UNIVERSITÉ DE TUNIS

THESE EN GÉNI ÉLECTRIQUE

en vue d’obtention du :

présenté par :

Walid HAMDI

Développement d’une approche de commande

prédictive des systèmes incertains et contraints en
utilisant les ensembles invariants.

soutenu le ...... à l’ENSIT devant le Jury composé de :

 Table des matières

Introduction 1

1 Généralités sur la stabilisation des systèmes incertains et contraints 3

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Modélisation des systèmes dynamiques . . . . . . . . . . . . . . . . . . . 4
1.2.1 Modélisation des systèmes linéaires . . . . . . . . . . . . . . . . . 4
[Link] Matrice de transfert . . . . . . . . . . . . . . . . . . . . 5
[Link] Représentation d’état . . . . . . . . . . . . . . . . . . . 5
1.2.2 Modélisation des systèmes non linéaires . . . . . . . . . . . . . . . 6
1.3 Stabilisation des systèmes incertains . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Incertitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 Concept de stabilité . . . . . . . . . . . . . . . . . . . . . . . . . 8
[Link] Stabilité au sens de Lyapunov . . . . . . . . . . . . . . . 8
[Link] Stabilité Quadratique : . . . . . . . . . . . . . . . . . . . 11
[Link] Stabilité polyédrique : . . . . . . . . . . . . . . . . . . . 12
1.4 Invariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Ensemble invariant . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.2 Ensemble positivement invariant . . . . . . . . . . . . . . . . . . . 14
1.4.3 Les ensembles ellipsoïdaux . . . . . . . . . . . . . . . . . . . . . . 15
1.4.4 Les ensembles Polyhédriques . . . . . . . . . . . . . . . . . . . . . 16
1.4.5 Les ensembles zonotopiques . . . . . . . . . . . . . . . . . . . . . 17
1.4.6 Les Tubes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5 La commande prédictive . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5.1 Historique de la commande prédictive . . . . . . . . . . . . . . . . 20
1.5.2 Méthodologie du MPC : . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.3 Éléments du MPC . . . . . . . . . . . . . . . . . . . . . . . . . . 22
[Link] Modèle de prédiction . . . . . . . . . . . . . . . . . . . . 22
[Link] Fonction objectif et obtention de la loi de commande . . 23
[Link] Modélisation des Contraintes . . . . . . . . . . . . . . . 23
1.5.4 Stabilité de la commande prédictive . . . . . . . . . . . . . . . . . 24
[Link] Robustesse de la commande prédictive sous contraintes 26
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
 Table des figures

1.1 Système à non linéarité séparable . . . . . . . . . . . . . . . . . . . . . . 6

1.2 (a) asymptotiquement stable ; (b) stable ; (c) instable. . . . . . . . . . . . 8
1.3 Construction d’un zonotope . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4 Schéma de la structure de base des algorithmes MPC . . . . . . . . . . . 22
Liste des tableaux
vi Liste des tableaux

des abréviations
IntroductionPFE
 Chapitre 1

Généralités sur la stabilisation des

systèmes incertains et contraints

Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Modélisation des systèmes dynamiques . . . . . . . . . . . . . . 4
1.2.1 Modélisation des systèmes linéaires . . . . . . . . . . . . . . . . . 4
1.2.2 Modélisation des systèmes non linéaires . . . . . . . . . . . . . . 6
1.3 Stabilisation des systèmes incertains . . . . . . . . . . . . . . . . 7
1.3.1 Incertitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 Concept de stabilité . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Invariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Ensemble invariant . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.2 Ensemble positivement invariant . . . . . . . . . . . . . . . . . . 14
1.4.3 Les ensembles ellipsoïdaux . . . . . . . . . . . . . . . . . . . . . . 15
1.4.4 Les ensembles Polyhédriques . . . . . . . . . . . . . . . . . . . . 16
1.4.5 Les ensembles zonotopiques . . . . . . . . . . . . . . . . . . . . . 17
1.4.6 Les Tubes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5 La commande prédictive . . . . . . . . . . . . . . . . . . . . . . . 20
1.5.1 Historique de la commande prédictive . . . . . . . . . . . . . . . 20
1.5.2 Méthodologie du MPC : . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.3 Éléments du MPC . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.4 Stabilité de la commande prédictive . . . . . . . . . . . . . . . . 24
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
4 contraints
1.1 Introduction
Un problème fondamental à résoudre en Automatique réside dans la commande des
systèmes incertains qui présentent des contraintes sur les variables de l’entrée, de l’état
ou de la sortie. Ce problème peut être théoriquement résolu au moyen de la théorie
des ensembles invariants qui joue un rôle important dans la conception des systèmes
commandés contraints. En effet, les contraintes peuvent être satisfaites pour tout si et
seulement si l’état initial est à l’intérieur d’un ensemble invariant. Au cours des dernières
décennies, de nombreux efforts ont été déployés pour stabiliser un système incertain sous
contraintes et de réaliser la conception de la loi de commande sans tenir compte des
contraintes (Henrion, 1999 ; Teppa, 2003 ; Ichalal et al., 2010). Puis, une adaptation de
la loi de commande de retour d’état (Mohamed et al., 2018), la commande prédictive
révèle toute son importance dans le traitement de ce problème. Dans l’approche de la
commande prédictive, une séquence de valeurs prédites de commande sur un horizon
de prédiction finie est calculée afin d’optimiser la performance du système en boucle
fermée, exprimée en termes d’une fonction de coûts ( Kothare et al., 1996 ; Binette,
2016).
Ce premier chapitre est consacré à la présentation de quelques notions concernant
l’étude de la stabilité et la stabilisation des systèmes dynamiques, l’invariance et la com-
mande prédictive. D’abord, une modélisation des systèmes dynamiques sera présentée.
Ensuite, une étude sur la stabilité des systèmes dynamiques, ainsi que, la stabilité des
systèmes incertains. Puis, quelques notions sur l’invariance et les ensembles invariants.
Et enfin, une synthèse de la loi de commande prédictive robuste.

1.2 Modélisation des systèmes dynamiques

1.2.1 Modélisation des systèmes linéaires

L’étape la plus important lors de la conception d’un système automatisé est sa mo-
délisation. Il faut obtenir une représentation mathématique reproduisant aussi conve-
nablement que possible le comportement du système à commander.
Il existe deux façons pour la modélisation des systèmes dynamiques linéaires : l’une dite
fréquentielle, basée sur la notion de matrice de transfert, l’autre temporelle, basée sur
la notion de représentation d’état.
1.2. Modélisation des systèmes dynamiques 5

[Link] Matrice de transfert

Historiquement, la modélisation fréquentielle est la plus ancienne. Il s’agit de repré-

senter les relations existant entre les signaux d’entrée et de sortie du système à l’aide de
leur transformée de Laplace. Soit s la variable de Laplace. Soient u(s) et y(s) les trans-
formées de Laplace des signaux d’entrée u(t) et de sortie y(t) du système respectivement.
La représentation mathématique dans le domaine fréquentiel du système s’écrit :

y(s) = G(s)u(s) (1.1)

où G(s) est la matrice de transfert.

Il y’a plusieurs façons de représenter la matrice . Par exemple, on peut exprimer chaque
élément de G(s) comme un rapport entre un polynôme numérateur et un polynôme
dénominateur. Une autre possibilité consiste à calculer le plus petit commun multiple
de tous les polynômes dénominateurs de G(s) , que nous noterons par p(s). La matrice
G(s) peut alors s’écrire :
N (s)
G(s) = (1.2)
p(s)
où N (s) est une matrice polynomiale.

[Link] Représentation d’état

Dans les années 1960, un autre type de modèle est introduit pour les systèmes li-
néaires invariants. Il s’agit de décrire la dynamique du système à partir de l’évolution
d’un vecteur d’état représentatif des grandeurs invariants dans le système. Cette repré-
sentation se fait à travers une équation différentielle du premier ordre de la forme :
( .
x = Ax(t) + Bu(t)
(1.3)
y(t) = Cx(t) + Du(t)

Pour les systèmes à temps discret, x est le vecteur d’état, u est le vecteur d’entrée ou
de commande et y est le vecteur de sortie ou d’observation.
(
xk+1 = Axk + Buk
(1.4)
yk = Cxk + Duk
 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
6 contraints

On peut donner l’expression de la matrice de transfert à partir de la relation suivante :

G(s) = C(sI − A)−1 B + D (1.5)

La modélisation des systèmes par représentation d’état permet de résoudre les problèmes
de commande par l’étude des propriétés algébriques des matrices réelles et de leurs
valeurs propres.

1.2.2 Modélisation des systèmes non linéaires

Contrairement aux systèmes linéaires, les systèmes non linéaires ne vérifient pas le
principe de superposition et donc les conditions de proportionnalité et d’additivité.
Dans l’étude des systèmes non linéaires, on se heurte à plusieurs difficultés telle que :
- L’analyse par la fonction de transfert est impossible,
- La notion de pôles disparait,
- Un système non linéaire possède en général plusieurs points d’équilibre et l’étude de
leur stabilité est plus complexe que dans le cas linéaire pour lequel le concept de stabilité
est global.
Une représentation d’état d’un système d’ordre n s’écrit :
 .

 x(t) = F (x(t), u(t), t) ,


 y(t) = G (x(t), u(t), t)
(1.6)


 x ∈ Rn u ∈ Rm

y ∈ Rq ∀t ≥ 0


Une solution x(t) des équations précédentes correspond généralement à une courbe de
l’espace d’état quand t varie de 0 à ∞, appelée une trajectoire d’état. La non linéarité
d’un système peut-être intrinsèque ou peut être isolée, c’est à dire que l’on peut avoir
une association d’éléments caractéristiques non linéaires associées à un système pour
lequel un modèle est linéaire (figure 1.1).

Figure 1.1 – Système à non linéarité séparable

Comme pour les systèmes linéaires, il est possible de distinguer aussi les modèles
1.3. Stabilisation des systèmes incertains 7

non linéaires suivants :

- à temps continu / à temps discret,
- invariant dans le temps / variant dans temps,
- mono-variable / multi-variable
Définition 1.1 : Le système non linéaire (1.6) est dit autonome si F et G ne dépendent
pas explicitement du temps t, c’est-à-dire, si le système s’écrit par :
 .
 x = F (x(t), u(t)) ,


y(t) = G (x(t), u(t)) (1.7)

 x ∈ Rn u ∈ Rl y ∈ Rm


Si non, le système (1.6) est dit non autonome.

Dans le cas non autonome, si les variations des caractéristiques sont lentes dans le temps
on pourra approcher le système par une séquence de systèmes autonomes.
Comme nous l’avons cité précédemment, les systèmes non linéaires forment la classe
des systèmes la plus générale, un cas particulier est celle des systèmes linéaires. Un
système linéaire invariant (LTI) n’a en général qu’un seul point d’équilibre alors qu’un
système non linéaire a plusieurs points d’équilibre (Boyd et al., 1994 ; Slotine et al.,
1991 ; Sastry, 2003).

1.3 Stabilisation des systèmes incertains

1.3.1 Incertitude

Les structures de systèmes réels sont modélisées par des systèmes d’équations avec
incertitudes. De telles incertitudes peuvent se présenter sous plusieurs formes telles
que, incertitude structurée et non structurée, incertitude paramé- trique, incertitudes
polytopiques, etc. Pour cette raison, on cherche à concevoir des commandes basées sur
une connaissance totale du comportement dynamique des processus, et de les rendre
insensibles aux incertitudes ou perturbations qui sont présentes dans le modèle réel.
Autrement dit, il est désirable que les contrôleurs soient robustes. Un système robuste
est celui qui maintient ses propriétés (stabilité et performance) en présence d’incertitudes
ou de perturbations internes ou externes.
 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
8 contraints

1.3.2 Concept de stabilité

Le concept de stabilité fait référence dans plusieurs domaines. Il est commun d’en-
tendre dire qu’une monnaie est stable ; à un ingénieur dire qu’une structure est stable
ou instable, à un chimiste dire qu’une réaction est stabilisée, etc...
En 1892, M. Lyapunov a formulé de manière précise le concept de stabilité, et ses tra-
vaux ont constitué le point de départ pour établir d’autres variantes du concept. À titre
d’exemple, on peut considérer que le mouvement d’une balle qui se déplace sous l’action
de la gravité sur différentes surfaces. Dans les trois cas, la balle se trouve dans une
position d’équilibre, mais quel sera le mouvement résultant si la balle est écartée "un
peu" de son état d’équilibre ? Dans le cas (a), la balle se maintiendra près de sa position
d’équilibre en oscillant autour de celle-ci, et tendra à revenir à cette position d’équilibre,
si l’on admet l’existence de frottements, phénomènes dissipateurs d’énergie mécanique.
Dans ce cas, l’équilibre est dit asymptotiquement stable. Dans le cas (b), pour toute
petite perturbation de la balle, celle-ci restera "près" de la position d’équilibre mais ne
tendra pas à s’approcher de cette position, on parlera alors de stabilité non asympto-
tique. Finalement en (c), toute petite perturbation entraînera la balle à s’éloigner de sa
position d’équilibre ; dans ce cas l’équilibre est alors instable.

Figure 1.2 – (a) asymptotiquement stable ; (b) stable ; (c) instable.

[Link] Stabilité au sens de Lyapunov

La théorie de la stabilité joue un rôle important en théorie des systèmes dyna-

miques. Différents types de problème de stabilité peuvent être rencontrés dans l’étude
des systèmes dynamiques. Nous entendons par stabilité du système, la stabilité des
points d’équilibre. La stabilité d’un point d’équilibre est généralement étudiée à l’aide
du concept de stabilité au sens de Lyapunov (Saoud, 2009).

La théorie de Lyapunov est basée sur deux méthodes, la méthode indirecte, dite aussi
première méthode de lyapunov, et la méthode directe de Lyapunov, dite aussi deuxième
1.3. Stabilisation des systèmes incertains 9

méthode de Lyapunov.

- Méthode indirecte de Lyapunov :

La première méthode de Lyapunov est basée sur l’examen de la linéarisation du système
.
x = f (x, u) autour de l’équilibre (x, u). Plus précisément, on examine les valeurs propres
∂f
λi (A) de la matrice Jacobienne évaluée à l’équilibre A = ∂x
(x, u).
Selon cette méthode et on appliquons la au système non linéaire :
 .
 x(t) = F (x(t))


x(t0 ) = x0 (1.8)

 x ∈ Rn


Le développement au premier ordre de (1.8) donne :

. ∂F (x(t))
x= |x=0 + φ(x) (1.9)
∂x

où φ(x) fait intervenir les termes d’ordre supérieur. On notera la matrice Jacobienne de
F par :
∂F (x(t))
A(t) = |x=0 (1.10)
∂x
alors, le système est défini par :
d
(δx) = Aδx (1.11)
dt
est le système linéarisé autour du point d’équilibre (l’origine). Le résultat fondamental
de la méthode indirecte est donné par le théorème suivant :
Théorème 1.1
Soit A la matrice Jacobienne du système linéarisé de (1.8) autour de x = 0.
- Si la matrice A a toutes ses valeurs propres à parties réelles strictement négatives, alors
le point d’équilibre du système non linéaire est localement asymptotiquement stable.
- Si la matrice A admet au moins une valeur propre à partie réelle positive, alors le
point d’équilibre du système non linéaire est instable.
- Si la matrice A a des valeurs propres à parties réelles négatives ou nulles, avec au moins
une nulle, on ne peut rien conclure sur la stabilité du point d’équilibre du système non
linéaire c’est un cas critique, le système peut être stable, asymptotiquement stable ou
même instable.
Le théorème ne permet pas de dire si l’équilibre est stable ou instable quand la matrice
 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
10 contraints

Jacobienne comporte au moins une valeur propre nulle et aucune valeur propre à partie
réelle strictement positive. Dans ce cas, les trajectoires du système convergent vers un
sous-espace (une variété) dont la dimension est le nombre de valeurs propres nulles de
la matrice Jacobienne et la stabilité de l’équilibre peut être étudiée dans ce sous-espace
par la seconde méthode.

- Méthode directe de Lyapunov :

La méthode directe de Lyapunov consiste à étudier la stabilité du système sans avoir
recours à la solution explicite des équations différentielles non linéaires. En effet, le pro-
cédure de base est de générer une fonction "de type énergie" dite fonction de Lyapunov
pour le système dynamique et d’en examiner la dérivée temporelle le long d’une trajec-
toire. Physiquement, cela revient à dire que si l’énergie totale d’un système est dissipée
de manière continue alors le système, devra rejoindre finalement un point d’équilibre.
En d’autre termes, le système est stable si son énérgie diminue et elle est minimum à
l’équilibre.
Définissons d’abord la fonction de Lyapunov.
Définition 1.2 : (Fonction définie positive)
La fonction scalaire V (x) est dite globalement définie positive si V (0) = 0 et que
V (x) > 0pour tout x 6= 0.
Définition 1.3 : (Fonction candidate de Lyapunov)
La fonction V (x) : W ⊆ Rn → R+ est une fonction candidate de Lyapunov, si elle
satisfait les deux conditions suivantes :
∂V (x)
- V (x) continue et ses dérivées partielles ∂x(i)
, pour tout i = 1, ..., n existent et sont
continues.
- V (x) est définie positive.
.
Le signe de V (x) et V (x) donne une information sur la stabilité du système à étudier.

Théorème 1.2
Considèrons le système décrit par l’équation (1.7).
L’origine du système (1.7) est stable s’il existe une fonction V ∈ C 1 (Rn , R) avec
V (0) = 0 et telle que :
1. V est définie positive, et
.
2. V (x) est semi-définie négative.
1.3. Stabilisation des systèmes incertains 11

[Link] Stabilité Quadratique :

La stabilité quadratique des systèmes incertains est le prolongement de la notion de

stabilité de Lyapunov lorsque les fonctions candidates de Lyapunov sont des fonctions
quadratiques.
Nous considérons le système linéaire incertain :

.
x = A(t)x (1.12)

où, la matrice A est incertaine et appartient à un ensemble compact Ω. Ce système est

dit quadratiquement stable s’il existe une matrice P = P T > 0 telle que, quelle que soit
la matrice A appartenant à l’ensemble Ω, nous avons :

xT AT (t)P + P A(t) x < 0.

 
(1.13)

La fonction V (x) = xT P x s’avère être une fonction de Lyapunov du système assurant la

stabilité asymptotique de l’origine. On peut alors montrer qu’une condition nécessaire
et suffisante de stabilité quadratique du système incertain (1.12) est :
- Dans le cas des incertitudes bornées en norme avec

Ω = {A0 + DF (t)E, kF (t)k2 ≤ 1} , (1.14)

Une condition nécessaire et suffisante est qu’il existe une matrice P = P T > 0 telle que
l’inégalité matricielle :

A0 P + P A0 + P DDT P + E T E < 0 (1.15)

soit vérifiée.
- Dans le cas des incertitudes polytopiques avec :

Ω = Conv {A1 , ..., AnA } (1.16)

avec Conv désigne l’enveloppe convexe.

Le système (1.12) est stable si et seulement s’il existe une matrice P = P T > 0 telle que
l’inégalité matricielle :
ATi P + P Ai < 0 (1.17)
 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
12 contraints

soit vérifiée pour tout i = 1, ..., nA

D’autre parts, si on considère le système linéaire incertain commandé suivant :

.
x = A(t)x + B(t)u (1.18)

où, A et B sont incertaines et appartiennent respectivement aux ensembles compact Ω

et ∆. Le problème consiste à chercher une commande par retour d’état u = Kx tel que
le système incertain en boucle fermée :

.
x = (A(t) + B(t)K)x (1.19)

est quadratiquement stable. Si une telle commande existe, alors le système (19) est dit
quadratiquement stabilisable.

[Link] Stabilité polyédrique :

Soit un domaine convexe S ∈ Rn , il est toujours possible de définir une fonction

polyédrique, appelée fonction de Minkowski, qui est essentiellement une fonction dont
les équipotentielles sont obtenues par échelonnage linéaire du domaine S :

ΨS (x) = inf {λ ≥ 0 : x ∈ λS} (1.20)

Si le domaine convexe S est symétrique par rapport à l’origine (c’est-à-dire x ∈ S ⇒

−x ∈ S pour tout x ∈ Rn , alors ΨS (x) = ΨS (−x) et dans ce cas ΨS est une norme).
Ainsi, une fonction de Lyapunov polyédrique symétrique peut être généralement écrite
sous la forme d’une norme infinie :

V (x) = kF xk∞ (1.21)

où F ∈ Rm×n une matrice de rang plein (m ≥ n et rangF = n). La condition de rang

précédente garantit que la fonction de Lyapunov polyédrique soit définie positive dans
Rn . L’expression, éventuellement non symétrique, est donnée par :

V (x) = max F x = max Fi x, pour tout i = 1, 2, . . . , m (1.22)

i
1.4. Invariance 13

où Fi est la iéme ligne de la matrice F .

Les fonctions de Lyapunov polyédriques se caractérisent par le fait que leur existence est
une condition nécessaire et suffisante de stabilité. Cette propriété est dite "universalité".

1.4 Invariance

Avec la théorie de Lyapunov introduite dans le cadre des systèmes régis par des
équations différentielles ordinaires, la notion d’ensemble invariant a été utilisée dans de
nombreux problèmes concernant l’analyse et la commande des systèmes dynamiques.
Une motivation importante ayant conduit à introduire les ensembles invariants est venu
du besoin d’analyser l’influence des incertitudes sur les systèmes dynamiques dont les
variables d’état sont contraints. Pour de tels systèmes, pour toute condition initiale qui
appartient à un ensemble positivement invariant, la violation des contraintes peut être
évitée. Ainsi, l’inclusion d’un état dans un ensemble invariant donne une idée sur n’im-
porte quelle trajectoire y appartenant.
En théorie des ensembles pour la commande, il existe un lien entre la théorie de Lya-
punov et la propriété d’invariance (Blanchini et Miani, 2008 ; Fiacchini et al., 2010).
Les fonctions de Lyapunov sont des fonctions de type énergie qui sont définies positives
et qui dépendent des variables d’état du système. Ces fonctions ont la propriété d’être
décroissantes dans le temps et sont des outils fondamentaux pour garantir la stabilité
des systèmes dynamiques. D’ailleurs, leurs ensembles de niveau sont des ensembles in-
variants (Blanchini et al., 2008 ; Tarbouriech et al., 2000), et donc leurs formes sont tout
à fait significatives pour caractériser la dynamique du système.
Génériquement, une fonction de Lyapunov d’un système est une fonction définie positive
ayant la propriété qu’elle décroit le long de la trajectoire du système. Cette propriété
peut être vérifiée sans connaitre les trajectoires du système, en utilisant la dérivée de la
fonction de Lyapunov. Si la fonction Ψ(x) de l’état du système est non croissante le long
de la trajectoire du système, alors nous avons comme une conséquence que l’ensemble
N(Ψ, v) = {x : Ψ(x) ≤ v} est un ensemble invariant.
La convergence vers un point d’équilibre ou vers un ensemble peut être liée à la région
de l’espace d’état où la propriété de contraction est garantie.
 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
14 contraints

1.4.1 Ensemble invariant

Un des objets d’étude les plus importants dans la théorie des systèmes dynamiques
est l’étude des invariants et en particulier des invariants positifs dans une certaine région.
Généralement, un ensemble invariant est un ensemble dans lequel, lorsque le système y
entre, il y restera à jamais. On peut penser par exemple aux orbites autour de la terre,
qui, lorsque y entre un satellite, il y restera indéfiniment si aucune action hormis les
forces naturelles n’est exercée dessus.
Définition 1.4 :
Un domaine Ω est un domaine invariant pour un système dynamique si pour toute tra-
jectoire du système qui commence d’un point de Ω reste dans Ω pour tout instant t ∈ R.
Par exemple, tout domaine d’attraction d’un point d’équilibre est un domaine invariant.
Tout l’espace d’état est évidemment un domaine invariant. A partir des domaines inva-
riant on peut conclure sur la stabilité asymptotique, si la dérivée de la fonction candidate
de Lyapunov est semi-définie négative. Ils permettent en plus d’étendre le concept de
Lyapunov pour décrire la convergence des dynamiques du système.

1.4.2 Ensemble positivement invariant

Soit un système non linéaire défini par :

.
x = f (x) (1.23)

On suppose qu’il est défini sur un domaine ⊆ Rn et qu’il existe une solution pour
tout t ≥ 0 et pour toute condition initiale x(0) ∈ .
S’il existe une unique solution de (1.23) correspondant à chaque condition initiale don-
née x(0) ∈ , on définit l’invariance positive par : Définition 1.5 :
Le domaine S ⊂ est dit positivement invariant si toute solution x(t) de (1.23), rela-
tive à la condition initiale x(0) ∈ S, appartient à S pour tout t ≥ 0.
Si une fonction V des variables d’état d’un système dynamique est décroissante le long
de ses trajectoires, alors le domaine défini par :

Ω(V, c) = {x : V (x) ≤ c} (1.24)

est positivement invariant.

1.4. Invariance 15

1.4.3 Les ensembles ellipsoïdaux

Les ensembles ellipsoïdaux sont couramment utilisés dans l’analyse de stabilité ro-
buste et la synthèse des correcteurs des systèmes sous contraintes. Leur popularité est
due à l’efficacité des calculs grâce à l’utilisation de formulations LMI et du fait que leur
complexité est fixe par rapport à la dimension de l’espace d’état (Benboubker, 2013 ;
Riah, 2016). Cette approche, cependant, peut conduire à des résultats conservatifs (com-
parativement aux ensembles invariants polytopiques).
Considérons le système (1.23), Un ensemble ellipsoïdal est défini par la relation :

n o
nx T T −1 T −1
E= x∈R : (x − xc ) P (x − xc ) = (x − xc ) G (x − xc ) ≤ 1, P = P = G 0
(1.25)
où P = P T ∈ Rnx ×nx est une matrice définie positive et xc ∈ Rnx est le centre de
l’ellipsoïde E.
On considère xc = 0, l’expression (1.25) devient donc :

E = x ∈ Rnx : xT P x = xT G−1 x ≤ 1, P = P T = G−1  0


(1.26)

Les ellipsoïdes sont couramment utilisés dans la théorie de la commande, depuis ils
sont associés à des outils puissants tels que les inégalités linéaires matricielles (LMI).
Lors de l’utilisation d’un ellipsoïde, les problèmes d’optimisation peuvent être réduits
à l’optimisation d’une fonction linéaire sous contraintes LMI. Une inégalité matricielle
linéaire est une affection du type :
F (x) ≥ 0 (1.27)

où x ∈ Rn est un vecteur et :
n
X
F (x) = F0 + F i xi (1.28)
i=1

où les matrices Fi ∈ Rm×m sont symétriques.

Le complément de Schur est un outil très utile pour manipuler les inégalités matricielles :
(
P (x)  0
(1.29)
P (x) − Q(x)T R(x)−1 Q(x)  0
 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
16 contraints

ou (
P (x)  0
(1.30)
R(x) − Q(x)P (x)−1 Q(x)T  0
peut être écrite sous la forme des LMIs :
" #
P (x) Q(x)T
0 (1.31)
Q(x) P (x)T

Le principal inconvénient des ellipsoïdes est d’avoir une structure fixe et symétrique qui
peut-être trop conservatrice. Il est bien connu que :
- L’enveloppe convexe d’un ensemble ellipsoïdes, en général, n’est pas un ellipsoïde.
- La somme des deux ellipsoïdes n’est pas, en général, un ellipsoïde.
- La différence de deux ellipsoïdes n’est pas, en général, un ellipsoïde.
- L’intersection de deux ellipsoïdes n’est pas, en général, un ellipsoïde.
Il peut y avoir des trajectoires qui sortent de la structure ellipsoïdes qui peut être inclus
dans des polyèdres.

1.4.4 Les ensembles Polyhédriques

Avec des contraintes linéaires sur les variables d’état et de commande, les ensembles
invariants polyédriques sont préférés aux ensembles invariants ellipsoïdaux, car ils offrent
une meilleure approximation du domaine d’attraction (Kheawhom et al., 2013 ; Cui et
al. 2001). Leur principal inconvénient consiste dans la complexité exponentielle de leur
représentation en fonction de la dimension de l’espace.
Un ensemble polyédrique convexe S(M, d) est un ensemble de la forme :

S(M, d) = x ∈ Rn : MiT x ≤ di , i = 1, 2, ..., n1


(1.32)

où M ∈ Rn désigne la i-ème ligne de la matrice M ∈ Rn1 ×n et di la i-ème composante

du vecteur colonne d ∈ Rn1 .
Un ensemble polyédrique contient l’origine si et seulement si d ≥ 0, il contient l’origine
à l’intérieur si et seulement si d > 0.
Un polytope est un ensemble qui peut être défini de manière équivalente soit par ses
sommets, soit par ses faces.
Définition 1.6 : (Enveloppe convexe)
pour tout ensemble E ⊆ Rn , le plus petit ensemble contenant E est appelé l’enveloppe
1.4. Invariance 17

convexe (convex hull) de E ; il est noté conv(E).

Définition 1.7 : (Polytope)
Un polytope est un ensemble polyédrique borné.
Représentation par les sommets : (représentation-H)
Si S(P ) désigne l’ensemble de tous les sommets d’un polytope P ⊂ Rn , alors P =
conv(S(P )), autrement dit, tout polytope est l’enveloppe convexe de ses sommets.
Représentation par les faces : (représentation-V)
Si P = P (M, d) ⊂ Rn est un polytope de dimension n et si aucune inégalité du système
M x ≤ d n’est inactive, alors il y a exactement une inégalité pour chaque facette de
P . Autrement dit, tout polytope est l’intersection des demi-espaces associés à chaque
facette.

1.4.5 Les ensembles zonotopiques

Les zonotopes sont des polytopes ayant des propriétés géométriques qui font d’eux
des objets "simples". Le fait que ce sont des polytopes dont les faces et les sommets
peuvent être caractérisés explicitement et dont les volumes peuvent être calculés. Au-
trement, le zonotope est un polytope symétrique. un zonotope peut être représenté par
des demi-espaces et par ses sommets (comme polytope). En revanche, pour le zonotope,
deux représentation supplémentaires : une représentation par les générateurs et une re-
présentation par une transformation linéaire d’un hypercube (application linéaire).
Représentation par les générateurs :(représentation-G)
Soit un vecteur p ∈ Rn et un ensemble de vecteur G = g1, g2, ..., gm ⊂ Rn , avec m ≥ n.
Un zonotope Z d’ordre m est défini comme suit :
( m
)
X
Z = (p; g1 , g2 , ..., gm ) = x ∈ Rn |x = p + αi gi ; |αi | ≤ 1 (1.33)
i=1

Le vecteur p est appelé le centre du zonotope Z. Les vecteurs g1 , g2 , ..., gm sont appelés
les générateurs de Z. L’ordre du zonotope est défini par le nombre de générateurs (m
dans ce cas).
Les segments du zonotope Z sont les segments de droite entre deux sommets du zo-
notope. La représentation par les générateurs est équivalente à la représentation d’un
zonotope par la somme de Minkovski d’un nombre fini de segments :

Z = (p; g1 , g2 , ..., gm ) = p ⊕ g1 B 1 ⊕ ... ⊕ gm B 1 (1.34)

 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
18 contraints

où ⊕ est la somme de Minkovski et B 1 est une boite unitaire. Définition 1.8 : (Somme
de Minkovski)
La somme de Minkovski de deux ensembles X et Y est défini par :

X ⊕ Y = {x + y : x ∈ X, y ∈ Y } (1.35)

Représentation par projection linéaire d’un hypercube :

Un zonotope d’ordre m dans Rn (m ≥ n) est la translation de centre p ∈ Rn de l’image
d’un hypercube unitaire de dimension m dans Rn au moyen d’une application linéaire.
Soit une matrice H ∈ Rn×m représentant l’application linéaire. Le zonotope Z est défini
par :

Z = (p; H) = p ⊕ HB m (1.36)

avec B m est une boîte unitaire composée de m intervalles unitaires.

Définition 1.9 :
un intervalle unitaire est décrit par B = [−1, 1].
La complexité du zonotope Z est proportionnelle au nombre de ses générateurs m et à
la dimension de son espace n.
Remarque : Les deux représentation (1.34) et (1.36) sont équivalentes si on considère la
matrice H = [g1g2...gm].
Utilisant la réprésentation des zonotopes par la somme de Minkvoski, la figure (1.3)
illustre comment un zonotope est construit pas à pas en ajoutant d’autres générateurs,
où de la gauche à la droite sont ajoutés des générateurs bidimensionnels.

Figure 1.3 – Construction d’un zonotope

1.4. Invariance 19

1.4.6 Les Tubes

Les tubes invariants sont utilisés pour les systèmes avec perturbation bornée ex-
terne pour l’analyse de la stabilité robuste. Leur popularité est liée à la réduction de la
complexité de calcul et à des propriétés de robustesse relativement fortes telles que la
convergence exponentielle robuste en présence d’incertitude et de perturbation.
On considére le système LTV à temps discret avec perturbations suivant :

xk+1 = A(k) + B(k)uk + w (1.37)

avec x ∈ Rn est l’état, u ∈ Rm est l’entrée de commande et w ∈ Rn est une perturbation

bornée.
Soit un système nominal défini par :

0 0 0
xk+1 = Axk + Buk (1.38)

0 0
avec x ∈ Rn et u ∈ Rm sont l’état et l’entrée de commande du système nominal res-
pectivement.
Soit un ensemble positivement invariant Ω pour le système (1.37). Un tube invariant
est écrit sous cette forme :

n 0 o n 0 o n 0 o 
T = x0/k ⊕ Z, x1/k ⊕ Z, . . . , xN −1/k ⊕ Z (1.39)

où ⊕ est la somme de Minkovski définie comme dans (1.35).

D’ailleurs, dans la théorie de la conception d’une loi de commande robuste garantis-
sant la satisfaction des contraintes est abordée au moyen d’un calcul d’une séquence
de régions d’espace d’état, appelée tube. Le terme tube est basé sur des techniques de
commande visant à maintenir toutes les trajectoires possibles d’un système incertain à
l’intérieur d’une séquence de régions admissibles à l’aide d’outils liés à la théorie des
ensembles. Parmis ces techniques, l’utilisation de la commande prédictive robuste basée
sur les tubes (TMPC) : est un algorithme de commande avancé capable de gérer l’incer-
titude du modèle. L’idée de base d’un MPC robuste basé sur des tubes est de maintenir
une trajectoire d’état d’un système incertain à l’intérieur d’une séquence de tubes (Raw-
lings et Mayne 2009). TMPC est motivé par le fait qu’une trajectoire d’état réel diffère
d’une trajectoire d’état d’un système nominal en raison de l’incertitude (Mayne et Lang-
son 2001).
 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
20 contraints

Les approches MPC basées sur des tubes sont motivées par le fait que l’évolution prévue
d’un système obtenue à l’aide d’un modèle nominal diffère de l’évolution réelle en rai-
son de l’incertitude. Une formulation de MPC permettant de prendre en compte cette
disparité dans la synthèse du commande est la formulation à base de tubes consiste à
calculer la région autour de la prédiction nominale contenant l’état du système sous
toutes les incertitudes possibles (Chisci et al. 2001), cette approche sera présentée au
chapitre 3.
Dans la section suivante, une introduction est faite sur la commande prédictive : his-
torique de cette stratégie de commande, méthodologie et techniques. La manière de
formuler les contraintes en MPC y est décrite..

1.5 La commande prédictive

La commande prédictive est choisie en raison de ses avantages, en particulier sa
facilité de mise en oeuvre et sa capacité à traiter des contraintes. Cette commande
est basée sur un problème d’optimisation résolu à chaque instant, sur un horizon fini
de prédiction, afin de déterminer une séquence de commandes dont seul le premier
élément sera appliqué au système (Richalet et al, 2014). La commande robuste pour
des systèmes qui ont des paramètres incertains reste un problème ouvert à cause du
problème d’optimisation non convexe et du manque de garantie de stabilité du système
et de faisabilité de la loi de commande.

1.5.1 Historique de la commande prédictive

La fin de la décennie 90 a été marquée par un intérêt pour le modèle de la commande
prédictive et surtout dans ses développements industriels. En Europe, on peut citer les
travaux de (Boucher et al., 1996) où est formulé le problème de la commande heuristique
prédictive basée sur le modèle [MPHC “Model Prédictive Heuristic Control” appelé plus
tard MAC “Model Algorithmic Control”]. Un modèle dynamique du processus est utilisé
dans les deux cas (la réponse impulsionnelle dans la première et la réponse indicielle
dans la seconde) en vue de quantifier l’effet des actions de commande sur la sortie, les
commandes sont calculées pour minimiser l’erreur prédite sous restrictions d’exécution
(fonction objectif). L’optimisation est répétée à chaque période d’échantillonnage, s’ap-
puyant aussi sur les données mesurées sur le processus.
Rapidement, ces techniques sont devenues populaires en particulier dans les processus
1.5. La commande prédictive 21

industriels chimiques grâce à la simplicité de l’algorithme et au fait qu’est utilisé un

modèle dérivé de la réponse impulsionnelle ou indicielle, ce qui nécessite moins de para-
mètres que la formulation dans l’espace d’état ou la formulation entréesortie (fonction
transfert). Un état complet de ces applications dans le secteur pétrochimique pendant
les années quatre-vingt peut être trouvé dans (Allgöwer et al., 2012).
Indépendamment, La commande adaptative prédictive étendue développée par certains
groupes européens de recherche propose un signal de commande constant pour tout
l’horizon de prédiction. La commande adaptative à horizon étendu consiste à calculer
à chaque instant la séquence des signaux de commande pour essayer de maintenir la
sortie future la plus proche possible de la consigne pour un horizon de temps plus grand
que le retard présent sur le processus (Mayne et al., 2000 ; Qin et al., 2003).
L’intérêt pour la commande prédictive a augmenté graduellement depuis les années 80,
et d’autres méthodologies partageant les mêmes idées sont apparues dans la littérature
spécialisée de la commande. La commande prédictive peut être formulée dans le contexte
de la représentation en variables d’état (Zhang et al., 2016). Ceci permet non seulement
de faire usage de théorèmes et résultats existant dans la théorie d’espace d’état, mais
aussi facilite l’extension de la théorie de la commande prédictive à des cas plus complexes
comme ceux des systèmes avec perturbations stochastiques, bruits sur les variables de
mesure ou commande multivariable. Étant donné la charge élevée de calcul qu’exigent les
algorithmes de programmation quadratique dans la stratégie de commande prédictive,
beaucoup d’auteurs commencent à étudier la possibilité d’obtenir une solution rapide
fournissant un résultat le plus souvent sous-optimal dans le problème d’optimisation
(Granado, 2004 ; Scherer et al., 2000). On y présente une solution explicite pour le cas
de retour d’états pour systèmes nominaux.

1.5.2 Méthodologie du MPC :

Le principe du fonctionnement de la commande prédictive (MPC) peut être carac-
térisé comme suit : 1. À chaque instant k, en disposant d’un modèle et de la valeur de
la sortie en y(k) du système, on fait la prédiction de la sortie pour un certain horizon
N, dit horizon de prédiction, les sorties prédites sont notées y(k + i/k), i = 1, 2, ..., N .
2. La prédiction de la sortie, est réalisée en calculant le vecteur des futurs signaux de
commande u(k + i/k), i = 0, 1, ..., N − 1 à travers l’optimisation d’une fonction objec-
tif. Cette fonction (en général, convexe) force à rendre la sortie future la plus proche
 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
22 contraints

possible de la trajectoire de référence (consigne connue) w(k + i), tout en réduisant les
efforts de la commande. Des contraintes sur la sortie ou sur la commande peuvent être
également imposées.
3. Le premier élément u(k) du vecteur de commande prédictive u(k+i/k), i = 0, 1, ..., N −
1 issu du problème précédent est appliqué au système et le reste est rejeté car à l’instant
suivant la nouvelle sortie y(k + 1) est disponible et en conséquence l’étape 1 est répétée
en prenant k +1 au lieu de k Ce principe est connu comme le concept de l’horizon fuyant
(ou mobile) (Abu-Ayyad et al., 2010).

1.5.3 Éléments du MPC

Dans la figure 1.4, la structure de base commune à toutes les stratégies de commande
prédictive sera présentée : Tous les algorithmes MPC ont :

Figure 1.4 – Schéma de la structure de base des algorithmes MPC

- un modèle de prédiction.
- une fonction objective pour calculer la stratégie optimale de commande.
Les différences portent sur le type de la fonction objectif, le traitement de l’erreur de
prédiction ou encore sur le modèle de prédiction.

[Link] Modèle de prédiction

Le modèle joue un rôle décisif dans le calcul de la commande. Il doit traduire avec
une exactitude suffisante les caractéristiques dynamiques du processus à des instant fu-
turs y(k + i/k) en se servant des valeurs passées de la commande, de la sortie et des
1.5. La commande prédictive 23

valeurs optimales de la commande future u(k + i/k).

Les différentes stratégies du MPC emploient différents modèles pour représenter la re-
lation entre la sortie et l’entrée du système. Parmi les signaux d’entrée, on distingue les
variables manipulées (ou commande) et des perturbations mesurables qui peuvent être
compensées par anticipation ("feedforward"). De plus, les composantes non considérées
par le modèle du système doivent être pris en considération, ce qui inclut l’effet des
entrées non mesurables, des bruits et des erreurs de modélisation.

[Link] Fonction objectif et obtention de la loi de commande

Les divers algorithmes de la commande prédictive proposent différentes fonctions de

coût pour obtenir la loi de commande. L’objectif principal consiste à faire en sorte que
la sortie future pour l’horizon de prédiction considéré s’approche le mieux possible de
la trajectoire de référence w(k) tout, en même temps, pénalisant l’effort de commande
∆u (k) = u(k + i/k) − u(k) nécessaire. Une expression générale de la fonction objectif
adaptée à cette tâche est donnée par :
( N2 Nu
)
X X
J =E σ(i)[y(k + i/k) − w(k + i/k)]2 + λ(i)[∆u(k + i − 1/k)]2 (1.40)
i=N1 i=1

Dans quelques méthodes le deuxième terme relatif à l’effort de commande, n’est pas pris
en compte (Fuente et al., 2006).
Dans la formulation (2.3) on peut également identifier les paramètres de réglage spèci-
fiques à la commande prédictive :
– les horizons inférieur, N1 , et supérieur, N2 , de prédiction sur la sortie,
– l’horizon de prédiction sur la commande, Nu , au-delà duquel les valeurs futures de la
commande sont considérées constantes,
– les facteurs de pondération sur l’erreur, σ, et sur l’effort de commande, λ.

[Link] Modélisation des Contraintes

Dans la pratique, les processus sont sujets à des contraintes qui doivent, bien sûr,
être prises en compte dans le problème d’optimisation afin d’obtenir des commandes
admissibles.
Les techniques de la commande MPC intègrent les contraintes pendant la phase de
 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
24 contraints

synthèse et d’implantation du contrôleur, permettant à l’ingénieur de présenter les

contraintes d’une façon directe de sorte que l’algorithme trouve automatiquement la
meilleure solution admissible.
Le système de commande, particulièrement dans le cas de la commande prédictive avec
de grands horizons de prédiction, doit prévoir la violation des restrictions et corriger
d’une forme appropriée. Bien que les restrictions à l’entrée et à la sortie du processus
se traitent de même manière, les implications de chaque type de contraintes sont diffé-
rentes.
Les restrictions en sortie sont dues à des raisons de sécurité opérationnelles, et doivent
être contrôlées à l’avance puisqu’elles peuvent endommager les équipements physiques.

1.5.4 Stabilité de la commande prédictive

L’une des solutions au problème de stabilité de la stratégie de commande prédictive

est obtenue par des algorithmes qui utilisent un horizon de prédiction infini (Van Over-
schee et al., 2012).
Ces contrôleurs peuvent être déterminées, du fait que le problème associe est transformé,
après quelques manipulations, en un problème équivalent d’horizon fini avec un système
dépendant de matrices de poids. De cette manière, on résout la difficulté de manier des
restrictions dans le cadre d’horizon de prédiction infini (Soloway et al., 2004).
Pour transformer la fonction d’horizon infini :

∞
X
J(k) = (x(k + i)/k)T Qx(k + i/k) + u(k + i/k)T Ru(k + i/k) (1.41)
i=0

en une fonction équivalente d’horizon fini, il est fait l’hypothèse que pour i ≥ N , la loi
de commande appliquée est un retour d’état u(k + i − 1/k) = Kx(k + i − 1/k). Ainsi,
la fonction coût peut être réécrite de la manière suivante :

−1
NP
J(k) = (x(k + i)/k)T Qx(k + i/k) + u(k + i/k)T Ru(k + i/k)+
i=0 (1.42)
∞
(x(k + i)/k)T Qx(k + i/k) + u(k + i/k)T Ru(k + i/k)
P
N
1.5. La commande prédictive 25

En développant le second terme de l’expression précédente, on obtient :

∞
(x(k + i)/k)T Qx(k + i/k) + u(k + i/k)T Ru(k + i/k)) =
P
i=N
x(k + N/k)T (Q + K T RK)x(k + N/k)
+x(k + N + j/k)T
(1.43)
ou d’une manière équivalente :
∞
(x(k + i)/k)T Qx(k + i/k) + u(k + i/k)T Ru(k + i/k)) =
P
i=N
x(k + N/k)T (Q + K T RK)x(k + N/k) + x(k + N/k)T (A + BK)T (Q + K T RK)(A + BK)x(k +
+x(k + N/k)T (A + BK)T j (Q + K T RK)( A + BK)j x (k + N/k) + · · ·
(1.44)
Soit :
∞  
P T T
x(k + i/k) Qx(k + i/k) + u(k + i/k) Ru(k + i/k) =
i=N
∞ h i
T T T T i T i
P
x(k + N/k) (A + K B ) (Q + K RK)(A + BK) x(k + N/k).
i=0
(1.45)
on obtient : ∞  
T i
X i
T T T
P = (A + K B ) (Q + K RK)(A + BK) , (1.46)
i=0

La série converge si le système est stable, alors :

∞  
T T T T i T i
P
(A + BK) P (A + BK) = (A + K B ) (Q + K RK)(A + BK)
i=1 (1.47)
T
= P − (Q + K RK).

L’équation précédente est une équation de Lyapunov. Le problème de commande prédic-

tive à horizon infini, se transforme en la minimisation de la fonction objective d’horizon
fini suivante :
N
X −1  
J(k) = x(N/k)T P x(N/k) + x(k + i/k)T Qx(k + i/k) + u(k + i/k)T Ru(k + i/k)
i=0
(1.48)
 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
26 contraints

[Link] Robustesse de la commande prédictive sous contraintes

Pour un modèle mathématique à utiliser dans le but de concevoir un système de

contrôle, il est préférable que celui-ci ait une structure simple (linéaire, par exemple)
et d’une taille suffisamment petite pour pouvoir employer de manière efficace les tech-
niques d’optimisation disponibles. Cela permet ainsi d’effectuer le calcul des actions de
commande en un temps raisonnable compatible aux conditions du temps réel.
Pour cette raison, pour le choix du modèle mathématique, il s’avère nécessaire d’effec-
tuer des simplifications pour ne retenir que les aspects essentiels du comportement. Il
est aussi commun d’envisager des problèmes pour lesquels on dispose d’une information
incomplète du processus. Pour ces raisons, le modèle ne constituera pas une description
précise du comportement du processus réel, mais plutôt, une approximation de celui-ci.
La majorité des techniques de conception de contrôleurs, se basent sur modèle avec une
structure et des paramètres fixes (modèle nominal). Mais, de manière plus réaliste, on
doit tenir compte des erreurs qui peuvent affecter défavorablement l’action du système
de commande. L’objectif est que la commande conçue soit insensible à ces incertitudes
de modèle, c’est-à-dire, qu’elle soit robuste.
Le but de la commande robuste est de concevoir des commandes qui préservent la sta-
bilité et les performances du système malgré les erreurs de modèle et les incertitudes.
Bien que le concept de boucle fermée satisfasse des critères de robustesse de manière
implicite, le terme de commande robuste est utilisé dans la littérature pour des sys-
tèmes de commande qui sont basés sur une prise en compte explicite des divergences
entre le modèle et le processus réel, c’est-à-dire, quand on incorpore l’incertitude dans
la formulation des problèmes de synthèse (Briat, 2013).
L’étude des commandes robustes est un domaine d’actualité de grand intérêt, et sont
nombreuses les publications écrites sur ce sujet (Grieder et al., 2004 ; Chmielewski et
al., 2005). Toutes les formulations de la commande prédictive, se basent sur l’utilisation
d’un modèle nominal du processus pour la prédiction de la sortie, c’est-à-dire, ne consi-
dèrent pas explicitement les erreurs du modèle du système.
Le fait de calculer une commande avec des performances optimales pour un modèle
unique particulier, peut conduire à une faible performance quand, implantée sur un sys-
tème réel lequel n’est pas précisément décrit par le modèle (Abu-Ayyad et al., 2010).
Motivé par les avancées de la théorie de la commande robuste, vers la fin de la décen-
nie 80 et les débuts de celle de 90, s’est produit un accroissement dans l’intérêt de la
communauté scientifique, à réviser les techniques de commande prédictive avec l’inten-
1.6. Conclusion 27

tion d’inclure des caractéristiques de robustesse, garantissant stabilité et performances

adéquates quand le modèle du processus est incertain. Kothare et al. (Kothare et al,
1996) utilisent des modèles linéaires polyédriques (incertitude structurée) et inégalités
linéaires matricielles (Lee, 2011), pour concevoir des commandes robustes efficaces qui
garantissent des restrictions sur l’entrée et la sortie du système.
Ramires et al. (Ramirez et al., 2003) emploient une description d’incertitude très glo-
bale dans le modèle mathématique, qui permet d’englober un grand nombre de phéno-
mènes tels que non linéaires, perturbations non mesurables et paramètres variant dans
le temps. La loi de commande est déterminée en résolvant un problème min-max sur
l’ensemble des familles incertaines définies par l’incertitude (il s’agit là d’une solution
très "suffisante").

1.6 Conclusion
Dans ce chapitre nous avons décrit quelques notions mathématiques permettant
de représenter des systèmes dynamiques, ainsi que des notions de stabilisation et de
stabilité de systèmes incertains soumis à des contraintes. Ensuite, nous avons introduit
le principe d’invariance et la méthodologie de la commande prédictive ainsi que leur rôle
dans la stabilisation de systèmes incertains.
Dans le chapitre suivant, nous allons nous intéresser à l’analyse de la stabilisation des
systèmes incertains par l’approche MPC utilisant les ensembles invariants polyhédriques
et zonotopiques.
1.6. Conclusion 29

Bibliographie

Althoff, M., Stursberg, O., et Buss, M. (2010). Computing reachable sets of hybrid
systems using a combination of zonotopes and polytopes. Nonlinear analysis : hybrid
systems, 4(2), 233-249.

Abu-Ayyad, M. M., Dubay, R., et Pramujati, B. (2010). A New Adaptive Generali-

zed Predictive Control Algorithm for Nonlinear Processes. In ASME 2010 International
Mechanical Engineering Congress and Exposition (pp. 929-937). American Society of
Mechanical Engineers.

Allgöwer, F., et Zheng, A. (Eds.). (2012). Nonlinear model predictive control (Vol. 26).
Birkhäuser. Binette, J. C. (2016). Robustesse de la commande prédictive non-linéaire
par rapport aux erreurs paramé- triques (Doctoral dissertation, École Polytechnique de
Montréal).

Athanasopoulos, N., et Bitsoris, G. (2009). A novel approach to the computation of

the maximal controlled invariant set for constrained linear systems. In 2009 European
control conference (ECC) (pp. 3124-3129). IEEE.

Boyd, S., El Ghaoui, L., Feron, E., et Balakrishnan, V. (1994). Linear matrix inequali-
ties in system and control theory (Vol. 15). Siam.

Bey, W., Kardous, Z., et Braiek, N. B. (2010). On the PLF construction for the absolute
stability study of dynamical systems with non-constant gain. Nonlinear Dynamics and
Systems Theory, 10(1), 21-28.

Boucher, P., et Dumur, D. (1996). La commande prédictive (Vol. 8). Editions Tech-
nip.

Briat, C. (2013). Robust stability and stabilization of uncertain linear positive systems
via integral linear constraints : L1 gain and L∞ gain characterization. International
Journal of Robust and Nonlinear Control, 23(17), 1932-1954.

Benboubker, M. B. (2013). Sur certains problèmes elliptiques quasilinéaires non ho-

 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
30 contraints

mogènes de type dirichlet ou neumann.

Blanchini, F., et Miani, S. (2008). Set-theoretic methods in control (p. P2). Boston :
Birkhäuser.

Bumroongsri, P., and Kheawhom, S. (2012). An off-line robust MPC algorithm for
uncertain polytopic discrete-time systems using polyhedral invariant sets. Journal of
Process Control, 22(6), 975-983.

Bumroongsri, P., and Kheawhom, S. (2016). An off-line formulation of tube-based robust

MPC using polyhedral invariant sets. Chemical Engineering Communications, 203(6),
736-745.

Blesa, J., Puig, V., et Saludes, J. (2011). Identification for passive robust fault detection
using zonotope based set-membership approaches. International Journal of Adaptive
Control and Signal Processing, 25(9), 788-812.

Chmielewski, D. J., et Manousiouthakis, V. (2005). On constrained infinite-time li-

near quadratic optimal control with stochastic disturbances. Journal of Process control,
15(4), 383-391.

Cui, H., Fan, Y., and Liu, X. (2011). Offline robust MPC based on polyhedral inva-
riant set. In Proceedings of the 30th Chinese Control Conference (pp. 3406-3410). IEEE.

Chisci, L., Rossiter, J. A., and Zappa, G. (2001). Systems with persistent disturbances :
predictive control with restricted constraints. Automatica, 37(7), 1019-1028.

Fuente, M. J., Robles, C., Casado, O., Syafiie, S., et Tadeo, F. (2006). Fuzzy control
of a neutralization process. Engineering Applications of Artificial Intelligence, 19(8),
905-914.

Fiacchini, M., Alamo, T., et Camacho, E. F. (2010). On the computation of convex

robust control invariant sets for nonlinear systems. Automatica, 46(8), 1334-1338.

Granado, E. (2004). Commande prédictive à base de programmation semi définie (Doc-

1.6. Conclusion 31

toral dissertation).

Granjon, Y. (2006). Automatique-systemes linéaires, non linéaires,a temps continu,a

temps discret, représentation d’état : cours et exercices corrigés. Dunod, Paris.

Grieder, P., Borrelli, F., Torrisi, F., et Morari, M. (2004). Computation of the constrai-
ned infinite time linear quadratic regulator. Automatica, 40(4), 701-708.

Henrion, D. (1999). Stabilité des systèmes linéaires incertains à commande contrainte

(Doctoral dissertation). Ichalal, D., Marx, B., Maquin, D., et Ragot, J. (2010, October).
Estimation d’état des systèmes non linéaires incertains sous forme multimodèle de type
Takagi-Sugeno.

Henrion, D., Tarbouriech, S., et KučEra, V. (2001). Control of linear systems subject
to input constraints : a polynomial approach. Automatica, 37(4), 597-604.

Hanema, J., Lazar, M., and Toth, R. (2017). Stabilizing tube-based model predictive
control : Terminal set and cost construction for LPV systems. Automatica, 85, 137-144.

Hu, X. B., et Chen, W. H. (2008). Model predictive control : terminal region and termi-
nal weighting matrix. Proceedings of the Institution of Mechanical Engineers, Part I :
Journal of Systems and Control Engineering, 222(2), 69-79.

Ingimundarson, A., Bravo, J. M., Puig, V., Alamo, T., et Guerra, P. (2009). Robust
fault detection using zonotope based set-membership consistency test. International
journal of adaptive control and signal processing, 23(4), 311-330.

Kothare, M. V., Balakrishnan, V., et Morari, M. (1996). Robust constrained model

predictive control using linear matrix inequalities. Automatica, 32(10), 1361-1379.

Kheawhom, S., and Bumroongsri, P. (2013). Robust MPC based on polyhedral invariant
sets for LPV systems. IFAC Proceedings Volumes, 46(32), 355-360.

Kouvaritakis, B., Cannon, M., Karas, A., Rohal-Ilkiv, B., et Belavy, C. (2004). Asym-
 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
32 contraints

metric constraints with polytopic sets in mpc with application to coupled tanks system.
International Journal of Robust and Nonlinear Control : IFAC-Affiliated Journal, 14(4),
341-353.

Lee, J. H. (2011). Model predictive control : Review of the three decades of development.
International Journal of Control, Automation and Systems, 9(3), 415.

Liu, X., Feng, S., and Ma, M. (2012). Robust MPC for the constrained system with
polytopic uncertainty. International Journal of Systems Science, 43(2), 248-258.

Limon, D., Alvarado, I., Alamo, T., and Camacho, E. F. (2010). Robust tube-based
MPC for tracking of constrained linear systems with additive disturbances. Journal of
Process Control, 20(3), 248-260.

Michel, N., Olaru, S., Bertrand, S., Valmorbida, G., and Dumur, D. (2018). Invariant
Set Design for Constrained Discrete-Time Linear Systems with Bounded Matched Dis-
turbance, IFAC PapersOnLine, 51(25), 55–60.

Mohamed, A., et Alamir, M. (2018). Robust Output Feedback Controller For a Class
of Nonlinear Systems with Actuator Dynamics. IFAC-PapersOnLine, 51(25), 275-280.

Mayne, D. Q., Kerrigan, E. C., and Falugi, P. (2011). Robust model predictive control :
advantages and disadvantages of tube-based methods. IFAC Proceedings Volumes, 44(1),
191-196.

Mayne, D. Q., and Langson, W. (2001). Robustifying model predictive control of constrai-
ned linear systems. Electronics Letters, 37(23), 1422-1423.

Mayne, D. Q., Rawlings, J. B., Rao, C. V., et Scokaert, P. O. (2000). Constrained

model predictive control : Stability and optimality. Automatica, 36(6), 789-814.

Nilsson, M., Klintberg, E., Rumschinski, P., and Mårdh, L. J. (2020). Admissible sets
for slowly-varying discrete-time systems. Automatica,112(1), 108-676.
1.6. Conclusion 33

Noe, R. A., Hollenbeck, J. R., Gerhart, B., and Wright, P. M. (2017). Human resource
management : Gaining a competitive advantage. New York, NY : McGraw-Hill Educa-
tion.

Pluymers, B., Rossiter, J. A., Suykens, J. A. K., et De Moor, B. (2005). The efficient
computation of polyhedral invariant sets for linear systems with polytopic uncertainty.
In Proceedings of the 2005, American Control Conference, 2005. (pp. 804-809).

Richalet, J., LAVIELLE, G., et MALLET, J. (2014). Commande prédictive.

Riah, R. (2016). Théorie des ensembles pour le contrôle robuste des systèmes non li-
néaires : Application à la chimiothérapie et les thérapies anti-angiogéniques (Doctoral
dissertation).

Rawlings, J. B., et Mayne, D. Q. (2009). Model predictive control : Theory and de-
sign. Nob Hill Pub.

Raković, S. V., et Villanueva, M. E. (2017). The Maximal Positively Invariant Set :

Polynomial Setting. arXiv preprint arXiv :1712.01150.

Qin, S. J., et Badgwell, T. A. (2003). A survey of industrial model predictive control

technology. Control engineering practice, 11(7), 733-764.

Ramirez, D. R., et Camacho, E. F. (2003, June). On the piecewise linear nature of

constrained min-max model predictive control with bounded uncertainties. In Procee-
dings of the 2003 American Control Conference, 2003. (Vol. 3, pp. 2453-2458). IEEE.

Slotine, J. J. E., et Li, W. (1991). Applied nonlinear control. Englewood Cliffs, NJ :

Prentice hall, (Vol. 199, No. 1).

Scherer, C., and Weiland, S. (2000). Linear matrix inequalities in control. Lecture Notes,
Dutch Institute for Systems and Control, Delft, The Netherlands, 3(2).

Soloway, D., Shi, J. J., et Kelkar, A. (2004). GPC-based stable reconfigurable control.
 Chapitre 1. Généralités sur la stabilisation des systèmes incertains et
34 contraints

Sastry, S. (2013). Nonlinear systems : analysis, stability, and control. Springer Science
et Business Media, (Vol. 10).

Saoud, H. (2009). Étude des problèmes unilatéraux : analyse de récession, stabilité de

Lyapunov et applications en électronique et en mécanique (Doctoral dissertation), école
doctorale Science - Technologie - Santé, Faculté des Sciences et Technologies, Université
de LIMOGES.

Teppa, P. (2003). Commande par séquencement de gains robustes pour systèmes non
lineaires (Doctoral dissertation, Thèse de doctorat, Université Paul Sabatier, Toulouse,
France).

Tarbouriech, S., et Da Silva, J. G. (2000). Synthesis of controllers for continuous-time de-

lay systems with saturating controls via LMIs. IEEE transactions on Automatic Control,
45(1), 105-111.

Van Overschee, P., et De Moor, B. L. (2012). Subspace identification for linear sys-
tems : Theory—Implementation—Applications. Springer Science et Business Media.

Wan, Z., et Kothare, M. V. (2003). An efficient off-line formulation of robust model

predictive control using linear matrix inequalities. Automatica, 39(5), 837-846.

Zhang, J., Zhao, X., Zuo, Y., et Zhang, R. (2016). Linear programming-based robust mo-
del predictive control for positive systems. IET Control Theory et Applications, 10(15),
1789-1797.
Résumé : L’objectif de cette thèse
Mots clés : .....
Abstract : The objective of this thesis
Keywords : ......