SNL Cours

Module : systèmes non linéaires
Ahmed MAIDI (UMMTO)
Master académique (AS et AII)
ahmed.maidi@gmail.com
30 août 2020
Ahmed MAIDI (UMMTO) Chapitre 1. Généralités sur les systèmes 30 août 2020 1 / 29
Chapitre 1. Généralités sur les systèmes non linéaires
1 Notion de système dynamique
2 Définition d’un système non linéaire
3 Notion de modèle mathématique
4 Représentation d’un système non linéaire
5 Sources des non linéarités
6 Conditions d’existence de la solution
7 Points d’équilibre
8 Notion du point d’équilibre
9 Linéarisation autour d’un point d’équilibre
Notion de système dynamique
Les variables caractéristiques d’un système dynamique sont :
Commandes : variables à manipuler pour changer le comportement

dynamique du système.
Sorties : variables à commander pour leurs imposer un certain
comportement désirées (stabilité et performances).
Perturbations : variables aléatoires qui perturbent le fonctionnement
correct du système.
États : variables internes du système.
Définition d’un système non linéaire
Rappel sur les équations différentielles ordinaires
Équation différentielle ordinaire : établit une relation entre la variable

indépendante t, la variable dépendante (fonction inconnue) x(t) et ses
dérivées xÛ (t), xÜ (t), . . ., x(n) (t).
Symboliquement

F t, xÛ (t), xÜ (t), . . . , x(n) (t) = 0 (1)
ou
dx(t) d2 x(t) dx(n) (t)

F t, , , . . ., =0 (2)
dt dt2 dtn
L’ordre de l’équation différentielle ordinaire est l’ordre de la dérivée la plus
élevée contenue dans cette équation.
Deux classes des équations différentielles ordinaires : équations linéaires
et non linéaires.
Une équation différentielle est linéaire si :

1. le degré de la variable dépendante et de chaque dérivée contenue dans
cette équation est égale à 1,
2. le coefficient de la variable dépendante et les coefficients des dérivées
contenues dans cette équation sont constants ou des fonctions de la
variable indépendante t.
Si une de ces deux conditions n’est pas vérifiée, l’équation différentielle
ordinaire est non linéaire.
Ordre et degré d’une dérivée
5
d(3) x(t)

(3)
dt3
degré : 5.
ordre : 3.
Exemple : classification des équations différentielles ordinaires

Classer les équations différentielles suivantes :
dx(2) (t) dx(t)
1
2
+ 2t + x2 (t) = 0.
dt dt
dx(2) (t) dx(t)
2
2
+ 5 x(t) + x(t) = 0.
dt dt
dx(2) (t) dx(t)
3 + 3 sin(t)3 + x(t) = 0.
dt2 dt
(3) 2
dx (t) dx(t)
4 + + x(t) = 0.
dt3 dt
Exemple : classification des équations différentielles ordinaires

dx(2) (t) dx(t)
1 + 2t + x2 (t) = 0 (non linéaire, le degré de la variable x(t)
dt2 dt
est 2)
dx(2) (t) dx(t)
2
2
+ 5 x(t) + x(t) = 0 (non linéaire, le coefficient de la dérivée
dt dt
d’ordre 1 dépend de la variable dépendante x(t))
dx(2) (t) dx(t)
3 + 3 sin(t)3 + x(t) = 0 (linéaire)
dt2 dt
(3) 2
dx (t) dx(t)
4
3
+ + x(t) = 0 (non linéaire, le degré de la dérivée
dt dt
d’ordre 3 x(t) est 2)
Les termes encadrés sont les termes non linéaires (voir la définition d’une
équation différentielle linéaire ).
Notion de modèle mathématique
Utilité d’un modèle mathématique

étudier la dynamique du système,
concevoir un système de commande.
Obtention d’un modèle mathématique

1 Modélisation mathématique : Écriture des lois physiques régissant les
différents phénomènes physiques du système.
2 Modélisation expérimentale (identification) : Le principe consiste à utiliser
des mesures pour déterminer le modèle.
Système non linéaire

Un système est non linéaire si son comportement dynamique est décrits
par une équation différentielle non linéaire.
Un système est linéaire s’il vérifie l’hypothèse de linéarité, c’est-à-dire le
principe de superposition (propriétés d’additivité et d’homogénéité).
Principe de superposition : propriété d’additivité

La réponse y(t) d’un système linéaire à une entrée u(t) composée de la
combinaison linéaire de plusieurs entrées
q
Õ
u(t) = αk uk (t) (4)
k=1
est la somme des réponses élémentaires yk (t) à chacune des entrées

individuelles
q
Õ
y(t) = αk yk (t) (5)
k=1
Principe de superposition : propriété d’homogénéité

Pour une entrée α u(t), la sortie est donnée par α y(t).
Cas d’un système non linéaire

Un système non linéaire ne vérifie pas le principe de superposition.
Exemple : application du principe de superposition

Considérons le système dynamique décrits par l’équation différentielle suivante
d2 y(t) dy(t)
2
+ 3 sin3 (t) + y(t) = 2 u(t) (6)
dt dt
Soit y1 (t) et y2 (t) les sorties obtenues en appliquant respectivement les
commandes u1 (t) et u2 (t), alors on a :
d2 y1 (t) dy1 (t)

2
+ 3 sin3 (t) + y1 (t) = 2 u1 (t) (7)
dt dt
d2 y2 (t) dy2 (t)
2
+ 3 sin3 (t) + y2 (t) = 2 u2 (t) (8)
dt dt
Exemple : Application du principe de supperposition

La somme des deux équations donne :
d2 y1 (t) dy1 (t) d2 y2 (t) dy2 (t)

2
+ 3 sin3 (t) + y1 (t) + + 3 sin3 (t) + y2 (t) = 2 u1 (t) + 2 u2 (t) (9)
dt dt dt dt2
qu’on peut arranger comme suit :
d2 y1 (t) d2 y2 (t) dy1 (t) dy2 (t)

+ + 3 sin3 (t) + 3 sin3 (t) + y1 (t) + y2 (t) = 2 u1 (t) + 2 u2 (t) (10)
dt2 dt dt dt
d2 (y1 (t) + y2 (t)) d(y1 (t) + y2 (t))
+ 3 sin3 (t) + y1 (t) + y2 (t) = 2 (u1 (t) + u2 (t)) (11)
dt2 dt
Les commande u(t) = u1 (t) + u2 (t) produit la sortie y(t) = y1 (t) + y2 (t). Le
principe de superposition est vérifié. Le système est linéaire.
Représentation d’un système non linéaire
Représentation d’état
xÛ (t) = f (x(t), u(t), t) (Equation d’état) (12)

y(t) = h(x(t), u(t), t) (Equation de sortie) (13)
 x1 (t)   u1 (t)   y1 (t) 

x(t) =  ... u(t) =  ... y(t) =  ...
     
, ,
     
 (14)
     
 xn (t)   um (t)   yr (t) 
     
x ∈ <n : vecteur d’état,

u ∈ <m : vecteur de commande,
y ∈ <r : vecteur de sortie,
f : <n × <m × <+ → <n et h : <n × <m × <+ → <r : fonctions
vectorielles non linéaires.
 f1 (x(t), u(t), t)   h1 (x(t), u(t), t) 
   
 f2 (x(t), u(t), t)   h2 (x(t), u(t), t) 
f = .. , h=  ..
   
(15)
. .

   
   
 fn (x(t), u(t), t)   hr (x(t), u(t), t) 
   
Système affine en l’entrée  g11 (x(t)) . . . g1m (x(t)) 

 g21 (x(t)) . . .
 
g2m (x(t))
xÛ (t) = f (x(t)) + g(x(t)) u(t)

g(x(t)) =  .. ..
 
. ... .

y(t) = h(x(t))
 
 gn1 (x(t)) . . .
 
 gnm (x(t)) 
Système bilinéaire :
f (x(t)) = A(t) x(t) E(t) ∈ <1×m
g(x(t)) = x(t) E(t)
Système libre (non forcé) : pas de u(t) dans la fonction f .
xÛ (t) = f (x(t), t) (16)
Système autonome : pas de t dans la fonction f
xÛ (t) = f (x(t), u(t)) (17)
Système linéaire :
xÛ (t) = A(t) x(t) + B(t) u(t) (18)

y(t) = C(t) x(t) + D(t) x(t) (19)
A ∈ <n×n : matrice d’état. B ∈ <n×m : matrice de commande.
C ∈ <r×n : matrice de sortie. D ∈ <r×m : matrice de transmission directe.
Sources des non linéarités
Phénomènes physiques non linéaires (réaction chimique, mouvement
d’un fluide),
Éléments dont la caractéristique entrée/sortie est non linéaire (relais,
diode, vanne).
Non linéarités de base

y(t) y(t) y(t)
u(t) u(t) u(t)
1)- Courbure. 2)- Saturation. 3)- Seuil.

y(t) y(t)
u(t) u(t)
4)- Hystérésis (jeu). 5)- Relais (Commutateur tout-ou-rien).
Figure 1 – Exemples de non linéarités de base.

Sources des non linéarités
Non linéarités combinées

y(t) y(t) y(t)
u(t) u(t) u(t)
1)- Courbure avec hystérésis. 2)- Relais avec seuil. 3)- Seuil avec saturation.
y(t) y(t)
u(t) u(t)
4)- Relais avec seuil et hystŕésis. 5)- Relais avec hystérésis.
Figure 2 – Exemples de non linéarités combinées.
Conditions d’existence de la solution
Existence de la solution
On suppose que la fonction f (x(t), t) est
1 continue par rapport à ses deux variables ;
2 lipschitzienne par rapport à sa première variable x(t), c’est-à-dire qu’il
existe une constante positive L (appelée constante de Lipschitz) telle que
kf (x(t), t) − f (z(t), t)k ≤ Lkx(t) − z(t)k, ∀t ∈ D, ∀x, z ∈ <n, (20)
Dans ce cas, la solution x(t) du problème de Cauchy existe, est unique et

appartient à C1 (D).
La vérification de l’existence de la solution est importante comme phase de

validation. Puisque avant d’étudier ou concevoir une loi de commande, on doit
être sûr qu’on a un problème bien posé.
Conditions d’existence de la solution
Exemple : fonction lipschitzienne

Fonction : f (x) = x2 , x ∈ D = [0, 2].
Démonstration :
kf (x) − f (z)k = kx2 − z2 k = |x2 − z2 | (21)

|x − z | = |(x + z) (x − z)|
2 2
(22)
= |(x + z)| |(x − z)| (23)
Comme x ∈ D = [0, 2], alors max |x + z| = 4
kf (x) − f (z)k ≤ 4 |(x − z)| (24)

kf (x) − f (z)k ≤ 4 k(x − z)k (25)
Constante de Lipschitz L = 4.
Points d’équilibre
Le concept le plus important en analyse des systèmes non linéaires est celui
du point d’équilibre.
Point d’équilibre
Un point x = xe dans l’espace d’état est un point d’équilibre pour le système
non linéaire autonome suivant :
xÛ (t) = f (x(t)) (26)
si pour x(t0 ) = xe on a x(t) = xe, ∀t > t0 .
D’après la définition, les points d’équilibres du système (26) sont les racines
réelles de l’équation f (xe ) = 0, c’est-à-dire xe ∈ <n . En effet, si
dx(t))
xÛ (t) = = f (xe ) = 0 (27)
dt
on déduit que le point xe est constant, par conséquent d’après la définition, xe
est un point d’équilibre.
Points d’équilibre
Exemple : points d’équilibre

Déterminer les points d’équilibre du système suivant :
xÛ (t) = r + x2 (t), r∈< (28)
Pour déterminer les points d’équilibre, on résout l’équation algébrique

suivante :
xÛ (t) = 0 ⇒ f (xe ) = r + xe2 = 0 (29)
On les trois cas suivant :

√ √
Si r < 0, on a deux points d’équilibre xe = − r et xe = + r.
Si r = 0, on a un point d’équilibre xe = 0.
Si r > 0, pas de points d’équilibre (rappelons que xe doit être un nombre
réel).
Linéarisation autour d’un point d’équilibre
Considérons un point d’équilibre xe , ue et ye et introduisons les variables
d’écarts suivantes :
∆x = x − xe (30)
∆u = u − ue (31)
∆y = y − ye (32)
Le modèle linéaire approximant le système non linéaire autonome
xÛ (t) = f (x(t), u(t)) (33)
y(t) = h(x(t), u(t)) (34)
pour des petites variations autour du point d’équilibre est donnée comme suit :
∆Ûx(t) = A ∆x(t) + B ∆u(t) (35)
∆y(t) = C ∆x(t) + D ∆u(t) (36)
où
A = ∇x f | x=xe, u=ue , B = ∇x f | x=xe, u=ue , C = ∇u h| x=xe, u=ue , D = ∇x h| x=xe, u=ue
Ahmed MAIDI (UMMTO) Chapitre 1. Généralités sur les systèmes 30 août 2020
(37)
21 / 29
 ∂f1 ∂f1 ∂f1   ∂f1 ∂f1 ∂f1 

··· ···
∂x1 ∂x2 ∂xn ∂u1 ∂u2 ∂um
   
   
∂f2 ∂f2 ∂f2 ∂f2 ∂f2 ∂f2
   
··· ···
   
∇x f =  ∂x1 ∂x2 ∂xn , ∇u f =  ∂u1 ∂u2 ∂um
   
.. .. .. .. .. ..

..  .. 
 . . . .   . . . . 
∂fn ∂fn ∂fn ∂fn ∂fn ∂fn
   
   
 ···   ··· 

 ∂x1 ∂x2 ∂xn 


 ∂u1 ∂u2 ∂um 

(38)
 ∂h1 ∂h1 ∂h1   ∂h1 ∂h1 ∂h1 

··· ···
∂x1 ∂x2 ∂xn ∂h1 ∂u2 ∂um
   
   
∂h2 ∂h2 ∂h2 ∂h2 ∂h2 ∂h2
   
··· ···
   
∇x h =  ∂x1 ∂x2 ∂xn , ∇u h =  ∂u1 ∂u2 ∂um
   
.. .. .. .. .. ..

..  .. 
 . . . .   . . . . 
∂hr ∂hr ∂hr ∂hr ∂hr ∂hr
   
   
 ···   ··· 

 ∂x1 ∂x2 ∂xn 


 ∂u1 ∂u2 ∂um 

Ahmed MAIDI (UMMTO) Chapitre 1. Généralités sur les systèmes 30 août 2020 (39)
22 / 29
Linéarisation : exemple d’application

Linéariser le système suivant
xÛ 1 (t) = x1 (t) + x22 (t) + x1 (t)u(t) ⇒ f1 = x1 (t) + x22 (t) + x1 (t)u(t) (40)
xÛ 2 (t) = x1 (t) + x2 (t) ⇒ f2 = x1 (t) + x2 (t) (41)
y(t) = x1 (t) x2 (t) ⇒ h1 = h = x1 (t) x2 (t) (42)
autour du point d’équilibre x1e = −3, x1e = 3, ue = 2 et ye = −3.
 ∂f1 ∂f1 
1 + u(t) 2 x2 (t) 1+2 2×3

∂x1 ∂x2
 
∇x f =  = ⇒ A=
 
 ∂f2 ∂f2  1 1 1 1
∂x1 ∂x2
 
 
 ∂f1 
∂u x1 (t) −3
 
∇u f =  = ⇒ B=
 
 ∂f2 
 0 0
∂u
 
 
Linéarisation : exemple d’application
∂h1 ∂h1

∇x h = = x2 (t) x1 (t) ⇒ C = 3 −3

(43)
∂x1 ∂x2
∂h1

∇u h = = [0] ⇒ D = [0] (44)
∂x1
Le modèle linéaire est :

3 6 −3
∆Ûx(t) = ∆x(t) + ∆u(t) (45)
1 1 0
∆y(t) = 3 −3 ∆x(t)

(46)
Exercices
Exo. 1 Considérons le système hydraulique (bac de stockage) de la Figure 3.
Qe (t)
h(t)
θ Qs (t)
2r
Figure 3 – Bac de stockage.
Exercices
Le bac est alimenté par le débit Qe (t) pour avoir en sortie un débit Qs (t) qu’on
suppose proportionnel à la hauteur h(t) du fluide dans le bac, c’est-à-dire
Qs (t) = α h(t). En utilisant le bilan de matière, déterminer le modèle
mathématique du bac.
2r
Le volume d’un cône d’une

hauteur l et d’une base (disque)
de rayon r (Figure 4) est donné
l
par la formule suivante :
π 2
V= r l
3
Figure 4 – Cône.
Exercices
Exo. 2 Considérons le circuit électronique de la Figure 6. Le circuit est
constitué d’une source d’alimentation en tension U , d’une résistance R, d’une
inductance L, d’un condensateur C et d’une diode. La caractéristique
ID = Φ(VD ) de la diode est donnée par la Figure 5. On demande de préciser le
type de la caractéristique de la diode et de déterminer le modèle
mathématique du circuit.
L
R
+
VC −+ C −
VD
+
U −
Figure 5 – Circuit électronique.
Exercices
1.0
0.8
0.6
ID [mA]
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0

VD [V]
Figure 6 – Caractéristique de la diode ID = Φ(VD ).
Exo. 3 Démontrer que la fonction f (x1, x2 ) est lipschitzienne pour

(x1, x2 ) ∈ [−2, 2] × [−2, 2].
−x1 + x1 x2

f (x1, x2 ) = (47)
x2 − x1 x2
Exercices
Inégalité de Young
Soit p ∈ [1, ∞) et 1/p + 1/q = 1, si a > 0 et b > 0 alors on a l’inégalité
suivante :
ap bq
ab ≤ + (48)
p q
Exo. 4 Soit le système non linéaire non forcé

xÛ 1 (t) = −x2 (t) − µ x1 (t) x12 (t) + x22 (t) (49)

xÛ 2 (t) = x1 (t) − µ x2 (t) x12 (t) + x22 (t) (50)
y1 (t) = x1 (t) + x2 (t) (51)

y2 (t) = 2 x12 (t) + x1 (t) (52)
Linéariser le système autour de ses points d’équilibre.
Ahmed MAIDI (UMMTO)
2 mai 2020
Ahmed MAIDI (UMMTO) Chapitre 1. Méthode du plan de phase 2 mai 2020 1 / 35

Chapitre 2. Méthode du plan de phase
1 Définitions générales
2 Construction pratiques des trajectoires de phase
3 Cycles limites
4 Solution numérique d’un modèle mathématique
5 Exercices

Définitions générales
La méthode du plan de phase est une technique graphique utilisée pour l’étude
des systèmes non linéaires et la conception des correcteurs. Cette méthode
est limitée aux systèmes non linéaires dont la dynamique est décrite par une
équation différentielle ordinaire du second ordre. Notons que la plupart des
systèmes dynamiques peuvent être modélisés par des équations de second
ordre. La méthode du plan de phase permet d’examiner graphiquement
l’évolution de la solution de l’équation différentielle pour comprendre le
comportement du système et tirer une conclusion sur la stabilité.
Le principe de la méthode du plan de phase, introduite par Henri Poincaré,

consiste à générer dans l’espace d’état d’un système dynamique du second
ordre, appelé plan de phase, les trajectoires (solutions des équations
différentielles ordinaires) du mouvement obtenues pour différentes conditions
initiales et d’en examiner les caractéristiques qualitatives.

On considère le système non linéaire autonome non forcé décrit par le modèle
d’état :
xÛ 1 (t) = f1 (x1 (t), x2 (t)) (1)
xÛ 2 (t) = f2 (x1 (t), x2 (t)) (2)
avec la condition initiale
x1 (0)
x(0) = (3)
x2 (0)
Plan de phase
Le plan Ox1 x2 est appelé plan de phase.
On suppose que la fonction vectorielle

f1 (x1 (t), x2 (t))
f (x1 (t), x2 (t)) = (4)
f2 (x1 (t), x2 (t))
vérifie les conditions d’existence de la solution (voir le chapitre 1). Dans ce
cas, pour une condition donnée x(0), on obtient une solution x(t).
Trajectoire de phase
La représentation de la solution x(t), quant t varie de 0 à +∞, par une courbe
paramétrée par t dans le plan de phase appelé trajectoire de phase.
Exemple : Trajectoire de phase

Soit le système linéaire suivant :
xÛ 1 (t) = −x1 (t)

2
, x(0) = (5)
xÛ 2 (t) = −2 x2 (t) 4
La solution x(t) est donnée comme suit : x1 (t) = 2 e−t et x2 (t) = 4 e−2 t . Pour
tracer la trajectoire de phase dans le plan Ox1 x2 , on a :
2
2 ©1
x2 (t) = 4 e−t ⇒ x2 (t) = 4 2 e−t ® ⇒ x2 = x2
ª
2 |{z}® 1 (6)
« x1 (t) ¬
Exemple : Trajectoire de phase
x2
L’allure de la trajectoire est 4
donnée par la Figure 1. Les 3

points vert et jaune désignent
respectivement la condition 2
initiale x(0) et le point

1
d’équilibre. La flèche rouge
indique le sens d’évolution de la O
1 2 3
trajectoire. x1
Figure 1 – Trajectoire de phase.

Portrait de phase
L’ensemble des trajectoires de phase pour différentes conditions initiales est
appelé portrait de phase.
Exemple : Portrait de phase
x2
Le portrait de phase de 2
l’exemple précédent obtenues 1
en considérant 4 conditions −3 −2 −1
O
1 2 3
x1
−1
initiales est donné par la
−2
Figure 2.
−3
Figure 2 – Portrait de phase.

Construction pratiques des trajectoires de phase
La construction d’un portrait de phase pour un système dynamique de second

ordre revient à tracer les trajectoires en considérant un grand nombre de
conditions initiales. Les méthodes utilisées pour la construction d’un portrait de
phase sont :
1 Méthode analytique : elle est basée sur l’utilisation de la solution

analytique x(t) des équations différentielles ordinaires régissant la
dynamique du système. L’application de la méthode reste limitée car elle
est conditionné par la détermination de la solution analytique, ce qui n’est
pas toujours possible.
2 Méthode des isoclines : c’est une méthode purement graphique qu’on
peut utiliser même pour les systèmes dont la solution analytique est
impossible à déterminer.

Méthode analytique
Il existe deux techniques qu’on peut utiliser pour construire le portrait de phase
d’un système.
1 Élimination du temps explicitement : on résout analytiquement les
équations du modèle pour déterminer les solutions x1 (t) et x2 (t). Puis, on
élimine la variable temps pour déterminer l’équation de la trajectoire dans
le plan de phase sous la forme :
ψ(x1, x2 ) = 0 (7)
Dans l’exemple précédent, on a appliqué cette méthode et on a obtenu

ψ(x1, x2 ) = x2 − x12 , par conséquent l’équation de la trajectoire est
x2 − x12 = 0.
2 Élimination du temps implicitement : on élimine directement le temps en
posant :
dx2 f2 (x1, x2 ))
= (8)
dx1 f1 (x1, x2 )
Méthode analytique
Puis, on résout cette équation différentielle pour obtenir l’équation de la

trajectoire ψ(x1, x2 ) = 0.
Example : Deuxième techique

Pour l’exemple précédent, il vient :
dx2 2 x2 dx2 dx1

= ⇒ =2 (9)
dx1 x1 x2 x1
En intégrant l’équation différentielle, on obtient :
ln |x2 | = 2 ln |x1 | + ln |c| ⇒ ln |x2 | = ln |x12 | + ln |c| ⇒ ln |x2 | = ln |c x12 | (10)
Ce qui donne la solution x2 = c x12 . En imposant la condition initiale,

c’est-à-dire x2 (0) = c x12 (0) ce qui donne 4 = c 22 , on obtient c = 1. Par
conséquent, l’équation pour la trajectoire de phase ψ(x1, x2 ) = x2 − x12 = 0.

Méthode analytique
La méthode analytique peut être appliquée pour les systèmes dont les
équations du modèle sont faciles à résoudre analytiquement en utilisant les
deux techniques présentées. Cette méthode peut être appliquée par exemple
pour représenter le portrait d’un système linéaire.
Considérons le système linéaire autonome non forcé suivant :
xÛ (t) = A x(t), A ∈ <2×2 (11)
Ce système admet un seul point d’équilibre qui est l’origine du plan de phase.
La solution analytique de cette équation est donnée comme suit :
x(t) = Φ(t) x(0) (12)
Avec Φ(t) = L−1 (s I2×2 − A)−1 (s est la variable de Laplace, I2×2 est une

matrice identité de dimension 2 × 2 et L−1 désigne la transformée de Laplace

inverse).
Méthode analytique
La solution x(t) dépend de la nature des valeurs propres λ1 et λ2 de la matrice

d’état A. En somme, on a les cas possible suivants :
cas 1 : λ1 et λ2 sont réelles, négatives et distinctes (λ1 < 0, λ2 < 0 et

λ1 , λ2 ). Le point d’équilibre est un nœud stable (Figure 3).
cas 2 : λ1 et λ2 sont réelles, positives et distinctes (λ1 > 0, λ2 > 0 et
λ1 , λ2 ). Le point d’équilibre est un nœud instable (Figure 4).
cas 3 : λ1 et λ2 sont complexes avec une partie réelle négative
(λ1 = α + j β et λ2 = α − j β avec α < 0 ). Le point d’équilibre est un
foyer stable (Figure 5).
cas 4 : λ1 et λ2 sont complexes avec une partie réelle positive
(λ1 = α + j β et λ2 = α − j β avec α > 0 ). Le point d’équilibre est un
foyer instable (Figure 6).

Méthode analytique
cas 5 : λ1 et λ2 sont réelles et de signe contraires (λ1 < 0 et λ2 > 0 ou

λ1 > 0 et λ2 < 0 ). Le point d’équilibre est appelé col ou selle. C’est un
point d’équilibre instable (Figure 7).
cas 6 : λ1 et λ2 sont des nombres imaginaires purs (λ1 = j β et λ2 = −j β
avec α > 0 ). Le point d’équilibre est un appelé centre (Figure 8).
Les portraits de phase correspondant aux différents points d’équilibre sont
données par les figures ci-après.
Application aux systèmes non linéaires

Le comportement qualitatif d’un système non linéaire au voisinage d’un point
d’équilibre peut être déterminé par linéarisation autour de ce point et on parle
d’un comportement local, c’est-à-dire les conclusions sont valides localement.

Méthode analytique
3
2
2
1
1
x2
x2
0 0
−1
−1
−2
−2
−3
−3 −2 −1 0 1 2 3 −1.5 −1.0 −0.5 0.0 0.5 1.0 1.5
x1 x1
Figure 3 – Noeud stable. Figure 4 – Noeud instable.

Méthode analytique
3 3
2 2
1 1
x2
x2
0 0
−1 −1
−2 −2
−3 −3
−3 −2 −1 0 1 2 3 −3 −2 −1 0 1 2 3
x1 x1
Figure 5 – Foyer stable. Figure 6 – Foyer instable.

Méthode analytique
6
4
4
2
2
x2
x2
0 0
−2
−2
−4
−4
−6
−20 −10 0 10 20 −3 −2 −1 0 1 2 3
x1 x1
Figure 7 – Col ou selle. Figure 8 – Centre.

Méthode des isoclines
L’équation suivante
dx2 f2 (x1, x2 )
= (13)
dx1 f1 (x1, x2 )
détermine pour tout point M du plan de phase, de coordonnées x1∗ et x2∗ , une
dx2
valeur de la dérivée , c’est-à-dire le coefficient angulaire de la tangente à la
dx1
trajectoire de phase passant par le point M (voir la Figure 9). Par conséquent
l’équation (13) définit un ensemble de directions ou, comme on dit, un champ
de directions dans le plan de phase Ox1 x2 .
Du point de vue géométrique, l’intégration d’une équation différentielle

(détermination de la solution) consiste à trouver les courbes dont la tangente
en chaque point est confondue avec la direction du champ en ce point.

x2
x∗2 M
x1
x∗1
Figure 9 – Tangente à la trajectoire de phase passant par le point M .

Définition d’une isocline

On appelle isocline de l’équation différentielle (13) le lieu géométrique des
points vérifiant la relation
dx2 f2 (x1, x2 )
C= = (14)
dx1 f1 (x1, x2 )
D’après la définition, pour chaque constante C correspond une isocline dont

l’équation est :
s(x1, x2 ) = C f1 (x1, x2 ) − f2 (x1, x2 ) = 0 (15)
Une fois la famille des isoclines, obtenues pour différentes valeurs de C, est
construite, nous pouvons représenter approximativement la famille des
trajectoires de phase. Les isoclines permettent de définir l’allure des
trajectoires de phase dans le plan de phase.

Pour construire le portrait de phase en utilisant la méthode des isoclines, on

suit les étapes suivantes :
Étape 1 : pour chaque valeur de C, on trace la courbe isocline dans le
plan de phase,
Étape 2 : tracer le long de la courbe isocline de courts segments de
droite de pente C (les segments sont parallèles et leur direction est
déterminée par le signe de f1 (x) et f2 (x)).
Étape 3 : à partir de la condition initiale x(0), on construit la trajectoire de
phase partant de x(0) en reliant les segments entre eux.
Remarques :
Les étape 1 et 2 sont à répéter pour plusieurs valeurs de C pour remplir
le plan de phase d’isoclines,
L’étape 3 est à répéter pour plusieurs conditions initiales pour représenter
le portrait de phase (remplir le plan de phase de trajectoires de phase).
Exemple : Construction du portrait de phase

Considérons l’exemple précédent.
Étape 1 : l’équation de l’isocline est obtenue comme suit :
dx2 f1 (x1, x2 ) 2 x2 C
C= = = ⇒ x2 = x1 (16)
dx1 f1 (x1, x2 ) x1 2
On remarque que les isoclines sont des droites de pente C/2 passant par
l’origine.
L’isocline correspondante pour C = 2 est donnée par la Figure 10.


x2
O
−3 −2 −1 1 2 3
−1
x1
−2
−3
Figure 10 – Courbe isocline avec C = 2.


Étape 2 : on trace le long de la courbe isocline de courts segments de
droite de pente C. On suppose que M est un point de l’isocline de
coordonnées x1∗ et x2∗ . Ainsi, l’équation d’un segment est donnée comme
suit :
x2 = C (x1 − x1∗ ) + x2∗ (17)
Ainsi, pour chaque point M , le segment est obtenu en traçant la droite

(17) pour x1 ∈ [x1∗ − ∆x1, x1∗ + ∆x1 ]. Le petit segment correspondant au
point M de cordonnées x1∗ = 2 et x2∗ = 2 obtenu avec un ∆x1 = 0.125 est
donné par la Figure 11. Une fois cette étape est répétée plusieurs fois, on
obtient la Figure 12.


x2
M
2
O
−3 −2 −1 1 2 3
−1
x1
−2
−3
Figure 11 – Segment au point M .


x2
O
−3 −2 −1 1 2 3
−1
x1
−2
−3
Figure 12 – Isocline avec segments.


En répétant les deux étapes précédentes pour plusieurs valeurs de C, on
obtient les différentes isoclines avec leurs segments qui remplissent le plan de
phase (Figure 13).
x2
O
−3 −2 −1 1 2 3
x1
−1
−2
−3
Figure 13 – Isoclines avec segments.

Exemple : construction du portrait de phase

Étape 3 : à partir de la condition initiale x(0) = [−1.125, 1.265625]T , on
construit la trajectoire de phase partant de x(0) et reliant les segments
entre eux (voir la Figure 14).
En répétant l’étape 3 pour plusieurs conditions initiales, on obtient le
portrait de phase correspondant à un nœud stable (voir Figure 3).
Notons que au point x(0) = [−1.125, 1.265625]T , on a le champ de

direction suivant :
f1 (x(0)) 1.1250
= (18)
f2 (x(0)) −2.5313
Par conséquent, de cette condition initiale la trajectoire de phase va dans la
direction positive de x1 et dans la direction négative de x2 .


x2
O
−3 −2 −1 1 2 3
x1
−1
−2
−3
Figure 14 – Trajectoire de phase.

Cycles limites
Définition
Un cycle limite, noté C , est une trajectoire fermée unique dans le plan de
phase.
La trajectoire reflète la périodicité du mouvement et son caractère oscillatoire.
On distingue trois type de cycles limites :

1 Stable : toutes les trajectoires dans un voisinage du cycle C ,
2 Instable : toutes les trajectoires divergent de C ,
3 Semi-stable : certaines trajectoires convergent vers C .
Théorème de Bendixson
Aucun cycle limite ne peut exister dans une région Ω du plan de phase dans
laquelle
∂f1 (x1, x2 ) ∂f2 (x1, x2 )
+ (19)
∂x1 ∂x2
ne s’annule pas ni ne change de signe.
Cycles limites
Théorème de Poincaré-Bendixson
Si une trajectoire demeure dans une région finie Ω alors une des trois
propositions suivantes est vraie :
1 La trajectoire va vers un équilibre.
2 La trajectoire tend asymptotiquement vers un cycle limite.
3 La trajectoire est elle même un cycle limite.
Exemple : Cycle limite

L’oscillateur de Van der Pol est donné par le modèle d’état suivant :
xÛ 1 (t) = x2 (t) (20)

xÛ 2 (t) = −x1 (t) + µ (1 − x12 (t)) x2 (t) (21)

Cycles limites
Exemple : Cycle limite

La trajectoire de phase obtenue pour une condition initiale x(0) = [1 1]T et
µ = 0.5 est donnée par la Figure 15.
x2
0
−1
−2
−3
−3 −2 −1 0 1 2 3
x1
Figure 15 – Cycle limite.
Remarque
Un point d’équilibre stable est dit attractive par contre s’il est instable on dit
qu’il est répulsif.
Solution numérique d’un modèle mathématique
Avec l’évolution de l’informatique, on dispose actuellement des logiciels 1 qui

sont capables de résoudre les équations différentielles analytiquement (calcul
formel ou symbolique) ou numériquement.
Parmi les logiciels, on peut citer Maple, Mathametica, Matlab, Sage et Maxima
pour le calcul formel, et Matlab, Scilab, Freemat et Octave pour le calcul
numérique. Ces logiciels disposent des programmes capables de résoudre
tous les types d’équations différentielles. A condition de choisir le solveur
(algorithme) adéquat et de bien le paramétriser.
Ainsi, on peut tracer un portrait de phase d’un système en un temps faible

avec quelques lignes de code.
1. Les logiciels indiqués en couleur bleue sont gratuits et disponibles au téléchargement

Exercices
Exo. 1 Étudier la nature des point d’équilibre du système suivant :
xÛ 1 (t) = x2 (t) (22)

x2 (t)
xÛ 2 (t) = − sin(x1 (t)) − (23)
2
Exo. 2 On demande pour le système linéaire suivant :
xÛ 1 (t) = x2 (t) (24)

xÛ 2 (t) = −4 x1 (t) (25)
1 de déterminer analytiquement l’équation de la trajectoire de phase en

utilisant les techniques d’élimination du temps (explicite et implicite),
2 le type de la trajectoire de phase,
3 la nature du point d’équilibre (l’origine).

Exercices
Exo. 3 Soit le système suivant :
xÛ (t) = x3 (t) − 2 x2 (t) − x + 2 (26)
1 tracer la trajectoire du système dans le plan OxÛx,

2 déterminer les points d’équilibre du système,
3 analyser la stabilité des points d’équilibre.
Exo. 4 Soit l’asservissement non linéaire de la Figure 16. Les caractéristiques
de cet asservissement non linéaires sont données par
Y(s) k
G(s) = = ; u = f (e) (27)
U(s) p (1 + τ p)
1 pour f (e) = M signe(e) (l’élément non linéaire est un relais), donner le

modèle d’état du système d’asservissement (système en boucle fermée),
2 donner les équations paramétriques de la trajectoire (x1 (t) et x2 (t)),
3 déduire la trajectoire de phase.
Exercices
e(t) u(t)
y d (t) +
−
f( . ) G(s) y(t)
Figure 16 – Asservissement non linéaire.

Ahmed MAIDI (UMMTO)
8 septembre 2020
Ahmed MAIDI (UMMTO) Chapitre 1. Méthode du premier harmonique 8 septembre 2020 1 / 40

Errata : quelques erreurs à corriger.
Chapitre 1, Page 15, Figure 1 : 5) Relais (commutateur tout-ou-rien).
Chapitre 1, Page 15, Figure 2 : 3) Seuil avec saturation, 5) Relais avec
hystérésis.
Chapitre 1, Page 24, Équations (45) et (46) :

3 6 −3
∆Ûx(t) = ∆x(t) + ∆u(t)
1 1 0
∆y(t) = 3 −3 ∆x(t)

Chapitre 2, Page 11, Juste après l’équation (12) :
Φ(t) = L−1 (s I2×2 − A)−1


Chapitre 2. Méthode du premier harmonique
1 Équivalent harmonique
2 Gain complexe équivalent (fonction de transfert généralisée)
3 Application de la méthode du premier harmonique
4 Stabilité d’un asservissement non linéaire
5 Exercices

Équivalent harmonique
Pour un système linéaire (Figure 1), l’application d’une entrée du type
sinusoïdale de la forme u(t) = A sin(ω t) engendre en régime permanent
(stationnaire) une sortie sinusoïdale de la forme y(t) = B sin(ω t + φ).
u(t) L y(t)
Figure 1 – Système linéaire.
En introduisant la notation complexe, on a :
u(t) = A sin(ω t) ⇒ u(t) = A ej ω t (1)

y(t) = B sin(ω t + φ) ⇒ y(t) = B ej (ω t+φ) (2)
En posant s = j ω, on définit la fonction de transfert G(s) du système (Figure 2)

comme le rapport complexe suivant :
y(t) A ej ω t B ej ω t ej φ B
G(s) = = j (ω t+φ)
= j ω t
⇒ G(s) = ej φ (3)
u(t) B e A e A
Cette fonction de transfert est caractérisée par deux grandeurs :
le module (gain du système) : |G(s)| = |B/A| , et
la phase du système : G(s) = φ.
u(t) = A sin(ω t) G(s) y(t) = B sin(ω t + φ)
Figure 2 – Fonction de transfert d’un système linéaire.
On remarque que l’équivalent harmonique est défini exactement pour un

système linéaire.

Pour un système non linéaire excité par une entrée sinusoïdale de la forme
u(t) = A sin(ω t) (Figure 3), on obtient une réponse y(t) qui est périodique, de
période T = 2 π/ω, mais non sinusoïdale. La sortie y(t), comme elle est
périodique on peut la décomposer en sérier de Fourier. Par conséquent, la
sortie y(t) (Figure 4) est une somme infinie de signaux sinusoïdaux
(harmoniques) :
∞
Õ
y(t) = Bk sin(k ω t + φk ) (4)
k=0
y(t) = B0 sin(φ0 ) + B1 sin(ω t + φ1 )
+ B2 sin(2 ω t + φ2 ) + · · · + Bm sin(m ω t + φm ) + · · · (5)
u(t) NL y(t)
Figure 3 – Système non linéaire.

+∞
P
u(t) = A sin(ω t) N(A, ω) y(t) = Bk sin(k ω t + φk )
k=0
Figure 4 – Gain complexe équivalent d’un système non linéaire.
En supposant que le signal y(t) est symétrique, c’est-à-dire sa moyenne

B0 = 0, alors
y(t) = B1 sin(ω t + φ1 ) + B2 sin(2 ω t + φ2 ) + · · · + Bm sin(m ω t + φm ) + · · · (6)
La méthode (ou l’approximation) du premier harmonique consiste à retenir que
le premier harmonique y1 (t) et de négliger les autres harmoniques sur la base
d’une hypothèse qu’on va préciser par la suite. Par conséquent,
y(t) ≈ y1 (t) = B1 sin(ω t + φ1 ) (7)
Ainsi, par analogie avec le système linéaire, on peut définir pour le système
non linéaire la fonction de transfert généralisée suivante :
y(t) B1 sin(ω t + φ1 ) B1 ej (ω t+φ1 ) B1 j φ1

= = = e (8)
u(t) A sin(ω t) A ej ω t A
Cette fonction de transfert généralisée, appelée aussi gain complexe
équivalent, est caractérisée par le module |B1 /A| et la phase φ1 .
Remarque
Le signal y1 (t) est appelé signal fondamental. Les autres yk (t) pour k ≥ 2
sont appelés harmoniques supérieurs.
En général, le signal de sortie y(t) est périodique et de même période que
le signal d’excitation u(t).

Exemple : Réponses d’un système linéaire est un système non linéaire

pour une entrée du type sinusoïdale
On considère le système linéaire :
Y(s) 1
G(s) = = (9)
U(s) s + 1
et le système non linéaire (commutateur tout-ou-rien) :

1 si u(t) ≥ 0
y(t) = (10)
−1 si u(t) < 0
Pour le système linéaire, la condition initiale y(0) = −0, 2. On excite les deux
systèmes par une entrée u(t) = 0, 5 sin(2 π t), les sorties obtenues sont
données par les Figures 5 et 6. On remarque clairement que la réponse du
système linéaire (Figure 5) est sinusoïdale. Par contre pour le système non
linéaire (Figure 6), la réponse n’est pas sinusoïdale mais elle est périodique.

0.6
u(t)
y(t)
0.4
0.2
y(t)
0.0
−0.2
−0.4
−0.6
0 1 2 3 4 5 6 7 8 9
t
Figure 5 – Évolution de la sortie du système linéaire (9).


1.5
u(t)
y(t)
1.0
0.5
y(t)
0.0
−0.5
−1.0
−1.5
0 1 2 3 4 5 6 7 8 9
t
Figure 6 – Évolution de la sortie du système linéaire (21).

Gain complexe équivalent (fonction de transfert généralisée)
Dans cette section, on détermine l’expression analytique du gain complexe

équivalent, noté N(A), d’un élément non linéaire. En supposant que les
harmoniques supérieurs pour k ≥ 2 peuvent être filtrés par un élément linéaire
se trouvant en aval du l’élément non linéaire, la sortie y(t) du système non
linéaire peut être écrite en fonction des coefficients de Fourier comme suit :
y(t) = a1 sin(ω t) + b1 cos(ω t) (11)
avec
ω T
∫
a1 = y(t) sin(ω t) dt (12)
π 0
ω T
∫
b1 = y(t) cos(ω t) dt (13)
π 0
Cherchons maintenant la fonction de transfert (généralisée) d’un système non
linéaire en faisant apparaitre l’entée u(t) dans l’expression de la sortie y(t).
En multipliant par A et en divisant par A le coté droit de l’équation (11), on

obtient :
a1 b1
A sin(ω t) +
y(t) = A cos(ω t) (14)
A A
En multipliant par ω et en divisant par ω le deuxième terme de l’équation (14),
il vient :
a1 b1 1
y(t) = A sin(ω t) + A ω cos(ω t) (15)
A A ω
Comme
du(t)
u(t) = A sin(ω t), = A ω cos(ω t) (16)
dt
L’équation (15) peut être réécrite comme suit :
a1 b1 1 du(t)
y(t) = u(t) + (17)
A A ω dt
En appliquant la transformée de Laplace, on obtient :

a1 b1 1
Y(s) = U(s) + s U(s) (18)
A Aω
ou encore
Y(s) a1 b1 1
= + s (19)
U(s) A Aω
En posant s = j ω, on obtient l’expression du gain complexe équivalent
(fonction de transfert généralisée) suivante :
a1 b1
N(A) = +j (20)
A A
Différence par rapport au cas linéaire

La fonction de transfert généralisée (le gain complexe équivalent) N peut
dépendre de la pulsation ω (car a1 et b1 peuvent dépendre de ω) et aussi de
l’amplitude A du signal d’entrée u(t) contrairement à la fonction de transfert
dans le cas linéaire qui dépend uniquement de la pulsation ω.
Exemple : Calcul du gain complexe équivalent

Considérons le cas d’un commutateur tout-ou-rien (relais parfait) de la
Figure 7 défini comme suit :

M si u(t) ≥ 0
y(t) = (21)
−M si u(t) < 0
y(t)
+M
u(t)
0
−M
Figure 7 – Commutateur tout-ou-rien (relais parfait).


D’après la Figure 8, en injectant une entrée u(t) = A sin(ω t), on obtient en
sortie un signal carré de même fréquence et d’amplitude M . La période
T = 2 π/ω.
a1 b1
N(A, ω) = +j (22)
A A
D’après la Figure 8, le réponse y(t) est définie comme suit :

M si t ≤ T/2
y(t) = (23)
−M si t > T/2


y(t) y(t)
+M +M
T
u(t) ωt
0 T
2
−M −M
−A
+A
u(t)
T
2
T
ωt
Figure 8 – Calcul du gain complexe du commutateur tout-ou-rien (relais parfait).


Calcul du coefficient a1 : en utilisant la formule (12), on a :
ω T
∫
a1 = y(t) sin(ω t) dt (24)
π 0
ω T/2
∫
=2 y(t) sin(ω t) dt (25)
π 0
2 ω T/2
∫
= M sin(ω t) dt (26)
π 0
T/2
2ωM

1
= − cos(ω t) (27)
π ω 0

2M T
= − cos ω + cos(0) (28)
π 2
2M
= [− cos(π) + cos(0)] ⇒ a1 = 4 M/π (29)
π

Calcul du coefficient b1 : en utilisant la formule (13), on a :
ω T
∫
b1 = y(t) cos(ω t) dt (30)
π 0
ω T/2
∫
=2 y(t) cos(ω t) dt (31)
π 0
2 ω T/2
∫
= M cos(ω t) dt (32)
π 0
T/2
2ωM 1

= sin(ω t) (33)
π ω 0

2M T
= sin ω + sin(0) (34)
π 2
2M
= [sin(π) + sin(0)] ⇒ b1 = 0 (35)
π

Le gain complexe équivalent du commutateur tout-ou-rien est :
a1 b1
N(A) = +j (36)
A A
4M 0 4M
= + j × ⇒ N(A) = (37)
πA A πA
Remarque
Pour un élément non linéaire dont la sortie y(t) est impaire, c’est-à-dire
y(t) = −y(−t), ∀t, le coefficient b1 = 0. Par contre si la sortie y(t) est paire, le
coefficient a1 = 0. Ainsi,
a1
y(t) est impaire : N(A) = .
A
b1
y(t) est paire : N(A) = j .
A
Méthode de Tsypkin
La méthode de Tsypkin est une méthode de calcul approché du gain complexe

équivalent. Pour certaines non linéarités, cette méthode permet de s’affranchir
du calcul des coefficients de Fourrier a1 et b1 . Elle permet aussi de calculer
rapidement le gain complexe équivalent et de concevoir certaines non
linéarités avec un certain gain complexe équivalent N(A). Donc, la méthode de
Tsypkin sert à la fois pour l’analyse et la synthèse.
Pour un système non linéaire ayant une caractéristique y(t) = f (u(t)) à

symétrie impaire et univoque ou sous forme d’un polynôme dont l’ordre est
inférieur ou égale à 3, le gain complexe équivalent peut être approché par la
formule suivante :
2 A
N(A) = f (A) + f (38)
3A 2

Application de la méthode du premier harmonique
Conditions de validité
Pour appliquer la méthode du premier harmonique pour l’étude d’un

asservissement non linéaire, on doit d’aborder vérifier les conditions
suivantes :
1 Condition de séparabilité : L’asservissent non linéaire doit contenir un
seul élément non linéaire qu’on peut isoler en mettant l’asservissement
sous la forme canonique de la Figure 9.
2 Condition de filtrage : la partie linéaire de l’asservissement doit être
stable (les pôles sont stables) et a minimum de phase (les zéros sont
stables). Cette partie doit aussi se comporter comme un filtre passe-bas.
Cette condition permet de filtrer les harmoniques supérieurs, par
conséquent l’approximation du premier harmonique est acceptable.
3 Invariance dans le temps de l’élément non linéaire : une translation de
l’entrée u(t) se traduira par une même translation dans le temps de la
sortie y(t).

Application de la méthode du premier harmonique
Conditions de validité
Invariant dans le temps Filtre passe-bas
e(t) u(t)
y d(t) +
−
f( . ) G(s) y(t)
Figure 9 – Forme canonique d’un asservissement non linéaire (séparation de la

partie linéaire et de la partie non linéaire).

Stabilité d’un asservissement non linéaire
La méthode du premier harmonique permet d’étudier la stabilité d’un

asservissement non linéaire et l’existence de cycles limites. Pour un cycle
limite, on peut aussi déterminer approximativement son amplitude et sa
fréquence. La méthode du premier harmonique permet de généraliser le
critère de Revers qui représente une version simplifiée du critère de Nyquist au
système non linéaire.
Considérons, l’asservissement linéaire de la Figure 10 pour lequel on suppose

que le système linéaire G(s) est stable (les pôles sont stables) et à minimum de
phase (les zéros sont stables). La fonction de transfert en boucle fermée est :
Y d (s) G(s)
H(s) = = (39)
U(s) 1 + G(s)
Le dénominateur de la fonction de transfert (39) représente le polynôme
caractéristique.

Y d (s) +
−
G(s) Y (s)
Figure 10 – Asservissement linéaire.
Stabilité
Si le polynôme caractéristique 1 + G(s) a des racines (pôles) à partie réelle
négative, l’asservissement en boucle fermée (Figure 10) est stable.
Critère du revers
Si le lieu de Nyquist de G(s) parcouru dans le sens des ω croissants laisse à
gauche le point critique (−1, 0) (voir la Figure 11), alors le système en boucle
fermée (Figure 10) est stable.

Im
Re
(−1, 0)
lant
e
abl
Stable
Oscil
Inst
Figure 11 – Critère du revers dans le plan de Nyquist.

La fonction de transfert généralisée de l’asservissement non linéaire de la
Figure 9 est donnée comme suit :
Y(s) N(A) G(s)

= (40)
Y (S) 1 + N(A) G(s)
d
Pour avoir la condition d’oscillation (d’existence du cycle limite), on doit annuler

le dénominateur de la fonction de transfert généralisée (40) :
1 + N(A) G(s) = 0 (41)
La résolution de cette équation permet de déterminer les pulsations et les

amplitudes des des cycles limites. L’équation caractéristique (41) peut être
réécrite comme suit :
1
G(j ω) = − = C(A) (42)
N(A)
où C(A) représente le lieu critique qui généralise la notion du point critique
(−1, 0) dans le cas des systèmes linéaires.
Ainsi, les amplitudes et les pulsations des cycles limites peuvent être
déterminées en résolvant graphiquement l’équation (42). Les solutions sont les
intersections entre les courbes de lieu de transfert linéaire G(j, ω) et du lieu
critique C(A) (indiquées par des points verts dans la Figure 12).
Pour étudier la stabilité des cycles limites, on utilise le théorème géométrique

de Loeb.
Théorème : Critère géométrique de Loeb

Soit une oscillation limite (cycle limite) obtenue comme intersection du lieu de
transfert G(j, ω) et du lieu critique C(A), possédant une pulsation ω0 et une
amplitude A0 . Cette oscillation est stable si l’intersection est telle que, en
parcourant le lieu de Nyquist G(j, ω) dans le sens des fréquences croissantes
(ω), on laisse à sa gauche la direction des amplitudes (A) croissantes sur le
lieu critique.

Par exemple, dans le cas de la Figure 12 on a deux intersections de

coordonnées (A0, ω0 ) et (A1, ω1 ) entre G(, ω) et C(A), alors on a deux deux
cycles limites. D’après le critère géométrique de Loeb, on conclut que :
Pour une amplitude A < A0 , l’asservissement en boucle fermée est

stable.
Pour une amplitude A > A0 et A < A1 , l’asservissement en boucle fermée
instable.
Pour une amplitude A > A1 , l’asservissement en boucle fermée est
stable.
Le cycle limite caractérisé par l’amplitude A0 et la fréquence ω0 est stable
par contre le deuxième cycle limite, caractérisé par l’amplitude A1 et la
fréquence ω1 , est instable.

Im
(A1 , ω1 )
Re
C(A) ω croissant
(A0 , ω0 )
nt
ω croissa
G(j ω)
Figure 12 – Critère géométrique de Loeb.

Le critère géométrique de Loeb possède sa contre-partie algébrique.
Théorème : Critère algébrique de Loeb

Soit une oscillation limite (cycle limie) obtenue comme intersection du lieu de
transfert G(j, ω) et du lieu critique C(A), possédant une pulsation ω0 et une
amplitude A0 , racines de l’équation complexe :
1 + N(A) G(j, ω) = 0 (43)
Séparant les parties réelle et imaginaires dans cette équation
X(A, ω) + j Y(A, ω) = 0 (44)
L’oscillation (le cycle) sera stable si la condition suivante est vérifiée :
∂X ∂Y ∂X ∂Y

− >0 (45)
∂A ∂ω ∂ω ∂A A=A0, ω=ω0

En résumé, pour déterminer les cycles limites, on cherche les points (A, ω)
appartenant à l’ensemble suivant :
C(A) ∩ G(j ω) (46)
et pour déterminer leur stabilité en utilise les critères de Loeb.
Remarque
Contrairement aux asservissements linéaires, la stabilité d’un asservissement
non linéaire dépend de l’amplitude A.

Eexemple : Etude de la stabilité d’un asservissement non linéaire

On considère l’asservissement non linéaire de la Figure 9. On donne :
0, 2 (0, 5 s + 2, 1)
G(s) = (47)
s (5 s + 1) (5 s + 1)
L’élément non linéaire est un commutateur tout-ou-rien (relais parfait) avec
M = 2. Ainsi, en utilisant la formule (37), on obtient le gain complexe
équivalent comme suit :
8
N(A) = (48)
πA
On peut vérifier en utilisant le digramme de Bode que G(s) est filtre passe-bas,
donc l’hypothèse de filtrage est satisfaite. L’élément non linéaire est invariant
dans le temps et l’asservissement à étudier est sous la forme canonique
(condition de séparabilité est vérifiée), donc on peut utiliser la méthode du
premier harmonique pour étudier la stabilité du système et celle des cycles
limites.
Exemple : Etude de la stabilité d’un asservissement non linéaire

Approche graphique : on représente dans le plan complexe, le lieu de
transfert G(j ω) et le lieux critique C(A) = −1/N(A) (voir Figure 13).
0.2
G(j ω)
0.1 C(A)
0.0
−0.1
Im
−0.2
−0.3
−0.4
−0.5
−1.4 −1.2 −1.0 −0.8 −0.6 −0.4 −0.2 0.0
Re
Figure 13 – Lieux critique C(A) et lieu de transfert G(i ω).


D’après la Figure 13, on remarque qu’il y a un point d’intersection entre
les deux lieux donc il existe un seul cycle limite.
Approche analytique : la condition d’existence d’un cycle limite s’écrit :
0, 2 (0, 5 j ω + 2, 1)

8
N(A) G(j ω) + 1 = 0 ⇒ +1=0 (49)
π A j ω (5 j ω + 1) (5 j ω + 1)
qu’on peu mettre sous la forme : X(A, ω) + j Y(A, ω) = 0 avec :
33.6πAω2
X(A, ω) = − 2 (50)
100π 2 A2 ω4 + −25πAω3 + πAω
0.8ω −25πAω3 + πAω

+ 2 + 1 (51)
100π 2 A2 ω4 + −25πAω3 + πAω


et
8.0πAω3
Y(A, ω) = − 2 (52)
100π 2 A2 ω4 + −25πAω3 + πAω
3.36 −25πAω3 + πAω

− 2 (53)
100π 2 A2 ω4 + −25πAω3 + πAω
La résolution du système d’équations algébriques suivant :
X(A, ω) = 0 (54)
Y(A, ω) = 0 (55)
on obtient les deux solutions suivantes :

(A0, ω) = (2.4192, +0.2103), (A1, ω) = (2.4192, −0.2103) (56)
La deuxième solution n’a pas de sens physique puisque ω < 0. En

utilisant le critère géométrique de Loeb, on déduit que ce cycle limite est
stable car en parcourant le lieux de transfert G(j ω) dans le sens des
fréquences croissantes, on laisse à sa gauche la direction des A
croissants sur le lieu critique C(A).
Maintenant, en appliquant le critère algébrique de Loeb, on obtient :
∂X ∂Y ∂X ∂Y

18.41
− = (57)
∂A ∂ω ∂ω ∂A A=2.4192, ω=0.2103 π2
Comme cette quantité est positive, alors d’après le critère algébrique de

Loeb, on conclut que le cycle limite est stable.

Exercices
Exo. 1 Mettre le schéma blocs de la Figure 14 sous la forme canonique
Y d (s) +
−
F (s) N(A) G(s) Y (s)
H(s)
Figure 14 – Système asservis non linéaire.
Exo. 2 On considère un élément non linéaire dont la caractéristique

entrée-sortie est définie par y(t) = b1 u(t) + b3 u3 (t). Montrer que la fonction de
transfert généralisée (gain complexe équivalent) de cette non linéarité est :
3 b3 2
N(A) = A + b1 (58)
4
où A est l’amplitude de l’entrée sinusoïdale (u(t) = A sin(ω t)).
Exercices
Exo. 3 Soit le système asservi non linéaire donné par la Figure 15 avec
1
G(s) = , u(t) = f (e(t)) = e3 (t) (59)
s (s + 1) (s + 2)
1 Calculer la fonction de transfert généralisée (gain complexe équivalent)
associée à l’élément non linéaire,
2 Déterminer l’existence d’un ou plusieurs cycles limites pour ce système
asservi. Dans l’affirmative, déterminer la stabilité, la fréquence et
l’amplitude des cycles limites. On utilisera la méthode algébrique et la
méthode graphique.
e(t) u(t)
y d (t) +
−
f( . ) G(s) y(t)
Figure 15 – Système asservis non linéaire.

Exercices
Exo. 4 Calculer les fonctions de transfert généralisées des éléments linéaires
de la Figure 16.
y(t) y(t)
+M
+k M
h
−
2 −M
u(t) u(t)
h +M
+
2
−k M
−M
a)- Relais avec seuil b)- Saturation

y(t)
+M
h h
u(t)
− +
2 2
−M
c)- Relais avec hystérésis
Figure 16 – Éléments non linéaires.

Ahmed MAIDI (UMMTO)
1er juin 2020
Ahmed MAIDI (UMMTO) Chapitre 4. Fondements de la théorie de stabilité de Lyapunov 1 / 60

Chapitre 4. Fondements de la théorie de stabilité de
Lyapunov
1 Stabilité d’un système linéaire
2 Définition de la stabilité
3 Méthode directe de Lyapunov (seconde méthode)
4 Construction des fonctions de Lyapunov
5 Théorème d’invariance de LaSalle
6 Exercices

Stabilité d’un système linéaire
Considérons le système linéaire :
xÛ (t) = A x(t) + B u(t) (1)
corrigé par une loi de commande de la forme (retour d’état) :
u(t) = K x(t) (2)
le système en boucle fermée prend la forme suivante :
xÛ (t) = (A − B K) x(t) (3)
On suppose que la matrice d’état en boucle fermée A − B K n’est pas

singulière. Dans ce cas, le système en boucle fermée admet un seul point
d’équilibre xe = 0. Ainsi, le système est asymptotiquement stable si toutes les
valeurs propres de la matrice A − B K sont à parties réelles strictement
négative.

Définition de la stabilité
Définition intuitive
Pour les systèmes non linéaires, il est impossible de trouver un équivalent

universel du concept de valeur propre associé au système dynamique.
Ainsi, on peut procéder par linéarisation du système non linéaire autour du

point d’équilibre xe , puis d’étudier les valeurs propres de la matrice d’état du
système linéarisé. Cette méthode appelée première méthode de Lyapunov ou
méthode indirecte de Lyapunov a été étudiée en détail au Chapitre 2. Cette
méthode présente certaines limitations pour conclure sur la stabilité d’un point
d’équilibre, par exemple lorsque les valeurs propres de la matrice d’état sont
des nombres imaginaires purs.
Dans ce cas, on doit utiliser d’autres techniques pour l’analyse de stabilité.

Définition :
Si en perturbant légèrement un système dynamique de son point d’équilibre, et
il reste proche de ce point d’équilibre, alors le système est stable au sens de
Lyapunov.
La stabilité intuitive est illustrée par la Figure 1. Initialement, on suppose que la

bille est à l’état d’équilibre (point bleu) puis on la perturbe légèrement pour la
dévier de sa position d’équilibre. Dans le cas a, après un certain temps, la bille
regagne son point d’équilibre, par contre dans le cas b la bille s’éloigne
carrément de son point d’équilibre.

a)- Stable a)- Instable
Figure 1 – Stabilité en sens de Lyapunov.

Rappels mathématiques
Espace vectoriel
Un espace vectoriel X sur l’ensemble des nombres réels < est dit normé si à
tout x ∈ X est associé un nombre positif kxk , appelé norme de x, tel que les
trois axiomes ci-après ont lieu :
1 kxk = 0 si et seulement si x = 0 ;
2 kλ xk = |λ| kxk pour tout x ∈ X et tout λ ∈ < ;
3 kx + yk ≤ kxk + kxk pour tous x, y ∈ X .
Boule ouverte
On appelle une boule ouverte de centre en x∗ ∈ X et de rayon r > 0,
l’ensemble Br (x∗ ) = {x ∈ X : kx − x∗ k < r}.

Rappels mathématiques
Boule fermée
On appelle une boule fermée de centre en x∗ ∈ X et de rayon r > 0,
l’ensemble B̄r (x∗ ) = {x ∈ X : kx − x∗ k ≤ r}.
Ensemble borné
Un ensemble Ω ⊂ X est dit borné s’il est contenu dans une boule (ouverte ou
fermée).
Ensemble fermé
Un point a ∈ X est appelé point d’accumulation de l’ensemble M ⊂ X si dans
toute boule Sr (a) il existe un point x ∈ M , x , a. L’ensemble de tous les points
d’accumulation de M est noté M 0. L’ensemble M ∪ M 0 est appelé fermeture de
M est noté M̄ . L’ensemble M ⊂ X est fermé si M̄ = M .

Définition mathématique
Ensemble compact
Un ensemble Ω ⊂ <n est dit compact s’il est fermé et borné.
Définition formelle
Le point d’équilibre xe d’un système initialement à l’état initial x(0) est dit stable
au sens de Lyapunov, si ∀ R > 0, ∃ r(R) > 0 tel que kx(0) − xe k < r implique
kx(t) − xe k < R, ∀t ≥ 0. Dans le cas contraire le système est dit instable.
Cette définition est illustrée par la Figure 2. Ainsi, quelle que soit la boule
BR (xe ), on peut toujours choisir une certaine sous-boule Br (xe ) telle que pour
n’importe quelle condition initiale x(t0 ) ∈ Br (xe ), la trajectoire résultante
x(t) ∈ BR (xe ).

ble
n sta
I
Stable
R x(0) xe
BR
r
Br
Figure 2 – Stabilité en sens de Lyapunov.

Convergence
Un point d’équilibre xe est dit convergent s’il existe δ > 0 tel que :
kx(0) − xe k ≤ δ ⇒ lim x(t) = xe
t→+∞
Stabilité asymptotique (définition 1)

Un point d’équilibre xe est asymptotiquement stable s’il est stable et s’il existe
α > 0 tel que : kx(0) − xe k < α ⇒ limt→ kx(t)k = xe .
Stabilité asymptotique (définition 2)

Un point d’équilibre est asymptotiquement stable s’il est stable et convergent.
Domaine (ou région) d’attraction

Le domaine d’attraction d’un point d’équilibre xe est l’ensemble :
n o
R A = x | lim x(t) = xe (4)
t→+∞
Stabilité exponentielle
Un point d’équilibre est exponentiellement stable s’il existe α > 0 et λ > 0 tels
que :
∀t > 0, ∃ Br (xe ), ∀x(0) ∈ Br (xe ), kx(t) − xe k ≤ α kx(0) − xe k e−λ t (5)
Stabilité globale
Si la propriété de stabilité asymptotique est vérifiée quelque soit x(0), le
point d’équilibre est globalement asymptotiquement stable.
Si la propriété de stabilité exponentielle est vérifiée quelque soit x(0), le
point d’équilibre est globalement exponentiellement stable.
Remarque
La stabilité exponentielle implique la stabilité asymptotique qui implique la
stabilité.
Méthode directe de Lyapunov (seconde méthode)
L’étude de la stabilité d’un système en utilisant la définition de stabilité

présente des inconvénients remarquables :
on doit calculer de manière explicite chaque solution qui correspond à

chacune des conditions initiales, ce qui n’est pas toujours pratique,
le maniement de la définition est fastidieux.
Alors, on doit chercher une alternative permettant d’étudier la stabilité sans

passer par la résolution des équations différentielles ou l’utilisation de la
définition. Dans ce qui suit, on présente la méthode célèbre de Lyapunov dont
le principe est basée sur la notion de la fonction d’énergie du système.
La bille (Figure 1) possède une fonction d’énergie E qui comporte une part
d’énergie potentielle Ep et une part d’énergie cinétique Ec . On a E = Ec + Ep .

Lorsque l’énergie E diminue ou conservée mais dans les deux cas elle est
minimale au point l’équilibre xe , le système est stable.
Lorsque l’énergie E augmente ou conservée mais elle n’est pas minimale au

point d’équilibre, le système est instable.
Considérons, le système mécanique de la Figure 3 composé d’une masse et

d’un ressort.
k
m
Figure 3 – Système masse-ressort.

Le modèle d’état du système est :
xÛ 1 (t) = x2 (t) (6)

k c
xÛ 2 (t) = − x1 (t) − x2 (t) (7)
m m
où m > 0 est la masse, k > 0 est la raideur du ressort et c > 0 est le
coefficient de frottement visqueux. Les variables d’état x1 (t) = x(t) et
x2 (t) = xÛ (t) sont respectivement la position et la vitesse de la masse.
Les énergies cinétique et potentielle du système sont données comme suit :
1 2
Ep = k x (t) (8)
2 1
1
Ec = m x22 (t) (9)
2
La fonction d’énergie (énergie totale) du système est :
1 2 1
E(x1 (t), x2 (t)) = Ep + Ec = k x1 (t) + m x22 (t) (10)
2 2
La dérivée de la fonction d’énergie est donnée comme suit :
dE(x1 (t), x2 (t)) ∂E(x1 (t), x2 (t)) dx1 (t) ∂E(x1 (t), x2 (t)) dx2 (t)
= + (11)
dt ∂x1 (t) dt ∂x2 (t) dt
= k x1 (t) xÛ 1 (t) + m x2 (t) xÛ 2 (t) (12)
Û
En utilisant les équations du modèle, la dérivée de la fonction d’énergie E(t)
peut être réécrite sous la forme suivante :

dE(x1 (t), x2 (t)) k c
= k x1 (t) x2 (t) +m x2 (t) − x1 (t) − x2 (t) (13)
dt |{z} m m
xÛ 1 (t) | {z }
xÛ 2 (t)
= −c x22 (t) (14)
Comme c > 0, alors la dérivée de la fonction d’énergie E(t) Û ≤ 0 (système

dissipatif), c’est-à-dire la fonction d’énergie E(t) diminue (décroissante). Le
système est donc stable.
Lyapunov a généralisé cette constatation à une classe plus large de fonctions

et a développé des méthodes permettant d’analyser la stabilité d’un système
sans recourir à la résolution des équations de ce dernier. Ces fonctions
appelées fonctions de Lyapunov sont notées V(x). Notons qu’une fonction
d’énergie est une fonction de Lyapunov. Si pour un système dynamique la
fonction d’énergie est unique, la fonction de Lyapunov peut être n’importe
qu’elle fonction définie positive dont la dérivée temporelle est semi-définie
négative.

Dans cette section, on s’intéresse à la stabilité du point d’équilibre xe = 0. Pour
un point d’équilibre xe , 0, on introduit le changement de variable suivant :
z(t)= x(t) − xe (15)

zÛ(t) = xÛ (t) − xÛ e = f (x(t)) = f (z(t) + xe ) = g(z(t)) (16)
Pour le système zÛ (t) = g(z), le point d’équilibre est ze = 0 qu’on peut aisément
vérifier comme suit :
g(0) = f (0 + xe ) = f (xe ) = 0 (17)
Ainsi, l’étude de stabilité du point d’équilibre xe du système xÛ (t) = f (x) est

équivalente à l’étude de stabilité de l’origine ze = 0 (point d’équilibre) du
système zÛ (t) = g(z).
Avant d’introduire les résultats importants de la théorie de Lyapunov, nous

introduisons certaines définitions et notions mathématiques utiles pour la suite
du développement.
Voisinage de l’origine
Le voisinage de l’origine, noté Ω est un domaine fermé borné incluant l’origine.
Fonctions définies positives

Une fonction scalaire V : D → < est localement définie positive dans
Ω ⊂ D si :
1 0 ∈ Ω et V(0) = 0 ;
2 V(x) > 0, ∀x ∈ Ω − {0}.
Une fonction scalaire V : D → < est définie positive si :
1 0 ∈ D et V(0) = 0 ;
2 V(x) > 0, ∀x ∈ D − {0}.

Voisinage de l’origine
Le voisinage de l’origine, noté Ω est un domaine fermé borné incluant l’origine.
Fonctions définies positives

Une fonction scalaire V : D → < est localement définie positive dans
Ω ⊂ D si :
1 0 ∈ Ω et V(0) = 0 ;
2 V(x) > 0, ∀x ∈ Ω − {0}.
Une fonction scalaire V : D → < est définie positive si :
1 0 ∈ D et V(0) = 0 ;
2 V(x) > 0, ∀x ∈ D − {0}.

Fonctions semi-définies positives

Une fonction scalaire V : D → < est localement semi-définie positive
dans Ω ⊂ D si :
1 0 ∈ Ω et V(0) = 0 ;
2 V(x) ≥ 0, ∀x ∈ Ω − {0}.
Une fonction scalaire V : D → < est semi-définie positive si :
1 0 ∈ D et V(0) = 0 ;
2 V(x) ≥ 0, ∀x ∈ D − {0}.
Remarque
La forme quadratique V(x) = xT P x (x ∈ D = <n ) et P = PT (symétrique). ona
a V(x) > 0 si P > 0 et V(x) ≥ 0 si P ≥ 0. Si les valeurs propres de la matrice
P sont toutes positives, alors P est définie positive.
Exemples :
On considère D = <2 .
Fonction localement définie positive :
V(x) = x12 + sin2 (x2 )
Fonction définie positive :
V(x) = x12 + x22
Fonction localement semi-définie positive :
V(x) = x1 sin(x2 )
Fonction semi-définie positive :
V(x) = (x1 + x2 )2
Fonction candidate de Lyapunov

Une fonction définie positive continue, notée V (x), est une fonction candidate
de Lyapunov.
On a vu que la fonction d’énergie pour un système stable est décroissante ou

constante (conservée) lors de l’évolution du système. Par conséquent, on
exige d’une fonction candidate de Lyapunov d’avoir une dérivée temporelle
négative ou semi-négative.
Dérivée de la fonction de Lyapunov

Soit V : <n → < une fonction continûment différentiable en tous ses
arguments et soit l’équation différentielle non linéaire xÛ (t) = f (x) ; x ∈ <n . On
définit alors

T
∂V(x)

dx
Û
V(x) = (18)
∂x dt
= [∇x V(x)]T xÛ (t) = [∇x V(x)]T f (x) (19)
où ∇x V(x) est le gradient de la fonction V(x) donné comme suit :
 ∂V(x) 
 ∂x1 
 
 ∂V(x) 
 
∇x V(x) =  ∂x2 
 
(20)
..
 . 
 ∂V(x) 
 
 
 ∂x 
 n 


Û
V(x) est appelée la dérivée de V(x) le long des trajectoires de xÛ (t) = f (x)
appelée aussi dérivée de Lie et notée Lf V(x).
Fonction de Lyapunov
Une fonction de Lyapunov est une fonction candidate de de Lyapunov, à savoir
une fonction continue V(x) telle que
V(x) = 0 pour x = 0 (21)

V(x) > 0, ∀x , 0 (22)
ayant en plus la propriété
Û
V(x) = 0 pour x = 0 (23)
Û
V(x) ≤ 0, ∀x , 0 (24)

Exemple : Fonction candidate de Lyapunov et fonction de Lyapunov

Pour le système mécanique masse-ressort, on considère comme fonction
candidate de Lyapunov la fonction d’énergie V(x) = E(x), c’est-à-dire
1 1
V(x) = m x22 (t) + k x12 (t)
2 2
On a :
V(0) = 0,
V(x) > 0, ∀x ∈ <2 ,
Û
V(x) = −c x22 (t) ≤ 0, ∀x ∈ <2 (c > 0).
La fonction V(x) vérifie les propriétés d’une fonction de Lyapunov, par
conséquent V(x) (fonction de l’énergie) est une fonction de Lyapunov.

Exemple : Fonction candidate de Lyapunov et fonction de Lyapunov

Pour le même système masse-ressort, on considérons comme fonction
candidate de Lyapunov
1 1
V(x) = x12 (t) + x22 (t)
2 2
On a :
V(0) = 0,
V(x) > 0, ∀x ∈ <2 ,

k c
Û
V(x) = x1 (t) xÛ 1 (t) + x2 (t) xÛ 2 (t) ⇒ V(x)
Û = 1− x1 (t) x2 (t) − x22 (t)
m m
On remarque que V(x) Û n’est pas semi-définie négative, par conséquent la
fonction V(x) ne vérifie pas la propriété V(x) Û ≤ 0 alors la fonction V(x) n’est
pas une fonction de Lyapunov.

Théorème de stabilité de Lyapunov

Soit xe = 0 le point d’équilibre du système xÛ (t) = f (x), f (x) : D → <n , et soit
V : D → < une fonction continument différentiable telle que :
1 V(0) = 0,
2 V(x) > 0, ∀x ∈ D − {0},
3 Û
V(x) ≤ 0, ∀x ∈ D − {0},
alors le système est localement stable.

Théorème de stabilité asymptotique de Lyapunov

1 V(0) = 0,
2 V(x) > 0, ∀x ∈ D − {0},
3 Û
V(x) < 0, ∀x ∈ D − {0},
alors xe = 0 est localement asymptotiquement stable.

Théorème de stabilité asymptotique de Lyapunov

1 V(0) = 0,
2 V(x) > 0, ∀x ∈ D − {0},
3 Û
V(x) < 0, ∀x ∈ D − {0},
s’il existe deux constantes η et β tels que
V(x) ≤ η kxk 2 (25)

Û
V(x) ≤ −β V(x) (26)
alors xe = 0 est localement exponentiellement stable.

Application aux systèmes linéaires
Stabilité globale
Dans les définitions précédentes, la stabilité est globale si D = <n et la
fonction de Lyapunov vérifie la condition de croissance à l’infinie, c’est-à-dire
lim kx k→+∞ V(x).
Pour le système linéaire

xÛ (t) = A x(t) (27)
On prend comme fonction candidate de Lyapunov, la fonction quadratique
V(x) = xT P x, alors
Û
V(x) = xÛ T P x + xT P xÛ (28)
= (A x) P x + x P (A x)
T T
(29)
= x T AT P x + x T P A x (30)

= xT AT P + P A x (31)

Application aux systèmes linéaires
Û
Pour garantir la stabilité asymptotique, on considère V(x) = −xT Q x et on
impose la condition Q = Q > 0. Le problème revient à chercher deux
T
matrices P et Q définies positives vérifiant l’équations suivante :
AT P + P + A = −Q (32)
Théorème : stabilité d’un système linéaire

Une condition nécessaire et suffisante pour qu’un système linéaire xÛ (t) = A x
soit asymptotiquement stable est que ∀Q = QT > 0, la matrice P, unique
solution de l’équation de Lyapunov suivante
AT P + P A + Q = 0 (33)
soit définie positive.

Exemples : Application de la méthode directe de Lyapunov

Exemple 1. Étudier la stabilité de l’origine du système suivant
xÛ 1 (t) = x13 (t) + x1 (t) x22 (t) − x1 (t) (34)

xÛ 2 (t) = x23 (t) + x12 (t) x2 (t) − x2 (t) (35)
en considérant comme fonction candidate de Lyapunov
V(x) = x12 (t) + x22 (t) (36)
Il clair que V(0) = 0 et V(x) > 0, ∀x ∈ <2 . On a :
Û
V(x) = 2 x1 (t) xÛ ( t) + 2 x2 (t) xÛ 2 (t)

= 2 x1 (t) x13 (t) + x1 (t) x22 (t) − x1 (t) + 2 x2 (t) x23 (t) + x12 (t) x2 (t) − x2 (t)

= 2 x12 (t) + x22 (t) x12 (t) + x22 (t) − 1 (37)


On remarque que V(x)Û < 0 pour x(t) ∈ B1 (0) (Boule de rayon r = 1 centrée à
l’origine x = 0). B1 (0) est définie comme suit :
∗
B1 (0) = x | x12 (t) + x22 (t) − 1

(38)
On conclut que l’origine est localement asymptotiquement stable et le domaine

d’attraction est la boule B1 (0).
Exemple 2. Étudier la stabilité de l’origine du système
xÛ 1 (t) = x2 (t) (39)

xÛ 2 (t) = − sin(x1 (t)) (40)
en considérant comme fonction candidate de Lyapunov
1
V(x) = (1 − cos(x1 (t)) + x22 (t) (41)
2

Il clair que V(0) = 0 et V(x) > 0, ∀x ∈ [−2 π, 2 π] × <. On a :
∂V(x) dx1 (t) ∂V(x) dx2 (t)

Û
V(x) = + (42)
∂x1 (t) dt ∂x2 (t) dt
= sin(x1 (t)) x2 (t) + x2 (t) (− sin(x1 (t))) (43)
=0 (44)
Û
On remarque bien que V(x) = 0, donc l’origine est stable.

Construction des fonctions de Lyapunov
Méthode de Krasovskii
Théorème
Soit le système autonome xÛ (t) = f (x) dont le point d’équilibre étudiée est
l’origine et soit la matrice jacobienne du système :
A(x) = ∇x f (x) (45)
Si la matrice F(x) définie par :
F(x) = A(x) + [A(x)]T (46)
est définie négative dans un voisinage Ω de l’origine alors l’origine est un point
d’équilibre localement asymptotiquement stable. Une fonction de Lyapunov
pour ce système est V(x) = [f (x)]T f (x). Si de plus, Ω = <n et
lim kx k→+∞ V(x) = +∞ alors le point d’équilibre est globalement
asymptotiquement stable.

Théorème
Soit xÛ (t) = f (x) dont le point d’équilibre étudiée est l’origine et A(x) sa
jacobienne. S’il existe deux matrices P = PT > 0 ; Q = QT > 0 telles que :
F(x) = [A(x)]T P + P A(x) + Q < 0, x ∈ Ω (47)
alors l’origine est localement asymptotiquement stable. La fonction

V(x) = [f (x)]T P f (x) est une fonction de Lyapunov pour le système.
Si de plus Ω = <n et lim kx k→+∞ V(x) = +∞ alors le système est globalement


Exemple :
Soit le système
xÛ 1 (t) = −6 x1 (t) + 2 x2 (t) (48)

xÛ 2 (t) = 2 x1 (t) − 6 x2 (t) − 2 x23 (t) (49)
qui pour point d’équilibre l’origine. On calcule la jacobienne A(x),

−6 2
A(x) = (50)
2 −6 − 6 x22 (t)
F(x) = A(x) + [A(x)]T (51)

−12 4
= (52)
4 −12 − 12 x22 (t)

Exemple
Les mineurs diagonaux principaux de F(x) sont :
| − 12| = −12 < 0 ( | . | c’est le déterminant et non la valeur absolue),

−12 4
= −128 − 12 x22 (t) < 0.
4 −12 − 12 x22 (t)
Les deux mineurs sont négatives, la matrice F(x) est définie négative, alors
l’origine est localement asymptotiquement stable. La fonction de Lyapunov
d’après le premier théorème de Krasovskii est :
V(x) = [f (x)]T f (x) (53)

−6x1 (t) + 2x2 (t)

= −6x1 (t) + 2x2 (t) 2x1 (t) − 6x2 (t) − 2x2 (t)
3

2x1 (t) − 6x2 (t) − 2x23 (t)
(54)
Exemple
2
V(x) = (−6x1 (t) + 2x2 (t))2 + 2x1 (t) − 6x2 (t) − 2x23 (t) (55)
On remarque aussi que lim V(x) = +∞, alors l’origine est globalement
kx k→+∞
Remarque
Bine que l’application de la méthode de Krasovskii est simple, néanmoins son
usage est limité du fait de problèmes tels que :
la jacobienne A(x) non définie négative,

difficulté pour vérifier F(x) est définie négative.

Méthode du gradient variable
Le principe de la méthode du gradient variable consiste à assumer que le

gradient ∇x V(x) = g(x) de la fonction de Lyapunov V(x) est connu. Par la suite,
en intégrant le gradient ∇x V(x), on détermine la fonction de Lyapunov V(x).
On a :
g(x) = ∇x V(x) (56)

g(x) dx = ∇x V(x) dx = dV(x) (57)
par conséquent :
∫ xf ∫ xf
V(xf ) − V(x0 ) = ∇x V(x) dx = g(x) dx (58)
x0 x0
La différence V(xf ) − V(x0 ) dépend de l’état initial x(t0 ) = x0 et l’état final

x(tf ) = xf et non de la trajectoire allant de x0 à xf . Cette propriété est utilisée
pour déterminer V(x) en intégrant ∇x V(x) le long des axes de coordonnées :
∫ x
V(x) = g(x) dx (59)
∫0 x1 ∫ x2
= g1 (s1, 0, · · · , 0) ds1 + g2 (x1, x2, · · · , 0) ds2 (60)
0 0
∫ xn
+···+ gn (x1, x2, · · · , xn ) dsn (61)
0
Comme le gradient g(x) d’une fonction scalaire V(x) est une fonction
vectorielle, par conséquent son Jacobien ∇x g(x) doit satisfaire la condition de
symétrique ∇x g(x) = [∇x g(x)]T , alors les paramètres inconnus de g(x) doivent
satisfaire cette condition de symétrie. Généralement, on considère :
n
Õ
gi (x) = aij xj (62)
j=1
où aij sont les paramètres à déterminer.

Pour déterminer la fonction de Lyapunov en utilisant la méthode du gradient

variable, on suit les étapes suivantes :
1 en utilisant la formule (62), déterminer g(x) = ∇x V(x),

2 imposer la condition de symétrie ∇x g(x) = [∇x g(x)]T ,
3 Û
déterminer V(x) = [∇x V(x)]T f (x) = [g(x)]T f (x),
4 déterminer V(x) en utilisant la formule (61),
5 vérifier que V(x) > 0 et V(x)
Û < 0.

Exemple :
Considérons le système suivant :
xÛ 1 (t) = −2 x1 (t) (63)

xÛ 2 (t) = −2 x2 (t) + 2 x1 (t) x22 (t) (64)
Étape 1. En utilisant la formule (62), il vient :
g1 (x) = a11 x1 + a12 x2 (65)

g2 (x) = a21 x1 + a22 x2 (66)
alors
a11 x1 + a12 x2

g(x) = (67)
a21 x1 + a22 x2

Exemple :

a11 a12
∇x g(x) = (68)
a21 a22
Étape 2. On impose la condition de la symétrie de ∇x g(x), c’est-à-dire
∇x g(x) = [∇x g(x)]T , il vient :
a12 = a21 (69)
On prend
a12 = a21 = 0 (70)
Par conséquent :
a11 x1
g(x) = (71)
a22 x2

Exemple :
Û
Étape 3. Calcul de V(x) :

−2 x1 (t)
Û
V(x) = [g(x)]T f (x) = [a11 x1 (t) a22 x2 (t)] (72)
−2 x2 (t) + 2 x1 (t) x22 (t)
= −2 a11 x12 (t) − 2 a22 x22 (t) (1 − x1 (t) x2 (t)) (73)
Étape 3. Calcul de V(x) en utilisant la formule (61) :

∫ x1 ∫ x2
V(x) = g1 (s1, 0) ds1 + g2 (s1, s2 ) ds2 (74)
0 0
∫ x1 ∫ x2
= a11 s1 ds1 + a22 s2 ds2 (75)
0 0
a11 a22 2
= x12 (t) + x (t) (76)
2 2 2
Exemple :
Étape 5. Or remarque que V(0) = 0. Pour garantir V(x) > 0, on doit choisir
a11 > 0 et a22 > 0. Par exemple, en prenant a11 = a22 = 2, on obtient :
Û
V(x) = −2 x12 (t) − 2 x22 (t)(1 − x1 (t) x2 (t)) (77)
Ainsi, le système est localement asymptotiquement stable si 1 − x1 (t) x2 (t) ≥ 0.

Théorème d’invariance de LaSalle
Position du problème
Certains systèmes ont la caractéristique d’avoir une fonction de Lyapunov

Û
décroissante V(x) ≤ 0 mais ils sont néanmoins asymptotiquement stable.
Exemple : Pendule simple
On considère le pendule de la Figure 4. On suppose que la masse est
soumise à une force de résistance de friction proportionnelle à la vitesse de la
masse. Dans ce cas, le modèle d’état du pendule est donné comme suit :
xÛ 1 (t) = x2 (t) (78)

g k
xÛ 2 (t) = − sin(x1 (t)) − x2 (t) (79)
l m
où x1 (t) = θ(t) (position angulaire, c’est l’angle que la corde fait avec la
verticale), x1 (t) = θ(t)
Û (vitesse angulaire). g est l’accélération de la gravité, k
est le coefficient de frottement, m est la masse en mouvement, l est la
longueur de la corde rigide.

Pendule simple
O
θ
m
Figure 4 – Pendule simple.
Les points d’équilibre du pendule sont (0, 0) et (k π, 0) (k = 0, ±1, ±2 . . .).

Physiquement, on a deux points d’équilibre (0, 0) et (π, 0) (Figure 5). Les
autres c’est une duplication mathématique de ces deux points car le pendule
peut faire un certain nombre de tours autour de son point de rotation O.

Pendule simple
En utilisant la définition intuitive de la
stabilité, il est clair le point d’équilibre m
(π, 0) est instable. Par contre, le point

l
d’équilibre (0, 0) est stable. De plus,
O
en utilisant la définition de la stabilité O θ=π
asymptotique, on peut confirmer que le

l
point (0, 0) est asymptotiquement
stable. Car si le pendule est à la m
position d’équilibre (0, 0) et on le Point d’équilibre (0, 0) Point d’équilibre (π, 0)
perturbe légèrement, le pendule, après
un certain temps, va regagner sa Figure 5 – Points d’équilibres du
pendule simple.
position d’équilibre initiale (0, 0).

Position du problème
Pendule simple
Appliquons maintenant la théorie de Lyapunov pour étudier la stabilité du point
d’équilibre (0, 0). On prend comme fonction de Lyapunov, la fonction d’énergie
définie comme suit :
1
V(x) = m l2 x22 (t) + m g l (1 − cos(x1 (t))) (80)
2
Û , on obtient : V(x)
En calculant la dérivée de V(x) Û = −k l2 x22 (t).
Il est clair que pour x2 = 0 et x1 , 0, on a V(x)

Û = 0, on déduit que la V(x)
Û est
Û
semi-définie négative, c’est-à-dire V(x) ≤ 0, alors d’après la théorie de
Lyapunov, le point d’équilibre (0, 0) est stable.
Cette conclusion est en contradiction avec la réalité physique. Cet exemple
montre clairement que le théorème de Lyapunov n’est pas conclusif quant à la
stabilité locale asymptotique.
Ensemble invariant
Le théorème d’invariance de LaSalle permet de surmonter cette contradiction

apparente en présentant des conditions supplémentaires sur la fonction V(x)
Û
et sa dérivée V(x) dans le temps pour garantir la stabilité asymptotique. L’idée
de base consiste à généraliser le concept du point d’équilibre en introduisant le
concept de l’ ensemble invariant.
Définition
Un ensemble invariant M (Figure 6), pour un système dynamique xÛ (t) = f (x),
est défini comme l’ensemble de conditions initiales, tels que la solution x(t)
reste dans l’ensemble M ∀t > 0, c’est-à-dire
x(0) ∈ M ⇒ x(t) ∈ M, ∀t ≥ 0 (81)
Exemples : ensemble invariant

Le point d’équilibre, le cycle limite, le domaine d’attraction et l’espace Euclidien
sont des ensembles invariants.
x(0)
x(0)
Figure 6 – Domaine invariant.
Le théorème de LaSalle permet de conclure sur la stabilité asymptotique dans

Û
le cas où V(x) Û
≤ 0 au lieu de V(x) < 0. La différence entre les deux cas se
Û
situent dans la possibilité que V(x) = 0. L’ensemble des points pour lesquels
V(x) = 0 est défini comme suit :
Û
R 0 = {x | V(x)
Û = 0} (82)

Soit V : D → < une fonction continument différentiable et Ωl = {x | V(x) ≤ l}
avec l > 0. Supposons que :
l’ensemble Ωl (Ωl ⊂ D) est compact (fermé et borné),

Û
V(x) ≤ 0, ∀x ∈ Ωl ,
R 0 = {x ∈ Ωl | V(x)
Û = 0} (R 0 ⊂ Ωr ),
M le plus grand ensemble invariant dans R 0 (M ⊂ R 0 ),
alors ∀x(0) ∈ Ωl , la solution x(t) → M lorsque t → +∞.
Pour appliquer le théorème de LaSalle, on suit les étapes suivantes :
1 On définit l’ensemble Ωl (Ωl = {x | V(x) ≤ l} et V(x)

Û ≤ 0, ∀x ∈ Ωl ),
2 On détermine R 0 = {x ∈ Ωl | V(x)
Û = 0},
3 On détermine le plus grand ensemble invariant M dans R 0 .
Le théorème de LaSalle possède l’avantage de s’appliquer à l’analyse de la

convergence asymptotique vers un cycle comme l’illustre la Figure 7
Ωl Ωl
M R0 M R0
x(0) x(0)
Point d’équilibre Cycle limite
Figure 7 – Points d’équilibres du pendule simple.


Û
Rappelons que pour le pendule simple : V(x) = −k l2 x22 (t). Appliquons
maintenant le théorème de LaSalle pour étudier la stabilité de l’origine. On
considère k = l = m1 et g = 10.
Étape 1. Les lignes de contour de la fonction V(x) sont données par la
√ Ω en prenant l = 10, ce qui donne
Figure 8. On définit l’ensemble
√
Ω = [− π2 , π2 ] × [−2 5, 2 5].
Étape 2. Déterminons l’ensemble R 0 :
R 0 = {x | V(x)
Û = 0} ⇒ R 0 = {x | x2 = 0} (83)
par conséquent R 0 est l’ensemble de tous les points appartenant à l’axe

x1 (droite x2 = 0). L’ensemble est indiqué en rouge dans la Figure 8.


Étape 3. Cherchons maintenant, l’ensemble invariant M en annulant la
dérivée de la fonction qui décrit l’ensemble R 0 , c’est-à-dire
xÛ 2 = 0 (84)
d’après l’équation du modèle

g
xÛ 2 = 0 ⇒ − sin(x1 ) = 0 ⇒ x1 = 0 ou x1 = π (85)
m
L’ensemble invariant contient un seul point, c’est-à-dire M = {(0, 0)} et il
est donc le plus large ensemble invariant inclut dans R 0 . Le plus large
ensemble invariant M est indiqué en vert dans la Figure 8.
En conclusion, d’après le théorème de LaSalle, toutes les trajectoires
x(t) avec x(0) ∈ Ωl convergent vers M quant t → +∞, c’est-à-dire vers
le point d’équilibre (0, 0) donc le point est asymptotiquement stable.
45.000
40.00
5.000 0
3
5 30.000 25.0
00
.0 00
15
20
.00
0 20.00 0
x2
0 5.
10 00
.00 0
0
00
−5 30.0 25.0
00
0
40.000 35.00
45.000
−10
−3 −2 −1 0 1 2 3
x1
Figure 8 – Lignes de contours de la fonction de Lyapunov pour le pendule.

Exercices
Exo. 1 Soit le système dynamique

xÛ 1 (t) = x1 (t) x12 (t) + x22 (t) − 1 − x2 (t) (86)

xÛ 2 (t) = x1 (t) + x2 (t) x12 (t) + x22 (t) − 1 (87)
1. Déterminer les points d’équilibre du système,

2. Étudier la stabilité des points d’équilibre en utilisant la méthode directe de
Lyapunov,
3. Déduire l’ensemble d’attraction pour chaque point d’équilibre s’il existe.
Exo. 2 Soit le système dynamique
xÛ (t) = x(t) (−1 + 0, 5 sin(x(t))) , x(0) = 1 (88)

1. Déterminer les bornes inférieure et supérieure de la solution x(t),
2. Étudier la stabilité des points d’équilibre en utilisant la méthode directe de
Lyapunov en considérant V(x) = x2 (t).
Exo. 3 Considérons le système

xÛ 1 (t) = −x1 (t) − 4 x2 (t) − x1 (t) x12 (t) + x22 (t , xÛ 2 (t) = x1 (t) − x2 (t) + x2 (t) x12 (t) − x22 (t)
(89)
En utilisant la fonction candidate de Lyapunov
V(x) = x12 (t) + 4 x22 (t)
montrer que l’origine est asymptotiquement stable.

Exo. 4 Soit le système
xÛ 1 (t) = −4 x1 (t) + x2 (t) + 4 x12 (t), xÛ 2 (t) = x1 (t) − x12 (t) − 4 x2 (t) (90)
1. Montrer que l’origine est un point d’équilibre unique,

2. Montrer par la méthode indirecte de Lyapunov que l’origine est
3. Est-ce que le point d’équilibre est globalement asymptotiquement stable ?
(on donne V(x) = 4 x12 (t) + 4 x22 (t) + 2 x1 (t) x2 (t))
Ahmed MAIDI (UMMTO)
15 juin 2020
Ahmed MAIDI (UMMTO) Chapitre 5. Passivité 1 / 38

Chapitre 5. Passivité
1 Introduction
2 Systèmes passifs
3 Passivité des systèmes linéaires
4 Application à l’analyse de stabilité
5 Exercices

Introduction
La puissance est toujours le produit de deux variables (appelées variables de

puissance) :
1 La variable d’effort notée E,

2 La variable de flux notée F .
Ces grandeurs sont soit scalaire, soit vectorielles. Par exemple :
En mécanique de translation : l’effort c’est la force, et le flux c’est la
vitesse,
En électricité : l’effort c’est la tension, et le flux c’est le courant,
En hydraulique : l’effort c’est la pression, et le flux c’est le débit,
En thermique : l’effort c’est température, et le flux c’est le taux d’échange
thermique.

Introduction
La puissance est la quantité d’énergie par unité de temps fournie par un
système à un autre. La puissance correspond donc à un débit d’énergie. Elle
est donnée par :
P(t) = E(t) F(t) (1)
L’énergie est une notion relié à ceux d’effort, de flux et de durée : la mise en
œuvre d’une action nécessite de maintenir un certain effort pendant une durée
suffisante, pour vaincre les inerties et résistances qui s’opposent à ce
changement. Elle est donnée par :
∫ t
W(t) = P(τ) dτ (2)
−∞
∫ 0 ∫ t
= P(τ) dτ + = P(τ) dτ (3)
−∞ 0
| {z } | {z }
W0 (t) W1 (t)
Le premier terme W0 (t) caractérise l’effet de conditions initiales (différentes de

zéro).
Introduction
Ainsi,
si W(t) > 0, le système absorbe de l’énergie (cas de la résistance),
si W(t) < 0, le système fournit de l’énergie (cas de la batterie).
En général, les éléments qui ne génèrent pas leur propre énergie sont appelés
passifs, i.e. un système est passif si :
W(t) ≥ 0. (4)
Par exemple, les éléments électriques : résistances, condensateur, et bobine

sont des éléments passifs.
Dans la description des systèmes dynamiques, la passivité, qui fera l’objet de

ce présent chapitre, enrichit la connaissance du système par l’utilisation une
fonction de stockage et un taux d’approvisionnement défini comme le produit
entrée-sortie du système.
Introduction
Les fonctions de stockage et d’approvisionnement sont liées au travers de

l’inégalité de dissipation qui renseigne sur la quantité d’énergie que l’on peut
extraire du système.
Pour les système dynamiques, la commande est utilisée pour injecter ou

soutirer de la puissance. Par conséquent, on peut rendre petit l’énergie
stockée en jouant sur la grandeur de commande. Un système est passif si
lorsque le soutirage de la puissance se fait au détriment du stock interne de
l’énergie (pas de génération interne de l’énergie). Par analogie, ce stock
d’énergie est l’équivalent de la fonction de Lypaunov, on le notera V.
Dans ce chapitre, la théorie de passivité est exploitée pour étudier la stabilité

des systèmes dynamiques. Cette fonction V est facile à identifier pour certains
systèmes.

Systèmes passifs
Système passive statique
On considère le système statique dont la caractéristique entrée-sortie est
y(t) = h(t, u(t)) (5)
avec u ∈ <m et y ∈ <m .
Définition 1
Le système (5) est :
passif si uT y ≥ 0,
sans pertes si uT y = 0,
strictement passif en entrée si uT y ≥ uT ϕ(y) > 0, ∀u , 0,
strictement passif en sortie si uT y ≥ uT ρ(y) > 0, ∀y , 0.
Dans tous les cas, l’inégalité doit être vérifiée ∀ (t, u).

Systèmes passifs
Système passif statique
Taux d’approvisionnement
Le produit uT y représente le taux d’approvisionnement qui caractérise
l’interaction du système avec son environnement de manière positive lorsque
le système absorbe de l’énergie et négative lorsqu’il fournit de l’énergie.
Exemple : résistance électrique

Considérons l’exemple de la résistance électrique (Figure 1).
i(t)
+
v(t) R
−
Figure 1 – Résistance électrique.

Systèmes passifs
Système passif statique
Exemple : résistance électrique

La caractéristique tension-courant est linéaire, c’est-à-dire
v(t) = R i(t) (6)
En posant
u(t) ≡ v(t) (7)

y(t) ≡ i(t) (8)
il vient
u(t) y(t) = R y2 (t) > 0 (9)
Donc le système est passif.

Systèmes passifs
Système passive dynamique
On considère le système dynamique suivant :
xÛ (t) = f (x(t), u(t)) (10)

y(t) = h(x(t), u(t)) (11)
avec u ∈ <m et y ∈ <m .
Définition 2
Le système (10)–(11) est passif s’il existe une fonction continument
différentiable semi-définie positive V(x), appelée fonction de stockage
interne,tel que :
dV ∂V
uT y ≥ = f (x, u), ∀ (x, u) (12)
dt ∂x
de plus, il est :
sans pertes si uT y = VÛ VÛ = dV/dt ,

strictement passif en entrée si uT y ≥ VÛ + uT ϕ(y) et uT ϕ(y) > 0, ∀u , 0,

Systèmes passifs
Système passive dynamique
Définition 2 (suite)
strictement passif en sortie si uT y ≥ VÛ + uT ρ(y) et uT ρ(y) > 0, ∀y , 0,
strictement passif si uT y ≥ VÛ + ψ(x) pour une fonction ψ(x) définie
positive.
Dans tous les cas, l’inégalité doit être vérifiée ∀ (x, u).
Exemple : circuit RLC

Considérons le circuit RLC de la Figure 2.
Le circuit reçoit de la puissance par v(t) et iL (t),
La puissance reçue est dissipée partiellement dans les résistances R1 et
R2 et stockée dans les éléments C (condensateur) et L (bobine),
Le circuit peut fournir de la puissance en entrée diminuant son stock
interne de l’énergie (en diminuant la charge du condensateur ou le champ
magnétique de la bobine).
Systèmes passifs
Système passif dynamique
Exemple : système dynamique passif

R1 L
iL (t)
+
v(t) vC (t) C R2
−
Figure 2 – Circuit électrique RLC.
Le modèle d’état du circuit est donné comme suit :

R1 1 1
xÛ 1 (t) = − x1 (t) − x2 (t) + u(t) (13)
L L L
1 1
xÛ 2 (t) = x1 (t) − x2 (t) (14)
C R2 C
Systèmes passifs

avec
x1 (t) ≡ iL (t) (15)

x2 (t) ≡ uC (t) (16)
u(t) ≡ v(t) (17)
L’énergie stockée est :

1 1
V = L x22 (t) + C x22 (t) (18)
2 2
L’évolution du stockage dans le temps est :
dV
= V(t)
Û = L x1 (t) xÛ 1 (t) + C x2 (t) xÛ 2 (t) (19)
dt

Systèmes passifs

R1 1 1 1 1
V(t) = L x1 (t) − x1 (t) − x2 (t) + u(t) + C x2 (t)
Û x1 (t) − x2 (t)
L L L C R2 C
(20)
1 2
= u(t) x1 (t) − R1 (t) x12 (t) − x (t) (21)
R2 2
En considérant comme sortie y(t) l’état x1 (t), c’est-à-dire y(t) = x1 (t), il vient :
u(t) y(t) = V(t)

Û + g(x(t)) (22)
1 2
Comme la fonction g(x) = R1 x12 (t) + x (t) est définie positive, on déduit que
R2 2
le système est strictement passif.

Passivité des systèmes linéaires
Système réel positif
Définition 3
G(s) est réelle positive si,
Re[G(s)] ≥ 0, ∀Re[s] ≥ 0 (23)
et strictement réelle positive si, ∃ ε tel que G(s − ε) est réelle positive.
Théorème 1
Une fonction de transfert G(s) est strictement réelle positive implique que
1 G(s) est strictement stable (sans pôles sur l’axe imaginaire),
2 ∀ω ≥ 0, Re[G(j ω)] > 0.
Il existe certains critères simples pour détecter les systèmes positifs réels.
Supposons que la fonction de transfert G(s) peut être mise sous la forme :

Systèmes passifs
Remarques
où g est le terme de dissipation.
Pour un système passif Ainsi, pour un système système
statique, la fonction de passif statique comme V = 0,
stockage V = 0, alors VÛ = 0 et g = uT y.
La caractéristique y(t)
(entrée-sortie) statique se
trouve dans le premier et le
troisième quadrant du plan u(t)
Ouy (Figure 3).
Le produit entrée-sortie
peut s’écrire de manière
générale comme suit : Figure 3 – Secteur pour la
caractéristique d’un système passif
uT y = VÛ + g (24) statique.

(s − sm )(s − sm−1 ) . . . (s − s0 )
G(s) = (25)
(s − pn )(s − pn−1 ) . . . (s − p0 )
avec si et pi sont respectivement les zéros et les pôles de la fonction de
transfert.
Degré relatif
Le degré relatif noté σ est défini comme la différence
σ =n−m (26)
où n et m sont respectivement le nombre de pôles et le nombre de zéros de la

fonction de transfert (Pour un système physique causal σ ≥ 0).
Minimum de phase
Un système linéaire est dit à minimum de phase si tous ces zéros ont une
partie réelle strictement négative, i.e. Re(zi ) < 0, i = 1, . . . , m.
Si la fonction de transfert est positive réelle, c’est-à-dire Re[G(j ω)] ≥ 0, ∀ω,

alors
1 le degré relatif est nulle ou égale à 1,
2 il n’y a pas de zéro à partie réelle positive (G(s) est à phase minimale),
3 le système est stable.
Lemme de Kalman-Yakubovich-Popov
Soit G(s) = C (s I − A)−1 B la fonction de transfert d’un système qui est
commandable et observable. Sous ces hypothèses, la fonction de transfert
G(s) est strictement réelle positive si, et seulement si, il existe deux matrices
symétriques définies positives P et Q telles que
AT P + P A = −Q et P B = CT (27)

Lemme 1
Le système dynamique dont réalisation
xÛ (t) = f (x(t), u(t)) (28)

y(t) = h(x(t), u(t)) (29)
est minimale (observable et commandable) avec
G(s) = C (s I − A)−1 B + D (30)
est :
passif si G(s) est réelle positive
strictement passif si G(s) est strictement réelle positive

Exemple
Soit la fonction de transfert suivante :
(s + 2)
G(s) = (31)
(s + 1) (s + 1)
1 On a n = 2 et m = 1, le degré relative σ = 1,
2 Il y a un seul zéro s = −2 dont la partie réel est négative (le système est à
phase minimale),
3 les pôles sont stables.
En conclusion, le système est donc passif.

Pour un système linéaire, on peut caractériser la propriété de passivité en
fonction de la réponse harmonique du système. On considère les systèmes
linéaires décrits par la fonction de transfert de la forme
Y(s) bm sm + bm−1 sm−1 + . . . + b1 s + b0

G(s) = = (32)
U(s) sn + an−1 sn−1 + . . . + a1 s + a0
Théorème 2
Le système G(s) est passif implique que Re [G(j ω)] > 0
Exemple : système passif

La fonction de transfert du circuit électrique de la Figure 2 est :
R2 C s + 1
G(s) = (33)
R2 C L s2 + (R1 R2 C + L) s + R1 + R2
Les valeurs numériques sont : C = 2, 4, R1 = 1, R2 = 10 et L = 1, 2.
Systèmes passifs
Exemple : système passif

La Figure 4 montre clairement que la partie réelle de la réponse harmonique
est à partie réelle positive, donc le système est passif.
0.6
0.4
0.2
Im
0.0
−0.2
−0.4
−0.6
−0.2 0.0 0.2 0.4 0.6 0.8 1.0
Re
Figure 4 – Diagramme de Nyquist pour le circuit RLC.

Systèmes passifs
Théorème 3
Si un système linéaire
xÛ (t) = A x(t) + B u(t) (34)

y(t) = C x(t) (35)
admet deux matrices symétriques définies positives P et Q qui satisfont les

deux équations
AT P + P A = −Q et P B = CT (36)
alors le système est passif avec :

1 T
comme fonction de stockage interne : V = x (t) P x(t),
2
1 T
et comme terme de dissipation : g = x (t) Q x(t)
2

Application à l’analyse de stabilité
Stabilité d’un système non forcé
Dans cette section, on considère le système décrit par le modèle d’état :
xÛ (t) = f (x(t), u(t)) (37)

y(t) = h(x(t), u(t)) (38)
où f est une fonction lipschitzienne, h est une fonction continue, f (0, 0) = 0 et

h(0, 0) = 0. On s’intéresse à l’analyse de la stabilité de l’origine comme point
d’équilibre du système xÛ (t) = f (x(t), 0) (Système non forcé, i.e. u = 0).
Lemme 2
Si le système (37)–(38) est passif avec une fonction de stockage interne V
définie positive (V > 0), alors l’origine du système xÛ (t) = f (x(t), 0) est stable.

Système zéro-état observable

Le système (37)–(38) est zéro-état observable si pour une entrée
identiquement nulle u = 0, on a
y(t) = 0, ∀ t ≥ 0 ⇒ x(t) = 0, ∀ t ≥ 0. (39)
Fonction radialement non bornée

La fonction f : <n → < est radialement non bornée si
lim f (x) = +∞ (40)

kx k→+∞

Lemme 3
Considérons le système (37)–(38). L’origine de xÛ (t) = f (x(t), 0) est
asymptotiquement stable si le système est
strictement passif ou
strictement passif en sortie et zéro-état observable.
En outre, si la fonction de stockage V est radialement non bornée, l’origine est

globalement asymptotiquement stable.

Exemple
Soit le système suivant :
xÛ 1 (t) = x2 (t) (41)

xÛ 2 (t) = −a x13 (t) − k x2 (t) + u(t) (42)
y(t) = x2 (t) (43)
analyser la stabilité de l’origine du système non forcé (u = 0) en considérant la

fonction de stockage candidate suivante
1 1
V = a x14 + x22 (44)
4 2
Û = a x3 xÛ 1 + x2 xÛ 2
V(t) (45)
1

= a x13 x2 + x2 −a x13 − k x2 + u (46)
Exemple
VÛ = u x2 − k x22 (47)
= u y − k y2 (48)
Par conséquent,
u y = VÛ + k y2 (49)
= VÛ + y ρ(y), ρ(y) = k y (50)
Par conséquent, le système est strictement passif en sortie. Pour u = 0, on a :
y = 0 ⇒ x2 = 0 ⇒ a x13 = 0 ⇒ x1 = 0 (51)
alors le système est zéro-état observable. D’après le Lemme 3, l’origine est

Stabilité d’une connexion en rétroaction négative
Théorème 4
Considérons la connexion par rétroaction négative des deux systèmes G1 et
G2 (Figure 5).
u1 y1
u + G1 y
−
y2 u2
G2
Figure 5 – Connexion par rétroaction négative.

Théorème 4 (suite)
L’origine du système en boucle fermée (lorsque u = 0) est asymptotiquement
stable si
Les deux systèmes G1 et G2 sont strictement passifs,

Les deux systèmes G1 et G2 sont strictement passifs en sorties et
zéro-état observables, ou
Un système est strictement passif, et l’autre est strictement passive en
sortie et zéro-état observable.
En outre, si les fonctions de stockage V1 et V2 sont radialement non bornées,

l’origine est globalement asymptotiquement stable.

Exemple
Démontrer que l’origine de la connexion en rétroaction des deux systèmes
suivants :
Système G1 : Système G2 :
xÛ 1 = x2 (52) xÛ 3 = x4 (55)
xÛ 2 = −a x13 − k x2 + u1 (53) xÛ 4 = −b x3 − x43 + u2 (56)
y1 = x2 (54) y2 = x4 (57)
est globalement asymptotiquement stable. Les paramètres a, b et k sont
positifs.
On donne fonctions de stockages :
a 1 b 1
V1 = x14 + x22, V2 = x32 + x42 (58)
4 2 2 2
Exemple
Pour le système G1 , on a :
VÛ 1 = a x13 xÛ 1 + x2 xÛ 2 (59)

= a x13 x2 + x2 −a x13 − k x2 + u1 (60)
= u1 x2 − k x22 (61)
= u1 y1 − k y21 (62)
= u1 y1 + y1 ρ(y1 ), ρ(y1 ) = −k y1 (63)
On conclut que le système G1 est strictement passive en sortie. De plus, pour

u1 = 0, on a :
y1 = 0 ⇒ x2 = 0 ⇒ −a x13 = 0 ⇒ x1 = 0 (64)
alors le système est zéro-état observable.

Exemple
Pour le système G2 , on a :
VÛ 2 = b x3 xÛ 3 + x4 xÛ 4 (65)

= b x3 x4 + x4 −b x3 − x43 + u2 (66)
= u2 x4 − x44 (67)
= u2 y2 − y42 (68)
= u2 y2 + y2 ρ(y1 ), ρ(y1 ) = −y31 (69)
On conclut que le système G2 est strictement passive en sortie. De plus, pour

u2 = 0, on a :
y2 = 0 ⇒ x4 = 0 ⇒ −b x3 = 0 ⇒ x3 = 0 (70)
alors le système est zéro-état observable.

Exemple
D’après le deuxième cas du Théorème 4, on conclut que l’origine est
asymptotiquement stable. On a aussi :
lim V1 = +∞ (71)
kx k→+∞
lim V2 = +∞ (72)
kx k→+∞
donc le système est globalement asymptotiquement stable.

Exercices
Exo. 1 Montrer que la connexion parallèle de deux systèmes passifs G1 et G2

(Figure 6) est un système passif.
u1 y1
G1
u y
u2 G2 y2
Figure 6 – Connexion parallèle.

Exercices
Exo. 2 Soit le système

1 1
xÛ = −x + h(x) + u (73)
a k
y = h(x) (74)
où a et k sont des constantes positives et h ∈ [0, k]. Montrer que le système

est passif avec une fonction de stockage
∫ x
V=a h(s) ds (75)
0
Exo. 3 Montrer que la fonction de transfert

b1 s + b0
G(s) = (76)
s2 + a1 s + a0
est strictement réelle positive si et seulement si tous les coefficients sont
positifs et b1 < a1 b0 .

Exercices
Exo. 4 Considérons la connexion en rétroaction de la Figure 5 avec :
Système G1 :
xÛ 1 = x2 (77)
xÛ 2 = −x1 − h1 (x2 ) + u1 (78)
y1 = x2 (79)
Système G2 :
xÛ 3 = −x3 + u2 (80)
y2 = h2 (x3 ) (81)
avec h1 et h2 sont des fonctions lipschitziennes qui vérifient h1 ∈]0, +∞[,

h2 ∈]0, +∞[, et |h2 (z)| ≥ |z|/(1 + z2 ), ∀ z.

Exercices
1. Montrer que la connexion est passive,

2. Montrer que l’origine du système non forcé est asymptotiquement stable.
Indication : on donne les fonctions de stockage suivantes :

∫ x3
1 2
V1 = x + x2 ,
2
V2 = h2 (s) ds (82)
2 1 0

SNL Cours

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

SNL Cours

Transféré par

Droits d'auteur :

Formats disponibles

Module : systèmes non linéaires

Ahmed MAIDI (UMMTO)

Master académique (AS et AII)

1 Notion de système dynamique

2 Définition d’un système non linéaire

3 Notion de modèle mathématique

4 Représentation d’un système non linéaire

5 Sources des non linéarités

6 Conditions d’existence de la solution

8 Notion du point d’équilibre

9 Linéarisation autour d’un point d’équilibre

Les variables caractéristiques d’un système dynamique sont :

Commandes : variables à manipuler pour changer le comportement

Équation différentielle ordinaire : établit une relation entre la variable

Une équation différentielle est linéaire si :

Exemple : classification des équations différentielles ordinaires

Exemple : classification des équations différentielles ordinaires

Utilité d’un modèle mathématique

Obtention d’un modèle mathématique

Système non linéaire

Principe de superposition : propriété d’additivité

est la somme des réponses élémentaires yk (t) à chacune des entrées

Principe de superposition : propriété d’homogénéité

Cas d’un système non linéaire

Exemple : application du principe de superposition

d2 y1 (t) dy1 (t)

Exemple : Application du principe de supperposition

d2 y1 (t) dy1 (t) d2 y2 (t) dy2 (t)

qu’on peut arranger comme suit :

d2 y1 (t) d2 y2 (t) dy1 (t) dy2 (t)

xÛ (t) = f (x(t), u(t), t) (Equation d’état) (12)

 x1 (t)   u1 (t)   y1 (t) 

x ∈ <n : vecteur d’état,

Système affine en l’entrée  g11 (x(t)) . . . g1m (x(t)) 

xÛ (t) = f (x(t), t) (16)

Système autonome : pas de t dans la fonction f

xÛ (t) = f (x(t), u(t)) (17)

xÛ (t) = A(t) x(t) + B(t) u(t) (18)

A ∈ <n×n : matrice d’état. B ∈ <n×m : matrice de commande.

C ∈ <r×n : matrice de sortie. D ∈ <r×m : matrice de transmission directe.

Non linéarités de base

u(t) u(t) u(t)

1)- Courbure. 2)- Saturation. 3)- Seuil.

4)- Hystérésis (jeu). 5)- Relais (Commutateur tout-ou-rien).

Figure 1 – Exemples de non linéarités de base.

Non linéarités combinées

u(t) u(t) u(t)

4)- Relais avec seuil et hystŕésis. 5)- Relais avec hystérésis.

Figure 2 – Exemples de non linéarités combinées.

kf (x(t), t) − f (z(t), t)k ≤ Lkx(t) − z(t)k, ∀t ∈ D, ∀x, z ∈ <n, (20)

Dans ce cas, la solution x(t) du problème de Cauchy existe, est unique et

La vérification de l’existence de la solution est importante comme phase de

Exemple : fonction lipschitzienne

kf (x) − f (z)k = kx2 − z2 k = |x2 − z2 | (21)

Comme x ∈ D = [0, 2], alors max |x + z| = 4

kf (x) − f (z)k ≤ 4 |(x − z)| (24)

xÛ (t) = f (x(t)) (26)

si pour x(t0 ) = xe on a x(t) = xe, ∀t > t0 .

Exemple : points d’équilibre

xÛ (t) = r + x2 (t), r∈< (28)

Pour déterminer les points d’équilibre, on résout l’équation algébrique

On les trois cas suivant :

 ∂f1 ∂f1 ∂f1   ∂f1 ∂f1 ∂f1 