Slides Orjuela Jdmacs 2007 Se

Estimation d’état des systèmes non linéaires par
une approche multimodèle découplé
Rodolfo Orjuela, Benoît Marx, José Ragot et Didier Maquin
Centre de Recherche en Automatique de Nancy

UMR7039, Nancy-Université, CNRS
2, Avenue de la forêt de Haye
54516 Vandœuvre-Lès-Nancy Cedex, France
2èmes Journées Doctorales / Journées Nationales MACS

JD-JN-MACS 2007, 9 – 11 Juillet, 2007, Reims , France
Orjuela, Marx, Ragot, Maquin (CRAN) Estimation d’état des systèmes non linéaires JDMACS 2007 1 / 21
Introduction
Principe du multimodèle
ξ1 (t ) ξ1 (t )
zone de
fonctionnement 1
zone de
fonctionnement 2
Espace de
zone de
fonctionnement fonctionnement 3
zone de
fonctionnement 4
ξ2 (t ) ξ2 (t )
SYSTEME NON LINEAIRE REPRESENTATION MULTIMODELE
Décomposition en zones de fonctionnement

Un sous-modèle simple modélise chaque zone
Agrégation judicieuse des sous-modèles
Intérêts des multimodèles

Propriété d’approximateur universel
Extension des résultats du cas linéaire au cas non linéaire
Plan
1 Structures des multimodèles

Multimodèle de Takagi-Sugeno
Multimodèle découplé
2 Résultats principaux
Stabilité du multimodèle découplé
Estimation d’état
3 Exemple
4 Conclusion
Structures des multimodèles
Structures des multimodèle
Structure classique
Multimodèle de Takagi-Sugeno : Multimodèle à état unique

L L
 ẋ(t) = { ∑ µi (ξ (t))Ai }x(t) + { ∑ µi (ξ (t))Bi }u(t),


i=1 i=1
L
y (t) = { ∑ µi (ξ (t))}Ci x(t),



i=1

L
∑ µi (ξ (t)) = 1, ∀t

µi (ξ (t)) i=1 ξ (t) : variable de décision
0 ≤ µi (ξ (t)) ≤ 1

Les sous-modèles partagent un même vecteur d’état

Analogue à un modèle à paramètres variables dans le temps
L’ordre des sous-modèles est le même
Structures des multimodèle
Nouvelle structure
Multimodèle découplé


 ẋi (t) = Ai xi (t) + Bi u(t),

yi (t) = Ci xi (t),
L
 y (t) = ∑ µi (ξ (t))yi (t),


 i=1
 L
∑ µ (ξ (t)) = 1, ∀t
µi (ξ (t)) i=1 i ξ (t) : variable de décision
0 ≤ µi (ξ (t)) ≤ 1

L’espace d’état de chaque sous-modèle est indépendant

La sortie du multimodèle est la somme pondérée des sorties des
sous-modèles
L’ordre des sous-modèles peut être différent
Résultats principaux
Réécriture des équations du multimodèle
ẋi (t) = Ai xi (t) + Bi u(t), ẋ(t) = Ãx(t) + B̃u(t),
yi (t) = Ci xi (t), ⇔ y (t) = C̃(t)x(t),
L
y (t) = ∑ µi (ξ (t))yi (t),
i=1
L
xi ∈ Rni ⇔ x ∈ Rn , n = ∑ ni
i=1
avec :     
µ1 (t)C1T
T
A1 0 0 0 0 B1
..  ...   .. 

 0 0 0. 0

 B   . 
Ã =   µi (t)Ci
 , B̃ =  i  , C̃(t) = 
0 0 Ai 0 0 T 
. 
 .. 
..  .
.. 
0 0 0 . 0
0 0 0 0 AL BL µL (t)CLT
T
et x(t) = x1T (t) · · · xiT (t) · · · xLT (t) ∈ Rn .
Critère de stabilité
Le multimodèle découplé est stable si et seulement si tous les
sous-modèles sont stables
Analyse de la stabilité
Étude des valeurs propres de la matrice Ã :
 
A1 0 0 0 0
..

 0 . 0 0 0


Ã =  0 0 Ai 0 0 ,
 .. 
0 0 0 . 0
0 0 0 0 AL
Ã est une matrice bloc diagonale

λ (Ã) ∈ C− si et seulement si λ (Ai ) ∈ C− ∀ i = 1...L
Estimation d’état
Structure de l’observateur
Extension de l’observateur de Luenberger classiquement utilisé :
x̂i (t) = Ai x̂i (t) + Bi u(t) + Ki (y (t) − ŷ (t)),

ŷi (t) = Ci x̂i (t),
L
ŷ (t) = ∑ µi (t)ŷi (t).
i=1
Réécriture des équations précédentes :
x̂(t) = Ãx̂(t) + B̃u(t) + K̃ (y (t) − ŷ (t)),

ŷ (t) = C̃(t)x̂(t),
T
K̃ = K1T · · · KiT · · · KLT ,

C̃(t) = µ1 (t)C1 · · · µi (t)Ci · · · µL (t)CL ,
T T
T
x̂(t) = x̂Estimation
Orjuela, Marx, Ragot, Maquin (CRAN) 1 (t) d’état
· · · desx̂systèmes · x̂LT (t)
i (t) non· ·linéaires JDMACS 2007 10 / 21
Erreur d’estimation
L’erreur d’estimation donnée par :
e(t) = x(t) − x̂(t),

et sa dérivée par : ė(t) = Ã − K̃ C̃(t) e(t),
ė(t) = Aobs (t)e(t),
Objectif : Assurer que λ (Aobs (t)) ∈ C− .
Fonction de Lyapunov quadratique :
V (e(t)) = eT (t)Pe(t), P = P T et P > 0.
La convergence exponentielle de l’erreur d’estimation est assurée si :

1 V (e(t)) > 0, ∀t
2 V̇ (e(t)) + 2α V (e(t)) < 0, ∀t
Synthèse de l’observateur
Théorème (Convergence exponentielle)

S’il existe une matrice symétrique et définie positive P, une matrice G
et un scalaire positif α vérifiant les LMIs suivantes :
(Ã + α I)T P + P(Ã + α I) − (GC̃i )T − GC̃i < 0, i = 1...L
alors l’observateur est exponentiellement convergent. Le gain de

l’observateur est donné par K = P −1 G.
α est le taux de décroissance qui sert à quantifier la vitesse de

convergence de l’erreur d’estimation.
Remarques sur la convergence exponentielle
1 La convergence exponentielle de l’erreur d’estimation est une

notion plus forte que la convergence asymptotique (convergence
asymptotique α = 0)
2 La partie réelle des pôles de l’observateur est inférieure à −α
Im Im
Re r Re
−α
−α
3 Placement des pôles de l’observateur dans une nouvelle région...
Placement des valeurs propres
Théorème
Les pôles de l’observateur sont placés dans la région S(α , r ) du plan
complexe s’il existe une matrice symétrique et définie positive P, une
matrice G et deux scalaires positifs α et r vérifiant les LMIs suivantes :
" #
−rP P Ã − GC̃i
< 0,
ÃT P − (GC̃i )T −rP
(Ã + α I)T P + P(Ã + α I) − (GC̃i )T − GC̃i < 0,
pour i = 1...L. Le gain de l’observateur est donné par K̃ = P −1 G.
Exemple
Exemple
Il s’agit d’estimer l’état d’un système décrit par un multimodèle

découplé constitué de L = 2 sous-modèles. Les valeurs numériques
des matrices Ai , Bi et Ci sont :
 
−2 0.5 1
−0.5 0.7
A1 = 1 −0.7
 0  , A2 = ,
−0.1 −0.4
−2 1 −0.5
T T
B1 = 1 0.2 0.5 , B2 = 0.5 1 ,

1 0.8 0 0.2 1
C1 = , C2 = .
0.7 −0.2 0.3 −1 0.4
Exemple
Les valeurs propres de la matrice Ã sont toutes dans le demi-plan
gauche du plan complexe, le multimodèle est donc stable.
Une solution, satisfaisant le théorème 2, est donnée par :
T
−0.268 0.227 −0.084 −0.008 0.064
K̃ = ,
−0.031 0.183 −0.299 −0.300 −0.148
| {z } | {z }
K1T K2T
pour un taux de décroissance α = 0.18 et un rayon r = 1.89. 0.5

1
e1(t) e4(t)
0.5
0
0
0 5 10 15
1
−0.5
e2(t) 0 2 4 6 8 10 12 14 16 18 20
0.5
0
0 5 10 15
−0.2
e (t)
0
5 −0.4
e3(t)
−0.5 −0.6
−1
−0.8
0 5 10 15 0 2 4 6 8 10 12 14 16 18 20
temps (s) temps (s)
Application au diagnostic
Un banc d’observateurs est utilisé afin de générer des signaux
indicateurs de défaut (résidus) ri,j
δ1 δ2
y1(t )
U (t ) SYSTEME
NON LINEAIRE
y2(t )
r1,1(t )
OBSERVATEUR 1
r2,1(t )
r1,2(t )
OBSERVATEUR 2
r2,2(t )
r1,3(t )
OBSERVATEUR 3
r2,3(t )
r1,1 r2,1 r1,2 r2,2 r1,3 r2,3

δ1 ? ? 1 0 ? ?
δ2 0 1 ? ? ? ?
Application au diagnostic
1 r11
0
−1
0 5 10 15 20 25
Configuration r1,2 et r2,2 alors 1 r21
δ1 entre 5 ≤ t ≤ 7.5 0
−1
Configuration r1,1 et r2,1 alors 0 5 10 15 20 25
δ2 entre 12.5 ≤ t ≤ 15
1 r12
0
−1
0 5 10 15 20 25
1 r
22
0
−1
0 5 10 15 20 25
1 r13
0
−1
0 5 10 15 20 25
1 r
23
0
−1
0 5 10 15 20 25
temps (s)
Conclusion et perspectives
Conclusion
Le multimodèle découplé est une alternative au multimodèle de
Takagi-Sugeno
La dimension des sous-modèles peut être différente
Utilisation du multimodèle découplé pour l’estimation d’état d’un
système non linéaire
Perspectives
Réduire le conservatisme des conditions obtenues dû à la
recherche d’une matrice P de grande dimension
Synthèse d’autres types d’observateurs, par exemple,
observateur proportionnel intégral et observateur à entrées
inconnues
Merci ! ! !

Slides Orjuela Jdmacs 2007 Se

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Slides Orjuela Jdmacs 2007 Se

Încărcat de

Drepturi de autor:

Formate disponibile

Estimation d’état des systèmes non linéaires par

une approche multimodèle découplé

Rodolfo Orjuela, Benoît Marx, José Ragot et Didier Maquin

Centre de Recherche en Automatique de Nancy

2èmes Journées Doctorales / Journées Nationales MACS

SYSTEME NON LINEAIRE REPRESENTATION MULTIMODELE

Décomposition en zones de fonctionnement

Intérêts des multimodèles

1 Structures des multimodèles

Les sous-modèles partagent un même vecteur d’état

L’espace d’état de chaque sous-modèle est indépendant

Ã est une matrice bloc diagonale

x̂i (t) = Ai x̂i (t) + Bi u(t) + Ki (y (t) − ŷ (t)),

Réécriture des équations précédentes :

x̂(t) = Ãx̂(t) + B̃u(t) + K̃ (y (t) − ŷ (t)),

Objectif : Assurer que λ (Aobs (t)) ∈ C− .

Fonction de Lyapunov quadratique :

V (e(t)) = eT (t)Pe(t), P = P T et P > 0.

La convergence exponentielle de l’erreur d’estimation est assurée si :

Théorème (Convergence exponentielle)

(Ã + α I)T P + P(Ã + α I) − (GC̃i )T − GC̃i < 0, i = 1...L

alors l’observateur est exponentiellement convergent. Le gain de

α est le taux de décroissance qui sert à quantifier la vitesse de

1 La convergence exponentielle de l’erreur d’estimation est une

3 Placement des pôles de l’observateur dans une nouvelle région...

pour i = 1...L. Le gain de l’observateur est donné par K̃ = P −1 G.

Il s’agit d’estimer l’état d’un système décrit par un multimodèle

pour un taux de décroissance α = 0.18 et un rayon r = 1.89. 0.5

r1,1 r2,1 r1,2 r2,2 r1,3 r2,3

S-ar putea să vă placă și