Département AUTOMATIQUE

ASSERVISSEMENT CONTINU LINEAIRE (S3G2I3)

Thierry Marie Guerra

 AUTOMATIQUEDépartement AUTOMATIQUE

Définition : Science et technique qui permet de maîtriser le comportement d’un système (traduit par l’évolution des
grandeurs de sortie) en agissant sur les grandeurs d’entrée.

Système ?

Définition : Quelque chose qui bouge fonctionne et se transforme

Subies : Grandeur
Entrées : de perturbation
agissent sur le système

Maîtrisables :
Sorties observées
Grandeur d’action ou de Système
(mesurées)
commande

Etat ou Sorties non mesurées

2
 Automatique : l’Art de fermer la boucle
Département AUTOMATIQUE
perturbation
GRANDEURS DE:
commande action réaction
Système
Actionneur Système
réglant
bruits de mesure
référence +
mesure
Capteur

Entrées de commande : aileron, gouvernail

Entrées de perturbation : vent latéral, pression
Sorties : angles tangage, roulis, lacet, vitesses
 Automatique : l’Art de fermer la boucle
Département AUTOMATIQUE
perturbation
GRANDEURS DE:
commande action réaction
Système
Actionneur Système
réglant
bruits de mesure
référence +
mesure
Capteur

Entrées de commande : Vitesses de rotation hélices

Entrées de perturbation : vent latéral, pression
Sorties : angles tangage, roulis, lacet, vitesses
 Un peu d’histoire

Cornelis Jacobszoon Drebbel (1572, Alkmaar – 1633, Londres) physicien et mécanicien hollandais :
asservissement de température d'un four → « Athanor » alchimiste …

Robert Hooke (1635 Île de Wight – 1703 Londres)

Christian Huygens, (1629 La Haye – 1695 La Haye) : régulateur de vitesse
pour moulins à vent

James Watt, (1736 Greenock en Écosse – 1819 Handsworth)

Régulateur de la vitesse de rotation d'une machine à vapeur.

5/80
 Un peu d’histoire : XXème siècle

1930s: Bode (1905-1982) 1932: Nyquist (1889-1976) Laboratoires Bell

B-29 Superfortress
ABS - ESP

1942 Ziegler-Nichols (pression, température)

1945s Aéronautique
1950s Télécommunications
1960s Début de l’automatique moderne
1990s Automobile Navette spatiale américaine
1990s Percée de l’automatique due à la complexité des systèmes et aux besoins
en augmentation: systèmes multi-capteurs, multi-actionneurs,
performances atteignables qu’en mode contrôlé....
XXIème siècle Robotique
Entrée Atmosphère

Alter Robot
Exosquelette
humanoïde
6/80
 Çà sert à qui ?
Industries de pointe :
espace (EADS, fusée, satellite …),
avionique (AIRBUS, BOEING …),

transports terrestres
automobile (Constructeurs + équipementiers)
ferroviaire (ALSTHOM, BOMBARDIER …)

Production et distribution de l’énergie :

Électricité, hydraulique , Industrie Pétrolière, …

Mais aussi toute unité de production :

plastique, acier, chimie, bio-procédés, …

7/80
 Réseaux de grande taille

Industries de pointe :

8/80

Railway Industry
10 000 employment
1st European Region for Railway
4 International manufacturers
leaders
1 Billion Euros Sales Revenue
9
Ecosystème local / régional
Car Industry
36 000 employment
1st French Region for Car Industry
3 Cars Manufacturers,
550 000 Vehicles
7 production plants
Département AUTOMATIQUE
Logistics
41 500 employment
3rd French Region for Logistics
1st French Harbor platform
(Boulogne, Calais, Dunkerque)
500 000 m2 last generation
warehouses
 LAMIH UMR CNRS 8201
Département AUTOMATIQUE

Excellence scientifique Excellence

partenariale
~250 Members
110 Pr. Ass. Pr
30 Eng. Secretary
110 Doc. Post-Doc
 CollaborationsDépartement AUTOMATIQUE

Reykjavik

Vancouver
Laval
Montréal
Chicago
Penn State
Princeton Trondheim
U Maryland
Irvine Virginia
Texas A&M
Florida
Sonora Taliin
Edinburg
Trollhättan
Newcastle Lyngby
TU Denmark
Mexico
Leeds
Cranfield Rostock
Delft
London Kent Eindhoven Varsovie
Berlin Daegu
Bruxelles Louvain
Mons Kaiserslautern Prague Tsukuba
Luxembour Nanjing Fukuo
g Yichang ka Tokyo
Bogota
Tongjii
Lausanne Cluj-Napoca
Genève Ljubljana
Bragance Milan
Bilbao Padoue Belgrade Bucharest
Pavie
Saragosse
L’Aquila Sofia
Minas Gerais Faro Singapore
Valencia Cagliari
COPPE Rio de
Janeiro
Marrakech Oran Bejaia
Alger Jijel Tunis Regio
Fès
Constantine de Doha Qatar
Tlemcen
Monastir Calabra Texas A&M
Sfax
Tel-Aviv

Le Caire

11
 Industrial cooperations
Département AUTOMATIQUE

12
 Innovation: Brevets, start-ups
Département AUTOMATIQUE
12 brevets

Auto
dont 3 licenciés
AutoNomad Mobility

Info 2 brevets

SHV 2 brevets

4 start-ups : kits pour véhicules hybrides, kit pour fauteuils roulants Auto

SHV Auto
AutoNomad Mobility
 Exemple : suivi de véhicule Département
(2006 !) AUTOMATIQUE
➢ Régulation d’inter distance :

dist

Dx

➢ Suivi de véhicule complet

yF

Centrale inertielle Capteur GPS

OF xF
 Exemple : suivi de véhicule Département
(2006 !) AUTOMATIQUE
➢ Régulation d’inter distance :

yF perturbation

commandes actions Sorties

Système
Actionneur Système
réglant
OF xF

référence +
mesure bruits de mesure
Capteur

Centrale inertielle Radar

 Exemple : suivi de véhicule
Département AUTOMATIQUE
Principaux résultats :
Suivi de véhicule, P.F. Toulotte, 29/09/2006 (EM Douai) (S. Delprat, T.M. Guerra, J. Boonaert)
 Exemple : Véhicule autonome Département
(2018) AUTOMATIQUE
➢ Perception, obstacles dynamiques, détection, décision

perturbation

commandes actions Sorties

Système
Actionneurs Système
réglant

référence +
mesure bruits de mesure
Capteurs

Centrale inertielle
Radars, caméras…
 Exemple : suivi de véhicule
Département AUTOMATIQUE
Principaux résultats :
Suivi de véhicule, P.F. Toulotte, 29/09/2006 (EM Douai) (S. Delprat, T.M. Guerra, J. Boonaert)
Véhicule Autonome (2018)
 Démonstrateurs LAMIH UMR CNRS 8201
Département AUTOMATIQUE

© Alexis Chezières
Démonstrateur Véhicule Hybride

Convertisseur
multicellulaire

Beaucoup de moyens d’essais

Bancs moteurs
 Start-upDépartement AUTOMATIQUE
AutoNomad Mobility

Kit d’assistance électrique pour fauteuil roulant

perturbation
commandes
Sorties vitesses roue
Système
Actionneurs + Système
réglant
actions
+
bruits de mesure
mesure
Capteurs
Commande « sans » capteur

Capteur de force Capteurs de poussée

 Start-upDépartement AUTOMATIQUE
AutoNomad Mobility
Autonomad Mobility: Dr Sami Mohammad
Issued from the Lab, 3 patents CNRS/UVHC
→ creation August 2015. Winner of several prices: 15th Nat concourse BPI – Ministry of Research 2013 emerging start-up (35 k€),
i-Lab 17th concourse 2015 category “Creation-dev” (200 k€), Force Awards 2015, UVHC nuggets 2015,… 2 PhD ongoing
URL : https://youtu.be/1O_C2fozHaw

6 People
2nd fund raising

2 docs
 Travaux sur l’Humain Département
(2018) AUTOMATIQUE
• Current models are inapplicable to study sitting stability when complete SCI above certain spinal level
=> Need to take the upper segments activity into account

NL open-loop unstable + under actuated +

delay = “poor” stabilization domain

Goal: recover the Internal stabilization force

 S3S Département
Model AUTOMATIQUE

Problem 1:
1414
LMI constraints: 262 144 of size
n° variables: 3 193 344

( ( ) ) ( ( )
 M T = q0 I q 0 − 2 m1l0lG + m2l0l1 cos ( q1 ) − 2m2l0lG cos ( q2 + q1 ) + 2m2l1lG cos ( q2 ) + q1 I q1 − m1l0lG + m2l0l1 cos ( q1 ) − m2l0lG cos ( q2 + q1 )
 1 2 2 1 2
)

 ( ) (( )
+ q2 I q 2 − m2l0lG2 cos ( q2 + q1 ) + m2l1lG2 cos ( q2 ) + q12 m1l0lG1 + m2l0l1 sin ( q1 ) + m2l0lG2 sin ( q2 + q1 ) )

 ( ) (( )
+ q2 2 m2l0lG2 sin ( q2 + q1 ) − m2l1lG2 sin ( q2 ) + 2q0 q1 m1l0lG1 + m2l0l1 sin ( q1 ) + m2l0lG2 sin ( q2 + q1 ))

 ( ) ( ) ( )
+2q0 q2 m2l0lG2 sin ( q2 + q1 ) − m2l1lG2 sin ( q2 ) + 2q1q2 m2l0lG2 sin ( q2 + q1 ) − m2l1lG2 sin ( q2 ) − m0 glG0 + m1 gl0 + m2 gl0 sin ( q0 )

 ( )
+ m1 glG1 + m2 gl1 sin ( q1 + q0 ) + m2 glG2 sin ( q2 + q1 + q0 )

( ( ) ) ( ) ( )
 M E = q0 I q1 + 2m2l1lG2 cos ( q2 ) − m1l0lG1 + m2l0l1 cos ( q1 ) − m2l0lG2 cos ( q2 + q1 ) + q1 I q1 + 2m2l1lG2 cos ( q2 ) + q2 I q 2 + m2l1lG2 cos ( q2 )


 (( ) )
−q0 2 m1l0lG1 + m2l0l1 sin ( q1 ) + m2l0lG2 sin ( q2 + q1 ) − q2 2 m2l1lG2 sin ( q2 )

 ( )
−2q0 q2 m2l1lG2 sin ( q2 ) − 2q1q2 m2l1lG2 sin ( q2 ) + m1 glG1 + m2 gl1 sin ( q1 + q0 ) + m2 glG2 sin ( q2 + q1 + q0 )

( ) ( )
 M C = q0 I q 2 − m2l0lG2 cos ( q2 + q1 ) + m2l1lG2 cos ( q2 ) + q1 I q 2 + m2l1lG2 cos ( q2 ) + q2 I q 2

 ( )
+ q0 2 m2l1lG2 sin ( q2 ) − m2l0lG2 sin ( q2 + q1 ) + q12 m2l1lG2 sin ( q2 ) + 2q0 q1m2l1lG2 sin ( q2 ) + m2 glG2 sin ( q2 + q1 + q0 )
Expérimentations
Département AUTOMATIQUE
Da Vinci Surgery https://youtu.be/KNHgeykDXFw
Département AUTOMATIQUE
 Robotique humanoïde
Département AUTOMATIQUE

QRIO (Sony)
http://www.sony.net/SonyInfo/QRIO/top_nf.html
 Objectifs du module
Département AUTOMATIQUE

Donner les notions de base essentielles à la compréhension d’une boucle de commande élémentaire dont le système est
représenté par un modèle linéaire.
C’est le préalable aux techniques utilisées pour déterminer des lois de commande.

I. Définitions générales, Modélisation

II. Les signaux continus

III. Représentation fréquentielle des signaux continus (Laplace), fonction de transfert

IV. Les modèles de base (1er ordre, 2ème ordre, intégrateur, retard)

V. Boucle ouverte / boucle fermée

VI. Notions de performances et de stabilité d’une boucle

 Notations, Préliminaires

Nombres complexes : z  , z = x + jy = r  e
j
= r ( cos ( ) + j sin ( ) )
Im
x : partie réelle, y : partie imaginaire
y z = x + jy
r
r= x +y 2 2
module  Re
x y
argument cos ( ) = , sin ( ) =
x
 = arg ( z ) 0
x2 + y 2 x2 + y 2
 y −y z = x − jy
 = arctan   ATTENTION x  0 sinon à  près
x
Nombre complexe conjugué : z  , z = x − jy , z = z ,  = − → symétrique / axe réel

z1 z1
Propriétés usuelles : z1 , z2  , z1  z2 = z1  z2 , =
z2 z2
z 
arg ( z1  z2 ) = arg ( z1 ) + arg ( z2 ) , arg  1  = arg ( z1 ) − arg ( z2 )
 z2 
28/80
 Notations, Préliminaires

Dérivées : pour un signal x ( t ) continu et suffisamment dérivable, classe C

k

dx ( t ) d 2 x (t ) d k x (t )
x (t ) = , x (t ) = , , x( k ) ( t ) =
dt dt 2 dt k
Polynômes dans : a0 , , an  , an  0, x 

Pn ( x ) = an x n + an −1 x n −1 + + a1 x1 + a0 an  0 garantit degré du polynôme = n

Racine d’un polynôme : x0  , Pn ( x0 ) = 0  Pn ( x ) = ( x − x0 ) Pn' −1 ( x )

Propriété : Un polynôme de degré n a au plus n racines distinctes

tel que : Pn ( x ) = ( x − x0 ) Pn − m ( x )
m
Ordre de multiplicité : plus grand m 
1

Propriété : si x0  est racine du polynôme Pn ( x ) d’ordre de multiplicité m  1 alors:

Pn(1) ( x0 ) = 0, , Pn( m −1) ( x0 ) = 0, et : Pn( m ) ( x0 )  0 29/80

 Notations, Préliminaires

Polynômes à coefficients réels : a0 , , an  , an  0, x 

Pn ( x ) = an x n + an −1 x n −1 + + a1 x1 + a0 an  0 garantit degré du polynôme = n

Propriété : les racines d’un polynôme à coefficients réels sont soit réelles soit complexes conjuguées

Capital !!!
Im 

  Re


n n
Notation : sommes A = A +
i =1
i 1 + An → par exemple : Pn ( x ) =  ai x i
i =0
30/80
 Définitions générales

•
•
Etudier un système réel : nécessité d’un modèle Lois fondamentales de la physique, chimie, biologie …
Modèle : soit « faux » soit « inutilisable » (Einstein) et/ou étape d’identification

Fonction des entrées sorties du système :

SISO (monovariable) / MIMO (multivariable)

Mode de transmission de l’information

Continu / Discret

Commande par calculateur

Fonction de sa « situation » dans un procédé

Local / Général

Moteur thermique, point de

Voiture, trafic routier
fonctionnement
 Définitions générales

•
•
Linéaire / Non linéaire

Théorème de superposition d 2 ( t )
J = Cm ( t ) − MgL sin ( ( t ) )
yi ( t ) correspond à ui ( t )
2
dt
k k dy ( t )
 i  ,   i yi ( t ) correspond à  u (t ) i i
= −u ( t ) y ( t ) + t 2 u ( t )
i =1 i =1 dt

= + ui ( t )
Modèle
yi ( t ) + =
linéaire
 Définitions générales

•
•
Stationnaire / Non stationnaire

y ( t ) ne dépend que des conditions initiales à t0 dy ( t )

= −u ( t ) y ( t ) + t 2 u ( t )
et de, u ( ) ,   t0 , t  sans dépendre de t0 dt
dy ( t )
= −2 y ( t ) + sin ( t ) u ( t )
Répétabilité :
Essai indépendant de t0 dt

Mouvement brownien, ou
processus de Wiener
Déterministe / Stochastique

Processus stochastique (ou processus

aléatoire) = évolution, d'une variable
aléatoire (probabilité)
 Modélisation : exemples en mécanique

•
•
Système masse-ressort  F ( t ) = ma ( t )
x
d 2 x (t ) dx ( t )
m 2
= F (t ) − b − kx ( t )
dt dt

Notation : dérivées
temporelles

mx ( t ) = F ( t ) − bx ( t ) − kx ( t )
d 2 ( t )
Système pendule  M (t ) = J dt 2
d 2 ( t )
J 2
= Cm ( t ) − MgL sin ( ( t ) )
dt

 ( t )   −0,7;0,7 

J ( t )  Cm ( t ) − MgL ( t ) 34/80
 Modélisation : Lotka-Volterra (1925)

•
•
Alfred James Lotka (1880-1959, USA), Vito Volterra (1860-1940, Italie) : modèle proie-prédateur
→ évolutions temporelles de 2 populations animales (prédateur-proie)

 x1 ( t ) = x1 ( t ) ( a − b  x2 ( t ) )

 x2 ( t ) = − x2 ( t ) ( c − d  x1 ( t ) )

proie

Lynx / Lièvre
prédateur

35/80
 Modélisation : virus HIV

•
•
Modèle 3 dimensions de base :
HIV
T ( t ) : population de cellules saines, T * ( t ) : population de cellules infectées

V ( t ) : charge virale (quantité de virus présent dans le sang)

Efficacité du processus
d’infection Vitesse d’infection

T ( t ) = s −  T ( t ) − u1  T ( t )V ( t ) Evolution cellules saines


 *
T ( t ) = u1  T ( t )V ( t ) − T ( t )
*
Evolution cellules infectées

V ( t ) = kT * ( t ) − cV ( t )

indicateur de la production de virus

Traitements = entrées du modèle, ici permettent d’agir sur k, 

Marie-José Mhawej (2007) – Analyse de la dynamique de l’infection VIH
Sensibilité aux traitements - 36/80
IRCCyN
 Modélisation : conclusion

•
•
LA VIE : systèmes non linéaires et non stationnaires !!!

Le cours et les 1ers pas en Automatique

Systèmes CONTINUS LINEAIRES STATIONNAIRES MONOVARIABLES

Entrée de commande Sortie
Entités mathématiques :
u (t ) y (t )
Modèle
linéaire
équations différentielles linéaires à coefficients constants, avec la notation :
d i y (t )
y (i )
(t ) =
dt i
y ( n ) ( t ) + an −1 y ( n −1) ( t ) + + a0 y ( t ) = bm u ( m ) ( t −  ) + + b0u ( t −  )

n : ordre du modèle, et on suppose : n  m pour des raisons d’existence (causalité)

 : retard
 Commande : Objectifs

•
•
1 - Stabilité (Ariane …) : c’est le minimum …

2 - Performances (précision, suivi de trajectoire, temps de réponse,

dépassement, …) : elles sont forcément dépendantes du système réel

3 - Robustesse : garantir stabilité et/ou performances même en mode

« dégradé » (en présence de perturbations externes et/ou internes,
variations paramétriques, …)

4 - Coût, fiabilité etc.

On ne peut pas toujours tout garantir :

→ compromis (Robustesse / Performances)
 Objectifs du module

•
•
Donner les notions de base essentielles à la compréhension d’une boucle de commande élémentaire dont le système est
représenté par un modèle linéaire.
C’est le préalable aux techniques utilisées pour déterminer des lois de commande.

I. Définitions générales, Modélisation

II. Les signaux continus

III. Représentation fréquentielle des signaux continus (Laplace), fonction de transfert

IV. Les modèles de base (1er ordre, 2ème ordre, intégrateur, retard)

V. Boucle ouverte / boucle fermée

VI. Notions de performances et de stabilité d’une boucle

 Les signaux continus

•
•
1 - Signal de Heaviside (échelon unité à t0 )

 ( t − t0 )  ( t − t0 )

1 Signal générateur : 1

0 0
t0 t0 t0 + 

0 si t  t0 0 si t  t0
 ( t − t0 ) =  
1 si t  t0 1
 ( t − t0 ) =  ( t − t0 ) t0  t  t0 + 

1 si t  t0
Et : lim  ( t − t0 ) =  ( t − t0 )
 →0
 Les signaux continus

•
•
2 - Signaux impulsionnels
Durée d’action « courte » / à la vitesse d’évolution du système et son intégrale admet une valeur finie non nulle

  ( t − t0 ) 1
+  t0  t  t0 + 
1    ( t − t0 ) dt = 1   ( t − t0 ) =  
−
0 sinon

 ( t − t0 )
0
t0 t0 + 
Signal générateur de l’impulsion de Dirac :
0
t0
Par passage à la limite (au sens de la théorie des distributions) :  ( t − t0 ) = lim   ( t − t0 )
 →0

 ( t − t0 ) = 0 si t  t0
 ( t − t0 ) non définie en t0 d  ( t − t0 )
 ( t − t0 )
+ dt
  ( t − t0 ) dt = 1
−
 Signaux exponentiels (EDO)

•
•
Interviennent dans la résolution des équations différentielles ordinaires linéaires à coefficients constants.
d i y (t )
y (i )
(t ) = i
, y ( n) ( t ) + an −1 y ( n −1) ( t ) + + a0 y ( t ) = 0
d
dt
=
dt
Polynôme caractéristique associé : Pn (  ) =  + an −1 + + a1 + a0
n n −1

Polynôme à coefficients réels : a0 , , an  , an = 1,  

Propriété : les racines d’un polynôme à coefficients réels sont soit réelles soit complexes conjuguées

r racines i distinctes d’ordre de multiplicité : ni

i =  i + ji
2 cas : i  et : 
i =  i − ji
 Signaux exponentiels (EDO)

•
•
n
y ( n)
( t ) + an −1 y ( n −1)
(t ) + + a0 y ( t ) = 0 yg ( t ) =  i fi ( t ), i 
i =1

Solution générale = combinaison linéaire de n fonctions élémentaires dépendant des solutions du polynôme
caractéristique associé. Résolution EDO → recherche des racines d’un polynôme

Avec : i 
Cas 1 : Ordre de multiplicité 1, fonction élémentaire : f1 ( t ) = ei t

Cas 2 : Ordre de multiplicité ni  1 : f1 ( t ) = ei t , f 2 ( t ) = t  ei t , , f ni ( t ) = t ni −1  ei t

ni fonctions élémentaires

Exemple : Cas 1 y ( t ) + 3 y ( t ) = 0, P1 (  ) =  + 3 = 0  1 = −3

f1 ( t ) = e −3t → y g ( t ) = 1e −3t , 1 

 Signaux exponentiels (EDO)

•
•
n
y ( n)
( t ) + an −1 y ( n −1)
(t ) + + a0 y ( t ) = 0 yg ( t ) =  i fi ( t ), i 
i =1

Solution générale = combinaison linéaire de n fonctions élémentaires dépendant des solutions du polynôme
caractéristique associé. Résolution EDO → recherche des racines d’un polynôme

Avec : i 
Cas 1 : Ordre de multiplicité 1, fonction élémentaire : f1 ( t ) = ei t

Cas 2 : Ordre de multiplicité ni  1 : f1 ( t ) = ei t , f 2 ( t ) = t  ei t , , f ni ( t ) = t ni −1  ei t

ni fonctions élémentaires

y ( t ) + 4 y ( t ) + 4 y ( t ) = 0, P2 (  ) =  2 + 4 + 4 = (  + 2 ) = 0  1 = −2, n1 = 2
2
Exemple : Cas 2

f1 ( t ) = e −2t , f 2 ( t ) = t  e −2t → y g ( t ) = ( 1 + 2  t ) e −2t , 1 , 2 

 Signaux exponentiels (EDO)

•
•
n
yg ( t ) =  i fi ( t ), i 
i =  i + ji i =1
Avec : 
i =  i − ji
Cas 1 : Ordre de multiplicité 1, 2 fonctions élémentaires : f1 ( t ) = ei t , f 2 ( t ) = ei t

f1 ( t ) = e( = ei t ( cos (i t ) + j sin (i t ) ) , f 2 ( t ) = e( = ei t ( cos (i t ) − j sin (i t ) )
i + ji ) t i − ji )t

1 1
z  , z = x + jy, z = x − jy  x = ( z + z ) , y = (z − z )
2 2j
On remplace les fonctions par leur combinaison : f1 ( t ) = ei t cos (i t ) , f 2 ( t ) = ei t sin (i t )

f1 ( t ) = ei t cos (i t ) , f3 ( t ) = t  ei t cos (i t ) , , f 2 ni −1 ( t ) = t ni −1  ei t cos (i t )

Cas 2 : Ordre de multiplicité ni  1 :
f 2 ( t ) = ei t sin (i t ) , f 4 ( t ) = t  ei t sin (i t ) , , f 2 ni ( t ) = t ni −1  ei t sin (i t )

2  ni fonctions élémentaires
 Signaux exponentiels (EDO)

•
•
n
yg ( t ) =  i fi ( t ), i 
i =  i + ji i =1
Avec : 
i =  i − ji
1 = 1 + 3 j
Cas 1 : exemple y ( t ) − 2 y ( t ) + 10 y ( t ) = 0, P2 (  ) =  − 2 + 10 = 0  
2

1 = 1 − 3 j

f1 ( t ) = e(1+ 3 j )t , f 2 ( t ) = e(1−3 j )t → f1 ( t ) = et ( cos ( 3t ) + j sin ( 3t ) ) , f 2 ( t ) = et ( cos ( 3t ) − j sin ( 3t ) )

→ f1 ( t ) = et cos ( 3t ) , f 2 ( t ) = et sin ( 3t )

→ yg ( t ) = et ( 1  cos ( 3t ) + 2  sin ( 3t ) ) , 1 , 2 

Remarque : Fonctions sinusoïdales dans la solution générale  il existe des solutions complexes au polynôme associé
 Objectifs du module

•
•
Donner les notions de base essentielles à la compréhension d’une boucle de commande élémentaire dont le système est
représenté par un modèle linéaire.
C’est le préalable aux techniques utilisées pour déterminer des lois de commande.

I. Définitions générales, Modélisation

II. Les signaux continus

III. Représentation fréquentielle des signaux continus (Laplace), fonction de transfert

IV. Les modèles de base (1er ordre, 2ème ordre, intégrateur, retard)

V. Boucle ouverte / boucle fermée

VI. Notions de performances et de stabilité d’une boucle

 Définition impulsionnelle d’un signal

•
•
Produit de convolution entre deux signaux : généralise la moyenne glissante,
représentation mathématique de la notion de filtre linéaire.
+
( x  y )( t ) = − x ( ) y ( t −  ) d
+
Commutatif : ( x  y )( t ) = ( y  x )( t ) = − x ( t −  ) y ( t ) d
Associatif : ( x  y) z = x ( y  z) Source : Lautaro Carmona (Convolution of two Square
Signals, created with Mathematica 5.0)

Pseudo-anneau : élément unité Dirac, produit de convolution  =  ( t −  )

correspond à une translation de la fonction initiale d'une valeur de 

x   = x ( t −  )  x   0 = x ( t )

Mais Dirac pas une fonction : distribution

+ +
x ( t ) = ( x   )( t ) =  x ( )  ( t −  ) d = lim  x ( )   ( t −  ) d
−  →0 −
 Transformée de Laplace

•
•
Représentation fréquentielle des signaux continus
Pierre-Simon de Laplace, marquis de
Laplace, (1749-1827) mathématicien,
Signaux supposés causaux : x ( t ) = 0, t  0 et vérifiant : astronome, physicien et homme
politique (ministre de l’intérieur 1799)
+
  ,  x ( t ) e − t dt  
−

Dans ces conditions ils admettent une transformée de Laplace avec p =  + j

L ( x (t )) = X ( p ) = 
+
x ( t ) e − pt dt
0

Transformée bijective et on définit la transformée inverse de Laplace (théorème des résidus) :

x (t ) = L ( X ( p )) =
1  + j
−1
 X ( p ) e tp
dp
2 j  − j 
 Transformée de Laplace : propriétés

•
•
Linéarité : L ( ax ( t ) + by ( t ) ) = aL ( x ( t ) ) + bL ( y ( t ) ) a, b 

Dérivation : L ( x ( t ) ) = pX ( p ) − x ( 0+ ) L ( x ( t ) ) = pL ( x ( t ) ) − x ( 0+ ) = p 2 X ( p ) − px ( 0+ ) − x ( 0+ )

( )
L x(i ) ( t ) = p i X ( p ) − p i −1 x ( 0+ ) − p i − 2 x (1) ( 0+ ) − − x (i −1) ( 0+ )
d
p= Opérateur de dérivation
dt ( x ( 0 ) , x( ) ( 0 ) ,
+ 1 +
, x(i −1) ( 0+ ) ) Vecteur des conditions initiales

Intégration :
L (  x ( ) d ) =
t

0
X ( p)
p
Retard : L ( x ( t −  ) ) = e − p X ( p )

Théorème de la valeur initiale : lim pX ( p ) = x 0+

p →
( )
Théorème de la valeur finale lim pX ( p ) = x (  )
p →0
(quand elle existe) :
Produit de convolution : L ( ( x  y )( t ) ) = X ( p )  Y ( p )
 Transformée de Laplace : exemples

•
•
Représentation fréquentielle des signaux continus
Pierre-Simon de Laplace, marquis de
Signaux supposés causaux : x ( t ) = 0, t  0 et vérifiant : Laplace, (1749-1827) mathématicien,
astronome, physicien et homme
+
  ,  x ( t ) e − t dt   politique (ministre de l’intérieur 1799)
−

L ( x (t )) = X ( p ) = 
+
Transformée de Laplace avec p =  + j x ( t ) e − pt dt
0

X ( p) = L (e )=
+
( a − p )t 1  ( a − p )t  + 1
Exemples : at
e dt = e =
0 a− p 0 p−a
p + j
X ( p) = L (e )=
j t
+
( j − p )t 1  ( j − p )t  + 1
e dt = e = =
0 j − p  0 p − j p 2 +  2

L ( cos (t ) + j sin (t ) ) = L ( cos (t ) ) + jL ( sin (t ) ) =
p
Linéarité : + j
p2 +  2 p2 +  2

L ( cos (t ) ) = ( ( )) p2 +  2
p
, L sin  t =
p2 +  2
 Fonction de transfert

•
•
y ( n) ( t ) + an −1 y ( n −1) ( t ) + + a0 y ( t ) = bm u ( m ) ( t ) + + b0u ( t )

Modèle
u (t ) y (t )
linéaire

Vision signal, entrée Dirac : u ( t ) =  ( t −  ) réponse à l’impulsion : y ( t ) = f ( t −  )

+
Vision « impulsionnelle » du signal : u ( t ) = ( u   )( t ) =  u ( )  ( t −  ) d
−

y (t ) = F (u (t )) = F ( −
+
u ( )  ( t −  ) d )
y ( t ) =  u ( ) F ( ( t −  ) ) d =  u ( ) f ( t −  ) d
+ +
Modèle linéaire, donc théorème de superposition :
− −

L ( ( x  y )( t ) ) = X ( p )  Y ( p )  Y ( p ) = U ( p )  L ( f ( t ) )

(
En notant : F ( p ) = L f ( t ) ) Y ( p ) = F ( p ) U ( p )

Fonction de transfert = transformée de Laplace de la réponse impulsionnelle

 Fonction de Transfert

•
•
Application aux EDO équations différentielles linéaires à coefficients constants :
nm y ( n) ( t ) + an −1 y ( n −1) ( t ) + + a0 y ( t ) = bm u ( m ) ( t ) + + b0u ( t )
Entrée de commande Sortie
u (t ) y (t )
Modèle

( )
L y (i ) ( t ) = piY ( p ) − p i −1 y ( 0+ ) − p i − 2 y (1) ( 0+ ) − − y (i −1) ( 0+ )
linéaire

à conditions initiales nulles : y ( 0) = y ( 0) = = y ( n −1) ( 0 ) = 0 ( ) ( )

L y (i ) ( t ) = piY ( p ) , L u ( j ) ( t ) = p jU ( p )

(p n
+ an −1 p n −1 + + a0 ) Y ( p ) = ( bm p m + bm −1 p m −1 + b0 )U ( p )

Y ( p)
bm p m + bm −1 p m −1 + b0
Fonction de transfert : F ( p ) = = n
U ( p ) p + an −1 p n −1 + + a0

d
p= Opérateur de dérivation
dt
Fonctions de transfert  EDO linéaires à coefficients constants
 Fonction de Transfert

•
•
Exemple : y ( t ) + 4 y ( t ) + 4 y ( t ) = 3u ( t )
d
p= Entrée de commande Sortie
(p 2
+ 4 p + 4 ) Y ( p ) = 3U ( p )
dt
u (t ) F(p) y (t )

3 Commande
F ( p) = 2
p + 4p + 4 Sortie

3p − 6 y ( t ) − 4 y ( t ) + 2 y ( t ) = 3u ( t ) − 6u ( t )
Exemple : F ( p) = 
p3 − 4 p 2 + 2

y (t )
nm? Le plus élémentaire (0 < 1) : y (t ) = u (t )

On ne sait pas dériver (en temps réel !)

t
 Fonction de Transfert

•
•
Exemple : y ( t ) + 4 y ( t ) + 4 y ( t ) = 3u ( t )
d
p= Entrée de commande Sortie
(p 2
+ 4 p + 4 ) Y ( p ) = 3U ( p )
dt
u (t ) F(p) y (t )

3 Commande
F ( p) = 2
p + 4p + 4 Sortie

3p − 6 y ( t ) − 4 y ( t ) + 2 y ( t ) = 3u ( t ) − 6u ( t )
Exemple : F ( p) = 
p3 − 4 p 2 + 2

y (t )
nm? Le plus élémentaire (0 < 1) : y (t ) = u (t )

On ne sait pas dériver (en temps réel !)

t
 Fonction de Transfert

•
•
Y ( p) bm p m + bm −1 p m −1 + b0 N ( p )
F ( p) = = n = p =  + j
U ( p ) p + an −1 p + + a0 D ( p )
n −1

Modèle impropre : nm

Ordre du modèle : n Modèle exactement propre : n=m
Degré relatif du modèle : n − m Modèle strictement propre : nm

Zéros ( ): solutions de : N ( p ) = 0


Pôles ( ) : solutions de : D ( p ) = 0

N ( p ) et D ( p ) admettent toujours une décomposition facteurs élémentaires : p, 1 + cp, 1 + c1 p + c2 p 2

 Fonction de Transfert

•
•
Y ( p)
bm p m + bm −1 p m −1 + b0 N ( p )
F ( p) = = n = p =  + j
U ( p ) p + an −1 p + + a0 D ( p )
n −1

Exemples :

2 − 3p
F ( p) =
Im
f1 ( t ) = et
p3 − 3 p + 2 Re
−2 
23
f 2 ( t ) = tet
Ordre 3, degré relatif 2
Strictement propre 1
y ( t ) − 3 y ( t ) + 2 y ( t ) = 2u ( t ) − 3u ( t ) f 3 ( t ) = e −2t

p2 + 1
F ( p) = 2 Im
p + 2p + 2 Ordre 2, degré relatif 0
 j Re f1 ( t ) = e − t sin ( t )
Exactement propre −1
f 2 ( t ) = e − t cos ( t )
y (t ) + 2 y (t ) + 2 y (t ) = u (t ) + u (t )
 −j
 Schémas fonctionnels

•
•
u (t ) s (t ) y (t )
Y ( p) Y ( p) S ( p)
F1 ( p ) F2 ( p ) = 
U ( p) S ( p) U ( p)

Y ( p ) = ( F1 ( p )  F2 ( p ) ) U ( p )

u (t ) F ( p) y (t )
F ( p ) = F1 ( p ) F2 ( p )

S ( p) Y ( p)
Intérêt ??? → exemple F1 ( p ) = : s ( t ) + 2s ( t ) = 3u ( t ) F2 ( p ) = : y ( t ) − y ( t ) = 2s ( t ) + s ( t )
U ( p) S ( p)

s ( t ) = −2s ( t ) + 3u ( t ) → y ( t ) − y ( t ) = 2 ( −2s ( t ) + 3u (t ) ) + s (t ) = −3s (t ) + 6u (t ) 3s ( t ) = − y ( t ) + y ( t ) + 6u ( t )

 Schémas fonctionnels

•
•
u (t ) s (t ) y (t )
Y ( p) Y ( p) S ( p)
F1 ( p ) F2 ( p ) = 
U ( p) S ( p) U ( p)

Y ( p ) = ( F1 ( p )  F2 ( p ) ) U ( p )

u (t ) F ( p) y (t )
F ( p ) = F1 ( p ) F2 ( p )

S ( p) Y ( p)
Intérêt ??? → exemple F1 ( p ) = : s ( t ) + 2s ( t ) = 3u ( t ) F2 ( p ) = : y ( t ) − y ( t ) = 2s ( t ) + s ( t )
U ( p) S ( p)

s ( t ) = −2s ( t ) + 3u ( t ) → y ( t ) − y ( t ) = 2 ( −2s ( t ) + 3u (t ) ) + s (t ) = −3s (t ) + 6u (t ) 3s ( t ) = − y ( t ) + y ( t ) + 6u ( t )

→ y ( t ) − y ( t ) = −3s ( t ) + 6u ( t ) → y ( t ) − y (t ) = −3 ( −2s (t ) + 3u (t ) ) + 6u (t ) = 6s (t ) − 9u (t ) + 6u (t )
d
dt
y ( t ) − y ( t ) = 2 ( − y ( t ) + y ( t ) + 6u ( t ) ) + 6u ( t ) − 9u (t ) → y ( t ) + 2 y ( t ) − y ( t ) − 2 y ( t ) = 6u ( t ) + 3u ( t ) OUF !!!
 Schémas fonctionnels

•
•
u (t ) s (t ) y (t )
Y ( p) Y ( p) S ( p)
F1 ( p ) F2 ( p ) = 
U ( p) S ( p) U ( p)

Y ( p ) = ( F1 ( p )  F2 ( p ) ) U ( p )

u (t ) F ( p) y (t )
F ( p ) = F1 ( p ) F2 ( p )

S ( p) Y ( p)
Intérêt ??? → exemple F1 ( p ) = : s ( t ) + 2s ( t ) = 3u ( t ) F2 ( p ) = : y ( t ) − y ( t ) = 2s ( t ) + s ( t )
U ( p) S ( p)

S ( p) 3 Y ( p) 2 p +1 Y ( p) 3 ( 2 p + 1)
F1 ( p ) = = , F2 ( p ) = = 2 → F ( p) = =
U ( p) p + 2 S ( p ) p −1 U ( p ) ( p + 2 ) ( p 2 − 1)

6p +3
F ( p) =  y ( t ) + 2 y ( t ) − y ( t ) − 2 y ( t ) = 6u ( t ) + 3u ( t )
p3 + 2 p 2 − p − 2
 Schémas fonctionnels

•
•
y1 ( t )
u (t ) F ( p) y (t )
F1 ( p )
y (t )
u (t )
Y ( p) Y1 ( p ) + Y2 ( p )
F2 ( p ) = F ( p ) = F1 ( p ) + F2 ( p )
y2 ( t ) U ( p) U ( p)

Y1 ( p ) Y2 ( p )
Intérêt ??? → exemple F1 ( p ) = : y1 ( t ) + 2 y1 ( t ) = 3u ( t ) F2 ( p ) = : y2 ( t ) − y2 ( t ) = 2u ( t ) + u ( t )
U ( p) U ( p)
Y1 ( p ) 3 Y2 ( p ) 2 p + 1 3 2 p +1
F1 ( p ) = = , F2 ( p ) = = → F ( p) = +
U ( p) p + 2 U ( p ) p2 −1 p + 2 p2 −1

5 p2 + 5 p −1
F ( p) =  y ( t ) + 2 y ( t ) − y ( t ) − 2 y ( t ) = 5u ( t ) + 5u ( t ) − u ( t )
( p + 2) ( p 2
− 1)
 Solutions Particulières EDO

•
•
Rappel EDO y ( n) ( t ) + an −1 y ( n −1) ( t ) + + a0 y ( t ) = bm u ( m ) ( t ) + + b0u ( t )
n
solution générale : yg ( t ) =  i fi ( t ), i  y ( n ) ( t ) + an −1 y ( n −1) ( t ) + + a0 y ( t ) = 0
i =1

la solution particulière y p ( t ) correspond à une entrée donnée : u p ( t )

b0
Par exemple si u p ( t ) = 1 → y p ( t ) =
a0
Propriété sur la solution particulière de l’EDO y p ( t ) quand l’entrée est sinusoïdale.

u (t ) y (t )
u p ( t ) = sin (t )
EDO y p ( t ) = F ( ) sin (t +  )
(LSD)

sans distorsion
 Propriété fréquentielle

•
•
u (t ) y (t )
u ( t ) = sin (t )
EDO y p ( t ) = F ( ) sin (t +  )
(LSD)

sans distorsion
u ( t ) = e jt = cos (t ) + j sin (t ) y ( t ) = F ( ) e j (t + ) = F ( ) cos (t +  ) + j sin (t +  )

u ( t ) = ( j ) e jt y ( t ) = ( j ) F ( ) e j (t + )
u ( t ) = ( j ) e jt y ( t ) = ( j ) F ( ) e j (t + )
2 2

u ( m) ( t ) = ( j ) e jt y ( n ) ( t ) = ( j ) F ( ) e j (t + )
m n

y ( n ) ( t ) + an −1 y ( n −1) ( t ) + + a0 y ( t ) = bm u ( m ) ( t ) + + b0u ( t )

F (  ) e j ( t + ) ( ( j ) + an −1 ( j )
n n −1
+ ) (
+ a0 = e jt bm ( j ) + bm −1 ( j )
m m −1
+ b0 )
 Propriété fréquentielle

•
•
Cas particulier entrée de type sinusoïdale : Fonction de transfert

bm ( j ) + bm −1 ( j )
m m −1
+ b0 bm p m + bm −1 p m −1 + b0
F ( ) e =
j F ( p) = n
p + an −1 p n −1 + + a0
( j ) + an −1 ( j )
n −1
+ + a0
n

Remplacer « p » par « j » dans la fonction de transfert F ( p )

 F ( ) = F ( j )
F ( ) e = F ( j )  
j

 ( ) = arg ( F ( j ) )

Résultat qui relie fonction de transfert et solution particulière pour une entrée sinusoïdale de l’EDO !!!

(
Dans ce cas, si : u p ( t ) = sin (t ) Alors : y p ( t ) = F ( j ) sin t + arg F ( j ) ( ))
Et la solution de l’EDO s’écrit : y ( n) ( t ) + an −1 y ( n −1) ( t ) + + a0 y ( t ) = bm u ( m ) ( t ) + + b0u ( t )

( )
n
y ( t ) = y g ( t ) + y p ( t ) =  i f i ( t ) + F ( j ) sin t + arg ( F ( j ) )
i =1
 Caractérisation fréquentielle

•
•
Caractérisation d’une fonction de transfert :
Par son EDO associée, par ses pôles et ses zéros, par ses réponses temporelles, mais aussi en étudiant le nombre
complexe : F ( j )

bm ( j ) + bm −1 ( j )
m −1
+ b0
m

= F ( j ) e (
arg F ( j ) )
F ( j ) =
( j ) + an −1 ( j )
n −1
+ + a0
n

F ( j ) dB = 20 log F ( j )
F ( j ) dB = 20 log F ( j )
 ( rad s )
Bode (1905-1982)
BODE
arg ( F ( j ) )
arg ( F ( j ) ) BLACK-NICHOLS
 ( rad s )
 Diagramme de Nyquist

•
•
Caractérisation d’une fonction de transfert :
Par son EDO associée, par ses pôles et ses zéros, par ses réponses temporelles, mais aussi en étudiant le nombre
complexe : F ( j )

bm ( j ) + bm −1 ( j )
m −1 Nyquist (1889-1976) Laboratoires Bell
+ b0
m

F ( j ) = = Re ( F ( j ) ) + j Im ( F ( j ) )
( j ) + an −1 ( j )
n −1
+ + a0
n

Im ( F ( j ) )

Re ( F ( j ) )
NYQUIST

 → croissant
=0 1
F ( p) =
(1 + p ) (1 + p + p 2 )
 Méthode générale solution EDO

•
•
u (t ) y (t )
Système
Linéaire
L L−1

U ( p) Y ( p ) = F ( p ) U ( p )

Donne la solution générale + particulière de l’EDO à Conditions Initiales nulles

Réponse impulsionnelle :

u (t ) =  (t )
Réponse indicielle :
u ( t ) = 1  ( t )
U ( p ) = L ( ( t ) ) = 1, Y ( p ) = F ( p ) yimpulse ( t ) = L−1 ( F ( p ) )
1 F ( p)  F ( p) 
U ( p ) = L (1) = , Y ( p ) = yindicielle ( t ) = L 
−1

p p  p 

REMARQUE : yimpulse ( t ) = yindicielle ( t )

 Méthode générale solution EDO

•
•
u (t ) y (t )
Système
Linéaire
L L−1

U ( p) Y ( p ) = F ( p ) U ( p )
Réponse à une rampe :
1 F ( p)  F ( p) 
u (t ) = t U ( p ) = L (t ) = , Y ( )
p = yrampe ( t ) = L−1  2 
p2 p2  p 

REMARQUE : yindicielle ( t ) = yrampe ( t )

Réponse entrée sinusoïdale :

    
u ( t ) = sin (t ) U ( p ) = L ( sin (t ) ) = 2 , Y ( p) = 2 F ( p) ysinus ( t ) = L  2
−1
F ( p)
p + 2
p + 2
 p +
2

Rappel : régime permanent (solution particulière) : (
y p ( t ) = F ( j ) sin t + arg ( F ( j ) ) )
 •
•
L−1 : décomposition en éléments simples (rappel)
m m

 bj p j
 j
b p j

F ( p) =
j =0 j =0
n
= r
, n  m, an = 1
 ai pi  ( p + pi )
ni

i =0 i =1

r nombre de racines pi distinctes (les pôles) d’ordre de multiplicité : ni

r ni
cik 1 d ni − k 
F ( p ) = bn +  cik = ni − k (
+ i ) F ( p )

ni
, p p
i =1 k =1 ( p + pi )
k
( ni − k )! dp p =− p
i

ci1 , i = 1, , r , résidus de : F ( p ) en : − pi

Si toutes les racines sont distinctes :

n
ci1
F ( p ) = bn +  , ci1 = ( p + pi ) F ( p ) p =− p
i =1 p + pi i