UNIVERSITÉ HASSAN II DE CASABLANCA

ÉCOLE NORMALE SUPÉRIEURE DE L’ENSEIGNEMENT

TECHNIQUE

Département Génie Électrique

Filière : MASTER Génie électrique et informatique industrielle

Devoir: Synthèse d’un contrôleur LQG pour une

machine à courant continu

Réalisé par :
HABBAR EL MEHDI
AL KAOUTY BOCHRA

Année Universitaire : 2024-2025

Contents
1 But du contrôleur LQG : 2
1.1 LQR (Linear Quadratic Regulator) : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Observateur de Kalman : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Modélisation de la MCC : 2
2.1 Modèle d’une MCC à aimant permanent : . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2 Équation mécanique : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.3 Équation électrique : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.4 Représentation d’état : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.5 Paramétrés de la MCC : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.6 MCC sur simulink : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

3 Le filtre de Kalman: 4
3.1 Les matrices de Kalman choisit : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2 Le gain de Kalman : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.3 Les équations de Kalman : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.4 Kalman sur SIMULINK: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

4 LQR : 5
4.1 LQR sur SIMULINK : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

5 Bloc SIMULINK complet : 5

6 Simulation et discussion des résultats : 6

6.1 Visualisation des courants : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
6.2 Visualisation des vitesses : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
6.3 Visualisation des couples de charges : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1
1 But du contrôleur LQG :
Le but du contrôleur LQG est d’optimiser les performances du système en présence d’incertitudes et de
bruits, en fournissant un contrôle robuste et efficace. En résumé, le contrôleur LQG cherche à :
• Minimiser l’erreur entre la sortie réelle et la référence souhaitée.
• Réduire l’influence du bruit et des perturbations.
• Assurer la stabilité et la performance optimale du système malgré des incertitudes.

Un contrôleur LQG (Linear Quadratic Gaussian) est une méthode de contrôle optimale qui combine deux
techniques :

1.1 LQR (Linear Quadratic Regulator) :

Il génère un retour d’état optimal en minimisant un critère de performance (en général, une combinaison
pondérée de l’énergie de l’entrée et de l’erreur d’état). Le LQR calcule un gain de retour détat K pour
stabiliser le système et optimiser les performances en termes de précision et de coût d’énergie.

1.2 Observateur de Kalman :

Dans les cas où tous les états du système ne peuvent pas être mesurés directement, un filtre de Kalman
est utilisé pour estimer les états à partir des mesures disponibles en prenant en compte le bruit de mesure
et les incertitudes du modèle.

Figure 1: Structure LQG.

2 Modélisation de la MCC :
2.1 Modèle d’une MCC à aimant permanent :

Figure 2: Modèle d’une MCC à aimant permanent.

2.2 Équation mécanique :

dω
J· = k · i − f · ω − Tl
dt
• J est le moment d’inertie du rotor,
• ω est la vitesse angulaire,

2
 • f est le coefficient de frottement visqueux,
• Tl est le couple de charge appliqué,
• k.i représente le couple électromagnétique produit par le courant.

2.3 Équation électrique :

di
u=r·i+l· +k·ω
dt
• u est la tension d’alimentation,
• l est l’inductance de linduit,

• r est la résistance de linduit,

• i est le courant de linduit,
• k est la constante de force électromotrice (FEM),

• est la vitesse angulaire du rotor (en rad/s).

2.4 Représentation d’état :

On prenant les variables d’état i , ω et Tl et u comme entrée , et i comme sortie on obtient les matrices
A,B,C et D suivantes :  r
− l − kl

0
A =  Jk − Jf − J1 
0 0 0
1
l
B = 0
0
 
C= 1 0 0
 
D= 0
Représentation d’état complète :
   r
− kl
   1
i − 0 i
d    kl l
ω = J − Jf −J1   ω  + 0 u
dt
Tl 0 0 0 Tl 0
 
  i  
y= 1 0 0 ω  + 0 u
Tl

2.5 Paramétrés de la MCC :

Paramètre Valeur
Résistance (r) 1Ω
Inductance (l) 10−3 H
Constante de back EMF (ke ) 1.15 V.s/rad
Friction (f ) 0.15 N.m.s
Moment d’inertie (J) 0.22 kg.m2

Table 1: Paramètres du Moteur à Courant Continu (MCC)

2.6 MCC sur simulink :

la modélisation du MCC sera constituées principalement par les équations (électrique et mécanique ) ,
avec un bruit ajouté au variables d’états et à la sortie pour évaluer le filtre d Kalman ultérieurement

3
 Figure 3: MCC SIMULINK .

3 Le filtre de Kalman:
Pour synthétiser un filtre de Kalman on est besoin de choisir 4 matrices avant d’obtenir de gain Le gain
de l’observation de Kalman:
• G Matrice de bruit du processus (ou matrice de bruit de processus). Elle décrit la relation entre le
bruit de processus (ou les incertitudes sur l’évolution de l’état) et l’état du système. Dans certains
contextes, cette matrice peut être appelée "matrice de transition du bruit de processus",
• Q Matrice de covariance du bruit du processus. Elle détermine l’intensité et la distribution du bruit
du processus dans le modèle. Elle est utilisée dans le calcul du gain de l’observateur de Kalman
pour évaluer à quel point l’état prédit est affecté par des incertitudes ou des erreurs dans le modèle
du processus,
• R Matrice de covariance du bruit de mesure. Elle représente l’incertitude associée aux mesures du
système. Plus cette matrice est grande, plus les mesures sont bruyantes et moins fiables, ce qui
peut entraîner une pondération plus faible des mesures dans le calcul de l’observateur de Kalman,
• N Matrice de corrélation entre le bruit de processus et le bruit de mesure. Elle est souvent nulle
dans les systèmes où les bruits de mesure et de processus sont supposés indépendants. Si elle est
non nulle, cela indique une corrélation entre ces deux bruits,

3.1 Les matrices de Kalman choisit :

     
1 0 0 0.1 0 0 0
G = 0 1 0 , Q =  0 0.1 0  , R = 0.1, N = 0
0 0 1 0 0 0.1 0

3.2 Le gain de Kalman :

Le calcul du gain de Kalman sera fait avec la commande lqe sur MATLAB qui prend comme arguments
les matrices A,G,C,Q,R,N et qui se base sur la résolution de fonction RICCATTI.
La matrice K des gains obtenue contient 3 lignes et une colonne (un gain pour chaque variable d’état ):
 
0.8349
K = −0.7246
1

3.3 Les équations de Kalman :

Les gains de Kalman seront utilisés dans le bloc interne d’observation qu’il ce base de prendre les équations
de chaque variable on ajoutant un terme d’erreur entre la variable mesurée et estimée (le courant dans

4
notre cas) multiplié par le gain approprié pour chaque variable.
équation de courant :
r k u
î˙ = − î − ŵ + + K1 i − î
 
l l l
équation de vitesse :
k f Tl  
ŵ˙ = î − ŵ − + K2 i − î
J J J
équation de couple de charge :
˙
 
T̂l = K3 i − î

3.4 Kalman sur SIMULINK:

Figure 4: Kalman sur SIMULINK.

4 LQR :
La commande lqr SUR MATLAB aide a résoudre l’équation de RICCATI pour avoir le Gain de recom-
mande, ce gain scalaire est multiplier au consigne (vitesse), Le gain trouver dans ce cas 1.633.

4.1 LQR sur SIMULINK :

Figure 5: LQR sur SIMULINK.

5 Bloc SIMULINK complet :

La figure suivante montre la connexion entre les blocs , le couple de charge est constant , et la vitesse de
référence de 100 rad/s

5
 Figure 6: Bloc SIMULINK complet.

6 Simulation et discussion des résultats :

6.1 Visualisation des courants :
La figures suivantes montre le courant mesuré ( bruité ) avec le courant à la sortie du filtre de Kalman,
on remarque que les perturbations dans le courant mesure est grande avec un écart atteint jusqu’à 19.8
A sont réduits et il reste stable autour 13.7 A.

Figure 7: Visualisation des courants.

6.2 Visualisation des vitesses :

Même résultats obtenue lorsque on visualise la vitesse mesurée et la vitesse à la sortie de Kalman, La
vitesse mesurée éloigne de la vitesse de consigne (100 rad/s) jusqu’à 6.5 rad/s et la vitesse filtrée est
stable autour de 100 rad/s.

Figure 8: Visualisation des vitesses.

6
6.3 Visualisation des couples de charges :
la figure suivantes montres une estimation de couple de charge acceptable avec un erreur maximal de 0.8
N.m.

Figure 9: Visualisation des couples de charges.

7 Conclusion :
Ce travail a permis de concevoir et de simuler un contrôleur LQG appliqué à une machine à courant
continu (MCC) afin d’optimiser ses performances en présence de bruits et d’incertitudes. En combinant
le régulateur LQR pour la stabilisation du système avec lobservateur de Kalman pour lestimation des
états, nous avons obtenu un contrôle robuste et efficace.
Les résultats de simulation montrent que :

• Le filtre de Kalman réduit efficacement les perturbations dans les mesures de courant, stabilisant
ainsi la sortie du système.

• La vitesse du moteur converge vers la consigne malgré les bruits, démontrant la fiabilité du contrôle.
• Lestimation du couple de charge reste précise avec une erreur minimale.
En conclusion, la méthode LQG prouve son efficacité pour maintenir les performances optimales de la
MCC malgré des incertitudes et des perturbations, offrant une solution applicable pour des systèmes de
contrôle similaires nécessitant stabilité et précision.