Vous êtes sur la page 1sur 24

Modèles

d’Identification
1. Principe de l’identification

Identifier un système c’est déterminer, à partir des informations dont on


dispose sur les entrées et sorties de ce système, un modèle mathématique
appartenant à une classe de modèles donnée et qui, soumis aux même
sollicitations que le système initial, donne des réponses considérées comme
équivalentes compte tenu des objectifs de la précision souhaitée.

Les imperfections de modélisation et d’identification étant généralement


compensées par la boucle de régulation. Ce dernier point rend d’ailleurs
l’identification d’un système en boucle fermée plus complexe et souvent moins
précise que l’identification en boucle ouverte.
1. Principe de l’identification

Les méthodes déterminantes d’identification ne tiennent généralement pas


compte des bruits et par conséquent fournissent difficilement, en particulier pour les
systèmes bouclés, une estimation de la précision des paramètres, contrairement
aux méthodes statistiques.

Toutefois la mise en œuvre des méthodes statistiques nécessite le plus


souvent une modélisation du bruit lui-même et la connaissance de diverses
informations statistiques le concernant (moyenne, variance, …), ce qui en fait un
problème complexe qu’on ne traite pas ici.

Le principe se résume à soumettre le modèle aux mêmes entrées que le


processus et de réaliser un réglage des paramètres en minimisant un critère de
performance donné.
2. Principales étapes pour l’identification

 Un processus n’admet pas un seul modèle, et on devra choisir le bon modèle
plus ou mois compliqué, adapté parfaitement à son problème.

La procédure de l’identification est souvent décomposée en quatre étapes,


elle consiste les connaissances à priori du comportement du système réel à
identifier
         
2.1. L’expérience

Elle consiste à rassembler un ensemble de données qui décrit le


comportement du système pendant son fonctionnement ; l’idée est de varier les
entrées u et d’observer les impacts sur les sorties y.

Si le système à identifier est instable ou contient des dynamiques légèrement


atténuées, il est préférable de conduire l’expérience en boucle fermée.

Pour obtenir de bonnes mesures, on doit faire un bon choix du pas


d’échantillonnage, des entrées convenables, des tests de non-linéarité, des
perturbations et des bruits.
2.2. Choix de la structure du modèle
Une structure du modèle est un ensemble de modèles candidats.
C’est dans cet ensemble qu’on devra choisir le modèle adéquat de notre
système. La structure la plus utilisée est appelée entées/sorties, elle est
schématisée comme suit :
                                                                                

Avec :
U(t) : entrée du système
Y(t) : sortie du système
P(t) : perturbation

2.3. Estimation des paramètres


Une fois la structure choisie, on prend le modèle qui donne la meilleure
prédiction en minimisant l’erreur, au sens des moindres carrés, entre les sorties
observées et les prédictions.
2.4. Validation
          Lorsque le modèle est estimé, on doit l’évaluer pour voir s’il répond
ou non aux exigences fixées. Si le modèle n’est pas validé, on retourne vers une des
étapes précédentes.   
3. Structure des modèles d’identification
         La première étape d’une procédure d’identification est la
détermination de la classe de modèle dans laquelle la recherche du meilleur
modèle sera entreprise. On passe en revue ci-dessous les classes de modèles
susceptibles de décrire les systèmes linéaires stationnaires.
Un système est dit linéaire s’il est possible de le décrire par un modèle
de la forme suivante :
           Y(t) = G(Z -1) U(t) + P(t)                          (1)
Où : G est la fonction de transfert

Or :         G(Z -1) U(t) = Σ G(k) U(t - k)           


 
Avec : Z -1 U(t) = U(t - 1)

P(t) est une perturbation additionnelle non mesurable. Ses propriétés


sont exprimées par sa densité spectrale qui est définie par :

                Φp (ω) =  Σ Rp ( ) e-jωτ      (2)

Rp (τ) est la fonction d’auto-correlation, exprimée par :

Rp( ) = E{V(t). V (t - )}          (3)


La perturbation P(t) peut être modélisée par le passage d’un bruit blanc à
travers un filtre linéaire.

                        P(t) = H (Z -1) . e (t)                             (4)

Où e(t) est un bruit blanc centré et de variance λ. On aura donc :

                         Φp (ω) =  λ . |H(e-jωτ)|                          (5)

En remplaçant l’expression de P(t) (4) dans (1), on obtient :

Y(t) =  G(Z -1) . U(t) +  H(Z -1) . e(t)                (6)

De l’équation de système (6), l’erreur de prédiction peut être écrite sous la


forme :

e(t) = H -1(Z -1) . { Y(t) -  G(Z -1) . U(t) }       (7)

Pour Y(t) et U(t) données, l’erreur est fonction de H(Z-1) et de G(Z-1).

Cette méthode s’appelle méthode d’erreur de prédiction. Dans le cas multi-


variable, U(t), Y(t) et e(t) sont des vecteurs, G et H sont des matrices polynomiales.
La structure générale d’un modèle peut être réécrite comme suit :

A(Z -1) Y(t) = [B(Z -1)/F(Z -1)] . U(t) + [C(Z -1)/D(Z -1)] .e(t)               (8)

 Avec : 
A(Z -1) = 1+ a1 Z -1 +………..+  ana Z -na
         B(Z -1) = b0+ b1 Z -1 +………..+  bnb Z -nb
         C(Z -1) = 1+ c1 Z -1 +………..+  cnc Z -nc                  (9)
        D(Z -1) = 1+ d1 Z -1 +………..+  dnd Z -nd
    F(Z -1) = 1+ f1 Z -1 +………..+  fnf Z –nf

Les polynômes A, B, C, D, et F sont des polynômes moniques. A partir du


modèle (8) on peut découler plusieurs cas. Par la suite, Nous allons décrire
brièvement les modèles les plus utilisés.
3.1. Modèle ARX (Auto-Régressif à entrée eXogène)
Il est défini par : 
A(Z -1) Y(t) = Z -nkB(Z -1).U(t) + e(t)     
Le bruit blanc e(t) entre comme une entrée directe dans l’équation aux différences,
la structure représentative du modèle ARX est donnée ci-dessous :
         

Figure 3.3 : Modèle ARX 


Par rapport à l’expression (8), on a :
   G(Z -1,θ) = Z -nk B(Z -1)/A(Z -1)                 et             H(Z -1,θ) = 1/A(Z -1)
Le vecteur des paramètres du modèle à déterminer est :
                   θ = [a1  a2 …… ana  b0  b1…. bnb ]T
Le terme A(Z -1) Y(t) représente la partie régressive, et B(Z -1) U(t) est appelée entrée
exogène.
Le modèle ARX (modèle d’erreur d’équation) n’offre pas de flexibilité suffisante pour
décrire les propriétés de la perturbation puisque la fonction de transfert H ne dépend que
du dénominateur de G.
Remarque :  Dans le cas où na = 0, le modèle ARX se ramènerait à un filtre RIF
(Réponse Impulsionnelle Finie).
3.2. Modèle Auto-Régressif à Moyenne Ajustée et entrée eXogène
(ARMAX)
Ce modèle est défini par l’équation :

A(Z -1) Y(t) = Z -nkB(Z -1).U(t) + C(Z -1) e(t)  

La structure représentative du modèle ARMAX est donnée par :

Figure 3.4 : Modèle ARMAX


On a donc :
   G(Z -1,θ) = Z -nk B(Z -1)/A(Z -1)              et             H(Z -1,θ) = C(Z -1)/A(Z -1)
Le vecteur des paramètres : θ = [a1  a2 …… ana  b0  b1…. bnb   C1  C2…. Cnc]T

La partie moyenne ajustée est représentée par : C(Z -1) e(t).


On signale que le modèle ARMAX rend la fonction H moins dépendante de G.
3.3. Modèle à erreur sur la sortie OE
il est donné par :                            

Y(t) = Z -nkB(Z -1)/F(Z -1).U(t) + e(t)

                                                                                                                              

                                                              

Figure 3.5 : Modèle OE

Le vecteur de paramètres est :  θ = [b0  b1…. bnb   f1  f2 …… fnf ]T


Pour que le prédicteur soit stable, il faut que les racines de F soient à l’intérieur
du cercle unité. 
3.4. Modèle Box Jenkins (BJ)
Ce modèle donne des fonctions de transfert G et H indépendantes, ce qui
peut être souvent le cas en réalité. Ces modèles suggèrent le cas général
suivant :

Y(t) = Z -nkB(Z -1)/F(Z -1) .U(t) + C(Z -1)/D(Z -1).e(t)

Sa structure est la suivante :

                                                                                                                Figure

Le vecteur des paramètres à déterminer est :


3.6 : Modèle BJ

θ = [b0  b1…. bnb   c1  c2 …… cnc   d1  d2…. dnd   f1  f2 …… fnf]T

De ce dernier modèle peuvent découler toutes les structures précédentes.


Le choix de la structure du modèle se fait de façon à ce quelle décrive au mieux
la dynamique du système en utilisant le minimum de paramètres possibles.
4. Exemple : Identification d’une chaudière
Cette étude est basée sur le niveau d’eau dans un ballon, on peut donc éliminer
la deuxième sortie (la pression du ballon P) pour des raisons de simplification. On
obtient alors le schéma suivant :

                                                                                                                                   
                               
 On procède à une identification chaîne par chaîne, en excitant séparément une
seule entrée et on tient les deux autres constantes.
Nous allons appliquer la structure ARX pour l’identification, pour sa simplicité et
l’absence d’erreurs mesurées. A l’aide du logiciel «Matlab», on calcule le vecteur
des paramètres, autrement dit trouver les paramètres :  na, nb, et nk.

La procédure générale consiste à partager les deux signaux (entrée-sortie) en


deux parties, et on introduit les deux premières parties des deux signaux (de 0s à
1750s) comme donnés dans le programme de l’ARX, ce dernier délivre une équation
Y(t). Ensuite on a entré la deuxième partie du signal d’entrée comme une entrée de
l’équation Y(t). Le résultat de simulation de l’équation donne un signal de sortie, qui
sera comparé avec la deuxième partie du signal de sortie (L). Il reste donc de varier
les paramètres na, nb, et nk  jusqu’à l’obtention du meilleur modèle possible ( le plus
valide ).
4.1. Résultat d’identification pour le débit d’eau en entrée

On prend comme entrée le débit d’eau d’alimentation, et comme


constantes le débit de vapeur et le flux de chaleur. Le signal de sortie est le
niveau d’eau dans le ballon. Les résultats d’identification et de validation sont
montrés en figure ci-dessous.

On remarque que les résultats d’identification de ce transfert sont


particulièrement excellents, puisque le modèle identifié est compatible aux
données à 94.16%. Ceci est également confirmé par les résultats de
validation.
Figure 3.7 :
Validation
du transfert : qf 
                  
Les résultats qui s’affichent dans la fenêtre exécutable du « Matlab »
sont :

A(q) = 1 - 1.928 (+-0.0008883) q^-1 + 0.9276 (+-0.0008894) q^-2 

B(q) = -0.0002155 (+-7.728e-007) q^-1 + 0.0002257 (+-7.782e-007)


q^-2

Alors la fonction de transfert s’écrit comme suite :

G1(Z) = -0.0002155 Z + 0.0002257  /  Z² - 1.928 Z + 0.9276

Sachons que :
                         na = 2
                         nb = 2
                         nk = 1

Remarque :  q = Z
4.2. Résultat d’identification pour le débit de vapeur en entrée

On prend comme entrée le  débit de vapeur, et on prend le débit d’eau


d’alimentation et le flux de chaleur comme des constantes. Le signal de sortie
est le niveau d’eau dans le ballon toujours. Les résultats d’identification et de
validation sont montrés en figure 3.8 qui suit.

Les résultats de ce transfert sont assez bons car le modèle estimé est
compatible au modèle  mathématique à 69.5%, et les résultats de validation
sont bons puisque les deux graphes se ressemblent énormément.
Figure 3.8 : Validation du
transfert : qs 
Les résultats obtenus sont :

A(q)= 1 - 1.746 (+-0.001385) q^-1 + 0.7467 (+-0.001392) q^-2 

B(q) = 0.001607 (+-3.473e-006) q^-1 - 0.001626 (+-3.463e-006) q^-2

Alors la  fonction de transfert s’écrit comme suite :

G2(Z) = 0.001607 Z - 0.001626 / Z² - 1.746 Z + 0.7467

Sachons que :
                         na = 2
                         nb = 2
                         nk = 1
4.3. Résultat d’identification pour le flux de chaleur en entrée

On prend comme entrée le  flux de chaleur, et on prend les débits d’eau
d’alimentation et de vapeur comme des constantes. Le signal de sortie est le
niveau d’eau dans le ballon. La figure 3 montre les résultats d’identification et de
validation.

Nous remarquerons que les résultats d’identification de ce transfert sont


moyens, puisque le modèle identifié est compatible aux données à 35.98%. Mais
de point de vue de la complexité particulière que ce transfert représente dans la
dynamique de la chaudière, ces résultats sont plus ou moins acceptables. Ceci
est également confirmé par les résultats de validation (les graphes sont plutôt
proches).
Figure 3.9 :
Validation du transfert : Q
Les résultats dans le logiciel « Matlab » sont :

A(q) = 1 - 1.591 (+-0.005583) q^-1 + 0.5931 (+-0.005577) q^-2      


  
B(q) = 4.936e-010 (+-6.134e-012) q^-1 - 5.119e-010 (+-6.146e-012) q^-2

Donc la fonction de transfert s’écrit comme suite :

G3(Z) = 4.936  10-10 Z - 5.119  10-10 / Z² - 1.591 Z + 0.5931 

Sachons que :
                         na = 2
                         nb = 2
                         nk = 1
Après la modélisation, on a présenté l’identification du modèle mathématique
paramétrés. Ensuite, on a passé à un exemple d’identification et de validation du
modèle de chaudière à ballon à circulation naturelle.

L’application de cette procédure d’identification a permis d’aboutir à un


modèle multi-variable de la forme suivante : en le réduisant en des systèmes
SISO (mono entrée-mono sortie) pour chaque entrée (débit d’eau, débit de
vapeur, et flux de chaleur).

L = [ G1(Z)  G2(Z)  G3(Z) ] . [ qf    qs   Q ]T


Fin de Partie