Cours Modélisation et Identification des Systèmes

3iéme année licence Automatique (S5)

Contenu :
Chapitre 1. Modélisation :
(3 semaines)

Modèle de représentation, Modèle de connaissance (modélisation des systèmes

mécaniques, électriques, fluidiques, thermiques, ….).

Chapitre 2. Rappel des méthodes de base en Automatique :

(4 semaines)

Réponse temporelle d'un système, Identification directe à partir de la réponse

temporelle, Approche fréquentielle

Chapitre 3. Principe d'ajustement du modèle : (4 semaines)

Modèle linéaire par rapport aux paramètres, Minimisation du critère d'ajustement et

calcul de la solution optimale, Ecriture matricielle de la méthode des moindres-carrés.

Chapitre 4. Analyse de la méthode des moindres-carrés : (3 semaines)

Biais d'estimation, Variance de l'estimation, Estimateur du maximum de vraisemblance,

Rejet des mesures aberrantes.

Chapitre 5. Moindres-carrés récursifs :

(1 semaine)

Principe du calcul récursif, Mise en œuvre de la méthode récursive, Facteur de

pondération, facteur d'oubli
 Avant-Propos
Afin de les étudier analyser leurs caractéristiques, les systèmes dynamiques doivent
être modélisés mathématiquement. Il s’agit d’obtenir un modèle mathématique ‘‘un
ensemble d'équations’’ représentant la dynamique du système avec précision, ou du
moins assez bien. Notez qu'un modèle mathématique n'est pas unique, car un système
peut être représenté de différentes manières et peut donc avoir de nombreux modèles
mathématiques, selon ce que qu’on veut faire avec le modèle.

La dynamique de la plupart des systèmes, qu'ils soient mécaniques, électriques,

thermiques, économique, biologique, etc. peuvent être décrites en termes d'équations
différentielles. De telles équations différentielles peuvent être obtenues en utilisant
des lois physiques régissant un système, comme par exemple, les lois de Newton pour
les systèmes mécaniques et les lois de Kirchhoff pour les systèmes électriques. En
automatique, il est primordial d’obtenir des modèles mathématiques assez précis, car
cela constitue la partie la plus importante de l’analyse complète d’un système de
commande. Dans ce cours, nous ne considérons que les systèmes déterministes
linéaires, stationnaires (dont les variables ne varient pas dans le temps) et causaux
(dont la sortie actuelle du système (la sortie à l'instant t = 0) dépend de l'entrée passée
(pour t <0) mais ne dépend pas de l'entrée future (pour t> 0).).

Prérequis :
 Chapitre I Modélisation
I.1 Introduction

La modélisation est la représentation (mathématique ou physique) d'un système

par un autre plus simple et intégrant plus ou moins de connaissances physiques, donc
plus facile à étudier. Il existe deux types de modèles selon la complexité du système à
étudier : modèle de connaissance ou de représentation.
I.1.1 Modèle de connaissance
Lorsqu’un système est peu complexe, il est possible d'écrire les relations
‘‘mathématiques’’ entre les différentes grandeurs physiques, décrivant les différents
sous-systèmes qui le composent. Il s’agit du modèle de connaissance, on parle alors
de modélisation du système.
I.1.2 Modèle de représentation
Si le modèle connaissance est difficile à obtenir ou s’avère imprécis, on peut alors
obtenir un modèle de comportement en se basant sur la connaissance des signaux
d’entrée/sortie du système. L'objectif est d'obtenir un modèle ‘‘mathématique’’ qui
"se comporte comme" le système, il s’agit du modèle de représentation et on parle
alors d'identification du système.
Exemple :
Sois le moteur à courant continus asservis en vitesse (figure 1.1)

Figure 1.1 Moteur à courant continus asservis en vitesse

Son modèle physique (électrique) est représenté par la figure suivante :

Figure 1.2 Modèle électrique du moteur à courant continus

Le modèle de connaissance est donnée par :

Avec : a = nombre de paires de voies d’enroulement et ɸo= flux par pôles (Wb).

Le modèle de représentation (obtenu expérimentalement) est donnée par :

I.2 Modélisation des systèmes électriques

Les lois de base régissant les circuits électriques sont :

 La loi Kirchhoff (loi des nœuds) : La somme des courants entrant dans un
nœud est égale à la somme des courants sortant du même nœud.)
 La loi de tension de Kirchhoff (loi de boucle) : La somme algébrique des
tensions autour de n'importe quelle boucle dans un circuit électrique est zéro.

Le modèle mathématique d'un circuit électrique peut être obtenu en appliquant une ou
les deux lois de Kirchhoff.

I.2.1 Circuit RLC :

Sois le circuit RLC représenté par la figure suivante :

Figure 1.3 Circuit RLC

En appliquant la loi de tension de Kirchhoff, on obtient les équations suivantes :

On peut obtenir la fonction de transfert du système en appliquant la transformée de

Laplace sur les équations précédentes :
Si ei est l’entrée et eo la sortie, alors :

I.2.2 Circuits électriques en cascade

Ce type de circuit est utilisé pour modéliser un système dont les composants se
chargent mutuellement en série. Considérons le système illustré à la figure suivante :

Figure 1.4 Circuit électrique en cascade

Supposons que ei est l'entrée et eo est la sortie ; les capacités C1 et C2 ne sont pas
chargées initialement. On constate que le deuxième étage du circuit (partie R2C2)
constitue une charge pour le premier étage (partie R1C1). Les équations pour ce
système sont comme suit :

Et

En appliquant la transformée de Laplace sur ces équations, on obtient :

Et enfin, on obtient la fonction de transfert comme suit :

I.3 Modélisation des systèmes mécaniques
1.3.1 Modélisation d’un ressort :

La relation entre une force F exercé sur un ressort de raideur k dans le sens d’un
déplacement x (Figure 1.5) est donnée par : F = kx
x
k
F

Figure 1.5 Système à ressort

1.3.2 Modèle d’un système à ressorts en parallèle ou en série

Les figures suivantes présentent deux systèmes à ressort, l’un en parallèle et

l’autre en série :

Figure 1.6 Systèmes à ressort : (a) en parallèle, (b) en série

La raideur équivalente pour le système à ressorts en parallèle est donnée par :

𝑘1 𝑥+𝑘1 𝑥 = 𝐹 = 𝑘𝑒𝑞 𝑥, avec : 𝑘𝑒𝑞 = 𝑘1 + 𝑘2

Pour le systéme à ressort en série, on a :

𝐹
𝑘1 𝑦 = 𝐹, 𝑘2 (𝑥 − 𝑦) = 𝐹, d’où : 𝑘2 (𝑥 − 𝑘 ) = 𝐹, ou encore :
1
𝑘2 𝑘1 + 𝑘2
𝑘2 𝑥 = (𝐹 + 𝐹) = 𝐹 = 𝑘𝑒𝑞 𝐹
𝑘1 𝑘1

La raideur équivalente des ressorts en série est donc donnée par :

𝐹 𝑘1 . 𝑘2 1
𝑘𝑒𝑞 = ( ) = =
𝑥 𝑘1 + 𝑘2 1 1
𝑘1 + 𝑘2

1.3.3 Modélisation de l'amortisseur

Un amortisseur à huile est un dispositif qui exerce un frottement visqueux ou un

amortissement. Il se compose d'un piston et d'un cylindre rempli d'huile (voir figure
ci-après), où 𝑏1 est le coefficient de frottement visqueux.
 f

Figure 1.7 Amortisseur à huile

L'huile résiste a tout mouvement entre la tige de et le cylindre remplit d'huile.

L’amortisseur absorbe essentiellement l’énergie et la dissipe sous forme de chaleur.
La relation entre une force f exercé sur l’amortisseur dans le sens d’un déplacement x
est donnée par :
𝑑
𝑓 = 𝑏1 . 𝑥 = 𝑏1 . 𝑥̇
𝑑𝑡

1.3.4 Modèle d’un système d’amortisseurs en parallèle ou en série

Sois à déterminer le modèle d’un système d’amortisseurs en série ou en parallèle

représenté par la figure suivante :

Figure 1.8 Systèmes d’amortisseurs : (a) en parallèle, (b) en série

Pour le système en parallèle, on a :

𝑓 = 𝑏1 (𝑦̇ − 𝑥̇ ) + 𝑏2 (𝑦̇ − 𝑥̇ ) = (𝑏1 + 𝑏2 )(𝑦̇ − 𝑥̇ ) = 𝑏𝑒𝑞 (𝑦̇ − 𝑥̇ )

Avec : 𝑏𝑒𝑞 = (𝑏1 + 𝑏2 )

Pour le système en série, on a :

𝑓 = 𝑏1 (𝑧̇ − 𝑥̇ ) = 𝑏2 (𝑦̇ − 𝑧̇ ), donc : (𝑏1 + 𝑏2 ). 𝑧̇ = 𝑏2 𝑦̇ + 𝑏1 𝑥̇ .

Avec 𝑧 = 𝑦 − 𝑥 est le déplacement entre les amortisseurs 𝑏1 et 𝑏2 , donc :

1 1
𝑧̇ = 𝑏 (𝑏2 𝑦̇ + 𝑏1 𝑥̇ ) Et : 𝑓 = 𝑏2 (𝑦̇ − 𝑧̇ ) = 𝑏2 [𝑦̇ − 𝑏 (𝑏2 𝑦̇ + 𝑏1 𝑥̇ )] =
1 +𝑏2 1 +𝑏2
𝑏1 .𝑏2 𝑏 .𝑏
[ (𝑦̇ − 𝑥̇ )] = 1 2 𝑧̇
𝑏1 +𝑏2 𝑏 +𝑏
1 2

𝑏 .𝑏 1
Donc : 𝑏𝑒𝑞 = 𝑏 1+𝑏2 = 1 1 .
1 2 +
𝑏 1 𝑏2

I.4 Modélisation des systèmes fluidiques

Les fluides, les liquides et les gaz sont considérés comme le moyen le plus
polyvalent pour transmettre des signaux et de la puissance dans l'industrie. Ils se
distinguent par leur incompressibilité relative et sont classés (selon leur nature) en
deux grandes familles :

 Pneumatique : utilisant de l'air ou des gaz

 Hydraulique : utilisant de l'huile.

Il y a beaucoup de similitudes dans la modélisation de ce type de système.

Comme exemple, dans ce qui suit, nous allons établir le modèle d’un système de
contrôle du niveau d’un liquide dans un réservoir.

1.4.1 Modélisation d’un système de contrôle du niveau d’un liquide

La figure suivante présente un système de contrôle de niveau d’un liquide dans un

réservoir :
Vanne d’entrée

Vanne de sortie

Capacité C
Résistance R

Figure 1.9 Système de contrôle du niveau d’un liquide

Avec : 𝑄 débit constant (en état d’équilibre), m3/sec.

qi petit changement du débit d'entrée par rapport à sa valeur d'équilibre, m3/sec.

qo petit changement du débit d'entrée par rapport à sa valeur d'équilibre, m 3/sec.

𝐻 niveau d’équilibre.

h petit changement du niveau par rapport à sa valeur d'équilibre, m.

La capacité C : La capacité C d'un réservoir est définie comme étant la variation de la

quantité de liquide stocké nécessaire pour provoquer un changement d'unité dans le
𝑐ℎ𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡 𝑑𝑒 𝑙𝑎 𝑞𝑢𝑎𝑛𝑡𝑖𝑡𝑖é 𝑑𝑒 𝑙𝑖𝑞𝑢𝑖𝑑𝑒, 𝑚3
niveau : 𝐶 = .
𝑐ℎ𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡 𝑑𝑢 𝑛𝑖𝑣𝑒𝑎𝑢 𝑑𝑢 𝑟𝑒𝑠𝑒𝑟𝑣𝑜𝑖𝑟, 𝑚

La résistance R : La résistance R à l'écoulement de liquide dans une conduite est

définie comme étant la variation de niveau nécessaire pour provoquer une variation
unitaire du débit :
𝑐ℎ𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡 𝑑𝑎𝑛𝑠 𝑙𝑒 𝑛𝑖𝑣𝑒𝑎𝑢, 𝑚
𝑅= .
𝑐ℎ𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡 𝑑𝑢 𝑑é𝑏𝑖𝑡, 𝑚3 /𝑠𝑒𝑐
Le système de contrôle du niveau d’un liquide dans un réservoir est non linéaire, mais
il peut être considéré comme linéaire si le débit est laminaire (le fluide s'écoule plus
ou moins dans la même direction ‘‘par opposition au régime turbulent’’). Il est alors
modélisé par l’équation différentielle suivante :

𝐶. 𝑑ℎ = (𝑞𝑖 − 𝑞𝑜 ). 𝑑𝑡
ℎ
Avec :𝑞𝑜 = 𝑅 , cette équation différentielle devient :

𝑑ℎ
𝑅𝐶 + ℎ = 𝑅. 𝑞𝑖
𝑑𝑡
Sa transformée de Laplace donne :

(𝑅𝐶. 𝑠 + 1)𝐻 (𝑠) = 𝑅𝑄𝑖 (𝑠)

Si on considéré qi comme entrée et h comme sortie, alors :

𝐻(𝑠) 𝑅
=
𝑄𝑖 (𝑠) 𝑅𝐶. 𝑠 + 1

Si on considéré qi comme entrée et qo comme sortie, alors :

𝑄𝑜 (𝑠) 1
=
𝑄𝑖 (𝑠) 𝑅𝐶. 𝑠 + 1

Exercices :

1) Sois le circuit électrique suivant (initialement la capacité C est déchargée) :

- Etablir la fonction de transfert G(s) = U(s) / E(s).

2) Sois les deux systémes masse-ressort suivants :

Avec : k la raideur du ressort et f le coefficient de frottement visqueux dans
l’amortisseur. Pour chaque cas :

1 - Etablir l’équation différentielle qui régit l’équilibre du système ?

2 - Etablir la fonction de transfert H(s) = Y(s) / X(s).

 Chapitre 2 Rappel des méthodes de base en Automatique

II.1 Identification d’un système à partir de ses réponses temporelles

L’objectif est d’obtenir la fonction de transfert d’un système à partir de sa réponse

temporelle, en exploitant les informations contenues dans cette dernière.

II.2 Systèmes du premier ordre

Un système du premier ordre d’entrée e(t) et de sortie y(t), est décrit par une équation
différentielle du type :
𝑑𝑦(𝑡)
𝜏 + 𝑦(𝑡) = 𝑘𝑒(𝑡)
𝑑𝑡

Sa fonction de transfert est donnée par :

𝑘
1 + 𝜏. 𝑠

Avec : k le gain statique et 𝜏 la constante de temps

II.2.1 Réponse indicielle

On appelle réponse indicielle, la sortie d’un systéme dont l’entrée est un échelon
unitaire. La réponse indicielle nous renseigne sur le comportement du système en
régime transitoire.

II.2.2 Identification d’un système du premier ordre à partir de sa réponse

indicielle

Si on injecte un échelon unitaire à l’entrée d’un systéme du premier ordre, sa

réponse indicielle sera donnée par :
𝑡
𝑦(𝑡) = 𝑘(1 − 𝑒 −𝜏 )
Avec : lim𝑡→∞ 𝑦(𝑡) = 𝑘

La figure suivante montre la réponse indicielle typique d’un système du

premier ordre :

e(t) y(t)

E(s) 𝑘 Y(s)
1 + 𝜏. 𝑠

Figure II.1 Réponse indicielle d’un système du premier ordre

On constate que la sortie s(t) atteint pratiquement le régime permanent au bout d'un
temps qui dépend de la constante de temps 𝜏. Cette derniere caractérise la rapidité du
système à atteindre son régime permanent. La constante de temps est mesurée lorsque
le système atteint 63% de la variation totale de la sortie.

II.2.3 Système du deuxième ordre

Un système est dit du second ordre si la relation entre son entrée et sa sortie est
une équation différentielle du 2ème ordre. La forme générale de l’équation
différentielle d’un système du deuxième ordre d’entrée e(t) et de sortie y(t) est :

𝑑 2 𝑦(𝑡) 𝑑𝑦(𝑡)
2
+ 2𝑚𝑤0 + 𝑤02 𝑦(𝑡) = 𝐾𝑤02 𝑒(𝑡)
𝑑𝑡 𝑑𝑡

Avec :
K gain statique
m coefficient d’amortissement (parfois noté ξ)
𝑤0 pulsation propre non amortie

La fonction de transfert d’un système du deuxième ordre est déduite en appliquant la

transformée de Laplace à l’équation différentielle précédente :

𝐾
𝐹 (𝑠 ) =
2𝑚 1
1 + 𝑤 𝑠 + 2 𝑠2
0 𝑤 0

II.2.4 Identification d’un système du deuxième ordre à partir de sa réponse

indicielle

La réponse à un échelon d’un système du 2iéme ordre, dépend des pôles de F(s),
et donc du coefficient d’amortissement m. Pour une entrée échelon d’amplitude E0 :
𝐸
e(t)=E0.u(t) ou 𝐸 (𝑠) = 𝑠0, on distingue trois cas :

 Si m > 1 (système bien amorti), alors :

𝐾𝐸0 𝑤02
𝑠(𝑠−𝑝1)(𝑠−𝑝2)
Et :

Et y(t) aura l’allure suivante :

 K.E0

Figure II.2 Réponse indicielle d’un système du deuxième ordre (m>1)

On note les caractéristiques suivantes :

- le régime permanent est : y(t) = K.E0
- à l'origine, la tangente est horizontale

 Pour m=1(système amorti), dans ce cas on a deux pôles confondus ‘‘double’’

et la réponse à l’échelon e(t) est exprimée par :
y(t)
L’allure de y(t) ressemble au cas (m>1)

 Pour (m < 1) on parle d’un système à faible amortissement, les pôles sont
complexes conjugués, et la réponse à l’échelon est donnée par :

L’allure y(t) est représentée par la figure suivante :

Figure II.3 Réponse indicielle d’un système du deuxième ordre (m<1)

On note les caractéristiques suivantes :

 Par ailleurs, la caractéristique du temps de réponse tr5% d’un système du
deuxième ordre par rapport à l’amortissement m est donnée par la figure suivante :
 Figure II.4 Temps de réponse à 5% d’un système linéaire du deuxième ordre en fonction de
l’amortissement m

II.2.5 Système à retard

Un système linéaire est dit ‘‘à retard pur’’, si le signal de sortie est décalé par
rapport à celui de l’entrée d’un temps τ.

𝑿(𝒕) 𝒚(𝒕)
Système 𝒚(𝒕) = 𝒙 𝒕 – τ

II.2.6 Identification d’un système à retard à partir de sa réponse indicielle

‘‘Méthode de Strejc’’

Cette méthode peut s’appliquer aux systèmes à retard dont la réponse indicielle ne
présente pas de dépassement. La fonction de transfert à identifier est de la forme :

𝐾. 𝑒 −𝜏𝑠
𝐹 (𝑠 ) =
(1 + 𝑇. 𝑠)𝑛

Les paramètres à identifier sont :

- le gain statique K,
- le retard τ ,
- la constante de temps T
- l’ordre n.

La réponse typique d’un système à retard qui peut être représenté par le modèle de
Strejc ‘‘F(s)’’, est représentée sur la figure suivante :
 Figure II.5 réponses indicielles du modèle de Strejc pour K=1 et T=1.

Les étapes d’identification par la méthode de Strejc sont les suivantes :

 Le gain statique est mesuré directement par la valeur finale de la sortie (celle-
ci vaut K.E0 où E0 est l’amplitude de l’échelon d’entrée).
 On trace la tangente au point d’inflexion I pour déterminer deux valeurs : T1 et
T2. (voir figure ci-après).

Figure II.6 Méthode d’obtention de T1 et T2.

 Relever T1 et T2, en déduire l’ordre n en utilisant le tableau 1 (entre deux

lignes du tableau, on choisit la valeur de n la plus petite).
  Déterminer la constante de temps à partir du tableau :

 Déterminer le retard τ quand il existe à partir de la différence entre la valeur de

T
T1 mesurée et celle donnée par la colonne T1 du tableau.
2

100
Exemple : La réponse indicielle du système 𝐺 (𝑠) = (𝑠+1)(𝑠+4)(𝑠+5) est représentée
par la figure II.6. On suppose qu’on ne connait pas G(s) mais seulement sa réponse
indicielle. Appliquant la méthode de Strejc pour identifier le système :

- Le gain statique est mesuré directement par la valeur finale de la sortie : K = 5

- On trace la tangente au point d’inflexion I et on mesure : T1 = 0, 27 et
T2 = 1, 76
T
- D’après le tableau, avec T1 = 0.15, un ordre n = 2 semble convenir.
2
T
- La constante de temps est évaluée à partir de T2 = 2.72 au tableau. Cela donne
T = 0.65s.
T
- D’après le tableau, T1 = 0.28, ce qui donnerait une valeur de T1 = 0.18. Or on
mesure T1 = 0.27. On peut en déduire un retard τ = 0, 09

Figure II.6 Réponse indicielle de G(s)

La méthode identifie la réponse indicielle comme étant proche de celle du système

suivant :
 5. 𝑒 −0.09𝑠
𝐹 (𝑠 ) =
(1 + 0.65. 𝑠)2

Travail à faire ! : Tracer l’erreur e(t) entre les réponses indicielles de F (s) et G (s),
que constater vous ?

II.2.7 Identification d’un système à retard par la Méthode de ‘‘Broïda’’

C’est une méthode similaire à la méthode de Strejc, elle est cependant basée sur un
modèle du premier ordre avec un retard pur de fonction de transfert :

𝐾. 𝑒 −𝜏𝑠
𝐹 (𝑠 ) =
(1 + 𝑇. 𝑠)

Le principe n’est pas de faire coïncider la tangente au point d’inflexion (souvent

imprécis), mais d’ajuster les paramètres T et τ pour que les courbes de réponse du
modèle et du processus aient deux points communs judicieusement choisis. Ces
correspondent respectivement à 28% et 40% de la valeur finale.

Si t1 et t2 sont les temps au bout desquels la réponse expérimentale atteint

respectivement 28% et 40% de la valeur finale, alors :

T = 5.5(t2 − t1)
τ = 2.8t1 − 1.8t2

Le gain K est égal à la valeur finale de la sortie (comme dans la méthode de Strejc).
Si on prend l’exemple précédent, la méthode de Broïda donne le modèle suivant :

5. 𝑒 −0.375𝑠
𝐹 (𝑠 ) =
(1 + 1.12. 𝑠)
II.2.8 Systèmes avec intégrateur

Les systèmes contenant un intégrateur ont une réponse indicielle en rampe, en

régime permanent.

t1

Figure II.7 Courbe réelle approchée par un intégrateur retardé

L’asymptote de cette réponse est une droite d’équation : y = a(t − t1) de pente a et qui
coupe l’axe des abscisses pour t = t 1. On identifie la réponse du système réel à la
réponse d’un système intégrateur pur avec retard, c’est-à-dire avec la fonction de
transfert suivante :
𝐾. 𝑒 −𝜏𝑠
( )
𝐹 𝑠 =
𝑠
𝑎
Les paramètres de ce système sont donnés par : K = 𝐸 et τ = t1. (E0 est l’amplitude de
0
l’échelon appliqué en entrée).

II.3 Analyse fréquentielle

Les essais expérimentaux harmoniques sont rarement employés, car ils sont longs et
fastidieux. Des essais réalisés avec une pulsation comprise entre 0.1*ωc et 10*ωc (ωc
pulsation de coupure), avec une grande constate de temps pour le processus, peuvent
durer des heures (il est parfois nécessaire de recommencer plusieurs fois
l’expérimentation pour chaque pulsation). Les outils classiques de l’automatique
(Bode, Nyquist, Black) sont utilisés pour l’analyse de la réponse en fréquence du
système à identifier.

Le système est soumis à une excitation harmonique du type : u(t) = [Link](ω.t). A la

fin du régime transitoire, on procède à l’enregistrement des signaux d’entrée et de
sortie (par un transférométre). Cette expérience est réalisée sur une plage de
pulsations qui doit couvrir au moins 2 ou trois décades, avec plus de 10 pulsations par
décades. On relève, sur les enregistrements, le gain A’(ω) et le déphasage φ’(ω) de la
sortie aux diverses pulsations. On calcule ensuite, le gain A’(ω) et le déphasage φ’(ω)
du système a ces même pulsations (voir figure précédente), et enfin, on les reporte
dans le plan de Bode ou de Nyquist. Cette procédure nous permet d’obtenir un tracé
continu constituant un modèle "non paramétrique" du système.

Figure II.8 procédure d’identification fréquentielle

Remarques : Cette procédure d’identification fréquentielle est :

 Simple et intuitif
 Non paramétrique
 N'a besoin que de quelques informations a priori sur le système.
 Particulièrement bien adaptée à l’étude de la stabilité.
 Pour un processus lent (temps de réponse supérieur à 10 secondes), cette
procédure devient fastidieuse.

Bode Diagram
0

-5

-10

-15
Magnitude (dB)

-20

-25

-30

-35

-40
0
Phase (deg)

-45

-90
-1 0 1 2
10 10 10 10
Frequency (rad/s)

Figure II.8 Représentation fréquentielle dans le pla de Bode d’un systéme du prmeier ordre
 Chapitre 3. Principe d'ajustement du modèle
III.1 Introduction :

Soit un ensemble de mesures expérimentales (y0…..yn), on aimerait trouver un

modèle ajustable (une loi affine ‘‘linéaire’’) qui doit suivre (ou reproduire) ces
mesures.

Figure III.1 Principe d’ajustement du modèle

Les différentes droites x(t) (en rouge) sur la figure précédente représentent différents
modèles (lois affines ajustables en ordonnée et en pente), elles sont ajustées au mieux
pour suivre les mesures (points bleu). On constate que la "qualité" de l'ajustement
diffère d'une droite à l'autre, ici le critère d'ajustement n'est pas clairement exprimé.

III.2 Critère d'évaluation de l'erreur de modélisation : ‘‘critére des moindres

carrées’’

Il existe plusieurs critères d’évaluation du modèle ajusté, parmi lesquels, le critère

de l’erreur quadratique cumulée (ou le critére des moindres carrées).

Soient y(ti) les observations faites sur le système et x(ti , a1 , a2,…) les valeurs
prises par le modèles aux instants d'observation. Posons Ɛi l’écart (ou l’erreur) entre
les mesures et le modèle, alors on peut écrire :

L'erreur quadratique cumulée est alors exprimée par :

La minimisation de ce critère constitue l’objectif à atteindre : plus il est minimal, plus

le modèle est parfaitement ajusté et les erreurs de modélisation sont minimes.

III.3 Minimisation du critère des moindres carrées

La figure suivante présente le graphe de l’erreur carrée Ɛ par rapport au modèle
(𝑎̂1 , 𝑎̂2 , . . ).

Figure III.2 Dépendances quadratique des erreurs par rapport au modèle

La Figure III.2 montre que le modèle présente une dépendance quadratique par
rapport au critère quadratique de l’erreur. Si on suppose qu'il y a
indépendance/orthogonalité des paramètres, alors le critère d'erreur présente un
minimum aux dérivées de l’erreur par rapport aux paramètres :

Avec :

La résolution des équations précédentes nous donne des valeurs du modèle dites
optimale par rapport au critère quadratique :

Et l’obtention du modèle le plus proche des mesures :

La résolution de telles équations peut être plus au moins difficile à mettre en œuvre,
selon le modèle voulu (linéaire, non linéaire…etc.). Dans ce qui suit, nous n’allons
considérer que les méthodes d’obtention de modèles linéaires.

III.4 Modèle linéaire

Soit un modèle de variable explicative x(t), caractérisé par un jeu de
paramètres 𝑝 = {𝑎1 , 𝑎2 … 𝑎1 . }. Le modèle est linéaire par rapport à ses paramètres
s'il vérifie :

Un modèle linéaire par rapport à ses paramètres a une expression du type :

Où les f1(t), f2(t)…sont les formants du modèle.

Exemples :

III.5 Ajustement des paramètres du modèle linéaire

On dispose de n mesures des sorties (expérimentales) d’un système (y(t1), y(t2)…

y(tn)). On désire ajuster les paramètres du modèle linéaire :

pour qu’il correspond aux mesures expérimentales.

Ecrivons les expressions du modèle aux instants de mesures : (x(t1), x(t2)… x(tn)),
ainsi que le critère quadratique d'erreur cumulée à optimiser :

Le tableau suivant résume les données du problème :

Nous pouvons donc écrire :

Les dérivées du critère quadratique Ɛ sont données par :

Les paramètres optimaux (𝑎̂1 , 𝑎̂2 , … , 𝑎̂𝑘 ) sont obtenus en résolvant le problème :

III.6 Présentation homogène du problème

L’équation de minimisation est présentée comme suit :

Avec :

Les équations de minimisation peuvent donc s’écrire sous la forme matricielle :

La résolution de cette équation matricielle donne la solution optimale pour le modèle :

Remarque importante : La matrice R doit être inversible.

III.7 Ecriture matricielle du problème des moindres-carrés

Soit x(t) le modèle linéaire par rapport à ses paramètres :

Soit X l'ensemble des valeurs prises par le modèle et Y les mesures :

L'erreur quadratique cumulée s'écrit :

Sachant que : 𝜀 = 𝑌 − 𝑋 et que 𝑋 = 𝐻𝜃, l'erreur cumulée s'écrit :

Et la minimisation du critère se fait pour :

La solution optimale sera obtenue pour :

En remarquant que Ɛ est scalaire, on obtient :

Et la solution optimale est donc:

Exercice d'application : Modélisation de 3 mesures successives par un modèle affine

de la forme : x(t) = a + bt.

1) Déterminer les valeurs prises par le modèle pour t = 0, 1, 2.

2) Construire le tableau des valeurs prises par le modèle aux instants de mesure, le
vecteur des observations.
3) En déduire les matrices/vecteurs 𝑌, 𝐻 𝑒𝑡 𝜃 = (𝑎, 𝑏)𝑇
4) Calculer la solution optimale 𝜃̂
 Chapitre 4. Analyse de la méthode des moindres-carrés
IV.1 Définition de concepts d’estimation, variance, covariance

IV.2 Le critère d'erreur quadratique pondéré

Le critére d’erreur quadratique pondéré est donné par la formule suivante :

Avec Q matrice de pondération symétrique définie positive (toutes ses valeurs propres
sont positives). Elle caractérise le ‘‘poids’’ de chaque erreur entre le modèle et les
valeurs réelles.

Procédons à la minimisation du critère J par ajustement des paramètres :

Et la solution optimale est donnée par :

IV.3 Biais de l'estimation des paramètres

Le biais d'un estimateur est l'espérance de l'écart entre l'estimation et les vraies
valeurs. L'estimateur non-biaisé fournit une valeur non-décalée par rapport à la
vraie valeur.
Dans les cas usuels (bruit à valeur moyenne nulle : bruit blanc), l'estimateur des
moindres-carrés est non-biaisé : c’est-à-dire la valeur estimée des paramètres est
proche de la vraie valeur en moyenne. Il fournit donc une estimation non-décalée par
rapport aux vraies valeurs.

IV.4 Variance de l'estimation des paramètres

La variance d’un scalaire α est donnée par :

𝛼1
𝛼2
.
La matrice de variance/covariance d'une grandeur vectorielle 𝐴 = . est donnée
.
(𝛼𝑛 )
par :

Avec :
La variance de l'estimateur des moindres-carrés pour un bruit centré est donnée par :

Pour un bruit non-corrélé à la matrice H, la matrice de variance-covariance de

l'estimation est :

IV.3.1 Cas du bruit blanc sur les mesures

Dans le cas ou chaque mesure est supposée entachée d'un bruit blanc additif, et il
n'y a pas de corrélation du bruit de mesure entre deux mesures, alors :

Pour un bruit constant sur chaque mesure, de variance 𝜎𝑌2 , le bruit sur l'estimation des
paramètres du modèle est :