Journes Identication et Modlisation Exprimentale JIME2006 16 et 17 novembre Poitiers

Identication des systmes non linaires par une

approche multi-modle tats dcoupls
Rodolfo ORJUELA, Didier MAQUIN et Jos RAGOT
Centre de Recherche en Automatique de Nancy
UMR 7039, Nancy-Universit, CNRS
2, Avenue de la Fort de Haye, 54516 Vanduvre-ls-Nancy Cedex France
{Rodolfo.Orjuela, Didier.Maquin, Jose.Ragot}@ensem.inpl-nancy.fr
http://www.cran.uhp-nancy.fr
RsumLes sciences de lingnieur font largement appel
aux modles non linaires pour dcrire les comportements dy-
namiques des systmes physiques rels. Ces modles peuvent
cependant savrer difciles obtenir et/ou manipuler dans
un objectif didentication, de commande ou de diagnostic.
Les multi-modles offrent une alternative intressante pour
contourner ces difcults car ils permettent de prendre en
compte la prsence de plusieurs modes de fonctionnement.
Cet article traite de lidentication hors ligne des systmes
non linaires par une approche multi-modle tats dcou-
pls par opposition au multi-modle tats coupls (Takagi-
Sugeno) classiquement utilis. Une modication de la struc-
ture originale du multi-modle tats dcoupls est propose
an dviter le phnomne de dcrochage qui nuit considra-
blement la procdure didentication et dtriore la qualit
de lapproximation obtenue.
Mots-cls Approche multi-modle, identication systmes
non linaires.
I. INTRODUCTION
Les sciences de lingnieur font largement appel aux modles
non linaires pour dcrire les comportements dynamiques des
systmes physiques rels.
Si les modles non linaires sont en mesure de dcrire cor-
rectement les comportements non linaires dun systme, ils
peuvent nanmoins savrer, en fonction de leur complexit
mathmatique, difcilement exploitables dans un contexte de
synthse dune loi de commande et/ou de mise en place dune
stratgie de diagnostic du systme.
Une hypothse contraignante, mais largement utilise, consiste
supposer que le systme volue autour dun point de fonc-
tionnement. Il est alors possible denvisager une tape de li-
narisation du modle non linaire an de rduire sa com-
plexit mathmatique et permettre lemploi des outils dana-
lyse de systmes linaires. En pratique, cependant, cette hy-
pothse de linarit nest pas toujours respecte et par cons-
quent le modle linaris nest pas compltement reprsen-
tatif du comportement global du systme. Une amlioration
consiste, lorsque le point de fonctionnement change, rac-
tualiser le modle linaris.
Dans ce qui suit, on prfre rechercher un modle apte
donner une bonne caractrisation globale du comportement
dynamique du procd, tout en permettant au concepteur
une utilisation aise, par exemple au moyen de techniques
danalyse de systmes linaires.
An de rpondre ces attentes, de nouvelles techniques de
modlisation ont vu le jour. Parmi elles, gure lapproche
multi-modle.
Nous proposons, dans cet article, une procdure didentica-
tion hors ligne des systmes non linaires par une approche
multi-modle tats locaux dcoupls. La section 2 rappelle
diffrentes techniques de modlisation de systmes non li-
naires en rapport avec les multi-modles. La section 3 pr-
sente deux structures de multi-modles, la premire tats
coupls, la seconde tats dcoupls. La procdure destima-
tion paramtrique du multi-modle tats dcoupls est d-
veloppe dans la section 4. La section 5 propose un exemple
acadmique didentication qui met en vidence les limites
du multi-modle tats dcoupls. Une modication de la
structure du multi-modle est suggre dans la section 6 an
damliorer les performances du multi-modle identi. En-
n, la section 7 prsente un exemple didentication du four
gaz propos par Box et Jenkins [2].
II. LES MULTI-MODLES
La stratgie diviser pour rgner est lorigine de nom-
breuses techniques de modlisation de systmes non linaires
(S.N.L.). Le point commun ces techniques de modlisation
est la dcomposition du comportement dynamique du sys-
tme non linaire en un nombre L de zones de fonctionne-
ment, chaque zone tant caractrise par un sous-modle f
i
.
En fonction de la zone o le systme non linaire volue, la
sortie y
i
de chaque sous-modle contribue plus ou moins
lapproximation y du comportement global du systme non
linaire, soit :
y(k) =
L

i=1

i
(k) y
i
(k), (1)
o la contribution de chaque sous-modle est dnie par les
fonctions de pondration
i
.
On peut distinguer parmi les diffrentes techniques de mod-
lisation des systmes non linaires bases sur ce mme prin-
cipe (voir [4], [13], [14], pour une discussion plus approfon-
die) :
Des modles linaires par morceaux. Les sous-modles f
i
sont de type linaire et les fonctions de pondration
i
sont de
type boolen. Le rsultat est une approximation discontinue
du systme non linaire, dans les phases de commutation, qui
peut tre indsirable dans certaines applications.
h
a
l
-
0
0
1
1
5
1
9
8
,

v
e
r
s
i
o
n

1

-

2
0

N
o
v

2
0
0
6
Manuscrit auteur, publi dans "Journes Identification et Modlisation Exprimentale JIME'2006, Poitiers : France (2006)"
Journes Identication et Modlisation Exprimentale JIME2006 16 et 17 novembre Poitiers
Des rseaux de fonctions base radiale. Les sous-modles f
i
se rduisent une constante w
i
et les fonctions de pondration
sont en gnral de type gaussien. Linconvnient principal de
cette approche est le nombre important de sous-modles f
i
ncessaires lobtention dune approximation satisfaisante du
systme non linaire.
Des modles ous de Takagi-Sugeno (T.S.) [15]. La modli-
sation est effectue partir de rgles de type : si prmisse
alors consquence, o les prmisses sont obtenues partir de
propositions linguistiques permettant lvaluation des pond-
rations
i
, les consquences sont le plus souvent des fonctions
afnes qui correspondent aux f
i
.
Des multi-modles (M.M.) [9]. Les notions de multi-modle
et de modle T.S. sont trs proches. En effet, si le nombre
de rgles est gal au nombre de sous-modles, ces deux
approches sont identiques. La diffrence provient alors du
moyen employ pour obtenir les fonctions de pondration
i
:
partir de la connaissance dexperts et des propositions
linguistiques pour les modles T.S.,
laide de techniques doptimisation dans le cas des multi-
modles [4], [8], [10].
Les principaux intrts de lapproche multi-modle sont les
suivants [11] :
ils constituent des approximateurs universels, nimporte
quel systme non linaire pouvant tre approxim avec
une prcision impose en augmentant le nombre de sous-
modles. En pratique cependant, un nombre relativement
rduit de sous-modles suft lobtention dune approxi-
mation satisfaisante ;
les outils danalyse des systmes linaires peuvent tre
utiliss, au moins partiellement, sur les multi-modles si
les sous-modles sont de type linaire ;
il est possible de relier le multi-modle la physique du
systme non linaire an de donner un sens au multi-
modle et plus prcisment dassocier un sous-modle
un comportement particulier du systme non linaire.
III. STRUCTURES DES MULTI-MODLES
Plusieurs structures permettent dinterconnecter les diffrents
sous-modles an de gnrer la sortie globale du multi-
modle. Deux structures de multi-modle peuvent tre dis-
tingues, la premire tats coupls, la seconde tats d-
coupls.
A. Multi-modle tats coupls
La structure tats coupls ou modle de Takagi-Sugeno est
la plus rpandue en analyse et en synthse des multi-modles.
Elle se prsente sous la forme suivante (gure 1) :
x
i
(k + 1) = A
i
x(k) +B
i
u(k) +D
i
,
x(k + 1) =
L

i=1

i
((k))x
i
(k + 1), (2)
y(k) =
L

i=1

i
((k))C
i
x(k),
avec
L

i=1

i
((k)) = 1, k (3)
o x R
n
est le vecteur dtat, u R
m
le vecteur de
commande, y R
l
le vecteur de mesures et la variable
dindexation des fonctions de pondration
i
. Ici le rle des
fonctions de pondration
i
est deffectuer un mlange des
paramtres des sous-modles en fonction de la zone de
fonctionnement du systme non linaire. Le multi-modle est
analogue un systme paramtres variables dans le temps :
x(k + 1) =

A(k) x(k) +

B(k)u(k) +

D(k), (4)
y(k) =

C(k) x(k),
o

A(k) =
L

i=1

i
((k))A
i
,

B(k) =
L

i=1

i
((k))B
i
,

D(k) =
L

i=1

i
((k))D
i
et

C(k) =
L

i=1

i
((k))C
i
.
y(k)

2
(k)

2
(k)

x(k)
q
1

1
(k)

u(k)
x(k + 1)

L
(k)
A
2
x(k) + B
2
u(k) + D
2
A
1
x(k) + B
1
u(k) + D
1
A
L
x(k) + B
L
u(k) + D
L

L
(k)

1
(k)

C
1
x(k)
C
2
x(k)
C
L
x(k)
Fig. 1. Architecture dun multi-modle tats coupls
Le multi-modle tats coupls se caractrise par :
un tat global x qui couple tous les tats x
i
des sous-
modles,
un mme ordre de sous-modles,
un mlange des paramtres des sous-modles.
B. Multi-modle tats dcoupls
Filev [3] propose un multi-modle issu de lagrgation des
sous-modles sous la forme dune structure tats dcoupls
(gure 2) :
x
i
(k + 1) = A
i
x
i
(k) +B
i
u(k) +D
i
,
y
i
(k) = C
i
x
i
(k), (5)
y(k) =
L

i=1

i
((k)) y
i
(k),
avec
L

i=1

i
((k)) = 1, k (6)
o x
i
R
n
i
est le vecteur dtat du i
me
sous-modle,
u R
m
le vecteur de commande, y R
l
le vecteur de
h
a
l
-
0
0
1
1
5
1
9
8
,

v
e
r
s
i
o
n

1

-

2
0

N
o
v

2
0
0
6
Journes Identication et Modlisation Exprimentale JIME2006 16 et 17 novembre Poitiers
mesures. Le rle des fonctions
i
est ici de pondrer la sortie
de chaque sous-modle sans mlanger les paramtres des
sous-modles A
i
, B
i
, D
i
et C
i
.
y(k)
x
L
(k)
x
2
(k)
x
1
(k)
u(k)

1
(k)

q
1
C
1
q
1

q
1
A
2
x
2
(k) + B
2
u(k) + D
2
A
1
x
1
(k) + B
1
u(k) + D
1
C
2

2
(k)

L
(k)
C
L
A
L
x
L
(k) + B
L
u(k) + D
L

Fig. 2. Architecture dun multi-modle tats dcoupls

Il convient de constater que dans ce cas :
le multi-modle est donn par la mise en parallle de
modles de type Wiener (un sous-modle linaire en srie
avec une non-linarit),
la sortie globale du multi-modle est donne par la somme
pondre des sorties locales,
chaque sous-modle possde son propre espace dtat et
y volue indpendamment en fonction du signal de com-
mande et de son tat initial.
Cest le dcouplage entre les sous-modles qui motive lint-
rt de cette structure. Il est en effet possible denvisager :
de transposer plus facilement les techniques danalyse de
systmes linaires au multi-modle,
dexploiter plus aisment le multi-modle,
dutiliser des sous-modles structure compltement dif-
frente. Par exemple, de type linaire ou non linaire com-
portant un nombre dtats diffrent ( condition toutefois
que les sorties soient sommables).
IV. ESTIMATION PARAMTRIQUE
Classiquement trois problmes doivent tre rsolus pour la-
borer un multi-modle :
1. la dcomposition du comportement dynamique du sys-
tme non linaire en un nombre L de zones de fonction-
nement et le choix de la variable dindexation des fonc-
tions de pondration,
2. la procdure dagrgation des sous-modles, cest--
dire le choix de la structure du multi-modle,
3. la dtermination des paramtres de chaque sous-modle.
Il existe une abondante littrature sur lidentication des sys-
tmes non linaires par une approche multi-modle tats
coupls. Johansen et Foss [10] utilisent un algorithme pour
effectuer une dcomposition en zones de fonctionnement
du systme non linaire suivant une certaine heuristique. A
chaque itration, des sous-modles sont ajouts en fonction de
la complexit du systme non linaire (approche ascendante).
Gasso [4] propose une technique de dcomposition de les-
pace de fonctionnement du systme non linaire travers une
partition grille. La complexit du multi-modle est rduite,
dune part, en liminant les sous-modles peu explicatifs et,
dautre part, en fusionnant des sous-modles redondants (ap-
proche descendante). Gugaliya et al. [8] suggrent une mo-
dication de lalgorithme CART (Classication And Regres-
sion Tree) qui donne lorigine une approximation par mor-
ceaux du systme non linaire an dobtenir un multi-modle.
En revanche, peu de travaux proposent une procdure diden-
tication base sur une structure de multi-modle tats d-
coupls. Quelques travaux dans le domaine de la synthse des
lois de commande pour des systmes non linaires ont dj
exploit cette structure et ont dmontr son intrt [5], [6], [7].
Le multi-modle est obtenu en effectuant des linarisations
successives du modle non linaire autour de diffrents points
de fonctionnement. Rcemment Venkat et al. [16] ont propos
une mthodologie didentication base sur cette structure en
vue de mettre en place une loi de commande. Lidentica-
tion des sous-modles est effectue individuellement partir
des donnes dentre/sortie du systme non linaire gnres
dans une zone de fonctionnement. Lide est dassurer ainsi la
linarit des sous-modles identier. Il est donc ncessaire
de disposer dautant de jeux de donnes que de sous-modles
identier (chaque jeu de donnes tant propre un sous-
modle donc un mode de fonctionnement).
Nous proposons dans cet article une procdure destimation
paramtrique du multi-modle tats dcoupls. Le problme
1 nonc au dbut de la section (dcomposition en zones
de fonctionnement du systme non linaire) est contourn
en se xant a priori les fonctions de pondration
i
et la
variable dindexation . La complexit du problme traiter
est ainsi rduite. Un choix simple mais tout fait raisonnable
consiste, par exemple, effectuer une distribution homogne
des fonctions de pondration sur la plage de variation de la
variable dindexation .
Le problme li lidentication se pose alors dans les termes
suivants : les fonctions de pondration
i
() tant xes a
priori, il sagit, partir de la connaissance de lentre u(k) et
de la sortie y(k) dun systme non linaire SISO, didentier
les paramtres de L sous-modles.
A. Fonctions de pondration
i
Les fonctions de pondration
i
() sont construites ici partir
dune fonction gaussienne :

i
() = exp
_

( c
i
)
2

2
_
, (7)
qui est fonction du centre c
i
et de la dispersion commune
toutes les fonctions de pondration (dautres choix peuvent
tre faits, mais cette prsentation na pas pour objet de
comparer ces diffrentes possibilits). An de respecter la
contrainte donne par la relation (3) les fonctions
i
() sont
ensuite normalises. Finalement les fonctions de pondration
sont donnes par :

i
() =

i
()
L

j=1

j
()
. (8)
La variable dindexation des fonctions de pondration

i
peut tre, par exemple, dnie par les variables dtat
h
a
l
-
0
0
1
1
5
1
9
8
,

v
e
r
s
i
o
n

1

-

2
0

N
o
v

2
0
0
6
Journes Identication et Modlisation Exprimentale JIME2006 16 et 17 novembre Poitiers
mesurables et/ou les valeurs du signal dentre ou de sortie
du systme.
En fonction de la vitesse de transition dun sous-modle
lautre et du recouvrement (zone o deux fonctions de pond-
ration sont signicativement non nulles en mme temps), on
peut introduire les notions de fonctions de pondration for-
tement mlanges et peu mlanges. La gure 3 illustre ces
notions sur un exemple. Le cas limite, vitesse de transition
innie et recouvrement nul, correspond au cas des modles
linaires par morceaux o les fonctions de pondration sont
boolennes.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7

i
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.2
0.4
0.6
0.8
1
u(k)

i
Fig. 3. Fonctions de pondration fortement mlanges
= 0.35 (haut), fonctions de pondration peu mlan-
ges = 0.08 (bas)
B. Critres destimation
Le multi-modle doit rpondre un certain nombre de
contraintes en fonction de son contexte dexploitation. A cet
effet, trois critres : global, local ou combin, sont utiliss
pour effectuer loptimisation paramtrique.
B.1 Le critre global
Le critre global est dni par :
J
G
=
1
2
N

k=1
( y(k) y(k))
2
, (9)
o y(k) est la sortie du multi-modle, y(k) la sortie du sys-
tme non linaire et N le nombre de mesures. Ce critre
favorise une bonne caractrisation du comportement global
du systme non linaire par le multi-modle. Ladquation
entre le comportement local des diffrents sous-modles et
le comportement local du systme non linaire nest pas
prise en considration. Il est intressant, par exemple, dans
un contexte didentication type bote noire o lon sou-
haite avoir une trs bonne adquation entre les donnes den-
tre/sortie du systme sans chercher une interprtation quel-
conque du modle obtenu. On obtient un multi-modle com-
portemental ou/et de prdiction. La forme (9) peut tre assor-
tie de pondrations an de privilgier ventuellement le poids
de certaines donnes.
B.2 Le critre local
Le critre local donn par :
J
L
=
1
2
L

i=1
N

k=1

i
((k))( y
i
(k) y(k))
2
, (10)
favorise une bonne adquation entre le comportement local
des sous-modles et le comportement local du systme non
linaire condition toutefois que les
i
soient peu mlan-
ges. Il est trs bien adapt lobtention dun multi-modle
phnomnologique et/ou explicatif. Il est possible en effet
de donner une interprtation des sous-modles obtenus, par
exemple, comme tant des linariss tangents au systme non
linaire. Cependant, par rapport au critre global, un nombre
de sous-modles suprieur est en gnral ncessaire lob-
tention dune bonne caractrisation du comportement global
du systme [4].
B.3 Le critre mixte
Finalement, le critre combin ou mixte dni par [18] :
J
C
= J
G
+ (1 )J
L
0 1, (11)
reprsente un compromis entre les deux critres prcdents. Il
est ainsi possible de proter des avantages offerts par chacun
des critres en fonction de la valeur donne au paramtre .
C. Procdure destimation paramtrique
Dans cette section sont prsents les points remarquables
de la procdure didentication mise en place pour effec-
tuer lestimation paramtrique du multi-modle tats locaux
dcoupls. Pour davantage de renseignements sur les tech-
niques classiques didentication, le lecteur peut consulter par
exemple [17].
On dnit le vecteur comme tant le vecteur colonne
des paramtres du multi-modle estimer. Le vecteur est
reprsent sous la forme dun vecteur partitionn en L blocs
colonne
p
, soit :
= [
1
. . .
p
. . .
L
]
T
, (12)
o chaque bloc colonne
p
est relatif aux q
p
paramtres
inconnus dun sous-modle particulier p, soit :

p
= [
p,1
. . .
p,q
. . .
p,q
p
]
T
, (13)
o
p,q
est un paramtre (scalaire) estimer appartenant au
sous-modle p.
Lestimation paramtrique des
p,q
des sous-modles, utilise
ici, est base sur une procdure itrative de minimisation dun
critre J (global, local ou combin) laide de lalgorithme
de Gauss-Newton :

+
= H
1
G, (14)
o reprsente la valeur du vecteur de paramtres une itra-
tion particulire,
+
cette mme valeur litration suivante,
h
a
l
-
0
0
1
1
5
1
9
8
,

v
e
r
s
i
o
n

1

-

2
0

N
o
v

2
0
0
6
Journes Identication et Modlisation Exprimentale JIME2006 16 et 17 novembre Poitiers
H =

2
J

T
la matrice hessienne et G =
J

le vecteur gra-
dient. Le calcul du vecteur gradient G et de la matrice hes-
sienne H est effectu partir du calcul des fonctions de sensi-
bilit de la sortie du multi-modle par rapport aux paramtres
de chaque sous-modle.
Quelques amliorations peuvent tre apportes la procdure
initiale didentication an dassurer la convergence de lal-
gorithme :
1. Un coefcient de relaxation est introduit au niveau de
lquation (14) :

+
= H
1
G. (15)
est le pas qui minimise le critre dans la direction
du vecteur H
1
G. Idalement et pour un critre de
type quadratique, = 1. En pratique, on peut tre
amen modier sa valeur an damliorer la vitesse
de convergence de lalgorithme. En effet, si H est dni
positif alors il existe toujours un 1 qui minimise le
critre dans la direction du vecteur H
1
G.
2. Lalgorithme de Marquardt [12] est utilis an de sur-
monter les problmes lis linversion de la matrice H
(provenant dun mauvais conditionnement par exemple)
lors de la mise jour des paramtres. Lquation (15) est
remplace par :

+
= (H +I)
1
G, (16)
o I est la matrice identit de dimension approprie et
un scalaire (paramtre de rgularisation). A chaque
itration la valeur de est rgle, le plus souvent, au
moyen dune heuristique (voir [1], [17] pour plus de
dtails). Si la valeur de est proche de zro alors
lalgorithme est proche de celui de Gauss-Newton. Si la
valeur de >> 0 tend vers linni alors lalgorithme est
proche de celui du gradient.
3. Un ltrage passe-bas des nouveaux paramtres
+
est
introduit :

+
= p
+
+ (1 p) avec 0 p 1,
an de limiter dventuelles oscillations des paramtres.
Les trois degrs de libert, donns par les paramtres ,
et p, permettent damliorer la convergence de la procdure
didentication.
Une des principales difcults de cette approche porte sur
la sensibilit de lalgorithme par rapport au choix des para-
mtres initiaux. En effet, rien nassure que le problme soit de
type convexe et que lalgorithme converge vers un minimum
global. Le succs de loptimisation dpend dun choix judi-
cieux des paramtres initiaux ; dans les cas difciles, il peut
tre ncessaire de raliser la procdure destimation partir
de diffrents choix de paramtres initiaux.
D. Estimation paramtrique avec un critre global
Le critre global est dni par :
J
G
=
1
2
N

k=1
(k)
2
,
o (k) est lerreur entre la sortie complte du M.M. et la
sortie du S.N.L., donne par :
(k) = y(k) y(k). (17)
D.1 Le vecteur gradient G
G
Le vecteur gradient G
G
sobtient en drivant le critre global
par rapport aux paramtres , soit :
G
G
=
J
G

=
N

k=1
(k)
y(k)

, (18)
avec avec
y(k)

=
L

i=1

i
((k))
y
i
(k)

. (19)
Les
y
i
(k)

sont les fonctions de sensibilit de la i

me
sortie par
rapport aux paramtres inconnus du multi-modle. Elles sont
dnies par :
y
i
(k)

p,q
=
C
i

p,q
x
i
(k) +C
i
x
i
(k)

p,q
.
p = 1, 2, ..., L
q = 1, 2, ..., q
p
(20)
Ltat tant inconnu linstant prsent, les fonctions de
sensibilit sont calcules linstant suivant en drivant la
relation (5) par rapport chaque paramtre
p,q
, cest--dire :
x
i
(k + 1)

p,q
=
A
i

p,q
x
i
(k)+A
i
x
i
(k)

p,q
+
B
i

p,q
u(k)+
D
i

p,q
.
(21)
D.2 La matrice hessienne H
G
Le matrice hessienne H
G
sobtient en drivant deux fois le
critre global par rapport aux paramtres , soit :
H
G
=

2
J
G

T
=
N

k=1
(k)
..
0

2
y(k)

T
+
N

k=1
y(k)

y(k)

T
.
(22)
Lutilisation de la mthode de Gauss-Newton vite le calcul
explicite de la matrice H
G
rduisant ainsi le temps de calcul.
En effet, les drives du deuxime ordre dans lexpression
(22) sont ngliges sous lhypothse que lerreur (k) tende
vers zro. Le calcul la matrice H
G
se fait alors laide des
fonctions de sensibilit du premier ordre ncessaires au calcul
du gradient.
La matrice H
G
approche est donne par :
H
G

N

k=1
y(k)

y(k)

T
. (23)
E. Estimation paramtrique avec un critre local
Le critre local est de la forme :
J
L
=
1
2
L

i=1
N

k=1

i
((k))
i
(k)
2
,
o
i
(k) est lerreur entre la sortie du i
me
sous-modle et la
sortie du S.N.L., donne par :

i
(k) = y
i
(k) y(k). (24)
h
a
l
-
0
0
1
1
5
1
9
8
,

v
e
r
s
i
o
n

1

-

2
0

N
o
v

2
0
0
6
Journes Identication et Modlisation Exprimentale JIME2006 16 et 17 novembre Poitiers
E.1 Le vecteur gradient G
L
Le vecteur gradient G
L
est dni par :
G
L
=
J
L

=
L

i=1
N

k=1

i
((k))
i
(k)
y
i
(k)

. (25)
Il convient de remarquer que les fonctions de sensibilit
y
i
(k)

sont les mmes que dans le cas dun critre global

(relation (20)).
E.2 La matrice hessienne H
L
La matrice hessienne H
L
sobtient en drivant deux fois le
critre local par rapport aux paramtres , soit :
H
L

L

i=1
N

k=1

i
((k))
y
i
(k)

y
i
(k)

T
, (26)
sous lhypothse que localement lerreur
i
(k) tende vers zro
(mthode de Gauss-Newton).
F. Comparaison entre lapproche globale et locale
Le critre de comparaison est la ressemblance entre les
vecteurs gradients et les matrices hessiennes obtenus dans
chaque approche.
F.1 Comparaison des vecteurs G
G
et G
L
La diffrence entre le gradient global (18) et le gradient local
(25) est le type derreur utilise : dans le premier cas, il sagit
de lerreur globale (k) (erreur entre la sortie complte du
M.M. et la sortie du S.N.L.), dans le deuxime cas de lerreur
locale
i
(k) (erreur entre la i
me
sortie locale du M.M. et la
sortie du S.N.L.).
Si les fonctions de pondration sont peu mlanges (hypo-
thse lgitime si lon souhaite conserver un sens local
chaque sous-modle dans J
L
), alors :
i
(k) (k). Il est
possible de conclure que :
G
L
G
G
. (27)
F.2 Comparaison des matrices H
G
et H
L
En utilisant (19), lexpression de la matrice Hessienne H
G
(23) devient :
H
G

N

k=1
L

i=1
L

j=1

i
((k))
j
((k))
y
i
(k)

y
j
(k)

T
. (28)
Si les fonctions de pondration
i
sont peu mlanges alors :

i
((k))
j
((k))
_
1 si i = j
0 si i = j
.
On peut alors conclure que :
H
L
H
G
. (29)
En conclusion, si lon choisit des fonctions de pondration
i
peu mlanges, la distinction entre critre global et critre lo-
cal disparat ; les deux approches didentication fournissent
alors des rsultats similaires.
En revanche, si les fonctions de pondration sont fortement
mlanges, on pourra choisir le critre mixte (11) an de
pondrer limportance donne linterprtation des sous-
modles en regard de la qualit du modle global.
Remarque
Les expressions (19), (20) et (21) relatives au calcul des fonc-
tions de sensibilit sont des formes gnriques qui peuvent
tre simplies lors de la mise en uvre de lalgorithme. En
effet,
y
i
(k)

p
= 0 pour p = i
i = 1, 2, ..., L
p = 1, 2, ..., L
,
du fait que les paramtres de chaque sous-modle sont
compltement indpendants des paramtres des autres sous-
modles.
V. EXEMPLE DIDENTIFICATION
Soit approcher, par une structure multi-modle, le modle
non linaire :
x(k + 1) = Ax(k) + sin(u(k))( u(k)),
y(k) = x(k), (30)
avec A = 0.95, = 0.8 et = 1.5.
Nous avons choisi ici dutiliser un critre global pour effec-
tuer lidentication du multi-modle. On souhaite obtenir un
multi-modle de prdiction et non pas dexplication de com-
portements locaux. Lestimation paramtrique est effectue
partir de la relation (16) en considrant le vecteur gradient
G
G
et la matrice hessienne H
G
dnis par les relations (18)
et (23).
Le multi-modle est constitu arbitrairement par L = 6 sous-
modles (cette valeur pouvant tre optimise). Les paramtres
A
i
, B
i
, D
i
et C
i
des sous-modles sont de type scalaire. Les
fonctions de pondration
i
dpendent du signal dentre
u(k), les centres sont donns par : c
i
= [0, 0.2, 0.4, 0.6, 0.8, 1]
et la dispersion = 0.2.
A. Multi-modle obtenu par linarisation
Un premier multi-modle peut tre obtenu en effectuant
des linarisations successives du modle non linaire (30)
autour des points de fonctionnement c
i
. Le comportement
dynamique du multi-modle est illustr sur la gure 4.
Lerreur en rgime statique du multi-modle provient en
particulier du fait que les fonctions de pondration sont
fortement mlanges. Le caractre local de chaque sous-
modle nest pas conserv. On peut constater un phnomne
dit de dcrochage qui se traduit par lapparition de "pics" dans
les zones de commutation. Cependant les paramtres obtenus
par linarisation peuvent servir de valeurs initiales une autre
procdure didentication.
B. Multi-modle obtenu par identication
Lentre u(k) du modle est constitue par la concatnation
de crneaux damplitudes variables (u [0, 1]). Un jeu de
donnes entre/sortie de 5000 points a servi lidentication.
Un jeu de donnes entre/sortie de mme taille a servi
h
a
l
-
0
0
1
1
5
1
9
8
,

v
e
r
s
i
o
n

1

-

2
0

N
o
v

2
0
0
6
Journes Identication et Modlisation Exprimentale JIME2006 16 et 17 novembre Poitiers
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
0
5
10
15
20
25
30
35
40
45
50
k
Sortie S.N.L.
Sortie M.M.
Fig. 4. Sortie du modle non linaire et du multi-modle
tats dcoupls obtenu par linarisation
la validation. Les paramtres initiaux du multi-modle sont
les paramtres du multi-modle obtenu par linarisation.
Le comportement dynamique du multi-modle identi est
illustr sur la gure 5.
Le comportement dynamique du modle non linaire (30) est
assez mal approch par le multi-modle identi. Lappari-
tion de "pics", dans certaines zones de commutation du si-
gnal de commande, dtriore considrablement la qualit de
lapproximation obtenue. Ces "pics" sont une consquence du
phnomne dit de dcrochage. Ce phnomne de dcrochage
agit comme un lment perturbateur dans la procdure diden-
tication. On prsente dans la section suivante quelques l-
ments expliquant ce phnomne et une solution pour y rem-
dier.
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
0
5
10
15
20
25
k
Sortie S.N.L.
Sortie M.M.
IDENTIFICATION
VALIDATION
Fig. 5. Sortie du modle non linaire et du multi-modle
tats dcoupls obtenu par identication
VI. MODIFICATION DU MULTI-MODLE
Dans le cas du multi-modle tats dcoupls rien nassure
que la sortie de chaque sous-modle soit proche des autres
quand elle est mise contribution (ce problme ne se pose
pas pour le multi-modle tats coupls). Cest cet cart entre
les sorties qui est lorigine du phnomne de dcrochage, se
traduisant quelquefois par des variations brutales de la sortie.
En effet, un changement de la valeur de la variable dindexa-
tion (ici le signal de commande) peut entraner un chan-
gement de la pondration de la sortie de chaque sous-modle.
Un dcrochage apparat si les sorties mises contribution sont
loignes les unes des autres. Si les sorties des sous-modles
sont proches, au moment o elles sont mises contribution,
le dcrochage diminue et disparat compltement si elles sont
identiques.
Le problme de dcrochage peut tre pos comme tant un
problme de conditions initiales sur les sorties des sous-
modles quand elles sont mises contribution.
En prsence de ce phnomne, la procdure didentication
doit calculer les paramtres du multi-modle qui approchent
au mieux le comportement du S.N.L. tout en minimisant
lcart entre les sorties des sous-modles. Le dcrochage agit
comme un lment perturbateur dans la procdure didenti-
cation dans la mesure o quelques-uns des sous-modles
estims peuvent prsenter une faible variation de leur sortie
vis--vis du signal de commande (comportement trs gnant
pour un modle explicatif). Il est en effet ncessaire de li-
miter la variation de la sortie des sous-modles pour obtenir
une diminution du phnomne de dcrochage. En revanche,
le multi-modle obtenu offre une mauvaise approximation du
systme non linaire dans les zones de dcrochage.
Une premire solution pour liminer le phnomne de dcro-
chage consiste simultanment :
mlanger fortement les fonctions de pondration,
augmenter le nombre des sous-modles.
Nous proposons une deuxime solution qui consiste intro-
duire dans la structure du multi-modle trois ltres passe-bas
agissant respectivement sur le signal de commande, le signal
dindexation de
i
et la sortie du multi-modle (gure 6).
Lobjectif est de prendre progressivement en compte la contri-
bution de chaque sous-modle et dadoucir la commutation
entre les sorties des sous-modles. Ces trois ltres font alors
partie du modle du systme.
F
3
(q
1
)
F
2
(q
1
) F
1
(q
1
)
i
(k)
u(k)
u(k)
y(k)
y(k)

1
(k)
x
L
(k)
x
2
(k)
x
1
(k)

q
1
C
1
q
1

q
1
A
2
x
2
(k) + B
2
u(k) + D
2
A
1
x
1
(k) + B
1
u(k) + D
1
C
2

2
(k)

L
(k)
C
L
A
L
x
L
(k) + B
L
u(k) + D
L

u(k)
Fig. 6. Architecture modie du multi-modle
h
a
l
-
0
0
1
1
5
1
9
8
,

v
e
r
s
i
o
n

1

-

2
0

N
o
v

2
0
0
6
Journes Identication et Modlisation Exprimentale JIME2006 16 et 17 novembre Poitiers
Le nouveau critre minimiser scrit :
J
G
=
1
2
N

k=1
( y(k) y(k))
2
, (31)
le modle du systme tant dni par :
x
i
(k + 1) = A
i
x
i
(k) +B
i
u(k) +D
i
,
y
i
(k) = C
i
x
i
(k), (32)
y(k) =
L

i=1

i
((k)) y
i
(k), avec (k) = u(k),
u(k) = F
1
(q
1
)u(k), (33)
u(k) = F
2
(q
1
)u(k), (34)
y(k) = F
3
(q
1
) y(k), (35)
o y est la nouvelle sortie du multi-modle.
On opte ici pour des ltres F
1
, F
2
et F
3
du premier ordre :
u(k + 1) =
1
u(k) + (1
1
)u(k + 1), (36)
u(k + 1) =
2
u(k) + (1
2
)u(k + 1), (37)
y(k + 1) =
3
y(k) + (1
3
) y(k + 1). (38)
Le calcul des nouvelles fonctions de sensibilit seffectue
comme dans la section IV-D en prenant en considration
les nouveaux paramtres
1
,
2
et
3
des ltres passe-bas.
Les paramtres des ltres font alors partie de lensemble des
paramtres inconnus du multi-modle qui sont estims par la
procdure doptimisation paramtrique.
La gure 7 illustre le comportement dynamique du multi-
modle identi en introduisant les trois ltres passe-bas. Les
paramtres des ltres obtenus par la procdure doptimisation
sont donns par :

1
= 0.0018,
2
= 0.1364 et
3
= 0.9516.
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
0
2
4
6
8
10
12
14
16
18
20
k
Sortie S.N.L.
Sortie M.M.
IDENTIFICATION VALIDATION
Fig. 7. Sortie du modle non linaire et du multi-modle
tats dcoupls obtenu par identication
Il est possible de constater la bonne adquation entre les
donnes du modle non linaire et celles du multi-modle.
Le phnomne de dcrochage est rejet. Pour cet exemple
particulier les valeurs que prend le critre J
G
, en fonction
de lapproche utilise pour obtenir le multi-modle, sont
prsentes dans le tableau I.
Mthode J
G
Linarisation 7.99 10
4
Estimation sans ltrage 1.46 10
4
Estimation avec ltrage 21.72
TABLE I
VOLUTION DU CRITRE EN FONCTION DE LAPPROCHE
UTILISE
VII. EXEMPLE DIDENTIFICATION
En guise dexemple didentication, nous utiliserons les don-
nes du four gaz de type SISO proposes par Box et Jenkins
[2]. Dans ce four gaz, de lair et du mthane ont t combi-
ns de faon obtenir un mlange de gaz contenant du CO
2
.
Lentre du four correspond au dbit du mthane et la sortie
la concentration en pourcentage de CO
2
(gure 8). Le jeu des
donnes dentre/sortie du four est constitu de 296 points.
0 50 100 150 200 250 300
3
2
1
0
1
2
3
0 50 100 150 200 250 300
45
50
55
60
65
k
entre
sortie
Fig. 8. Donnes dentre et de sortie du four
La procdure destimation a t effectue avec un critre glo-
bal en considrant un nombre diffrent de sous-modles. Les
paramtres A
i
, B
i
, D
i
et C
i
des sous-modles sont de type
scalaire. Lvolution du critre en fonction du nombre des
sous-modles ainsi que les diffrents paramtres des fonctions
de pondration sont prsents dans le tableau II. La gure 9
montre les fonctions de pondration pour L = 3.
L J
G
c
i
1 952.28 - - - -
2 126.77 3 [2.2, 2.2]
3 108.25 1.5 [2.2, 0, 2.2]
4 107.35 1 [2.2, 0.73, 0.73, 2.2]
TABLE II
VOLUTION DU CRITRE EN FONCTION DU NOMBRE DE
SOUS-MODLES
h
a
l
-
0
0
1
1
5
1
9
8
,

v
e
r
s
i
o
n

1

-

2
0

N
o
v

2
0
0
6
Journes Identication et Modlisation Exprimentale JIME2006 16 et 17 novembre Poitiers
3 2 1 0 1 2 3
0
10
20
30
40
50
60
3 2 1 0 1 2 3
0
0.2
0.4
0.6
0.8
1
u(k)

i
Fig. 9. Histogramme des donnes dentre du four (haut).
Fonctions de pondration
i
pour L=3 (bas)
La gure 10 illustre le comportement dynamique du systme
et du multi-modle comportant L = 3 sous-modles. Ce
multi-modle parvient reprsenter globalement le compor-
tement dynamique du systme.
0 50 100 150 200 250 300
44
46
48
50
52
54
56
58
60
62
k
Sortie S.N.L.
Sortie M.M.
Fig. 10. Sortie du four et sortie du multi-modle avec L = 3
Il y a cependant des rgions o ladquation entre le multi-
modle et le systme nest pas satisfaisante.
En effet deux facteurs rendent lidentication difcile :
un nombre relativement rduit de donnes,
un signal dentre peu riche qui nexcite pas uniformment
tous les modes du systme (voir histogramme gure 9).
Il est possible damliorer lapproximation obtenue avec le
multi-modle en augmentant, par exemple, la dimension des
sous-modles.
VIII. CONCLUSION
Plusieurs structures permettent dagrger des sous-modles
an de construire un multi-modle. Notre attention sest ici
porte sur le multi-modle tats dcoupls par opposition
au multi-modle tats coupls (ou de Takagi-Sugeno) classi-
quement utilis. Une procdure didentication des systmes
non linaires par une approche multi-modle tats locaux
dcoupls a t propose dans cet article. Lintrt du multi-
modle tats locaux dcoupls (par rapport au multi-modle
tats coupls) est davoir des sous-modles compltement
indpendants. Ce type de structure est a priori plus simple
manipuler (dans un contexte danalyse du multi-modle,
de synthse dune loi de commande ou de diagnostic) avec
des techniques danalyse de systmes linaires. Un phno-
mne de dcrochage qui diminue la qualit de lapproxima-
tion du multi-modle a t mis en vidence. Une solution a
t suggre an dliminer ce phnomne de dcrochage.
Elle consiste introduire trois ltres passe-bas dans la proc-
dure didentication. Les rsultats de lidentication ont t
illustrs travers un exemple didentication dun four gaz.
Parmi les points pouvant constituer lobjet de travaux ult-
rieurs, on peut mentionner la recherche de la dimension du
multi-modle tats dcoupls, cest--dire la dtermination
du nombre de sous-modles et la dimension de ces sous-
modles. Il est possible galement denvisager une procdure
doptimisation des fonctions de pondration
i
.
RFRENCES
[1] Y. Bard. Nonlinear parameters estimation. Academic Press, 1974.
[2] G.E.P. Box and G.M. Jenkins. Time Series Analysis : Forecasting and
Control. San Francisco : Holden-Day, 1976.
[3] D. Filev. Fuzzy modeling of complex systems. International Journal
of Approximate Reasoning, 5(3), pages 281290, 1991.
[4] K. Gasso. Identication des systmes dynamiques non-linaires : ap-
proche multi-modle. Thse de doctorat, Institut National Polytech-
nique de Lorraine, 2000.
[5] E. P. Gatzke and F. J. Doyle III. Multiple model approach for CSTR
control. In IFAC World Congress, pages 343348, Beijing, P. R. China,
1999.
[6] P. J. Gawthrop. Continuous-time local state local model networks.
In IEEE Conference on Systems, Man & Cybernetics, pages 852857,
Vancouver, Canada, 1995.
[7] G. Gregorcic and G. Lightbody. Control of highly nonlinear processes
using self-tuning control and multiple/local model approaches. In 2000
IEEE International Conference on Intelligent Engineering Systems,
INES 2000, pages 167171, Sep 2000.
[8] J. K. Gugaliya, R. D. Gudi, and S. Lakshminarayanan. Multi-model
decomposition of nonlinear dynamics using a fuzzy-CART approach.
Journal of Process Control, 15(4), pages 417434, 2005.
[9] T. A. Johansen and A. B. Foss. Constructing narmax using armax. Int.
Journal of Control, 58(5), pages 11251153, 1993.
[10] T. A. Johansen and B. A. Foss. Identication of non-linear system
structure and parameters using regime decomposition. Automatica,
31(2), pages 321326, 1995.
[11] T. A. Johansen, R. Shorten, and R. Murray-Smith. On the interpretation
and identication of dynamic Takagi-Sugeno fuzzy models. IEEE
Trans. on Fuzzy Systems, 8(3), pages 297313, 2000.
[12] D.W. Marquardt. An algorithm for least-squares estimation of non-
linear parameters. J. Soc. Indust. Appl. Math, 11(2), pages 431441,
1963.
[13] R. Murray-Smith and T. A. Johansen. Multiple model approaches to
modelling and control. Taylor & Francis, 1997.
[14] J. Sjoberg, Q. Zhang, L. Ljung, A. Benveniste, B. Delyon, P. Glorennec,
H. Hjalmarsson, and A. Juditsky. Nonlinear black-box modeling in
system identication : a unied overview. Automatica, 31(12), pages
16911724, 1995.
[15] T. Takagi and M. Sugeno. Fuzzy identication of systems and its
applications to modelling and control. IEEE Trans. on Systems Man
and Cybernetics, 15, pages 116132, 1985.
[16] A. N. Venkat, P. Vijaysai, and R. D. Gudi. Identication of complex
nonlinear processes based on fuzzy decomposition of the steady state
space. Journal of Process Control, 13(6), pages 473488, 2003.
[17] E. Walter and L. Pronzato. Identication de modles paramtriques
partir de donnes exprimentales, chapitre 4, pages 123196. MAS-
SON, 1994.
[18] J. Yen, L. Wang, and Gillespie C. W. Improving the interpretability of
Takagi-Sugeno fuzzy models by combining global learning and local
learning. IEEE Trans. on Fuzzy Systems, 6(4), pages 530537, 1998.
h
a
l
-
0
0
1
1
5
1
9
8
,

v
e
r
s
i
o
n

1

-

2
0

N
o
v

2
0
0
6