Université Mohamed El bachir El Ibrahimi de Bordj Bou Arréridj

Département Electromécanique

Licence
Automatique

Modélisation et Identification des

systèmes linéaires

Dr : Seddik BENAHDOUGA
2015-2016
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Table des matières

CHAPITRE 1: Introduction à la Modélisation et l’Identification ....................................... 5

1.1. Introduction ..................................................................................................................... 5

1.2. La modélisation et l’identification ...................................................................................... 6

2.1 Modèles de connaissance (Modélisation) ........................................................................... 6

2.2 Modèles de représentation (Identification)........................................................................... 7

CHAPITRE 2 : Modélisation des Systèmes Linéaires (Modèles de Connaissance) ........... 8

2.1. Introduction ......................................................................................................................... 8

2.2. Modèles des Systèmes Linéaires ......................................................................................... 9

2.1 Linéarité ............................................................................................................................... 9

2.2 Cas continu ........................................................................................................................... 9

2.3 Fonction de transfert ........................................................................................................... 10

2.3.1 Forme de G(s).................................................................................................................. 10

2.4 Equation d’état ................................................................................................................... 11

2.5 Cas discret .......................................................................................................................... 11

2.5.1 Fonction de transfert discrète .......................................................................................... 11

2.5.2 Equation d’état d’un système discret .............................................................................. 12

2.3. Modélisation des circuits Electrique ................................................................................. 12

3.1 Charge d’un condensateur (système de premier ordre) ...................................................... 12

3.2 Circuit RL série .................................................................................................................. 16

Schéma fonctionnel .................................................................................................................. 17

3.3 Circuit RLC série ............................................................................................................... 17

2.4 Modélisation des systèmes mécaniques de base ................................................................ 22

4.1 Introduction : ...................................................................................................................... 22

4.2 Système mécanique : masse-amortisseur (dashpot) ........................................................... 22

4.3 Système Mécanique de base (système de translation masse ressort) ................................ 24

2
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

4.4 Système mécanique classique (masse ressort amortisseur)................................................ 25

2.5. Analogies des systèmes physiques .................................................................................... 27

CHAPITRE 3: Principes de base de l’identification (Modèles de représentation) .......... 28

3.1. Introduction aux définitions des modèles de représentation ............................................. 28

3.2. Classification des méthodes d’identification..................................................................... 30

2.1 Différentes méthodes d’identification ................................................................................ 31

3.3. Choix du critère d’équivalence ......................................................................................... 31

3.4. Choix de la méthode de recherche du modèle ................................................................... 33

CHAPITRE 4 : Identification en Boucle Ouverte des Systems Linéaires ........................ 34

4.1. Introduction ....................................................................................................................... 34

4.2. Réponse Indicielle ............................................................................................................. 34

2.1 Systèmes du premier ordre ................................................................................................. 35

2.2 Systèmes oscillants ............................................................................................................. 36

4.3. Systèmes apériodique (non oscillants) .............................................................................. 38

3.1 Exemple : Modélisation d’un échangeur de chaleur .......................................................... 40

3.2 Interprétation des résultats fournis par la méthode de Strejc ............................................. 42

2.1 Systèmes avec des constantes de temps assez proches ...................................................... 42

2.2 Système avec des constantes de temps très différentes ...................................................... 43

4.4. Méthode de Hudzovic ....................................................................................................... 44

4.5. Méthode de Broîda ............................................................................................................ 47

4.6. Identification par les méthodes fréquentielles (méthode de Kardachov) .......................... 47

CHAPITRE 5 : Identification Paramétrique par les Méthodes des Moindres Carres Non
Récursifs (M.C.N.R) et Récursifs (M.C.R)........................................................................... 52

5.1. Introduction ....................................................................................................................... 52

5.2. Principe d’identification des systèmes discrets ................................................................. 52

5.3. Méthode de moindres carrés ............................................................................................. 54

3
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

5.4. Méthode des moindres carrés récursifs (M.C.R)............................................................... 56

5.4.1 Structure de l’Algorithme MCR .............................................................................. 56

Bibliographies .......................................................................................................................... 58

4
Modélisation et Identification des Systèmes Linéaires Licence Automatique

CHAPITRE 1

Introduction à la Modélisation et
l’Identification

[Link]
L’objectif principal d’un automaticien est de calculer la commande ou d’implémenter un
régulateur pour commander un système dynamique, mais avant d’arriver à ce point-là, il faut
d’abord élaborer une description mathématique de ce processus. Les différentes étapes d’un
automaticien pour la réalisation d’un système automatique ont :[1]

1-Etude technologique.

2-Variable de processus.

3-Modélisation de processus.

4- réalisation de la commande.

5-Validation de la commande.

Un processus est un système dynamique, c'est-à-dire un système évolutif pour lequel le temps
joue un rôle fondamental.

Dans le cas général un processus est un système traverse par des informations, d’énergie et de
matière, tout en étant soumis a des perturbations ayants l’une des trois formes précités.

5
Modélisation et Identification des Systèmes Linéaires Licence Automatique

Perturbations

Informations Informations

Energies Energies

Système
Matières Matières
(Processus)

Fig 1.1 Représentation générale d’un système

Divers variables peuvent être en évidence sur un processus sont :

-Des entrées de commandes, qui permettent d’agir sur l’évolution du processus.

-Des entrées de perturbations, en général non contrôlables par l’utilisation et qui agissent
également sur le processus.

-Des sorties, sont des variables mesurables ou au moins détectables qui caractérisent l’action
du processus sur son environnement.

-Des variables d’états : variables internes du Sys d’ont l’action sur l’environnement n’est pas
nécessairement directement mais d’ont l’évolution du processus.

1.2. La modélisation et l’identification

La modélisation d’un système, c’est une façon de construire un modèle mathématique sur la
dynamique du processus.[1]

2.1 Modèles de connaissance (Modélisation)

Un modèle de connaissance, est un modèle dont les caractéristiques et les équations ont été
établies en faisant appel à des modèles plus généraux mettant en œuvre les lois de la physique,
de la chimie, de la biologie…

6
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Les paramètres d’un tel système (modèle) ont alors une interprétation physique directe,
température, pression, courant … Ils sont beaucoup plus riches des significations que les
modèles de présentation, par contre ils sont en général difficiles à déterminer et mise en
œuvre complexe.

2.2 Modèles de représentation (Identification)

Les modèles ne permettent pas le plus souvent l’interprétation physique des phénomènes
étudiés, ils sont constitués d’un ensemble de relations mathématiques qui sont reliés dans un
domaine d’évolution donnée. Les paramètres de tels modèles peuvent n’avoir aucun sens
physique particulier connu [1].

Modélisation et Identification

Modélisation analytique : utilise les lois Modélisation expérimentale : effectuer des

physiques qui agissent sur le fonctionnement tests pratiques sur le processus (modèle de
du processus ( Modèle de connaissance). représentation)

Avantage : Avantage :

Les paramètres ont un sens physique. En effectuant des essais sur le système réel, les
signaux obtenus comportent des informations
complètes sur les caractéristiques internes du
Inconvénient :
système.
-Modèles complexes.
Inconvénient :
-modèles incomplets ( Lois de la présence d’un
Les paramètres du modèle n’ont pas un sens
phénomène non caractérisé ).
physique.

7
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

CHAPITRE 2

Modélisation des Systèmes Linéaires

(Modèles de Connaissance)

2.1. Introduction
Afin de pouvoir étudier et améliorer les performances d'un système asservi il faut pouvoir établir
un modèle, à partir duquel nous pourrons réaliser des simulations. Pour cela, dans ce chapitre,
nous allons donner les différentes techniques de modélisation des systèmes électriques et
mécaniques. Les techniques utilisées consistent les méthodes à suivre pour établir les différentes
manières de représentation des modèles tels que les fonctions de transfert, les équations
différentielles et les équations d’états.

Il faut garder à l’esprit que l’ensemble de ces propriétés est déterminé par les lois physiques qui
gouvernent le système, le modèle construit sur la base des lois physiques, est appelé modèle de
connaissance.

Certaines propriétés (le gain statique, la structure notamment, etc) du système apparaissent plus
clairement si le modèle de connaissance est établi, ce qui permet par exemple de déterminer
précisément les modifications à entreprendre sur une installation afin de rendre l’asservissement
plus performant.

8
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

2.2. Modèles des Systèmes Linéaires

2.1 Linéarité

Système linéaire : Un système est dit linéaire si la fonction qui décrit son comportement est elle-
même linéaire. Cette dernière vérifie alors les principes de proportionnalité et de superposition
:[2]

Principe de proportionnalité : si s(t) est la réponse à l'entrée e(t) alors A.s(t) est la réponse à

L’entrée A.e(t).

e(t) s(t) A.e(t) A.s(t)

Système linéaire Système linéaire

Principe de superposition : si s1(t) est la réponse à l'entrée e1(t) et s2(t) est la réponse à l'entrée
e2(t) alors [s1(t) + s2(t)] est la réponse à l'entrée [e1(t) + e2(t)].

e1(t) s1(t)
e1+e2 s1+s2
Système linéaire
Système linéaire
e2(t) s2(t)

Système linéaire

Nature de la sortie : pour un système linéaire la réponse en régime permanant est de même
nature que l'entrée. Par exemple si une entrée est sinusoïdale la sortie sera sinusoïdale.

2.2 Cas continu

Tout système linéaire continu peut être décrit par sa réponse impulsionnelle qui constitue un
modèle non paramétrique. Si u(t) et y(t) représentent respectivement l’entrée et la sortie du
système, alors, elles sont reliées par la relation de convolution suivante:
∞
𝑦𝑦(𝑡𝑡) = ℎ(𝑡𝑡) ∗ 𝑢𝑢(𝑡𝑡) = ∫0 ℎ(𝜏𝜏)𝑢𝑢(𝑡𝑡 − 𝜏𝜏)𝑑𝑑𝑑𝑑 (2.1)

9
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

2.3 Fonction de transfert

La fonction de transfert G(s) d’un système dynamique linéaire est donnée par la transformée de
Laplace de sa réponse impulsionnelle :

𝐺𝐺(𝑠𝑠) = 𝒵𝒵{𝑔𝑔(𝑡𝑡)} (2.2)

Connaissant G(s), il est possible de calculer la réponse y(t) du système à toute entrée u(t) :

𝑦𝑦(𝑡𝑡) = 𝑔𝑔(𝑡𝑡) ∗ 𝑢𝑢(𝑡𝑡) → 𝑌𝑌(𝑠𝑠) = 𝐺𝐺(𝑠𝑠). 𝑈𝑈(𝑠𝑠 (2.3)

𝑦𝑦(𝑡𝑡) = 𝒵𝒵 −1 (𝐺𝐺(𝑠𝑠). 𝑈𝑈(𝑠𝑠)) (2.4)

On peut en déduire une autre définition de G(s) :

𝑌𝑌(𝑠𝑠) 𝒵𝒵{𝑦𝑦(𝑡𝑡)}
𝐺𝐺 (𝑠𝑠) = = (2.5)
𝑈𝑈(𝑠𝑠) 𝒵𝒵{𝑢𝑢(𝑡𝑡)}

Où U(s) et Y (s) sont les transformées de Laplace respectives de u(t) et y(t)

La relation précédente traduit en terme de variables opérationnelles [s = d/dt] de l’équation

différentielle reliant l’entrée à la sortie.

2.3.1 Forme de G(s)

G(s) a la forme d’une fraction rationnelle en s : partant de l’équation différentielle linéaire à

coefficients constants d’ordre n

𝑑𝑑 𝑛𝑛 𝑦𝑦 𝑑𝑑 𝑛𝑛 −1 𝑦𝑦 𝑑𝑑𝑑𝑑
𝑎𝑎 𝑛𝑛 . 𝑛𝑛 +𝑎𝑎 𝑛𝑛 −1 . 𝑛𝑛 −1 +⋯+𝑎𝑎 1 . +𝑎𝑎 0 .𝑦𝑦 (𝑡𝑡 )=
𝑑𝑑 𝑡𝑡 𝑑𝑑 𝑡𝑡 𝑑𝑑𝑑𝑑
𝑑𝑑 𝑚𝑚 𝑢𝑢 𝑑𝑑 𝑚𝑚 −1 𝑢𝑢 𝑑𝑑𝑑𝑑
(2.6)
𝑏𝑏𝑚𝑚 . 𝑚𝑚 +𝑏𝑏𝑚𝑚 −1 . 𝑚𝑚 −1 +⋯+𝑏𝑏1 . +𝑏𝑏0 .𝑢𝑢(𝑡𝑡)
𝑑𝑑 𝑡𝑡 𝑑𝑑 𝑡𝑡 𝑑𝑑𝑑𝑑

La transformée de Laplace des 2 membres donne :[2]

𝑎𝑎 𝑛𝑛 .𝑆𝑆 𝑛𝑛 .𝑌𝑌 (𝑆𝑆 )+𝑎𝑎 𝑛𝑛 −1 .𝑆𝑆 𝑛𝑛 −1 .𝑌𝑌 (𝑆𝑆 )+⋯+𝑎𝑎 1 .𝑆𝑆 1 .𝑌𝑌 (𝑆𝑆 )+𝑎𝑎 0 .𝑌𝑌 (𝑆𝑆 )=
(2.7)
𝑏𝑏𝑚𝑚 .𝑆𝑆 𝑚𝑚 .𝑈𝑈(𝑆𝑆)+𝑏𝑏𝑚𝑚 −1 .𝑆𝑆 𝑚𝑚 −1 .𝑈𝑈(𝑆𝑆)+⋯+𝑏𝑏1 .𝑆𝑆 1 .𝑈𝑈(𝑆𝑆)+𝑏𝑏0 .𝑈𝑈(𝑆𝑆)

D’où :

10
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

𝑌𝑌(𝑆𝑆) 𝑏𝑏𝑚𝑚 .𝑆𝑆 𝑚𝑚 +𝑏𝑏𝑚𝑚 −1 .𝑆𝑆 𝑚𝑚 −1 +⋯+𝑏𝑏1 𝑆𝑆 1 +𝑏𝑏0

𝐺𝐺 (𝑆𝑆) = = (2.8)
𝑈𝑈(𝑆𝑆) 𝑎𝑎 𝑛𝑛 .𝑆𝑆 𝑛𝑛 +𝑎𝑎 𝑛𝑛 −1 .𝑆𝑆 𝑛𝑛 −1 +⋯+𝑎𝑎 1 .𝑆𝑆 1 +𝑎𝑎 0

Est la forme générale d’une fonction de transfert. Avec 𝑛𝑛 ≥ 𝑚𝑚

2.4 Equation d’état

La représentation générale d’un système linéaire par des équations d’états donné par la forme
suivante :

𝑥𝑥̇ (𝑡𝑡) = 𝐴𝐴𝐴𝐴(𝑡𝑡) + 𝐵𝐵𝐵𝐵(𝑡𝑡)

� (2.9)
𝑦𝑦(𝑡𝑡) = 𝐶𝐶𝐶𝐶(𝑡𝑡) + 𝐷𝐷𝐷𝐷(𝑡𝑡)

Ce modèle fait intervenir un ensemble de variables intermédiaires: les variables d’état qui sont
rassemblées dans un vecteur dit vecteur d’état x(t).

L’état x(t) permet de prédire l’évolution du système à l’instant t lorsque u(t) et x(0) = x0 sont
donnés.

2.5 Cas discret

Les notions sont retrouvées pour les systèmes linéaires discrets qui réalisent une relation entre
une séquence d’entrée {u(kTe)}k∈N et la séquence de sortie correspondante {y(kTe)}k∈N . Te étant

la période d’échantillonnage qui est très souvent constante. En posant u(kTe) = uk et

y(kTe) = yk , on définit un modèle non paramétrique qui est la réponse impulsionnelle ou

séquence de pondération {hk}k∈N telle que:

𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑘𝑘 ∈ ℕ
∞
�
𝑦𝑦𝑘𝑘 = ℎ𝑘𝑘 ∗ 𝑢𝑢𝑘𝑘 = � ℎ𝑖𝑖 . 𝑢𝑢𝑘𝑘−𝑖𝑖
𝑖𝑖=0

2.5.1 Fonction de transfert discrète

La fonction de transfert d’un système discret est donnée par :

𝑁𝑁(𝑞𝑞 −1 ) 𝑌𝑌(𝑞𝑞)
𝐹𝐹 (𝑞𝑞 ) = = (2.10)
𝐷𝐷(𝑞𝑞 −1 ) 𝑈𝑈(𝑞𝑞)

11
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Relation traduisant l’équation de récurrence entre la séquence {uk}

k∈N
et la séquence à l’aide de

l’opérateur de retard (q−1)

2.5.2 Equation d’état d’un système discret

𝑥𝑥𝑘𝑘+1 = 𝐴𝐴𝑥𝑥𝑘𝑘 + 𝐵𝐵𝑢𝑢𝑘𝑘

� (2.11)
𝑦𝑦𝑘𝑘 = 𝐶𝐶𝑥𝑥𝑘𝑘 + 𝐷𝐷𝑢𝑢𝑘𝑘
Remarque :

Que ce soit pour les systèmes linéaires continus ou discrets, les trois modèles sont équivalents.

2.3. Modélisation des circuits Electrique

Cette partie nous à permet d’exposer les différentes étapes à suivre pour modéliser les circuits
électrique de base. Notre étude basée sur les systèmes électrique d’ordre 1 et d’ordre 2 dont le
but de tirer leurs modèles mathématique.

3.1 Charge d’un condensateur (système de premier ordre)

On s’intéresse ici, à établir le modèle de connaissance d’un circuit RC Figure 2.1 (filtre passe-
bas d’ordre 1). Le signal d’entrée considéré est la tension ue(t) alors que le signal de sortie est la
tension us(t) aux bornes de la capacité (C)

i(t) R

ue(t) us(t)
C

Fig 2.1 : Circuit RC

On considère le condensateur déchargé à l'instant t = 0

Mise en équations différentielles

On peut appliquer la deuxième loi de Kirchhoff (loi des mailles) :

ue − uC − u R = 0 ⇒ ue = uC + u R (2.12)

12
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

u e (t ) = R.i (t ) + . i (t ).dt
1
C ∫
(2.13)
u s (t ) = . i (t ).dt
1
C ∫

On en déduit le modèle mathématique (n = 1 équation différentielle d’ordre 1) :

ue (t ) = R.C. + u s (t )
du s
(2.14)
dt

Fonction de transfert

L’application de la transformée de Laplace sur l’équation (2.14) avec les conditions initiales
nulles donne :

 du 
∫[u e (t )] = R.C. ∫  s  + ∫[u s (t )] (2.15)
 dt 

U e (s ) = R.C.S .U s ( s ) + U s (s ) (2.16)

U e (s ) 1
= FT 1 (2.17)
U e ( s ) R.C.s + 1

Equations d’états

La mise de l’équation (2.3) sous forme canonique donne :

.u e (t ) + u s (t )
. du s 1 1
x(t ) = A.x(t ) + B.u ⇒ =− (2.18)
dt R.C R.C
D’où

1 1
A=− et B =
R.C R.C

Schéma fonctionnel détaillé

Partant de l’équation différentielle (2.18) décrivant le système "filtre RC passe-bas", on peut en

faire la représentation équivalente par le schéma fonctionnel de la figure suivante.

13
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

ue(t) i(t) ys(t)

1/R 1/C
-

Fig 2.2 Schéma fonctionnel détaillé d’un circuit RC

Gain statique

Le gain statique du circuit RC étudié est par définition calculé lorsque l’on applique un
signal d’entrée ue(t) constant et que l’on mesure le signal de sortie us(t) lorsque t → ∞. Lorsque
us(t) est stabilisée à une valeur constante (pour t → ∞), on a:

𝑑𝑑𝑑𝑑 𝑠𝑠 1 1
=0=− . 𝑢𝑢𝑠𝑠 (𝑡𝑡) + . 𝑢𝑢𝑒𝑒 (𝑡𝑡) (2.19)
𝑑𝑑𝑑𝑑 𝑅𝑅.𝐶𝐶 𝑅𝑅.𝐶𝐶

D’où
𝑙𝑙𝑙𝑙𝑙𝑙 𝑡𝑡→∞ 𝑦𝑦(𝑡𝑡)
𝑘𝑘0 = � =1 (2.20)
𝑙𝑙𝑙𝑙𝑙𝑙 𝑡𝑡→∞ 𝑢𝑢(𝑡𝑡) 𝑢𝑢(𝑡𝑡)=𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

Le traçage de la réponse indicielle de circuit RC est donné par la méthode suivante :

𝑑𝑑𝑢𝑢 𝑢𝑢𝑠𝑠
1. Résolution de l’équation (2.18) sans second membre 𝑅𝑅𝑅𝑅 𝑑𝑑𝑑𝑑𝑠𝑠 = − 𝑅𝑅𝑅𝑅

𝑑𝑑𝑢𝑢 𝑠𝑠 𝑑𝑑𝑑𝑑 𝑑𝑑𝑢𝑢 𝑠𝑠 𝑑𝑑𝑑𝑑

= − 𝑅𝑅𝑅𝑅 ⇔ ∫ = − ∫ 𝑅𝑅𝑅𝑅 (2.21)
𝑢𝑢 𝑠𝑠 𝑢𝑢 𝑠𝑠
𝑢𝑢𝑠𝑠 𝑡𝑡
⇔ 𝑙𝑙𝑙𝑙 � � = −
𝑘𝑘 𝑅𝑅𝑅𝑅
𝑡𝑡
−
⇔ 𝑢𝑢𝑠𝑠 (𝑡𝑡) = 𝑘𝑘𝑒𝑒 𝑅𝑅𝑅𝑅 (2.22)

Où k est une constante réelle

2. Recherche de la solution particulière de l’équation avec second membre quand ue(t)=E0 :

14
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Le second membre est une constante, donc la solution particulière up sera une constante :
up(t)= A.
𝑑𝑑𝑢𝑢 𝑝𝑝
D’où =0
𝑑𝑑𝑑𝑑
En remplaçant dans l’équation, on obtient :

du p
+ u p (t ) = E0 ⇔ A = E0 (2.23)
dt
Ainsi

u p (t ) = E0

Solution générale de l’équation avec second membre quand ue(t)=E0 est :

La solution générale est la somme de la solution de l’équation sans second membre et de

la solution particulière, c'est-à-dire 𝑢𝑢𝑔𝑔 = 𝑢𝑢𝑠𝑠 + 𝑢𝑢𝑝𝑝 , Ainsi :
1
𝑢𝑢𝑔𝑔 (𝑡𝑡) = 𝑘𝑘𝑒𝑒 −𝑅𝑅𝑅𝑅 + 𝐸𝐸0 (2.24)

La constante k est déterminé par la condition initiale𝑢𝑢𝑔𝑔 (0) = 𝑈𝑈0 , ce qui donne

𝑘𝑘 = 𝑈𝑈0 − 𝐸𝐸0 (2.25)

Finalement on trouve la solution générale suivante

1
𝑢𝑢𝑔𝑔 (𝑡𝑡) = (𝑈𝑈0 − 𝐸𝐸0 )𝑒𝑒 −𝑅𝑅𝑅𝑅 + 𝐸𝐸0 (2.26)

Réponse indicielle

si 𝑢𝑢𝑒𝑒 (𝑡𝑡) = 1, la réponse indicielle du filtre passe-bas est esquissée sur la figure 2.3. Sa forme

est obtenue par résolution de l’équation différentielle.

15
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Fig 2.3 : Réponse indicielle d’un circuit RC

3.2 Circuit RL série

Schéma technologique et mise en équations Le schéma technologique du circuit considéré

est donné sur la Figure 2.4 suivante :

R y(t)=i(t)

ue(t)
L

Fig 2.4 : Circuit RLC

La mise en équations par l’application de la deuxième loi de kirchhoff donne le modèle

mathématique suivant:

u e (t ) = L. + R.i(t )
di
(2 .28)
dt

Présenté sous forme canonique (dérivées premières dans le membre de gauche), on a :

= − i (t ) + .u e (t )
di R 1 (2.29)
dt L L

16
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Schéma fonctionnel

Le modèle mathématique obtenu est représenté graphiquement sur la figure 2.5 suivante :

ue(t) di(t)/dt y(t)=i(t)

1/L
-

R/L

Fig 2.5 : Schéma fonctionnel du circuit RL

3.3 Circuit RLC série

On s’intéresse ici à établir le modèle de connaissances (i.e. le modèle mathématique basé sur
les lois physiques gouvernant le comportement du système considéré) d’un circuit série RLC
(Fgure 2.6). Le signal d’entrée considéré est la tension ue(t) alors que le signal de sortie est la
tension us(t) aux bornes de la capacité.[2,3]

R L
i(t)

ue(t)
C us(t)

Figure 2.6 : Circuit électrique RLC

Mise en équations

On a, selon la loi de Kirchhoff l’équation suivante:

(2.30)
ue (t ) = R.i (t ) + L. + . i (t ).dt
di 1
dt C ∫
Avec
u s (t ) = . i (t ).dt
1
C ∫ (2.31)

Les équations ci-dessus peuvent être remaniées afin de les présenter sous forme canonique, i.e.
sous une forme telle que l’on ait n équations différentielles d’ordre 1 :

17
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

= − .i (t ) − .u s (t ) + .ue (t )
di R 1 1
dt L L L (2.32)
= .i (t )
du s 1
dt C

L’ordre d’un système dynamique linéaire, étant le nombre d’équation différentielle d’ordre 1
nécessaires à sa modélisation,

On a donc avec le circuit RLC un système d’ordre 2 (nombre d’états n = 2).

Mise en forme : (1 équation différentielle d’ordre n = 2)

En notant que :

i (t ) = C.
du s
(2.33)
dt
Si la tension aux bornes du condensateur Vc= Us est la sortie du circuit.

Par la méthode de changement de variable, l’équation différentielle qui régissant la dynamique

du circuit sera une équation d’ordre 2, et qui devient de la forme ci-dessous.

d 2u s
ue (t ) = R.C. + L.C. 2 + u s (t )
du s
(2.34)
dt dt
Soit encore une équation différentielle d’ordre 2 :

d 2u s R du s
+ u s (t ) = ue (t )
1
2
+ .
dt L dt L.C (2.35)

Schéma fonctionnel détaillé

On peut à l’aide de ces équations facilement construire un schéma fonctionnel détaillé

Figure 2.7, mettant en évidence la structure interne (du point de vue du comportement
dynamique) du système étudié. Une règle de base pour la construction de tels schémas est de
n’utiliser que des intégrateurs comme éléments dynamiques, les autres blocs fonctionnels à
disposition étant des gains et des comparateurs. Le nombre d’intégrateurs strictement nécessaire
est égal à n, soit 2 dans l’exemple traité.

18
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

dus(t)/dt
di(t)/dt i(t)
ue(t) y(t)=us(t)
1/L 1/C
- -

R/L

1/L

Fig 2.7 : Schéma fonctionnel détaillé du circuit RLC

L’usage de dérivateurs est à éviter, de tels éléments étant physiquement irréalisables. Dans
l’optique de la simulation des systèmes dynamiques tels que le circuit RLC étudié, il est
fortement recommandé de ne le représenter qu’avec des éléments physiquement réalisables.

Historiquement, les simulations de systèmes dynamiques étaient réalisées à l’aide d’appareils

parfois appelés ordinateurs analogiques, lesquels permettaient de construire des schémas
fonctionnels tels que celui de la Figure 2.7, à l’aide d’éléments de base comme le gain, le
comparateur/soustracteur et l’intégrateur.

Exemple 1: calcule de la fonction de transfert

+ +

– –

Fig 2.8 : Circuit RLC

D’après les lois de kirchhoff on aura les équations suivantes :

d 1 1
C (ve − vs ) + (ve − vs ) = vs (2.36)
dt R1 R2
1 1
CS (Ve ( S ) − Vs ( S )) + (Ve ( S ) − Vs ( S )) = Vs ( S ) (2.37)
R1 R2

19
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Après simplification on trouve la fonction transfert suivante :

Vs ( S ) CS + 1 / R1
F (S ) = = (2.38)
Ve ( S ) CS + 1 / R1 + 1 / R2

Exemple2: établir la représentation d’états du circuit ci-dessous.

Ve Vc

Fig 2.9 : circuit RLC

Avec

Solution :

Par l’application des deux lois fondamentale de Kirchhoff (loi des mailles et loi des nœuds) on
trouve les équations de la forme suivante :

 di dx1 (2.38)
v = L + v = L + x2
 e
dt
c
dt

i = i + i ⇒ i = C dvc + vc = C dx2 + x2


c R
dt R dt R

Finalement, les équations d’états du circuit sont données par :

 1 
0 − 1
x =  L  ⋅x +   ⋅u y = [0 1] ⋅ x
1 1  L
0
 −   
C CR 
20
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

La réponse temporelle du circuit par Matlab

En utilisant la commande Matlab ode45 pour tracer la tension Vc aux bornes du condensateur,
cette commande à pour but de résoudre les équations différentielles d’ordre 1.

****************************************************************************
function dydt = RLC(t,y)
% la résolution du circuit électrique RLC
% représenté par les équations d’états.
%
r=10; c=1*10^-6; l=0.5;ve=15;
dydt = [-y(2)/l+ve/l; y(1)/c- y(1)/(c*r)];
***************************************************************
Maintenant pour exécuter et tracer la réponse du circuit en utilisant la syntaxe suivante :

[t,y]=ode45(@exo1,[0 1],[0 0]);

fiure
plot(t,y(:,1));% pour tracer la tension Vc

16

14

12

10
tension Vc(V)

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
time (s)

Fig 2.10 : la tension aux bornes du condensateur

21
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

2.4 Modélisation des systèmes mécaniques de base

4.1 Introduction : l’objectif principal de cette partie est d’appliquer les différentes techniques
de modélisation aux systèmes mécaniques de base dont le but d’avoir les représentations
mathématique possibles comme, les équations différentielles, les fonctions de transfert,…

4.2 Système mécanique : masse-amortisseur (dashpot)

D’un point de vue dynamique, l’équivalent mécanique du circuit RL est un système

constitué d’une masse m fixée à un amortisseur "dashpot" créant une force de frottement
visqueux admise proportionnelle à la vitesse (Figure 2.11 ). Le signal d’entrée de ce système est
la force appliquée F(t) à la masse, alors que le signal de sortie est la vitesse v(t) de la masse.[2]

m Rf
y(t)=v(t)

Fig 2.11 : Système masse amortisseur (dashpot)

Mise en équation différentielle

Lorsque une force F appliquée à une masse m, la relation entre la force et le mouvement de cette
masse est donnée par la deuxième loi de Newton :

��⃗𝑖𝑖 = 𝑚𝑚. 𝐴𝐴⃗

La somme des forces = la masse *l’accélération ⇒ ∑ 𝐹𝐹

Le modèle mathématique est obtenu en écrivant l’équation seconde de Newton :

= F (t ) − R f .v(t )
dv (2.39)
m.
dt

On peut écrire l’équation (2.39) précédente sous la forme canonique suivante :

Rf
.v(t ) + .F (t )
dv 1 (2.40)
=−
dt m m

22
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Fonction de transfert

La transformation de laplace de l’équation (2.40) donne la forme suivante :

Rf
.V (s ) + .F (s )
1
SV ( s ) = − (2.41)
m m
(mS + R f ).V (s ) = F (s ) (2.42)

A la fin, on trouve la fonction de transfert d’ordre 1 ci-dessous

V (s ) 1
=
F (s ) (mS + R f ) (2.43)

Schéma fonctionnel détaillé

La représentation graphique du modèle est donnée par le schéma fonctionnel de la figure 2.12

u(t)=F(t) dv(t)/dt y(t)=v(t)

1/m
-

Rf/m

Fig 2.12 : Schéma fonctionnel du système masse dashpot

Gain statique

Par la définition de gain statique, on a:

𝑙𝑙𝑙𝑙𝑙𝑙 𝑡𝑡→∞ 𝑦𝑦 (𝑡𝑡) 1

𝑘𝑘0 = � = (2.44)
𝑙𝑙𝑙𝑙𝑙𝑙 𝑡𝑡→∞ 𝑢𝑢(𝑡𝑡) 𝑢𝑢(𝑡𝑡)=𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑅𝑅𝑓𝑓

Réponse indicielle

La réponse indicielle la figure 2.16 peut être obtenue en résolvant l’équation différentielle
d’ordre 1. L’analogie avec la réponse correspondante du circuit RL.

23
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

2.5

u(t)=F(t)
F 2

1.5 y(t)=v(t)
F/Rf

0.5

T=m/Rf

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
t(s)

Fig 2.13 : Réponse indicielle du système masse dashpot

4.3 Système Mécanique de base (système de translation masse ressort)

La Figure 2.14, présente un problème classique, Il s’agit d’un système mécanique de translation
constitué d’une masse M qui peut être mis en mouvement par action d’une force extérieure F.
Cette masse est reliée à un ressort de constante de raideur K. Lorsque la masse entre en
mouvement, il se développe une force de frotte ment de coefficient f qui s’oppose à ce
mouvement.

K
F
M

Fig 2.14: Système masse ressort

Mise en œuvre de l’équation différentielle


f − kx + F = mx (2.45)

⇒ − fx − kx + F (t ) = mx (2.46)

L’équation différentielle agissant la dynamique du système masse ressort donnée par :

⇒ mx + Bx + kx = F (t ) (2.47)

24
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Fonction de transfert

En utilisant la même méthode de la transformation de laplace qu’on à présenté précédemment

pour avoir la fonction de transfert d’un système donné.

On trouve :

mS 2 X ( S ) + BSX ( S ) + kX ( S ) = F ( S ) (2.48)

⇒ (mS 2 + BS + k ) X ( S ) = F ( S ) (2.49)

X (S ) 1 (2.50)
⇒ =
F ( S ) mS + BS + k
2

4.4 Système mécanique classique (masse ressort amortisseur)

La Figure 2.15 ci-dessous, presente un système mécanique classique qui constitu par une masse
M relieé à un ressort de raideur k et un amortisseur de coéfficient d’amortissement Rf .

La force appliqueé F au système est considirée comme l’entrée, tandis que le déplacement x(t)
est la sortie du système. [3]

- Donner les différetes représentations mathématiques.

M Rf

F(t)

k
x(t)

Fig 2.15: Système mécanique masse ressort amortisseur

Solution :

Par l’application de la deuxième loi de Newton et lorsque la sortie est donnée par le déplacement
x(t), on trouve une équation différentielle d’ordre 2:

(2.51)
− R f x − kx + F = Mx
Pour déterminer la fonction de transfert de ce système mécanique il faut comme on à

25
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

présenté précédemment d’appliquer la transformation de laplace sur l’équation différentielle

(2.51).

− R f SX ( s ) − kX ( S ) + F ( S ) = MS 2 X ( S ) (2.52)

⇒ (− R f S − k − MS 2 ) X ( s ) = − F ( S ) (2.53)

X (s) 1
⇒ = (2.54)
F ( S ) MS 2 + R f S + k

Les équations d’états de ce système présenté par la Fig données par la forme suivante:

 0 1   0 
x =  k r k  ⋅ x +  1  ⋅u
− M − d − M 
(2.55)
M

Programme Matlab

Pour tracer la réponse indicielle de ce système en utilisant le programme Matlab ci-dessous :

***********************************************************************
% la simulation du système mécanique de la Figure 2.16
% la force est donnée par un échelon unitaire
m=1.0; % kg
Rf=0.1; % N.s.m-1
k=0.1; % N.m-1
Num = [1];
Den=[m Rf k];
step (Num, Den)

26
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Step Response
18

16

14

12

10
Amplitude

0
0 20 40 60 80 100 120 140
Time (seconds)

Fig 2.16: Réponse indicielle

2.5. Analogies des systèmes physiques

Après les résultats obtenus par la modélisation des systèmes électriques et mécaniques du
paragraphe précédent conduit à établir la liste des analogies entre les systèmes mécaniques et les
systèmes électriques de base.

L’analogie présentée dans le tableau 2.1, englobe les éléments de base des systèmes mécaniques
et électriques. [3]

Système mécanique de Système mécanique de Système électrique

translation rotation

Force, f Couple, T Tension, V

Vitesse, v Vitesse angulaire, w Courant, I

Déplacement, x Déplacement angulaire, θ Charge, q

Masse, M Moment d’inertie, J Inductance, L

Coefficient de frottement, D coefficient de frottement Résistance, R

visqueux, B

raideur, K Capacité, C

Tab 2.1: Analogies entre les systèmes mécaniques et les systèmes électriques

27
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

CHAPITRE 3

Principes de base de l’identification (Modèles de

représentation)

3.1. Introduction aux définitions des modèles de

représentation
a- Identifier, c’est l’opération de détermination des caractéristiques d’un système dont la
connaissance de modèle est nécessaire pour la conception et la mise en œuvre d’un
système performant de régulation.

b- L’identification consistera à déterminer les paramètres caractéristiques d’un modèle

externe ou d’un modèle interne à partir d’un ensemble de mesure sur les entrées et les
sorties du processus donné. Il s’agit donc de déduire par l’expérience les valeurs
numériques des paramètres du modèle.[4]

c- L’identification est une approche expérimentale pour la détermination du modèle

dynamique d’un système. Elle comporte quatre étapes :

1- Acquisition des entrées/sorties sous un protocole expérimentale.

2- Choix de la structure du modèle : elle consiste à l’estimation structurelle.

3- Estimation des paramètres du modèle : elle consiste à l’estimation paramétrique.

4- Validation du modèle identifié (structure et valeurs des paramètres) : elle consiste à la

validation du modèle ainsi que les paramètres estimés.

Le problème est généralement résolu à l’aide des trois ensembles :

28
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

-Ensemble des données

Cet ensemble doit être riche en données sur les entrées et les sorties afin de fournir le max
d’infos.

-Ensemble des modèles

Le choix d’un modèle peut se faire à partir des lois physiques régissant le processus dont les
paramètres sont peu connus ou mal connus ou bien à partir des expériences sons connaissances
les variables.

-Ensemble des algorithmes d’identifications

Ces algorithmes permettent à partir de l’ensemble des données à déterminer les paramètres du
modèle candidat.[4]

Le choix d’un élément dans chacun de ces trois ensembles automatiquement à une opération
d’identification d’un processus qui se déroule en trois étapes :

-Etape 1 (liée un choix à un modèle) : Elle consiste l’estimation paramétrique.

-Etape 2 ( liée à la structure de modèle) : Elle consiste à l’estimation paramétrique

-Etape 3 : elle consiste la validation du modèle

L’algorithme donné par la figure 3.1 suivante englobe toutes les étapes dont on a besoin pour
réaliser l’identification :

29
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Connaissance à Expérience
priori

Critère Modèle Modèle

Algorithme d’identification

Paramètres

Utilisation du Validation
Modèle

Fig 3.1 : Etapes de déroulement de l’identification d’un processus

3.2. Classification des méthodes d’identification

Les différentes méthodes d’identification ne différent les unes des autres que par le choix de la
classe de modèles. La classe des signaux d’entrée et de la fonction de coût.

Choix de la classe des modèles :

Le choix de la classe de modèles est l’idée de choisir l’ensemble des modèles contenant le
modèle candidat équivalent au système.

On conçoit donc que ce choix va conditionner la suite de la recherche et par conséquent

différentes questions viennent se poser.[1]

30
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

- Est-ce que le modèle continu ou discret?

- Est-ce que le modèle linéaire ou non linéaire ?

- Quel est l’ordre du modèle ?

2.1 Différentes méthodes d’identification

Les différentes classes de modèles permettent de déterminer deux catégories de méthodes.

a- Les méthodes paramétriques : qui présupposent le choix d’une classe C(θ)

de modèle caractérisées par un ensemble de paramètres θ1 ,θ2 ,…, θp

On est amené donc à déterminer le vecteur θ qui minimise la fonction de coût (critère
d’équivalence)

b- Les méthodes non paramétriques : qui constituent les méthodes permettant soit de
calculer la réponse impulsionnelle h(θ) en utilisant le théorème de convolution ou les
fonctions de corrélation.

3.3. Choix du critère d’équivalence

Le critère d’équivalence permettant de mesurer la distance entre un système et son modèle.

Ainsi dans une méthode pratique d’identification le critère d’équivalence est basé sur l’écart des
réponses indicielles.[4]

Toujours dans nombreuses méthodes d’identification le critère d’équivalence est bien formulé :
on est amené à minimiser une fonction de distance.

Si on minimise une fonction de distance entre le système et son modèle, on peut définir trois cas
possibles.

-Distance entre les sorties du système et son modèle : Erreur sur la sortie.

Il s’agit du type d’erreur le plus naturel pour comparer à instant t un processus et son modèle, ce
type d’erreur est donné par la Figure 3.2 suivante :

31
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

U y(t)
Système
(Processus)
e(t)= y(t)- ym(t)

Modèle
ym(t)
Fig 3.2: Ecart entre les sorties d’un syst et son modèle

-Distance entre les entrées du système et son modèle : Erreur sur l’entrée donnée par la figure 3.3
suivante.

U Système y(t)
Um(t)
(Processus) Modèle inverse

+
e(t)=U(t)-Um(t)

Fig3.3: Ecart entre les entrées d’un syst et son modèle

Erreur généralisée : ce type d’erreur englobe les deux types d’erreurs précédentes et donnée par
la figure 3.4 suivante.

+ ee(t)

y(t) um(t) -
u(t)
Système
Modèle inverse
(Processus)
ym(t)
+ es(t)
Modèle
-
Fig 3.4: Erreur généralisée

32
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

3.4. Choix de la méthode de recherche du modèle

On peut classer les méthodes de recherches de modèles en deux catégories:

Recherche de modèle en boucle ouverte : cette classe de recherche, où les paramètres sont
obtenus en une seule fois.

Recherche de modèle en boucle fermée : pour ce genre de recherche, on utilise l’erreur entre le
processus et le modèle pour améliorer le modèle afin qu’il soit le plus proche possible du
processus. Ce qui nous à permet à utiliser un système bouclé. La Figure 3.5 ci-dessous illustre
bien ce type de recherche.

u(t) y(t)
Système
Critère

ym(t)
Modèle

θ Mécanisme
d’ajustement

Fig 3.5: Identification en boucle fermée

33
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

CHAPITRE 4

Identification en Boucle Ouverte des Systems Linéaires

4.1. Introduction
Un système physique quelconque linéaire a un modèle mathématique par exemple ; la fonction
de transfert. Ce dernier, peut se calculer en établissant directement les lois physiques pour avoir
leurs modèles qui relient les entrée et les sorties du système à étudier. Ces modèles
mathématiques sont parfois très difficiles à établir car la majorité des systèmes physiques
étudiés, sont des systèmes complexes.

L’objectif principal de ce chapitre, est de donner les différentes méthodes d’identification

classique en boucle ouverte pour déterminer les modèles mathématiques (fonctions de transferts)
des systèmes de premier et deuxième ordre en premier lieu, et par la suite l’identification des
systèmes linéaires d’ordre n, en basant toujours sur leurs réponses indicielles.[5]

Les modèles déterminés par ces méthodes sont pas les modèles réels des systèmes étudiés, mais
donnent un comportement dynamique ressemble les vrais modèles mathématiques.

4.2. Réponse Indicielle

La réponse indicielle consiste à imposer une variation brusque au signal et d’entrée. Cette
réponse permet, de déterminer un modèle de représentation suffisamment précise dans la plupart

34
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

des cas. L’analyse qui suit va bien évidement porter sur des systèmes linéaires simples dont on
dégagera les caractéristiques essentielles.[3][5]

2.1 Systèmes du premier ordre

Un système du premier ordre est représenté par son gain et sa constante de temps τ . Sa fonction
de transfert est la suivante :

Y (s )
H (s ) =
1
= k0 . (4.1)
U (s ) 1 + s.τ

sa réponse à une variation brusque d’amplitude E est décrite par la réponse indicielle suivante :

y (t ) = k .E.1 − e τ 
t
−
(4.2)

0


L’enregistrement de cette réponse donné par la Figure 4.1, permet d’obtenir immédiatement le
gain statique k0 du système en calculant le rapport y (∞ ) .
E

La constante de temps τ correspond à l’instant où le signal atteint le 63% de sa variation totale.

Step Response
1

0.9

0.8
y(t)

0.7

63% 0.6
Amplitude

0.5

0.4

0.3

0.2

0.1

0
0 T 5 10 15 20 25
Time (sec)

Fig 4.1: Réponse indicielle d’un système d’ordre 1

On remarquera que la méthode de la tangente à l’origine doit être évitée, car son tracé est
extrêmement subjectif et conduit à des valeurs fausses de la constant de temps.

35
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

2.2 Systèmes oscillants

Lorsque la réponse temporelle d’un système présente des oscillations, cela signifie que sa
fonction de transfert possède des pôles conjugués complexes et qu’une partie au moins de celle-
ci peut s’écrire sous la forme d’un système d’ordre 2 tel que :

Y (s ) 1 (4.3)
H (s ) = =k.
U (s ) 2ζ s 
0 2

1+ .s +  
ω n ωn 

Dans ce cas, la réponse à un saut d’amplitude E est décrite par l’expression suivante :

y (t ) = E.k .(1 − c.e ζω .sin (ω t + ϕ ))

0
− nt

0
(4.4)

Dans laquelle on a :

1
c =
1−ζ 2

ω = ω . 1−ζ
0 n
2

ϕ = arccos(ζ )

L’analyse de cette réponse temporelle de la Figure 4.2, permet d’en déduire aisément les
éléments suivants :

Le gain statique k0 est donné par :

y (∞ )
k =
0
(3.5)
E

Le taux d’amortissement ζ se calcule à partir les deux premiers dépassements relatifs D1 et D2

avec la loi suivante :

36
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

D 2ζπ
ln = 1

D 2
1−ζ 2 (4.6)
D
ln 1

D
ζ = 2

D
ln 2
+ 4π 1 2

D 2

La connaissance de TP et ζ permet de calculer la pulsation propre non amortie :

2π
ω = (4.7)
1−ζ
n 2
TP

Step Response
1.4

System: sys
Time (seconds): 1.11 System: sys
1.2 Amplitude: 1.37 Time (seconds): 3.32
D1 Amplitude: 1.05

1
D2
Tp
0.8
Amplitude

0.6

0.4

0.2

0
0 1 2 3 4 5 6
Time (seconds)

Fig 4 .2: Réponse indicielle d’un système d’ordre 2

37
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

4.3. Systèmes apériodique (non oscillants)

La méthode proposée par Strejc en 1960 est basée sur le fait que les systèmes apériodiques
peuvent être représentés par la fonction de transfert suivante :[1][5]

Y (s ) e − sTr

H (s ) = = k . (3.8)
U (s ) (1+ sT ) 0 n

Mis à part le gain statique k0 dont on aura déterminé la valeur au préalable, les paramètres
permettant de représenter de tels systèmes se réduisent donc au nombre de trois :

le retard pur Tr , fictif ou non ;

la constante de temps T ;

l’ordre n du système ;

Step Response
0.04

0.035

0.03

0.025

0.02
Amplitude

0.015

0.01

0.005

0
tr t1
-0.005 t2
tu ta
-0.01
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Time (seconds)

Fig 4.3: Réponse indicielle d’un système apériodique

Partant de la réponse indicielle théorique de la Figure 4.3 d’un système d’ordre n sans retard
pur, Strejc a calculé les temps caractéristiques Tu et Ta. Ces résultats ont été reportés dans le
tableau 4.1.

38
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

N y T T t
q
α = u
β = 99

y (∞ ) Ta
T
a
T

1 0 0 1 5

2 0.26 0.104 0.368 6.66

3 0.32 0.218 0.271 8.40

4 0.35 0.319 0.224 10.1

5 0.37 0.410 0.195 11.7

6 0.38 0.493 0.175 13.1

7 0.39 0.570 0.161 14.6

8 0.40 0.642 0.149 16.1

9 0.41 0.709 0.140 17.4

10 0.41 0.773 0.132 18.8

Tab 3.1 : Tableau des paramètres de Strejc

La première colonne de ce tableau donne la position du point d’inflexion Q. généralement, on ne

l’utilise que pour déceler des non-linéarités. La deuxième colonne permet de calculer le temps Tu
et d’en tiret le temps de retard Tr=t1-Tu. De la troisième colonne, on tire la constante du temps T
du système. La dernière colonne est purement indicative et donne le temps nécessaire pour
atteindre le régime permanent 99% de la valeur asymptotique.

La méthode de Strejc consiste à mesurer sur la réponse indicielle ( Fig 3.4) du système les
temps caractéristiques t1 et Ta, puis d’en déduire Tu et Tr. une fois ceux-ci obtenus, il reste à
vérifier leur validité.

39
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Méthode

Pour déterminer les paramètres d’un modèle de Strejc, il faut :

1- mesurer le gain statique du système ;

2- mesurer les temps Ta et t1 ;
3- estimer le retard maximum Trmax ;
4- tirer du tableau de Strejc la valeur de Tu = α .Ta pour différentes valeurs de n ;

5- calculer le retard Tr = t1-Tu ;

6- calculer la constante de temps T = β .T a
;

7- déterminer les ordres n possibles en ne conservant que les temps de retard admissibles ;

Lors de l’application de cette méthode, on notera que les paramètres n, T et Tr peuvent varier très
sensiblement pour un même système. On n’en déduira pas que la méthode est mauvaise. Car,
dans la mesure où l’on ne recherche qu’un modèle de représentation, l’essentiel est que la
réponse du modèle soit aussi proche que possible de la réponse du système étudié. On
n’oubliera cependant pas qu’une très bonne reproduction de la réponse mesurée peut être
obtenue avec des combinaisons assez différentes des paramètres de Strejc.

3.1 Exemple : Modélisation d’un échangeur de chaleur

Dans cet exemple, on se propose d’obtenir un modèle de représentation d’un échangeur de

chaleur après avoir enregistré l’évolution de sa température de sortie par une brusque diminution
du débit de l’eau chaude consommée en passant de 4.8 [ 1/min] à 2.7 [1/min]

Détermination de modèle :

1-l’augmentation de température ∆T de 7[C°] est consécutive à la diminution de débit

∆Q de 2.1 [1/min].

Le gain statique vaut donc :

∆T + 7[C ]  C
0

0

k = = = −3.33
∆Q − 2.1[1 / min ] 1 / min 

0

40
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

2- le temps de retard semble etre inférieur à la minute Trmax = 60[s]

3-le tracé de la tangente au point d’inflexion permet d’obtenir les temps caractéristiques de Strejc
t1=126[s], t2=348[s], d’où Ta= 222[s]

4- le tracé de la position des points d’inflexion pour n allant de 2 à 10 montre que tous ces ordres
sont possibles et que, dans ce domaine de variation de température, le système peut être
considéré linéaire.

Cela étant établi, on construit le tableau d’identification tableau 4.2 ci-dessous.

Considérant qu’il doit exister un temps de retard inférieur à Trmax , mais plus grand que 0, on voit
que le tableau ne nous propose que modèles possibles : d’ordre 5 et 6.

Y (s ) e −35 s

H (s ) = =k . (4.9)
U (s ) (1+ 43.s )
5 0 5

Y (s ) e −17 s

H (s ) = =k . (4.10)
U (s ) (1+39.s )
6 0 6

T Tu T
N
u
T = t −T
r 1 u T remarque
T a
Ta

2 0.104 23 103 0.368 82 Tr>Trmax

3 0.218 48 78 0.271 60 Tr>Trmax

4 0.319 71 55 0.224 50 Tr≈Trmax

5 0.410 91 35 0.195 43 Tr<Trmax

6 0.493 109 17 0.175 39 Tr<Trmax

7 0.570 127 -1 0.161 36 Tr≈0

8 0.642 143 -17 0.149 33 Tr<0

Tab 4.2: tableau d’identification d’un échangeur

41
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

3.2 Interprétation des résultats fournis par la méthode de Strejc

Afin de mieux comprendre les relations existant entre les méthodes de Strejc et les systèmes
réels, appliquant cette méthode à des systèmes dont les transmitances sont connus exactement.

2.1 Systèmes avec des constantes de temps assez proches

Considérons un système décrit par 3 constantes de temps 3, 4 et 5 secondes. La mesure des

temps caractéristiques sur la réponse indicielle à conduit aux valeurs suivantes : t1=3.2 s, t2=18 s
et Ta=14.8 s qui nous permettent de construire le tableau d’identification Tab 4.3.

Les retards négatifs n’ayant aucune signification physique, on éliminera alors l’ordre 4. pour
n=3, le retard étant faible, on pourra ‘admettre nul. Il reste le choix entre les deux modèles
suivants :

Y (s ) e −1.66 s
(4.11)
H (s ) = = k .
U (s ) (1+5.48.s )
2 0 2

Y (s ) 1 (4.12)
H (s ) = = k .
U (s ) (1+ 4.s )
3 0 3

T Tu T
u
T = t −T
r 1 u T
N T a
T a

2 0.104 1.54 1.66 0.368 5.48

3 0.218 3.22 -0.02 0.271 4.00

4 0.319 4.71 -1.51 0.224 3.26

Tab 4.3 : Identification d’un système à 3 constantes de temps assez proches

Si une analyse physique du système montre que celui-ci ne peut pas posséder de retard pur, on
choisira la représentation d’ordre trois. On remarque alors que la constante de temps T=4s n’est
autre que la valeur moyenne des trois constantes de temps du système réel. Ce système est en
très bonne liaison avec le système réel.

42
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

2.2 Système avec des constantes de temps très différentes

Considérons un système décrit par 3 constantes de temps 0.7, 3.5 et 7 secondes. La mesure des
temps caractéristiques sur la réponse indicielle a donné : t1=2.1s, t2=16.4s et Ta=14.3s. a partir de
ces valeurs, on construit le tableau 4.4 d’identification suivant :

T Ta T
N
u
T = t −T
r 1 u T
T a
Ta

2 0.104 1.49 0.62 0.368 5.26

3 0.218 3.15 -1.01 0.271 3.86

4 0.319 4.58 -2.48 0.224 3.15

Tab 4.4 : Identification d’un système à 3 constantes très différentes

Les retards négatifs n’ayant aucune signification physique, le seul modèle possible est celui de
l’ordre 2 avec un retard :

Y (s ) e −0.62 s

H (s ) = =k. (4.13)
U (s ) (1+5.26.s )
2 0 2

Dans ce cas, où les constantes de temps sont très différentes, on voit que la modélisation de
Strejc a conduit à remplacer la constante de temps la plus petite par un retard Tr=0.62s et les
deux autres constantes de temps par une constante de temps égale à peu prés leur valeur
moyenne Tmoy=5.25s.

Si le système réel ne possède pas de retard pur, on peut remplacer le retard du modèle par une
constante de temps égale à Tr. pour cet exemple, on obtiendrait donc le modèle suivant :

Y (s ) 1 (4.14)
H (s ) = = k .
U (s ) (1 + 0.61s )(1+5.48.s )
2 0 2

43
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

4.4. Méthode de Hudzovic

Comme, on a pu le constater dans les méthodes précédentes, toutes les constantes de temps τ
sont identiques. Chose qui se contredit avec la pratique car ce n’est pas tous les systèmes qu’on
identifie avec ces méthodes possède toutes les constantes de temps identiques. Donc pour éviter
cet inconvénient on utilise la méthode de hudzovic qui elle prévoit proposé par Hudzovic en
1973 est de la forme suivante :[1]

1
F (s ) = (4.15)
∏ (1 + τ .s )
N n −1

k
k =0

et les n constantes de temps sont de la forme :

τ
pour k=0,1,…,n-1
τ =
k
r
1 − k.
n −1
où

τ est la plus petite constante de temps et r (0 ≤ r ≤ 1) est le paramètre de dispersion

des constantes de temps. Les n constants de temps de ce modèle sont régulièrement répartis entre
la plus petite τ et la plus grande r .
n −1

pour r=0, on se retrouve avec un modèle de Strejc.

Le mode opératoire pour cette méthode est comme suit :

Sur la caractéristique, on détermine les paramètres :

Tu
Ta , α = et δ = 1 − y N (Ta + Tu )
Ta

44
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Step Response
3.5

System: H
3 Time (sec): 683
Amplitude: 3.33

2.5

2
Amplitude

1.5

0.5

0
0 100 200 300 400 500 600 700
Time (sec)

Fig 4.5: Réponse indicielle d’un système d’ordre n

L’utilisation des abaques r = f (α ) paramétrée en n en traits pleins et r 2 = g (α )

2

paramétrée en δ (en % ) de la Figure 4.6. Pour un couple (δ ,α ), en déterminant le couple

(n, r ) correspondant.
τ 
Sur l’abaque de la Figure 4.7 donnant r = h  paramétrée en n, on déterminera τ compte
 Ta 
tenu des valeurs de Ta , n et τ .

Remarque :

Dans la plupart des cas, l’ordre du modèle donné par l’abaque, n’est pas entier. On donc
envisager plusieurs solutions.

-on garde l’ordre n non entier pour aboutir à un modèle non linéaire d’ordre fractionnaire
[oustaloup1983] ;

-on laisse α inchangé, on prend l’entier n1 le plus proche de n. ceci implique une nouvelle
valeur δ de δ et on admettra une erreur d’approximation égale à ∆ = δ − δ .
1 1

45
Modélisation et Identification des Systèmes Linéaires Licence Automatique

Fig 4.6: l’Abaque donnant n et r d’après Hudzovic

Fig 4.7 : Abaque donnant τ selon Hudzovic

46
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

4.5. Méthode de Broîda

Etape qualitative : structure du modèle de Broîda

La méthode de Broîda est une méthode d'identification en boucle ouverte d'une réponse
indicielle expérimentale, qui consiste à assimiler la fonction de transfert d'un système d'ordre n à
celle du premier ordre affectée d'un retard pur τ.

Le problème d'identification consistera donc à déterminer les paramètres suivants T, Constante

du temps (sec.), : Temps de retard pur (sec.) : τ.

Afin de déterminer des valeurs de ces paramètres, Broîda fait correspondre la réponse indicielle à
identifier et la fonction de transfert du 1er ordre affectée d'un retard en deux points t1 et t2
d'ordonnées correspondant à 28% et 40% de la valeur finale de la sortie du système.

Il suit de cette hypothèse, les systèmes d'équation suivants :

et

Paramètres du modèle de BROÏDA

∆𝑦𝑦(∞)
𝜏𝜏 = 2.8𝑡𝑡1 − 1.8𝑡𝑡2 ; 𝑇𝑇 = 5.5(𝑡𝑡2 − 𝑡𝑡1 ) ; 𝐾𝐾 = ∆𝐸𝐸

4.6. Identification par les méthodes fréquentielles

(méthode de Kardachov)
Sin on excite l’entrée u(t) d’un système linéaire continue de la fonction de transfert H(s) par un
signal sinusoïdal, sa sortie y(t) sera un signal sinusoïdal de la forme :[6]

y (t ) = ρ (w). A. sin (wt + ϕ ) (4.16)

47
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

u(t) Système y(t)

u (t ) = [Link] (wt ) u (t ) = ρ . [Link] (wt + ϕ )

ρA
A

la réponse harmonique sera donc :

y (t ) = ρ (w). A. sin (wt + ϕ ) (4.17)

H ( jw) = gain de système pour la pulsation w (l’amplitude) et ϕ (w) = arg H ( jw) =

déphasage harmonique de système.

Supposons que nous avons des mesures d’une caractéristique fréquentielle (expérimental) d’une
fonction de transfert données par la Figure 4.8.

H ( jw) = R ( jw) + jI ( jw)

e m
(4.18)

Im

Re

H(jw)

Fig 4.8: mesures fréquentielle d’un système linéaire

48
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

On suppose qu’on veut approximer cette réponse par d’une FT :

b + b .s + b .s + ... + b .s 2 m

H ( jw) = 0 1 2 m
(4.19)
1 + a .s + ... + a .s 1 n
n
s = jw

m+n
min k = : Nombre de points minimums pour déterminer ai et bi d’une fonction de
2
transfert.

La méthode est basée sue le remplacement de la facteur laplacien S par la valeur jw .

ub (wk ) + jvb (wk )

H ( jw) = = Re( jwk ) + j Im( jwk ) (4.20)
ua (wk ) + jva (wk )

u (w ) + jv (w ) = (Re( jw ) + j Im( jw
b k b k
))(u (w ) + jv (w ))
k k a k a k
(4.21)
= [Re( jw ).u (w ) − Im( jw ).v (w )] +
k a k k a k

j[Im( jw ).u (w ) + Re( jw ).v (w )]

k a k k a k

On réparti l’équation (4.21) sous la forme suivante :

[Re( jw ).u (w ) − Im( jw ).v (w )] = u (w ) (4.22)


k b k k b k b k

[Im( jw ).u (w ) + Re( jw ).v (w

k b k k b k
)] = v (w ) b k

Enfin on trouve la forme finale des équations :

u (w ) = b − b w + b w + ...
2 4
b k 0 2 4

u (w ) = 1 − a w + a w + ...

2 4
a k 2 4 (4.23)

v (w ) = b w − b w + b w + ...
3 5

b k 1 k 3 k 5 k

v (w ) = a w − a w + a w + ... 3 5

 a k 1 k 3 k 5 k

Exemple : soit à identifier un système par le modèle suivant :

b +bs
H (s ) = 0 1 (4.24)
1+ a s + a s 1 2
2

49
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

b +bs
H (s ) = 0
= Re( jw ) + j Im( jw )
1 (4.25)
1+ a s + a s 2 k k
1 2

Le tableau 4.5 ci-dessous donné les différentes mesures fréquentielle pratique d’un système
linéaire.

K wk II ∠ 0 Re Im

1 0.08 3.856 -20.91 3.605 -1.377

2 0.2223 3.121 -53.18 1.87 -2.5

3 0.3560 2.28 -76.23 0.543 -2.214

4 0.6786 1.04 -104.5 -0.26 -1.07

Tab 4.5: mesures pratique fréquentielle

Solution :

b + jb w
H (s ) = = Re( jw ) + j Im( jw
0 1 k
) (4.26)
1 − a w + ja w
2 k k

2 k 1 k

Re( jw )(1 − a w ) − Im( jw)a w = b

2

(4.27)

k 2 k 1 k 0

Re( jw )a w + Im( jw )(1 − a w ) = b w

2
k 1 k k 2 k 1 k

Application numérique :

Re( jw )(1 − a w ) − Im( jw )a w = b

2
1 2 1 1 1 1 0

Re( jw )a w + Im( jw )(1 − a w ) = b w


2


1 1 1 1 2 1 1 1

Re( jw )(1 − a w ) − Im( jw )a w = b

2
2 2 2 2 1 2 0

Re( jw )a w + Im( jw )(1 − a w ) = b w

 2
2 1 2 2 2 2 1 2

avec les points 1 et 4

50
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

3.605(1 − a (0.0819) ) + (1.377)a (0.0819) = b

2
2 1 0

3.605a (0.0819) − 1.377(1 − a (0.0819) ) = b (0.0819)


2


1 2 1

− 0.26(1 − a (0.6786) ) + 1.07 a (0.6786) = b

2
2 1 0

(− 0.26 )a (0.6786) − 1.07(1 − a (0.6786) ) = b 0.6786

 2
1 2 1

a 0.112 − a (0.0819) − b = −3.605

2
1 2 0

a 0.295 − a (0.0819) − b (0.0819) = 1.377


2


1 2 1

a 0.726 − a (0.6786) − b = 0.26

2
1 2 0


− a 0.176 − a (0.6786) − b 0.6786 = 1.07
1 2
2
1

L’ensemble des équations est de la forme Ax =B :

Avec A=[0.112 -0.0819^2 -1 0;

0.295 -0.0819^2 0 -0.0819;

0.726 -0.6786^2 -1 0;

-0.176 -0.6786^2 0 -0.6786]

et B=[-3.605;1.377;0.26;1.07]T;

La solution est donnée par : x=inv(A)*B

Donc et d’après les calcules on trouve les résultats suivants :

[a1 a2 b0 b1]= [4.3521 -2.6285 4.1101 -0.9218]

51
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

CHAPITRE 5

Identification Paramétrique par les Méthodes des

Moindres Carres Non Récursifs (M.C.N.R) et Récursifs
(M.C.R)

5.1. Introduction
Ce chapitre donne d’abord le principe général d’identification des modèles dynamiques des
procédés. Il présente ensuite la méthode d’identification paramétrique des procédés par la
méthode de moindres carrés non récursifs dans un premier temps, puis par la méthode des
moindres carrés récursifs.[4]

5.2. Principe d’identification des systèmes discrets

Soit un système discret donné par le modèle suivant :[1][4][6]

𝐵𝐵(𝑞𝑞 −1 ) 1
𝑦𝑦(𝑘𝑘) = 𝑢𝑢(𝑘𝑘) + 𝑒𝑒(𝑘𝑘) (5.1)
𝐴𝐴(𝑞𝑞 −1 ) 𝐴𝐴(𝑞𝑞 −1 )

Avec

𝑦𝑦(𝑘𝑘) : la sortie du système à l’instant (k) ; k l’instant d’échantillonnage

𝑢𝑢(𝑘𝑘) : l’entrée du système à l’instant (k) ; 𝑒𝑒(𝑘𝑘) :le bruit blanc (gaussien)

𝑞𝑞 −1 : opérateur de retard

𝑦𝑦(𝑘𝑘 − 1) = 𝑞𝑞 −1 𝑦𝑦(𝑘𝑘) ⇒ 𝑦𝑦(𝑘𝑘 − 𝑁𝑁) = 𝑞𝑞 −𝑁𝑁 𝑦𝑦(𝑘𝑘) (5.2)

𝐴𝐴(𝑞𝑞 −1 ) = 1 + 𝑎𝑎1 𝑞𝑞 −1 + 𝑎𝑎2 𝑞𝑞 −2 + 𝑎𝑎3 𝑞𝑞 −3 + ⋯ + 𝑎𝑎𝑛𝑛 𝑞𝑞 −𝑛𝑛 (5.3)

52
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

𝐵𝐵(𝑞𝑞−1 ) = 𝑏𝑏1 𝑞𝑞 −1 + 𝑏𝑏2 𝑞𝑞 −2 + 𝑏𝑏3 𝑞𝑞 −3 + ⋯ + 𝑏𝑏𝑚𝑚 𝑞𝑞 −𝑚𝑚 (5.4)

On suppose que touts les racines du polynôme 𝐴𝐴(𝑞𝑞 −1 ) sont à l’intérieur du cercle unité.

Remarque :

Si le système possède un retard pur d (entier)

𝑞𝑞 −𝑑𝑑 𝐵𝐵(𝑞𝑞 −1 ) 1
𝑦𝑦(𝑘𝑘) = 𝑢𝑢(𝑘𝑘) + 𝑒𝑒(𝑘𝑘) (5.5)
𝐴𝐴(𝑞𝑞 −1 ) 𝐴𝐴(𝑞𝑞 −1 )

𝐴𝐴(𝑞𝑞 −1 )𝑦𝑦(𝑘𝑘) = 𝐵𝐵(𝑞𝑞 −1 )𝑢𝑢(𝑘𝑘) + 𝑒𝑒(𝑘𝑘) (5.6)

(1 + 𝑎𝑎1 𝑞𝑞 −1 + 𝑎𝑎2 𝑞𝑞 −2 + 𝑎𝑎3 𝑞𝑞 −3 + ⋯ + 𝑎𝑎𝑛𝑛 𝑞𝑞 −𝑛𝑛 )𝑦𝑦(𝑘𝑘) = (𝑏𝑏1 𝑞𝑞 −1 + 𝑏𝑏2 𝑞𝑞 −2 + 𝑏𝑏3 𝑞𝑞 −3 +

…+𝑏𝑏𝑚𝑚𝑞𝑞−𝑚𝑚𝑢𝑢𝑘𝑘+𝑒𝑒𝑘𝑘 (5.7)

⇒ 𝑦𝑦(𝑘𝑘) + 𝑎𝑎1 𝑞𝑞 −1 𝑦𝑦(𝑘𝑘) + 𝑎𝑎2 𝑞𝑞 −2 𝑦𝑦(𝑘𝑘) + 𝑎𝑎3 𝑞𝑞 −3 𝑦𝑦(𝑘𝑘) + ⋯ + 𝑎𝑎𝑛𝑛 𝑞𝑞 −𝑛𝑛 𝑦𝑦(𝑘𝑘) =
𝑏𝑏1 𝑞𝑞 −1 𝑢𝑢(𝑘𝑘) + 𝑏𝑏2 𝑞𝑞 −2 𝑢𝑢(𝑘𝑘) + 𝑏𝑏3 𝑞𝑞 −3 𝑢𝑢(𝑘𝑘) + ⋯ + 𝑏𝑏𝑚𝑚 𝑞𝑞 −𝑚𝑚 𝑢𝑢(𝑘𝑘) + 𝑒𝑒(𝑘𝑘) (5.8)

⇒ 𝑦𝑦(𝑘𝑘) + 𝑎𝑎1 𝑦𝑦(𝑘𝑘 − 1) + 𝑎𝑎2 𝑦𝑦(𝑘𝑘 − 2) + 𝑎𝑎3 𝑦𝑦(𝑘𝑘 − 3) + ⋯ + 𝑎𝑎𝑛𝑛 𝑦𝑦(𝑘𝑘 − 𝑛𝑛) =
𝑏𝑏1 𝑢𝑢(𝑘𝑘 − 1) + 𝑏𝑏2 𝑢𝑢(𝑘𝑘 − 2) + 𝑏𝑏3 𝑢𝑢(𝑘𝑘 − 3) + ⋯ + 𝑏𝑏𝑚𝑚 𝑢𝑢(𝑘𝑘 − 𝑚𝑚) + 𝑒𝑒(𝑘𝑘) (5.9)

Maintenant la sortie réelle du système est donnée par l’équation suivante :

⇒ 𝑦𝑦(𝑘𝑘) = −𝑎𝑎1 𝑦𝑦(𝑘𝑘 − 1) − 𝑎𝑎2 𝑦𝑦(𝑘𝑘 − 2) − 𝑎𝑎3 𝑦𝑦(𝑘𝑘 − 3) − ⋯ − 𝑎𝑎𝑛𝑛 𝑦𝑦(𝑘𝑘 − 𝑛𝑛) +
𝑏𝑏1 𝑢𝑢(𝑘𝑘 − 1) + 𝑏𝑏2 𝑢𝑢(𝑘𝑘 − 2) + 𝑏𝑏3 𝑢𝑢(𝑘𝑘 − 3) + ⋯ + 𝑏𝑏𝑚𝑚 𝑢𝑢(𝑘𝑘 − 𝑚𝑚) + 𝑒𝑒(𝑘𝑘) (5.10)

On définit la sortie de prédiction (prédite par le modèle) :

⇒ 𝑦𝑦�(𝑘𝑘) = −𝑎𝑎�1 𝑦𝑦�(𝑘𝑘 − 1) − 𝑎𝑎�2 𝑦𝑦�(𝑘𝑘 − 2) − 𝑎𝑎�3 𝑦𝑦�(𝑘𝑘 − 3) − ⋯ − 𝑎𝑎�𝑛𝑛 𝑦𝑦�(𝑘𝑘 − 𝑛𝑛) +
𝑏𝑏�1 𝑢𝑢(𝑘𝑘 − 1) + 𝑏𝑏�2 𝑢𝑢(𝑘𝑘 − 2) + 𝑏𝑏�3 𝑢𝑢(𝑘𝑘 − 3) + ⋯ + 𝑏𝑏�𝑚𝑚 𝑢𝑢(𝑘𝑘 − 𝑚𝑚) (5.11)

On définit l’erreur de prédiction :

𝜀𝜀(𝑘𝑘) = 𝑦𝑦(𝑘𝑘) − 𝑦𝑦�(𝑘𝑘) (5.12)

La Figure 5.1, présente le principe d’identification des systèmes linéaires à base d’un critère des
moindres carrés.

53
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Système à identifier

e
+ y
Processus +

𝑛𝑛
+
min 𝑗𝑗𝜃𝜃 = � 𝜀𝜀 2 (𝑘𝑘)
𝑘𝑘=𝑚𝑚

Modèle 𝑦𝑦� -
paramétrique

Fig 5.1: méthode d’identification par moindre carré

Etant donné N paires de mesures entrées/sorties sur le processus à identifier, on peut trouver les
paramètres θi permettant de minimiser le critère J.

5.3. Méthode de moindres carrés

La méthode de moindre carré est la méthode la plus utilisées pour déterminer les paramètres du
modèle (ai et bi).

Cette méthode consiste à développer l’écart quadratique moyen entre la sortie réelle du processus
(y(k)) et celle du modèle ( 𝒚𝒚𝑴𝑴 (𝒌𝒌) 𝒐𝒐𝒐𝒐 𝒚𝒚
�(𝒕𝒕) ). Le principe est d’ajuster les différents paramètres du
modèle pour que cet écart soit le minimum possible.[1][4][6]

La sortie du modèle à l’instant k connaissant la suite des entrées et peut s’écrire par :

𝑦𝑦(𝑘𝑘) = −𝑎𝑎1 𝑦𝑦(𝑘𝑘 − 1) − 𝑎𝑎2 𝑦𝑦(𝑘𝑘 − 2) − ⋯ − 𝑎𝑎𝑛𝑛 𝑦𝑦(𝑘𝑘 − 𝑛𝑛) + 𝑏𝑏1 𝑢𝑢(𝑘𝑘 − 1) +
𝑏𝑏2 𝑢𝑢(𝑘𝑘 − 2) … + 𝑏𝑏𝑚𝑚 𝑢𝑢(𝑘𝑘 − 𝑚𝑚) + 𝑒𝑒(𝑘𝑘) (5.13)

La méthode est basé sur des essais expérimentales, en excitant l’entrée u(t) du systèmes réel par
un signal bien définit ( par un Signal Binaire Pseudo Aléatoire SBPA), puis en sauvegardant la
sortie du système y(t). À partir de ces deux fichiers, on peut construire les matrices nécessaires
pour déterminer les paramètres du modèle.

54
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

𝑦𝑦(𝑁𝑁) = −𝑎𝑎1 𝑦𝑦(𝑁𝑁 − 1) − 𝑎𝑎2 𝑦𝑦(𝑁𝑁 − 2) − ⋯ − 𝑎𝑎𝑛𝑛 𝑦𝑦(𝑁𝑁 − 𝑛𝑛) + 𝑏𝑏1 𝑢𝑢(𝑁𝑁 − 1) +
𝑏𝑏2 𝑢𝑢(𝑁𝑁 − 2) + ⋯ + 𝑏𝑏𝑚𝑚 𝑢𝑢(𝑁𝑁 − 𝑚𝑚) + 𝑒𝑒(𝑁𝑁) (5.14)

𝑦𝑦(𝑁𝑁 − 1) = −𝑎𝑎1 𝑦𝑦(𝑁𝑁 − 2) − 𝑎𝑎2 𝑦𝑦(𝑁𝑁 − 3) − ⋯ − 𝑎𝑎𝑛𝑛 𝑦𝑦(𝑁𝑁 − 1 − 𝑛𝑛) +

𝑏𝑏1 𝑢𝑢(𝑁𝑁 − 2) + 𝑏𝑏2 𝑢𝑢(𝑁𝑁 − 3) + ⋯ + 𝑏𝑏𝑚𝑚 𝑢𝑢(𝑁𝑁 − 1 − 𝑚𝑚) + 𝑒𝑒(𝑁𝑁 − 1) (5.15)

𝑦𝑦(𝑛𝑛) = −𝑎𝑎1 𝑦𝑦(𝑛𝑛 − 1) − 𝑎𝑎2 𝑦𝑦(𝑛𝑛 − 2) − ⋯ − 𝑎𝑎𝑛𝑛 𝑦𝑦(0) + 𝑏𝑏1 𝑢𝑢(𝑛𝑛 − 1) + 𝑏𝑏2 𝑢𝑢(𝑛𝑛 −
2) + ⋯ + 𝑏𝑏𝑚𝑚 𝑢𝑢(𝑛𝑛 − 𝑚𝑚) + 𝑒𝑒(𝑛𝑛) (5.16)

⇒ 𝑌𝑌 = ∅. 𝜃𝜃 + 𝐸𝐸 (5.17)

𝜃𝜃 𝑇𝑇 = [ 𝑎𝑎1 𝑎𝑎2 … 𝑎𝑎𝑛𝑛 𝑏𝑏1 𝑏𝑏2 … 𝑏𝑏𝑚𝑚 ] et 𝐸𝐸 𝑇𝑇 = [𝑒𝑒(𝑁𝑁) … 𝑒𝑒(𝑛𝑛)]

−𝑦𝑦(𝑁𝑁 − 1) − 𝑦𝑦(𝑁𝑁 − 2) ⋯ −𝑦𝑦(𝑁𝑁 − 𝑛𝑛) 𝑢𝑢(𝑁𝑁 − 1) 𝑢𝑢(𝑁𝑁 − 2) … 𝑢𝑢(𝑁𝑁 − 𝑚𝑚)

∅=� ⋮ ⋱ ⋮ �
−𝑦𝑦(𝑛𝑛 − 1) − 𝑦𝑦(𝑛𝑛 − 2) ⋯ −𝑦𝑦(0) 𝑢𝑢(𝑛𝑛) 𝑢𝑢(𝑛𝑛 − 1) … 𝑢𝑢(𝑛𝑛 − 𝑚𝑚)

Où ∅ est la matrice d’observation contient les mesures pratiques des deux fichiers entrée/sortie

Méthode d’estimation de 𝜽𝜽

Pour estimer on minimise le critère quadratique J

1
𝐽𝐽(𝜃𝜃) = ∑𝑛𝑛𝑘𝑘=𝑚𝑚 𝜀𝜀 2 (𝑘𝑘) = 𝜀𝜀 𝑇𝑇 𝜀𝜀 (5.18)
2

= [𝑌𝑌 − ∅𝜃𝜃]𝑇𝑇 [𝑌𝑌 − ∅𝜃𝜃] (5.19)

= 𝑌𝑌 𝑇𝑇 𝑌𝑌 − 𝜃𝜃 𝑇𝑇 ∅𝑇𝑇 𝑌𝑌 − 𝑌𝑌∅𝜃𝜃 + ∅𝑇𝑇 𝜃𝜃 𝑇𝑇 ∅𝜃𝜃 (5.20)

= 𝑌𝑌 𝑇𝑇 𝑌𝑌 − 2𝜃𝜃 𝑇𝑇 ∅𝑇𝑇 𝑌𝑌 + ∅𝑇𝑇 𝜃𝜃 𝑇𝑇 ∅𝜃𝜃 (5.21)

Le minimum de J est obtenu en recherchant la valeur 𝜃𝜃 qui annule les dérivés partielles par
𝑑𝑑𝑑𝑑
rapport à chacune des composantes de 𝜃𝜃 soit = 0.
𝑑𝑑𝑑𝑑

55
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

𝑑𝑑𝑑𝑑
= −2∅𝑇𝑇 𝑌𝑌 + ∅𝑇𝑇 ∅𝜃𝜃 = 0 (5.22)
𝑑𝑑𝑑𝑑

L’optimum donc est donné par:

𝜃𝜃� = [∅𝑇𝑇 ∅]−1 ∅𝑇𝑇 𝑌𝑌 (5.23)

5.4. Méthode des moindres carrés récursifs (M.C.R)

La méthode des moindres carrés a été introduite par Karl Gauss en 1809. Elle a été à la base de
toutes les méthodes d’identification récursifs et d’estimation des paramètres inconnus des
processus.[1]

L’algorithme des moindres carrés récursifs basé sur la minimisation d’un critère quadratique
∑ 𝜀𝜀 2 (𝑘𝑘) comme l’algorithme des moindres carrés non récursifs, mais cette fois-ci l’ajustement
des paramètres du modèle est en fonction des résultats de mesure à chaque instant de mesure t .

5.4.1 Structure de l’Algorithme MCR

L’algorithme d’adaptation paramétrique du M.C.R a comme objectif de minimiser un critère

quadratique en terme de l’erreur de prédiction.[1][4]

Pour comprendre cet algorithme, on considère un exemple à deux paramètres a1 et b1 inconnus.

𝑦𝑦(𝑡𝑡 + 1) = −𝑎𝑎1 𝑦𝑦(𝑡𝑡) + 𝑏𝑏1 𝑢𝑢(𝑡𝑡) = 𝜃𝜃 𝑇𝑇 ∅(𝑡𝑡) (5.24)

Où

𝜃𝜃(𝑡𝑡)𝑇𝑇 = [𝑎𝑎1 𝑏𝑏1 ]

Est le vecteur des paramètres et

∅(𝑡𝑡)𝑇𝑇 = [−𝑦𝑦(𝑡𝑡) 𝑢𝑢(𝑡𝑡)]

Est le vecteur des mesures ou des observations.

Le modèle de prédiction ajustable sera dans ce cas par :

�0 (𝑡𝑡 + 1) = −𝑎𝑎�1 (𝑡𝑡)𝑦𝑦(𝑡𝑡) + 𝑏𝑏�1 (𝑡𝑡)𝑢𝑢(𝑡𝑡) = 𝜃𝜃�(𝑡𝑡)𝑇𝑇 ∅(𝑡𝑡)

𝑦𝑦 (5.25)

Où 𝑦𝑦�0 (𝑡𝑡 + 1) représente la prédiction « a priori » dépendant des vecteurs des paramètres
estimés à l’instant t et

𝜃𝜃�(𝑡𝑡)𝑇𝑇 = [𝑎𝑎�1 𝑏𝑏�1 ]

56
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Est le vecteur des paramètres estimés.

La sortie « a posteriori » du prédicteur sera donnée par :

𝑦𝑦�(𝑡𝑡 + 1) = −𝑎𝑎�1 (𝑡𝑡 + 1)𝑦𝑦(𝑡𝑡) + 𝑏𝑏�1 (𝑡𝑡 + 1)𝑢𝑢(𝑡𝑡) = 𝜃𝜃�(𝑡𝑡 + 1)𝑇𝑇 ∅(𝑡𝑡) (5.26)

On définit l’erreur de prédiction « a priori » :

�0 (𝑡𝑡 + 1)
𝜀𝜀 0 (𝑡𝑡 + 1) = 𝑦𝑦(𝑡𝑡 + 1) − 𝑦𝑦 (5.27)

Et l’erreur de prédiction « a posteriori » par :

𝜀𝜀(𝑡𝑡 + 1) = 𝑦𝑦(𝑡𝑡 + 1) − 𝑦𝑦�(𝑡𝑡 + 1) (5.28)

L’objectif est de trouver un algorithme récursif qui minimise le critère des « moindres carrés » :

1
𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝜃𝜃� (𝑡𝑡) = ∑𝑡𝑡𝑖𝑖=1 𝜀𝜀 2 (𝑡𝑡) = 𝜀𝜀 𝑇𝑇 𝜀𝜀 (5.29)
2

1
= ∑𝑡𝑡𝑖𝑖=1[𝑦𝑦(𝑖𝑖) − 𝜃𝜃�(𝑡𝑡)𝑇𝑇 ∅(𝑖𝑖 − 1)]2 (5.30)
2

La valeur de 𝜃𝜃�(𝑡𝑡) qui minimise le critère quadratique précédent s’obtient en cherchant la valeur
𝜕𝜕𝜕𝜕 (𝑡𝑡)
qui annule � :
𝜕𝜕𝜃𝜃 (𝑡𝑡)

𝜕𝜕𝜕𝜕 (𝑡𝑡)
� (𝑡𝑡) = − ∑𝑡𝑡𝑖𝑖=1�𝑦𝑦(𝑖𝑖) − 𝜃𝜃�(𝑡𝑡)𝑇𝑇 ∅(𝑖𝑖 − 1)� ∅(𝑖𝑖 − 1) = 0 (5.31)
𝜕𝜕𝜃𝜃

Après plusieurs simplifications nous donnons ci-après la première formulation de l’algorithme

d’adaptation paramétrique (A.A.P) des moindres carrés récursifs :

𝜀𝜀 0 (𝑡𝑡 + 1) = 𝑦𝑦(𝑡𝑡 + 1) − 𝜃𝜃�(𝑡𝑡)𝑇𝑇 ∅(𝑡𝑡)

𝐹𝐹(𝑡𝑡)∅(𝑡𝑡)∅(𝑡𝑡)𝑇𝑇 𝐹𝐹(𝑡𝑡)
� 𝐹𝐹(𝑡𝑡 + 1) = 𝐹𝐹(𝑡𝑡) + (5.32)
1+∅(𝑡𝑡)𝑇𝑇 𝐹𝐹(𝑡𝑡)∅(𝑡𝑡)
𝜃𝜃�(𝑡𝑡 + 1) = 𝜃𝜃�(𝑡𝑡) + 𝐹𝐹(𝑡𝑡 + 1)∅(𝑡𝑡)𝜀𝜀 0 (𝑡𝑡
+ 1)

57
 Modélisation et Identification des Systèmes Linéaires Licence Automatique

Bibliographies

[1]- [Link],[Link] Tanguy,J.P. Richard,[Link], [Link], ‘ Modélisation et

Identification des Processus’ , Edition TECHNIP,Paris 1992.

[2]- M. Etique, ‘Cours Régulation automatique (REG)’, (HEIG-Vd), Filière Génie Electrique,
octobre 2005.

[3]- K. Devendre, ‘Modeling and Simulation of Systems Using Matlab’ CRC press 2010.

[4]- ID. Landau, ‘Identification et Commande des Systèmes’,Edition Hermes, Paris 1988.

[5]- P. Prouvost,’ Automatique Contrôle et Régulation’,Dunod, Paris,2004.

[6]- M. Ghoualmi,’ Analyse et Identification de l’Ecoulement dans un Bassin d’Epuration

d’Eaux Usées Connexions avec les Modèles Biologiques’ thèse Doctorat, Université des
sciences et techniques de lille,1978

58