‫اجلـمـهـورية اجلـزائـرية الدميــق ـراط ـية الـ ـشـعـبـية‬

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

‫وزارة الت ـعـلي ـم العـايل و البـحث العـلـم ـي‬
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique
– ‫جـامعة أيب بـكـر بـلـقــاي ـد– تـلمسـان‬
Université Aboubakr Belkaïd– Tlemcen –
Faculté de TECHNOLOGIE

MEMOIRE
Présenté pour l’obtention du diplôme de MASTER

En : Electrotechnique

Spécialité : Commandes électriques

Par : Sidi Mohammed BOUCHAOUR

Et Bounouar BOUTERFAS

Sujet

Détermination des paramètres d’un moteur

asynchrone par différentes techniques
d’identification

Soutenu en vidéo conférence, le 30 / 09 / 2020 devant le jury composé de :

Abdelmadjid BOUMEDIENE Professeur Univ. Tlemcen Président

Abdelkader MECHERNENE Maitre de conférences Univ. Tlemcen Directeur de mémoire
Mourad LOUCIF Maitre de conférences Univ. Tlemcen Co-Directeur de mémoire
Sidi Mohamed MELIANI Maitre de conférences Univ. Tlemcen Examinateur

Année universitaire 2019/2020

 Dedicaces 1

A
vec l’aide de Dieu tout puissant, nous avons achevé ce modeste travail que je dédie :

- à mes trés chérs parents, pour leur soutient matériel et moral, en espérant que je
puisse leur rendre le minimum de bonheur qu’ils m’ont offert ;

- à ma chére femme qui m’a toujours soutenue et aidée en faisant de nombreux sacri-
fices, en espérant que je puisse lui apporter une vie pleine de bonheur ;

- à mes enfants, Marwane, Khawter et la petite Kholoude ;

- à mes trés chers fréres Abbelkader et Soufiane, ainsi qu’à et ma cherre sœur, son
époux Fethallah et leurs enfants ;

- à toute la famille Bouchaour, Baroudi, Benabdalah, Mered Boudia et tous mes

proches ;

- à mes trés chers amis : Choukri, Boumediene, Amine, Reda, Tahar, Abd Elhafid, les
deux fréres Taleb ;

- à mes trés chers amis de longue date : Kamel, Khaled, Said, Fethi, Sid Ahmed et
Youssef ;

- à mes amis de l’université : Reda, Ousama , Rafik, Mokhtar, Ramzi, Mohamed et

Kheridine ;

- Enfin à toute la promotion Electrotechnique, option Commande électrique de l’année

2019-2020 .

Sidi Mohammed BOUCHAOUR

Tlemcen, le 30 septembre 2020
 Dedicaces 2

J e dédie ce modeste travail á tout ceux qui ont contribué de prés ou de loin à la réalisation
de ce présent projet, ainsi je le dédie á :

- celle qui m’a élevé, m’a nourrit, m’a éduqué, ma mére et celui qui m’a toujours
soutenu et aidé dans toute ma vie, mon pére ;

- à mes chéres sœurs et leurs époux, mes niéces et mes neveux ;

- à toutes la famille Bouterfas, Hadj Abdelkader, Sahraoui, Hachemi , Menzel, Mezrai,

Loucif et tous mes proches ;

- á mes trés chers amis : Mourad, Ali, Ismail, Houssam, Benamer , Hamada,Krimo ;

Bounouar BOUTERFAS
Tlemcen, le 30 septembre 2020
 Remerciements

C e document présente les travaux effectués dans le cadre de notre projet de fin
d’étude de Master au Département de Génie Électrique et Électronique de la Faculté
de Technologie de l’Université Abou Bekr Belkaïd de Tlemcen.

En premier lieu, nous tenons à exprimer notre gratitude à nos encadrants,

les Docteurs Abdelkader MECHERNENE et Mourad LOUCIF, tout deux Maitre de
Conférences á l’Université Abou Bekr Belkaïd de Tlemcen, pour nous avoir proposé
et dirigé ce travail, nous les remercions pour nous avoir fait profité de leur expérience,
pour orientations qui nous ont permis de mener à bien ce travail.

Nous sommes sensibles à l’honneur que nous a fait monsieur Abdelmadjid

BOUMEDIENNE, Professeur á l’Université Abou Bekr Belkaïd, pour avoir accepté
de présider et de nous honorer de sa présence au sein du jury de soutenance du prśent
mémoire ; qu’il trouve ici l’expression de notre reconnaissance et de notre respect.

Enfin, nous tenons également à adresser nos vifs remerciements au Docteur Sidi
Mohamed MELIANI, Maitre de Conférences á l’Université Abou Bekr Belkaïd, nous
le remercions chaleureusement pour avoir accepté d’examiner le présent mémoire et
pour ses observations et remarques pertinentes et constructives.

Nous remercions également le Docteur Hichem BELTAOUAF, chef du départe-

ment de Génie Électrique et Électronique de la Faculté de Technologie de l’Université
Abou Bekr Belkaïd de Tlemcen, pour sa coopération et sa gentillesse, ainsi que l’en-
semble des enseignants du département pour leur dévouement.

Merci enfin à tous ceux qui, de près ou de loin, nous ont aidé et donc ont
contribué au succès de ce travail.

Sidi Mohammed BOUCHAOUR Bounouar BOUTERFAS

Tlemcen, le 30 septembre 2020
Table des matières

Dedicaces 1 i

Dedicaces 2 ii

Remerciements iii

Nomenclature ix

Glossaire xi

Introduction générale 1

I Modélisations statique et dynamique du moteur asyn-

chrone triphasé 3
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
I.2 Constitution de la machine asynchrone . . . . . . . . . . 4
I.3 Principe de fonctionnement du moteur asynchrone . . 7
I.4 Modélisation dynamique du moteur asynchrone à cage 8
I.4.1 Hypothèses simplificatrices . . . . . . . . . . . . . . . . . . . 8
I.4.2 Modèle dynamique dans le référentiel triphasé ABC . . . . . . 9
I.4.2-a Equations électriques . . . . . . . . . . . . . . . 9
I.4.2-b Equations magnétiques . . . . . . . . . . . . . . 10
I.4.2-c Expression du couple électromagnétique . . . . . 11
I.4.3 Transformation de Park . . . . . . . . . . . . . . . . . . . . 11
I.4.4 Modèle dynamique dans le référentiel tournant dq . . . . . . . 12
I.4.4-a Equations électriques . . . . . . . . . . . . . . . 12
I.4.4-b Equations magnétiques . . . . . . . . . . . . . . 13
I.4.4-c Expression du couple électromagnétique . . . . . 13
I.4.4-d Schéma équivalent dans le référentiel dq . . . . . 14
I.4.5 Représentation d’état dans le référentiel dq . . . . . . . . . . 15
I.4.6 Modèle dynamique dans le référentiel fixe αβ . . . . . . . . . 15
I.5 Modélisation en régime permanent du moteur asynchrone 16
I.5.1 Schéma équivalent en régime permanent ramené au stator . . . 18
I.5.2 Schéma équivalent ramené au stator à fuites totalisées au stator 19
I.5.3 Schéma équivalent ramené au stator à fuites totalisées dans le
rotor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
TABLE DES MATIÈRES v

I.5.4 Schéma équivalent à fuites réparties à égalité entre le stator et

le rotor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
I.5.5 Schéma équivalent avec pertes fer . . . . . . . . . . . . . . . 22
I.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

II Identification par la méthode des essais classiques 24

II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
II.2 Généralités sur les Techniques d’identification . . . . . 25
II.3 Techniques d’identification du moteur asynchrone . . . 26
II.3.1 Méthode de la plaque signalétique . . . . . . . . . . . . . . . 26
II.3.2 Méthode des essais classiques . . . . . . . . . . . . . . . . . 27
II.3.2-a Mesure des résistances . . . . . . . . . . . . . . . 27
II.3.2-b Essai à vide . . . . . . . . . . . . . . . . . . . . . 27
II.3.2-c Essai à rotor bloqué . . . . . . . . . . . . . . . . 28
II.3.3 Méthode des moindres carrés . . . . . . . . . . . . . . . . . . 30
II.3.4 Méthode de l’intelligence artificielle - Les algorithmes génétiques 31
II.3.5 Autres méthodes . . . . . . . . . . . . . . . . . . . . . . . . 32
II.3.5-a Méthode des variables instrumentales . . . . . . 32
II.3.5-b Méthode du gradient . . . . . . . . . . . . . . . . 32
II.3.5-c Méthode des moindres carrés récursifs . . . . . . 33
II.4 Présentation du moteur asynchrone étudiée . . . . . . . 34
II.5 Identification par la méthode de la plaque signalétique 35
II.6 Identification par la méthode des essais classiques . . 35
II.6.1 Mesure des résistances . . . . . . . . . . . . . . . . . . . . . 36
II.6.2 Essai à vide . . . . . . . . . . . . . . . . . . . . . . . . . . 36
II.6.3 Essai en court-circuit à rotor bloqué . . . . . . . . . . . . . . 38
II.6.4 Identification des paramètres mécaniques . . . . . . . . . . . 41
II.6.4-a Détermination du moment d’inertie (Essai du ra-
lentissement) . . . . . . . . . . . . . . . . . . . . . . . 41
II.6.4-b Détermination du coefficient de frottements vis-
queux . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
II.7 Variation des paramètres du MAS . . . . . . . . . . . . . . 42
II.7.1 Variation des résistances . . . . . . . . . . . . . . . . . . . . 42
II.7.2 Variation des inductances . . . . . . . . . . . . . . . . . . . 43
II.8 Simulation et validation . . . . . . . . . . . . . . . . . . . . 43
II.8.1 Résultats de simulation . . . . . . . . . . . . . . . . . . . . 43
II.8.2 Interprétation . . . . . . . . . . . . . . . . . . . . . . . . . 44
II.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

III Identification basée sur l’optimisation par essaims de

particules (PSO) 46
III.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
III.2 Optimisation par Essaim de Particules (Particle Swarm
Optimization) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
III.2.1 Origine de la technique PSO . . . . . . . . . . . . . . . . . . 47
TABLE DES MATIÈRES vi

III.2.2 Principe de l’optimisation par essaim de particules . . . . . . 47

III.2.3 Principe de l’optimisation par essaim particulaire . . . . . . . 49
III.2.4 Formulation mathématique de l’algorithme PSO . . . . . . . . 50
III.2.5 Détails de l’algorithme PSO standard . . . . . . . . . . . . . 52
III.2.6 Modifications de l’algorithme de base . . . . . . . . . . . . . 54
III.2.6-a Mécanisme de confinement (Vitesse maximale) . 54
III.2.6-b Coefficient d’inertie . . . . . . . . . . . . . . . . 54
III.2.6-c Facteur de constriction . . . . . . . . . . . . . . 55
III.2.6-d Notion de voisinage . . . . . . . . . . . . . . . . 55
III.2.7 Avantages et inconvénients de la technique PSO . . . . . . . . 57
III.2.8 Exemples d’application : Recherche du minimum . . . . . . . 58
III.2.8-a Exemple 1 : Optimisation de la fonction de Ras-
trigin . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
III.2.8-b Exemple 2 : Optimisation sans contrainte . . . . 59
III.2.8-c Exemple 3 : Optimisation avec contraintes . . . 60
III.3 Identification paramétrique du MAS par la méthode PSO 61
III.3.1 Implantation de la technique d’identification . . . . . . . . . . 63
III.4 Validation de l’identification . . . . . . . . . . . . . . . . . 68
III.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

Conclusion générale 71

Bibliographie 75

Annexe A 1

Annexe B 2
Table des figures

I.1 Vue d’une machine asynchrone triphasée à cage d’écureuil . . . . 5

I.2 Stator d’une machine asynchrone (Leroy-Somer) . . . . . . . . . . 5
I.3 Rotor bobiné . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
I.4 Rotor à cage décureuil . . . . . . . . . . . . . . . . . . . . . . . . 6
I.5 Représentation de la machine asynchrone dans un repère triphasée 9
I.6 Position spatiale des différents repères . . . . . . . . . . . . . . . 12
I.7 Schéma équivalant dynamique dans le référentiel tournant dq . . 14
I.8 Position des référentiel triphasé ABC et diphasé αβ . . . . . . . . 16
I.9 Schéma équivalent de la MAS en régime permanent . . . . . . . . 17
I.10 Schéma équivalant de la MAS en régime permanent ramené au
stator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
I.11 Schéma équivalant de la MAS ramené au stator avec les fuites
totalisées dans le stator . . . . . . . . . . . . . . . . . . . . . . . . . . 20
I.12 Schéma équivalent de la MAS ramené au stator à fuites totalisées
dans le rotor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
I.13 Schéma équivalant de la MAS à fuites réparties à égalité entre
stator et rotor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
I.14 Schéma équivalant de la MAS ramené au stator avec pertes fer . 22

II.1 Schéma équivalent de la MAS en fonctionnement à vide . . . . . 28

II.2 Schéma équivalent de la MAS en fonctionnement à rotor bloqué . 29
II.3 Schéma équivalent simplifié de la MAS à rotor bloqué. . . . . . . 29
II.4 Structure de l’algorithme génétique . . . . . . . . . . . . . . . . 31
II.5 Machine asynchrone étudiée (référence : 11065/FT /10) . . . . . 34
II.6 Mesure de la résistance apparente par la méthode ampèremétrique 36
II.7 Schema de montage pour l’essai a vide . . . . . . . . . . . . . . . 37
II.8 Courbe de séparation des pertes . . . . . . . . . . . . . . . . . . 38
II.9 Schéma de montage pour l’essai à rotor bloqué . . . . . . . . . . 39
II.10 Schéma simplifié de l’essai à rotor bloqué . . . . . . . . . . . . . 40
II.11 Schéma équivalant au stator avec les fuites magnétiques totalisées
au rotor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
II.12 Courbes expérimentales du ralentissement . . . . . . . . . . . . . 41
II.13 Démarrage direct de la machine asynchrone à vide . . . . . . . . 44
II.14 Démarrage direct de la machine asynchrone à vide avec application
et suppréssion d’un couple résistant . . . . . . . . . . . . . . . . . . . . 45
TABLE DES FIGURES viii

III.1 (a) Colonie de fourmis, (b) Groupe de poissons migrateurs, (c)

Groupe d’abeilles, (d) Volée d’oiseaux avec formation en V . . . . . . . 48
III.2 Déplacement d’une particule . . . . . . . . . . . . . . . . . . . . . 50
III.3 Modification d’un point de recherche par PSO . . . . . . . . . . . 52
III.4 Organigramme de la technique PSO standard . . . . . . . . . . . 53
III.5 Exemple de voisinage géographique . . . . . . . . . . . . . . . . . 56
III.6 Deux exemples de voisinage social . . . . . . . . . . . . . . . . . . 56
III.7 Représentation tridimensionnelle de la fonction d’Ackley . . . . . 57
III.8 Fonction de Rastrigin . . . . . . . . . . . . . . . . . . . . . . . . 58
III.9 Convergence de la fonction objectif "Rastrigin" vers l’optimum
global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
III.10Résultat de l’optimisation de la fonction tridimensionnelle sans
contrainte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
III.11Résultat de l’optimisation de la fonction tridimensionnelle avec
contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
III.12Structure de l’identification paramétrique par la technique PSO . 62
III.13Principe de l’identification des paramètres par la technique PSO . 63
III.14Schéma d’implantation dans Matlab/Simulink de la technique d’iden-
tification par la technique PSO . . . . . . . . . . . . . . . . . . . . . . 64
III.15Ls = f (Rs , J) : Convergence des particules aux itérations k = 10
et k = 50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
III.16Caractéristique Ls = f (Rs , J) : Convergence des particules aux
itérations k = 70 et k = 120 . . . . . . . . . . . . . . . . . . . . . . . . 65
III.17Caractéristique Rr = f (Lm , Lr ) : Convergence des particules aux
itérations k = 10 et k = 50 . . . . . . . . . . . . . . . . . . . . . . . . 66
III.18Caractéristique Rr = f (Lm , Lr ) : Convergence des particules aux
itérations k = 70 et k = 120 . . . . . . . . . . . . . . . . . . . . . . . . 66
III.19Convergence des paramètres Ls et Rs et J . . . . . . . . . . . . . 68
III.20Convergence des paramètres Rr , Lm et Lr . . . . . . . . . . . . . 68
III.21Démarrage avec application/suppression d’une charge de 10 m.N 69
 Nomenclature

L es principales notations et abréviations utilisées dans ce mémoire sont explicitées

ci-dessous, sous leur forme la plus employée dans le domaine du génie électrique.

Indices et exposants

Symbole Signification
abc Repere abc
dq Référentiel tournant
αβ Référentiel fixe
α Coefficient de température d’un matériau
σ Coefficient de dispersion de Blondel
 Erreur acceptable
N Nombre d’échantillons considérś
n Nombre des sorties considèrś
i Particule
Xi Vecteur de position
Rn Espace de recherche de dimension n
Vi Vecteur de vitesse
fitness Fonction fitness
fitness Fonction fitness
iter Nombre d’itération courante
iter Nombre d’itération courante
ω Coefficient d’inertie
c Coefficient d’accéleration
r Nombre alétoire tire uniformḿent dans [0; 1]
m Coefficient d’accéleration
gbest Meilleure position pour toutes les particules de l’essaim
pbest Meilleure position pour une particule de l’essaim
Nomenclature x

Grandeurs électriques et mécaniques

Nom Symbole Unité

Temps t s
Tension U V
Courant I A
Puissance active P W
Puissance réactive φ VAR
Flux magnétique φ Wb
Induction magnétique B T
Facteur de puissance cos ϕ /
Fréquence f Hz
Pulsation électrique ω rad/s
Pulsation mécanique de rotation Ω rad/s
Moment d’un couple C m.N
Angle (position) θ ˚, rad
Glissement g %
Vitesse de rotation N tr/min
Constante de temps rotorique τr s
Temps de monté τm s
Température T ◦C

Résistance du matériau à 0 ◦ C R0 Ω

Paramètres

Nom Symbole Unité

Impédance Z Ω
Réactance X Ω
Résistance R Ω
Inductance L H
inductance mutuelle L H
Moment d’inertie J kg.m2
Coefficient de frottement fv N.s/rad
 Glossaire

Acronyme Signification
MAS Moteur Asynchrone
Particule Sawram Optimization (Optimisation par Essaims
PSO
Particules)
LSM Least Squares Method (Méthode des moindres carrés)
AGs Algorithmes génétiques (Genetic Algorithms)
ACo Algorithme des Colonies de fourmis
MRAS Model Reference Adaptive System
 Introduction générale

L es machines asynchrones sont considérées comme le conversion électromécanique

le plus utilisé dans le milieu industriel, notamment pour des applications à vitesse
constante ou à vitesse variable. Cependant, elle est soumise à différents types de
contraintes (chaleur, humidité, efforts mécaniques, variations brusques de charge,
vieillissement, ) qui vont au cours du temps altérer ses qualités et détériorer ses per-
formances. Par conséquent, si la commande du moteur est conçue avec des valeurs
de paramètre erronées, le comportement du système ne répondra plus au cahier des
charges initial et ne fonctionnera pas efficacement. C’est pourquoi, la phase d’iden-
tification de ses paramètres joue un rôle central avant la conception d’une commande.

Dans ce présent projet de fin d’études, il s’agit de déterminer les paramètres

électriques, électromagnétiques et mécaniques d’un moteur asynchrone triphasé, à
l’aide de différentes méthodes d’identification et de plusieurs essais expérimentaux.
L’objectif étant d’adapter ultérieurement, la commande du moteur pour garantir des
performances identiques au cours de sa vie en prenant en compte l’évolution de ses
paramètres. Deux méthodes d’identification seront considérées à partir des modèles
statique et dynamique de la machine asynchrone. La première technique repose sur
une méthode classique d’identification de la machine basée sur les essais à vide et en
court-circuit à rotor bloqué. La seconde méthode tire son principe d’une approche
meta-heuristique basée sur l’optimisation par essaims de particules (PSO).

Le présent mémoire est structuré de la manière suivante :

Le premier chapitre sera consacré à la présentation de la machine asynchrone tri-

phasée et ses différentes modélisations mathématiques. Soient les modèles en régime
permanent, puis dans les référentiels biphasés stationnaires αβ et tournant de dq,
habituellement utilisés pour les descriptions en régime dynamique.

Le second chapitre traitera de l’identification des paramètres du moteur asyn-

chrone par la méthode des essais classiques. Une fois les paramètres du modèle iden-
tifié, ceux-ci sont confrontés aux paramètres nominaux, sur la base des simulatios du
fonctionnement à vide et en charge de la machine en mode moteur.
 Le troisième et dernier chapitre se focalise sur l’identification des paramètres élec-
triques du moteur asynchrone mettant en œuvre la technique basée sur l’optimisation
par essaims de particules (PSO). A l’issue de ce chapitre, les résultats obtenues sont
évalués par le calcul des erreurs d’identification et des simulations du comportement
moteur sont effectuées avec les paramètres nominaux et les paramètres estimés.

Au terme de ce travail, une conclusion générale sera donnée pour résumer les
résultats obtenus, ainsi que les perspectives à envisager pour la suite de ce travail.

Remarque
Il est à noter qu’un objectif important de ce projet consistait en la réalisation d’es-
sais expérimentaux visant à l’identification des paramètres de la machine asynchrone
existant au Laboratoire pédagogique délectrotechnique. En effet, nous avions projeté
avec nos encadrants d’effectuer ces tests et de récolter les données expérimentales à
l’aide de la carte Dspace 1104 disponible au laboratoire, en vue de leur traitement
avec la méthodes des essais directs, de l’optimisation par les PSO et par la méthodes
des moindres carrés.

Malheureusement, nous n’avons pas eu accès au laboratoire de notre université

depuis la mois de mars, ceux-ci ayant été fermé pour cause de l’épidémie du "Corona-
Virus" dans notre pays, les mesures de confinement et les précautions sanitaires qui
s’en sont suivies. Nous avons donc limiter notre travail à la méthode des essais directs,
pour laquelle nous avions eu le temps de réaliser la majorité du travail expérimental,
et à la méthode basée sur les PSO pour laquelle nous avons utiliser des résultats
simulés.

Nous sommes conscient que cette situation laisse notre travail inachevé et que
les objectifs tracés lors de l’élaboration de ce thème de PFE n’ont pas été atteint
pleinement. Nous espérons que cette étude sera améliorée et menée à terme par nos
collègues de la prochaine promotion de Master Electrotechnique.
 Chapitre I
Modélisations statique et dynamique du
moteur asynchrone triphasé

Sommaire
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
I.2 Constitution de la machine asynchrone . . . . . . . . . . . . . . 4
I.3 Principe de fonctionnement du moteur asynchrone . . . . . . 7
I.4 Modélisation dynamique du moteur asynchrone à cage . . . 8
I.4.1 Hypothèses simplificatrices . . . . . . . . . . . . . . . . . . . . . . . . 8
I.4.2 Modèle dynamique dans le référentiel triphasé ABC . . . . . . . . . . 9
I.4.3 Transformation de Park . . . . . . . . . . . . . . . . . . . . . . . . . 11
I.4.4 Modèle dynamique dans le référentiel tournant dq . . . . . . . . . . . 12
I.4.5 Représentation d’état dans le référentiel dq . . . . . . . . . . . . . . 15
I.4.6 Modèle dynamique dans le référentiel fixe αβ . . . . . . . . . . . . . 15
I.5 Modélisation en régime permanent du moteur asynchrone . 16
I.5.1 Schéma équivalent en régime permanent ramené au stator . . . . . . 18
I.5.2 Schéma équivalent ramené au stator à fuites totalisées au stator . . . 19
I.5.3 Schéma équivalent ramené au stator à fuites totalisées dans le rotor . 20
I.5.4 Schéma équivalent à fuites réparties à égalité entre le stator et le rotor 20
I.5.5 Schéma équivalent avec pertes fer . . . . . . . . . . . . . . . . . . . . 22
I.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
I.1. Introduction 4

I.1 Introduction
La machine asynchrone, en particulier à cage d’écureuil, présente des avantages
certains liés à sa conception simple, sa fabrication peu coûteuse, sa robustesse, son
poids et son inertie faibles et le peu d’entretien qu’elle requiert. Aussi, est-elle large-
ment utilisée dans de nombreux domaines et dans une multitude d’applications in-
dustrielles [26] (machines-outils, machineries d’entraînement, systèmes de pompage,
de ventilation et de levage, . . . ).

Cependant, elle est soumise à différents types de contraintes (chaleur, humidité,

efforts mécaniques, vieillissement, . . . ) qui vont altérer ses qualités et détériorer ses
performances. Par conséquent, si la commande du moteur est conçue avec des valeurs
de paramètre erronées, le comportement du système ne répondra plus au cahier des
charges initial et ne fonctionnera pas efficacement. C’est pourquoi, l’identification de
ses paramètres joue un rôle central en vue de sa commande.

Le problème de la modélisation de la machine asynchrone a été largement traité

dans la littérature [8],[10],[17], [27]. Sa modélisation mathématique est complexe, en
effet les phénomènes mis en jeu sont de natures électriques, magnétiques et méca-
niques, avec une structure multivariable et fortement non-linéaire.

Le modèle du moteur asynchrone, dans le repère triphasé lié au stator, présente

l’inconvénient d’être complexe car il aboutit à des équations différentielles à coeffi-
cients variables fonction de la position du rotor et donc du temps [9]. Aussi, l’approche
actuelle pour la modélisation du moteur asynchrone est basée sur la théorie des deux
axes de R.H. Park [24] qui transforme un système triphasé en un système biphasé.
La dépendance avec la position du rotor est éliminée et l’ordre du système est réduit,
cela permet d’obtenir des modèles dynamiques caractérisés par des systèmes d’équa-
tions à coefficients constants, mais le système reste non-linéaire.

L’objectif de ce chapitre est de donner un aperçu sur les modélisations statique

(régime permanent) et dynamique (régime transitoire) du moteur asynchrone tripha-
sée sous forme d’équations d’état en vue de son identification paramétrique.

I.2 Constitution de la machine asynchrone

La machine asynchrone triphasée à cage comporte deux parties distinctes et co-
axiales, séparées par un entrefer de faible épaisseur et respectivement appelées stator
et rotor, la première étant fixe et la seconde mobile (Figure I.1) [22].

Le stator de la machine asynchrone (Figure I.2) est constitué de tôles d’acier

dans lesquelles sont placées les bobinages statoriques. Ces tôles sont, pour les pe-
tites machines, découpées en une seule pièce, alors qu’elles sont pour les machines
de puissances plus importantes, découpées par sections. Elles sont habituellement
recouvertes de vernis pour limiter l’effet des courants de Foucault [17].
I.2. Constitution de la machine asynchrone 5

Figure I.1 – Vue d’une machine asynchrone triphasée à cage d’écureuil

Au final, elles sont assemblées les unes aux autres à l’aide de boulons ou de sou-
dures pour former le circuit magnétique statorique. Une fois cette étape d’assemblage
terminée, les enroulements statoriques sont placés dans les encoches prévus à cet ef-
fet. Ces enroulements peuvent être insérés de manière imbriques, ondulés ou encore
concentriques. L’enroulement triphasé possède alors p paire de pôles magnétique par
phase.

Pour les grosses machines, les enroulements sont faits de méplats de cuivre de
différentes sections insères directement dans les encoches. L’isolation entre les enrou-
lements électriques et les tôles d’acier s’effectue à l’aide de matériaux isolants qui
peuvent être de différents types suivant l’utilisation de la machine asynchrone [13].

Figure I.2 – Stator d’une machine asynchrone (Leroy-Somer)

Tout comme le stator, le circuit magnétique rotorique est constitué de tôles d’acier
qui sont de même origine que celles utilisées pour la construction du stator.

Les rotors des machines asynchrones peuvent être de deux types : bobinés (aussi
appelés à bagues) ou à cage d’écureuil [13],[14].
I.2. Constitution de la machine asynchrone 6

- Le rotor bobiné

Les rotors bobinés (Figure I.3) sont construits de la même manière que le bo-
binage statorique avec l’insertion des enroulements dans les encoches rotoriques et
ont le même nombre de paire de pôles magnétiques par phase, soit : 2.p. Les phases
rotoriques sont alors disponibles grâce un système de bagues-balais positionné sur
l’arbre de la machine [19],[29].

Les machines asynchrones à rotor bobinés sont surtout employées pour les ap-
plications de fortes puissances ou comme générateurs dans les systèmes éoliens, elles
sont alors appelées machines asynchrones à double alimentation ou MADA [8].

Figure I.3 – Rotor bobiné

- Le rotor à cage

Les enroulements sont constitués de barres de cuivre pour les fortes puissances, ou
d’aluminium pour les plus faibles. Ces barres sont court-circuitées à chaque extrémité
par deux anneaux, également en cuivre ou en aluminium. Les machines asynchrones
à cage sont les plus utilisées dans les applications industrielles [19].

Figure I.4 – Rotor à cage décureuil

- Les paliers

Les paliers permettant de supporter et de mettre en rotation l’arbre rotorique, ils

sont constitués de flasques et de roulements à billes insérés à chaud sur l’arbre. Les
flasques, moulés en fonte, sont fixées sur le carter statorique grâce à des boulons ou
des tiges de serrage comme le montre la figure I.1 [20].
I.3. Principe de fonctionnement du moteur asynchrone 7

I.3 Principe de fonctionnement du moteur asynchrone

Le fonctionnement d’une machine asynchrone est basé sur le principe de l’inter-
action électromagnétique du champ tournant, créé par les courants triphasés fournis
aux enroulements statoriques par le réseau et des courants induits dans les conduc-
teurs rotoriques, lorsque ces conducteurs sont balayés par le champ tournant.

De cette façon, le fonctionnement d’une machine asynchrone est analogue à celui

d’un transformateur tournant, le stator étant comparable à l’enroulement primaire
et le rotor à l’enroulement secondaire [19].

Lorsque le stator est alimenté par un système triphasé de tension de fréquence f ,

le champ tournant produit est sinusoïdal et sa vitesse de rotation est en tr/mn :

f
Ns = .60 (I.1)
p
L’interaction des deux parties de la machine asynchrone n’est possible que lorsque
la vitesse de champ tournant diffère de celle du rotor, c’est à-dire lorsque le champ est
immobile par rapport au rotor, ainsi aucun courant n’est induit dans l’enroulement
rotorique.

Le champ tournant statorique induit alors dans les phases de l’enroulement roto-
rique des forces électromotrices, ce qui a pour conséquence la naissance de courants
dans les conducteurs du rotor de pulsation ωs égale à celle du réseau. Ces courants
tendent à s’opposer aux variations de flux dans les spires du rotor, provoquant ainsi
la création d’un couple électromagnétique [22].

Sous l’action de ce couple, la partie tournante, entre en rotation et subit une

accélération qui ne pourrait s’annuler qu’avec l’équilibre des couples moteur et résis-
tant, ce qui n’arrive pas compte tenue de l’effet diverses résistances s’opposant à la
rotation, telle que les frottements, ventilation, . . .

Lorsque le rotor tourne à la vitesse Ω, la pulsation des courants rotoriques est :

ωr = ωs − p.Ω (I.2)

Celle-ci diminuant avec la croissance de la vitesse, les forces électromotrices, les

courants induits et donc le couple électromagnétique s’annulent pour l’égalité :

ωs = p.Ω (I.3)

Par conséquent, la génération de couple est obligatoirement accompagnée d’un écart

entre la vitesse du champ tournant produit par le stator et la vitesse de rotation du
rotor, celle-ci se stabilisant à une valeur Ω proche de la vitesse synchrone ωs .
I.4. Modélisation dynamique du moteur asynchrone à cage 8

Il est d’usage de caractériser l’écart Ωs − Ω par une grandeur un rapport sans

dimension sans dimension appelée glissement :
Ωs − Ω Ns − N
g= ou encore g= (I.4)
Ωs Ns
Le glissement est souvent exprimé en %, sa valeur croit avec la charge, d’autre
part l’écart de vitesse étant faible en régime nominal, les valeurs varient pour ce
régime de 2 à 5% environ selon la puissance du moteur considéré.

On remarquera qu’au démarrage (moteur à l’arrêt N = 0 et par conséquent g =

1. A vide, la différence de vitesse étant infime, on considère habituellement que g ≈ 0
[21].

I.4 Modélisation dynamique du moteur asynchrone à

cage
I.4.1 Hypothèses simplificatrices
Les modélisations de la machine asynchrones tiennent compte des hypothèses
usuelles suivantes [21] :
- le moteur présente une parfaite symétrie de construction au stator et au rotor,
- le stator est composé de trois bobines identiques (A,B,C) régulièrement déphasées
de 120 électriques, la phase A est prise comme référence angulaire,
- le rotor est considéré comme équivalent à trois bobines identiques (a,b,c) court-
circuitées sur elles-mêmes et régulièrement déphasées de 120 électriques,
- l’entrefer est considéré constant et l’effet des encoches est négligé,
- la distribution spatiale des forces magnétomotrices d’entrefer est sinusoïdale,
- le circuit magnétique est non saturé et à perméabilité est constante,
- les pertes mécaniques et ferromagnétiques sont négligeables,
- l’influence de l’effet de peau et de l’échauffement ne sont pas prise en compte.
La modélisation est effectuée pour un couplage étoile des enroulements stato-
riques ; pour un couplage triangle, il sera nécessaire de calculer les paramètres étoiles
équivalents.

Parmi les conséquences importantes des hypothèses, on peut citer :

- l’additivité des flux,
- la constance des inductances propres,
- la loi de variation sinusoïdale des inductances mutuelles entre l’enroulement sta-
torique et rotoriques en fonction de l’angle de leurs axes magnétiques.
I.4. Modélisation dynamique du moteur asynchrone à cage 9

I.4.2 Modèle dynamique dans le référentiel triphasé ABC

La figure I.5 montre la position spatiale axes des phases statoriques et rotoriques
dans l’espace électrique triphasé. L’équation ci-dessous exprime la relation entre la
tension aux bornes d’une bobine parcoure par un courant i de résistance R, d’induc-
tance L et d’une variation du flux [10] :

dϕ
v = Ri + (I.5)
dt
Tous les coefficients d’inductances propre sont constants et les coefficients d’induc-
tance mutuelle ne dépendant que de la position des enroulements.

Figure I.5 – Représentation de la machine asynchrone dans un repère triphasée

I.4.2-a Equations électriques

On peut écrire les équations des tensions représentant pour chaque enroulement
la somme de la chute ohmique et la chute inductive liée au flux [9],[8],[5].

Pour le stator :


dϕsa
 vsa = Rs isa + dt

dϕsb
vsb = Rs isb + dt (I.6)
 v = R i + dϕsc

sc s sc dt

Pour le rotor :


dϕra
 vra = Rr ira + dt = 0

dϕrb
vrb = Rr irb + dt = 0 (I.7)
 v = R i + dϕrc = 0

rc r rc dt
I.4. Modélisation dynamique du moteur asynchrone à cage 10

On résume ce système par une écriture matricielle condensée :

d
[vabcs ] = Rs [iabcs ] + [ϕabcs ] (I.8)
dt
ou encore :
     
vas ias ϕas
d 
 vbs  = Rs  ibs  +  ϕbs  (I.9)
    
dt
vcs ics ϕcs
De même pour le rotor :
 
0
d
[vabcr ] = Rs [iabcr ] + [ϕabcr ] =  0  (I.10)
 
dt
0

Le rotor étant en court-circuit, ses tensions sont nulles. Chaque flux comporte une
interaction avec les courants de toutes phases y compris la sienne, où :
- vsa, ,vsb, ,vsc, et vra, ,vrb, ,vrc, sont les tensions simples triphasées respectivement, au
stator et au rotor ;
- isa ,isb ,isc et ira ,irb ,irc sont les courants au stator et au rotor de la machine ;
- ϕsa ,ϕsb ,ϕsc et ϕra ,ϕrb ,ϕrc sont les flux propres circulants, respectivement, au stator
et au rotor de la machine ;
- Rr et Rr : les résistances des enroulements statoriques et rotorique.

I.4.2-b Equations magnétiques

Les expressions des flux sous forme matricielle sont [9],[5] :

! ! !
ϕsabc [Ls ] [Msr ] isabc
= (I.11)
ϕrabc [Msr ] [Lr ] irabc
où
   
ls ms ms 1 − 12 − 12
[Ls ] =  ms ls ms  = ls  − 12 1 − 12  (I.12)
   
ms ms ls − 12 − 12 1
et
   
lr mr mr 1 − 12 − 12
[Lr ] =  mr lr mr  = lr  − 12 1 − 12  (I.13)
   
mr mr lr − 12 − 21 1

avec
ls et lr , inductances propres statoriques et rotoriques.
ms et mr , inductances mutuelles propres statoriques et rotoriques.
 
cos θ cos(θ − 2π3 ) cos(θ − 4π
3 )
[Msr ] = [Mrs ]T = msr  cos(θ − 4π ) cos θ cos(θ − 2π 
3 ) 
(I.14)

3
cos(θ − 2π
3 ) cos(θ − 4π
3 ) cos θ
I.4. Modélisation dynamique du moteur asynchrone à cage 11

Les matrices [Msr ] et [Mrs ] : sont dites circulantes, en effet chaque ligne se déduit
de la précédente par permutation circulaire.
Le coefficient msr représente la valeur maximale des coefficients d’inductances mu-
tuelles entre phase rotorique et statorique, où :

 m1 = msr cos θ

m2 = msr cos θ − 2π


3
(I.15)
 m = m cos θ + 2π


3 sr 3

I.4.2-c Expression du couple électromagnétique

L’équation du couple électromagnétique peut être exprimée par la relation sui-

vante [8],[5] :
 
1 T d
Cem = · [I] · [L] · [I] (I.16)
2 dθ

" # " #
[Ls ] [Msr ] h iT [Is ]
[L] = et [I] = IsA IsB IsC Ira Irb Irc =
[Mrs ] [Lr ] [Ir ]
(I.17)

Les matrices [Ls ] et [Lr ] ne contiennent que des termes constant lorsque l’angle varie,
cela permet de simplifier l’expression du couple :
1 d
Cem = .p.[Is ]T . . [Msr ] . [Ir ] (I.18)
2 dθ
L’équation mécanique de la machine sera donnée comme suit :

dΩ
Cem = J. + fv Ω + Cr (I.19)
dt
Cem ,Cr , fv et J représentant réspectivement le couple électromagnétique, le couple
résistant, le coefficient de frottement et le moment d’inertie.

I.4.3 Transformation de Park

La transformation de Park est constitué d’une transformation triphasé diphasé
suivie d’une rotation [24]. Elle permet de passer du repère triphasé ABC vers le re-
père diphasé αβ, fixe et lié au stator, puis vers le repère diphasé dq tournant. Il forme
avec le repère fixe ABC un angle qui appelé angle de Park (Figure I.6) .

Les repères de la transformation de Park des grandeurs statoriques et celle des

grandeurs rotoriques doivent coïncider pour simplifier ces équations (Figure I.6). Ces
positions sont liées par la relation suivante [5],[15] :

dθs dθ dθr
θs = θ + θr ou = + (I.20)
dt dt dt
I.4. Modélisation dynamique du moteur asynchrone à cage 12

d’où l’expression de la pulsation de glissement :

dθ
ω= = ωs − ωr = g.ωs (I.21)
dt
La loi dite d’autopilotage est alors définie par :

ωs = ωr + ω ou encore ωs = ωr + p.Ω (I.22)

Les grandeurs statoriques sont transformées par :

Figure I.6 – Position spatiale des différents repères

[xαβs ] = P (θs )[xdqs ] (I.23)

ainsi que les grandeurs rotoriques :

[xαβr ] = P (θr )[xdqr ] (I.24)

D’où la matrice de passage direct et inverse :

 
r cos θ cos(θ + 2π
3 ) cos(θ + 4π
3 )
2 2π 4π 
[P (θ)] =  − sin θ − sin(θ + 3 ) − sin(θ + 3 )  (I.25)
3 √1 √1 √1
2 2 2

et
√1
 
r cos θ − sin θ 2
2
[P (θ)]−1 =  cos(θ +
2π
3 ) − sin(θ + 2π
3 )
√1 (I.26)

3 2 
4π 4π √1
cos(θ + 3 ) − sin(θ + 3 ) 2

I.4.4 Modèle dynamique dans le référentiel tournant dq

Choisissions de fixer le repère biphasé dq au champ tournant.

I.4.4-a Equations électriques

Les équations aux tensions sous la forme matricielle deviennent [5],[26] :

d
[vdqs ] = Rs [idqs ] + θ̇s p π2 [ϕdqs ] + dt


[ϕdqs ]
π

d (I.27)
[vdqs ] = Rs [idqs ] + θ̇s p 2 [ϕdqs ] + dt [ϕdqs ]
I.4. Modélisation dynamique du moteur asynchrone à cage 13

Le système matriciel peut également être écrire sous la forme suivant :

vds = Rs ids − ωs ϕqs + dϕdtds




 v = R i + ω ϕ + dϕqs

qs s qs s ds dt
dϕdr (I.28)

 v dr = 0 = R r dr − ωr ϕqr + dt
i
dϕ

vqr = 0 = Rr iqr + ωr ϕdr + dtqr


I.4.4-b Equations magnétiques

Les équations des flux sous la forme matricielle deviennent [5],[26] :

 
" # Ls 0 M 0 " #
ϕdqs  0 Ls 0 M 
 idqs
= (I.29)


ϕdqr  M 0 Lr 0  idqr
0 M 0 Lr
Les sous-matrices sont maintenant diagonales et ne dépendant plus de l’angle élec-
trique θ entre le stator et le rotor. Le système matriciel peut être écrit sous la forme
suivante :


 ϕds = Ls ids + M idr

 ϕ = L i + Mi
qs s qs qr
(I.30)
 ϕdr = M ids + Lr idr


ϕdr = M iqs + Lr iqr


avec les inductances suivantes :

Ls = ls − Ms , inductance cyclique statorique,

Lr = lr − Mr , inductance cyclique rotorique,
M = 32 Msr , inductance mutuelle cyclique entre stator et rotor.

I.4.4-c Expression du couple électromagnétique

Nous avons exprimé les équations de la machine, mais il reste également le couple
électromagnétique. Ce dernier peut être dérivée de l’expression de la co-énergie ou
obtenu à l’aide d’un bilan de puissance.

Il en résulte plusieurs expressions. [5] :

Ce = p (ϕds iqs − ϕqs ids ) (I.31)

Ce = p (ϕqr idr − ϕdr iqr ) (I.32)

Ce = pM (iqs idr − ids iqr ) (I.33)

M
Ce = p (ϕdr iqs − ϕqr ids ) (I.34)
Lr
I.4. Modélisation dynamique du moteur asynchrone à cage 14

I.4.4-d Schéma équivalent dans le référentiel dq

La dynamique électromagnétique de la MAS triphasée, fonctionnant en moteur,

est régie par les équations du modèle de Park généralisé, en introduisant les induc-
tances de fuites statoriques et rotoriques définies respectivement par [18],[8] :

ls = Ls − M (I.35)

lr = Lr − M (I.36)

Les équations de tension et de flux deviennent :

→
− →
− → −
I m = Is + Ir (I.37)

avec les équations des tensions :

( →− →
− −
→ −→
Vs = Rs Is + ls ddtIs + M ddt
Im
+ jωa φs
−
→ → − →
− −
→ −→ →
− (I.38)
Vr = 0 = Rr Ir + lr dt + M ddt
d Ir Im
+ jωr φ r

et les équations des flux :

( →
− →
− −
→
φ s = ls I s + M Im
−
→ →
− −
→ (I.39)
φr = lr I r + M Im

Ce modèle peut être représenté par le schéma de la figure I.7 :

Figure I.7 – Schéma équivalant dynamique dans le référentiel tournant dq

Ce schéma est caractérisé par la présence des f.é.m. de rotation induites respecti-
→
− →
−
vement dans le stator jωs φ s et dans le rotor jωr φ r et qui dépendent des courants
→
− →
−
I s et I r et de la vitesse de rotation.
I.4. Modélisation dynamique du moteur asynchrone à cage 15

I.4.5 Représentation d’état dans le référentiel dq

Le choix des variables d’état, d’entrées et de sorties du système multivariable
dépend des objectifs liés à la commande ou l’observation. Pour des applications de
commande, un choix approprié pour le vecteur d’état est le suivant [21] :
h i
x = isd isq φrd φrq ω (I.40)

Le choix des courants statoriques est justifié par le fait qu’ils sont accessibles par la
mesure. Les entrées du modèle de la machine sont les deux composantes de la tension
→
−
statorique Vs .

Le modèle d’état du moteur asynchrone est celui d’un système multivariable non
linéaire de la forme suivante :
(
ẋ(t) = f (x) + g(x).u(t)
(I.41)
y(t) = h(x)

Le vecteur x est tel que : {x ∈ R5 et φ2rd + φ2rq 6= 0} et Les fonctions f (x), g(x) et
h(x) sont définies selon le choix du repère.
En disposant de deux entrées indépendantes, deux sorties doivent être choisies afin
d’obtenir un système carré, on peut choisir :
h q i
y = ω φ2rd + φ2rq Dans un référentiel dq tournant à une vitesse ωs , le
modèle du moteur asynchrone, défini par le système non linéaire d’ordre 5 suivant
[9],[21] :
−γisd + ωs isq + τKr φrd + pKωφrq 1
     
isd σLs 0
 i   −ω i − γi − pKωφ + K φ   0 1 " #
sq  s sd sq rd τr rq  σLs 
d  
  M 1

 vsd
 φ  =  τr isd − τr φrd − (ωs − pω)φrq + 0 0
  
dt  rd   M

1    vsq
 φrq   τ isq − (ωs − pω)φrd − τ φrq   0 0 
r r
pM fr C
JLr (φrd isq − φrq isq ) − J ω − J
ω r
0 0
(I.42)
avec
L2 m M2
 
M 1
σ =1− ; K= ; γ= Rs + Rr 2
Ls Lr σLs Lr σLs Lr

Le modèle de la machine dans le repère dq est le modèle le plus général pour la

représentation du moteur asynchrone.

I.4.6 Modèle dynamique dans le référentiel fixe αβ

Pour passer d’un système triphasé αβ vers un système diphasé (Figure I.8), il
suffit poser ωs = 0 dans les équations précédentes. Il existe principalement deux
transformations dans le repère fixe et lié au stator [24],[5] :
- La transformation de Clarke qui conserve l’amplitude des grandeurs, mais pas la
puissance ni le couple (On doit alors introduire dans l’expression du couple un
facteur multiplicateur égal à coefficient 3/2).
I.5. Modélisation en régime permanent du moteur asynchrone 16

- La transformation de Concordia, qui elle est normée, elle conserve la puissance,

mais pas les amplitudes.

Figure I.8 – Position des référentiel triphasé ABC et diphasé αβ

Nous utilisons dans ce travail la transformation de Concordia.

Dans un référentiel (α, β) fixe au stator ωs = 0, le modèle du moteur asynchrone,

défini par le système non linéaire d’ordre 5, suivant [9],[21] :

−γisα + τKr φrα + pKωφrβ 1

     
isα σLs 0
 isβ   −γisβ − pKωφrα + τKr φrβ   0 1
σLs
 " #
  
M 1
   vsα
X= φrα  ; f (x) =  τr isα − τr φrα − pωφrβ ;g =  0 0 ;v =
     
   M 1    vsβ
φrβ τr isβ + pωφrα − τr φrβ
     0 0 
pM fr Cr
JLr (φrα isβ − φrβ isα ) − J ω −
ω J
0 0
(I.43)

I.5 Modélisation en régime permanent du moteur asyn-

chrone
d


Dans le repére fixe au stator αβ et en régime quasi-stationnaire dt → jωs , nous
avons les équations [1],[5] :
→
− →
− →
−
Vs = (Rs + jωs Ls ) Is + jωs M Ir (I.44)

−
→ → − →
− →
−
Vr = 0 = (Rr + jωr Lr ) Ir + jωr M Is (I.45)

Sachant que ωr = ωs − ω = gωs , si l’on divise l’équation (1.42) par le glissement (qui
n’est pas nul en pratique) on obtient :
 
−
→ → − Rr →
− →
−
Vr = 0 = + jωs Lr Ir + jωs M Is (I.46)
g
Faisont un changement de variable, pour ramener le rotor dans le repère statorique.
Ce changement permet de substituer au courant rotorique réel de pulsation, un cou-
rant fictif de même pulsation que le courant statorique et d’amplitude proportionnelle
I.5. Modélisation en régime permanent du moteur asynchrone 17

à une constante arbitraire non nulle telle que :

→
− →
−0
Ir = a Ir (I.47)

où a est un nombre arbitraire fini et non nul.

En portant le changement de variable adopté de (1.41) et (1.42), ces équations

deviennent :
→
− →
− →
−
0 0
Vs = (Rs + jLs ωs ) Is + jωs M Ir (I.48)

!
−
→ → − Rr
0
0
→
−0 0→
−
Vr = 0 = + jLr ωs Ir + jωr M Is (I.49)
g

avec les grandeurs ramenées au stator :

0 0 0
Rr = a2 Rr Lr = a2 Lr M = aM
En introduisant les flux de fuites statoriques et rotoriques représentés respectivement
par :
0
ls = Ls − M (Inductance de flux de fuites statoriques),
0
ls = Ls − M (Inductance de flux de fuite rotorique ramenée).

Les équations(1.45),(1.46) s’écrivent alors comme suit :

 
~ Rr −
→
~
Vr = 0 = + jlr ωs I~r + jωs M Im (I.50)
g
avec
−
→ → − → −0
Im = Is + Ir (I.51)

Ces deux dernières équations permettent d’établir le schéma équivalent de la MAS

en régime permanent représenté sur la figure I.9 [20].

Figure I.9 – Schéma équivalent de la MAS en régime permanent

Le modèle ainsi obtenu est considéré comme celui du transformateur statique en

court-circuit avec une résistance secondaire ramenée au primaire. C’est le modèle le
I.5. Modélisation en régime permanent du moteur asynchrone 18

plus proche de la représentation physique réelle d’une machine asynchrone.

En négligent les pertes magnétiques dans le fer, ce schéma est caractérisé par
cinq paramètres électriques, qui devront être identifier par une des diverses méthodes
existantes :
(Rs , Ls , Rr , Lr , M )
0
Rr
g modélise la électrique de la puissance mécanique que doit développer l’arbre de
moteur.

I.5.1 Schéma équivalent en régime permanent ramené au stator

En remplaçant les inductances par les réactances correspondantes, on peut définir
le schéma équivalent en régime permanent ramené au stator de la figure I.10.

Figure I.10 – Schéma équivalant de la MAS en régime permanent ramené au stator

Les paramètres constituants ce modèle sont données par les relations suivantes
[20] :
0
Rr = a2 R Résistance rotorique ramenée au stator,
Xs = ωs Ls Réactance propre du stator,
Xr = ωr Lr Réactance propre du rotor,
Xm = ωs M Réactance de magnétisation,
X1 = ωs (Ls − aM ) Réactance de fuite du stator,
X2 = ωs (L − aM ) Réactance de fuite du rotor ramenée au stator.
a étant une constante de transformation adoptée pour ramener le rotor au repère
statorique.

L’impédance totale par phase vue du stator (dipôle AB) peut se déduire du circuit
équivalant de la figure figure I.10 :
 
Rr
Vs jax m g + jx 2
Ze = = Rs + jX1 + Rr 0
(I.52)
Is g + jxr
I.5. Modélisation en régime permanent du moteur asynchrone 19

Soit, après calcul :

x2m
Ze = Rs + jXs + Rr
(I.53)
g + jxr

On pose : Ze = Re + jXe
Les deux composantes Re et Xe de l’impédance d’entrée déduites sont données par :
2 Rr
Xm ωs2 M 2 Rgr
g
Re = Rs + Rr2
= Rs + Rr2
(I.54)
g2
+ Xr2 g2
+ ωs2 L2r

et
2 Rr
Xm g ωs2 M 2 ωs Lr
Xe = Xs + Rr2
= ωs Ls + Rr2
(I.55)
g2
+ Xr2 g2
+ ωs2 L2r

L’expression (1.54) définissant l’impédance d’entrée Ze est indépendante de la constante

a d’autre part, ses composantes Re et Xe sont exprimées en fonction des paramètres
Rs , Ls , Rr et M qui doivent faire l’objet d’une identification.

I.5.2 Schéma équivalent ramené au stator à fuites totalisées au

stator
0
Dans ce modèle (Figure I.11), le coefficient a est choisie telle manière que :lr = 0
ce qui impose a = LMr

L’inductance des fuites totalisées dans le stator Ls et l’inductance magnétisante

0
ramenée M s’expriment par [11] :

M2
Ls = ls − = σLs (I.56)
Lr

M2
M0 = = (1 − σ)Ls (I.57)
Lr
0
La résistance rotorique ramenée Rr au stator est donne par :
 2
0 M (1 − σ)Ls
Rr = R= (I.58)
Lr τr
avec

M2
- σ= Lr Ls Coefficient de dispersion total (coef.de Blondel),
Lr
- τr = Rr Constante de temps rotorique.
Cette configuration permet une simplification des expressions théoriques en rédui-
sant le nombre de paramètres. On remarque ainsi qu’indépendamment de la struc-
ture du rotor, la MAS est caractérisée par les quatre paramètres électriques sui-
vants :(Rs , Ls , σs et τr ).
I.5. Modélisation en régime permanent du moteur asynchrone 20

Figure I.11 – Schéma équivalant de la MAS ramené au stator avec les fuites totalisées
dans le stator

Ce modèle est parfaitement adapté à la détermination expérimentale des para-

mètres par les essais classiques à puissance utile nulle : l’essai à vide et l’essai à
rotor bloqué [22]. D’autre part, il est très utilisé lors du contrôle vectoriel du moteur
asynchrone [27].

I.5.3 Schéma équivalent ramené au stator à fuites totalisées dans

le rotor
La MAS est souvent modélisée en fonction du flux rotorique. Un choix adéquat
pour le coefficient a permet l’adaptation du schéma équivalent à cet objectif. On opte
pour a = LMs .

Cette transformation annule le flux de fuites statorique (ls = 0) et permet d’avoir

un schéma plus simple avec les paramètres déduits (Figure I.12) [5],[11].
0 Ls 2 σLs


- L’inductance des fuites totalisées dans le rotor : lr = M2
Lr − Ls = 1−σ ,
0 Ls
- L’inductance magnétisante ramenée : M = MM = Ls ,
0 Ls
- La résistance rotorique ramenée : M = MM = Ls ,
0 Ls 2 Ls


- La résistance rotorique ramenée : Rr = M Rr = (1−σ)τr .

Comme dans le modèle précédent, le nombre des paramètres électriques à identi-

fier se limite à quatre, soit : Rs , Ls , σs et τr .

I.5.4 Schéma équivalent à fuites réparties à égalité entre le stator

et le rotor
0
La constante a est choisie telle que ls = ls (Hypothèse de P. Alger) [11]. Il vient
donc :
0
Ls = Lr = a2 Lr (I.59)
I.5. Modélisation en régime permanent du moteur asynchrone 21

Figure I.12 – Schéma équivalent de la MAS ramené au stator à fuites totalisées dans le
rotor
q
Ls
d’où : a= Lr

et par suite :
0
q
Ls
√
- L’inductance magnétisante ramenée : M = Lr M = 1 − σLs
√
- L’inductance de fuites statoriques : ls = Ls (1 − 1 − σ)
0 √
- L’inductance de fuites rotorique ramenée : lr = ls = Ls (1 − 1 − σ)
0
q 2
Ls Ls
- La résistance rotorique ramenée : Rr = Lr Rr = L r
Rr = Lτrs
Le schéma équivalent défini par les paramètres cités est donnée par figure I.13 :

Figure I.13 – Schéma équivalant de la MAS à fuites réparties à égalité entre stator et
rotor

L’hypothèse ainsi adoptée, permet de calculer séparément les inductances sta-

torique et rotorique et de déterminer également l’inductance magnétisante M . Ali-
mentées à tension imposée, les trois modèles exposés ci-dessus, présentent la même
impédance totale vue du stator quelque soit la valeur a non nulle et par conséquent,
ils ont tous les mêmes caractéristiques globales telles que le courant, la puissance
absorbée, etc. . .
I.6. Conclusion 22

Indépendamment de la constante a, les composantes de l’impédance sont respec-

tivement définies par :
gωs τr
Re = Rs + ωs Ls (1 − σ) (I.60)
1 + (gωs τr )2

gωs τr
Xe = ωs Ls [1 − (1 − σ)] (I.61)
1 + (gωs τr )2

Les expressions ainsi obtenues sont en fonction des quatre paramètres électriques
(Rs , Ls , σ, τr ) et de la pulsation rotorique ωr = gωr

I.5.5 Schéma équivalent avec pertes fer

Pour tenir compte des pertes dans le fer, une résistance est classiquement insérée
en parallèle avec l’inductance magnétisante M dans le modèle généralisé de la MAS
en régime permanent comme illustré par la figure I.14.
Le courant qui traverse cette résistance est défini par les deux relations [22],[14] :

−
→ − → → − → −0
Im + IF = Is + Ir (I.62)

−
→ −
→
RF IF = M Im (I.63)

Les équations aux tensions et aux flux, aussi bien pour le stator que pour le rotor
restent inchangées.

Figure I.14 – Schéma équivalant de la MAS ramené au stator avec pertes fer

I.6 Conclusion
Ce chapitre a été consacré à la modélisation mathématique de la machine asyn-
chrone triphasée à cage en vue de l’identification de ses paramètres. Ce modèle est
complexe, fortement non linéaire avec des grandeurs couplées, ce qui sont traitement
numérique difficile. Pour faciliter une mise en uvre numérique, nous avons procédé à
I.6. Conclusion 23

une transformation d’axes, appelée transformation de Park. Ceci en s’appuyant sur

une série d’hypothèses simplificatrices qui permettent de simplifier le modèle de la
machine. Ensuite, nous avons donné une description générale concernant la modéli-
sation en régime permanent, pour aboutit à plusieurs modèle ou schémas équivalents
L’insuffisance des données fournies par le constructeur pour déterminer des para-
mètres de la machine et la difficulté (ou imposibilité) de leur mesure directe, motive
le travail d’identification qui peut être effectué par différentes méthodes.
Dans le chapitre suivant, nous nous sommes focalisés sur les approches d’identification
paramétriques conventionnelles basées sur les essais classiques du moteur asynchrone
triphasé.
 Chapitre II
Identification par la méthode des essais
classiques

Sommaire
II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
II.2 Généralités sur les Techniques d’identification . . . . . . . . 25
II.3 Techniques d’identification du moteur asynchrone . . . . . . 26
II.3.1 Méthode de la plaque signalétique
. . . . . . . . . . . . . . . . . . . 26
II.3.2 Méthode des essais classiques . . .
. . . . . . . . . . . . . . . . . . . 27
II.3.3 Méthode des moindres carrés . . .
. . . . . . . . . . . . . . . . . . . 30
II.3.4 Méthode de l’intelligence artificielle
algorithmes - Les génétiques . . 31
II.3.5 Autres méthodes . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 32
II.4 Présentation du moteur asynchrone étudiée . . . . . . . . . . . 34
II.5 Identification par la méthode de la plaque signalétique . . 35
II.6 Identification par la méthode des essais classiques . . . . . . 35
II.6.1 Mesure des résistances . . . . . . . . . . . . . . . . . . . . . . . . . . 36
II.6.2 Essai à vide . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
II.6.3 Essai en court-circuit à rotor bloqué . . . . . . . . . . . . . . . . . . 38
II.6.4 Identification des paramètres mécaniques . . . . . . . . . . . . . . . . 41
II.7 Variation des paramètres du MAS . . . . . . . . . . . . . . . . . . 42
II.7.1 Variation des résistances . . . . . . . . . . . . . . . . . . . . . . . . . 42
II.7.2 Variation des inductances . . . . . . . . . . . . . . . . . . . . . . . . 43
II.8 Simulation et validation . . . . . . . . . . . . . . . . . . . . . . . . . 43
II.8.1 Résultats de simulation . . . . . . . . . . . . . . . . . . . . . . . . . 43
II.8.2 Interprétation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
II.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
II.1. Introduction 25

II.1 Introduction
Ce chapitre présente les différentes techniques d’identification paramétriques ren-
contrées dans la littérature afin de privilégier la méthode qui va être utilisée ultérieu-
rement. La connaissance précise des grandeurs telles que les résistances rotoriques et
statoriques ainsi que les inductances de fuites est d’une grande importance dans les
méthodes de contrôle utilisant ces paramètres d’autant plus que certaines méthodes
sont sensibles aux variations de ces derniers.

La première approche consiste, à partir de la méthode de plaque signalétique ,

utiliser pour calculer les différents paramètres électriques de la machines asynchrone.
Une deuxième approche électrotechnique, qui se base sur des essais classiques, sera
développée pour l’identification des paramètres du schéma équivalent de la machine
asynchrone. Enfin, des simulations sont réalisé et commenté dans le but de valider la
modélisation mathématique présentée dans ce chapitre.

II.2 Généralités sur les Techniques d’identification

Identifier un système consiste à obtenir une description du comportement de ce
système à partir de données expérimentales. Un système étant un objet ou un en-
semble d’objets dont nous voulons étudier ses caractéristiques. Le monde de l’identi-
fication est très vaste. Nous retrouvons une multitude de techniques d’identification
regroupées en deux grandes familles :
1. Identification non-paramétrique.
2. Identification paramétrique.
Quand nous parlons d’identification non-paramétrique, nous entendons l’inter-
prétation graphique ou sous forme de tableau d’une réponse transitoire, fréquentielle
(Bode, Black, Nyquist, Fourier) ou par corrélation (réponse impulsionnelle), etc. Avec
ces méthodes nous ne pouvons obtenir qu’une idée de la dynamique du système, qui
peut servir, par exemple, au dimensionnement approximatif de régulateurs ou de
filtres. Si la précision de la connaissance du système doit être plus élevée, il faut
passer à l’identification paramétrique.

Le but de l’identification paramétrique est d’estimer les paramètres d’un modèle

mathématique, de façon à obtenir une représentation satisfaisante du système réel
étudié. dans ce genre d’identification nous retrouvons aussi différentes techniques.
L’une d’elles est appelée identification heuristique, elle se base sur la détermination
des paramètres d’une fonction de transfert en ayant à disposition la réponse du sys-
tème à un échelon d’entrée. Cette technique peut être suffisante pour des systèmes
simples. Une autre technique appelée (régression linéaire) est utilisée dans la mé-
thode des moindres carrées simples. Nous retrouvons aussi les méthodes basées sur
l’erreur de sortie et sur l’erreur de prédiction ainsi que les méthodes récursives dont
un aperçu des généralités seront donné dans les sections suivantes.
II.3. Techniques d’identification du moteur asynchrone 26

Toute identification est basée sur des données expérimentales, ceci implique tou-
jours la présence de signaux affectés par du bruit. Comme nous allons le montrer,
une procédure d’identification implique différents choix, notamment :
1. Type de modèle à utiliser
2. Critère
3. Algorithme d’optimisation
4. Type d’essai à effectuer
5. Vérification des résultats.
Ces choix doivent être remis en question à la fin de la procédure, si la vérifica-
tion donne de grandes différences entre le système et le modèle. Les causes peuvent
être multiples, le modèle ne représente pas au mieux le système, le critère n’est pas
bien adapté par rapport au résultat souhaité, l’algorithme d’optimisation n’est pas
performant à cause du temps de calcul ou des problèmes de convergence [16].

II.3 Techniques d’identification du moteur asynchrone

Dans ce travail nous nous focalisons sur l’identification paramétrique car les mo-
dèles sont calculés avec les lois de la physique. Nous possédons donc un jeu de pa-
ramètres physiques à identifier rendant l’identification non paramétrique inutile [25].
Selon la nature de modèle, différents approches d’identification sont utilisées. Parmi
ces approches, on expliquera les plus méthodes utilises en pratiques.

II.3.1 Méthode de la plaque signalétique

Cette méthode, détaillé dans la référence [11], permet une estimation grossière
et rapide des paramètres électriques de la MAS tout en employant les indications
nominales de la plaque signalétique, telles que Vs , Is , fs , cos ϕs et g. En supposant
que L0r = M (Fuites totalisées dans le stator) et que la machine est sans pertes.
1−cos ϕ


 σ = 1+cos ϕ




 q
τr = ω1r √1σ










 √
 ls = VIs ω σ


s s
(II.1)

M = L0r = ls σ 1−σ













 Ls = M + ls



 0
Rr = Lτrr

 0

avec : ωs = 2πfs et ωr = gN ; ωs = ωs − ω.

Cette première approche est appropriée à l’identification de la MAS triphasée

aussi bien à rotor bobiné (à bagues) qu’a rotor à cage d’écureuil [11].
II.3. Techniques d’identification du moteur asynchrone 27

II.3.2 Méthode des essais classiques

Cette méthode, consiste en la mesure par phase, des puissances actives P et ré-
active Q lors des essais effectués en régime permanant à puissance utile nulle : l’essai
à vide (g ≈ 0) et l’essai à rotor bloqué (g = 1) .

Les puissances mesurées sont utilisées pour évaluer les Re et Xe de L’impédance

d’entrée, qui sont en fonction des paramètres recherchés, comme suit :
P P
Re = V2 = 2 (II.2)
P 2 + Q2 s Is

Q Q
Xe = Vs2 = 2 (II.3)
P2 +Q2 Is
Pour le fonctionnant en moteur, la MAS à rotor à cage d’écureuil est la plus répandue
dans l’industrie, mais elle présente un problème délicat d’accessibilité de son rotor à
l’expérimentation.

Il est impossible de mesurer séparément les vrais paramètres Rr , Lr et M qui

figurant dans les modèles de simulation. Les essais classiques envisagés permettent
de déterminer tous les paramètres électriques du schéma équivalent à fuite totalisées
0 0
dans le stator, à savoir [11] : Ls , σ et τr et par conséquent de déduire Lm , Lr et Rr .
La résistance Rs est aisément déterminée par l’essai à courant continu.

II.3.2-a Mesure des résistances

La résistance d’une phase statorique Rs est donnée directement en utilisant

des ponts de mesure (méthode du zéro), ou indirectement par la méthode volt-
ampèremétrique. Cette méthode consiste à alimenter une phase du stator par une
source de tension continue et de mesurer le courant qui la traverse et la tension entre
ses bornes. Etant donné son faible ordre de grandeur, le montage aval est plus appro-
prié et le courant injecté ne doit pas dépasser 10% du courant nominal. La mesure
est effectuée à chaud, lorsque le moteur atteint son équilibre thermique.

II.3.2-b Essai à vide

Dans ce cas, la machine est alimentée à sa tension et à sa fréquence nominale,

et tourne à vide, le rotor est en court-circuit dans les machines à bagues. Il existe
cependant un couple résistant de très faible valeur équivalent aux pertes mécaniques
dues aux frottements et à la ventilation. De ce fait le glissement n’est pas tout à fait
nul, les courants rotoriques sont négligeables et le flux dans l’entrefer est créé par le
stator seul. On peut écrire alors que lorsque (g = 0)
→
− −→
Vs = Vs0 (II.4)

→
−0
Ir ≈ 0 (II.5)
II.3. Techniques d’identification du moteur asynchrone 28

et
→
− −→ − →
Is = Is0 ≈ Im (II.6)

Dans le schéma
 0 équivalent
 de la Figure II.1, la branche correspondante au secondaire
Rr
est ouverte g → ∞ . Le circuit à vide devient :

Figure II.1 – Schéma équivalent de la MAS en fonctionnement à vide

Cet essai permet de calculer Reo et Xeo par la mesure de P0 , Q0 et Vs0 soient :

Ze0 = Re0 + jXe0 (II.7)

P0
Re0 = V 2 = Rs (II.8)
P02 + Q20 s0
Q0
Xe0 = V 2 = ωs Ls (II.9)
P02 + Q20 s0
avec Vs0 , tension statorique à vide ; P0 , puissance active absorbée à vide et Q0 ,
puissance réactive absorbée à vide.

II.3.2-c Essai à rotor bloqué

Dans cet essai [11], aussi appelé « essai en court-circuit », le rotor est bloqué
(enroulement court-circuité, arbre bloqué). La vitesse de rotation étant nulle aucune
puissance mécanique n’est délivrée sur l’arbre, et le courant absorbé n’est limité que
par l’impédance interne de la machine qui est relativement faible. L’essai doit être
effectué à tension réduite de façon à limiter le courant à sa valeur nominale.

En tenant compte de la réactance magnétisante Xm = ωs M 0 qui est d’au moins

0
d’un ordre de grandeur supérieur à la résistance rotorique Rr g = 1 ,le schéma équi-
valent déduit de cet essai est celui de la figure II.2.

Les composantes Recc et Xecc de l’impédance d’entrée en court-circuit, qui sont

en fonction des paramètres du schéma de la figure (2), sont calculées à partir des
mesures Pcc , Qcc et Vcc :

Zecc = Recc + jXecc (II.10)

II.3. Techniques d’identification du moteur asynchrone 29

Figure II.2 – Schéma équivalent de la MAS en fonctionnement à rotor bloqué

D’où :
Pcc ωs Tr
Recc = V 2 = Rs + ωs Ls (1 − σ)
2 + Q2 scc
(II.11)
Pcc cc 1 + ωs2 Tr2
Qcc 2 ωs Tr2
2
Xecc = 2 V = ω L
s s − ω L
s s (1 − σ) (II.12)
Pcc + Q2cc scc 1 + ωs2 Tr2
avec : Vscc , tension statorique à rotor bloqué ; Pcc , puissance active absorbée à rotor
bloqué et Qcc puissance réactive absorbée à rotor bloqué.

Les paramètres sont obtenus par la résolution du système d’équation non linéaire
Alimentée à tension réduite et à fréquence nominale à l’arrêt (g = 1) la machine
est loin d’être saturée, car le courant magnétisant est très faible et la réactance de
magnétisation est Considérée infinie (l’hypothèse de Kapp pour le transformateur).
Le schéma simplifié de la figure II.3 permet de déterminer la résistance rotorique
0
ramenée Rr et l’inductance des fuites globales σ.Ls .
L’impédance de court-circuit Zecc peut s’écrire :

Figure II.3 – Schéma équivalent simplifié de la MAS à rotor bloqué.

Zecc = Recc + jXecc

II.3. Techniques d’identification du moteur asynchrone 30

D’où :
Pcc
Recc = V 2 = Rs + Rr0 (II.13)
2
Pcc + Q2cc scc

Sachant Rs , alors :

Rr0 = Recc − Rs

Et connaissant d’après l’essai à vide (g ≈ 0)Ls liée à la tension de mesure, on peut

déduire le coefficient de dispersion totale σ et donc on peut calculer :
0
Lr = (1 − σ)Ls = M (II.14)

et
0
Lr
τr = (II.15)
Rr0

Pour obtenir les paramètres de l’essai en court-circuit correspondants aux conditions

nominales de la machine, on suppose que le courant de court-circuit est proportionnel
à la tension d’alimentation [11].

II.3.3 Méthode des moindres carrés

La méthode de loin la plus connue est la méthode des moindres carrés, développée
par Gauss. Elle est applicable quel que soit le problème, linéaire ou non linéaire. Elle
est basée sur la minimisation d’un critère quadratique en utilisant un algorithme,
généralement d’ordre deux. Dans notre étude on s’intéresse aux moindres carrés non-
linéaires, puisque dans la plupart des cas les problèmes posés à la science sont des
problèmes non-linéaires.

Ainsi, la méthode la plus utilisée et la plus efficace est celle des moindres carrés
non-linéaires, son principe est basé sur la minimisation d’un critère fonction de l’écart
entre la réponse du processus réel et la réponse du modèle.

Cette minimisation est effectuée à l’aide d’un algorithme d’optimisation qui re-
tournera alors une estimation de la valeur des paramètres, en se basant sur la minimi-
sation d’un critère quadratique. Le critère choisi est un critère quadratique. Posons
ε(k) = (y(k) − ym (k, θ)) l’écart entre la sortie du système réel y(k, θ) et la réponse du
modèle du système ym (k, θ) , au kième point, calculé avec le vecteur des paramètres θ.

Le critère quadratique, noté J(θ) , peut s’écrire :

N N
1 X 1 X 
J(θ) = ε(k)T ε(k) = [y(k) − ym (k, θ)]T [y(k) − ym (k, θ]) (II.16)
N N
k=1 k=1

avec : N , nombre d’échantillons considérés.

II.3. Techniques d’identification du moteur asynchrone 31

Dans le cas de sorties multiples, comme dans le nôtre (plusieurs courants), le

critère devient [4] :
n N
1 1 XX
J(θ) = εi (k)T εi (k)
nN
i=1 k=1
(II.17)
n X N 
1 1 X T
= [yi (k) − ymi (k, θ)] [yi (k) − ymi (k, θ])
nN
i=1 k=1

où n est le nombre de sorties considérées.

II.3.4 Méthode de l’intelligence artificielle - Les algorithmes gé-

nétiques
Dans le but d’identifier les paramètres de la machine asynchrone, la technique
des algorithmes génétiques est utilisée. Cet algorithme commence par la création de
la population initiale et se termine par la convergence vers le meilleur individu de la
population correspondant à la solution du problème d’optimisation.

La progression d’un état à un autre s’effectue par des opérateurs stochastiques

tels que la sélection, le croisement et la mutation [6]. La structure de cet algorithme
est donnée par l’organigramme (Figure II.4) :

Figure II.4 – Structure de l’algorithme génétique

Ces algorithmes sont simples et très performants dans leur recherche de l’op-
timum. De plus, ils ne sont pas limités par des hypothèses contraignantes sur le
domaine d’exploitation.
II.3. Techniques d’identification du moteur asynchrone 32

Ainsi, l’utilisateur abordant le sujet n’a guère à se préoccuper de la continuité et

de la différentiable de la fonction à optimiser [7].

[θ(n + 1)] = [θ(n)] − α[H]t {[yesp ] − [ym ]} (II.18)

II.3.5 Autres méthodes

II.3.5-a Méthode des variables instrumentales

Le principe de la méthode des variables instrumentales consiste à modifier l’équa-

tion de régression linéaire en introduisant une matrice instrumentale Z qui multiplie
chacun de ses termes. Z est choisie tel que ses composantes, appelées instruments
ou variables instrumentales, soient suffisamment corrélées avec les composantes du
régresseur W mais non corrélées avec le bruit additif sur la sortie ρ [25].
soit : E(Z T W ) non singulière et E(Z T ) = 0.

Ainsi l’équation de régression linéaire devient :

ZT U = ZT W X + ZT ρ (II.19)

et la solution non biaisée devient :

−1
b = ZT W
X ZT U (II.20)

Plusieurs solutions ont été proposées pour le choix de Z. Une manière de créer la
matrice Z consiste à simuler un modèle du système. On l’appelle alors VI à modèle
auxiliaire. Le modèle auxiliaire est un modèle mathématique sans bruit construit pour
simuler le comportement du système réel à identifier. Ainsi on obtient des données
simulées non bruitées constituant les composantes de Z. Dans ce cas la variance de
lerreur d’estimation des paramètres est donnée par :

b T = σ 2 Z T Z −1
h i

CX̂ X̂ = E (X − X)(Xb − X) ρ (II.21)

II.3.5-b Méthode du gradient

L’objectif de la méthode est de construire la matrice [H] à partir des valeurs

estimées par la simulation d’un modèle discret de comportement et de minimiser
l’erreur quadratique entre les valeurs mesurées et les valeurs estimées en faisant varier
les paramètres en fonction de la valeur du gradient de l’erreur quadratique pour
chaque pas de calcul [3].
1
J(θ) = {[y]exp − [y]m }t {[y]exp − [y]m } (II.22)
2
avec :
     
−ym (0) u0 ym (1) yexp (1)
[H] =  ··· ···  [ym ] =  · · ·  [yexp ] =  ···
     

−ym (N − 1) uN −1 ym (N ) yexp (N )
(II.23)
II.3. Techniques d’identification du moteur asynchrone 33

Le gradient de l’erreur est calcule en developpant le calcul de J(θ) et en calculant sa

derivée matricielle :

1 t
J(θ) = [y]exp [y]exp − [y]texp [H][θ] − [θ]t [H]t [y]exp + [θ]t [H]t [H][θ] (II.24)
2
Le gradient de l’erreur est donné par :

∂J(θ)
= −[H]t {[yexp ] − [H][θ]}
∂θ
Il suffit de calculer pour chaque pas le vecteur des paramètres à partir du gradient :

[θ(n + 1)] = [θ(n)]− ∝ [H]t {[yexp ] − [ym ]} (II.25)

II.3.5-c Méthode des moindres carrés récursifs

Dans la méthode des moindres carres simple, le calcul de la matrice pseudo-inverse

peut poser des problèmes liés au conditionnement de la matrice et une difficulté liée
au temps de calcul, pour une implantation sur un calculateur (microcontrôleur). Pour
palier cette difficulté, il est préférable d’utiliser une méthode récursive où il n’est plus
nécessaire d’inverser la matrice pseudo-inverse.

Pour trouver l’algorithme récursif, il faut ajouter une mesure aux grandeurs dé-
finies dans la méthode du gradient :
     
−ym (0) u0 ym (1) yexp (1)
[Φ]N =  ··· · · ·  [ym ]N =  · · ·  [yexp ]N =  ···
     

−ym (N − 1) uN −1 ym (N ) yexp (N )
(II.26)

" # " #
[Φ]N [yexp ]N
[Φ]N +1 = [yexp ]N +1 = (II.27)
(Φ)N +1 (yexp )N +1

et en posant :

−1
PN +1 = [Φ]tN +1 [Φ]N +1 (II.28)

En utilisant les matrices d’observations et de mesures à l’instant N dans la définition

du vecteur des paramètres à l’instant N + 1 :

[θN +1 ] = PN +1 [Φ]tN +1 [yexp ]N +1 (II.29)

PN−1+1 = PN−1 + (Φ)tN +1 (Φ)N +1 (II.30)

Cette expression peut étre simplifiée en utilisant le lemme d’inversion :

−1
[A + BCD]−1 = A−1 − A−1 B C −1 + DA−1 B DA−1

(II.31)
II.4. Présentation du moteur asynchrone étudiée 34

avec :

A = PN−1 B = (Φ)tN +1 C=1 et D = (Φ)N +1 (II.32)

D’où les équations récursives sur le vecteur des paramètres :

PN (Φ)tN +1  
[θN +1 ] = [θN ] + t [yexp ]N +1 − (Φ)N +1 [θN ] (II.33)
1 + (Φ)N +1 PN (Φ)N +1

PN (Φ)tN +1 (Φ)N +1 PN
PN +1 = PN − (II.34)
1 + (Φ)N +1 PN (Φ)tN +1

Dans la mise en uvre de cette méthode, il est possible d’initialiser le vecteur des
paramètres par la méthode des moindres carrés limitée à un nombre restreint de
mesures puis de continuer l’acquisition des mesures avec la méthode récursive [3].

II.4 Présentation du moteur asynchrone étudiée

Dans le cadre de cette mémoire, notre banc d’essai expérimentale est constituée
d’une machine asynchrone à cage d’écureuil (MAS) (Figure II.5). Il s’agit de la mé-
thodologie qui a été suivit pour identifier les paramètres de la machine asynchrone.

La démarche qui a été suivie pour l’identification est basée sur les essais clas-
siques : essai à courant continu, essai à vide, essai à rotor bloqué et essai a glissement
nul.

Dans ce qui suit, nous allons présenter les mesures et les calculs relatifs à la
machine (à cage d’écureuil) pour déterminer les paramètres inconnu. la plaque signa-
létique est donné dans l’annexe B.

Figure II.5 – Machine asynchrone étudiée (référence : 11065/FT /10)

II.5. Identification par la méthode de la plaque signalétique 35

II.5 Identification par la méthode de la plaque signa-

létique
La plaque signalétique de la machine comporte les caractéristiques suivantes :

Table II.1 – Caractéristiques nominales de la machine asynchrone

Tensions nominales 400/230 Volts (Y - ∆)
Courant nominal 1,30/2,25 Ampères (Y - ∆)
Vitesse de rotation 2830 tr/mn
Couple 1.6 m.N
Puissance nominale 500 W
Nombre de pôles p=1
Fréquence 50 Hz

Application
L’application de la relation (II.1) de cette méthode permet d’avoir une estimation
très approximativement à partir de la plaque signalétique de la machine.


 σ = 1−0.5551
1+0.5551 = 0, 2861




 q
1 √ 1

τ = × = 0.0768 s

r



 17.8024 0.2861




 √
 lf = 230.9401× 0.2861


1.3×314.1593 = 0.3024 H
(II.35)

 M = L0r = 0.3024 × 1−0.2861




 0.2861 = 0, 7548 H





 Ls = 0.7548 + 0.3024 = 1, 0573 H







Rr = 0,7548
 0

0.0768 = 9, 8274 Ω

Le tableau ci-dessous résume l’ensemble des résultats obtenus par la méthode

d’identification de la plaque signalétique.

Table II.2 – Résultats de la méthode de la plaque signalétique

0 0
Rs (Ω) Rr (Ω) Ls (H) Lr (H) Lm (H) τr (s) σ
14.50 9.8571 1.0488 0.7737 0.7737 0.0785 0.2623

II.6 Identification par la méthode des essais classiques

Les méthodes de contrôle du moteur asynchrone exigent une détermination précise
0
des paramètres de la machine. Typiquement, cinq paramètres électriques (Rs et Rr :
0
résistance de stator et de rotor, Ls et Lr : inductance statorique et rotorique, σ :
coefficient de blondel, Lm : inductance mutuelle) et deux paramètres mécaniques (J :
moment d’inertie, f : coefficient de frottement visqueux) doivent être déterminés.
II.6. Identification par la méthode des essais classiques 36

II.6.1 Mesure des résistances

Nous alimentons sous tension continue entre deux phases du stator en tenant
compte du montage en étoile de la machine asynchrone. La résistance apparente de
stator alimentée se calcule facilement à partir de la mesure de tension et d’intensité
(l’impédance de l’inductance étant nulle en régime continu établi).

Schéma de montage
La résistance étant de faible valeur, c’est le montage aval qui est adopté.

Figure II.6 – Mesure de la résistance apparente par la méthode ampèremétrique

Remarque : Par souci de sécurité, il faut s’assurer lors de l’essai à ne pas dépas-
ser l’intensité maximale par phase (ici Is nominale = 1,3 A pour le stator).

Résultats
La résistance étant mesurée à température ambiante (25˚C), il est nécessaire de ma-
jorer sa valeur d’un facteur 1,15 pour obtenir sa valeur à chaud (80˚C) [21].

Une mesure préliminaire au multimètre numérique a donné :

- à froid : Rs = 14,5 Ω
- à chaud : Rsch = 1, 15.Rs = 16,68 Ω
La mesure de résistance entre 2 phases de résistance statorique en série. La
moyenne des résultats au stator permet de déterminer Rs par la relation suivante :
E
Rs =
2.Is
Résultats obtenus avec la méthode volt-ampèremétrique a donné :
- à froid : Rs = 15, 47Ω
- à chaud : Rsch = 1, 15.Rs = 17, 79Ω

II.6.2 Essai à vide

Il s’agit d’étudier le comportement du moteur à vide en mettant en évidence
l’évolution du courant absorbée, du facteur de puissance, de déterminer la somme
des pertes fer et des pertes mécaniques, puis d’évaluer ces pertes séparément.

Schéma de montage
L’essai devra être effectué pour une tension d’alimentation variant entre 100% et
environ 25% de la tension nominale du moteur.
II.6. Identification par la méthode des essais classiques 37

Figure II.7 – Schema de montage pour l’essai a vide

Tableau de mesures et calculs

Essais 1 2 3 4 5 6 7
U0 (A) 100 150 200 250 300 350 400
I0 (A) 0.26 0.24 0.28 0.38 0.47 0.60 0.90
Pa0 (W ) 35 40 60 80 110 160 240
Pb0 (W ) 15 10 0 -20 -30 -60 -120
Calcul
V0 (V ) 57.74 86.6 115.47 144.34 173.21 202.07 230.94
P0 (W ) 50 50 60 60 80 100 120
Q0 (V AR) 34.64 51.96 103.92 173.21 242.49 381.05 623.54
pjs0 (W ) 3.14 2.67 3.64 6.70 10.25 16.71 37.59
pc = pm + pf (W ) 46.66 47.33 56.36 53.30 69.75 83.29 82.41

Table II.3 – Mesures de l’essai à vide

Méthode de séparation des pertes Dans un fonctionnement à vide (Figure

II.7), le moteur asynchrone absorbe une puissance P0 qui correspond à la somme des
pertes mécaniques, ferromagnétiques (fer) et Joules au stator.

pmca+f er = P0 − 3.Rs .I02 (II.36)

En traçant la courbe de la puissance pf er + pmca en fonction du carré de la tension

d’alimentation, on obtient en principe une droite dont le prolongement jusqu’à la
tension nulle donne les pertes mécanique (Figure II.8).
D’après la courbe de séparation des pertes (Figure I.8) on trouve :

Pmca = 42.024 W et pc = pf er + pmca

et on déduit :

pf er = pc − pmca ⇒ pf er = 87 − 42.024 = 45W (II.37)

II.6. Identification par la méthode des essais classiques 38

Figure II.8 – Courbe de séparation des pertes

Calcul de Rf et Ls

400
Pour Vs = √
3
= 230.94V

nous trouvons les résultats suivants :

3Vs2
 160000
 Rf = Pf er = 45 = 3556Ω


3Vs2

160000
Ls = = = 0.817H

Qso ωs 623.54×100π

Nous remarquons que pour cet essai réalisé à vide, que la machine consomme
essentiellement de la puissance réactive. Celle-ci est consommée par l’inductance Ls
sert à générer le flux dans l’entrefer.

Les pertes fer étant inversement proportionnel à la résistance, on a tout intérêt à

ce que cette dernière soit grande pour pouvoir minimiser ces pertes et donc disposer
d’un meilleur rendement.

II.6.3 Essai en court-circuit à rotor bloqué

Schéma de montage
Calcul de Lm et Rr

Le rotor étant bloqué (g=1) (Figure II.9), la tension statorique doit être ajustée
de telle sorte que le courant statorique soit proche du courant nominal. Dans ces
conditions, la tension appliquée devient nettement faible devant la tension nominale,
ce qui permet de négliger le courant Is0 et réduire le schéma de la (Figure II.10) à ce
qui suit :
II.6. Identification par la méthode des essais classiques 39

Figure II.9 – Schéma de montage pour l’essai à rotor bloqué

Table II.4 – Mesures et calculs de l’essai à rotor bloqué

Essais 1 2 3 4 5 6 7 8 9
Ucc (A) 8 14 26 38 51 64 69 81 91
Icc (A) 0.10 0.10 0.20 0.40 0.60 0.80 1 1.30 1.50
Pacc (W ) 0 0 10 20 40 70 70 110 140
Pbcc (W ) -10 -10 8 20 30 30 30 30 60
Calcules
Vc c(V ) 4.62 8.08 15.01 21.94 29.44 36.95 39.84 46.77 52.54
Pcc (W ) -10 -10 18 40 70 100 100 140 200
Qcc (V AR) 17.32 17.33 3.46 0 17.32 69.28 69.29 138.56 138.57

La figure (Figure II.10) permet d’écrire :

 0
 0 Psc
Psc ∼
= 3 Rs + R2 Isc 2
⇒ R2 = 2 − Rs (II.38)
3Isc
Donc :
0 200
R2 = − 15.47 = 14.15Ω
3 × 100π
Cette résistance joue un rôle très important dans la mesure où elle a une influence
sur la valeur du couple de démarrage et sur son allure.

De la même façon, le calcul de Nr :

2 Qsc
Qsc = 3 (Nr ωs ) Ise ⇒ Nr = 2
(II.39)
3ωs Isc
Donc :
138.56
Nr = = 0.065H
3 × 100π × (1.5)2
Une fois que l’inductance de fuite Nr déterminée, le calcul de l’inductance mu-
tuelle Lm :
p
−Nr + Nr2 + 4L2s
Lm = (II.40)
2
II.6. Identification par la méthode des essais classiques 40

Figure II.10 – Schéma simplifié de l’essai à rotor bloqué

Donc :

Lm = 0.785H

Pour calculer les autres paramètres, on utilise le schéma équivalents de la figure II.11 :

Figure II.11 – Schéma équivalant au stator avec les fuites magnétiques totalisées au rotor

La figure permet de calculer les paramètres suivants :

k = LLms = 0.96








 2


 k = 0.923




 Rr = R




2
k2
= 15.33Ω






 L = L + N = 0.85H
r m r


 0
 2
Ls

N = N = 0.0704H



 r r Lm





  2
 0 Ls
R = R = 16.606Ω

r
 r


 Lm




  
 σ = 1 − Lm = 0.113

Ls Lr
II.6. Identification par la méthode des essais classiques 41

Les résultats obtenus sont reporte dans le tableau suivant :

0 0 0
Rr (Ω) Rr (Ω) Lr (H) τr (s) Nr (H) σ
15.0334 16.606 0.85 0.0512 0.0704 0.113

Table II.5 – Valeurs des paramètres de l’essai à rotor bloqué

II.6.4 Identification des paramètres mécaniques

La détermination du coefficient de frottement visqueux et du moment d’inertie
est basée sur la mesure des pertes mécaniques lorsque la machine tourne à une vitesse
donnée et sur le relevé de la courbe de ralentissement.

II.6.4-a Détermination du moment d’inertie (Essai du ralentissement)

La détermination du moment d’inertie du rotor (inertie de toutes les masses tour-

nantes entrainées par la machine) est basée sur la mesure de la vitesse en fonction
du temps lors du ralentissement (Figure II.12).

La machine à l’étude est alimentée sous sa tension nominale et tourne à vide à une
vitesse constante Ω0 . En coupant alors l’alimentation statorique, la machine ralentit
sous l’effet de ses pertes mécaniques totales, et cette décroissance de la vitesse jusqu’à
arrêt total, est enregistrée [11].

Figure II.12 – Courbes expérimentales du ralentissement

Le moment d’inertie J peut être calculée par :

Pmec
J= dΩ

(II.41)
Ωn dt Ω=Ωn

Cette relation montre que la mesure du moment d’inertie dépend de la précision avec
laquelle la puissance mécanique est déterminée.
II.7. Variation des paramètres du MAS 42

Le relevé de la courbe de ralentissement et son approximation par une fonction

analytique permet de calculer la dérivée de la vitesse.
dΩ ∼ ∆N 1
= 2π (II.42)
dt ∆t 60
et
Nn
Ωn ∼
= 2π
60

II.6.4-b Détermination du coefficient de frottements visqueux

En connaissant la constante de temps mécanique τm à partir de sa mesure gra-

phique sur la courbe de ralentissement (pente tangente à la courbe au point ΩN , le
coefficient de frottements visqueux fv est directement calculé par[11] :
J
f= (II.43)
τm
Remarque
Vue la situation sanitaire, nous n’avons pas pu effectuer l’essai du ralentissement,
aussi nous avons considérer les valeurs du moment d’inertie et du coefficient de frot-
tement suggérer par nos encadrants.
Soit :

f = 0 N.s/rad (II.44)
J = 0.0068 kg.m2 (II.45)

II.7 Variation des paramètres du MAS

Dans le cadre des hypothèses simplificatrices adoptées, les modèles de la MAS
triphasée décrits précédemment sont considérés invariants et à paramètres constants,
ce qui rend l’identification paramétrique peu précise. En pratique, les paramètres
des machines électriques dépendent du point de fonctionnement et évoluent au cours
du temps, principalement, en fonction de l’état magnétique de la machine et de sa
température [11].

II.7.1 Variation des résistances

La variation des résistances statoriques et rotoriques est due principalement à
deux effets :

L’effet thermique
La résistivité des matériaux conducteurs (enroulements et barres) varie en fonction
de la température, approximativement, par la relation linéaire [11] :

R = R0 (1 + αT ) (II.46)

R0 est la résistance du matériau à 0 degrés Celsius, α est le coefficient de température

dépendant du matériau et T est la température exprimée en degrés Celsius.
II.8. Simulation et validation 43

L’effet pelliculaire
La répartition non homogène de la densité de courant dans les conducteurs est à
l’origine de l’apparition de l’effet de peau, problème très marqué au niveau du rotor
dans les machines à cage (conducteurs massifs). Ce phénomène est d’autant plus im-
portant que la fréquence de fonctionnement est élevée, ce qui entraine l’augmentation
des résistances.

II.7.2 Variation des inductances

La variation des inductances, quant à elle, est due à la saturation magnétique
des matériaux ferromagnétiques de la machine, à cause de la non-linéarité du circuit
magnétique.

Alors, les inductances ont tendance à diminuer lors de la saturation de la machine,

et leurs valeurs maximales peuvent être définies dans des zones magnétiquement
linéaires [11].
- En on-line :
par exemple : La technique MRAS (Model Reference Adaptive System) ; par calcul
de puissances ; . . . , etc.
- En off-line :
Par exemple : La réponse indicielle à un échelon de tension (MAS à l’arrêt), par
la méthode dynamique (coupure de la tension statorique), . . . , etc.

II.8 Simulation et validation

II.8.1 Résultats de simulation
Le but de cette simulation est de valider le modèle adopté après identification de
la machine asynchrone avec la méthode des essais classiques, et d’analyser le com-
portement lorsque la machine est alimentée par une source triphasée.

Les figures II.8.1 et II.8.1 montre les résultats de la simulation du processus de

démarrage à vide du moteur asynchrone suivi de l’application d’une charge de 1,6
N.m aux instants respectifs t = 1.2 seconde et t = 2.2 seconde.

Les chronogrammes obtenue illustrent l’évolution des grandeurs suivantes : Vi-

tesse, courant de ligne, couple électromagnétique et courants statoriques direct et de
quadrature.

Les conditions de simulations sont citées dans l’annexe A.

II.8. Simulation et validation 44

Figure II.13 – Démarrage direct de la machine asynchrone à vide

II.8.2 Interprétation
Au démarrage à vide la montée en vitesse et quasi linéaire au début. La vitesse
atteinte est proche de la vitesse de synchronisme (314 rad/s).

Lors de démarrage à vide on constate d’emblée l’importance des courants stato-

riques (environ 7 fois le courant nominal) pouvant être à l’origine de la destruction
de la machine par sur échauffement en cas de répétition excessives. la fin de la phase
de démarrage, le couple s’annule puisque le moteur n’est pas chargé.

En charge, L’application de couple résistant de 1,7N.m à l’instant t = 1,2s et

suppression a l’instant t = 2,2 s. Une diminution de la vitesse apparaît ceci est dû au
fait qu’il n’y pas de régulation ,puis y revient une fois le couple de charge supprimé.
Le courant statorique absorbé par le moteur est alors de 1,8 A.
Le régime transitoire de la machine est inférieur à 0,5 ; les grandeurs de la machine
(courant, couple,. . . , etc.) présentent des oscillations et des déplacements dans cet
intervalle, après ce temps la machine fonctionne dans le régime permanent.
II.9. Conclusion 45

Figure II.14 – Démarrage direct de la machine asynchrone à vide avec application et

suppréssion d’un couple résistant

II.9 Conclusion
Dans ce chapitre a été consacré à l’application expérimentale des méthodes clas-
siques en vue de l’identification des paramètres de la machine asynchrones a cage.

L’identification développée par la MAS à cage montre que les valeurs des para-
mètres les différentes méthodes sont pratiquement voisines et se confondent remar-
quablement avec les paramètres de référence, à l’exception des résultats de la méthode
de la plaque signalétique qui présente une estimation grossière des paramètres de la
machine.

L’identification des paramètres relevés expérimentaux, tel que l’essai de sépara-

tion des pertes, cependant la mesure graphique est peu précise, et il est nécessaire de
faire une bonne mesure des pertes mécaniques et de trouver une expression analytique
qui représente au mieux la courbe de ralentissement.
 Chapitre III
Identification basée sur l’optimisation par
essaims de particules (PSO)

Sommaire
III.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
III.2 Optimisation par Essaim de Particules (Particle Swarm Op-
timization) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
III.2.1 Origine de la technique PSO . . . . . . . . . . . . . . . . . . . . . . . 47
III.2.2 Principe de l’optimisation par essaim de particules . . . . . . . . . . 47
III.2.3 Principe de l’optimisation par essaim particulaire . . . . . . . . . . . 49
III.2.4 Formulation mathématique de l’algorithme PSO . . . . . . . . . . . . 50
III.2.5 Détails de l’algorithme PSO standard . . . . . . . . . . . . . . . . . . 52
III.2.6 Modifications de l’algorithme de base . . . . . . . . . . . . . . . . . 54
III.2.7 Avantages et inconvénients de la technique PSO . . . . . . . . . . . . 57
III.2.8 Exemples d’application : Recherche du minimum . . . . . . . . . . . 58
III.3 Identification paramétrique du MAS par la méthode PSO . 61
III.3.1 Implantation de la technique d’identification . . . . . . . . . . . . . . 63
III.4 Validation de l’identification . . . . . . . . . . . . . . . . . . . . . . 68
III.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
III.1. Introduction 47

III.1 Introduction
En engineering plusieurs problèmes nécessitent l’utilisation des méthodes d’op-
timisation pour approcher ou obtenir une solution optimale. Les méthodes déter-
ministes semblent avoir rempli ce besoin, mais le problème des optimums locaux
constitue un véritable piège pour accéder à l’optimum global. D’où, l’utilisation des
méthodes méta-heuristiques, qui en général contournent ce problème car ces dernières
sont caractérisées par une grande capacité pour trouver l’optimum global.

Parmi ces techniques, on cite celles basées sur l’intelligence collective, inspirées de
la nature, les plus répandus sont : les algorithmes génétiques (AGs), les algorithmes
de colonies de fourmis (ACO), plus particulièrement l’optimisation par essaim de
particules, en anglais : Particle Swarm Optimization (PSO). Dans ce chapitre, nous
présentons le principe de l’approche PSO, ainsi que son application en vue de l’iden-
tification et l’optimisation des paramètres de la machine asynchrone.

III.2 Optimisation par Essaim de Particules (Particle

Swarm Optimization)
L’optimisation par essaim de particules (Particle Swarm Optimization) est une
méthode d’optimisation stochastique, pour les fonctions non-linéaires, basée sur la
reproduction d’un comportement social, le PSO est un algorithme relativement ré-
cent de l’érudition computation. Il a été introduit par James Kennedy et Russell
Eberhart en 1995. Il porte quelque ressemblance à computation évolutionnaire.

III.2.1 Origine de la technique PSO

L’origine de cette méthode vient des observations faites lors des simulations in-
formatiques de vols groupés d’oiseaux et de bancs de poissons de Ces simulations
ont mis en valeur la capacité des individus d’un groupe en mouvement à conserver
une distance optimale entre eux et à suivre un mouvement global par rapport aux
mouvements locaux de leur voisinage (Figure III.1) [28] [12].

III.2.2 Principe de l’optimisation par essaim de particules

Ce comportement social basé sur l’analyse de l’environnement et du voisinage
constitue alors une méthode de recherche d’optimum par l’observation des tendances
des individus voisins. Chaque individu cherche à optimiser ses chances en suivant
une tendance qu’il modère par ses propres vécus. En effet, on peut observer chez ces
animaux des dynamiques de déplacement relativement complexes, alors qu’indivi-
duellement chaque individu a une intelligence limitée et une connaissance seulement
locale de sa situation dans l’essaim. Un individu de l’essaim n’a pour connaissance
que la position et la vitesse de ses plus proches voisins.
III.2. Optimisation par Essaim de Particules (Particle Swarm Optimization) 48

Chaque individu utilise donc, non seulement, sa propre mémoire, mais aussi l’in-
formation locale sur ses plus proches voisins pour décider de son propre déplacement.

Figure III.1 – (a) Colonie de fourmis, (b) Groupe de poissons migrateurs, (c) Groupe
d’abeilles, (d) Volée d’oiseaux avec formation en V

Des règles simples, telles que "aller à la même vitesse que les autres", "se déplacer
dans la même direction" ou encore "rester proche de ses voisins" sont des exemples
de comportements qui suffisent à maintenir la cohésion de l’essaim, et qui permettent
la mise en œuvre de comportements collectifs complexes et adaptatifs.

L’intelligence globale de l’essaim est donc la conséquence directe des interactions

locales entre les différentes particules de l’essaim. La performance du système entier
est supérieure à la somme des performances de ses parties.

Kennedy et Eberhart se sont inspirés de ces comportements socio-psychologiques

pour créer le PSO.

Un essaim, dont les particules sont des solutions potentielles au problème d’opti-
misation, survole l’espace de recherche, en quête de l’optimum global.
III.2. Optimisation par Essaim de Particules (Particle Swarm Optimization) 49

Le déplacement d’une particule est influencé par trois composantes :

- Une composante physique : la particule tend à suivre sa direction courante de
déplacement.
- Une composante cognitive : la particule tend à se diriger vers le meilleur site par
lequel elle est déjà passée.
- Une composante sociale : la particule tend à se fier à l’expérience de ses congénères
et ainsi à se diriger vers le meilleur site déjà atteint par ses voisins.

III.2.3 Principe de l’optimisation par essaim particulaire

Dans le PSO, chaque individu de la population est dit (particule), tandis que la
population est connue sous le nom (Swarm). Il faut noter, que la particule peut bé-
néficier des mouvements des autres particules dans la même population pour ajuster
sa position et sa vitesse durant le processus d’optimisation. Chaque individu utilise
l’information locale à laquelle il peut accéder sur le déplacement de ses plus proches
voisins pour décider de son propre déplacement.

Des règles très simples comme "rester proche des autres individus", "aller dans
la même direction", "aller à la même vitesse" suffisent pour maintenir la cohésion du
groupe tout entier . Au départ de l’algorithme, un essaim est réparti au hasard dans
l’espace de recherche, chaque particule ayant également une vitesse aléatoire.

Ensuite, à chaque pas de temps [2] :

- Chaque particule est capable d’évaluer la qualité de sa position et de garder en
mémoire sa meilleure performance, c’est-à-dire la meilleure position qu’elle a at-
teinte jusqu’ici (qui peut en fait être parfois la position courante) et sa qualité (la
valeur en cette position de la fonction à optimiser).
- Chaque particule est capable d’interroger certaines de ses congénères de son voisi-
nage et d’obtenir de chacune d’entre elles sa meilleure performance.
- A chaque pas de temps, chaque particule choisit la meilleure des meilleures perfor-
mances dont elle a connaissance, modifie sa vitesse en fonction de cette information
et de ses propres données et se déplace en conséquence.
A partir des quelques informations dont elle dispose, une particule doit décider
de son prochain mouvement, c’est-à-dire décider de sa nouvelle vitesse. Pour ce faire,
elle combine trois informations :
- sa vitesse actuelle,
- sa meilleure position actuelle,
- la meilleure performance (vitesse et position) de ses voisines.
Dans le cas d’un problème d’optimisation, la qualité d’un site de l’espace de
recherche est déterminée par la valeur de la fonction objective en ce point.
III.2. Optimisation par Essaim de Particules (Particle Swarm Optimization) 50

La figure III.2 illustre la stratégie de déplacement d’une particule [2].

Figure III.2 – Déplacement d’une particule

Le hasard joue un rôle, grâce à une modification aléatoire limitée des coefficients
de confiance, ce qui favorise l’exploration de l’espace de recherche. Naturellement,
pour pouvoir être programmé ceci est formalisé dans des équations de mouvement.

Un point intéressant est que, contrairement à bien d’autres heuristiques qui res-
tent purement expérimentales, il existe une analyse mathématique précisant les condi-
tions de convergence et le choix des paramètres [2].

III.2.4 Formulation mathématique de l’algorithme PSO

Dans Rn (Espace de recherche de dimension n) , la particule i solution potentielle,
de l’essaim est modélisée par son vecteur position Xi [23] :

Xi = (Xi1 ; Xi2 ; . . . ; Xin ) (III.1)

et par son vecteur vitesse Vi :

Vi = (Vi1 ; Vi2 ; . . . ; Vin ) (III.2)

La qualité de sa position est déterminée par la valeur de la fonction objectif en ce

point. Cette particule garde en mémoire la meilleure position par laquelle elle est
déjà passée :

pbesti = (pbesti1 ; pbesti2 ; . . . ; pbestin ) (III.3)

La meilleure position atteinte par toutes les particules de l’essaim est notée 1 :

gbestj = (gbesti1 ; gbesti2 ; . . . ; gbestin ) (III.4)

1. Nous nous referons ici à la version globale de PSO, ou toutes les particules de l’essaim sont considérées
comme voisines de la particule i, d’ou la notation gbest (Global best)
III.2. Optimisation par Essaim de Particules (Particle Swarm Optimization) 51

Ainsi, chaque particule essaye de modifier sa position en se basant sur sa posi-

tion courante, sa vitesse courante, sa distance entre la position courante et pb est, sa
distance entre sa position courante et gb est.

Au départ de l’algorithme, les particules de l’essaim sont initialisées de manière

aléatoire dans l’espace de recherche du problème. Ensuite, à chaque itération, chaque
particule se déplace, en combinant linéairement les trois composantes d’inertie, cog-
nitive et sociale et pour la particule i :

A l’itération (t+1), le vecteur vitesse est calcule par :

Vij (t + 1) = Vij (t) + c1 r1 [pbesti (t) − Xi (t)] + c2 r2 [gbesti (t) − Xi (t)] (III.5)

avec j = {1, 2 . . . n}

Le vecteur position est alors donné par :

Xi (t + 1) = Xi (t) + Vij (t + 1) (III.6)

avec j = {1, 2 . . . n}.

où les coefficients c1 , c2 et r1 , r2 sont :

- c1 et c2 deux constantes, appelées coefficients d’accélération ;

- r1 et r2 deux nombres aléatoires tirés uniformément dans l’intervalle [0 ;1].

Les valeurs appropriées de c1 et c2 sont de 1 à 2, mais la valeur 2 est le plus

approprié dans de nombreux cas.

Les trois composantes d’inertie, cognitive et sociale, sont représentées dans la

relation ci-dessus par les termes suivants :

- Vij correspond à la composante physique du déplacement.

- c1 r1 [pbestij (t) − Xij (t)] correspond à la composante cognitive du déplacement.
- c1 pondère les tendances de la particule à vouloir suivre son instinct de conservation
et à aller vers sa meilleure position connue.
- c2 r2 [gbestij (t) − Xij (t)] correspond à la composante sociale du déplacement.
- c1 contrôle l’aptitude sociale de la particule en se rapprochant plus de la meilleure
position de ses informatrices.

La figure III.3 montre le concept de modification d’un point de recherche par le

PSO 2 [23].

2. Il est a noter que le terme "vitesse" est ici abusif car les vecteurs v ne sont pas homogènes a une
vitesse. Il serait plus approprié de parler de "direction de déplacement", cependant pour respecter l’analogie
avec le monde animal, les auteurs ont préfère utiliser le terme de vitesse
III.2. Optimisation par Essaim de Particules (Particle Swarm Optimization) 52

Figure III.3 – Modification d’un point de recherche par PSO

III.2.5 Détails de l’algorithme PSO standard

Pour expliquer le déroulement de l’algorithme PSO appliqué a la résolution d’un
problème de minimisation ou de maximisation, considérons le problème suivant [23] :

min {f (xj )} (III.7)

avec : j = {1; 2...; n}

La fonction fitness (objective) associée est :

f itness (Xi ) = f (Xi ) (III.8)

L’algorithme PSO se déroule suivant les étapes suivants :

- Etape 1 : Initialiser une population de particules et de vitesses, uniformément

reparties dans l’espace de recherche, et fixer le critère d’arrêt.
- Etape 2 : Evaluer la fonction objectif, pour chaque particule.
- Etape 3 : Mettre à jour la meilleure position pbestj pour chaque particule et la
meilleure position globale gbestj dans la population.
- Etape 4 : Mettre à jour la position et la vitesse selon les équations (III.5) et (III.6).

- Etape 5 : Vérifier le critère d’arrêt, si ce dernier n’est pas satisfait, aller vers l’étape
2 ; sinon le programme se termine et la solution optimale est produite.
III.2. Optimisation par Essaim de Particules (Particle Swarm Optimization) 53

Cette procédure de base est présentée dans l’organigramme de la figure III.4.

Figure III.4 – Organigramme de la technique PSO standard

Un exemple de pseudo-code pour la version la plus générale de l’algorithme est :

- Initialiser aléatoirement Ps particules (position et vitesse) ;
- Evaluer les positions des particules ;
- Tant que le critère d’arrêt n’est pas atteint faire :
- pour i = 1, . . . , Ps , faire ;
- Déplacer les particules selon les relations (III.5) et (III.6) ;
- Si f (Xi ) ≺ f (pbesti ) ;
- pbesti = Xi ;
- Si f (Xi ) ≺ f (gbesti ) ;
- gbesti = Xi ;
- Fin Si ;
- Fin Si ;
- Fin Pour ;
- Fin Tant que ;
III.2. Optimisation par Essaim de Particules (Particle Swarm Optimization) 54

Le critère d’arrêt peut être différent suivant le problème posé. Si l’optimum global
est connu à priori, on peut définir une erreur acceptable  comme critère d’arrêt.
Sinon, il est commun de fixer un nombre maximum d’évaluations de la fonction
objectif ou un nombre maximum d’itérations comme critère d’arrêt. Cependant, au
regard du problème posé et des exigences de l’utilisateur, d’autres critères d’arrêt
peuvent être utilisés.

III.2.6 Modifications de l’algorithme de base

Des améliorations peuvent être apportées à l’algorithme de base, notamment du
point de vue du contrôle de la divergence [23].

III.2.6-a Mécanisme de confinement (Vitesse maximale)

Pour éviter "l’explosion du système", c’est à dire que les particules se déplacent
trop rapidement d’une région à une autre dans l’espace de recherche, un mécanisme
de confinement d’intervalle est souvent mis en place. La pratique la plus courante est
de définir une vitesse maximale Vmax à ne pas dépasser. Ainsi, on pose [23] :

Vij ∈ [−Vmax ; +Vmax ] (III.9)

Notons que cela ne restreint pas les valeurs de Xi à l’intervalle [−Vmax ; +Vmax ], mais
limite la distance maximale qu’une particule va parcourir au cours d’une itération.

Cette méthode permet de contrôler la divergence de l’algorithme en ramenant la

particule sortie de l’espace de recherche vers le point admissible le plus proche.

III.2.6-b Coefficient d’inertie

Pour contrôler l’influence de la direction de la particule sur le déplacement futur,

un coefficient d’inertie, noté ω a été introduit par Shi et Eberhart [23]. Le but de
l’introduction de ce paramètre est de réaliser un équilibre entre la recherche locale
(exploitation) et la recherche globale (exploration).

Le calcul de la vitesse est alors défini par :

Vij (t + 1) = ωVij (t) + c1 r1 .[pbestij (t) − Xji(t)] + c2 r2 [gbestij (t) − Xij (t)] (III.10)

Des valeurs élevées de ce paramètre permettent une bonne exploration globale, tandis
que pour des valeurs minimales une recherche finie est réalisée.

Le coefficient d’inertie ω habituellement propose varie linéairement avec le temps,

il commence par une valeur proche de 0,9 et descend linéairement pour arriver à 0,4
selon la formule suivante :

ω = ωmax − (ωmax − ωmin ).(iter /iter max ) (III.11)

III.2. Optimisation par Essaim de Particules (Particle Swarm Optimization) 55

iter est le nombre maximum d’itération courante ;

iter max est le nombre maximum d’itération ;
ωmax et ωmin sont respectivement les coefficients d’inertie maximum et minimum.

III.2.6-c Facteur de constriction

Dans la même idée, une version met en place un facteur de constriction qui permet
d’améliorer la convergence de l’algorithme, sans avoir besoin de confiner la vitesse des
particules. Il a été démontré qu’une bonne convergence peut être assurée en rendant
dépendants les paramètres ω, c1 etc2 .

En utilisant le coefficient de constriction, l’équation (1) devient [23] :

Vij (t + 1) = X[Vij (t) + f1 r1 [pbest ij (t) − Xij (t)] + f2 r2 [gbestij (t) − Xij (t)]] (III.12)

où :
2
X= p (III.13)
φ − 2 + φ2 − 4φ
avec :

φ = φ1 + φ2 condition φ > 4

Les valeurs optimales de φ1 et φ2 ont été déterminées, en effectuant de nombreux

tests. En général, on utilise : φ = 4 ou 1 et φ1 = 2, ce qui donne X = 0, 7298844 .

La technique avec coefficient de constriction est équivalente à celle avec coefficient

d’inertie, en effet :

X↔ω (III.14)

c1 ↔ Xφ1 (III.15)

c1 ↔ Xφ2 (III.16)

III.2.6-d Notion de voisinage

La topologie du voisinage défini avec qui chacune des particules va pouvoir com-
muniquer. Deux types de topologies sont généralement considérées : les voisinages
géographiques et les voisinages sociaux.

Les voisinages géographiques

Les voisins d’une particule sont ses voisines les plus proches. Ce type de voisinage
impose l’utilisation d’une distance pour recalculer à chaque itération (ou toutes les
k itérations) les voisins de chaque particule.

La figure III.5 montre un exemple où les voisins d’une particule sont les deux
particules qui lui sont le plus proche [23].
III.2. Optimisation par Essaim de Particules (Particle Swarm Optimization) 56

Figure III.5 – Exemple de voisinage géographique

Les voisinages sociaux

Les voisinages sont établis à l’initialisation et ensuite ne sont pas modifies. Il existe
différentes structures de voisinages sociaux,
La figure III.6 en montre deux exemples, le voisinage en ligne et colonne, le voisinage
en cercle.

Figure III.6 – Deux exemples de voisinage social

Si l’on se réfère à la version standard du PSO résumée par l’algorithme précédant,

la meilleure particule gbest est choisie à partir de la population entière, c’est une to-
pologie entièrement connectée. Cette version de PSO est appelée version "globale"
a l’inconvénient majeur de ne pas donner lieu a une exploration suffisante, ce qui
peut conduire a une stagnation dans un optimum local et donc a une convergence
prématurée.

Par exemple, la fonction d’Ackley représentée sur les figures III.7, avec sa forme en
d’entonnoir assez simple, semble à grande échelle ne présentée qu’un minimum global.
Cependant à l’aide d’un agrandissement on remarque que sa forme est beaucoup
plus complexe et présente de nombreux minimum locaux dans la région du minimum
global.
III.2. Optimisation par Essaim de Particules (Particle Swarm Optimization) 57

Figure III.7 – Représentation tridimensionnelle de la fonction d’Ackley

On trouve aussi une version dite "locale" du PSO, Elle utilise un graphe d’infor-
mation circulaire. Les particules de l’essaim sont virtuellement disposées en cercle et
numérotées séquentiellement a partir de 1 en parcourant le cercle. La particule n’est
donc plus informée par toutes les particules.

La particule n’est donc plus informée par toutes les particules. Dans les versions
locales, le terme gbest est remplacé par les termes ibesti , où pour chaque particule i on
définit un voisinage et l’information qui doit être partagée est la meilleure solution
trouvée dans le voisinage de chaque particule ibesti .

Bien qu’elle converge moins rapidement que la version globale, la version "lo-
cale" de la technique PSO donne de meilleurs résultats, car elle est moins sujette à
l’attraction par des minima locaux [23].

III.2.7 Avantages et inconvénients de la technique PSO

L’optimisation par essaim particulaire présente un avantage certain dans le sens
où elle permet une exploration aléatoire de l’espace de solution. Sa simplicité à mettre
en œuvre et son exécution conduit à l’obtention de très bons résultats, rapidement
avec peu de paramètre à ajuster. Elle est caractérisée par sa convergence rapide, ce
qui peut conduire les algorithmes à stagner dans un optimum local [23]. Bien que
le PSO trouve de bonnes solutions dans un temps beaucoup plus court que d’autres
algorithmes, l’amélioration de la qualité des solutions ne peut être garantie en aug-
mentant le nombre d’itération.

L’algorithme PSO a deux inconvénients principaux[23] :

- Le premier inconvénient est que l’essaim peut prématurément converger.
- Le deuxième inconvénient est que les approches stochastiques ont un problème de
dépendancetout changement d’un de leurs paramètres peut avoir un effet sur le
fonctionnement de l’algorithme tout comme sur la solution obtenue.
III.2. Optimisation par Essaim de Particules (Particle Swarm Optimization) 58

III.2.8 Exemples d’application : Recherche du minimum

III.2.8-a Exemple 1 : Optimisation de la fonction de Rastrigin

L’expression analytique de la fonction de Rastrigin est la suivante :

z = f (x, y) = 20 + x2 + y 2 − 10. [cos (2.π.x) + cos (2.π.y)] (III.17)

Cette fonction, comme le montre la figure III.8, a plusieurs optimums locaux et

n’admet qu’un seul optimum global définit au point P0 :
x=0 et y=0 tel que : z = f (0, 0) = 0

Figure III.8 – Fonction de Rastrigin

Les paramétrés suivants sont adoptes pour l’algorithme PSO :

- Nombre de particules = 40
- Nombre maximal d’itération = 80
- Facteur personnel d’accélération : c1 = 2
- Facteur global d’accélération : c1 = 2
- Valeur max du coefficient d’inertie : ωmin = 0,4
- Valeur min du coefficient d’inertie : ωmax = 0,9

- Domaine de recherche : x ∈ [−0, 1; 0, 1] et y ∈ [−0, 1; 0, 1]

L’algorithme du PSO a donné les résultats suivants :

Table III.1 – Résultat de l’optimisation de la fonction de Rastrigin

x − 6, 1.10−5
y − 3, 7.10−4
z = f (x, y) 2, 8.10−5
Temps d’exécution 0,2913 s
III.2. Optimisation par Essaim de Particules (Particle Swarm Optimization) 59

La figure III.9 montre l’évolution de la fonction fitness au cours des itérations.

Figure III.9 – Convergence de la fonction objectif "Rastrigin" vers l’optimum global

III.2.8-b Exemple 2 : Optimisation sans contrainte

L’expression analytique d’une fonction tridimensionnelle sans contraintes est :

x61
z = f (x1 , x2 ) = 4.x21 − 2, 1 · x41 + + x1 .x2 − 4.x22 + 4.x42 (III.18)
3
Cette fonction a deux minimums globaux et plusieurs optimums locaux.

Les paramètres suivants ont été adopté pour l’algorithme PSO :

- Nombre de particules = 20
- Nombre maximal d’itération = 30
- Facteur personnel d’accélération : c1 = 1,05
- Facteur global d’accélération : c1 = 1,05
- Valeur max du coefficient d’inertie : ωmin = 0,3
- Valeur min du coefficient d’inertie : ωmax = 1,0
- Domaine de recherche : x ∈ [−1, 9; 1, 9] et y ∈ [−1, 0; 1, 0]

Les résultats obtenus avec l’algorithme PSO montrent deux minimums globaux :
- Minimum global 1 : x∗1 = -0,089842 x∗2 = 0,712656
- Minimum global 2 : x∗1 = 0,089842 x∗2 = -0,712656

La valeur de la fonction fitness est alors : z ∗ = f ∗ (x∗1 , x∗2 ) = -1,031628453.

III.2. Optimisation par Essaim de Particules (Particle Swarm Optimization) 60

La figure III.10 montre l’évolution de la fonction fitness au cours des itération.

Figure III.10 – Résultat de l’optimisation de la fonction tridimensionnelle sans contrainte

III.2.8-c Exemple 3 : Optimisation avec contraintes

L’expression analytique d’une fonction tridimensionnelle sans contraintes est :

z = f (x1 , x2 , x3 ) = 10 (x1 − 1)2 + 20 (x2 − 2)2 + 30 (x3 − 3)2 (III.19)

avec les contraintes suivantes :

x1 + x2 + x3 ≤ 5 et x21 + 2.x2 ≤ x3

Les paramètres suivants ont été adopté pour l’algorithme PSO :

- Nombre de particules = 100

- Nombre maximal d’itération = 1000
- Facteur personnel d’accélération : c1 = 2,0
- Facteur global d’accélération : c1 = 2,0
- Valeur max du coefficient d’inertie : ωmin = 0,4
- Valeur min du coefficient d’inertie : ωmax = 0,9

Pour cet exemple, le programme employé effectue 10 essais (10 optimisations),

puis affiche les résultats correspondant à la meilleure optimisation correspondante à
la plus petite fonction fitness obtenue.

Les résultats obtenus avec l’algorithme PSO montrent un minimum global :

- Minimum global : x∗1 = 0,4377 x∗2 = 1,4569 x∗3 = 3,1054
- Temps d’exécution : 3,978004 s

La valeur de la fonction fitness est alors : z ∗ = f ∗ (x∗1 , x∗2 ), x∗3 ) = 9,3942.

III.3. Identification paramétrique du MAS par la méthode PSO 61

La figure III.11 montre l’évolution de la fonction objectif au cours des itérations.

Figure III.11 – Résultat de l’optimisation de la fonction tridimensionnelle avec contraintes

III.3 Identification paramétrique du MAS par la mé-

thode PSO
Contrairement à la modélisation mathématique, l’identification est une approche
expérimentale, lors de laquelle un modèle issu de connaissances a priori est optimisé
à partir des données mesurées afin d’approcher le plus fidèlement possible le com-
portement du système réel. La méthode d’identification repose sur la comparaison
entre les sorties de modèle représentant le moteur asynchrone et celles mesurées sur
le moteur réel. Cette partie est consacrée à l’identification et l’optimisation par la
technique PSO des paramètres électriques de moteur asynchrone.

Le problème de l’identification de la MAS est formulé sur la base d’une compa-

raison entre les sorties de son modèle et celles mesurées sur la machine réelle. Les
paramètres du modèle sont ajustés à l’aide d’un algorithme PSO pour à minimiser
l’erreur quadratique de sortie. La machine réelle et son modèle sont excités par les
mêmes entrées Us , les sorties réelles et estimées qui sont comparées pour créer le vec-
teur d’erreur. Ensuite, l’algorithme ajuste les paramètres du vecteur des paramètres
afin de minimiser une fonction objectif liée à l’erreur.

Généralement, on choisit un critère intégral telle que l’erreur quadratique inté-

grale (Integral Squared Error : ISE) comme index de performance.

L’expression dans le temps continu du critère ISE est donnée par :

Zt2
ISE = e2 (t).dt (III.20)
t1
III.3. Identification paramétrique du MAS par la méthode PSO 62

alors que son expression discrétisée est de la forme :

N
X
ISE = e2 (n) (III.21)
n=1

(t2 − t1 ), intervalle de temps considéré, N nombre d’échantillon correspondant.

Dans le cas du moteur asynchrone triphasé, la stratégie d’identification mise en

œuvre dans ce travail est basée sur un processus répétitif exploitant l’erreur entre
les sorties respectives de la machine réelle et de son modèle définit dans le référentiel
stationnaire αβ (Figure III.12).

Figure III.12 – Structure de l’identification paramétrique par la technique PSO

Pour chacune des répétitions du processus d’identification, l’algorithme PSO ef-

fectue N itérations et détermine les composantes du vecteur des paramètres, soit :
Rs , Ls , J, Lr , Rr , Lm (Le coefficient de frottement sera négligé). Le nombre de répé-
tition du processus identification choisit au départ et sera considéré comme le critère
d’arrêt de l’identification.Une fois cette fonction objective minimisée, le vecteur des
paramètres estimés est le meilleur au sens du critère choisi pour l’identification.

A partir l’équation (I.40) du chapitre I, l’identification des paramètres du moteur

asynchrone basé sur PSO est effectuée en prenant comme fonction fitness le critère
intégral ISE d’une fonction pondérée de l’erreur (au carré) existante entre les cou-
rants du stator isα , isβ et sa vitesse de rotation Ω.

Les informations isα , isβ sont relevées expérimentalement sur la machine réelle
et celles estimées bisα , bisβ par son modèle, excités par les mêmes valeurs de tension
Us (qui correspond aux composantes biphasées Usα , Usβ ) et de fréquence f . Les cou-
rants mesurés et estimés par le modèle sont comparés pour évaluer la fonction fitness
et ainsi l’algorithme d’optimisation détermine, après N itérations, les nouveaux pa-
ramètres de la machine en vue de minimiser l’erreur quadratique (Figure III.13).
III.3. Identification paramétrique du MAS par la méthode PSO 63

Figure III.13 – Principe de l’identification des paramètres par la technique PSO

Le critère choisit dans ce travail a pour expression :

N n
2
X 2 2
o
F itness = ISE = kα .(isα − îsα ) + kβ .(isβ − îsβ ) + kΩ .(Ω − Ω̂) (III.22)
n=1

III.3.1 Implantation de la technique d’identification

Pour l’identification des paramètres de la machine asynchrone, nous avons procédé
en deux étapes distinctes. Les informations, courants et vitesse, du moteur ont été
recoltées sur un modèle simulé. Aussi, pour rendre ces données plus réaliste, un bruit
blanc a été ajouté aux mesures de courant et de vitesse.
- l’implantation dans Matlab/Simulink du modèle de simulation donné par la fi-
gure III.14 ;
- utilisation d’un script Matlab, fournit par nos encadrants et donné en annexe.
Après plusieurs essais, nous avons opté pour les choix suivants :
- Nombre de particules = 15
- Nombre maximal d’itération du processus = 120
- Facteur personnel et global d’accélération : c1 = 2,0 c1 = 1,5
- Valeurs max et min du coefficient d’inertie : ωmax = 1,2 ωmin = 0,8
- Valeur min du coefficient d’inertie : ωmax = 1,2
- Constante d’évaporation : 1,1 Facteur de pénalité = 0,1
- Horizon (temps) de simulation du processus répétitif : 0,6 s ;
- Taille du pas fixe utilisé par le solveur (Runge Kutta-Ordre 4) : 0,001 s ;
- Couple résistant nominal et instant d’application : 10 mN ton = 0,5 s.
 III.3. Identification paramétrique du MAS par la méthode PSO
Figure III.14 – Schéma d’implantation dans Matlab/Simulink de la technique d’identification par la technique PSO

64
 III.3. Identification paramétrique du MAS par la méthode PSO
Figure III.15 – Ls = f (Rs , J) : Convergence des particules aux itérations k = 10 et k = 50

Figure III.16 – Caractéristique Ls = f (Rs , J) : Convergence des particules aux itérations k = 70 et k = 120

65
 III.3. Identification paramétrique du MAS par la méthode PSO
Figure III.17 – Caractéristique Rr = f (Lm , Lr ) : Convergence des particules aux itérations k = 10 et k = 50

Figure III.18 – Caractéristique Rr = f (Lm , Lr ) : Convergence des particules aux itérations k = 70 et k = 120

66
III.3. Identification paramétrique du MAS par la méthode PSO 67

Les figures III.3.1 et III.3.1 montrent l’évolution des particules dans l’espace de
recherche Ls = f (Rs , J) pour les itérations k = 10, k = 50, k = 70 et k = 120.
Alors que les figures III.3.1 et III.3.1 illustrent l’évolution des particules dans l’espace
de recherche Ls = f (Rs , J) pour les mêmes itérations k = 10, k = 50, k = 70 et k =
120.

Enfin, après plusieurs essais pour lesquels nous avons modifié les valeurs de plu-
sieurs paramètre de l’algorithme, nous avons obtenus les résultats ci-dessous.
Le tableau suivant résume les résultats de l’estimation en montrant les valeurs réelles
et estimées des paramètres.

Table III.2 – Résultats de l’estimation des paramètres du MAS

Paramètres Réelles Estimés
Rs 4,8500 Ω 4.8300 Ω
Ls 0,2740 H 0.2747 H
J 0,0310 kg.m2 0.0301 kg.m2
Rr 3,8050 Ω 3.6100 Ω
Lr 0,2740 H 0.2530 H
Lm 0,2580 H 0.2470 H
f / /

Erreurs d’estimation

δRs = 100x 4,85−4,83

4,85 = 0,412%

0,274−0.2747
δLs = 100x 0,274 = 0, 255%

δJ = 100x 0,0310−0.0301
0,0310 = 2,90%

δRr = 100x 3,8050−3.6100

3,8050 = 5,12%

δLr = 100x 0,2740−0.2530

0,2740 = 7,66%

δLm = 100x 0,2580−0.2470

0,2580 = 4,26%

L’identification est satisfaisante pour Rr , Lr et Lm , mais elle est meilleures pour les gran-
deurs statoriques, respectivement de 0,412% et 0,255 % pour Rs et Ls , ce qui montre une
précision excellente.

Les figures III.19 et III.20 illustrent la convergence des paramètres du moteur asynchrone
lors du processus d’identification par la technique PSO. Des valeurs initiales sont impo-
sés au paramètres du moteur, puis sont modifiées à la 60 éme itération, pour rejoindre
brusquement leurs valeurs nominales. La résistance rotorique et l’inductance mutuelle ne
sont pas soumis à ce changement et possèdent leurs valeurs nominales pendant toute la
procédure d’identification.
III.4. Validation de l’identification 68

Figure III.19 – Convergence des paramètres Ls et Rs et J

Figure III.20 – Convergence des paramètres Rr , Lm et Lr

On remarque que les grandeurs estimées convergent rapidement vers leurs valeurs réelles,
avec toutefois des oscillations qui affectent l’identification en début de processus. Ces os-
cillations sont amorties très rapidement, même après le changement brusque des valeurs
réelles.

III.4 Validation de l’identification

Le but de cette simulation est de valider le modèle adopté après identification de la machine
asynchrone avec la méthode des essais classiques, et d’analyser le comportement lorsque la
machine est alimentée par une source triphasée.
III.4. Validation de l’identification 69

Figure III.21 – Démarrage avec application/suppression d’une charge de 10 m.N

La figure III.4 montrent les chronogrammes obtenus lors de la simulation du processus de

démarrage à vide du moteur asynchrone suivi de l’application d’une charge de 10 m.N aux
instants respectifs t = 1,2s et t = 2,2s. Les courbes obtenues illustrent l’évolution des gran-
deurs suivantes : vitesse, courant de ligne, couple électromagnétique et courants statoriques
direct et de quadrature. Les conditions de simulations sont citées dans l’annexe A.

Au regard des résultats obtenus, de la vitesse de convergence et la précision des grandeurs

estimées, nous pouvons donc conclure que la technique didentification basée sur l’optimi-
sation PSO, mise en œuvre dans ce chapitre, permet de déterminer les paramètres de la
machine asynchrone de manière satisfaisante.

Cependant, il est évident que, seule une implémentation matérielle en temps réel permet-
trait une validation crédible et définitive de la méthode étudiée dans ce chapitre.
III.5. Conclusion 70

III.5 Conclusion
L’objectif principal de ce chapitre est la mise en œuvre de la technique d’identification
basée sur la méthode méta-heuristique d’optimisation basée sur d’optimisation PSO. Cette
technique d’optimisation, inspirée des observations faites lors des simulations informatiques
de vols groupés doiseaux et de bancs de poissons, est trés efficace pour la résolution des
problèmes complexes d’optimisation.

Elle présente un avantage certain dans le sens où elle permet une exploration aléatoire
de lespace de solution. Sa simplicité, le peu de paramètre à ajuster et sa convergence ra-
pide, conduit à de bonnes solutions satisfaisantes avec des temps beaucoup plus court que
dautres algorithmes.

Appliqué à l’identification des paramètres du modèle du moteur asynchrone, cette approche

exploite un processus répétitif en considérant lerreur entre les sorties respectives de la
machine réelle et de son modèle définit dans le référentiel αβ. La méthode a donné des
résultats satisfaisants, avec une bonne précision et des simulations ont montré la validité
de l’approche. Toutefois, il sera nécessaire d’envisagé, comme cela été prévu au début de
notre travail, une validation avec des données expérimentales.
 Conclusion générale

L e but de notre travail dans ce mémoire est consacré à l’étudie de différentes

méthodes d’identification des paramètres d’un moteur asynchrone triphasé à cage
d’écureuil. Et ainsi investiguer pour déterminer parmi ces méthodes laquelle répond
le mieux en termes de de précision de l’estimation et de convergence. En effet, si la
commande du moteur est conçue avec des valeurs de paramètre erronées, le compor-
tement du système ne répondra plus au cahier des charges initial et ne fonctionnera
pas efficacement. La phase d’identification est donc une phase antérieure à la concep-
tion d’une commande.

Avant de présenter les principaux résultats obtenus à travers ce travail, il convient

de rappeler que l’identification paramétrique des machines électriques, particulière-
ment la machine asynchrone, constitue un axe de recherche fructueux et très im-
portant en vue de leur simulation, leur commande et leur diagnostic. Cependant, la
variation des paramètres, sous les effets physiques inhérents au fonctionnement de
la machine tels que, la température, la saturation et l’effet de peau sont loin d’être
négligeables, ces phénomènes rendent l’identification complexes.

Une procédure d’identification d’un système implique différents choix :

- le type de modèle en fonction de l’objectif fixé ;
- le critère d’optimisation et l’algorithme d’optimisation ;
- les signaux d’excitation et le essais expérimentaux ;
- la vérification de la validité des résultats.

Dans le premier chapitre, on présente la modélisation mathématique de la ma-

chine asynchrone triphasé a cage. Le développement débute par la description de la
machine asynchrone accompagnée de son principe de fonctionnement. La modélisa-
tion en régime permanent est détaillé, pour aboutit à plusieurs modèle ou schémas
équivalents, définit selon la localisation des fuites magnétiques (statoriques et roto-
riques). Puis, deux modélisations dynamiques sont développées basé sur la théorie
des deux axes orthogonaux, la première dans le référentiel biphasé stationnaire αβ
lié au stator, puis la seconde dans le repère biphasé tournant dq (Repère de Park).
Conclusion générale 72

Ensuite, le deuxième chapitre est consacré à l’identification classiques du moteur

basés sur les essais à vide et en court-circuit à rotor bloqué. Ces tests expérimentaux
sont indispensables pour déterminer et identifier les paramètres électriques et méca-
niques du MAS. Les résultats obtenus montrent des valeurs estimées trés proches des
valeurs nominales données par le constructeur. Des simulations numériques réalisées
avec le logiciel Matlab Simulink valident la précision de la procédure d’identification.
D’autre part, la méthode de la plaque signalétique, qui ne repose pas sur l’expéri-
mentation, présente une estimation grossière des paramètres de la machine, toutefois
elle peut être utile en fixant des ordres de grandeurs avant la mise en œuvre d’une
autre mèthode plus précise.

Le troisième chapitre est consacré à la technique d’identification basée sur la

méthode méta-heuristique d’optimisation basée sur d’optimisation PSO. Apré avoir
présenté cette méthode, son algorithme, ses avantages et ses inconvénients, quelques
exemples de recherche de minimum de fonction sont détaillé afin d’expliquer son prin-
cipe. Puis, nous nous sommes intéressés à la procédure d’identification des paramètres
du moteur asynchrone à cage. Une stratégie d’identification a été implanté dans le
logiciel Matlab/Simulink, afin d’estimer les paramètres suivants : Rs , Ls , Rr , Lr , Lm
et J. Celle-ci s’appuyant sur sur un processus répétitif exploitant l’erreur entre les
sorties de la machine réelle (modèle simulé) et de son modèle définit dans le référen-
tiel stationnaire αβ. La collecte des informations ayant été faite sur le modèle simulé
pour cause de fermeture du laboratoire de la faculté). Le calcul de la précision des
paramètres estimés a été effectué, montrant la faisabilité de la méthode presenté et
d’autre part une identification de qualité satisfaisante en termes de fiabilité, et de
convergence. La validation des paramètres estimés a été réalisé à l’aide d’une simu-
lation du démarrage du moteur asynchrone, après avoir implanté le modèle de la
machine dans le repère tournant dq de Park.

Au regard des résultats et des tests de validation, de la vitesse de convergence et

la précision des grandeurs estimées, la technique d’identification basée sur l’optimi-
sation PSO, mise en œuvre dans ce chapitre, permet de déterminer les paramètres de
la machine asynchrone de manière satisfaisante. Cependant, il est évident que, seule
une implémentation matérielle en temps réel permettrait une validation crédible et
définitive de la méthode étudiée.

Perspectives pour de futurs travaux

En ce qui concerne la poursuite de ce travail et les perspectives envisagées en guise

de d’activités pour de futurs travaux dans cette thématique, on propose quelques axes
de recherche qui mériteraient une étude plus approfondie :

- La validation expérimentale de la d’identification basée sur la methode d’opti-

misation PSO lors d’une implémentation matérielle en temps réel, celle-ci étant la
seule alternative permettant de mettre en évidence les lacunes de la modélisation
mathématique de la machine asynchrone et les dynamiques négligées.
Conclusion générale 73

- La prise en compte du phénomène de saturation magnétique dans la modélisa-

tion dans les référentiels biphasé αβ et dq.

- L’extension d’identification basée sur la méthode d’optimisation PSO à d’autres

types de machines électriques, particulièrement aux machines synchrones.

- L’identification basée sur la méthode des moindres carrés et les moindres carrés
récursifs.
 Bibliographie

[1] R. Abdessemed : Modélisation et simulation des machines électriques. Ellipses,

2011.
[2] D. Ait-kaid : Commande d’une machine asynchrone sans capteur mécanique
à l’aide des régulateurs fractionnaires. Thèse présentée pour l’obtention du di-
plôme de Doctorat de l’Université du Tizi-ouazou, 2011.
[3] C. Arnoux : L’evolution de la mesure électrique. Le journal d’information pour
l’enseignement de Chauvin Arnoux et Metrix, les cahiers de l’instrumentation
N˚ 18, On page(s) : pp 1-35, mars 2019.
[4] M. Bachani : Identification paramétrique de la machine asynchrone. Mémoire
présenté pour l’obtention du diplôme de Magister de l’Université d’Oran, 2013.
[5] L. Baghli : Notes de cours : Techniques de commande électrique : Modalisation
et commande de la machine asynchrone, Master M1-ELT-CE, Semestre S2 -
EC812. Université Abou Bekr Belkaïd de Tlemcen, Faculté de Technologie,
Département de Génie électrique et Electronique (GEE), 2019.
[6] W. Bahloul, M. Ouali, M. Chaabene et M-B-A. Kamoun : Identification
des paramètres dynamiques de la machine synchrone par algorithme généti-
que’. In International Renewable Energy Congress, Unité de Commande de
Machines et Réseaux de Puissance CMERP-ENIS, Tunisia, volume Volume : 1,
On page(s) : pp 172-177, 2009.
[7] N. Belladj-Merabet et K. Jelassi : Comparaison des méthodes d’identifi-
cation des paramètres d’une machine asynchrone. Européen Physical Journal,
Applied Physics, J.A.P.3, On page(s) : pp 71-80, 1988.
[8] C. Canudas de Wit : Commande des moteurs asynchrone, Modélisation contrôle
vectoriel et DTC. Numéro Vol.X, 3ème édition, Lausanne. Lavoisier, Paris, 2000.
[9] J-P. Caron et J-P. Hautier : Modélisation et commande de la machine asyn-
chrone. Numéro ISBN 9782710806837. Electrotechnique, Lille, 1995.
[10] J. Chatelin : Machines Electriques, Traité d’électricité. Numéro Vol.X, 3eme
édition, Lausanne. Tech et Doc, 1989.
[11] R. Chergui : Identification de la machine asynchrone triphasé. Mémoire Mé-
moire présenté pour l’obtention de Magister de l’Université de Batna, 2014.
[12] Y. Cooren : Perfectionnement d’un algorithme adaptatif d’optimisation par
essaim particulaire - applications en génie médical et en électronique. Thèse
BIBLIOGRAPHIE 75

présentée pour l’obtention du diplôme de Doctorat de l’Université du Paris 12-

Val de Marne, 2008.
[13] G. Didier : Modélisation et diagnostic de la machine asynchrone en présence
de défaillances. Thèse présentée pour l’obtention du diplôme de Doctorat de
l’Université Nancy-I, 2004.
[14] A. Fouillé : Electrotechnique à l’usage des ingénieurs : Machines électriques,
Tome II. 1969.
[15] R. Glises : Machines électriques tournantes. Edition Techniques de l’ingénieur,
1998.
[16] K. Hanasali : Etude comparative sur l’identification linéaire en boucle fermée :
Application à un moteur à courant continu. Mémoire présenté pour l’obtention
du diplôme de Magister de l’Université d’Oran, 2013.
[17] A. Hughes : Electric Motors and Drives Fundamentals, Types and Applications.
Newnes, 2005.
[18] A. Ivanov-Smolensky : Electrical Machines. Edition de Moscou (MIR), 1982.
[19] M. Kostenko et L. Piotrovski : Machines 2lectriques : Machines 0 Courant
Alternatif, Tome II. Numéro 3eme édition. 1979.
[20] J. Lessene, F. Notelet et G. Seguier : Introduction à l’électrotechnique
approfondie. Lavoisier, 1981.
[21] A. Mechernene : Apport des techniques de l’intelligence artificielle à la com-
mande sans capteur de vitesse d’une machine asynchrone. Thèse présentée pour
l’obtention du diplôme de Doctorat de l’Université des Sciences et de la Tech-
nologie Mohamed Boudiaf d’Oran, 2014.
[22] A. Mechernene : Notes de cours : Machines électriques approfondies, Master
M1-ELT-CE, Semestre S1 - EC721, 2019.
[23] A. Mechernene : Notes de cours : Techniques d’intellgence Artificielle , Master
M2-ELT-CE, Semestre S1 - EC921, 2019.
[24] R-H. Park : Two-reaction theory of synchronous machines-generalized method
of analysis. AIEE Transactions, Vol.48, 1929.
[25] F. Salameh : Identification et commande de moteurs brushless pour mini
drones. Mémoire de D.E.A., Rapport de stage, Master international en génie
électrique et systèmes électrique, Université de Toulouse, 2013.
[26] G. Séguier et F. Notelet : Electrotechnique industrielle. Numéro 2eme édi-
tion. Tech et Doc, 2006.
[27] G Sturtzer et E. Smigiel : Modélisation et commande des moteurs tripha-
sés : Commande vectorielle des moteurs synchrones et commande numérique par
contrôleurs DSP. Ellipses, Paris, 2000.
[28] A. Tidjani et B. Amoudi : Identification paramétrique dun moteur asynchrone
à cage d’écureuil par la technique. Mémoire présenté pour l’obtention du diplôme
de Master de l’Université de Ouargla, 2016.
[29] T. Wildi : Electrotechnique. Numéro 2eme édition. 2005.
 Annexe A

Conditions de simulations
Les différentes simulations réaliées lors de ce travail ont été faites à l’aide du
logiciel MATLAB (version 2014) et son outil de simulation SIMULINK.
Les conditions adoptées lors des simulations sont les suivantes :

Table 3 – Conditions de simulation

Type : Variable-step
Ode4 (Runge Kutta ordre 4)
Variable-step Size (Fundamental sample time) 0.0001
Tasking mode for periodic sample time Auto

Modèles Simulink pour la simulation du moteur asyn-

chrone
 Annexe B

Caractéristiques nominales des machines asynchrones

Type : Moteur asynchrone triphasé à cage d’écureuil - Classe A - Couplage : Etoile

Table 4 – Caractéristiques nominales de la machine asynchrone (Chapitre II)

Tensions nominales 230 / 400 Volts (Y-∆)
Courants nominaux 1,30 / 2,25 Ampères (Y-∆)
Vitesse de rotation 2830 tr/mn
Couple moteur 1.6 m.N
Puissance nominale 500 W
Nombre de pôles p=1
Fréquence 50 Hz

Type : Moteur asynchrone triphasé à cage d’écureuil - Classe A - Couplage :

Etoile

Table 5 – Caractéristiques nominales de la machine asynchrone (Chapitre III)

Tensions nominales 220 / 380 Volts (Y-∆)
Courants nominaux 3,7 / 6,5 Ampères (Y-∆)
Vitesse de rotation 1420 tr/mn
Couple moteur 10 m.N
Puissance nominale 1500 W
Nombre de pôles p=2
Fréquence 50 Hz
 Détermination des paramètres d’un moteur
asynchrone par différentes techniques
d’identification
Résumé
La machine asynchrone est largement utilisée dans les applications industrielles, no-
tamment pour des applications à vitesse constante ou à vitesse variable. Cependant,
elle est soumise à différents types de contraintes (chaleur, humidité, efforts méca-
niques, variations brusques de charge, . . . ,etc.) qui au cours du temps altére et dé-
tériorer ses performances. Si la commande du moteur est conçue avec des valeurs
de paramètre erronées, le comportement du système ne répondra plus au cahier des
charges initial et ne fonctionnera pas efficacement. C’est pourquoi, l’identification
de ses paramètres joue un rôle central. Dans ce projet, il s’agit de déterminer les
paramètres électriques, électromagnétiques et mécaniques d’un moteur asynchrone
triphasé, à l’aide de différentes méthodes d’identification. L’objectif étant d’adapter
ultérieurement, la commande du moteur pour garantir des performances identiques
au cours de sa vie en prenant en compte l’évolution de ses paramètres. Deux méthodes
d’identification ont été considérées à partir des modèles de la machine asynchrone.
Une méthode basée sur les essais classique de la machine et une méthode intelligente
basée sur l’optimisation par essaims de particules (PSO).
Mots clés
Moteur asynchrone ; Modèles statique et dynamique ; Paramètres électriques et mé-
caniques ; Identification ; Estimation ; Optimisation par essaims particulaires (PSO)

Parameters determination of an asynchronous

motor by different identification techniques
Abstract
Induction machine is widely used in industrial applications, especially for constant
speed or variable speed applications. However, it is subjected to different types of
stresses (heat, humidity, mechanical stresses, sudden variations in load, . . . , etc.)
which, over time, alter and deteriorate its performance. If the motor control is de-
signed with the wrong parameter values, the behavior of the system will no longer
meet the original specification and will not operate efficiently. This is why the identi-
fication of its parameters plays a central role. In this project, the aim is to determine
the electrical, electromagnetic and mechanical parameters of a three-phase induction
motor, using different identification methods. The objective is to subsequently adapt
the engine control to guarantee identical performance during its life, taking into ac-
count the evolution of its parameters. Two identification methods were considered
from the models of the induction machine. A method based on classical tests of the
machine and an intelligent method based on optimization by particle swarms (PSO).
Keywords
Induction Motor ; Static and Dynamic Models ; Electrical and Mechanical Parame-
ters ; Identification ; Estimate ; Particulate Swarm Optimization (PSO)