Poly CMSNL 3gecapi 2023 2024

Ecole Nationale Supérieure d’Electricité et de Mécanique - ENSEM
Université Hassan II de Casablanca
Commande Multivariable des Systèmes

Non Linéaires Continus et Discrets
3ème Année Filière GECAPI
Pr A. EL ASSOUDI
Année Universitaire 2023-2024

Table des matières
Avant-propos 4
Introduction 6
I Systèmes Non Linéaires à Temps Continus 9
1 Généralités sur la structure des systèmes linéaires (SL) 10

1.1 Commandabilité et Observabilité des SL . . . . . . . . . . . . . . . . . . . . . . 10
1.1.1 Commandabilité des SL . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.1.2 Observabilité des SL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Commande multivariable des SL . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1 Commande par retour d’état statique . . . . . . . . . . . . . . . . . . . . 12
1.2.2 Découplage par retour d’état statique . . . . . . . . . . . . . . . . . . . . 13
1.3 Synthèse d’observateur d’état et Principe de séparation . . . . . . . . . . . . . . 17
1.3.1 Synthèse d’observateur d’état . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.2 Principe de séparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Commande des systèmes non linéaires (SNL) 21

2.1 Commande au premier ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Linéarisation et découplage entrées-sorties . . . . . . . . . . . . . . . . . . . . . 24
2.3 Commande stabilisante utilisant les techniques de Lyapunov . . . . . . . . . . . 30
2.3.1 Notion de stabilité non linéaire . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.2 Commande stabilisante . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2
3
3 Observabilité et observateurs des SNL 35

3.1 Observabilité des SNL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Forme canonique d’observabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3 Observateurs à grand gain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3.1 Cas monosortie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.2 Cas multisortie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4 Principe de séparation pour une classe de SNL 44

4.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.2 Principe de séparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Références Bibliographique 48
Avant-propos
Dans le domaine du contrôle de procédés industriels, la modélisation dynamique ou représentation

d’état ou encore modèle d’état, représentation mathématique fiable et exploitable obtenus en
établissant les lois de la physique, reliant les variables internes (grandeurs physiques) avec les
grandeurs de commandes (entrées) et les variables mesurées données par les capteurs phy-
siques (sorties), joue un rôle important dans l’établissement des outils de l’automatique mo-
derne (concevoir des algorithmes de commande avancée répondant aux contraintes de qualités
exigées, de surveillance et de diagnostic des défauts). C’est dans cette perspective que s’inscrit
le présent cours sur la commande multivariable dans l’espace d’état des systèmes non linéaires
(SNL). Plus précisément, l’objectif est de présenter les fondements théoriques de l’analyse et
de la synthèse de loi de commande pour la classe de systèmes non linéaires (SNL) continus
et discrets. En effet, il s’agit de donner aux étudiants les outils théoriques et méthodologiques
permettant d’appréhender les SNL continus et discrets dans le domaine de la commande par
retour d’état statique et de l’estimation en temps réel des variables internes non mesurables
(synthèse d’observateur d’état ou capteur logiciel). A cet effet, et tout au long du cours, des
problèmes et exercices seront traités ou simplement proposés. Pour plus de détails, le lecteur
est invité de se référer aux bibliographies détaillés des ouvrages cités à la fin de ce document
[1], [2], [3], [4], [5], [6], [7], [8], [9]. Notons qu’en Automatique, on entend par le mot système
un procédé de nature quelconque (électrique, mécanique, thermique, hydraulique, chimique,
biotechnologie, . . .) qui évolue sous l’action de son entrée u et dont l’évolution est caractérisée
par sa sortie y. Si ces deux grandeurs sont des fonctions d’une variable continue t (resp. discrète
k ), on parle de système à temps continu d’entrée u(t) et de sortie y(t) (resp. système à temps
discret, d’entrée u(k) et de sortie y(k)). Signalons que le cas des systèmes discrets pourra être
retrouvé en transposant les démarches exposées pour le cas continu.
4
5
Ce polycopié, conçu pour servir de support au cours de la commande multivariable des SNL
continus et discrets, traite dans un premier temps, la commande des SNL à savoir la commande
au premier ordre, la commande par linéarisation et découplage entrée-sortie, la commande par
linéarisation entrée-état, la commande stabilisante utilisant les techniques de Lyapunov. En-
suite, il présente quelques résultats concernant l’observation des SNL. Plus particulièrement,
l’accent est mis sur les définitions et concepts de base de l’observabilité et expose certains
résultats concernant la synthèse d’observateurs à grand gain pour les systèmes non linéaires.
Enfin, la dernière partie est consacrée au principe de séparation pour une classe de SNL.
Mots clés : Modélisation dynamique, Systèmes Non linéaires, Modèle d’état à temps conti-
nus, Modèle d’état à temps discrets, Stabilité au sens de Lyapunov, Commande non linéaire,
Observateur à grand gain, Principe de séparation.
Introduction
Etant donné un procédé industriel caractérisé par ses entrées (commandes) et ses sorties (me-
sures) comme l’indique la figure 1 et dont il s’agit de réaliser un système de régulation :
Figure 1 – Schéma fonctionnel d’un procédé
Intérêt de la commande
Les ingénieurs qui ont en charge des procédés industriels doivent satisfaire :
• Les exigences de spécification en quantité et qualité des produits.
• La sécurité du fonctionnement (personnes & installations).
• Le respect des normes environnementales.
• La performance économique.
Objectifs des systèmes de contrôle

• Assurer la stabilité de fonctionnement des procédés.
• Minimiser l’influence des perturbations.
• Optimiser la performance globale.
- Temps de fabrication : minimaux.
- Dépenses énergétiques : minimales.
- Rendement : maximal.
6
7
- Bénéfice : maximal.
- Qualité : maximale.
But de la commande
Maintenir certaines variables (T, P, C, position, vitesse, qualité, ph, . . .) au voisinage de leur
valeurs désirées : consigne constante : régulation, consigne variable avec le temps : poursuite
de consigne ou suivi de trajectoire).
Différents problèmes à traiter pour l’élaboration d’une commande dans l’espace

d’état
• Instrumentation : capteurs rapides et précis & actionneurs rapides.

• Modélisation : modèle de connaissance.
• Identification des paramètres.
• Validation du modèle.
• Elaboration des lois de commande.
• Synthèse des observateurs.
• Principe de séparation.
• Implantation : réalisation technologique.
Différents domaines industriels concernés

L’agro-alimentaire, la pétrochimie, la chimie fine, l’industrie pharmaceutique, la mécanique, la
thermique, l’aéronautique, l’électrotechnique, . . .
8
Intérêt de la modélisation : La figure 2 suivante montre les différents domaines d’application

de la modélisation.
Figure 2 – Différents domaines d’application de la modélisation
Implantation (réalisation technologique) : La figure 3, illustre le principe de la réalisation en

pratique de la commande multivariable dans l’espace d’état.
Figure 3 – Implantation de la commande multivariable dans l’espace d’état.

Première partie
Systèmes Non Linéaires à Temps

Continus
9
Chapitre 1
Généralités sur la structure des

systèmes linéaires (SL)
1.1 Commandabilité et Observabilité des SL

Soit le système linéaire suivant :

 ẋ = Ax + Bu x ∈ Rn , u ∈ Rm
(1.1)
 y = Cx y ∈ Rp
où A, B et C sont des matrices quelconques.
Les solutions de l’équation différentielle du système (1.1) sont de la forme :
Z t
At
x(t) = e x(0) + eA(t−τ ) Bu(τ )dτ
0
La sortie du système (1.1) est donnée par :
Z t
At
y(t) = Ce x(0) + C eA(t−τ ) Bu(τ )dτ
0
10
11
1.1.1 Commandabilité des SL

Définition 1 Le système (1.1) de vecteur d’état x(t) est dit complètement commandable sur
l’intervalle [t0 , tf ] si on peut atteindre n’importe quel état x(tf ) à partir de n’importe quel état
initial x(t0 ), par une commande u(t), t ∈ [t0 , tf ].
Autrement, le système (1.1) est complètement commandable si :

RT
∀x, x̄ ∈ Rn , ∃ u Rm , ∃T / x̄(T ) = eAT x + e−AT 0 eAτ Bu(τ )dτ
Théorème 1 Critère de commandabilité : Critère de Kalman

Le système (1.1) est complètement commandable si et seulement si :
rang[B AB . . . An−1 B] = n
La matrice [B AB . . . An−1 ] s’appelle la matrice de commandabilité du système (1.1).
1.1.2 Observabilité des SL

Définition 2 Le système (1.1) est dit complètement observable sur l’intervalle [t0 , tf ] si la
valeur de l’état initial x0 = x(t0 ) peut être déterminée à partir de la connaissance de u(t) et
y(t), t ∈ [t0 , tf ].
Autrement, le système (1.1) est complètement observable si :

∀x ̸= x̄ ∈ Rn deux conditions initiales, ∃ u(t) sur [0, T ] / y(t, x, u) ̸= y(t, x̄, u).
On dit que u distingue x et x̄.
L’observabilité du système (1.1) est alors équivalente à : pour toutes conditions initiales x(0)
et x̄(0), ∃t ≥ 0 tel que CeAt (x(0) − x̄(0)) ̸= 0.
Notons que l’observabilité des systèmes linéaires est indépendante de l’entrée appliquée au
système (1.1).
Théorème 2 Critère d’observabilité : Critère de Kalman

12
Le système (1.1) est complètement observable si et seulement si :
 
C
 
 CA 
rang  =n
 
..

 . 

CAn−1
La matrice [C CA . . . CAn−1 ]T s’appelle la matrice d’observabilité du système (1.1).
1.2 Commande multivariable des SL
1.2.1 Commande par retour d’état statique

L’objectif de ce paragraphe est de déterminer une commande multivariables par retour d’état
statique telle que les pôles du système bouclé soient convenablement placés dans le plan com-
plexe et satisfasse des spécifications d’amortissement, de rapidité . . .
Soit alors un système multivariable décrit par la représentation d’état suivante :

 ẋ = Ax + Bu x ∈ Rn , u ∈ Rm
(1.2)
 y = Cx y ∈ Rp
où A, B et C sont des matrices quelconques.

On considère une commande par retour d’état statique du type :
u = −Kx + uc
K est une matrice constante de dimension (m × n) et uc désigne une consigne constante.
L’équation d’état du système (1.2) en boucle fermé (BF) s’écrit :
ẋ = (A − BK)x + Buc
Par conséquent, la dynamique du système (1.2) en BF est donc fixée par les valeurs propres de
sa matrice d’évolution : (A − BK).
13
La stabilité asymptotique du système (1.2) bouclé (x(t) −→ 0 qd t −→ ∞) consiste à choisir

la matrice K telle que les valeurs propres de (A − BK) soient à parties réelles strictement
négatives.
Soit alors λ1 , λ2 , . . ., λn les pôles du système (1.2) en BF que l’on veut imposer, nous avons :
det(sI − (A − BK)) = (λ − λ1 )(λ − λ2 ) . . . (λ − λn )
=⇒ K par identification des deux équations caractéristiques.
Notons que le placement de pôles utilisé permet de satisfaire les contraintes dynamiques im-
posées au système (1.2).
1.2.2 Découplage par retour d’état statique

Soit le système linéaire suivant :

 ẋ = Ax + Bu x ∈ Rn , u ∈ Rm
(1.3)
 y = Cx y ∈ Rm
Le but d’un système de commande est de fournir des sorties désirées par la manipulation des
entrées. On conçoit donc la nécessite de définir une notion de commandabilité vis-à-vis des
sorties.
Définition 3 On dit que le système (1.3) est à sortie commandable s’il est possible en agissant
sur les commandes d’amener en un temps fini t1 − t0 n’importe quelle valeur de la sortie y(t0 )
à n’importe quelle autre valeur y(t1 ).
Théorème 3 Le système (1.3) est à sortie commandable si et seulement si :
rang[CB CAB . . . CAn−1 B] = m
(m étant la dimension de l’espace des sorties y ∈ Rm ).
Problème de découplage par retour d’état statique

Etant donné le système (1.3) dont le nombre des entrées est égal au nombre des sortis (système
carré), il s’agit de trouver la loi de commande u(x) = αx + βV de telle sorte que chaque sortie
yj ne soit influencée que par une seule (nouvelle) entrée Vj .
14
Définition 4 Nombre caractéristique de la sortie yj
ρj = inf{k ∈ N /Cj Ak−1 B ̸= 0}
Cj désigne la j ième ligne de C,
Définition 5 Matrice de découplage du système (1.3)
 
C1 Aρ1 −1 B1 . . . C1 Aρ1 −1 Bm
.. ..
B∗ = 
 
 . . 

ρm −1 ρm −1
Cm A B1 . . . Cm A Bm
Si B ∗ est inversible, alors le système (1.3) est découplable par la loi de commande :
u(x) = −B ∗ −1 A∗ x + B ∗ −1 V
avec A∗ = [C1 Aρ1 . . . Cm Aρm ]T
En effet :
y j = Cj x
ẏj = Cj ẋ = Cj Ax + Cj Bu. Si Cj B = 0 −→ ẏj = Cj Ax
ÿj = Cj A2 x + Cj ABu. Si Cj AB = 0 −→ ÿj = Cj A2 x
on continu à dériver jusqu’à l’ordre ρj
(ρj )
yj = Cj Aρj x + Cj Aρj −1 Bu
pour lequel Cj Aρj −1 B ̸= 0. ρj nombre caractéristique de la sortie yj .
Ecriture sous forme matricielle : j = 1, . . . , m
 (ρ )
    
y1 1 C1 Aρ1 C1 Aρ1 −1 B
 .   .. ..
 ..  = 
  
. x +  .  u = A∗ x + B ∗ u = (A∗ + B ∗ α)x + B ∗ βV
     
(ρ ) ρm −1
ym m Cm Aρm Cm A B
Ainsi, on détermine les matrices α et β :

15
 (ρ )


 α = −B ∗ −1 A∗ y1 1
 .  (ρj )
=⇒  .  −→ yj
 β = B ∗ −1  . =V = Vj : m sous systèmes découplés.
(ρ )
ym m
m
X
La dimension du système (1.3) en boucle fermée est : ρj .
j=1
Remarque 1 Cette commande réalise un changement de variable (difféomorphisme) et partage

le vecteur d’état en deux parties dont l’une est rendue inobservable par bouclage. Comme seul
le comportement de la partie observable est fixé, on ne maı̂trise plus le reste de l’état qui peut
éventuellement être instable.
m
X m
X
Deux cas sont alors à envisager : ρj = n & ρj < n
j=1 j=1
m
X
Cas 1 : ρj = n : stabilité assurée
j=1
Changement de coordonnées :
   
    yj Cj
z1 z1j    
 .  j  .   ẏj   Cj A 
z= .   .  
 . ; z =  .  =  = x
  
.. ..
 .   . 
zm zρj 1
   
(ρj −1)
yj Cj Aρj −1
Après transformation & bouclage, on a :




 ż1j = z2j

j
= z3j

 ż2

 
  ż j = A z j + B V
.. j j j
. =⇒
  yj = Cj zj
żρj j −1 = zρj j






 ż j

= Vj
ρj
16
   
0 1 0 0
 .. ..   . 
 .. 
 . . 
avec Aj =  , Bj =  , Cj = (1 0 . . . 0) .
   
..  0 

 . 1 
  
0 ... ... 0 1
La représentation d’état du système (1.3), après transformation & bouclage s’écrit :

 ż = Az + BV
(1.4)
 y = Cz
     
A1 B1 C1

avec A =  ...  
; B =  ...  
; C =  ... 

     
Am Bm Cm
m
X
Cas 2 : ρj < n −→ Problème de stabilité ?
j=1
m
X
Une partie du système de dimension n − ρj devient inobservable par bouclage.
j=1
Changement de coordonnées : ξ = [z η]T

m
X
• z de dim ρj donné par le cas 1.
j=1
m
∂ξ −1
X
• η de dim n − ρj : η = σx / σB = 0 : infinité de solutions avec ∂x
existe.
j=1

 ż = Az + BV


η̇ = M z + N η (1.5)


y = Cz

Dynamique des zéros : η̇ = N η

Si la dynamique des zéros est asymptotiquement stable =⇒ stabilité asymptotiquement du
17
système (1.5).
Ainsi le découplage par retour d’état statique peut être appliqué au système initial (1.3).
1) Stabilisation en zc : consigne constante
Vj = −Kj z j + Vjc ; Kj / (Aj − Bj Kj ) stable.

Vjc / żρj j = 0 = Vj = −Kj zcj + Vjc −→ Vjc = Kj zcj
=⇒ Vj = −Kj (z j − zcj )
=⇒ V = −K(z − zc )
avec K = diag(K1 . . . Km ).
2) Poursuite d’une trajectoire de référence : yref (t)
ρ (ρ −1) (ρ )
Vj = −Kj1 (z1j − yjref (t)) − Kj2 (z2j − ẏjref (t)) − . . . − Kj j (zρj j − yjref
j j
(t)) + yjref (t)
j
En effet : ξ j = z j − zref −→ ξ˙j = (Aj − Bj Kj )ξ j
ρ
Kj = [Kj1 . . . Kj j ] / (Aj − Bj Kj ) stable.
1.3 Synthèse d’observateur d’état et Principe de séparation
1.3.1 Synthèse d’observateur d’état

Considérons le système linéaire suivant :

 ẋ = Ax + Bu x ∈ Rn , u ∈ Rm
(1.6)
 y = Cx y ∈ Rp
Position du problème : la mise en oeuvre de la commande par retour d’état u(x) a besoin de
capteurs permettant de donner à chaque instant t une valeur approximative de l’état x(t). Deux
types de capteurs de natures différentes mais équivalentes sont utilisées. Des capteurs physiques
18
provenant de l’instrumentation. Ces capteurs sont parfois trop coûteux ou difficiles à réaliser
pour des raisons techniques. Pour cette raison, nous nous orientons vers les capteurs logiciels dits
aussi observateurs. Ces derniers sont des algorithmes basés sur un modèle du système et utilise
une information pertinente donnée par des capteurs physiques. Ces capteurs logiciels délivrent
à chaque instant t une estimation en ligne des variables d’état non mesurées du système.
Définition 6 Un observateur (capteur logiciel ou reconstructeur d’état) est un système dyna-

mique permettant d’estimer asymptotiquement les état non mesurables d’un système à partir de
la connaissance des entrées et des sorties.
La figure 3.1 illustre le schéma de principe d’un observateur.
Figure 1.1 – Schéma de principe d’un observateur
Equation de l’estimateur : Observateur de Luenberger.
x̂˙ = Ax̂ + Bu − H(C x̂ − y)
H : n × p : gain de l’observateur. Soit ε = x̂ − x l’erreur d’estimation, son équation dynamique

a pour expression : ε̇ = (A − HC)ε.
Stabilité asymptotique de l’erreur d’estimation (ε(t) −→ 0), entraı̂ne que la détermination de
la matrice H (gain de l’observateur) est telle que : ℜe {V p(A − HC)} < 0
−→ lim x̂(t) = lim x(t)
t→∞ t→∞
19
1.3.2 Principe de séparation

Etant donné un système à commander :

 ẋ = Ax + Bu x ∈ Rn , u ∈ Rm
(1.7)
 y = Cx y ∈ Rp
L’observateur d’état garanti en BO (x̂(0) ̸= x(0)), est donné par :
x̂˙ = Ax̂ + Bu − H(C x̂ − y) (1.8)
La loi de commande par retour d’état indépendante de l’observateur, a pour expression :
u(x) = −Kx + uc (1.9)
La loi de commande à implanter en pratique est :
u(x̂) = −K x̂ + uc (1.10)
On entend par principe de séparation l’utilisation séparée d’un observateur d’état (1.8) et d’une
loi de commande stabilisante (1.9). Il consiste à stabiliser le système (1.7) à l’aide de la loi de
commande (1.10) utilisant l’état estimé donné par l’observateur (1.8) (voir figure 4.1).
Système global (Système à commander, Observateur d’état, Loi de commande)


 ẋ = Ax + Bu(x̂)


x̂˙ = Ax̂ + Bu(x̂) − H(C x̂ − y) (1.11)


u(x̂) = −K x̂ + uc

x x x̂
Etat du système global : ou ou
x̂ ε ε
Représentation d’état du système global :
     
x̂˙ A − BK −BK B
 = +  uc (1.12)
ε̇ 0 A − HC 0
20
Figure 1.2 – Schéma de principe du principe de séparation
Etude de la stabilité du système en boucle fermée (1.12) :

  
A − BK −BK  det[sI − (A − BK)] = 0
det{sI −  } = 0 =⇒
0 A − HC  det[sI − (A − HC)] = 0
Ainsi le système glabal (1.12) (ou encore le système (1.11)) est asymptotiquement stable. Les
pôles du système global (1.12) sont formés d’une part par les pôles de l’observateur (Vp(A-HC))
et d’autre part par les pôles du système commandé directement par retour d’état (Vp(A-BK)).
Chapitre 2
Commande des systèmes non linéaires

(SNL)
Les différents systèmes rencontrés, avec x ∈ Rn , u ∈ Rm , y ∈ Rp :
• Systèmes linéaires invariants


 ẋ = Ax + Bu
(2.1)
 y = Cx
où A, B et C sont des matrices constantes.
• Systèmes linéaires variables dans le temps

 ẋ = A(t)x + B(t)u
(2.2)
 y = C(t)x
où A(t), B(t) et C(t) sont des matrices dépendantes du temps.
• Systèmes bilinéaires

 ẋ = Ax + Dux + Bu
(2.3)
 y = Cx
21
22
où A, B et C sont des matrices constantes.
• Systèmes non linéaires affines en la commande


 ẋ = f (x) + g(x)u
(2.4)
 y = h(x)
• Systèmes non linéaires affines en l’état


 ẋ = A(u)x + φ(x, u)
(2.5)
 y = C(u)x
• Systèmes non linéaires généraux


 ẋ = f (x, u)
(2.6)
 y = h(x, u)
2.1 Commande au premier ordre

Etant donné le système non linéaire affine en la commande de la forme :

 ẋ = f (x) + g(x)u x ∈ Rn , u ∈ Rm
(2.7)
 y = h(x) y ∈ Rp
Définition 7 Point de fonctionnement ou d’équilibre pour le système (2.7)

 
xc
C’est un point   vérifiant : f (xc ) + g(xc )uc = 0
uc
 
xc
Par linéarisation tangente du système (2.7) autour d’un point de fonctionnement  , on
uc
obtient la représentation d’état suivante :


 ż = Az + Bv
(2.8)
 y = Cz
23
∂ f¯ ∂ f¯ ∂h
avec z = x − xc , v = u − uc , A = ∂x
(xc , uc ), B= ∂u
(xc , uc ) = g(xc ), C = ∂x
(xc )
où f¯(x, u) = f (x) + g(x)u.
Les matrices A, B et C représentent les matrices jacobiennes de f¯ et h par rapport à x et u.
 ¯
∂ f¯1

∂ f1
(x c , uc ) . . . (x c , uc )
∂ f¯
 ∂x1 . ∂xn
..
.

A = ∂x (xc , uc ) = 
 . . ,

∂ f¯n ∂ f¯n
∂x1
(xc , uc ) . . . ∂xn (xc , uc )
∂ f¯ ∂(f (x)+g(x)u)
B= ∂u
(xc , uc )
= ∂u
(xc , uc )
= g(xc ),
 
∂h1 ∂h1
(x c ) . . . (x c )
 ∂x1 . ∂xn
..
.
∂h

C = ∂x (xc ) = 
 . . .

∂hn ∂hn
∂x1
(xc ) . . . ∂xn (xc )
 
xc
En effet, au voisinage d’un point de fonctionnement  , on considère l’approximation
uc
au premier ordre du comportement du système. On utilise alors un développement au premier

ordre (on néglige les termes d’ordre supérieur à un) en série de Taylor de f¯(x, u) = f (x)+g(x)u.
∂ f¯ ∂ f¯
f¯(x, u) = f¯(xc , uc ) + ∂x
(xc , uc )(x − xc ) + ∂u
(xc , uc )(u − uc ).
On peut alors appliquer les techniques de la commande linéaire.
Commande par retour d’état statique : v = −Kz permet de stabiliser z en zéro (x en xc ) avec
K telle que : ℜe{Vp (A − BK)} < 0. Soient λ1 , . . ., λn les pôles imposés du système (2.8) après
correction.
det[sI − (A − BK)] = (s − λ1 )(s − λ2 ) . . . (s − λn )
=⇒ K par identification d’équations caractéristiques.
Ainsi la commande au premier ordre à appliquée au SNL (2.7) est donnée par :
u = v + uc = −Kz + uc
La loi de commande au premier ordre implantée pour le système non linéaire (2.7) est :
u(x̂) = −K ẑ + uc
où ẑ est l’état estimé de z donné par l’observateur : ẑ˙ = Aẑ + Bv − H(C ẑ − y) .
avec H telle que : ℜe{Vp (A − HC)} < 0.
24
2.2 Linéarisation et découplage entrées-sorties

Considérons le SNL affine en la commande :

 ẋ = f (x) + g(x)u
(2.9)
 y = h(x)
où x ∈ Rn , u ∈ Rm et y ∈ Rm .
Rappel : Dérivée de Lie, Crochet de Lie.

   
X1 (x) Y1 (x)
 .
..
  .
 et Y (x) =  ..

 deux champs de vecteurs (fonctions C ∞ ). Soit
Sot X(x) =    
Xn (x) Yn (x)
λ(x) une fonction différentiable.
Définition 8 Dérivée de Lie

La dérivée de Lie de la fonction λ(x) le long du champ de vecteur X(x) est définie par :
n
∂λ X ∂λ
LX λ(x) = X(x) = Xj (x) (2.10)
∂x j=1
∂x j
Par récurrence, nous avons :

LX (Li−1 i 0
X λ) = LX λ avec LX λ = λ. De même, LY LX λ = LY (LX λ).
Définition 9 Crochet de Lie

Le crochet de Lie des champs de vecteurs X(x) et Y (x) est définie par :
∂Y ∂X
[X(x), Y (x)] = adX Y = X(x) − Y (x) (2.11)
∂x ∂x
Par récurrence, nous avons :

adkX Y = adX (adk−1 0
X Y ) avec adX Y = Y
25
 
LX Y1 − LY X1
 .. 
[X(x), Y (x)] = adX Y = ∂Y
∂x
X(x) − ∂X
∂x
Y (x) = 
 . 

L X Yn − L Y Xn
Définition 10 Commandabilité faible

Pour que le système (2.9) soit faiblement commandable il faut que la famille des champs de
vecteurs engendrée par le crochet {adkf gi , i = 1, . . . , m; k = 0, 1, . . . , ∞} constitue une algèbre
de Lie dont le rang est identique à l’ordre du système.
Exemple : Etude de la commandabilité faible des systèmes linéaires.


 ẋ = Ax + Bu x ∈ Rn , u ∈ Rm
(2.12)
 y = Cx y ∈ Rm
On a f (x) = Ax, g(x) = B.

ad0f g = g(x) = B
∂g
ad1f g = ∂x
f (x) − ∂f∂x
g(x) = −AB
∂adf g
ad2f g = ∂x
f (x) − ∂f
∂x
adf g(x) = A2 B
adn−1
f g = (−1) n−1 n−1
A B
adnf g = (−1)n An B
Le système linéaire (2.12) est faiblement commandable si : rang[B, AB, . . . , An−1 B] = n
(critère de Kalman). Ceci est indépendamment de x, donc la commandabilité et la commanda-
bilité faible coı̈ncident.
Problème de découplage par retour d’état statique

Etant donné le système (2.9) dont le nombre des entrées est égal au nombre des sortis (système
carré), il s’agit de trouver la loi de commande u(x) = α(x) + β(x)V de telle sorte que chaque
sortie yj ne soit influencée que par une seule (nouvelle) entrée Vj .
Définition 11 Nombre caractéristique de la sortie yj
ρj = inf {k ∈ IN/∃i ∈ {1, . . . , m}; Lgi Lk−1

f hj (x) ̸= 0}
yj = hj (x) désigne la j ième sortie du système.

26
Définition 12 Matrice de découplage du système (1.3)
 
Lg1 Lfρ1 −1 h1 (x) . . . Lgm Lρf1 −1 h1 (x)
 .. .. 
∆(x) = 
 . . 

ρm −1 ρm −1
Lg1 Lf hm (x) . . . Lgm Lf hm (x)
Si ∆(x) est inversible (voir [8], [9]), alors le système (2.9) est découplable par la loi de com-
mande :
u(x) = −∆−1 (x)∆0 (x) + ∆−1 (x)V
T
avec ∆0 (x) = Lρf1 h1 (x) . . . Lρfm hm (x)

En effet :
yj = hj (x)
∂hj ∂hj ∂hj
ẏj = ∂x
ẋ = ∂x
f (x) + ∂x
g(x)u = Lf hj (x) + Lg hj (x)u
Si Lg hj (x) = 0 −→ ẏj = Lf hj (x)
∂Lf hj ∂Lf hj ∂Lf hj

ÿj = ∂x
ẋ = ∂x
f (x) + ∂x
g(x)u = L2f hj (x) + Lg Lf hj (x)u
Si Lg Lf hj (x) = 0 −→ ÿj = L2f hj (x)
Ainsi, on continu à dériver jusqu’à l’ordre ρj
(ρj ) ρ ρ −1
yj = Lfj hj (x) + Lg Lfj hj (x)u
ρ −1
pour lequel Lg Lfj hj (x) ̸= 0. ρj nombre caractéristique de la sortie yj .
Ecriture sous forme matricielle : j = 1, . . . , m
 (ρ )
  ρ   
y1 1 Lf1 h1 (x) Lg Lρf1 −1 h1 (x)
 .   .. ..
 ..  = 
  
. + .  u = ∆0 (x) + ∆(x)u
     
(ρ ) ρm −1
ym m Lρfm hm (x) Lg Lf hm (x)
27
En remplaçant u(x) par son expression, on a :

 (ρ ) 
y1 1
 . 
 ..  = (∆0 (x) + ∆(x)α(x)) + ∆(x)β(x)V
 
(ρm )
ym
Ainsi, on détermine les expressions de α(x) et β(x) :

 (ρ ) 

 α(x) = −∆−1 (x)∆ (x) y1 1
0  .. 
=⇒   . =V

 β(x) = ∆−1 (x)
(ρ )
ym m
(ρj )
−→ yj = Vj : m sous systèmes découplés.
m
X
La dimension du système (2.9) en boucle fermée est : ρj .
j=1
Remarque 2 Cette commande réalise un changement de variable (difféomorphisme) et partage

le vecteur d’état en deux parties dont l’une est rendue inobservable par bouclage. Comme seul
le comportement de la partie observable est fixé, on ne maı̂trise plus le reste de l’état qui peut
éventuellement être instable.
m
X m
X
Deux cas sont alors à envisager : ρj = n & ρj < n
j=1 j=1
m
X
Cas 1 : ρj = n
j=1
Dans ce cas, le système (2.9) est complètement linéarisable et découplé ainsi que la stabilité est
assurée.
Changement de coordonnées :
   
    yj hj (x)
z1 z1j    
 .  j ..  
 ẏj   Lf hj (x) 
..  ; z = ϕj (x) = 
 
z = ϕ(x) =  = =
  
.   .. .. 
. .
      
m j
z zρ1
   
(ρj −1) ρ −1
yj Lfj hj (x)
28
Dans ce cas, après transformation, le système (2.9) est complètement linéarisable et découplé,
peut être récrit sous la forme suivante :

 ż = Az + Φ(z) + Ψ(z)u
(2.13)
 y = Cz
 
0 1 0
 ..  ..
 .  .
A = diag (A1 . . . Am ) avec Aj = 
 
.. 

 . 1 

0 ... ... 0
C = diag (C1 . . . Cm ) avec Cj = (1 0 . . . 0)

 
  0
Φ1 (z)  .. 
 ..  j
 . 
Φ(z) =  avec Φ (z) =
 
.   
0
   
m
Φ (z)
 
ρ
Lfj hj (ϕ−1 (z))
 
  0
Ψ1 (z)  .. 
 ..  j
 . 
Ψ(z) =   avec Ψ (z) = 
 
.  
0
  
Ψm (z)
 
ρ −1
Lg Lfj hj (ϕ−1 (z))
Ainsi, le système (2.13) est globalement asymptotiquement stable autour de la consigne désirée
zc par la loi de commande :
u(z) = ∆−1 (ϕ−1 (z))[−∆0 (ϕ−1 (z)) − K(z − zc )] (2.14)

h iT
où ∆0 (ϕ−1 (z)) = Lρf1 h1 (ϕ−1 (z)), . . . , Lρfm hm (ϕ−1 (z)) et K = diag(K1 , . . . , Km ) avec Kj
est telle que le spectre Sp(Aj − Bj Kj ) ⊂ C− = {λ ∈ C / ℜe (λ) < 0}, où ℜe (λ) désigne la
partie réelle de λ, Bj = [0 . . . 0 1]T .
29
m
X
Cas 2 : ρj < n : Dans ce cas, le système (2.9) est partiellement linéarisable et découplé.
j=1
m
X
? Problème de stabilité de la partie de dim n − ρj qui devient inobservable par bouclage.
j=1
Changement de coordonnées : ξ = ϕ(x) = [z η]T

m
X
• z = ϕ1 (x) de dim ρj donné par le cas 1.
j=1
m
X
• η = ϕ2 (x) de dimension n − ρj
j=1
∂ϕ2 ∂ϕ −1

η = ϕ2 (x) / ∂x
g(x) = 0 : infinité de solutions avec ∂x
existe.

 ż = Az + BV


η̇ = ψ(z, η) (2.15)


y = Cz

A = diag (A1 . . . Am ) & B = diag (B1 . . . Bm ) & C = diag (C1 . . . Cm )

   
0 1 0 0
 .. ..   . 
 .. 
 . . 
avec Aj =  & B =   & Cj = (1 0 . . . 0)
   
..  j
 0 

 . 1 

 
0 ... ... 0 1
Dynamique des zéros : η̇ = ψ(0, η) ⇒ Problème de stabilité asymptotique ?
1) Stabilisation en zc : consigne constante

Vj = −Kj z j + Vjc ; Kj / (Aj − Bj Kj ) stable.
Vjc / żρj j = 0 = Vj = −Kj zcj + Vjc −→ Vjc = Kj zcj
=⇒ Vj = −Kj (z j − zcj ) =⇒ V = −K(z − zc )
avec K = diag(K1 . . . Km ).
30
2) Poursuite d’une trajectoire de référence : yref (t)

ρ (ρ −1) (ρ )
Vj = −Kj1 (z1j − yjref (t)) − Kj2 (z2j − ẏjref (t)) − . . . − Kj j (zρj j − yjref
j j
(t)) + yjref (t)
En effet : ξ j = z j − z j −→ ξ˙j = (Aj − Bj Kj )ξ j
ref
ρ
Kj = [Kj1 ... Kj j ] / (Aj − Bj Kj ) stable.
2.3 Commande stabilisante utilisant les techniques de

Lyapunov
2.3.1 Notion de stabilité non linéaire

L’objet de ce paragraphe se limite à l’étude de la stabilité au sens de Lyapunov. Nous donnons
alors les définitions de différents types de stabilité ainsi que les résultats fondamentaux relatifs
au concept de la stabilité. Considérons alors le SNL autonome :
(S) ẋ = f (x) x ∈ Rn
Soit xc ∈ Rn un point d’équilibre du système (S) : f (xc ) = 0.
Définition 13 Stabilité au sens de Lyapunov

i) Le point d’équilibre xc est dit stable au sens de Lyapunov, s’il existe un voisinage V0 de
xc tel que pour tout voisinage W0 de xc , W0 ⊂ V0 , il existe un voisinage W ⊂ W0 de xc
tel que toute trajectoire issue de W reste dans W0 .
ii) Le point d’équilibre xc est dit localement asymptotiquement stable (LAS) au sens de
Lyapunov, s’il est stable au sens de Lyapunov dans le sens i) et toute trajectoire issue
de W0 tend vers xc quand t −→ ∞ (on dit que xc attracte W0 ).
iii) Le point d’équilibre xc est dit V0 -globalement asymptotiquement stable (GAS) au sens
de Lyapunov, s’il est localement asymptotiquement stable et toute trajectoire issue de V0
tend vers xc quand t −→ ∞ (xc attracte V0 ).
Définition 14 Fonction de Lyapunov

V : Rn −→ R+ est dite fonction de Lyapunov du système (S) relative à xc si :
i) V (xc ) = 0.
∂V
ii) ∂x
f (x) < 0 ; pour tout x ̸= xc ; x appartenant à un voisinage de xc .
On dit que V : Rn −→ R+ est propre si lim V (x) = +∞.

||x||−→+∞
31
Théorème 4 Théorème inverse de Lyapunov

xc étant un point d’équilibre de ẋ = f (x). Si le système (S) admet une fonction de Lyapunov
relative à xc , alors il est LAS au sens de Lyapunov. Si de plus V est propre et vérifiant ii) de
la définition 14 pour tout x ̸= xc , alors le système (S) est GAS.
Théorème 5 : [J. L. Massera]

Si le système (S) est localement (resp. globalement) asymptotiquement stable au sens de Lya-
punov en xc , alors le système (S) admet une fonction de Lyapunov V (resp. V est propre et
satisfaisant ii) de la définition 14 pour tout x ̸= xc ).
Définition 15 Fonction de Lyapunov au sens large

V : Rn −→ R+ est dite fonction de Lyapunov au sens large du système (S) relative à xc si :
i) V (xc ) = 0.
∂V
ii) ∂x
f (x) ≤ 0 ; pour tout x ̸= xc ; x appartenant à un voisinage de xc .
Théorème 6 Si le système (S) admet une fonction de Lyapunov au sens large relative au point
d’équilibre xc , alors xc est stable au sens de Lyapunov.
Principe d’invariance de La Salle

Dans ce qui suit, il s’agit de donner une version simple du principe d’invariance de La Salle qui
est plus fréquente quant à son utilisation.
On considère alors la classe des systèmes autonomes :
(S) ẋ = f (x) x ∈ Rn
xc ∈ Rn étant un point d’équilibre du système (S) : f (xc ) = 0.
Définition 16 Invariance positive, ω-limite

• Une partie A de Rn est dite positivement invariante, si toute trajectoire x(t) issue de A
à l’instant t = 0 reste dans A pour tout t ≥ 0.
• On appelle le ω-limite d’une trajectoire x(t) l’ensemble de tous les points x∗ limites de
la trajectoire x(t). Ce ω-limite peut éventuellement être vide.
• On appelle le ω-limite noté Ω du système ẋ = f (x), l’union de tous les ω-limite de toutes
les trajectoires du système.
32
Supposons que le système ẋ = f (x) admet une fonction de Lyapunov V au sens large et propre.
Théorème 7 LaSalle
• Ω est positivement invariant.
∂V
• Ω ⊂ {x ∈ Rn / ∂x
f (x) = 0}
• Ω attracte toute trajectoire du système.
Remarque 3 Pour montrer qu’un point d’équilibre xc d’un système est GAS, ceci revient à
montrer que Ω = {xc }.
Remarque 4 Un système contrôlé : ẋ = f (x, u), x ∈ Rn , u ∈ Rm , est dit localement (resp.

globalement) asymptotiquement stabilisable en xc par un retour d’état statique u(x), si xc est
un point d’équilibre localement (resp. globalement) asymptotiquement stable pour le système
ẋ = f (x, u(x)).
Etude de la stabilité local à partir du linéarisé tangent

Soit le système (S) : ẋ = f (x) et xc un point d’équilibre du système (S).
Le linéarisé tangent du système (S) au voisinage de xc est donné par :
∂f
(L) : ż = Az avec z = x − xc et A = ∂x
(xc ).
Théorème 8 Théorème de perturbation

• Si xc est asymptotiquement stable pour (L), alors il l’est pour (S).
• Si xc est instable pour (L), alors il l’est pour (S).
• Si xc est stable pour (L) mais pas asymptotiquement stable, alors il peut être stable,
asymptotiquement stable ou instable pour (S).
33
2.3.2 Commande stabilisante

Soit le SNL affine en la commande :

 ẋ = f (x) + g(x)u x ∈ Rn , u ∈ Rm
(2.16)
 y = h(x) y ∈ Rp
Problème de la commande stabilisante

Etant donné un point d’équilibre xc du système (2.16). Peut-on trouver des lois de commandes
u = α(x) telle que xc soit un point d’équilibre asymptotiquement stable du champ de vecteur
f (x) + g(x)α(x)?
Une telle fonction α(x) est appelée loi de commande stabilisante en xc et le système est dit
stabilisable en xc .
La détermination de la loi de commande stabilisante dépende de certaines conditions. Nous ver-

rons q’un système mécanique (Hamiltonien) se prête particulièrement bien au calcul de cette
commande.
Le système (2.16) est dit conservatif s’il existe une fonction de Lyapunov V au sens large pour
∂V
la dérive du système : Lf V = ∂x
f (x) = 0.
Le système (2.16) est dit dissipatif s’il existe une fonction de Lyapunov V au sens large pour
∂V
la dérive du système : Lf V = ∂x
f (x) ≤ 0.
Théorème 9 Supposons que l’on a trouvé une fonction réelle V (x) vérifiant :
• Lf V = 0.
• Les domaines V (x) ≤ c (c est une constante) sont compacts.
• L’espace vectoriel engendré par Q(x) = {f (x), adkf g(x), k = 0, 1, . . . , n, . . .} est de rang
n en tout point x.

 f (x) = 0 ssi x = x
c
•
 dV (x) = 0 ssi x = xc
34
Dans ces conditions, le système (2.16) est stabilisable en xc et u(x) = −r(x)Lg V (x) est une loi
de commande stabilisante en xc .
r(x) est une matrice diagonale avec ri (x) des fonctions strictement positives (en particulier
pour ri (x) = ri constantes strictement positives).
Remarque 5 Ce théorème, basé sur le théorème de LaSalle et démontré dans le cas des
systèmes conservatifs Lf V = 0, a été étendu aux systèmes dissipatifs Lf V ≤ 0.
Idée de la preuve
d ∂V ∂V ∂V
V (x) = ẋ = f (x) + g(x)u(x) = Lf V (x) + Lg V (x)u(x)
dt ∂x ∂x ∂x
Utilisant le fait que Lf V (x) = 0 et u(x) = −r(x)Lg V (x), on trouve :
d
V (x) = −r(x)(Lg V (x))2 ≤ 0
dt
Donc V (x(t)) décroı̂t et par un argument du principe d’invariance de LaSalle, on montre que
V (x(t)) tend vers zéro, et donc x(t) tend vers xc .
Chapitre 3
Observabilité et observateurs des SNL
L’objectif de ce chapitre est de présenter quelques résultats concernant la théorie de l’observa-

tion des systèmes non linéaires continus. Dans un premier temps, nous donnerons les définitions
et concepts de base de l’observabilité. Ensuite, nous établirons certains résultats concernant l’es-
timation d’état pour les systèmes non linéaires. Plus précisément, nous présenterons quelques
résultats sur les observateurs à grand gain pour les systèmes non linéaires continus uniformément
observables. Au lecteur qui désirerait approfondir ces deux notions nous conseillons [2] et [5].
3.1 Observabilité des SNL

On considère la classe des systèmes non linéaires de la forme :

 ẋ(t) = f (x(t), u(t))
(3.1)
 y(t) = h(x(t))
où x ∈ IRn représente l’état du système, y(t) ∈ IRp sont les sorties mesurées à l’instant t et
l’entrée est u ∈ U où U est un ensemble mesurable de IRm . La variable t représente le temps.
Les fonctions f et h sont suffisamment différentiables par rapport à (x, u).
L’ensemble des entrées u(.) sont des fonctions telles que pour toute condition initiale x, il existe
une solution unique xu (t) de (3.1) définie sur un intervalle [0, T ]. Ces entrées seront appelées
entrées admissibles.
Etant donné le système (3.1), notons que la notion d’observabilité est liée à celle de la sensibilité
35
36
de la sortie aux conditions initiales du système. Notons que cette notion permet d’analyser la
possibilité de reconstituer l’état du système (3.1) à partir d’informations partielles mesurées au
cours du temps.
On notera y(t, x, u) la sortie du système (3.1) à l’instant t associé à la trajectoire x(t) issue de
la condition initiale x à l’instant t = 0.
Définition 17 : Indistinguabilité
On dit que deux états initiaux distincts x0 , x1 sont indistinguables si pour toute entrée admissible
u(.) ∈ U , les trajectoires des sorties issues respectivement de x0 et x1 sont identiquement égales
∀t ≥ 0.
Définition 18 : Distinguabilité
On dit que deux états initiaux distincts x0 , x1 sont distinguables si ∃t ≥ 0, ∃ u : [0, t] → U
une entrée admissible telle que les trajectoires des sorties issues respectivement de x0 et x1 ne
sont pas identiquement égales sur [0, t].
Dans ce cas, on dit que u distingue x0 et x1 .
Définition 19 : Observabilité
Le système (3.1) est dit observable en x0 si tout autre état x1 ̸= x0 est distinguable de x0 . Le
système (3.1) est dit observable sur IRn s’il est observable en tout point de IRn .
Remarque 6 Pour les systèmes linéaires (3.2), l’indistinguabilé des points est indépendante
de l’entrée appliquée au système, par contre pour les systèmes non linéaires généraux, l’obser-
vabilité du système (3.1) n’implique pas que chaque entrée admissible u(.) appliquée au système
(3.1) distingue tous les points de son espace d’état. Ceci nous conduit au concept des entrées
universelles et des systèmes qui sont observables au sens du rang pour toutes les entrées ap-
pliquées.
Définition 20 : Entrée universelle

Une entrée admissible u : [0, T ] → U est dite universelle sur [0, T ] pour le système (3.1) si elle
distingue tout couple de points distincts de l’espace d’état de (3.1) sur [0, T ] (càd ∃t ∈ [0, T ] tel
que y(u, x0 , t) ̸= y(u, x1 , t)).
37
Définition 21 : Entrée singulière

On appelle entrée singulière sur [0, T ] une entrée qui n’est pas universelle sur [0, T ].
Définition 22 : Systèmes uniformément observables

Un système est dit uniformément observable (ou observable pour toute entrée) si toutes ses
entrées admissibles sont universelles. Si ∀T ≥ 0, toutes les entrées sont universelles sur [0, T ],
le système est dit uniformement localement observable.
Définition 23 : Espace d’observation

On appelle espace d’observation du système (3.1), le plus petit sous espace vectoriel O contenant
les composantes h1 , . . . , hp de la sortie h et qui est fermé sous l’action des dérivées de Lie Lfu ,
u ∈ U , où fu (x) = f (x, u).
O contient h1 , . . . , hp et ∀φ ∈ O, on a : Lfu (φ) ∈ O, ∀u ∈ U .

n
X
∂φ
Ici Lfu (φ)(x) = fui (u, x) ∂xi
(x), où fu = [fu1 , · · · , fun ]T .
i=1
Définition 24 : Condition de rang

On dit que le système (3.1) est observable au sens du rang en x si la dimension de l’espace
dO(x) = n où dO(x) = {dφ(x), φ ∈ O} ; d désigne la différentielle extérieure.
Notons que cette définition donne l’observabilité dans le cas linéaire. En effet pour les systèmes
linéaires du type :

 ẋ = Ax + Bu
(3.2)
 y = Cx
où x ∈ IRn , u ∈ IRm , y ∈ IRp . A, B, C sont des matrice constantes.

dO(x) peut s’identifier à l’espace vectoriel engendré par :
{C1 , · · · , Cp , C1 A, · · · , Cp A, · · · , C1 An−1 , · · · , Cp An−1 } où Ci est la ième ligne de C. Par conséquent,
dim dO(x) = n est équivalent à rang[ C T (CA)T · · · (CAn−1 )T ] = n.
Définition 25 : Deux systèmes Σ1 et Σ2 sont localement difféomorhpes en x0 ∈ M, si et

seulement si, il existe un difféomorphisme défini dans un voisinage de x0 , transformant Σ1 en
Σ2.
38
3.2 Forme canonique d’observabilité

On considère les systèmes non linéaires affines en la commande à une sortie :
 m
X
 ẋ = f (x) +

ui gi (x)
i=1 (3.3)

y = h(x)

où x ∈ Rn , u ∈ Rm , y ∈ R. f , g1 , · · · , gm et h sont suffisamment différentiables.
Théorème 10 : Soit Ψ : Rn −→ Rn définie par Ψ(x) = [h(x), Lf h(x), . . . , Ln−1

f h(x)]T . Sup-
posons que det( ∂Ψ(x)
∂x
) ̸= 0, pour tout x ∈ Ω, Ω étant un ouvert de Rn . Si (3.3) est uniformément
observable. alors, le changement de coordonnées z = Ψ(x) transforme localement presque par-
tout (3.3) sous la forme canonique d’observabilité :

 ż = Az + ψ(z) + φ(z, u)
(3.4)
 y = Cz = z1
où
 
0 1 0
 .. ...

 . 
A= , C = 1 0 ... 0 (3.5)
 
..

 . 1 

0 ... ... 0
h iT m
X
ψ(z) = 0 . . . 0 ψn (z) , φi (z, u) = uj φij (z1 , · · · , zi ), 1 ≤ i ≤ n.
j=1
Remarque 7 : La transformation des systèmes non linéaires uniformément observables (3.3)

sous la forme canonique (3.4) permet de réaliser un observateur exponentiel qui généralise
l’observateur de Luenberger dans le cas des systèmes linéaires.
39
3.3 Observateurs à grand gain

Dans ce paragraphe, nous nous présenterons quelques résultats sur la synthèse d’observa-
teurs pour la classe des systèmes uniformément observables. Nous nous intéressons plus parti-
culièrement aux observateurs à grand gain pour les systèmes non linéaires affines en la com-
mande de la forme :
 m
X
 ẋ = f (x) +

ui gi (x)
i=1 (3.6)

y = h(x)

où x(t) ∈ IRn , u(t) ∈ U ⊂ IRm , y(t) ∈ IRp sont respectivement l’état, l’entrée et la sortie du
système dynamique (3.6).
Définition 26 : Un observateur ou capteur logiciel est un système dynamique permettant d’es-

timer asymptotiquement les états non mesurables d’un système à partir de la connaissance des
entrées et des sorties (voir figure (3.1)).
Figure 3.1 – Schéma de principe d’un observateur
Notons que la méthode de synthèse d’observateur pour les systèmes non linéaires consiste à
transformer le système, à l’aide d’un changement de variable, en un système pour lequel on sait
construire un observateur.
40
3.3.1 Cas monosortie

Dans le cas des systèmes mono-sortie (voir (3.6) avec y(t) ∈ IR) qui se transforment par le
difféomorphisme z = Ψ(x) = [h(x), Lf0 (x), · · · , Lfn−1
0
(h)(x)]T sous la forme (3.4), dans [10], les
auteurs ont proposé un observateur exponentiel donné par :
ẑ˙ = Aẑ + ψ(ẑ) + φ(ẑ, u) − Sθ−1 C T (C ẑ − y) (3.7)
où Sθ est une matrice symétrique définie positive (SDP) solution de l’équation algébrique de
Lyapunov :
θSθ + AT Sθ + Sθ A = C T C (3.8)
θ > 0 choisi suffisamment grand, est le paramètre de réglage de l’observateur.
Plus précisément, les auteurs montrent que si ψ(z) et φ(z, u) sont globalement Lipschit-
ziennes par rapport à z, localement uniformément par rapport à u, alors ∥ε(t)∥ = ∥ẑ(t) − z(t)∥
tend exponentiellement vers zéro.
L’idée de la démonstration est la suivante :
Preuve On pose ε(t) = ẑ(t) − z(t), on peut montrer que :
d T
(ε Sθ ε) ≤ −θεT Sθ ε + 2εT Sθ δΓ
dt
où δΓ = Γ(ẑ, u) − Γ(z, u) avec Γ(z, u) = ψ(z) + φ(z, u).

Par ailleurs, en utilisant la forme triangulaire de Γ, on peut montrer que :
d T
(ε Sθ ε) ≤ −µθ εT Sθ ε pour µθ > 0
dt
Comme Sθ est une matrice SDP, ceci conclut la preuve. □
Pour le système initial (3.6) avec y(t) ∈ IR, un observateur est donné par :
m −1
X ∂Ψ
x̂˙ = f (x̂) + ui gi (x̂) − (x̂) Sθ−1 C T (h(x̂) − y) (3.9)
i=1
∂x
41
Notons que cet observateur connu dans la littérature comme observateur à grand gain ne
nécessite pas la connaissance explicite de Ψ−1 qui en général formellement non calculable.
−1
∂Ψ(x)
Seul est nécessaire, ce qui réalisable numériquement. Signalons aussi que l’une des
∂x
principales caractéristiques de cet observateur réside dans la simplicité de la mise en oeuvre et
du réglage. En effet, le réglage de cet observateur se limite au réglage du seul paramètre θ.
3.3.2 Cas multisortie

Concernant le cas des systèmes multisortie (3.6), notons qu’il n’existe pas de caractérisation
générale des systèmes uniformément observables. Néanmoins, certaines conditions suffisantes
structurelles sont données dans la littérature.
Dans ce qui suit, nous donnerons une formulation de la synthèse d’observateur pour le système
(3.6) (voir [2], [5]). Considérons alors le système (3.6) et supposons qu’il existe un changement
de variable z = Φ(x) tel que le système peut être réécrit sous la forme triangulaire suivante :

 ż = Az + ψ(z, u)
(3.10)
 y = Cz
   j 
z1 z1 p
 . 
 ..
X
.  n
 
j  ∈ IRnj ;
 .  ∈ IR ; avec z =  .
z=  nj = n
j=1
zp znj j
 
0 1 0
 ..  ..
 .  .
A = diag (A1 . . . Ap ) avec Aj =   est une matrice nj × nj .
 
..

 . 1 

0 ... ... 0
C = diag (C1 . . . Cp ) avec Cj = (1 0 . . . 0) est une matrice 1 × nj .

   j 
ψ 1 (z, u) ψ1 (z, u)
 ..  
 avec ψ j (z, u) =  .. 
 est de dimension nj × 1.
ψ(z, u) = 
 .   . 
p j
ψ (z, u) ψnj (z, u)
42
• Classe 1 : Supposons que les termes non linéaires ψ j satisfont la propriété structurelle sui-
vante :
 
ψ1j (z 1 , z 2 , . . . , z j−1 , z1j , u)
 

 ψ2j (z 1 , z 2 , . . . , z j−1 , z1j , z2j , u) 

 .. 
ψ j (z 1 , . . . , z j , u) = 
 . 
 (3.11)
 j
j−1 j j j

 ψ 1 2
 nj −1 (z , z , . . . , z , z1 , z2 . . . , znj −1 , u)


ψnj j (z 1 , z 2 , . . . , z j−1 , z j , u)
Comme dans le cas des systèmes mono-sortie, sous la condition que les termes non linéaires ψ j
sont globalement lipschitziens, alors le système :
ẑ˙ = Aẑ + ψ(ẑ, u) − SΘ−1 C T (C ẑ − y) (3.12)
est un observateur exponentiel pour le système (3.10)-(3.11) où SΘ est une matrice définie par

bloc et ne dépendant que des paramètres de réglage θk : SΘ = diag Sθ1 , . . . , Sθp .
Sθk sont des matrices SDP solutions de l’équation :
θk Sθk + ATk Sθk + Sθk Ak = CkT Ck (3.13)
On trouve les détails de la démonstration dans [5], [2].
Dans ces conditions, pour le système initial (3.6), un observateur est donné par :
m −1
X ∂Ψ
x̂˙ = f (x̂) + ui gi (x̂) − (x̂) SΘ−1 C T (h(x̂) − y) (3.14)
i=1
∂x
Remarque 8 La même synthèse d’observateur reste valable pour la classe 1 avec une injection
de sortie, c’est-à-dire concernant le cas où les termes ψ j satisfont la structure triangulaire
suivante :
 
ψ1j (z̃ 1 , z̃ 2 , . . . , z̃ j−1 , y, u)
 

 ψ2j (z̃ 1 , z̃ 2 , . . . , z̃ j−1 , y, z2j , u) 

 .. 
ψ j (z̃ 1 , . . . , z̃ j , y, u) = 
 . 
 (3.15)
 j j j

 ψ 1 2 j−1
 nj −1 (z̃ , z̃ , . . . , z̃ , y, z2 . . . , znj −1 , u)


ψnj j (z̃ 1 , z̃ 2 , . . . , z̃ j−1 , z̃ j , y, u)
43
• Classe 2 : Supposons que les termes ψ j (z, u) satisfont la propriété structurelle suivante :
 
ψ1j (z1j , u)
 

 ψ2j (z1j , z2j , u) 

 .. 
ψ j (z, u) = 
 . 
 (3.16)
 j j j j

 ψ
 nj −1 (z1 , z2 . . . , znj −1 , u)


ψnj j (z, u)
Sous la condition que les termes non linéaires ψ j (z, u) sont globalement lipschitziens, un obser-
vateur exponentiel pour le système (3.10)-(3.16) est de la forme :
ẑ˙ = Aẑ + ψ(ẑ, u) − ∆Θ K(C ẑ − y) (3.17)
où ∆Θ = diag(∆1θδ1 , . . . , ∆pθδp ) avec ∆jθδj = diag(θδj , , . . . , θnj δj ).

K = diag(K1 , . . . , Kp ) où Kj est tel que le spectre de Aj − Kj Cj est à partie réelle négative.
θ est un paramètre constant strictement positif.
δ1 > 0, . . . , δp > 0 sont des entiers naturels satisfaisant l’équation suivante :

 −n δ + n δ < δ
j j i i j
(3.18)
 1 ≤ i, j ≤ p
On trouve les détails de la démonstration dans [5], [2].

Dans ce cas, pour le système initial (3.6), un observateur exponentiel est donné par :
m −1
X ∂Ψ
x̂˙ = f (x̂) + ui gi (x̂) − (x̂) ∆Θ K(h(x̂) − y) (3.19)
i=1
∂x
Pour plus de détails concernant la synthèses d’observateur à grand gain pour les systèmes non
linéaires nous conseillons [2] et [5].
Chapitre 4
Principe de séparation pour une classe

de SNL
4.1 Position du problème

Un observateur s’impose dès lors qu’une partie du vecteur d’état n’est pas mesurable et que la
commande est de type retour d’état. Deux synthèse sont utilisées séparément :
• La synthèse d’une loi de commande par retour d’état permettant la stabilisation du système
à commander indépendamment de l’existence d’un observateur.
• La construction de l’observateur qui est garantie en boucle ouverte.
On entend par principe de séparation l’utilisation séparée d’un observateur d’état et d’une loi
de commande stabilisante. Il consiste à stabiliser un système à l’aide d’une loi de commande
utilisant l’état estimé donné par l’observateur. Notons que contrairement aux systèmes linéaires,
pour lesquels le principe de séparation est satisfait sous l’hypothèse que le système est comman-
dable et observable, le problème de la stabilisation à l’aide d’un estimateur pour les systèmes
non linéaire est très délicat. Il s’agit de savoir si la stabilité du système ainsi bouclé à l’aide de
l’observateur sera préservée. Dans ce paragraphe, nous étudions le problème de la stabilisation
globale d’une classe de systèmes non linéaires MIMO à l’aide d’un observateur d’état (principe
de séparation). Plus précisément, nous nous intéressons à la classe de systèmes complètement
linéarisable et découplé par feedback statique et uniformément observable (observable pour
toute entrée) satisfaisant la conditions globale Lipschitz.
44
45
La figure (4.1) illustre le schéma bloc du principe de séparation.
Figure 4.1 – Schéma du principe de séparation
4.2 Principe de séparation

Nous considérons la classe de système MIMO de la forme suivante :

 ẋ = f (x) + g(x)u
(4.1)
 y = h(x)
où x ∈ Rn est le vecteur d’état, u ∈ Rm est le vecteur d’entrée et y ∈ Rm est le vecteur de

mesures. f , g, h sont supposés de classe C ∞ .
Soit ρi le nombre caractéristique de la sortie yi défini par :
ρi = inf {k ∈ N/∃j ∈ {1, . . . , m}; Lgj Lk−1

f hi ̸= 0}
Soit ∆(x) la matrice de découplage du système (1.1) donnée par :
 
Lg1 Lρf1 −1 h1 . . . Lgm Lρf1 −1 h1
 .. .. 
∆(x) = 
 . . 

ρm −1 ρm −1
Lg1 Lf hm . . . Lgm Lf hm
46
Rappelons (voir [8], [9]) que le système (4.1) est complètement linéarisable et découplé si et
m
X
n
seulement si : ∆(x) est inversible ∀x ∈ R et ρi = n.
i=1
Supposons que le système (4.1) est complètement linéarisable et découplé, et considérons le

changement de coordonnées :
h
1 m T j ρ −1
z = ϕ(x) = [z . . . z ] où z = hj (x) Lf (hj )(x) . . . Lfj (hj )(x) ]T .
Le système (4.1) peut être réécrit sous la forme suivante :

 ż = Az + Φ(z) + Ψ(z)u
(4.2)
 y = Cz
où
 
0 1 0
 ..  ...
 . 
A = diag (A1 . . . Am ) avec Aj =   est une matrice ρj × ρj .
 
..

 . 1 

0 ... ... 0
C = diag (C1 . . . Cm ) avec Cj = (1 0 . . . 0) est une matrice 1 × ρj .
 
  0
Φ1 (z)  .. 
 ..  j
 . 
Φ(z) =   avec Φ (z) =   est une matrice ρj × 1.
 
. 
0
  
m
Φ (z)
 
ρ
Lfj hj (ϕ−1 (z))
 
  0
Ψ1 (z)  .. 
.
 . 
..
 
Ψ(z) =   avec Ψj (z) = 
  est une matrice ρj × m.

0
   
Ψm (z)
 
ρ −1
Lg Lfj hj (ϕ−1 (z))
47
Sous les hypothèses précédentes, le système (4.2) est globalement asymptotiquement stablili-
sable en zc (consigne constante) par le feedback statique :
u(z) = ∆−1 (ϕ−1 (z))[−∆0 (ϕ−1 (z)) − K(z − zc )] (4.3)

h iT
où ∆0 (ϕ−1 (z)) = Lρf1 h1 (ϕ−1 (z)), . . . , Lρfm hm (ϕ−1 (z)) .
K = diag(K1 , . . . , Km ) où les matrices Kj sont telles que le spectre de
Sp(Aj − Bj K̃j ) ⊂ C− = {λ ∈ C / ℜe (λ) < 0}
où ℜe (λ) dénote la partie réelle de λ, Bj = [0 . . . 0 1]T .
Un observateur pour cette classe de systèmes non linéaire (4.2) est de la forme :
ẑ˙ = Aẑ + Φ(ẑ) + Ψ(ẑ)u − ∆θ H̃(C ẑ − y) (4.4)
j
où ∆θ = diag(∆1θ , . . . , ∆m ρj
θ ), avec ∆θ = diag(θ, . . . , θ ) est une matrice diagonale de type ρj ×ρj
et θ > 0 est un paramètre qui peut être choisi suffisement grand.

H̃ = diag(H̃1 , . . . , H̃m ), avec les matrices H̃j sont telles que Sp (Aj − H̃j Cj ) ⊂ C− .
Considérons alors le système augmenté suivant :



 ż = Az + Φ(z) + Ψ(z)u(ẑ)
ẑ˙ = Aẑ + Φ(ẑ) + Ψ(ẑ)u(ẑ) − ∆θ H̃(C ẑ − y) (4.5)


u(ẑ) = ∆−1 (ϕ−1 (ẑ))[−∆0 (ϕ−1 (ẑ)) − K(ẑ − zc )]

Notons que l’étude de la stabilité du système (4.5) est équivalente à celle du système suivant :

 ẑ˙ = Aẑ + Φ(ẑ) + Ψ(ẑ)u(ẑ) − ∆ H̃Cϵ
θ
(4.6)
 ϵ̇ = (A − ∆θ H̃C)ϵ + (Φ(ẑ) − Φ(ẑ − ϵ)) + (Ψ(ẑ) − Φ(ẑ − ϵ))u(ẑ)
Théorème 11 Sous les hypothèses précédentes, le systèmes (4.6) est globalement asymptoti-
quement stable.
Bibliographie
[1] P. Borne, G. Dauphin-Tanguy, J.P. Richard, F. Rotella, I. Zambettakis.

— Analyse et régulation des processus industriels
Tome 1 : Régulation continue & Tome 2 : Régulation numérique.
— Modélisation et identification des processus Tome 1 & Tome 2.
— Commande et optimisation des processus.
[2] A. J. Fossard & Normand-Cyrot : Systèmes non linéaires.

— Tome 1 : Modélisation-Estimation.
— Tome 2 : Stabilité et stabilisation.
— Tome 3 : Commande.
[3] J. P.Corriot
— Commande des Procédés.
— Automatique et procédés chimiques. Modélisation, estimation, cristallisoirs.
— Commande de procédés chimiques. Réacteurs et colonnes de distillation.
[4] J. P. Caron & J. P. Hautier : Modélisation et commande de la machine asynchrone.
[5] F. Lamnabhi-Lagarrigue & P. Rouchon : Systèmes non linéaires. Paris, Hermès Science
Publications, 2002.
[6] E. Dombre, W. Khalil : Modélisation et commande des robots.
[7] C. Canudas de Wit, B. Siciliano and G. Bastin : Theory of Robot Control.
[8] A. Isidori : Nonlinear control systems. Springer-Verlag, New York, 1989.
[9] H. Nijmeijer, A. Van der Schaft : Nonlinear dynamical control systems, Springer-Verlag,
Berlin, 1990.
48
49
[10] J. P. Gauthier, H. Hammouri, S. Othman. A Simple observer for nonlinear systems -

application ta a biorcactor. IEEE Transaction on Automatic Control. Vol. 37, n 6, p.
875 − 880. 1992.

Poly CMSNL 3gecapi 2023 2024

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

Poly CMSNL 3gecapi 2023 2024

Transféré par

Droits d'auteur :

Formats disponibles

Ecole Nationale Supérieure d’Electricité et de Mécanique - ENSEM

Université Hassan II de Casablanca

Commande Multivariable des Systèmes

3ème Année Filière GECAPI

Année Universitaire 2023-2024

I Systèmes Non Linéaires à Temps Continus 9

1 Généralités sur la structure des systèmes linéaires (SL) 10

2 Commande des systèmes non linéaires (SNL) 21

3 Observabilité et observateurs des SNL 35

4 Principe de séparation pour une classe de SNL 44

Dans le domaine du contrôle de procédés industriels, la modélisation dynamique ou représentation

Figure 1 – Schéma fonctionnel d’un procédé

Objectifs des systèmes de contrôle

Différents problèmes à traiter pour l’élaboration d’une commande dans l’espace

• Instrumentation : capteurs rapides et précis & actionneurs rapides.

Différents domaines industriels concernés

Intérêt de la modélisation : La figure 2 suivante montre les différents domaines d’application

Figure 2 – Différents domaines d’application de la modélisation

Implantation (réalisation technologique) : La figure 3, illustre le principe de la réalisation en

Figure 3 – Implantation de la commande multivariable dans l’espace d’état.

Systèmes Non Linéaires à Temps

Généralités sur la structure des

1.1 Commandabilité et Observabilité des SL

où A, B et C sont des matrices quelconques.

Les solutions de l’équation différentielle du système (1.1) sont de la forme :

La sortie du système (1.1) est donnée par :

1.1.1 Commandabilité des SL

Autrement, le système (1.1) est complètement commandable si :

Théorème 1 Critère de commandabilité : Critère de Kalman

La matrice [B AB . . . An−1 ] s’appelle la matrice de commandabilité du système (1.1).

1.1.2 Observabilité des SL

Autrement, le système (1.1) est complètement observable si :

On dit que u distingue x et x̄.

Théorème 2 Critère d’observabilité : Critère de Kalman

Le système (1.1) est complètement observable si et seulement si :

La matrice [C CA . . . CAn−1 ]T s’appelle la matrice d’observabilité du système (1.1).

1.2 Commande multivariable des SL

1.2.1 Commande par retour d’état statique

où A, B et C sont des matrices quelconques.

K est une matrice constante de dimension (m × n) et uc désigne une consigne constante.

L’équation d’état du système (1.2) en boucle fermé (BF) s’écrit :

La stabilité asymptotique du système (1.2) bouclé (x(t) −→ 0 qd t −→ ∞) consiste à choisir

1.2.2 Découplage par retour d’état statique

Théorème 3 Le système (1.3) est à sortie commandable si et seulement si :

rang[CB CAB . . . CAn−1 B] = m

(m étant la dimension de l’espace des sorties y ∈ Rm ).

Problème de découplage par retour d’état statique

Définition 4 Nombre caractéristique de la sortie yj

ρj = inf{k ∈ N /Cj Ak−1 B ̸= 0}

Cj désigne la j ième ligne de C,

Définition 5 Matrice de découplage du système (1.3)

avec A∗ = [C1 Aρ1 . . . Cm Aρm ]T

pour lequel Cj Aρj −1 B ̸= 0. ρj nombre caractéristique de la sortie yj .

Ecriture sous forme matricielle : j = 1, . . . , m

Ainsi, on détermine les matrices α et β :

Remarque 1 Cette commande réalise un changement de variable (difféomorphisme) et partage

Après transformation & bouclage, on a :

La représentation d’état du système (1.3), après transformation & bouclage s’écrit :

Changement de coordonnées : ξ = [z η]T

La représentation d’état du système (1.3), après transformation & bouclage s’écrit :

Dynamique des zéros : η̇ = N η

1) Stabilisation en zc : consigne constante

Vj = −Kj z j + Vjc ; Kj / (Aj − Bj Kj ) stable.