Cours Com Adaptative 15 16 PDF

2015 / 2016
Master 2 : ScTIC
Cours: Systèmes robotiques pour l’assistance à la mobilité et à la rééducation
Séance 2
Ahmed CHEMORI
Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier
LIRMM, Université Montpellier 2 - CNRS
161, rue Ada 34095
Montpellier, France
Email : Ahmed.Chemori@lirmm.fr
URL : http://www.lirmm.fr/~chemori/
Plan du cours
1. Introduction
2. Bref historique sur la commande adaptative
3. Exemple introductif
4. Principe de base
5. Les approches de commande adaptatives linéaires
6. Commande adaptative a modèle de référence (MRAC)
 Origine de la commande MRAC
 Principe de base
 Exemple illustratif : Méthode de synthèse
 Règle d’adaptation du MIT
 Application à un système d’ordre 1
7. Exemple d’application en robotique médicale
8. Références bibliographiques
A. Chemori (Systèmes robotiques pour l’assistance à la mobilité) UPEC – Master 2 ScTIC – 2015/2016 2
Introduction Introduction à la commande adaptative
Introduction Introduction à la commande adaptative
L’adaptation d’un système à son environnement réside dans la possibilité de de réagir

face au variations que peut subir cet environnement
La commande adaptative est une commande dont le but est de réagir à tout instant dans
le sens désiré (en générale minimisation de l’erreur entre la consigne et la sortie) face
aux variations que subit le système
Dans l’approche non adaptative, le développement d’algorithme de commande se fait en
considérant un modèle invariant (G(p) fixe  C(p) fixe)
Tant que le système ne subit pas de variations, G(p) reste valide et C(p) aussi
Cependant, il y a des cas où le système subit des variations en fonction des conditions
de fonctionnement
Exemple1 : Système non linéaire  linéarisé autour du point de fonctionnement
G(p)  Gc(p)
Si le point de fonctionnement change, G(p) change  Gc(p) n’est plus valide !
Exemple 2 : Cas des systèmes dont les paramètres sont inconnus (aéronautique,
robotique, etc)  le contrôleur doit s’adapter au système.
Bref historique Introduction à la commande adaptative
L’origine de la commande adaptative remonte au début des années 50

Conception d’autopilotes pour une large fourchette d’altitudes et de vitesses
L’avion X15
La commande adaptative a été motivée par ces
problèmes de l’aéronautique
Beaucoup de recherches ont été activement menées
Forts changements dans la dynamique quand l’avion change de point de fonctionnement
Les contrôleurs par feedback à gains constant n’était pas capables de garantir les
performances désirées lors du changement de point de fonctionnement
Des approches de commande sophistiquées, telle que la commande adaptative, étaient
nécessaires pour compenser ces fortes variations dans la dynamique de l’avion
La commande adaptative à modèle de référence a été proposée par Whitaker pour
résoudre le problème de commande d’autopilotes
La méthode de sensibilité et la règle d’adaptation du MIT ont été largement utilisées
Une méthode de placement de pôles adaptatif basée sur le problème linéaire
quadratique optimal a été proposée par Kalman
Méthode de sensibilité, règle du MIT, analyse de stabilité limitée (les années 60)
Whitaker, Kalman, Parks, etc
Méthode basée sur la technique de Lyapunov, de passivité (les années 70)

Morse, Narendra, Landau, etc
Preuves de stabilité globales (les années 70-80)

Astrom, Morse, Narendra, Landau, Goodwin, Keisselmeier, Anderson, etc
Questions de robustesse, instabilité (Début des années 80)

Rohrs, Valavani, Athans, Marino, Tomei, Egard, Ioanno, Anderson, Sastry etc
Commande adaptative robuste (les années 80)

Ioanno, Sun, Praly, Jiang, Tsakalis, Tao, Datta, Middleton, Basar, etc
Commande adaptative non linéaire (les années 90)

Kokotovic, Ioannou, Narendra, Krstic, Xu, Wang, Anderson, Safonov, Bernstein, etc
Exemples introductif Introduction à la commande adaptative
Exemple introductif
On considère le système représenté par la fonction de transfert :
v 1
y
G0 (p) = (p+1)3
L’organe de commande pour un tel système est une vanne non linéaire
Sa caractéristique s’écrit : v = f(u) = u4 ; u ¸ 0
v
u
Vanne NL
On souhaite commander la sorite pour suivre une consigne constante (régulation)

On considère une boucle de commande avec un contrôleur PI classique
A. Chemori (Systèmes robotiques pour l'assistance à la mobilité) UPEC – Master 2 ScTIC – 2015/2016 9
Exemple introductif
Le système en boucle fermée résultant :
Contrôleur PI Vanne Système
uc + ¡ 1
¢ u v y
K 1+ Ti p
f(¢) G0 (p)
-
On considère l’asservissement pour une consigne : uc = 0:2

Les gains du contrôleur PI sont calculés : K = 0:15 ; Ti = 1
On simule ce système
0.3
0.2
Y & uc
0.1
-0.1
0 10 20 30 40 50 60
Time [sec]
A. Chemori (Commande Avancée des Systèmes Dynamiques : UEC11) UPEC – Master 2 ScTIC – 2014/2015 10
Exemple introductif
On garde les mêmes gains du contrôleur
On re-simule le système pour différentes valeur de consigne uc = 0.2, 1 et 7.
0.4
Y & uc
uc = 0:2 0.2
0
0 10 20 30 40 50 60
Time [sec]
2
c
Y&u
1
uc = 0:2
0
0 10 20 30 40 50 60
Time [sec]
20
Y & uc
uc = 0:2 10
0
0 10 20 30 40 50 60
Time [sec]
Cet exemple souligne la nécessité de synthèse de commandes adaptatives
Principe de base Introduction à la commande adaptative
Principe de base Introduction à la commande adaptative
Principe général
Quand les paramètres d'un système sont inconnus, varient dans le temps ou incertains
Besoin d'une loi de commande qui s'adapte dans de telles conditions
Estimation en ligne des paramètres
Elle n'a pas besoin d’informations préalables sur les limites sur ces paramètres
Mécanisme
d’adaptation
Paramètres
du contrôleur
Sortie
Consigne Contrôleur Système
Approches adaptatives linéaires Introduction à la commande adaptative
Classification des approches de commande adaptative
Les approches de commande adaptative peuvent être classé en deux classes :

 Commande adaptative directe (Direct adaptaive control)
 Commande adaptative indirecte (Indirect adaptaive control)
Il existe principalement quatre types d’approches de commande adaptatives :

 Commande par gain programmé (Gain scheduling)
 Commande adaptative à Modèle de Référence (MRAC)
 Contrôleurs auto-ajustable (Self-Tuning)
 Commande duale (Dual control)
Les schéma-bloc de chacun des ces différentes commandes seront présentés par la suite
Deux classes de commande adaptative
Commande adaptative directe
Commande adaptative indirecte
Quatre types d’approches de commande adaptative
Commande par gain programmé
Dans plusieurs cas, il est possible de

les variables mesurables ont une
corrélation avec les changement dans
la dynamique du système
[Aström & wittenmark, 1995]
Ces variables peuvent donc être utilisées pour changer les paramètres du contrôleur
Cette approche est appelée commande par gain programmé
La commande dispose de deux boucles

Peut être vue comme une transformation de l’espace des paramètres du système à
l’espace des paramètres du contrôleur
Peut être implémentée comme une ‘lookup table’
Commande adaptative à modèle de référence

La commande adaptative à modèle de
référence (MRAC: Model Reference
Adaptive Control) est une des commandes
adaptatives les plus connues
Cette approche de commande a été
originalement proposée pour résoudre un
problème dans lequel les spécification de
performances sont données en termes d’un
modèle de référence
Ce modèle de référence donne une indication sur comment la sortie du système doit
idéalement répondre à un signal de commande
Son principe de base (détaillé dans la suite) consiste à adapter les paramètres du
contrôleur en fonction de l’erreur entre le système et le modèle
Commande auto-ajustable (STR)

Cette commande fait partie des
commandes adaptatives indirectes
Les paramètres du système sont

estimés et utilisés dans le calcul
des paramètres du contrôleur
L’architecture de commande contient deux boucles : une boucle interne du contrôleur

et une boucle externe d’ajustement de ses paramètres
Cette commande est appelée ainsi à cause du fait que le contrôleur ajuste
automatiquement ses paramètres afin d’obtenir les propriétés désirées en boucle-fermée
Cette approche est très flexible dans le choix du contrôleur et l’estimateur, c’est ainsi
que plusieurs combinaison ont vu le jour (PID-STR, LQR-STR, etc)
Commande duale
Dans les approches précédentes,
l’estimation est paramètres (du contrôleur
ou du système) est supposée certaine. Les
incertitudes sur les paramètres ne sont pas
considérés dans la synthèse du contrôleur [Aström & wittenmark, 1995]
Pour cela l’idée consiste à utiliser ‘la théorie de commande stochastique non linéaire’
Ceci conduit à ce qu’on appelle ‘Commande duale’
Par conséquent les incertitudes sur les paramètres estimés sont considérés dans dès lors
de la phase de conception du contrôleur
Les estimation des paramètres sont supposées incertaines, et ces incertitudes sont
considérées stochastiques
L’approche est tellement compliquée qu’elle n’a pas été appliquée en pratique
Commande MRAC Introduction à la commande adaptative
Origine de la commande MRAC

La commande adaptative à modèle de référence (MRAC: Model Reference Adaptive
Control) est une des commandes adaptatives les plus connues
La commande MRAC a été dérivée de la commande à modèle de référence (MRC :
Model Reference Control) utilisée dans les auto-pilotes
Structure d’une commande MRC
La commande doit être choisie de telle sorte que le système en boucle fermée se
comporte comme un modèle de référence Wm(p)
CG
Si G(p) est connue, C doit être choisie telle que : Wm = 1+CG
Dans ce cas, la sortie du système converge exponentiellement vers la sortie du modèle
Origine de la commande MRAC
Le système doit être à minimum de phase
La synthèse du contrôleur C(µc¤ ) nécessite la connaissance des coefficients de la

fonction de transfert du système G(p)
Si µ¤ est un vecteur contenant les coefficients de G(p) = G(p; µ¤) donc le vecteur de
paramètres du contrôleur peut être calculé en résolvant une équation algébrique du type
µc¤ = F (µ¤)
La solution suppose que le système est à minimum de phase et ses coefficients µ¤ sont
parfaitement connus
Si µ¤ est inconnu, il est impossible de calculer le vecteur des paramètres µc¤
Dans ce cas, une solution qui pourrait être adoptée, consiste à utiliser une estimation
¤
de µc obtenu en utilisant une approches directe ou indirecte
L’approche résultante est appelée : Commande adaptative à modèle de référence

(MRAC : Model Reference Adaptive Control)
Principe de base
La structure de base d’une commande MRAC est représentée par le schéma-bloc
Principe de base
Le modèle de référence est utilisé pour générer la trajectoire de référence ym

La sortie du système yp doit suivre cette trajectoire de référence
L’erreur de poursuite e1 = yp ¡ ym représente la déviation de la sortie par rapport à la
référence
Le système en boucle fermée est basé sur une loi de commande par feedback
La commande comporte un contrôleur C(µ) et un mécanisme d’ajustement
Le mécanisme d’ajustement génère une estimation des paramètres du contrôleur µ(t)
La synthèse du contrôleur comporte la conception de la loi de commande et le
mécanisme d’adaptation
L’objectif est que la sortie du système suive celle du modèle de référence

Les approches de commande MRAC peuvent être classées en directe ou indirecte
Et avec des lois d’adaptation normalisée ou non normalisée
IntroductionMRAC
Commande Introduction à la commande adaptative
La commande MRAC directe
Dans la commande MRAC directe le vecteur des paramètres du contrôleur est ajusté
directement par une loi d’adaptation
La commande MRAC indirecte
Dans la commande MRAC indirecte le vecteur des paramètres du contrôleur est calculé
à chaque instant d’échantillonnage en résolvant une équation algébrique en fonction des
estimé des paramètres du système
Quelques hypothèses
Le système est mono-variable (SISO), linéaire à temps invariant (LTI)
Décrit par une fonction de transfert
Le système est strictement propre à minimum de phase
Le modèle de référence est stable et à minimum de phase
Le modèle de référence a le même degré que le système à commander
La consigne est continue et bornée sur R
Exemple illustratif
On considère le système suivant à un seul état (scalaire) :
x_ = ax + u ; x(0) = x0 a : est une constante inconnue
L’objectif de la commande consiste à déterminer une fonction bornée u = f(t; x) tel

que l’état x(t) est borné et converge asymptotiquement vers 0 (stabilisation) quelque
soit la condition initiale x0
Soit ¡am le pôle désiré en boucle fermée, où am > 0 est choisi par le concepteur
Si le paramètre a du système était connu, la loi de commande par retour d’état s’écrit :
u = ¡k¤x
¤
Où k = a + am peut être utilisé pour satisfaire les objectifs de la commande
En effet, le système en boucle fermée résultat s’écrit :

x_ = ¡amx
Dont le point d’équilibre xe = 0 est exponentiellement stable
Exemple illustratif
Etant donné que a est inconnu, k¤ = a + am ne peut être calculé, et la loi de

commande ne peut être implémentée
Une solution qui peut être envisagée consiste à utiliser la même loi de commande
précédente, mais avec un k¤ remplacé par son estimé k(t) c.à.d :
u = ¡k(t)x (*)
Et chercher une loi d’adaptation pour mettre à jour k(t) continuellement
Une telle loi d’adaptation peut être développée en considérant le question comme étant
un problème d’identification en ligne de k¤
Ceci peut être réaliser en considérant une paramétrisation de la dynamique du système

en termes de k¤ inconnu et trouver un moyen pour l’identifier en ligne
Exemple illustratif
Pour cela on réécrit l’équation de la dynamique du système comme suit :
x_ = ax ¡ k¤x + k¤x + u
D’autre part on a a ¡ k¤ = ¡am par conséquent :
x_ = ¡amx + k¤x + u
On introduisant la transformée de Laplace on en déduit :
1 ¤
x= p+am (u + k x)
Cette dernière équation est une paramétrisation de la dynamique du système en termes

du gain k¤ du contrôleur
Etant donné que x; u sont mesurés et que am > 0 est connu, différentes lois
d’adaptation peuvent être utilisées (SPR-Lyapunov, gradient, moindre carrées, etc)
A titre d’exemple on va considérer la méthode de SPR-Lyapunov
Exemple illustratif
1
Etant donné que p+a m
est SPR (Strictly Positive Real transfer function) la méthode
SPR-Lyapunov peut être utilisée
L’estimé x
^ de x peut être donné par :
1 1
x
^= p+am (kx + u) = p+am (0)
La dernière égalité est obtenue en remplaçant la commande par u = ¡kx
Si l’on choisi x
^(0) = 0 on a x
^(t) ´ 0 ; 8t ¸ 0
Cela veut dire que l’erreur d’estimation " = x ¡ x

^ est égale à l’erreur de régulation
"1 = x
L’équation précédent de l’estimation de n’a pas à être implémentée pour générer x

^
Exemple illustratif
En remplaçant u = ¡k(t)x dans l’équation de paramétrisation on obtient :
ou bien "1 = 1 ~
~ ;
"_1 = ¡am"1 ¡ kx k~ = k ¡ k¤ et "1 = x p+am (¡kx)
La première équation ci-dessus est dans une forme convenable au choix d’une fonction
de Lyapunov pour la synthèse d’une loi d’adaptation pour k(t)
On suppose que la loi d’adaptation est de la forme : k ~_ = k_ = f1 ("1 ; x; u)

où f1 est une fonction à choisir, et on propose la fonction de Lyapunov suivante :
~ = "21 ~2
k
V ("1 ; k) 2 + 2° ; °>0
La première dérivée de cette fonction par rapport au temps donne :
~ 1
~ 1x +
V_ = ¡am"21 ¡ k" kf
°
Si l’on choisi f1 = °"1 x c.à.d k_ = °"1 x = °x2 ; k(0) = k0 (**)

on a :
V_ = ¡am"21 · 0
Exemple illustratif
Etant donné que la fonction de Lyapunov proposée est définie positive et sa première
~ 2 L1
dérivée est semi-définie négative, alors V_ 2 L1 ) "1 ; k
D’autre part étant donné que "1 = x donc x 2 L1
Par conséquent tous les signaux du système en boucle fermée sont bornés
De plus "1 = x 2 L2 et "_1 = x_ 2 L1
Ce qui implique (Lemme 3.2.5 dans Ioannou) : "1(t) = x(t) ! 0 quand t ! 1
Etant donné que x(t) ! 0 et k est borné, donc k_ ! 0 ; u ! 0 quand t ! 1
Donc la loi de commande (*) avec la loi d’adaptation (**) permettent de satisfaire les
objectifs de la commande, c.à.d. elles forcent l’état du système à converger vers zeros
tout en garantissant la bornitude des signaux
Exemple illustratif
Pour l’implémentation de la commande proposée, on retient :
 Le système : x_ = ax + u ; x(0) = x0
 La loi de commande : u = ¡k(t)x
 La loi d’adaptation : k_ = °"1 x = °x2 ; k(0) = k0
Schéma-bloc d’implémentation :
Exemple illustratif
Les paramètre de synthèse du contrôleur sont k0 et ° > 0
Pour garantir la bornitude des signaux et la régulation asymptotique de x à zéro ces

deux paramètres peuvent être choisis arbitrairement
Il est cependant claire que ces deux paramètres affectent le comportement transitoire et
en régime permanent du système en boucle fermée
Pour de grandes valeurs de ° la convergence de x vers zéro est plus rapide
Cependant, si ° est grand, k_ le sera aussi et l’équation différentielle calculant k

nécessitera un pas d’échantillonnage très petit pour l’implémenter sur un PC
Des pas d’échantillonnage très petit rendent l’approche adaptative plus sensible au bruit
de mesure et aux erreurs de modélisation
Exemple illustratif
Remarque : Dans cet exemple, aucun modèle de référence n’a été utilisé pour dédcrire
les performances désirées en boucle fermée
Un choix raisonnable d’un modèle de référence aurait pu être :
x_ = ¡amx ; xm(0) = xm0
Qui conduira en suivant la même procédure de synthèse précédente à :
u = ¡k(t)x ; k_ = °e1x avec e1 = x ¡ xm
Si les conditions initiales ne sont pas nulles, c.à.d xm0 6= x0 l’utilisation du modèle de
référence ci-dessus affectera le comportement transitoire de l’erreur de poursuite
Cependant cette utilisation du modèle de référence n’aura pas d’effet sur les propriétés
asymptotiques du système en boucle fermée étant donné que xm convergera
exponentiellement rapide vers zéro
Règle d’adaptation du MIT

Soit e l’erreur entre la sortie du système et celle du modèle
1
On considère la fonction coût suivante : J(µ) = 2 e2
µ : représente le vecteur des paramètres du contrôleur à adapter
Pour minimiser J, il est logique de faire varier les paramètres dans la direction négative
du gradient de J :
dµ
dt = ¡° @J
@µ = ¡°e @e
@µ
C’est la règle dite du MIT

@e
Le terme @µ est crucial et appelé ‘dérivée de sensibilité ’
Il est souvent supposé que les paramètres varient moins rapidement que les autres
variables dans le système
Par conséquent, la dérivée de sensibilité peut être calculée en supposant que µ est
constant
Règle d’adaptation du MIT

Il existe d’autres alternatives de J, à titre d’exemple :
J(µ) = jej
Ce qui donne en dérivant :
dµ @e
dt = ¡° @µ sign(e)
+1
-1
Application à un système d’ordre 1

On considère le système du premier ordre suivant :
dy
dt = ¡ay + bu
Soit le modèle de référence :
dym
dt = ¡amym + bmuc
Le contrôleur :
u(t) = µ1uc(t) ¡ µ2y(t)
Les paramètres idéaux :
(
bm
µ1 = µ10 = b
am ¡a
µ2 = µ20 = b
L’erreur de sortie : e = y ¡ ym

bµ1
La sortie s’écrit : y= p+a+bµ1 uc
La dérivée de l’erreur par rapport aux paramètres donne :

@e b
@µ1 = p+a+bµ2 uc
@e b2 µ1 b
@µ2 = (p+a+bµ2 )2 uc = p+a+bµ2 y
On considère maintenant l’approximation : p + a + bµ2 ¼ p + am
Par conséquent on a : ³ ´
dµ1 am
dt = ¡° p+am
uc e
³ ´
dµ2 am
dt = ° p+am
y e

Schéma-bloc d’implémentation :

Evolution de la sortie et la commande
Evolution des paramètres selon différents gains d’adaptation
Application en robotique médicale Introduction à la commande adaptative
Contexte et motivation
Pontage coronaire est un geste très délicat

 Solution classique 1 : - grandes incisions au thorax
- arrêter le cœur
- utiliser une machine cœur-poumon
Inconvénients :
Risques de complications opératoires
Effets secondaires indésirables
Douleurs importantes
Temps de récupération long
 Solution classique 2 : Stabilisateur mécanique

Inconvénients :
Mouvement résiduel variant de 1,5 à 2,4 [mm]
Incompatibilité de cette technique avec la chirurgie à cœur battant [Lemma, 2005]
Risque d’endommager la surface du cœur
 Pour minimiser les incisions et éviter d’endommager l’appareil respiratoire / cœur

 Pour éviter les complications (cérébrale ou autres) [Nakamura, 2001]
‘Chirurgie cardiaque mini-invasive’
 Intervenir à l'intérieur du thorax à travers des petites incisions

 Introduire les instruments chirurgicaux à travers les trocars fixés aux incisions
 Utilisation d'un endoscope (composé d'un tube optique muni d'un système d'éclairage)
 Fibre optique reliée à une caméra  surveiller l'intervention sur écran
Avantages :
 Traumatisme réduit
 Temps de récupération moins long
 Cicatrices plus petites
MAIS
Le chirurgien doit travailler sur un cœur battant

Compensation manuelle des mouvements physiologiques (très fatigante)
Nécessite beaucoup de concentration / précision
Mobilité réduite
Meilleur Solution
Chirurgie mini-invasive robotisée
Objectifs de cette étude
Robot SCARA à 5ddl

 Compensation des mouvements physiologique
 En chirurgie cardiaque à cœur battant
 Une architecture de commande à retour d’effort

Coeur
 Application à un robot SCARA à 5ddl battant
 Implémentation en simulation / en temps réel
Robot D2M2
Test de faisabilité
Solution proposée
Architecture de commande adaptative à retour d’effort
Comporte deux boucles de commande
Une boucle de commande interne à base d’un retour d’état non linéaire
Une boucle de commande externe à base d’un contrôleur linéaire
Deux variantes selon le contrôleur linéaire choisi
Une architecture de commande à base Une architecture de commande à base

d’un contrôleur adaptatif MRAC d’un contrôleur PID
Cette architecture va être présentée par la suite
Solution proposée (Première variante)

Architecture de commande adaptative à retour d’effort
MRAC controller Model

reference
Controller parameters Adjustment

+
Mechanism Output error
_
Reference force
Adaptive Nonlinear Contact

Controller feedback
Inner control loop
Outer control loop
Linearized system
+ _
Résultats de simulation (Première variante)

Estimation des mouvement de la surface du cœur battant [Sauvée, 2006]
Basée sur la vision artificielle reconstruction 3D de la pose des points d’intérêt
Utilisation de marqueur artificiel placés sur la surface du cœur
Expérimentation In vivo sur un animal
3 scénarii de simulation
Scenario 1: Cas nominal
Scenario 2: Robustesse / incertitudes paramétriques
Scenario 3: Robustesse / incertitude sur la raideur de l’environnement
Scenario 1 : Cas nominal (Première variante)

0 0
Fdx Fdy
-0.2 Fx -0.5 Fy
-2.98
-0.4 -1.44
-1
-0.6 -1.46 -1.46
-3
Force along Y [N]

Force along X [N]
-1.5 -1.5
-0.8 -3.02
-1.5 -1.5
-1.54
-1 -2
-1.2 -1.54 -1.54

-2.5
-1.4
-3
-1.6
-3.5
-1.8
-2 -4
0 2 4 6 8 10 0 2 4 6 8 10
Time [sec] Time [sec]
End-effectorX
Heart positionX
position [m]
0 0.545
Fdz
X
Fz 0.54
-0.5
0.535
-2.95
-1 -1.46 0 2 4 6 8 10
Force along Z [N]
-0.08 End-effectorY
position [m]
-3 Heart positionY
-1.5 -1.5
Y
-0.09
-2 -3.05
-1.54
-0.1
-2.5 0 2 4 6 8 10
End-effectorZ
-0.39
position [m]
Heart positionZ
-0.4
Z
-3
-0.41
-3.5
0 2 4 6 8 10
-0.42
Time [sec] 0 2 4 Time [sec] 6 8 10
Erreur de suivi max : 3%
Scenario 2 : Robustesse / incertitudes paramétriques (Première variante)

0.2
Fdx
0
Fx
Incertitudes considérées : -0.2
-0.4 -1.4
-1.45
-0.6
F [N]
25 % sur les paramètres de l’axe Z -1.5
x
-0.8
-1.55
-1
5 % sur les paramètres des axes X & Y axes -1.2

-1.6
-1.4
-1.6
0 0.5 1 1.5 2 2.5 3 3.5 4
Time [sec]
0.2 0
Fdy Fdz
0
Fy -0.5 Fz
-0.2 -1.45
-2.46
-0.4 -1
-2.48
F [N]
-0.6 -2.5
F [N]
-1.5
-1.5
z
-2.52
y
-0.8
-2.54
-1 -1.55 -2
-1.2
-2.5
-1.4
-1.6 -3
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4
Scenario 2 : Robustesse / incertitudes paramétriques (Première variante)

0.545
positionX [m]
0.54
0.535
0 0.5 1 1.5 2 2.5 3 3.5 4
Time [sec]
positionY [m] -0.086
-0.088
-0.09
0 0.5 1 1.5 2 2.5 3 3.5 4
-0.4
Time [sec]
positionZ [m]
-0.41
0 0.5 1 1.5 2 2.5 3 3.5 4

Time [sec]
100 20
τ2 [N.m]
10
τ1 [N]
0
0
-100 -10
0 1 2 3 4 0 1 2 3 4
5 5
τ3 [N.m]
τ4 [N.m]
0
0
-5
-10 -5
0 1 2 3 4 0 1 2 3 4
0.5
τ5 [N.m]
-0.5
0 1 2 3 4
Time [sec]
Scenario 3 : Robustesse / incertitude sur la raideur (Première variante)

0
Fdx
-0.2
Fx
-0.4
Incertitude sur la raideur -1.44
-0.6 -1.46
F [N]
-1.48
-0.8
x
-1.5
-1 -1.52
-1.54
-1.2
-1.4
-1.6
0 0.5 1 1.5 2 2.5 3 3.5 4
Time [sec]
0 0
Fdy Fdz
-0.2
Fy -0.5 Fz
-0.4
-1 -2.46
-0.6 -1.48
F [N]
F [N]
-0.8 -1.5 -2.5
z
-1.5
y
-1
-1.52 -2 -2.54
-1.2
-2.5
-1.4
-1.6 -3
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4
Scenario 3 : Robustesse / incertitude sur la raideur (Première variante)
0.544
positionX [m]
0.542
0.54
0.538
0 0.5 1 1.5 2 2.5 3 3.5 4
Time [sec]
positionY [m]
-0.086
-0.087
-0.088
-0.089
0 0.5 1 1.5 2 2.5 3 3.5 4
-0.4
Time [sec]
positionZ [m]
-0.405
-0.41
0 0.5 1 1.5 2 2.5 3 3.5 4

Time [sec]
100
τ4 [N.m]
1
τ1 [N]
0 0
-1
0 0.5 1 1.5 2 2.5 3 3.5 4
-100
0 0.5 1 1.5 2 2.5 3 3.5 4 Time [sec]
Time [sec]
10
τ5 [N.m]
0.5
τ2 [N.m]
0 0
-0.5
0 0.5 1 1.5 2 2.5 3 3.5 4
-10
0 0.5 1 1.5 2 2.5 3 3.5 4 Time [sec]
Time [sec]
5
τ3 [N.m]
-5
0 0.5 1 1.5 2 2.5 3 3.5 4
Time [sec]
Résultats d’expérimentation (Deuxième variante)
Capteur
d’effort
Le robot
D2M2
PC
commandant
le robot
L’interface
Bouton arrêt haptique
d’urgence
Vue globale de la plate-forme expérimentale
Vidéo d’expérimentation
Références bibliographiques Introduction à la commande adaptative
Références bibliographiques
Coordonnées
URL : www.lirmm.fr/~chemori/
Ahmed CHEMORI
Email: Ahmed.Chemori@lirmm.fr
CNRS researcher
LIRMM – UMR CNRS/UM2 N° 5506
161, Rue Ada 34095, Montpellier
Tel : +33 (0)4.67.41.85.62
Fax : +33 (0)4.67.41.85.00

Cours Com Adaptative 15 16 PDF

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

Cours Com Adaptative 15 16 PDF

Încărcat de

Drepturi de autor:

Formate disponibile

2015 / 2016

L’adaptation d’un système à son environnement réside dans la possibilité de de réagir

Si le point de fonctionnement change, G(p) change  Gc(p) n’est plus valide !

L’origine de la commande adaptative remonte au début des années 50

Forts changements dans la dynamique quand l’avion change de point de fonctionnement

Méthode basée sur la technique de Lyapunov, de passivité (les années 70)

Preuves de stabilité globales (les années 70-80)

Questions de robustesse, instabilité (Début des années 80)

Commande adaptative robuste (les années 80)

Commande adaptative non linéaire (les années 90)

On considère le système représenté par la fonction de transfert :

On souhaite commander la sorite pour suivre une consigne constante (régulation)

On considère l’asservissement pour une consigne : uc = 0:2

Cet exemple souligne la nécessité de synthèse de commandes adaptatives

Besoin d'une loi de commande qui s'adapte dans de telles conditions

Estimation en ligne des paramètres

Classification des approches de commande adaptative

Les approches de commande adaptative peuvent être classé en deux classes :

Il existe principalement quatre types d’approches de commande adaptatives :

Deux classes de commande adaptative

Commande adaptative directe

Commande adaptative indirecte

Quatre types d’approches de commande adaptative

Commande par gain programmé

Dans plusieurs cas, il est possible de

Cette approche est appelée commande par gain programmé

La commande dispose de deux boucles

Quatre types d’approches de commande adaptative

Commande adaptative à modèle de référence

Quatre types d’approches de commande adaptative

Commande auto-ajustable (STR)

Les paramètres du système sont

L’architecture de commande contient deux boucles : une boucle interne du contrôleur

Quatre types d’approches de commande adaptative

Origine de la commande MRAC

Structure d’une commande MRC

Dans ce cas, la sortie du système converge exponentiellement vers la sortie du modèle

Origine de la commande MRAC

Le système doit être à minimum de phase

La synthèse du contrôleur C(µc¤ ) nécessite la connaissance des coefficients de la

Si µ¤ est inconnu, il est impossible de calculer le vecteur des paramètres µc¤

L’approche résultante est appelée : Commande adaptative à modèle de référence

La structure de base d’une commande MRAC est représentée par le schéma-bloc

Le modèle de référence est utilisé pour générer la trajectoire de référence ym

L’objectif est que la sortie du système suive celle du modèle de référence

La commande MRAC directe

La commande MRAC indirecte

Le système est mono-variable (SISO), linéaire à temps invariant (LTI)

Décrit par une fonction de transfert

Le système est strictement propre à minimum de phase

Le modèle de référence est stable et à minimum de phase

Le modèle de référence a le même degré que le système à commander

La consigne est continue et bornée sur R

On considère le système suivant à un seul état (scalaire) :

x_ = ax + u ; x(0) = x0 a : est une constante inconnue

L’objectif de la commande consiste à déterminer une fonction bornée u = f(t; x) tel

En effet, le système en boucle fermée résultat s’écrit :

Etant donné que a est inconnu, k¤ = a + am ne peut être calculé, et la loi de

Et chercher une loi d’adaptation pour mettre à jour k(t) continuellement

Ceci peut être réaliser en considérant une paramétrisation de la dynamique du système

Pour cela on réécrit l’équation de la dynamique du système comme suit :

Cette dernière équation est une paramétrisation de la dynamique du système en termes

A titre d’exemple on va considérer la méthode de SPR-Lyapunov