Identification des systèmes

dynamiques

FST Settat-Master ATSII

[Link]
youssefrochdi@[Link]

Identification des systèmes dynamiques

„ Objectif: présenter les concepts (théoriques)

et démarches générales (pratiques)
permettant l'identification des systèmes
dynamiques.
„ Notions introduites: Modèles, identification
paramétrique, non paramétrique,
consistance, …

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 2

1
 Identification des systèmes
dynamiques

Chap 1 Introduction

1.1 Systèmes

„ Système dynamique= un objet dans lequel

différentes variables interagissent et
produisent des signaux observables (sorties)

„ Un système est affecté par des stimulus

externes:
‰ Signaux manipulablesÆ Entrées.
‰ Signaux non manipulablesÆ Perturbations.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 4

2
1.1 Systèmes

Perturbation(s)

Entrée(s) Sortie(s)
Système

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 5

1.1 Système

„ Exemples:
‰ Système de chauffage d’un local: entrée=
puissance électrique fournie par les résistances
chauffantes / sortie: température du local /
perturbations: échanges thermiques avec le milieu
extérieur via les fenêtres, les portes, l’apport
thermique des personnes...
‰ Contrôle de gouvernail d’un avion: entrée force
hydraulique/ perturbations: le vent, la neige
…/sortie: position du gouvernail.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 6

3
1.2 Modèles –définition(1)

„ Un modèle d’un système traduit les relations

entre les différentes variables de ce système.
„ Différentes manières de décrire ces relations
Æ différentes classes de modèle.
„ Ces classes diffèrent par le processus
d’obtention du modèle et par la manière
d’exploiter ce modèle.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 7

1.2 Modèles –définition(2)

‰ Modèle mental: aucune formulation

mathématique; pour conduire une voiture:
manipulation du volant/ mémoire
musculaire(direction assistée/non assistée).
Obtenu de manière heuristique.
‰ Modèle graphique: description du système par
des tables numériques/ graphes et abaques; cas
des systèmes linéaires (réponses imp/ind/fréq).
Obtenu par des essais/observations/heuristique

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 8

4
1.2 Modèles –définition(3)

‰Modèle mathématique: description de système en

termes d’expressions mathématiques comme des
équations différentielles/ aux différences, le type
d’expressions utilisées donne des qualificatifs au
modèle: linéaire /non linéaire, continu/discret,
déterministe/stochastique…
Obtenu par formulation mathématiques des
relations entre les différentes variables.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 9

1.2 Modèles -Intérêts

„ Un modèle est utilisé :

‰ Dans la simulation; Exple simulateur d’avions.
‰ Dans la prédiction des sorties; Exple :prévision
d’évolution des actions dans le marché
boursier/prévision météorologique/commande
prédictive.
‰ Pour la synthèse des régulateurs; Exple: contrôle
de procédés industriels.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 10

5
1.2 Modèles –Conception

„ Un modèle mathématique est obtenu via

deux approches :

‰ Par modélisation: modèle de connaissances/

modèle boite grise (Grey-box).

‰ Par identification: modèle de comportement

entrées-sorties (commande)/modèle boite noire
(Balck-box) .

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 11

1.2.1 Modèles de connaissances

„ Le modèle de connaissances:
Exploitant les connaissances a priori sur le système,
les lois du domaine et la décomposition en des
sous systèmes simples, on déduit les relations
mathématiques. Aucune expérimentation n’est
nécessaire.
Approche utilisée pour obtenir un modèle
mathématique/graphique.
Exemple: Contrôle de la vitesse d’un ventilateur
entraîné par une MCC commandé par un Hacheur
série…

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 12

6
1.2.2 Modèles de comportement

„ Le modèle de comportement:
Exploitant uniquement les mesures prélevées sur
les entrées/sorties et éventuellement les
expériences précédentes. Les connaissances a
priori ne sont pas nécessaires (trop complexes ou
indisponibles) en général.
Approche utilisée pour obtenir un modèle
mathématique/graphique/mental.
Exemple: Système de climatisation d’un grand
centre commercial / conduite d’une bicyclette.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 13

1.2.3 Modèles -Comparaison

Modèle Connaissances Comportements

Effort Plus élevé (systèmes Moins élevé

complexes/spécialité) (spécialité non
d’obtention
nécessaire)
Précision Plus précis et Moins précis et
complet moins complet
Interprétation (Souvent) possible Pas toujours
physique possible
Exploitation Moins efficace (si Plus efficace
modèle trop complexe)

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 14

7
1.3 Identification –Définition(1)

„ L’identification est l’opération expérimentale

qui consiste à déterminer un modèle à partir
du comportement entrée/sortie du système.
Entrées Sorties
Système
Protocole
d’identification

Modèle
10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 15

1.3 Identification –Définition(2)

„ Le modèle obtenu doit reproduire au mieux le

comportement du système, dans toutes les
conditions utiles du fonctionnement du
système.
Exemple: un système linéaire 3ème ordre avec un pôle
dominant, peut être modélisé par un premier ordre en
basse fréquence; le système peut être instable alors que
le modèle est toujours stable !! Ce ci s’explique par le fait
que le modèle ne tient pas comptes des autres pôles.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 16

8
1.4 Identification –Validation

„Comment savoir qu’un modèle obtenu est «

Assez bon » ?
Par rapport
‰ Aux données observées et utilisées pour
l’identification
‰ Aux connaissances a priori (retard, ordre, …)

‰ au cadre d’utilisation ( bande de fréquences,

niveaux d’entrées, rapport signal/bruit…)
Æ procédures de validation du modèle.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 17

1.5 Identification –Type(1)

„ Le modèle peut être:

‰ Paramétrique: modèle caractérisé par un
ensemble fini de paramètres
Fonction de transfert G(p)=B(p)/A(p)
Représentation d’état dx/dt= Ax+ Bu
y=Cx+Du
Equations aux différences: Σ ai y(t-i)= Σ bi u(t-i)
‰ Non Paramétrique: Réponse indicielle
/impulsionnelle (g(t)) / fréquentielle (G(jw)).

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 18

9
1.5 Identification –Type(2)

„ Deux types d’identification:

‰ Paramétrique: procédure en ligne (temps réel), se

prête mieux à une commande adaptative; Peut
s’effectuer alors que le système est en
exploitation. La plus utilisée.
‰ non paramétrique: souvent procédure hors ligne,
nécessite des essais particuliers, le système doit
être hors exploitation. La moins utilisée.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 19

1.6 Identification –Procédure(1)

„ L’identification se base sur 3 entités

fondamentales:
‰ Un ensemble de données (mesures E/S).
‰ Un ensemble de modèles candidats: une classe
de modèles.
‰ Un algorithme d’identification qui permet d’obtenir
le meilleur modèle dans une classe à partir des
données disponibles.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 20

10
1.7 Identification –Procédure(2)

„ Un ensemble de données (mesures E/S).

Les données doivent contenir suffisamment
d’informations concernant le système (richesse de
l’excitation). Le choix (quand c’est possible) des
conditions d’expérimentation est crucial:
le type de signaux d’entrées utilisés (amplitudes,
durées, spectre fréquentiel…), la cadence des
mesures …

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 21

1.7 Identification –Procédure(3)

„ Une Classe de modèles

Plusieurs classes de modèles existent: linéaires/non
linéaires, déterministes/stochastiques…
La classe de modèle limite l’espace de recherche en
spécifiant une forme des relations entre les E/S:
Par exemple l’ordre du modèle, le point d’action des
perturbations (en entrée ou en sortie), la nature
des perturbations, …
Le choix de cette classe n’est pas tjrs évident, et
nécessite quelque connaissances a priori sur le
système, sinon procéder par essai/erreur

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 22

11
1.7 Identification –Procédure(4)

„ Un algorithme d’identification
Méthode qui se base sur la classe de modèle
choisie et les données collectées pour trouver le
meilleur modèle de cette classe au sens d’un
critère de performance choisi d’avance: par
exemple minimiser l’erreur de sortie (différence
entre la sortie du modèle et celle du système), …

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 23

Connaissances
1.7 Identification –Procédure(5) a priori

Choix des conditions

d’expérimentation

Collecte de données

Choix d’une classe

de modèle

Choix du critère de
performance

Calcul (détermination) d’un modèle

Non accepté
Procédure de validation du modèle

Modèle accepté

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 24

12
1.8 Étude d’un cas typique(1)

„ Le modèle d’un système discret linéaire

invariant
y( t ) + a1 y( t − 1 ) + ... + a n y( t − n ) =
b1u( t − 1 ) + b2 u( t − 2 ) + ... + bm y( t − m ) (1.1)

t représente le temps discret, t=kTe, la période

d’échantillonnage est supposée Te=1 (pour
simplifier les notations).
Sous forme compacte, ou forme de régression:

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 25

1.8 Étude d’un cas typique(2)

„ Forme de régression linéaire

y (t ) = ϕ T θ (1.2)
ϕ = [− y (t − 1) L − y (t − n ) u (t − 1) L u (t − m)] (1.3a)
T

θ = [a1 L an b1 L bm ]T (1.3b)

Vecteur de
Vecteur de paramètre
régression/observations
Régresseur

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 26

13
1.8 Étude d’un cas typique(3)

„ Si θ est connu on peut prédire à l’instant (t-1)

y(t) à partir des valeurs passées de y et u.
ŷ( t θ , t − 1 ) = ϕ T θ (1.4)
„ Si θ est inconnu, comment le déterminer ?
Si on dispose d’une collection de données:
Z N = [u( 1 ), y( 1 ), L , u( N ), y( N )] (1.5)
L’estimé de θ peut être calculé par la méthode des
moindres carrés (LS: Least squares)…/..

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 27

1.8 Étude d’un cas typique(4)

min V N (θ , Z N ) (1.6)
θ

V N (θ , Z N ) =
N
1
∑ ( y( t ) − ŷ( t θ ,t − 1 ))
2
(1.7)
N t =1

θ sera l’argument qui minimise, au sens des moindres

carrées, la différence entre la sortie prédite (modèle)
et la sortie mesurée (système). L’estimé du vecteur
de paramètre
(
θˆ N = arg min V N (θ , Z N )
θ
(1.8))
On démontre …
−1 N
N 
θˆ N = ∑ ϕ ( t )ϕ T ( t ) ∑ ϕ ( t ) y( t ) (1.9)
 i =1  t =1

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 28

14
 1.8 Étude d’un cas typique(5)

La résolution de cette équation peut être faite par

programmation
−1 N
N 
θˆ N = ∑ ϕ ( t )ϕ T ( t ) ∑ ϕ ( t ) y( t ) (1.9)
 i =1  t =1

Un exemple simple
y(t) + ay( t − 1 ) = bu(t-1 )
−1
 N N
  N 
â N   ∑ y 2( t − 1) − ∑ y( t − 1 )u( t − 1 ) − ∑ y( t ) y( t − 1 )
 b̂  =  N  ×  Nt =1 
t =1 t =1
N
 N  −  
∑ y( t − 1 )u( t − 1 )
 t =1
∑
t =1
u ( t − 1)
2


∑ y( t )u( t − 1 ) 
 t =1
y(0)=0
10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 29

1.8 Étude d’un cas typique(6)

La résolution de l’équation (1.9) peut être faite par

calculateur (toolbox Matlab)

« Vrai » modèle

Essai avec
plusieurs entrées
10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 30

15
1.8 Étude d’un cas typique(7)

Construction d’un
objet data

Estimation du
modèle

Indicateur de la
qualité de l’estimé
obtenu

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 31

1.8 Étude d’un cas typique(8)

A travers cet exemple simple, et en faisant plusieurs

essais on voit l’influence:
„ De la structure du modèle: ordres, retard.

„ Du type du signal d’excitation choisi.

„ Du nombre de données utilisées.

Cette influence sera plus accentuée pour des modèles

plus complexes et surtout en présence de
perturbations non mesurables.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 32

16
 Identification des systèmes

Chap 2 Identification paramétrique

2.1 Introduction(1)

„ On s’intéresse au systèmes mono

entrée/sortie (SISO), linéaires, discrets et
invariants.
„ L’entrée de commande est u(t), la sortie est
y(t) et le système est sous l’influence d’une
perturbation e(t).

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 34

17
2.1 Introduction(2)

„ L’identification paramétrique se base sur

l’estimation d’un certain nombre d’un
paramètres d’un modèle choisi au préalable.
„ Les connaissances a priori sur le système à
identifier peuvent guider ce choix, sinon on
procède par essai erreur.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 35

2.2 Structures de modèle(1)

„ Il existe différentes structures de modèle.

„ La différence réside principalement dans la

modélisation de la perturbation et la présence
ou non d’une entrée externe
„ Comme l’identification se fait en général par
calculateur, les mesures prélevées sont des
échantillons, et le modèle est discret même si
le système est continu
10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 36

18
2.2 Structures de modèle(2)
„ AR Model: auto regressive A( q −1 ) y( t ) = e( t )

„ ARX Model: auto

regressive with eXogenous A( q −1 ) y( t ) = B( q −1 )u( t ) + e( t )
input

„ ARMAX Model: auto A( q −1 ) y( t ) = B( q −1 )u( t ) + C( q −1 )e( t )

regressive, moving average
with eXogenous input
B( q −1 )
y( t ) = u( t ) + e( t )
„ Output error Model A( q −1 )
B( q −1 ) C ( q −1 )
„ Box-Jenkins Model y( t ) = u( t ) + e( t )
A( q −1 ) D( q −1 )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 37

2.2 Structures de modèle(3)

„ t représente le temps discret. q −1 x( t ) = x( t − 1 )

„ L’opérateur q-1 introduit un retard d’une na

période d’échantillonnage. A( q −1 ) = 1 + ∑ ai q −i
i =1
„ Les coefficients des polynômes en q-1 nb

„
sont les paramètres à estimer.
e(t) est une perturbation de type bruit
B( q −1 ) = ∑b q
i =1
i
−i +1− nk

blanc (processus stochastique non nc

prédictible) de moyenne nulle. C( q −1 ) = 1 + ∑c q
i =1
i
−i

„ Les polynômes C,D permettent de

décrire des perturbations à moyenne nd

non nulle (moyenne mobile). D( q −1 ) = 1 + ∑d q

i =1
i
−i

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 38

19
2.3.1 Modèle AR

„ Ce modèle se caractérise par l’absence d’une

entrée de commandeÆ il est plutôt adapté à la
caractérisation de signaux et non pas de systèmes.
„ Le nombre de paramètres à estimer =na.

y( t ) = a1 y( t − 1 ) + ... + a na y( t − na ) + e( t ) e( t )
y( t )
1
A( q −1 )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 39

2.3.2 Modèle ARX

„ Ce modèle suppose l’existence d’une entrée de

commande, et un modèle de bruit blanc à moyenne
nulle (fixe).
„ Le nombre de paramètres à estimer =na+nb et le
retard nk
y( t ) = a1 y( t − 1 ) + ... + a na y( t − na ) +
b1u( t − nk ) + ... + bnb u( t − nk − nb + 1 ) + e( t )
e( t )
u( t ) y( t )
−1
1
B( q )
A( q −1 )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 40

20
2.3.3 Modèle ARMAX

„ Ce modèle suppose l’existence d’une entrée de

commande, et un modèle de bruit blanc filtré, à
moyenne mobile (moving average).
„ Le nombre de paramètres à estimer =na+nb+nc et
le retard nk
y( t ) = a1 y( t − 1 ) + ... + a na y( t − na ) + b1u( t − nk ) + ...
+ bnb u( t − nk − nb + 1 ) + e(t) + c1 e( t − 1 ) + ... + c nc e( t − nc )
e( t )
C( q −1 )
u( t ) y( t )
1
B( q −1 )
A( q −1 )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 41

2.3.4 Modèle à erreur de sortie

„ Ce modèle suppose l’existence d’une entrée de

commande, et un modèle de bruit blanc agissant
directement sur la sortie
„ Le nombre de paramètres à estimer =na+nb et le
retard nk
y( t ) = a1 y( t − 1 ) + ... + a na y( t − na ) + b1u( t − nk ) + ...
+ bnb u( t − nk − nb + 1 ) − e(t) − a1 e( t − 1 ) − ... − a na e( t − na )
e( t )
u( t ) −1 y( t )
B( q )
A( q −1 )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 42

21
2.3.5 Modèle Box-Jenkins

„ Ce modèle suppose l’existence d’une entrée de

commande, et un modèle de bruit filtré. La dynamique
du bruit peut être différente de celle de l’entrée.
„ Le nombre de paramètres à estimer =na+nb+nc+nd et
le retard nk
si A( q −1 ) = D( q −1 ). y( t ) = a1 y( t − 1 ) + ... + a na y( t − na ) + b1u( t − nk )
+ ... + bnb u( t − nk − nb + 1 ) + e(t) + c1 e( t − 1 ) + ... + c nc e( t − nc )
C ( q −1 ) e( t )
−1
u( t ) D( q )
B( q −1 ) y( t )
A( q −1 )
10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 43

2.3.6 Récapitulatif (Extrait help Matlab TM)

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 44

22
2.3.7 Modèle général

„ Le modèle du système peut écrit sous forme

générale:
y( t ) = G( q −1 )u( t ) + H ( q −1 )e( t )

„ Deux cas:
‰ H et G ont des pôles communs, l’entrée de commande et la
perturbation ont des dynamiques communes.
‰ H et G n’ont pas de pôles communs, les dynamiques de
l’entrée de commande et celle de la perturbation sont
découplées (plus réaliste).

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 45

2.3.8 Modèle à erreur d’équation(1)

„ Modèle à erreur d’équation :

A( q −1 ) y( t ) = B( q −1 )u( t ) + ε ( t )
„ ε(t) : erreur d’équation, dépend de la perturbation de
e(t).
„ ε(t) comme e(t) est un processus aléatoire; son
expression dépend du point d’action de la
perturbation e(t).
„ ε(t) est une version filtrée d’un bruit blanc e(t) de
moyenne et variance
E( e( t )) = 0;Var( e( t )) = σ 2

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 46

23
2.3.8 Modèle à erreur d’équation(2)

„ AR /ARX Model: ε ( t ) = e( t )
B( q −1 ) 1
G( q −1 ) = −1
; H ( q −1 ) =
A( q ) A( q −1 )
„ ARMAX Model: ε ( t ) = C( q −1 )e( t )
B( q −1 ) C( q −1 )
G( q −1 ) = ; H ( q −1
) =
A( q −1 ) A( q −1 )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 47

2.3.9 Modèle à erreur de sortie(1)

„ Modèle à erreur de sortie :

B( q −1 )
y( t ) = u( t ) + ε ( t )
A( q −1 )
„ ε(t) : erreur d’équation, dépend de la perturbation de
e(t). ε(t) comme e(t) est un processus aléatoire; son
expression dépend du point d’action de la
perturbation e(t).
„ ε(t) est une version filtrée d’un bruit blanc e(t) de
moyenne et variance
E( e( t )) = 0;Var( e( t ) = σ 2

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 48

24
2.3.9 Modèle à erreur de sortie(2)

„ Output error Model: ε ( t ) = A( q −1 )e( t )

B( q −1 )
G( q −1 ) = −1
; H ( q −1 ) = 1
A( q )

„ Box-Jenkins Model C ( q −1 )
ε ( t ) = A( q −1 ) e( t )
D( q −1 )
B( q −1 ) C( q −1 )
G( q −1 ) = ; H ( q −1
) =
A( q −1 ) D( q −1 )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 49

2.4 Forme de régression et Prédiction

optimale
„ Définition: On appelle prédicteur optimal de la sortie
y(t), sur la base des informations disponibles à
l’instant (t-1), le nombre réel, noté

ŷ( t θ ,t − 1 ) = f ( θ , y( t − 1 ), y( t − 2 ),...,u( t − 1 ), u( t − 2 ),...)

qui minimise la variance

E (( y( t ) − x )2 ) = g( x )

Soit ŷ( t θ , t − 1 ) = arg min( g( x )

 x 

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 50

25
2.4 Forme de régression et Prédiction
optimale
„ Définition: La forme de régression exprime la sortie y(t) en
fonction d’un vecteur d’observations (régresseur) et du
vecteur de paramètres. Ce dernier est estimé par un
algorithme d’identification via cette forme de régression
y( t ) = f ( θ ,Φ T ,...)
Exemple: modèle ARX sans perturbations
y( t ) = Φ T θ
Un algo d’identification
−1 N
N 
θˆ N = ∑Φ ( t )Φ T ( t ) ∑Φ ( t ) y( t )
 i =1  t =1

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 51

2.4.1 Modèle ARX A( q −1 ) y( t ) = B( q −1 )u( t ) + e( t )

On démontre que le prédicateur optimal pour ce

modèle est (voir annexe1):
ŷ( t θ , t − 1 ) = Φ T ( t ) θ
= ( 1 − A( q −1 )) y( t ) + B( q −1 )u( t )
Forme de régression:
y( t ) = Φ T ( t )θ + e( t )

Φ T ( t ) = [− y( t − 1 ) ... − y( t − na ) u( t − nk ) ... u( t − nb − nk + 1 )]
θ = [a1 ... a na b1 ... bnb ]
T

Le vecteur de paramètre apparaît de manière linéaire.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 52

26
2.4.2 Modèle ARMAX (1)
A( q −1 ) y( t ) = B( q −1 )u( t ) + C( q −1 )e( t )

On démontre que le prédicteur optimal pour ce modèle

est (voir annexe2):
 A( q −1 )  B( q −1 )
ŷ( t θ , t − 1 ) =  1 − −1 
 y ( t ) + −1
u( t )
 C ( q )  C ( q )
u( t ) B( q −1 ) C( q −1 ) y( t )
y( t ) = −1
u( t ) + −1
e( t )
A( q ) A( q )

B( q −1 ) Prédicteur  A( q −1 ) 
1 − 
C ( q −1 )  C( q −1 ) 

+ +

ŷ( t θ ,t − 1 )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 53

2.4.2 Modèle ARMAX(2)

A( q −1 ) y( t ) = B( q −1 )u( t ) + C( q −1 )e( t )

Calcul pratique du prédicteur optimal:

C( q −1 )) ŷ( t θ , t − 1 ) = (C( q −1 ) − A( q −1 ))y( t ) + B( q −1 )u( t )

ŷ( t θ ,t − 1 ) = (1 − C( q −1 ))ŷ( t θ , t − 1 ) +
(C( q −1
) − A( q −1 ))y( t ) + B( q −1 )u( t )

ŷ( t θ ,t − 1 ) = c1 ŷ( t − 1 θ ,t − 2 ) + ... + cnc ŷ( t − nc θ ,t − nc − 1 ) +

c1 y( t − 1 ) + ... + cnc y( t − nc ) − a1 y( t − 1 ) − ... − a na y( t − na ) +
b1u( t − nk ) + ... + bnb u( t − nb − nk + 1 )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 54

27
2.4.2 Modèle ARMAX(3)
A( q −1 ) y( t ) = B( q −1 )u( t ) + C( q −1 )e( t )

Effets des conditions initiales?

ŷ( −1 θ ,−2 ), ŷ( −1 θ ,−3 ),..., ŷ( − nc θ ,−nc − 1 ),

1
Comme C( q −1 ) est asymptotiquement stable l’effet
des conditions initial s’annule.
Deux prédictions avec deux conditions initiales
différentes
C( q −1 )( ŷ1 ( t θ , t − 1 ) − ŷ 2 ( t θ , t − 1 )) = 0

( ŷ ( t θ ,t − 1 ) − ŷ ( t θ ,t − 1 )) → 0
1 2
exp on

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 55

2.4.2 Modèle ARMAX(4)

A( q −1 ) y( t ) = B( q −1 )u( t ) + C( q −1 )e( t )

Le prédicateur s’écrit
ŷ( t θ ,t − 1 ) = (1 − C( q −1 ))ŷ( t θ , t − 1 ) +
(C( q −1
) − 1 + 1 − A( q −1 ))y( t ) + B( q −1 )u( t )
Soit l’erreur de prédiction
δ ( t ,θ ) = y( t ) − ŷ( t θ , t − 1 )
On obtient
ŷ( t θ , t − 1 ) = Φ T ( t ,θ ).θ
avec
θ = [ a1 ...a na b1 ...bnb c1 ...cnc ] T
Φ T ( t ,θ ) = [ − y( t − 1 )... − y( t − na ) u( t − nk )...u( t − nk − nb + 1 )
δ ( t − 1,θ )...δ ( t − nc ,θ )] T
10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 56

28
2.4.2 Modèle ARMAX(5)
A( q −1 ) y( t ) = B( q −1 )u( t ) + C( q −1 )e( t )

D’où la forme de régression

y( t ) = Φ T ( t ,θ ).θ + δ ( t ,θ )
θ = [ a1 ...a na b1 ...bnb c1 ...cnc ] T
Φ T ( t ,θ ) = [ − y( t − 1 )... − y( t − na ) u( t − nk )...u( t − nk − nb + 1 )
δ ( t − 1,θ )...δ ( t − nc ,θ )] T
Remarque:
δ ( t ,θ ) = y( t ) − ŷ( t θ , t − 1 ) = e( t )

y( t ) = Φ T ( t ,θ ).θ + e( t ) pseudo_linéaire

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 57

2.4.2 Modèle ARMAX (6)

C( q −1 )
A( q −1 ) y( t ) = B( q −1 )u( t ) + e( t )
D( q −1 )

Montrer que le prédicteur optimal pour ce modèle est

(voir annexe3):
 D( q −1 ) A( q −1 )  D( q −1 )B( q −1 )
ŷ( t θ ,t − 1 ) =  1 − 
 y ( t ) + u( t )
 C( q −1 )  C ( q −1 )
u( t ) B( q −1 ) C ( q −1 ) y( t )
y( t ) = −1
u( t ) + e( t )
A( q ) D( q −1 ) A( q −1 )

D( q −1 )B( q −1 ) Prédicteur  D( q −1 ) A( q −1 ) 
 1 − 
C ( q −1 )  C ( q −1 ) 
+ +

ŷ( t θ ,t − 1 )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 58

29
2.4.3 Modèle OE (1) y( t ) =
B( q −1 )
u( t ) + e( t )
A( q −1 )

On démontre que le prédicteur optimal pour ce modèle

est (voir annexe4):
B( q −1 )
ŷ( t θ , t − 1 ) = u( t )
A( q −1 )
Calcul pratique

ŷ( t θ , t − 1 ) = ( 1 − A( q −1 )) ŷ( t θ , t − 1 ) + B( q −1 )u( t )

ŷ( t θ , t − 1 ) = a1 ŷ( t − 1 θ , t − 2 ) + ... + a na ŷ( t − na θ , t − na − 1 ) +

b1u( t − nk ) + ... + bnb u( t − nk − nb + 1 )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 59

2.4.3 Modèle OE (2) y( t ) =

B( q −1 )
u( t ) + e( t )
A( q −1 )

u( t ) B( q −1 ) y( t )
y( t ) = u( t ) + e( t )
A( q −1 )

B( q −1 ) Prédicteur
A( q −1 )

ŷ( t θ ,t − 1 )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 60

30
 2.4.3 Modèle OE (3) y( t ) =
B( q −1 )
u( t ) + e( t )
A( q −1 )

Puisque B( q −1 )
ŷ( t θ , t − 1 ) = u( t )
A( q −1 )

D’où y( t ) = ŷ( t θ , t − 1 ) + e( t )
La forme de régression pseudo-linéaire s’écrit
y( t ) = Φ T ( t ,θ )θ + e( t )
θ = [ a1 ...a na b1 ...bnb ] T
Φ T ( t ,θ ) = [ − ŷ( t − 1θ , t − 2 )... − ŷ( t − na θ , t − na − 1 )
u( t − nk )...u( t − nk − nb + 1 )] T
10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 61

2.4.4 Modèle Général (1)

B( q −1 ) C( q −1 )
A( q −1 ) y( t ) = −1
u( t ) + e( t )
F( q ) D( q −1 )
On démontre que le prédicteur optimal pour ce modèle
est (voir annexe5):
D( q −1 )B( q −1 )  D( q −1 ) A( q −1 ) 
ŷ( t θ ,t − 1 ) = −1 −1
u( t ) +  1 −  y( t )
C( q )F ( q )  C ( q −1 ) 

Sachant que
na nf nc
A( q −1 ) = 1 + ∑ ai q −i ;F ( q −1 ) = 1 + ∑ f i q −i ; C( q −1 ) = 1 + ∑ ci q −i ;
i =1 i =1 i =1
nb nd
B( q −1 ) = ∑ bi q −nk −i +1 ; D( q −1 ) = 1 + ∑ d i q −i
i =1 i =1

Le vecteur de paramètre est

θ = [a1 ... a na b1 ... bnb c1 ... cnc d1 ... d nd f1 ... f nf ]
10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 62

31
2.4.4 Modèle Général (2)
B( q −1 ) C( q −1 )
A( q −1 ) y( t ) = −1
u( t ) + e( t )
F( q ) D( q −1 )
En utilisant les variables intermédiaires
B( q −1 )
w( t ,θ ) = u( t )
F ( q −1 )
v( t ,θ ) = A( q −1 ) y( t ) − w( t ,θ )

On démontre qu’on obtient la forme de régression

suivante (annexe 6):

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 63

2.4.4 Modèle Général (3)

B( q −1 ) C( q −1 )
A( q −1 ) y( t ) = −1
u( t ) + e( t )
F( q ) D( q −1 )

y( t ) = Φ T ( t ,θ ).θ + δ ( t ,θ ) forme pseudo-linéaire

Avec
θ = [a1 ... a na b1 ... bnb c1 ... cnc d1 ... d nd f1 ... f nf ]
Φ T = [− y( t − 1 ) ... − y( t − na ) u( t − nk ) ... u( t − nk − nb + 1 )
δ ( t − 1,θ ) ... δ ( t − nc ,θ ) − v( t − 1,θ ) ... − v( t − nd ,θ )
− w( t − 1,θ ) ... − w( t − nf ,θ ) ]
L’erreur de prédiction
δ ( t ,θ ) = y( t ) − ŷ( t θ , t − 1 ) = e( t )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 64

32
2.4.5 Remarques générales(1)

„ Tous les cas précédents, l’erreur de prédiction est

donnée par:
δ ( t ,θ ) = y( t ) − ŷ( t θ ,t − 1 ) = e( t )

Cette propriété sera utilisée ultérieurement dans les

procédures de validation du modèle estimé (test de
blancheur, test d’indépendance).

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 65

2.4.5 Remarques générales(2)

„ Dans les formes de régression pseudo-linéaires, les

algorithmes d’identification suggèrent de remplacer
à l’instant t, le vecteur θ par θˆ ( t − 1 )

Sans cette substitution, il est impossible de calculer à

l’instant t le vecteur d’observation Φ T ( t ,θ )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 66

33
2.5 Boites à outils pratiques

Il existe de nombreux outils informatiques qui

permettent l’identification des systèmes:
„ Matlab, Labview, Scilab…

„ Objectif:
‰ connaître et savoir utiliser qq uns de ces outils.
‰ Profiter de l’outil informatique pour automatiser et
faciliter la procédure d’identification.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 67

2.5.1Déroulement général d’une procédure

d’identification
„ Les étapes typiques d’une procédure
d’identification sous Matlab:
‰ Préparation des données: Importation / visualisation
des données/pré-traitement (valeur moy, filtrage,
dérives…)
‰ Estimation et validation du modèle: essai de
différentes structures de modèles, avec différents
ordres et délais.
‰ Post-traitement et transformation du modèle:
discret/linéaire; réduction d’ordre …

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 68

34
2.5.2 Toolbox system identification-
MatlabTM
Matlab permet l’identification des systèmes à l’aide:
‰ D’une boite à outils graphiques.

‰ Ou d’un ensemble de commandes /fonctions.

Ces outils couvrent l’identification paramétrique/ non

paramétrique des systèmes linéaires/ non linéaires,
discrets/ continus, dans les domaines temporel
/fréquentiel, et supportent plusieurs structures de
modèles (équations aux différences, équation
d’état…)

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 69

2.5.3 Interface graphique d’utilisateur GUI

Import des données Pré traitement des
données

Modèles obtenus

Estimation
Propriétés des
modèles

Visualisation données
Validation des
modèles
10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 70

35
 Identification des systèmes
dynamiques

Chap 3 Identification paramétrique

récursive en l’absence de perturbations

3.1 Récursivité

L’identification paramétrique par un algorithme

récursif permet d’estimer en ligne le vecteur des
paramètres = à chaque instant d’échantillonnage le
vecteur de paramètres est estimé en fonction du
vecteur précédemment trouvé.
L’identification récursive permet donc:
‰ De mieux estimer des systèmes variants dans le
temps.
‰ De ne pas impliquer des calculs avec un grand
nombre de données.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 72

36
3.1 Position du problème et Objectif(1)

On s’intéresse dans un premier temps à l’identification

d’un système de type ARX sans perturbation.
A( q −1 ) y( t ) = B( q −1 )u( t ) Avec A( q ) = 1 + a1 q + .... + a n q
−1 −1 −n

B( q −1 ) = b1 q −1 + .... + a n q −n
n ≥ max( na , nb ) connu
Si n > max( na , nb ) alors ai = 0 et b j = 0 pour i = na + 1,..., n
et j = nb + 1,..., n
Si le retard n k > 1 alors b j = 0 pour j = 1,..., nk − 1

La structure du modèle est donc connue, au prix

d’une surparamétrisation du modèle.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 73

3.1 Position du problème et Objectif(2)

L’objectif est d’estimer en ligne le vecteur de

paramètre inconnu
θ = [a1 ... a n b1 ... bn ]
T

en utilisant des algorithmes récursifs d’identification.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 74

37
3.2 Algorithme de gradient(1)

Forme de régression (chap 2) y( t ) = Φ T ( t )θ

Le prédicteur optimal (chap 2)
ŷ( t θ ,t − 1 ) = Φ T ( t ) θ
= ( 1 − A( q −1 )) y( t ) + B( q −1 )u( t )

Commeθ est inconnu, on suggère comme prédicteur

ŷ( t θ , t − 1 ) = Φ T ( t ) θˆ ( t − 1 )
avec par déf θˆ ( t ) l' éstimé de θ en utilisant les données u(i) et y(i)
pour i = 0 ,...,t

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 75

3.2Algorithme de gradient(2)

On définit l’erreur de prédiction a priori par

δ ( t ) = y( t ) − Φ T ( t )θˆ ( t − 1 )
On définit l’erreur de prédiction a posteriori par
δ p ( t ) = y( t ) − Φ T ( t )θˆ ( t )
La méthode du gradient considère que le meilleur
estimateur pour θ est le vecteur x, qui minimise le
critère:
2
J ( x ) = x − θˆ ( t − 1 ) + λ ( y( t ) − Φ T ( t ) x ) 2
Ce vecteur sera noté
θ̂ ( t )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 76

38
3.2Algorithme de gradient(3)

Dans le critère:
2
J ( x ) = x − θˆ ( t − 1 ) + λ ( y( t ) − Φ T ( t ) x ) 2

λ Module le compromis entre:

‰ Meilleure prédiction a posteriori

‰ Convergence rapide deθ̂ ( t ) , soit la proximité de

θˆ ( t − 1 )

On démontre( voir annexe7) que le vecteur recherché

se calcule de la manière suivante:

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 77

3.2Algorithme de gradient(2)

Algorithme du gradient
λΦ ( t )δ ( t )
θˆ ( t ) = θˆ ( t − 1 ) +
1 + λΦ T ( t )Φ ( t )
δ ( t ) = y( t ) − Φ T ( t )θˆ ( t − 1 ); avec θˆ ( 0 ) = 0
Autre forme
Φ ( t )δ ( t )
θˆ ( t ) = θˆ ( t − 1 ) +
α + Φ T ( t )Φ ( t )
δ ( t ) = y( t ) − Φ T ( t )θˆ ( t − 1 ); α = 1/λ ; avec θˆ ( 0 )
TP: programmation de cet algorithme

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 78

39
3.2Algorithme de gradient(3)

Propriétés de l’algorithme du gradient

θˆ ( t ) − θ est non croissante
δ( t )
lim =0
t →∞
α + Φ T ( t )Φ ( t )
si Φ ( t ) est bornée alors lim δ ( t ) = 0
t →∞

lim δ p ( t ) = lim( y( t ) − Φ ( t )θˆ ( t )) = 0

T
t →∞ t →∞

Le modèle induit par θˆ ( t ) est bien représentatif du système réel.

Mais ce ci n' implique pas forcément que θˆ ( t ) → θ
t →∞

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 79

3.2Algorithme de gradient(4)

En effet, l’algorithme résoud récursivement

y( t ) = Φ T ( t ) X soit Φ T ( t )θ = Φ T ( t ) X
l' équation Φ T ( t )( θ − X ) = 0 n' implique pas forcément
X = θ , mais seulement que ( θ − X ) appartient au sous espace
horthogonal au sous espace engendré par le vecteur Φ ( t ).
Donc si Φ ( t ) balaye tout l' espace IR 2n alors
le vecteur ( θ − X ) = 0 soit X = θ

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 80

40
3.2Algorithme de gradient(5)

Pour assurer la convergence des estimés des

paramètres vers leur vraies valeurs:
Il faut que Φ ( t ) balaye tout l' espace IR 2n
On dit que Φ ( t ) doit avoir la propriété d' excitation persistante EP.
Déf : Φ ( t ) possède la propriété d' excitation persistante EP si
N
∃N et α > 0 tels que ∑Φ ( t + i )Φ T ( t + i ) ≥ αI
i =1

∑ (Φ ( t + i )W ) ≥ α W
N
2 2
ou autrement ∀W ∈ IR 2 n T

i =1

Sous cette condition θ̂(t) → θ quand t → ∞

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 81

3.2Algorithme de gradient(5)

Remarquons que
Φ T ( t ) = H ( q −1 )u( t )
Avec
−1  −1 B(q -1 ) -1
− n +1 B(q ) 
H( q ) =  -q ... -q q −1 ... q −n 
 A(q -1 ) A(q -1 ) 

C’est la nature de u(t) qui procure à Φ(t) la propriété

EP (voir plus loin pour le choix de u(t)).

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 82

41
3.2Algorithme des MC récursif(1)

La méthode des MC récursive considère que le

meilleur estimateur pour θ est le vecteur x, qui
t
minimise le critère:
J ( x ) = ∑ ( y( i ) − Φ T ( i ) x ) 2
i=

La solution non récursive à ce problème est:

−1 t
 t 
θˆ ( t ) =  ∑Φ ( i )Φ T ( i )  ∑Φ ( i ) y( i )
 i =1  i =1

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 83

3.2Algorithme des MC récursif(2)

On démontre que la solution récursive de ce problème

est donnée par (voir annexe 8):
θˆ ( t ) = θˆ ( t − 1 ) + P( t )Φ ( t )δ ( t )
P( t − 1 )Φ ( t )Φ T ( t )P( t − 1 )
P( t ) = P( t − 1 ) −
1 + Φ T ( t )P( t − 1 )Φ ( t )
δ ( t ) = y( t ) − Φ T ( t )θˆ ( t − 1 )
Initialisation θˆ ( 0 ) = θ si on a des infos sur le système
0

ou θˆ ( 0 ) = 0
P( 0 ) = α I d avec α >> 1 (1000, 10000...)

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 84

42
3.2Algorithme des MC récursif(3)

Autre forme des MC récursives

P( t − 1 )Φ ( t )δ ( t )
θˆ ( t ) = θˆ ( t − 1 ) +
1 + Φ T ( t )P( t − 1 )Φ ( t )
P( t − 1 )Φ ( t )Φ T ( t )P( t − 1 )
P( t ) = P( t − 1 ) −
1 + Φ T ( t )P( t − 1 )Φ ( t )
δ ( t ) = y( t ) − Φ T ( t )θˆ ( t − 1 )

TP programmation de cet algorithme

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 85

3.2Algorithme des MC récursif(3)

Propriétés des MC récursives

θˆ ( t ) − θ ≤ K θˆ ( 0 ) − θ
δ( t )
est de carré intégrable
1 + Φ T ( t )Φ ( t )
θˆ ( t ) − θˆ ( t − 1 ) est de carré integrable
Le modèle induit par θˆ ( t ) est bien représentatif du système réel.
Mais ce ci n' implique pas forcément que θˆ ( t ) → θ .
t →∞

θˆ ( t ) → θ , nécessité d' avoir la propriété d' EP pour Φ (t).

t →∞

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 86

43
 Identification des systèmes
dynamiques

Chap 4 Identification paramétrique

récursive en présence de perturbations

4.1 Position du problème et Objectif

On s’intéresse à l’identification d’un système en

présence de perturbations. −1 −1
A( q ) = 1 + a1 q + .... + a n q − n
A( q −1 ) y( t ) = B( q −1 )u( t ) + ε ( t ) B( q −1 ) = b1 q −1 + .... + a n q −n
n ≥ max( na , nb ) connu
Le terme perturbateur est ε ( t )
Cette équation est assez générale, en effet si :
‰ ε ( t ) = e( t ) (bruit blanc) alors Modèle ARX
‰ ε ( t ) = C ( q )e( t )
−1
alors Modèle ARMAX
‰ ε ( t ) = A( q )e( t )
−1
alors Modèle OE
C ( q −1 )
‰ ε( t ) = −1
e( t ) alors Modèle Box_Jenkins
D( q )

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 88

44
4.2 Modèle ARX perturbé
A( q −1 ) y( t ) = B( q −1 )u( t ) + e( t ) e( t ) (bruit blanc)

Forme de régression linéaire: y( t ) = Φ ( t )θ + e( t )

Algo MC récursif donne

θˆ ( t ) = θˆ ( t − 1 ) + P( t )Φ ( t )δ ( t )
P( t − 1 )Φ ( t )Φ T ( t )P( t − 1 )
P( t ) = P( t − 1 ) −
1 + Φ T ( t )P( t − 1 )Φ ( t )
δ ( t ) = y( t ) − Φ T ( t )θˆ ( t − 1 )
sous la condition d' EP lim θˆ ( t ) = θ
t →∞

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 89

4.2 Modèle ARMAX(1)

A( q −1 ) y( t ) = B( q −1 )u( t ) + C( q −1 )e( t ) e( t ) (bruit blanc)

Forme de régression pseudo-linéaire (voir chap2):

y( t ) = Φ ( t ,θ )θ + e( t )
Le prédicteur optimal au sens des MC (chap2)
ŷ( t θ , t − 1 ) = (1 − C( q −1 ))ŷ( t θ , t − 1 ) +
(C( q −1
) − A( q −1 ))y( t ) + B( q −1 )u( t )
Ces deux équations n’ont aucun intérêt pratique
puisque θ n’est pas connu.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 90

45
4.2 Modèle ARMAX(2)

Les MC récursives suggèrent de remplacer dans la

forme de régression pseudo-linéaire et dans le
prédicteur optimal
θ par θˆ ( t − 1 )
Soient
y( t ) = Φ T ( t ,θˆ ( t − 1 ))θ + e( t )

ŷ( t θ , t − 1 ) par ŷ( t θˆ ( t − 1 ), t − 1 )

Les MC récursives prennent alors la forme:

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 91

4.2 Modèle ARMAX(3)

P( t − 1 )Φ ( t ,θˆ ( t − 1 ))δ ( t ,θˆ ( t − 1 ))
θˆ ( t ) = θˆ ( t − 1 ) +
1 + Φ T ( t ,θˆ ( t − 1 ))P( t − 1 )Φ ( t ,θˆ ( t − 1 ))
P( t − 1 )Φ ( t ,θˆ ( t − 1 ))Φ T ( t ,θˆ ( t − 1 ))P( t − 1 )
P( t ) = P( t − 1 ) −
1 + Φ T ( t ,θˆ ( t − 1 ))P( t − 1 )Φ ( t ,θˆ ( t − 1 ))
δ ( t ,θˆ ( t − 1 )) = y( t ) − Φ T ( t ,θˆ ( t − 1 ))θˆ ( t − 1 )

Φ T ( t ,θˆ ( t − 1 )) =
[ − y( t − 1 )... − y( t − n ) u( t − 1 )...u( t − n )
δ ( t − 1,θˆ ( t − 2 ))...δ ( t − n ,θˆ ( t − n − 1 ))] T

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 92

46
4.2 Modèle ARMAX(4)
u( t ) B( q −1 ) C( q −1 ) y( t )
y( t ) = −1
u( t ) + −1
e( t )
A( q ) A( q )

Prédicteur ŷ( t θˆ ( t − 1 ), t − 1 )
θˆ ( t − 1 )
q -1
θ̂ ( t ) Algo des MC
récursives

TP programmation de cet algorithme

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 93

4.3 Modèle OE(1)

1
A( q −1 ) y( t ) = B( q −1 )u( t ) + e( t ) e( t ) (bruit blanc)
A( q −1 )

Forme de régression pseudo-linéaire (voir chap2):

y( t ) = Φ ( t ,θ )θ + e( t )
Le prédicteur optimal au sens des MC (chap2)

ŷ( t θ , t − 1 ) = ( 1 − A( q −1 )) ŷ( t θ ,t − 1 ) + B( q −1 )u( t )

Ces deux équations n’ont aucun intérêts pratiques

puisque θ n’est pas connu.

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 94

47
4.3 Modèle OE(2)

Les MC récursives suggèrent de remplacer dans la

forme de régression pseudo-linéaire et dans le
prédicteur optimal
θ par θˆ ( t − 1 )
Soient
y( t ) = Φ T ( t ,θˆ ( t − 1 ))θ + e( t )

ŷ( t θ , t − 1 ) par ŷ( t θˆ ( t − 1 ), t − 1 )

Les MC récursives prennent alors la forme:

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 95

4.3 Modèle OE(3)

P( t − 1 )Φ ( t ,θˆ ( t − 1 ))δ ( t ,θˆ ( t − 1 ))
θˆ ( t ) = θˆ ( t − 1 ) +
1 + Φ T ( t ,θˆ ( t − 1 ))P( t − 1 )Φ ( t ,θˆ ( t − 1 ))
P( t − 1 )Φ ( t )Φ T ( t ,θˆ ( t − 1 ))P( t − 1 )
P( t ) = P( t − 1 ) −
1 + Φ T ( t ,θˆ ( t − 1 ))P( t − 1 )Φ ( t ,θˆ ( t − 1 ))
δ ( t ,θˆ ( t − 1 )) = y( t ) − Φ T ( t ,θˆ ( t − 1 ))θˆ ( t − 1 )

Φ T ( t ,θˆ ( t − 1 )) =
[ − ŷ( t − 1θˆ ( t − 2 ), t − 2 )... − ŷ( t − n θˆ ( t − n − 1 ), t − n − 1 )
u( t − 1 )...u( t − n )] T

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 96

48
4.4 Modèle OE(4)
u( t ) B( q −1 ) y( t )
y( t ) = u( t ) + e( t )
A( q −1 )

Prédicteur ŷ( t θˆ ( t − 1 ), t − 1 )
θˆ ( t − 1 )
q -1
θ̂ ( t ) Algo des MC
récursives

TP programmation de cet algorithme

10-2010 Master ATSII -FST Settat Identification des systèmes dynamiques- [Link] 97

49