Support de cours destiné aux étudiants de 3ème année de la Filière

d’Ingénieur « GET »
Module : Identification et Commande des Systèmes
Partie I

Pr. N. EL GMILI
[email protected]
Chapitre 1 : Généralités sur l’identification
3ème année Filière d’Ingénieur GET
Chapitre 1 : Généralités sur l’identification

Introduction :

 Système : ensemble d'objets interagissant entre eux pour réaliser une fonction. Il est connecté au
monde extérieur à travers :

• ses entrées.
 signaux d'excitation : actions envoyées au système;

 perturbations qui sont en général imprévisibles.

• ses sorties : réponses du système aux signaux d'entrée.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 3

 Chapitre 1 : Généralités sur l’identification

Introduction :

Dans les cours précédents (systèmes asservis linéaires continus et

échantillonnés), les processus à commander étaient connus sous forme d'un
modèle:

Équation différentielle ou aux différences (équation récurrente), fonction de transfert: diagramme

de Bode, ou lieux de Nyquist ou de Black (pour la représentation externe "entrée-sortie"),
équations d'état et de sortie (pour la représentation interne).

10/09/2023 FST Mohammedia Pr. N. EL GMILI 4

Chapitre 1 : Généralités sur l’identification

Définitions de l’identification

 L’identification d’un procédé est définie comme la détermination, basée sur la connaissance des
entrées et des sorties du procédé, d’un modèle appartenant à une classe spécifiée, équivalente au
procédé.

 L’identification d’un système c’est la détermination de son modèle mathématique sur la base des
observations expérimentales entrées-sorties. Le traitement mathématique des réponses
graphiques du système est appelé IDENTIFICATION. Le modèle obtenu est dit de conduite ou de
représentation.

Définitions au sens de Zadeh (1962)

10/09/2023 FST Mohammedia Pr. N. EL GMILI 5

Chapitre 1 : Généralités sur l’identification

Pourquoi l’identification : importance

 Outil d'aide à la décision, Support de la simulation,

 Représente 50 % d’un projet de commande

 Perspectives grâce à l'informatisation.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 6

Chapitre 1 : Généralités sur l’identification

Objectifs de l’identification
 Donner les principes fondamentaux de la modélisation et de l'estimation de paramètres
appliqués aux systèmes rencontrés dans de nombreux domaines scientifiques :
 l'Automatique pour laquelle la connaissance du modèle est indispensable pour synthétiser
une loi de commande

 les Sciences Expérimentales, lorsque la validation d'une théorie se fait par des manipulations
expérimentales (physique atomique, microélectronique...)

 la Biologie, l'Economie, les Statistiques

 partout où des observations sont validées par un principe de fonctionnement (règles

mathématiques).

10/09/2023 FST Mohammedia Pr. N. EL GMILI 7

Chapitre 1 : Généralités sur l’identification

Modélisation ?
 C’est un ensemble de procédures permettant d’obtenir un modèle
 Modéliser un système = capable de prédire le comportement du système
 Modèle jamais "exact"?

Modéliser : Mettre en place un modèle de sorte que la sortie calculée ym (t) suit le plus
proche la sortie observée ys (t)  ys (t)=ym (t)+e (t), avec e (t)≈0.

Un modèle : Pourquoi faire ?

 Modèle ? Relation mathématique entre l’entrée u(t) et la sortie yc(t) dans le domaine temporel
ou dans un domaine transformé (exemple : transformation de laplace).
 Pourquoi? Concevoir, Comprendre, Prévoir, Commander (décider).

10/09/2023 FST Mohammedia Pr. N. EL GMILI 8

Chapitre 1 : Généralités sur l’identification

Un modèle : Comment l’élaborer ?

1. MODELE DE CONNAISSANCE

 Obtenu à partir des lois (physiques, chimiques, économiques etc..) régissant le système
(processus) étudié.
 Difficultés de décrire fidèlement les phénomènes complexes;
 Hypothèses simplificatrices;
 Dilemme- précision-simplicité : Un modèle simple est faux, un modèle compliqué est
inutilisable.
 Les paramètres ont un sens physique donc modèle commode pour l'analyse.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 9

Chapitre 1 : Généralités sur l’identification

Un modèle : Comment l’élaborer ?

1. MODELE DE CONNAISSANCE

Exemple 1: Système électrique (lois électriques)

10/09/2023 FST Mohammedia Pr. N. EL GMILI 10

Chapitre 1 : Généralités sur l’identification

Un modèle : Comment l’élaborer ?

1. MODELE DE CONNAISSANCE

Exemple 1: Système électrique (suite)

Ce système est dit à paramètres localisés (régi par une équation différentielle ordinaire).

10/09/2023 FST Mohammedia Pr. N. EL GMILI 11

Chapitre 1 : Généralités sur l’identification

Un modèle : Comment l’élaborer ?

1. MODELE DE CONNAISSANCE
Exemple 2:

 On dit que l’équation de la chaleur, où c est le coefficient de conductivité thermique de la barre.

 C’est une équation à dérivées partielles. Ce système est dit distribués (répartis) ou à paramètres
distribués (répartis).

10/09/2023 FST Mohammedia Pr. N. EL GMILI 12

Chapitre 1 : Généralités sur l’identification

Un modèle : Comment l’élaborer ?

2. MODELE DE REPRESENTATION

 Système "boite noire" : lois inconnus (totalement, partiellement ou difficile à établir);

 Expérience active (système dérangé) ou passive (aléatoire);
 Etape qualitative (connaissances a priori) et quantitative;
 Paramètres du modèle n'ont aucune réalité physique.
 Modèle de conduite (modèle E/S) est mieux adapté pour la détermination de la loi de
commande des systèmes numériques.

 La solution c’est de faire des tests pour proposer le modèle et l’identifier.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 13

Chapitre 1 : Généralités sur l’identification

Classification des modèles

 Selon les propriétés dynamiques
 à paramètres localisés, à paramètres distribués
 Selon l’évolution des paramètres :
 stochastique , déterministe
 Selon le nombre de variables :
 monovariable (SISO) , multivariable (MIMO)
 Selon le caractère des régimes de fonctionnement :
 statique et dynamique
 Selon la description mathématique
 linéaire, non linéaire

10/09/2023 FST Mohammedia Pr. N. EL GMILI 14

Chapitre 1 : Généralités sur l’identification

Classification des modèles : Monovariable ou multivariable?

Monovariable :

système à une entrée et une sortie

Multivariable :

nombre d'entrées + nombre de sorties > 2

10/09/2023 FST Mohammedia Pr. N. EL GMILI 15

Chapitre 1 : Généralités sur l’identification

Classification des modèles : Variant ou invariant?

Système invariant (stationnaire)
 Un système est dit invariant (stationnaire) si la réponse du système à un signal u(t) est la même
que la réponse y(t) du système mais différée de t0.

Système variant
 Le système est variant dans le cas contraire.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 16

 Chapitre 1 : Généralités sur l’identification

Classification des modèles : Statique ou dynamique?

Système statique
 La réponse du système à une excitation est instantanée

Système dynamique
 La réponse est fonction de l'excitation et des réponses passées

 Pour l'automaticien, tous les modèles sont de nature dynamique.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 17

Chapitre 1 : Généralités sur l’identification

Classification des modèles : Linéaire ou non linéaire?

Système linéaire
 Le système est linéaire s'il satisfait au principe de Superposition (les principes de
proportionnalité et d’additivité)
 Proportionnalité? L’effet est proportionnel à la cause  La réponse, en régime définitif, d’un
système linéaire à une entrée donnée est un signal de même nature que l’entrée.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 18

Chapitre 1 : Généralités sur l’identification

Classification des modèles : Linéaire ou non linéaire?

Système linéaire

 Additivité?

10/09/2023 FST Mohammedia Pr. N. EL GMILI 19

 Chapitre 1 : Généralités sur l’identification

Classification des modèles : Linéaire ou non linéaire?

Système linéaire

 Vérification expérimentale :

10/09/2023 FST Mohammedia Pr. N. EL GMILI 20

 Chapitre 1 : Généralités sur l’identification

Classification des modèles : Linéaire ou non linéaire?

Système linéaire
 Vérification expérimentale :
Pour savoir si un système est linéaire, on peut tracer la caractéristique statique (valeur de la sortie en
régime établi en fonction de l'entrée).

10/09/2023 FST Mohammedia Pr. N. EL GMILI 21

 Chapitre 1 : Généralités sur l’identification

Classification des modèles : Linéaire ou non linéaire?

Système non linéaire

 Un système non-linéaire est

celui qui ne satisfait pas le
principe de superposition, ou
celui dont la sortie n'est pas
directement proportionnelle
à son entrée.
 Avec un système non
linéaire, il n’est plus possible
d’exprimer une fonction de
transfert liant entrée et sortie
dans le domaine de Laplace.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 22

 Chapitre 1 : Généralités sur l’identification

Classification des modèles : Linéaire ou non linéaire?

Système non linéaire
- Linéarisation autour d’un point de fonctionnement
 Vérification expérimentale  Si le système n'est pas linéaire, on se placera au alentour du point de
fonctionnement et l'on approximera dans cette zone le système par un système linéaire (linéarisation)
comme sur la figure suivante.

Bonne linéarisation Mauvaise linéarisation

10/09/2023 FST Mohammedia Pr. N. EL GMILI 23

Chapitre 1 : Généralités sur l’identification

Classification des modèles : Linéaire ou non linéaire?

Système non linéaire

- Linéarisation autour d’un point de fonctionnement

 Lorsque les systèmes sont non linéaires, on étudie le comportement du système autour de ce que
l’on appelle un point de fonctionnement, autrement dit, un ensemble de paramètres fixés et
n’évoluant « pas trop ».
 On trouve généralement deux origines aux non linéarités :
Produit de variables : la présence d’un produit de plusieurs variables d’entrée produisant
un effet sur la sortie. Par exemple, 𝑠(𝑡) = 𝑒1(𝑡)𝑒2(𝑡)
Fonctions mathématiques : la présence d’une fonction mathématique (cos, sin, log, exp…)
sur une variable d’entrée ou de sortie. Par exemple, 𝑠(𝑡) = 𝑒(𝑡).
 Dès qu’un système est non linéaire, il est possible de le transformer en un système linéaire autour
d’un point de fonctionnement.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 24

Chapitre 1 : Généralités sur l’identification

Classification des modèles : Linéaire ou non linéaire?

Système non linéaire

- Linéarisation autour d’un point de fonctionnement

 Nous allons illustrer les méthodes de linéarisation autour d’un point de fonctionnement à
l’aide de l’équation suivante : 𝑠(𝑡) = 𝑢(𝑡) h(𝑡) . Elle cumule le produit de deux variables et
une fonction mathématique.
 Un point de fonctionnement peut être défini comme un état des variables entrée/sortie
qui vérifie l’équation différentielle et autour duquel on va étudier l’influence de petites
variations des entrées sur la sortie. Dans notre cas, le point de fonctionnement sera (𝑠0,
𝑢0, h0) tel que : 𝑠0 = 𝑢0 ℎ0.
 Méthodes de linéarisation :
Développements limités;
Dérivées partielles.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 25

Chapitre 1 : Généralités sur l’identification

Classification des modèles : Linéaire ou non linéaire?

Système non linéaire

- Linéarisation autour d’un point de fonctionnement

Exemple : Système hydraulique

 Nous traiterons un exemple de débit de fuite d’un système de régulation de niveau d’eau
qui dépend à la hauteur d’eau dans le réservoir (pression) et de la section du trou de
fuite.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 26

 Chapitre 1 : Généralités sur l’identification

Dans ce cours, nous étudierons principalement des systèmes dynamiques, continus ou discrets, mono ou
multi variables, déterministes, à paramètres localisés, linéaires, stationnaires et causals.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 27

Chapitre 1 : Généralités sur l’identification

Classification des signaux test

En pratique, on utilise deux catégories de signaux de test (d'excitation):

 Les signaux déterministes tels que l'échelon, la sinusoïde, ... Ces signaux sont décrits par une
fonction de temps ou par leur transformée de Fourrier,

 Les signaux aléatoires, complètement décrits par leurs propriétés statistiques. Parmi ceux-ci le
bruit blanc (théorique) dont l'énergie est équirépartie sur toutes les fréquences, permettrait
d'exciter le processus dans toute la bande passante. On préfère en pratique la séquence binaire
pseudo-aléatoire (SBPA).

10/09/2023 FST Mohammedia Pr. N. EL GMILI 28

Chapitre 1 : Généralités sur l’identification

Principe de l’identification
L’identification est une approche expérimentale pour la détermination du modèle dynamique d’un
système.
Base de l’identification : Expérience
 Expérience active (système dérangé)
 Expérience passive (aléatoire)
Principe
1. Étape qualitative : Sur la base d’une connaissance à priori du système à identifier, on fixe une
structure du modèle comportant des coefficients inconnus. : Boite « grise » et « boite noire »

2. Étape quantitative : Elle consiste à la détermination des coefficients inconnus du modèle de façon
que la différence entre les N sorties réelles du système et celles du modèle soit minimale selon un
critère donné qu’on résout par un algorithme d’identification

10/09/2023 FST Mohammedia Pr. N. EL GMILI 29

Chapitre 1 : Généralités sur l’identification

Estimation des paramètres du modèle

 Déterminer les valeurs des paramètres du modèle sur la base des observation E/S tel que la sortie
du modèle soit la plus proche du système réel selon un critère fixé.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 30

Chapitre 1 : Généralités sur l’identification

Validation du modèle

10/09/2023 FST Mohammedia Pr. N. EL GMILI 31

Chapitre 1 : Généralités sur l’identification

Étapes de l’identification
Connaissance à priori

Acquisition des données (entrées/sorties) sous un protocole d’expérimentation. Système réel à identifier

Choix de la structure du modèle (complexité)

Validation du modèle identifié

Estimation des paramètres du modèle

Non
Satisfaisant?
Oui

Utilisation du modèle

10/09/2023 FST Mohammedia Pr. N. EL GMILI 32

 Chapitre 1 : Généralités sur l’identification

Méthodes de représentation
Il existe plusieurs représentations possibles pour un système dynamique (à temps continu ou à temps
discret). Ces représentations se classifient selon les trois critères suivants:
• Représentation temporelle/fréquentielle : une approche temporelle est intéressante pour les raisons
suivantes:
 les données expérimentales sont généralement disponibles sous forme temporelle,
 l’approche est intuitive, la notion de constante de temps est immédiate,
 une représentation temporelle interne est applicable aux systèmes linéaires et non linéaires, stationnaires
et non stationnaires, avec des conditions initiales nulles et non nulles, à l’identification, l’analyse, la
simulation et l’optimisation du système.
• Représentation continue/discrète : une représentation continue est souvent plus naturelle pour l’étape
d’analyse, alors qu’une représentation discrète est nécessaire pour le travail sur ordinateur.
• Représentation externe/interne : une approche externe (modèle de représentation) met en relation directe
les variables d’entrée et de sortie, alors qu’une représentation interne (modèle de connaissance) fait intervenir
explicitement toutes les variables dynamiques du système.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 33

Chapitre 1 : Généralités sur l’identification

Méthodes d’identification des SLI

1. Méthode non paramétrique
1. 1. Cas des systèmes continus

 Cette méthode n’exige pas de spécifier a priori la structure du modèle.

 Domaine temporel :

+∞ 𝑡
y(t) = h(t) ∗ u(t) = u(t) ∗ h(t)=‫׬‬−∞ h(τ) ∗ u(t−τ)= ‫׬‬0 h(τ) ∗ u(t−τ) (𝐶𝑎𝑠 𝑐𝑎𝑢𝑠𝑎𝑙)
A partir des mesures 𝑢 𝑡𝑘 , 𝑦 𝑡𝑘 𝑘=0,1,2, … ,𝑁−1, on cherche h 𝑡𝑘  h 𝑡

 Domaine fréquentiel:

𝑌 𝑓
𝑌 𝑓 = 𝐻 𝑓 .𝑈 𝑓  𝐻 𝑓 = 𝑈 , 𝑌 𝑓 = TF 𝑦 𝑡 , 𝑈 𝑓 = TF 𝑢 𝑡
𝑓

A partir des mesures 𝑈 𝑓𝑘 , 𝑌 𝑓𝑘 𝑘=0,1,2, … ,𝑁−1 , on cherche H 𝑓𝑘  H 𝑓 = 𝐻 𝑠 ‫=𝑠ۀ‬2𝑗𝜋𝑓

10/09/2023 FST Mohammedia Pr. N. EL GMILI 34

Chapitre 1 : Généralités sur l’identification

Méthodes d’identification des SLI

1. Méthode non paramétrique
1. 2. Cas des systèmes discrets
 Domaine temporel :

y(k) = h(k) ∗ u(k) = u(k) ∗ h(k)=σ+∞ 𝑘

𝑖=−∞ h(𝑖) ∗ u(k−i)= σ𝑖=0 h(𝑖) ∗ u(k−i) (𝐶𝑎𝑠 𝑐𝑎𝑢𝑠𝑎𝑙)
Notation : y(k)= y(k∆𝑡)=𝑦𝑘 , où ∆𝑡 est le pas d’échantillonnage (de même pour h(k) et u(k) ).
A partir des mesures 𝑢𝑘 , 𝑦𝑘 𝑘=0,1,2, … ,𝑁−1 , on cherche h 𝑘  h 𝑡

 Domaine fréquentiel:

𝑌 𝑓
𝑌 𝑓 = 𝐻 𝑓 .𝑈 𝑓  𝐻 𝑓 = 𝑈 𝑓
= 𝐻 𝑍 ‫ 𝑒=𝑧ۂ‬2𝑗𝜋𝑓

A partir des mesures 𝑈 𝑓𝑘 , 𝑌 𝑓𝑘 𝑘=0,1,2, … ,𝑁−1 , on cherche H 𝑓𝑘  H 𝑓

10/09/2023 FST Mohammedia Pr. N. EL GMILI 35

 Chapitre 1 : Généralités sur l’identification

Méthodes d’identification des SLI

2. Méthode paramétrique

 Dans le cas d’une approche paramétrique , la structure du modèle doit être spécifiée a priori, par exemple sous
la forme de la fonction de transfert du premier ordre avec retard pur G(s) = Ke−θs/(τs + 1) avec les 3 paramètres
K , τ et θ .

 Si l’on dispose d’un nombre de mesures supérieur au nombre de paramètres, il y aura redondance dans les
données (plus d’équations que d’inconnues) servant à l’identification du modèle. Ceci constitue la caractéristique
principale des modèles paramétriques.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 36

Chapitre 1 : Généralités sur l’identification

Représentation des modèles échantillonnés : Modèle ARMA (Auto Régressif à

Moyenne Mobile

 Soit un signal y(t) généré par un signal d’entrée u(t).

 U(t) et y(t) sont représentés par leurs échantillons prises à des instants k.

𝑢 𝑡 → 𝑢 𝑘 , 𝑢 𝑘 + 1 , … , 𝑢(𝑘 + 𝑚)
𝑦 𝑡 → 𝑦 𝑘 , 𝑦 𝑘 + 1 , … , 𝑦(𝑘 + 𝑛)

10/09/2023 FST Mohammedia Pr. N. EL GMILI 37

Chapitre 1 : Généralités sur l’identification

Représentation des modèles échantillonnés : Modèle ARMA

 Représentation temporelle
 Cette représentation permet de représenter un signal continu (infinité d’échantillons) par un signal discret
(nombre fini de paramètres) pour permettre sa reconstitution.
 Le modèle ARMA d’ordre (n,m) est :
𝑎0 𝑦 𝑘 + 𝑎1 𝑦 𝑘 − 1 + ⋯ + 𝑎𝑛 𝑦 𝑘 − 𝑛 = 𝑏0 𝑢 𝑘 + 𝑏1 u 𝑘 − 1 + ⋯ + 𝑏𝑚 𝑢 𝑘 − 𝑚

(Il faut que 𝑎0 soit égale à zéro pour que le système soit causal)

 Schéma bloc du modèle ARMA

𝒎
෍ 𝒃𝒋 𝒖 𝒌 − 𝒋
𝒋=𝟎
𝒏
෍ 𝒂𝒊 𝒚 𝒌 − 𝒊
𝒊=𝟏

10/09/2023 FST Mohammedia Pr. N. EL GMILI 38

Chapitre 1 : Généralités sur l’identification

Représentation des modèles échantillonnés : Modèle ARMA

 Cas général
 Connaissant les sorties du système échantillonné 𝑦(𝑘), on calcule la sortie prédite :
𝑛 𝑚
𝑦ො 𝑘 = − ෍ 𝑎𝑖 𝑦 𝑘 − 𝑖 + ෍ 𝑏𝑗 𝑢 𝑘 − 𝑗
𝑖=1 𝑗=0

10/09/2023 FST Mohammedia Pr. N. EL GMILI 39

Chapitre 1 : Généralités sur l’identification

Représentation des modèles échantillonnés : Modèle ARMA

 Représentation fréquentielle

 Introduisons l’opérateur de retard (𝑧 −1 ) :

𝑦 𝑘 − 𝑖 = 𝑧 −𝑖 𝑦 𝑘
𝑢 𝑘 − 𝑗 = 𝑧 −𝑗 𝑢 𝑘

𝑎0 𝑦 𝑘 + 𝑎1 𝑦 𝑘 − 1 + ⋯ + 𝑎𝑛 𝑦 𝑘 − 𝑛 = 𝑏0 𝑢 𝑘 + 𝑏1 u 𝑘 − 1 + ⋯ + 𝑏𝑚 𝑢 𝑘 − 𝑚

 𝑦 𝑘 1 + σ𝑛𝑖=1 𝑎𝑖 𝑧 −𝑖 = 𝑢 𝑘 σ𝑚
𝑗=0 𝑏𝑗 𝑧
−𝑗

10/09/2023 FST Mohammedia Pr. N. EL GMILI 40

Chapitre 1 : Généralités sur l’identification

Représentation des modèles échantillonnés : Modèle ARMA

 Transformée en Z du modèle ARMA

 Transformée en Z :
𝑌 𝑍 𝐵(𝑍 −1 )
𝑦 𝑘 𝐴(𝑍 −1 ) =𝑢 𝑘 B(𝑍 −1 )  W 𝑧 = =
𝑈 𝑍 𝐴(𝑍 −1 )

 Le modèle ARMA est donc un filtre d’entrée U Z et de sortie Y Z .

𝑩(𝒁−𝟏 )
𝑨(𝒁−𝟏 )

10/09/2023 FST Mohammedia Pr. N. EL GMILI 41

Chapitre 1 : Généralités sur l’identification

Représentation des modèles échantillonnés :

 Modèle AR (Auto régressif) : Cas où 𝒃𝒋 = 𝟎 (j=0,…, m)

𝑦 𝑘 1 + σ𝑛𝑖=1 𝑎𝑖 𝑧 −𝑖 = 𝑢 𝑘 σ𝑚
𝑗=0 𝑏𝑗 𝑧
−𝑗
= 𝑢 𝑘 . 𝑏0
𝑌 𝑍 𝑏0
W 𝑧 = =
𝑈 𝑍 𝐴(𝑍 −1 )

 Le modèle est dit « tout pôles »

 Modèle MA ( Moyenne Ajustée) : Cas où 𝒂𝒊 = 𝟎 (i=1,…, n)
𝑛 𝑚
𝑦 𝑘 1+෍ 𝑎𝑖 𝑧 −𝑖 =𝑢 𝑘 ෍ 𝑏𝑗 𝑧 −𝑗 = 𝑦 𝑘
𝑖=1 𝑗=0
𝑌 𝑍
W 𝑧 = = 𝑏0 𝐵(𝑍 −1 )
𝑈 𝑍

 Le modèle est dit « tout zéros »

10/09/2023 FST Mohammedia Pr. N. EL GMILI 42

Chapitre 1 : Généralités sur l’identification

Classification des méthodes d’identification

3. Types des algorithmes d’identification des modèles échantillonnés
 L’ajustent des paramètres d’un modèle paramétrique, jusqu’à ce que l’erreur min, est
de type :
 Global : N mesures {𝑢𝑘 , 𝑦𝑘 } puis calcul de 𝜃 = 𝜃෠ (𝜃 = 𝑐𝑡𝑒)

 Itératif : N mesures {𝑢𝑘 , 𝑦𝑘 } puis calcul de 𝜃෠𝑁𝑖 = 𝑔 𝜃෠𝑁𝑖−1 → 𝜃 = 𝜃෠𝑁𝑀

C’est-à-dire après M itération, on obtient θ (cas d’optimisation θ = cte)

 Récursif : C’est-à-dire après la Nième acquisition, on obtient 𝜃 = 𝜃෠𝑁 (θ = cte)

 Adaptatif : Récursif+𝜃= 𝜃(t) ≠ 𝑐𝑡𝑒

→ θ t k = 𝜃෠ t k , k=0, …, N-1

10/09/2023 FST Mohammedia Pr. N. EL GMILI 43

Chapitre 1 : Généralités sur l’identification

Fin du chapitre 1

10/09/2023 FST Mohammedia Pr. N. EL GMILI 44

Chapitre 2 : Identification non paramétrique
3ème année Filière d’Ingénieur GET
Chapitre 2 : Identification non paramétrique

Introduction :

 Avec une approche non paramétrique, il n’est pas nécessaire de spécifier a priori la structure
du modèle. Il s’ensuit que le nombre de grandeurs (paramètres) à estimer est élevé.

 Considérons le cas de N mesures. Une représentation temporelle est donnée tout simplement
par la valeur de la sortie à ces N instants. Il s’ensuit qu’avec une approche non paramétrique, N
mesures servent à déterminer N grandeurs (ou paramètres). Il n’y a donc pas de redondance
dans les données propre à filtrer les erreurs de mesure.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 46

Chapitre 2 : Identification non paramétrique

1. Cas des systèmes discrets

1.1. Détermination de la réponse impulsionnelle RI : h(k)
 On considère que l’on dispose de N mesures yk , uk k=0,…,N−1 et nous cherchons à trouver la réponse
impulsionnelle du modèle discret ℎ෠ 𝑘 (ℎ෠ 𝑘 calculée).

+∞ 𝑀 𝑁(𝑧 −1 )
𝐻 𝑧 =෍ ℎ 𝑖 𝑧 −𝑖 =෍ ℎ 𝑖 𝑧 −𝑖 (𝑐𝑎s 𝑅𝐼𝐹: ∃ 𝑀/ℎ(𝑘) = 0, ∀ k>M.) =
𝑖=0 𝑖=0 𝐷(𝑧 −1 )

 Soit q le degré de N et p le degré de D. En imposant que 𝐷 𝑧 −1 soit unitaire, c’est-à-dire que 𝑎0 =

1, on est conduit aux expressions:
𝑞
𝑁 𝑧 −1 = σ𝑖=0 𝑏𝑖 𝑧 −𝑖
𝑝
𝐷 𝑧 −1 = σ𝑖=0 𝑎𝑖 𝑧 −𝑖 𝑎0 = 1

Où les 𝑏𝑖 , iϵ 0, … 𝑞 et les 𝑎𝑖 , iϵ 0, … 𝑝 , sont les coefficients des polynômes D et N à déterminer à partir

de la réponse impulsionnelle calculée ℎ෠ 𝑘 .
10/09/2023 FST Mohammedia Pr. N. EL GMILI 47
Chapitre 2 : Identification non paramétrique

1. Cas des systèmes discrets

1.1. Détermination de la réponse impulsionnelle RI : h(k)

 A partir des N mesures yk , uk k=0,…,N−1 prélevées, on peut écrire :

+∞
𝑦 𝑘 = 𝑦𝑐 𝑘 + 𝑒 𝑘 = ℎ 𝑘 ∗ 𝑢 𝑘 + 𝑒 𝑘 = ෍ ℎ 𝑖 𝑢 𝑘−𝑖 +𝑒 𝑘
𝑖=−∞

Rappel : Un système causal est initialement au repos, si sa sortie est nulle tant que son entrée
système causal est nulle
xt   0 pour t  t0 , alors yt   0 pour t  t0

𝑦 𝑘 = σ𝑘𝑖=0 ℎ 𝑖 𝑢 𝑘 − 𝑖 + 𝑒 𝑘

10/09/2023 FST Mohammedia Pr. N. EL GMILI 48

Chapitre 2 : Identification non paramétrique

1. Cas des systèmes discrets

1.1. Détermination de la réponse impulsionnelle RI : h(k)

 Ainsi, on peut représenter ces mesures sous forme matricielle comme suit :

𝑦 𝑘 = σ𝑘𝑖=0 ℎ 𝑖 𝑢 𝑘 − 𝑖 + 𝑒 𝑘

𝑦0 = ℎ0 𝑢0 + 𝑒0
𝑦1 = ℎ0 𝑢1 + ℎ1 𝑢0 + 𝑒1

…
𝑦𝑁−1 = ℎ0 𝑢𝑁−1 + ℎ1 𝑢𝑁−2 + ⋯ + 𝑒𝑁−1
𝒀𝑵 = 𝑼𝑵 𝑯𝑵 + 𝑬𝑵
𝑈𝑁 est une matrice de Toeplitz  rotation de 90°  Structure de Hankel.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 49

Chapitre 2 : Identification non paramétrique

1. Cas des systèmes discrets

1.1. Détermination de la réponse impulsionnelle RI : h(k)

 Au sens des moindres carrés : ℎ෠ 𝑁 = 𝑈𝑁 𝑇 𝑈𝑁 −1 𝑈 𝑇 𝑌

𝑁 𝑁 = 𝑈𝑁 ϯ 𝑌𝑁

10/09/2023 FST Mohammedia Pr. N. EL GMILI 50

Chapitre 2 : Identification non paramétrique

Application sous Matlab : Exercice 1

 Considérons un système discret à identifier, de fonction de transfert 𝐻 𝑧 = 𝐵 𝑧 −1 /𝐴 𝑧 −1 ,
avec 𝐵 𝑧 −1 = 𝑏0 + 𝑏1 𝑧 −1 + 𝑏2 𝑧 −2 et A 𝑧 −1 = 𝑎0 + 𝑎1 𝑧 −1 + 𝑎2 𝑧 −2 + 𝑎3 𝑧 −3 .

 Pour des ai et bi données, on peut générer sous Malab, la réponse impulsionnelle réelle à
identifier ainsi que les données de l’entrée u et de la sortie y comme suit :

a0=1;a1=1.6;a2=0.79;a3=0.12; b0=1;b1=1;b2=1;
A=[a0 a1 a2 a3]; B=[b0 b1 b2 0];
fprintf('La fonction de transfert du système d’origine')
H=tf(B,A,-1,'variable','z^-1')

N=20;
h=dimpulse(B,A,N);

u=ones(1,N);
YN=dlsim(B,A,u);

10/09/2023 FST Mohammedia Pr. N. EL GMILI 51

Chapitre 2 : Identification non paramétrique

Application sous Matlab : Exercice 1 (suite)

 On trace la réponse temporelle originale du système discret à identifier.

figure (1)
plot(k,YN)
title('réponse du système
à identifier')

10/09/2023 FST Mohammedia Pr. N. EL GMILI 52

Chapitre 2 : Identification non paramétrique

Application sous Matlab : Exercice 1 (suite)

 Maintenant, on veut calculer la réponse impulsionnelle h à partir des mesures de u et y.
Pour ce faire, on calcul ℎ𝑁 (ℎ𝑖 , avec i=0,...,N-1) au sens des moindres carrés (𝑌𝑁 =
𝑈𝑁 ℎ𝑁 + 𝐸𝑁 ); Ainsi, on commence par la formation de la matrice 𝑈𝑁 et du vecteur 𝑌𝑁 .

C=u(1:N);
L=[u(1),zeros(1,N-1)];

UN=toeplitz(C,L);

hN=inv(UN)*YN;

Jh_hN=mean((h-hN).^2)

figure
plot(k,h,'o',k,hN,'x')
title(' réponses impulsionnelles: o:originale, x:calculée)')

10/09/2023 FST Mohammedia Pr. N. EL GMILI 53

Chapitre 2 : Identification non paramétrique

1. Cas des systèmes discrets

෡ 𝒌 𝑘 = 0, 1, … 𝑁 − 1 ∶
1.2. Détermination de H(z) à partir de 𝒉

 On considère la fonction de transfert d’un système discret sous la forme :

σ𝑞𝑗=0 𝑏𝑗 𝑧 −𝑗 +∞ 𝑀
𝐻 𝑧 = =෍ ℎ 𝑖 𝑧 −𝑖 = ෍ ℎ 𝑖 𝑧 −𝑖 𝑐𝑎𝑠 𝑅𝐼𝐹
σ𝑝𝑖=0 𝑎𝑖 𝑧 −𝑖 𝑖=0 𝑖=0

 Et on cherche à trouver p, q, 𝑎𝑖 et 𝑏𝑖 à partir de ℎ෠ 𝑘 (ℎ෠ 𝑘 calculée).

𝑝 𝑞
q ≤ p et 𝑎0 = 1  σ𝑖=0 𝑎𝑖 𝑧 −𝑖 𝐻 𝑧 = σ𝑖=0 𝑏𝑖 𝑧 −𝑖
𝑝 𝑞
TZI  σ𝑖=0 𝑎𝑖 ℎ 𝑘 − 𝑖 = σ𝑖=0 𝑏𝑖 𝛿 𝑘 − 𝑖

10/09/2023 FST Mohammedia Pr. N. EL GMILI 54

 Chapitre 2 : Identification non paramétrique

1. Cas des systèmes discrets

෡ 𝒌 𝑘 = 0, 1, … 𝑁 − 1 ∶
1.2. Détermination de H(z) à partir de 𝒉

 L’égalité se met sous la forme du double système linéaire :

H1 - H3
H2

 A partir des ℎ෠ 𝑘 𝑘 = 0, 1, … 𝑝 + 𝑞 , l’équation (2) donne 𝐴𝑝 et l’équation (1) donne 𝐵𝑞+1 .

 𝐻1 est une matrice de Toeplitz  rotation de 90°  Structure de Hankel.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 55

Chapitre 2 : Identification non paramétrique

1. Cas des systèmes discrets

෡ 𝒌 (𝑘 = 0, 1, … 𝑁 − 1)
1.2. Détermination de H(z) partir de 𝒉

Détermination
de p et q

10/09/2023 FST Mohammedia Pr. N. EL GMILI 56

Chapitre 2 : Identification non paramétrique

Application sous Matlab : Exercice 1 (suite)

 Dès qu’on a calculé ℎ𝑁 (ℎ𝑖 , avec i=0,...,N-1) au sens des moindres carrés, on va déterminer la
fonction de transfert 𝐻 𝑧 = 𝐵 𝑧 −1 Τ𝐴 𝑧 −1 en 𝑧 −1 à partir de la réponse impulsionnelle
calculée. Ainsi, la détermination de l'ordre de la fonction de transfert 𝐻 𝑧 exige la formation de
H2, en utilisant (H2.[a1,....,ap]= - H3) ==> p=rank (H2).

pmax=(N-1)/2; % p inconnu mais borne supérieur ne dépasse pas pmax

p1=fix(pmax); % partie entière car l'ordre p est entier

q1=p1; % on pose q=p, car q ne dépasse jamais p (causalité)

col=hN(q1+1:q1+p1);
lin=hN(q1+1:-1:q1-p1+2);
H2=toeplitz(col,lin); % formation de H2

fprintf('\n Ordre ')

p=rank(H2) % l'ordre

10/09/2023 FST Mohammedia Pr. N. EL GMILI 57

 Chapitre 2 : Identification non paramétrique

Application sous Matlab : Exercice 1 (suite)

 Pour déterminer les 𝑎𝑖 qui sont les composantes du vecteur Ap (Ap=[a1,....,ap]) , on va former H2 et
H3 (H2 . Ap = - H3 ) cette fois ci pour p connu.
q=p;
c1=hN(q+1:q+p);
l1=hN(q+1:-1:q-p+2);
H3=-hN(q+2:q+p+1); % vecteur H3
H2=toeplitz(c1,l1); % matrice H2
Ap=inv(H2)*H3; % solution les ai, i=1,...,p

 Pour déterminer les 𝑏𝑖 qui sont les composantes du vecteur Bp (H1.[1 Ap]=Bp pour(q=p)), on va
former H1 pour (p,q=p) connus.
c2=hN(1:q+1);
l2=[hN(1),zeros(1,p)];
H1=toeplitz(c2,l2); % matrice H1
Bp=H1*[1;Ap]; % solution les bi, i=1,...,q=p

10/09/2023 FST Mohammedia Pr. N. EL GMILI 58

 Chapitre 2 : Identification non paramétrique

Application sous Matlab : Exercice 1 (suite)

 On affiche les résultats : la fonction de transfert en 𝑧 −1 Hc(𝑧 −1 ), les paramètres ai(i=0,...,p) réels A,
bi(i=0,...,p) réels B et les paramètres estimés App‘ et Bp'.
fprintf('Fonction de transfert trouvée Hc(z^-1)');
App=[1;Ap]; %vecteur des paramètres, a0 est égal à 1
Hc=tf(Bp',App',-1,'variable','z^-1') %X' car X doit être ligne

fprintf('Paramètres ai,(i=0,...,p) réels A et estimés App')

[A' App] %X' car X et Y doivent colonne, Y déjà colonne
fprintf('Paramètres bi,(i=0,...,p) réels B et estimés Bp')
[B' Bp] %X' car X et Y doivent colonne, Y déjà colonne

 Une fois qu’on visualise Bp, on détermine q=p-x, avec x=? est le nombre des dernières valeurs de Bp
qui sont nulles. On trouve seulement la dernière valeur de B qui est nulle donc x=1.
x=1; q=p-x; Bq=Bp(1:q+1);
fprintf('Paramètres bi,(i=0,...,q) réels B et estimés Bq')
[B' Bp] %X' car X et Y doivent colonne, Y déjà colonne

10/09/2023 FST Mohammedia Pr. N. EL GMILI 59

Chapitre 2 : Identification non paramétrique

Application sous Matlab : Exercice 1 (suite)

 Pour comparer la sortie calculée Ync et la sortie réelle Yn, on peut afficher sur la même figure les
deux allures.
Bq=[Bq; 0];
YNc=dlsim(Bq',App',u); %X' car X doit être ligne
Jy_yc=mean((YN-YNc).^2) % erreur quadratique moyenne entre y et yc
figure
plot(k,YN,'b',k,YNc,'r')
title(' réponses réelles (bleu), calculée (rouge)')

 On peut aussi comparer la réponse impulsionnelle réelle h et hc calculée par le modèle obtenu
H(z) comme suit :
hc=dimpulse(Bq',App',N); %hc retrouvée à partir de H(z) calculée
Jh_hc=mean((h-hc).^2)
figure
plot(k,h,k,hc,'x',k,hN,'o')
title(‘Réponses impulsionnelles originale interpolée, o:calculée,x:retrouvée
à partir H(z)calculée')

10/09/2023 FST Mohammedia Pr. N. EL GMILI 60

Chapitre 2 : Identification non paramétrique

2. Cas des systèmes continus

2.1. Méthodes de déconvolution h(t) =?

 La réponse impulsionnelle h(t) d’un système continu permet de connaitre la sortie y(t) due à une
entrée u(t) à partir de conditions initiales nulles par la relation de convolution :
∞
𝑦 𝑡 = 𝑦𝑐 𝑡 + 𝑒 𝑡 = 𝑢 𝑡 ∗ ℎ 𝑡 + 𝑒 𝑡 = න 𝑢 𝜏 ℎ 𝑡 − 𝜏 𝑑𝜏
0
𝑡
𝑦 𝑡 = ‫׬‬0 𝑢 𝜏 ℎ 𝑡 − 𝜏 𝑑𝜏 + 𝑒 𝑡 𝑐𝑎𝑠 𝑐𝑎𝑢𝑠𝑎𝑙 , 𝑎𝑣𝑒𝑐 u 0 = 𝑒 0 (cas sans bruit)

 Les méthodes de déconvolution consistent à inverser numériquement cette opération. On

supposera que u 0 ≠0, ce qui peut être obtenu par simple translation temporelle. On supposera
de plus, que l’entrée est une fonction constante durant des intervalles de temps constants :

t𝜖 𝑘 ∆𝑡, 𝑘 + 1 ∆𝑡 , u 𝑡 = 𝑢 𝑘 ∆𝑡

10/09/2023 FST Mohammedia Pr. N. EL GMILI 61

Chapitre 2 : Identification non paramétrique

2. Cas des systèmes continus

2.1. Méthodes de déconvolution h(t) =?

 Cela correspond à exciter le système linéaire à identifier par une entrée échantillonnée-bloquée à
période constante. La relation évaluée aux instants d’échantillonnage t=k Δt, donne :
𝑘 ∆𝑡
𝑦 𝑘 ∆𝑡 = න 𝑢 𝜏 ℎ 𝑘 ∆𝑡 − 𝜏 𝑑𝜏 + 𝑒 𝑘 ∆𝑡
0

 Par linéarité de l’intégrale, on peut écrire :

𝑘−1 (𝑖+1) ∆𝑡
𝑦 𝑘 ∆𝑡 = ෍ න 𝑢 𝜏 ℎ 𝑘 ∆𝑡 − 𝜏 𝑑𝜏 + 𝑒 𝑘 ∆𝑡
𝑖=0 𝑖∆𝑡
𝑘−1 (𝑖+1) ∆𝑡
𝑦 𝑘 ∆𝑡 = ෍ 𝑢 𝑖∆𝑡 න ℎ 𝑘 ∆𝑡 − 𝜏 𝑑𝜏 + 𝑒 𝑘 ∆𝑡
𝑖=0 𝑖∆𝑡

(𝑘−𝑖) ∆𝑡
𝑦 𝑘 ∆𝑡 = σ𝑘−1
𝑖=0 𝑢 𝑖∆𝑡 ‫𝑘(׬‬−𝑖−1)∆𝑡 ℎ 𝛽 𝑑𝛽 + 𝑒 𝑘 ∆𝑡 (𝛽= 𝑘 ∆𝑡 − 𝜏)
𝑘 ∆𝑡
D’ou : 𝑦 𝑘 = σ𝑘−1
𝑖=0 𝑢 𝑖 𝑔(𝑘 − 𝑖) + 𝑒 𝑘 ∆𝑡 avec 𝑔(𝑘) = ‫𝑘(׬‬−1) ∆𝑡 ℎ 𝛽 𝑑𝛽 et g(0)=0

10/09/2023 FST Mohammedia Pr. N. EL GMILI 62

 Chapitre 2 : Identification non paramétrique

2. Cas des systèmes continus

2.1. Méthodes de déconvolution h(t) =?
 Ce qui se met, pour un temps d’observation de N périodes d’échantillonnage 𝑘 = 1, … 𝑁 , sous
forme :

10/09/2023 FST Mohammedia Pr. N. EL GMILI 63

Chapitre 2 : Identification non paramétrique

2. Cas des systèmes continus

2.1. Méthodes de déconvolution h(t) =?

• Sachant les g 𝒌 𝑘 = 1, … 𝑁 , on peut déterminer les h𝒌

 2.1.1. Méthode de la médiane (formule de rectangles au point milieu)

10/09/2023 FST Mohammedia Pr. N. EL GMILI 64

 Chapitre 2 : Identification non paramétrique

Application sous Matlab : Exercice 2

 On veut calculer la réponse impulsionnelle à partir des mesures d'un système linéaire continu de
fonction de transfert H(s)=B(s)/A(s), avec B(s)=b0 et A(s)=a0+a1.s+a2.s^2, en utilisant la méthode de
la médiane. Pour a0=1;a1=0.4;a2=1 et b0=1, une entrée échelon d’amplitude 2, afficher la réponse
impulsionnelle réelle à identifier ainsi que les données de l’entrée u et de la sortie y comme suit :
a0=1;a1=0.4;a2=1;b0=1; A=[a2 a1 a0]; B=[b0] ;
fprintf(' Fonction de transfert du système origine\n')
E=tf(B,A)

dt=0.5; T=12; t=[0:dt:T];

N=length(t);
h=impulse(B,A,t);
plot(t,h); title('Réponse impulsionnelle originale')
du=2; u=du*ones(N,1); %échelon d'amplitude du=2
y=du*step(B,A,t); %y=lsim(B,A,u,t);
figure
plot(t,y); title('Réponse originale du système')

10/09/2023 FST Mohammedia Pr. N. EL GMILI 65

Chapitre 2 : Identification non paramétrique

Application sous Matlab : Exercice 2 (suite)

 Pour calculer GN (gi, i=1,...,N-1) au sens des moindres carrés, YN=UN*GN+EN; On commence par
la formation de la matrice UN et du vecteur YN

C=u(1:N-1);
L=[u(1) zeros(1,N-2)] ;

UN=toeplitz(C,L) ;% matrice UN

YN=y(2:N);%vecteur YN en théorie commence par y(1), donc y(2) sur matlab

GN=inv(UN'*UN)*UN'*YN; % solution (gi,i=1,...,N-1), si UN est carrée

inv(UN'*UN)*UN'=inv(UN)

10/09/2023 FST Mohammedia Pr. N. EL GMILI 66

Chapitre 2 : Identification non paramétrique

Application sous Matlab : Exercice 2 (suite)

 A partir de GN calculé au sens des moindres carrés, on utilise la méthode de la médiane pour
déterminer les h(t)

h_mediane=GN/dt ; % h(t) calculé pour t=(k-1/2).dt (k=1, ...,N-1. N-1

valeurs
t1=(1-1/2)*dt:dt:(N-1-1/2)*dt; %N-1
ht1=impulse(B,A,t1);% h(t) réelle pour t1, N-1 valeurs au lieu de N valeur

Jh_mediane=mean((ht1-h_mediane).^2) %erreur quadratique moyenne entre h

réelle et h(médiane)
figure
plot(t1,ht1,'b',t1,h_mediane,'r')
title(' réponses impulsionnelles originale décalée de dt/2(bleu), calculée
(médiane) (rouge)')

10/09/2023 FST Mohammedia Pr. N. EL GMILI 67

Chapitre 2 : Identification non paramétrique

2. Cas des systèmes continus

2.1. Méthodes de déconvolution h(t) =?
 2.1.2. Méthode du trapèze

10/09/2023 FST Mohammedia Pr. N. EL GMILI 68

Chapitre 2 : Identification non paramétrique

Application sous Matlab : Exercice 2 (suite)

 On utilise la méthode du trapèze (au lieu de la médiane) pour déterminer les h(t). On calcul HN
(hi,i=1,...,N-1) au sens des moindres carrés, GN=(dt/2) MN.HN+EN ==> Formation de la matrice
MN.
M(1,:)=[1 zeros(1,N-2)]; %1ère ligne de MN
C1=[1 zeros(1,N-3)];
L1=[1 1 zeros(1,N-3)];
M(2:N-1,1:N-1)=toeplitz(C1,L1); % le reste de la matrice MN

h_trap=(2/dt)*inv(M'*M)*M'*GN; % h(t) calculé pour t=k.dt (k=1, ...,N-1)

h_trap=[0;h_trap]; % h(t) calculé pour t=k.dt (k=0, ...,N-1) car h(0)=0
Jh_htrap=mean((h-h_trap).^2)%erreur quadratique moyenne entre h réelle et
h(trapèze)

figure
plot(t,h,'b',t,h_trap,'r'); title(' réponses impulsionnelles originale
(bleu), calculée (trapèze) (rouge)')

10/09/2023 FST Mohammedia Pr. N. EL GMILI 69

 Chapitre 2 : Identification non paramétrique

2. Cas des systèmes continus

෡𝒌 𝒉
 2.1.2. Détermination de H(s) à partir de 𝒉 ෡ 𝑡𝑘 : Méthode des paramètres de Markov

 Pour un système continu, la fonction de transfert est la transformée de Laplace de la réponse

impulsionnelle, que l’on peut écrire sous la forme :

∞
−𝑖
𝑁(𝑠 −1 )
𝐻 𝑠 =෍ ℎ𝑖 𝑠 =
𝑖=1 𝐷(𝑠 −1 )
 Lorsque sont connus les ℎ𝑖 , i𝜖 𝑁, cette formule permet, par la méthode exposée précédemment, de
déterminer les coefficients des polynômes N et D.
 Sachant que la Transformée de Laplace inverse de 𝑠 −𝑖−1 est :

𝑡𝑖
∀ 𝑖 > 0, 𝐿−1 𝑠 −𝑖−1 =
𝑖!
 Il vient :
∞𝑡𝑖
ℎ 𝑡 = ෍ ℎ𝑖+1
𝑖=0 𝑖!
10/09/2023 FST Mohammedia Pr. N. EL GMILI 70
 Chapitre 2 : Identification non paramétrique

2. Cas des systèmes continus

෡𝒌 𝒉
 2.1.2. Détermination de H(s) à partir de 𝒉 ෡ 𝑡𝑘 : Méthode des paramètres de Markov

 A partir des N valeurs de la réponse impulsionnelle calculées par la méthode de déconvolution, on calcule
les N premiers moments ℎ𝑖 , i𝜖 1, … , 𝑁 en négligeant les moments d’ordre supérieur. Cela conduit au
système :

𝑡1𝑁−1
1 𝑡1 𝑡1 ²
𝑁−1 !
ℎ(𝑡1 ) ℎ1 𝑒(𝑡1 )
𝑡2𝑁−1
ℎ(𝑡2 ) 1 𝑡2 𝑡2 ² ℎ2 𝑒(𝑡2 )
= 𝑁−1 ! ⋮ +
⋮ ⋮ ⋮ ⋮ ⋮
ℎ(𝑡𝑁 ) ⋮ ℎ𝑁 𝑒(𝑡𝑁 )
𝑁−1
𝑡𝑁
1 𝑡𝑁 𝑡𝑁 ²
𝑁−1 !
 Cette procédure est applicable lorsque l’on obtient des valeurs de ℎ𝑖 , par la résolution de cette dernière
équation.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 71

 Chapitre 2 : Identification non paramétrique

2. Cas des systèmes continus

2.2. Méthode de discrétisation
 Cette méthode consiste tout d’abord à identifier le système discret associé à l’expérience en cours. Sachant que :
1−𝑒 −𝑠∆𝑡
H(s)=TL[h(t)] et H(z)= TZ [h(k ∆𝑡)] 𝑎𝑣𝑒𝑐 𝐵0 (𝑠) =
𝑠

 Une fois H(z) est connue, on peut connaitre H(s) par l’inversion de la relation :
𝐻(𝑠) 𝐻(𝑠)
H(z)=(1 − 𝑧 −1 )TZ 𝑇𝐿𝐼 = (1 − 𝑧 −1 )TZ
𝑠 𝑘=𝑘∆𝑡
𝑠
 Ainsi :
𝐻 𝑧 𝐻(𝑧)
𝐻 𝑠 = s T𝐿 𝑇𝑍𝐼 = 𝑠 𝑇𝐿
1 − 𝑧 −1 𝑘=𝑘∆𝑡
1 − 𝑧 −1

10/09/2023 FST Mohammedia Pr. N. EL GMILI 72

Chapitre 2 : Identification non paramétrique

Application sous Matlab : Exercice 2 (suite)

 On veut identifier le même système continu défini par sa fonction de transfert H(s) de l’exercice 2, en utilisant la
méthode de la discrétisation: On détermine H(z) puis on passe à H(s) sachant que H(z)=(1-z^-1)TZ[H(s)/s].
 On procède par le calcul de H(z), d’une façon identique à l’exemple 1. Puis, on réalise une transposition de H(s) à
partir de H(z) en utilisant Hr=d2c(Hd2,’method’), où Hd2=tf(num,den) et method désigne ‘zoh’ pour le bloqueur
d’ordre zéro, donc ce n’est pas la peine de la préciser.

Bzz=[Bp']
Azz=[App']

Hd2=tf(Bzz,Azz,dt,'variable','z^-1')
Hr=d2c(Hd2)

ync=step(du*Hr,t)

figure(3)
plot(t,y,'r',t,yyc,'b',t,ync,'o')
Jy_yc=mean((YN-ync).^2) % erreur quadratique moyenne entre y et yc

10/09/2023 FST Mohammedia Pr. N. EL GMILI 73

Chapitre 2 : Identification non paramétrique

Application sous Matlab : Exercice 2 (suite)

 On calcul l’erreur quadratique moyenne et on affiche les réponses réelle et identifiée,
ainsi que les réponses impulsionnelles.

hc=impulse(Hr,t); %hc retrouvée à patrtir de H(z) calculée

Jh_hc=mean((h-hc).^2)

figure (4)
plot(t,h,t,hc,'r')
title(' réponses impulsionnelles originale interpolée,o:calculée,x:retrouvée
à partir de H(z)calculée')

10/09/2023 FST Mohammedia Pr. N. EL GMILI 74

 Chapitre 2 : Identification non paramétrique

Travail à faire :
 On se propose de trouver le modèle d’un système réel de comportement instable divergent connaissant sa réponse pour
une entrée échelon d’amplitude 2 (figure 1). L’objectif est d’arriver à identifier ce modèle dans le cas où la réponse est
non bruitée.
1- Utiliser la fonction load pour charger les données stockées dans le fichier data_ty.txt.
load data_ty.txt; t=data_ty(:,1); y=data_ty(:,2);
2- Visualiser la réponse indicielle y du système étudié en fonction du
temps t.
3- Donner le modèle général d’un système discret, désigné par h(k)
puis H(z).
4- En utilisant la méthode non paramétrique vue dans ce chapitre,
calculer h(k) puis H(z) (pensez à trouver l’ordre à partir de min J(n) à
calculer).
5- Transposer H(z) en H(s) en utilisant la méthode de discrétisation.
6- Tracer, sur le même graphe, les réponses indicielles du système réel
et du modèle trouvé.
7- Calculer l’erreur quadratique moyenne 𝜀 et conclure. On supposera
que le modèle est valide si 𝜀 ≤0.1 .

10/09/2023 FST Mohammedia Pr. N. EL GMILI 75

Chapitre 2 : Identification non paramétrique

Fin du chapitre 2

10/09/2023 FST Mohammedia Pr. N. EL GMILI 76

Chapitre 3 : Identification des modèles
paramétriques continus
3ème année Filière d’Ingénieur GET
Chapitre 3 : Identification des modèles paramétriques continus

Plan de cours : Identification paramétrique

1. Introduction
2. Identification en boucle ouverte
2.1. Cas sans intégrateur
a. Système du 1er ordre
b. Système du 2ème ordre
c. Système d’ordre supérieur
i. Modèle de Strejc
ii. Modèle de Broida
2.2. Cas avec intégrateur
a. Intégrateur pur
b. Modèle de Strejc

10/09/2023 FST Mohammedia Pr. N. EL GMILI 78

Chapitre 3 : Identification des modèles paramétriques continus

Plan de cours : Identification paramétrique

3. Identification en boucle fermée

3.1. Cas sans intégrateur
a. Modèle de Strejc
b. Modèle de Broida
3.2. Cas avec intégrateur
a. Modèle de Strejc
b. Modèle de Broida

10/09/2023 FST Mohammedia Pr. N. EL GMILI 79

Chapitre 3 : Identification des modèles paramétriques continus

1. Introduction :
Procédures d’identification paramétrique

Boucle Ouverte Boucle fermée

Analyse indicielle ou Analyse indicielle,

fréquentielle phénomène de pompage

 Quelle que soit la procédure d’identification, le modèle doit satisfaire une erreur
acceptable.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 80

Chapitre 3 : Identification des modèles paramétriques continus

1. Introduction :
Identification en BO : Analyse indicielle ou fréquentielle?
 L'identification de réponses fréquentielles, ne pose pas de difficultés. Cependant, avant d'obtenir
le tracé de Bode, il a fallu mesurer cette réponse fréquentielle dans un large domaine de
fréquences. Ceci n'est possible qu'en couvrant un nombre suffisant de décades avec assez de
points.
 On imagine donc aisément que le temps
nécessaire pour la mesure peut être long. Cela
est d'autant plus vrai que le processus est lent
et que le domaine d'intérêt est celui des
basses-fréquences.
 On voit donc que l'analyse fréquentielle n’est
pas praticable pour des systèmes dont le temps
de réponse atteint la minute, voire quelques
dizaines de minutes (ce qui n'est pas rare en
milieu industriel).
10/09/2023 FST Mohammedia Pr. N. EL GMILI 81
Chapitre 3 : Identification des modèles paramétriques continus

1. Introduction :
Identification en BO : Analyse indicielle

 L’analyse indicielle d’un système consiste à enregistrer l’évolution de la sortie lorsque l’entrée passe
instantanément d’une valeur constante à une autre (entrée échelon).

 Le but de cette étude est, au vu de la forme de la réponse, de proposer une classe de modèles
permettant d’obtenir la même sortie (généralement cela permet de se fixer l’ordre du modèle).

 Nous verrons que dans les cas de modèles simple, l’analyse indicielle fournit rapidement les
paramètres du modèle choisi.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 82

Chapitre 3 : Identification des modèles paramétriques continus

1. Introduction :
Identification en BO : Analyse indicielle

 Les fonctions de transfert identifiées par l’analyse indicielle sont généralement de la forme :

H 𝒔 = 𝑲𝒆−𝑻 𝒔 𝑯𝑵 𝒔 Modèle sans intégrateur

Avec K est le gain statique, 𝑻 est le temps de retard et 𝐻𝑁 𝑠 une fonction de transfert normalisée, sans
retard et un gain statique de 1.
 On peut donc se ramener à la réponse d’un système sans retard pur à gain statique unité. Cette réponse que
nous noterons 𝑦𝑁 (𝑡), permet alors, dans certains cas, de déterminer les paramètres de 𝑯𝑵 𝒔 .

𝑞 𝑎0 = 𝑏0 = 1
σ𝑖=0 𝑏𝑖 𝑠 𝑖
𝐻𝑁 𝑠 = σ𝑝 𝑖 ,ቐ
𝑝≥𝑞
𝑎
𝑖=0 𝑖
𝑠 0
𝐻𝑁 0 = 1
0 T=? t
10/09/2023 FST Mohammedia Pr. N. EL GMILI 83
Chapitre 3 : Identification des modèles paramétriques continus

1. Introduction :
Identification en BO : Analyse indicielle

 Parfois, certains systèmes comportent des intégrateurs purs,

par exemple un moteur à courant continu dont l’entrée est la
tension statorique et la sortie est la position de l’arbre
moteur. Dans ce cas, les modèles sont sous la forme :

𝑲 −𝑻 𝒔
H 𝒔 = 𝒆 𝑯𝑵 𝒔 Modèle avec intégrateur 0 T=?
𝑺

10/09/2023 FST Mohammedia Pr. N. EL GMILI 84

Chapitre 3 : Identification des modèles paramétriques continus

2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur : H 𝒔 = 𝑲𝒆−𝐓 𝒔 𝑯𝑵 𝒔
 On considère la réponse notée y(t) à un échelon u(t).

u (t)

∆𝑦
∆𝑢 Système
0

0 t 0 T=? t

Remarque :
 Les paramètres K et T peuvent être déterminés immédiatement, ou K est l’amplitude du signal d’entrée  On
∆𝑦
détermine graphiquement K= ∆𝑢 et T;
 Le modèle 𝐻𝑁 𝑠 est à proposer, puis à identifier partir de la réponse indicielle normalisée 𝑦𝑁 𝑡 .

10/09/2023 FST Mohammedia Pr. N. EL GMILI 85

Chapitre 3 : Identification des modèles paramétriques continus

2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur : H 𝒔 = 𝑲𝒆−𝐓 𝒔 𝑯𝑵 𝒔
𝟏
a. Système du 1er ordre : 𝑯𝑵 𝒔 = 𝟏+𝝉𝒔 (𝝉 =? )

1 𝐻𝑁 (𝑠) 1
𝑈𝑁 𝒔 = 𝑇𝐿 𝞒 (𝑡) =  𝑦𝑁 𝑡 = 𝑇𝐿𝐼 = 𝑇𝐿𝐼
𝑠 𝑠 𝑠 𝟏+𝝉𝒔

𝑡′
𝑦𝑁 𝑡′ = 1 − 𝑒 −𝜏
, 𝑡 ′ = 𝜏 → 𝑦𝑁 𝜏 = 0.63 y 𝑡 𝑦𝑁 𝑡

𝑡 ′ = 3𝜏 → 𝑦𝑁 3𝜏 = 0.95 y∞
0.63
1 −𝑡 ′ 1
𝑦ሶ 𝑁 𝑡′ = 𝑒 𝜏 → 𝑦ሶ 𝑁 0 = → 𝑦𝑁 𝜏 = 0.63
𝜏 𝜏 0

0 T 𝝉 =? t
 Ce qui indique que l’intersection de la tangente à l’origine avec la valeur asymptotique de la réponse permet de connaitre
facilement la constante de temps.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 86

Chapitre 3 : Identification des modèles paramétriques continus

2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur : H 𝒔 = 𝑲𝒆−𝐓 𝒔 𝑯𝑵 𝒔
1 𝟏
b. Système du 2ème ordre : 𝑯𝑵 𝒔 = 2𝜉 𝑠² (𝝃 =? et 𝝎𝒏 = ? )
1+𝜔 +𝜔 ² 𝝉𝒏
𝑛 𝑛

𝟏 𝑦𝑁 𝑡
𝐊𝒆−𝐓 𝒔
𝟐𝝃 𝒔²
𝟏+𝝎 +
𝒏 𝝎𝒏 ²

𝑦𝑁 𝑡

10/09/2023 FST Mohammedia Pr. N. EL GMILI 87

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

𝟏 𝟏
b. Système du 2ème ordre : 𝑯𝑵 𝒔 = 𝟐𝝃𝒔 𝒔²
(𝝃 =? et 𝝎𝒏 = ?)
𝟏+ + 𝝉𝒏
𝝎𝒏 𝝎𝒏 ²

𝐻𝑁 (𝑠) 1 2
−𝑡𝜉𝜔𝑛
 ξ<1 : 𝑦𝑁 𝑡 = 𝑇𝐿𝐼 =1− 2
𝑒 sin 𝜔𝑛 1 − 𝜉 𝑡 + 𝜑 , avec ϕ=cos −1 𝜉
𝑠 1−𝜉

2 𝑦𝑁 𝑡𝑘 = 1 +(−1)𝑘+1 𝑒 −𝑡𝑘ξ𝜔𝑛
𝜔𝑛
𝑦ሶ 𝑁 𝑡 = 𝑒 −𝑡ξ𝜔𝑛 sin 𝜔𝑛 1 − 𝜉 𝑡  ൞ 𝑡 = 𝑘𝜋
=
𝑘𝜋
, 𝜔𝑝 =
2𝜋
1−𝜉 2 𝑘 2
𝜔𝑛 1−𝜉 𝜔𝑝 𝑇𝑝

ξ𝑘𝜋
−
1−𝜉2 𝟏 𝑘𝜋
𝐷𝑘 = 𝑦𝑁 𝑡𝑘 − 1 = (−1)𝑘+1 𝑒 ξ= , 𝜔𝑛 = 2 , 𝑇𝑝 = 𝑡𝑘+2 − 𝑡𝑘
𝟐 𝑡𝑘 1−𝜉
𝟏+ 𝝅𝒌
ൗ𝒍𝒏 𝑫
𝒌

10/09/2023 FST Mohammedia Pr. N. EL GMILI 88

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

𝟏 𝟏
b. Système du 2ème ordre : 𝑯𝑵 𝒔 = 𝟐𝝃 𝒔²
(𝝃 =? et 𝝎𝒏 = 𝝉 ? )
𝟏+ + 𝒏
𝝎𝒏 𝝎𝒏 ²

𝟏
 ξ=1 : 𝑯𝑵 𝒔 =
𝟏+𝝉𝒏 𝒔 𝟐

𝑡
𝐻𝑁 (𝑠) 𝑡 −
𝑦𝑁 𝑡 = 𝑇𝐿𝐼  𝑦𝑁 𝑡 = 1 − 1 + 𝑒 𝜏𝑛
𝑠 𝜏𝑛
𝑡
𝑡 −
 𝑦ሶ 𝑁 𝑡 = 𝜏 ² 𝑒 𝜏𝑛
𝑛
𝑡
−
𝑒 𝜏𝑛 𝑡
 𝑦ሷ 𝑁 𝑡 = 1−
𝜏𝑛 ² 𝜏𝑛

 Cela veut dire qu’il existe un point d’inflexion I (𝑡𝐼 , 𝑦𝑁,𝐼 ), avec 𝑡𝐼 = 𝜏𝑛  on cherche le point d’inflexion sur
la courbe 𝑦𝑁 𝑡 et on déduit 𝜏𝑛 .

 Nous verrons que ce cas constitue un cas particulier de la méthode de Strejc.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 89

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

b. Système du 2ème ordre :

1
 ξ>1 : 𝐻𝑁 𝑠 =  𝝉𝟏 =? et 𝝉𝟐 =?
1+𝜏1 𝑠 1+𝜏2 𝑠

𝑡 𝑡 𝜏1 𝜏2
𝑦𝑁 𝑡 = 1 − 𝑐1 𝑒 − + 𝑐2 𝑒 − , avec 𝑐1 = 𝜏 et 𝑐2 = 𝜏
𝜏1 𝜏2 1 −𝜏2 1 −𝜏2

 On utilisera la méthode de Caldwell pour identifier les

constantes de temps d'une réponse apériodique.
 Pour utiliser cette méthode, on repère le temps mis pour
atteindre 74% de la valeur finale. Ce temps, correspondant à 1.32
(τ1 + τ2), permet de déduire l'amplitude n (en % de la valeur
finale) correspondant à 0.5 (τ1 + τ2). En utilisant l'abaque de la
figure ci-contre, on en déduit x = τ2/ τ1. Connaissant τ1 + τ2 et
τ2/ τ1, on retrouve assez facilement τ1 et τ2.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 90

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

c. Système d’ordre n:
𝟏
i. Modèle de Strejc: 𝑯𝑵 𝒔 = 𝟏+𝝉𝒔 𝒏

𝑡
𝐻𝑁 (𝑠) − 𝑛−1 𝑡
𝑖 1 −𝑡 𝑡 𝑛−1
𝑦𝑁 𝑡 = 𝑇𝐿𝐼 =1−𝑒 𝜏 σ𝑖=0 𝑖  𝑦ሶ 𝑁 𝑡 = 𝑒 𝜏
𝑠 𝑖! 𝜏 𝜏𝑛 𝑛−1 !
1 − 𝑡 𝑡 𝑛−2 𝑡
 𝑦ሷ 𝑁 𝑡 = 𝑒 𝜏 𝑛−1 ! 𝑛−1−𝜏
𝜏𝑛

𝑦ሷ 𝑁 𝑡 = 0  𝑡𝐼 = 𝑛 − 1 𝜏 = 𝑚𝜏 (m=n-1), donc il existe un point d’inflexion I (𝑡𝐼 , 𝑦𝑁,𝐼 ).

∆𝑦 𝑒 −𝑚 𝑚𝑚 𝑒 −𝑚 𝑚𝑚 𝑇𝑎
 La pente en I est Pente = 𝑦ሶ 𝑁 𝑡𝐼 = , avec 𝑦ሶ 𝑁 𝑡𝐼 = → ∆𝑦 = 𝑇𝑎  =𝑓 𝑚
𝑇𝑎 𝜏 𝑚! 𝜏 𝑚! 𝜏
𝑚𝑖
𝑇𝑢 1−𝑒 −𝑚 σ𝑚
𝑖=0 𝑖!
 En exprimant l’équation de la tangente en 𝑇𝑢 , on trouve : =𝑚− 𝑚𝑚
= 𝑔(𝑚)
𝜏 𝑒 −𝑚
𝑚!
𝑇𝑢 𝑔(𝑚) 𝑚 𝑖
−𝑚 𝑚 −𝑚 σ𝑚
𝑚
= = ℎ(𝑚) ℎ 𝑚 = 𝑚𝑒 − 1−𝑒 𝑖=0 𝑖!
𝑇𝑎 𝑓(𝑚) 𝑚!

10/09/2023 FST Mohammedia Pr. N. EL GMILI 91

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

c. Système d’ordre n:
𝟏
i. Modèle de Strejc: 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔 𝒏

𝑇𝑚
 De la même manière, on peut montrer que =𝑙 𝑚 .
𝑇𝑎

 Connaissant n, on peut déduire m=n-1. Ce qui permet de

calculer f(m), g(m), h(m) et l(m). Ainsi, on dresse le tableau 1
(valeurs numériques) ou le nomogramme de la figure ci-
contre.
 Cependant, on peut toujours ajouter une correction au
niveau du retard :
 𝑇𝑟 = 𝑇𝑢 − 𝑇𝑢′ (𝑇𝑢′ : 𝑇𝑢 du modèle à adopter).
 𝑇𝑟 = 𝑇𝐼 − 𝑇𝐼′ = 𝜏 𝛿𝑛 (𝑇𝐼′ : 𝑇𝐼 du modèle à adopter).

10/09/2023 FST Mohammedia Pr. N. EL GMILI 92

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

c. Système d’ordre n:
𝟏
i. Modèle de Strejc: 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔 𝒏

𝑇𝑟 𝑇𝑟

𝑇𝑟

10/09/2023 FST Mohammedia Pr. N. EL GMILI 93

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

c. Système d’ordre n:
𝟏
i. Modèle de Strejc: 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔 𝒏

𝑇𝑟

10/09/2023 FST Mohammedia Pr. N. EL GMILI 94

Chapitre 1 : Généralités sur l’identification  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

c. Système d’ordre n:
𝟏
i. Modèle de Strejc: 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔 𝒏

 Exemple d’utilisation 1:
 On considère la réponse indicielle en BO suivante :

 Donner les paramètres du modèle de Strejc correspondant.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 95

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

c. Système d’ordre n:
𝟏
i. Modèle de Strejc: 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔 𝒏

 Exemple d’utilisation 1: (Correction)

10/09/2023 FST Mohammedia Pr. N. EL GMILI 96

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

c. Système d’ordre n:
𝟏
i. Modèle de Strejc: 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔 𝒏

 Exemple d’utilisation 2 :

 On prend pour ce rapport la valeur la plus faible,

soit 0.218, ce qui nous conduira à introduire une
valeur de τ différente de zéro. n est alors choisi
égale à 3.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 97

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

c. Système d’ordre n:
𝟏
i. Modèle de Strejc: 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔 𝒏

 Exemple d’utilisation 2 (suite):

10/09/2023 FST Mohammedia Pr. N. EL GMILI 98

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

c. Système d’ordre n:
𝟏
i. Modèle de Strejc: 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔 𝒏

 Exemple d’utilisation 2 (suite):

𝑇𝑟

10/09/2023 FST Mohammedia Pr. N. EL GMILI 99

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

c. Système d’ordre n:
𝒆−𝑻𝒓 𝒔
ii. Modèle de broida: 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔

 Cette méthode consiste à approximer une courbe normalisée ayant un point d’inflexion I par une
autre courbe d’un premier ordre retardé.

𝑡 −𝑇
− 1𝜏 𝑟
𝑦𝑁 𝑡1 = 0.28 = 1 − 𝑒
𝑡 −𝑇
− 2𝜏 𝑟
𝑦𝑁 𝑡2 = 0.4 = 1 − 𝑒

𝜏 = 5.5 𝑡2 − 𝑡1
D’ou : ቊ
𝑇𝑟 ≈ 2.8 𝑡1 − 1.8 𝑡2

 Le modèle de Broïda donne un modèle correct si T > 4t

10/09/2023 FST Mohammedia Pr. N. EL GMILI 100

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

c. Système d’ordre n:
𝒆−𝑻𝒓 𝒔
ii. Modèle de broida: 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔

 Exemple d’utilisation :

 On considère le système de F.T :

1. Tracer la réponse du système sous Matlab.

2. Trouver le modèle correspondant selon Broida.

3. Tracer sur le même graphe, la courbe de la réponse réelle du système et celle du modèle de Broida.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 101

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.1. Cas sans intégrateur :

c. Système d’ordre n:
𝒆−𝑻𝒓 𝒔
ii. Modèle de broida: 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔

 Exemple d’utilisation : (correction)

10/09/2023 FST Mohammedia Pr. N. EL GMILI 102

Chapitre 3 : Identification des modèles paramétriques continus

2. Identification en BO : analyse indicielle

𝑲 −𝑻 𝒔
2.2. Cas avec intégrateur : H 𝒔 = 𝒆 𝑯𝑵 𝒔
𝑺
a. Intégrateur pur : 𝑯𝑵 𝒔 = 𝟏

𝑃𝑒𝑛𝑡𝑒
Pente = K ∆𝑢 K = ∆𝑢
𝟏
𝐊𝒆−𝐓 𝒔
𝒔

0 T=?

10/09/2023 FST Mohammedia Pr. N. EL GMILI 103

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

𝑲 −𝑻 𝒔
2.2. Cas avec intégrateur : H 𝒔 = 𝒆 𝑯𝑵 𝒔
𝑺
𝟏
b. Modèle de Strejc: 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔 𝒏
𝒏−𝟏 𝒊
𝟏 𝑡
−𝜏 𝒏−𝒊 𝒕
𝑦𝑁 𝑡 = 𝑇𝐿𝐼 2 𝒏
= t − nτ + τ. 𝑒 ෍
𝑠 𝟏 + 𝝉𝒔 𝒊! τ
𝒊=𝟎

𝑡
− 𝝉 𝒕 𝝉 𝒕 𝒏−𝟏
𝑦𝑁 𝑡 = t − nτ + 𝑒 𝜏 nτ + 𝟏! 𝒏−𝟏 + ⋯+
τ 𝒏−𝟏 ! τ

 L’asymptote coupe l’axe des temps en 𝒕𝟎 = 𝒏𝝉

𝒏−𝟏 𝝉
𝑦𝑁 𝑡0 = 𝑛𝜏 = 𝑒 −𝑛 nτ + nτ + ⋯ + 𝑛 𝒏−𝟏
= 𝒚𝟏
𝟏! 𝒏−𝟏 !

𝒏−𝟏 1
𝑦𝑁 𝑡0 = 𝑛𝜏 = nτ 𝑒 −𝑛 𝟏 + + ⋯+ 𝑛 𝒏−𝟐
𝟏! 𝒏−𝟏 !
0
𝒏−𝟏 1
= 𝑡0 𝑒 −𝑛 𝟏 + + ⋯+ 𝑛 𝒏−𝟐 =𝒚𝟐 𝒇(𝒏)
𝒚 𝟏! 𝒏−𝟏 !
0 T=?  𝒇 𝒏 = 𝒚𝟏 et 𝒚𝟐 = 𝑡0
𝟐

10/09/2023 FST Mohammedia Pr. N. EL GMILI 104

Chapitre 3 : Identification des modèles paramétriques continus  2. Identification en BO : analyse indicielle

2.2. Cas avec intégrateur :

𝟏
b. Modèle de Strejc: 𝑯𝑵 𝒔 = 𝟏+𝝉𝒔 𝒏
𝑡0
• A partir des valeurs de 𝑦1 , 𝑦2 𝑒𝑡 𝑡0 𝑓𝑖𝑔𝑢𝑟𝑒 → 𝑁𝑜𝑚𝑜𝑔𝑟𝑎𝑚𝑚𝑒 → 𝑛(réel) → 𝜏 = 𝑛
• Pour ajuster 𝑦𝑐𝑎𝑙𝑐𝑢𝑙é𝑒 (𝑡) avec 𝑦(𝑡)  Ajout d’un retard 𝑇𝑟 ;
𝑛 = 𝑛′ + 𝛿𝑛 𝑡0 = 𝑡0′ + 𝜏 𝛿𝑛
൝ 𝑡 ൝  𝑇𝑟 = 𝑡0 − 𝑡0 ’;
𝜏 = 𝑛0 𝑡0′ = 𝑛′ 𝜏

• 𝐟 𝐧′ est le rapport lu sur le tableau pour n’ entier.

𝑦
• Nomogramme : 𝑓 𝑛 = 𝑦1  n (réel)
2

𝑦1′
• Tableau : n’ (entier)  𝑓 𝑛′ = 𝑦2′
(modèle) ;

• On garde 𝑦1 = 𝑦1′  𝑓 𝑛 𝑦2 = 𝑓 𝑛′ 𝑦2′  𝑡0 𝑓 𝑛 = 𝑡0′ 𝑓 𝑛′

 𝑡0 𝑓 𝑛 = (𝑡0 − 𝑇𝑟 )𝑓 𝑛′
𝑦1
𝑦2 0
 𝑇𝑟 = 𝑡0 (1 − )
𝑓 𝑛′
0 T=?
10/09/2023 FST Mohammedia Pr. N. EL GMILI 105
Chapitre 3 : Identification des modèles paramétriques continus

3. Identification en BF :

La F.T en boucle fermée est :

𝐾𝑟 𝐻(𝑠)
𝐹 𝑠 =
1 + 𝐾𝑟 𝐻(𝑠)

 On augmente petit à petit le gain du régulateur jusqu’à

mettre le procédé en oscillations juste entretenues
(phénomène de pompage) et on enregistre le signal de sortie
y(t). Lorsque le procédé asservi fonctionne en régime
harmonique, le gain 𝐾𝑟 est appelé gain critique du régulateur
𝐾𝑟 =𝐾𝑐 , et la période d’oscillations est To.
0

10/09/2023 FST Mohammedia Pr. N. EL GMILI 106

Chapitre 3 : Identification des modèles paramétriques continus

3. Identification en BF :
Calcul de K : 2 procédures

1- Procédure 1 :
∆𝑦 𝐾𝐾𝑐
On calcul =
∆𝑢 1+𝐾𝐾𝑐
∆𝑦
∆𝑦
 𝐾= 𝐾𝑐 ∆𝑢−∆𝑦
0
2- Procédure 2 :
y 𝑡
On choisit 𝐾𝑟 ≪ 𝐾𝑐
y∞
∆𝑦 ∆𝑦
 On obtient : 𝐾 =
𝐾𝑟 ∆𝑢−∆𝑦
0
t

10/09/2023 FST Mohammedia Pr. N. EL GMILI 107

Chapitre 3 : Identification des modèles paramétriques continus

3. Identification en BF :
𝐾𝑟 𝐻(𝑠)
 La F.T en boucle fermée est : 𝐹 𝑠 =
1+𝐾𝑟 𝐻(𝑠)

 Oscillation de pulsation 𝜔0 pour 𝐾𝑟 = 𝐾𝑐 ∶ 1 + 𝐾𝑐 𝐻 𝑗𝜔0 = 0 → 𝐾𝑐 𝐻 𝑗𝜔0 = −1

𝐾𝑐 𝐻 𝑗𝜔0 = 1 Condition d’amplitude

ቊ
𝑎𝑟𝑔 𝐾𝑐 𝐻 𝑗𝜔0 = −𝜋 Condition de phase

𝑲
Sans intégrateur : H 𝒔 = 𝑲 𝒆 −𝑻 𝒔
𝑯𝑵 𝒔 Avec intégrateur : H 𝒔 = 𝒆−𝑻 𝒔 𝑯𝑵 𝒔
𝒔

𝐾0
𝐾 𝐾𝐻 𝑗𝜔0 = 1=𝐾0 𝐻𝑁 𝑗𝜔0 , 𝐾0 = 𝐾𝑐 𝐾 > 0 𝐻 𝑗𝜔0 = 1
ቊ 𝑐 𝑁 𝜔0 𝑁
−𝑇𝜔0 + arg 𝐻𝑁 𝑗𝜔0 = −𝝅 𝜋
−𝑇𝜔0 − + arg 𝐻𝑁 𝑗𝜔0 = −𝜋
2
 A partir de ces équations, on trouve les paramètres du modèle imposé.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 108

Chapitre 3 : Identification des modèles paramétriques continus

3. Identification en BF :
3.1. Cas sans intégrateur : H 𝒔 = 𝑲 𝒆−𝑻 𝒔 𝑯𝑵 𝒔
𝟏
a. Modèle de Strejc : 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔 𝒏

𝐾 𝐾𝐻 𝑗𝜔0 = 1=𝐾0 𝐻𝑁 𝑗𝜔0 , 𝐾0 = 𝐾𝑐 𝐾 > 0 𝐾0 = 1 + 𝜏 2 𝜔0 ² 𝑛/2 (∗)

ቊ 𝑐 𝑁 ൝
𝑇𝜔0 − arg 𝐻𝑁 𝑗𝜔0 = 𝝅 𝑇𝜔0 + 𝑛 arctg 𝜏𝜔0 = 𝝅 (∗∗)

1 𝜋 𝜋 −𝑛
 On suppose T=0  L’équation (**) donne : 𝜏= tan  𝐾0 = cos
𝜔0 𝑛 𝑛

𝑇 𝑇 𝜋
 Sachant 𝐾0 = 𝐾𝑐 𝐾  Tableau 4  n  𝜏 = 2𝜋0 𝐾0 2/𝑛 − 1 𝑜𝑢 𝜏 = 2𝜋0 tan 𝑛

 Après tout calcul fait 𝑛, 𝜏, 𝐾0 (𝑟é𝑒𝑙) , l’équation (**) doit être vérifiée :

𝑇0 𝑛
 T= 2
1 − 𝜋 𝑎𝑟𝑡𝑔 𝐾0 2/𝑛 − 1 Si on trouve T<0, on prendra T=0.

10/09/2023 FST Mohammedia Pr. N. EL GMILI 109

Chapitre 3 : Identification des modèles paramétriques continus

3. Identification en BF :
3.1. Cas sans intégrateur : H 𝒔 = 𝑲 𝒆−𝑻 𝒔 𝑯𝑵 𝒔
𝒆−𝑻𝒓 𝒔
b. Modèle de Broida : 𝑯𝑵 𝒔 =
𝟏+𝝉𝒔

𝐾𝑐 𝐾𝐻𝑁 𝑗𝜔0 = 1=𝐾0 𝐻𝑁 𝑗𝜔0 , 𝐾0 = 𝐾𝑐 𝐾 > 0

ቊ 𝐾0 = 1 + 𝜏 2 𝜔0 ²
𝑇𝜔0 − arg 𝐻𝑁 𝑗𝜔0 = 𝝅 ൞
𝑇 + 𝑇𝑟 𝜔0 + arctg 𝜏𝜔0 = 𝝅

𝑇𝑔
𝑇0
𝜏= 𝐾0 2 − 1
2𝜋
𝑇0 1
𝑇𝑔 = 1 − 𝑎𝑟𝑡𝑔 𝐾0 2 − 1
2 𝜋

10/09/2023 FST Mohammedia Pr. N. EL GMILI 110

Chapitre 3 : Identification des modèles paramétriques continus

3. Identification en BF :
𝑲
3.2. Cas avec intégrateur : H 𝒔 = 𝒆−𝑻 𝒔 𝑯𝑵 𝒔
𝒔
𝟏
a. Modèle de Strejc : 𝑯𝑵 𝒔 = 𝟏+𝝉𝒔 𝒏

1 𝜋 𝐾0 𝜋 −𝑛
T=0  𝜏= tan  = cos
𝜔0 2𝑛 𝜔0 2𝑛
𝐾0
 Sachant  Tableau 5  n
𝜔0

𝑇0 𝐾0 2/𝑛 𝑇0 𝜋
 D’où : 𝜏 = −1 ou 𝜏= tan
2𝜋 𝜔0 2𝜋 2𝑛
𝑇0 1 𝑛 𝐾0 2/𝑛
 Tout doit vérifier après calcul 𝑇 = − 𝑎𝑟𝑡𝑔 −1
2 2 𝜋 𝜔0

 Calcul de K : (en BO) car F(0) =1 ou voir une procédure?

𝒆−𝑻𝒓 𝒔
b. Modèle de broida : 𝑯𝑵 𝒔 = 𝟏+𝝉𝒔
(Exercice à faire)

10/09/2023 FST Mohammedia Pr. N. EL GMILI 111

Chapitre 3 : Identification des modèles paramétriques continus

Fin du chapitre 3

10/09/2023 FST Mohammedia Pr. N. EL GMILI 112

Chapitre 4 : Identification de modèles
paramétriques discrets
3ème année Filière d’Ingénieur GET
Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Introduction
 Certaines méthodes classiques permettent l’identification des processus en se basant sur la
réponse indicielle, telles que les méthodes classiques de Strejc et Broida qui nécessitent des
systèmes apériodiques ou en intégrateur.

 Le développement des calculateurs numériques rend l’utilisation des modèles discrets de plus en
plus courante, non seulement au niveau de la prise de mesures, mais surtout pour la mise en
œuvre de la commande qui sera calculée à partir du modèle. Il est donc justifié de chercher des
directement le modèle discret.

 Nous allons étudié ici quelques méthodes posant le problème de l'identification en termes
statistiques d'estimation de paramètres des modèles discrets; Ces méthodes sont basées sur
l’erreur de prédiction, appelées aussi Méthodes des Moindres Carrées (MMC).

 L’avantage des MMC est d’être relativement simples à mettre en œuvre et de pouvoir être
implantées en temps réel sur calculateur.

10/09/2023 FST Mohammedia 114

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MMC : Principe
 Il s’agit d’identifier un système dynamique récurrent; sa sortie mesurée y(k) est une fonction inconnue
des y(k-1), y(k-2), … précédents et des u(k-1), u(k-2), … précédents.

e 𝒌

Erreur de sortie : e 𝒌 = 𝒚 𝒌 − 𝒚𝑴 𝒌
 Le modèle est en faite une équation récurrente (ou une fonction de transfert) choisie a priori
(structure) pour rendre compte de la relation entre l’excitation et la réponse. Si l’on suppose que le
modèle cherché est de la forme suivante, où 𝑦𝑀 (𝑘) est la sortie du modèle et 𝑦(𝑘) est la sortie du
système échantillonné à l’instant k.
𝑦𝑀 𝑘 + 𝑎1 𝑦𝑀 𝑘 − 1 + 𝑎2 𝑦𝑀 𝑘 − 2 … + 𝑎𝑛 𝑦𝑀 𝑘 − 𝑛 = 𝑏0 𝑢 𝑘 + 𝑏1 𝑢 𝑘 − 1 … + 𝑏𝑚 𝑢 𝑘 − 𝑚
 Lorsque la structure du modèle est choisie, l’estimation des paramètres du modèle (la détermination
des coefficients de cette équation) se fait au sens d’un critère qui fournit une mesure de l’adéquation
entre le modèle et le processus réel.
10/09/2023 FST Mohammedia 115
Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MMC : Principe
 Afin de réaliser une identification des paramètres, les méthodes des MC construissent un vecteur estimé
𝑦ො = 𝑦ො1 … 𝑦ො𝑁 𝑇 via le modèle et ses paramètres en utilisant un vecteur de mesures y = 𝑦1 … 𝑦𝑁 𝑇 .

 Le modèle prédictif 𝑦ො 𝑘 correspondant est :

𝑦ො 𝑘 = − 𝑎1 𝑦 𝑘 − 1 + 𝑎2 𝑦 𝑘 − 2 … + 𝑎𝑛 𝑦 𝑘 − 𝑛 + 𝑏0 𝑢 𝑘 + 𝑏1 𝑢 𝑘 − 1 … + 𝑏𝑚 𝑢 𝑘 − 𝑚

𝜺 𝒌

𝜺 𝒌

 Dans ce cas, l’erreur correspondante a pour expression :

𝜀 𝑘 = 𝑦 𝑘 − 𝑦ො 𝑘
10/09/2023 FST Mohammedia 116
Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MMC : Principe
 Le processus que l'on souhaite identifier est supposé muni de ses convertisseurs et de son
bloqueur d'ordre zéro, en vue d'une commande ultérieure par calculateur; il est échantillonné à la
période 𝑇𝑒 , choisie d'avance. On rappelle que la fonction de transfert est fonction de 𝑇𝑒 (et change
avec 𝑇𝑒 ).
 Ce processus est considéré comme une "boîte noire" placée entre les signaux d'excitation x(k) et
de réponse y(k). Ce processus subit l'influence de son environnement immédiat.

10/09/2023 FST Mohammedia 117

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Exemples introductifs : Régression linéaire

 Bien souvent, on dispose d’une série de mesures y en fonction d’une entrée u, et l’on souhaite
trouver la régression linéaire, c’est à dire l’équation de la droite 𝑦ො = 𝑓 𝑢 minimisant l’erreur au
sens des moindres carrés.

%Génération de la sortie y(t)

N = 30; %Nombre d’échantillons
a0=3;
u=1:N;
br = 10*randn(1,N);
y = a0*u+br;

10/09/2023 FST Mohammedia 118

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Exemples introductifs : Régression linéaire

 Pour simplifier, nous chercherons l’équation de la droite sous la forme 𝑦ො = 𝑎 𝑢, a étant le
paramètre inconnu. Ce modèle permet alors de calculer le vecteur 𝑦ො :

 Le critère à minimiser est alors, au sens des moindres carrés :

 On peut réécrire ce critère sous forme matricielle :

10/09/2023 FST Mohammedia 119

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Exemples introductifs : Régression linéaire

 Chercher le paramètre a qui minimise le critère revient à dériver le critère par rapport à a,
et à chercher quand il s’annule. Donc, la minimisation du critère se fait pour :
𝑑𝐽 𝑎
= −2𝐻𝑇 𝑦 − 𝐻𝑎 = 0
𝑑𝑎
 La valeur du paramètre 𝑎ො qui annule la dérivée du critère est donnée par :

𝑎ො = 𝐻 𝑇 𝐻 −1 𝐻𝑇 𝑦

On se propose de vérifier ceci par une simulation. On a un jeu de mesures donné et on

désire trouver la régression linéaire correspondante.

10/09/2023 FST Mohammedia 120

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Exemples introductifs : Régression linéaire

10/09/2023 FST Mohammedia 121

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Exemples introductifs : Régression linéaire

Code sous Matlab
%%Exemple 1 y=a*u %generer les donnees y=a0*u+br, br est un
bruit et a0=3;

N = 30; %Nbr d’échantillons

a0=3;
u=1:N; %u=1:N;
br = 10*randn(1,N);
y = a0*u+br;

H=u';
Y=y';

a = inv(H'*H)*H'*Y;
plot(u,y,'+',u,a*u)

10/09/2023 FST Mohammedia 122

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Exemples introductifs : Système du première ordre bruité

 Prenons le cas d’un système du première ordre, type réponse d’un circuit RC à un échelon
de tension .

%Génération de la sortie
y(t)bruitée

Te = 1e-2;
t = 0:Te:0.7;
tau =0.1;
N =length(t);
br =randn(1,N);
y = 1-exp(-t/tau)+0.05*br;

10/09/2023 FST Mohammedia 123

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Exemples introductifs : Système du première ordre bruité

 Puisqu’il s’agit d’un système du premier ordre. Donc, la sortie estimée est donnée par:

 Pour s’en convaincre, il convient de considérer le modèle classique d’un système du

𝐾
premier ordre dans le domaine de Laplace 𝐻 𝑝 = , et de le discrétiser à Te à
1+𝜏𝑝
l’aide la formule suivante :

 On obtient alors l’équation (*), avec

10/09/2023 FST Mohammedia 124

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Exemples introductifs : Système du première ordre bruité

 Le modèle permet de calculer

le vecteur 𝑦ො :

 Avec :
H = [-y(1:N-1)' ones(1,N-1)'];

y = y(2:N-1)';

10/09/2023 FST Mohammedia 125

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Exemples introductifs : Système du première ordre bruité

 Il convient de calculer l’erreur quadratique engendrée par le modèle, qui sera le critère à
minimiser, classiquement noté J :

 Chercher les paramètres a et b qui minimisent ce critère revient à chercher 𝜃 optimal.

Ceci s’obtient par :
𝑑𝐽𝜃
= −2𝐻𝑇 𝑦 − 𝐻𝜃 = 0
𝑑𝜃

 La valeur du paramètre qui annule la dérivée du critère est donnée par :

𝜃෡ = 𝐻 𝑇 𝐻 −1 𝐻 𝑇 𝑦
theta =inv(H'*H)*H'*y(2:N)';

10/09/2023 FST Mohammedia 126

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Exemples introductifs : Système du première ordre bruité

10/09/2023 FST Mohammedia 127

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Exemples introductifs : Système du première ordre bruité

Code sous Matlab
%%Exemple 2 tau=100ms,chargeRC
Te = 1e-2;
t = 0:Te:0.7;
tau =0.1;
N =length(t);
br =randn(1,N);
y = 1-exp(-t/tau)+0.05*br;

Y=y(2:N)';
H = [-y(1:N-1)' ones(1,N-1)'];

theta =inv(H'*H)*H'*Y;
aopt = theta(1);
bopt = theta(2);
tauopt = -Te/log(-aopt);
Kopt = bopt/(1+aopt);
yopt= Kopt*(1-exp(-t/tauopt)));
plot(t,y,'+',t,yopt)

10/09/2023 FST Mohammedia 128

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MMC simple
 La fonction de transfert d’un modèle discret d'ordre n est donnée par la structure ARMA :

𝐵 𝑧 −1 σ𝑚
𝑗=0 𝑏𝑗 𝑧
−𝑗
𝑊 𝑧 −1 = = 𝑛
𝐴 𝑧 −1 σ𝑖=0 𝑎𝑖 𝑧 −𝑖
 La forme discrète de ce modèle est donnée par l’équation ci-dessous, pour k allant de n+1 à N (N
étant le nombre d’observations).

𝑦ො 𝑘 = − 𝑎1 𝑦 𝑘 − 1 + 𝑎2 𝑦 𝑘 − 2 … + 𝑎𝑛 𝑦 𝑘 − 𝑛 + 𝑏0 𝑢 𝑘 + 𝑏1 𝑢 𝑘 − 1 … + 𝑏𝑚 𝑢 𝑘 − 𝑚

Les degrés du dénominateur et du numérateur sont respectivement égaux à n et m, avec

avec m ≤ n et 𝑎0 = 1. n est appelé l’ordre du système (ou du modèle d’identification).
Cette équation est linéaire par rapport aux paramètres aj et bj.
𝜃 =[ a1 ,…, an , bo , b1 ,…, bm ] est le vecteur des paramètres à estimer.

10/09/2023 FST Mohammedia 129

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MMC simple
 Si tout était parfait, il existerait un vecteur 𝜃෠ estimé tel que pour tout i, la sortie prédite par
l'algorithme et la sortie mesurée seraient identiques.
 Or, en pratique, les erreurs de mesure et les bruits perturbateurs d'une part, et le fait que la dynamique
réelle du système ne soit pas complètement représentée par la structure du modèle d'autre part font
que, quels que soient les paramètres estimés â0, â1, ... , ân-1 composantes de 𝜃෠ ; il subsiste un écart
𝜀(i) entre la sortie réelle mesurée y(i) et la sortie 𝑦(i)
ො estimée par l'algorithme de calcul, à l'instant i.
Avec :
𝑦 𝑘 = 𝐻 𝑘 𝜃 + 𝜀 𝑘 = 𝑀𝑜𝑑è𝑙𝑒 + 𝐸𝑟𝑟𝑒𝑢𝑟 𝑑𝑒 𝑚𝑜𝑑é𝑙𝑖𝑠𝑎𝑡𝑖𝑜𝑛
… −𝑦 𝑘 − 𝑛 𝑢 𝑘 … 𝑢 𝑘−𝑚 𝑇
𝐻 𝑘 = −𝑦 𝑘 − 1

 En effet, cette méthode considère l’erreur d’équation 𝜀(𝑘) comme un bruit de mesure entre la sortie
réelle 𝑦 𝑘 et la sotie prédite 𝑦ො 𝑘 .
𝑦 𝑘 = 𝑦ො 𝑘 + 𝑣 𝑘

10/09/2023 FST Mohammedia 130

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MMC simple
 L’équation précédente peut s'écrire sous la forme matricielle généralisée suivante :
𝑦(𝑁) −𝑦 𝑁 − 1 … −𝑦 𝑁 − 𝑛 𝑢 𝑁 … 𝑢 𝑁−𝑚 𝑎1 𝜀(𝑁)
𝑦(𝑁 − 1) −𝑦(𝑁 − 2) … −𝑦(𝑁 − 1 − 𝑛) 𝑢(𝑁 − 1) … 𝑢(𝑁 − 1 − 𝑚) 𝑎2 𝜀(𝑁 − 1)
⋮ ⋮ … … … … … ⋮ ⋮
𝑦(𝑛 + 1) = −𝑦 𝑛 … −𝑦 1 𝑢(𝑛 + 1) … 𝑢(𝑛 + 1 − 𝑚) 𝑎𝑛 + 𝜀(𝑛 + 1)
𝑦(𝑛) −𝑦 𝑛 − 1 … −𝑦 0 𝑢 𝑛 … 𝑢 𝑛−𝑚 𝑏0 𝜀(𝑛)
⋮ ⋮ … … … … … ⋮ ⋮
𝑦(1) −𝑦 0 … −𝑦 1 − 𝑛 𝑢 1 … 𝑢 1−𝑚 𝑏𝑚 𝜀(1)

 Sortie du système :
𝜃 : Estimateur réel
𝑦=𝐻𝜃+ε 𝐻𝜃 : Vraies valeurs de la sortie y

 La matrice H est constituée à partir des valeurs prises par x et y aux différents instants
d'échantillonnage (les mesures) ;
 𝜃 est le vecteur colonne des paramètres inconnus (ou à estimer) ;
 Les bruits sont regroupés dans le vecteur ε.

10/09/2023 FST Mohammedia 131

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MMC simple
σ𝑚
𝑗=0 𝑏𝑗 𝑧
𝑗
 Nous pouvons considérer la structure en z du modèle ARMA : W 𝑧 = σ𝑛 𝑖
𝑖=0 𝑎𝑖 𝑧

 La forme discrète de ce modèle est donnée par l’équation ci-dessous, pour k allant de 1 à N-n.

𝑦ො 𝑘 + 𝑛 = − 𝑎0 𝑦 𝑘 + 𝑎1 𝑦 𝑘 + 1 … + 𝑎𝑛−1 𝑦 𝑘 + 𝑛 − 1 + 𝑏0 𝑢 𝑘 + 𝑏1 𝑢 𝑘 + 1 … + 𝑏𝑚 𝑢 𝑘 + 𝑚
Avec m ≤ n et 𝑎𝑛 = 1.
 Dans ce cas, la forme matricielle généralisée suivante :

10/09/2023 FST Mohammedia 132

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MMC simple : Estimateur optimal

 La méthode des moindres carrés d'estimation des 𝑎ො𝑖 , 𝑏෠𝑗 (les "meilleurs"), est basée sur l'idée de
minimiser l'écart 𝜀 par le critère quadratique :

𝐽 𝜃 =
 Donc,
1 2 2 2
1 𝑇
𝐽 𝜃 = 𝑦 − 𝑦ො1 + 𝑦2 − 𝑦ො2 + ⋯ + 𝑦𝑁 − 𝑦ො𝑁 = 𝑦 − 𝐹𝜃 𝑦 − 𝐹𝜃
2 1 2
 Chercher les paramètres a et b qui minimisent ce critère revient à chercher quand il s’annule. La
valeur des paramètres qui annulent le critère est donnée par :

𝜃መ = (𝐻 𝑇 𝐻) −1 𝐻𝑇 𝑌 𝜃መ : Estimateur optimal

 C’est là un résultat général à retenir dans le cadre de l’estimation au sens des moindres carrés.
Notons que cette méthode fournit une solution analytique pour calculer les paramètres.

10/09/2023 FST Mohammedia 133

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MMC simple : Biais de l’estimateur b

𝑏 = 𝐸 𝜃መ − 𝜃 = 𝐸 𝜃መ − 𝜃

 b=0 : Estimateur non biaisé (pas d’erreur d’estimation) imposerait d’obtenir une densité de
probabilité centrée sur la valeur cherchée.
𝐿𝑖𝑚𝑁→∞ 𝜃መ 𝑁 = 𝜃
 b≠ 0 : Estimateur biaisé
• 𝜀(k) est une séquence corrélée avec f(k) ou 𝐸 𝜃෠ ≠ 𝜃
• E est de valeur moyenne non nulle.

 Deux types d’erreurs :

ε = 𝑦 − 𝑦ො
𝜃𝑅 = 𝜃෠ − 𝜃

10/09/2023 FST Mohammedia 134

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MMC simple : Exemple d’un modèle d’ordre 3

 La forme discrète du modèle devient :

 Pour k allant de 1 à N-n. N étant le nombre d’observations, que l’on admet égal à 127 (N=127).

10/09/2023 FST Mohammedia 135

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MMC simple: Exemple d’un modèle d’ordre 3

 L’équation matricielle généralisée développée précédemment s'écrit pour l'ordre 3, en remplaçant n par 3 et
m par 2.

10/09/2023 FST Mohammedia 136

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MMC simple :
Résumé

10/09/2023 FST Mohammedia 137

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

 Exercice d’application 1 :
On dispose, pour identifier un système, d'une dizaine de mesures d'entrées / sorties, résumées dans le tableau
suivant.

Le comportement du système permet de dire que sa fonction de transfert est du type:

On sait par ailleurs que : xk = 0, ⩝ k < 0 et yk = 0, ⩝ k < 0.

1. Calculer l'équation aux différences de ce système.
2. Estimer de manière optimale les paramètres de ce système, au sens des moindres carrés
3. Avec Matlab, afficher sur la même figure la courbe originale et celle identifiée d’une façon optimale (au sens
des moindres carrés).

10/09/2023 FST Mohammedia 138

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

 Exercice d’application 2:
Au cours d’une expérience sur un système, on a relevé les mesures suivantes des couples d’entrée
u(k) et de sortie y(k), regroupées dans le tableau suivant :

Déterminer les paramètres d’un modèle du 1er ordre de type: y(k) = - a y(k-1) + b u(k-1) permettant
d’identifier ce système: (a, b et J).

10/09/2023 FST Mohammedia 139

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Limites de la MMC simple

10/09/2023 FST Mohammedia 140

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Limites de la MMC simple

10/09/2023 FST Mohammedia 141

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Limites de la MMC simple

10/09/2023 FST Mohammedia 142

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Limites de la MMC simple

10/09/2023 FST Mohammedia 143

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Limites de la MMC simple

10/09/2023 FST Mohammedia 144

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Estimation des paramètres de modèles affectés d’un bruit

corrélé : Méthodes à estimations non biaisées

 Certains de ces méthodes interviennent directement sur l’estimation fournie par la MMC
simple, c’est le principe des méthodes utilisant des Variables Instrumentales (VI).

 D’autres méthodes interviennent sur un modèle à identifier différent, c’est le cas Moindres
Carrées Etendus (MCE), les méthodes de Maximum de Vraisemblance (MV) et les Moindres
Carrées Généralisés (MCG) que nous étudierons ici.

 Nous exploitons en ce qui suit la méthode des MCG afin d’obtenir une estimation optimale
non biaisée dans le cas d’une observation avec un bruit corrélé.

10/09/2023 FST Mohammedia 145

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MCG : Notion de résidu

𝐵 𝑧 −1 σ𝑚
𝑗=0 𝑏𝑗 𝑧
−𝑗
 Avec un modèle ARMA non bruité 𝑊 𝑧 −1 = = σ𝑛
, on obtient :
𝐴 𝑧 −1 𝑖=0 𝑎𝑖 𝑧
−𝑖

𝑛 𝑚
𝑦ො 𝑘 = − ෍ 𝑎𝑖 𝑦ො 𝑘 − 𝑖 + ෍ 𝑏𝑗 𝑢 𝑘 − 𝑗
𝑖=1 𝑗=0

 Si le système est affecté d’un bruit blanc non corrélé 𝑣(𝑘) à la sortie :

𝑛 𝑚
𝑦ො 𝑘 = 𝑦 𝑘 − 𝑣 𝑘 = − ෍ 𝑎𝑖 ( 𝑦 𝑘 − 𝑖 − 𝑣 𝑘 − 𝑖 ) + ෍ 𝑏𝑗 𝑢 𝑘 − 𝑗
𝑖=1 𝑗=0

10/09/2023 FST Mohammedia 146

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MCG : Résidu corrélé

Résidu = Bruit corrélé
𝑛 𝑚
𝑦 𝑘 − 𝑣 𝑘 = −෍ 𝑎𝑖 ( 𝑦 𝑘 − 𝑖 − 𝑣 𝑘 − 𝑖 ) + ෍ 𝑏𝑗 𝑢 𝑘 − 𝑗
𝑖=1 𝑗=0

𝑛 𝑚
𝑦 𝑘 = −෍ 𝑎𝑖 𝑦 𝑘 − 𝑖 + ෍ 𝑏𝑗 𝑢 𝑘 − 𝑗 + 𝑟 𝑘
𝑖=1 𝑗=0
Avec : r 𝑘 = 𝑣 𝑘 + σ𝑛𝑖=1 𝑎𝑖 𝑣 𝑘 − 𝑖
 La structure ARMA modifie le bruit blanc non corrélé de mesure 𝒗 𝒌 en un résidu 𝐫 𝒌 corrélé.

 On peut démontrer ceci même dans le cas où le bruit agit à l’entrée :

𝑛 𝑚
𝑦ො 𝑘 = − ෍ 𝑎𝑖 𝑦ො 𝑘 − 𝑖 + ෍ 𝑏𝑗 𝑢𝑏 𝑘 − 𝑗 + 𝑟 𝑘
𝑖=1 𝑗=0

Avec : r 𝑘 = σ𝑛𝑖=1 𝑏𝑗 𝑒 𝑘 − 𝑗

10/09/2023 FST Mohammedia 147

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MCG : Résidu corrélé

 La structure ARMA induit un bruit corrélé 𝑟 𝑘 : l’estimation est biaisée pour un modèle
ARMA bruité Comment peut-on obtenir un bruit blanc ?
𝑛 𝑚
𝑦 𝑘 = −෍ 𝑎𝑖 𝑦 𝑘 − 𝑖 + ෍ 𝑏𝑗 𝑢 𝑘 − 𝑗 + 𝑟 𝑘
𝑖=1 𝑗=0
 Sous la forme fréquentielle :
𝐴 𝑧 −1 𝑦 𝑘 = 𝐵 𝑧 −1 𝑢 𝑘 + 𝑟(𝑘)
 Le changement de modèle intervient sur la modélisation du résidu en tant que résultat de
filtrage d’un bruit blanc 𝑣(𝑘).
𝒗(𝒌) 𝒓(𝒌)
F(𝒛−𝟏 )

Génération des résidus

 Suivant la forme de F(𝑧 −1 ), on peut distinguer plusieurs structures correspondant à différentes

classes de méthodes d’identification, que nous citerons en ce qui suit.

10/09/2023 FST Mohammedia 148

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MCG : Obtention d’un bruit blanc par filtrage des mesures

 Nous considérons, pour les MCG, la structure DARX (Doublement Auto-Régressive à entrée eXogène) :
1 1
𝐹 𝑧 −1 =  𝑟 𝑘 = 𝑣(𝑘)
𝐶 𝑧 −1 𝐶 𝑧 −1

 En remplaçant r k par son expression, nous obtenons :

𝐶 𝑧 −1 𝑦 𝑘 𝐴(𝑧 −1 ) = B 𝑧 −1 𝐶 𝑧 −1 𝑢 𝑘 + 𝑣(𝑘)

 On peut donc noter ce nouveau modèle :

𝑦𝑟 𝑘 𝐴(𝑧 −1 ) = B 𝑧 −1 𝑢𝑟 𝑘 + 𝑣(𝑘)

 On transforme par filtrage successif les données expérimentales pour obtenir un écart (modèle –
système) qui devient un bruit blanc 𝒗(𝒌).

 Les E/S du système deviennent :

𝑦𝑟 𝑘 = 𝐶 𝑧 −1 𝑦 𝑘
𝑢𝑟 𝑘 = 𝐶 𝑧 −1 𝑢 𝑘

10/09/2023 FST Mohammedia 149

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MCG : Nouveau modèle en schéma bloc

𝐶 𝑧 −1 𝑦 𝑘 𝐴(𝑧 −1 ) = B 𝑧 −1 𝐶 𝑧 −1 𝑢 𝑘 + 𝑣(𝑘)
𝑦𝑟 𝑘 𝑢𝑟 𝑘

Si l’on filtre les données 𝒚(𝒌) et 𝐮(𝒌) à travers

B 𝑧 −1 le système 𝑪 𝒛−𝟏 , on obtient les mesures
𝒚𝒓 𝒌 et 𝒖𝒓 𝒌 et par conséquence une erreur
𝐴(𝑧 −1 )
d’équation qui est un bruit blanc 𝒗(𝒌).

Ces soties 𝑦𝑟 𝑘 et 𝑢𝑟 𝑘 sont à traiter par la

MMC simple avec un estimateur sans biais des
B 𝑧 −1 coefficients de 𝐴(𝑧 −1 ) et B(𝑧 −1 ).
𝐴(𝑧 −1 )

Il faut alors détermine les paramètres du filtre

𝐶 𝑧 −1 = 1 + 𝐶1 𝑧 −1 + ⋯ + 𝐶𝑝 𝑧 −𝑝 .

Bruit blanc généré  𝑣 𝑘 = 𝐴 𝑧 −1 𝐶 𝑧 −1 𝑦 𝑘 − B 𝑧 −1 𝐶 𝑧 −1 𝑢 𝑘

10/09/2023 FST Mohammedia 150

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MCG : Estimation des coefficients de 𝒗 𝒌

 Estimation de 𝐶 𝑧 −1 = 1 + 𝐶1 𝑧 −1 + ⋯ + 𝐶𝑝 𝑧 −𝑝

 La relation entre le bruit blanc et les résidus s’écrit :

𝑣 𝑘 = 𝑟 𝑘 𝐶 𝑧 −1  𝑣 𝑘 = 𝑟 𝑘 1 + 𝐶1 𝑧 −1 + ⋯ + 𝐶𝑝 𝑧 −𝑝
 𝑣 𝑘 = 𝑟 𝑘 + 𝐶1 𝑟 𝑘 − 1 + ⋯ + 𝐶𝐩 𝑟 𝑘 − 𝑝
 𝑟 𝑘 = −𝐶1 𝑟 𝑘 − 1 − ⋯ − 𝐶𝐩 𝑟 𝑘 − 𝑝 + 𝑣 𝑘

 Ce qui, pour les mesures effectuées de p à N, prend la forme matricielle :

 𝒓 = 𝑹𝑪+𝑽

10/09/2023 FST Mohammedia 151

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MCG : Estimation des coefficients de 𝒗 𝒌

 On obtient donc un modèle classique de régression linéaire (𝒓 = 𝑹 𝑪 + 𝑽) à bruit blanc V
sur lequel on peut appliquer la MMC simple pour estimer le vecteur C des paramètres.
 La solution optimale qui minimise 𝑽est :
෡ = 𝑹𝑇 𝑹
𝑪 −1
𝑹𝑇 𝒓

On ne connait ni 𝑹 ni le vecteur 𝒓

෡?
 Comment calculer 𝑪

10/09/2023 FST Mohammedia 152

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

෡ d’une façon itérative

MCG : Calcul de 𝑪
Etape 1 : Estimation du vecteur des paramètres 𝜃 = 𝑎1 … 𝑎𝑛 𝑏0 … 𝑏𝑚

 On considère les données filtrés. On notera 𝑦𝑟 et 𝐻𝑟 les matrices 𝑦 et 𝐻 construites à partir des
données filtrées.
… −𝑦𝑟 𝑘 − 𝑛 𝑢𝑟 𝑘 … 𝑢𝑟 𝑘 − 𝑚 𝑇
𝐻𝑟 𝑘 = −𝑦𝑟 𝑘 − 1

 Nous obtenons ainsi le modèle de régression linéaire, où l’erreur d’équation est un bruit blanc
𝑣 𝑘 .
𝑦𝑟 𝑘 = 𝐻𝑟 𝑘 𝜃 + 𝑣 𝑘

෡ = (𝑯𝒓 𝑻 𝑯𝒓 )−𝟏 𝑯𝒓 𝑻 𝒚𝒓
 Par MMC simple : 𝜽

 Cependant, à l’étape initiale, les 𝑟 𝑘 ne sont pas connus. Ainsi, la méthode des MCG consiste à
utiliser une première estimation 𝜃መ des paramètres par une initialisation des donnés filtrées 𝑦𝑟 = y
et 𝐻𝑟 = 𝐻.

10/09/2023 FST Mohammedia 153

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

෡ d’une façon itérative

MCG : Calcul de 𝑪

Etape 2 : Calcul des résidus

෡ permet de construire les résidus du vecteur r

 L’estimation de 𝜽
෡
ෝ𝒓 = 𝒚𝒓 −𝑯𝒓 𝜽
𝐫 = 𝒚𝒓 − 𝒚
෡ et construction du filtre 𝐂(𝒛−𝟏 ) à partir des résidus r
Etape 3 : Calcul des paramètres 𝑪
 On utilise la MMC simple pour donne une estimation des paramètres du filtre.
෡ = (𝑹𝑻 𝑹)−𝟏 𝑹𝑻 𝒓
𝑪

Etape 4 : Filtrage des données 𝐲 et 𝒖 par 𝐂(𝒛−𝟏 )

10/09/2023 FST Mohammedia 154

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

෡ d’une façon itérative

MCG : Calcul de 𝑪
Etape 5 : Construction de 𝑯𝒓

෡ et on pourra
 On construit 𝐻𝒓 à partir de 𝒚𝒓 et 𝒖𝒓 . Cela permettra de remettre à jour l’estimation 𝜽
donc réitérer plusieurs fois l’opération.

Etape 6 : Critère d’arrêt ou de convergence

 On fixe arbitrairement le nombre d’itérations S et on arrête le programme quand la diminution du

critère n’est plus significative (𝐽 i ≤ 𝜀)

10/09/2023 FST Mohammedia 155

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MCG : Construction du filtre 𝑪 𝒛−𝟏

 Deux manières pour réaliser le filtrage
o Filtre d’ordre constant, en filtrant toujours le même jeu de données :

o Filtre d’ordre variable, en filtrant les données précédemment filtrées :

 Soit S le nombre d’itérations et 𝐶𝑖 𝑧 −1 est le filtre obtenu à l’itération i. Cette approche consiste
ainsi à mettre en série les S filtres sur les données initiales.
o

10/09/2023 FST Mohammedia 156

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

MCG : Construction du filtre 𝑪 𝒛−𝟏

 Le filtre global sera :

𝑺
−𝟏
𝑪 𝒛 =ෑ 𝑪𝒊 𝒛−𝟏
𝒊=𝟏
−𝟏
 L’ordre du filtre global 𝑪 𝒛 est 𝑝𝑆. Pour avoir un filtre qui ne dépend que du nombre d’itérations, on fixe
l’ordre p du filtre 𝑪𝒊 𝒛−𝟏 à 1.

10/09/2023 FST Mohammedia 157

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Algorithme des MCG Initialisation des paramètres

i=0, 𝒚𝒓 𝒊 = 𝒚 𝟎 , 𝑯𝒓 𝟎 = 𝑯 𝟎 , 𝜺, 𝜃෠

Calcul de l’estimateur
෡
𝜽(𝒊) = (𝑯𝒓 𝑻 𝒊 𝑯𝒓 𝒊 )−𝟏 𝑯𝒓 𝑻 𝒊 𝒚𝒓 𝒊

Calcul des résidus

𝐫 𝐢 = 𝒚𝒓 𝒊 − 𝑯𝒓 𝒊 𝜽(𝒊) ෡

Calcul du critère d’optimalité

𝐉 𝐢 = 𝒓𝑻 𝒊 𝒓 𝒊

𝐉 𝒊 ≤𝜺 𝜃መ = 𝜃(𝑖)

𝒊=𝒊+𝟏

Calcul des paramètres du filtre 𝑪𝒊 (𝒛−𝟏 ) :

෡ 𝒊 = (𝑹𝑻 𝒊 𝑹 𝒊 )−𝟏 𝑹𝑻 𝒊 𝒓 𝒊
𝑪

Filtrage des données 𝒚𝒓 𝒊 , 𝒖𝒓 𝒊 par

𝑪𝒊 𝒛−𝟏 et construction de 𝑯𝒓 𝒊

10/09/2023 FST Mohammedia 158

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Différentes structures de modèles

 Comme le modèle DARX (Doublement Auto-Régressive à entrée eXogène) conduit à la méthode des
MCG, nous trouvons d’autres structures de modèles utilisés par d’autres techniques statistiques des
MC.

 Modèle ARX (Auto-Régressive à Entrée Exogène)

𝑟(𝑘) 1
𝐹 𝑧 −1 = = =1  𝑟 𝑘 = 𝑣(𝑘)
𝑣(𝑘) 𝐶 𝑧 −1
𝑣(𝑘) : un bruit blanc
 Ce qui conduit au modèle utilisé par la MMC simple :

𝑦 𝑘 𝐴(𝑧 −1 ) = B 𝑧 −1 𝑢 𝑘 + 𝑣 𝑘
𝑛 𝑚
𝑦 𝑘 = −෍ 𝑎𝑖 𝑦 𝑘 − 𝑖 + ෍ 𝑏𝑗 𝑢 𝑘 − 𝑗 + 𝑣(𝑘)
𝑖=1 𝑗=0

n: nombre de pôles
m: nombre de zéros

10/09/2023 FST Mohammedia 159

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Différentes structures de modèles

 Modèle ARMAX (Auto-Régressive à Moyenne Ajustée et Entrée Exogène)
𝑟(𝑘)
𝐹 𝑧 −1 = = 𝐷 𝑧 −1 = 1 + 𝐷1 𝑧 −1 + ⋯ + 𝐷𝑙 𝑧 −𝑙
𝑣(𝑘)
𝑣(𝑘) : un bruit blanc

 Ce qui conduit au modèle utilisé par la méthode de MV et les MCE:

𝑦 𝑘 𝐴(𝑧 −1 ) = B 𝑧 −1 𝑢 𝑘 + 𝑣 𝑘 1 + 𝐷1 𝑧 −1 + ⋯ + 𝐷𝑙 𝑧 −𝑙

𝑛 𝑚 𝑙
𝑦 𝑘 = −෍ 𝑎𝑖 𝑦 𝑘 − 𝑖 + ෍ 𝑏𝑗 𝑢 𝑘 − 𝑗 + ෍ 𝐶𝑙 𝑣 𝑘 − 𝑗
𝑖=1 𝑗=0 𝑘=0

n: nombre de pôles
m: nombre de zéros
l: ordre du modèle dynamique du filtre

10/09/2023 FST Mohammedia 160

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Différentes structures de modèles

 Modèle DARMAX (Doublement Auto-Régressive à Moyenne Ajustée et Entrée

Exogène)

−1 𝑟(𝑘) 𝐷 𝑧 −1 1+𝐷1 𝑧 −1 +⋯+𝐷𝑙 𝑧 −𝑙

𝐹 𝑧 = = =
𝑣(𝑘) 𝐶 𝑧 −1 1+𝐶1 𝑧 −1 +⋯+𝐶𝑝 𝑧 −𝑝
𝑣(𝑘) : un bruit blanc

 Ce qui conduit au modèle :

𝐷 𝑧 −1
𝐴 𝑧 −1 𝑦 𝑘 =B 𝑧 −1 𝑢 𝑘 + 𝑣 𝑘
𝐶 𝑧 −1

n: nombre de pôles
m: nombre de zéros
p: ordre du modèle dynamique du filtre

10/09/2023 FST Mohammedia 161

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Différentes structures de modèles

 Modèle BJ (Box-Jenkins)

 Ce modèle permet de complétement distinguer la dynamique du modèle de celle du générateur

des résidus.
𝐵 𝑧 −1 𝐷 𝑧 −1
𝑦 𝑘 = 𝑢 𝑘 + 𝑣 𝑘
𝐴 𝑧 −1 𝐶 𝑧 −1

 Les paramètres du générateur de résidus sont toujours des paramètres supplémentaires à

identifier.

10/09/2023 FST Mohammedia 162

Chapitre 4 : Identification de modèles paramétriques discrets par MMC

Fin du chapitre 4

10/09/2023 FST Mohammedia 163