Cours de Commande Robuste - H Infini

Commande Robuste
Analyse de la Robustesse des Systèmes

Asservis
Universit
e de Strasbourg
Ecole Nationale Sup
erieure de Physique de Strabourg

3A - Option ISAV
Master ISTI
Edouard Laroche
laroche@unistra.u-strasbg.fr
http://eavr.u-strasbg.fr/
~
laroche/Student
20082009
Table des matières
1 Introduction 4
2 Les systèmes 6
2.1 Système lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Système lineaire à paramètres variants (LPV) . . . . . . . . . 6
2.2.1 Système LPV ane . . . . . . . . . . . . . . . . . . . . 6
2.2.2 Système LPV polytopique . . . . . . . . . . . . . . . . 7
2.2.3 Representation lineaire fractionnaire (LFR) . . . . . . 7
2.3 Système non-lineaire . . . . . . . . . . . . . . . . . . . . . . . 9
3 Inegalites matricielles anes 10
3.1 Valeurs propres . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2 Positivite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3 Inegalite matricielle ane ou lineaire . . . . . . . . . . . . . . 12
3.4 Exemple de LMI . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.5 Resolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.6 Complement de Schur . . . . . . . . . . . . . . . . . . . . . . 14
4 Stabilite de Lyapunov 14
4.3 Système LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.4 Maximisation du taux de decroissance . . . . . . . . . . . . . 16
4.5 Matrice de Lyapunov dependant des paramètres . . . . . . . . 16
5 Dissipativite, norme H
18
5.3 Performance H
. . . . . . . . . . . . . . . . . . . . . . . . . 20
5.4 Système LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5.5 Dissipativite avec matrice de Lyapunov dependant des paramètres 22
6 Application à un système mecanique 23
6.1 Presentation du système . . . . . . . . . . . . . . . . . . . . . 24
6.2 Analyse à partir du modèle LPV . . . . . . . . . . . . . . . . 25
6.2.1 Modelisation . . . . . . . . . . . . . . . . . . . . . . . 25
6.2.2 Robustesse en stabilite . . . . . . . . . . . . . . . . . . 27
6.2.3 Robustesse en performance . . . . . . . . . . . . . . . . 28
6.3 -analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
6.3.1 Modèle LFR . . . . . . . . . . . . . . . . . . . . . . . . 29
2
6.3.2 Robustesse en stabilite . . . . . . . . . . . . . . . . . . 31
6.3.3 Robustesse en performance . . . . . . . . . . . . . . . . 33
6.4 Lieu des p oles . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
A Analyse des systèmes asservis multivariables 37
A.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . 37
A.2 Valeur singulière . . . . . . . . . . . . . . . . . . . . . . . . . 38
A.3 Trace des valeurs singulières . . . . . . . . . . . . . . . . . . . 39
A.4 Performances dun système asservi . . . . . . . . . . . . . . . 40
A.4.1 Stabilite . . . . . . . . . . . . . . . . . . . . . . . . . . 40
A.4.2 Bande passante . . . . . . . . . . . . . . . . . . . . . . 40
A.4.3 Precision . . . . . . . . . . . . . . . . . . . . . . . . . . 40
A.4.4 Rejet de perturbation . . . . . . . . . . . . . . . . . . . 41
A.4.5 Robustesse . . . . . . . . . . . . . . . . . . . . . . . . . 41
A.5 Schemas danalyse et de synthèse H
. . . . . . . . . . . . . . 41
A.5.1 Schema 1 bloc . . . . . . . . . . . . . . . . . . . . . . . 41
A.5.2 Schema 2 blocs . . . . . . . . . . . . . . . . . . . . . . 42
A.5.3 Schema 4 blocs . . . . . . . . . . . . . . . . . . . . . . 43
3
1 Introduction
En Automatique, la synthèse dune loi de commande se fait generalement
sur un modèle nominal simplie qui ne prend pas en compte toute la com-
plexite du système. Des dynamiques sont negligees, comme celles qui se trou-
vent en dehors de la bande passante du système asservi ; les valeurs des
paramètres du modèle sont consideres egales ` a leurs valeurs nominales.
Du fait de ces approximations, il est generalement necessaire de recourir
` a une etape de validation a posteriori de la loi de commande. On parle d-
analyse de la robustesse ; il sagit en eet danalyser la robustesse du com-
portement du système asservi face aux perturbations externes (variation des
conditions de fonctionnement, comme la temperature) ou internes (variation
des paramètres) du système.
Lanalyse de la robustesse sappuie generalement sur la formulation dun
modèle variant dans le temps, variation qui peut sexprimer en fonction dun
certain nombre de paramètres incertains. La première question concerne la
stabilite. Lanalyse de la robustesse en stabilite consiste à etablir si le système
demeure stable malgre les variations attendues des paramètres. On peut aussi
souhaiter que le système maintienne certaines performances (comme la bande
passante). Lanalyse de la robustesse en performance cherche ` a etablir si le
système maintient les performances prevues pour les variations attendues des
paramètres.
On peut distinguer deux principales sources de perturbation succeptibles
de destabiliser un système asservi ou de diminuer ses performances : les vari-
ations de ses paramètres et les dynamiques negligees. Pour traiter le second
cas, celui des dynamiques qui ont ete negligees lors de la synthèse, il sut
simplement de les inclure dans le modèle danalyse. On se retrouve donc -
nalement à analyser la robustesse ` a partir dun modèle qui peut etre plus
sophistique que le modèle de synthèse et dont les paramètres sont incertains
dans certains intervalles et peuvent, selon les cas, varier au cours du temps
avec des dynamiques eventuellement bornees.
Avant de se lancer dans lanalyse de la robustesse, cest-à-dire dans letude
des modication du comportement du système en fonction des paramètres, il
convient de connatre son fonctionnement nominal. La première question est
celle de la stabilite nominale, la seconde est celle des performances nominales.
Une etude de robustesse en stabilite na de sens que si la stabilite nominale
est assuree. De meme pour les performances.
4
La question de la robustesse peut-etre abordee de deux manières, pour la
stabilite comme pour les performances :
etant donne les intervalles de variation des paramètres, le système est-il
robuste ? A cette question, on repond par oui ou non;
quel taux de dilatation faut-il appliquer aux intervalles des paramètres
pour amener le système en limite de stabilite ou de performance ? Le
taux de dilatation est aussi appele marge de robustesse. La robustesse
est assuree si la marge de robustesse est superieure ` a 1. Puisque la sta-
bilite est une condition susante pour les performances, la marge de
robustesse en performance est necessairement plus faible que la marge
de robustesse en stabilite.
Les methodes danalyse dièrent en fonction du modèle choisi. Les modèles
lineaires dependant des paramètres (LPV), modèles pour lesquels des methodes
ecaces et desormais bien connues, sont disponibles sous deux formes :
les modèle LPV avec une dependance ane des matrices detat en
fonction des paramètres ;
les representations lineaires fractionnaire (LFR) formes dun bouclage
entre un système linaire ` a temps invariant (LTI) et une matrice de
gains fonction des paramètres. Ce second type correspond aux systèmes
lineaires dont les matrices detat dependent rationnellement des paramètres ;
il sagit donc dune generalisation du premier type.
Pour les systèmes LPV anes, des formulation LMI sont disponibles pour
lanalyse en stabilite et en performance dans le cas de paramètres constants
ou variants. Ces methodes, disponibles dans les boites à outils
1
de Matlab,
sont presentees dans ce fascicule. La methode la plus classique destinee aux
modèles LFR est la -analyse
2
. Cette methode fait egalement parti du con-
tenu du cours mais seule la presentation de la modelisation LFR est presentee
dans ce fascicule. Elle sera traitee de manière detaillee en cours
3
.
1
Les methodes danalyse des systèmes LPV anes ont ete proposees dans la LMI
Control Toolbox [1]. Ces fonctions sont desormais disponibles dans les version recentes de
la Robust Control Toolbox[2]
2
Ces methodes sont disponibles dans la -Analysis and Synthesis Toolbox [3] ou dans
les versions recentes de la Robust Control Toolbox [2].
3
Dautres boites à toutils sont egalement disponibles. Citons par exemple Romuloc,
developpee par D. Peaucelle qui permet de traiter à la fois les modèles LPV anes et les
LFR [4]
5
2 Les systèmes
Nous nous limitons, dans ce cours, aux systèmes dynamiques continus
multivariables (dits aussi MIMO pour multi input multi output). Le vecteur
des entrees est u, celui des sorties y ; le vecteur detat est x.
2.1 Système lineaire
Il sagit du cas o` u les equations sont lineaires par rapport aux entrees et
aux variables detat. Le système peut etre mis sous la forme :
_
x = Ax + Bu
y = Cx + Du
(1)
Cette representation ne concerne que les systèmes propres (qui ne contiennent
pas deet derivatif pur) ; pour les systèmes strictement propres, D = 0.
2.2 Système lineaire à paramètres variants (LPV)
Dans un système LPV, les matrices detat A, B, C et D dependent dun
vecteur des paramètres qui peut varier en fonction du temps.
_
x = A()x + B()u
y = C()x + D()u
(2)
A defaut de connatre ` a lavance la trajectoire de , on connat souvent des
bornes sur ses dierentes composantes :
k

k

k
et peut-etre aussi sur
les vitesses de variation :

k
.
Le vecteur des paramètres peut etre vu comme une entree supplementaire
du système qui ne rentre alors plus dans la classe des systèmes lineaires. Parmi
les systèmes LPV, certains types particuliers sont interessants ` a etudier :
les systèmes LPV anes, LPV polytopiques et les representations lineaires
fractionnaires).
2.2.1 Système LPV ane
Dans ce cas, la dependance des matrices detat en fonction des paramètres
est lineaires. Notons
M =
_
A B
C D
_
. (3)
On a alors M() = M
0
+
1
M
1
+
2
M
2
....
Remarquez que le produit o` u linterconnexion de deux modèles LPV
anes nest generalement pas un modèle LPV ane, mais plut ot un modèle
LPV avec dependance quadratique en fonction des paramètres.
6
2.2.2 Système LPV polytopique
La matrice M representant le système est une combinaison barycentrique
de plusieurs matrices M
s
1
, M
s
2
,... : M =
1
M
s
1
+
2
M
s
2
+.... Avec 0
k
1
et
k
= 1.
Un système LPV ane dont les paramètres varient sur des intervalles
connus peut etre considere comme un système polytopique. Traitons lexem-
ple dun système dependant de deux paramètres M() = M
0
+
1
M
1
+
2
M
2
et notons M
s
1
, M
s
2
, M
s
3
et M
s
4
ses sommets :
_
_
M
s
1
= M
0
+
1
M
1
+
2
M
2
M
s
2
= M
0
+
1
M
1
+
2
M
2
M
s
3
= M
0
+
1
M
1
+
2
M
2
M
s
4
= M
0
+
1
M
1
+
2
M
2
(4)
Construisons maintenant le système polytopique

M =
1
M
s
1
+
2
M
s
2
+
3
M
s
3
+
4
M
s
4
avec
_
1
=

1
2
=

1
3
=

1
4
=

1
2
(5)
En remplacant dans lexpression de

M les M
s
k
et les
k
par leurs expressions
ci-dessus, verie que lon retrouve bien

M = M. Ce resultat est encore valable
pour un nombre de paramètres plus eleve. On retiendra quil y a equivalence
entre les representations ane et polytopique.
Exercice 1 (
Equivalence entre polytopique et LPV ane)

Ecrivez

M en fonction de ; simpliez et montrez que lon retrouve M.
2.2.3 Representation lineaire fractionnaire (LFR)
Ce système est linterconnexion dun système LTI avec une matrice
(un système statique) dependant des paramètres, comme represente sur la
gure 1. Tout type de système LPV dont les matrices detat dependent ra-
tionnellement des paramètres peut etre mis sous forme de LFR; cependant
il nest pas toujours aise de trouver une representation LFR dordre mini-
male, cest ` a dire avec une matrice de taille minimale. La LFR Toolbox,
developpee ` a lOnera, permet de creer et de manipuler les LFR [5]. Vous
trouverez des exemples de modelisation LFR dun système physiques dans
7
[6]
4
pour un système mecanique elementaire et dans [7]
5
pour un système
electromecanique denroulement de bande. Des travaux sur la machine as-
chrone sont egalement disponibles [8, 9].
Q(s)
()

- -
-
u
v
y
z
Fig. 1 Modèle LFR
Notons v et u les entrees provenant respectivement de et de la com-
mande et z et y les sorties destinees respectivement ` a et ` a la mesure. Le
système Q(s) secrivant :
x = Ax + B
1
v + B
2
u (6)
z = C
1
x + D
11
v + D
12
u (7)
y = C
2
x + D
21
v + D
22
u (8)
En rebouclant avec la matrice (), cest-à-dire en ecrivant que
v = () z (9)
on peut ecrire les equation du système boucle dentree u et de sortie y :
x =

A()x +

B()u (10)
y =

C()x +

D()u (11)
avec :
A() = A + B
1
()(I D
11
())
1
C
1
(12)
B() = B
2
+ B
1
()(I D
11
())
1
D
12
(13)
C() = C
2
+ D
21
()(I D
11
())
1
C
1
(14)
D() = D
22
+ D
21
()(I D
11
())
1
D
12
(15)
On peut faire dierentes remarques sur cette representation :
4
Ouvrage disponible à la bibliothèque du pole API de lULP.
5
Article disponible à partir du reseau internet de lULP sur le site du LSIIT
(http ://lsiit.u-strasbg.fr/Publications) ou par le SCD (http ://www-scd-ulp.u-strasbg.fr).
8
1. cette representation nexiste que si la matrice I D
11
() nest pas
singulière (on parle de LFR bien posee (well-posed en anglais) ;
2. dans le cas general, il sagit dun modèle LPV o` u les matrices detat
dependent de manière rationnelle des paramètres ;
3. dans le cas o` u D
11
est nulle, alors la dependance des matrices est ane.
Propriete 1 (Interconnexion des LFR)
Linterconnexion de plusieurs LFR est une LFR.
Exercice 2 (Interconnexion de deux LFR)

Soit un système LFR dentree u
1
et de sortie y
1
deni par
1
et le système :
x
1
= A
1
x
1
+ B
11
v
1
+ B
12
u
1
(16)
z
1
= C
11
x
1
+ D
111
v
1
+ D
112
u
1
(17)
y
1
= C
12
x
1
+ D
121
v
1
+ D
122
u
1
(18)
et la LFR dentree u
2
et de sortie y
2
denie par
2
et le système :
x
2
= A
2
x
2
+ B
21
v
2
+ B
22
u
2
(19)
z
2
= C
21
x
2
+ D
211
v
2
+ D
212
u
2
(20)
y
2
= C
22
x
2
+ D
221
v
2
+ D
222
u
2
(21)
1. Les systèmes sont connectes en serie avec u
2
= y
1
. Determinez les 9 ma-
trices detat du système dentree u
1
, de sortie y
2
, detat x = [x
T
1
; x
T
2
]
T
et de matrice incertaine = diag{
1
,
2
}.
2. Les systèmes sont interconnecte en retroaction avec u
1
= u + y
2
et
u
2
= y
1
. Determinez les 9 matrices detat du système dentree u, de
sortie y = y
1
, detat x = [x
T
1
; x
T
2
]
T
et de matrice incertaine =
diag{
1
,
2
}.
2.3 Système non-lineaire
Lequation detat dun système non-lineaire est :
_
x = f(x, u)
y = g(x, u)
(22)
Si les fontions f et g sont derivables, (on exclut donc les non-linearites fortes
du type seuil, bande morte...), on peut lineariser les equations autour dun
point dequilibre (x
0
, u
0
) veriant f(x
0
, u
0
) = 0 :
_
x = f(x
0
, u
0
) +
f
x
(x x
0
) +
f
u
(u u
0
)
y = g(x
0
, u
0
) +
g
x
(x x
0
) +
g
u
(u u
0
)
(23)
9
En notant
x
= x x
0
,
u
= u u
0
et
y
= y g(x
0
, u
0
) on se ramène à un
système LPV :
_

x
= A()
x
+ B()
u
y
= C()
x
+ D()
u
(24)
avec = [x
0
, u
0
].
Letude dun système non-lineaire par lanalyse de son modèle linearise,
bien que souvent sans garantie stricte, constitue une voie couramment em-
pruntee en automatique.
3 Inegalites matricielles anes
Les Inegalites Matricielles Anes ou LMI prennent une place de plus
importante dans les methodes modernes de lautomatique. De nombreux
resultats anterieurs trouvent une formulation LMI et ce formaliste permet
aussi de resoudre de nouveaux problèmes qui navaient pas trouve jusqualors
de solution.
3.1 Valeurs propres
Denition 1 (Valeur propre)
Soit A une matrice carree de reels ou de complexes. On appelle valeur propre
la grandeur telle quil existe un vecteur propre x veriant Ax = x.
La matrice A de dimension n n represente une application lineaire de
R
n
dans R
n
. Les directions propres, cest-` a-dire les directions des vecteurs
propres, sont les directions de R
n
invariantes par A. Les valeurs propres sont
les gains damplications dans ces directions. Le nombre de valeurs propres
distinctes est au plus n. La dimension du sous-espace propre correspondant
` a une valeur propre donnee est variable. Une base de vecteurs propres peut
etre obtenue.
En utilisant la relation Ax
i
=
i
x
i
o` u
i
est la i
ème
valeur propre et x
i
un
vecteur propre qui lui est associe, on peut concatener les n relations obtenues
pour i = 1 . . . n en AX = XD o` u X = [x
1
. . . x
n
] est la matrices des vecteurs
propres formant une base et D = diag{
1
, . . .
n
} est la matrice des valeurs
propres o` u chaque valeur propre est repetee autant de fois que la dimension
de son sous-espace propre.
Propriete 2 (Matrice symetrique ou hermitienne)
Les valeurs propres des matrices reelles symetriques (A
T
= A) et complexes
hermitiennes (A
H
= (A
)
T
) sont toutes reelles.
10
3.2 Positivite
Denition 2 (Matrice positive)
Une matrice A R
n
est dite positive et on note A 0 si la forme quadratique
x
T
Ax est positive pour tout vecteur x.
Cette denition se transpose evidemment au cas negatif. On peut tou-
jours ecrire une forme quadratique ` a partir dune matrice symetrique. Ainsi,
x
T
Ax =
1
2
x
T
(A
T
+A)x. On ne contentera donc de considerer le cas des matri-
ces symetriques. Ces matrices ont la particularite davoir toutes leurs valeurs
propres reelles.
Propriete 3 (Matrice positive)
Une matrice A symetrique est positive si et seulement si toutes ses valeurs
propres sont positives et on note A 0.
On denit aussi la positivite stricte et on dit quune matrice est denie
positive si toutes ses valeurs propres sont strictement positives. Cest equivalent
` a dire que la forme quadratique correspondante x
T
Ax est strictement positive
pour tout x non nul.
Propriete 4
Soit un scalaire, AI > 0 si et seulement si les valeurs propres de
A sont strictement superieures à .
P > 0 P < 0 ; on peut donc toujours se ramener à un problème
de positivite (ou de negativite).
Propriete 5 (Somme de matrices)
A > 0, B > 0 A + B > 0
Cette propriete se demontre facilement ` a partir de la denition A > 0
x
T
Ax > 0 x = 0.
Propriete 6 (Produit de matrices)
A > 0, B > 0 AB > 0
A > 0, B < 0 AB < 0
Demonstration 1 (Explication) Ces proprietes se comprennent facile-
ment en considerant quune matrice positive est une application qui, à un
vecteur de composantes positives, associe un vecteur de composantes toutes
positives ; une matrice negative, au contraire, est une application qui, à un
vecteur de composantes positives, associe un vecteur dont les composantes
sont toutes negatives.
11
Demonstration 2 (Demonstration plus complète)
Pour une demonstration plus complète, on peut considerer une valeur propre
AB
de AB associee au vecteur propre V
AB
, veriant donc
AB
V
AB
= ABV
AB
, (25)
et chercher à montrer quelle est positive. Lidee des calculs ci-dessous con-
siste à calculer les coordonnees du vecteur propre dabord dans la base des
vecteurs propres de B notes V
B
k
puis dans ceux de A notes V
A
l
. Ainsi, on
peut ecrire
V
AB
=
k
V
B
k
(26)
o` u les
k
sont les coordonnees de V
AB
dans la base des vecteurs propres de
B et
V
B
k
=
kl
V
A
l
(27)
o` u les
kl
sont les coordonnees de V
B
k
dans la base des vecteurs propres de
A. En remplacant dans (25) et en utilisant le fait que AV
A
l
=
A
l
V
A
l
et
BV
B
k
=
B
k
V
B
k
o` u
A
l
et
B
k
sont les valeurs propres respectivement de A et
B, on obtient :
A
l
_
B
k

k
kl
_
V
A
l
=
AB
l
_
kl
_
V
A
l
(28)
Il sagit dune egalite entre deux vecteurs. Leurs coordonnees dans la base V
A
l
sont donc identiques et
A
l
B
k

k
kl
=
AB
kl
l (29)
Dans lhypothèse o` u A et B sont toutes deux positives, les quantites
A
l
k

B
k

k
kl
et
k

k
kl
sont necessairement de meme signe et
AB
est donc positif (AB
positive). Si A et B sont de signe contraire, ces deux quantites seront de signe
contraire et AB est alors negative.
3.3 Inegalite matricielle ane ou lineaire
Denition 3 (Inegalite matricielle ane)
On appelle inegalite matricielle ane (ou inegalite matricielle lineaire et
en anglais linear matrix inequality, note LMI) le problème suivant : etant
donnees les matrices reelles, carrees et symetriques M
k
, k = 1..n, trouver les
reels x
k
, k = 1...n tels que M
0
+ x
1
M
1
+ ... + x
n
M
n
> 0.
12
Le succès des LMI vient du developpement des methodes dites du point
interieur (interior point methods) qui permettent de resoudre de manière
ecace ces problèmes [10]. Il est egalement lie au fait que de nombreux
problèmes, notamment de lautomatique, peuvent etre formule sous forme de
LMI.
Remarque 1 (Un système de plusieurs LMI est une LMI)
_
P(x) > 0
Q(x) > 0

_
P(x) 0
0 Q(x)
_
> 0 (30)
3.4 Exemple de LMI
Les LMI ne se presentent pas directement sous la forme de linegalite
presentee ci-dessus. Prenons un exemple classique de lautomatique : la sta-
bilite de Lyapunov pour un système lineaire x = Ax. Il sagit de trou-
ver une matrice reelle P = P
T
> 0 de meme dimensions que A telle que
A
T
P + PA < 0. Considerons ` a titre dexemple, le cas o` u A est une matrice
2 2.
A =
_
a
1
a
2
a
3
a
4
_
(31)
La matrice P depend alors de 3 paramètres x
i
, k = 1..3 et peut secrire
P =
_
x
1
x
2
x
2
x
3
_
(32)
La condition de positivite de P secrit
x
1
_
1 0
0 0
_
+ x
2
_
0 1
1 0
_
+ x
3
_
0 0
0 1
_
> 0 (33)
Linegalite de Lyapunov, elle se reecrit :
x
1
_
2a
1
a
2
a
2
0
_
+ x
2
_
2a
2
a
1
+ a
4
a
1
+ a
4
2a
2
_
+ x
3
_
0 a
3
a
3
2a
4
_
< 0 (34)
3.5 Resolution
An de rendre les solvers de LMI facilement utilisables pour les problèmes
de lautomatique, des interfaces ont ete developpees permettant decrire les
problème sous des formes matricielles simples. On peut citer LMI-Tools de
El Ghaoui
6
, la LMI Control Toolbox de MathWorks [1] et linterface SeDuMi
6
http ://robotics.eecs.berkeley.edu/elghaoui/
13
developpe au LAAS par Peaucelle et alli [11]. Notons aussi loutil YALMIP
7
qui permet de denir un problème LMI et de le resoudre avec nimporte quel
solveur installe sur votre machine.
Les trois problèmes classiques que ces outils resolvent sont
la fesabilite (ou existence) : trouver x solution de A(x) < 0,
la minimisation dune fonction lineaire : trouver x minimisant c
T
x sous
la contrainte A(x) < 0,
le problème de valeur propre generalisee : minimiser sous les con-
traintes A(x) < B(x), B(x) > 0 et C(x) < 0.
3.6 Complement de Schur
Il sagit dun resultat preliminaire qui permettra, dans ce qui suit, de
simplier des expressions matricielles.
Lemme 1 (Complement de Schur)
La LMI :
_
Q S
S
T
R
_
< 0, (35)
o` u Q = Q
T
et R = R
T
est equivalente à :
R < 0, QSR
1
S
T
< 0. (36)
Demonstration 3
La demonstration se fait facilement en multipliant (35) à droite par :
_
I 0
R
1
S
T
I
_
(37)
et à gauche par la transposee de cette dernière matrice. On obtient alors :
_
QSR
1
S
T
0
0 R
_
< 0. (38)
4 Stabilite de Lyapunov
Soit un système libre de vecteur detat x et dequation detat x = f(x).
Soit x
0
un point stable candidat. Il doit alors verier la condition dequilibre
f(x
0
) = 0. De plus, il faut aussi que que ce point soit attractif, cest-` a-dire
que les trajectoires de x convergent vers x
0
.
7
http ://control.ee.ethz.ch/joloef/yalmip.php
14
Denition 4 (Stabilite au sens de Lyapunov)
x
0
est un point stable au sens de Lyapunov sil existe une fonction scalaire
V (x) veriant les conditions suivantes :
V (x) > V (x
0
) pour x = x
0
d
dt
(V (x)) < 0 pour x = x
0
Une telle fonction V (x) est dite fonction denergie du système.
A partir dune condition initiale x
i
dierente de x
0
, lenergie interne du
système va decrotre jusqu` a atteindre son minimum qui correspond à lu-
nique point x
0
; letat du système tendra donc necessairement vers x
0
.
Pour demontrer la stabilite par cette methode, la diculte reside dans
le choix dune bonne fonction denergie. Une classe de fonctions souvent
utilisees sont les fonction quadratiques V (x) = (x x
0
)
T
Q(x x
0
) avec
Q = Q
T
> 0 ; on parle alors de stabilite quadratique.
Pour la fonction denergie choisie, il reste ` a demontrer que
d
dt
(V (x)) =
dV (x)
dx
f(x) < 0 pour tout x.
Dans ce cas, f(x) = Ax. Le point dequilibre candidat est x = 0. En
choisissant V (x) = x
T
Qx avec Q = Q
T
> 0, la condition de stabilite secrit
alors x
T
(A
T
Q+QA)x < 0 pour x = 0, ce qui secrit aussi A
T
Q+QA < 0 et
qui signie que toutes les valeurs propres (reelles) de la matrice symetrique
A
T
Q+QA sont strictement negatives. La stabilite quadratique peut ainsi se
caracteriser par un système de LMI dont linconnue est la matrice symetrique
Q :
Q > 0 (39)
A
T
Q+QA < 0 (40)
Remarque : dans ce cas, cette stabilite (quadratique de Lyapunov) est
equivalente à la stabilite au sens classique dont le critère est que la matrice
A ait ses valeurs propres ` a partie reelle positive.
4.3 Système LPV
Pour un système LPV autonome x = A()x, la condition de decroissance
secrit (A())
T
Q + QA() < 0 pour tout dans lensemble admissible. En
absence dhypothèse supplementaires sur la dependance en de A, nous
trouvons alors devant une innite de conditions LMI ` a verier
8
(pour chaque
8
On parle en fait de LMI semi-innie dans le cas ou les paramètres sont bornes ; le
terme de LMI innieLMI !innie sappliquant au cas ou les paramètres ne sont pas bornes
15
valeur des paramètres). Une issue consiste ` a se ramener à un nombre ni
de LMI en discretisant lensemble des paramètres. Linconvenient de cette
methode reside dans le nombre eleve de LMI à resoudre, meme pour un petit
nombre de paramètres ; elle est irrealiste dans le cas de systèmes dependant
dun nombre eleve de paramètres.
Dans le cas dun système LPV ane ou polytopique, on verie quil sut
que la condition soit veriee au sommets de lespace pour quelle le soit sur
lensemble du domaine. En eet, si A =
k
A
s
k
,

V =
k
x
T
((A
s
k
)
T
Q +
QA
s
k
)x
T
. Il sut de verier ((A
s
k
)
T
Q+QA
s
k
) < 0 pour tout k. Letude de la
stabilite quadratique dun système LPV ane ou polytopique setudie par le
système de 2
p
+ 1 LMI suivantes o` u p est le nombre de paramètres :
Q > 0 (41)
(A
s
k
)
T
Q+QA
s
k
< 0 (42)
Remarquez que la stabilite quadratique dun système LPV nest, dans
le cas general, quune condition susante de stabilite. En eet, la stabilite
pourrait etre etablie avec des fonction de Lyapunov non quadratiques.
4.4 Maximisation du taux de decroissance
Plut ot que de se contenter dassurer que V decrot, il est interessant de
chercher à maximiser cette decroissance. Dans le cas dune fonction quadra-
tique V (x) = x
T
Qx, on peut chercher ` a assurer

V (x) < x
T
x o` u le taux de
croissance est un scalaire ; il est negatif si le système est stable. Pour un
système lineaire, il sagit donc de trouver Q = Q
T
et minimal veriant :
Q > 0 (43)
A
T
Q+QA < I (44)
Il sagit dun problème de valeurs propres generalisees. Ce resultat est genera-
lisable aux systèmes LPV ane et polytopique ; on assure alors un taux de
decroissance minimal sur le domaine.
4.5 Matrice de Lyapunov dependant des paramètres
Dans le cas dun système LPV, on peut introduire une matrice de Lya-
punov Q() dependant des paramètres. La derivee de lenergie secrit alors :
dV
dt
= x
T
Qx + x
T
Q x + x
T

Qx (45)
= x
T
(A
T
Q + QA +

Q)x, (46)
16
o` u

Q =
Q((t))
dt
=
Q
k
. La stabilite est donc assuree si :
Q() < 0 (47)
A
T
Q + QA +

Q < 0 et

(48)
o` u est lensemble de variation des paramètres et celui des variations de
; comme on la fait pour , on suppose que chaque composante de

est
bornee, cest-` a-dire que

k
. Dans le cas general, cette inegalite
peut etre veriee en echantillonnant et .
Restreignons nous desormais ` a des matrices de Lyapunov dependant de
manière ane des paramètres : Q() = Q
0
+
1
Q
1
+
2
Q
2
. Il sut alors de
verier la positivite de Q aux sommets de , cest-` a-dire sur
s
. On observe
alors que

Q =

1
Q
1
+

2
Q
2
= Q(
)Q
0
. Linegalite à verier secrit alors :
Q() < 0
s
(49)
(A())
T
Q() + Q()A() + Q(
) Q
0
< 0 (,

)
s
. (50)
Dans le cas dun système LPV ane (A() = A
0
+
1
A
1
), il sagit dune
inegalite matricielle polynomiale dordre 2 quon ne peut resoudre avec les
techniques classiques. Par contre, il est possible dobtenir une condition su-
isante sous forme de LMI. Pour cela, nous allons nous appuyer sur le resultat
suivant :
Lemme 2 (Condition susante de negativite)
Soit f une fonction de E vers R o` u E est un parallelepipède rectangle
(E = [x
1
; x
1
] [x
2
; x
2
] ). Notons E
s
lensemble des sommets de E (E
s
=
{(x
1
, x
2
, ...), (x
1
, x
2
, . . .) . . .}). La proposition (ii) implique la proposition (i)
i. f(x) < 0 x E
ii.
_
f(x) < 0 x E
s
2
f
x
k
0 x E
(51)
Pour que la fonction f soit negative, il sut quelle soit negative aux sommets
et quelle soit multiconvexe. Remarquons que la multiconvexite, cest-à-dire
la convexite dans chacune des directions des axes de lespace est une condition
moins forte que la convexite (la convexite implique la multiconvexite). Pour
comprendre ce resultat, prenons lexemple dune fonction de R
2
. Lensemble
de depart E est donc un rectangle. Supposons que les conditions (ii) soient
veriees. Il est alors evident que f(x) < 0 sur chacun des cotes du rectangle,
par convexite. Ensuite, pour un point ` a linterieur du rectangle, on peut dire
17
quil appartient ` a un segment parallèle ` a lun des bords du rectangle ; par
convexite, f est negative en tous les points de ce segment.
Il sagit alors dappliquer ce lemme ` a linegalite matricielle (50) avec E =
et E
s
=
s

s
. La condition de multiconvexite se ramenant à
A
T
k
Q
k
+ Q
k
A
k
0 k 1, on obtient le système de LMI suivant :
Q() < 0
s
(52)
(A())
T
Q() + Q()A() + Q(
) Q
0
< 0
s
et

s
(53)
A
T
k
Q
k
+ Q
k
A
k
0 k 1 (54)
Remarque : la stabilite quadratique simple (avec matrice de Lyapunov
constante) est un cas particulier de la stabilite quadratique avec matrice de
Lyapunov dependant des paramètres. Il sut en eet de choisir Q
k
= 0 k
1.
5 Dissipativite, norme H

On sinteresse maintenant ` a un système non-lineaire de vecteur dentree u,
de vecteur de sortie y, de vecteur detat x. Son equation detat est x = f(x, u)
et son equation de sortie est y = g(x, u). Soit S(u, y) une fonction scalaire
que nous appellerons ux denergie entrant.
Denition 5 (Dissipativite)
Un système dynamique est dit S-dissipatif sil existe une fonction denergie
V (x) telle que
dV (x)
dt
< S(u, y) (55)
pour tout x = x
0
o` u x
0
est le point dequilibre considere veriant f(x
0
, 0) = 0
On peut sinteresser à des fonctions S de type particulier comme :
S(u, y) =
_
y
u
_
T
_
Q
11
Q
12
Q
12
T
Q
22
_ _
y
u
_
(56)
On parle alors de {Q
11
, Q
22
, Q
12
}-dissipativite.
18
Soit le système dequation detat x = Ax + Bu et dequation de sortie
y = Cx + Du.
Theorème 1 (Caracterisation LMI de la dissipativite)
Le système ci-dessus est {Q
11
, Q
22
, Q
12
}-dissipatif sil existe une matrice Q =
Q
T
veriant le système de LMI suivant :
Q > 0 (57)
_
A
T
Q+QA C
T
Q
11
C QB C
T
Q
11
D C
T
Q
12
B
T
QD
T
Q
11
C Q
T
12
C D
T
Q
11
D D
T
Q
12
Q
T
12
D Q
22
_
< 0
(58)
Demonstration 4
On peut remplacer le vecteur [y
T
, u
T
]
T
dans la fonction S(u, y) par
_
y
u
_
=
_
C D
0 I
_ _
x
u
_
(59)
On obtient alors une nouvelle expression

S(x, u) du ux denergie :
S(x, u) =
_
x
u
_
T
_
C
T
0
D
T
I
_ _
Q
11
Q
12
Q
12
T
Q
22
_ _
C D
0 I
_ _
x
u
_
(60)
soit
S(x, u) =
_
x
u
_
T
_
C
T
Q
11
C C
T
Q
11
D + C
T
Q
12
D
T
Q
11
C + Q
T
12
C D
T
Q
11
D + D
T
Q
12
+ Q
T
12
D + Q
22
_ _
x
u
_
(61)
Par ailleurs, la derivee de la fonction denergie secrit :
dV (x)
dt
= x
T
Qx + x
T
Q x (62)
= (Ax + Bu)
T
Qx + x
T
Q(Ax + Bu) (63)
=
_
x
u
_
T
_
A
T
Q + QA QB
B
T
Q 0
_ _
x
u
_
(64)
La dissipativite (55) secrit alors comme une LMI en Q = Q
T
> 0 :
_
A
T
Q + QA C
T
Q
11
C QB C
T
Q
11
D C
T
Q
12
B
T
QD
T
Q
11
C Q
T
12
C D
T
Q
11
D D
T
Q
12
Q
T
12
D Q
22
_
< 0
(65)
19
5.3 Performance H
Denition 6 (Norme H
)
La norme H
dun système est la norme induite par la norme L

2
sur ses
signaux ; cest-à-dire que pour un système S de vecteur dentree u, de vecteur
de sortie y et de condition initiale nulle :
||S||
= max
||y||
2
||u||
2
(66)
avec ||y||
2
=
_
0
y
T
ydt
Lemme 3 (Yakubovitch-Kalman)
Soit un système lineaire. Les propositions suivantes sont equivalentes :
(i) est {Q
11
, Q
22
, Q
12
}-dissipatif.
(ii) R
+
\det(jI A) = 0,
_
G(j)
I
_
T
_
Q
1
Q
12
Q
T
12
Q
2
_ _
G(j)
I
_
0 (67)
Ce resultat sobtient facilement en considerant un signal harmonique u(t) =
Uexp(jt).
On peut maintenant montrer que la norme H
est un cas particulier de

dissipativite.
Theorème 2 (
Equivalence entre norme H
et dissipativite)
Soit un système lineaire et la fonction de ux denergie S(u, y) =
2
u
T
u
y
T
y. Les propositions suivantes sont equivalentes :
(i) est S-dissipatif
(ii) ||||

Gr ace au lemme de Yakubovitch-Kalman, la proposition (ii) est equivalente
` a (G(j)
T
G(j) +
2
I 0 ce qui est equivalent à dire que les valeurs
propres de G(j)
T
G(j) sont inferieures ` a
2
. Or les valeurs propres (reelles
et positives) de G(j)
T
(G(j) sont les carres des valeurs singulières de G(j).
CQFD car la norme H
de est la borne superieure de la valeur singulière

maximale.
La majoration de la norme H
par est donc equivalente à la {I,

2
I, 0}-
dissipativite. Ce resultat est aussi connu sous le nom de lemme borne reel
(bounded real lemma en anglais) :
20
Lemme 4 (Lemme borne reel 1)
Un système dynamique continu lineaire de matrices detat A, B, C et D a
une norme H
inferieure à si et seulement si il existe une matrice Q = Q

T
veriant :
Q > 0 (68)
_
A
T
Q+QA + C
T
C QB + C
T
D
B
T
Q+ D
T
C D
T
D
2
I
_
< 0 (69)
On peut appliquer le lemme borne reel pour le calcul de la norme H
dun système lineaire en resolvant un problème de valeurs propres generalisees

suivant : trouver les matrices Q = Q
T
et R = R
T
minimisant =
2
et
veriant :
Q > 0 (70)
_
A
T
Q+QA + C
T
C QB + C
T
D
B
T
Q+ D
T
C D
T
D
_
<
_
0 0
0 R
_
(71)
R < I (72)
Remarquez lintroduction dune nouvelle matrice R necessaire pour avoir
une matrice de rang plein dans linegalite (72) o` u intervient le scalaire à
minimiser.
5.4 Système LPV
Comme pour la passivite, on peut garantir des proprietes dun système
LPV en passant par un echantillonnage de lensemble de variation des
paramètres. Cependant, dans le cas dun système LPV ane, il existe un
resultat sous forme dun système comportant un nombre ni de LMI. En
eet, lequation (74) qui comporte des produits des matrices detat (ce qui
entrane le caractère non lineaire de linegalite, meme pour un système LPV
ane) peut se transformer via le complement de Schur :
Lemme 5 (Lemme borne reel 2)
Un système dynamique continu lineaire de matrices detat A, B, C et D a
une norme H
inferieure à si et seulement si il existe une matrice Q = Q

T
veriant :
Q > 0 (73)
_
_
A
T
Q+QA QB C
T
B
T
Q I D
T
C D I
_
_
< 0 (74)
21
Demonstration 5
En appliquant le complement de Schur à la relation ci-dessus avec la decomposition :
Q =
_
A
T
Q+QA QB
B
T
Q I
_
(75)
R = I (76)
S =
_
C
T
D
T
_
(77)
et en multipliant par on obtient la première forme du lemme borne reel
o` u la matrice de Lyapunov est Q. Les deux formes sont bien equivalentes
puisque > 0.
La seconde forme du Lemme borne reel a lavantage de ne pas faire ap-
paratre de produit des matrices detat. Ainsi, pour un système LPV ane, la
LMI depend de manière ane des paramètres. Pour que la LMI soit veriee
sur lensemble du domaine, il sut quelle le soit aux sommets de lespace
des paramètres. On peut alors enoncer le theorème suivant :
Theorème 3 (Dissipativite dun système LPV ane)
Un système LPV ane est stable pour toute trajectoire de dans et sa
norme H
est inferieure à pour tout ge dans si le lemme borne reel

2 est verie pour tout
s
.
Ce resultat est immediat du fait du caractère ane de linegalite matricielle
et du fait du caractère ane de la dependance des matrices detat en fonction
des paramètres.
5.5 Dissipativite avec matrice de Lyapunov dependant
des paramètres
Comme nous lavons fait pour la passivite, nous pouvons introduire une
matrice de Lyapunov Q() dependant des paramètres (en abrege PDLF pour
parameter-dependent Lyapunov function) pour traiter le problème de la dis-
sipativite. Remarquons tout de suite que seule la fonction denergie x
T
Qx
est aectee ; la fonction S(u, y) de ux denergie nest en rien concernee par
ce changement. Comme pour la passivite, le terme A
T
Q+QA est desormais
aecte dun terme supplementaire

Q. Pour un système LPV, sous pouvons
alors enoncer le resultat suivant :
22
r
actionneur
transmission
souple
charge
rgulateur
y
u
Fig. 2 Schema du système mecanique etudie
Theorème 4 (LMI semi-innie de dissipativite avec PDLF)
Le système LPV est S-dissipatif (S(u, y) = y
T
y + u
T
u) sil existe des
matrices symetriques Q
0
, Q
1
... avec Q() = Q
0
+
1
Q
1
telles que :
Q() > 0
s
(78)
_
_
M(,

) Q()B() C()
T
(B())
T
Q() I (D())
T
C() D() I
_
_
< 0 (,

) (79)
o` u M(,

) = (A())
T
Q() + Q()A() +

Q().
Cette caracterisation est une LMI semi-innie. Comme nous lavions fait
pour la passivite dependant des paramètres, on peut obtenir une caracterisation
plus restrictive sous forme dun nombre ni de LMI :
Theorème 5 (Condition LMI de dissipativite avec PDLF)
Le système LPV est S-dissipatif (S(u, y) = y
T
y + u
T
u) sil existe des
matrices symetriques Q
0
, Q
1
... avec Q() = Q
0
+
1
Q
1
telles que :
Q() > 0
s
(80)
_
_
M(,

) Q()B() C()
T
(B())
T
Q() I (D())
T
C() D() I
_
_
< 0 (,

)
s
s
(81)
_
A
T
k
Q
k
+ Q
k
A
k
Q
k
B
k
B
T
k
Q
k
0
_
0 k 1 (82)
o` u

M(,

) = (A())
T
Q() + Q()A() + Q(
) Q
0
.
6 Application à un système mecanique
On traite dans cette partie la modelisation dun système dynamique sous
forme LPV ane et sous forme LFR. Des resultats danalyse par dierentes
methodes sont presentes.
23
6.1 Presentation du système
Le système est presente sur la gure 2. Il est compose de deux sous-
systèmes dinerties respectives J
1
et J
2
et de coecients de dissipation (frot-
tements uides) f
1
et f
2
reliees par un accouplement de raideur K et de coe-
cient de dissipation f. Le premier sous-système est actionne et on commande
le couple u. On note q
k
les positions et
k
les vitesses. On cherche ` a asservir
la vitesse
2
du second sous-système. On considère que la raideur K et lin-
ertie J
2
sont entachees dincertitudes. Les valeurs nominales des paramètres
sont J
1
= J
2
= 10 mkg.m
2
, f
1
= f
2
= 20 mNms/rad, f = 40 mNms/rad,
K = 10 N/rad. On considère des variations de 50 % sur K et sur
1
J
2
.
Le couple transmis par la liaison exible entre les deux sous-systèmes est
C
K
= K(q
1
q
2
) + f(
1

2
). Les equations de la dynamique appliquees
aux deux sous-systèmes secrivent :
J
1
d
1
dt
= u C
K
f
1
1
(83)
J
2
d
1
dt
= C
K
f
2
2
(84)
Il sagit dun modèle lineaire dordre 4. Il peut secrire sous forme detat avec
x = [q
1

1
q
2

2
]
T
et les matrices detat suivantes :
A =
_
_
0 1 0 0
K
J
1
f+f
1
J
1
K
J
1
f
J
1
0 0 0 1
K
J
2
f
J
2
K
J
2
f+f
2
J
2
_
_
, B =
_
_
0
1
J
1
0
0
_
_
(85)
C =
_
0 0 0 1
, D = 0 (86)
Ce modèle a linconvenient detre non observable. En eet, seule la dif-
ference q
1
q
2
des positions a de linuence sur la mesure
2
; la somme
etant sans eet
9
. Ainsi, il est preferable de simplier les equations en notant
q = q
1
q
2
et qui verie lequation :
q =
1
2
(87)
En reprenant les equations de la dynamique avec C
K
= K q +f(
1
2
), on
peut ecrire le modèle detat avec x = [
1

2
q]
T
et les matrices detat :
A =
_
_
f+f
1
J
1
f
J
1
K
J
1
f
J
2
f+f
2
J
2
K
J
2
1 1 0
_
_
, B =
_
_
1
J
1
0
0
_
_
(88)
9
Ajouter un oset identique sur les conditions initiales de q
1
et q
2
est sans eet sur la
trajectoire de
2
.
24
Fig. 3 Lieu de Bode du système mecanique
C =
_
1 0 0
, D = 0 (89)
Le lieu de Bode du système mecanique est presente sur la gure 3. La
resonance se situe entre 40 et 50 rad/s. An dasservir la vitesse de la charge,
on a choisi un correcteur de fonction de transfert :
K(s) =
2(s + 2)
(s + 10)(s + 0, 01)
(90)
Il sagit dun correcteur de type PI
10
avec une troncature du terme integral
pour les pulsations inferieures ` a 10 mrad/s et un ltrage passe bas du premier
ordre pour les frequences superieures à 10 rad/s. La reponse du système
nominal asservi à un echelon unitaire est donnee sur la gure 4. On note un
depassement de lordre de 15 % et un temps de reponse à 5 % de 500 ms.
6.2 Analyse à partir du modèle LPV
6.2.1 Modelisation
le modèle developpe ci-dessus fait apparatre des produits entre les vari-
ables incertaines K et
1
J
2
et ne peut secrire directement comme un modèle
10
Ce correcteur simple a ete developpe pour illustrer les procedures danalyse de ro-
bustesse. De meilleurs resultats peuvent-etre obtenus avec un correcteur dordre plus eleve
comme ceux obtenus par les methodes H
. Vous trouverez un exemple dans [8], article

disponible depuis le reseau de lULP sur le cite du SCD (http ://www-scd-ulp.u-strasbg.fr,
rubrique Revues electroniques) ou à partir du cite du LSIIT (http ://lsiit.u-strasbg.fr).
25
Fig. 4 Reponse ` a un echelon du système nominal asservi
LPV ane. Cela sera rendu possible par un changement de variable detat
x = [J
1
1
J
2
2

]
T
. Remarquons que ce changement de variable est jus-
tie par la physique car, en presence dinerties variables, les equations de la
dynamique secrivent rigoureusement sous la forme :
d
dt
(J
1
1
) = u C
K
f
1
1
(91)
d
dt
(J
2
2
) = C
K
f
2
2
(92)
Le modèle detat secrit alors avec les matrices suivantes :
A =
_
f+f
1
J
1
f
J
2
K
f
J
1
f+f
2
J
2
K
f
J
1
f
J
2
0
_
_
, B =
_
_
1
0
0
_
_
(93)
C =
_
0
f
J
2
0
_
, D = 0 (94)
Les matrices detat sexpriment de manière ane en fonction des paramètres
incertains K et
1
J
2
.
En notant par commodite :
M =
_
A B
C D
_
(95)
26
le modèle secrit M = M
0
+ KM
1
+
1
J
2
M
2
avec :
M
0
=
_
f+f
1
J
1
0 0 1
f
J
1
0 0 0
f
J
1
0 0 0
0 0 0 0
_
_
(96)
M
1
=
_
_
0 0 1 0
0 0 1 0
0 0 0 0
0 0 0 0
_
_
(97)
M
2
=
_
_
0 f 0 0
0 (f + f
2
) 0 0
0 f 0 0
0 f 0 0
_
_
(98)
Le script de denition du modèle sous Matlab est donne ci-dessous
11
:
Aa0 = [ 1/J1*[-(f+f1) ; f ; 1] zeros(3,2) ] ;
Aa1 = [zeros(3,2) [-1 ; 1 ; 0]] ;
Aa2 = [zeros(3,1) [f ; -(f+f2) ; -1] zeros(3,1)] ;
Ba0 = [1 ; 0 ; 0] ; Ba1 = zeros(3,1) ; Ba2 = Ba1 ;
Ca0 = zeros(1,3) ; Ca1 = Ca0 ; Ca2 = [0 1 0] ;
Da0 = 0 ; Da1 = 0 ; Da2 = 0 ;
S0 = ltisys(Aa0,Ba0,Ca0,Da0) ;
S1 = ltisys(Aa1,Ba1,Ca1,Da1,zeros(3)) ;
S2 = ltisys(Aa2,Ba2,Ca2,Da2,zeros(3)) ;
K0 = 10 ; w1 = 5 ; % ponderation sur K
J20 = 1e-2 ; w2 = 50 ; % ponderation sur 1/J2
range = [K0-w1 K0+w1 ; 1/J20-w2 1/J20+w2] ;
pv = pvec(box,range)
sysGaff = psys(pv,[S0,S1,S2]) ;
psinfo(sysGaff)
6.2.2 Robustesse en stabilite
Le correcteur est deni comme suit :
Kp = 2 ; ti = 1 ; w1K = 2 ; w2K = 10 ;
NumK = Kp*[1 w1K] ; DenK = conv([1 1e-2],[1 w2K]) ;
sysK = nd2sys(NumK,DenK) ;
11
Les codes Matlab de cette partie requièrent la boite à outil LMI toolbox ou la version
3 ou posterieure de la Robust Control Toolbox.
27
On calcule le système en boucle ouverte compose du correcteur et du process :
sysboaff = smult(sysK,sysGaff) ;
On peut ensuite denir le système boucle, ayant comme entree la reference
et comme sortie lerreur, par une simple lft :
sysbfaff = slft([1 -1 ; 1 -1],sysboaff) ;
On peut ensuite etudier la stabilite quadratique avec une matrice de Lya-
punov constante :
[tau,P] = quadstab(sysbfaff) ;
On obtient tau = -0.0039 negatif, ce qui montre que le système est robuste-
ment stable. La stabilite quadratique avec matrice de Lypaunov dependant
des paramètres de manière ane est etudiee avec :
[tau2,Q0,Q1,Q2] = pdlstab(sysbfaff) ;
qui donne tau2 = -0.0222, et qui montre que le système est robustement
stable
12
.
6.2.3 Robustesse en performance
On calcule la norme H
du système avec :
[perf,Pp] = quadperf(sysbfaff) ;
On obtient un gain de 1,77, ce qui correspond ` a une marge de module pire
cas (distance au point -1 dans le lieu de Nyquist) de 0,564.
On peut etudier la robustesse en performance en ajoutant une ponderation
frequentielle W
1
(s) sur lerreur et en calculant la norme H
du transfert entre
la reference et la sortie de W
1
(s). On denit la ponderation comme suit :
w1c = 8 ; NumW1 = 0.5*[1 1/w1c] ; DenW1 = [1 1e-3] ;
W1lti = ltisys(tf,NumW1,DenW1) ;
Le système pondere est calcule par :
sysbfaffp = smult(sysbfaff,W1lti) ;
et on calcule la norme H
du système avec :
[perf,Pp] = quadperf(sysbfaffp) ;
On obtient une norme de 0,863, ce qui montre que la sensibilite en sortie
(le transfert entre la reference et lerreur) verie le gabarit W
1
1
(s) avec une
marge de robustesse de 1,13. Le système est robuste en performance.
12
Lutilisation de matrice de Lypunov dependant des paramètres aboutit à une
evaluation moins concervative de la stabilite ; ce resultat est donc evident dès lors que
la stabilite quadratique avec matrice de Lyapunov constante est veriee.
28
Fig. 5 Schema-bloc du modèle dynamique dordre 3
6.3 -analyse
La -analyse est une analyse de robustesse qui sappuie sur la notion de
valeur singulière structuree. Le modèle doit-etre donne sous forme de LFR.
6.3.1 Modèle LFR
La methode la plus simple pour obtenir une representation LFR dun
système consiste à travailler sur le schema-bloc et ` a la simplier au maximum
de sorte ` a faire intervenir un nombre minimum de fois chacun des paramètres.
Dans le cas du système mecanique considere, chaque paramètre peut etre
utilise une seule fois, comme le montre le schema de la gure 5.
A partir de ce schema, il est possible de construire simplement la LFR
en remplacant chaque paramètre incertain par une entree v
k
et une sortie z
k
.
Ainsi, en remplacant la raideur K par v
1
et z
1
puis
1
J
2
par v
2
et z
2
, on obtient
le modèle presente sur la gure 6.
Ce modèle se met alors sous la forme (6-8) avec :
_
_
A B
1
B
2
C
1
D
11
D
12
C
2
D
21
D
22
_
_
=
_
_
(f + f1)/J1 0 0 1 f 1
f/J1 0 0 1 (f + f2) 0
1/J1 0 0 0 1 0
0 0 1 0 0 0
0 1 0 0 0 0
0 0 0 0 1 0
_
_
(99)
29
Fig. 6 Schema-bloc du modèle LFR
On observe que la matrice D
11
est nulle, ce qui fait que le modèle LFR est
aussi un modèle LPV ane.
Une etape de normalisation est ensuite operee. Les paramètres K et
1
J
2
sont respectivement remplaces par K
0
+ w
1
1
et
1
J
20
+ w
2
2
o` u
1
et
2
sont
deux paramètres dont les variations sont comprises entre -1 et 1. Le schema
correspondant est celui de la gure 7. Le script de denition du modèle LFR
normalise est donne ci-dessous
13
:
A = [-(f+f1)/J1 f/J20 -K0 ; f/J1 -(f+f2)/J20 K0 ; 1/J1 -1/J20
0] ;
B1 = [-1 f ; 1 -(f+f2) ; 0 -1] ;
B2 = [1 ; 0 ; 0] ;
C1 = [0 0 w1 ; 0 w2 0] ;
C2 = [0 1/J20 0] ;
D11 = zeros(2) ;
D12 = zeros(2,1) ;
D21 = [0 1] ;
D22 = 0 ;
sysLFR = pck(A,[B1 B2],[C1 ;C2],[D11 D12 ; D21 D22]) ;
blk = [-1 0 ; -1 0] ; % structure des incertitudes
La variable blk indique que le système contient deux incertitudes reelles
13
Les codes Matlab de cette partie requièrent la boite à outil -analysis and synthesis
toolbox ou la version 3 ou posterieure de la Robust Control Toolbox.
30
Fig. 7 Schema-bloc du modèle LFR normalise
scalaires
14
.
6.3.2 Robustesse en stabilite
On presente ensuite les resultats danalyse de la robustesse en stabilite à
partir du modèle boucle. Après avoir deni le correcteur au format adequat :
Kp = 2 ; ti = 1 ; w1K = 2 ; w2K = 10 ;
NumK = Kp*[1 w1K] ; DenK = conv([1 1e-2],[1 w2K]) ;
Ktf = tf(NumK,DenK) ;
sysK = nd2sys(NumK,DenK) ;
La denition du modèle boucle peut se faire ` a partir de la fonction sysic
de la manière suivante :
systemnames = sysLFR sysK ;
inputvar = [ v{2}] ;
outputvar = [ sysLFR(1 :2) ] ;
input to sysK = [ -sysLFR(3) ] ;
input to sysLFR = [ v ;sysK ] ;
sysoutname = sysLFRbf ;
14
Chaque ligne de la variable code un bloc dincertitude. Les incertidudes reelles diag-
onales rI sont codees par [-r 0] ; les incertitudes complexes diagonales cI sont codees
par [c 0] ; les incertitudes complexes pleine de taille l c sont codees par [l c].
31
Fig. 8 Valeur singulière structuree pour lanalyse en stabilite (borne
superieure et borne inferieure)
cleanupsysic = yes ;
sysic ;
Avant danalyser la robustesse, il importe de verier que le modèle nom-
inal (avec des incertitudes nulles) est stable
15
. Cela se fait de la manière
suivante :
if max(real(spoles(sysLFRbf))) >= 0,
disp(Système nominal instable)
else
disp(Système nominal stable)
end
Le calcul de la valeur singulière singulière structuree sur un ensemble de
valeurs de la pulsation se fait ainsi :
TabPuls = logspace(0,2,400) ;
sysLFRbf w = frsp(sysLFRbf,TabPuls) ;
[bnds,rowd,sens,rowp,rowg] = mu(sysLFRbf w,blk) ;
figure
vplot(liv,m,bnds)
15
Une valeur de inferieure à 1 signie quaucun pole ne traverse laxe imaginaire mais
ne garantie pas que le système nominal est stable.
32
Fig. 9 Schema-bloc du modèle LFR pour lanalyse en performance
et donne le trace de la gure 8. On note un majorant de 0,55 de la borne
superieure et un minorant de 0,53 de la borne inferieure, do` u une marge de
robustesse de lordre de 1,8. Remarquons que la borne inferieure a de grandes
dicultes ` a converger. Cest là une caracteristique de la borne inferieure pour
les problèmes purement reels.
6.3.3 Robustesse en performance
Le calcul de la robustesse en performance se fait en incluant une ponderation
W
1
(s) sur lerreur de regulation
16
et en ajoutant une incertitude complexe
pleine entre la sortie de W
1
(s) et la reference. Le schema du système est
presente sur la gure 9. La ponderation est denie sous Matlab comme suit :
w1c = 8 ; NumW1 = 0.25*[1 1/w1c] ; DenW1 = [1 1e-3] ;
W1 = nd2sys(NumW1,DenW1) ;
On denit ensuite le modèle boucle sous forme LFR :
systemnames = sysLFR sysK W1 ;
inputvar = [ v{2} ; vp] ;
outputvar = [ sysLFR(1 :2) ; W1 ] ;
input to sysK = [ vp-sysLFR(3) ] ;
input to sysLFR = [ v ;sysK ] ;
input to W1 = [ vp-sysLFR(3) ] ;
sysoutname = sysLFRbfp ;
cleanupsysic = yes ;
sysic ;
Le trace de la valeur singulière structuree se fait avec le script ci-dessous :
16
Avec une ponderation placee sur lerreur de regulation, on peut traiter les problèmes
de bande-passante, de marge de module et de precision statique.
33
Fig. 10 Valeur singulière structuree pour lanalyse en performance (borne
superieure et borne inferieure)
sysLFRbfp w = frsp(sysLFRbfp,TabPuls) ;
blkp = [blk ; [1 0]] ; % ajout de lincertitude complexe liee
aux performances
[bnds,rowd,sens,rowp,rowg] = mu(sysLFRbfp w,blkp) ;
figure
vplot(liv,m,bnds)
et donne les resultats presentes sur la gure 10. On observe que les bornes
superieure et inferieure sont proches ; lajout dune incertitude complexe
pour lanalyse en performance permet de regulariser le problème. Le système
est robuste en performance avec une marge de robustesse de 1,5 (1/0,66).
Cest-` a-dire que le système maintient les performances denies par le gabarit
W
1
1
(s) sur la sensibilite en sortie (le transfert entre la reference et lerreur
de regulation) pour toutes les valeurs des paramètres dans les intervalles
predenis.
6.4 Lieu des poles
Letude du lieu des p oles multimodèle presentee ici sappuie sur une
modelisation LFR presentee dans le paragraphe 6.3.1. Elle utilise des fonc-
tions developpee par lauteur.
34
Fig. 11 Lieu des poles multimodèle pour les variations nominales des
paramètres (55 modèles)
Le lieu des p oles multimodèle, trace sur la gure 11, obtenu par un
echantillonnage de lespace parametrique est obtenu par :
[poles,para0] = polesMM(sysLFRbf,blk,5) ;
figure
plot(real(poles),imag(poles),*)
On observe que la partie reelle des p oles demeure inferieure à -1,9 ; le système
est donc robustement stable.
On peut tracer levolution de la partie reelle maximale en fonction dun
coecient r que lon applique au domaine de variation des paramètres. Les
resultats produits sur la gure 12 sont obtenu avec les commandes :
tabr = linspace(0,3,40) ;
tabpole = [] ;
for ind = 1 :length(tabr),
r = tabr(ind) ;
rsysLFR = mmult(r*eye(2),sysLFRbf) ;
[poles,para0] = polesMM(rsysLFR,blk,10) ;
tabpole = [tabpole max(real(poles))] ;
end
figure
plot(tabr,tabpole)
On observe quau moins un p ole est ` a partie reelle positive à partir dune
35
Fig. 12

Evolution de la partie relle pire-cas des poles en fonction du coe-
cient de dilatation de lensemble de variation des paramètres (55 modèles)
dilatation de 1.875. Cette valeur est aussi la marge de robustesse obtenue.
Cette valeur peut etre obtenue automatiquement par dichotomie avec la
commande :
[Mu,para] = mumm(sysLFRbf,blk,10,1,1,[])
On obtient Mu = 0.5334 et para = [-1.0000 -0.1111], ce qui montre que
la marge de robustesse est de 1.8746 et le pire cas est obtenu pour les in-
certitudes normalisees
1
= 1, 8746 et
2
= 0, 2083. Remarquons que,
dans le cas present, le pire cas nest pas obtenu sur un sommet de lespace
parametrique.
Le lieu de p oles multimodèle avec les variations maximales des paramètres,
presente sur la gure 13, est obtenu par le script suivant :
rsysLFR = mmult(1/Mu*eye(2),sysLFRbf) ;
[poles,para0] = polesMM(rsysLFR,blk,10) ;
figure
plot(real(poles),imag(poles),*)
On observe bien que lensemble des poles sont ` a partie reelle negative ; cepen-
dant, certains ont une partie reelle proche de zero et sont en limite de stabilite.
36
Fig. 13 Lieu des poles multimodèle pour les variations maximales des
paramètres (1010 modèles)
A Analyse des systèmes asservis multivari-
ables
A.1 Position du problème
Considerons un processus lineaire multivariable y = G(s)u asservi par
un correcteur K(s), avec n
u
entrees et n
y
sorties. En tenant compte de la
consigne r et dune perturbation d en entree du processus, les equations
secrivent :
u = K(s)(r y) (100)
y = G(s)(u + d) (101)
En notant S
y
(s) = (I
n
y
+ K(s)G(s))
1
la sensibilite en sortie et S
u
(s) =
(I
n
u
+G(s)K(s))
1
la sensibilite en entree, on obtient les transferts en boucle
fermes suivants :
= S
y
(s)r S
y
(s)G(s)d (102)
u = K(s)S
y
(s)r K(s)S
y
(s)G(s)d (103)
= S
u
(s)K(s)r S
u
(s)K(s)G(s)d (104)
y = S
y
(s)G(s)K(s)r + S
y
(s)G(s)d (105)
(106)
37
o` u = r y est lerreur de regulation.
Les objectifs de ce schema general sasservissement sont les suivants :
stabilite,
robustesse,
un bon suivi de trajectoire,
un bon rejet des perturbations.
Voici comment les evaluer ` a partir de la representation frequentielle des trans-
ferts en boucle fermee.
Les outils classiques de lautomatique monovariable (lieu de Bode, de
Black et de Nyquist) ne sont pas directement utilisables en multivariable.
Les outils presentes sappuient sur le trace des valeurs singulières, extention
de la notion de gain.
A.2 Valeur singulière
Denition 7 (Valeur singulière)
Les valeurs singulières dune matrice complexe M sont les racines carrees
des valeurs propres de M
H
M o` u M
H
est le hermicien (transpose conjugue)
de M. On les note
i
(M).
Propriete 7 (Proprietes generales)
Les valeurs singulières sont des nombres reels positifs.
Les valeurs singulières non nulles de M sont identiques à celles de M
H
(invariance par loperation transpose/conjugue)
Les valeurs singulières non nulles sont au plus au nombre de min(n
u
, n
y
),
la plus petite dimension de M.
Propriete 8 (Norme matricielle)
La valeur singulière maximale (M) est une norme matricielle. Les pro-
prietes generales des normes sappliquent donc.
(M) = ||(M)
(M + N) (M) + (N)
(MN) (M)(N)
Propriete 9 (Inversion de matrice)
M est inversible si et seulement si sa plus petite valeur singulière est non
nulle ((M) > 0). Alors, (M) =
1
(M
1
)
et (M) =
1
(M
1
)
.
On en deduit les proprietes suivantes :
Propriete 10 (Autres proprietes)
(M) = ||(M)
38
(M + N) (M) + (N)
(M)(N) (MN)
Propriete 11 (Interpretation)
La norme est la norme induite sur les matrices par la norme euclidienne
des vecteurs :
(M) = max
z=0
||Mz||
2
||z||
2
2
(M) = max
z=0
z
H
M
H
Mz
z
H
z
(107)
Ainsi, la norme est lamplication maximale du système de transfert M.
A.3 Trace des valeurs singulières
Pour un transfert dynamique multivariable M(s), la representation frequentielle
consiste en le trace des valeurs singulières de M(j) en fonction de sur
[0, ]. Lechelle logarithmique est generalement choisie pour les absisses et
les ordonnees. Ce trace generalise celui du gain aux systèmes multivariables.
Denition 8 (Norme H
)
La norme H
de M(s), notee ||M||
est la borne superieure des valeurs

singulières maximales de M(j) lorsque varie sur [0, ] :
||M||
= sup
[0,]
(M(j)) (108)
Denition 9 (Norme L
2
sur les signaux)
Soit z un signal à valeur reelle ou complexe sur [0, ] ; on note ||z||
2
sa
norme L
2
denie par :
||z||
2
=
_

0
z
H
(t)z(t)dt (109)
Propriete 12 (Interpretation de la norme H
)
La norme H
est la norme induite sur les systèmes par la norme L

2
sur les
signaux :
||M(s)||
= max
z=0
||M(s)z||
2
||z||
2
(110)
Ainsi, la norme ||M(s)||
est lamplication maximale.

39
Des critères de stabilite, robustesse, qualite du suivi de trajectoire et
qualite du rejet de peturbation peuvent sevaluer ` a partir des representations
frequentielles de certains transferts du système boucle. Cela fait lobjet des
paragraphes suivants. Pour obtenir les valeurs singulières dun systèmes dy-
namique, vous pouvez utiliser sous Matlab la fonction sigma de la Control
System Toolbox ou la fonction vsvd de la -Analysis and Synthesis Toolbox.
A.4 Performances dun système asservi
A.4.1 Stabilite
La stabilite est evaluable ` a partir du lieu des poles (tous les poles de la
boucle fermee doivent etre à partie relelle strictement positive), ce qui sevalue
en multivariable de la meme manière quen monovariable. Cependant, on sait
que la stabilite ne sut pas et que des marges sont necessaires. La marge
de module est denie en monovariable comme la distance minimale au point
1 du transfert complexe en boucle ouverte, ce qui secrit avec les notations
utilisees :
M
= min
|1 + K(j)G(j)|. (111)
En notant que :
min
|1 + K(j)G(j)| =
_
max
|(1 + K(j)G(j))
1
|
_
1
, (112)
on denit en multivariable la marge de module en sortie :
M
=
1
||S
y
(s)||
, (113)
et la marge de module en entree :
M
=
1
||S
u
(s)||
. (114)
A.4.2 Bande passante
An davoir un bon comportement en suivi de consigne, il faut que le
transfert entre la reference et lerreur soit de type coupe-bas (ou passe-haut).
On pourra alors tracer la representation frequentielle de S
y
(s) et relever la
bande passante à -3 dB ainsi que lattenuation maximale (en continu).
A.4.3 Precision
Lerreur statique en reponse ` a un echelon unitaire sur la reference est
donnee par S
y
(0).
40
A.4.4 Rejet de perturbation
An davoir un bon comportement en rejet de perturbation, il faut que le
transfert entre la perturbation et lerreur soit le plus faible possible notam-
ment en basse frequence. Ce transfert est generalement de type passe-bande.
On pourra alors tracer la representation frequentielle de S
y
(s)G(s) et relever
lattenuation maximale (en continu) ainsi que lamplication maximale en
precisant la frequence.
A.4.5 Robustesse
Les systèmes dynamiques physiques sont generalement de type passe-
bande et on dont un gain qui diminue en haute frequence. Il en resulte
donc quau dela dune certaine bande de frequences, ces dynamiques sont
necessairement mal connues. Ainsi, une des sources classique de manque de
robustesse des systèmes asservis correspond ` a des amplications de modes
hautes frequence mal connus, entranant ainsi des instabilites. An de palier
ce problème, il convient de sassurer que le gain du correcteur decroit au
dela de la bande passante. Une manière detournee de sen assurer consiste à
considerer la reponse frequentielle du transfert S
u
(s)K(s) ou K(s)S
y
(s) du
transfert entre r et u.
A.5 Schemas danalyse et de synthèse H
A.5.1 Schema 1 bloc

Le transfert cruxial est la sensibilite S
y
(s) qui permet de gerer ` a la
fois la bande passante, la marge de stabilite et la precision. Considerons
la ponderation suivante :
W
11
(s) =
s + a
K(s + b)
(115)
avec a < b et K 1. Ce transfert a un gain statique de
a
Kb
, un gain minimal
de
1
K
et presente un gain à 3 dB ` a la pulsation
c
=
_
a
2
2K
2
b
2
2K
2
1
(116)
Denissons le ltre multivariable diagonal :
W
1
(s) = W
11
(s)I. (117)
41
On a :
W
1
1
(s) =
1
W
11
(s)
I. (118)
Appliquons ` a lentree de ce ltre lerreur de regulation e ; notons z
1
sa sortie.
Si on est capable de verier que la norme du transfert entre r et z
1
est
inferieure ` a 1, alors |W
1
11
(j)| est un majorant de (S
y
(i)) pour tout .
On en deduit que :
la marge de gain du système est superieure ` a
1
K
;
lerreur statique relative est inferieure ` a
Kb
a
;
la bande passante est superieure à
c
.
Il sut dinverser ces trois relations pour denir la ponderation permettant
correspondant à un cahier des charges donne :
K est determine à partir de la marge de gain;
le rapport
b
a
est ensuite deduit ` a partir de lerreur statique acceptable ;
le coecient a est alors determine par lexpression de la bande pas-
sante :
a =
c
2K
2
1
1 2K
2
_
b
a
_
2
(119)
on determine ensuite b gr ace ` a la valeur de
b
a
.
Si on souhaite une erreur statique nulle, il convient de prendre b = 0.
On peut aussi chercher ` a imposer une erreur de suivi de rampe nulle en
choississant une ponderation de la forme :
W
11
(s) =
(s + a)
2
K(s + b)
2
(120)
o` u b est choisi très faible voire nul
17
. Il convient toutefois de refaire les calculs
ci-dessus.
A.5.2 Schema 2 blocs
An de forcer le gain du correcteur ` a decroitre au dela de la bande pas-
sante du système asservi, on peut etre amene ` a ajouter une ponderation sur la
commande u. Cette ponderation est un ltre derivateur tronque qui amplie
les hautes frequences. Avec W
2
(s) = W
21
I, on peut prendre :
W
21
(s) =
s
K
2
(cs + 1)
(121)
17
Il est parfois preferable de choisir b faible non nul an de ne pas rendre le système
instable par ladjonction dun pole nul ; cest notamment le cas pour lanalyse de la ro-
bustesse.
42
avec c
c
1 (par exemple c
c
= 0, 01). Une valeur de K
2
faible correspond
` a un eet de roll-o important, cest-à-dire une decroissante rapide du gain
du correcteur en haute frequence.
A.5.3 Schema 4 blocs
Si le rejet de perturbation nest pas susant, il convient dintegrer lentree
d qui sajoute au signal de commande et qui modelise les perturbation appa-
raissant sur lentree du système. Une ponderation W
3
(s) = W
31
(s)I constante
permettra de regler le rejet de perturbation gr ace au transfert T
de
(s) avec :
(T
de
(j)) <
1
|W
11
(j)W
31
(j)|
. (122)
References
[1] P. Gahinet, A. Nemirovski, A. J. Laub, and M. Chilali, LMI Control
Toolbox, The MathWorks Inc., 1995.
[2] G. Balas, R. Chiang, A. Packard, and M. Safonov, Robust Control Sys-
tem Toolbox Users Guide, The MathWorks Inc., 2005-2006.
[3] R. D. Braatz, P. M. Young, J. C. Doyle, and M. Morari, -Analysis and
Synthesis Toolbox : Userss Guide, MUSYN Inc. and The MathWorks,
1998.
[4] D. Peaucelle, RoMulOC a YALMIP-MATLAB based Robust Multi Ob-
jective Control Toolbox, 2005.
[5] J.F. Magni, Linear fractional representation with a toolbox for use
with Matlab, Tech. Rep., ONERA, 2001.
[6] G. Duc and S. Font, Commande H
et -analyse, Hermes Science

Publications, Paris, 1999.
[7] E. Laroche and D. Knittel, An improved linear fractional model for
robustness analysis of a winding system, Control Engineering Practice,
vol. 13, no. 5, pp. 659666, 2005.
[8] E. Laroche, Y. Bonnassieux, H. Abou-Kandil, and J.P. Louis, Con-
troller design and robustness analysis for induction machine-based po-
sitioning system, Control Engineering Practice, vol. 12, pp. 757767,
2004.
[9] E. Laroche, Robustness analysis of nonlinear systems - application to
induction motor, in IFAC World Congress, Prague, Praha, July 2005.
43
[10] Y. Nesterov and A. Nemirovski, Interior-point Polynomial Methods in
Convex Programming, SIAM, 1994.
[11] D. Peaucelle, D. Henrion, Y. Labit, and K. Taitz,
Users guide for SeDuMi interface, LAAS - CNRS,
http ://www.laas.fr/peaucell/SeDuMiInt.html, 2002.
[12] P.M. Young, Structured singular value approach for systems with para-
metric uncertainty, Int. J. Robust Nonlinear Control, vol. 11, no. 7, pp.
653680, 2001.
44
Index
Bande passante, 40
Boucle
fermee, 37, 38, 40
ouverte, 40
Complement de Schur, 14, 21, 22
Fonction
de Lyapunov, 16
Inegalite
de Lyapunov, 13
Inegalite matricielle ane, 12
LFR, 5, 7, 9
LMI, 5, 10, 1219, 2123
semi-innie, 15, 23
Marge de module, 40
Matrice de Lyapunov, 17, 18, 22
dependant des paramètres, 16, 18,
22
Modèle
LFR, 8
linearise, 10
LPV, 6
LPV ane, 5, 6, 9
nominal, 4
Norme
H
, 39
matricielle, 38
Performance, 40
Precision, 40
Rejet de perturbation, 38, 40, 41
Representation frequentielle, 39, 40
Robustesse, 38, 40, 41
Sensibilite
en entree, 37
en sortie, 37
Stabilite, 38, 40
de Lyapunov, 13, 14
quadratique, 15, 18
Suivi
de trajectoire, 38, 40
Système
asservi, 4
boucle, 8
dynamique, 18, 21
LFR, 9
lineaire, 6, 13, 15, 16, 1921
LPV, 6, 10, 15, 16, 2123
LPV ane, 5, 6, 16, 17, 21, 22
LTI, 5, 7
non lineaire, 14
non-lineaire, 9, 10, 18
polytopique, 7, 16
Valeur singulière, 3840
maximale, 38
45

Cours de Commande Robuste - H Infini

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cours de Commande Robuste - H Infini

Încărcat de

Drepturi de autor:

Formate disponibile

Commande Robuste

Analyse de la Robustesse des Syst`emes

erieure de Physique de Strabourg

Equivalence entre polytopique et LPV ane)

Exercice 2 (Interconnexion de deux LFR)

; comme on la fait pour , on suppose que chaque composante de

5.1 Syst`eme non-lineaire

dun syst`eme est la norme induite par la norme L

est un cas particulier de

Equivalence entre norme H

de est la borne superieure de la valeur singuli`ere

par est donc equivalente `a la {I,

inferieure `a si et seulement si il existe une matrice Q = Q

dun syst`eme lineaire en resolvant un probl`eme de valeurs propres generalisees

inferieure `a si et seulement si il existe une matrice Q = Q

est inferieure `a pour tout ge dans si le lemme borne reel

. Vous trouverez un exemple dans [8], article

de M(s), notee ||M||

est la borne superieure des valeurs

est la norme induite sur les syst`emes par la norme L

est lamplication maximale.

A.5.1 Schema 1 bloc

et -analyse, Hermes Science

S-ar putea să vă placă și