Vous êtes sur la page 1sur 8

Chapitre 1

Identification des modèles de procédés :

les bases

Ce chapitre donne d'abord les principes de base de l'identification des modèles

dynamiques de procédés.

d'estimation paramétrique intervenant dans les méthodes d'identification. Puis est

examiné le choix des entrées pour l'identification et l'influence des perturbations. On indique la structure générale des méthodes d'identification et on présente quelques algorithmes représentatifs. Dans la dernière partie on examine le

Il présente ensuite les principaux types d'algorithmes

problème

de la validation

des

modèles.

1.1. Principes de l'identification

des modèles de

procédés

L'identification, c'est l'opération de détermination du modèle dynamique d'un procédé (système) à partir des mesures entrées/sorties. La connaissance du modèle dynamique est nécessaire pour la conception et la mise en œuvre d'un système performant de régulation.

L a

figur e

1.1

résum e

les

principe s

générau x

d e

conceptio n

e t

calcu l

d'u n

régulateur. Pour concevoir et ajuster correctement un régulateur, il faut :

1. Spécifier

les performances désirées pour la boucle de commande

régulation.

2. Connaître

le

modèle

dynamique

du

procédé

(appelé

aussi

"modèle

de

commande") qui décrit la relation entre les variations de la commande et les variations de la sortie.

12 Identification des systèmes

3. Disposer

d'une

méthode

appropriée de calcul

du régulateur compatible

avec

les performances spécifiées et les caractéristiques du modèle du procédé.

SPECIFICATION

DES

PERFORMANCES

CALCUL

MODELE

Dl DU

 

PROCtDE

REGULATEUR

 

I dentif ication

REGULATEUR

PROCEDE

 

Figure 1.1. Principe

de la conception

et du calcul d'un

régulateur

C'est

l'identification

qui, dans

la plupart, des cas fournit

le modèle

nécessaire

pour la conception et le calcul des régulateurs.

La notion de modèle mathématique d'un système ou d'un phénomène est un concept fondamental. En général, il existe une multitude de types de modèles, chaque type de modèle étant destiné à une application particulière.

Par exemple, les modèles de connaissance (basés sur les lois de la physique, chimie, etc.) permettent une description assez complète des systèmes et sont utilisés pour la simulation et la conception de procédés. Ces modèles sont en général extrêmement complexes et rarement directement utilisables pour l'automatique. Les modèles dynamiques de commande, qui donnent la relation entre les variations des entrées d'un système et les variations d e la sortie, sont, comm e on l'a indiqué plus haut, le type de modèle dont on doit disposer pour la conception et l'ajustement des systèmes de commande régulation.

Bien que des indications sur la structure de ces modèles de commande puissent s'obtenir à partir de la structure d u modèle d e connaissance, il est en général très

ce s

difficile de déterminer les valeurs des paramètres significatifs à partir de modèles.

C'est la raison pour laquelle, dans la majorité des situations pratiques, on est amené à mettre en œuvre une méthodologie d'identification directe de ces modèles dynamiques (de commande).

Identification des modèles de procédés

13

Notons que les modèles dynamiques sont de deux types :

- modèles non

réponse à un

échelon),

équation

différentielle ou aux différences).

Nous nous intéresserons par la suite à l'identification des modèles dynamiques paramétriques échantillonnés qui sont les plus appropriés pour la conception et l'ajustement des systèmes numériques de commande et régulation.

L'identification est une approche expérimentale pour la détermination du modèle dynamique d'un système qui s'appuie sur un certain nombre de techniques algorithmiques pour traiter les données expérimentales. Elle comporte quatre étapes :

paramétriques

(exemple : réponse fréquentielle,

(exemple

fonction

de

- modèles

paramétriques

transfert,

1. Acquisition des entrées/sorties sous un protocole d'expérimentation.

2. Estimation (choix) de la structure du "modèle" (complexité).

3. Estimation des paramètres du modèle.

4. Validation du modèle identifié (structure et valeur des paramètres).

La première étape fournit les données entrées/sorties susceptibles de permettre l'extraction d'un modèle de procédé significatif. Le protocole d'acquisition est un problème-clé car il conditionne en grande partie le succès d'une opération d'identification. Il doit tenir compte d'une part des contraintes pratiques, ce qui requiert en général l'utilisation de signaux d'excitation de faible amplitude et d'autre part de la nécessité d'exciter le système à identifier dans une bande de fréquences suffisamment large afin d'obtenir un modèle significatif pour le calcul de la commande.

L'estimation (ou le choix) de la complexité pour un type de modèle permet de déterminer quels sont les paramètres à estimer et quel est leur nombre. L'estimation paramétrique utilise des algorithmes qui, à partir des mesures entrées/sorties disponibles, fournissent les paramètres du modèle. Enfin, la dernière étape doit permettre de mettre en évidence si le modèle identifié est représentatif des comportements entrées/sorties du procédé.

Une opération d'identification complète doit nécessairement comporter les quatre phases indiquées plus haut. Les méthodes spécifiques utilisées dans chaque phase dépendent du type de modèle recherché (paramétrique ou non paramétrique, continu ou échantillonné).

La méthode d'identification "classique" utilisée pour obtenir des modèles paramétriques à partir des modèles non paramétriques type "réponse en échelon" est illustrée dans la figure 1.2. Cette méthode, initialement utilisée pour obtenir des

14 Identification des systèmes

modèles

échantillonnés.

paramétriques

entrée

continus,

a

été

Procédé

étendue

pour

sorti e

discrétisation

modèle

discrétisé

l'identification

G

= A

y / A

u

t = retard

des

modèles

Figure 1.2. Méthode

"classique"

d'identification

A partir de la forme de la réponse du procédé à un échelon, on choisit un type de

modèle et on détermine graphiquement les paramètres de ce modèle. En connaissant la fréquence d'échantillonnage, on peut à l'aide des tables obtenir le modèle échantillonné correspondant. Les inconvénients de cette méthode sont multiples :

installations

industrielles),

- signaux

test

d'amplitude

importante

(rarement

tolérés

par

les

- précision réduite,

- influence néfaste des perturbations,

- pas de possibilité de modélisation des perturbations,

Identification des modèles de procédés

15

- procédure longue,

- pas de procédure explicite de validation du modèle.

La disponibilité d'un calculateur numérique permet de mettre en place des algorithmes d'estimation automatique des paramètres des modèles échantillonnés des procédés. Il est important de souligner que l'identification des modèles paramétriques échantillonnés permet (par simulation) d'obtenir des modèles non paramétriques type "réponse à un échelon" ou "réponse fréquentielle", avec une précision bien meilleure que lors d'une approche directe et en utilisant des signaux d'excitation extrêmement faibles. L'identification des modèles paramétriques échantillonnés conduit à des modèles d'utilisation très générale et offre de nombreux avantages par rapport aux autres approches.

Le traitement des données entrées/sorties peut se faire à l'aide d'algorithmes non récursifs (qui traitent en bloc les fichiers de données entrée/sortie obtenus sur un horizon de temps) ou récursifs (traitement pas à pas des données entrées/sorties). Par rapport aux techniques non récursives, les algorithmes récursifs offrent les avantages suivants :

procédé

modèle

évolue,

- compression importante des données, car les algorithmes récursifs ne traitent à chaque instant qu'une paire entrée/sortie au lieu de l'ensemble de données entrée/sortie,

-

obtention

d'une

estimation

du

au

fur

et à mesure

que

le

- nécessité d'une mémoire et d'une puissance de calcul sensiblement plus faible,

- mise en œuvre aisée sur micro-ordinateur,

- possibilité de réalisation de systèmes d'identification temps réel,

- possibilité de poursuite des paramètres des systèmes variables dans le temps.

Des algorithmes d'identification performants, ayant une formulation recursive adaptée aux problèmes d'identification temps-réel et à leur mise en œuvre sur micro-ordinateur, ont été développés. Ces algorithmes peuvent opérer avec des signaux d'excitation extrêmement faibles ce qui constitue une qualité très appréciable en pratique.

est

illustré dans la figure

Un modèle échantillonné à paramètres ajustables est implanté sur le calculateur. L'erreur entre la sortie du procédé à l'instant t, y(t), et la sortie prédite par le modèle y(t), appelée erreur de prédiction, est utilisée par un algorithme d'adaptation paramétrique qui à chaque instant d'échantillonnage va modifier les paramètres du modèle afin de minimiser cette erreur. L'entrée est en général une séquence binaire pseudo-aléatoire de très faible niveau, engendrée par le calculateur (succession

Le

principe

de

l'estimation

1.3.

des

paramètres

des

modèles

échantillonnés

16 Identification des systèmes

d'impulsions rectangulaires de durée variable aléatoirement). Une fois le modèle obtenu, une validation objective peut être faite par des tests statistiques sur l'erreur de prédiction s (t) et la sortie prédite y(t). Le test de validation permet pour un procédé donné de choisir le meilleur modèle, respectivement la meilleure structure et le meilleur algorithme pour l'estimation des paramètres.

u(t)

C N A

Procédé

diacrétiié

+ Pro cédé

BOZ

C AN

y(t)

ara m

p

du m

être s

odèl e

modèl e

échantillonn e

ajustabl e

y(t)

algorithm e

d'ada p

p

tat

io n

ara m ét riq

u e

Figure 1.3. Principe

de l'estimation

des paramètres

d'un

modèle

et

la réponse fréquentielle du modèle identifié, on peut remonter aux caractéristiques du modèle continu (réponse à un échelon ou réponse fréquentielle).

Enfin, en calculant et en représentant graphiquement

la réponse à un échelon

élimine

tous les défauts des méthodes "classiques" mentionnés antérieurement et offre aussi d'autres possibilités telles que :

un

réajustement des régulateurs pendant le

Cette

approche

moderne

pour

l'identification

des

modèles

de

procédé

- suivi des variations des paramètres du

procédé

en temps

réel, permettant

fonctionnement,

- identification des modèles de perturbation,

- modélisation des bruits "capteurs" en vue de leur suppression,

- détection et mesure des fréquences de vibration,

- analyse spectrale des signaux.

1.2.

Algorithmes

non

récursifs

pou r

l'identification

L'algorithmes des moindres carrés.

paramétrique .

Nou s nous intéresserons à l'estimation des paramètres d'un modèle et nous considérons à titre d'exemple le modèle discret de procédé :

échantillonné

Identification des modèles de procédés

17

 

y(t+l) = -a 1 y(t ) + b 1 u(t)=e T (f>(t)

[1.1 ]

9 T =[a,,b 1 ]

[1.2]

est le vecteur des paramètres

et

 

<t>(t) T = [-y(t),u(t)]

[1.3]

est le vecteur des mesures ou des observations avec u(t) l'entrée et y(t) la sortie.

Le modèle de prédiction ajustable (a priori)

sera décrit dans ce cas par :

 

[1.4]

y°(t + l)

représente

la

prédiction

"a

priori"

dépendant

des

valeurs

des

paramètres

estimés

à

l'instant

t,

et

ê(t) T = [âj(t),bj(t)j

est

le

vecteur

des

paramètres

estimés.

 

L'objectif

est

de

trouver

un

algorithme

d'estimation

du

paramètre

0

qui

minimise l'erreur entre la sortie du procédé et la sortie du modèle de prédiction au sens "moindres carrés" :

 

[1.5]

Le terme

correspond à :

 

[1.6]

C'est donc la prédiction de la sortie à l'instant i (i < t) basée sur l'estimation des paramètres à l'instant t obtenue à l'aide de t mesures. La quantité à l'intérieur de la parenthèse représente l'erreur de prédiction entre le procédé et le modèle à l'instant i, basée sur l'estimation des paramètres à l'instant t :

à l'instant t pour qu'il

minimise la somme des carrés des écarts entre le procédé et le modèle de prédiction

Dans un premier temps, il s'agit d'estimer un paramètre 6

18 Identification des systèmes

sur un horizon de t mesures. La valeur de Q M qui minimise le critère [1.5] s'obtient en cherchant la valeur qui annule d J(t) / d 6(t) 1 :

 

[1.7]

De l'équation [1.7], et en tenant compte que :

on obtient :

En multipliant à gauche les deux termes de cette équation avec :

il résulte :

 

[1.8]

[1.9]

1. Il s'agit d'un minimum sous réserve que la dérivée seconde du critère par rapport à

9 (t) soit positive, c'est-à-dire :