25)
Kv
Exemple 3
Soit
3
Go (s) =
s(s2 − 3s + 5)
Calculer l’erreur statique due à une entrée rampe.
t2
Pour une entrée parabolique, r(t) = kr u(t), et
2
kr
R(s) = (6.27)
s3
Exemple 4
Calculer l’erreur statique due à une entrée parabolique pour le système suivant :
(s + 0.2)
Go (s) =
s2 (s2 + 3s + 1)
En boucle fermée,
(s + 0.2) s + 0.2
T (s) = =
s2 (s2 + 3s + 1) + (s + 0.2) s4 + 3s3 + s2 + s + 0.2
Table de Routh :
s4 1 1 0.2
s 3 3 1 0
s2 0.66 0.2 0
s1 0.1 0 0
s 0 0.2 0 0
Le système est stable, quoique très peu.
6.3.4 Récapitulation
L’erreur statique pour différents systèmes est résumée dans le tableau 6.1.
Erreur statique
Type Kp Kv Ka Échelon Rampe Parabole
kr
0 K 0 0 ∞ ∞
1 + Kp
kr
1 ∞ K 0 0 ∞
K
kr
2 ∞ ∞ K 0 0
K
3 ∞ ∞ ∞ 0 0 0
Exemple 5
672(s + 5) 672(s + 5)
T (s) = = 4
s(s + 6)(s + 7)(s + 8) + 672(s + 5) s + 21s + 146s2 + 1008s + 3360
3
Table de Routh :
s4 1 146 3360
s3 21
1 1008
48 0
s 2 98 7
3360 240
0
1
s 13.71 0 0
s0 240 0 0
Puisqu’il n’y a aucun changement de signe, le système est stable.
On a vu dans les chapitres précédents les différents types de systèmes ainsi que les
paramètres qui les définissent. Souvent, pour des systèmes sous étude, il y a quelques
paramètres dont on désire améliorer, comme le dépassement maximal, ou réduire l’erreur
statique, ou améliorer le temps de réponse.
On verra aussi en fin de chapitre comment implanter ces contrôleurs à l’aide de circuits
composés d’ampli-op, de résistances et condensateurs.
On a déjà vu des exemples où l’on ajoutait un gain dans une boucle pour rendre un
système stable, par exemple, ou réduire l’erreur statique.
Le contrôleur P est simple : il s’agit que d’un gain Kprop , comme à la figure 7.1.
Kprop
1
CHAPITRE 7. CONTRÔLEURS
R(s) + C(s)
Kprop G(s)
−
Exemple 1
R(s) + 1 C(s)
− s(s + 1)
On ajoute un contrôleur P.
1. Quel est le type du système ?
2. Quelle est l’erreur statique pour :
(a) Entrée échelon ?
(b) Entrée rampe ?
2. Erreur statique :
a) Entrée échelon :
Kp = lim Go (s) = ∞
s→0
1
ess = =0
1 + Kp
b) Entrée rampe :
ou
Ki
Gc (s) = (7.3)
s
On voit, selon l’équation 7.4, qu’on a ajouté un pôle au système et augmenté le type
du système. Ce qui veut dire que si le système est de type 0, avec une erreur statique,
cette erreur statique sera nulle puisque le système est maintenant de type 1. Par contre, le
contrôleur intégral peut rendre un système instable, et il est rarement utilisé seul.
Exemple 2
On utilise le même système que l’exemple 1, sauf qu’on se sert d’un contrôleur I.
1. Quel est le type du système ?
2. Quelle est l’erreur statique pour :
(a) Entrée échelon ?
1. Type du système :
Ki
Go (s) = 2
⇒ Type 2
s (s + 1)
2. Erreur statique :
a) Entrée échelon :
Kp = lim Go (s) = ∞
s→0
1
ess = =0
1 + Kp
b) Entrée rampe :
Kv = lim sGo (s) = ∞
s→0
1
ess = =0
Kv
(mieux qu’avec un contrôleur P)
3. Stabilité
a)
Kprop
T (s) =
s2 + s + Kprop
Table de Routh :
s2 1 Kprop
s 1 1 0
s0 Kprop 0
Le système est stable si Kprop > 0.
b)
Ki
T (s) =
s3 + s2 + Ki
Table de Routh :
s3 1 0
s 2 1 Ki
1
s −Ki 0
s 0 Ki 0
Le système est instable pour toutes les valeurs de Ki . Dans ce cas, l’utilisation d’un contrôleur
I n’a pas aidé.
Exemple 3
On utilise le même système que l’exemple 1, contrôlé cette fois par un PI avec τi = 2.
1. Quel est le type du système ?
2. Quelle est l’erreur statique pour :
(a) Entrée échelon ?
(b) Entrée rampe ?
3. Comparer la stabilité avec celle de l’exemple 1 et 2.
1. Type du système :
Kprop s + τ1i G(s) Kprop s + τ1i Kprop (s + 0.5)
Go (s) = = =
s s2 (s + 1) s2 (s + 1)
Le système est de type 2.
2. Erreur statique :
3. Stabilité
Kprop (s + 0.5) Kprop (s + 0.5)
T (s) = 2
= 3 2
s (s + 1) + Kprop (s + 0.5) s + s + Kprop s + 0.5Kprop
Table de Routh :
s3 1 Kprop
s 2 1 0.5Kprop
1
s 0.5Kprop 0
s0 0.5Kprop 0
Le système est stable si Kprop > 0. L’ajout de la composante P au contrôleur I a rétabli la
stabilité.
Pour un contrôleur dérivateur, on dérive le signal à l’entrée. Ceci veut dire que pour
un changement abrupte du signal à l’entrée, le signal de contrôle peut être très élevé.
Ki
Gc (s) = Kprop + + Kd s (7.10)
s
ou !
1
Gc (s) = Kprop 1+ + τd s (7.11)
τi s
où
Kprop
τi = (7.12)
Ki
Kd
τd = (7.13)
Kprop
En boucle ouverte,
1
Il y a donc deux zéros de plus et un pôle de plus au système. Le facteur s augmente
aussi le type du système.
Le tableau 7.1 résume l’effet de chacun des types de contrôleurs sur les caractéristiques
d’un système. Le contrôleur P va réduire le temps de montée et réduire l’erreur statique,
sans pour autant l’éliminer complètement. Un contrôleur I éliminera l’erreur statique,
mais peut rendre la réponse transitoire pire. Le contrôleur D augmentera la stabilité d’un
système, réduira le dépassement et peut améliorer la réponse transitoire.
Il faut noter que ce résumé n’est que général ; l’effet de modifier la valeur d’un contrôleur
peut affecter l’effet des deux autres.
Cette méthode s’applique plutôt à des systèmes ayant un délai dont le comportement
ressemble celui d’un système de premier ordre. Ce type de réponse est souvent retrouvé
dans les procédés chimiques et thermiques.
Sortie
K Entrée
Amplitude
L τ Temps (s)
Ke−τd s
G(s) = (7.16)
τs + 1
Kprop Ki Kd
1
P
RL
0.9 3
PI
RL 10RL2
1.2 0.6 0.6
PID
RL RL2 R
Kprop τi τd
!
1 L
P 1+
RL 3τ
!
1 L 30 + 3(L/τ)
PI 0.9 + L
RL 12τ 9 + 20(L/τ)
!
1 4 L 32 + 6(L/τ) 4
PID + L L
RL 3 4τ 13 + 8(L/τ) 11 + 2(L/τ)
Remarque : Les paramètres sont pour un PID dont la fonction de transfert est de la
forme donnée à l’équation 7.11.
Pour cette méthode, on se sert de la stabilité critique. Soit le système de la figure 7.4.
R(s) + C(s)
K G(s)
−
On ajuste le gain K à une valeur faible. On augmente ensuite le gain K jusqu’à ce que
le système soit marginalement stable (limite de stabilité). On note le gain critique, Ku .
Amplitude
Tu
Temps (s)
Par après, on utilise les valeurs du tableau 7.4 pour calculer les paramètres des contrôleurs.
Kprop Ki Kd
P 0.5Ku
0.54Ku
PI 0.45Ku
Tu
1.2Ku
PID 0.6Ku 0.075Ku Tu
Tu
Il faut noter que les paramètres donnés dans les tableaux 7.2, 7.3 et 7.4 ne sont que des
valeurs nominales, et non pas optimales. Il peut être nécessaire de varier ces paramètres
quelque peu afin d’obtenir une meilleur réponse. De plus, d’autres méthodes peuvent
donner de meilleurs résultats, mais elles sont plus complexes.
Exemple 4
simple comme celui-ci, il suffit d’utiliser la table de Routh pour obtenir le gain critique,
puis simuler et mesurer la période.
6s2 + 6 + 3K = 6s2 + 66 = s2 + 11
On substitue s = jωc , √
(jωc )2 + 11 = 0 ⇒ ωc = 11
et la période est :
2π
Tu = = 1.89 s
ωc
PI
1.6
PID
1.4
1.2
Amplitude
0.8
P
0.6
sans compensation
0.4
0.2
0
0 2 4 6 8 10 1214 16 18 20 22 24
Temps (s)
Pour réaliser physiquement les contrôleurs, on utilise des circuits à ampli-op. La figure
7.7 illustre un ampli-op en configuration d’amplificateur avec feedback négatif. On utilise
des résistances et des condensateurs pour réaliser les fonctions voulues.
Z2
Z1
Vi −
Vo
+
Gain
Z1 = R1 (7.17)
Z2 = R2 (7.18)
Intégrateur
Ici,
Z1 = R (7.21)
Z2 = C (7.22)
Dérivateur
Dans ce cas,
Z1 = C (7.25)
Z2 = R (7.26)
Contrôleur PI
Z1 = R1 (7.29)
Z2 = R2 + C (7.30)
Contrôleur PID
Z1 = R1 //C1 (7.34)
Z2 = R2 + C2 (7.35)
d’où on obtient
R2 C1
Kprop = + (7.37)
R1 C2
1
Ki = (7.38)
R1 C2
Kd = R2 C1 (7.39)
Note : Dans la réalisation pratique des contrôleurs, on a une inconnue de plus que
le nombre de paramètres connus. Par exemple, dans le cas du contrôleur PID, on a trois
paramètres connus (Kprop , Ki et Kd ), mais quatre inconnues (R1 , R2 , C1 et C2 ). Il faudra
donc choisir arbitrairement une valeur, puis calculer les autres. On choisit habituellement
un condensateur en premier.
Exemple 1
1
CHAPITRE 8. RÉPONSE EN FRÉQUENCE
1 2 − jω 2 − jω
G(jω) = · =
2 + jω 2 − jω 4 + ω2
2 jω
= 2
−
4+ω 4 + ω2
L’amplitude est :
r
2 2
2 ω
|G(jω)| = 2
+
r 4+ω 4 + ω2
2
1
= (4 + ω2 )
4 + ω2
1 √
= 4 + ω2
4 + ω2
1
=√
4 + ω2
La phase est :
ω
−1
∠G(jω) = − tan
2
Le diagramme de Bode est :
−20
−30
−40
10−1 100 101 102
−20
Phase (◦ )
−40
−60
−80
Donc, si on sépare une fonction de transfert en plusieurs éléments de base, il est plus
facile de trouver la réponse globale.
Soit
G(s) = G1 (s)G2 (s)G3 (s) . . . (8.4)
alors
Élément 1 : G(s) = K
|G(jω)| = K (8.8)
∠G(jω) = 0 (8.9)
1
Élément 2 : G(s) =
1 + sτ
Si on substitue s = jω,
1 1 − jωτ
G(jω) = = (8.10)
1 + jωτ 1 + ω2 τ 2
et on a :
1
|G(jω)| = √ (8.11)
1 + ω2 τ 2
∠G(jω) = − tan−1 (ωτ) (8.12)
0
Amplitude (dB)
−10
−20
ωc
ω
0
−20
Phase (◦ )
−40
−60
−80
ωc
ω
Fréquence (rad/s)
Élément 3 : G(s) = 1 + sτ
40
Amplitude (dB)
20
0
ωc
ω
80
60
Phase (◦ )
40
20
0
ωc
ω
Fréquence (rad/s)
1
Élément 4 : G(s) =
s
20
Amplitude (dB)
−20
ωc
ω
−70
−80
Phase (◦ )
−90
−100
−110 ωc
ω
Fréquence (rad/s)
1
Élément 5 : G(s) =
sn
ωn
Élément 6 : G(s) =
s2 + 2ζωn s + ωn2
1
G(s) = (8.22)
2ζ s2
1+ ω s+
n ωn2
1
G(jω) = (8.23)
ω2
1− + j 2ζω
ωn2 ωn
ω2
" ! #
1 2ζω
= 2 1− 2 −j (8.24)
ω2 2 ωn ωn
1− + 4ζ 2 ω2
ωn2 ωn
Donc,
1
|G(jω)| = r 2 (8.25)
ω2 2
1 − 2 + 4ζ 2 ω2
ωn ωn
− 2ζ ωω
∠G(jω) = tan−1 n
(8.26)
1 − ω2
2
ωn
ζ = 0.2
Amplitude (dB)
0
−20 ζ=1
−40
ωc
ω
−50
Phase (◦ )
−100
−150
ωc
ω
Fréquence (rad/s)
• ω=0
• ω=∞
• où la courbe croise l’axe imaginaire, φ = ±90◦
• où la courbe croise l’axe réel, φ = ±180◦
Exemple 2
ωn2
Go (s) =
s2 + 2ζωn s + ωn2
pour ωn = 1 et ζ = 1.
0.5
Imaginaire
ω=∞
0
ω=0
−0.5
−1
−0.5 0 0.5 1 1.5
Réel
8.4 Stabilité
Critère de stabilité de Nyquist : Un système est stable si l’amplitude est plus petite que
1 lorsque la phase est 180◦ .
0.5
ω=∞
0
Imaginaire ω=0
−0.5
−1 a
−1.5
b
−2
−2 −1.5 −1 −0.5 0 0.5 1
Réel
Lors du design d’un système, si on trouve un gain K qui rend un système stable, est-ce
qu’un gain K + 1 le rendra instable ? Ou K + 2 ? On va maintenant définir deux termes, la
marge de gain et la marge de phase, qui aident à caractériser un système.
Marge de gain GM : C’est le facteur par lequel le gain peut être augmenté avant de causer
une instabilité. Souvent exprimé en dB, la marge de gain est :
Kc
GM = (8.27)
K
où Kc est le gain critique qui cause l’instabilité, et K est le gain actuel du système.
Marge de phase ΦM : C’est l’angle par lequel le système peut être déphasé avec de rendre
le système instable.
On peut observer plus clairement ces deux paramètres sur le diagramme de Nyquist
ou des diagrammes de Bode.
0.5
1
ω=∞
a
0
α
|G(jω)| = 1
Imaginaire
−0.5
−1
−1.5
−1.5 −1 −0.5 0 0.5
Réel
Comme exemple, la marge de gain est environ 20dB et la marge de phase environ 60◦
dans la figure 8.7.
Amplitude (dB) 0
GM
−50
ωp
0
Phase (◦ )
−100
ΦM
−200
10−2 10−1 100 ωg 101 102
Fréquence (rad/s)
(1 + s)
G(s) = (8.32)
s2 (1 + 0.1s)
Dans la figure 8.8, on a une marge de phase de 45◦ environ. Par contre, la phase ne tra-
verse pas l’axe de -180◦ . On a donc pas de marge de gain. La marge de phase est positive,
donc le système est stable. On peut vérifier à l’aide d’une table de Routh.
(1 + s)(1 + 0.01s)
G(s) = (8.33)
s3 (1 + 0.0001s)(1 + 0.00001s)
Le diagramme de Bode est donné à la figure 8.9. On voit dans cette figure que la phase
traverse le point -180◦ à deux reprises. On a donc deux marges de gain.
Amplitude (dB)
50
−50
−120
−140
Phase (◦ )
−160 ΦM
−180
10−2 10−1 100 101 102
Fréquence (rad/s)
Note : La marge de phase est le seul critère fiable de la stabilité d’un système. Un
système est stable si ΦM > 0.
Exemple 3
Calculer la marge de gain et de phase lorsque le gain de Bode est 1. Calculer la valeur
maximale de K pour un système stable. Utiliser la table de Routh pour confirmer.
0 GM1
GM2
−100
−200
−100
−150
Phase (◦ )
−200 ΦM
−250
Pour que Kb = 1,
2K
=1⇒K =5
10
On trace alors le diagramme de Bode :
On trouve alors que GM = 5.6dB et ΦM = −15◦ . Puisque la marge de phase est négative,
le système est instable. Pour stabiliser le système, on doit déplacer la courbe de gain vers
40
Amplitude (dB)
20
GM
0
−20
−40
−150
Phase (◦ )
ΦM
−200
−250
le haut. Pour rendre le système stable, on ajoute 5.6dB. Il faut donc multiplier le gain par
un facteur N, où
20 log N = 5.6 ⇒ N = 1.91
et K 0 = K · N = (5)(1.91) = 9.54.
La table de Routh :
s4 1 K 2K
s3 10 3K 0
s2 0.7K 2K 0
2.1K 2 −20K
s1 0.7K 0 0
s0 2K 0 0
Les conditions nécessaires à la stabilité sont K > 0 et
Donc, K > 9.52, ce qui est très près de la valeur calculée auparavant.
50
GM
−50
−150
ΦM
Phase (◦ )
−200
−250
La marge de gain est négative, alors que la marge de phase est positive. On doit se fier
à ΦM : le système est stable.
Dans ce chapitre, on se sert des diagrammes de Bode pour designer des compensateurs
pour améliorer la stabilité, la réponse transitoire, et l’erreur statique.
1. Le critère de Nyquist (et la marge de phase) permet de déterminer la stabilité d’un
système.
2. Le dépassement maximal (Mp ) est réduit en augmentant la marge de phase, et la
vitesse de réponse est améliorée en augmentant la largeur de bande.
3. L’erreur statique est réduite en augmentant l’amplitude de la réponse à basses fré-
quences.
Les techniques utilisées pour améliorer les caractéristiques des systèmes à l’aide des
diagrammes de Bode sont des méthodes empiriques. Il n’y a pas de méthode exacte au
design de compensateurs à avance de phase, à retard de phase ou à avance-retard de
phase. On présente ici une méthode, celle du livre de Nise, mais il en existe d’autre.
Lors du design des compensateurs, il faut faire des approximations ; on suppose que le
système sous étude se comporte de façon assez près d’un système de deuxième ordre. Plus
cette supposition est vraie, plus les calculs obtenus seront corrects à la première itération.
En effet, dans les méthodes présentées ici, il n’existe pas de solution exacte ; il faudra
souvent recommencer ou modifier le design parce qu’une contrainte n’est pas atteinte.
On veut illustrer ici le lien entre la marge de phase, la réponse transitoire, et le gain.
1
CHAPITRE 9. CONTRÔLEURS : DOMAINE FRÉQUENTIEL
Amplitude
A
0 ω
Augmentation de gain
B
Phase
0 ω
C
ΦM
180◦
D
Pour avoir une marge de phase de CD, il faut augmenter le gain d’un facteur AB.
Exemple 1
Pour un dépassement maximal de 9.48%, on trouve ζ = 0.6. Ceci veut dire que ΦM =
59.19◦ .
Selon le diagramme de Bode, la phase est -120.81◦ (soit -180+ΦM ) à la fréquence ωpc
= 14.81 rad/s.
À cette fréquence, le gain est -44.15dB. Il faut donc ajouter 44.15dB au gain calculé
précédemment. Le nouveau gain est
44.15
K 0 = (3.6)(10 20 ) = 580.5
Donc,
58050
Go (s) =
s(s + 100)(s + 36)
Amplitude (dB) 0
GM
−50
−100
−100
ΦM
Phase (◦ )
−150
−200
−250
Proposé Actuel
Kv – 16.18
ΦM 59.19◦ 59.23◦
ωp – 14.8 rad/s
Mp 9.48% 9%
Tp – 0.18s
s + T1
Gc (s) = Kc 1
(9.4)
s + αT
où α > 1.
0 z/p = 2
Amplitude (dB)
z/p = 5
−10
z/p = 10
−20
0
Phase (◦ )
−20
−40
−60
10−2 10−1 100 101
Fréquence (rad/s)
Processus de design
Exemple 2
Pour une amélioration d’un facteur 10, Kv = 161.3. Le gain K devient 5805, et la fonction
de transfert en boucle ouverte est :
580500
Go (s) =
s(s + 36)(s + 100)
0 0
On choisit un δφ de 10◦ . Donc ΦM = 69.19◦ . Selon le diagramme de Bode, ΦM = 69.19◦
lorsque ωgc = 9.8rad/s. À cette fréquence, Ggc = 24dB. Alors :
24
α = 10 20 = 15.82
1
ωh = = 0.1ωgc = 0.98 rad/s
T
ωh
ωb = = 0.062 rad/s
α
Le gain Kc est 1/α = 0.0631. La fonction de transfert est :
36700(s + 0.98)
Gc (s)Go (s) =
s(s + 36)(s + 100)(s + 0.062)
Amplitude (dB)
50
−50
−100
Phase (◦ )
−150
−200
−250
Proposé Actuel
Kv 161.3 161.14
ΦM 59.19◦ 63.85◦
ωp – 9.82 rad/s
Mp 9.48% 9.11%
Tp – 0.31s
s + T1
Gc (s) = Kc 1
(9.9)
s + βT
où β < 1. Le diagramme de Bode (normalisé pour avoir un gain de 1 à hautes fréquences)
pour le compensateur à avance de phase est donné à la figure 9.3 pour différentes valeurs
de z/p.
0 z/p = 0.5
Amplitude (dB)
z/p = 0.2
−10
z/p = 0.1
−20
60
40
Phase (◦ )
20
0
10−1 100 101 102
Fréquence (rad/s)
Processus de design
ou
q
π p
ωBW = √ (1 + 2ζ 2 ) + 4ζ 4 − 4ζ 2 + 2 (9.14)
Tp 1 − ζ 2
où ΦMa est la marge de phase actuelle du système, et δφ est un facteur de sécurité,
de 5◦ à 12◦ .
5. Calculer la valeur de β (selon l’équation 9.10).
6. Calculer l’amplitude à la fréquence ωmax .
1
|G(jωmax | = p (9.16)
β
Exemple 3
Rappel :
100K
Go (s) =
s(s + 36)(s + 100)
Pour Kv = 40,
100K
Kv = lim sGo (s) = lim ⇒ K = 1440
s→0 s→0 (s + 36)(s + 100)
−50
−100
Phase (◦ )
−150 ΦMa
−200
−250
On cherche β,
1−β
sin φmax = ⇒ β = 0.42
1+β
Et le gain du compensateur,
1
Kc = = 2.38
β
La fonction de transfert du compensateur est :
2.38(s + 25.27)
Gc (s) =
(s + 60.18)
On simule le système, et on compare avec les valeurs voulues, et les valeurs obtenues
avec seulement un gain pour compenser.
Pour le design d’un compensateur à avance-retard de phase, on pourrait bien sûr faire
le design de deux compensateurs séparément, un à avance de phase et l’autre à retard de
phase. Le compensateur total serait alors la mise en série des deux compensateurs.
Processus de design
Exemple 4
50
Amplitude (dB)
0
−50
−100
Phase (◦ )
−150
−200
−250
et donc,
0.1(s + 0.18)
Glag (s) =
(s + 0.018)
La largeur de bande en boucle fermée est égale à la fréquence où l’amplitude en boucle
ouverte est -7dB. On trouve que ωBW = 4.5rad/s, ce qui est meilleur que la valeur voulue.
Proposé Actuel
Kv 12 12
ΦM 55◦ 57◦
ωmax - 1.7 rad/s
ωBW 2.29 rad/s 3.2 rad/s
Mp 13.25% 12%
Tp 2.0s 1.59s
On peut construire les compensateurs de deux façons : circuits actifs avec amplis-ops,
et circuits passifs. Pour les circuits actifs, la forme de base est la même ; seule la valeur
des composantes est différentes.
Z2
Z1
Vi −
Vo
+
Pour implanter les compensateurs avec des circuits passifs, on utilise les configura-
tions suivantes :
R1
+ +
R2
Vi Vo
C
− −
Vo (s) R1 s + R21C
= · 1
(9.23)
Vi (s) R1 + R2 s +
(R +R )C 1 2
Vo (s) s + R11C
= (9.24)
Vi (s) s + R1C + R1C
1 2
R1
+ C1 +
Vi R2 Vo
− −
R1
+ C1 +
R2
Vi Vo
C2
− −
Principalement, le désavantage de cette méthode est qu’elle n’est valide que pour des
systèmes linéaires invariables. Un avantage majeur, par contre, est que ces fonctions de
transfert donnent rapidement de l’information sur la stabilité et la réponse transitoire.
10.1 Définition
1
CHAPITRE 10. ÉTUDE DES SYSTÈMES PAR ÉQUATIONS D’ÉTAT
+
v(t) − L
2. L’équation est :
di
L + Ri = v(t) (10.1)
dt
et donc
1
i(t) = 1 − e−(R/L)t + i(0)e−(R/L)t (10.4)
R
vR (t) = Ri(t)
vL (t) = v(t) − vR (t) = v(t) − Ri(t) Équations de sortie (10.5)
di 1
dt = L [v(t) − Ri(t)]
Exemple 2
R L
+
v(t) − i(t) C
dq
=i (10.8)
dt
di 1 R 1
=− q − i + v(t) (10.9)
dt LC L L
4. Avec i(t) et q(t), on peut trouver toutes les autre variables. Par exemple,
1
vL (t) = − q(t) − Ri(t) + v(t) (10.10)
C
L’équation vL (t) est une équation de sortie, et est une combinaison linéaire des variables
d’état.
→ Oui. Aucune variable d’état ne peut être une combinaison linéaire des autres va-
riables d’état. Ex : Si vR (t) est choisie comme variable d’état, on ne peut pas choisir iR (t),
puisque vR (t) = Rir (t).
où dq
" # " # " #
0 1 0
dt
q
ẋ = A= x= B= u = v(t) (10.12)
1 1
di − LC − RL i L
dt
et
y = Cx + Du (équation de sortie) (10.13)
où #T
−1
" " #
q h i
y = vL (t) C= C x= D= 1 u = v(t) (10.14)
−R i
Linéairement indépendantes
Il ne faut pas qu’une variable d’état soit une combinaison linéaire de d’autre variables
d’état. Ex : Si on choisit 3 variables x1 , x2 et x3 , mais si x3 = 2x1 + 5x2 , alors x3 n’est pas
indépendante de x1 et x2 , puisque si on connaı̂t la valeur de x1 et x2 , on peut trouver x3 .
Par contre, si x3 = 5 dx 1
dt , x3 est alors linéairement indépendante.
Une méthode pour convertir une fonction de transfert à un espace d’état : la méthode
des variables de phase.
d ny d n−1 y dy
n
+ an−1 n−1 + · · · + a1 + a0 = b0 u (10.16)
dt dt dt
x1 = y
dy
x2 =
dt
.. (10.17)
.
d n−1 y
xn =
dt n−1
dy
ẋ1 =
dt
d 2y
ẋ2 = 2
dt (10.18)
..
.
d ny
ẋn =
dt n
ẋ1 = x2
ẋ2 = x3
.. (10.19)
.
ẋn−1 = xn
ẋn = −a0 x1 − a1 x2 · · · − an−1 xn + b0 u
ẋ1 0 1 0 0 ··· 0 x1 0
ẋ 0 0 1 0 ··· 0 x2 0
2
. . .. . .
.. = .. . .. + .. u (10.20)
ẋn−1 0 0 0 0 1 xn−1 0
ẋn −a0 −a1 −an−1 xn b0
et la sortie,
x1
i x2
y = 1 0 0 · · · 0 ...
h
(10.21)
xn−1
xn
Exemple 3
C(s) 24
= 3 2
R(s) s + 9s + 26s + 24
On a (s3 + 9s2 + 26s + 24)C(s) = 24R(s). En forme différentielle, si les conditions initiales
sont nulles :
...
c + 9c̈ + 26ċ + 24c = 24r
En forme de matrices :
ẋ1 0 1 0 x1 0
ẋ 0 0 1 x2 + 0 r
2 =
ẋ3 −24 −26 −9 x3 24
i x1
h
y = 1 0 0 x2
x3
On peut représenter ce système par un schéma bloc. On trace en premier les trois blocs
d’intégration, puis on relie le tout avec les gains appropriés.
26
24
Si l’ordre du numérateur est plus petit que l’ordre du dénominateur, on peut séparer la
fonction de transfert en deux termes ; le premier est le dénominateur, et le deuxième est le
numérateur, comme montré à la figure 10.3. Le dénominateur de la fonction de transfert
représente les équations d’état, tandis que le numérateur représente l’équation de sortie.
b2 s 2 + b1 s + b0 1
⇒ b2 s 2 + b1 s + b0
a3 s3 + a2 s2 + a1 s + a0 a3 s3 + a2 s2 + a1 s + a0
On peut faire la conversion d’un système d’espace d’état à une fonction de transfert.
Soit les équations d’état :
ẋ = Ax + Bu (10.22)
y = Cx + Du (10.23)
où I est la matrice identité. En substituant l’équation 10.26 dans l’équation 10.25, on
obtient : h i
Y(s) = C(sI − A)−1 B + D U(s) (10.27)
et la fonction de transfert du système est donc :
Y (s)
T (s) = = C(sI − A)−1 B + D (10.28)
U (s)
Exemple 4
0 1 0 10
0 0 1
ẋ = x + 0 u
−1 −2 −3 0
h i
y= 1 0 0 x
s 0 0 0 1 0 s −1 0
sI − A = 0 s 0 − 0 0 1 = 0 s −1
0 0 s −1 −2 −3 1 2 s+3
Et ensuite on inverse :
2
(s + 3s + 2) s+3 1
−1 s(s + 3) s
−s −(2s + 1) s2
−1 adj(sI − A)
(sI − A) = =
det(sI − A) s3 + 3s2 + 2s + 1
10
h i
B = 0 C= 1 0 0 D=0
0
10(s2 + 3s + 2)
T (s) =
s3 + 3s2 + 2s + 1
Les systèmes d’état sont souvent représentés par des variables de phase (où chaque
variable d’état est la dérivée de la variable précédente). Soit le système suivant :
C(s) 24
= (10.29)
R(s) (s + 2)(s + 3)(s + 4)
La figure 10.5 montre une représentation en diagrammes bloc du système précédent, où
les termes de la fonction de transfert sont en cascade. La sortie de chaque système de
premier ordre est une variable d’état (ce ne sont pas les variables de phase).
R(s) 1 1 1 C(s)
24
s+2 X3 (s) s+3 X2 (s) s+4 X1 (s)
1
1 s
Ri (s) Ci (s)
−ai
1 1 1
24 s 1 s 1 s 1
R(s) C(s)
X3 (s) X2 (s) X1 (s)
−2 −3 −4
À partir de la figure 10.6, on peut rapidement écrire les équations d’état du système.
Puisque le terme 1/s représente un intégrateur, le noeud avant cet intégrateur représente
la dérivée de la variable, et donc une variable d’état. Pour le diagramme de fluence de la
figure 10.6, on obtient :
ẋ1 = −4x1 +x2
ẋ2 = −3x2 +x3 (10.33)
ẋ3 = −2x3 +24r
−4 1 0 0
0 −3 1
ẋ = x + 0 r (10.35)
0 0 −2 24
h i
y= 1 0 0 x (10.36)
La forme parallèle est une autre forme de représentation des systèmes d’état. Cette
forme permet d’avoir une matrice A purement diagonale, s’il n’y a pas de racines répétées.
On reprend le même système qu’auparavant, mais cette fois on décompose à l’aide de
fractions partielles.
C(s) 24 12 24 12
= = − + (10.37)
R(s) (s + 2)(s + 3)(s + 4) s + 2 s + 3 s + 4
Sous cette forme, on voit bien que la sortie est la somme de trois termes qui multiplient
l’entrée. La représentation à l’aide de diagramme de fluence est donnée à la figure 10.7.
1
s
12 X1 (s) 1
−2
1
−24 s 1
R(s) C(s)
X2 (s)
−3
12 1 1
s
X3 (s)
−4
On peut utiliser le diagramme de fluence pour écrire les équations d’état. Par inspec-
tion,
ẋ1 = −2x1 +12r
ẋ2 = −3x2 −24r (10.38)
ẋ3 = −4x3 +12r
et l’équation de sortie est :
y = c(t) = x1 + x2 + x3 (10.39)
Sous forme matricielle,
−2 0 0 12
ẋ = 0 −3 0 x + −24 r (10.40)
0 0 −4 12
h i
y= 1 1 1 x (10.41)
L’avantage de cette représentation du système est qu’il permet d’avoir une matrice de
système, A, qui est uniquement diagonale. Chaque équation différentielle n’est fonction
que d’une seule variable : elles peuvent être solutionnées indépendamment. Un système
ayant ces propriétés est dit découplé.
Si le système a des racines répétées, la matrice du système ne sera pas diagonale. Soit
le système suivant :
C(s) s+3 2 1 1
= 2
= 2
− + (10.42)
R(s) (s + 1) (s + 2) (s + 1) s+1 s+2
Le diagramme de fluence est donné à la figure 10.8.
1 1
X2 (s) X1 (s)
s 1 s
2 −1 −1 1
−0.5
R(s) C(s)
1
1 X3 (s) 1
s
−1
−1 1 0 0
0 −1 0
ẋ = x + 2 r (10.45)
0 0 −2 1
h i
y = 1 12 1 x (10.46)
Une autre méthode de représentation utilisant les variables de phase est la forme ca-
nonique de contrôleur, puisqu’elle est basée sur le design de contrôleurs (qu’on verra dans
un autre chapitre). Sous cette forme, les variables de phase sont organisées en ordre in-
verse.
C(s) s2 + 7s + 2
= 3 (10.47)
R(s) s + 9s2 + 26s + 24
i x1
h
y = 2 7 1 x2 (10.49)
x3
i x3
h
y = 2 7 1 x2 (10.51)
x1
i x1
h
y = 1 7 2 x2 (10.53)
x3
1 1 1
1 s s s 2
R(s) C(s)
X3 (s) X2 (s) X1 (s)
−9
−26
−24
1 1 1
1 s s s 2
R(s) C(s)
X1 (s) X2 (s) X3 (s)
−9
−26
−24
Figure 10.9 – Diagramme de fluence d’un système d’état a) sous forme variable de phase
et b) sous forme contrôleur canonique
10.6 Stabilité
det(sI − A) = 0 (10.54)
où I est la matrice identité et s l’opérateur de Laplace. On résout l’équation obtenue par
la méthode de Routh-Hurwitz.
Exemple 5
Soit :
0 3 1 10
ẋ = 2 8 1 x + 0 u
−10 −5 −2 0
h i
y= 1 0 0 x
Calculer la stabilité.
s 0 0 0 3 1 s −3 −1
(sI − A) = 0 s 0 − 2 8 1 = −2 s − 8 −1
0 0 s −10 −5 −2 10 5 s+2
Le déterminant est :
s3 − 6s2 − 7s − 52
Table de Routh :
s3 1 −7
s2 − 3
−6 − 26
−52
s1 − 1
−15.67 0
s0 −26 0
Le système est instable.
Il y a deux méthodes principales pour calculer l’erreur statique d’un système d’état :
l’utilisation du théorème de la valeur finale, et la méthode de substitution.
ẋ = Ax + Br (10.56)
y = Cx (10.57)
Exemple 6
Soit un système :
On a :
−5 1 0 0
h i
A = 0 −2 1 B = 0 C = −1 1 0
20 −10 1 1
Alors :
s 0 0 −5 1 0 s + 5 −1 0
(sI − A) = 0 s 0 − 0 −2 1 = 0 s + 2 −1
0 0 s 20 −10 1 −20 10 s − 1
et le déterminant :
det(sI − A) = s3 + 6s2 + 13s + 20
Pour un système ayant une fonction de transfert dont le dénominateur est de la forme :
sn + an−1 sn−1 + · · · + a1 s + a0 = 0 (10.65)
Il y a n coefficients qui déterminent les pôles du système. Pour modifier la réponse, il faut
trouver n paramètres ajustables.
u + ẋ
Z
x y
B C
+
r + u + ẋ
Z
x y
B C
+ +
-K
Figure 10.11 – Représentation d’un système en espace d’état avec feedback des variables
d’état
Le design de systèmes à variables d’état avec feedback pour le placement des pôles
consiste à comparer l’équation du système obtenue lorsque le système est de la forme de
la figure 10.12b avec l’équation caractéristique voulue, puis en calculant les gains ki . Si
le système n’est pas de la forme des variables de phase, la solution des équations est très
complexe ; il est préférable de modifier la forme du système avant de déterminer les pôles.
Pour appliquer la méthode de design par placement de pôles, on utilise les étapes
suivantes :
1. Représenter le système sous la forme des variables de phase.
2. Ajouter du feedback à chaque variable de phase, avec un gain ki .
3. Calculer l’équation caractéristique du système en boucle fermée.
4. Déterminer la position des pôles voulues et calculer une équation caractéristique
équivalente.
5. Résoudre les deux équations caractéristiques pour obtenir les gains ki .
La représentation en variables de phase pour le système donné par les équations 10.66
et 10.67 est :
0 1 0 ··· 0 0
0 0 1 ··· 0
0 h i
A = ..
.
.. .
.. .
.. .
.. B =
. C = c 1 c2 · · · cn (10.70)
..
.
−a0 −a1 −a2 · · · −an−1 1
c3
c2
1 1 1
1 s s s c1
u y
x3 x2 x1
−a2
−a1
−a0
c2
1 1 1
1 1 s s s c1
r y
u x3 x2 x1
−a2
−k3 −a1
−k2 −a0
−k1
Figure 10.12 – Diagramme de fluence d’un système d’état a) sous forme variable de phase
et b) avec feedback
u = −Kx (10.72)
où h i
K = k1 k2 · · · kn (10.73)
0 1 0 ··· 0
0 0 1 ··· 0
A − BK = .. .. .. .. .. (10.74)
. . . . .
−(a0 + k1 ) −(a1 + k2 ) −(a2 + k3 ) · · · −(an−1 + kn )
il suffit de calculer :
di = ai + ki+1 i = 0, 1, . . . , n − 1 (10.77)
et donc :
ki+1 = di − ai (10.78)
Exemple 7
Selon la réponse transitoire voulue, on calcule les pôles voulus. Pour un dépassement
de 9.5%, on obtient :
− ln(0.095)
ζ=q = 0.6
2 2
π + ln (0.095)
et
4
ωn = = 9.015 rad/s
Ts ζ
Les pôles de ce système voulu sont :
p
s1,2 = −ζωn ± jωn 1 − ζ 2 = −5.4 ± j7.2
Puisque le système G(s) est de troisième ordre, on doit choisir un autre pôle. Puisqu’il y
a un zéro à −5, on choisit le troisième pôle pour éliminer ce zéro. Dans ce cas-ci, pour
démontrer les concepts, on choisit un pôle à −5.1. Le diagramme de fluence du système
est montré à la figure 10.13.
20
1 1 1
1 1 s s s 100 y
r
u x3 x2 x1
−5
−k3 −4
−k2
−k1
0 1 0
A − BK = 0 0 1
−k1 −(4 + k2 ) −(5 + k3 )
0 1 0 0
0 0 1 x + 0 r
ẋ =
−413.1 −136.08 −15.9 1
h i
y = 100 20 0 x
L’erreur statique est quand même assez grande (0.76) ; une méthode de design pour
réduire cette erreur sera montrée plus loin.
Amplitude 0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
10.8.3 Contrôlabilité
Bien que la méthode précédente semble fonctionner pour tous les systèmes, en réalité
ce n’est pas le cas. On va vérifier les conditions qui doivent exister pour qu’un système
soit contrôlable. Pour qu’un système soit être contrôlé, on a vu qu’il faut n paramètres. Le
signal de contrôle u doit être en mesure de contrôler chaque variable d’état x. Si n’importe
quelle variable d’état xi ne peut pas être contrôlée par le signal u, on ne peut pas placer
tous les pôles du système où on veut. Ce qui se résume à :
Si une entrée à un système peut être obtenue qui prend chaque variable
d’état d’un état initial à un état final voulu, le système est contrôlable ;
sinon, le système ne peut pas être contrôlé.
La technique de placement des pôles est seulement vaide pour un système contrôlable.
ẋ = Ax + Bu (10.79)
Une autre méthode de faire le contrôle d’un système, qui n’est pas sous la forme des
variables de phase, est de transformer le système actuel à un système en variables de
phase. On utilise la matrice de contrôlabilité pour faire la transformation.
ż = Az + Bu (10.81)
y = Cz (10.82)
On suppose que le système peut être transformé sous forme de variables de phase (x) à
l’aide d’une transformation linéaire
z = Px (10.84)
Si on substitue, on obtient un nouveau système :
Après avoir transformé le système à des variables de phase, on peut faire la conception
des gains. L’entrée u devient :
u = −Kx x + r (10.89)
Le système est alors :
Puisque cette équation est sous la forme de variables de phase, les zéros de ce système en
boucle fermée sont donnés par les éléments de la matrice CP.
Kz = Kx P−1 (10.94)
Exemple 8
1 1 1
1 s 1 s 1 s 4 y
u
z3 z2 z1
−1 −2 −5
−5 1 0 0
0 −2 1
ż = Az + Bz u = z + 0 u
0 0 −1 1
h i
y = Cz z = −1 1 0 z
0 1 0 0
0 0 1 x + 0 u
ẋ = Ax x + Bx u =
−10 −17 −8 1
h i
y = Cx x = 4 1 0 x
0 0 1
h i
CMx = Bx Ax Bx A2x Bx = 0 1 −8
1 −8 47
1 0 0
P = CMz CMx −1 = 5 1 0
10 7 1
− ln(0.208)
ζ=q = 0.447
2
π2 + ln (0.208)
4
ωn = = 2.237 rad/s
Ts ζ
(s + 1 + j2)(s + 1 − j2) = s2 + 2s + 5
Puisque l’équation caractéristique de G(s) est de 3e ordre, il faut trouver un autre pôle.
Parce que G(s) a un zéro à -4, on peut choisir le 3e pôle de sorte qu’il annule ce zéro.
L’équation caractéristique voulue devient :
D(s) = (s + 4)(s2 + 2s + 5) = s3 + 6s2 + 13s + 20 = 0
1 1 1
1 1 s 1 s 1 s 4 y
r
u z3 z2 z1
−1 −2 −5
2
−10
20
On peut vérifier le design. L’espace d’état du système modifié avec feedback est :
−5 1 0 0
ż = (Az − Bz Kz )z + Bz r = 0 −2 1 x + 0 r
20 −10 1 1
h i
y = Cz z = −1 1 0 z
Cette section présente le design de contrôleurs afin d’éliminer l’erreur statique d’un
système. La figure 10.17 montre un système avec contrôle standard, montré en pointillé,
auquel on a ajouté un parcours de feedback et un intégrateur.
r + e
Z
xN + u + ẋ
Z
x y
Ke B C
− + +
-K
ẋN = r − Cx (10.95)
ẋ = Ax + Bu (10.96)
ẋN = −Cx + r (10.97)
y = Cx (10.98)
On peut écrire ces équations d’état comme des matrices et vecteurs augmentés,
" # " #" # " # " #
ẋ A 0 x B 0
= + u+ r (10.99)
ẋN −C 0 xN 0 1
" #
h i x
y= C 0 (10.100)
xN
Puisque " #
hi x
u = −Kx + Ke xN = − K −Ke (10.101)
xN
en substituant, on obtient :
" # " #" # " #
ẋ (A − BK) BKe x 0
= + r (10.102)
ẋN −C 0 xN 1
" #
h i x
y= C 0 (10.103)
xN
Exemple 9
1. Faire la conception d’un contrôleur sans contrôle intégral pour obtenir un dépassement
de 10% et un temps de stabilisation de 0.5s. Évaluer l’erreur statique due à une
entrée échelon unitaire.
2. Répéter le design, cette fois avec du contrôle intégral. Évaluer l’erreur statique due
à une entrée échelon unitaire.
s2 + 16s + 183.1
Puisque le système est déjà sous forme de variables de phase, l’équation caractéristique
du système avec du feedback est :
s2 + (5 + k2 )s + (3 + k1 )
On obtient alors : h i h i
K = k1 k2 = 180.1 11
i x1
h
y = 1 0 0 x2
xN
Il faut ajouter un pôle au système contrôlé, puisqu’on utilise du contrôle intégral. Selon
la fonction de transfert du système original, il n’y a pas de zéro à annuler par ce troisième
pôle. On choisit donc un pôle qui est très loin des pôles du système, comme (s + 100). Le
polynôme souhaité est donc :
s3 + (5 + k2 )s2 + (3 + k1 )s + Ke
ce qui donne
k1 = 1780.1 k2 = 111 Ke = 18310
ẋ1 0 1 0 x1 0
= −1783.1 −116 18310 x2 + 0 r
ẋ
2 =
ẋN −1 0 0 xN 1
i x1
h
y = 1 0 0 x2
xN
18310
T (s) =
s3 + 116s2 + 1783.1s + 18310
et l’erreur statique :
e(∞) = 1 + CA−1 B
−1
0 1 0 0
h i
= 1 + 1 0 0 −1783.1 −116 18310 0 = 0
−1 0 0 1
La logique booléenne classique ne permet que deux états : VRAI ou FAUX. La logique
floue fut proposée par Zadeh en 1965 ; elle permet d’exprimer différents niveaux, plutôt
que seulement 1 ou 0. Par exemple : le moteur est chaud, le moteur est très chaud. Quelle
est la différence entre chaud et très chaud ? Ou encore, un homme est haut s’il me-
sure 170cm. Un homme est très haut s’il mesure 190cm. Où est la ligne de démarcation ?
Un homme de 180cm est-il haut ou très haut ? 180.5cm ? 179.5cm ?
La logique floue est une branche des mathématiques qui permet à un ordinateur de
modéliser le monde réel de la même façon que les personnes. Elle est préoccupée par
1
CHAPITRE 11. LOGIQUE FLOUE
Selon la logique floue, le raisonnement exacte est un cas limite du raisonnement ap-
proximatif ; tout n’est qu’un degré. Tout système logique peut être rendu flou. Les connais-
sances sont interprétées comme une collection de contraintes élastiques ou floues d’un en-
semble de variables. L’inférence est un processus de propagation de contraintes élastiques.
La logique booléenne est un sous-ensemble de la logique floue.
La logique floue permet d’accommoder le concept de vérité partielle : des valeurs entre
complètement vrai et complètement faux sont admises. On supporte des modes de raison-
nement approximatifs plutôt qu’exacts. Son importance provient du fait que le raisonne-
ment humain est approximatif.
La définition de Zadeh :
En logique floue, un ensemble flou contient plusieurs valeurs. L’ensemble floue est
concerné par un degré d’appartenance (ou degré de vérité). On utilise un continuum de
valeurs logiques entre 0 (complètement faux) et 1 (complètement vrai). Une fonction d’ap-
partenance est utiliser pour mapper un item X dans le domaine des nombres réels à un
intervalle de 0 à 1, ce qui permet un degré de vérité.
Dans la théorie des ensembles flous, l’ensemble flou A de X (où X est l’univers d’étude)
µF (x)
1 2 3 ···
Pour représenter la logique floue sur ordinateur, il faut déterminer la fonction d’ap-
partenance. On utilise le plus souvent une représentation graphique. Les bornes de ces
graphiques proviennent d’experts dans le domaine. La figure 11.2 montre deux exemples
de représentation de la température, une en logique classique, et l’autre en logique floue.
Selon la figure 11.2, en logique classique, une température de 22.5◦ est considérée
comme élevée. En logique floue, une température de 22.5◦ appartient au groupe “moyenne”
avec un degrée d’appartenance de 0.167, et appartient au groupe “élevée” avec un degré
d’appartenance de 0.75.
µF (x)
1
0.8
0.6
Faible Moyenne Élevée
0.4
0.2
14 15 16 17 18 19 20 21 22 23 24 25 26
a) Représentation classique
µF (x)
1
0.8
0.6
Faible Moyenne Élevée
0.4
0.2
14 15 16 17 18 19 20 21 22 23 24 25 26
b) Représentation floue
Les variables floues faible, moyenne et élevée sont représentées par des fonctions linéaires.
D’autres fonction auraient pu être utilisées, comme des trapézoı̈des, des paraboles, etc.
Cependant, les fonction linéaires sont beaucoup plus faciles à implémenter de façon pra-
tique, et donnent de bons résultats.
On utilise souvent une notation vectorielle pour représenter les fonctions. Pour les
fonctions d’appartenance de la figure 11.2, on peut utiliser la notation suivante :
• Température faible : (1/17, 0/19)
• Température moyenne : (0/17, 1/20, 0/23)
• Température élevée : (0/21, 1/23)
11.3 Haies
µF (x)
1
0.8
0.6
Faible Moyenne Élevée
0.4
0.2 Très faible Très élevée
14 15 16 17 18 19 20 21 22 23 24 25 26
p
Plus ou moins µA (x)
Les opérateurs flous décrivent comment des ensembles flous interagissent ensembles.
On regardera certaines opérations communes, comme le complément, l’intersection et
l’union.
L’intersection de deux ensembles, en logique flou, est un peu différente des méthodes
classiques. On cherche à savoir de combien un élément est-il dans les deux ensembles. On
utilise alors la valeur minimale d’appartenance pour calculer l’intersection.
A A B A B
0 0 0
¬A
A∪B
A∩B
0 0 0
Complément Intersection Union
où x et y sont des variables linguistiques, et A et B sont des valeurs linguistiques, déterminées
par les ensembles flous sur les ensembles X et Y. Une variable linguistique est une variable
floue. Par exemple : La tension est haute. La variable linguistique tension prend la va-
leur linguistique élevée. La plage de valeurs linguistiques possibles d’une règle représente
l’univers de cette variable. Un exemple de règle floue est :
SI vitesse est lente ALORS arret est court
La variable vitesse peut avoir une plage de valeurs entre 0 et 220 km/h. On peut inclure
des sous-ensembles flous (très lent, lent, moyenne, rapide, très rapide) pour modifier cette
règle. Chaque sous-ensemble flou représente une valeur linguistique pour la variable.
La logique classique (SI – ALORS) utilise la logique binaire. La logique floue permet
d’associer une plage de valeurs (un ensemble flou) à des variables linguistiques. On peut
réduire le nombre de règles jusqu’à 90% en utilisant la logique floue.
11.6 Fuzzification
Les règles d’inférence permettent de calculer les valeurs d’appartenance de règles qui
ont plusieurs antécédents. Si la conjonction qui unit deux antécédents est ET (AND), on
prend le minimum des deux. Ex :
SI voiture a de l’essence ET voiture a un moteur ALORS voiture peut fonctionner
Supposons que la voiture a le plein d’essence (appartenance 1.0), mais qu’elle n’a pas
de moteur (appartenance 0). La règle doit-elle être déclenchée ? Bien sûr que non ; une
voiture sans moteur ne fonctionne pas.
Si la conjonction qui unit deux antécédents est OU (OR), on prend le maximum des
deux. Ex :
SI le chien jappe OU il fait très froid dehors ALORS ouvrir la porte
Supposons que le chien ne jappe pas (appartenance 0.0), mais qu’il fait très froid dehors
(appartenance 1.0). Doit-on ouvrir la porte au chien ? Bien sûr que oui ; on ne va pas laisser
le chien dehors en temps très froid.
Les conclusions atteintes par les systèmes flous sont des faits flous ayant des degrés
d’appartenance. Ex : risque est faible avec une appartenance de 0.5. Cependant, le dérou-
lement final doit être une décision concrète ; ex : louer de l’argent. Le processus de trans-
former un fait flou en un fait net est la défuzzification.
11.7 Défuzzification
La défuzzification est le processus de convertir une valeur floue en valeur nette. Quelques
méthodes existent, comme l’appartenance maximale, la méthode du centroı̈de, et la méthode
des moyennes pondérées.
où x est la température, y est l’humidité et z est la vitesse du ventilateur. Les ensembles
flous sont :
• A1 = faible, A2 = moyenne, A3 = élevée
• B1 = sec, B2 = humide
• C1 = lent, C2 = moyenne, C3 = rapide
µF (x)
1
0.8
0.6
Faible Moyenne Élevée
0.4
0.2
14 15 16 17 18 19 20 21 22 23 24 25 26
Entrée x : température (◦ )
µF (x)
1
0.8
0.6
Sec Humide
0.4
0.2
52 56 60 64 68 72 76 80 84 88 92 98 100
Entrée y : humidité (%)
µF (x)
1
0.8
0.6
Faible Moyenne Élevée
0.4
0.2
0 10 20 30 40 50 60 70 80 90 100
Sortie z : vitesse du ventilateur (%)
Supposons qu’il fait actuellement 18◦ C, et que l’humidité est de 80%. On applique
ces entrées sur les fonctions d’appartenance pour déterminer l’appartenance à chaque
variable. Une température de 18◦ C correspond à une appartenance de 0.5 à l’ensemble
faible (µA1 = 0.5) et une appartenance de 0.33 à l’ensemble moyenne (µA2 = 0.33). Une
humidité de 80% correspond à une appartenance de 0.25 à l’ensemble sec (µB1 = 0.25) et
une appartenance de 0.75 à l’ensemble humide (µB2 = 0.75).
Il faut maintenant évaluer les règles en fonction des entrées obtenues. On applique
les opérateurs flous correspondants pour combiner les règles. Si une règle a plusieurs
antécédents, un opérateur flou est utilisé pour obtenir un seul chiffre qui représente le
résultat. Ce résultat est ensuite appliqué à la fonction d’appartenance de la conséquence.
Le résultat peut être produit par deux méthodes : coupure ou mise à l’échelle.
Pour la règle 2 :
Au total, on obtient :
Inférence
Si on utilise la méthode de coupure pour combiner les règles, il faut créer un nou-
veau polygone à partir des trois fonctions d’appartenance de la conséquence C. La hau-
teur du polygone est déterminée à partir de la valeur d’appartenance calculée plus haut.
L’agrégation pour cet exemple est montré à la figure 11.6.
C1 C2 C3
0.5
0.33
0.0
0 10 20 30 40 30 40 50 60 70 60 70 80 90 100
µF (x)
1
0.5
0.33
0 10 20 30 40 50 60 70
Défuzzification
Après avoir combiné les règles, il faut maintenant produire un chiffre net comme sor-
tie. Dans ce cas-ci, la sortie doit être la vitesse du ventilateur. La technique la plus popu-
laire est la méthode du centroı̈de : on cherche le centre de gravité du polygone obtenu :
b
P
µA (x) · x
x=a
CG = (11.6)
b
P
µA (x)
x=a
Le centre de gravité n’a pas besoin d’être calculé des façon très précise. On peut approxi-
mer, en calculant à tous les 10, par exemple. Pour l’exemple précédent :
(0 + 10 + 20 + 30)(0.5) + (40 + 50 + 60)(0.33)
CG = = 26.67 (11.7)
0.5 + 0.5 + 0.5 + 0.5 + 0.33 + 0.33 + 0.33
Le ventilateur doit donc être à 26.67% de sa vitesse maximale.
La mise à l’échelle est une autre méthode pour générer la figure de sortie. Dans ce cas,
au lieu de simplement couper la figure, on conserve la forme générale. Cette approche
permet de mieux préserver l’intention de la règle, mais elle est un peu plus complexe à
implanter mathématiquement. La figure 11.7 montre la différence entre la coupure et la
mise à l’échelle pour la fonction d’appartenance C2 de l’exemple précédent.
µF (x) µF (x)
1 1
C2 C2
0.33 0.33
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
a) Coupure b) Mise à l’échelle
Les conséquences sont évaluées selon le résultat de l’évaluation des règles. Dans l’exemple
précédent, on a obtenu une appartenance de 0.5 pour la règle 1, de 0.33 pour la règle 2,
µF (x)
1
0.8
0.6
k1 k2 k3
0.4
0.2
0 10 20 30 40 50 60 70 80 90 100
et 0 pour la règle 3. Ces trois valeurs deviennent alors l’amplitude des pics, comme à la
figure 11.9.
µF (x)
1
0.8
0.6
k1 k2 k3
0.4
0.2
0 10 20 30 40 50 60 70 80 90 100
(0.5)(20) + (0.33)(50)
CGSugeno = = 32% (11.9)
0.5 + 0.33
On obtient une vitesse de ventilateur de 32%, ce qui est quand même près de la valeur
obtenue par l’autre méthode.