Asservissements Lineaires

Chapitre 1
Introduction
Les systèmes de contrôle sont utilisés partout dans la vie courante : dans les automo-
biles, les fours, la robotique, l’aérospatiale, avions, etc...
Le contrôle de systèmes est un partie importante des procédés industriels et manufac-

turiers : pression, vitesse, température, humidité, viscosité, etc...
L’évolution de ce domaine permet d’atteindre des performances de plus en plus opti-

males et augmente la précision du contrôle de ces systèmes.
1.1 Définition
Un système de contrôle est composé d’un ensemble de sous-systèmes et procédés as-

semblés pour contrôler la sortie de procédés. Par exemple, un système simple est un ther-
momètre qui contrôle la température d’une pièce.
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
Figure 1.1 – Exemple de réponse d’un système
La sortie ne change pas instantanément ; c’est le temps de réponse du système. Pendant

ce temps de réponse, le système a un comportement bien particulier : la réponse transi-
toire. La précision de la réponse détermine l’erreur en régime permanent. Dans certains
cas, on peut tolérer une erreur en régime permanent non-nulle, alors que dans d’autre cas,
elle doit être nulle.
Gabriel Cormier 2 GELE5313

Il y a deux types de système : en boucle ouverte, et en boucle fermée. En boucle ouverte,

le système est de la forme donné à la figure 1.2.
Perturbation
Entrée + + Sortie
Contrôleur Procédé
Figure 1.2 – Système en boucle ouverte
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
Figure 1.3 – Système à boucle fermée
En boucle fermée, le système permet de corriger pour des perturbations.
1.2 Analyse et objectifs de design
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.
1.2.1 Réponse transitoire
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.

Comme exemple : un ascenseur. Lorsqu’on monte d’étage et que l’ascenseur s’arrête, la

décélération est graduelle. L’ascenseur n’oscille pas non plus autour de la position finale
avant de s’arrêter.
1.2.2 Réponse en régime permanent
L’erreur en régime permanent est un paramètre important aussi. Un deuxième objectif

de design sera de minimiser l’erreur en régime permanent.
Exemple : Lorsqu’un ascenseur s’arrête à un étage, on veut que le bas de l’ascenseur

soit au même niveau que le plancher, et pas 30 cm plus haut (ou plus bas).
1.2.3 Stabilité
Un bon design des paramètres en régime transitoire et permanent sert à rien si le

système n’est pas stable. Pour expliquer la stabilité, on commence en premier par le fait
que la réponse totale d’un système est la somme d’une réponse naturelle et une réponse
forcée.
Réponse totale = Réponse naturelle + Réponse forcée (1.1)
La réponse naturelle dépend seulement du système, et pas de l’entrée, tandis que la

réponse forcée dépend de l’entrée.
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.
On veut donc faire le design d’un système stable.
Autres considérations
Il y a d’autre facteurs à considérer lors du design de système de contrôle :

• Dimensionnement : la taille des composants aura un impact sur le design.
• Coût : La précision requise du système de contrôle affectera beaucoup les coûts.
Même si un système donne un contrôle excellent, des coût exhorbitants peuvent

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.
1.3 Processus de design : Méthodologie
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.
Modélisation Simplification Analyse Contrôle
Figure 1.4 – Méthodologie de design
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]

1.4 Méthodes de commande
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.
Empirique Classique Retour d’état

Essai-erreur Temps Commande
Observation Fréquence avancée
A/N A/N A/N
Intelligente
Adaptative Non-linéaire
Adaptative Logique floue
Directe
Non-adaptative Réseau de neurones
Indirecte
Algorithme génétique
A/N A/N
A/N
Figure 1.5 – Méthodologie de commande des systèmes
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 .
Dans le design, on peut parfois sauter l’étape de simulation et passer directement à

l’implantation pour les petits systèmes, sans danger de perte d’argent ou de vie. L’intérêt
de la simulation se manifeste sous plusieurs formes.
1. La simulation peut être utilisée pour fins d’apprentissage et d’enseignement
2. L’expérimentation du système réel peut être très coûteuse, dangereuse, demander
beaucoup de temps, impossible, ou moralement inacceptable (ex : médical, nucléaire).
3. Permet d’étudier la sensibilité du système aux changements de paramètres, de la
structure du système ou de la commande.
4. La récolte de données sur le comportement du système peut être plus facile.

1.5 Exemple : Régulateur de vitesse automobile
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
Figure 1.6 – Système de régulation de vitesse automobile simplifié
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
Figure 1.7 – Système de régulation de vitesse automobile en boucle ouverte
Si le régulateur est un simple gain de 1/10, la sortie est donnée par :

r

y = 10(u − 0.5w) = 10 − 0.5w (1.2)
10
= r − 5w (1.3)

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
Pente w Référence r (km/h) Sortie y (km/h) Erreur Erreur (%)

0 100 100 0 0
1 (1%) 100 95 5 5%
2 (2%) 100 90 10 10%
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.
Pour réduire cette erreur, on ajoute du feedback au système. Le système en boucle

fermée est montré à la figure 1.8
0.5
r + u + − y
100 10
−
Figure 1.8 – Système de régulation de vitesse automobile en boucle fermée
La sortie est calculée selon :
y = 10(u − 0.5w) (1.4)

u = 100(r − y) (1.5)
En combinant ces équations, on obtient :
y = 1000r − 1000y − 5w (1.6)
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
Pente w Référence r (km/h) Sortie y (km/h) Erreur Erreur (%)

0 100 99.900 0.100 0.10%
1 (1%) 100 99.985 0.105 0.10%
2 (2%) 100 99.890 0.110 0.11%
10 (10%) 100 99.400 0.600 0.60%
Si on applique maintenant différentes pentes au système, avec la même entrée de

référence, on obtient les résultats du tableau 1.2.
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.

Chapitre 2
Modélisation
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.
Pour modéliser ces systèmes, on se sert de la transformée de Laplace. Ceci permet de

décrire le comportement des systèmes et les analyser de façon assez simple.
On verra aussi comment linéariser des équations.
2.1 Transformée de Laplace
On commence par une petite révision de la transformée de Laplace. La transformée

d’une fonction f (t) est : Z∞
L[f (t)] = F(s) = f (t)e−st dt (2.1)
0−
où s = σ + jω.
La transformée inverse existe aussi,

Z σ +jω
1
−1
L [F(s)] = F(s)est ds = f (t)u(t) (2.2)
j2π σ −jω
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.
Tableau 2.1 – Transformées de Laplace communes
Transformée f (t) F(s)

1 δ(t) 1
1
2 u(t)
s
1
3 tu(t)
s2
n!
4 t n u(t)
sn+1
1
5 e−at u(t)
s+a
ω
6 sin(ωt)u(t)
s + ω2
2
s
7 cos(ωt)u(t)
s2 + ω2
Exemple 1
Calculer la transformée de Laplace de e−at u(t).
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
La transformée de Laplace a plusieurs propriétés intéressantes qui rendent le calcul de

fonctions complexes plus simple. On note entre autre la linéarité (pr.2), dérivée (pr.7-9) et
les théorèmes de valeur finales et initiales (pr.11,12). Le tableau 2.2 montre ces propriétés.

Tableau 2.2 – Propriétés de la transformée de Laplace
Propriété Théorème Nom

R∞
1 L[f (t)] = F(s) = 0− f (t)e−st dt Définition
2 L[kf (t)] = kF(s) Linéarité

3 L[f1 (t) + f2 (t)] = F1 (s) + F2 (s) Linéarité
4 L[e−at f (t)] = F(s + a) Translation
5 L[f (t − τ)] = e−sτ F(s) Retard temporel
!
1 s
6 L[f (at)] = F Proportionnalité
a a
" #
df
7 L = sF(s) − f (0− ) Dérivée
dt
" 2 #
d f
8 L = s2 F(s) − sf (0− ) − f 0 (0− ) Dérivée
dt 2
" n #
d f n
n F(s) − P sn−k f k−1 (0− )
9 L = s Dérivée
dt n k=1
Rt F(s)
10 L[ 0− f (τ)dτ] = Intégration
s
11 f (∞) = lim sF(s) Valeur finale
s→0
12 f (0+ ) = lim sF(s) Valeur initiale

s→∞
Exemple 2
Calculer la transformée inverse de :

1
F(s) =
(s + 3)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)

2.1.1 Expansion en fractions partielles
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.
Soit une fonction

s3 + 2s2 + 6s + 7
F(s) =
s2 + s + 5
Il n’existe pas de transformée inverse directe à cette fonction. Dans ce cas, il faut faire la
division, si l’ordre du numérateur est plus grand que l’ordre du dénominateur.
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
Il faut factoriser le dénominateur en une somme de termes et ensuite trouver la trans-

formée inverse de chaque terme. Il y a trois différentes façon de faire, selon la valeur des
racines : réelles et distinctes, réelles et répétées, ou complexes.
1. Racines réelles et distinctes.
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 :
f (t) = (2e−t − 2e−2t )u(t)
Note : La fonction u(t) doit être appliquée à toute transformée inverse. Cependant,
pour alléger le texte, on n’écrira plus le u(t).
De façon générale, pour une fonction de transfert
N (s) N (s)
F(s) = = (2.4)
D(s) (s + p1 )(s + p2 ) . . . (s + pi ) . . . (s + pn )
On peut séparer en une somme de termes tel que
K1 K2 Ki Kn
F(s) = + + ··· + + ··· + (2.5)
s + p1 s + p2 s + pi s + pn
La constante Ki peut être déterminée selon la relation suivante :



(s + pi )N (s) 

Ki = (2.6)



(s + p1 )(s + p2 ) . . . (s + pi ) . . . (s + pn ) 

s=−p
i

2. Racines au dénominateur réelles et répétées.
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

De façon générale, pour une fonction du type :
N (s) N (s)
F(s) = = r
(2.7)
D(s) (s + p1 ) (s + p2 ) . . . (s + pn )
On divise la fonction de la manière suivante,

K1 K2 Kr Kr+1 Kn
F(s) = r
+ r−1
+ ··· + + r
+ ··· + (2.8)
(s + p1 ) (s + p1 ) (s + p1 ) (s + p2 ) (s + pn )
On peut trouver les coefficients des racines répétées


1 d i−1 F(s) 


Ki = (2.9)


i−1

(i − 1)! ds 

s=−p
1
où i = 1, 2, . . . r. Pour les autre coefficients, la technique 1 fonctionne.

3. Racines complexes au dénominateur.
Ici encore, on démontre à l’aide d’un exemple. Soit

3
F(s) =
s(s2 + 2s + 5)
On peut écrire
K1 K s + K3
F(s) = + 22
s s + 2s + 5
Le coefficient K1 est obtenu de la façon habituelle ; K1 = 0.6. Pour K2 et K3 , on multiplie
les deux côtés par le dénominateur, s(s2 + 2s + 5). On obtient :
3 = K1 (s2 + 2s + 5) + (K2 s + K3 )s
= (K1 + K2 )s2 + (2K1 + K3 )s + 5K1
On a donc trois équations,
K1 + K2 = 0
2K1 + K3 = 0
5K1 = 3
d’où on trouve que K2 = −0.6 et K3 = −1.2.
La fonction de transfert devient

1 s+2
F(s) = 0.6 − 0.6 2
s s + 2s + 5
La transformée inverse est
f (t) = 0.6 − 0.6e−t (cos 2t + 0.5 sin 2t)

= 0.6 − 0.671e−t cos(2t − 26.57◦ )
La démonstration de cette dernière équation est donnée en annexe.
On peut aussi faire ce type de problème avec des nombres complexes :

3 3
F(s) = =
s(s2 + 2s + 5)s(s + 1 + j2)(s + 1 − j2)
K1 K2 K3
= + +
s s + 1 + j2 s + 1 − j2
On utilise la première technique pour résoudre, K1 = 0.6. Les autre coefficients sont


3 

K2 = = −0.15(2 + j)



s(s + 1 − j2) 

s=−1−j2

Et K3 est le conjugué de K2 , K3 = −0.15(2 − j). La fonction devient
1 −0.15(2 + j) −0.15(2 − j)
F(s) = 0.6 + +
s s + 1 + j2 s + 1 − j2
Dans le domaine du temps, la fonction est

h i
f (t) = 0.6 − 0.15 (2 + j)e−(1+j2)t + (2 − j)e−(1−j2)t
h i
= 0.6 − 0.15e−t (2 + j)e−j2t + (2 − j)ej2t
Avec la relation d’Euler,
f (t) = 0.6 − 0.15e−t [(2 + j)(cos(−2t) + j sin(−2t)) + (2 − j)(cos(2t) + j sin(2t))]

= 0.6 − 0.15e−t [(2 + j)(cos(2t) − j sin(2t)) + (2 − j)(cos(2t) + j sin(2t))]
= 0.6 − 0.15e−t (4 cos 2t + 2 sin 2t)
= 0.6 − 0.6e−t (cos 2t + 0.5 sin 2t)
= 0.6 − 0.671e−t cos(2t − 26.57◦ )
C’est la même solution que celle obtenue plus haut.

2.2 Fonction de transfert
Soit un système quelconque, donné par la figure 2.1.
x(t) y(t)
Système
Entrée Sortie
Figure 2.1 – Exemple de système
La fonction de transfert d’un système est donnée par :

Y (s)
F(s) = (2.10)
X(s)
Elle permet de relier la sortie d’un système à son entrée.
Pour les expressions de modélisation,

Y (s) b0 sm + b1 sm−1 + · · · + bm
= (2.11)
X(s) a0 sn + a1 sn−1 + · · · + an
Habituellement, n ≥ m.
La fonction de transfert est une représentation mathématique d’un système. Cette

fonction peut être une représentation de divers systèmes (mécanique, électrique, etc..).
On obtient la fonction de transfert d’un système à partir des équations différentielles

qui décrivent ce système, avec des conditions initiales nulles. C’est un modèle du système,
indépendant du signal d’entrée et de l’amplitude (et donc un système linéaire).
On peut appliquer un signal d’entrée quelconque et mesurer le signal à la sortie et ainsi

déterminer la fonction de transfert du système. Quelle fonction facilitera la détermination
de la fonction de transfert du système ?
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)
→ La fonction de transfert d’un système est exactement la transformée de Laplace de

la sortie si l’entrée est une impulsion δ(t).

2.3 Modélisation des systèmes
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.
2.3.1 Systèmes électriques
Les éléments des systèmes électriques sont donnés dans le tableau 2.3.
Tableau 2.3 – Éléments du système électrique
Élément Tension Courant Impédance

v
Résistance R Ri R
R
di 1 R
Inductance L L vdt sL
dt L
1R dv 1
Condensateur C idt C
C dt sC
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
−

On utilise un diviseur de tension :

1
Vc (s) = sC V (s)
1
sL + R +
sC
La fonction de transfert est :
1 1
Vc (s) sC LC
= =
V (s) 1 R 1
sL + R + s2 + s +
sC L LC
On peut simplifier l’analyse de circuits en utilisant la méthode des mailles ou des

noeuds.
Méthode des mailles
Soit le circuit suivant :
R1 R3
+ +
e1 (t) − i1 R2 i2 − e2 (t)
R4 R5
Les équations sont :

R1 i1 + R2 (i1 − i2 ) + R4 i1 = e1
R3 i2 + R5 i2 + R2 (i2 − i1 ) = −e2
qu’on peut ré-organiser :
(R1 + R2 + R4 )i1 − R2 i2 = e1
− R2 i1 + (R2 + R3 + R5 )i2 = −e2
De façon matricielle,
    
R1 + R2 + R4 −R 2  i1   e1 
    =  
 −R2 R2 + R3 + R5  i2  −e2 

Si on analyse la dernière équation de plus près, on remarque que l’élément (1,1) de la

matrice des résistances est la somme dans éléments contenus dans la maille 1. L’élément
(2,2) représente la somme des élément de la maille 2. Les éléments (1,2) et (2,1) sont les
éléments communs aux mailles 1 et 2, avec un signe négatif.
La forme générale est :

   
 ΣZ −ΣZ communs, −ΣZ communs, Σsources de

de m ···   
m1 , m2 m1 , mn     la maille 1 
  
 1
   
  i1   
     
 .. ΣZ  i2  Σsources de
     
 .   .  =   (2.14)
de m2   .   la maille 2 
  .  

 
 ..     .. 

 .  in
 
 . 

 
 
 

 ΣZ 
 Σsources de

  
de mn la maille n

On utilise les techniques de résolution matricielles pour résoudre le problème et trou-

ver la fonction de transfert voulue.
Exemple 4
Soit le circuit suivant.
C2 L3 R2
i3
L1 L2
C1
+ +
e1 (t) − i1 i2 − e2 (t)
R1
Écrire l’équation des mailles.

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
Soit le circuit suivant.

R1 R3 R5
va vb
+ +
e1 (t) − R2 is R4 e2 (t) −
Écrire l’équation des noeuds.
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

2.3.2 Systèmes mécaniques
Dans les systèmes mécaniques, il y a deux types de mouvement : translation et rota-

tion. On verra chacun de ces systèmes séparément. Pour résoudre, on utilise les lois de
Newton : la somme des forces sur un corps est nulle (pour les systèmes en translation) et
la somme des moments est nulle (pour les systèmes en rotation).
Les éléments du système de translation sont présentés dans le tableau 2.4.
Tableau 2.4 – Éléments du système de translation
Élément Force : vitesse Force : déplacement Impédance

Rt
Ressort k f (t) = k 0 v(τ)dτ f (t) = kx(t) k
dx(t)
Amortissement B f (t) = Bv(t) f (t) = B sB
dt
dv(t) 2
d x(t)
Masse M f (t) = M f (t) = M s2 M
dt dt 2
Exemple 6
Soit le système suivant :
x
k
M f
B
Écrire l’équation qui relie la position X(s) à la force appliquée F(s).
La somme des forces est nulle : f − fM − fB − fk = 0. Si on substitue les impédances,
F(s) = s2 MX(s) + sBX(s) + kX(s)
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
Écrire l’équation des mailles.
Par inspection :
    
s2 M1 + sB + k1 + k2 −(sB + k2 )  X1   0 
     
    =  
     
2
    
−(sB + k2 ) s M2 + sB + k2  X2  F 
Système de rotation
Les éléments du système de rotation sont présentés dans le tableau 2.5.
Tableau 2.5 – Éléments du système de rotation
Élément Torque : ω Torque : θ Impédance

Rt
Ressort k T (t) = k 0 ω(τ)dτ T (t) = kθ(t) k
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

d’engrenages est donné par la relation suivante :
θ2 r1 N1
= = (2.16)
θ1 r2 N2
où θ est le déplacement angulaire, r est le rayon de l’engrenage, et N est le nombre de

dents de l’engrenage.
La relation entre les couples est :
T2 θ1 N2
= = (2.17)
T1 θ2 N1
2.3.3 Systèmes électromécaniques
Les systèmes électromécaniques sont une combinaison des systèmes mécaniques et

électriques, où le couplage se fait par champ magnétique. On parle ici principalement des
moteurs.
Modèle de la machine à courant continu
On utilise la machine à courant continu comme exemple.
Ra La
+
Rf +
+
ea vf Lf vb
Tm
− θm
−
−
Figure 2.2 – Modèle de la machine à courant continu
En appliquant la LKV, on a les relations suivantes :
di
La + Ra i + vb = ea (2.18)
dt
où la tension vb est la force électromotive, qui est donnée par :

dθm (t)
vb (t) = Kb ⇒ Vb (s) = sKb Θ(s) (2.19)
dt
Le couple développé par le moteur est proportionnel au courant de l’armature :

Tm (s) = Kt Ia (s) (2.20)
de façon générale, Kt = Kb .
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
Du côté mécanique, le moteur possède une inertie Jm et un amortissement Dm , ce qui

donne :
Tm (s) = (s2 Jm + sDm )Θm (s) (2.22)
On peut combiner et simplifier pour obtenir :

Θm (s) Kt /(Ra Jm )
= h (2.23)
s s + J1m Dm + KRt Ka b
i
Ea (s)
Les constantes du moteur peuvent être obtenues à partir de la courbe de couple en

fonction de la vitesse du moteur. Un exemple est montré à la figure 2.3, où Tdec représente
le couple de décrochage, et ωsc est la vitesse du moteur sans charge.
T (Nm)
Tdec
ea1
ea2
ω (rad/s)
ωsc
Figure 2.3 – Exemple de courbe couple-vitesse d’un moteur, selon la tension ea
D’après la figure 2.3, on peut calculer les constantes du moteur selon :

Kt Tdec
= (2.24)
Ra ea

et
ea
Kb = (2.25)
ωsc
2.4 Linéarisation
Dans plusieurs systèmes, le comportement de un ou plusieurs composantes n’est pas

linéaire. Toutes les méthodes et techniques vues précédemment supposent que les sys-
tèmes sont linéaires.
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.
Soit la fonction f (x) de la figure 2.4. Le système opère au point A.
f (x)
f (x1 )
A
f (x0 )
x
x0 x1
Figure 2.4 – Exemple de linéarisation de fonction
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.
[f (x1 ) − f (x0 )] ≈ ma (x1 − x0 ) (2.26)
ou
δf (x) ≈ ma δx (2.27)
On peut écrire d’une autre façon :
f (x) ≈ f (x0 ) + m(x1 − x0 ) ≈ f (x0 ) + ma δx (2.28)

Exemple 8
Linéariser f (x) = 5 cos x au point x = π2 .
On prend la dérivée de la fonction au point recherché pour trouver la pente.


 

d(5 cos x) 
 

= −5 sin x = −5

 

 
dx 

x= π


x= π
2 2
Au point recherché, f (x0 ) = 5 cos( π2 ) = 0.
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
Figure 2.5 – Fonction linéarisée
On peut formaliser ce processus en utilisant une expansion en séries de Taylor.

 
x − x0 df 

(x − x ) 2 d 2f 

 0 
f (x) = f (x0 ) + · + · + ··· (2.29)

 

2
 
1! dx 

 2! dx 
x=x x=x

0 0

Si x varie peu de x0 , on peut négliger les termes d’ordre supérieur.


d 2f 


f (x) − f (x0 ) ≈ (x − x0 ) · 2  (2.30)


dx  
x=x
0



δf (x) = m δx (2.31)



x=x0

Exemple 9
Linéariser
d 2x dx
2
+ 2 + cos x = 0
dt dt
au point x = π4 .
Le terme cos x rend l’équation non-linéaire.
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
Et l’équation linéarisée est :

√ √
d 2 δx dδx 2 2
+ 2 + δx = −
dt 2 dt 2 2

Annexe
Soit une transformée de Laplace de la forme :

a + jb a − jd
G(s) = + (2.32)
s + (c + jd) s + (c − jd)
La transformée inverse de cette fonction est :

g(t) = (a + jb)e−(c+jd)t + (a − jb)e−(c−jd)t (2.33)
On peut développer cette équation :

g(t) = e−ct (a + jb)e−jdt + (a − jb)ejdt (2.34)
ou
g(t) = e−ct ae−jdt + aejdt + jbe−jdt − jbejdt (2.35)
qu’on peut transformer à :
ejdt + e−jdt ejdt − e−jdt
" ! !#
−ct
g(t) = e 2a + 2b (2.36)
2 j2
et à l’aide de la relation d’Euler,
g(t) = 2e−ct (a cos(dt) + b sin(dt)) (2.37)
On peut factoriser l’équation précédente de la façon suivante :

 
a b
q
g(t) = 2e−ct (a2 + b2 )  p
 
cos(dt) + p sin(dt) (2.38)

(a2 + b2 ) (a2 + b2 )
Les termes devant
p les cosinus et sinus forment les équations d’un triangle de coté a et b et
d’hypoténuse (a2 + b2 ). On définit :
a b
cos φ = p et sin φ = p (2.39)
(a2 + b2 ) (a2 + b2 )
On peut donc réduire l’équation 2.38 à :
q
−ct
g(t) = 2e (a2 + b2 )(cos φ cos(dt) + sin φ sin(dt)) (2.40)
Et à l’aide d’identités trigonométriques,
q
−ct
g(t) = 2e (a2 + b2 )(cos(dt − φ)) (2.41)
où !
b
φ = arctan (2.42)
a

Chapitre 3
Réponse dans le domaine temporel
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.
On verra aussi comment approximer des systèmes d’ordre supérieur en systèmes de

deuxième ordre.
3.1 Pôles, zéros et réponse
Soit la fonction de transfert suivante :

am sm + am−1 sm−1 + · · · + a0
F(s) = (3.1)
bn sn + bn−1 sn−1 + · · · + b0
ou
(s − z1 )(s − z2 ) · · · (s − zm )
= (3.2)
(s − p1 )(s − p2 ) · · · (s − pn )
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
On démontre par un exemple. Soit la fonction suivante :

s+2
G(s) = (3.3)
s+5
Le zéro est z1 = −2 et le pôle est p1 = −5. Le diagramme des pôles est donné dans la figure
3.1. Le zéro est représenté par un cercle (“o”), et le pôle par une croix (“×”).
jω
×
−5 −2 σ
Figure 3.1 – Diagramme de pôles et zéros
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
Les coefficients sont :



s + 2

A=  = 0.4


s + 5

s=0


s + 2

B= = 0.6



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.

3.2 Système de premier ordre
Soit un système de premier ordre sans zéro, donné par la figure 3.2 :
F(s)
X(s) a Y (s)
s+a
Figure 3.2 – Système de premier ordre
Si l’entrée au système est un échelon,

a 1
Y (s) = · (3.4)
s+a s
et dans le domaine du temps,
y(t) = 1 − e−at = yf (t) + yn (t) (3.5)
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
Puisque la pente initiale est a, la constante de temps est un indicateur de la vitesse de

réponse du système.
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 :
Tr = t0.9 − t0.1 (3.7)
On trouve les deux valeurs de temps :

2.31
0.9 = 1 − e−at ⇒ t0.9 = (3.8)
a
0.11
0.1 = 1 − e−at ⇒ t0.1 = (3.9)
a
Le temps de montée est donc,
2.31 0.11 2.2
Tr = − = (3.10)
a a a
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
Réponse du premier ordre par expérimentation
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
Soit la réponse suivante, mesurée pour un système quelconque.

Donner la fonction de transfert.
0.8
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)
Le système doit avoir la forme :

K
G(s) =
s+a
La sortie à une entrée échelon est :
K K/a K/a
Y (s) = = −
s(s + a) s s+a
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

La fonction de transfert est

5.54
G(s) =
s + 7.7
Il est intéressant de noter que la figure ci-haut fut générée avec la fonction
5
s+7
3.3 Systèmes de deuxième ordre : introduction
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.
L’équation générale des systèmes de deuxième ordre est :
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
Soit la fonction suivante :

9 9
C(s) = =
s(s2 + 9s + 9) s(s + 7.854)(s + 1.146)
On obtient le diagramme des pôles et la réponse du système à une entrée échelon à la

figure 3.4. Les pôles sont p1 = −7.854 et p2 = −1.146.

Diagramme pôle-zéro Réponse échelon

1 1
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)
Figure 3.4 – Réponse d’une fonction sur-amortie
La réponse de ce système est

c(t) = 1 + 0.171e−7.854t − 1.17e−1.146t
Note :
• Chacun des pôles du système génère un exponentiel.
• Il n’y a aucune oscillation.
b. Sous-amorti

9
C(s) =
s(s2 + 2s + 9)
On obtient le diagramme des pôles √ et la réponse du√système à une entrée échelon à la
figure 3.5. Les pôles sont p1 = −1 + j 8 et p2 = −1 − j 8. On remarque dans la figure 3.5
qu’il y a un peu d’oscillations dans la réponse. En effet, l’exponentiel présent atténue les
oscillations après un certain temps.

√
√ √
!
−t 8
c(t) = 1 − e cos( 8t) + sin( 8t)
8
√
= 1 − 1.06e−t cos( 8t − 19.47◦ )
Note :

2
1
Axe imaginaire
Amplitude
0
0.5
−2
0
−2 −1 0 1 0 2 4 6
Figure 3.5 – Réponse d’une fonction sous-amortie
• La partie réelle des pôles représente la fréquence de l’exponentiel et la partie ima-

ginaire est la fréquence du cosinus.
c. Amortissement critique

9 9
C(s) = =
s(s2 + 6s + 9) s(s + 3)2
On obtient le diagramme des pôles et la réponse du système à une entrée échelon à la

figure 3.6. Les pôles sont p1,2 = −3. Il n’y a pas d’oscillations dans ce type de système.
c(t) = 1 − 3te−3t − e−3t
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.


1
1
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
Figure 3.6 – Réponse d’une fonction à amortissement critique
d. Sans amortissement

9
C(s) =
s(s2 + 9)
On obtient le diagramme des pôles et la réponse du système à une entrée échelon de la
figure 3.7. Les pôles sont p1,2 = ±j3. Puisque les parties réelles sont nulles, il n’y a aucun
exponentiel pour atténuer les oscillations. Le système oscille donc sans s’atténuer.

2
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
Figure 3.7 – Réponse d’une fonction sans amortissement.


c(t) = 1 − cos(3t)
Note :
• Les pôles représentent la fréquence du cosinus.
Résumé
• La partie réelle d’un pôle génère un exponentiel.

• La partie imaginaire d’un pôle génère un cosinus.
• Cas particulier :
– Lorsque les pôles sont réels et doubles, un des exponentiels est multiplié par un
facteur t.
3.4 Système de deuxième ordre général
On définit deux paramètres importants pour les systèmes de deuxième ordre : la

fréquence naturelle et l’amortissement.
Fréquence naturelle ωn : La fréquence naturelle est la fréquence d’oscillation du système

sans amortissement.
Amortissement ζ : L’amortissement représente la partie du système qui fait diminuer
l’amplitude des oscillations.
fréquence de l’exponentiel
ζ= (3.13)
fréquence naturelle
Soit une fonction de deuxième ordre quelconque :
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

Par définition, la fréquence naturelle √est la fréquence d’oscillation du système. Les

pôles, selon l’équation 3.15, sont p1,2 = ±j b. La fréquence naturelle est alors :
√
ωn = b (3.16)
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

36
G(s) =
s2 + 4.2s + 36
Trouver ζ et ωn .
√
ωn = b = 6
2ζωn = 4.2 ⇒ ζ = 0.35
Le système est sous-amorti.
Selon l’équation 3.20, les pôles de la fonction sont

p
s1, 2 = −ζωn ± ωn ζ 2 − 1 (3.21)

Table 3.1 – Type de réponse selon ζ
ζ Pôles Type de réponse

ζ=0 s1, 2 = ±jωn√ Sans amortissement
0<ζ<1 s1, 2 = −ζωn ± jωn 1 − ζ 2 Sous-amorti
ζ=1 s1, 2 = −ζω√
n Amortissement critique
ζ>1 s1, 2 = −ζωn ± ωn ζ 2 − 1 Sur-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
Soit trois fonctions :

12 16
A(s) = B(s) =
s2 + 8s + 12 s2 + 8s + 16
20
C(s) = 2
s + 8s + 20
Trouver ζ et dire quel type de réponse.
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
3.5 Systèmes de deuxième ordre sous-amortis
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.

On commence en trouvant la réponse échelon.
ωn2 K1 K2 s + K3
C(s) = = + (3.22)
s(s2 + 2ζωn s + ωn2 ) s s2 + 2ζωn s + ωn2
On suppose que ζ < 1.
La transformée inverse 1 de cette equation donne :

1 p
c(t) = 1 − √ e−ζωn t cos ωn 1 − ζ 2 t − φ (3.23)
1 − ζ2
où !
−1 ζ
φ = tan √ (3.24)
1 − ζ2
La figure 3.8 montre les différentes réponses selon la valeur de ζ.
1.6 ζ = 0.2 ζ = 0.2

ζ = 0.4
1.4 ζ = 0.6
ζ = 0.8
1.2
ζ=1
Amplitude
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
On a déjà 2 paramètres pour définir les systèmes de deuxième ordre. On va ajouter 4

autres paramètres :
1. Tp : Temps requis pour atteindre le premier maximum.
2. Mp : Pourcentage de dépassement. Le montant de dépassement maximal de la valeur
finale.
1. La démonstration est laissée comme exercice pour l’étudiant.

3. Ts : Temps de stabilisation. Temps requis pour que la réponse soit à 2% de la valeur

finale.
4. Tr : Temps de montée. Temps nécessaire pour aller de 10% à 90% de la valeur finale.
On peut montrer ces quatre paramètres dans la figure 3.9.
1.4 valeur max
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)
Figure 3.9 – Réponse d’une fonction sous-amortie
Les paramètres Tp , Tr et Ts donnent une indication de la vitesse de la réponse. On

démontre plus bas comment calculer ces paramètres :
Temps de pointe, Tp
On trouve Tp en prenant la dérivée de c(t) et en trouvant le premier zéro. On obtient :

π
Tp = √ (3.25)
ωn 1 − ζ 2
Dépassement, Mp
Le pourcentage de dépassement est définit comme :

cmax − cf inal
Mp = × 100 (3.26)
cf inal

Le dépassement maximal (cmax ) est

!
− √ ζπ
1−ζ 2
cmax = c(Tp ) = 1 + e (3.27)
Donc, !
− √ ζπ
1−ζ 2
Mp = e × 100% (3.28)
Cette équation permet de trouver ζ si on connaı̂t le dépassement maximal :

− ln(Mp )
ζ=q (3.29)
π2 + ln2 (Mp )
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 :
ωn Tr = 1.73ζ 3 − 0.417ζ 2 + 1.039ζ + 1, 0 < ζ < 0.9 (3.33)
ou, connaissant ωn et Tr ,
ζ = 0.115(ωn Tr )3 − 0.883(ωn Tr )2 + 2.504(ωn Tr ) − 1.738 (3.34)

Exemple 4

100
G(s) =
s2 + 15s + 100
Trouver Tp , Mp , Tr et Ts .
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
3.5.1 Diagrammes des pôles
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.
On définit deux nouveaux termes,

σd = ζωn (3.35)
p
ωd = ωn 1 − ζ 2 (3.36)
ce qui veut dire que les pôles sont :
s1, 2 = −σd ± jωd (3.37)
Selon la figure, cos θ = ζ. Si on change l’équation de Tp ,

π π
Tp = √ = (3.38)
ωn 1 − ζ 2 ωd

jω
p
× jωn 1 − ζ 2
ωn
θ
σ
p
× −jωn 1 − ζ 2
Figure 3.10 – Diagramme de pôles et zéros d’un système de deuxième ordre
⇒ Tp est inversement proportionnel à la partie imaginaire du pôle.
Si on change l’équation de Ts ,
4 4
Ts = = (3.39)
ζωn σd
⇒ Ts est inversement proportionnel à la partie réelle du pôle.
On voit aussi, selon l’équation 3.28, que Mp dépend seulement de ζ.
On peut montrer ces relations dans un diagramme de pôles et zéros (figure 3.11).
Mp2 Mp1 jω
Tp2
Tp1
Ts2 Ts1
Figure 3.11 – Diagramme de pôles et zéros
Si on résume la figure :

• Si on se déplace en vertical, on conserve la même enveloppe : Ts est constant.

• Si on se déplace de façon horizontale, la fréquence ne change pas : Tp est constant.
• Si on se déplace en ligne droite, avec ζ constant, et Mp est constant.
Exemple 5
Soit le diagramme des pôles suivant :
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
3.5.2 Détermination pratique des paramètres
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.

3.6 Systèmes avec pôles additionnels
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 :
p3,4,... > 5p1,2 (3.40)
Si les pôles supérieurs sont plus grands que 5 fois les pôles plus faibles, leur contribu-
tion à la réponse du système est négligeable.
3.6.1 Systèmes avec zéros
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)
Figure 3.12 – Réponse d’une fonction avec zéro positif

Ce type de réponse est habituellement indésirable : par exemple, si ce type de système

modéliserait la direction d’un avion, ça voudrait dire qu’un avion tournerait initialement
vers la gauche lorsqu’on tourne vers la droite !

Chapitre 4
Réduction de systèmes multiples
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.
4.1 Schémas blocs
Pour la réduction des systèmes, on a les règles suivantes :
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)
Figure 4.1 – Schémas bloc en série
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)
Figure 4.2 – Schémas bloc en parallèle
Règle 3 : Contre-réaction (feedback)
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)
Figure 4.3 – Boucle de feedback
Au point a,
A(s) = R(s) − C(s)H(s) (4.2)
Au point b,
C(s) = A(s)G(s) (4.3)

= G(s)[R(s) − C(s)H(s)] (4.4)
= G(s)R(s) − G(s)C(s)H(s) (4.5)
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.
R(s) + C(s) R(s) + C(s)

−
G(s) ≡ G(s)
−
X(s)
G(s)
X(s)
Figure 4.4 – Schémas bloc, simplification 1

R(s) + C(s) R(s) + C(s)

G(s)
−
≡ −
G(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
Simplifier le diagramme suivant.
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 )

4.2 Analyse et design de systèmes avec feedback
Soit le système avec feedback unitaire de la figure 4.8.
R(s) + K C(s)
− s(s + a)
Figure 4.8 – Système avec feedback
Ce système peut être simplifié par :

K
C(s) s(s+a) K
T (s) = = K
= 2 (4.7)
R(s) 1 + s + as + K
s(s+a)
où K est le gain de l’amplificateur. Les pôles sont :

√
a a2 − 4K
s1,2 = − ± (4.8)
2 2
Selon la valeur de K, le système est sur-amorti, sous-amorti ou en amortissement cri-

tique.
2
• 0 < K < a4 : sur-amorti.
2
• K = a4 : amortissement critique.
2
• K > a4 : sous-amorti.
Exemple 2
R(s) + K C(s)
− s(s + 5)
Ajuster le gain K pour que le système ait un dépassement maximal de 10%.
La fonction de transfert en boucle fermée est

K
T (s) =
s2 + 5s + K
Selon les équations des systèmes de deuxième ordre,

√
ωn = K
et
2ζωn = 5
ou,
5
ζ= √
2 K
Le dépassement maximal est fonction de l’amortissement seulement. Selon l’équation

précédente, l’amortissement n’est fonction que du gain K. Un amortissement de 10% im-
plique que ζ est 0.591. On trouve donc une valeur de K de
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.
4.3 Diagrammes de fluence
Les diagrammes de fluence sont une alternative aux schémas blocs. Ils sont constitués
de branches et noeuds.
R(s) + C(s) 1 G(s)

G(s) ≡ R(s) C(s)
−
H(s)
H(s)
Figure 4.9 – Équivalence schéma bloc - diagramme de fluence
4.4 Règle de Mason
Pour réduire les diagrammes de fluence, on se sert de la Règle de Mason. Avant de

procéder à l’explication de la Règle de Mason, il faut premièrement énumérer quelques
définitions.

G6
G1 G2 G3 G4 G5 G7
R(s) C(s)
H1 H2
H3
Figure 4.10 – Exemple, diagramme de fluence
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).
Dans l’exemple précédent, les gains en parcours direct sont :

1. G1 G2 G3 G4 G5 G7
2. G1 G2 G3 G4 G6 G7
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.
Dans l’exemple précédent, les gains prit deux à la fois sont :

1. [G2 H1 ] · [G4 H2 ]
2. [G2 H1 ] · [G4 G5 H3 ]
3. [G2 H1 ] · [G4 G6 H3 ]
Il n’y pas trois boucles indépendantes dans l’exemple.

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
On illustre à l’aide d’un exemple.
Exemple 3
Soit le diagramme de fluence suivant :
G1 G2 G3 G4 G5
R(s) C(s)
H1 H2
G8 G6
G7
H4
C(s)
Trouver la fonction de transfert
R(s)
1. Déterminer les gains en parcours direct : il y a un seul parcours direct.
G1 G2 G3 G4 G5
2. Gains des boucles :

1. G2 H1
2. G4 H2
3. G7 H4
4. G2 G3 G4 G5 G6 G7 G8

3. Boucles sans contact :

• La boucle 1 ne touche pas la boucle 2
Donc, si on prend les gains de boucle 2 à la fois :
• 1 et 2 : G2 H1 G4 H2
• 1 et 3 : G2 H1 G7 H4
• 2 et 3 : G4 H2 G7 H4
et 3 à la fois :
• 1 et 2 et 3 : G2 H1 G2 H4 G7 H4
4. Calcul de ∆
∆ = 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
On retrouve donc la fonction de transfert suivante :

C(s) T1 ∆1 [G1 G2 G3 G4 G5 ] · [1 − G7 H4 ]
G(s) = = =
R(s) ∆ ∆

Chapitre 5
Stabilité
Jusqu’à présent, on a discuté de représentation de systèmes et de réponse transitoire.

La prochaine étape est la stabilité.
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.
Il existe plusieurs définitions de la stabilité d’un système, selon le type de système

considéré et même le point de vue considéré.
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.
On définit donc la stabilité, l’instabilité, et la stabilité critique de la façon suivante :

• Un système linéaire invariant dans le temps est stable si sa réponse naturelle ap-
proche zéro lorsque t → ∞.
lim cn (t) = 0 (5.2)
t→∞
• Un système linéaire invariant dans le temps est instable si sa réponse naturelle évolue
sans limites pour t → ∞.
lim cn (t) = ∞ (5.3)
t→∞
• Un système linéaire invariant dans le temps est marginalement (critiquement) stable
si sa réponse naturelle ne décroit ni ne croit en fonction du temps (demeure constant).
lim cn (t) = cst (5.4)
t→∞
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.
⇒ Il faut toujours vérifier la stabilité d’un système.
5.1 Détermination de la stabilité
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.
5.2 Calcul des pôles de la fonction de transfert
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
Figure 5.1 – Stabilité d’un système selon les pôles.
Dans certains cas, il peut être difficile de calculer les racines sans logiciel. On utilise
alors la prochaine méthode, le Critère de Routh-Hurwitz.

5.3 Critère de Routh-Hurwitz
La méthode de Routh-Hurwitz permet de porter une conclusion sur la stabilité d’un

système ; cependant, elle ne permet pas de calculer la localisation exacte des racines au
dénominateur. En effet, cette méthode nous permet de dire s’il y a des pôles dans la par-
tie droite, gauche, ou sur l’axe imaginaire du plan s. Il faut spécifier qu’on va connaı̂tre
combien de pôles sont dans tel secteur, mais non où ils sont placés.
Il y a deux étapes à la méthode :

1. Générer la table de Routh
2. Interpréter la table
5.4 Génération de la table de Routh
Soit une fonction de transfert quelconque :
N (s)
F(s) = (5.5)
a4 s4 + a 3 2
3 s + a2 s + a1 s + a0
On procède de la façon suivante :
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
Interprétation [Critère de Routh-Hurwitz] : Les racines de l’équation caractéristique

sont tous dans la partie gauche du plan s (système stable) si tous les éléments de la
première colonne de la table de Routh ont le même signe.
Le nombre de changements de signe est égal au nombre de racines situées dans la

partie droite du plan s.

Exemple 1
R(s) + 1000 C(s)

− (s + 2)(s + 3)(s + 5)
Créer la table de Routh.
Premièrement, il faut réduire le système.
C(s) G(s) 1000

= = 3
R(s) 1 + G(s) s + 10s2 + 31s + 1030
On crée la table de Routh.

s3 1 31 0
← On peut diviser par 10
s2 10
1 1030
103 0

pour simplifier
−103+31
s1 1 = −72 0 0
(−72)(103)−0
s0 −72 = 103 0 0
Note : On a deux changements de signe dans la première colonne, donc deux racines
réelles positives ⇒ instable.
5.5 Cas particuliers
Il y a quelques cas particuliers à étudier.
1. Zéro dans la première colonne.
Dans ce cas, on remplace le zéro par une variable , et on prend la limite lorsque
tend vers 0+ (ou 0− ).

Exemple 2

10
T (s) =
s5 + 2s4 + 3s3 + 6s2 + 5s + 3
Calculer la table de Routh.
La table de Routh est :

s5 1 3 5
s4 2 6 3
s3 0
3.5 0
6−7
s2 3 0
42−49−62
s1 12−14 0 0
s0 3 0 0
On prend la limite :
6 − 7 7
s2 : → 0+ : lim+ = lim+ 6 − = −∞ < 0
→0 →0
42 − 49 − 6 2 49
s1 : → 0+ : lim+ = >0
→0 12 − 14 14
Il y a deux changements de signe (de s3 à s2 et de s2 à s1 ). Le système est donc instable.
On aurait obtenu le même résultat si on aurait prit → 0− .
Il aurait aussi été possible de solutionner ce problème en utilisant le polynôme réciproque

du dénominateur.
Soit un polynôme p(s) :
p(s) = sn + an−1 sn−1 + · · · + a2 s2 + a1 s + a0 (5.6)
Le polynôme réciproque est :
r(s) = 1 + an−1 s + an−2 s2 + · · · + a1 sn−1 + a0 sn (5.7)

Exemple 3
Calculer le réciproque de s4 + 6s3 − 8s2 + s + 5.
r(s) = 5s4 + s3 − 8s2 + 6s + 1
Exemple 4

10
T (s) =
s5 + 2s4 + 3s3 + 6s2 + 5s + 3
Déterminer la stabilité.
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.
2. Une rangée entière de zéros.
Dans ce cas, on va à la rangée précédente et on crée un polynôme A(s) formé des

coefficients de cette rangée. On dérive alors A(s) pour obtenir les coefficients de la nouvelle
rangée.

Exemple 5

10
T (s) =
s5 + 7s4 + 6s3 + 42s2 + 8s + 56
Déterminer la stabilité.
On commence la table de Routh.

s5 1 6 8
s4
71
42
6
56
8
s3 0 0 0
La troisième rangée est composée de zéros. On construit alors le polynôme :
A(s) = s4 + 6s2 + 8
et on dérive :
dA(s)
= 4s3 + 12s + 0
ds
La table de Routh est alors modifiée :

s5 1 6 8
s4 71 42
6 8
56

s3 41 12
3 0
s 2 3 8 0
s1 0.333 0 0
s0 8 0 0
Il n’y a aucun changement de signe : le système est stable.
On obtient une rangée de zéros si on a un polynôme ayant des coefficients seulement

paires ou seulement impaires. Ceci peut être causé par :
• Paires de racines réelles de même amplitude mais de signe opposé.
• Paires de racines imaginaires.
• Paires de racines complexes conjuguées formant une symétrie par rapport à l’origine
du plan s.

5.6 Design à l’aide du critère de Routh-Hurwitz
Exemple 6
R(s) + K C(s)
− s(s + 7)(s + 11)
Trouver les valeurs de K pour rendre le système stable, instable, et marginalement

stable. (K > 0).
Il faut premièrement trouver la fonction de transfert en boucle fermée :

K
s(s+7)(s+11) K
T (s) = =
K
1 + s(s+7)(s+11) s3 + 18s2 + 77s + K
La prochaine étape est de construire la table de Routh.

s3 1 77
s2 18 K
1386 − K
s1 0
18
s0 K 0
Pour que le système soit stable, il ne doit pas y avoir de changement de signe dans la
première colonne.
1386 − K
> 0 ⇒ K < 1386
18
Pour que le système soit instable,
1386 − K
< 0 ⇒ K > 1386
18
Si K = 1386, on a une rangée de zéros. Pour compléter la table,
d(18s2 + K)
= 36s
ds
s1 36 0
0
s K = 1386 0
→ Le système est marginalement stable.

Chapitre 6
Erreur statique
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
Soit un système de contrôle de la forme suivante (figure 6.1) :
R(s) + E(s) C(s)

G(s)
−
Figure 6.1 – Système avec feedback
Par définition, l’erreur statique ess est

ess = r(t) − c(t) = R(s) − C(s) (6.1)
Note : L’erreur statique est définie pour un système à boucle de retour unitaire.
1
CHAPITRE 6. ERREUR STATIQUE
Selon le système de la figure 6.1,

E(s) = R(s) − C(s) = R(s) − E(s)G(s) (6.2)
R(s)
= (6.3)
1 + G(s)
L’erreur statique est alors

ess = r(∞) − c(∞) = e(∞) (6.4)
= lim e(t) = lim sE(s) (6.5)
t→∞ s→0
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.
Soit le système à boucle de retour non-unitaire de la figure 6.2.
R(s) + E(s) C(s)

G(s)
−
H(s)
Figure 6.2 – Système avec boucle de retour non unitaire
En utilisant l’algèbre des blocs, on obtient le système à boucle de retour unitaire de la

figure 6.3.
R(s) + E(s) G(s) C(s)

− 1 + G(s)[H(s) − 1]
Figure 6.3 – Système modifié avec boucle de retour unitaire
On définit alors
G(s)
Go (s) = (6.7)
1 + G(s)[H(s) − 1]

la fonction de transfert en boucle ouverte avec retour unitaire.
L’erreur statique devient donc,
sR(s)
ess = (6.8)
1 + Go (s)
s=0
Note : Si H(s) = 1, on retrouve l’équation 6.6.
6.2 Types de systèmes
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
Donner le type des systèmes suivants.

K(1 + 0.5s)
Go (s) = → Type 1
s(s + 1)(1 + 2s)
K
Go (s) = 3 → Type 3
s
K
Go (s) = → Type 0
(s + 1)(1 + 2s)
6.3 Évaluation de l’erreur statique
On a mentionné auparavant trois entrées de contrôle possibles pour l’évaluation de

l’erreur statique. On verra ici les effets de chacune de ces entrées sur l’erreur statique de
systèmes de différents types.

6.3.1 Entrée échelon
Pour une entrée échelon,

kr
R(s) = (6.10)
s
où kr est une constante (kr = 1 pour une entrée échelon unitaire).
L’erreur statique est donc :
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
Pour simplifier, on définit une constante Kp :
Kp = lim Go (s) (6.13)

s→0
On appelle Kp la constante d’erreur à un échelon ou la constante d’erreur de position.

L’erreur statique est donc :
kr
ess = (6.14)
1 + Kp
Pour un système de type 0,

lim Go (s) = Kp (6.15)
s→0
une valeur finie. Par contre, pour les systèmes de type 1 et plus,
lim Go (s) = ∞ (6.16)

s→0
et l’erreur statique est nulle.

Exemple 2
Calculer l’erreur statique due à une entrée échelon unitaire pour le système suivant :
R(s) + E(s) 10(s + 2) C(s)

− (s + 3)(s + 4)
Premièrement, on vérifie la stabilité du système.

Go (s) 10(s + 2) 10(s + 2)
T (s) = = = 2
1 + Go (s) (s + 3)(s + 4) + 10(s + 2) s + 17s + 32
On crée alors la table de Routh :
s2 1 32
s1 17 0
s0 32 0
Le système est stable. On sait aussi que le système est de type 0. Alors,
(10)(2)
Kp = lim Go (s) = = 1.667
s→0 (3)(4)
L’erreur statique est (kr = 1)
kr 1
ess = = = 0.375
1 + Kp 1 + 1.667
Ceci donnerait la figure suivante :
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

6.3.2 Entrée rampe
Pour une entrée rampe, r(t) = kr tu(t), et
kr
L[r(t)] = (6.17)
s2
L’erreur statique est :
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
On définit une constante, Kv , la constante de vitesse :
Kv = lim sGo (s) (6.21)

s→0
Ce qui donne
kr
ess = (6.22)
Kv

lim sGo (s) = 0 (6.23)
s→0
et donc ess = ∞.

lim sGo (s) = Kv (6.24)
s→0
une valeur finie, et l’erreur statique est
kr
ess = (6.25)
Kv
Pour les systèmes d’ordre supérieur,
lim sGo (s) = ∞ (6.26)

s→0
et l’erreur statique est nulle.

Exemple 3
Soit
3
Go (s) =
s(s2 − 3s + 5)
Calculer l’erreur statique due à une entrée rampe.
On calcule la stabilité du système :

3 3
T (s) = =
s(s2 − 3s + 5) + 3 s3 − 3s2 + 5s + 3
Table de Routh :
s3 1 5
s2 −3 3
s1 6 0
s0 3 0
Il y a deux changements de signe dans la première colonne : le système est instable. Tout
calcul de l’erreur statique est erroné.
6.3.3 Entrée parabolique
t2
Pour une entrée parabolique, r(t) = kr u(t), et
2
kr
R(s) = (6.27)
s3
L’erreur statique dans ce cas est :

R(s) kr
ess = lim s = lim s 3 (6.28)
s→0 1 + Go (s) s→0 s (1 + Go (s))
k
= lim 2 2r (6.29)
s→0 s + s Go (s)
kr
= (6.30)
lim s2 Go (s)
s→0
De même, on définit une constante Ka , la constante d’accélération,
Ka = lim s2 Go (s) (6.31)

s→0

et donc l’erreur statique est :

kr
ess = (6.32)
Ka
Pour des systèmes dont l’ordre est plus petit que 2,

lim s2 Go (s) = 0 (6.33)
s→0
et l’erreur statique est infinie. Pour un système d’ordre 2,

lim s2 Go (s) = Ka (6.34)
s→0
une valeur finie, et l’erreur statique est :

kr
ess = (6.35)
Ka
Pour les systèmes de type supérieur à 2, Ka = ∞ et ess = 0.
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.
La constante d’accélération (puisque le système est de type 2) est :

s + 0.2
Ka = lim s2 Go (s) = lim = 0.2
s→0 s→0 s2 + 3s + 1
Ceci donne une erreur statique de

kr
ess = =5
Ka

6.3.4 Récapitulation
L’erreur statique pour différents systèmes est résumée dans le tableau 6.1.
Tableau 6.1 – Erreur statique pour différents systèmes
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
6.4 Design en fonction de l’erreur statique
L’erreur statique peut être un paramètre de design, tout comme Tp , Ts , Tr et Mp . Les

constantes Kp , Kv et Ka peuvent être utilisées comme contraintes de design ; elles per-
mettent aussi de recueillir de l’information sur le système sous étude.
Par exemple, si un système de contrôle a un paramètre Kv = 1000, on peut conclure :

a) Le système est stable.
b) Le système est de type 1.
c) Une entrée rampe est utilisée comme signal de test.
1
d) L’erreur statique est Kv par rapport à la pente du signal d’entrée.

Exemple 5
R(s) + E(s) K(s + 5) C(s)

− s(s + 6)(s + 7)(s + 8)
Trouver la valeur de K pour obtenir une erreur statique de 10%.
Le système est de type 1 : il faut donc appliquer une entrée rampe.

1
ess = = 0.1
Kv
5K
Kv = 10 = lim sGo (s) = ⇒ K = 672
s→0 (6)(7)(8)
On vérifie la stabilité du système :
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.

Chapitre 7
Contrôleurs
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.
Pour améliorer la réponse des systèmes, on se sert de contrôleurs. Ces contrôleurs

seront placés avant le système sous étude afin de modifier la caractéristique globale du
système.
On verra aussi en fin de chapitre comment implanter ces contrôleurs à l’aide de circuits
composés d’ampli-op, de résistances et condensateurs.
7.1 Contrôleur proportionnel (P)
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
Figure 7.1 – Contrôleur proportionnel
Donc un système avec un contrôleur P ressemblerait au système de la figure 7.2.
1
CHAPITRE 7. CONTRÔLEURS
R(s) + C(s)
Kprop G(s)
−
Figure 7.2 – Contrôleur proportionnel dans un système
La fonction de transfert en boucle fermée est :

Kprop G(s)
T (s) = (7.1)
1 + Kprop G(s)
Selon l’équation précédente :

• L’ajout d’un contrôleur P ne change pas le type d’un système.
• Aucun nouveau pôle ou zéro n’est ajouté au système.
• Seule la position des pôles et zéros peut changer.
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 ?
1. On trouve la fonction de transfert en boucle ouverte :

Kprop
Go (s) =
s(s + 1)
Le système est de type 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) = Kprop

s→0
1 1
ess = =
Kv Kprop
7.2 Contrôleur intégral (I)
Avec un intégrateur, la sortie du contrôleur est l’intégrale du signal d’entrée, soit :

Zt
Sortie = Ki Entrée dt (7.2)
o
ou
Ki
Gc (s) = (7.3)
s
La fonction de transfert en boucle ouverte est :

Ki
Go (s) = Gc (s)G(s) = G(s) (7.4)
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.


3. Comparer la stabilité avec celle de l’exemple 1.
1. Type du système :
Ki
Go (s) = 2
⇒ Type 2
s (s + 1)
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.

7.3 Contrôleur proportionnel-intégral (PI)
On peut réduire l’instabilité relative du contrôleur intégral en combinant les deux, P

et I. Dans ce cas,

Kprop s + KKprop
i
K
Gc (s) = Kprop + i = (7.5)
s s
Kprop s + τ1i
= (7.6)
s
où τi est la constante de temps intégrale.
La fonction de transfert en boucle ouverte du système est :

Kprop s + τ1i G(s)
Go (s) = (7.7)
s
Donc un zéro à − τ1i et un pôle à zéro ont été ajoutés au système.
Exemple 3
On utilise le même système que l’exemple 1, contrôlé cette fois par un PI avec τi = 2.
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.
a) Entrée échelon : ess = 0 pour un système de type 2 à une entrée échelon.
b) Entrée rampe : ess = 0 pour un système de type 2 à une entrée rampe.

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.
7.4 Contrôleur dérivateur (D)
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.

Gc (s) = Kd s (7.8)
et en boucle fermée,
Kd sG(s)
T (s) = (7.9)
1 + Kd sG(s)
On utilise généralement le contrôleur D avec d’autre composantes (PD ou PID). De

façon pratique, le contrôleur D peut présenter certains inconvénients, et on utilise plutôt
un compensateur à avance de phase (Ch.9).
7.5 Contrôleur PID
Dans un contrôleur proportionnel-intégral-dérivateur (PID), les trois éléments de contrôle

de base sont présents. La fonction de transfert est :
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,
Go (s) = Gc (s)G(s) (7.14)

Kprop (1 + τi s + τi τd s2 )
= G(s) (7.15)
τi s
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.
Tableau 7.1 – Résumé des propriétés des contrôleurs
Contrôleur Tr Mp Ts Erreur statique

Kprop Diminue Augmente Effet faible Diminue
Ki Diminue Augmente Augmente Élimine
Kd Effet faible Diminue Diminue Effet faible
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.
7.6 Détermination des paramètres du PID
Il n’existe pas de méthode analytique pour déterminer les paramètres Kprop , Kd et Ki .

Quelques méthodes existent, notamment deux par Ziegler-Nichols, et une par Cohen-
Coon.

7.6.1 Courbe de réaction : Ziegler-Nichols
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.
Soit un système dont la réponse est donnée à la figure 7.3.
Sortie
K Entrée
Amplitude
L τ Temps (s)
Figure 7.3 – Réponse d’un système : courbe de réaction
On peut approximer la fonction de transfert par la relation suivante :
Ke−τd s
G(s) = (7.16)
τs + 1
Le terme e−τd s représente un délai (où τd = L). On recherche la pente maximale R =

K/τ. Par après, les valeurs du tableau 7.2 sont utilisées dans le contrôleur voulu.
7.6.2 Méthode de Cohen-Coon
La méthode de Cohen-Coon est une variation de la méthode de la courbe de réaction

de Ziegler-Nichols. Comme la première méthode de Ziegler-Nichols, cette technique s’ap-
plique à des systèmes dont la réponse ressemble à celle d’un système de premier ordre.
Les paramètres sont donnés dans le tableau 7.3.

Tableau 7.2 – Paramètres de design, contrôleurs P, PI et PID : Ziegler-Nichols 1
Kprop Ki Kd
1
P
RL
0.9 3
PI
RL 10RL2
1.2 0.6 0.6
PID
RL RL2 R
Tableau 7.3 – Paramètres de design, contrôleurs P, PI et PID : Cohen-Coon
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.
7.6.3 Méthode d’oscillations : Ziegler-Nichols
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)
−
Figure 7.4 – Système sous étude : Ziegler-Nichols
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 .
On doit aussi mesurer la période des oscillations, Tu , comme à la figure 7.5.

Amplitude
Tu
Temps (s)
Figure 7.5 – Réponse d’un système : Ziegler-Nichols
Par après, on utilise les valeurs du tableau 7.4 pour calculer les paramètres des contrôleurs.
Tableau 7.4 – Paramètres de design, contrôleurs P, PI et PID : Ziegler-Nichols 2
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
Soit un système ayant la fonction de transfert suivante :

3
Go (s) =
(s + 1)(s + 2)(s + 3)
Calculer la valeur des composantes pour réaliser un contrôleur PID.
Il faut trouver la valeur du gain critique Ku et la période critique Tu . Pour un système

simple comme celui-ci, il suffit d’utiliser la table de Routh pour obtenir le gain critique,
puis simuler et mesurer la période.
La fonction de transfert en boucle fermée est :

3K
T (s) =
s3 + 6s2 + 11s + (6 + 3K)
La table de Routh est alors :

s3 1 11
s2 6 6 + 3K
66 − (6 + 3K)
s1 0
6
s0 6 + 3K 0
Pour que le système soit stable, il faut que
a) 66 − (6 + 3K) > 0 ⇒ K < 20

b) 6 + 3K > 0 ⇒ K > −2
Le gain critique est donc Ku = 20.
Si on simule le système avec le gain critique, on obtient une période de Tu ≈ 1.9s. On

peut aussi calculer la fréquence d’oscillation du système avec le gain critique. On utilise
le polynôme s2 de la table de Routh, puis on isole ωc en remplaçant s = jωc .
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
Les paramètres du PID sont :

• Kprop = 12
• Ki = 12.7
• Kd = 2.84
Pour comparer la réponse du système, on simule avec un contrôleur P, un contrôleur
PI et un contrôleur PID, en utilisant les valeurs appropriées du tableau 7.4. Les différentes
réponses sont données à la figure 7.6.

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)
Figure 7.6 – Simulation des réponses des compensateurs
7.7 Circuits pratiques
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
+
Figure 7.7 – Ampli-op comme amplificateur avec feedback négatif
Pour réaliser chacun des contrôleur, on a qu’à utiliser l’impédance nécessaire à Z1 et

Z2 .

Gain
Pour réaliser un contrôleur P, il suffit que :
Z1 = R1 (7.17)
Z2 = R2 (7.18)

Vo R
=− 2 (7.19)
Vi R1
d’où on obtient
R2
Kprop = (7.20)
R1
Il faudra ajouter un inverseur pour obtenir un gain positif.
Intégrateur
Ici,
Z1 = R (7.21)
Z2 = C (7.22)

1
Vo
= − RC (7.23)
Vi s
d’où on obtient
1
Ki = (7.24)
RC
Dérivateur
Dans ce cas,
Z1 = C (7.25)
Z2 = R (7.26)

Vo
= −sRC (7.27)
Vi
d’où on obtient
Kd = RC (7.28)

Contrôleur PI
Il s’agit d’une combinaison des contrôleurs P et I, soit :
Z1 = R1 (7.29)
Z2 = R2 + C (7.30)

1
Vo R s + R2 C
=− 2 (7.31)
Vi R1 s
d’où on obtient
R2
Kprop = (7.32)
R1
τi = R2 C (7.33)
Contrôleur PID
On combine les trois contrôleurs de base :
Z1 = R1 //C1 (7.34)
Z2 = R2 + C2 (7.35)

1
 ! 
Vo  R2 C1 R 1 C2

= −  + + sR2 C1 +  (7.36)
Vi R1 C2 s 

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.

Chapitre 8
Réponse en fréquence
On se sert de la réponse en fréquence des systèmes principalement pour des systèmes

dont on ne connaı̂t pas la fonction de transfert. Elle offre des avantages lorsqu’on modélise
des systèmes avec des données expérimentales, lorsqu’on design des compensateurs à
avance de phase, ou lorsqu’on cherche la stabilité de systèmes non-linéaires.
La réponse en fréquence d’un système représente la réponse en régime permanent de

ce système à une entrée sinusoı̈dale, qu’on mesure à plusieurs fréquences.
8.1 Fonction de transfert
La fonction de transfert dans le domaine fréquentiel est obtenue en remplaçant s par

jω, soit :
G(jω) = G(s) (8.1)
s=jω
On ré-arrange l’expression de la fonction de transfert pour séparer la partie réelle de

la partie imaginaire, pour mieux calculer l’amplitude et la phase.
Exemple 1

1
G(s) =
s+2
Calculer la fonction de transfert dans le domaine fréquentiel.
1
CHAPITRE 8. RÉPONSE EN FRÉQUENCE

1
G(jω) =
2 + jω
On transforme pour séparer la partie imaginaire de la partie réelle : on multiplie par
(2 − jω) pour éliminer la partie imaginaire au dénominateur.
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 :
8.2 Éléments de base
On peut simplifier le calcul de fonctions complexes si on considère certaines propriétés

des nombres complexes. Soit deux nombres complexes z1 et z2 . Alors :
1. |z1 · z2 | = |z1 | · |z2 | (8.2)
L’amplitude de la multiplication est la multiplication des amplitudes.
2. ∠(z1 · z2 ) = ∠(z1 ) + ∠(z2 ) (8.3)
La phase de la multiplication est la somme des phase individuelles.

Amplitude (dB) −10
−20
−30
−40
10−1 100 101 102
−20
Phase (◦ )
−40
−60
−80
10−1 100 101 102

Fréquence (rad/s)
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
|G(jω)| = |G1 (jω)| · |G2 (jω)| · |G3 (jω)| . . . (8.5)

∠G(jω) = ∠(φ1 + φ2 + φ3 + · · · ) (8.6)
Les simplifications, en domaine fréquentiel, sont plus faciles si on réécrit la fonction de

transfert de la forme suivante :
Kb (1 + c1 s)(1 + c2 s) · · · (1 + cm s)
G(s) = (8.7)
sq (1 + d1 s)(1 + d2 s) · · · (1 + dn s)
où Kb est appelé le gain de Bode.

Élément 1 : G(s) = K
C’est le cas le plus simple ; la fonction est indépendante de s, et donc de jω.
|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)
Le diagramme de Bode (normalisé) de cette fonction est :
0
Amplitude (dB)
−10
−20
ωc
ω
0
−20
Phase (◦ )
−40
−60
−80
ωc
ω
Fréquence (rad/s)
Figure 8.1 – Diagramme de Bode

Élément 3 : G(s) = 1 + sτ
Ceci est l’inverse de l’élément précédent.

G(jω) = 1 + jωτ (8.13)
et
√
|G(jω)| = 1 + ω2 τ 2 (8.14)
−1
∠G(jω) = tan (ωτ) (8.15)
Le diagramme de Bode (normalisé) de cette fonction est donné à la figure 8.2.
40
Amplitude (dB)
20
0
ωc
ω
80
60
Phase (◦ )
40
20
0
ωc
ω
Fréquence (rad/s)
Figure 8.2 – Diagramme de Bode pour l’élément 1 + s
1
s
La fonction de transfert est

1 j
G(jω) = =− (8.16)
jω ω

et l’amplitude et la phase sont

1
|G(jω)| = (8.17)
ω
∠G(jω) = −90◦ (8.18)
20
Amplitude (dB)
−20
ωc
ω
−70
−80
Phase (◦ )
−90
−100
−110 ωc
ω
Fréquence (rad/s)
Figure 8.3 – Diagramme de Bode pour l’élément 1/s
1
sn
On peut décomposer cet élément :

1 1 1 1
= · · ··· (8.19)
sn s s s

Ce qui veut dire que

1 1 1 1
|G(jω)| = · · ··· = n (8.20)
ω ω ω ω
∠G(jω) = −90 + −90 + −90◦ · · · = −90n
◦ ◦
(8.21)
ωn
On modifie la fonction de transfert pour obtenir :
1
G(s) = (8.22)
2ζ s2
1+ ω s+
n ωn2
on remplace alors s = jω,
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
8.3 Diagramme de Nyquist
Le diagramme de Nyquist permet principalement de recueillir de l’information sur la

stabilité d’un système. Il s’agit de tracer une courbe de ={G(s)} en fonction de <{G(s)}.
Les points importants du diagramme sont :

ζ = 0.2
Amplitude (dB)
0
−20 ζ=1
−40
ωc
ω
−50
Phase (◦ )
−100
−150
ωc
ω
Fréquence (rad/s)
Figure 8.4 – Diagramme de Bode d’un système de 2e ordre
• ω=0
• ω=∞
• où la courbe croise l’axe imaginaire, φ = ±90◦
• où la courbe croise l’axe réel, φ = ±180◦

Exemple 2
Tracer le diagramme de Nyquist de la fonction
ωn2
Go (s) =
pour ωn = 1 et ζ = 1.
Le diagramme de Nyquist est :
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◦ .
On obtient aussi de l’information sur la stabilité d’un système par le diagramme de

Nyquist. En effet, lorsqu’on trace la courbe sur le diagramme de Nyquist, si le point (-1,0)
est à la gauche du contour tracé par la courbe, le système est stable. Par exemple, dans
la figure 8.5, la courbe a indique un système stable, tandis que la courbe b indique un
système instable.

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
Figure 8.5 – Diagramme de Nyquist montrant la stabilité
8.5 Marge de gain et marge de phase
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.
Dans la figure 8.6, la marge de gain est :
GM = 20 log a [dB] (8.28)
et la marge de phase est

ΦM = α (8.29)

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
Figure 8.6 – Diagramme de Nyquist: marge de gain et marge de phase
Les diagrammes de Nyquist peuvent présenter certaines ambiguı̈tés quand à la marge

de gain. En effet, la courbe traverse parfois l’axe réel à plusieurs endroits, et il est alors
difficile de trouver la marge de gain. Le diagramme de Bode permet souvent d’enrayer
cette ambiguı̈té. La figure 8.7 montre la marge de gain et la marge de phase dans un
diagramme de Bode.
Dans le diagramme de Bode, pour trouver la marge de gain, on trouve la fréquence

ωg où la phase coupe l’axe de -180◦ . La marge de gain est la différence entre l’amplitude
|G(jωg )| = Gg et la ligne de 0dB. Si la marge de gain est négative (quand la courbe est plus
grande que 0dB à ωg ), le système est instable.
GM = 0 − Gg = −Gg [dB] (8.30)
Pour trouver la marge de phase, on trouve la fréquence ωp où la courbe d’amplitude

traverse la ligne de 0dB. La marge de phase est alors la différence entre la phase actuelle
φp et la ligne de −180◦ . Si la marge de phase est négative, le système est instable.
ΦM = φp − (−180◦ ) = φp + 180◦ (8.31)
Comme exemple, la marge de gain est environ 20dB et la marge de phase environ 60◦
dans la figure 8.7.
Certaines ambiguı̈tés peuvent se présenter quand on essaie de déterminer la stabilité

en utilisant les diagrammes de Bode.

Amplitude (dB) 0
GM
−50
ωp
0
Phase (◦ )
−100
ΦM
−200
10−2 10−1 100 ωg 101 102
Fréquence (rad/s)
Figure 8.7 – Diagramme de Bode : marge de gain et marge de phase
8.5.1 Exemples d’ambiguı̈té de la stabilité
Soit le diagramme de Bode (figure 8.8) de la fonction suivante :
(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.
On considère maintenant un deuxième cas ambiguë, dont la fonction de transfert est :
(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)
Figure 8.8 – Exemple de diagramme de Bode ambiguë
Dans la figure 8.9, on trouve :

• ΦM = -45◦ < 0 ⇒ instable
• GM1 = 40dB > 0 ⇒ stable
• GM2 = 140dB < 0 ⇒ stable
Il y a contradiction. On doit se fier à la marge de phase, et on conclut que le système
est instable (on peut vérifier avec d’autre méthodes).
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.

Amplitude (dB) 100
0 GM1
GM2
−100
−200
−100
−150
Phase (◦ )
−200 ΦM
−250
10−2 10−1 100 101 102 103 104 105 106

Fréquence (rad/s)
Figure 8.9 – Deuxième exemple de diagramme de Bode ambiguë
R(s) + K(s + 1) s+2 C(s)

− s3 s + 10
La fonction en boucle ouverte est

K(1 + s)(s + 2)
Go (s) =
s3 (s + 10)
qu’on peut écrire d’une autre façon :
2K(1 + s)(1 + 0.5s)
Go (s) =
10s3 (1 + 0.1s)
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
10−1 100 101 102

Fréquence (rad/s)
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.
On peut confirmer la stabilité du système en utilisant la table de Routh. L’équation

caractéristique (le dénominateur de la fonction de transfert en boucle fermée) est :
s3 (s + 10) + K(1 + s)(s + 2) = s4 + 10s3 + Ks2 + 3Ks + 2K
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
2.1K 2 − 20K > 0

2.1K > 20
K > 9.52

Donc, K > 9.52, ce qui est très près de la valeur calculée auparavant.
Si on prend un gain, par exemple, de K = 100, et qu’on trace le diagramme de Bode,

on obtient la figure suivante :
Amplitude (dB)
50
GM
−50
−150
ΦM
Phase (◦ )
−200
−250
10−1 100 101 102

Fréquence (rad/s)
La marge de gain est négative, alors que la marge de phase est positive. On doit se fier
à ΦM : le système est stable.

Chapitre 9
Contrôleurs : domaine fréquentiel
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.
9.1 Réponse transitoire : ajustement par gain
On veut illustrer ici le lien entre la marge de phase, la réponse transitoire, et le gain.
1
CHAPITRE 9. CONTRÔLEURS : DOMAINE FRÉQUENTIEL
Pour une une fonction de transfert

ωn2
Go (s) = (9.1)
s(s + 2ζωn )
On peut démontrer que la marge de phase est

 
 
−1 
 2ζ 
ΦM = tan  q p

 (9.2)

2
−2ζ + 1 + 4ζ 4 
Puisqu’il existe une relation directe entre l’amortissement et le dépassement maximal,

on peut ajuster le dépassement en changeant la marge de phase.
Selon la figure 9.1, si on ajuste ΦM , ceci équivaut à augmenter le gain.
Amplitude
A
0 ω
Augmentation de gain
B
Phase
0 ω
C
ΦM
180◦
D
Figure 9.1 – Modification de la marge de gain
Pour avoir une marge de phase de CD, il faut augmenter le gain d’un facteur AB.
La procédure pour améliorer la réponse transitoire en ajustant la marge de phase est :

1. Tracer le diagramme de Bode.
2. Déterminer la marge de phase nécessaire pour obtenir le dépassement maximal Mp
voulu (Équations 3.29 et 9.2).
3. Trouver la fréquence ωpc qui donne la marge de phase calculée en 2.
4. Trouver le gain à la fréquence ωpc . Ajouter ce gain au gain du système.

Exemple 1
R(s) + 100 1 1 C(s)

K
− s + 100 s + 36 s
Calculer la valeur de K nécessaire pour obtenir un dépassement maximal de 9.48%

pour une entrée échelon unitaire.
La fonction de transfert en boucle ouverte est :

100K 1 100K
Go (s) = = · s s
s(s + 100)(s + 36) 100 · 36 s(1 + 100 )(1 + 36 )
K/36
= s s
s(1 + 100 )(1 + 36 )
Il faut choisir une valeur de K appropriée pour tracer le diagramme de Bode.

K 1 1 1
Go (jω) = · ·q ·q
36 ω
ω 2
2
ω
1 + 100 1 + 36
On choisit K pour avoir un gain de 1 à ω = 0.1.

K 1
1= · ⇒ K = 3.6
36 0.1
On trace alors le diagramme de Bode :
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
10−2 10−1 100 101 102 103

Fréquence (rad/s)
On simule alors le nouveau système pour vérifier les paramètres. On obtient :
Proposé Actuel
Kv – 16.18
ΦM 59.19◦ 59.23◦
ωp – 14.8 rad/s
Mp 9.48% 9%
Tp – 0.18s
9.2 Compensateur à retard de phase
Le but de ce compensateur est d’améliorer l’erreur statique en augmentant le gain à

basses fréquences, sans provoquer l’instabilité. La fonction de transfert de ce compensa-
teur est
K (s + z)
Gc (s) = c (9.3)
(s + p)
où p < z. On écrit souvent la fonction de transfert de la forme :
 s + T1 
 
Gc (s) = Kc  1 
 (9.4)
s + αT

où α > 1.
Le diagramme de Bode pour le compensateur à retard de phase pour trois valeurs de

z/p est donné à la figure 9.2.
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)
Figure 9.2 – Diagramme de Bode pour le compensateur à retard de phase
Processus de design
1. Ajuster le gain K à une valeur qui satisfait la contrainte de l’erreur statique.

3. Selon la réponse transitoire voulue, calculer la marge de phase ΦM . On ajoute 5◦ à
12◦ pour compenser l’erreur de phase introduite par le compensateur lui-même.
0
ΦM = ΦM + δφ (9.5)
0
où δφ = 5◦ à 12◦ . On trouve ensuite la fréquence ωgc qui donne ΦM .
4. On design le compensateur pour obtenir un gain de 0dB à ωgc .
(a) À ωgc , trouver le gain Ggc .
(b) Choisir la fréquence haute du compensateur pour être ωh = 0.1ωgc = T1 = z.
(c) La fréquence basse sera calculée en traçant une droite de -20dB par décade de
ωh à la ligne de 0dB. On trouve donc la fréquence basse ωb selon :
Ggc
ωb = 10− 20 ωh (9.6)

Ceci permet de trouver :

Ggc
α = 10 20 (9.7)
(d) Le gain du compensateur est
1
Kc = (9.8)
α
5. Ajuster le gain K pour obtenir l’erreur statique voulue. Le compensateur va atténuer
la réponse du système et il faut compenser.
Exemple 2
On utilise le même système qu’à l’exemple 1. On veut concevoir un compensateur à

retard de phase pour améliorer d’un facteur de 10 l’erreur statique tout en gardant le
même dépassement de 9.48%.
De l’exemple 1, il faut un gain K de 580.5 pour obtenir Mp = 9.48%. L’erreur statique

est :
1 58050
= Kv = lim sGo (s) = lim = 16.13
ess s→0 s→0 (s + 36)(s + 100)
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)
On trace maintenant le diagramme de Bode.
Pour Mp = 9.48%, on trouve ζ = 0.6 et ΦM = 59.19◦ .
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
10−1 100 101 102 103

Fréquence (rad/s)
Si on simule, on peut comparer avec les contraintes imposées :
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
9.3 Compensateur à avance de phase
Le compensateur à avance de phase permet d’améliorer la réponse transitoire. On aug-

mente la marge de phase et la fréquence de la marge de phase : dans le domaine du temps,
ceci réduit le dépassement maximal et le temps de montée.
La fonction de transfert du compensateur à avance de phase est la même que l’équation

9.3, sauf que p > z. On peut aussi écrire la fonction de transfert de la forme suivante :
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)
Figure 9.3 – Diagramme de Bode pour le compensateur à avance de phase
On peut démontrer que la marge de phase maximale du compensateur est :

!
−1 1 − β
φmax = sin (9.10)
1+β
qui se produit à une fréquence
1
ωmax = p (9.11)
T β
Processus de design
1. Calculer la largeur de bande nécessaire pour satisfaire aux exigences de Ts , Tp ou Tr .

On peut démontrer que :
q p
ωBW = ωn (1 + 2ζ 2 ) + 4ζ 4 − 4ζ 2 + 2 (9.12)
ou
q
4 p
ωBW = (1 + 2ζ 2 ) + 4ζ 4 − 4ζ 2 + 2 (9.13)
Ts ζ

ou
q
π p
ωBW = √ (1 + 2ζ 2 ) + 4ζ 4 − 4ζ 2 + 2 (9.14)
Tp 1 − ζ 2
2. Calculer le gain K nécessaire pour obtenir l’erreur statique voulue.

4. Calculer la marge de phase requise ΦMr , selon le critère de ζ ou Mp . Évaluer la phase
additionnelle requise par le compensateur,
φmax = ΦMr − ΦMa + δφ (9.15)
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
7. Déterminer la fréquence où le gain du système est −|G(jωmax )|.

8. Calculer 1/T et 1/(βT ).
9. Ajuster le gain du système,
1
Kc = (9.17)
β
10. Simulation et redesign si nécessaire.
Exemple 3
On utilise le même système qu’à l’exemple 1. On veut concevoir un compensateur à

avance de phase pour obtenir Mp = 20% et Kv = 40, avec Tp = 0.1s.
Rappel :
100K
Go (s) =
s(s + 36)(s + 100)
Pour Tp = 0.1s, et Mp = 20% (ζ = 0.456), on obtient
ωBW = 46.59 rad/s
Pour Kv = 40,
100K
Kv = lim sGo (s) = lim ⇒ K = 1440
s→0 s→0 (s + 36)(s + 100)

On trace le diagramme de Bode pour K = 1440,

Amplitude (dB)
−50
−100
Phase (◦ )
−150 ΦMa
−200
−250
100 101 102 103

Fréquence (rad/s)
Pour Mp = 20%, on trouve ΦMr = 48.15◦ . Selon le diagramme de Bode, la marge de

phase actuelle ΦMa est 34.1◦ à une fréquence de 29.6 rad/s. Donc,
φmax = ΦMr − ΦMa + 10 = 24.11◦
On cherche β,
1−β
sin φmax = ⇒ β = 0.42
1+β
On trouve ensuite |G(jωmax )|,

1
|G(jωmax )| = p = 3.77 dB
β
En regardant le diagramme de Bode, on trouve l’amplitude −3.77dB à une fréquence

ωmax = 39.0rad/s. On peut maintenant trouver T ,
1
T = p = 0.0395
ωmax β
Et donc les deux fréquences sont,
1 1
= 25.27 et = 60.18
T βT

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.
Proposé Système avec gain K Avance de phase

Kv 40 40 40
ΦM 48.15 ◦ 33.97◦ 45.4◦
ωp – 29.7 rad/s 39.0 rad/s
ωBW 46.59 rad/s 47 rad/s 68 rad/s
Mp 20% 37% 21%
Tp 0.1s 0.1s 0.075s
9.4 Compensateur à avance-retard de phase
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.
Si on réalise un compensateur à avance-retard de phase en utilisant un seul circuit, on

obtient :
 s + T1   s + T1 
  
1  2 
Gc (s) = Glead (s)Glag (s) =  γ 
  (9.18)
s + T1   s + γT1 
2
où γ > 1. On design deux compensateurs, avec la restriction que α = 1/β.
Processus de design
1. Trouver ωBW nécessaire (selon Tr , Tp ou Ts ).

2. Calculer le gain K pour obtenir l’erreur statique voulue.

4. Calculer ΦM nécessaire (selon Mp ou ζ).

5. Choisir une nouvelle fréquence ωmax près de ωBW .
6. À ωmax , calculer le montant de phase requise.
φmax = ΦMr − ΦMa + δφ (9.19)
où δφ est 5◦ à 12◦ .
7. Design du compensateur à retard de phase :
(a) Calculer ωh2 = 1/T2 = 0.1ωmax .
(b) On trouve β selon l’équation 9.10.
(c) Calculer γ = 1/β, et donc 1/(γT ).
8. Design du compensateur à avance de phase :
p
(a) On calcule T1 selon 1/T1 = ωmax β.
(b) Calculer γ/T1 .
9. Vérifier la largeur de bande.
10. Simulation et vérification.
Exemple 4
Soit une système à boucle de retour unitaire où

K
Go (s) =
s(s + 1)(s + 4)
Faire la conception d’un compensateur à avance-retard de phase pour avoir Mp = 13.25%,
Tp = 2s et Kv = 12.
On calcule la largeur de bande requise. Pour Mp = 13.25%, ζ = 0.541. La largeur de

bande est :
ωBW = 2.29 rad/s
On trouve K selon la contrainte de l’erreur statique :

K
Kv = lim sGo (s) = lim ⇒ K = 48
s→0 s→0 (s + 1)(s + 4)
On trace le diagramme de Bode, avec K = 48. Le système est instable.
La marge de phase requise pour satisfaire au critère du dépassement maximal est :

 
 
−1 
 2ζ  = 55◦

ΦM = tan  q p 

2
−2ζ + 1 + 4ζ 4 

50
Amplitude (dB)
0
−50
−100
Phase (◦ )
−150
−200
−250
10−1 100 101 102

Fréquence (rad/s)
On choisit une fréquence ωmax = 1.8 rad/s.
À ωmax , ΦMa = 5◦ . Donc,
φmax = ΦMr − ΦMa + δφ

= 55 − 5 + 5 (on choisit δφ = 5◦ )
= 55◦
On calcule les paramètres du compensateur à retard de phase :

1
= 0.1ωmax = 0.18 rad/s
T2
1 − sin φmax
β= = 0.1
1 + sin φmax
1
γ = = 10
β
1
= 0.018 rad/s
γT2
1
Klag = = 0.1
γ
et donc,
0.1(s + 0.18)
Glag (s) =
(s + 0.018)

On calcule les paramètres du compensateur à avance de phase :

1 p
= ωmax β = 0.57 rad/s
T1
γ
= 5.7 rad/s
T2
Klead = γ = 10
et donc,
10(s + 0.57)
Glead (s) =
(s + 5.7)
La fonction de transfert est donc,

48(s + 0.18)(s + 0.57)
Gc (s)Go (s) =
s(s + 1)(s + 4)(s + 0.018)(s + 5.7)
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.
On simule le système, et on compare avec les valeurs voulues.
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
9.5 Réalisation pratique des compensateurs
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.
Pour les compensateurs à avance de phase et retard de phase, les impédances de la

figure 9.4 sont :
Z1 = R1 //C1 (9.20)
Z2 = R2 //C2 (9.21)

Z2
Z1
Vi −
Vo
+
Figure 9.4 – Ampli-op comme amplificateur avec feedback négatif

1
Vo (s) C s + R1 C1
=− 1 (9.22)
Vi (s) C2 s + 1
R2 C2
Comme mentionné ci-haut, seule la valeur des composantes diffère :
• Retard de phase : R2 C2 > R1 C1
• Avance de phase : R1 C1 > R2 C2
Et pour concevoir un compensateur à avance-retard de phase, on met les deux compensa-
teurs en série.
Pour implanter les compensateurs avec des circuits passifs, on utilise les configura-
tions suivantes :
R1
+ +
R2
Vi Vo
C
− −
Figure 9.5 – Compensateur à retard de phase
La fonction de transfert du compensateur à retard de phase de la figure 9.5 est :
Vo (s) R1 s + R21C
= · 1
(9.23)
Vi (s) R1 + R2 s +
(R +R )C 1 2
La fonction de transfert du compensateur à avance de phase de la figure 9.6 est :
Vo (s) s + R11C
= (9.24)
Vi (s) s + R1C + R1C
1 2

R1
+ C1 +
Vi R2 Vo
− −
Figure 9.6 – Compensateur à avance de phase
R1
+ C1 +
R2
Vi Vo
C2
− −
Figure 9.7 – Compensateur à avance-retard de phase
La fonction de transfert du compensateur à retard de phase de la figure 9.7 est :

Vo (s) s + R11C1 s + R21C2
= (9.25)
Vi (s) s2 + 1 + 1 + 1 s + 1
R 1 C1 R 2 C2 R2 C1 R1 R2 C1 C2

Chapitre 10
Étude des systèmes par équations d’état
Jusqu’à présent, on a modélisé le comportement des systèmes à l’aide de fonctions de

transfert, en utilisant la transformée de Laplace.
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.
Avec le développement de systèmes plus complexes, les approximations de systèmes

linéaires ne sont plus valides. Il faut une méthode plus robuste pour faire l’analyse. On
doit aussi avoir une méthode qui peut facilement analyser plusieurs entrées et plusieurs
sorties.
10.1 Définition
On va démontrer, à l’aide d’un exemple de circuit électrique, que pour un système à

plusieurs variables, des équations différentielles ne sont nécessaires que pour résoudre un
sous-ensemble des variables du système.
Les autres variables peuvent alors être calculée à partir de ce sous-ensemble.
On a donc la procédure suivante :

1. Choisir un sous-ensemble de toutes les variables possibles du système. On appelle
ce sous-ensemble les variables d’état.
2. Pour un système d’ordre n, on écrit n équations différentielles de premier ordre. On
appelle ce groupe d’équations les équations d’état.
1
CHAPITRE 10. ÉTUDE DES SYSTÈMES PAR ÉQUATIONS D’ÉTAT
3. Si on connaı̂t les conditions initiales de toutes les variables d’état à t0 , et l’entrée du

système pour t ≥ t0 , on peut solutionner les équations d’état.
4. On combine les variables d’état avec l’entrée au système pour trouver toutes les autre
variables.
5. Les équations d’état et les équations de sortie forment une représentation valide du
système. On appelle cette représentation l’espace d’état (”state-space”).
Exemple 1
+
v(t) − L
Figure 10.1 – Circuit RL
Le courant initial est i(0). Analyser le circuit.
1. On choisit le courant i(t) comme variable à trouver.
2. L’équation est :
di
L + Ri = v(t) (10.1)
dt
3. On prend la transformée de Laplace :
L[sI(s) − i(0)] + RI(s) = V (s) (10.2)
Si l’entrée est un échelon unitaire, V (s) = 1/s, et on isole pour I(s) :

 
1  1 1  i(0)
I(s) =  − + (10.3)
R s s + RL  s + RL
et donc
1
i(t) = 1 − e−(R/L)t + i(0)e−(R/L)t (10.4)
R
⇒ i(t) est un sous-ensemble de toutes les variables possibles du circuit, et donc si on

connaı̂t i(0) et v(t), on peut trouver les autres variables. i(t) est une variable d’état, et
l’équation 10.1 est une équation d’état.

4. On peut trouver le reste des variables en fonction de i(t) et v(t). Soit :
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)]

L’équation 10.1 et les équations de sortie forment l’espace d’état.
Exemple 2
R L
+
v(t) − i(t) C
Figure 10.2 – Circuit RLC
Le courant initial est i(0). Analyser le circuit.
1. Le système est de deuxième ordre : il faut 2 équations différentielles pour trouver

les deux variables d’état. On choisit i(t) et q(t), la charge au condensateur.
2. Les équations sont : Z

di 1
L + Ri + idt = v(t) (10.6)
dt C
dq(t)
ou, puisque i(t) = dt ,
d 2 q(t) dq(t) 1
L 2
+R + q(t) = v(t) (10.7)
dt dt C
On peut convertir l’équation 10.7 en deux équations différentielles de premier ordre

en fonction de i(t) et q(t) :
dq
=i (10.8)
dt
di 1 R 1
=− q − i + v(t) (10.9)
dt LC L L

3. On peut résoudre ces équations en utilisant la transformée de Laplace, si on connaı̂t

les conditions initiales et l’entrée.
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.
On aurait aussi pu choisir vR (t) et vC (t) comme variables d’état.
Y a-t-il des restrictions quand au choix 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).
On peut écrire les équations d’état et de sortie sous forme matricielle.
ẋ = Ax + Bu (équation d’état) (10.11)
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
Les équations 10.11 et 10.13 forment l’espace d’état.
10.2 Application de la méthode
Pour représenter un système par des équations d’état, il faut savoir :

1. Le nombre minimum de variables d’état nécessaire.
2. Les variables d’état doivent être linéairement indépendantes.

Nombre minimum de variables d’état
Typiquement, le nombre minimum est l’ordre de l’équation différentielle qui décrit le

système. Du point de vue d’une fonction de transfert, c’est l’ordre du dénominateur. On
peut aussi compter le nombre d’éléments indépendants qui emmagasinent de l’énergie.
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.
10.3 Conversion de fonction de transfert à espace d’état
Une méthode pour convertir une fonction de transfert à un espace d’état : la méthode
des variables de phase.
Soit une équation différentielle :
sn + an−1 sn−1 + · · · + a1 s + a0 = b0 u (10.15)
ou, sous forme différentielle,
d ny d n−1 y dy
n
+ an−1 n−1 + · · · + a1 + a0 = b0 u (10.16)
dt dt dt
On choisit la sortie y(t) et les (n − 1) dérivées comme variables d’état. Donc :
x1 = y
dy
x2 =
dt
.. (10.17)
.
d n−1 y
xn =
dt n−1

puis, on dérive de chaque côté :
dy
ẋ1 =
dt
d 2y
ẋ2 = 2
dt (10.18)
..
.
d ny
ẋn =
dt n
En combinant les équations 10.16, 10.17 et 10.18, on obtient :
ẋ1 = x2
ẋ2 = x3
.. (10.19)
.
ẋn−1 = xn
ẋn = −a0 x1 − a1 x2 · · · − an−1 xn + b0 u
Sous forme matricielle,
 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
Convertir la fonction de transfert suivante en espace d’état :
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
Les variables d’état sont :

x1 = c
x2 = ċ
x3 = c̈
Les équations d’état :

ẋ1 = x2
ẋ2 = x3
ẋ3 = −24x1 − 26x2 − 9x3 + 24r
y = c = x1
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.
r(t) + R x3 = ẋ2 R x2 = ẋ1 R x1 y(t)

24
−
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
Figure 10.3 – Séparation d’une fonction de transfert
10.4 Conversion d’espace d’état à fonction de transfert
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)
On applique la transformée de Laplace de chaque côté, et avec des conditions initiales

nulles :
sX(s) = AX(s) + BU(s) (10.24)

Y(s) = CX(s) + DU(s) (10.25)
Si on isole X(s) dans l’équation 10.24, on obtient :
X(s) = (sI − A)−1 BU(s) (10.26)
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
Calculer la fonction de transfert du système suivant :
 0 1 0  10
   
 0 0 1 
ẋ =   x +  0  u
 
−1 −2 −3 0
   
h i
y= 1 0 0 x

On utilise l’équation 10.28 pour calculer la fonction de transfert :
 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
Finalement, on substitue les éléments suivants dans l’équation 10.28 :
10
 
h i
B =  0  C= 1 0 0 D=0
 
0
 
pour trouver la fonction de transfert suivante :
10(s2 + 3s + 2)
T (s) =
s3 + 3s2 + 2s + 1
10.5 Représentation des systèmes d’état
Il y a plusieurs façons de représenter des systèmes d’état par des diagrammes de

fluences. Les différentes représentations ont des avantages ; elles permettent de mieux
découpler les équations différentielles, ou de mieux convertir le système global à plu-
sieurs sous-systèmes.
10.5.1 Forme cascade
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)
Figure 10.4 – Représentation d’un système en cascade
On va maintenant démontrer comment le graphe de fluence peut être utilisé pour

obtenir une représentation en espace d’état pour le système. Soit un système de premier
ordre de la forme :
Ci (s) 1
= (10.30)
Ri (s) s + ai
qu’on peut écrire sous une autre forme :
(s + ai )Ci (s) = Ri (s) (10.31)
et à l’aide de la transformée inverse de Laplace,
dci (t)
= −ai c(t) + ri (t) (10.32)
dt
Cette équation est représentée dans le diagramme de la figure
1
1 s
Ri (s) Ci (s)
−ai
On peut appliquer cette méthode au système de l’équation 10.29 ; on obtient le dia-

gramme de fluence de la figure 10.6.
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

et l’équation de sortie est :

y = c(t) = x1 (10.34)
Sous forme d’espace d’état, on obtient :
−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)
Cette forme de représentation permet d’extraire rapidement de l’information à propos

du système. Premièrement, la matrice B est la matrice des entrées. La matrice C est la
matrice des sorties. La matrice A est la matrice du système ; les pôles du système sont
donnés dans la diagonale.
10.5.2 Forme parallèle
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
Figure 10.7 – Représentation d’un système en parallèle

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
y = c(t) = x1 + x2 + x3 (10.39)
−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
Figure 10.8 – Représentation d’un système en parallèle avec racine répétées
Par inspection, les équations du système sont :

ẋ1 = −x1 +x2
ẋ2 = −x2 −2r (10.43)
ẋ3 = −2x3 +r


1
y = c(t) = x1 − x2 + x3 (10.44)
2
−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)
Il y a un terme additionnel dans la matrice A, à cause de la racine répétée. Les pôles du

système sont quand même dans la diagonale.
10.5.3 Forme canonique de contrôleur
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.
Comme exemple, on prend le système suivant :
C(s) s2 + 7s + 2
= 3 (10.47)
R(s) s + 9s2 + 26s + 24
qu’on peut représenter par variables de phase de la forme suivante :
ẋ1   0 1 0  x1  0

      
ẋ   0 0 1  x2  + 0 r
 2  =  (10.48)
ẋ3 −24 −26 −9 x3 1
      
i x1 
 
h
y = 2 7 1 x2  (10.49)
x3
 
On inverse l’ordre des variables de phase de la A et C :
ẋ1   0 1 0  x3  0

      
ẋ   0 0 1  x2  + 0 r
 2  =  (10.50)
ẋ3 −24 −26 −9 x1 1
      
i x3 
 
h
y = 2 7 1 x2  (10.51)
x1
 

Puis on réarrange les variables de phase en ordre croissant :
ẋ1  −9 −26 −24 x1  1

      
ẋ2  =  1 0 0  x2  + 0 r (10.52)
  
ẋ3 0 1 0 x3 0
   
i x1 
 
h
y = 1 7 2 x2  (10.53)
x3
 
La figure montre le diagramme de fluence sous la forme des variables de phase et de

contrôleur canonique.
1 1 1
1 s s s 2
R(s) C(s)
X3 (s) X2 (s) X1 (s)
−9
−26
−24
a) Représentation avec variables de phase
1 1 1
1 s s s 2
R(s) C(s)
X1 (s) X2 (s) X3 (s)
−9
−26
−24
b) Représentation contrôleur canonique
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
On peut démontrer que la stabilité d’un système est obtenue à partir de :
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.
10.7 Erreur statique
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.

10.7.1 Analyse selon le théorème de la valeur finale
L’erreur statique peut être obtenue par l’équation suivante :
ess = lim sE(s) = lim sR(s)[1 − C(sI − A)−1 B] (10.55)

s→0 s→0
pour un système où
ẋ = Ax + Br (10.56)
y = Cx (10.57)
Exemple 6
Soit un système :
−5 1 0 0

   
 0 −2 1
ẋ =   x + 0 r
 
20 −10 1 1
   
h i
y = −1 1 0 x
Calculer l’erreur statique due à une entrée échelon et rampe.
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
     
Il faut maintenant trouver l’inverse de la matrice. L’inverse d’une matrice U est :

adj U
U−1 =
det U
La matrice adjointe de (sI − A) :
 2
s + s + 8 20 20s + 40 

adj (sI − A) =  s − 1 s2 − 4s − 5 −10s − 30 
 
1 s+5 s2 + 7s + 10
 
et le déterminant :
det(sI − A) = s3 + 6s2 + 13s + 20

On obtient, en multipliant les matrices appropriées :

s+4

ess = lim sR(s) 1 − 3
s→0 s + 6s2 + 13s +!20
s3 + 6s2 + 12s + 16
= lim sR(s) 3
s→0 s + 6s2 + 13s + 20
Pour une entrée échelon,

s3 + 6s2 + 12s + 16
!
ess = lim 3 = 0.8
s→0 s + 6s2 + 13s + 20
Pour une entrée rampe,

1 s3 + 6s2 + 12s + 16
!
ess = lim =∞
s→0 s s3 + 6s2 + 13s + 20
10.7.2 Méthode de substitution
Soit un système de la forme :

ẋ = Ax + Br (10.58)
y = Cx (10.59)
Si l’entrée est un échelon unitaire, alors r = 1, et une solution en régime permanent pour
x est :
V1 
 
V 
 2 
xss =  ..  = V (10.60)
 . 
 
Vn
où Vi est une constante. En régime permanent, les dérivées sont nulles (ẋ = 0). Si on
substitue dans les équations 10.58 et 10.59, on obtient :
0 = AV + B (10.61)
yss = CV (10.62)
où yss est la valeur en régime permanent. Si on solutionne pour V,
V = −A−1 B (10.63)
si la matrice A est inversable.
L’erreur statique est la différence entre l’entrée et la sortie, ce qui donne :

e(∞) = 1 − yss = 1 − CV = 1 + CA−1 B (10.64)
On peut faire un raisonnement semblable pour une entrée rampe.

10.8 Design de contrôleurs
Le design de contrôleurs dans l’espace d’état permet de spécifier complètement les

pôles d’un système, pour obtenir la réponse temporelle voulue. Cependant, elle ne permet
pas de spécifier les zéros d’un système ; c’est un désavantage, puisque les zéros peuvent
modifier la réponse transitoire.
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.
10.8.1 Placement des pôles
Soit un système représenté par l’espace d’état suivant :

ẋ = Ax + Br (10.66)
y = Cx (10.67)
La représentation de ce système est donnée à la figure 10.10, où les lignes minces sont des
scalaires, et les lignes épaisses sont des vecteurs.
u + ẋ
Z
x y
B C
+
Figure 10.10 – Représentation d’un système en espace d’état
Dans un système de contrôle typique, la sortie y est branchée à la jonction de somma-

tion pour fournir du feedback. Pour les contrôleurs à placement de pôles, on modifie la
topologie du feedback. Au lieu d’utiliser y pour le feedback, on utilise toutes les variables
d’état. Chaque variable d’état est modifiée par un gain ki , de sorte que les n variables
d’état deviennent de paramètres contrôlables. Cette représentation est montrée à la fi-
gure 10.11, où les gains sont représentés par un vecteur de feedback −K.
Les équations d’état du système de la figure 10.11 en boucle fermée sont :

ẋ = Ax + Bu = Ax + B(−Kx + r) = (A − BK)x + Br (10.68)
y = Cx (10.69)

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
L’implémentation pratique du système avec feedback de la figure 10.11 est montré à

la figure 10.12. Le diagramme de fluence de la figure 10.12a montre un diagramme de
fluence sous forme de variables de phase. Chaque variable d’état est ensuite branchée à
l’entrée u à travers un gain ki , comme à la figure 10.12b.
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.
10.8.2 Placement des pôles des systèmes en variables de phase
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
a) Représentation avec variables de phase

c3
c2
1 1 1
1 1 s s s c1
r y
u x3 x2 x1
−a2
−k3 −a1
−k2 −a0
−k1
b) Système avec feedback des variables de phase
Figure 10.12 – Diagramme de fluence d’un système d’état a) sous forme variable de phase
et b) avec feedback
L’équation caractéristique du système est donc :
sn + an−1 sn−1 + · · · + a1 s + a0 = 0 (10.71)
On ajoute maintenant le feedback, de sorte que :
u = −Kx (10.72)
où h i
K = k1 k2 · · · kn (10.73)

Pour le système avec feedback, la matrice du système en boucle fermée est :
0 1 0 ··· 0
 
 

 0 0 1 ··· 0 

A − BK =  .. .. .. .. ..  (10.74)

 . . . . . 

−(a0 + k1 ) −(a1 + k2 ) −(a2 + k3 ) · · · −(an−1 + kn )

et son équation caractéristique est :
sn + (an−1 + kn )sn−1 + · · · + (a1 + k2 )s + (a0 + k1 ) = 0 (10.75)
Si l’équation caractéristique voulue est :
sn + dn−1 sn−1 + · · · + d1 s + d0 = 0 (10.76)
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

20(s + 5)
G(s) =
s(s + 1)(s + 4)
Faire la conception d’un régulateur à variables de phase pour obtenir un dépassement de
9.5% et un temps de stabilisation de 0.74s.
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
Figure 10.13 – Diagramme de fluence de l’exemple 7 avec feedback
La matrice du système en boucle fermée est :
 0 1 0
 

A − BK =  0 0 1
 

−k1 −(4 + k2 ) −(5 + k3 )
 
L’équation caractéristique est :

det(sI − (A − BK)) = s3 + (5 + k3 )s2 + (4 + k2 )s + k1 = 0
qui doit être semblable à :
(s + 5.4 + j7.2)(s + 5.4 − j7.2)(s + 5.1) = s3 + 15.9s2 + 136.08s + 413.1 = 0
Par inspection,
k1 = 413.1 k2 = 132.08 k3 = 10.9
La représentation en espace d’état pour le système est :
 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
ce qui donne la fonction de transfert :

20(s + 5)
T (s) =
s3 + 15.9s2 + 136.08s + 413.1
La réponse est montrée à la figure 10.14.
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
Figure 10.14 – Simulation du système modifié
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.
Un système d’ordre n ayant une équation d’état de la forme
ẋ = Ax + Bu (10.79)
sera complètement contrôlable si la matrice

h i
CM = B AB A2 B · · · An−1 B (10.80)
est de rang n, où CM est la matrice de contrôlabilité. On peut tester en calculant le

déterminant : si le déterminant d’une matrice est non-nul, la matrice est non-singulière.
Le rang d’une matrice n × n non-singulière est n. En d’autres mots, si det(CM ) , 0, le
système est contrôlable.

10.8.4 Transformation de système
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.
Soit un système qui n’est pas sous la forme de variables de phase,
ż = Az + Bu (10.81)
y = Cz (10.82)
ayant une matrice de contrôlabilité

h i
CMz = B AB A2 B · · · An−1 B (10.83)
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 :
ẋ = P−1 APx + P−1 Bu (10.85)

y = CPx (10.86)
ayant une matrice de contrôlabilité :

h i
CMx = P−1 B AB A2 B · · · An−1 B (10.87)
Si on substitue l’équation 10.83 dans l’équation 10.87, on obtient
P = CMz CMx −1 (10.88)
On peut donc trouver la matrice de transformation à partir des matrices de contrôlabilité.
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 :
ẋ = (P−1 AP − P−1 BKx )x + P−1 Br (10.90)

y = CPx (10.91)
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.

En utilisant x = P−1 z, on transforme le système de variables de phase à sa représentation

originale et obtenir :
ż = (A − BKx P−1 )z + Br (10.92)

y = Cz (10.93)
En comparant l’équation 10.92 et 10.68, on remarque que :
Kz = Kx P−1 (10.94)
On démontre ces concepts à l’aide d’un exemple.
Exemple 8
Faire la conception d’un contrôleur pour obtenir 20.8% de dépassement et un temps

de stabilisation de 2s pour le système suivant :
s+4
G(s) =
(s + 1)(s + 2)(s + 5)
qui est donné sous la forme cascade.
Le diagramme de fluence est donné à la figure 10.15.
1 1 1
1 s 1 s 1 s 4 y
u
z3 z2 z1
−1 −2 −5
Figure 10.15 – Diagramme de fluence de l’exemple 8
On peut maintenant écrire les équations d’état de ce système :
−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
La matrice de contrôlabilité est :

0 0 1 
 
h i
CMz = Bz Az Bz A2z Bz = 0 1 −3
 
1 −1 1
 

Et puisque le déterminant de CMz = −1, le système est contrôlable.
On convertit le système à des variables de phase en trouvant l’équation caractéristique

du système, puis en utilisant cette équation pour obtenir la forme variables de phase.
det(sI − Az ) = s3 + 8s2 + 17s + 10 = 0
Sous forme de variables de phase, l’espace d’état du système est :
 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
La matrice de contrôlabilité du système en variables de phase est :
0 0 1 
 
h i
CMx = Bx Ax Bx A2x Bx = 0 1 −8
 
1 −8 47
 
On peut donc calculer la matrice de transformation :
 1 0 0
 
P = CMz CMx −1 =  5 1 0
 
10 7 1
 
On peut maintenant faire la conception du contrôleur. Selon le cahier de charges du

problème, on obtient :
− ln(0.208)
ζ=q = 0.447
2
π2 + ln (0.208)
4
ωn = = 2.237 rad/s
Ts ζ
Les pôles du système voulu sont :

p
s1,2 = −ζωn ± jωn 1 − ζ 2 = −1 ± j2
ce qui donne une équation caractéristique :
(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
L’équation d’état du système en variables de phase, avec feedback, est :

0 1 0
 
 
ẋ = (Ax − Bx Kx )x = 
 0 0 1  x

−(10 + k1x ) −(17 + k2x ) −(8 + k3x )


det(sI − (Ax − Bx Kx )) = s3 + (8 + k3x )s2 + (17 + k2x )s + (10 + k1x ) = 0
Et donc : h i h i
Kx = k1x k2x k3x = 10 −4 −2
Avec le design complété, on peut maintenant transformer le système à sa forme origi-

nale (cascade). h i
Kz = Kx P−1 = −20 10 −2
ce qui donne le diagramme de fluence de la figure 10.16.
1 1 1
1 1 s 1 s 1 s 4 y
r
u z3 z2 z1
−1 −2 −5
2
−10
20
Figure 10.16 – Diagramme de fluence de l’exemple 8 (avec feedback)
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

Si on convertit à une fonction de transfert, on obtient :

s+4 1
T (s) = =
s3 + 6s2 + 13s + 20 s2 + 2s + 5
ce qui est la fonction de transfert voulue.
10.8.5 Design en fonction de l’erreur statique par contrôle intégral
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
Figure 10.17 – Diagramme bloc d’un système avec contrôle intégral
Une variable d’état additionnelle, xN , a été ajoutée à la sortie de l’intégrateur de gauche.

L’erreur est la dérivée de cette variable d’état. Selon la figure 10.17,
ẋN = r − Cx (10.95)
Si on écrit les équations d’état,
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
Le type du système a donc été augmenté, et on peut utiliser l’équation caractéristique du

système augmenté pour calculer K et Ke , selon la réponse transitoire voulue. Il y a cepen-
dant un pôle supplémentaire dans le système, qu’il faudra déterminer pendant la concep-
tion. L’effet de ce pôle sur la réponse transitoire du système doit être pris en considération.
On peut essayer d’annuler le pôle avec un zéro, si possible.
Exemple 9

" # " #
0 1 0
ẋ = x+ u
−3 −5 1
h i
y= 1 0 x
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.
a. Selon le cahier de charge, le polynôme de 2e ordre recherché est :
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

La représentation du système sous forme d’espace d’état est :

" # " #
0 1 0
ẋ = (A − BK)x + Br = x+ r
−183.1 −16 1
h i
y = Cx = 1 0 x
L’erreur statique pour une entrée échelon unitaire est :
e(∞) = 1 + C(A − BK)−1 B

" #−1 " #
h i 0 1 0
= 1+ 1 0
−183.1 −16 1
= 0.995
b. En utilisant les équations 10.102 et 10.103, on obtient :

   " 0 1 # "0 # h ! " #    
0
 ẋ1   Ke   x1  0
i
 ẋ   −3 −5 − 1 k1 k2

 2  =  h i 1   x2  + 0 r
    
ẋN 0  xN 1
  
− 1 0
0 1 0   x 1  0 
    

−(3 + k ) −(5 + k ) K   x  0
=  1 2   2  +   r
e
−1 0 0 xN 1

i  x1 
 
h
y = 1 0 0  x2 
xN
 
Si on convertit le système initial à une fonction de transfert (équation 10.28), on ob-

tient :
1
G(s) = 2
s + 5s + 3
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 :
(s + 100)(s2 + 16s + 183.1) = s3 + 116s2 + 1783.1s + 18310
et l’équation caractéristique du système avec contrôle intégral est :
s3 + (5 + k2 )s2 + (3 + k1 )s + Ke
ce qui donne
k1 = 1780.1 k2 = 111 Ke = 18310

Si on substitue ces valeurs de ki , on obtient
 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
 
On convertit à une fonction de transfert pour vérifier le design :
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
   
ce qui veut dire que le système se comporte comme un système de type 1.

Chapitre 11
Logique floue
Ce chapitre présente une méthode moderne de contrôle, la logique floue. La logique

floue diffère de la logique classique parce qu’elle permet des définitions partielles ou
“floues” de règles de contrôle. La puisance de la logique floue vient de sa capacité à
décrire un phénomène ou processus particulier de façon linguistique, puis de représenter
ce phénomène par un faible nombre de règles. Les connaissances dans un système flou
sont contenues dans les règles et dans les ensembles flous, qui contiennent des descrip-
tions générales des propriétés du phénomène en question.
Le chapitre commence par une brève comparaison de la logique floue et de la logique

classique. Un définition plus formelle de la logique floue s’en suit. Des modificateurs lin-
guistiques aux règles de contrôle, des “haies”, sont ensuite présentées. Pour appliquer les
règles de contrôle floues et développer un signal de contrôle réel, deux méthodes sont
présentées : la “défuzzification” par les méthodes de Mamdani et de Sugeno. On termi-
nera ensuite par une étude de cas.
11.1 Comparaison : la logique floue et logique classique
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
la quantification et le raisonnement en utilisant un langage qui permet des définitions

ambiguë, comme beaucoup, peu, petit, haut, dangereux. Elle s’occupe de situations où la
question qui est posée et la réponse obtenue contiennent des concepts vagues.
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 :
Fuzzy Logic is determined as a set of mathematical principles for knowledge

representation based on degrees of membership rather than on crisp mem-
bership of classical binary logic.
11.2 Ensembles flous
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.
L’appartenance à un ensemble représente une valeur entre 0 et 1. Un ensemble flou

peut être défini comme un ensemble ayant des frontières floues. Un ensemble flou est
définit comme suit : soit S un ensemble et x un membre de cet ensemble. Un sous-
ensemble flou F de S est définit par une fonction d’appartenance µF (x) qui mesure le
degré auquel x appartient à F.
Un exemple : Soit S un ensemble des entiers positifs et F un sous-ensemble flou de

petits entiers. Des entiers peuvent avoir une distribution de probabilité qui indiquent leur
appartenance au sous-ensemble flou F : µF (1) = 1.0, µF (2) = 1.0, µF (3) = 0.9, ... µF (30) =
0.01. La figure 11.1 montre cette fonction d’appartenance.
Dans la théorie des ensembles flous, l’ensemble flou A de X (où X est l’univers d’étude)

µF (x)
1 2 3 ···
Figure 11.1 – Représentation du sous-ensemble flou F des petits entiers
est définit comme une fonction :

µA (x) : X → 0, 1 (11.1)
où µA (x) = 1 si x est totalement dans A, µA (x) = 0 si x n’est pas dans A et 0 < µA (x) < 1 si x
est partiellement dans A. La fonction d’appartenance est une mesure :
• Du degré auquel un élément est membre d’un ensemble
• Du degré d’appartenance
• De la valeur de l’appartenance
• Du degré de confiance
La logique floue permet de transformer plusieurs valeurs réelles en quelques variables

floues avec différentes appartenances, ce qui permet de réduire le nombre de règles. On
utilise ces règles pour faire la commande d’un système. Le tableau 11.1 compare des règles
de commande classiques à la logique floue pour un système de chauffage, où v est la
vitesse du ventilateur.
Tableau 11.1 – Comparaison entre la logique classique et la logique floue pour un
système de chauffage
Logique classique Logique floue

Si temp = 21◦ ALORS v = 30% Si temp = élevé ALORS v = lent
◦
Si temp = 22 ALORS v = 40% Si temp = assez élevé ALORS v = rapide
Si temp = 23◦ ALORS v = 50% Si temp = très élevé ALORS v = très rapide
Si temp = 24◦ ALORS v = 60%
Si temp = 25◦ ALORS v = 75%
Si temp > 26◦ ALORS v = 100%
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
0.4
0.2
14 15 16 17 18 19 20 21 22 23 24 25 26
b) Représentation floue
Figure 11.2 – Comparaison de l’appartenance de la température en logique classique vs

la logique 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
Les haies sont des modificateurs de valeurs floues et permettent la génération de

déclaration floues à l’aide de calculs mathématiques. Elles modifient la forme des en-
sembles flous. Elles ont le même rôle que des adverbes et adjectifs en français. Selon leur
impact sur la fonction d’appartenance, on les classifie selon leur effet :

• Concentration : aide à intensifier un ensemble. Exemple : “très” crée une concentra-

tion et crée un nouveau sous-ensemble.
• Dilatation : agrandi l’ensemble. Exemple : “plus” ou “moins” rend l’ensemble plus
grand que l’original.
• Contraste : change la nature de l’ensemble en l’intensifiant ou en l’agrandissant.
Exemple : “généralement”.
Les haies sont utilisées comme modificateurs tout-usage. Ils aident à réfléter la pensée
humaine. Un exemple de haies est montré à la figure 11.3, où on montre les ensembles
très faible et très élevée.
µF (x)
1
0.8
0.6
0.4
0.2 Très faible Très élevée
14 15 16 17 18 19 20 21 22 23 24 25 26
Figure 11.3 – Exemple de haies
Le tableau 11.2 montre quelques exemples de haies.
Tableau 11.2 – Exemples de haies et représentation mathématique
Haie Représentation mathématique Représentation

graphique
Très [µA (x)]2
p
Plus ou moins µA (x)
11.4 Opérateurs flous
Les opérateurs flous décrivent comment des ensembles flous interagissent ensembles.
On regardera certaines opérations communes, comme le complément, l’intersection et
l’union.

Le complément permet de vérifier de combien un élément n’appartient pas à un en-

semble. Comme exemple, si on a l’ensemble des températures élevées, le complément
est l’ensemble des températures qui ne sont pas élevées. Si A est l’ensemble flou, son
complément ¬A est :
µ¬A (x) = 1 − µA (x) (11.2)
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.
µA∩B (x) = min[µA (x), µB (x)] (11.3)
En logique floue, l’union est le contraire de l’intersection. On cherche à savoir de com-

bien un est-il dans l’un des deux ensembles. On utilise la valeur maximale d’apparte-
nance.
µA∪B (x) = max[µA (x), µB (x)] (11.4)
La figure 11.4 résume ces opérations, de façon graphique.
A A B A B
0 0 0
¬A
A∪B
A∩B
0 0 0
Complément Intersection Union
Figure 11.4 – Exemple d’opérations sur des ensembles flous
11.5 Règles floues
Une règle floue est une déclaration de la forme suivante :
SI x est A ALORS y est B (11.5)

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
La fuzzification est l’opération de rendre une entrée classique en valeur linguistique.

Des valeurs d’entrée sont traduites en concepts linguistiques représentés comme des en-
sembles flous. Les fonctions d’appartenance sont appliquées aux mesures et des degrés de
vérité sont établis pour chaque proposition.
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.
11.7.1 Inférence Mamdani
L’inférence Mamdani procède selon quatre étapes :

1. Fuzzification des variables d’entrée
2. Évaluation des règles
3. Agrégation des sorties des règles
4. Défuzzification
On prend l’exemple d’un système de contrôle d’un ventilateur de maison, ayant 2
entrées (température et humidité) et une sortie (vitesse du ventilateur). Des règles pos-
sibles sont :
SI x est A1 OU y est B1 ALORS z est C1

SI x est A2 ET y est B2 ALORS z est C2
SI x est A3 ALORS z est C3
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
Les ensembles flous sont donnés dans la figure 11.5.

µF (x)
1
0.8
0.6
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
0.4
0.2
0 10 20 30 40 50 60 70 80 90 100
Sortie z : vitesse du ventilateur (%)
Figure 11.5 – Ensembles flous pour exemple d’inférence Mamdani
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).

Évaluation des règles
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.
Si on reprend l’exemple précédent, on applique les valeur d’appartenance à la règle 1 :
SI x est A1 (0.5) OU y est B1 (0.25) ALORS z est C1 ( ?)
On peut utiliser deux méthodes pour combiner ces antécédents :

1. Méthode 1 : maximum
µC1 = max[µA1 , µB1 ] = 0.5
2. Méthode 2 : probor
µC1 = probor[µA1 , µB1 ] = (µA1 + µB1 ) − (µA1 · µB1 )

= (0.5 + 0.25) − (0.5 ∗ 0.25) = 0.625
Si on utilise la méthode 1, l’appartenance est 0.5.
Pour la règle 2 :
SI x est A2 (0.33) ET y est B2 (0.75) ALORS z est C2 ( ?)
On peut utiliser deux méthodes pour combiner ces antécédents :

1. Méthode 1 : minimum
µC1 = min[µA2 , µB2 ] = 0.33
2. Méthode 2 : prod
µC1 = prod[µA2 , µB2 ] = µA1 · µB1 = (0.33)(0.75) = 0.25
Si on utilise la méthode 1, l’appartenance est 0.33.
Au total, on obtient :
SI x est A1 (0.5) OU y est B1 (0.25) ALORS z est C1 (0.5)

SI x est A2 (0.33) ET y est B2 (0.75) ALORS z est C2 (0.33)
SI x est A3 (0.0) ALORS z est C3 (0.0)

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.
µF (x) µF (x) µF (x)

1 1 1
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
Figure 11.6 – Agrégation des règles de sortie par coupure
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.
11.7.2 Mise à l’échelle
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
Figure 11.7 – Comparaison entre la coupure et la mise à l’échelle
11.7.3 Inférence Sugeno
La méthode de Sugeno permet de simplifier le calcul de l’aggrégation, afin d’obtenir

plus rapidement une solution nette. Cette méthode est souvent utilisée pour des applica-
tions à temps réel, où le temps de calcul est important.
La méthode de Sugeno utilise un seul pic comme fonction d’appartenance, plutôt

qu’un polygone. Ce pic est un ensemble flou ayant une fonction d’appartenance 1 à un
point particulier de l’espace, et 0 ailleurs. Le résultat de l’évaluation des règles devient
l’amplitude du pic. La figure 11.8 montre un exemple de fonction de style Sugeno pour le
même exemple.
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
Figure 11.8 – Conséquences de style Sugeno
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
Figure 11.9 – Évaluation des conséquences de style Sugeno
Pour faire l’aggrégation des règles, on utilise une moyenne pondérée :

P
µA (ki ) · ki
i
CGSugeno = P (11.8)
µA (ki )
i
Selon l’exemple précédent, on obtient :
(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.

Asservissements Lineaires

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Asservissements Lineaires

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 1

Le contrôle de systèmes est un partie importante des procédés industriels et manufac-

L’évolution de ce domaine permet d’atteindre des performances de plus en plus opti-

Un système de contrôle est composé d’un ensemble de sous-systèmes et procédés as-

Figure 1.1 – Exemple de réponse d’un système

La sortie ne change pas instantanément ; c’est le temps de réponse du système. Pendant

Gabriel Cormier 2 GELE5313

Il y a deux types de système : en boucle ouverte, et en boucle fermée. En boucle ouverte,

Figure 1.2 – Système en boucle ouverte

Figure 1.3 – Système à boucle fermée

En boucle fermée, le système permet de corriger pour des perturbations.

1.2 Analyse et objectifs de design

1.2.1 Réponse transitoire

Gabriel Cormier 3 GELE5313

Comme exemple : un ascenseur. Lorsqu’on monte d’étage et que l’ascenseur s’arrête, la

1.2.2 Réponse en régime permanent

L’erreur en régime permanent est un paramètre important aussi. Un deuxième objectif

Exemple : Lorsqu’un ascenseur s’arrête à un étage, on veut que le bas de l’ascenseur

Un bon design des paramètres en régime transitoire et permanent sert à rien si le

Réponse totale = Réponse naturelle + Réponse forcée (1.1)

La réponse naturelle dépend seulement du système, et pas de l’entrée, tandis que la

On veut donc faire le design d’un système stable.

Il y a d’autre facteurs à considérer lors du design de système de contrôle :

Gabriel Cormier 4 GELE5313

1.3 Processus de design : Méthodologie

Modélisation Simplification Analyse Contrôle

Figure 1.4 – Méthodologie de design

Gabriel Cormier 5 GELE5313

1.4 Méthodes de commande

Empirique Classique Retour d’état

Figure 1.5 – Méthodologie de commande des systèmes

Dans le design, on peut parfois sauter l’étape de simulation et passer directement à

Gabriel Cormier 6 GELE5313

1.5 Exemple : Régulateur de vitesse automobile

Figure 1.6 – Système de régulation de vitesse automobile simplifié

Figure 1.7 – Système de régulation de vitesse automobile en boucle ouverte

Si le régulateur est un simple gain de 1/10, la sortie est donnée par :

Gabriel Cormier 7 GELE5313

Pente w Référence r (km/h) Sortie y (km/h) Erreur Erreur (%)

Pour réduire cette erreur, on ajoute du feedback au système. Le système en boucle

Figure 1.8 – Système de régulation de vitesse automobile en boucle fermée

La sortie est calculée selon :

y = 10(u − 0.5w) (1.4)

En combinant ces équations, on obtient :

y = 1000r − 1000y − 5w (1.6)

Gabriel Cormier 8 GELE5313

Pente w Référence r (km/h) Sortie y (km/h) Erreur Erreur (%)

Si on applique maintenant différentes pentes au système, avec la même entrée de

Gabriel Cormier 9 GELE5313

Pour modéliser ces systèmes, on se sert de la transformée de Laplace. Ceci permet de

On verra aussi comment linéariser des équations.

2.1 Transformée de Laplace

On commence par une petite révision de la transformée de Laplace. La transformée

La transformée inverse existe aussi,

Tableau 2.1 – Transformées de Laplace communes

Transformée f (t) F(s)

Calculer la transformée de Laplace de e−at u(t).

La transformée de Laplace a plusieurs propriétés intéressantes qui rendent le calcul de

Gabriel Cormier 2 GELE5313

Tableau 2.2 – Propriétés de la transformée de Laplace

Propriété Théorème Nom

2 L[kf (t)] = kF(s) Linéarité

12 f (0+ ) = lim sF(s) Valeur initiale