IDENTIFICATION DES SYSTEMES - 2012 Mode de Compatibilité5

Prof.
Belkacem OULD BOUAMAMA

Responsable de lquipe MOCIS
Mthodes et Outils pour la conception Intgre des Systmes
http://www.mocis-lagis.fr/membres/belkacem-ould-bouamama/
Laboratoire d'Automatique, Gnie Informatique et Signal
(LAGIS - UMR CNRS 8219
et Directeur de la recherche cole Polytechnique de Lille (Poltech lille)
----------------------------------------------------------
ml : Belkacem.ouldbouamama@polytech-lille.fr
Tel: (33) (0) 3 28 76 73 87 , mobile : (33) (0) 6 67 12 30 20
Identification des Systmes
Ce cours est dispens aux lves de niveau ingnieurs 5
me
anne.
Toutes vos remarques pour lamlioration de ce cours sont les bienvenues.
Chap.1 /2
Prof. Belkacem Ould BOUAMAMA, PolytechLille Surveillance des systmes Industriels Chap1: Introduction
PLAN PLAN
Partie 1 : Cours
Chapitre 1 : Introduction
Chapitre 2 : Mthodes de base
Chapitre 3 : Mthodes statistiques
Partie 2 : Travaux pratiques
Boite outil Ident
Prof. Belkacem OULD BOUAMAMA
LAGIS UMR CNRS 8146
Tl : (33) 03 28 76 73 97 - Fax : (33) 03 20 33 71 89
E mail : Belkacem.bouamama@univ-lille1.fr
I DENTI FI CATI ON
Ingnieurs en
Automatique
Algorithme
didentif.
yr(t)
ym(t)
+
-
c
c< c
adm
?
u(t)
non
0 ,..) , ,..., , ( = u u y y F
m m

oui
Modle
4
Chapitre 1 Chapitre 1
INTRODUCTION
Chap.1/5
Copyright : Prof. B. Ould Bouamama , PolytechLille
Chap1 : INTRODUCTION
DEFINITIONS ET BUT DE LIDENTIFICATION DEFINITIONS ET BUT DE LIDENTIFICATION
Positionnement
Df. du process et des objectifs
E/S
Lois physiques, bilan, hypothses
Planification des expriences
Acquisition de donnes
Estimation des paramtres
Choix de la structure du modle
Connaissance priori
Choix du critre didentit
Synthse de rgulation
Simulation
Modle de connaissance
CAHIER DE CHARGE
A
N
A
L
Y
S
E

c
o
n
n
a
i
s
s
a
n
c
e
Validation sur site
Ralisation dfinitive
Modle de conduite
Non
Oui
adq.
Logistique
actionneurs, rgulateurs,
transmetteurs...
S
Y
N
T
H
E
S
E

c
o
m
m
a
n
d
e
Df. du process et des objectifs
E/S
Lois physiques, bilan, hypothses
Acquisition de donnes
Connaissance priori
Choix du critre didentit
Synthse de rgulation
Simulation
Modle de connaissance
CAHIER DE CHARGE
A
N
A
L
Y
S
E

c
o
n
n
a
i
s
s
a
n
c
e
Validation sur site
Ralisation dfinitive
Modle de conduite
Non
Oui
adq.
Logistique
actionneurs, rgulateurs,
transmetteurs...
S
Y
N
T
H
E
S
E

c
o
m
m
a
n
d
e
Chap.1/6
Modlisation ? Modlisation ?
Dfinitions
Modlisation ? : Ensemble des procdures permettant dobtenir un modle
Modliser un systme = capable de prdire le comportement du systme
Subjectivisme de la modlisation : modle = intersection du systme et du
modlisateur
Modle jamais "exact"?
Importance
Outil d'aide la dcision., Support de la simulation,
Reprsente 50 % dun projet de commande
Perspectives grce l'informatisation
Un modle pourquoi faire ?
Concevoir, Comprendre, Prvoir, Commander (dcider).
Chap.1/7
Un modle comment faire ? Un modle comment faire ?
1. MODELE DE CONNAISSANCE
Obtenu sur la base des lois physiques, conomiques etc..
Difficults de dcrire fidlement les phnomnes complexes;
Hypothses simplificatrices;
Dilemme- prcision-simplicit
Un modle simple est faux, un modle compliqu est inutilisable.
Les paramtres ont un sens physique donc modle commode pour l'analyse.
2. MODELE DE REPRESENTATION
Systme "boite noire";
Exprience active (systme drang) ou passive (alatoire);
Etape qualitative (connaissances a priori) et quantitative;
Paramtres du modle n'ont aucun sens physique;
Modle de conduite (modle E/S) utile pour la commande;
Complment du modle de reprsentation.
Chap.1/8
Classification des modles Classification des modles
selon le caractre des rgimes de fonctionnement
statique et dynamique
selon la description mathmatique
linaire, non linaire
selon les proprits dynamiques
paramtres localiss, paramtres distribus
selon lvolution des paramtres :
stochastique , dterministe
selon le nombre de variables :
monovariable (SISO) , multivariable (MIMO)
Chap.1/9
tapes de modlisation tapes de modlisation
PROCESSUS PHYSIQUE
Acquisition
de donnes
SIMULATION, MONITORING,
CONTROL...
Amlioration
du modle
NON
Etablissement du schma de principe
Reprsentation par bloc
Mise en quation
Modle
adquat ?
Calcul erreur de modlisation
OUI
PROCESSUS PHYSIQUE PROCESSUS PHYSIQUE
Acquisition
de donnes
SIMULATION, MONITORING,
CONTROL...
Amlioration
du modle
NON
Etablissement du schma de principe
Reprsentation par bloc
Mise en quation
Modle
adquat ?
Modle
adquat ?
Calcul erreur de modlisation
OUI
10
GENERALITES SUR LIDENTIFICATION GENERALITES SUR LIDENTIFICATION
Chap.1/11
Dfinitions de lidentification Dfinitions de lidentification
Dfinition au sens de Zadeh (1962) :
Lidentification dun procd est dfinie comme la dtermination, base
sur la connaissance des entres et des sorties du procd, dun
modle appartenant une classe spcifie, quivalente au procd.
Lidentification dun systme cest la dtermination de son modle
mathmatique sur la base des observations exprimentales entres-
sorties. Le traitement mathmatique des rponses graphiques du
systme est appel IDENTIFICATION. Le modle obtenu est dit de
conduite ou de reprsentation
Pourquoi lidentification : importance
Chap.1/12
Mthodologie de lidentification Mthodologie de lidentification
CALCUL DU MODELE
Acquisition de
donnes
Utilisation du modle
OUI
Adquation du modle ?
Connaissance priori
Choix critre didentit
NON
Chap.1/13
Principe de lidentification Principe de lidentification
Base de lidentification : Exprience
Exprience active
Exprience passive
Principe
1. tape qualitative : Sur la base dune connaissance priori du systme identifier, on
fixe une structure du modle comportant des coefficients inconnus. : Boite grise et
boite noire
2. tape quantitative : Elle consiste la dtermination des coefficients inconnus du modle
de faon que la diffrence entre les N sorties relles du systme et celles du modle
soit minimale selon un critre donn quon rsout par un algorithme didentification
Chap.1/14
Estimation des paramtres du modle Estimation des paramtres du modle
Dterminer les valeurs des paramtres du modle sur la base des
observation E/S tel que la sortie du modle soit la plus proche du systme
rel selon un critre fix.
PROCESS
Ys(t)
Entres
Ym(t)
x(t)
+
-
MODELE
W p
a p
b p
i
i
i
i
( ) =

Algorithme
didentification
( )
m a x Y s( i ) - Y m ( i ) < 5 %
c
a
i
, b
i
Chap.1/15
CRITRES DIDENTIFICATION CRITRES DIDENTIFICATION
Distance dtat
base sur la diffrence entre la sortie du systme et du modle
SYSTEME
Ys(i)
Entres
Ym(i)
x(i)
+
-
MODELE
Critre
didentification
c(i)
D(c(i))
min )) ( ) ( (
1
2
=

=
n
i
i Ym i Ys D
Chap.1/16
Distance de prdiction
base sur la diffrence entre la sortie du systme et celle que prdit le modle au mme
instant
Exemple : modle choisi est une quation de 1
er
ordre aux diffrences : on utilise
linformation linstant (i-1)
SYSTEME
Ys(i)
Entres
Yp(i)
x(i)
+
-
MODELE
Critre
didentification
c(i)
D(c(i))
min )) ( ) ( (
1
2
=

=
n
i
i Yp i Ys D
Ys(i-j)
) 1 ( . ) 1 ( ] [ + = i x b i ay i y
p
Chap.1/17
Distance de structure
base sur la diffrence entre les paramtres du systme et ceux du modle
Remarque : distance de structure non mesurable directement. On se base sur les effets
de cette structure sur la sortie
Exemple : approximer un modle paramtres distribus par un modle paramtres
localiss
SYSTEME
O
Entres
x(i)
+
-
MODELE
Critre
didentification
c
s
D(c
s
)
O
m
Chap.1/18
VALIDATION DU MODELE VALIDATION DU MODELE
ERREUR DE
MODLISATION
?
. ad
c c s
Explosion nuclaire
I mpossibledafficher limage.
Modle de la raction nuclaire
Poste de commande
Feed back pour la
correction du modle
Donnes
exprimentales
Donnes du modle
il faut que lerreur soit minimale
dans les systmes industriels
admissible
E
E m
Y
Y Y
c s
= A % 100 .
max
max max
max
Processus
Modle
+ X(i)
-
Y
m
(i)
A
max
Y
E
(i)
Chap.1/19
EXPERIMENTATION EXPERIMENTATION
Caractristiques du signal dexcitation
Centre : 10% de la consigne
Spectre riche : recueillir le max dinformation sur le systme (exciter sur
toute la bande de frquence intressante)
Dterministe : Physiquement ralisable
Amplitude limite : ne pas trop perturber le process, rester en linaire
Quel signal ? : Squence Binaire Pseudo Alatoire SBPA
Chap.1/20
EXPERIMENTATION EXPERIMENTATION
SBPA et STPA
Suite dvnements cre de faon dterministe mais apparaissant
alatoire
+a
-a
x(t)
t
+a
-a
x(t)
t
SBPA (2 niveaux)
STPA (3 niveaux)
0
Chap.1/21
CLASSIFICATION DES METHODES DIDENTIFICATION CLASSIFICATION DES METHODES DIDENTIFICATION
1. Mthode de base
Bases sur les rponses graphiques ( indicielles, impulsionnelles..)
2. Mthodes du modle
Ajuster manuellement ou automatiquement la structure ou les paramtres
du modle jusqu ce que cmin.
Itrative
SYSTEME
x(t)
+
-
MODELE
algorithme
c
s
Paramtres du
modle
Ajustement
ys(t)
ym(t)
Chap.1/22
CLASSIFICATION DES METHODES DIDENTIFICATION CLASSIFICATION DES METHODES DIDENTIFICATION
3. Mthode statistiques
Bases sur les MMC
4. Thorie de lestimation et filtrage
Estimation de ltat du procd partir des E/S.
PROCESSUS
X(t)
x(t)
FILTRE
Reconstructeur
ys(t)
) (
t X
23
METHODES DE BASE
Copyright : Prof. B. Ould Bouamama , PolytechLille Chap2 : METHODES DE BASE DIDENTIFICATION
Chap.2/24
Classification des mthodes de base Classification des mthodes de base
Avantages et inconvnients des mthodes de base
Avantage : Simplicit , outil mathmatique simple
Inconvnient : signaux dentre spcifiques (donc pas toujours
ralisables)
Classification des mthodes de base
1. Analyse indicielle
2. Analyse impulsionnelle
3. Analyse harmonique
Chap.2/25
Exprimentation dans un SRA Exprimentation dans un SRA
-
C
U
TRANSMETTEUR ET CEP
DE TEMPERATURE
REGULATEUR
VANNE PROCESSUS PHYSIQUE
CAPTEUR
DE TEMPERATURE
Auto.
Manu..
M
E x
y
U
SYTEME A
COMMANDER
M
26
Mthodes de Broda et du 1
er
ordre
par un exemple
Mthodes de Broda et du 1
er
ordre
par un exemple
Chap.2/27
CAHIER DES CHARGES CAHIER DES CHARGES
Ptrole brut
Ptrole chauff
Ts
-
Ts-Tc
TRC
PR
Air (O
2
)
FI
THS
FVC
U
Conigne Tc
AR
AR
FR
1
TT
1
1
1
1
1
2
Gaz
1
Chap.2/28
Schma fonctionnel, dfinitions des E/S Schma fonctionnel, dfinitions des E/S
-
Tc
U
Ts
1
TRANSMETTEUR ET CEP
DE TEMPERATURE
REGULATEUR
VANNE
CONDUITE
DE GAZ
FOUR
CONDUITE
DE PETROLE
CAPTEUR
DE TEMPERATURE
Auto.
Manu..
x
Pr
Ts
-
Qp(t)
AT
Chap.2/29
Rgimes de fonctionnement Rgimes de fonctionnement
Ts(t) - Grandeur de sortie ( temprature la sortie
c'est la grandeur rgler ), Valeurs maximales et minimale de la variation de temprature : Tsmax = 170c,
Tsmin=20 c ; Tso - Valeur nominale de la temprature le fonctionnement Tso = 80 C
Pg (t) - Grandeur d'entre ( pression du gaz combustible - Grandeur rglante );
Valeurs maximales et minimale de la variation de la pression du gaz combustible : Pgmax = 5 bars, Pgmin =
0bar ; Pgo - Valeur nominale de la pression du gaz combustible Pgo = 2 bars ;
Qp - Dbit du ptrole l'entre (perturbation);
Dbit nominale du ptrole l'entre : 20 m
3
/s ; Qpmax = 30 m
3
/s bars, Pgmin =10 m
3
/s . Il existe aussi
dautres perturbations (pouvoir calorifique du gaz, temprature ambiante etc...) que nous considrons comme
constantes.
x : dplacement du clapet de la vanne [0 6mm]
U : sortie du rgulateur pneumatique
[0,2-1bar]; valeur nominale (0,6 bar)
Chap.2/30
Bloc diagrammes Bloc diagrammes
1. En boucle ouverte (sans correction) :
Wz(p)
Ts(p)
Qp(p)
G(p) U(p)
-
+
) ( ). ( ) ( ). ( ) ( p Wz p Qp p G p U p Ts =
Chap.2/31
Bloc diagrammes Bloc diagrammes
2. En boucle ferme (avec correction)
Wz(p)
Ts(p)
Qp(p)
G(p)
U(p) (+)
C(p)
Tc(p)
(-)
(-)
) ( ). ( 1
) (
) (
) ( ). ( 1
) ( ). (
). ( ) (
p G p C
p Wz
p Qp
p G p C
p G p C
p Tc p Ts
+
+
=
Chap.2/32
Logistique Logistique
Auto.
AT
-
Tc
U
Ts
1
C(p)
Wv(p) Wcg(p)
Wz(p)
Wct(p)
Manu..
x
Pr
Qp
Ts
-
+
Wf(p)
U(p) Wv(p)
Wcg(p)
Wf(p) Wct(p)
Ts(p)
U(p)
G(p)
Ts(p)
?
Wz(p)
?
Ts(p)
Qp(p)
Chap.2/33
Prparation Prparation
Mthodologie
1. Correcteur mis en fonctionnement manuel, systme stabilis
2. On applique un signal en chelon de + ou - 10% de la valeur
nominale
Rponse enregistre la sortie du transmetteur
Le modle de conduite ( ou la fonction de transfert ) dterminer du
traitement de la rponse graphique dcrit l'ensemble des systmes (
vanne, objet, capteur, transmetteur)
Chap.2/34
Exprimentation Exprimentation
Vue global
PROCESS
VANNE
CAPTEUR
TRANSMETTEUR
SYSTEME A IDENTIFIER
SALLE DE CONTROLE
C
10 %
REGULATEUR
Chap.2/35
Identification de la fonction de transfert par rapport la perturbation Identification de la fonction de transfert par rapport la perturbation
Identification de Wz(p) : Exprimentation
Wz(p))
Ts(p)
Qp(p)
?
0 5
10
15 20 25 30 35
80
85
90
95
Ts(t)
[c]
t (main.)
T=10
ATs c = 15
Qp(t)
[m
3
/s]
t
23
AQp m s = 3
3
/
20
Chap.2/36
Identification de la fonction de transfert par rapport la perturbation Identification de la fonction de transfert par rapport la perturbation
1. tape qualitative : structure du modle
2. Etape quantitative : calcul des paramtres du modle
TP
K
p Wz
+
=
1
) (
min 10
] / / [ . 5
/ 3
15
3
3
=
=
=
A
A
=
T
s m c
s m
c
Qp
Ts
K
p
s m c
p Wz
10 1
) / / ( 5
) (
3
+
=
66 , 0
10 30
3
20 170
15
max
max
=
=
A
A
A
A
=
Qp
Qp
Ts
Ts
K
p
p Wz
10 1
66 , 0
) (
+
=
gain relatif
Chap.2/37
3. Vrification du modle 3. Vrification du modle
Tm t L
p p
e
t
( )
,
.
,
, * , [ ] =
+

`
)
=
|
\
|
.
|
|

1
10
0 15 0 66
10 1
0 15 0 66 1
Tm t c e c c
t
( ) , * , * [ ] =
|
\
|
.
|
|
+
0 15 0 66 150 1 80
10
95
0 5 10 15 20 25 30 35
80
85
90
Ts(t)
Tm(t)
Tm(t)
Ts(t)
Emax=0.83/15 =5.53%
Sortie du modle
Vrification
t [ min] Ts(t ) c Tm(t ) c abs(Tm-Ts)
0 80 80 0
3 84,35 83,89 0,46
6 87,60 86,77 0,83
9 89,60 88,90 0,7
12 90,95 90,48 0,47
15 92,30 91,65 0,65
18 92,70 92,52 0,18
21 93,5 93,16 0,35
24 93,88 93,63 0,25
27 94,5 93,99 0,51
30 94,6 94,25 0,35
33 95,00 94,44 0,56
Chap.2/38
Mthode de Broda : Identification de la dynamique du four Mthode de Broda : Identification de la dynamique du four
1. Identification de G(p) : Exprimentation
K
T p
e
p
1 +

.
t
Ts
U
K T et , ? t
AU=10%
t
60%
0%
50%
100%
0,68bar
1 bar
0,6bar
0,2bar
Us(t)
U G(p)
Ts
80
10 20 30 40 50 60 70 80
Ts(t)
84
88
92
96
100
t
1
t
2
ATs c = 20
t t
1 2
6 9 = = min, min
t (min.)
courbe exprimentale Ts(t)
s
s
t de t
t de t
A
A
% 40
% 28
2
1
Chap.2/39
Principe de la mthode Broda Principe de la mthode Broda
principe
La mthode de Broda est une mthode d'identification en boucle
ouverte d'une rponse indicielle exprimentale qui consiste a assimiler la
fonction de transfert d'un systme d'ordre n celle du premier ordre
affecte d'un retard pur
Le problme d'identification :
dterminer les paramtres suivants T, Constante du temps (sec.), :
Temps de retard pur (sec.) :
K
Tp
e
p
1+

.
t
Chap.2/40
Calcul des paramtres du modle de Broda Calcul des paramtres du modle de Broda
Mthodologie
Broda fait correspondre la rponse indicielle identifier et la fonction de
transfert du 1er ordre affecte d'un retard en deux points t
1
et t
2
d'ordonnes correspondant 28% et 40% de la valeur finale de la sortie
du systme.
=
=
40 , 0 1
28 , 0 1
) (
) (
2
1
T
t
T
t
e
e
t
t
=
=
40 , 0 1
28 , 0 1
1
1
T
t
T
t
e
e
2 1
8 , 1 8 , 2 t t = t
( )
1 2
5 , 5 t t T =
Chap.2/41
Calcul des paramtres du modle Calcul des paramtres du modle
Paramtre du modle
Modle final
( )
33 , 1
% 10
% 3 , 13
2 , 0 1
08 , 0
20 170
20
max
max
min 5 , 16 6 9 . 5 , 5 , min 6 , 0 9 * 8 , 1 6 * 8 , 2
= =
=
A
A
A
A
=
= = = =
U
U
Ts
Ts
K
T t
( )
xe
ys
K t t T t t
A
A
= = = , . 5 , 5 , 8 , 1 8 , 2
1 2 2 1
t ( )
xe
ys
K t t T t t
A
A
= = = , . 5 , 5 , 8 , 1 8 , 2
1 2 2 1
t
( )( ) p p
e
p
p G
p
6 , 0 1 5 , 16 1
33 , 1
5 , 16 1
33 . 1
) (
6 , 0
+ +
~
+
=

( )( ) p p
e
p
p G
p
6 , 0 1 5 , 16 1
33 , 1
5 , 16 1
33 . 1
) (
6 , 0
+ +
~
+
=

Chap.2/42
Modle du systme global commander Modle du systme global commander
AT
-
Tc(p)
U(p)
Ts(p)
-
( )( )
G p
p p
( )
,
, ,
=
+ +
133
1 165 1 06
Wz p
p
( )
,
=
+
0 66
1 10
+
C p ( )
Qp(p)
50%
60%
% 10 = AU
U
( )( ) p p
p G
6 , 0 1 5 , 16 1
33 . 1
) (
+ +
=
Systme rel
0 20 40 60 80 100
0
100%
Tm(t) : Sortie modle
Ts(t) : Sortie systme
Ts(t)
Tm(t)
Ts(t)
Tm(t)
U(t)
Chap.2/43
Synthse du systme de rgulation continue
Schma fonctionnel du systme rguler
AT
-
Tc(p)
U(p) Ts(p)
+
( )( )
G p
p p
( )
,
, ,
=
+ +
133
1 165 1 06
Wz p
p
( )
,
=
+
0 66
1 10
+
Qp(p)
PID
Chap.2/44
METHODE DE STREJC
Principe
La mthode d'identification de STREJC est base sur les proprits
gomtriques de la rponse indicielle d'un systme d'ordre n de fonction
de transfert
Paramtres identifier
( )
p
n
e
Tp
K
p W
t
+
=
1
) (
t et n T K , ,
Chap.2/45
METHODE DE STREJC METHODE DE STREJC
Mthodologie
En se basant sur la rponse indicielle, on tablit :
t( sec.)
y
I
1
T
A
T
U
I
Rponse indicielle dun modle de Strjc
) (
) (
) (
) (
3
3
2
1
n F Y
n F
T
T
n F
T
T
n F
T
T
I
A
u
A
u
=
=
=
=
Chap.2/46
METHODE DE STREJC METHODE DE STREJC
Tableau de Strejc
n
T
T
U
A

T
T
U

T
T
A

Y
I

1 0 0 1 0
2 0,104 0,282 2,718 0,264
3 0,218 0,805 3,695 0,323
4 0,319 1,425 4,465 0,353
5 0,410 2,100 5,119 0,371
6 0,493 2,811 5,699 0,384
7 0,570 3,549 6,226 0,394
8 0,642 4,307 6,711 0,401
9 0,709 5,081 7,164 0,407
10 0,773 5,869 7,590 0,413

Chap.2/47
Paramtres du modle de STREJC
t = T T
UR UT
A. Dtermination de K
Le coefficient de proportionnalit K est dtermin des conditions d'expriences comme
le rapport de l'amplitude du signal de sortie celui d'entre .
B. Dtermination de n
On trace le mieux possible la tangente au point d'inflexion de la rponse indicielle
La tangente dcoupe un segment T
A
sur l'axe des temps au bout d'un certain temps T
U
( comportant un temps de retard inconnu ). On calcule le rapport T
U
/ T
A
et
on choisira du tableau, la valeur de T
U
/ T
A
qui correspond une valeur de n entier ,
immdiatement infrieure. A titre dexemple, si TU=3S, TA=11, alors TU / TA = 3/11=0,27
; La valeur de n entier la pus proche infrieure sera gale n=3.
X
Ys
K
A
A
=
) (
Chap.2/48
Paramtres du modle de STREJC Paramtres du modle de STREJC
C. Dtermination de la constante de temps T
Connaissant la valeur de n , T
A
(ou T
U
), on dtermine la constante du temps T l'aide de
l'une des deux dernires colonnes du tableau.
Dans notre cas , pour n= 3, TA / T = 3,695 alors T= TA /3,695 = 3,2sec.
D. Dtermination du temps de retard fictif t
Afin de compenser l'erreur due la dtermination du point d'inflexion, on introduit un retard
fictif t=T
UR
-T
UT
T
UT
: dtermine du tableau de Strjc . T
UR
: Valeur relle de la grandeur
T
U
fixe sur la rponse indicielle .
Dans l'exemple T
UR
= 3sec. , alors T
UT
/ T
A
=0,218 (pour n=3) do T
UT
=0,218* T
A
=0,218*11=2,4sec.
Alors t = 3-2,4=0,6s
Si t est <0 alors on fixe t =0
Chap.2/49
Commentaire sur la mthode de Strejc Commentaire sur la mthode de Strejc
Quand appliquer un modle de Strejc?
Des rponses indicielles avec une forme de S
Des lments de 1
er
ordre en srie
Difficults dapplication
La dtermination du point dinflexion
Chap.2/50
IDENTIFICATION DES SYSTMES INSTABLES IDENTIFICATION DES SYSTMES INSTABLES
Intgrateur pur : Identifions le niveau dun rservoir
0,6bar
AU bar =02 ,
t
Us(t)
(bar)
0,8bar
Rservoir
1,5 m
3
t (min)
1
5
ys(t)
(m)
courbe exprimentale
1 m
Ays m =05 ,
2
At = 1min
0,6bar
AU bar =02 ,
t
Us(t)
(bar)
0,8bar
Rservoir
1,5 m
3
t (min)
1
5
ys(t)
(m)
courbe exprimentale
1 m
Ays m =05 ,
2
At = 1min
p
K
p U
p Ys
p W = =
) (
) (
) (
( )
( )
(
=
A
A
=
bar
m m
u
ys
k
. min
. 5 , 2
6 , 0 8 , 0
. min / 1 5 , 1
W p
p
( )
,
=
2 5
Chap.2/51
Intgrateur dordre n Intgrateur dordre n
Remarque
La mthode quon va dvelopper est simpliste, il existe dautre plus prcise
quon ne dveloppe pas ici
0,6bar
AU bar =02 ,
t
Us(t)
(bar)
0,8bar
Rservoir
ys(t)
(m)
3
t (min)
1
5
Ays m =05 ,
2
t
0,8
0,6bar
AU bar =02 ,
t
Us(t)
(bar)
0,8bar
Rservoir
ys(t)
(m)
3
t (min)
1
5
Ays m =05 ,
2
t
0,8
ys(t)
(m)
3
t (min)
1
5
Ays m =05 ,
2
t
0,8
Chap.2/52
Intgrateur dordre n Intgrateur dordre n
A. Structure du modle
B. Paramtres du modle :
Le gain K exprime le rapport entre la variation du signal dentre et la variation du signal
de sortie par unit de temps
W p
Ys p
U p
K
p
e
p
( )
( )
( )
= =
t
( )
( )
k
ys
u
m
m
= =

(
=
A
A
15 1
08 06
25 08
, / min.
, ,
, .
min.bar
, , min t
( )
W p
p
e
p p
p
( )
, ,
,
,
= ~
+
2 5 2 5
1 0 8
0 8
53
IDENTIFICATION DES SYSTEMES
APERIODIQUES A DEPHASAGE NON MINIMALE
IDENTIFICATION DES SYSTEMES
APERIODIQUES A DEPHASAGE NON MINIMALE
Chap.2/54
Dfinition Dfinition
Exemple de tels systmes physiques et Problmatique
Paramtres de la RI
t
0,
, h(t
0
)
t
1
, t
0
Paramtres du modle
K, a, T, n
( )
n
Tp
ap
K p W
+
=
1
1
) (
1
0
t
1 t
0
t
2
-h(t
0
)
h(t)
T(s)
K, a, T, n ?
Rponse indicielle
E
S
K
A
A
=
Chap.2/55
Rponse indicielle unitaire K=1
1. Dtermination de t
0
: dh(t)/dt =0
( ) ( )
) ( ) (
1
1
1
1
) (
2 1
1 1
t y t y
Tp
aL
Tp p
L t h
n n
+ =
|
|
.
|
\
|
+
|
|
.
|
\
|
+
=

( )
T
t
i
n
i
n
e
T
t
i
Tp p
L t y

|
.
|
\
|
=
|
|
.
|
\
|
+
= .
)! 1 (
1
1
1
) (
1
1
1
1
( )
( )
T
t
n
n
e
n T
t
T
a
Tp
aL t y

|
.
|
\
|
|
.
|
\
|
=
|
|
.
|
\
|
+
=
! 1
1
.
1
1
) (
1
1
2
0
) (
=
dt
t dh
0
) 1 (
.
)! 1 (
1
=
(
+
|
.
|
\
|
tT
aT T n a tT
T
t
n T
e
n
T
t
T a
T n a
t
+
=
) 1 (
0
Chap.2/56
2. dtermination de t
1
et t
2
points dinflexion : h(t
1
)= h(t
2
)=0
La somme de ces deux solutions donne :
En tenant compte de lexpression de t
0
| | A
T
t
n T
e
dt
t h d
n
T
t
2
3 2
2
)! 1 (
.
) (

|
.
|
\
|
=
) 2 )( 1 ( ) 2 )( 1 ( ) (
2 2 2
+ + + = n n aT aT T n t T a t A
2 solutions : t
1
et t
2
a T
aT T n
t t
+
+
= +
) 2 )( 1 (
2
2 1
a
T
t
t t
+ =
+
2
0
2 1
x t
t t 1
2
0
2 1
+ =
+
En posant x=a/T
Chap.2/57
Abaque 1 :
x t
t t 1
2
0
2 1
+ =
+
Chap.2/58
Abaque 2 : h(t
0
) est une fonction de x et n:
En mettant dans h(t) lexpression de t
0
) , ( ) (
0
n x F t h =
( )
(
(
|
.
|
\
|
+
+
|
.
|
\
|
+
+ =

=
+

1 1
1
1
) 1 (
0
1
) 1 (
.
! 1 1
) 1 (
)! 1 (
1
1 ) (
n i
n
i
x
n x
x
n x
n
x
x
n x
i
e t h
Chap.2/59
Abaque 3 :
De lexpression de t
0
en mettant a=T/x
) (
1 ) 1 (
0
x f
x
x
T n
t
=
+
=

Chap.2/60
1. Calcul de xde labaque 1
Des valeurs t
0
, t
1
et t
2
releves de la courbe exprimentale on dtermine x=a/T abaque 1
2. Calcul de n : ordre du systme : abaque 2
Connaissant x et h(t
0
) (de la courbe) on dtermine n de labaque 2
3. Calcul de T : abaque 3
A partir de x on tire t
0
/((n-1)T ) =C
Alors T= t
0
/((n-1).C)
4. Calcul de a
a=xT
61
SYTEME A DEPHASAGE NON MINIMALE
DORDRE 2
SYTEME A DEPHASAGE NON MINIMALE
DORDRE 2
Chap.2/62
Principe Principe
Structure du modle
( )
|
|
.
|
\
|
+
=
2
1
1
) (
Tp
ap
K p W
Paramtres de la RI
t
0,
, h(t
0
)
t
b
, t
0
Paramtres du modle
K, a, T
1
0
t
0
T
b
-h(t
0
)
h(t)
T(s)
K, a, T ?
E
S
K
A
A
=
Chap.2/63
Paramtres du modle Paramtres du modle
T
b
: Projection de la tg au point dinflexion sur laxe t
Abaque 4 :
Il existe une relation :
Dtermination de x=a/T
De labaque 2, on dtermine x (pour n=2, et h(t
0
))
Calcul de T
De labaque 4 : on dtermine T
b
/T pour x (soit T
b
/T=A)
T
b
tant mesur, on calcule T : T=A/T
b
Calcul de a
a=xT
) ( ) ( x F
T
a
F
T
T
b
= =
Chap.2/64
A
lment du premier ordre
Soit la rponse graphique, on doit identifier T (K est le gain statique)
On relve par exprience les valeurs y(ti)et y(ti +A ), On trace la droite
y(t+ A )=y(t)
MTHODE DE CSYPKIN (chantillonne) MTHODE DE CSYPKIN (chantillonne)
y(t)
y t Ke
t
T
( ) =

K
t t
1
+At
t
1

) ( . . ) (
1 1
t y a Ke e Ke t y
T
T
t
T
t
= = = A +
A
|
.
|
\
|
|
.
|
\
|
A +
y(t+At)
a e
T
=

A
y(t)
Les valeurs d'exprience
T
a
=
A
log
Chap.2/65
MTHODE DE CSYPKIN (chantillonne) MTHODE DE CSYPKIN (chantillonne)
Remarque
La droite peut tre dtermine par la mthode des
moindres carrs pour dterminer a.
La mthode est inefficace si le pas A est trop petit, on recommande de
prendre A = 0,5T
Chap.2/66
lment du deuxime ordre apriodique lment du deuxime ordre apriodique
lment du deuxime ordre oscillatoire
On examine uniquement le cas o la rponse est apriodique car, si elle
oscillatoire (voir lment du 2
me
ordre)
Principe

La rponse indicielle d'un lment apriodique est :

et impulsionnelle
y t K
T
T T
e
T
T T
e K y t e e
t
T
t
T
t
T
t
T
( ) ( ) . . =
|
\
|
.
|
|
|
=

1
1
1 2
2
1 2
1 2
1 2 1 2

h t
K
T T
e e e e
t
T
t
T
t
T
t
T
( ) . . =

|
\
|
.
|
|
|
=

1 2
1 2
1 2 1 2

Chap.2/67
lment du deuxime ordre apriodique lment du deuxime ordre apriodique
Toutes les deux rponses peuvent s'crire alors
Pour la rponse iimpulsonnelle
et pour l a rponse indicielle
s t e e
t
T
t
T
( ) . . = +

1 2
1 2

1
1 2
2
=
=
K
T T

1
1
1 2
2
2
1 2
=
KT
T T
KT
T T
Identifier K, T
1
,T
2
, ?
Chap.2/68
Paramtres du modle du deuxime ordre apriodique par la mthode Csypkin Paramtres du modle du deuxime ordre apriodique par la mthode Csypkin
1. On relve par exprience les donnes s(t) , s(t-A) et s(t-2A); (A est fix l'avance)
2. On dtermine graphiquement les coefficient a
1
et a
2
comme suit :
On trace dans le plan les points des coordonnes
On dtermine du graphe les valeurs de -1/a
1
et -1/a
2
comme intersection avec l'axe des ordonnes
et des abscisses
s t a s t a s t a
s t
s t
a a
s t
s t
( ) ( ) ( )
( )
( )
( )
( )
+ + = +

+

=
1 2 1 2 1
2 0 1
2
0 A A
A A
s t
s t
et
s t
s t
( )
( )
( )
( )
A A 2
1
1
a
1
2
a
s t
s t
( )
( )
A
s t
s t
( )
( )
2A
3. On calcule les racines de :
4. On dduit T
1
et T
2
Remarque : Il faut bien choisir le pas A sinon vous risquez d'avoir proche de 1
1 1 0
1 2
2
1 2
2
1 1 1
+ +
|
\
|
.
|
|
|
= + + = =

a e a e a z a z z e
T T T
A A A
( )
T
z
T
z
1
1
2
2
= =
A A
log
,
log
s t s t et s t s t ( ) / ( ) ( ) / ( ) A A 2
69
IDENTIFICATION EN BOUCLE FERMEE IDENTIFICATION EN BOUCLE FERMEE
Chap.2/70
Inconvnients de la boucle ouverte Inconvnients de la boucle ouverte
1. Sur le plan pratique
Ncessit de passer le rgulateur en manuel
Perturbation intentionnel du procd
Drglement des toutes les boucles de rgulation
2. Sur l eplan thorique
Lidentif. En boucle ouverte est une approximation
Pendant lexprience dautres perturbation apparaissent
Les calculs des rgulateur se fait en rgime critique (arg(wou(jw))=- ) donc il faut tre
prcis en haute frquence en identif.
Chap.2/71
AVANTAGE DE IDENTIFICATION EN BOUCLE FERMEE AVANTAGE DE IDENTIFICATION EN BOUCLE FERMEE
Intrt de la mthode
sans dbrancher le rgulateur
Fonctionnement naturel du SRA
Conditions dapplication
Sapplique pour les systmes dordre suprieur 2
Sytme stable
Analyse frquentielle
Chap.2/72
PRINCIPE PRINCIPE
Systme de rgulation en BF
On amne le systme en pompage
-
C(p)
Kr
Ys(p)
Tcr
Ks.G(p)
Wou(p)
) ( . . ) (
: ouverte boucle en
p G K K p Wou
s r
=

=
=
t e
e
)) ( arg(
1 ) ( . .
pompage En
cr
cr s cr
j G
j G K K En augmentant Kr jusqu Kcr
Chap.2/73
Identification du modle de Strejc en BF (1/5) Identification du modle de Strejc en BF (1/5)
Principe
-
C(p)
Kr
Ys(p)
( )
n
s
Tp
K
p G
+
=
1
) (
Wou(p)
Chap.2/74
La stabilit du systme dpend du polynme caractristique
On augmente graduellement le gain Kr jusqu pompage
Paramtres en rgime de pompage
K
cr
K
s
: Gain provoquant le pompage
e
cr
: frquence au rgime de pompage
( )
) ( 1
1
.
1 ) ' p Z
Tp
K K
p D
n
s r
+
+
+ =
( )
) ( 1
1
.
1 ) ' p Z
Tp
K K
p D
n
s r
+
+
+ =
( )
( )
= =
+
= =
cr cr ou
n
cr
s cr
cr ou
T narctg
T
K K
A
e t e
e
e
) (
1
.
1 ) (
2 2
( )
( )
= =
+
= =
cr cr ou
n
cr
s cr
cr ou
T narctg
T
K K
A
e t e
e
e
) (
1
.
1 ) (
2 2
En rgime de pompage
Chap.2/75
Calcul des coefficients du modle en boucle ferme
Tcr : la priode de pompage quon relve de la sortie en rgime dauto
oscillation
La solution du systme dquations sera :
cr
cr
cr
cr
T
T
t
e
e
t 2 2
= =
n
n
cr
cr
n
n
tg K
n
tg
n
tg
T
T
|
.
|
\
|
=
|
|
.
|
\
|
+ =
= =
t
t
t
e
t
t
cos
1
) ( 1
.
1
.
2
2
n
n
cr
cr
n
n
tg K
n
tg
n
tg
T
T
|
.
|
\
|
=
|
|
.
|
\
|
+ =
= =
t
t
t
e
t
t
cos
1
) ( 1
.
1
.
2
2
( )
( )
= =
+
= =
cr ou
n
cr
ou
T narctg
T
Ko Kr
A
e t e
e
e
) (
1
.
1 ) (
2 2
( )
( )
= =
+
= =
cr ou
n
cr
ou
T narctg
T
Ko Kr
A
e t e
e
e
) (
1
.
1 ) (
2 2
Chap.2/76
En exprimant t en degr, lexpression de K nous permet de calculer n
en fonction de K (gain critique total en boucle ouverte K=Ko.Kcr)
K n K n K n K n
232 2,1 9,02 2,9 2,89 15 1,69 9,5
72 2,2 8 3 2,58 5,5 1,60 10
38 2,3 6,55 3,2 2,37 6 1,51 12
25 2,4 5,59 3,4 2,20 6,5 1,42 14
18,83 2,5 4,90 3,6 2,07 7 1,36 16
14,81 2,6 4,39 3,8 1,88 8 1,31 18
12,19 2,7 4 4 1,81 8,5 1,28 20
10,36 2,8 3,31 3 1,75 9 1,05 100

Chap.2/77
Mthodologie pratique
On augmente le gain K du rgulateur jusqu' apparition de pompage, on
fixe ce gain Kcr
2. On mesure la priode de lauto oscillation Tcr et on calcule
K =Kcr.K
s
3. On dduit ndu tableau et Tcr par la valeur mesur
4. On calcule T par l a formule ci dessous
n
tg
Tcr
T
t
t
.
2
=
n
tg
Tcr
T
t
t
.
2
=
Chap.2/78
Calcul du gain du systme Ks (1/7) Calcul du gain du systme Ks (1/7)
1. Calcul par lerreur statique
1. On applique une consigne dchelon xo faible pour ne pas trop perturber
le systme
2. On fixe le gain du correcteur qui est affich Kro
3. On attend que le systme se stabilise et on mesure lerreur statique soit
Eo
4. On calcule le gain du systme comme suit
Eo Kro
Eo xo
K
Ks Kro
xo
Eo
s
. . 1

=
+
=
Eo Kro
Eo xo
K
Ks Kro
xo
Eo
s
. . 1

=
+
=
Chap.2/79
2. Mthode de la perturbation constante
1.Si, pour des raisons technologiques on ne peut pas changer de consigne, on peut utiliser
la mthode de la perturbation constante pour trouver ks.
-
Xc(p)
U(p)
Yz(p)
+
) (p G
) ( p Wz
+
Z(p)
) ( p Wr
E(p)
) ( ). ( 1
) ( ). (
) (
) ( ). ( 1
1
). ( ). ( ) ( : ion superposit de rincipe
p G p Wr
p G p Wr
p Xc
p G p Wr
p Wz p Z p Y P
+
+
+
=
Yc(p)
Y(p)
Chap.2/80
Principe de superposition Y(p)=Wz(p).Zp)+Wxc(p).Xc(p)
-
U(p)
Y(p) +
) ( p G
) ( p Wz
+
Z(p)=0
) ( p Wr
Xc(p)
- Yc(p)
Y(p)
+
) ( p G
) ( p Wz
+
Z(p)
) ( p Wr
E(p)
Xc=0
U(p)
Yz(p)
) ( ). ( 1
1
). ( ). ( ) (
p G p Wr
p Wz p Z p Yz
+
=
) ( ). ( 1
) ( ). (
) ( ) (
p G p Wr
p G p Wr
p Xc p Yc
+
=
Z(p)=0
Xc(p)=0
) ( ) ( ) ( p Yc p Yz p Y + =
Chap.2/81
On se met en rgulation PI et systme stable
Sortie dun PI rgulateur

=
=
+
=
+ =
+
=
m
i
i
i
i
n
i
i
i
p b
Ks
p G
p T
Kr p Wr
p a
Kz
p Wz
1
1
1
) (
rg. PI
1
) (
1
) (
-
U(p)
Y(p) +
) ( p G
) ( p Wz
+
Z(p)=0
) ( p Wr
Xc(p)
E(p)

I
i
P
r
dt t E
T
t E K t U
}
A + A = ) (
1
) ( . ) (
) ( p Wr
U(p)
U(t)
T (s)
E(t)
I
P
Chap.2/82
Appliquons une perturbation Z(p)=Z
0
/p, Xc=0
On calcule lcart rsiduel (E() lorsque T
i
=0 (on supprime laction I)
La variation U(t) due laction P du rgulateur sera donc U
p
Z
0
t
z
Z
0
: amplitude inconnue
( ) ( ) ) ( ) ( lim ) ( ) ( lim ) (
0
p Xc p Yz p t Xc t Yz E
p t
= =

( )
s r
z
p p
K K
K Z
p G p Wr
p Wz
p
Z
p p Xc p Yz p E
+
= |
.
|
\
|
+
= =

1 ) ( ). ( 1
1
). ( . lim ) ( ) ( lim ) (
0 0
0 0
s r
z r
r P
K K
K Z K
E K U
+
= =
1
) ( ) (
0
Chap.2/83
On ajoute laction intgrale I
Laction I a pour tche dannuler lerreur statique en augmentant Up
Soit U
p
: action du rgulateur du laction P
U
i
: action du rgulateur du laction I
U
t
: action du rgulateur du laction P+I
La sortie Y sera nulle (Y=Xc=0) en rgime permanent suite
lentre Z
0
-
U(p)
Y(p) +
Ks
Kz
+
Z(p)=Z
0
/p
I P +
Xc(p)
E(p)
En rgime permanent
0 . .
0
= + = Ks U K Z Y
t Z
s
z
t
K
K Z
U
.
0
=
Chap.2/84
Les sorties du rgulateur P et total (P+I) sont :
La sortie U
I
due I rgulateur est :
U
I
est la variation du signal de sortie cre par laction I
Le gain total K=Kr.Ks est alors
s r
z r
P
s
z
t
K K
K Z K
U
K
K Z
U
+
= =
1
,
.
0 0
( )
s s r
z
P t I
K K K
K Z
U U U
+
= =
1
0
K K K
U
U
s r
i
P
= =
Chap.2/85
Mise en uvre pratique Mise en uvre pratique
On applique une perturbation damplitude Z
0
On enregistre uniquement la sortie du rgulateur U(t)
On dtermine K comme suit :
-
U(p)
Y(p) +
) ( p G
) ( p Wz
+
) ( p Wr
Xc(p)
E(p)
Z
0
z
U(t)
t
I
P
Idal
rel
r
s s r
i
P
K I
P
K K K K
I
P
U
U
.
= = = =
Chap.2/86
MODELE DE BROIDA MODELE DE BROIDA
Principe
Dterminer Ko, T et i et posant qui provoquera la mme priode de
pompage que le systme rel
-
C(p)
( )( ) ( )
Ko
T p T p T p
n
1 1 1
1 2
+ + + ...
P-rgulateur
Ys(p)
-
C(p)
( )
p
e
Tp
Ko
t
+ 1
P-rgulateur
Ys(p)
Chap.2/87
Principe Principe
Conditions de lapparition des auto-oscillations
La solution du systme dquations du pompage sera :
p
r
f
p
r
p
r
f
e
TP
K K
p D
e
TP
K K
e
TP
K K
p W
t
t
t
+
+ =
+
+
+
=
1
.
1 ) (
1
.
1
1
.
) (
0
0
0
( )
( ) 1 .
2
2
1 1
2
0
2
2 2 2 2
0
=
|
|
.
|
\
|
+ = + =
K K
Tcr
T
T
T T K K
R
cr
R
t
t
e ( )
( ) 1 .
2
2
1 1
2
0
2
2 2 2 2
0
=
|
|
.
|
\
|
+ = + =
K K
Tcr
T
T
T T K K
R
cr
R
t
t
e
( )
= =
=
+
= =
t e t e e
e
e
cr cr ou
cr
ou
T arctg
T
Ko Kr
A
. ) (
1
1
.
1 ) (
2 2
( )
= =
=
+
= =
t e t e e
e
e
cr cr ou
cr
ou
T arctg
T
Ko Kr
A
. ) (
1
1
.
1 ) (
2 2
cr
T
Tcr
t
e
e
t 2 2
= =
( )
|
|
.
|
\
|

=
cr
R
K K
arctg
e
t t
1 .
2
0
( )
|
|
.
|
\
|

=
cr
R
K K
arctg
e
t t
1 .
2
0
Conditions de pompage
Chap.2/88
Mthodologie pratique Mthodologie pratique
Mthodologie pratique
On augmente le gain K du rgulateur jusqu' apparition de pompage, on
fixe ce gain Kcr
2. On mesure la priode de lauto oscillation Tcr et on calcule
K =Kcr.Ko
3. On dduit T et i des formules tablies
Le gain K
0
est calcul partir de lerreur statique en boucle ferme
Prof. Belkacem OULD BOUAMAMA
LAGIS UMR CNRS 8146
Tl : (33) 03 28 76 73 97 - Fax : (33) 03 20 33 71 89
E mail : Belkacem.bouamama@univ-lille1.fr
I DENTI FI CATI ON
LST met hods (c hap3)
IMA 3 Automatique
Algorithme
didentif.
yr(t)
ym(t)
+
-
c
c< c
adm
?
u(t)
non
0 ,..) , ,..., , ( = u u y y F
m m

oui
Modle
90
METHODES STATISTIQUES
Chap3 : METHODES STATISTIQUES DIDENTIFICATION
Chap.3/91
Limites des mthodes de base Limites des mthodes de base
Modles paramtriques :
Mthodes graphiques (dterministes)
Peu de modles, ncessitent signaux grande amplitude, sensibles aux
perturbations, imprcises, procdures longues, impossible de valider les
modles
92
PARTIE 1 PARTIE 1
MODELES STATIQUES
Chap.3/93
Mthodes des MMC Mthodes des MMC
Principe de la MMC LST
La MMC est introduite par Karl Gauss en 1809 en cherchant prvoir le
Mvt. des plantes partir des observations par tlescopique
SYSTEME
Ys(i)
Entres
Ym(i)
x(i)
+
-
MODELE
Critre
didentification
c(i)
D(c(i))
min )) ( ) ( (
1
2
=

=
n
i
i Ym i Ys D
Chap.3/94
EXEMPLE : REGRESSION LINEAIREcas continu
Exprimentation
N : Nbre. d'observations (d'chantillons de mesures); J = 1,2..K : Paramtre du
modle; i = 1,2...N : Numro d'expriences;
Modle statique : Ym = F(X
1
,X
2
,.....X
k
) Modle
Structure du modle
=
+ = + + + =
k
i
i i k k
X a a X a X a X a a Ym
1
0 2 2 1 1 0
....
PROCEDE
TECHNOLOGIQUE
x
1
X
K
y
1
Chap.3/95
Matrice dexprience H
No Exp. I N P U T OUTPUT
1 X
11
X
21
X
31
............ X
j1
............ X
K1
Y
1
2 X
12
X
22
X
32
............. X
j2
X
K2
Y
2
3 X
13
X
23
X
33
............. X
j3
Y
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
i X
1i
X
2i
X
3i
............ X
ji
............ X
Kj
Y
j
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
N X
1N
X
2N
X
3N
X
jN
............ X
KN
Y
N
Chap.3/96
Problmatique Problmatique
Soit donn :
Que veut on ? : Trouver :
Tel que :
| |
| |
k
k
j
K
j
j
X X X H
a a a
X a Ym
...
, ...
1 0
1 0
0
=
= O
=
=
| |, ...
1 0 K
a a a = O
( )
optimalit d' critre : ) (
. ) (
1
2
O
O =
=
J
Minimum J i Y Y
N
i
m i
| | O =
(
(
(
(
(
= . ... .
.
.
1 0
1
0
T
k
K
H a a a
X
X
X
Ym
Chap.3/97
1. cas monovariable 1. cas monovariable
K=1, Ym=a
0
+a
1
x
Droite de rgression, champ de corrlation, infinit de droites
Influence du nombre dexpriences
1. N=2 : Par deux points ne passent quune droite : E
1
=Y-Ym
1
=Y-Ym
2
=E
2
=0.?
Le modle reflte parfaitement le systme ?
Cas idal irralisable en pratique : Prsence d'erreurs de mesure
(Systmatique, instrumentale, humaine etc.)
Ym=ao+a1X
E2
Ei
E1
E
N
Ym
X
Chap.3/98
1. cas monovariable 1. cas monovariable
2. N >2 : trouver la meilleure droite au sens des MMC
Dterminer les paramtres a
0
et a
1
tel que :
Ceci revient rsoudre le systme dquations:
( )
=
+ =
N
i
i X a a i y a a J
1
2
1 1 0 1 0
)) ( ( ) ( ) , (
=
c
c
=
c
c

0
) , (
0
) , (
) , (
1
1 0
0
1 0
1 0
a
a a j
a
a a j
Minimum a a J
2
1 1
2
1 1 1
1
2
1 1
2
1 1 1 1
2
0
.
. . . . . .
,
.
. . . _ .
|
|
.
|
\
|
=
|
|
.
|
\
|
=

= =
= = =
= =
= = = =
N
i
i
N
i
i
N
i
N
i
N
i
i i i i
N
i
i
N
i
i
N
i
N
i
N
i
i i i
N
i
i i
X X N
Y X Y X N
a
X X N
Y X X X Y
a
Chap.3/99
1. cas multivariable 1. cas multivariable
K>1, Structure du modle
Calcul des paramtres
Processus alatoire : la sortie est affecte d'un bruit V(t):
Ralisation de N expriences
| |
| |
K
K
T
K K j
K
j
j
X X X H
a a a
H X a X a X a X a Ym
...
, ...
, . ...
1 0
1 0
2 2 1 1
0
=
= O
O = + + = =
=
) ( . t v H Y
T
m
+ O =
) ( .
...
.
.
...
...
2 2 1 1
2 2 22 2 12 1 2
1 1 21 2 11 1 1
t V H
V X a X a X a y
V X a X a X a y
V X a X a X a y
Y
N kN k N N N
k k
k k
+ O =
+ + + =
+ + + =
+ + + =
=
), 1 ( dim(Y) ), 1 ( ) ( dim
), ( dim ), ( ) dim(
...
. . . .
...
...
2 1
2 22 12
1 21 11
= =
= O =
(
(
(
(
=
N N V
N k k N H
X X X
X X X
X X X
H
kN N N
K
k
Chap.3/100
1. Systme non bruit V=0
Cas dterministe, si H est inversible, alors :
Cas non raliste
2. Systme bruit V#0
0 . + O =H Y
( ) Y H .
1
= O
V H Y + O = .
V H Y H V H Y
1 1
.

= O + O =
Chap.3/101
Estimation des paramtres Estimation des paramtres
2 types derreurs :
Erreurs d'observation :
Erreurs destimation :
Estimateur optimal
Critre doptimalit
Conditions d'optimalit
Conditions d'observabilit : H
T
non singulire et N > K
m
Y Y E =
m
u u u =
( ) ( ) ( ) ( ) ( ) ( ) u u . . . . .... ) ( ) ( ) ( ) (
2 2
1
1
2
1
2
H Y H Y E E E E i E i y i y J
T
T
N
N
i
N
i
m
= = + = = = O

= =
( ) 0 . . 2
) (
= O =
O c
O c
H Y H
J
T
( ) Y H H H
T T
opt
. . .
1
.

= O
Chap.3/102
Biais de l'estimateur Biais de l'estimateur
Biais de lestimateur b
b=0: Estimateur non biais ( pas d'erreur d'estimation); Densit de
probabilit centre sur la valeur cherche
b #0: Estimateur biais
V et H squences corrles ( hypothses de rgression);
V est de moyenne non nulle
R opt R opt
E E b O O = O O = ) ( ) (
Lim N
N
opt
. ( )
O O
Chap.3/103
Simulation sur Matlab Simulation sur Matlab
home
disp('EXEMPLE DE CALCUL D UN MODELE DE REGRESSION')
% VALEURS EXPERIMENTALES
pause,home
x=[1 2 3];
y_exp=[2 4 6];
pause;home
disp('CHOISIR L ORDRE n DU MODELE')
pause,home
input n=
n=ans;
poly_model=polyfit(x,y_exp,n)%c'est pour trouver l'ordre du polyn^ome
disp('VERIFICATION DU MODELE : ERREUR DE MODELISATION')
pause,home
Y_model=polyval(poly_model,x);%calcul les valeurs du modle
E=abs([y_exp' Y_model' (y_exp'-Y_model')]);
ERREUR_MAX=max(E(:,3))
pause
home
disp('GRAPHE')
pause,home
plot(x,y_exp,'*',x,Y_model,'--');grid;title('VERIFICATION DU MODELE');legend('--:model, *:exp')
pause;home;close
disp('SI L ERREUR N EST PAS BONNE CHANGER L ORDRE n')
1. Cas monovariable
Chap.3/104
Simulation sur Matlab 2. Cas multivariable Simulation sur Matlab 2. Cas multivariable
disp('INTRODUCTION DES DONNES EXPERIMENTALES:')
pause, home
disp(' 1. MATRICE D EXPERIENCES H:')
disp(' NOUS AVONS 7 EXPERIENCES ET DEUX VARIABLES X1 et X2')
H= [1 3;4 2;1 5;2 1;3 4;4 5;6 8]
pause,home
disp('2. VARIABLE DE SORTIE Y:')
y=[5 13 9 4 11 12 23]'
pause,home
disp('SOLUTION : PARAMETRES ESTIMES:')
teta=inv(H'*H)*H'*y;
a1=teta(1)
a2=teta(2)
pause,home
disp(' LE MODELE EST DONC; Ym=a1*X1+a2*X2')
pause,home
disp('VERIFICATION DU MODELE')
pause,home
disp('VALEURS DU MODELE')
ym=polyval([a1 0],H(:,1))+polyval([a2 0],H(:,2)) %ym=a1*X1+a2*X2
pause,home
disp('CALCUL DE L ERREUR DE MODELISATION')
pause
R=[ym,y,abs((ym-y)./y)*100]
disp('ERREUR MAXIMALE')
Emax=max(R(:,3))
pause,home
disp('GRAPHE 3D')
plot3(y,H(:,1),H(:,2),ym,H(:,1),H(:,2));grid;Xlabel('X1,X2'); Ylabel ('Modle, Exprimentale');
105
INDENTIFICATION DES MODELES
DYNAMIQUES
INDENTIFICATION DES MODELES
DYNAMIQUES
Identification des modles paramtriques
discrets par la MMC
106
objectif objectif
tude des mthodes didentification de modles
paramtriques discrets sur la base des E/S
chantillonnes au mme instant
Chap.3/107
Principe Principe
Motivations
Utilisation des PC pour la commande numrique des procds fournit des
sorties chantillonnes
Intrt dutiliser ces sorties chantillonnes pour lidentification par la
MMC
Avantages
Simple a mettre en uvre
Implmentation en temps rel sur calculateur sous forme rcursive
Chap.3/108
MMC cas continu et cas discret MMC cas continu et cas discret
Systme
identifier
CAN
Modle prdictif
A.A.P.
y(k)
Paramtres du modle
) ( k y
E(k)
Systme
identifier
Modle continu
Algorithme
u(t)
y(t)
Paramtres
du modle
) ( t y
) (t c
CAN
S.B.P.A
u(t)
t
Cas continu : se base sur lerreur dobservation
Cas discret : se base sur lerreur de prdiction
Chap.3/109
Particularit par rapport au MMC simple Particularit par rapport au MMC simple
Les mthodes des MMC dans ce chapitre appels
Mthodes bases sur lerreur de prdiction
Considre que lerreur dquation E(k) dit rsidu est un bruit de mesure
entre la sortie relle y(k et la sortie prdite du modle (alors que MMC
simple erreur entre systme relle et le modle
Objectifs de ce chapitre
tude des principales mthodes des MMC bases sur lerreur de
prdiction
Identification tems rel
Mthodes rcursives
Mthodes fentre glissante
Mthodes pondres
Chap.3/110
Caractristiques des mthodes paramtriques statistiques Caractristiques des mthodes paramtriques statistiques
liminent les dfauts mentionns prcdemment
algorithmes non rcursifs MMC simple
(rcursifs (Traitement pas pas des donnes), permet suivi des paramtres en temps
rel
oprant avec des signaux dexcitation extrmement faibles (SBPA de faible niveau)
permet de modliser les perturbations et bruits capteurs (et supprimer)
traitement ais du signal (analyse spectrale)
Comment commence t on?
On choisit une structure procd+perturbation pour l identification
une structure non adapte entrane un biais
Et ensuite?
Chap.3/111
Reprsentations des modles chantillonns Reprsentations des modles chantillonns
1. MODELE ARMA (Auto Rgressif Moyenne Mobile
Soit un signal y(t) gnr par un signal dentre u(t)
u(t) et y(t) sont reprsents par leur chantillons des instants k,
0 1 2 .k
u(k)
PROCESSUS
0 1 2 .k
y(k)
{ }
{ } ) ( ),..... 1 ( ), ( ) (
) ( ),..... 1 ( ), ( ) (
N k y k yy k y t y
m k u k u k u t u
+ +
+ +
Chap.3/112
Modle ARMA : reprsentation temporelle Modle ARMA : reprsentation temporelle
Modle dcrit par un modle ARMA dordre (n,m):
Intrt dune telle reprsentation
A une infinit dchantillons pour reprsenter un signal on a un nbre fini de
paramtres pour reconstituer le signal
Schma bloc du modle ARMA
) ( ... ) 1 ( ) ( ) ( ... ) 1 ( ) (
1 0 1 0
m k u b k u b k u b n k y a k y a k y a
m n
+ + = + +
=

m
j
j
d j k u b
0
) (
=

n
i
i
i k y a
1
) (
) (k y
+
-
u(k)
Si a
0
=0, le modle
est non causal
Chap.3/113
Reprsentation ARMA : cas gnral Reprsentation ARMA : cas gnral
Connaissant les sorties du systme chantillonn y(k), on calcule
la sortie prdite:

= =
+ =
m
j
j
n
i
i
d j k u b i k y a k y
0 1
) ( ) ( ) (
y(k-1), .y(k-n) : chantillons dun signal analogique de sortie y(t) aux instant k, k-1,.k-n
u(k-d),u(k-m-d) : chantillons de lexcitation dentre u(t) qui a gnr y(t)
d : retard pur multiple de la priode dchantillonnage Te compt en nombre entier de Te
K : temps discret normalis (temps rel) divis par la priode dchantillonnage :
k=t/Te
bj et ai : paramtres du modle
Chap.3/114
Modle ARMA : reprsentation frquentielle Modle ARMA : reprsentation frquentielle
) ( ) (
) ( ) (
k u Z d j k u
k y Z i k y
d j
i

=
=
Introduisons loprateur retard Z
-1
) ( ... ) 1 ( ) ( ) ( ... ) 1 ( ) (
1 0 1 0
m k u b k u b k u b n k y a k y a k y a
m n
+ + = + +
d
m
j
j
j
n
i
i
i
Z Z b k u Z a k y

=

=

(
=
(
+

0 1
) ( 1 ) (
d
Z Z B k u Z A k y

= ). ( ). ( ) ( ) (
1 1
=

=

+ =
+ =
m
j
j
j
n
i
i
i
Z b b Z B
Z a Z A
1
0
1
1
1
) (
, 1 ) (
Chap.3/115
Transforme en Z du modle ARMA Transforme en Z du modle ARMA
Transforme en Z
Le modle ARMA est donc un filtre dE/S u(Z) y(Z)
d
Z Z B k u Z A k y

= ). ( ). ( ) ( ) (
1 1
) (
) ( .
) (
) (
) (
1
1

= =
Z A
Z B Z
Z U
Z Y
Z W
d
) (Z U ) (Z Y
) (
) ( .
1
1

Z A
Z B Z
d
Chap.3/116
Modle AR (Auto regressif Modle AR (Auto regressif
Cas : b
j
=0 (i=1,m)
Le modle est dit : TOUT POLES
) (
.
) (
) (
) (
1
0
= =
Z A
Z b
Z U
Z Y
Z W
d
d d
m
j
j
j
n
i
i
i
Z b k u Z Z b k u Z a k y

=

=

=
(
=
(
+

0
0 1
). ( ) ( 1 ) (
OB4
Diapositive 116
OB4 La position des ples dfinit la dynamique du systme
modle courant dans les sytmes de rgulation
OULD BOUAMAMA; 09/10/2004
Chap.3/117
Modle MA (Auto regressif Modle MA (Auto regressif
Cas : a
i
=0 ( i > 0)
Le modle est dit : TOUT ZERO
) ( . .
) (
) (
) (
1
0

= = Z B Z b
Z U
Z Y
Z W
d
d
m
j
j
j
d
m
j
j
j
n
i
i
i
Z Z b k k y Z Z b k u Z a k y

=

=

=

(
=
(
=
(
+

0 0 1
) ( ) ( ) ( 1 ) (
OB5
Diapositive 117
OB5 La position des zroz dfinit la dynamique du systme
118
CALCUL DES PARAMETRES DES
MODELES DISCRETS
CALCUL DES PARAMETRES DES
MODELES DISCRETS
1. MMC SIMPLE
Chap.3/119
Systme bruit Systme bruit
Soit le systme dynamique bruit
Soit E vecteur des erreurs de modlisation
) ( k y
) (
1
Z W ) (k y
) (k u
) (k v
+
+
) ( ) ( ) ( k V k y k y + =
) ( . ) ( ) ( k E k H k y
T
+ = u
| |
| |
m
n
T
b b b a a a
d m k u d k u d k u n k y k y k y k H
... , , , ... , ,
) ( ... ), 1 ( ), ( ), ( ... ), 2 ( ), 1 ( ) (
1 0 2 1
=
=
u
on modlisati de erreur modle ) ( . ) ( ) ( + = + = k E k H k y
T
u
Chap.3/120
Dtermination des paramtres Dtermination des paramtres
Ralisons N expriences
Les valeurs y(1),y(n) et les entres correspondantes sont connues: conditions initiales
( ) 1 ),... 1 ( , ,... 1 ,
) ( ) ( ... ) 1 ( ) ( ) ( ... ) 1 ( ) (
1 0 1
=
+ + + + =
n n N N k
k E m k u b k u b k u b n k y a k y a k y
m n
(
(
(
(
(
(
(
(
(
+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(

+ +

=
(
(
(
(
(
(
(
(
(
) 1 (
.
.
.
.
.
.
) (
.
.
.
.
) 1 ( ... ) 1 ( ) 1 ( ... ) 0 (
... ... ... .
) ( ... ) ( ) 0 ( ... ) 1 (
) 1 ( ... ) 1 ( ) 1 ( ... ) (
. . . . . .
) 1 ( ... ) 1 ( ) 1 ( ... ) 2 (
) ( ... ) ( ) ( ... ) 1 (
) 1 (
.
) (
) 1 (
.
) 1 (
) (
0
1
E
N E
b
b
a
a
d m u d u n y y
d m n n d n u y n y
d m n u d n u y n y
d m N u d N u n N y N y
d m N u d N u n N y N y
y
n y
n y
N y
N y
m
n
| |
T
d m k u d k u d k u n k y k y k y k H ) ( ... ), 1 ( ), ( ), ( ... ), 2 ( ), 1 ( ) ( =
C
o
n
d
.

I
n
i
t
i
.
N

e
x
p
.
Chap.3/121
criture matricielle du systme dexpriences
Rsolution du problme au sens des MMC
Conditions dexpriences : N >=n+m
E H Y + = u .
| | ? ... , , , ... , ,
1 0 2 1
m
n
b b b a a a = u
( ) Y H H H
T T
. . .
1
= u
122
METHODE DES MMC GENERALISEES METHODE DES MMC GENERALISEES
1. LIMITES DE LA MMC SIMPLE
Chap.3/123
LIMITES DE LA MMC SIMPLE LIMITES DE LA MMC SIMPLE
Proprits statistiques de lestimateur
Lestimateur est une variable alatoire car elle dpend de y(K) :
La valeur moyenne (Esprance mathmatique ) de O E(O ) sera
( ) Y H .H H
E H Y
T T
. .
systme du Sortie :
1
=
+ = u
( ) ( ) ( ) E H .H H E H H .H H
T T T T
. . . .
1 1
+ = + = u u
Y H
sortie la de valeur Vraies :

optimal r Estimateu
rel eur Estimat :

u
u
=
{ } { } ( ) { } ( ) { } E H .H H E E H .H H E E E
T T T T
. . . .
1 1
+ = + = u u
Chap.3/124
Dfinitions : Biais de lestimateur
Un estimateur correct (sans biais) impose :
Conditions pour avoir un estimateur sans biais
Un estimateur est sans biais ssi on a:
{ } u u =

N
N
lim 0
{ } { } u u = = E E
{ } ( ) { } u u = =

E H .H H E E
T T
. .
1
( ) { } 0 . .
1
=
E H .H H E
T T
Chap.3/125
On peut crire :
sont des fonctions de corrlation
Alors (le coef. de corrlation est nulle sil ny a pas de corrlation) :
Bruit non corrl avec les donnes dexpriences : Ce sont justement les
hypothses pour construire un modle de rgression
( ) { } ( ) { } ( ) { } 0
1 1
= =

E . H *E .H H E E . .H .H H E
T T T T
( ) { } ( ) { } E . H E et .H H E
T T
( ) { } { } 0 . ou 0 = = E H E .H H E
T T
H(k) avec corrls non ) (k E
ssi
Chap.3/126
Analyse de la condition du biais
Lestimateur optimal est sans biais :
1. si le bruit E(k) est une squence non corrls avec H(k)
2. ou E(k) est un bruit centr
{ } ( ) { } E H .H H E E
T T
. .
1
=
{ } ( ) { } { } E H E .H H E E
T T
. .
1
=
Chap.3/127
Conclusions Conclusions
Le biais serait nul si :
Le bruit auquel est assimil lcart (modle systme rel) tait blanc
Le bruit Eet la matrice des expriences Hne sont pas corrls
Quel sens ?
La valeur exacte recherche du vecteur paramtre O serait gal la moyenne de tous
les vecteurs optimaux obtenus en rptant N fois les expriences
Lestimation est alors biaissi les observations ont affectes dun bruit corrl avec les
mesures
Que faire alors si les observations ont affectes dun bruit corrl avec
les mesures ?
128
2. ESTIMATION DES PARAMTRES DE MODLE
AFFECT DUN BRUIT CORRELES
2. ESTIMATION DES PARAMTRES DE MODLE
AFFECT DUN BRUIT CORRELES
Chap.3/129
Principe de la mthode MCG (GLS) Principe de la mthode MCG (GLS)
Objectifs
Obtenir une estimation optimale non biaise dans le cas dune
observation avec un bruit corrl
Mots clefs : Blanchissement du rsidu
Modle ARMA bruit
Montrons que mme si le bruit de mesure est un bruit blancnon
corrl, lestimation est biais (car la structure ARMA modifie le bruit de
mesure en une squence corrle)
Chap.3/130
Notion de rsidu Notion de rsidu
Soit un modle ARMA non bruit
Systme affect dun bruit v(k) lentre et la sortie
) ( k y
) (k u ARMA
= =
= +
m
j
j
n
i
i
d j k u b i k y a k y
0 1
) ( ) ( ) (
) (k y
) (k v
+
) ( k y
) (k u
ARMA
+
) (k e
+
) ( k y
) (k u
ARMA
) (k u
b
) ( ) ( ) ( k v k y k y =
| | | |

= =
= +
m
j
j
n
i
i
d j k u b i k v i k y a k v k y
0 1
) ( ) ( ) ( . ) ( ) (
BELKACEM3
Diapositive 130
BELKACEM3 en remplaant l'expression de y^(k) =y(k)-v(k) dans l'expression gloabl de y^(k) donn plus haut
Belkacem; 11/10/2004
Chap.3/131
Rsidu corrl Rsidu corrl
Pourquoi le bruit v(k) devient un rsidu r(k) corrle ?
Si le bruit agit lentre on obtient :
| | | |

= =
= +
m
j
j
n
i
i
d j k u b i k v i k y a k v k y
0 1
) ( ) ( ) ( . ) ( ) (
) ( ) ( ) ( ) (
1 0
k r d j k u b i k y a k y
n
i
m
j
j i
+ = +

= =
) ( ) ( ) (
1
i k v a k v k r
n
i
i
+ =

=
RSIDU : est un bruit corrl
) ( ) ( ) ( ) (
1 0
n
i
m
j
b j i
+ = +

= =
) ( ) (
0
d j k e b k r
m
j
j
=

=
Chap.3/132
Mthodologie
Soit
Sous forme frquentielle (en introduisant Z
-1
) , elle devient :
Supposons que le rsidu r(k) est gnr par un bruit blanc v(k) travers
un filtre :
) ( ) ( ) ( ) (
1 0
n
i
m
j
j i
+ = +

= =
) ( ) ( ). ( . ) ( ). (
1 1
k r k U Z B Z Z A k y
d
+ =

Chap.3/133
Mthode de Clarke (1967) Mthode de Clarke (1967)
On a vu : la structure du modle introduit bien un bruit
corrl
Comment alors obtenir un bruit blanc ou qui ses approche
Mthode de Clarke (1967) ou mthode GLS :
Elle consiste transformer par filtrage successif les donnes
exprimentales pour obtenir un cart (modle - systme) qui devient un
bruit blanc
) (k v
) (
1
1
Z C
) (k r
) (
1
. ( ) (
1
=
Z C
k v k r
) ( ) ( ). ( . ) ( ). (
1 1
k r k U Z B Z Z A k y
d
+ =

) ( ) ( . ). ( ). ( ) ( ). ( ). (
1 1 1 1
k v Z B Z Z C k U Z A Z C k y
d
+ =

BELKACEM4
Diapositive 133
BELKACEM4 Lorsque l'estimateur est biais, on amliore la qualit de l'estimateur des MMC par de nouvelles techniques. ces techniques reposent sur
l'hypothse que le bruit de mesure v(k) peut tre considr comme tant le signal de sortie d'un filtre linaire inconnu excit par une squence
de bruit blanc non corrl r(k) et moyenne nulle.
Belkacem; 11/10/2004
Chap.3/134
Analyse, lexpression obtenu est un modle :
Sur ce modle agit un bruit blanc v(k), les E/S sont :
On peut alors noter ce nouveau modle
Quel est le sens physique de cette expression ?
) ( ) ( . ). ( ). ( ) ( ). ( ). (
1 1 1 1
k v Z B Z Z C k U Z A Z C k y
d
+ =

=
=
) ( ). ( ) (
) ( ). ( ) (
1
1
k U Z C k U
k y Z C k y
r
r
Yr(k)
Ur(k)
) ( ) ( . ). ( ) ( ). (
1 1
k v Z B Z k U Z A k y
d
r r
+ =

Chap.3/135
Le modle en terme de schma bloc Le modle en terme de schma bloc
) ( ) ( . ). ( ) ( ). (
1 1
k v Z B Z k U Z A k y
d
r r
+ =

) (k U
) (k r
) (
) (
.
1
1
Z A
Z B
Z
d
) (k y
) (k v
) ( k y
) (
1
Z C
) (
1
Z A
) (k y
r
PROCESSUS
) (
1
Z C
) (
1
Z B Z
d
) (k U
r
+ -
Bruit blanc
Si lon filtre les donnes
y(k) et U(k) on obtient
lerreur dquation qui
sera un bruit blanc (sortie
Ur et y
r
.
Ces sorties Ur et y
r
sont
traites alors par
lamthode MMC simple
avec un estimateur sans
biais des coeff. de A(Z
-1
)
et B(Z-1)
ALORS IL FAUT
DETERMINER LE FILTRE
C(Z
-1
) ????
| | | | ) ( ) ( ) ( . ) ( . ) ( ). ( ) (
1 1 1 1
k U Z C Z B Z k y Z C Z A k E
d
= ERREUR GENERALISEE
Chap.3/136
Estimation des coefficients de v(k) Estimation des coefficients de v(k)
Si C(Z
-1
) est connu alors on peut estimer O
Mais : la dynamique du bruit C(Z
-1
) nest pas connu
Comment calculer les paramtres de C(Z
-1
) ?
Estimation de C(Z
-1
)
Dans le domaine frquentiel on a:
En traduisant dans le domaine temporel v(k) on a :
Le problme revient alors estimer par la MMC les paramtres de v(k)
p
p
Z c Z c Z C

+ + = ... 1 ) (
1
1
1
) ( ... ) 1 ( ) ( ) ( ) ( ) ( ) (
1
1
p k c k c k r k v Z C k r k v
p
+ + + = =

) ( ... ) 1 ( ) ( ) (
1
p k c k c k r k v
p
+ + + =
Chap.3/137
Mthode MMC appliqu r(k)
Relevons les mesures effectues de p N. On peut crire :
Nous sommes en prsence de modle classique o V est un bruit blanc, C : le vecteur des
paramtres dterminer
) ( ... ) 1 ( ) ( ) (
1
p k r c k r c k r k v
p
+ + + =
) ( ) ( ... ) 1 ( ) (
1
k v p k r c k r c k r
p
+ =
(
(
(
(
(
(
+
(
(
(
(
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
) (
.
.
.
) (
.
.
.
.
) ( . . . ) 1 (
. .
. .
. .
) 0 ( . . . ) 1 (
) (
.
.
) 1 (
) (
1
N v
p v
c
c
p N r N r
r p r
N r
p r
p r
p
V C R r + = .
( ) r R R R C
T T
. . .
1
=
R : tant la matrice dobservations des erreurs inconnues

C : Vecteur des erreurs inconnus
Chap.3/138
Comment calculer C ?
On ne connat ni la matrice R ni le vecteur r
Alors on les dtermine dune faon itrative
1. Soit donn :
( ) r R R R C
T T
. . .
1
=
| |
| |
p p
p p r r
b b a a
p k u k u p k y k y H
... ...
) ( ... ) ( ) ( ... ) 1 (
0 1
=
=
u
Chap.3/139
1. Estimation du vecteur des paramtres O
2. Calcul des rsidus
3. On construit le filtre C(Z
-1
) partir du rsidu r
4. On filtre les donnes y et U pour obtenir yr et ur
( ) y H H H
T T
. . .
1
= u
u H y y y r = =
( ) r R R R C
T T
. . .
1
=
+ = =
+ = =
m
j
i r
n
i
i r
j k U c k U k U Z C k U
i k y c k y k y Z C k y
1
1
1
1
) ( ) ( ) ( ). ( ) (
) ( ) ( ) ( ). ( ) (
Chap.3/140
5. Connaissant yr et Ur on forme un nouveau vecteur H pour calcule de
nouveau O et on ritre lopration
6. Quand sarrter ? Critre de convergence
Soit S : le nombre ditrations
C
i
(Z-1) : le filtre obtenu au ime pas de calcul
Le filtre global sera alors :
Si n est lordre de chaque filtre Ci, lordre du filtre global C(Z-1) est nS
Si on veut avoir un filtre qui ne dpend que du nombre ditrations on fixe n=1
( ) ) (
1
1
) (
i
i
S
i
Z C
Z C

=
H
=
Chap.3/141
Solutions pour la convergence Solutions pour la convergence
On fixe le nbre ditrations priori
Procdure arbitraire
Arrt du programme quand les paramtres Cdu filtre
deviennent petits
Difficile prciser numriquement
Arrter quand
On sarrte quand la diminution du critre nest plus significative en
gnral : AJ /J <1%
c u u + ) 1 (
) (
k k
Chap.3/142
Algorithme MCG Algorithme MCG
Dbut
Lecture des donnes
H
N
(0)= H
N
, y
N
(0)= y
N
, i=0, c
Calcul de lestimateur
( ) ) ( ). ( . ) ( ). ( ) (
1
i y i H i H i H i
N
T
N N
T
N

= u
Calcul des rsidus
) (
). ( ) ( ) ( i i H i y i r
T
N N N
u =
Calcul du critre doptimalit
) ( ). ( ) ( i r i r i J
N
T
N
=
Calcul des paramtres du filtre
( ) ) ( ). ( . ) ( ). ( ) (
1
i r i R i R i R i C
N
T
N N
T
N

=
Filtrage des donnes
) ( ). ( ), ( ). (
1 1
= = Z C k u u Z C k y y
r r
1 + = i i
c s ) (i J ) (

i u u =
oui
Non
Chap.3/143
tape de filtrage : 2 manires tape de filtrage : 2 manires
1. Filtre dordre constant en filtrant tj le mme jeu de donnes
Problme : choix de lordre de C(Z
-1
)
2. Filtre dordre variable en filtrant les donnes prcdemment
filtres
Cette approche consiste mettre en srie i filtres Ci(Z
-1
) sur les donnes initiales
Problme : coteuse car on aura n mesures supplmentaires chaque pas
) ( ... ) 1 ( ) ( ) (
) ( ... ) 1 ( ) ( ) (
) ( ) ( 1 ) (
) ( ) ( 1 ) (
n k u c k u c k u k u
n k y c k y c k y k y
i n i i r
i n i i r
+ + + =
+ + + =
) ( ... ) 1 ( ) ( ) (
) ( ... ) 1 ( ) ( ) (
) 1 ( ) ( ) 1 ( ) ( 1 ) 1 ( ) (
) 1 ( ) ( ) 1 ( ) ( 1 ) 1 ( ) (
n k u c k u c k u k u
n k y c k y c k y k y
i i n i i i i r
i i n i i i i r
+ + + =
+ + + =

OB6
Diapositive 143
OB6 on a Interet alors choisir n=1 ce qui permet d'obtenir un filtre dont l'ordreaugmente chaque pas. L'ordre final dpendant du nombre
d'itrations et n'tant plus arbitraire. L'autre avantage de prendre n=1 et de supprimer l'inversion de la matrice RnT(i).RN(i) qui devient scalaire
Chap.3/144
Conclusions Conclusions
Inconvnient
Introduction dun grand nbre de donnes la fois
Ncessite linversion de la matrice C (de grandes dimensions)
Avantages
Performante surtout dans le cas dun signal riche (SBPA)
Si les paramtres statistiques du bruit sont connus, le filtre C(Z
-1
) est
parfaitement dtermin : on a alors directement un estimateur sans biais
des coefficients de A(Z
-1
) A(Z
-1
) , C(Z
-1
) et B(Z
-1
)/ C(Z
-1
) donc des
coefficients de la FT du modle
Chap.3/145
Diffrents types de modle Diffrents types de modle
1. Modle ARX (AutoRgressive Entre Exogne)
Modle utilis pour la MMC simple. quation de rcurrence
Paramtres dterminer :
na : nbre de ples,
nb-1: nbre de zros
d : le retard pur
1
) (
1
) (
1
1
= =

Z C
Z F
) ( ) (
) (
). (
) (
1
1
k e k u
Z A
Z Z B
k y
d
+ =

) ( ) ( ) ( ) (
0 0
k e i k y a d j k u b k y
na
i
i
nb
j
j
+ =

= =
Chap.3/146
2. Modle ARMAX (AutoRgressive Moyenne Ajuste et
entre exogne)
quation de rcurrence
na : nbre de ples,
nb-1: nbre de zros
d : le retard pur
nc : ordre du modle de la dynamique du filtre
nc
nc
Z c Z c
Z C
Z F

+ + + = = ... 1
) (
1
) (
1
1
1
1

= = =
+ =
nc
l
i
na
i
i
nb
j
j
l k e c i k y a d j k u b k y
1 0 0
) ( ) ( ) ( ) (
Chap.3/147
3. Modle OE (Output-Error) bas sur lerreur de sortie
quation de rcurrence
nb, d , et nf
1 ) (
1
) (
1
) (
1
1
1
=
= =
Z A
Z C
Z F
) ( ) ( ) ( ) (
0 0
k e i k y a d j k u b k y
nf
i
i
nb
j
j
+ =

= =
Chap.3/148
4. Modle BJ (Box J ebkins)
Modle utilis pour distinguer la dynamique du modle et du gnrateur
du rsidu
nb, nf, nc , nd et d
) (
) (
) (
) (
) (
) (
) (
1
1
1
1
k e
Z D
Z C
k u Z
Z F
Z B
k y
d
+ =
149
METHODES RECURSSIVES METHODES RECURSSIVES
Chap.3/150
Limites de la MMC simple
Principe de la RLST
Alors l'estimateur, tenant compte des (N+1) observations sera :
n. observatio me 1) (N la
. n observatio s prcdente N des compte tenant optimal Estimateur
. n observatio 1 N des compte tenant optimal ateur Estim .
1
) (
) 1 (
+
O
+ O
+
+
N
N
N
Y
s opt
s opt
( )
N
T
N N N N N
opt H Y K opt opt . . . . .
1 1 1 1
O + O = O
+ + + +
Chap.3/151
Lestimateur de la nouvelle mesure
Le gain dadaptation ou facteur de pondration de la mise
jour apporte par la nouvelle mesure
1 1
.
+ +
= O
N N
T
N
Ym H
( ) ( )
1
1
1
1 1
1
1
. . . 1 . . .

+
+ +
+
(
+ =
N N
T
N
T
N N N
T
N N
H H H H H H H K
Chap.3/152
E(N+1)=Y(N+1)-
H(N+1)
T
.P(N).
H(N+1)
-1
K(N+1)=Ko
(N+1)
O
opt. =
O
opt. (N) +K(N+1).E(N+1)
H(N+1)
P(N+1)=(1-K(N+1).
T
).P(N)
N=N+1
N-elle mesure
l'instant N+1
Y(N+1),
H(N+1)
H(N+1)
Ko=1+
T
P(N).
H(N+1)
.
GAIN
ECART DE PREDICTION
ESTIMATION
MISE A JOUR DE P(N)
ALGORITHME RLST
( )
( )
N
T
N N N
N
T
N N
P H K P
et H H P
. . . 1
, .
1 1 1
1
+ + +
=
=
Chap.3/153
INITIALISATION DE L'ALGORITHME INITIALISATION DE L'ALGORITHME
P(0) =diag(1000); O0)=0.
PROBLEME DE DECROISSANCE DU GAIN
Inconvnient de la RLST
N
N N
N
N
P
P H
P
P s
+
=
+
+
. 1
2
1
1
Chap.3/154
MMC AVEC FENETRE GLISSANTE MMC AVEC FENETRE GLISSANTE
PRINCIPE :
Tronquer les observations travers une FENETRE de largeur N
constante que l'on "glisse" au fur et mesure que les chantillons
arrivent
K K-N K-N+1 K+1
N chantillons N+1 me
chentillon
Chap.3/155
Estimateur optimal
La formule met en vidence la contribution dans la nouvelle estime
de l'enrichissement d l'observation l'instant K+1 d'une part et de
la contribution de la K-N ime observation qui doit tre retranche
d'autre part de l'estimation prcdente.
Limite de la mthode
(
(
(
|
|
|
.
|
\
|
O
|
|
|
.
|
\
|
O + O = O
.

.
+ + + +
.
+
.

1 1 1 1

1
. . . . .
K
N K N K
T
N K
K
K K
T
K K
K K
H Y H H Y H P
Chap.3/156
MMC AVEC FACTEUR DE PONDERATION MMC AVEC FACTEUR DE PONDERATION
Princiope
CRITERE CLASSIQUE PONDERATION HOMOGENES DES Ei
Pondration des erreurs
E E E E E J
T
N
. ........ .......... ) (
2 2
2
2
1
= + + + = O
0 dfinie n pondratio de Matrice
. . . 0 0
. . . . . .
. . . . . .
0 . . 0 0
0 . . . 0
0 . . 0 0
. . ........ .......... ) (
2 2
2
2
1
>
(
(
(
(
(
(
(
=
= + + + = O
N
3
2
1
N 2 1

W
E W E E E E J
T
N
Chap.3/157
Choix de la pondration
On recommande progression gomtrique
<1: Favorise les premires mesures (Facteur d'oubli);
>1 : Favorise les dernires mesures par rapport aux premires
Critre doptimalit
) ... 1 , 0 1 ( N
i
=
( ) ( ) O O = O H Y W H Y J
T
. ) (
0 2
) (
= O =
O c
O c
Y W H WH Y WH H
J
T T T
( ) Y W H WH H
T T
opt
.
1
= O
Chap.3/158
RLST AVEC FACTEUR DE PONDERATION
|
.
|
\
|
O + O = O
.
+ + +
. .
+

1 1 1 1
. .
N
T
N N N N N
H Y K
( )
1
1 1 1 1
. . 1 . .

+ + + +
+ =
N N
T
N N N N
H P H H P K
( )
1
. .

=
T
N
T
N N
H W H P
1
Table des matires
Chapitre 1. Introduction au Travail Pratique . . . . . . . . . . . . 3
1.1. But du TP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Organisation des TPs . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
I METHODES DE BASE 4
Chapitre 2. Identification en boucle ouverte . . . . . . . . . . . . . 5
2.1. Questions relative lidentication en boucle ouverte . . . . . . . . . 5
Chapitre 3. Identification en boucle ferme . . . . . . . . . . . . . 6
3.1. Questions relative lidentication en boucle ferme . . . . . . . . . . 6
II METHODES DES MOINDRES CARREES : Etude de
la boite outil "ident" 7
Chapitre 4. Manipulation des donnes . . . . . . . . . . . . . . . . . . 8
4.1. Reprsentation des donnes . . . . . . . . . . . . . . . . . . . . . . . 8
4.2. Syntaxe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.3. Interface graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.4. Comment introduire les donnes exprimentales ? : import data . . . 9
4.5. Analyse et examen des donnes : Data Views . . . . . . . . . . . . . . 11
4.6. Traitement prliminaire des donnes . . . . . . . . . . . . . . . . . . . 12
4.6.1. Suppression des valeurs moyennes : Remove trends ou Remove
means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.6.2. Slection dune partie des donnes : select data Range . . . . . 13
4.6.3. Filtrage prliminaire : Filter . . . . . . . . . . . . . . . . . . . 13
4.6.4. Rechantillonnage : Resampling . . . . . . . . . . . . . . . . . 14
4.6.5. Dmarrage rapide : Quickstart . . . . . . . . . . . . . . . . . . 14
4.6.6. Fusion de dexpriences multiple : Merge Experiments . . . . . 14
Chapitre 5. Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.1. Estimation de la rponse impulsionnelle . . . . . . . . . . . . . . . . . 16
5.2. Estimation paramtrique des modles . . . . . . . . . . . . . . . . . . 16
5.2.1. Interprtation de la structure du modle . . . . . . . . . . . . 17
2
Chapitre 6. Questions relatives lidentification laide de la
mthode des MMC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Annexe A. Courbes exprimentales . . . . . . . . . . . . . . . . . . . . 28
3
Chapitre 1
Introduction au Travail Pratique
1.1 But du TP
Le but de ce TP est la mise en oeuvre des mthodes didentication des systmes
en utilisant principalement le logiciel MATLAB et la boite outil "IDENT" . Le
travail pratique sera ralis en trois parties :
1.2 Organisation des TPs
1. Sance 1 : Etude des mthodes de base
Le but est didentier les rponses types (indicielles, impuilsionnelles, ..) expri-
mentales en utilisant les mthodes de base tudies en cours. On demandera alors
de dvelopper un programme sur Matlab en chier .m an de valider le modle. Les
mthodes en boucle ferme seront aussi tudies.
2. Sance 2 : Etude des mthodes des moindres carres
Les donnes exprimentales utilises pour identier le systme sur la base des
mthodes de base seront traits laide des mthodes des moindres carres (simple,
rcursives, ....) laide de la boite outil "IDENT". Une description dtaille de la
boite outil sera expose.
3. Sance 3 : Synthse des mthodes ralises
Cette sance sera consacre la synthse des rsultats obtenus dans les sances
1 et 2. On demandera alors dorganiser les outils logiciels dvelopps de faon les
exposer avec une analyse des rsultats. Une note sera attribue lexpos orale et au
produit ralis.
Premire partie
METHODES DE BASE
4
5
Chapitre 2
Identification en boucle ouverte
Les rponses indicielles de procds dirents sont donnes en annexe A. Les
donnes numriques sont donnes sous forme dun chier.mat par lenseignant en
charge du TP. Ces chiers sont Datai.m (i est le numro du chier).
2.1 Questions relative lidentication en boucle ouverte
1. Examiner les rponses exprimentales
2. Fixer une structure du modle et appliquez une mthode adquate pour liden-
tication du systme
3. Trouvez alors les paramtres du modle (fonction de transfert)
4. Ralisez un programme sur Matlab et validez votre modle
6
Chapitre 3
Identification en boucle ferme
Lidentication en boucle ouverte est considre dangereuse car on doit perturber
le fonctionnement du systme. De plus les rgulations sont hors service. Les mthodes
en boucle ferme sont ralises alors que le systme est en plein fonctionnement, il
sut juste de ramener le procd la limite de stabilit et identier les paramtres
en appliquant un certain nombre de mthodes (cf. cours didentication).
Fig. 3.1. Identication en boucle ferme
3.1 Questions relative lidentication en boucle ferme
1. Ralisez sur SIMULINK un schma de rgulation avec un procd de dynamique
considre inconnue (g. 3.1) . La dynamique du procd i sera fournie par le
professeur en charge du TP
2. Utilisez la mthode de Strje ou de Broida pour identier les paramtres du
modle
3. Trouvez alors les paramtres du modle (fonction de transfert)
4. Ralisez un programme sur Matlab et validez votre modle en le comparant
avec les sortie en boucle ouverte du procd
Deuxime partie
METHODES DES MOINDRES
CARREES : Etude de la boite
outil "ident"
7
8
Chapitre 4
Manipulation des donnes
4.1 Reprsentation des donnes
Dans la boite outil du systme didentication, les signaux entres-sorties sont
reprsents comme des vecteurs colonnes :
u =
u(1)
u(2)
...
..
u(N)
(4.1)
y =
y(1)
y(2)
...
..
y(N)
(4.2)
N est le nombre des chantillons chantillonns avec une mme valeur dchan-
tillonnage T.
Dans le cas dune systme multivariable u sera une matrice
u = u
1
u
2
.. .. u
m
(4.3)
o m est le nombre de colonne gal au nombre dentres.
4.2 Syntaxe
Les donnes observes sont reprsentes dans la boite outil par un objet iddata
cr partir des signaux E/S par :
exo_data = iddata(y, u, Ts) (4.4)
y : sont les donnes de sortie
u : entres
Ts :priode dchantillonnage
9
4.3 Interface graphique
Etant donn que la base de lidentication est le traitement de donnes (data) en
vue dobtenir un modle , linterface graphique de la boite outil est compose de
deux parties (g. : donnes (DATA) et modles (Models).(g. 4.1
Importer les donnes
exprimentales Traitement prliminaire des
donnes (filtrage, ..) Donnes en traitement
Supprimer les modles
inutiles (non adquats)
Envoyer vers lespace de travail
les modles et les donnes
Observer les rponses
des modles
des donnes
Validation du modle avec
dautres donnes
Choisir un type de modle
Lancer lopration
destimation
Importer les donnes
exprimentales Traitement prliminaire des
donnes (filtrage, ..) Donnes en traitement
Supprimer les modles
inutiles (non adquats)
Envoyer vers lespace de travail
les modles et les donnes
des modles
des donnes
Validation du modle avec
dautres donnes
Choisir un type de modle
Lancer lopration
destimation
Fig. 4.1. Interface graphique de la boite outil
4.4 Comment introduire les donnes exprimentales ? : im-
port data
Trois possibilits :
1. Ouvrir une session existante enregistre dj (*.sid)
2. Importer des donnes partir de lespace de travail
3. Crer les donnes en les ltrant, ..
Les informations concernant les donnes importer sur linterface graphique sont :
10
Les entres et sorties du signal (exemple u et y dans notre cas, voir quation4.4
)
Le nom donn lobjet (ensemble des donnes) exo_data
Le pas dchantillonnage : Ts=0.1
Pour importer les donner on slectionne dans le menu droulant Data et on choisit
Import (g.4.1). Linterface de la gure 4.2 apparat.
Fig. 4.2. Importer des donnes
On peut ajouter dautres informations (nom des entres et sorties, les units des
variables etc...) en cliquant sur more de linterface prcdente.
Data name : Nom de lensemble des donnes introduite. Ce nom peut tre chang
plus loin
Starting time and Sampling interval : Permet de corriger lchelle du temps
et de la frquence des graphes.
Period : Si lentre est priodique entrez la priode sinon "inf" est introduite par
dfaut (entre non priodique)
Intersample : Choisir le type dchantillonnage des donnes , par dfaut est mis
un bloqueur dordre zero : ZOH (la valeur du signal dentre u est constante entre
11
deux instants dchantillonnage Ts et 2*TS ). On peut xer un bloqueur dordre un
(FOH) : u est linaire par morceau entre deux instants dchantillonnage. BL est
mis si le signal dentre continu na pas de puissance en dehors de la frquence de
Nyquist.
Notes : permet dintroduire des commentaires
Pour importer cliquez sur IMPORT pour insrer les donnes dans linterface
graphique. Reset rinitialise le systme en supprimant les donnes. On obtient alors
le graphe des donnes E/S (g.4.3)
La procdure va alors crer un objet iddata avec toutes les proprits introduites.
Si on a dj un objet iddata on peut limporter directement partir de lespace de
travail (workspace) en slectionnant dans le menu droulant de Import data le
format iddata object
Fig. 4.3. Importation des donnes dans linterface
4.5 Analyse et examen des donnes : Data Views
Aprs avoir insr les donnes, il faut examiner lallure des donnes laide des
rponses temporelles ou frquentielle en slectionnant loption Time Plot ou Data
12
Spectra (au dessous de la prtie Data Views) (g.4.4). Les rponses frquentielles
peuvent tre changes laide du menu option dans la fentre data spectra.
Fig. 4.4. Vues des rponses temporelles et frquentielles des donnes
Le but de lanalyse de ces courbes est de vrier sil nexiste pas un partie des
donnes qui ne sont pas adaptes lidentication (tronques, trop bruites, ...) ou
examiner les paramtres intressantes pour lopration (frquences critiques).
4.6 Traitement prliminaire des donnes
Avant de lancer la procdure destimation, il est recommand de subir un traite-
ment prliminaires aux donnes.
4.6.1 Suppression des valeurs moyennes : Remove trends ou Remove
means
Permet de supprimer les valeurs moyennes. Il est recommand de lancer au moins
cette opration (en slectionnant partir du menu droulant Preprocess Remove
Means ou Remove Trends) avant la phase destimation des paramtres.
13
4.6.2 Slection dune partie des donnes : select data Range
Si quelques donnes sont omises (du un problme pendant lexprience) ou trop
de perturbations sont prsentes alors il est conseill de slectionner uniquement une
partie des donnes traiter par Preprocess>Select Range. Il sut alors laide de
la souris de slectionner par un rectangle les donnes qui nous paraissent importantes
(g. 4.5).
Fig. 4.5. Slection des donnes
On peut aussi dans le cas multivariable slectionner une entre particulire ou un
ensemble dentres par : Preprocess>Channels
4.6.3 Filtrage prliminaire : Filter
Le prltrage est important pour supprimer les bruits hautes frquences partir
de la bande passante
En ltrant les donnes avec un mme ltre, on supprime les drives du signal et les
eets indsirables des perturbations hautes frquence. ceci naecte pas videmment
la phase de lestimation du modle. Le ltrage est ralis par : Preprocess> Filter.
La fentre de la gure 4.6 est ouverte.
On slectionne alors sur la courbe frquentielle la bande passante puis on vrie
leet du ltrage par "Filter". Si leet est satisfaisant alors on conrme par "insert"
(cf. g. 4.6). Les donnes slectionnes sont alors insres dans les donnes de travail.
14
Fig. 4.6. Filtrage des donnes
4.6.4 Rechantillonnage : Resampling
On peut rechantilloner les donnes par : Preprocess> Presampling
4.6.5 Dmarrage rapide : Quickstart
Le menu droulant "Preprocess> Quickstart" excuter les oprations sui-
vantes :
Ouvre la rponse temporelle des donnes (Time Plot view)
Supprime les valeurs moyennes du signal
divise ces donnes en deux parties : la premire partie est insre comme donnes
de travail et la seconde comme donnes de validation.
Ces donnes pourront servir comme support pour lestimation et la validation du
modle.
4.6.6 Fusion de dexpriences multiple : Merge Experiments
Si plusieurs jeux de donnes issus dexpriences direntes sont disponibles, alors
il est intressant de les fusionner en une seule. Quelques une peuvent aussi tre issues
dune partie dexpriences obtenues par "select Data range" (voir paragraphe plus
15
haut). Linstruction est obtenu du menu droulant : Preprocess> Merge Experi-
ments
16
Chapitre 5
Estimation
Lestimation des modles partir des donnes exprimentales (prtraites comme
expliqu plu haut) est lactivit centrale de la boite outil. de lidentication. Toutes
les fonctionnalits sont accessibles partir du menu droulant Estimate (g.4.1).
Les modles estims sont dduits partir des donnes qui sont dans la boite des
donnes de travail (Working Data).
On distingue deux types de mthodes destimation :
Estimation directe de la rponse impulsionnelle ou de la rponse frquentielle.
Ces mthodes sont dites non paramtriques, la structure du modle est suppose
linaire.
Mthodes paramtriques. Une structure spcique du modle est xe. Les pa-
ramtres du modle sont estims partir de cette structure en utilisant les don-
nes exprimentales. Globalemnt les modles sont dduits sous forme dquation
dtat ou dquations aux rcurrences.
Lidentication est dite paramtrique, si elle consiste la dtermination dun
ensemble de valeurs constantes ( Paramtres de ) ( fonctions de transfert ) . Elle est
par contre dite non paramtrique, si elle a pour but dterminer une fonction continue
du temps ( caractristique transitoire) ou de frquences (caractristiques frquentilles)
5.1 Estimation de la rponse impulsionnelle
Un systme linaire peut tre dcrit par une rponse impulsionnelle g
k
, avec la
proprit telle que :
y(t) =

X
i=1
(g
k
u(t k) (5.1)
En choisissant le menu droulant Estimate>Correlation Model les coecients
de la rponse impulsionnelle sont estims directement partir des donnes E/S; en
utilisant a rponse impulsionnelle. LA rponse impulsionnelle identie est ache
avec le nom par dfaut imp. Ce nom peut tre chang en double cliquant sur licne
du modle.
5.2 Estimation paramtrique des modles
Un ensemble de structures des modles linaires est propos dans le menu d-
roulant Estimate>Parametric Models. La boite de dialogue suivante (g 5.1est
17
ache)
Fig. 5.1. Boite de dialogue pour lestimation laide des modles paramtriques
Cette boite de dialogue fonctionne comme suit
En slectionnant estimer (estimate) , un modle est estim partir des don-
nes de travail (working data) (donnes importes et en fonctionnement).
La structure de ce modle est dnie par le menu droulant Structure ensemble
avec le menu "Orders" et le nom de la mthode, c.--d. si on slectionne un
modle ARX[nanbnk], on peut dnir les ordres (dnis plus bas dans le texte)
de na, nb et nk (exemple 4 4 1) le nom ARX441 sera ach. Par dfaut les
ordres 4, 4 1 sont proposs. Remarque : Evitez dintroduire un nom avec un
espace si vous devez exporter le modle.
5.2.1 Interprtation de la structure du modle
Les entiers [na nb nk] dans la boite "orders" dpendent de la structure choisie
dans le menu. La structure du modle tant choisie, la dtermination des paramtres
du modle peut se faire suivant deux classes de mthodes : celle base sur lerreur
de sortie (g.5.2a) ou celle base sur lerreur dquation ou de prdiction ( g.
5.2b).
18
Systme
Modle
+
-
(k)
u(k)
y(k)
ym(k)
Systme
Modle
prdictif
+
-
e(k)
u(k)
y(k)
) ( k y
(a)
(b)
Systme
Modle
+
-
(k)
u(k)
y(k)
ym(k)
Systme
Modle
prdictif
+
-
e(k)
u(k)
y(k)
) ( k y
(a)
(b)
Fig. 5.2. Estimation selon lerreur de sortie (a) et lerreur dquation ou de prdiction
(b)
Si lon suppose que le modle cherch ym est une quation de rcurrence de la
forme :
y
m
(k)+a
1
y
m
(k1)+... +a
n
y
m
(kn) = b
0
u(k)+b
1
u(k1)+... +b
m
u
m
(kn) (5.2)
le modle prdictif sera :
b y(k) = b
0
u(k) +b
1
u(k 1) +... +b
nb
u
m
(k nb) a
1
y(k 1) ... a
na
y(k na) (5.3)
Supposons que le systme est bruit et que le bruit e(k) agit lentre (g.5.3) du
systme on pose :
u(k) = u
b
(k) + e(k) (5.4)
on peut crire alors aprs quelques transformations et en supposant que la sortie
est aecte dun retard pur n
k
:
A(z
1
)y(k) = B(z
1
).z
n
k
.u(k n
k
) + e(k) (5.5)
o A et B sont des polynmes en z
1
Les dirents types de modles seront obtenus en fonction du type de modlisation
du rsidu e(k) qui est le rsultat du ltrage dun bruit blanc V(k) (g.5.4)
19
Modle u
b
(k)
y(k)
u (k)
e (k)
+
+
Modle u
b
(k)
y(k)
u (k)
e (k)
+
+
Fig. 5.3. Bruit agissant lentre du systme
e (k)
) C(z
1
1 -
v (k)
e (k)
) C(z
1
1 -
v (k)
Fig. 5.4. Gnration du rsidu
Dirents types de modles La structure du modle sera dnie en xant le retard
pur et les ordres des polynmes c.--d. le nombre de ples et de zros de la dynamique
du modle de u vers y ainsi que de la perturbation (bruit e) vers y.
1. Modle ARX AutoRgressive entre eXogne : Ay = Au +e
Dans ce cas on pose C(z
1
) = 1. On retrouve alors la mthode des moindres
carres classique simple les paramtres du modle minimisant e(k). On doit alors
dterminer les paramtres du modle suivant :
y(k) =
B(z
1
).z
n
k
A(z
1
)
.u(k) + e(k) (5.6)
ou sous forme de rcurrence
y(k) =
nb
X
j=0
b
i
u(k j n
k
)
na
X
i=0
a
i
y(k i) + e(k) (5.7)
Les paramtres du modle ARXdonn sous forme frquentielle sont trois entiers :
n
a
: le nombre de ples, n
b
1 : le nombre de zros et n
k
le retard pur (voir g.
5.1).
Plusieurs combinaisons des ordres du modle ARX peuvent tre introduites. Alors
les modles obtenus sont compars aux observations relles, en double cliquent sur
20
ModelOutput. On obtient les courbes (g.5.5 Les ordres slectionns sont achs
( gauche de la gure)
Fig. 5.5. Comparaison entre le modle ARX slectionn et les observations relles
Information sur le modle obtenu
Les informations sur le modle : les valeurs des coecients de A(z
1
) et B(z
1
)
sont aches en double cliquant sur licne du modle de travail ou en cliquant sur la
partie droite de la souris). La fentre de la gure5.6 est alors propos lutilisateur.
Comment travailler avec le modle sur lespace de travail
An de rutiliser le modle, on glisse avec la souris vers "To Work Space".
Il sut alors dappliquer nimporte quel instruction de Matlab. Sur lespace de tra-
vail tapez le nom du modle : exemple arx441 , on obtient les informations (g.5.7)
ncessaires.
On peut aussi obtenir partir de ce modle dautres reprsentation :
Transformer le modle discret en continu : d2c(arx441)
Convertir vers lespace dtat : ss(arx441)
Transformer vers une forme de fonction de transfert discrte : tf((arx441)
vers
dans notre exemple de type ssdata, tfdata, d2c
2. Modle ARMAX : AY = Bu + Ce
Le modle Auto Rgressive Moyenne Ajuste et entre eXogne) est obtenu en
posant
21
Fig. 5.6. Inforemations sur le modle slectionn
1
C(z
1
)
= 1 + c
1
z
1
+ c
2
z
2
+ ... + c
nc
z
nc
(5.8)
Le modle sous forme rcurent sera alors :
y(k) =
nb
X
j=0
b
i
u(k j n
k
)
na
X
i=0
a
i
y(k i) + e(k) +
nc
X
l=1
c
i
e(k l) (5.9)
et sous forme frquentielle :
A(z
1
)y(k) = B(z
1
).z
nk
.u(k) + C(z
1
).e(k) (5.10)
A(z
1
) est le polynme caractristique dont les ples sont communs entre la dy-
namique du modle et celle du bruit e(t). Ceci est intressant si le bruit est appliqu
lentre du systme.
Les paramtres du modle ARMAX donn sous forme frquentielle sont trois
entiers :
22
>>arx441
Discrete-time IDPOLY model: A(q)y(t) = B(q)u(t) + e(t)
A(q) = 1 - 1.064 q^-1 + 0.1634 q^-2 - 0.2772 q^-3 + 0.2568 q^-4
B(q) = 0.02015 q^-1 + 0.02015 q^-2 + 0.02015 q^-3 + 0.02015 q^-4
Estimated using ARX from data set exo_data
Loss function 0.000824946 and FPE 0.00109432
Sampling interval: 0.1
Fig. 5.7. Export du modle vers lespace de travail de Matlab
n
a
: le nombre de ples, n
b
1 : le nombre de zros , n
k
le retard pur et nc lordre
du modle de la dynamique du ltre du bruit.
On slectionne ce type de structure en choisissant dans le menu droulant de
"Estilmate>Parametric model" ARMAX (g.5.8).
Fig. 5.8. Modle ARMAX
ARMAX est une estimation itrative (contrairement ARX ) base sur lerreur de
prdiction. On peut alors aner le modle par des procdures itratives en cliquant sur
"Iteration contrtol..." (cf. g5.8). On pourra alors slectionner le meilleur modle.
23
Le modle ARMAX est bien adapt quand on veut reprsenter ensemble leet de la
commande et des perturbations sur la sortie du procd
3. Modle bas sur lerreur de sortie (Output-Error (OE) models : y =
(B/F)u + e)
Cette mtode consiste dterminer les valeurs des paramres du modle en mini-
misant un critre sur lerreur de sortie.
Le modle est obtenu en posant A(z
1
) = 1, 1/C(z
1
) = 1
y(k) =
B(z
1
)
F(z
1
)
.z
nk
.u(k) + e(k) (5.11)
Le modle sous forme rcurent sera alors :
y(k) =
nb
X
j=0
b
i
u(k j n
k
)
nf
X
i=1
a
i
y(k i) + e(k) (5.12)
Les paramtres du modle OEdonn sous forme frquentielle sont trois entiers :nb,
nf et nk.
Fig. 5.9.
4. Modle sous forme dquation dtat
24
Lquation dtat est identie sous forme :
x(k + 1) = Ax(k) + Bu(k) + Ke(k)
y(k) = C.x(k) + Du(k) + e(k)
(5.13)
Deux paramtres xer lordre du systme n et le retard nk (g.5.10)
La matrice K dtermine les proprits des perturbations. Si K=0, le bruit aecte
uniquement la sortie , il nexiste alors aucun modle spcique pour le bruit. D=0
signie quil nexiste par dinuence de u sur y.
Fixer K=0 introduit un modle de type OE (erreur sur la sortie) , c..d. la mi-
nimisation de la dirence entre la sortie simule du modle et la sortie mesure. Le
retard entre lentre la sortie nk est x gnralement gal 1. Sil est suprieur 1
alors D est pris gal 0.
Il existe deux mthodes pour estimer ces paramtres :
PEM : Prediction Error/ Maximum likelihood (maximum de vraisemblance) est
base sur une estimation itrative du critre doptimalit. Litration commence
partir des valeurs des paramtres calculs par la mthode n4sid
PEM amliore gnralement la prcision du modle
model = pem(Donn ees) retourne un modle dtat dordre de 110. Onpeut xer
lordre : model = pem(Donn ees, n)
N4sid nutilise pas une forme itrative
5. Modle BJ (Box Jebkins)
Le modle BJ possde un avantage sur les autres de distinguer les dynamiques du
modle et les dynamiques du gnrateur des rsidus. Le modle est donn ous forme
y(k) =
B(z
1
)
F(z
1
)
.z
nk
.u(k) +
C(z
1
)
D(z
1
)
e(k) (5.14)
On xe alors 5 paramtres (g. 5.11 nb, nc, nd, nf, nk.
25
Fig. 5.10. Modle sou forme dquation dtat
26
Fig. 5.11. Modle de Box-Jenkins
27
Chapitre 6
Questions relatives lidentification laide
de la mthode des MMC
1. Reprenez le modle identi en boucle ouverte
2. Examiner les rponses et apliquez ventuellement un prtraitement pralable
(ltrage des donnes, limination de la valeur moyenne, ..)
3. Trouvez le modle de rcurrence adquat en utilisant les mthodes proposes
par le logiciel
4. Trouvez la fonction de transfert (voir les instructions appropres)
5. Slectionnez le meilleur modle
28
Annexe A
Courbes exprimentales
Fig. A.1.
29
Fig. A.2.
30
Fig. A.3.
31
Fig. A.4.
32
Fig. A.5.
33
Fig. A.6.

IDENTIFICATION DES SYSTEMES - 2012 Mode de Compatibilité5

Încărcat de

Informații document

Titlu original

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

IDENTIFICATION DES SYSTEMES - 2012 Mode de Compatibilité5

Încărcat de

Drepturi de autor:

Formate disponibile

Prof.

Belkacem OULD BOUAMAMA

Copyright : Prof. B. Ould Bouamama , PolytechLille Chap2 : METHODES DE BASE DIDENTIFICATION

sortie la de valeur Vraies :

rel eur Estimat :

R : tant la matrice dobservations des erreurs inconnues

S-ar putea să vă placă și