Académique Documents
Professionnel Documents
Culture Documents
Le but de ce TP :
L'objectif de ce TP est de montrer aux étudiants comment utiliser Matlab et Simulink pour créer
Des modèles de systèmes à temps discret sous forme de fonctions de transfert et analyser des
systèmes de contrôle numérique.
Partie Théorique :
Partie 1 : Conversion d’un système continu à un
système discret
1 - la fonction de transfert du système en boucle ouverte
(ZOH + Plant) en utilisant la Fonction c2d qu’on appellera G1 :
clc;
close all
clear all
num = [1];
den = [1 1 0];
t=1;
p=tf(num,den);
G1 = c2d(p,t,'zoh')
2- la fonction d2c, qui nous permet de passer d’un système discret à un système
continu pour retrouver la fonction de transfert G2 en temps continu du système en
boucle ouverte :
G2 = d2c(G1,'zoh')
Partie 2 :
On a le système continu défini par la fonction de transfert suivante :
resultat :
% Pôles
poles = roots(denominator_discrete);
disp('Pôles de G1(z) :');
disp(poles);
% Zéros
zeros = roots(numerator_discrete);
disp('Zéros de G1(z) :');
disp(zeros);
resultat :
figure;
impulse(G_discrete);
title('Réponse impulsionnelle de G1(z)');
% Réponse indicielle
figure;
step(G_discrete);
title('Réponse indicielle de G1(z)');
resultat :
% Réponse impulsionnelle
subplot(3, 1, 2);
impulse(G_discrete);
title('Réponse impulsionnelle de G1(z)');
% Réponse indicielle
subplot(3, 1, 3);
step(G_discrete);
title('Réponse indicielle de G1(z)');
Résultat :
% Pôles
poles_tustin = roots(denominator_tustin);
disp('Pôles de G1(z) (méthode Tustin) :');
disp(poles_tustin);
% Zéros
zeros_tustin = roots(numerator_tustin);
disp('Zéros de G1(z) (méthode Tustin) :');
disp(zeros_tustin);
Resultat :
% Réponse indicielle
figure;
step(G_discrete_tustin);
title('Réponse indicielle de G1(z) (méthode Tustin)');
Résultat :
Traçage dans une figure avec 3 subplot :
% Diagramme pôle-zéro
subplot(3, 1, 1);
pzmap(G_discrete_tustin);
title('Diagramme pôle-zéro de G1(z) (méthode Tustin)');
% Réponse impulsionnelle
subplot(3, 1, 2);
impulse(G_discrete_tustin);
title('Réponse impulsionnelle de G1(z) (méthode Tustin)');
% Réponse indicielle
subplot(3, 1, 3);
step(G_discrete_tustin);
title('Réponse indicielle de G1(z) (méthode Tustin)');
On peut mettre visualiser les résultats des deux méthodes pour comparer avec ce code
Clc ;
% Paramètres communs
T = 0.5; % Période d'échantillonnage
% Méthode ZOH
G_discrete_zoh = c2d(G_cont, T, 'zoh');
% Méthode Tustin
G_discrete_tustin = c2d(G_cont, T, 'tustin');
subplot(2, 1, 2);
pzmap(G_discrete_tustin);
title('Diagramme pôle-zéro (Tustin)');
subplot(2, 1, 2);
impulse(G_discrete_tustin);
title('Réponse impulsionnelle (Tustin)');
subplot(2, 1, 2);
step(G_discrete_tustin);
title('Réponse indicielle (Tustin)');
On remarque que les pôles et les zéros sont similaires sauf que la méthode de Tustin nous donne un
Zéro de plus (-1)
La réponse impulsionnelle est similaire après T=0.5 s mais on remarque que pendant 0 s < T < 0.5s
La réponse impulsionnelle de Tustin = 0.4 et La réponse impulsionnelle de ZOH = 0
Inconvénients :
Peut introduire des erreurs importantes dans la discrétisation, en particulier pour les
systèmes instables ou fortement oscillants.
Ne prend pas en compte les hautes fréquences, ce qui peut conduire à des approximations
inappropriées pour les systèmes avec des dynamiques rapides.
Inconvénients :
Peut introduire des pôles instables pour des systèmes continus stables, selon la fréquence
d'échantillonnage.
Conclusion :
Si la facilité d'implémentation est cruciale et que les systèmes sont relativement simples, ZOH
peut être un choix acceptable.
En fin de compte, le choix dépend des exigences spécifiques de votre application, y compris les
contraintes de stabilité, la fidélité dans la préservation des caractéristiques fréquentielles, et les
ressources computationnelles disponibles. Il peut également être utile de tester les deux
méthodes sur votre système et d'évaluer comment elles se comportent dans des conditions
réelles.
Conclusion générale :
En bref, la représentation, l'analyse et la discrétisation des systèmes linéaires sont des étapes
cruciales pour comprendre et manipuler ces systèmes dans divers domaines tels que le contrôle
automatique, la communication, et l'électrotechnique. La représentation d'un système linéaire
consiste à décrire sa structure mathématique en utilisant des équations ou des matrices. L'analyse
d'un système linéaire consiste à étudier ses propriétés mathématiques, telles que sa stabilité, sa
réponse à une excitation particulière et son comportement en cas de perturbations. La discrétisation
d'un système linéaire consiste à convertir une description continue du système en une description
discrète utilisant un échantillonnage discret du temps. Cela est important dans l'implémentation
numérique des systèmes linéaires, car les calculs numériques sont plus faciles à effectuer sur des
données discrétisées que sur des données continues. Les techniques de discrétisation incluent
l'utilisation de filtres finis impulsionnels (FFT) et l'utilisation de méthodes numériques pour résoudre
les équations différentielles discrètes.