THESE

Présentée à
L’UNIVERSITE DE POITIERS

Pour l’obtention du grade de

DOCTEUR DE L’UNIVERSITE DE POITIERS
ECOLE SUPERIEURE D’INGENIEURS DE POITIERS
ECOLE DOCTORALE DES SCIENCES POUR L’INGENIEUR
Diplôme National - Arrêté du 7 août 2006
SPECIALITE : AUTOMATIQUE

Pour l’obtention du grade de

DOCTEUR DE L’ECOLE NATIONALE D’INGENIEURS DE TUNIS
SPECIALITE : GENIE ELECTRIQUE

Présentée par
Imène BEN AMEUR BAZINE

IDENTIFICATION EN BOUCLE FERMÉE DE LA

MACHINE ASYNCHRONE :
APPLICATION À LA DÉTECTION DE DÉFAUT

Directeurs de Thèse : J.-C. TRIGEASSOU et K. JELASSI

Co-encadrement : T. POINOT

Présentée et soutenue publiquement le 16 juin 2008

COMPOSITION DU JURY

Rapporteurs : Nabil DERBEL Professeur à l’ENIS Sfax

Maurice FADEL Professeur à l’INP Toulouse
Examinateurs : Ilhem BELKHODJA Professeur à l’ENIT Tunis
Mohamed BENREJEB Professeur à l’ENIT Tunis
Khaled JELASSI Maı̂tre de conférences à l’ENIT Tunis
Thierry POINOT Professeur à l’Université de Poitiers
Jean-Luc THOMAS Professeur titulaire de chaire au CNAM Paris
Jean-Claude TRIGEASSOU Professeur émérite à l’Université de Poitiers

Thèse préparée au sein du Laboratoire d’Automatique et d’Informatique Industrielle de Poitiers

et du Laboratoire des Systèmes Electriques de Tunis
Mis en page avec la classe thloria.
 Remerciements

Je tiens à exprimer toute ma gratitude et mes sincères remerciements à Mon-

sieur Jean-Claude TRIGEASSOU, Professeur à l’Université de Poitiers, pour
avoir dirigé ce travail, pour ses grandes compétences scientifiques ainsi que pour
ses conseils, ses remarques toujours constructives, ses remarquables qualités hu-
maines, son soutien, la confiance et l’amitié qu’il m’a toujours témoignées.

Je remercie Monsieur Khaled JELASSI, Maı̂tre de Conférences à l’Ecole Na-

tionale d’Ingénieurs de Tunis, pour m’avoir encadrée depuis le PFE. Je le remercie
également pour son aide, sa confiance ainsi que son amitié.

J’adresse également mes remerciements à Monsieur Thierry POINOT, pour

avoir co-dirigé ce travail ainsi que pour son soutien tout au long de cette thèse.

Que Monsieur Maurice FADEL, Professeur à l’I.N.P. de Toulouse et Mon-

sieur Nabil DERBEL Professeur à l’E.N.I.S de Sfax trouvent ici l’expression de
ma profonde gratitude pour m’avoir fait l’honneur de rapporter ce travail. Ces
remerciements s’adressent également à Monsieur Mohamed BENREJEB, Profes-
seur à l’E.N.I.T de Tunis, Monsieur Jean-Luc THOMAS, Professeur au C.N.A.M
de Paris et Madame Ilhem BELKHODJA, Professeur à l’E.N.I.T de Tunis pour
avoir accepté de participer au jury de cette thèse.

Je remercie chaleureusement Monsieur Gérard Champenois, Professeur à l’Uni-

versité de Poitiers et Directeur du Laboratoire d’Automatique et d’Informatique
Industrielle pour m’avoir accueillie au sein de son équipe et pour m’avoir en-
couragée tout au long de ces travaux, ainsi que pour ses remarquables qualités
humaines.

Je remercie aussi Nezha MAAMRI, Maı̂tre de Conférences à l’Université de

Poitiers pour son amitié ainsi que pour tous les très bons moments passés en sa
compagnie.

Je voudrais également remercier toutes les personnes des laboratoires L.A.I.I

et L.S.E, qui m’ont toujours offert leur aide et qui ont su créer une ambiance
agréable. Je ne peux les citer tous de risque d’en oublier.

Pour finir, je tiens à remercier du fond du coeur ma famille et ma belle-famille

qui m’ont encouragée tout au long de ces années d’études. Qu’ils reçoivent ici

i
ma profonde gratitude pour leurs innombrables sacrifices. Merci aussi à nos chers
cousins Rym et Rochdi.

Enfin mes plus tendres remerciements vont à mon mari Sadok pour tout son
soutien, sa patience, sa complicité indispensables durant ces années d’études ainsi
que ma très chère fille Aya pour sa patience durant toutes les périodes d’absence
de maman et papa.

ii
 A ma famille
A ma belle-famille
A Sadok
A ma très chère fille Aya

iii
iv
 Table des matières

Introduction générale 1

Chapitre 1 La machine asynchrone : modélisation, commande et

simulation 5
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Modélisation de la machine asynchrone . . . . . . . . . . . . . . . 6
1.2.1 Modèle triphasé . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Modèle diphasé de Park . . . . . . . . . . . . . . . . . . . 10
1.2.2.1 Transformation triphasée/diphasé . . . . . . . . . 10
1.2.2.2 Équations générales . . . . . . . . . . . . . . . . 11
1.3 Commande vectorielle à flux rotorique orienté . . . . . . . . . . . 14
1.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.2 Expression générale de la commande . . . . . . . . . . . . 15
1.3.3 Découplage par compensation . . . . . . . . . . . . . . . . 16
1.3.4 Schéma de principe de la commande vectorielle . . . . . . 17
1.4 Protocole de simulation . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5 Exemple de simulation . . . . . . . . . . . . . . . . . . . . . . . . 21
1.6 Simulations dédiées à l’identification . . . . . . . . . . . . . . . . 22
1.6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.6.2 Modèle dédié à l’identification directe . . . . . . . . . . . . 26
1.6.3 Modèle dédié à l’identification indirecte . . . . . . . . . . . 27
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

Chapitre 2 Identification en boucle fermée 29

v
Table des matières

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2 Identification en boucle ouverte . . . . . . . . . . . . . . . . . . . 31
2.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.2 Algorithme d’identification du type erreur de sortie . . . . 31
2.2.3 Estimation paramétrique avec information a priori . . . . 33
2.2.3.1 Introduction de l’information a priori . . . . . . 34
2.2.3.2 Algorithme d’optimisation non linéaire . . . . . . 35
2.2.3.3 Calcul des fonctions de sensibilité . . . . . . . . . 36
2.2.3.4 Mise en œuvre . . . . . . . . . . . . . . . . . . . 37
2.2.3.4.1 Choix de l’information a priori . . . . . 37
2.2.3.4.2 Choix de la variance de la perturbation
de sortie . . . . . . . . . . . . . . . . . . 38
2.2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3 Un panorama des méthodes d’identification en boucle fermée . . . 39
2.3.1 Problématique de l’identification en boucle fermée . . . . . 40
2.3.2 L’approche directe . . . . . . . . . . . . . . . . . . . . . . 41
2.3.2.1 Principe . . . . . . . . . . . . . . . . . . . . . . . 41
2.3.2.2 Biais de l’approche directe en boucle fermée . . . 41
2.3.3 L’approche simultanée . . . . . . . . . . . . . . . . . . . . 43
2.3.4 L’approche indirecte . . . . . . . . . . . . . . . . . . . . . 44
2.3.4.1 Principe . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.4.2 Méthodes associées à une paramétrisation appro-
priée . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.3.4.2.1 Méthode C.L.O.E. . . . . . . . . . . . . 46
2.3.4.2.2 Méthode Tailor-Made Parametrisation . 47
2.3.4.3 Conclusion . . . . . . . . . . . . . . . . . . . . . 48
2.4 Méthode d’identification O.E. basée sur une décomposition de la
boucle fermée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.2 Identification de correcteur . . . . . . . . . . . . . . . . . . 50
2.4.2.1 Méthodologie . . . . . . . . . . . . . . . . . . . . 50

vi
 2.4.2.2 Etude de la surparamétrisation . . . . . . . . . . 52
2.4.2.2.1 Introduction . . . . . . . . . . . . . . . . 52
2.4.2.2.2 Les moments discrets . . . . . . . . . . . 53
2.4.2.3 Simulations numériques . . . . . . . . . . . . . . 54
2.4.2.3.1 Choix de la structure du correcteur . . . 54
2.4.2.3.2 Les moments discrets . . . . . . . . . . . 57
2.4.3 Méthodologie d’identification indirecte par erreur de sortie 58
2.4.3.1 Calcul des fonctions de sensibilité . . . . . . . . . 58
2.4.3.2 Exemple d’application . . . . . . . . . . . . . . . 59
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

Chapitre 3 Identification en boucle fermée de la machine à courant

continu 65
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.2 La machine à courant continu : modélisation et commande . . . . 66
3.3 Description du simulateur . . . . . . . . . . . . . . . . . . . . . . 69
3.3.1 Protocole de simulation . . . . . . . . . . . . . . . . . . . 69
3.3.2 Types d’excitation . . . . . . . . . . . . . . . . . . . . . . 71
3.4 Méthodologie d’identification en boucle fermée . . . . . . . . . . . 72
3.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.4.2 Identification du correcteur équivalent . . . . . . . . . . . 73
3.4.2.1 Méthodologie . . . . . . . . . . . . . . . . . . . . 73
3.4.2.2 Les moments discrets . . . . . . . . . . . . . . . . 75
3.4.2.3 Simulations numériques . . . . . . . . . . . . . . 77
3.4.3 Identification indirecte par erreur de sortie . . . . . . . . . 80
3.4.3.1 Principe . . . . . . . . . . . . . . . . . . . . . . . 80
3.4.3.2 Calcul des fonctions de sensibilité . . . . . . . . . 80
3.5 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.5.1 Identification indirecte avec correcteur réel pour différentes
excitations . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.5.2 Identification directe pour différentes excitations . . . . . . 86

vii
Table des matières

3.5.3 Identification Indirecte avec correcteur surparamétrisé . . . 89

3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

Chapitre 4 Identification en boucle fermée de la machine asyn-

chrone 97
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.2 Identification par approche directe . . . . . . . . . . . . . . . . . . 99
4.2.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.2.2 Calcul des fonctions de sensibilité . . . . . . . . . . . . . . 101
4.2.3 Résultat d’identification . . . . . . . . . . . . . . . . . . . 102
4.3 Méthodologie générale d’identification en boucle fermée . . . . . . 104
4.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.3.2 Identification de la commande vectorielle . . . . . . . . . . 105
4.3.2.1 Méthodologie d’identification de correcteur . . . . 105
4.3.2.2 Test de surparamétrisation . . . . . . . . . . . . 110
4.3.2.3 Résultats de simulation . . . . . . . . . . . . . . 111
4.3.3 Identification de la machine par décomposition de la boucle
fermée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.3.3.1 Principe . . . . . . . . . . . . . . . . . . . . . . . 117
4.3.3.2 Calcul des fonctions de sensibilité . . . . . . . . . 118
4.3.4 Résultat d’identification . . . . . . . . . . . . . . . . . . . 121
4.4 Comparaison de résultats d’identification : approche directe/approche
indirecte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

Chapitre 5 Diagnostic de la machine asynchrone par approche in-

directe 129
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.2 Modèles de défaut de la machine asynchrone . . . . . . . . . . . . 131
5.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 131
5.2.2 Modèle de défauts statoriques de type court-circuit . . . . 132

viii
 5.2.3 Modèle de défaut rotorique . . . . . . . . . . . . . . . . . . 134
5.2.4 Modèle général de défauts de la machine asynchrone . . . 136
5.2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.3 Résultats du diagnostic de la machine asynchrone en boucle fermée 138
5.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.3.2 Estimation paramétrique avec information a priori . . . . 139
5.3.3 Diagnostic d’un défaut stator . . . . . . . . . . . . . . . . 140
5.3.3.1 Modèle dédié au diagnostic des courts-circuits au
stator . . . . . . . . . . . . . . . . . . . . . . . . 140
5.3.3.2 Résultats de simulation . . . . . . . . . . . . . . 142
5.3.3.2.1 Détection et localisation . . . . . . . . . 142
5.3.3.2.2 Comparaison de résultats d’identification
par approche directe et approche indirecte144
5.3.4 Diagnostic d’un défaut rotor . . . . . . . . . . . . . . . . . 147
5.3.4.1 Modèle de détection . . . . . . . . . . . . . . . . 147
5.3.4.2 Résultats de simulation . . . . . . . . . . . . . . 148
5.3.4.2.1 Détection et localisation . . . . . . . . . 148
5.3.4.2.2 Comparaison de résultats d’identification
par approche directe et approche indirecte151
5.3.5 Diagnostic de défauts simultanés stator/rotor . . . . . . . 152
5.3.5.1 Modèle de détection . . . . . . . . . . . . . . . . 152
5.3.5.2 Résultats de simulation . . . . . . . . . . . . . . 152
5.3.5.2.1 Détection et localisation . . . . . . . . . 152
5.3.5.2.2 Comparaison de résultats d’identification
par approche directe et approche indirecte155
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157

Conclusion générale 159

Annexes 163

Annexe A Biais de l’estimateur 163

ix
Table des matières

A.1 Algorithme à erreur de sortie . . . . . . . . . . . . . . . . . . . . 163

A.2 Hypothèse déterministe . . . . . . . . . . . . . . . . . . . . . . . . 163
A.3 Hypothèse stochastique . . . . . . . . . . . . . . . . . . . . . . . . 164
A.3.1 Identification en boucle ouverte . . . . . . . . . . . . . . . 166
A.3.2 Identification en boucle boucle fermée par approche directe 166
A.3.3 Identification en boucle boucle fermée par approche indirecte167

Annexe B Relations linéaires entre moments discrets et paramètres

du correcteur 169
B.1 Cas d’un correcteur sans intégrateur . . . . . . . . . . . . . . . . 169
B.2 Cas d’un correcteur avec un intégrateur . . . . . . . . . . . . . . . 171

Annexe C Identification de la machine à courant continu 173

Bibliographie 179

x
 Table des figures

1.1 Principe de la transformation de Park . . . . . . . . . . . . . . . . 10

1.2 Schéma électrique équivalent de la machine asynchrone dans le
repère de Park . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Modèle de la machine . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Découplage par addition des termes de compensation . . . . . . . 18
1.5 Simulateur pour l’obtention des signaux synthétiques . . . . . . . 20
1.6 Contrôle de la vitesse (flux rotorique orienté) . . . . . . . . . . . . 23
1.7 Courants et tensions statoriques dans le repère du stator . . . . . 24
1.8 Courants et tensions statoriques dans le repère du rotor . . . . . . 24

2.1 Principe des méthodes à erreur de sortie . . . . . . . . . . . . . . 32

2.2 Système bouclé . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3 Principe de l’identification directe en boucle fermée . . . . . . . . 42
2.4 Système bouclé . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.5 Principe de l’identification indirecte en boucle fermée . . . . . . . 49
2.6 Processus bouclé . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.7 Moments discrets des correcteurs surparamétrisés en fonction de
l’ordre S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.8 Identification en présence d’un bruit blanc . . . . . . . . . . . . . 61
2.9 Identification en présence d’un bruit moyennement corrélé c1 = −0.5 62
2.10 Identification en présence d’un bruit fortement corrélé c1 = −0.95 63

3.1 Principe de la régulation de la machine MCC . . . . . . . . . . . 68

3.2 Principe de la simulation de la MCC . . . . . . . . . . . . . . . . 69
3.3 Contrôle de la machine à courant continu . . . . . . . . . . . . . . 71
3.4 Principe du correcteur équivalent . . . . . . . . . . . . . . . . . . 73
3.5 Comparaison des commandes réelle et estimées pour chaque struc-
ture surparamétrisée . . . . . . . . . . . . . . . . . . . . . . . . . 80

xi
Table des figures

3.6 Principe de l’identification indirecte pour la MCC . . . . . . . . . 81

3.7 Identification indirecte en présence d’un bruit blanc sur le courant
et la vitesse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.8 Identification indirecte en présence d’un bruit fortement corrélé sur
le courant et d’un bruit blanc sur la vitesse . . . . . . . . . . . . . 85
3.9 Identification indirecte en présence d’un bruit fortement corrélé sur
le courant et d’un bruit moyennement corrélé sur la vitesse . . . . 87
3.10 Identification directe en présence d’un bruit fortement corrélé sur
le courant et d’un bruit blanc sur la vitesse . . . . . . . . . . . . . 88
3.11 Identification directe en présence d’un bruit fortement corrélé sur
le courant et d’un bruit moyennement corrélé sur la vitesse . . . . 88
3.12 Identification indirecte avec correcteur réel et correcteur surpara-
métrisé en présence d’un bruit moyennement corrélé sur le courant 90
3.13 Identification indirecte avec correcteur réel et correcteur surpara-
métrisé en présence d’un bruit fortement corrélé sur le courant . . 91
3.14 Identification indirecte en présence d’un bruit fortement corrélé sur
le courant et d’un bruit blanc sur la vitesse . . . . . . . . . . . . . 92
3.15 Identification indirecte en présence d’un bruit fortement corrélé sur
le courant et d’un bruit moyennement corrélé sur la vitesse . . . . 92
3.16 Evolution des paramètres électriques estimés durant la procédure
d’identification I.I.C.S . . . . . . . . . . . . . . . . . . . . . . . 93
3.17 Comparaison des courants et des tensions simulés et estimés pour
l’I.I.C.S.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.18 Identification en présence d’un bruit fortement corrélé sur le cou-
rant et d’un bruit blanc sur la vitesse . . . . . . . . . . . . . . . . 94

4.1 Principe de l’identification directe de la machine asynchrone . . . 100

4.2 Evolution des paramètres électriques durant la procédure d’esti-
mation par identification directe . . . . . . . . . . . . . . . . . . . 102
4.3 Comparaison des courants simulés et estimés d’axes (d, q) pour
l’identification directe . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.4 Erreur d’estimation de l’identification directe . . . . . . . . . . . . 103
4.5 Décomposition de la commande de la machine en sous-systèmes
multi-entrées mono-sortie . . . . . . . . . . . . . . . . . . . . . . . 107
4.6 Comparaison des commandes réelle et estimées pour chaque struc-
ture surparamétrisée de CEq−uds . . . . . . . . . . . . . . . . . . . 114

xii
4.7 Comparaison des commandes réelle et estimées pour chaque struc-
ture surparamétrisée de CEq−uqs . . . . . . . . . . . . . . . . . . . 116
4.8 Principe de l’identification indirecte de la machine asynchrone . . 117
4.9 Evolution des paramètres électriques durant la procédure d’esti-
mation par identification indirecte . . . . . . . . . . . . . . . . . . 121
4.10 Comparaison des courants (et tensions) simulés et estimés d’axes
(d, q) pour l’identification indirecte . . . . . . . . . . . . . . . . . 122
4.11 Erreur d’estimation de l’identification indirecte . . . . . . . . . . . 123
4.12 Identification en présence d’un bruit blanc sur les courants . . . . 124
4.13 Identification en présence d’un bruit fortement corrélé sur les cou-
rants et d’un bruit blanc sur la vitesse . . . . . . . . . . . . . . . 125
4.14 Identification en présence d’un bruit fortement corrélé sur le cou-
rant et d’un bruit moyennement corrélé sur la vitesse . . . . . . . 127

5.1 Modèle de défauts statoriques de la machine asynchrone . . . . . 132

5.2 Modèle de défauts rotoriques de la machine asynchrone . . . . . . 135
5.3 Modèle de défauts stator/rotor de la machine asynchrone . . . . . 136
5.4 Évolution des paramètres pour un court-circuit de 58 spires sur la
phase a et 29 spires sur la phase b . . . . . . . . . . . . . . . . . . 143
5.5 Comparaison des courants et des tensions simulés et estimés pour
un court-circuit de 58 spires sur la phase a et 29 spires sur la phase
b d’axe q de Park . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.6 Résultats d’identification paramétrique pour un court-circuit de 18
spires sur la phase c . . . . . . . . . . . . . . . . . . . . . . . . . . 146
5.7 Résultats d’identification paramétrique pour un court-circuit de 58
spires sur la phase a et 29 spires sur la phase b . . . . . . . . . . . 146
5.8 Évolution des paramètres de défaut pour une barre cassée . . . . 149
5.9 Comparaison des courants et des tensions simulés et estimés pour
une rupture d’une barre . . . . . . . . . . . . . . . . . . . . . . . 150
5.10 Évolution des paramètres pour un défaut de deux barres cassées . 150
5.11 Évolution des paramètres de défaut dans le cas d’une machine saine
par identification indirecte . . . . . . . . . . . . . . . . . . . . . . 153
5.12 Évolution des paramètres pour un court-circuit de 29 spires sur
la phase a, 18 spires sur la phase c et deux barres cassées par
identification indirecte . . . . . . . . . . . . . . . . . . . . . . . . 154

xiii
Table des figures

5.13 Évolution des paramètres pour un court-circuit de 29 spires sur

la phase a, 18 spires sur la phase c et deux barres cassées par
identification directe . . . . . . . . . . . . . . . . . . . . . . . . . 154
5.14 Comparaison des courants (et tensions) simulés et estimés pour un
court-circuit de 29 spires sur la phase a, 18 spires sur la phase c et
deux barres cassées . . . . . . . . . . . . . . . . . . . . . . . . . . 155
5.15 Résultats d’estimation paramétrique (défauts simultanés) . . . . . 157

A.1 Identification en boucle ouverte . . . . . . . . . . . . . . . . . . . 166

A.2 Identification en boucle fermée par approche directe . . . . . . . . 166
A.3 Identification en boucle fermée par approche indirecte . . . . . . . 167

C.1 Machine à courant continu (MCC) . . . . . . . . . . . . . . . . . 173

C.2 Les entrées / sorties de la MCC . . . . . . . . . . . . . . . . . . . 174
C.3 Simulation en boucle ouverte à u = 20 V . . . . . . . . . . . . . . 176
C.4 Simulation en boucle fermée à ωref = 90 rad/s . . . . . . . . . . . 177

xiv
 Liste des tableaux

1.1 Caractéristiques de la machine . . . . . . . . . . . . . . . . . . . . 21

2.1 Structures des correcteurs surparamétrisés . . . . . . . . . . . . . 56

2.2 les moments discrets du vrai correcteur . . . . . . . . . . . . . . . 57
2.3 Identification en présence d’un bruit blanc . . . . . . . . . . . . . 61
2.4 Identification en présence d’un bruit moyennement corrélé c1 = −0.5 62
2.5 Identification en présence d’un bruit fortement corrélé c1 = −0.95 62

3.1 Caractéristiques de la MCC . . . . . . . . . . . . . . . . . . . . . 70

3.2 Structures des correcteurs surparamétrisés de la MCC . . . . . . . 78
3.3 Les moments discrets des correcteurs surparamétrisés Cw . . . . . 79
3.4 Les moments discrets des correcteurs surparamétrisés Ci . . . . . 79
3.5 Identification indirecte en présence d’un bruit blanc sur le courant
et la vitesse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.6 Identification indirecte en présence d’un bruit fortement corrélé sur
le courant et d’un bruit blanc sur la vitesse . . . . . . . . . . . . . 85
3.7 Identification indirecte en présence d’un bruit fortement corrélé sur
le courant et d’un bruit moyennement corrélé sur la vitesse . . . . 86
3.8 Identification directe en présence d’un bruit fortement corrélé sur
le courant et d’un bruit blanc sur la vitesse . . . . . . . . . . . . . 87
3.9 Identification directe en présence d’un bruit fortement corrélé sur
le courant et d’un bruit moyennement corrélé sur la vitesse . . . . 88
3.10 Identification indirecte avec correcteur réel et correcteur surpara-
métrisé en présence d’un bruit moyennement corrélé sur le courant 90
3.11 Identification indirecte avec correcteur réel et correcteur surpara-
métrisé en présence d’un bruit fortement corrélé sur le courant . . 91

xv
Liste des tableaux

3.12 Identification indirecte avec correcteur réel et correcteur surpara-

métrisé en présence d’un bruit fortement corrélé sur le courant et
d’un bruit blanc sur la vitesse . . . . . . . . . . . . . . . . . . . . 91
3.13 Identification indirecte avec correcteur réel et correcteur surpara-
métrisé en présence d’un bruit fortement corrélé sur le courant et
d’un bruit moyennement corrélé sur la vitesse . . . . . . . . . . . 92
3.14 Identification en présence d’un bruit fortement corrélé sur le cou-
rant et d’un bruit blanc sur la vitesse . . . . . . . . . . . . . . . . 94

4.1 Structures des correcteurs équivalents surparamétrisés CEq−uds . . 112

4.2 Structures des correcteurs équivalents surparamétrisés CEq−uqs . . 113
4.3 Les moments discrets des correcteurs surparamétrisés Cid . . . . . 113
4.4 Les moments discrets des correcteurs surparamétrisés Cωiq . . . . 113
4.5 Erreur quadratique entre la commande réelle uds et la commande
estimée ûds . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.6 Les moments discrets des correcteurs surparamétrisés Cω . . . . . 115
4.7 Les moments discrets des correcteurs surparamétrisés Ciq . . . . . 115
4.8 Les moments discrets des correcteurs surparamétrisés Cωid . . . . 115
4.9 Les moments discrets des correcteurs surparamétrisés Cωφ . . . . 116
4.10 Erreur quadratique entre la commande réelle uqs et la commande
estimée ûqs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.11 Caractéristiques de la machine asynchrone . . . . . . . . . . . . . 122
4.12 Identification en présence d’un bruit blanc sur les courants . . . . 124
4.13 Identification en présence d’un bruit fortement corrélé sur les cou-
rants et d’un bruit blanc sur la vitesse . . . . . . . . . . . . . . . 125
4.14 Identification en présence d’un bruit fortement corrélé sur les cou-
rants et d’un bruit moyennement corrélé sur la vitesse . . . . . . . 126

5.1 Résultats d’estimation paramétrique pour un court-circuit de 18

spires sur la phase c . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.2 Résultats d’identification paramétrique pour un court-circuit de 58
spires sur la phase a et 29 spires sur la phase b . . . . . . . . . . . 145
5.3 Résultats d’estimation paramétrique (défaut rotorique) . . . . . . 151
5.4 Résultats d’estimation paramétrique (défauts simultanés) . . . . . 156

xvi
 Introduction générale

La détection des défauts, si possible précoces, dans les entraı̂nements élec-

triques représente un enjeu scientifique du fait de la complexité et de la variété
des problèmes posés ainsi qu’un enjeu industriel en raison de l’intérêt économique
d’une stratégie efficace de maintenance prédictive. Le Laboratoire d’Automatique
et d’Informatique Industrielle (LAII) s’est investi depuis une vingtaine d’années
dans le diagnostic des machines électriques et plus particulièrement ces dernières
années dans celui des machines asynchrones. Plusieurs approches peuvent être
mises en œuvre pour détecter les défauts des machines électriques : analyse vi-
bratoire, observateurs, estimation paramétrique . . .

Compte-tenu de son expérience dans le domaine de l’identification des sys-

tèmes à temps continu, le LAII s’est investi dans la détection des défauts à partir
de l’estimation des paramètres physiques du modèle électrique. Deux thèses ré-
centes ont réussi à démontrer la pertinence de cette approche. Dans la thèse de
Sandrine MOREAU [Moreau, 1999], l’apport de l’information a priori s’est avéré
un élément décisif pour robustifier la convergence des algorithmes à erreur de
sortie et pour intégrer l’expertise de l’utilisateur. Dans la thèse de Smaı̈l BA-
CHIR [Bachir, 2002], une véritable méthodologie de diagnostic par estimation
paramétrique a été mise au point, en intégrant la signature des défauts à l’aide
de modèles dédiés et l’expertise de l’utilisateur vis-à-vis du fonctionnement sain.
Il a été ainsi démontré qu’il est possible de détecter des courts-circuits de spires
stator et des ruptures de barres rotor sur une machine asynchrone intégrée dans
un dispositif de régulation de vitesse par commande vectorielle.

Bien que les résultats obtenus sur un pilote de laboratoire aient été très encou-
rageants, de nombreuses questions fondamentales sont apparues. Une estimation
paramétrique nécessite une excitation riche afin d’exciter les modes pertinents
de la machine. Malheureusement, cette richesse d’excitation est le plus souvent
contradictoire avec les contraintes d’exploitation, surtout lorsque l’utilisateur a

1
Introduction générale

besoin d’une régulation de vitesse performante. En outre, bien que les défauts
électriques soient bien détectés, il subsiste une incertitude relativement impor-
tante qui ne peut être réduite par l’amélioration de l’excitation. Ce dernier point
soulève deux interrogations fondamentales :

– une part importante de l’incertitude n’est-elle pas due à une erreur de mo-
délisation ?
– par ailleurs, bien que la machine asynchrone fonctionne en boucle fer-
mée, l’utilisation d’un algorithme d’identification prévu pour fonctionner
en boucle ouverte n’est-elle pas la cause, au moins pour partie, de cette
incertitude qui pourrait aussi être un biais ?
Le travail de recherche relaté dans ce mémoire se propose d’apporter quelques
réponses à l’ensemble de ces interrogations, le problème de l’erreur de modéli-
sation étant trop vaste pour être traité simultanément. Aussi, l’accent a été mis
essentiellement sur les problèmes d’identification, en essayant de les poser de ma-
nière fondamentale, indépendemment du diagnostic par estimation paramétrique.

Il nous a donc semblé fondamental d’étudier l’identification en boucle fermée

de la machine asynchrone. En effet, celle-ci, comme la machine à courant continu,
ne peut répondre aux impératifs industriels de variation de vitesse que si elle
est incluse dans un dispositif bouclé, constitué d’un asservissement de couple et
d’un asservissement de vitesse. Il est bien connu que l’identification d’un système
fonctionnant en boucle fermée, sans prise en compte explicite de cette boucle
fermée, se traduit par un biais asymptotique résultant de la corrélation des bruits
de sortie avec la commande bouclée appliquée au système. Une précédente thèse
du LAII [Grospeaud, 2000] a fourni une solution à ce problème fondamental dans
le cadre de l’identification par erreur de sortie, où le correcteur est explicitement
pris en compte. Cette prise en compte peut être effectuée soit par la connaissance
a priori du correcteur, soit (ce qui est plus réaliste) par son estimation à l’aide
d’une technique d’identification par moindres carrés surparamétrisés.

Il pouvait donc sembler immédiat de transposer cette méthodologie au cas de

la machine asynchrone. Le problème est cependant trop complexe pour que la
transposition soit directe : en effet, il n’y a pas un seul correcteur, mais au moins
deux correcteurs imbriqués en cascade dans le cas des machines électriques.

Le cas le plus simple est celui de la machine à courant continu et c’est pour
cette raison qu’il nous a d’abord servi à l’application de la méthodologie initiale.
Le cas de la machine asynchrone est nettement plus complexe car le correcteur est
non seulement cascade mais multivariable et non linéaire du fait des découplages.

2
D’autre part, plusieurs référentiels de Park sont potentiellement utilisables : il
a donc été nécessaire d’analyser le problème pour définir celui qui est le mieux
approprié au problème de l’identification en boucle fermée.

La deuxième réponse que nous avons essayé d’apporter au problème du diag-

nostic a concerné le mode d’excitation. Dans une variation de vitesse, il est natu-
rel de perturber la référence de vitesse par une séquence binaire pseudo aléatoire
(SBPA) afin de répondre à l’exigence de richesse de l’excitation nécessaire à l’algo-
rithme d’identification. Malheureusement, ce mode d’excitation va totalement à
l’encontre des objectifs de production quand l’asservissement a précisément pour
mission de maintenir la vitesse constante. Or cette vitesse est perturbée par les
variations du couple de charge (provoquées par les impératifs de production) que
l’asservissement a justement pour objectif de minimiser. Ces modifications du
couple de charge font varier le point de fonctionnement de la machine : sont-elles
suffisantes pour satisfaire les objectifs de richesse d’excitation et n’induisent-elles
pas un biais asymptotique du fait de la nature bouclée du fonctionnement ?

C’est à ces questions que les travaux relatés dans ce mémoire de thèse tentent
d’apporter une réponse sous la forme d’une méthodologie générale d’identifica-
tion en boucle fermée de la machine asynchrone, applicable à son diagnostic par
estimation paramétrique.

Organisation du mémoire

Le premier chapitre permet de rappeler la constitution de la machine asyn-

chrone, sa modélisation et sa commande. Nous nous attardons en particulier sur
la commande à flux rotorique orienté. Nous rappelons aussi certaines notions im-
portantes (champ tournant et repère de Park) ; ces notions sont utilisées dans la
présentation du modèle de simulation et des modèles de comportement dédiés au
diagnostic.

Le deuxième chapitre est consacré à une étude détaillée des problèmes liés
à l’identification en boucle fermée et des solutions apportées pour y remédier.
Nous nous attachons en particulier à analyser les trois approches dites directe,
indirecte et simultanée développées pour identifier des processus bouclés. Une at-
tention particulière est portée aux techniques basées sur l’approche par erreur de
sortie. Par ailleurs, nous présentons une méthodologie d’identification en boucle
fermée transposable au cas des machines électriques. Cette méthodologie s’ap-
puie sur l’approche indirecte et les algorithmes du type erreur de sortie. Nous

3
Introduction générale

montrons, dans ce chapitre, l’avantage d’une telle approche à travers un exemple

académique.

Nous proposons, dans le troisième chapitre, une méthodologie d’identification

de la machine à courant continu en boucle fermée par approche indirecte. Cette
méthodologie est basée sur la décomposition de la boucle fermée et exige de ce fait,
une connaissance du correcteur. Ainsi, dans une première étape, on identifie un
correcteur équivalent par une technique de moindres carrés surparamétrisés. Par
ailleurs un test de caractérisation de l’ordre de surparamétrisation est proposé.
Dans une seconde étape, on réalise l’identification des paramètres du système
par une technique à erreur de sortie. Une analyse du biais en boucle fermée de
la machine à courant continu, par approche directe et approche indirecte, est
proposée dans ce chapitre.

Dans le quatrième chapitre, nous précisons l’application de cette méthodo-

logie au cas de la machine asynchrone. On explique donc le choix du repère de
fonctionnement de la machine pour l’identification indirecte. D’autre part, on
s’intéresse aussi à l’identification de l’algorithme de commande de la machine,
qui est généralement une structure multi-variable et non linéaire, afin d’éviter
sa connaissance a priori. Une analyse du biais en boucle fermée de la machine
asynchrone, par approche directe et approche indirecte, est aussi proposée dans
ce chapitre.

Dans le cinquième chapitre, nous utilisons la méthodologie d’identification en

boucle fermée de la machine développée précédemment pour la détection et la
localisation des défauts du type courts-circuits au stator et rupture de barres au
rotor. Ainsi, nous proposons une méthodologie globale de diagnostic de la machine
asynchrone en boucle fermée par estimation paramétrique, testée en simulation.

4
 Chapitre 1

La machine asynchrone :
modélisation, commande et
simulation

Ce premier chapitre permet de rappeler la constitution de la machine asyn-

chrone, sa modélisation et sa commande. Nous nous attardons en particulier sur
la commande à flux rotorique orienté. Nous rappelons aussi certaines notions im-
portantes (champ tournant et repère de Park) ; ces notions sont utilisées dans la
présentation du modèle de simulation et des modèles de comportement dédiés au
diagnostic.

5
Chapitre 1. La machine asynchrone : modélisation, commande et simulation

1.1 Introduction

Les machines électriques tournantes occupent une place prépondérante dans

tous les secteurs industriels. Les machines asynchrones triphasées à cage d’écu-
reuil sont les plus fréquemment utilisées en raison de leur robustesse, de leur
simplicité de construction et de leur bas coût. Néanmoins, celles-ci subissent au
cours de leur durée de vie un certain nombre de sollicitations externes ou internes
qui peuvent les rendre défaillantes. Les contraintes industrielles en fiabilité, main-
tenabilité, disponibilité et sécurité des équipements sont par ailleurs très fortes.
C’est pourquoi il est intéressant d’estimer l’état de santé de ces machines.

L’un des objectifs les plus importants, dans le cadre du diagnostic, concerne
la mise au point de modèles mathématiques réellement représentatifs d’un fonc-
tionnement en défaut. L’étape de modélisation s’avère donc indispensable aussi
bien en commande, pour la synthèse des boucles de régulation, qu’en surveillance,
pour la détection et la localisation des pannes. Il paraı̂t évident que la surveillance
d’un dispositif s’appuie sur la connaissance de son comportement sain, quel que
soit son point de fonctionnement. La maı̂trise des différents modes de fonctionne-
ment dits normaux˝est alors indispensable lorsqu’on envisage une surveillance
avancée du processus.

L’objectif de ce premier chapitre est d’effectuer quelques rappels sur la consti-

tution de la machine asynchrone à cage d’écureuil, sa modélisation et sa com-
mande. Nous décrivons aussi le simulateur utilisé pour la validation des algo-
rithmes d’identification.

1.2 Modélisation de la machine asynchrone

L’étude du fonctionnement de la machine consiste classiquement à rechercher

l’ensemble des équations reliant les variables internes aux grandeurs externes :
tensions aux bornes de la machine, courants consommés et couple disponible.
Les différentes approches pour l’étude reposent sur la résolution des équations
de l’électromagnétisme et de la mécanique. Les différences proviennent des hy-
pothèses simplificatrices qu’il est possible de faire, en fonction du domaine de
fréquence concerné, et de la topologie (structure physique) du système étudié,
c’est-à-dire en fonction des objectifs de la modélisation.

6
 1.2. Modélisation de la machine asynchrone

La machine asynchrone, souvent appelée moteur à induction, est constituée :

– d’une armature statorique fixe comportant trois enroulements identiques à

p paires de pôles et décalés d’un angle électrique de 2π
3p
. Ces derniers sont
logés dans des encoches et reliés à la source d’alimentation. Ce dispositif
ωs
crée un champ tournant de vitesse de synchronisme Ωs = .
p
– d’une armature rotorique mobile dont la structure peut être constituée de
trois enroulements triphasés (rotor bobiné) raccordés en étoile à trois bagues
sur lesquelles frottent trois balais fixes accessibles par la plaque à bornes et
mis en court-circuit pendant les régimes permanents. L’armature rotorique
peut être aussi (le plus souvent) un ensemble de conducteurs massifs intégrés
aux tôles ferromagnétiques (rotor à cage d’écureuil). Le rotor possède dans
ce cas un certain nombre d’encoches contenant chacune une barre conduc-
trice, en cuivre ou en aluminium. Les barres sont ensuite réunies entre elles
aux deux extrémités par deux anneaux conducteurs.
Dans ce chapitre, nous allons considérer le cas d’une machine asynchrone à
cage d’écureuil. Nous admettons par contre que sa structure rotorique est élec-
triquement équivalente à celle d’un rotor bobiné. Le champ tournant induit des
courants rotoriques dans les barres de la cage d’écureuil (ou bobinage) : ces cou-
rants induits provoquent un couple permettant au rotor de tourner à une vitesse
Ω, voisine de celle du champ tournant, mais nécessairement inférieure.

La mise en équation de la machine asynchrone avec les hypothèses retenues

étant classique, nous ne mentionnerons que les points qui nous semblent essentiels
et les choix qui nous sont propres par rapport à ce qui se fait habituellement. Pour
plus de détails, le lecteur pourra se référer à [Dalmasso, 1985] [Chatelain, 1989]
[Caron and Hautier, 1995] [?].

1.2.1 Modèle triphasé

Avant d’établir le modèle de la machine asynchrone en vue de sa commande,

nous rappelons brièvement les hypothèses, désormais classiques, retenues :

– les circuits magnétiques sont non-saturés,

– les pertes fer sont négligées,
– il n’y a pas d’effet de peau,
– l’effet des encoches est négligé,
– la répartition de la force magnétomotrice est sinusoı̈dale.

7
Chapitre 1. La machine asynchrone : modélisation, commande et simulation

En posant :
Rs : Résistance statorique
Rr : Résistance rotorique
Lsp : Inductance propre statorique
Lrp : Inductance propre rotorique
Ms : Mutuelle inductance inter-phases statoriques
Mr : Mutuelle inductance inter-phases rotoriques
Msr : Mutuelle inductance stator-rotor
p : Le nombre de paire de pôles
θ : Angle mécanique de la position du rotor
us = [ua ub uc ]T : Tensions statoriques
ur = [u1 u2 u3 ]T : Tensions rotoriques
is = [ia ib ic ]T : Courants statoriques
ir = [i1 i2 i3 ]T : Courants rotoriques

Les équations électriques de la machine asynchrone sont à l’origine :

     
ϕs [Ls ] [Msr ] is
[ϕ] = = · (1.1)
ϕr [Mrs ] [Lr ] ir

et
     
us [Rs ] 0 is d  
= · + ϕ = [L] · [I] (1.2)
ur 0 [Rr ] ir dt

avec :

[Rs ] = Rs .I3 et [Rr ] = Rr .I3 (1.3)

où
 
1 0 0
I3 = 0 1 0
0 0 1

8
 1.2. Modélisation de la machine asynchrone

 
cos(pθ) cos(pθ − 2π/3) cos(pθ − 4π/3)
[Mrs ] = [Msr ]t = Mrs cos(pθ − 4π/3) cos(pθ) cos(pθ − 2π/3) (1.4)
cos(pθ − 2π/3) cos(pθ − 4π/3) cos(pθ)

 
Lsp Ms Ms
 
Ls =  Ms Lsp Ms  (1.5)
Ms Ms Lsp

 
Lrp Mr Mr
 
Lr =  Mr Lrp Mr  (1.6)
Mr Mr Lrp

Le comportement mécanique de la machine asynchrone dépend de l’inertie J,

du couple électromagnétique Ce , du couple mécanique résistant Cr et de couple
de frottement fluide Cf = fv Ω où fv est la constante de frottement fluide.

L’équation mécanique est définie par :

dΩ(t)
J + fv Ω(t) = Ce (t) − Cr (t) (1.7)
dt

Le couple électromagnétique en fonction des trois courants statoriques et des

trois courants rotoriques s’exprime sous la forme :

1 d[L]
Ce = · [I]T · · [i] (1.8)
2 dθ

Le modèle de représentation de la machine asynchrone que nous venons de

présenter présente l’inconvénient d’être relativement complexe dans la mesure où
les matrices contiennent des éléments variables en fonction de l’angle de rotation
θ. Une solution pour obtenir des coefficients constants consiste à appliquer une
transformation mathématique au système. Cette transformation est plus connue
sous le nom de transformation de Park.

9
Chapitre 1. La machine asynchrone : modélisation, commande et simulation

1.2.2 Modèle diphasé de Park

1.2.2.1 Transformation triphasée/diphasé

La représentation de Park ou représentation vectorielle, représente la projec-

tion des trois phases de la machine sur un repère biphasé orthogonal. En plus des
simplifications dans la modélisation triphasée, dans le repère de Park, la machine
est supposée électriquement équilibrée et on choisit de totaliser les fuites ma-
gnétiques au stator [Caron and Hautier, 1995]. Le passage d’une représentation
triphasée à une représentation biphasée décrite sur la figure 1.1, repose sur la
conservation des forces magnétomotrices. Cette transformation est orthonormée.
Elle conserve la puissance instantanée. La composante homopolaire s’annule car
la machine est supposée équilibrée.

Par définition, le système d’axes (d, q) tourne à la vitesse ωa . Nous allons

considérer, comme décrit sur la figure 1.1, l’enroulement équivalent du stator
formé des deux bobinages d’axes en quadrature sd et sq tournant à la vitesse
ωa . De même, au rotor, on substitue deux bobinages rd et rq aux enroulements
triphasés équivalents.

ωa
Sb d

q
θs Ra ω
ira
θr
θ Sa
isa
usa

Sc

Fig. 1.1 – Principe de la transformation de Park

10
 1.2. Modélisation de la machine asynchrone

Pour la transformation d’une grandeur statorique, les matrices de passage sont

les suivantes :

   
Xsd Xsa
Xsq  = [Ps ] ·  Xsb  (1.9)
Xso Xsc

   
Xsa Xsd
 Xsb  = [Ps ]−1 · Xsq  (1.10)
Xsc Xso

 
r cos(θs ) cos(θs − 2π ) cos(θs + 2π
)
3 3
2 2π 2π 
[Ps ] = − sin(θ s ) − sin(θ s − 3
) − sin(θ s + 3 
) (1.11)
3 √1 √1 √1
2 2 2

Pour obtenir les matrices de passage des grandeurs rotoriques, il suffit de

remplacer dans l’expression (1.11) θs par θr .

1.2.2.2 Équations générales

Dans un souci de simplification du modèle de la machine asynchrone, on

choisit de totaliser les fuites magnétiques au stator [Caron and Hautier, 1995]
[Bachir, 2002].

Par définition, le système d’axes (d, q) tourne à la vitesse ωa . Il est intéres-

sant de pouvoir changer de repère selon les besoins de l’utilisateur. Ainsi, pour
un référentiel noté (x) tournant à une vitesse ωa par rapport au stator de la
machine asynchrone, l’ensemble des équations électriques de la machine s’écrit
[Caron and Hautier, 1995] [Schaeffer, 1999] :

11
Chapitre 1. La machine asynchrone : modélisation, commande et simulation

(x) (x) d (x) π (x)

udqs = Rs idqs + φdq + ωa P ( )φdq (1.12)
dt s 2 s

(x) (x) d π (x)

udqr = 0 = Rr idqr + φ(x) + (ω a − ω)P ( )φ (1.13)
dt dqr 2 dqr
(x) (x)
φ(x)
dq
= Ls idqs + Lm idqr (1.14)
s
(x) (x) (x)
φdq = Lm idqs + Lr idqr (1.15)
r

avec :

Ls = Lsp − Ms : inductance cyclique statorique

Lr = Lrp − Mr : inductance cyclique rotorique
3
Lm = Msr : inductance mutuelle cyclique stator-rotor
2
ω = pΩ : pulsation électrique de rotor

et
 
π cos( π2 ) cos( π2 + π2 )
P( ) =
2 sin( π2 ) sin( π2 + π2 )

Si on fait l’hypothèse que les fuites magnétiques sont totalisées au stator et

en définissant :


Ls = Lf + Lm
(1.16)
Lr = Lm

les équations (1.12) à (1.15) se réécrivent alors

(x) (x) d (x) π (x)

udqs = Rs idqs + φdq + ωa P ( )φdq (1.17)
dt s 2 s

(x) (x) d π (x)

udqr = 0 = Rr idqr + φ(x) + (ωa − ω)P ( )φdq (1.18)
dt dq r 2 r

(x) (x)
φ(x)
dq
= (Lf + Lm )idqs + Lm idqr (1.19)
s
 
(x) (x) (x)
φdq = Lm idqs + idqr (1.20)
r

12
 1.2. Modélisation de la machine asynchrone

Il existe trois systèmes d’axes de référence ayant des spécificités distinctes :

– Si le référentiel est fixe par rapport au stator ωa = 0, on obtient un sys-

tème électrique où les grandeurs statoriques sont purement alternatives et
à la fréquence de l’alimentation. La simulation de la machine asynchrone
dans ce repère n’exige donc aucune connaissance de la position du rotor,
ce qui constitue un avantage pour la commande sans capteur de position.
L’inconvénient majeur est la manipulation de signaux à fréquence élevée.
– Si le référentiel tourne à la vitesse de synchronisme ωa = ωs = 2πfs , on
obtient un système électrique purement continu qui est très bien adapté
aux techniques d’identification. Cependant la position du champ tournant
doit être reconstituée à chaque instant d’échantillonage.
– Si le référentiel est fixe par rapport au rotor ωa = ω, les signaux électriques
sont alors quasi-continus. La pulsation des grandeurs électriques est alors
égale à gω (où g = ωsω−ωs
est le glissement de la machine) qui est faible dans
les conditions réelles de fonctionnement. Lorsqu’on a accès à la position mé-
canique, ce repère est privilégié du fait de la quasi-continuité des grandeurs
électriques.

La figure 1.2 représente le schéma électrique équivalent de la machine asynchrone

en régime dynamique, avec les fuites totalisées au stator.

Lf ωP ( π2 )φdqs
idqs Rs

idqr
udqs
Lm Rr

idqm

Fig. 1.2 – Schéma électrique équivalent de la machine asynchrone dans le repère

de Park

Le modèle de la machine se caractérise alors par quatre paramètres physiques

Rs , Rr , Lm et Lf . Ce sont donc ces quatre paramètres que nous allons chercher

13
Chapitre 1. La machine asynchrone : modélisation, commande et simulation

à estimer par la suite dans le cas d’une machine saine.

L’expression du couple Ce dans le repère de Park avec fuites ramenées au

stator s’écrit [Caron and Hautier, 1995] [?] :

Lm
Ce = p (iqs φdr − ids φqr ) (1.21)
Lr

1.3 Commande vectorielle à flux rotorique orienté

1.3.1 Introduction

La machine asynchrone où par nature le rotor ne tourne pas à la vitesse du

champ tournant et dont la seule entrée électrique est au stator, pose des problèmes
difficiles pour sa commande. La communauté scientifique et industrielle a imaginé
de nombreuses méthodes de commande afin de pouvoir la contrôler en couple, en
vitesse ou en position.La véritable maı̂trise de la variation de vitesse des machines
asynchrones a nécessité leur commande en couple dans un référentiel (d, q) lié au
champ tournant.

L’objectif de ce type de contrôle est d’aboutir à un modèle simple de la ma-

chine asynchrone qui rende compte de la commande séparée de la grandeur flux
Φ et de la grandeur courant I, génératrice de couple. Il s’agit a priori d’imposer
la quadrature entre I et Φ, naturellement découplés et orthogonaux dans une
machine à courant continu. La difficulté va résider justement dans le fait que,
pour une machine à induction, il est difficile de distinguer le courant produc-
teur de couple du courant producteur de flux, fortement couplés. La méthode du
flux orienté consiste à choisir un système d’axes (d, q), repère tournant biphasé
orienté sur φr (flux rotorique) ou φs (flux statorique) et un type de commande
qui permettent de découpler le couple et le flux.

En parlant d’orientation du flux, c’est plutôt le système d’axe (d, q) que l’on
oriente de manière à ce que l’axe d soit en phase avec le flux, c’est-à-dire :

ϕd = ϕ
ϕq = 0

14
 1.3. Commande vectorielle à flux rotorique orienté

La commande vectorielle à orientation du flux rotorique est la plus utilisée car

elle élimine l’influence des réactances de fuite rotorique et statorique et donne des
meilleurs résultats que les méthodes basées sur l’orientation du flux statorique ou
d’entrefer [Faidallah, 1995][Jelassi, 1991].

Nous nous intéressons à la commande à flux rotorique orienté. Le système

d’axes (d, q) est élaboré à partir des transformations de Park.

1.3.2 Expression générale de la commande

La commande vectorielle à flux rotorique orienté que nous avons retenue est
basée sur une orientation du repère tournant (T ) d’axes(d, q) telle que l’axe d soit
confondu avec la direction de φr .

Plaçons nous dans le référentiel lié au champ tournant, soit ωa = ωs . Alors :

d π
udqs = Rs idqs + φdq + ωs P ( )φdq (1.22)
dt s 2 s

d π
udqr = 0 = Rr idqr + φdq + (ωs − ω)P ( )φdq (1.23)
dt r 2 r

φdq = Ls idqs + Lm idqr (1.24)

s

φdq = Lm idqs + Lr idqr (1.25)

r

Le flux φr étant orienté sur l’axe d, les équations (1.22) à (1.25) nous per-
mettent d’exprimer uds et uqs , φr et ωs avec φqr ≡ 0 et φdr ≡ φr ≡ cte :

dids
uds = σLs + Rs ids − ωs σLs iqs (1.26)
dt
diqs lm
uqs = σLs + Rs iqs + ωs σLs ids + ωs φr (1.27)
dt Lr
dφr
φr = −Tr + Lm ids (1.28)
dt
Lm iqs
ωr = (1.29)
Tr φr
ωs = ω + ωr (1.30)

15
Chapitre 1. La machine asynchrone : modélisation, commande et simulation

L2m
avec σ = 1 − Ls Lr
appelé coefficient de dispersion.

Dans ces équations, ωr représente la pulsation de glissement donnée par l’ex-

pression (1.29). La relation (1.28) montre comment estimer le flux φr à partir de
la mesure de ids , lorsqu’on connaı̂t Tr . Connaissant φr , la relation (1.30) montre
comment estimer ωs à partir des mesures de ω, ids et iqs (système bouclé).

Etant capable de projeter les équations de la machine dans le repère de com-

mande, les équations (1.28) et (1.21) montrent comment piloter le flux rotorique
de la machine et obtenir le couple électromagnétique désiré (Ce = piqs φdr ). Pour
cela, il est d’abord nécessaire d’asservir les courants statoriques ids et iqs . Or les
équations différentielles liant ids et iqs à uds et uqs contiennent des termes de cou-
plage. En les considérant comme des perturbations, on se ramène au problème
classique de l’asservissement de systèmes du premier ordre à l’aide de correcteurs
à actions proportionnelle-intégrale.

1.3.3 Découplage par compensation

Nous pouvons représenter la machine selon les équations (1.26) à (1.30) par
le schéma bloc de la figure 1.3.

σLs ωs iqs
uds + + 1 1 ids
Rs 1+στs P

Lm
ω φb
Lr s r
uqs + - 1 1
iqs
Rs 1+στs P
-
σLs ωs ids

Fig. 1.3 – Modèle de la machine

Définissons deux nouvelles variables de commande uds1 et uqs1 telles que :

16
 1.3. Commande vectorielle à flux rotorique orienté

uds = uds1 − ed et uqs = uqs1 − eq

avec

ed = ωs σLs iqs (1.31)

Lm b
eq = −ωs σLs ids − ωs φr (1.32)
Lr

Les termes σLs ωs iqs ,σLs ωs ids et Lm

ω φb
Lr s r
correspondent aux termes de cou-
plage entre les axes (d, q).

Nous considérons dans la suite de ce manuscrit, l’expression de découplage

suivante :

ed = Cd · ωs iqs (1.33)
eq = −C1q ωs ids − C2q ωs φbr (1.34)

Les tensions uds et uqs sont alors reconstituées à partir des tensions uds1 et
uqs1 et des termes de couplage.
Dans le cas du découplage par compensation, si celui-ci est correct, toute action
sur l’une des entrées ne provoque aucune variation de l’autre sortie.

1.3.4 Schéma de principe de la commande vectorielle

La figure 1.4 donne l’organisation fonctionnelle de la commande issue des prin-

cipes précédemment évoqués. Sur ce schéma, le convertisseur et sa commande n’y
apparaissent pas explicitement puisqu’il s’agit d’étudier le contrôle du processus.
Ainsi, on s’intéresse directement aux grandeurs de réglage uds et uqs et aux cou-
rants ids et iqs . Ces choix volontaires évitent d’alourdir inutilement la présentation
dont l’objectif essentiel est d’exposer les mécanismes particuliers à ce contrôle.

Nous pouvons constater sur la figure 1.4 l’apparition de deux boucles internes
pour asservir les courants ids et iqs et d’une boucle externe pour asservir la vitesse,
d’un ensemble estimant θs et φr ainsi que les termes de couplage. La sortie du
régulateur de vitesse fournit la consigne de courant iqsref qui est l’image du couple
électromagnétique à flux donné.

17
Chapitre 1. La machine asynchrone : modélisation, commande et simulation

σLs ωs iqs
idsref + uds1 + - uds
Reg
- ids
ids
Machine
Lm
+ charge
ω φ̂
Lr s r

Ωref + iqs uqs1 + + uqs

Reg ref + Reg
- - + iqs
Ω iqs σLs ωs ids
Régulation
θs ids
ωs i
estimateurs qs
φ̂r Ω

Fig. 1.4 – Découplage par addition des termes de compensation

On a donc trois régulateurs :

– Le régulateur de vitesse : il reçoit en entrée la vitesse de référence et la

vitesse mesurée. Il agit sur le couple pour régler la vitesse.
– Le régulateur de courant iqs : il reçoit en entrée le courant iqs de référence
et de mesure. Il agit sur la tension de référence uqs1 pour ajuster le courant
iqs .
– Le régulateur de courant ids : il reçoit en entrée le courant ids de référence
et de mesure. Il agit sur la tension de référence uds1 . Régler ce courant à une
valeur constante, c’est garantir un flux rotorique constant d’après l’équation
(1.28).
Il reste à examiner deux parties importantes :

– Les transformations directes et inverses : l’une permet, à partir des tensions

biphasés (uds ,uqs ) dans le repère du champ tournant, de calculer les ten-
sions triphasées (ua ,ub ,uc ) à imposer à la machine via l’onduleur à MLI. La
deuxième transformation calcule, à partir des trois courants de ligne de la
machine, les courants biphasés (ids ,iqs ) dans le repère de la régulation. Ces

18
 1.4. Protocole de simulation

deux transformations nécessitent le calcul de l’angle θs .

– Le calcul de l’angle du champ tournant θs : ce bloc utilise la vitesse mesurée
et la pulsation de glissement ωr . Ainsi θs se calcule comme suit :

Zt2 Zt2
Lm iqs
θs = ωs dt = (pΩ + )dt (1.35)
Tr φbr
t1 t1

1.4 Protocole de simulation

L’objectif de notre travail de recherche a concerné la mise au point d’une

méthodologie d’identification en boucle fermée de la machine asynchrone. Cette
méthodologie aurait pu être mise au point sur un système réel de commande. En
fait, de nombreuses difficultés ont dû être surmontées. La toute première concerne
la nécessité de travailler entre différents repères :

– le repère du champ tournant est préférable pour tout ce qui concerne la

commande,
– le repère du rotor est celui qui est habituellement utilisé pour simuler la
machine ; c’est aussi le repère en identification directe,
– enfin le repère du stator est celui des signaux réellement observés : {ua , ub , uc }
et {ia , ib , ic }.
Une autre difficulté, et non des moindres, a été la prise en compte d’un al-
gorithme de commande multivariable et non linéaire (à cause des découplages)
dans le repère du champ tournant.

Aussi, avant d’appliquer cette méthodologie d’identification sur un système

réel, il est indispensable de la tester sur un simulateur. Néanmoins, ce simulateur
doit être le plus réaliste possible, afin que le passage de la simulation au système
réel puisse s’effectuer sans entreprende de nouvelles études.

Dans une telle situation, le simulateur devient un outil essentiel : pour cela, il
est indispensable d’en faire un dispositif rigoureux (toutes les hypothèses doivent
être clairement exprimées et discutées) et réaliste (il doit proposer des signaux
voisins de la réalité, que l’on doit pouvoir bruiter à volonté). Aussi, dans une
telle perspective, l’utilisateur doit avoir accès à tous les signaux de tension et de
courant (ainsi qu’aux informations sur la vitesse, le couple,. . .) dans les différents
repères (stator, rotor, champ tournant).

19
Chapitre 1. La machine asynchrone : modélisation, commande et simulation

Aussi, dans le but d’obtenir les signaux synthétiques de la machine asynchrone

en boucle fermée, nous avons mis au point le simulateur suivant comprenant trois
parties essentielles :

– Un modèle de la machine asynchrone dans le repère de Park lié au rotor :

c’est celui qui est habituellement utilisé pour simuler la machine.
– Un bloc de transformations : sachant que la commande est exprimée dans le
repère du champ tournant et que le modèle de la machine est exprimé dans
le repère du rotor, alors une transformation entre les repères est nécessaire.
Ainsi des transformations directes et inverses sont réalisées : l’une permet,
à partir des courants diphasés (ids ,iqs ) dans le repère du rotor (la sortie
du modèle de la machine), de calculer les courants statoriques triphasés
(ia ,ib ,ic ) puis les courants dans le repère du champ tournant afin de calculer
la commande.
La deuxième transformation calcule, à partir des deux tensions (uds ,uqs )
dans le repère de la régulation (sortie de la commande), les tensions sta-
toriques triphasées (ua ,ub ,uc ) puis les tensions diphasées (uds ,uqs ) dans le
repère du rotor qui constituent l’entrée du modèle de la machine.
– Un bloc de régulation : la figure 1.4 décrit la structure générale de la com-
mande utilisée. Les principaux constituants dans ce type de commande sont
la boucle de régulation de vitesse, celle des courants ids et iqs , les termes
de couplage et le bloc de calcul de ωs , θs et φbr .

udst udsr
Transformation (d, q)
uqst Machine asynchrone
uqsr
Chp tournant-Rotor
Modèle de Park

Consignes (repère du rotor)

Commande vectorielle θs
flux + vitesse
+ charge

Ω idst idsr
Transformation (d, q) iqsr
iqst Rotor-Chp tournant
Ω

Fig. 1.5 – Simulateur pour l’obtention des signaux synthétiques

20
 1.5. Exemple de simulation

La figure 1.5 donne une représentation graphique du simulateur de la machine

asynchrone. Le bloc Commande vectorielle˝est identique au schéma décrit par
la figure 1.4.

1.5 Exemple de simulation

Les algorithmes d’identification paramétrique nécessitent, pour converger, une

excitation persistante qui sensibilise suffisamment les modes du système. Dans le
cas de la machine asynchrone, il s’agit principalement d’exciter les modes les
plus rapides à savoir ceux correspondant aux grandeurs électriques. En effet, le
critère étant basé sur les deux courants statoriques, il est donc nécessaire d’impo-
ser une entrée suffisamment riche en fréquence afin d’obtenir une sensibilisation
satisfaisante des modes électriques.

Pour ne pas se restreindre à une application particulière, nous avons défini les
deux types d’excitation suivants :
– une excitation obtenue par l’addition d’une Séquence Binaire Pseudo Aléa-
toire (SBPA) à la consigne de la boucle vitesse,
– une excitation par couple de charge à vitesse constante obtenue par l’utili-
sation d’une SBPA.
Nous analyserons plus en détail ces deux types d’excitation, dans le chapitre
3, en mettant l’accent sur leurs avantages et leurs inconvénients.

Il est intéressant de montrer dans un premier temps les différents types de

signaux selon le repère de Park choisi, ceci afin de donner une idée sur les signaux
que nous sommes en train de manipuler.
Pour nos simulations, nous avons utilisé une machine à deux paires de pôles. Ses
caractéristiques sont données par la table 1.1.

Rs = 9.8Ω
Rr = 5.3Ω
Lm = 0.5H
Lf = 0.04H
f = 1.910−03N.m.s/rad
J = 29.310−03N.m.S 2 /rad

Tab. 1.1 – Caractéristiques de la machine

21
Chapitre 1. La machine asynchrone : modélisation, commande et simulation

Les signaux sont évalués à partir d’une simulation globale à l’aide du logiciel
Matlab. La représentation graphique de ces signaux présente un moyen de vérifier
la cohérence de notre outil de simulation.

L’essai est réalisé pendant une durée de 4s de la manière suivante :

– idsref est imposé à 1.6 A.

– pour 0 < t < 0.25s la consigne de vitesse Ωref est nulle,
– pour 0.25 < t < 1s la consigne de vitesse Ωref évolue linéairement de 0 rad/s
à 100 rad/s , le couple de charge Cr restant nul,
– pour 1 < t < 2.5s on applique à la machine une excitation en vitesse de
100 ± 5 rad/s et un couple de charge constant de 6 Nm,
– pour t > 2.5s la consigne de vitesse Ωref reste fixée à 100 rad/s, à t = 2.5s
on applique à la machine un couple de charge variable allant de 1 à 7 Nm.
La figure 1.6 décrit les résultats obtenus, dans les conditions de l’essai, par le
simulateur. Ainsi, nous présentons les signaux électriques et mécaniques simulés
en boucle fermée. Les signaux des courants et des tensions statoriques de la ma-
chine asynchrone sont exprimés dans le repère de la régulation (repère (d, q) lié
au champ tournant).

De même, les figures 1.7 et 1.8 représentent les courants et les tensions stato-
riques, de la machine en boucle fermée, dans le repère (d, q) du stator ainsi que
celui du rotor.

1.6 Simulations dédiées à l’identification

1.6.1 Introduction

Après avoir présenté la modélisation et la commande de la machine asyn-

chrone pour l’obtention des signaux synthétiques, nous nous intéressons dans
cette deuxième partie au choix du modèle dédié à l’identification.

La modélisation (et la simulation) de la machine asynchrone dans l’objectif de

son identification a été (et reste), l’objet de nombreux travaux [Faidallah, 1995]
[?] [Moreau, 1999] [?] [Bachir, 2002]. Dans le cadre de diagnostic de la machine
asynchrone, notre choix s’est porté sur le modèle de Park qui est plus simple, ce
qui facilite la procédure d’identification.

22
 1.6. Simulations dédiées à l’identification

flux estimé Tensions statoriques d,q

1 500
u
0.8 400 ds
u
300 qs
0.6
200
0.4
100
0.2
0
0
0 1 2 3 4 0 1 2 3 4

Courants statoriques d,q Courant statorique I

sa
10
10 i
ds
8 i 5
qs
6
0
4
2 −5
0
−10
0 1 2 3 4 0 1 2 3 4

caractéristique de vitesse Tension statorique U

sa
120 400
100
200
80
60 0
40 Ω
ref −200
20 Ω
0 −400
0 1 2 3 4 0 1 2 3 4

Fig. 1.6 – Contrôle de la vitesse (flux rotorique orienté)

23
Chapitre 1. La machine asynchrone : modélisation, commande et simulation

ids iqs
10 10

5 5

0 0

−5 −5

−10 −10
0 1 2 3 4 0 1 2 3 4

uds uqs
300 300

200 200

100 100

0 0

−100 −100

−200 −200

−300 −300
0 1 2 3 4 0 1 2 3 4

Fig. 1.7 – Courants et tensions statoriques dans le repère du stator

i i
ds qs
6 6

4 4

2 2

0 0

−2 −2

−4 −4

−6 −6

−8 −8
0 1 2 3 4 0 1 2 3 4

u u
ds qs
300 300

200 200

100 100

0 0

−100 −100

−200 −200

−300 −300
0 1 2 3 4 0 1 2 3 4

Fig. 1.8 – Courants et tensions statoriques dans le repère du rotor

24
 1.6. Simulations dédiées à l’identification

Dans une optique d’identification paramétrique, deux approches seront envi-

sageables : l’identification directe et l’identification indirecte qui seront détaillées
au chapitre suivant. C’est à ces deux catégories d’identification que nous allons
nous intéresser dans ce mémoire, dont l’objectif principal est de proposer une
méthodologie générale pour l’identification en boucle fermée de la machine asyn-
chrone. Ces méthodes reposent généralement sur la détermination du modèle du
système étudié et sur l’estimation des paramètres caractéristiques de ce modèle.

La rigueur voudrait que le modèle continu de la machine asynchrone consi-

dère la vitesse mécanique comme une variable d’état, ce qui a bien sûr pour
conséquence directe d’augmenter l’ordre de la représentation d’état. Or, cette re-
présentation d’état suppose connu le couple de charge, qui malheureusement n’est
pas mesurable (voir l’annexe C pour une discussion sur ce problème dans le cas
de la machine à courant continu).

Pour contourner cette difficulté, on considère la vitesse mécanique comme une

pseudo-entrée. Par ailleurs, on suppose que l’on peut découpler le mode mécanique
lent du mode électrique rapide [Moreau, 1999] [Bachir, 2002], et par conséquent
considérer que la vitesse est constante entre deux instants d’échantillonage. Ainsi,
au lieu d’avoir un modèle d’ordre 5 non linéaire, celui-ci est d’ordre 4 et non
stationnaire car la vitesse est prise en compte en tant que mesure.
Quant aux composantes du vecteur d’état, nous avons opté pour les courants
statoriques et les flux rotoriques dans la mesure où ils conduisent à un modèle
d’ordre 4 relativement simple dans lequel les tensions et les courants statoriques
sont les grandeurs d’entrée et de sortie du système.

Le modèle de Park (figure 1.2) permet de définir plusieurs modèles continus

de la machine asynchrone en fonction des variables d’état retenues et du repère
choisi (fixe par rapport au stator ωa = 0, au rotor ωa = ω ou au champ tournant
ωa = ωs ). Notre choix s’est porté sur un repère où les grandeurs sont les plus
proches du continu. L’idéal serait d’utiliser le repère lié au champ tournant, mais
ce repère nécessite la reconstruction de la pulsation ωs . Aussi il est préférable
d’utiliser le repère lié au rotor : dans ce cas, les grandeurs variables sont de
pulsation g · ωs , c’est à dire proche du continu. Nous expliquons dans les parties
suivantes le repère judicieux pour chaque type d’identification.

Le modèle discret de la machine asynchrone se déduit facilement du modèle

continu [Bachir, 2002]. Le choix de la méthode et du pas de discrétisation sont
le résultat d’un compromis entre la précision, la stabilité du modèle discret ainsi
que le temps de calcul. L’objectif étant la simulation réaliste de la machine asyn-

25
Chapitre 1. La machine asynchrone : modélisation, commande et simulation

chrone, il semble que le développement de la méthode de l’exponentielle de matrice

à l’ordre 5 offre un bon compromis [Moreau, 1999].

1.6.2 Modèle dédié à l’identification directe

Notre choix s’est porté sur le repère de Park lié au rotor pour l’identifica-
tion directe de la machine asynchrone car c’est celui qui nécessite le moins de
transformations/estimations : néanmoins, on mesure {ua , ub, uc }, {ia , ib , ic } que
l’on doit convertir en (uds , uqs )rot (ids , iqs )rot grâce à une transformation de Park
connaissant la position du rotor (et sa vitesse).

Le modèle continu de la machine asynchrone obtenu après application de la

transformation de Park liée au rotor se présente alors sous la forme :

Ẋ(t) = A(ω).X(t) + B.u(t)
(1.36)
Y = C.X(t)

avec
 T
X = ids iqs ϕdr ϕqr : vecteur d’état (1.37)

   
u i
u = ds , Y = ds : entrées et sorties du modèle électrique (1.38)
uqs iqs

 
− RsL+R
f
r
ω Rr
Lf .Lm
ω
Lf
 −ω Rs +Rr
− Lf − Lωf Rr 
 Lf .Lm 
A= 
 Rr 0 − LRmr 0 
0 Rr 0 − LRmr
(1.39)

" #T  
1
Lf
0 0 0 1 0 0 0
B= 1 , C=
0 Lf
0 0 0 1 0 0

26
 1.6. Simulations dédiées à l’identification

1.6.3 Modèle dédié à l’identification indirecte

Si on veut procéder à une identification indirecte prenant en compte les cor-

recteurs, on est obligé de se placer dans le repère du champ tournant. En effet,
la commande (et les correcteurs) a été conçue dans le repère du champ tournant
afin d’asservir le flux et le couple.

Aussi, l’identification indirecte doit être conduite dans le repère du champ

tournant en utilisant la connaissance de sa position calculée dans le cadre de la
commande.

Ensuite, grâce aux mesures des grandeurs du stator {ua , ub , uc }, {ia , ib , ic } il

faut reconstruire (uds , uqs)chptournant , (ids , iqs )chptournant grâce à une transformation
de Park utilisant la position du champ tournant.

Le modèle continu de la machine asynchrone obtenu après application de la

transformation de Park liée au champ tournant se présente par l’expression :


Ẋ(t) = A(ω).X(t) + B.û(t)
(1.40)
Y = C.X(t)

Les vecteurs donnés par les expressions (1.37) et (1.38) sont exprimés dans
le repère du champ tournant. Nous expliquerons au chapitre suivant le terme û
utilisé dans l’équation d’état.

Les matrices utilisées dans ce cas sont les suivantes :

 Rs +Rr Rr ω

− Lf ωs Lf .Lm Lf
 −ω − RsL+R r
− Lωf Rr 
 s Lf .Lm 
A= f

 Rr 0 − LRmr (ωs − ω)
0 Rr −(ωs − ω) − LRmr
(1.41)

" #T  
1
Lf
0 0 0 1 0 0 0
B= 1 , C=
0 Lf
0 0 0 1 0 0

27
Chapitre 1. La machine asynchrone : modélisation, commande et simulation

1.7 Conclusion

Nous avons, dans ce chapitre, présenté quelques rappels sur la constitution de

la machine asynchrone à cage d’écureuil ainsi que sur sa commande de type
contrôle vectoriel à flux rotorique orienté. Nous nous sommes volontairement
attardés sur le modèle triphasé et le modèle de Park de la machine.

Les choix des hypothèses d’étude et des objectifs du modèle sont importants
pour le développement du modèle de simulation (dédié à l’identification), car ils
conditionnent la complexité du travail à réaliser et l’utilisation d’outils appro-
priés. Notre choix s’est porté sur le modèle de Park en vue de l’identification de
la machine asynchrone. Ce modèle est plus simple, ce qui facilite la procédure
d’identification.

Les modèles (dédiés à l’identification) exposés dans cette partie seront repris
ultérieurement afin de valider l’ensemble des modèles de défauts statoriques et
rotoriques. Ces modèles sont à la base de la procédure de diagnostic par estimation
paramétrique.

28
 Chapitre 2

Identification en boucle fermée

Ce chapitre a pour objectif de présenter un panorama des méthodes d’iden-

tification en boucle fermée. Une attention particulière est portée aux techniques
basées sur l’approche par erreur de sortie. Par ailleurs, nous allons présenter les
bases d’une méthodologie d’identification dédiée au diagnostic des machines élec-
triques et plus particulièrement de la machine asynchrone, où la structure bouclée
est indispensable au fonctionnement du système. Cette méthodologie s’appuie sur
l’approche indirecte et les algorithmes du type erreur de sortie. Nous montrons,
dans ce chapitre, l’avantage d’une telle approche à travers un exemple acadé-
mique.

29
Chapitre 2. Identification en boucle fermée

2.1 Introduction

La modélisation et l’identification sont en automatique des disciplines fon-

damentales et indispensables, qui précèdent toutes les opérations de simulation,
d’observation, d’établissement d’une loi de commande ou de surveillance d’un sys-
tème. Cette double étape de modélisation et d’identification dépend par ailleurs
fortement du système et de l’application considérée.

Si l’utilisateur veut simuler le comportement dynamique du système et en

même temps tester l’influence de certains paramètres caractéristiques, l’approche
par modèle discret est insuffisante et il est nécessaire d’utiliser une représentation
à temps continu par équation différentielle plus proche de la nature physique du
système. En outre, dans un objectif de surveillance, il est certain que la modélisa-
tion à temps continu est préférable, surtout lorsque l’utilisateur souhaite effectuer
un diagnostic de l’état du système à partir de l’estimation de paramètres repré-
sentatifs de son fonctionnement sain ou en défaut.

L’identification des systèmes a longtemps été envisagée dans le cadre de la

bouce ouverte. Pourtant, de nombreux systèmes sont contraints de fonctionner
en boucle fermée. Souvent, il n’est pas possible de conduire des expérimentations
en boucle ouverte sur des procédés industriels, soit pour des raisons de production,
soit pour des problèmes d’instabilité. Dans ce cas, il est possible, sous certaines
conditions, d’identifier ces systèmes à partir des signaux acquis en boucle fermée.

Cette technique présente plusieurs avantages, comme par exemple la maı̂trise

du signal (d’entrée et / ou de sortie) lors des campagnes de mesures, ou encore le
maintien du processus autour d’un point de fonctionnement. Son principal incon-
vénient réside dans la corrélation induite par le bouclage entre les perturbations
de sortie et les signaux de commande.

Le travail présenté dans ce chapitre concerne l’analyse de techniques d’identifi-

cation des systèmes en boucle fermée. Nous nous intéressons plus particulièrement
à l’identification indirecte des systèmes continus par erreur de sortie.

30
 2.2. Identification en boucle ouverte

2.2 Identification en boucle ouverte

2.2.1 Introduction

Dans le contexte de notre travail, on va essentiellement s’intéresser à l’identifi-

cation des systèmes à l’aide de modèles à représentation continue. Deux catégories
d’algorithmes sont utilisables, que l’on classe suivant la nature des résidus en er-
reur d’équation ou en erreur de sortie.

Les algorithmes à erreur d’équation ne sont utilisables en pratique qu’avec des

modèles du type équation différentielle à coefficients constants. Pour de tels mo-
dèles, de nombreuses techniques [Mensler, 1999] ont été imaginées afin d’exprimer
la sortie du système linéairement par rapport à ses paramètres (L.P.). Cette pro-
priété de linéarité permet alors d’utiliser la méthode des moindres carrés dont l’in-
térêt essentiel est de fournir une expression analytique de l’estimée des paramètres
[Ljung, 1987]. Malheureusement, on démontre que pour tout modèle L.P. dont le
régresseur dépend directement (ou indirectement par filtrage) des valeurs de la
sortie, les résidus sont du type erreur d’équation et en conséquence l’estimateur est
biaisé. Une solution à l’élimination de ce biais est d’utiliser une technique de va-
riable instrumentale à modèle parallèle simulé [?][Söderström and Stoica, 1983],
mais cela complique bien sûr l’algorithme, et la convergence peut dans certains
cas poser problème.

Enfin, comme en général les machines électriques ne se ramènent pas à des

équations différentielles à coefficients constants mais plutôt à des systèmes diffé-
rentiels non linéaires, on comprendra que cette méthodologie d’identification ne
soit pas vraiment adaptée au problème envisagé. Cette partie va donc être dédiée
à la présentation de la deuxième catégorie d’algorithmes, du type erreur de sortie ;
en France ils sont aussi appelés méthode du modèle, selon un vocable introduit
par J. Richalet [Richalet, 1991].

2.2.2 Algorithme d’identification du type erreur de sortie

Comme on vient de le dire, ces algorithmes sont connus sous l’appellation

générique de méthode du modèle [Richalet et al., 1971]. Ils se caractérisent fon-
damentalement par la simulation de la sortie à partir de la seule connaissance
de l’excitation et du modèle (et de ses paramètres). Grâce à cette procédure,

31
Chapitre 2. Identification en boucle fermée

la sortie simulée est indépendante de la perturbation affectant le système, s’il

n’y a pas de bouclage [Landau and Karimi, 1997] [Trigeassou and Poinot, 2001]
[Trigeassou et al., 2003a] [Grospeaud, 2000] [Bachir et al., 2008] ; en conséquence,
les résidus sont l’image de cette perturbation, d’où l’appellation d’erreur de sortie
et d’intéressantes propriétés de convergence. Par contre, cette simulation com-
plique le problème de minimisation du critère qui nécessite l’utilisation de tech-
niques d’optimisation non linéaire. La méthodologie générale mise en œuvre, peut
être symbolisée par la figure 2.1.

b ru it
bk

S ystèm e y*k
θ
ex cita tio n εk J
C ritère
uk
M o d èle
θˆ ŷk

A lg o rith m e
de P. N . L.

Fig. 2.1 – Principe des méthodes à erreur de sortie

Considérons un système décrit par le modèle d’état général d’ordre n décrivant

la réponse y(t) à l’excitation u(t), dépendant du vecteur paramètres θ :

 
ẋ = g (x, θ, u) dim(x) = n
avec (2.1)
y = f (x, θ, u) dim(θ) = N

où y(t) et u(t) sont considérés mono-dimensionnels uniquement pour simpli-

fier la présentation. On remarquera qu’aucune hypothèse de linéarité n’est néces-
saire : g et f sont des lois issues d’un raisonnement physique, qui en général ne
sont pas linéaires. On fera cependant l’hypothèse que le système est identifiable
[Walter and Pronzato, 1997].

Considérons par ailleurs un ensemble de K données expérimentales {uk , yk∗ },

acquises avec la période d’échantillonnage Te , telle que t = k Te ; le problème de
l’identification est alors d’estimer le modèle qui explique au mieux ces données,

32
 2.2. Identification en boucle ouverte

donc de déterminer la valeur des paramètres du vecteur θ.

Soit θ̂ une estimation de θ. Alors grâce à u(t), connue aux instants d’échan-
tillonnage uk , on obtient une simulation ŷk de la sortie, soit

  
 ḃ
x=g x bu
b, θ,
  (2.2)
 yb = f x bu
b, θ,

On définit alors l’erreur de prédiction (résidu) notée εk entre la sortie réelle

yk∗ et la sortie simulée ŷk

εk = yk∗ − ŷ(uk , θ̂) (2.3)

avec
– yk∗ = yk + bk : mesure de la sortie yk , perturbée par un bruit bk ,
– yk : valeur exacte de la sortie,
– bk : perturbation aléatoire,
– εk : résidu.
La valeur optimale de θ est obtenue par minimisation du critère quadratique
J :

K
X K 
X  2
J= ε2k = yk∗ − ŷk uk , θ̂ (2.4)
k=1 k=1

2.2.3 Estimation paramétrique avec information a priori

Les méthodes à erreur de sortie reposent sur la définition d’un modèle paramé-
trique, fonction d’un certain nombre de paramètres auxquels on peut attribuer
une signification plus ou moins physique, que l’on compare au système. Pour
converger, ces algorithmes nécessitent :

– une entrée persistante afin d’exciter toutes les dynamiques du système,

33
Chapitre 2. Identification en boucle fermée

– une bonne initialisation pour accélérer la convergence.

Cependant, on pourrait croire que l’on utilise une bonne initialisation comme
information a priori pour accélérer la convergence auprès de l’optimum principal :
en fait, l’algorithme d’optimisation ne conserve aucune trace de cette information
initiale ! Au mieux, on évite de converger vers des optimums secondaires. De plus,
et malgré toutes les précautions numériques, ces algorithmes peuvent dans cer-
taines situations fournir des estimations aberrantes [Almiah, 1995] [Jemni, 1997].
Il faut chercher la cause de ces anomalies dans le mécanisme d’optimisation : en
effet, celui-ci cherche le jeu de paramètres qui permet au modèle retenu d’appro-
cher au mieux les données, sans contrainte physique. Il s’agit fondamentalement
d’un problème de sensibilisation paramétrique : bien que théoriquement iden-
tifiables, les paramètres concernés sont quasiment non identifiables et on peut
constater des phénomènes de compensation. Le réflexe traditionnel devant un
tel problème est de proposer d’enrichir l’excitation [Ljung, 1987] [Kabbaj, 1997] :
toutefois, dans de nombreuses situations, cette excitation optimale peut s’avé-
rer irréaliste en pratique (voire dangereuse pour le procédé) ou tout simplement
violer les conditions de validité du modèle !

Une solution proposée consiste à introduire explicitement la connaissance phy-

sique afin qu’elle se substitue pour partie à l’excitation insuffisante ou qu’elle
contribue à enrichir l’excitation.

2.2.3.1 Introduction de l’information a priori

La modélisation des systèmes sous forme continue permet de se référer à des

paramètres possédant une interprétation physique. De ce fait, l’utilisateur possède
en général un ordre de grandeur du vecteur des paramètres accessible par une
expérimentation élémentaire. Il est donc judicieux d’introduire cette connaissance
a priori pour mieux sensibiliser l’identification et obtenir ainsi une estimation
réaliste des paramètres.

Pour cela, il est nécessaire d’adjoindre cette information a priori de manière

explicite dans le critère quadratique [Moreau, 1999] [Trigeassou and Poinot, 2001]
[Trigeassou et al., 2003b], en adaptant les pondérations entre information expé-
rimentale et connaissance a priori. On définit donc un critère composite prenant
en compte une connaissance initiale θ0 (pondérée par sa matrice de covariance)
et le critère J (pondéré par la variance de la perturbation de sortie) :

34
 2.2. Identification en boucle ouverte

 T   1 X ∗
K  2
JC = θ̂ − θ0 M0−1 θ̂ − θ0 + y k − ŷ k θ̂, u
| {z } σb2 (2.5)
| k=1 {z }
J0 J ∗

où :
θ0 : connaissance a priori de θ,
M0 : matrice de covariance de θ0 ,
σb2 : variance de la perturbation de sortie.

Le terme quadratique J ∗ représente le critère conventionnel, porteur de l’in-

formation expérimentale. Par contre, J0 est un deuxième critère quadratique qui
introduit une contrainte ” élastique ” dans la minimisation du critère global JC :
en effet, il interdit à θ̂ de trop s’éloigner de θ0 , avec une ” force de rappel ”
dépendant de θ̂ − θ0 .

2.2.3.2 Algorithme d’optimisation non linéaire

b la minimisation de ce critère s’effectue

Comme la sortie n’est pas linéaire en θ,
par une méthode de Programmation Non Linéaire (P.N.L.) [Richalet et al., 1971].
Ainsi, la valeur optimale du vecteur paramètre notée θopt est obtenue par un
algorithme d’optimisation itératif [Himmelblau, 1972].

L’algorithme de Marquardt [Marquardt, 1963] offre un bon compromis entre

robustesse et rapidité de convergence. Les paramètres à estimer sont réactualisés
selon la loi :

′′
θ̂i+1 = θ̂i − {[Jθθ + λ I]−1 · Jθ′ } θ̂=θ̂i (2.6)

Les algorithmes d’erreur de sortie diffèrent surtout par la façon de gérer l’op-
timisation. Pour notre part, nous avons opté pour le calcul du gradient par les
fonctions de sensibilité paramétrique. On prend donc :
   
′ −1 1
P
K
– J Cθ = 2 M0 θ̂ − θ0 − σb2
εk σ k : gradient du critère,
k=1

35
Chapitre 2. Identification en boucle fermée
 
′′ 1
P
K
– JCθθ ≈ 2 M0−1 + σb2
σ k σ Tk : pseudo-hessien du critère,
k=1
– λ : paramètre de réglage,
– σ k,θi = ∂∂θŷk : fonction de sensibilité paramétrique.
i

2.2.3.3 Calcul des fonctions de sensibilité

Les fonctions de sensibilité σ k,θ constituent le point névralgique de toute la

procédure d’identification [Richalet et al., 1971] [Trigeassou, 1988]. Ce sont les
indicateurs essentiels du conditionnement de l’identification car elles traduisent
l’effet d’une variation d’un paramètre sur la sortie du système. Leur rôle est
localement analogue au vecteur régresseur dans le cas linéaire par rapport aux
paramètres [Ljung, 1987]. Par conséquent, l’identification devient très sensible au
calcul de ces coefficients.

Pour un système régi par la relation (2.1), il convient de définir deux sortes
de fonctions de sensibilité [Trigeassou and Poinot, 2001] :

– σ y,θ = ∂y
∂θ
: vecteur des fonctions de sensibilité de dimension (N × 1) cal-
culées par rapport à la sortie et directement utilisé par l’algorithme de
Programmation Non Linéaire,
– σx,θ = ∂x
∂θ
: matrice des fonctions de sensibilité de dimension (n × N) calcu-
lées par rapport à l’état telle que
 
σ x,θ = σ x,θ1 · · · σ x,θi · · · σ x,θN (2.7)
Pour chaque paramètre θi , on détermine σxn ,θi à partir de l’équation ẋ =
g (x, θ, u) par intégration du système différentiel :

∂ ẋ ∂g (x, θ, u) ∂x ∂g (x, θ, u)
= σ̇ x,θi = + (2.8)
∂θi ∂x ∂θi ∂θi

Alors, σxn ,θi est solution du système différentiel non linéaire :

∂g (x, θ, u) ∂g (x, θ, u)
σ̇ x,θi = σ x,θi + (2.9)
∂x ∂θi

36
 2.2. Identification en boucle ouverte

Finalement, on obtient ∂y/∂θi par dérivation partielle de l’équation (2.1), soit

 T
∂y ∂f (x, θ, u) ∂f (x, θ, u)
= σ x,θi + (2.10)
∂θi ∂x ∂θi

Le raisonnement précédent se particularise à une sous classe importante de

systèmes constituée par les systèmes linéaires dont l’état


ẋ = A(θ) x + B(θ) u
(2.11)
y = C T (θ) x + D(θ) u

On obtient alors

 h i h i
 σ̇ x,θi = A(θ) σx,θi + ∂A(θ)
∂θ
x + ∂B(θ)
∂θ
u
h i iT hi i (2.12)
 σy,θ = C T (θ) σ + ∂C(θ) x + ∂D(θ) u
i x,θi ∂θi ∂θi

2.2.3.4 Mise en œuvre

La mise en œuvre de cette méthodologie suppose la maı̂trise de deux types

d’informations :

– l’information a priori {θ0 , M0 } : celle-ci peut résulter soit d’une estimation

globale précédente, soit d’estimations spécifiques et incomplètes. Dans ce
dernier cas, le plus réaliste, la matrice M0 est au mieux diagonale,
– la variance σb2 de la perturbation : elle joue un rôle essentiel dans la pon-
dération entre J0 et J : une faible valeur donne trop de poids aux données
expérimentales, alors qu’une forte valeur les discrédite au profit de θ 0 .

2.2.3.4.1 Choix de l’information a priori

Un choix judicieux des paramètres (θ0 et M0 ) permet de régulariser le pro-

blème du manque d’excitation lorsque la matrice d’information est proche de la
singularité, synonyme d’une excitation pauvre.

37
Chapitre 2. Identification en boucle fermée

Lorsqu’on dispose d’une connaissance au préalable, disponible soit par une

expérimentation élémentaire ou par des données constructeur, il serait judicieux
de construire notre information a priori à partir de cette base. Cependant, il est
indispensable de prendre quelques précautions quant à l’utilisation de ces don-
nées issues généralement d’une expérimentation en régime stationnaire, éventuel-
lement non compatible avec le domaine de validité du modèle choisi. En pratique,
il est préférable de construire l’information a priori en partie par la connaissance
physique et par des estimations préalables. Plusieurs acquisitions de données cor-
respondant à différents modes de fonctionnement sont donc nécessaires. En effet,
afin de construire les intervalles d’incertitude, il faut envisager l’ensemble des
situations susceptibles de faire varier les paramètres (changement normal dans
l’état du procédé). Voir pour plus d’informations [Bachir et al., 2008].

2.2.3.4.2 Choix de la variance de la perturbation de sortie

Dans le cas d’une perturbation indépendante et stationnaire, les algorithmes

à erreur de sortie fournissent une estimation de la variance σb2 selon la relation
[Ljung, 1987] :

Jopt
σbb 2 = (2.13)
K −N
où

– Jopt est la valeur du critère expérimental J pour θb = θ opt ,

– K est le nombre de points de mesure,
– N est le nombre de paramètres.
Il est important de noter que cette valeur ne constitue en aucun cas une in-
formation fiable sur la variance du bruit de sortie. En effet, il est rare que la
perturbation vérifie les hypothèses simplificatrices précédentes. En général, elle
peut être corrélée, mais surtout non stationnaire. Par ailleurs, s’ajoute au terme
aléatoire une composante déterministe représentant les erreurs de modélisation.
Cependant, cette valeur peut être utilisée comme indicateur de cohérence entre
information initiale et connaissance a priori. Ainsi, lorsque σb2 , θ0 et M0 sont des
informations sûres, σ bb2 permet de tester si l’information expérimentale est com-
patible avec la connaissance du système : une valeur de σ bb2 nettement supérieure
à σb2 peut correspondre à une non stationnarité du système se manifestant par
une modification de son modèle, et se traduisant dans JC par une augmentation

38
 2.3. Un panorama des méthodes d’identification en boucle fermée

de l’erreur de modélisation, donc de σ bb2 . Pour sa part, σ bb2 peut nécessiter d’être
ajusté grâce à une nouvelle passe de l’algorithme d’identification. Concrètement,
on part d’une valeur a priori représentant approximativement la variance de la
perturbation stochastique ; lorsque θ C est obtenu, on recalcule σ bb2 grâce à J(θC ).
bb2 est très différent de sa valeur initiale, on réitère une nouvelle estimation de
Si σ
θC jusqu’à convergence du processus.

2.2.4 Conclusion

Les techniques à erreur de sortie possèdent l’avantage fondamental d’une ap-

plicabilité quasi-universelle, que ce soit vis-à-vis des types de systèmes ou des do-
maines d’application. En particulier, en association avec la connaissance a priori,
ces méthodes constituent un outil puissant d’identification dépassant largement le
cadre de l’automatique, pour l’accès à la connaissance physique, comme cela a été
illustré par les exemples d’applications au génie électrique. Rappelons toutefois
que la connaissance a priori ne saurait se substituer à l’indigence de l’excita-
tion. L’utilisateur doit toujours au préalable planifier son expérimentation, c’est
à dire optimiser l’excitation compte-tenu de contraintes technologiques afin d’en-
richir le contenu informationnel de ses données expérimentales ou de simulation
[Walter and Pronzato, 1994]. C’est lorsque cette optimisation a été réalisée que
peut alors valablement intervenir le complément dû à l’information a priori. En-
fin, une attention particulière doit être portée à cette connaissance initiale, autant
à sa véracité qu’à sa précision, afin de ne pas induire en erreur l’algorithme d’op-
timisation.

2.3 Un panorama des méthodes d’identification

en boucle fermée

Dans le contexte de l’identification en boucle fermée, un grand nombre de

méthodes ont été proposées dans les deux dernières décennies. On peut citer les
travaux de Landau [Landau, 1987], Van Den Hof [Hof and Schrama, 1995], De
Bruyne et Ljung [Gustavsson et al., 1977] [Ljung, 1987] où différentes techniques
d’identification utilisables en boucle ouverte et en boucle fermée sont proposées.

Afin de simplifier la présentation des résultats, on se place dans un cas mo-

novariable ; les méthodes s’appliquent généralement au cas des systèmes multiva-

39
Chapitre 2. Identification en boucle fermée

riables.

2.3.1 Problématique de l’identification en boucle fermée

Le problème typique de l’identification en boucle fermée réside dans la cor-

rélation entre les bruits de sortie et le signal de commande, du fait de la boucle
fermée. Un autre problème causé par des données recueillies en boucle fermée
est qu’elles comportent généralement moins d’information que celles recueillies
en boucle ouverte. En effet, un objectif important de la commande est de mini-
miser la sensibilité du système bouclé aux perturbations, ce qui rend le problème
d’identification plus délicat à traiter [Forssel and Ljung, 1999].

H0 (s)
b
r + u y + +
C(z) CNA G0 (s)
- y∗

CAN

Fig. 2.2 – Système bouclé

On se place dans le cadre d’un processus bouclé de commande numérique

représenté par la figure 2.2. Les données d’entrée/sortie du processus sont décrites
par les relations suivantes :

y(s)∗ = G0 (s)u(s) + H0 (s)e(s) (2.14)

 
u(q −1 ) = C(q −1 ) r(q −1 ) − y(q −1) (2.15)

Où G0 représente le processus réel à identifier, et C(z) le correcteur. Le vecteur

de sortie est noté y ∗, et le vecteur d’entrée u.

L’expression b(s) = H0 (s)e(s) modélise les perturbations : e est une suite

de variables aléatoires indépendantes, identiquement distribuées à moyenne nulle

40
 2.3. Un panorama des méthodes d’identification en boucle fermée

(bruit blanc), H0 (s) est un filtre linéaire invariant stable et normalisé (processus
générateur).

Le terme b(s) regroupe les bruits de mesure, les perturbations agissant sur
le système ainsi que les erreurs de modélisation. De plus, contrairement au cas
boucle ouverte, l’entrée u(s) et les perturbations e(s) sont corrélées, du fait de la
présence de la boucle fermée. Le signal rk peut représenter un signal d’excitation
ou une consigne.

L’étude réalisée dans ce manuscrit a été développée sous l’hypothèse fon-

damentale : r est un signal quasi-stationnaire indépendant des perturbations e
[Ljung, 1987]. L’excitation appliquée au système est persistante, d’ordre suffi-
sant. La procédure d’identification vise à déterminer une estimation du processus
G0 (s). Dans certains cas, on va voir qu’il peut être intéressant de déterminer
également une estimation du correcteur C(z).

2.3.2 L’approche directe

2.3.2.1 Principe

Dans le cas de l’identification directe, les données uk , yk recueillies en boucle

fermée sont traitées de la même manière qu’en boucle ouverte (figure 2.3).

Ainsi, la présence de la boucle fermée n’est pas prise en compte. A priori,

cette méthode ne pose pas de véritable problème pratique d’utilisation et elle est
donc couramment utilisée.

Cependant, comme on ignore la présence du correcteur, on se retrouve avec

une entrée u(s) corrélée avec la perturbation de sortie b(s) : l’estimation est donc
asymptotiquement biaisée (voir annexe A). Il s’agit donc là de l’inconvénient
essentiel de l’approche directe et qui a motivé la mise au point d’algorithmes
prenant en compte explicitement la présence de la boucle fermée.

2.3.2.2 Biais de l’approche directe en boucle fermée

Lorsque le système fonctionne en boucle fermée (ce qui est le cas des ma-
chines à courant alternatif à commande vectorielle), la perturbation bk est né-
cessairement corrélée avec la commande uk par l’intermédiaire du correcteur (ou

41
Chapitre 2. Identification en boucle fermée

H0 (s)
b
y + +
r + u G0 (s)
C(z) CNA
-
y∗
CAN +
−
ŷ
c0 (s)
G

Algorithme
d optimisation
′

Fig. 2.3 – Principe de l’identification directe en boucle fermée

de l’algorithme de commande). Alors, les fonctions de sensibilité σk calculées à

partir de l’excitation uk se trouve corrélées avec la perturbation bk , c’est-à-dire
que l’estimation θopt est asymptotiquement biaisée (voir annexe A). Ce biais n’est
vraiment très important que lorsque le rapport signal sur bruit est très faible. On
pourra donc le négliger en première approximation.

Cependant, des algorithmes d’identification par erreur de sortie en boucle fer-

mée ont été proposés ; ils permettent une parfaite réjection de ce biais asympto-
tique, mais au prix d’une plus grande complexité de la procédure d’identification
[Grospeaud, 2000] [Landau and Karimi, 1997].

Une analyse [Grospeaud, 2000] [Grospeaud et al., 2000] montre que si bk est
un bruit blanc, à cause du retard inhérent à la boucle fermée numérique, les fonc-
tions de sensibilité ne sont pas corrélées avec le bruit blanc, soit : E {σk,θi , bk } = 0
Par contre, si bk est un bruit corrélé, un biais apparaı̂t dont la valeur dépend du
processus générateur de ce bruit.

Une étude du biais asymptotique de l’algorithme à erreur de sortie en boucle

ouverte et en boucle fermée, est décrite dans l’annexe A et on s’y reportera pour
plus de détails.

42
 2.3. Un panorama des méthodes d’identification en boucle fermée

2.3.3 L’approche simultanée

A l’origine de cette méthode d’identification en boucle fermée, ni la me-

sure du signal d’excitation rk , ni le correcteur C(z) ne sont supposés connus
[Gustavsson et al., 1977]. En revanche, on suppose que rk est un processus sto-
chastique stationnaire qui peut être représenté par :

rk = K0 (q −1 )wk (2.16)

avec K0 (z) une fonction de transfert normalisée, rationnelle et stable, et wk une

suite de variables aléatoires indépendantes, identiquement distribuées, à moyenne
nulle.

On se place dans le cas où le correcteur et le système sont discrets. Ainsi, le

système bouclé peut être décrit par la relation suivante :

     
uk S0 (q −1 )K0 (q −1 ) −S0 (q −1 )C(q −1 )H0 (q −1 ) wk
= · (2.17)
yk S0 (q )G0 (q )K0 (q )
−1 −1 −1
S0 (q )H0 (q )
−1 −1
ek

avec
 −1
S0 (q −1 ) = I + C(q −1 )G0 (q −1 ) la fonction de sensibilité (2.18)

où [wk ek ]T sont des bruits blancs. Cette méthode consiste à estimer un modèle
sans mesure du vecteur d’entrée, c’est à dire à estimer un modèle de bruit multiva-
riable. Cette approche est dite simultanée car elle consiste à utiliser conjointement
les signaux uk et yk comme sortie d’un modèle multivariable.

Une estimation de ce modèle peut être obtenue en utilisant une méthode

d’identification fondée sur la minimisation d’une fonction de l’erreur de prédiction.
La seconde étape consiste à revenir aux estimations de G0 (q −1 ), H0 (q −1 ), C(q −1 )
et K0 (q −1 ), où C(q −1 ) représente le correcteur présent dans la boucle lors des
expérimentations (le correcteur étant inconnu, il doit être estimé).

Depuis son développement [Gustavsson et al., 1977], cette approche a évo-

lué et a été modifiée : le signal d’excitation est désormais supposé mesuré et
il est utilisé comme entrée connue du système. Plusieurs méthodes d’identifica-

43
Chapitre 2. Identification en boucle fermée

tion en boucle fermée ont été développées dans le cadre de l’approche simulta-
née. Pour plus de détails, le lecteur pourra se référer à [Söderström et al., 1987]
[Hof and Schrama, 1995].

2.3.4 L’approche indirecte

2.3.4.1 Principe

Considérons le système en boucle fermée de la figure 2.4

H
b
r + u y + +
C(z) G(z)
- y∗

Fig. 2.4 – Système bouclé

Cette méthode ne nécessite pas la mesure de signaux à l’intérieur de la boucle

de régulation. Ainsi, l’estimation est fondée sur les mesures de yk∗ et rk . L’ap-
proche indirecte se décompose en deux parties :

– Identifier la fonction de transfert en boucle fermée entre rk et yk∗ par une

méthode d’identification à erreur de sortie. On obtient une estimation non
biaisée ĜBF (z), indépendante du modèle de bruit b.
– Déterminer les paramètres du processus G(z) (boucle ouverte), à partir du
modèle obtenu dans l’étape précédente et en utilisant la connaissance du
correcteur C(z). Ainsi, on peut trouver un estimateur non biaisé de G(z)
en utilisant la relation suivante :

Ĝ (z)
Ĝ(z) = h BF i (2.19)
C(z) 1 − ĜBF (z)
L’entrée rk utilisée lors de la première étape de l’identification est décorrélée
des perturbations bk , ce qui constitue un problème d’identification en boucle ou-

44
 2.3. Un panorama des méthodes d’identification en boucle fermée

verte. Le système à identifier lors de cette première étape est décrit par l’équation
(2.20).

C(q −1 )G(q −1 ) 1
yk∗ = rk + bk
1 + C(q )G(q )
−1 −1 1 + C(q )G(q −1 )
−1
(2.20)
| {z } | {z }
GBF (q )
−1
wk

où wk est le bruit équivalent de sortie en boucle fermée.

Dans la deuxième étape, le retour aux estimés de G(z) est réalisé par résolution
d’un système d’équations. Cette idée de base correspond au principe fondamental
des approches indirectes. Les techniques correspondantes diffèrent dans la façon
dont l’estimation Ĝ(z) est effectivement obtenue.

Le principal problème engendré par cette méthode réside dans la construction

du modèle de la boucle ouverte basée sur l’estimation de la boucle fermée. Lors
du calcul de la relation (2.19), on se trouve dans la situation où le nombre de
paramètres identifiés de la boucle fermée est supérieur à celui du système en
boucle ouverte.

La suite de cette section est consacrée à la présentation de certaines méthodes

développées dans le cas d’une identification de systèmes bouclés par approche in-
directe. Ces méthodes ont été proposées afin de rémédier à certains des problèmes
énoncés précédemment. On s’intéresse tout particulièrement aux méthodes asso-
ciées à une paramétrisation appropriée. Ces méthodes consistent à paramétrer
la fonction de transfert en boucle fermée afin d’estimer en une seule étape les
paramètres du processus à partir des signaux rk et yk .

2.3.4.2 Méthodes associées à une paramétrisation appropriée

Les méthodes C.L.O.E. proposées par Landau, les méthodes Tailor Made
Parametrization proposées par Van Den Hof, Von Denkelaar, De Bruyne et An-
derson et les méthodes à erreur de sortie basées sur une décomposition de la
boucle fermée proposées par Trigeassou, Poinot et Grospeaud sont toutes issues
du même principe, c’est-à-dire de l’identification de type O.E. (Output Error).
Ces techniques sont globalement équivalentes en dépit de leurs particularités de
représentation [Grospeaud, 2000].

45
Chapitre 2. Identification en boucle fermée

2.3.4.2.1 Méthode C.L.O.E.

I. Landau et A. Karimi [Landau and Karimi, 1997] ont proposé une méthode
d’identification en ligne des systèmes bouclés. Cette version récursive a été dé-
veloppée sous l’acronyme C.L.O.E. (Closed-Loop Output Error) et utilise des
algorithmes d’adaptation paramétrique.

Considérons le système bouclé décrit par la figure 2.4. Alors on peut définir
S(q −1 ) = 1+C(q−11)G(q−1 ) la fonction de sensibilité et T (q −1 ) = 1−S(q −1 ) la fonction
de sensibilité complémentaire. En boucle fermée, cette méthode consiste à utiliser
l’équation de sortie du système de commande

yk∗ = T (q −1 ) · rk + S(q −1 ) · H(q −1 ) · ek (2.21)

Le prédicteur associé est fourni par :

ŷk = T (q −1 ) · rk (2.22)

B(q −1 )
On pose alors le modèle Ĝ(q −1 ) = A(q −1 )
, d’où

ŷk = [T (q −1 ) · (1 − A(q −1 )) + C(q −1 ) · S(q −1 ) · B(q −1 )] · rk

= (1 − A(q −1 )) · ŷk + B(q −1 ) · urk (2.23)
= φk · θ T

avec
h i
φk = −ŷk−1 · · · − ŷk−na urk · · · urk−nb (2.24)

où le signal urk est construit à partir du signal de référence rk selon

urk = C(q −1 ) · Sθk−1 (q −1 ) · rk (2.25)

Ainsi, à partir de ŷk = φk θT , un algorithme récursif peut être utilisé. L’iden-

tification est réalisée à partir de l’erreur de prédiction

46
 2.3. Un panorama des méthodes d’identification en boucle fermée

εk = yk − ŷk

Plusieurs variantes de cet algorithme sont proposées ; parmi elles on peut

citer la méthode F-C.L.O.E. (Filtred C.L.O.E.), la méthode AF-C.L.O.E. (Adap-
tative Filtred C.L.O.E.) et la méthode X-C.L.O.E. (eXtended C.L.O.E.). Une
analyse des propriétés de ces méthodes peut être trouvée dans [Grospeaud, 2000]
[Landau and Karimi, 1997].

2.3.4.2.2 Méthode Tailor-Made Parametrisation

Cette méthode permet d’identifier les paramètres du processus, à partir des

signaux mesurés rk et yk∗ et de la connaissance du correcteur. La configuration
particulière de la structure bouclée est utilisée pour paramétrer de façon appro-
priée la fonction de transfert du système bouclé. Cette caractéristique permet
d’identifier en une seule étape un modèle du processus. Cependant, comme elle
nécessite la mesure de rk et la connaissance de C(z), elle est classée dans les
approches indirectes. Cette méthode a été dévelopée par E. Van Donkelaar et P.
Van den Hof [Donkelaar and den Hof, 2000].

Dans cette méthode, on utilise l’approche O.E. pour identifier globalement la

boucle fermée. En considérant les structures C(z) = R(z)
S(z)
et Ĝ(z) = B̂(z)
Â(z)
, alors on
peut écrire

C(z)Ĝ(z)
ŷ(z) = r(z)
1 + C(z)Ĝ(z)
(2.26)
R(z)B̂(z)
= r(z)
S(z)Â(z) + R(z)B̂(z)

Le point fort de cette approche est dans le calcul des dérivées notées y ′(θ)
qui sont les fonctions de sensibilité paramétrique. Un autre avantage de cette
méthode de calcul est qu’elle permet une généralisation au cas non linéaire.

Le calcul du gradient et du hessien, nécessaires à la minimisation du critère

quadratique par Programmation Non Linéaire, est obtenu à partir des fonctions
de sensibilité paramétriques premières et secondaires (y ′(θ) et y ′′(θ)).

47
Chapitre 2. Identification en boucle fermée

2.3.4.3 Conclusion

Les approches C.L.O.E. et Tailor Made Parametrization sont basées sur un al-
gorithme du type erreur de sortie. Elles ne diffèrent en pratique que dans le mode
de traitement (récursif ou hors-ligne) [Grospeaud, 2000]. Ces algorithmes O.E.
conduisent tous aux mêmes fonctions de sensibilité σ ou φ. Ces deux méthodes
sont aussi équivalentes à la méthode d’identification 0.E. basée sur une décompo-
sition de la boucle fermée [Grospeaud and Trigeassou, 1999], elles ne diffèrent en
pratique que dans la formulation des modèles (transfert ou modèle d’état).

Par la suite, nous ne nous intéressons qu’à la méthode d’identification 0.E.

basée sur une décomposition de la boucle fermée que nous allons présenter dans
la section suivante. Cette approche offre l’intérêt fondamental de sa généralité.

2.4 Méthode d’identification O.E. basée sur une

décomposition de la boucle fermée

2.4.1 Principe

O. Grospeaud, T.Poinot et J-C. Trigeassou [Grospeaud et al., 1999] ont pro-

posé une méthodologie générale pour l’identification hors ligne en boucle fermée à
partir d’une technique à erreur de sortie. Elle s’applique aussi bien aux systèmes
à temps discret que continu. De plus, grâce à une décomposition des équations
de la boucle fermée, elle s’applique aussi bien aux systèmes linéaires que non
linéaires [Grospeaud et al., 2000].

La méthode proposée est équivalente à Tailor Made Parametrization. La dif-

férence réside dans le traitement de la boucle fermée : par fonction de transfert
avec Tailor Made Parametrization, par représentation d’état dans notre cas.

Cette technique peut s’appliquer à un système à temps continu G(s), piloté

par un correcteur continu C(s). En fait, il s’agit d’un problème académique,
car les systèmes continus tels que G(s), sont à présent pilotés par un correcteur
numérique C(z) : il devient alors difficile d’envisager une réprésentation d’état
globale, conciliant temps continu pour G(s) et temps discret pour C(z). C’est
pour cette raison, que la méthode proposée permet d’envisager cette situation
comme le montre la figure 2.5, et qui par ailleurs s’applique à des boucles fermées

48
2.4. Méthode d’identification O.E. basée sur une décomposition de la boucle fermée

non linéaires.

C’est cette approche que nous avons particulièrement développée. Ainsi, nous
proposons, dans un premier temps, de rappeler l’intérêt d’une telle approche à
travers une étude appliquée à un système linéaire continu bouclé par l’intermé-
diaire d’un correcteur discret.

H0 (s)
b
u G(s, θ) y + +
+ C(z) CNA
-
y∗
r +
CAN
−
+ x̂˙ = A(θ̂)x̂ + B(θ̂)û ŷ
b
C(z) CNA û
- ŷ = C(θ̂)x̂ + D(θ̂)û

CAN
Algorithme
d′ optimisation

Fig. 2.5 – Principe de l’identification indirecte en boucle fermée

Cette technique d’identification indirecte repose sur la connaissance du correc-

teur (figure 2.5) (ainsi que la majorité des autres approches). Cette hypothèse crée
une véritable contrainte inadaptée à la réalité industrielle. Nous allons montrer
que l’on peut s’affranchir de cette contrainte en identifiant le correcteur par une
technique de surparamétrisation [Poinot, 1996] [Grospeaud and Trigeassou, 1999]
[Bazine et al., 2006b].

Cette approche ne nécessite pas la mesure des signaux à l’intérieur de la

boucle de régulation. Elle consiste à considérer un signal d’entrée ûk , reconstruit
(voir figure 2.5) à partir de la connaissance ou de l’estimation du correcteur
[Grospeaud, 2000] [Bazine et al., 2006b]. Le modèle du processus est alors obtenu
par l’estimation du transfert entre la sortie yk∗ et l’entrée reconstruite ûk .

49
Chapitre 2. Identification en boucle fermée

2.4.2 Identification de correcteur

La principale contrainte imposée par l’identification indirecte est l’indispen-

sable connaissance du correcteur. Le problème en commande industrielle est qu’il
n’y a pas de régulateur réellement implanté qui corresponde parfaitement à l’ex-
pression théorique de celui-ci.

La solution que nous proposons consiste à identifier le correcteur à l’aide d’un

modèle surparamétrisé [Poinot, 1996] [Trigeassou, 1987].

2.4.2.1 Méthodologie

Soit la boucle fermée définie par la figure 2.6. On se propose d’estimer les
paramètres du correcteur R(z)
S(z)
.

H0 (s)
b
r u y + +
+ R(z)
CNA G0 (s)
S(z)
- y∗

CAN

Fig. 2.6 – Processus bouclé

Connaissant la commande, la consigne et la sortie bruitée notées respective-

ment u, r et y ∗, on se retrouve devant une identification sans perturbation (car
tous les signaux sont connus et parfaitement mesurés), donc parfaitement déter-
ministe, pour laquelle on peut appliquer la méthode des moindres carrés ordinaires
qui dans ce cas particulier n’induit pas un biais asymptotique [Ljung, 1987]. En
effet, yk∗ est bien la mesure de yk entachée d’erreurs dues au bruit de mesure bk
(yk∗ = yk + bk avec yk inconnu) ; mais une fois la mesure obtenue, yk∗ est parfaite-
ment connu. Ainsi yk∗ est une valeur certaine que l’on utilise dans l’algorithme de
calcul du correcteur.

50
2.4. Méthode d’identification O.E. basée sur une décomposition de la boucle fermée

Si la structure du correcteur est parfaitement connue, soit par exemple :

R(z) r0 + r1 z −1 + · · · + rn z −n
C(z) = = (2.27)
S(z) 1 + s1 z −1 + · · · + sm z −m

Alors l’estimation par Moindres Carrés est :

" K #−1 K
X X
θ̂M C = ϕk ϕTk ϕk u k (2.28)
1 1

Et θ̂M C = θ exact .
Avec :
 
r̂0  
  rk − yk∗
 r̂1   .. 
 ..   . 
 .   
   rk−n − yk−n
∗ 
θ̂ M C =
 r̂n 
 et ϕk = 


 (2.29)
   −uk−1 
 ŝ1   .. 
 ..   . 
 . 
−uk−m
ŝm

Par contre, si la structure exacte est inconnue (ce qui est souvent le cas) on
s’affranchit de cette connaissance structurelle, en utilisant le principe de surpa-
ramétrisation [Poinot, 1996] [Grospeaud, 2000].
Rs (z)
On choisira alors Cs (z) = Ss (z)
de telle sorte que :


degré [Rs (z)] > degré [R(z)]
degré [Ss (z)] > degré [S(z)]

On va donc utiliser un modèle surparamétrisé de complexité supérieure à

celle du vrai correcteur, afin de minimiser l’erreur de modélisation. Il faut par
contre disposer d’un test significatif permettant de caractériser cette erreur de
modélisation.

51
Chapitre 2. Identification en boucle fermée

On obtient donc :

"K #−1 K
X X
θ̂ s = ϕsk ϕTsk ϕsk uk (2.30)
1 1

A partir de θs , on a plusieurs possibilités : soit on détermine une structure

minimale, soit on utilise directement le modèle surparamétrisé, ce qui en pratique
correspond à une solution simple et robuste vis-à-vis d’éventuelles erreurs de
modélisation (c’est la solution que nous avons retenue).

2.4.2.2 Etude de la surparamétrisation

2.4.2.2.1 Introduction

Considérons le correcteur estimé surparamétrisé

r0 + r1 z −1 + · · · + rs z −s
Cs (z) = (2.31)
1 + s1 z −1 + · · · + ss z −s

Où s est le degré de la surparamérisation.

On écrira ûk = ϕTsk θˆs où

 
r̂0  
  rk − yk∗
 r̂1   .. 
 ..   . 
 .   
   rk−s − yk−s
∗ 
θ̂s = 
 r̂s 
 et ϕsk =
 −uk−1

 (2.32)
 ŝ1   
   .. 
 ..   . 
 . 
−uk−s
ŝs

La relation (2.30) fournit la valeur optimale de θ̂s lorsque le degré de la surpa-

ramétrisdation est suffisamment élevé. Pour décider si ce degré est correct, nous

52
2.4. Méthode d’identification O.E. basée sur une décomposition de la boucle fermée

allons utiliser un test de caractérisation, basé sur des invariants de modélisa-

tion. Ces invariants sont, dans notre cas, les moments discrets [Trigeassou, 1987]
[Trigeassou, 2000].

2.4.2.2.2 Les moments discrets

Définition 2.1.
Soit une séquence {hk } de somme finie sur [0, +∞[. Alors en développant H(z)
en série de Taylor au voisinage de z −1 = 1, on obtient :

X
∞
(z −1 − 1)n
Z {hk } = H(z) = Cn (hk ) (2.33)
n=0
n!

où
X
∞
k!
Cn (hk ) = Ank hk avec Ank = (2.34)
k=n
(k − n)!

Cn (hk ) est le moment discret d’ordre n de {hk }.

Les moments possèdent la propriété de caractériser la réponse impulsionnelle

du système. De plus, en vertu du théorème d’unicité [Trigeassou, 2000], cette
caractérisation est complète et les moments constituent donc des invariants du
système, pouvant caractériser l’erreur de modélisation.

Notons aussi, qu’il existe une autre classe d’invariants [Trigeassou et al., 1994]
basée sur les paramètres de Markov qui sont les premières valeurs de la réponse
impulsionnelle, correspondant au développement en série de Taylor de H(z) au
voisinage de z −1 = 0.

Un théorème fondamental de la théorie des fonctions de la variable complexe

peut s’énoncer :

Théorème 2.1.
Si deux fonctions f (z) et g(z) sont holomorphes dans un domaine D et égales
dans un domaine D ′ contenu dans D, alors elles sont égales en tout point de D.

53
Chapitre 2. Identification en boucle fermée

Cette propriété nous amène à énoncer le théorème d’unicité suivant [Poinot, 1996]
[Trigeassou, 2000] :

Théorème 2.2.
Si deux fonctions de transfert possèdent la même série de Taylor, donc les mêmes
moments (ou les mêmes paramètres de Markov), alors elles sont identiques en tout
point de leur domaine de définition.

Application du théorème d’unicité et invariants :

Considérons deux fonctions de transfert H1 (z) et H2 (z), de réponses impul-

sionnelles respectives h1 et h2 . Supposons que les moments de ces deux fonc-
tions de transfert sont tous égaux, malgré des représentations paramétriques dif-
férentes. Alors, d’après le théorème des fonctions de la variable complexe et le
théorème d’unicité [Trigeassou, 2000] nous pouvons affirmer que ces deux fonc-
tions de transfert sont égales. Les moments discrets sont donc indépendants de
la paramétrisation du système.

Conséquence du théorème d’Unicité :

Si une structure surparamétrisée englobe la structure exacte, alors tous ses

moments sont égaux à ceux du vrai système. Ne connaissant pas les moments
exacts, il suffit en pratique de tester des structures surparamétrisées de com-
plexité croissante. Lorsque les invariants deviennent stationnaires, c’est que la
structure considérée englobe de manière certaine celle du vrai système.

Les relations linéaires entre moments discrets et paramètres du correcteur sont

détaillées dans l’annexe B.

2.4.2.3 Simulations numériques

2.4.2.3.1 Choix de la structure du correcteur

Soit le correcteur P ID réel à identifier :

54
2.4. Méthode d’identification O.E. basée sur une décomposition de la boucle fermée

r0 + r1 z −1 + r2 z −2
C(z) =
1 + s1 z −1 + s2 z −2
avec
r0 = 2.6064 r1 = −5.1980 r2 = 2.5916
s1 = −1.9802 s2 = 9.8020 10−01

Afin de valider le test précédent, nous avons testé différentes structures de

correcteurs (S = 1, 2, 3, 4). Après identification, on obtient les paramètres décrits
par le tableau 2.1.

Nous vérifions sur cet exemple que le modèle identifié du second ordre est
exactement identique au correcteur réel. Il est nécessaire de tester le choix du
degré de surparamétrisation. Nous allons pour cela calculer les moments discrets
des correcteurs identifiés.

55
 r̂0 + r̂1 z −1 r̂0 + r̂1 z −1 + r̂2 z −2 r̂0 + r̂1 z −1 + r̂2 z −2 + r̂3 z −3 r̂0 + r̂1 z −1 + r̂2 z −2 + r̂3 z −3 + r̂4 z −4
Modèles
1 + ŝ1 z −1 1 + ŝ1 z −1 + ŝ2 z −2 1 + ŝ1 z −1 + ŝ2 z −2 + ŝ3 z −3 1 + ŝ1 z −1 + ŝ2 z −2 + ŝ3 z −3 + ŝ4 z −4
+00
r̂0 2.6057 10 2.6064 10+00 2.6064 10+00 2.6064 10+00
r̂1 −2.5872 10+00 −5.1980 10+00 −3.4604 10+00 −2.5916 10+00
r̂2 ∗ 2.5916 10+00 −8.7372 10−01 −1.3032 10+00
r̂3 ∗ ∗ 1.7277 10+00 −7.3950 10−03
Chapitre 2. Identification en boucle fermée

r̂4 ∗ ∗ ∗ 1.2958 10+00

ŝ1 −9.7849 10 −01
−1.9802 10+00 −1.3135 10+00 −9.8020 10−01
ŝ2 ∗ 9.8020 10−01 −3.3993 10−01 −4.9999 10−01
ŝ3 ∗ ∗ 6.5346 10−01 −9.8986 10−03
ŝ4 ∗ ∗ ∗ 4.9009 10−01

Tab. 2.1 – Structures des correcteurs surparamétrisés

56
2.4. Méthode d’identification O.E. basée sur une décomposition de la boucle fermée

2.4.2.3.2 Les moments discrets

Différents correcteurs surparamétrisés ont été identifiés (Tableau 2.1). Pour

chacun d’eux, nous avons calculé les moments discrets correspondants (figure 2.7).
Les moments discrets du vrai correcteur sont présentés dans le tableau 2.2

Moment ordre 0 Moment ordre 1

0.02 0

0.015
−1
0.01
−2
0.005

0 −3
1 2 3 4 1 2 3 4

Moment ordre 2 4
x 10 Moment ordre 3
300 4

3
200
2
100
1

0 0
1 2 3 4 1 2 3 4

Fig. 2.7 – Moments discrets des correcteurs surparamétrisés en fonction de l’ordre

S

Moments Moment ordre 0 Moment ordre 1 Moment ordre 2 Moment ordre 3

Valeurs 2.5000 10−03 −6.2375 10−01 2.0000 10+02 2.9700 10+04

Tab. 2.2 – les moments discrets du vrai correcteur

On vérifie que les moments du modèle identifié d’ordre 1 sont différents de ceux
de C(z). On constate d’autre part les moments ne varient plus pour les modèles
identifiés d’ordre supérieur à 1 et que ces moments sont égaux aux moments
théoriques du vrai correcteur. En appliquant le test précédent, on peut donc dire
que les structures de complexité supérieure ou égale à deux donnent satisfaction,
et peuvent se substituer au correcteur réel.

57
Chapitre 2. Identification en boucle fermée

2.4.3 Méthodologie d’identification indirecte par erreur

de sortie

Lorsque le correcteur C(z) est connu (dans notre cas par identification surpa-
ramétrisée), on peut envisager l’identification du système continu. Référons nous
au schéma de la figure 2.5 : dans ce cas, l’excitation û du modèle continu est ob-
tenue par simulation du correcteur C(z), à partir de la réponse rk et de la sortie
prédite ŷk .

On peut alors estimer les paramètres θ du modèle continu par erreur de sortie
et P.N.L : il faut pour cela calculer les fonctions de sensibilité σyk . On présente
dans ce qui suit l’étude des fonctions de sensibilité d’un système continu et linéaire
G(s) piloté par un correcteur à temps discret C(z).

2.4.3.1 Calcul des fonctions de sensibilité

Soit la représentation d’état continue du modèle linéaire équivalent

(
x̂˙ = A(θ̂)x̂ + B(θ̂)û
(2.35)
ŷ = C(θ̂)x̂ + D(θ̂)û

où û est la commande prédite du système (figure 2.5). On notera que A, B,

C et D sont relatifs à Ĝ(s).

Les fonctions de sensibilité par rapport à σ y , devront être calculées en prenant

en compte la sensibilité de û à θ̂, soit σ u . Comme u(t) et û(t) sont générés par
un bloqueur d’ordre zéro, alors pour tout temps t compris entre deux instants
d’échantillonnage, c’est à dire t ∈ [kTe , (k + 1)Te [, on a

û(t) = ûk

De plus le correcteur discret C(z) génère ûk selon l’algorithme

ûk + s1 ûk−1 + s2 ûk−2 = r0 (rk − ŷk ) + r1 (rk−1 − ŷk−1 ) + r2 (rk−2 − ŷk−2) (2.36)

58
2.4. Méthode d’identification O.E. basée sur une décomposition de la boucle fermée

∂ ŷ ∂ x̂
Définissons σ y,θi = ∂θ i
et σ x,θi = ∂θi
; alors on obtient les fonctions de sensibi-
lité à partir du système différentiel



 ∂A(θ̂) ∂B(θ̂) ∂ ûk
 σ̇ x,θi = A(θ̂)σ x,θi + x̂ + û(t) + B(θ̂)
∂θi ∂θi ∂θi (2.37)

 ∂C( θ̂) ∂D( θ̂) ∂ ûk
 σ y,θi = C(θ̂)σ x,θi + x̂ + û(t) + D(θ̂)
∂θi ∂θi ∂θi

∂ ûk
avec = σ ûk ,θi lui même obtenu à partir de l’équation aux différences :
∂θi

∂ ûk ∂ ûk−1 ∂ ûk−2 ∂ ŷk ∂ ŷk−1 ∂ ŷk−2

+ s1 + s2 = −r0 − r1 − r2 (2.38)
∂θi ∂θi ∂θi ∂θi ∂θi ∂θi

Soit

σ ûk ,θi + s1 σ ûk−1 ,θi + s2 σ ûk−2 ,θi = −r0 σŷk ,θi − r1 σŷk−1 ,θi − r2 σŷk−2 ,θi (2.39)

En utilisant cette formulation des fonctions de sensibilité, il est possible d’es-

timer les paramètres d’un système continu commandé par un algorithme numé-
rique. Cette formulation est évidement utilisable pour les systèmes discrets.

Il est important de remarquer que la sortie ŷ et la commande û sont effective-

ment simulées à partir de l’excitation rk , de C(z) et du modèle continu Ĝ(s) : û
et ŷ étant totalement décorrélés de b (le bruit), l’estimation obtenue est donc non
biaisée (voir annexe A). Ceci est illustré par les simulations numériques réalisées
dans la section suivante. Il est aussi important de noter que cette écriture (sys-
tème d’état) ne requiert pas d’hypothèse particulière sur la linéarité du système
(ni même du correcteur).

2.4.3.2 Exemple d’application

Afin d’illustrer les possibilités des techniques d’identification proposées, nous

allons les tester sur un système continu et linéaire du second ordre.

59
Chapitre 2. Identification en boucle fermée

b0
G(s) =
s2 + a1 s + a0
avec
b0 = 0.8 a0 = 0.4 a1 = 1.4

Le correcteur associé est de type P.I.D et se présente sous la forme

r0 + r1 z −1 + r2 z −2
C(z) =
1 + s1 z −1 + s2 z −2
avec
r0 = 2.6064 r1 = −5.1980 r2 = 2.5916,
s1 = −1.9802 s2 = 9.8020 10−01

Soit le correcteur identifié surparamétrisé

r̂0 + r̂1 z −1 + r̂2 z −2 + r̂3 z −3

Cs (z) =
1 + ŝ1 z −1 + ŝ2 z −2 + ŝ3 z −3
avec

r̂0 = 2.6064 r̂1 = −3.4604 r̂2 = −8.7372 10−01 r̂3 = 1.7277

ŝ1 = −1.3135 ŝ2 = −3.3993 10−01 ŝ3 = 6.5346 10−01

Nous nous sommes placés dans des conditions de bruit telles que le rapport
S/B = 20. Le bruit de sortie est généré par le modèle A.R :

bk + c1 bk−1 = ek où ek est un bruit blanc et −1 < c1 < 0.

Trois situations ont été étudiées :

– c1 = 0, alors bk correspond à un bruit blanc

– c1 = −0.5, alors bk correspond à un bruit moyennement corrélé
– c1 = −0.95, alors bk correspond à un bruit fortement corrélé
Les simulations de Monte Carlo ont été réalisées sur 30 réalisations, chaque
réalisation comportant 4000 couples de données.

Les algorithmes directs et les algorithmes indirects avec correcteur réel et sur-

60
2.4. Méthode d’identification O.E. basée sur une décomposition de la boucle fermée

paramétrisé sont comparés grâce à cette simulation stochastique. Les résultats

sont présentés dans les tableaux 2.3, 2.4 et 2.5.

Remarque
I.D : Identification Directe
I.I.C.E : Identification Indirecte, Correcteur Exact
I.I.C.S : Identification Indirecte, Correcteur Surparamétrisé d’ordre 3

Valeurs I.D I.I.C.E I.I.C.S

exactes
b0 = 0.8 8.1028 10−01 7.9879 10−01 7.9743 10−01
±2.6444 10−02 ±1.1869 10−02 ±1.3237 10−02
a0 = 0.4 3.7380 10−01 4.0610 10−01 4.0542 10−01
±7.1145 10−02 ±3.2745 10−02 ±3.5704 10−02
a1 = 1.4 1.4084 10+00 1.3991 10+00 1.3950 10+00
±2.4483 10−02
±1.2689 10 −02
±1.4775 10−02

Tab. 2.3 – Identification en présence d’un bruit blanc

a a
0 1

0.3 0.35 0.4 0.45 1.38 1.4 1.42

IICE
IICS
ID
b Valeur exacte
0

0.78 0.8 0.82

Fig. 2.8 – Identification en présence d’un bruit blanc

Nous présentons dans les tableaux 2.3, 2.4 et 2.5 la moyenne de chaque pa-
ramètre identifié avec une marge d’erreur égale à ± 3 fois l’écart type (de la
distribution de Monte Carlo).

61
Chapitre 2. Identification en boucle fermée

Valeurs I.D I.I.C.E I.I.C.S

exactes
b0 = 0.8 8.0804 10−01 8.0364 10−01 7.9832 10−01
±3.6904 10−02 ±1.5484 10−02 ±1.6268 10−02
a0 = 0.4 3.7071 10−01 3.9212 10−01 4.0558 10−01
±1.0150 10−01 ±3.4814 10−02 ±4.1090 10−02
a1 = 1.4 1.4040 10+00 1.3997 10+00 1.3956 10+00
±4.0469 10 −02
±2.3433 10 −02
±2.3387 10−02

Tab. 2.4 – Identification en présence d’un bruit moyennement corrélé c1 = −0.5

Les figures 2.8, 2.9 et 2.10 sont des représentations graphiques de la plage des
variations de chaque paramètre selon la méthode d’identification des tableaux
2.3, 2.4 et 2.5.

a a1
0

0.3 0.35 0.4 0.45 1.36 1.38 1.4 1.42 1.44

b0

0.76 0.78 0.8 0.82 0.84

Fig. 2.9 – Identification en présence d’un bruit moyennement corrélé c1 = −0.5

Valeurs I.D I.I.C.E I.I.C.S

exactes
b0 = 0.8 6.0283 10−01 8.0243 10−01 7.9800 10−01
±1.1933 10 −01
±2.2136 10 −02
±1.4515 10−02
a0 = 0.4 5.2435 10−01 4.0294 10−01 4.0987 10−01
±4.6527 10−01 ±4.1773 10−02 ±3.5272 10−02
a1 = 1.4 1.0202 10+00 1.3998 10+00 1.3944 10+00
±2.7406 10−01 ±4.1789 10−02 ±3.2106 10−02

Tab. 2.5 – Identification en présence d’un bruit fortement corrélé c1 = −0.95

62
 2.5. Conclusion

On vérifie tout d’abord que la technique directe I.D est non biaisée en bruit
blanc de sortie ; il en est bien sûr de même pour I.I.C.E et I.I.C.S. Par contre,
un biais apparaı̂t pour I.D dès que le bruit est corrélé (c1 = −0, 5) ; il augmente
considérablement avec la corrélation de ce bruit (c1 = −0, 95). On vérifie alors
que les deux méthodes indirectes fournissent une estimation non biaisée quelle
que soit la corrélation du bruit de sortie.

a0 a1

0.2 0.4 0.6 0.8 1 0.8 1 1.2 1.4

b0

0.5 0.6 0.7 0.8

Fig. 2.10 – Identification en présence d’un bruit fortement corrélé c1 = −0.95

On remarque aussi, dans ce cas, que l’identification directe présente une va-
riance plus importante sur les paramètres, notamment lorsque le bruit est corrélé ;
alors que l’identification indirecte donne une estimation des paramètres nettement
plus précise. Remarquons enfin que même si le correcteur ne possède pas la bonne
structure (méthode I.I.C.S), les résultats sont tout à fait comparables avec ce
que l’on obtient avec le correcteur exact (méthode I.I.C.E).

2.5 Conclusion

Au cours de ce chapitre, nous avons présenté diférentes méthodes d’identi-

fication en boucle fermée pour les systèmes discrets et continus. Les méthodes
présentées ont été classées selon trois approches suivant leurs hypothèses d’utili-
sation :

– L’approche directe : le correcteur est ignoré, la nature bouclée du système

63
Chapitre 2. Identification en boucle fermée

n’est pas explicitement prise en compte et les signaux d’entrée/sortie u et

y sont utilisés pour identifier directement le processus.
– L’approche simultanée : le correcteur est supposé inconnu, mais la structure
bouclée du système est connue. L’entrée u et la sortie y sont considérées
comme les sorties d’un système multivariable ayant pour entrées la consigne
r et le bruit b. La méthode consiste à estimer directement les paramètres
de processus à l’aide de l’utilisation simultanée de ces signaux.
– L’approche indirecte est fondée sur la connaissance du correcteur présent
dans la boucle ainsi que sur les mesures du signal d’excitation r et de la
sortie y.
En résumé, l’approche directe est celle à choisir pour une première identi-
fication d’un processus en boucle fermée. Elle permet d’obtenir une première
information sur le comportement global du processus. En revanche, il semble per-
tinent de compléter cette première identification par l’utilisation d’une des deux
autres approches. Elles ont l’avantage de prendre en compte toutes les informa-
tions disponibles sur le système bouclé, soit par l’utilisation de tous les signaux
intervenant dans la boucle (r, u et y) pour l’approche simultanée, soit par l’inter-
médiaire du correcteur pour l’approche indirecte.

Aussi, une attention particulière a été portée à l’identification indirecte par

erreur de sortie qui fait l’objet de ce mémoire. Cette méthode a été évaluée en
simulation, ce qui permet d’effectuer une première quantification de ses perfor-
mances. Le principal intérêt de cette méthode réside dans la non connaissance a
priori du correcteur. La procédure d’identification du correcteur par surparamé-
trisation semble être bien adaptée à une situation industrielle, car elle ne néces-
site ni la connaissance des paramètres, ni de la structure exacte du correcteur.
L’approche indirecte va être reprise, dans le cadre du diagnostic des processus
industriels, dans le cas de la machine à courant continu dans le chapitre 3 et dans
le cas de la machine asynchrone dans les chapitres 4 et 5.

64
 Chapitre 3

Méthodologie d’identification en
boucle fermée : Application à la
machine à courant continu

Dans ce chapitre, nous allons présenter une méthodologie d’identification de

la machine à courant continu en boucle fermée par approche indirecte. Cette
approche est basée, dans une première étape, sur l’identification d’un correcteur
équivalent par une technique de moindres carrés surparamétrisés. Par ailleurs un
test de caractérisation de l’ordre de surparamétrisation est proposé. Dans une
seconde étape, on réalise l’identification des paramètres du système sans biais
asymptotique par une technique à erreur de sortie.

65
Chapitre 3. Identification en boucle fermée de la machine à courant continu

3.1 Introduction

Toute machine électrique moderne prévue pour la variation de vitesse, et uti-

lisant une indispensable limitation de courant, ne peut fonctionner qu’en boucle
fermée, qu’il s’agit d’une machine à courant continu ou d’une machine à courant
alternatif. Dans ces conditions, il est justifié de se poser la question de l’inci-
dence du correcteur sur le biais en identification directe [Grospeaud et al., 1999]
[Grospeaud, 2000]. Nous nous proposons d’apporter une solution à ce problème
grâce à une identification indirecte sur la base de la connaissance du correcteur
(connaissance a priori ou estimation).

Dans le second chapitre, nous avons présenté une méthodologie générale d’iden-
tification en boucle fermée, qui a été appliquée à un exemple académique. Cette
technique s’avère bien adaptée à une situation industrielle, en particulier par la
non connaissance des paramètres et de la structure vraie du correcteur. Pour une
application réaliste de cette procédure sur une machine asynchrone, objectif final
de notre travail, un travail fondamental doit être effectué au préalable sur la ma-
chine à courant continu. En effet, le choix de la machine à courant continu nous a
paru judicieux comme plateforme de test de notre approche avec une complexité
limitée.

Une attention particulière est donc portée à l’identification de la machine à

courant continu par une méthode à erreur de sortie basée sur une décomposi-
tion de la boucle fermée. Aussi, afin d’identifier sans biais la machine à courant
continu fonctionnant en boucle fermée, nous proposons une méthodologie générale
d’identification basée sur la prise en compte du correcteur. Fondamentalement,
on utilise un algorithme d’identification à erreur de sortie, dont la procédure de
minimisation quadratique est réalisée par programmation non linéaire. Pour sa
part, le correcteur, de type cascade, est estimé sous la forme d’un correcteur
équivalent par une technique de surparamétrisation.

3.2 La machine à courant continu : modélisation

et commande

On a donc choisi comme première application la machine à courant continu.

Cette dernière est considérée, même aujourd’hui, comme l’actionneur de référence
(notamment pour la simplicité de son modèle). De plus, grâce à la transformation

66
 3.2. La machine à courant continu : modélisation et commande

de Park, on peut définir un repère d’étude pour les machines à courant alternatif
dont le modèle s’apparente aux équations de la machine à courant continu. La
principale raison de ce choix est en fait que le modèle de la machine à courant
continu est universellement connu et simple. Il nous permet ainsi de valider notre
méthodologie d’identification en boucle fermée, dans un contexte plus simple que
celui de la machine asynchrone.

Le modèle de la machine à courant continu est déduit de lois physiques élémen-

taires (loi de Lenz, loi d’Ampère, loi d’Ohm,. . .). Ces lois physiques conduisent
d’abord à l’équation électrique des enroulements d’induit, liant le courant d’in-
duit i à la tension d’induit u et à la f.e.m. e, au travers de la résistance R et de
l’inductance L de l’enroulement :

di(t)
u(t) = e(t) + L · + R · i(t) (3.1)
dt

Vient ensuite la relation de conversion électromécanique de l’interaction stator-

rotor, liant la f.e.m. à la vitesse ω d’une part, et le couple électromagnétique Cem
au courant d’autre part, grâce au même coefficient k et au flux inducteur φ :


Cem (t) = k · φ · i(t)
(3.2)
e(t) = k · φ · ω(t)

La machine que nous considérons est une machine à courant continu à aimants
permanents, donc k.φ est une constante, appelée dans la suite K.

La loi fondamentale de la mécanique débouche sur la relation liant la vitesse

ω aux couples électromagnétique Cem et résistant Cr , à travers l’inertie J et le
coefficient de frottements visqueux f de l’arbre du rotor :

dω(t)
J· = Cem (t) − Cr (t) − f · ω(t) (3.3)
dt

Les équations d’état de la MCC montrent que les modes électriques et mé-
caniques sont couplés ; il est possible d’effectuer un découplage des modes en

67
Chapitre 3. Identification en boucle fermée de la machine à courant continu

réalisant une compensation statique de la f.e.m. On rend ainsi la commande du

courant et de la vitesse indépendantes l’une de l’autre.

La commande en courant distingue les deux sous systèmes électrique et mé-

canique. La constante de temps mécanique est très largement supérieure à la
constante de temps électrique. On distingue ainsi deux modes, le mode électrique
(mode rapide) et le mode mécanique (mode lent). Le contrôle de vitesse conduit
automatiquement à un contrôle de courant induit. Un algorithme de régulation
est élaboré pour chaque mode [Chiappa, 1989]. Compte tenu des remarques énon-
cées, nous avons choisi un type de commande par boucles imbriquées, où le mode
mécanique et le mode électrique sont traités séparément.

La figure 3.1 montre le principe de la régulation :

Commande P rocessus

Cr
ωref +
iref u Cem
+ CP M + CP E CNA hacheur + PE (s) i K + PM (s) ω
− − −
ω i
K
CAN

CAN

Fig. 3.1 – Principe de la régulation de la machine MCC

Sur la figure 3.1, on suppose que la vitesse ω est mesurée par une dynamo
tachymétrique.

PE , PM représentent les fonctions de transfert des parties électrique et méca-

nique de la machine, et CP E , CP M , les correcteurs discrets associés.
On a vu que l’asservissement de la vitesse passe par celui du couple (courant).

Les correcteurs de la boucle de courant et de la boucle de vitesse utilisés sont

de type P I.

Remarque
On se repportera à l’annexe C pour une discussion sur la modélisation de la MCC
en vue de son identification.

68
 3.3. Description du simulateur

3.3 Description du simulateur

3.3.1 Protocole de simulation

Dans le but d’obtenir des signaux synthétiques de la MCC en boucle fermée,

nous avons mis au point un simulateur comprenant deux parties essentielles :

– Un modèle de la MCC : le modèle continu de simulation de la MCC se

présente alors sous la forme

Ẋ(t) = A.X(t) + B.V (t)
(3.4)
Y = C.X(t)

avec
 T
X= i ω : vecteur d’état (3.5)

   
u i
V = , Y = : entrées et sorties de la machine (3.6)
Cr ω

 R  1   
− L −KL
0 L
1 0
A= K , B= et C = (3.7)
J
− Jf 0 − J1 0 1

– un bloc de régulation : La figure 3.1 décrit la structure générale de la com-

mande utilisée. Les principaux constituants dans ce type de commande sont
la boucle de régulation de vitesse et la boucle de régulation de courant.

Cr bω
ω ω ++
∗
ω∗
ωref u
Commande MCC i + i∗
i
∗
+
bi

Fig. 3.2 – Principe de la simulation de la MCC

69
Chapitre 3. Identification en boucle fermée de la machine à courant continu

La figure 3.2 donne une représentation graphique du simulateur de la machine

à courant continu. Le bloc Commande est identique au schéma décrit par la figure
3.1.

Les algorithmes d’identification paramétrique nécessitent, pour converger, une

excitation persistante qui sensibilise suffisamment tous les modes du système.
Dans le cas de la machine à courant continu, nous avons défini les deux types
d’excitation suivants :

– une excitation obtenue par l’addition d’une Séquence Binaire Pseudo Aléa-
toire (SBP A) à la consigne de la boucle vitesse ωref ,
– une excitation par couple de charge Cr à vitesse constante obtenue par
l’utilisation d’une SBP A.
Nous allons décrire ces deux types d’excitation, dans la section suivante, en
mettant l’accent sur l’effet de chacune d’elles sur le résultat de l’identification.

Pour nos simulations, nous avons utilisé une machine à courant continu dont
les caractéristiques sont données par la table 3.1 :

L = 1.2857 10−03H
R = 7.1428 10−01Ω
K = 1.8400 10−01N.m/A
f = 0.8000 10−02N.m.s/rad
J = 0.1070 10−01N.m.S 2 /rad

Tab. 3.1 – Caractéristiques de la MCC

Il est donc nécessaire de présenter dans un premier temps les différents types
de signaux que nous sommes en train de manipuler. Les signaux sont évalués à
partir d’une simulation globale à l’aide du logiciel Matlab.

L’essai est réalisé pendant une durée de 5s de la manière suivante :

– pour 0 < t < 1.5s la consigne de vitesse ωref est fixée à 100 rad/s, le couple
de charge Cr reste nul,
– pour 1.5 < t < 3s on applique à la machine une excitation en vitesse de
100 ± 10 rad/s et un couple de charge constant de 0.8 Nm,
– pour t > 3s la consigne de vitesse ωref reste fixée à 100 rad/s, à t = 3s on
applique à la machine un couple de charge variable allant de 0.5 à 1.3 Nm.

70
 3.3. Description du simulateur

La figure (3.3) décrit les résultats obtenus, dans les conditions de l’essai, grâce
au simulateur.
Tension Courant
30 15

25

20 10

15

10 5

0 0
0 1 2 3 4 5 0 1 2 3 4 5

vitesse Couple de charge

120 1.5

100

80 1

60

40 wref 0.5

20 w

0 0
0 1 2 3 4 5 0 1 2 3 4 5

Fig. 3.3 – Contrôle de la machine à courant continu

3.3.2 Types d’excitation

Dans le contexte du diagnostic par estimation paramétrique, il a été démontré

que l’on peut détecter, localiser et quantifier les défauts stator et rotor d’une ma-
chine asynchrone par estimation paramétrique [Bachir, 2002] [Bazine et al., 2005].
Cependant, cette procédure d’identification nécessite une excitation riche (per-
sistante), apte à sensibiliser les modes électriques concernés. Or lorsque ces ma-
chines fonctionnent en régulation, c’est-à-dire en rejection des perturbations dues
au couple de charge, l’entrée de consigne de vitesse est constante, donc non exci-
tatrice. Aussi, nous avons défini les deux excitations suivantes (on se reportera à
l’annexe C pour une discussion de ces deux types d’excitation) :

Une excitation en vitesse

En fonctionnement, cette excitation consiste à perturber le point de fonc-
tionnement électrique par une SBP A. A une vitesse donnée, il s’agit donc
d’introduire pendant la durée de l’acquisition ou de la simulation une SBP A
afin d’exciter la machine. Même si ce mode d’excitation ne reçoit pas tou-
jours l’approbation de l’utilisateur, il est néanmoins l’un des plus pratiques
et des plus simples dans le cas des machines électriques. En effet, en iden-
tification, les utilisateurs ont pour habitude d’exciter un système par une

71
Chapitre 3. Identification en boucle fermée de la machine à courant continu

SBP A en faisant varier sa sortie autour du point de fonctionnement. La

machine étant asservie en vitesse par un variateur, il suffit donc d’addition-
ner une SBP A à la consigne, ce qui est parfaitement réalisable en pratique.
Ce mode d’excitation peut paraı̂tre naturel à un automaticien, il est par
contre anormal pour un utilisateur dont l’objectif est avant tout de main-
tenir la vitesse constante (dans un objectif de qualité de production). La
figure 3.3 représente les signaux simulés pour une excitation en vitesse à
couple de charge constant pour 1.5 s < t < 3 s.
Une excitation par couple de charge
Le problème d’identification est plus délicat si on n’a pas le droit de faire
varier la consigne de la boucle fermée, c’est-à-dire si seulement les pertur-
bations de charge, excitation implicite, sont autorisées.
En effet, une excitation qui perturbe le point de fonctionnement en régu-
lation de la machine, ne peut satisfaire les objectifs industriels : c’est pour
cette raison que l’excitation indirecte par variation du couple de charge a
été retenue dans un objectif de diagnostic (voir annexe C). La figure 3.3
représente les signaux simulés pour une excitation par couple de charge à
vitesse constante pour t > 3 s.

3.4 Méthodologie d’identification en boucle fer-

mée

3.4.1 Introduction

Afin d’identifier sans biais asymptotique la machine à courant continu (MCC)

fonctionnant en boucle fermée, nous proposons une méthodologie d’identification
indirecte à partir d’une technique à erreur de sortie hors ligne. La technique
d’identification indirecte repose sur la connaissance du correcteur. Cette hypo-
thèse crée une véritable contrainte inadaptée à la réalité industrielle. Nous allons
montrer que l’on peut s’affranchir de cette contrainte en identifiant le correcteur
par une technique de surparamétrisation.

Ainsi, notre solution consiste à identifier le modèle électrique en tenant compte

explicitement de la corrélation apportée par le correcteur. Malheureusement, le
correcteur n’est pas unique, mais constitué de deux correcteurs imbriqués (cas-
cade), pour les boucles de courant et de vitesse. Alors, une solution est de déter-

72
 3.4. Méthodologie d’identification en boucle fermée

miner un seul correcteur équivalent, dont les entrées sont la consigne de vitesse
et les mesures du courant et de la vitesse. Comme la structure équivalente est
le plus souvent complexe et mal connue, ce correcteur équivalent est estimé par
une technique de moindres carrés surparamétrisés, et une structure minimale est
obtenue grâce à un test portant sur les moments.

3.4.2 Identification du correcteur équivalent

3.4.2.1 Méthodologie

Dans le cas particulier de la MCC, le correcteur n’est pas unique, mais consti-
tué de deux correcteurs, pour les boucles de courant et de vitesse. Alors, la so-
lution que nous proposons est de déterminer un seul correcteur équivalent, dont
les entrées sont la consigne de la vitesse ωref et les mesures du courant i∗ et de
la vitesse ω ∗, et où la sortie est la commande u (figure 3.2).
Commande MCC

ωrefk uk
+ CP M + CP E
− −
ωk∗
i∗k

Correcteur équivalent
ωrefk
ωk∗ ûk
CEq
i∗k

Fig. 3.4 – Principe du correcteur équivalent

L’expression théorique du correcteur équivalent est alors de la forme :

u(z) = Cω (z) · [ωref (z) − ω ∗ (z)] + Ci (z) · i∗ (z) (3.8)

avec
r0ω + r1ω z −1 + · · · + rnω z −n r0i + r1i z −1 + · · · + rni z −n
Cω (z) = et Ci (z) =
1 + s1 z −1 + · · · + sm z −m 1 + s1 z −1 + · · · + sm z −m

73
Chapitre 3. Identification en boucle fermée de la machine à courant continu

Comme la structure équivalente est le plus souvent complexe et mal connue,

ce correcteur équivalent est estimé par une technique de moindres carrés surpa-
ramétrisés et une structure minimale est obtenue grâce à un test portant sur les
moments.

Connaissant la commande, la consigne, le courant bruité et la vitesse bruitée

notées respectivement u, ωref , i∗ et ω ∗ (figure 3.4), on se retrouve devant une
identification sans perturbation, donc parfaitement déterministe (voir chapitre
2), pour laquelle on peut appliquer la méthode des moindres carrés ordinaires qui
dans ce cas particulier n’induit pas un biais asymptotique.

Alors l’estimation par moindres carrés des paramètres du correcteur équivalent

ω (z) i (z)
(CE) formé par les deux blocs Cω (z) = RS(z) et Ci (z) = RS(z) a pour expression :
" K #−1 K
X X
θ̂CE = ϕk ϕTk ϕk u k (3.9)
1 1

avec θ̂CE = θexact (car il n’y a pas de bruit ou de perturbation)

et
 
r̂0ω
 r̂   
 1ω  ωrefk − ωk∗
 .   .. 
 ..   . 
   
 r̂   ωrefk−n − ωk−n∗ 
 nω   
   
 r̂0i   i∗k 
   .. 
θ̂CE =  r̂ 
 1i  et ϕk =  .  (3.10)
 ..   
 .   ik−n
∗ 
   
 r̂ni   −uk−1 
   
 ŝ1   .. 
   . 
 .. 
 .  −uk−m
ŝm

Si la structure exacte du correcteur équivalent est inconnue on s’affranchit de

cette connaissance structurelle, en utilisant le principe de surparamétrisation. On

74
 3.4. Méthodologie d’identification en boucle fermée

choisira alors Cs (z) de telle sorte que :


 degré [Rsω (z)] > degré [Rω (z)]
degré [Rsi (z)] > degré [Ri (z)]

degré [Ss (z)] > degré [S(z)]

On va donc utiliser un modèle surparamétrisé de complexité supérieure à celle du

vrai correcteur, afin de minimiser l’erreur de modélisation.
On obtient alors :
" K #−1 K
X X
θ̂S = ϕSk ϕTSk ϕSk uk (3.11)
1 1

A partir de θS , on a plusieurs possibilités : soit on détermine une structure mi-

nimale grâce à un test portant sur les moments, soit on utilise directement le
modèle surparamétrisé, ce qui en pratique correspond à une solution simple et
robuste vis-à-vis d’éventuelles erreurs de modélisation.

3.4.2.2 Les moments discrets

Considérons le correcteur estimé surparamétrisé

r0 + r1 z −1 + · · · + rs z −s
CS (z) = (3.12)
1 + s1 z −1 + · · · + ss z −s

Où s est le degré de la surparamérisation.

D’après la figure 2.5, on écrira ûk = ϕTSk θˆS où

 
r̂0  
  rk − yk∗
 r̂1   .. 
 ..   . 
 .   
   rk−s − yk−s
∗ 
θ̂ S = 
 r̂s 
 et ϕSk =
 −ûk−1

 (3.13)
 ŝ1   
   .. 
 ..   . 
 . 
−ûk−s
ŝs

Pour décider si le degré de surparamétrisation est correct, nous allons utiliser

un test de caractérisation, basé sur des invariants de modélisation. Ces invariants

75
Chapitre 3. Identification en boucle fermée de la machine à courant continu

sont, dans notre cas, les moments discrets (voir chapitre 2).
P
∞
un
La série C (c )
n! n k
est entièrement définie dans son domaine de convergence.
n=0
Par ailleurs, les moments discrets Cn sont parfaitement définis dans le cas d’un
système stable. Soient les polynômes β(u) et α(u) correspondant respectivement
au numérateur et au dénominateur du correcteur C(z) obtenus en remplaçant la
variable (z −1 − 1) par la variable u et en développant les expressions en série de
Taylor selon l’équation (2.33).

Soit

 P
S

 β(u) = un βn
n=0
(3.14)

 P
S
 α(u) = un αn
n=0

où

 P
S

 βn = Ank rk et Ank = k!
n!(k−n)!
k=n

 PS
 αn = Ank sk
k=n

Le correcteur équivalent de la MCC possède une double intégration, à cause

des correcteurs P I en cascade. Dans ce cas, les moments discrets Cn sont obtenus
à partir de l’égalité suivante :

1 X un
∞
β(u)
C(u) = = 2 Cn (3.15)
α(u) u n=0 n!

r0 + r1 z −1 + · · · + rs z −s
avec C(z) =
1 + s1 z −1 + · · · + ss z −s
Les moments discrets Cn recherchés peuvent donc être calculés par division
polynomiale ou par convolution discrète. Ils sont obtenus à partir des relations

76
 3.4. Méthodologie d’identification en boucle fermée

récurrentes suivantes :

C0 = 0!β0 /α2
C1 = 1! [β1 − α3 C0 ] /α2
C2 = 2! 
[β2 − α4 C0 − α3 C1 ] /α2 
1
C3 = 3! β3 − α5 C0 − α4 C1 − α3 C2 /α2
2!
..
. (3.16)
 
P 1
n−1
Cn = n! βn − Ci αn+2−i /α2
i=0 i!
..
.  
1 1 1
CS = S! βS − αS C2 − αS−1 C3 − · · · − α3 CS−1 /α2
2! 3! (S − 1)!

Sachant que l’expression théorique du correcteur équivalent de la MCC est

de la forme :

u(z) = Cω (z) · [ωref (z) − ω ∗ (z)] + Ci (z) · i∗ (z) (3.17)

avec
r0ω + r1ω z −1 + · · · + rsω z −s r0i + r1i z −1 + · · · + rsi z −s
Cω (z) = et Ci (z) =
1 + s1 z −1 + · · · + ss z −s 1 + s1 z −1 + · · · + ss z −s

Il suffit en pratique de tester des structures surparamétrisées de complexité

croissante pour chacun des correcteurs Cω et Ci du correcteur équivalent. Lorsque
les moments deviennent stationnaires pour chaque correcteur , on peut en conclure
que la structure considérée englobe de manière certaine celle du vrai correcteur.

3.4.2.3 Simulations numériques

Afin de valider la méthodologie précédente, on a réalisé des simulations nu-

mériques avec un régulateur de courant de type P I et un régulateur de vitesse
de type P I.

r0pm + r1pm z −1
CP M (z) =
1 + s1pm z −1
r0pe + r1pe z −1
CP E (z) =
1 + s1pe z −1

77
Chapitre 3. Identification en boucle fermée de la machine à courant continu

avec

r0pm = 5.8185 10−01 r1pm = −5.8120 10−01 s1pm = −1

r0pe = 2.7857 10−02 r1pe = −2.3571 10−02 s1pe = −1

L’expression théorique du correcteur équivalent correspondant à cette double

action intégrale est de la forme :

r0ω + r1ω z −1 + r2ω z −2 ∗ r0i + r1i z −1 + r2i z −2 ∗

u(z) = · [ω ref (z) − ω (z)] + · i (z)
1 + s1 z −1 + s2 z −2 1 + s1 z −1 + s2 z −2

avec les valeurs théoriques suivantes :

r0ω = 1.6209e−02 r1ω = −2.9905e−02 r2ω = 1.3700e−02

r0i = −2.7857e−02 r1i = 5.1429e−02 r2i = −2.3571e−02
s1 = −2 s2 = 1

Différents correcteurs surparamétrisés (S = 1, 2, 3) ont été identifiés (Tableau

3.2). Pour chacun d’eux on a calculé les moments discrets correspondants (Ta-
bleaux 3.3 et 3.4).

Modèles Structure d’ordre 1 Structure d’ordre 2 Structure d’ordre 3

r̂0w 1.6198e−02 1.6209e−02 1.6209e−02
r̂1w −1.5635e −02
−2.9905e −02
−2.9902e−02
r̂2w ∗ 1.3700e−02 1.3693e−02
r̂3w ∗ ∗ 3.2090e−06
r̂0i 5.1855e−01 −2.7857e−02 −2.7857e−02
r̂1i −5.1854e−01 5.1429e−02 5.1422e−02
r̂2i ∗ −2.3571e−02 −2.3559e−02
r̂3i ∗ ∗ −5.5214e−06
ŝ1 −1.0000e+00 −2.0000e+00 −1.9998e+00
ŝ2 ∗ 1.0000e+00 9.9953e−01
ŝ3 ∗ ∗ 2.3424e−04

Tab. 3.2 – Structures des correcteurs surparamétrisés de la MCC

Nous vérifions sur cet exemple que le modèle identifié du second ordre est
exactement identique au correcteur théorique équivalent. En pratique, bien sûr,

78
 3.4. Méthodologie d’identification en boucle fermée

on ne connaı̂t pas le correcteur exact et il est donc nécessaire de tester le choix du

degré de surparamétrisation. Nous allons pour cela calculer les moments discrets
des correcteurs identifiés.

Modèles estimés C0 C1 C2 C3
Valeurs théoriques 2.7950e−06 −2.5062e−03
2.7399e−02
0
Structure ordre 1 5.6264e−04 −1.5635e−02
0 0
Structure ordre 2 2.7950e−06 −2.5062e−03
2.7399e−02
0
Structure ordre 3 2.7950e−06 −2.5062e−03
2.7399e−02
−2.5405e−21

Tab. 3.3 – Les moments discrets des correcteurs surparamétrisés Cw

Modèles estimés C0 C1 C2 C3
Valeurs théoriques 3.4694e−18
4.2857e−03
−4.7143e−02
0
Structure ordre 1 3.2585e−06
−5.1854e −01
0 0
Structure ordre 2 3.4694e−18
4.2857e−03
−4.7143e−02
0
Structure ordre 3 5.3520e−18 4.2857e−03 −4.7143e−02 0

Tab. 3.4 – Les moments discrets des correcteurs surparamétrisés Ci

Nous présentons, dans les tableaux 3.3 et 3.4, les différents moments discrets
pour chaque modèle estimé de Cω et Ci . Ces moments sont comparés aux moments
théoriques du correcteur équivant (Cω , Ci ).

On vérifie que les moments du modèle estimé d’ordre 1 pour Ci et Cω sont dif-
férents de ceux du vrai correcteur. On constate de plus que les moments ne varient
plus pour les modèles d’ordre supérieur à 1. On peut donc dire que les structures
de complexité supérieure ou égale à deux donnent satisfaction et peuvent se sub-
stituer au correcteur exact.

Nous présentons sur la figure 3.5, une comparaison de la tension réelle u

et celles estimées pour les structures d’ordre 1, 2 et 3. On voit bien, à travers
les courbes, que la sortie estimée û pour la structure de correcteur d’ordre 1
est différente de la commande réelle u, alors qu’on trouve des comportements
totalement identiques pour les autres structures.

79
Chapitre 3. Identification en boucle fermée de la machine à courant continu

32

Commande u
û pour S1
31
û pour S2

û pour S3

30

29

28

27

26
0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4

Fig. 3.5 – Comparaison des commandes réelle et estimées pour chaque structure
surparamétrisée

3.4.3 Identification indirecte par erreur de sortie

3.4.3.1 Principe

Lorsque la commande de la MCC est connue (par connaissance a priori

par identification surparamétrisée), on peut envisager l’identification du système
continu. Référons nous au schéma de la figure 3.6 : dans ce cas, l’excitation û du
modèle continu est obtenue par simulation du correcteur CEq (z), à partir de la
réponse ωrefk , de la mesure ωk∗ et de la sortie prédite îk .

On peut ainsi estimer les paramètres θ du modèle continu par erreur de sortie
et P.N.L : il faut pour cela calculer les fonctions de sensibilité σik .

3.4.3.2 Calcul des fonctions de sensibilité

Il est important de remarquer que la sortie î et la commande û sont effective-

ment simulées à partir de l’excitation ωref , de ω ∗ ,de CEq et du modèle continu :
û et î étant totalement décorrélés de bi (le bruit), l’estimation obtenue est en
principe non biaisée. Ceci va être illustré par les simulations numériques réalisées

80
 3.4. Méthodologie d’identification en boucle fermée

Cr bω
i∗ ω ++ ω∗
ω∗ u
Commande MCC i +
+
ωref bi
ω∗ i∗
+
−
ω ∗ û î
CEq (z) Modèle MCC

î

Algorithme
d′ optimisation

Fig. 3.6 – Principe de l’identification indirecte pour la MCC

dans la section suivante.

Soit la représentation d’état continue du modèle électrique de la MCC

(
˙
x̂(t) = A(θ̂)x̂(t) + B(θ̂)V (t)
(3.18)
ŷ(t) = C(θ̂)x̂(t)

avec :
θ = [R L K]T : vecteur des paramètres à estimer,

 
−R 1 −K
A= , B= , C=1 (3.19)
L L L

et
ŷ(t) = x̂(t) = î(t)
V = [û(t) ω ∗ (t)]t
où û(t) est la commande prédite de la MCC (figure 3.6).

Les fonctions de sensibilité par rapport à σ i , doivent être calculées en prenant

en compte la sensibilité de û à θ̂, soit σ u . Comme u(t) et û(t) sont générés par
un bloqueur d’ordre zéro, alors pour tout temps t compris entre deux instants

81
Chapitre 3. Identification en boucle fermée de la machine à courant continu

d’échantillonnage, c’est-à-dire t ∈ [kTe , (k + 1)Te [, on a û(t) = ûk .

De plus le correcteur équivalent discret CEq (z) génère ûk selon l’algorithme :

ûk + s1 ûk−1 + s2 ûk−2 + · · · + ss ûk−s = r0ω (ωrefk − ωk∗ ) + r1ω (ωrefk−1 − ωk−1
∗
)
∗
+ · · · + rsω (ωrefk−s − ωk−s ) + r0i îk + r1i îk−1 + · · · + rsi îk−s (3.20)

∂ î
Définissons σ î,θi = ∂θi
, alors on obtient les fonctions de sensibilité à partir du
système différentiel :

∂A(θ̂) ∂B(θ̂) ∂V
σ̇ î,θi = A(θ̂)σ î,θi + î + V (t) + B(θ̂) k (3.21)
∂θi ∂θi ∂θi
avec  ∗ t
∂V k ∂ωk ∂ ûk  t
= = 0 σ ûk ,θi
∂θi ∂θi ∂θi
où σ ûk ,θi est lui-même obtenu à partir de l’équation aux différences :

∂ ûk ∂ ûk−1 ∂ ûk−s ∂ îk ∂ îk−1 ∂ îk−s

+ s1 + · · · + ss = r0i + r1i + · · · + rsi (3.22)
∂θi ∂θi ∂θi ∂θi ∂θi ∂θi

Soit

σ ûk ,θi + s1 σ ûk−1 ,θi + · · · + ss σ ûk−s ,θi = r0i σîk ,θi + r1i σîk−1 ,θi + · · · + rsi σîk−s ,θi
(3.23)

3.5 Applications

Nous avons testé les techniques d’identification présentées dans ce chapitre

sur une machine à courant continu dont les paramètres sont donnés par la table
3.1. Nous avons employé deux processus générateurs de bruit pour la vitesse et le
courant, afin de tester notre méthodologie dans des situations stochastiques va-
riées. Nous nous sommes placés dans des conditions de bruit telles que le rapport
S/B = 50 pour le courant et S/B = 80 pour la vitesse.

82
 3.5. Applications

Le bruit de sortie est généré par le modèle A.R : bk + c1 bk−1 = ek où ek est
un bruit blanc et −1 < c1 < 0
Trois situations ont été étudiées :

– c1 = 0, alors bk correspond à un bruit blanc,

– c1 = −0.5, alors bk correspond à un bruit moyennement corrélé,
– c1 = −0.95, alors bk correspond à un bruit fortement corrélé.
Les simulations de Monte Carlo ont été effectuées sur 20 réalisations, chaque
réalisation comportant 5000 couples de données.

3.5.1 Identification indirecte avec correcteur réel pour dif-

férentes excitations

L’objectif de ces simulations est de mettre en évidence l’influence de l’exci-

tation sur le résultat de l’identification par approche indirecte. Les algorithmes
d’identification paramétrique nécessitent, pour converger, une excitation persis-
tante qui sensibilise suffisamment les modes du système. Dans le cas de la machine
à courant continu, nous avons défini les trois types d’excitation suivants :

– une excitation obtenue par l’addition d’une SBP A à la consigne de la boucle

vitesse,
– une excitation par couple de charge sous vitesse constante obtenue par
l’utilisation d’une SBP A,
– une excitation par couple de charge obtenue par l’utilisation d’une SBP A et
d’une excitation en vitesse obtenue par l’addition d’une SBP A à la consigne
de la boucle vitesse.
Les résultats d’identification qui vont être présentés ci-après traitent plusieurs
situations de bruit et ils ont été obtenus avec ces excitations. Sur une moyenne
de vingt simulations, on obtient les valeurs des estimations des paramètres élec-
triques de la MCC récapitulées aux tableaux ci-après (l’incertitude est fournie
sous la forme ± 3 fois l’écart-type de la distribution).
Remarque
Ex Cr : Excitation par couple de charge
Ex ω : Excitation en vitesse
Ex ω + Cr : Excitation par couple de charge et vitesse

1. Cas d’un bruit blanc sur le courant et la vitesse

83
Chapitre 3. Identification en boucle fermée de la machine à courant continu

Valeurs Excitation Excitation Excitation

exactes Cr Cr + ω ω
L = 0.0013 1.3441 10−03 1.3553 10−03 1.3554 10−03
±1.5587 10 −04
±1.4729 10 −04
±1.3089 10−04
R = 0.7143 7.1455 10−01 7.1414 10−01 7.1385 10−01
±2.3216 10 −03
±3.5234 10 −03
±5.8967 10−03
K = 0.1840 1.8400 10−01 1.8401 10−01 1.8402 10−01
±1.0641 10−04 ±3.2547 10−04 ±4.0386 10−04

Tab. 3.5 – Identification indirecte en présence d’un bruit blanc sur le courant et
la vitesse

On vérifie à l’aide de cette simulation qu’il n’y a pas de biais significa-

tif quand les bruits de mesure de courant et de vitesse sont tous les deux
des bruits blancs. On remarque que les résultats d’estimation paramétrique
obtenus pour les trois types d’excitation sont voisins, mais on peut aussi
vérifier que la variance sur l’estimation des paramètres est légèrement infé-
rieure avec une excitation par couple de charge.
La figure 3.7 présente la plage des variations de chaque paramètre de la
MCC selon le type de l’identification du tableau 3.5.

L R

1.2 1.3 1.4 1.5 0.71 0.715 0.72

−3
x 10

Ex Cr

Ex C + w
r

Ex w
valeur exacte
K

0.1835 0.184 0.1845

Fig. 3.7 – Identification indirecte en présence d’un bruit blanc sur le courant et
la vitesse

84
 3.5. Applications

2. Cas d’un bruit corrélé sur le courant et d’un bruit blanc sur la
vitesse

Valeurs Excitation Excitation Excitation

exactes Cr Cr + ω ω
L = 0.0013 1.3718 10−03
1.3940 10−03
1.3556 10−03
±2.6251 10−04
±4.4232 10 −04
±3.9504 10−04
R = 0.7143 7.1446 10−01 7.1340 10−01 7.1459 10−01
±2.6747 10−03 ±6.9202 10−03 ±7.2732 10−03
K = 0.1840 1.8399 10−01 1.8406 10−01 1.8406 10−01
±1.3986 10−04 ±7.7138 10−04 ±7.1779 10−04

Tab. 3.6 – Identification indirecte en présence d’un bruit fortement corrélé sur le
courant et d’un bruit blanc sur la vitesse

On vérifie à l’aide de cette simulation (tableau 3.6) qu’il n’y a pas de biais
significatif quand le bruit de mesure de courant est fortement corrélé et le
bruit de vitesse est de type bruit blanc.
La figure 3.8 présente la plage des variations de chaque paramètre de la
MCC selon le type de l’identification du tableau 3.6.

L R

1 1.2 1.4 1.6 1.8 0.705 0.71 0.715 0.72

−3
x 10

K
0.1835 0.184 0.1845

Fig. 3.8 – Identification indirecte en présence d’un bruit fortement corrélé sur le
courant et d’un bruit blanc sur la vitesse

3. Cas d’un bruit corrélé sur le courant et la vitesse

85
Chapitre 3. Identification en boucle fermée de la machine à courant continu

Valeurs Excitation Excitation Excitation

exactes Cr Cr + ω ω
L = 0.0013 1.4364 10−03
1.4109 10−03
1.4556 10−03
±2.9161 10−04 ±2.9537 10−04 ±3.2457 10−04
R = 0.7143 7.1418 10−01 7.1348 10−01 7.1463 10−01
±2.5292 10−03 ±8.2461 10−03 ±7.5881 10−03
K = 0.1840 1.8400 10−01 1.8410 10−01 1.8401 10−01
±1.1742 10 −04
±5.6928 10 −04
±5.3723 10−04

Tab. 3.7 – Identification indirecte en présence d’un bruit fortement corrélé sur le
courant et d’un bruit moyennement corrélé sur la vitesse

On vérifie à l’aide de cette simulation (tableau 3.7) qu’un biais faible sur
l’inductance L commence à apparaı̂tre pour un bruit de vitesse moyenne-
ment corrélé.
On a discuté dans l’annexe C du modèle électrique de la MCC : ce modèle
possède une sortie explicite, le courant i, une entrée explicite, la tension u,
et une pseudo-entrée, la vitese ω. On ne peut pas utiliser le modèle complet
(électrique et mécanique) car l’entrée couple de charge˝est inconnue.
Aussi, ce modèle présente un défaut incontournable en identification par
approche indirecte : alors que l’entrée u et le courant i peuvent être recons-
truits par simulation (voir figure 3.6), la vitesse ω doit obligatoirement être
considérée comme une mesure (en effet, elle ne peut pas être reconstruite
par simulation car on ne connaı̂t pas l’entrée couple de charge).
En conséquence, l’approche indirecte arrive à rejeter le biais asymptotique
dû au bruit sur le courant tandis qu’elle ne peut rien faire sur un biais
dû au bruit sur la vitesse. C’est effectivement ce qui est observé sur ces
résultats de simulation numérique : un bruit blanc sur la vitesse est sans
effet sur le biais asymptotique alors qu’il commence à apparaı̂tre pour un
bruit moyennement corrélé.
On remarquera cependant que les résultats restent globalement satisfai-
sants en approche indirecte, alors qu’un biais nettement plus important se
manifeste en approche directe (voir paragraphe suivant).

3.5.2 Identification directe pour différentes excitations

Nous allons présenter, à présent, les résultats d’identification par approche

directe en utilisant les excitations définies précédemment. Notre objectif est de

86
 3.5. Applications

L R
1.2 1.4 1.6 1.8 0.705 0.71 0.715 0.72
−3
x 10

K
0.1835 0.184 0.1845

Fig. 3.9 – Identification indirecte en présence d’un bruit fortement corrélé sur le
courant et d’un bruit moyennement corrélé sur la vitesse

comparer les approches directe et indirecte pour les excitations précédentes. Un

des objectifs est aussi de mettre clairement en évidence le principal défaut de
l’approche directe, à savoir la présence d’un biais asymptotique.

Rappel :
Ex Cr : Excitation par couple de charge
Ex ω : Excitation en vitesse
Ex ω + Cr : Excitation par couple de charge et vitesse

Valeurs Excitation Excitation Excitation

exactes Cr Cr + ω ω
L = 0.0013 1.5801 10 − 03 1.6335 10−03
1.7618 10−03
±5.2873 10 − 04 ±3.3235 10 −04
±2.8191 10−04
R = 0.7143 7.1414 10 − 01 7.1448 10−01 7.1388 10−01
±4.5148 10 − 03 ±7.2753 10−03 ±8.7532 10−03
K = 0.1840 1.8401 10 − 01 1.8399 10−01 1.8402 10−01
±2.5050 10 − 04 ±3.9535 10−04 ±4.9330 10−04

Tab. 3.8 – Identification directe en présence d’un bruit fortement corrélé sur le
courant et d’un bruit blanc sur la vitesse

87
Chapitre 3. Identification en boucle fermée de la machine à courant continu

1 1.5 2 0.7 0.71 0.72 0.73

−3
x 10

K
0.18340.18360.18380.1840.18420.1844

Fig. 3.10 – Identification directe en présence d’un bruit fortement corrélé sur le
courant et d’un bruit blanc sur la vitesse

Valeurs Excitation Excitation Excitation

exactes Cr Cr + ω ω
L = 0.0013 2.0139 10−03
2.2121 10−03
2.5381 10−03
±2.8599 10−04 ±3.9752 10−04 ±6.0114 10−04
R = 0.7143 7.1542 10−01 7.1635 10−01 7.1635 10−01
±5.1958 10 −03
±1.2410 10 −02
±9.8874 10−03
K = 0.1840 1.8394 10−01 1.8385 10−01 1.8387 10−01
±2.7953 10−04 ±6.5257 10−04 ±5.1733 10−04

Tab. 3.9 – Identification directe en présence d’un bruit fortement corrélé sur le
courant et d’un bruit moyennement corrélé sur la vitesse

L
R
1.5 2 2.5 3 0.71 0.72 0.73
−3
x 10

K
0.183 0.1835 0.184 0.1845

Fig. 3.11 – Identification directe en présence d’un bruit fortement corrélé sur le
courant et d’un bruit moyennement corrélé sur la vitesse

88
 3.5. Applications

On vérifie d’après les tableaux 3.8 et 3.9 qu’un biais apparaı̂t en I.D dès
que le bruit devient corrélé pour le courant et la vitesse. Remarquons qu’il se
manifeste principalement d’après les simulations réalisées sur l’inductance L et
partiellement sur la résistance R (ce biais sur L est manifeste sur le tableau 3.9).

Les figures 3.10 et 3.11 présentent la plage des variations de chaque paramètre
de la MCC selon le type de l’identification des tableaux 3.8 et 3.9.

On remarque que le paramètre L est moins bien sensibilisé par les différents
essais. Ce même constat a été établi pour l’identification indirecte dans le pa-
ragraphe précédent. En fait, ce sont les paramètres R et K qui sont les mieux
sensibilisés par les protocoles d’excitation utilisés.

3.5.3 Identification Indirecte avec correcteur surparamé-

trisé

Le correcteur équivalent surparamétrisé a été décrit dans la section 3.4.2.3.

Les simulations ont été réalisées dans le cadre de la régulation avec une consigne
ωref constante et un couple résistant variable, seule excitation implicite. C’est
par ce type d’excitation que nous sommes particulièrement intéressés (dans un
objectif de diagnostic).

Nous nous sommes placés dans des conditions de bruit telles que le rapport
S/B = 50 pour le courant et S/B = 80 pour la vitesse. Les résultats d’iden-
tification qui vont être présentés ci-après traitent plusieurs situations de bruit.
Sur une moyenne de vingt simulations, on obtient les valeurs des estimations des
paramètres électriques de la MCC. Les algorithmes indirects avec correcteur réel
et correcteur équivalent surparamétrisé sont comparés grâce à cette simulation
stochastique. Les résultats sont présentés dans les tableaux 3.10, 3.11, 3.12 et
3.13.

Remarque

I.I.C.R : Identification Indirecte, Correcteur Réel

I.I.C.S.2 : Identification Indirecte, Correcteur Surparamétrisé d’ordre 2

I.I.C.S.3 : Identification Indirecte, Correcteur Surparamétrisé d’ordre 3

89
Chapitre 3. Identification en boucle fermée de la machine à courant continu

Valeurs I.I.C.R I.I.C.S.2 I.I.C.S.3

exactes
L = 0.0013 1.3092 10−03 1.2983 10−03 1.2396 10−03
±3.3706 10−04 ±3.5777 10−04 ±2.3359 10−04
R = 0.7143 7.1425 10−01 7.1437 10−01 7.1425 10−01
±2.8400 10−03 ±1.4090 10−03 ±3.6544 10−03
K = 0.1840 1.8400 10−01 1.8399 10−01 1.8400 10−01
±1.5667 10 −04
±7.8746 10 −05
±2.1239 10−04

Tab. 3.10 – Identification indirecte avec correcteur réel et correcteur surparamé-

trisé en présence d’un bruit moyennement corrélé sur le courant

L R
1 1.2 1.4 1.6 0.71 0.712 0.714 0.716 0.718
−3
x 10

IICR
IICS2
IICS3
K
valeur exacte
0.1838 0.1839 0.184 0.1841 0.1842

Fig. 3.12 – Identification indirecte avec correcteur réel et correcteur surparamé-

trisé en présence d’un bruit moyennement corrélé sur le courant

Les figures 3.12, 3.13, 3.14 et 3.15 présentent la plage des variations de chaque
paramètre de la MCC selon le type de l’identification des tableaux 3.10, 3.11,
3.12 et 3.13.

On vérifie que les deux méthodes indirectes (I.I.C.R et I.I.C.S) fournissent

une estimation non biaisée quelle que soit la corrélation du bruit de sortie de
courant et en absence de bruit de vitesse (tableau 3.10 et 3.11). Remarquons
enfin que même si le correcteur ne possède pas la bonne structure (méthode
I.I.C.S.2 et I.I.C.S.3), les résultats restent cependant tout à fait comparables
avec ce que l’on obtient avec le correcteur réel (méthode I.I.C.R).

90
 3.5. Applications

Valeurs I.I.C.R I.I.C.S.2 I.I.C.S.3

exactes
L = 0.0013 1.2866 10−03 1.2729 10−03 1.3072 10−03
±3.5732 10−04 ±2.6020 10−04 ±2.4842 10−04
R = 0.7143 7.1408 10−01 7.1423 10−01 7.1423 10−01
±2.3415 10−03 ±7.9470 10−04 ±7.0702 10−04
K = 0.1840 1.8401 10−01 1.8400 10−01 1.8401 10−01
±1.0123 10−04
±7.3100 10 −05
±9.3322 10−05

Tab. 3.11 – Identification indirecte avec correcteur réel et correcteur surparamé-

trisé en présence d’un bruit fortement corrélé sur le courant

L R

1 1.2 1.4 1.6 0.712 0.714 0.716

−3
x 10

0.18390.1839 0.184 0.184 0.18410.1841

Fig. 3.13 – Identification indirecte avec correcteur réel et correcteur surparamé-

trisé en présence d’un bruit fortement corrélé sur le courant

Valeurs I.I.C.R I.I.C.S.2 I.I.C.S.3

exactes
L = 0.0013 1.3718 10−03 1.3508 10−03 1.3811 10−03
±2.6251 10−04 ±2.8828 10−04 ±3.3800 10−04
R = 0.7143 7.1446 10−01 7.1444 10−01 7.1435 10−01
±2.6747 10−03 ±9.3331 10−04 ±2.1102 10−03
K = 0.1840 1.8399 10−01 1.8400 10−01 1.8401 10−01
±1.3986 10−04
±1.2321 10 −04
±2.1113 10−04

Tab. 3.12 – Identification indirecte avec correcteur réel et correcteur surparamé-

trisé en présence d’un bruit fortement corrélé sur le courant et d’un bruit blanc
sur la vitesse

91
Chapitre 3. Identification en boucle fermée de la machine à courant continu

L R
1 1.2 1.4 1.6 1.8 0.712 0.714 0.716 0.718
−3
x 10
2

K
0
0.18370.18380.18390.1840.18410.1842

Fig. 3.14 – Identification indirecte en présence d’un bruit fortement corrélé sur
le courant et d’un bruit blanc sur la vitesse

Valeurs I.I.C.R I.I.C.S.2 I.I.C.S.3

exactes
L = 0.0013 1.4364 10−03 1.4005 10−03 1.4202 10−03
±2.9161 10−04 ±2.2198 10−04 ±2.5313 10−04
R = 0.7143 7.1418 10−01 7.1437 10−01 7.1421 10−01
±2.5292 10 −03
±8.1873 10 −04
±1.1602 10−03
K = 0.1840 1.8400 10−01 1.8400 10−01 1.8401 10−01
±1.1742 10−04 ±1.0032 10−04 ±8.0487 10−05

Tab. 3.13 – Identification indirecte avec correcteur réel et correcteur surpara-

métrisé en présence d’un bruit fortement corrélé sur le courant et d’un bruit
moyennement corrélé sur la vitesse

L R

1.2 1.4 1.6 0.712 0.714 0.716

−3
x 10

0.1839 0.184 0.1841

Fig. 3.15 – Identification indirecte en présence d’un bruit fortement corrélé sur
le courant et d’un bruit moyennement corrélé sur la vitesse

92
 3.5. Applications

−3
x 10
1.3

1.25 L
1.2

1.15

1.1

1 2 3 4 5 6

0.71432 0.1838

R
0.184 K
0.18395
0.71429
0.1839

0.18385

0.71426 0.1838
1 2 3 4 5 6 1 2 3 4 5 6

Fig. 3.16 – Evolution des paramètres électriques estimés durant la procédure

d’identification I.I.C.S

Tension Courant
18.15 5.2
u simulée i simulé
u estimée i estimé
18.1 5

4.8
18.05
4.6
18
4.4
1.5 2 2.5 3 1.5 2 2.5 3

ε ε
u i
0.01 0.2

0.005 0.1

0 0

−0.005 −0.1

−0.01 −0.2
1.5 2 2.5 3 1.5 2 2.5 3

Fig. 3.17 – Comparaison des courants et des tensions simulés et estimés pour
l’I.I.C.S.2

On représente à la figure 3.16 l’évolution de θ en fonction des itérations pour

un essai avec l’excitation par couple de charge et en présence d’un bruit fortement
corrélé sur le courant. En 4 itérations, l’algorithme converge vers l’optimum.

La figure 3.17 représente la comparaison entre le courant mesuré i∗ et son

estimé î ainsi que la tension mesurée u et celle prédite û.

93
Chapitre 3. Identification en boucle fermée de la machine à courant continu

Enfin, un récapitulatif des résultats d’identification par approche directe et

approche indirecte (avec correcteur réel et correcteur surparamétrisé) est donné
par le tableau 3.14 ainsi que la figure 3.18. Ces résultats d’identification sont en
présence d’un bruit fortement corrélé sur le courant et d’un bruit blanc sur la
vitesse et en utilisant les variations du couple de charge comme excitation.

Valeurs I.D I.I.C.R I.I.C.S.3

exactes
L = 0.0013 1.5801 10−03 1.3718 10−03 1.3811 10−03
±5.2873 10−04 ±2.6251 10−04 ±3.3800 10−04
R = 0.7143 7.1414 10−01 7.1446 10−01 7.1435 10−01
±4.5148 10−03 ±2.6747 10−03 ±2.1102 10−03
K = 0.1840 1.8401 10−01 1.8399 10−01 1.8401 10−01
±2.5050 10 −04
±1.3986 10 −04
±2.1113 10−04

Tab. 3.14 – Identification en présence d’un bruit fortement corrélé sur le courant
et d’un bruit blanc sur la vitesse

L R

1 1.5 2 0.71 0.712 0.714 0.716 0.718 0.72

−3
x 10
ID
IICR
IICS3
Valeur exacte

K
0.18370.18380.1839 0.184 0.18410.1842

Fig. 3.18 – Identification en présence d’un bruit fortement corrélé sur le courant
et d’un bruit blanc sur la vitesse

On remarque bien à travers la figure 3.18 que les résultats d’identification sont
globalement satisfaisants en approche indirecte (pour I.I.C.R et I.I.C.S), alors
qu’un biais plus important se manifeste en approche directe.

On remarque aussi, dans ce cas, que l’identification directe présente une va-

94
 3.6. Conclusion

riance plus importante sur les paramètres, alors que l’identification indirecte
donne une estimation des paramètres plus précise. Constatons enfin que même si
le correcteur ne possède pas la bonne structure (méthode I.I.C.S.3), les résultats
sont tout à fait comparables avec ce que l’on obtient avec le correcteur exact
(méthode I.I.C.R).

3.6 Conclusion

Nous avons proposé une méthode d’identification non biaisée en boucle fer-
mée par approche indirecte adaptée à la machine à courant continu. Son princi-
pal intérêt réside dans la non connaissance a priori du correcteur. La procédure
d’identification par surparamétrisation nous semble bien adaptée à une situation
industrielle : non connaissance des paramètres et de la structure vraie du correc-
teur. Par ailleurs cette technique d’identification peut fonctionner en n’utilisant
que l’excitation implicite causée par les variations du couple de charge. La com-
mande réalisée est du type cascade avec plusieurs correcteurs imbriqués : dans
ce cas, la technique de surparamétrisation nous semble un moyen permettant de
contourner cette difficulté.

Notre prochain objectif va donc consister à adapter la méthodologie proposée

dans ce chapitre au problème concret de l’identification en boucle fermée de la
machine asynchrone.

95
Chapitre 3. Identification en boucle fermée de la machine à courant continu

96
 Chapitre 4

Identification en boucle fermée

de la machine asynchrone

Au chapitre précédent, nous avons proposé une méthodologie d’identification

en boucle fermée, développée et validée en simulation sur la machine à courant
continu. Cette méthodologie est basée sur la décomposition de la boucle fermée
et exige de ce fait, une connaissance du correcteur. Dans ce chapitre, nous nous
intéressons à l’application de cette méthodologie au cas de la machine asynchrone.
Nous allons donc expliquer le choix du repère de fonctionnement de la machine
pour l’identification indirecte. D’autre part, on s’intéresse aussi à l’identification
de l’algorithme de commande de la machine (régulateurs de flux et de vitesse),
qui est généralement une structure multi-variable et non linéaire, grâce à une
technique de surparamétrisation.

97
Chapitre 4. Identification en boucle fermée de la machine asynchrone

4.1 Introduction

Depuis deux décennies, de nombreux travaux de recherche en génie électrique

et en identification ont permis l’élaboration de nouvelles stratégies de diagnos-
tic hors-ligne et en-ligne des entraı̂nements électriques et particulièrement de la
machine asynchrone.

Les techniques d’estimation paramétrique ont été intensivement étudiées et

testées, en particulier sur des pilotes de laboratoire. Les algorithmes de type er-
reur d’équation sont en général écartés car ils sont asymptotiquement biaisés
et sensibles aux perturbations stochastiques et aux erreurs de modélisation. Au
contraire, le filtre de Kalman et les techniques à erreur de sortie permettent
d’obtenir des estimations réalistes et fiables en situation réelle [Moreau, 1999]
[Bachir, 2002]. Ainsi, la mise au point d’algorithmes dédiés à l’estimation des
paramètres physiques, en tenant compte d’une connaissance a priori de la ma-
chine asynchrone, a permis une avancée prometteuse du diagnostic par estimation
paramétrique.

Lorsque la machine asynchrone est alimentée directement sur le secteur, elle

fonctionne alors en boucle ouverte, mais à vitesse quasi-constante. La variation de
vitesse est le plus souvent obtenue grâce à une commande vectorielle, auquel cas
la machine fonctionne en boucle fermée, avec une structure de régulation cascade
comme dans le cas de la machine à courant continu : le problème de l’identification
de la machine asynchrone est donc le même que celle de son homologue à courant
continu. Dans ces conditions, il est justifié de se poser la question de l’incidence du
correcteur sur le biais en identification directe (sans tenir compte de la structure
bouclée).

Le diagnostic de la machine asynchrone est un sujet d’étude très vaste qui

nécessite une investigation poussée et une bonne compréhension physique des
phénomènes mis en jeu et surtout l’utilisation d’outils appropriés. Une première
étape concerne l’identification paramétrique de la machine asynchrone en tenant
compte de la corrélation apportée par la commande via la boucle de retour. Ce
travail de recherche s’inscrit donc dans la continuité des précédentes activités de
recherche du LAII : son objectif principal est la définition et la mise en œuvre
d’une méthodologie de surveillance de la machine asynchrone à cage en boucle
fermée.

Nous avons montré précédemment l’intêret de l’identification en boucle fer-

98
 4.2. Identification par approche directe

mée pour la machine à courant continu. Alors que cette méthode est relativement
simple d’application dans le cas de la machine à courant continu, elle est net-
tement plus complexe dans le cas de la machine asynchrone, pour deux raisons
fondamentales : le correcteur est dans ce cas multi-variable et non linéaire ; par
ailleurs, les signaux doivent être reconstruits dans le repère du champ tournant,
à partir d’une information vitesse elle-même estimée.

De plus, nous proposons d’identifier le modèle électrique de la machine asyn-

chrone sans excitation explicite. En effet, une excitation sur la référence de vitesse
qui perturbe le point de fonctionnement de la machine ne peut satisfaire les ob-
jectifs industriels : c’est pour cette raison que l’excitation indirecte par variation
du couple de charge a été retenue. Cette solution est a priori innovante en électro-
technique : elle a déjà été testée sur la machine à courant continu dans le chapitre
précédent. L’objectif du présent chapitre est donc de proposer une méthodologie
d’identification prenant en compte l’ensemble de ces contraintes.

4.2 Identification par approche directe

Dans cette section, on se propose de rappeler l’identification par approche di-

recte dans le cas du modèle électrique de la machine asynchrone. Dans un premier
temps, il est nécessaire de préciser le modèle de la machine utilisé pour l’estima-
tion paramétrique. Nous présentons ensuite les fonctions de sensibilité dans le cas
de cette approche.
Remarque
On se reportera à l’annexe C pour une discussion sur l’identifiabilité du modèle
électromécanique de la MCC mais aussi de la machine asynchrone : comme le
couple résistant est par nature inconnu, on ne peut identifier que le modèle élec-
trique. Par contre, il est possible d’utiliser l’excitation par variation du couple
résistant, en considérant la vitesse du rotor comme une pseudo-entrée.

4.2.1 Principe

L’identification directe de la machine asynchrone sans prise en compte expli-


cite de la loi de commande utilise les données {uds ,uqs } et i∗ds ,i∗qs comme avec
une véritable boucle ouverte (voir figure 4.1). On constate donc que le correcteur
est ignoré et que la nature bouclée du système n’est pas explicitement prise en

99
Chapitre 4. Identification en boucle fermée de la machine asynchrone

compte.

udsr i∗dsr
Machine asynchrone
idsref Commande uqsr i∗qsr
Ωref + charge

Ω∗
+ + + +
− −
îdsr
Modèle électrique

(repère du rotor)
îqsr

Algorithme

d’optimisation

Fig. 4.1 – Principe de l’identification directe de la machine asynchrone

Nous avons discuté dans la section 1.6.2 le choix du repère pour l’identification
directe. Ainsi, on utilise le repère de Park lié au rotor de la machine car c’est celui
qui nécessite le moins de transformations/estimations : néanmoins, on mesure
{ua , ub , uc }, {ia , ib , ic } que l’on doit convertir en (uds , uqs )rot (ids , iqs )rot grâce à
une transformation de Park connaissant la position du rotor (et donc sa vitesse).

Le modèle électrique de la machine asynchrone est répresenté comme un sys-

tème multivariable, à deux entrées (uds et uqs ) et à deux sorties (ids et iqs ).
On définit l’erreur d’estimation (résidu d’identification noté εds sur l’axe d et εqs

sur l’axe q) entre la sortie réelle (courants mesurés i∗ds ,i∗qs ) et la sortie estimée
n o
îds ,îqs par :


εdsk = i∗dsk − îdsk
(4.1)
εqsk = i∗qsk − îqsk

100
 4.2. Identification par approche directe

On minimise le critère quadratique J composé de deux termes :

N
X N
X
J= ε2dsk + ε2qsk (4.2)
k=1 k=1

n o
Les courants estimés îds ,îqs représentent la simulation du modèle sur la
base d’une estimation du vecteur paramètre θ̂ où :

θ = [Rs Rr Lm Lf ]T (4.3)

Le calcul des fonctions de sensibilité se déduit directement de la représentation

d’état de la machine asynchrone décrite par l’équation (1.36) et la résolution du
système différentiel ainsi obtenu s’effectue par la méthode de l’exponentielle de
matrice, comme pour le modèle de la machine.

Nous allons identifier les paramètres électriques du modèle classique de Park

[Rs Rr Lm Lf ] avec le critère simple J (sans information a priori ). L’initialisation
de cette technique est élémentaire car elle repose uniquement sur celle du vecteur
initial θinit .

4.2.2 Calcul des fonctions de sensibilité

Référons nous au schéma de la figure 4.1 ; il est important de remarquer que

les sorties (îds ,îqs ) sont effectivement simulées à partir des entrées (uds ,uqs ), de
la mesure Ω∗ et du modèle de la machine asynchrone exprimé dans le repère du
rotor.

La représentation d’état du modèle électrique de la machine asynchrone est :

(
˙
x̂(t) = A(θ̂)x̂(t) + B(θ̂)u(t)
(4.4)
ŷ(t) = C(θ̂)x̂(t)

Les matrices A, B et C sont données par l’expression (1.39). Les vecteurs x,

y et u sont présentés par les expressions (1.37) et (1.38) exprimés dans le repère
du rotor.

101
Chapitre 4. Identification en boucle fermée de la machine asynchrone

∂ îds ∂ îqs
Définissons σ îds ,θi = ∂θi
et σ îqs ,θi = ∂θi
. Nous noterons aussi que :
h iT
σ ŷ,θi = σ îds ,θi σ îqs ,θi (4.5)

alors on obtient les fonctions de sensibilité à partir du système différentiel :


 ∂A(θ̂) ∂B(θ̂)
σ̇ x̂,θi = A(θ̂)σ x̂,θi + x̂ + u(t)
∂θi ∂θi (4.6)

σ ŷ,θi = Cσ x̂,θi

Nous remarquons ainsi que les fonctions de sensibilité calculées dans le cadre
de l’approche directe, ne prennent pas en compte la sensibilité de u = [uds uqs ]T
à θ et donc l’incidence du bruit sur l’excitation, ce qui doit se traduire par un
biais asymptotique (voir annexe A).

4.2.3 Résultat d’identification

Nous estimons dans le repère de Park lié au rotor les différents paramètres
de la machine sans défaut (qui vont nous servir d’initialisation pour l’approche
indirecte).Nous avons utilisé une excitation implicite par variation du couple de
charge sous forme d’une SBP A de ±1.5 N.m autour de la charge Cr = 4N.m.

10
5.45
9.95
Rs 5.4
Rr
9.9
5.35
9.85
5.3

9.8
1 2 3 4 5 6 1 2 3 4 5 6

0.039

0.5
0.0385
0.495
0.038 Lf
Lm
0.49
0.0375
0.485

0.48 0.037
1 2 3 4 5 6 1 2 3 4 5 6

Fig. 4.2 – Evolution des paramètres électriques durant la procédure d’estimation

par identification directe

102
 4.2. Identification par approche directe

i
ds

simulation
10
estimation

−5

1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3

i
qs

simulation
10 estimation

−5

1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3

Fig. 4.3 – Comparaison des courants simulés et estimés d’axes (d, q) pour l’iden-
tification directe

εi
ds

0.5

−0.5

1.6 1.8 2 2.2 2.4 2.6 2.8 3

ε
i
qs

0.5

−0.5

1.6 1.8 2 2.2 2.4 2.6 2.8 3

Fig. 4.4 – Erreur d’estimation de l’identification directe

103
Chapitre 4. Identification en boucle fermée de la machine asynchrone

Les courbes de la figure 4.2 fournissent les résultats d’estimation hors-ligne

des quatre paramètres du modèle de Park (Rs , Rr , Lr , Lm ) pour une seule réa-

lisation, à partir des mesures des tensions {uds , uqs } et des courants i∗ds , i∗qs
exprimés dans le repère lié au rotor. On représente ainsi l’évolution de θ̂ en fonc-
tion des itérations de l’algorithme d’optimisation. En 4 itérations l’algorithme
converge vers l’optimum.

Pour le même essai, on représente à la figure 4.3 la comparaison entre les

courants simulés et les courant estimés. Sur la figure 4.4, on représente les résidus
sur les courants.

4.3 Méthodologie générale d’identification en boucle

fermée

4.3.1 Introduction

Le chapitre 3 a été consacré à l’étude de l’identification en boucle fermée de la

machine à courant continu. La question qui vient immédiatement à l’esprit est la
suivante : peut-on transposer directement les résultats de la MCC à la machine
asynchrone ? Ce n’est pas aussi simple que l’on pourrait le penser !

La commande bouclée d’une machine asynchrone nécessite une commande

en couple (asservissement de courant) et généralement une commande en vitesse
(d’où des correcteurs en cascade) ainsi qu’une commande en flux.

Sur la MCC, la commande en flux n’a pas besoin d’être mise en œuvre car
on maı̂trise naturellement le flux (par l’intermédiaire des aimants permanents).
D’autre part, les correcteurs de la machine asynchrone sont nécessairement plus
complexes. En outre, comme les asservissements de couple et de flux ne sont
pas naturellement découplés, il est indispensable de prévoir un découplage (gé-
néralement non linéaire) ce qui complique la structure du correcteur (correcteurs
imbriqués multi-variables et non linéaires). Mais on n’est pas au bout de notre
peine !

Dans la MCC, on ne se pose pas la question du champ tournant car grâce à

une astuce mécanique (balais/collecteur), on travaille en courant continu et donc
directement dans le champ tournant (sans avoir à se poser cette question !).

104
 4.3. Méthodologie générale d’identification en boucle fermée

Il n’y a donc qu’un repère possible avec la MCC, celui du champ tournant
(en fait celui induit par les bornes d’alimentation de la machine).

Le fonctionnement de la machine asynchrone est habituellement analysé dans

trois repères : repère lié au stator, repère lié au rotor et repère lié au champ
tournant. L’identification directe de la machine asynchrone se fait dans le repère
du rotor car c’est celui qui nécessite le moins de transformations/estimations.

Si on veut procéder à une identification indirecte prenant en compte les cor-

recteurs, on est obligé de se placer dans le repère du champ tournant. En effet,
la commande et les correcteurs ont été conçus dans le repère du champ tournant
(comme pour une MCC) afin d’asservir le flux et le couple. Cela signifie en parti-
culier que ces correcteurs sont à paramètres constants dans ce repère, mais qu’ils
dépendent de la vitesse dans tout autre repère : il est donc impératif de se reférer
au champ tournant. Malheureusement, la position du champ tournant n’est pas
connue et elle doit nécessairement être estimée : l’identification en boucle fermée
de la machine asynchrone est donc nettement plus complexe et délicate que celle
de la MCC.

Dans le contexte de l’approche indirecte, nous proposons, dans un premier

lieu, d’étendre le champ d’application de cette approche en identifiant préalable-
ment un correcteur équivalent à l’aide d’une technique de surparamétrisation, afin
d’éviter la connaissance a priori de la structure et des paramètres du correcteur.
La structure équivalente est le plus souvent complexe et mal connue dans le cas
de la machine asynchrone et de surcroı̂t non linéaire. Ce correcteur équivalent
est estimé par une technique de moindres carrés surparamétrisés. Une structure
minimale est obtenue là encore grâce à un test sur les moments. Une fois que
le correcteur équivalent est estimé (dans une première étape) on peut envisager
l’identification de la machine asynchrone (dans une deuxième étape).

4.3.2 Identification de la commande vectorielle

4.3.2.1 Méthodologie d’identification de correcteur

La commande de la machine asynchrone est considérée comme un système

multidimensionnel (multi-entrées double-sorties). On peut décomposer cette re-
lation en deux relations particulières, correspondant à deux sous-systèmes multi-
entrées mono-sortie, c’est à dire l’un correspond à la sortie uds et l’autre sous-

105
Chapitre 4. Identification en boucle fermée de la machine asynchrone

système correspond à la sortie uqs (voir figure 4.5).

On se propose donc de décrire le comportement de ce système en déterminant

les relations liant les sorties de la commande (uds , uqs ) exprimées dans le repère
du champ tournant aux entrées (Ωref , Ω∗ , idsref ) et (i∗ds et i∗qs ) exprimées elles
aussi dans le repère du champ tournant.

Pour identifier le système de commande de la machine asynchrone et en raison

de la complexité de la commande vectorielle, nous avons travaillé sous certaines
hypoyhèses :

– on suppose que l’on peut construire la pulsation ωs et le flux φr en dis-

posant préalablement d’une estimation des paramètres de la machine par
identification directe ;
– on suppose connaı̂tre les consignes Ωref et idsref ;
– on suppose connaı̂tre le type de découplage, c’est-à-dire la loi :

ed = αd · ωs · iqs
eq = αq · ωs ids + βq · ωs · φr

Les termes αd , αq et βq , dans ce cas, sont supposés inconnus ;

– sachant que l’expression des sorties de la commande {uds , uqs } en fonc-

tion des entrées Ωref , Ω∗ , ωs , φr , idsref , i∗ds , i∗qs est non linéaire, nous
proposons d’introduire les nouvelles variables ωiq, ωid et ωφ, déduites se-
lon l’équation (4.7), afin de ramener l’expression de la commande à une
relation pseudo-linéaire.


 ωiq(k) = ωs (k) · iqs (k)
∗

ωid(k) = ωs (k) · i∗ds (k) (4.7)


 ωφ(k) = ω (k) · φ̂ (k)
s r

ωiq, ωid et ωφ sont donc des nouvelles variables.

Les variables utilisées dans la figure 4.5 correspondent à :

ed = Cd · ωs · i∗qs (4.8)
eq = −C1q · ωs · i∗ds − C2q · ωs · φbr (4.9)

106
 4.3. Méthodologie générale d’identification en boucle fermée

ed
idsref − Correcteurs équivalents
+ uds
+ P Iφ
uds1 idsrefk
− ûdsk
i∗dsk CEq−uds
ids
∗
ωiqk

eq Ωrefk
− Ω∗k
Ωref iqsref uqs i∗qsk ûqsk
+ CEq−uqs
+ P IΩ + P ICe u
− −
qs1 ωidk
ωφk
Ω∗ i∗qs

Commande

Fig. 4.5 – Décomposition de la commande de la machine en sous-systèmes multi-

entrées mono-sortie

et
r0φ + r1φ q −1
Cφ (q −1 ) =
1 − q −1
r 0Ω + r1Ω q
−1
CΩ (q −1 ) = (4.10)
1 − q −1
r0Ce + r1Ce q −1
CCe (q ) =
−1
1 − q −1

L’expression théorique de deux correcteurs équivalents pour la sortie uds et

uqs est alors de la forme :
 
uds (q −1 ) = Cid (q −1 ) · idsref (q −1 ) − i∗ds (q −1 ) + Cωiq (q −1 ) · ωiq(q −1)
uqs (q −1 ) = Cw (q −1 ) · [Ωref (q −1 ) − Ω∗ (q −1 )] + Ciq (q −1 ) · i∗qs (q −1 ) (4.11)
+Cwid (q −1 ) · wid(q −1) + Cωφ (q −1 ) · ωφ(q −1 )

Le correcteur équivalent CEq−uds de la sortie uds est composé par l’ensemble

{Cid , Cwiq }. Pour la sortie uqs le correcteur équivalent CEq−uqs est composé par
l’ensemble {Cω , Ciq , Cωid , Cωφ }.

107
Chapitre 4. Identification en boucle fermée de la machine asynchrone

Avec :
r0id +···+rnid q −n r0ωiq +···+rnωiq q −n
Cid (q −1 ) = 1+s1ud q −1 +···+snud q −n
Cωiq (q −1 ) = 1+s1ud q −1 +···+snud q −n

r0ω +···+rmw q −m r0iq +···+rmiq q −m

Cω (q −1 ) = 1+s1uq q −1 +···+smuq q −m
Ciq (q −1 ) = 1+s1uq q −1 +···+smuq q −m

r0ωid +···+rmωid q −m r0ωφ +···+rmωφ q −m

Cωid (q −1 ) = 1+s1uq q −1 +···+smuq q −m
Cωφ (q −1 ) = 1+s1uq q −1 +···+smuq q −m

Comme la structure équivalente est le plus souvent complexe est mal connue,
les deux correcteurs équivalents sont estimés par une technique de moindres carrés
surparamétrisés, et une structure minimale est obtenue là encore grâce à un test
portant sur les moments.

Connaissant les commandes (uds , uqs ), les consignes (Ωref , idsref ), la pulsation
ws , le flux φr , les courants bruités (i∗ds et i∗qs ) et la vitesse bruitée Ω∗ (figure 4.5),
on se retrouve devant une identification sans perturbation, donc parfaitement
déterministe, pour laquelle on peut appliquer la méthode des moindres carrés
ordinaires qui dans ce cas particulier n’induit pas de biais asymptotique.

Alors l’estimation par moindres carrés des paramètres des correcteurs équiva-
lents (CEq−uds , CEq−uqs ) est donnée par l’expression :
" K #−1 K
X X
θ̂CE−uds = ϕdsk ϕTdsk ϕdsk udsk (4.12)
k=1 k=1
" K #−1 K
X X
θ̂CE−uqs = ϕqsk ϕTqsk ϕqsk uqsk (4.13)
k=1 k=1

108
 4.3. Méthodologie générale d’identification en boucle fermée

Avec :
 
r̂0id  
 r̂1id  idsrefk − i∗dsk
 
 ..   .. 
 .   . 
   
   i 
 dsrefk−S − idsk−S
∗
 r̂nid  
   
 r̂0wiq   wiqk 
   .. 
θ̂CE−uds =

r̂1wiq 
 , ϕdsk 
= .

 (4.14)
 ..   
 .   wiqk−S 
   
 r̂nwiq   −udsk−1 
   
 ŝ1ud   .. 
   . 
 .. 
 .  −udsk−n
ŝnud

et
   
r̂0w Ωrefk − Ω∗k
 ..   .. 
 .   . 
   
 r̂mw   Ωref − Ω∗k−m 
   k−m 
 r̂   i∗qsk 
 0iq   
 .   .. 
 ..   . 
   
 r̂   iqsk−m
∗ 
 miq   
   
 r̂0wid   widk 
 .   .. 
θ̂ CE−uqs =
 . 
.  , ϕqsk =
 . 
 (4.15)
   
 r̂mwid   widk−m 
   
 r̂0wφ   wφk 
 .   
 .   .. 
 .   . 
   
 r̂mwφ   wφk−m 
   
 ŝ1uq   −uqsk−1 
   
 ..   .. 
 .   . 
ŝmuq −uqsk−m

Si la structure exacte du correcteur équivalent est inconnue on s’affranchit de

cette connaissance structurelle, en utilisant le principe de surparamétrisation. On
utilise donc un modèle surparamétrisé de complexité supérieure à celle du vrai
correcteur, afin de minimiser l’erreur de modélisation.

109
Chapitre 4. Identification en boucle fermée de la machine asynchrone

On obtient ainsi :
 −1
P
K P
K
θ̂S−uds = ϕds−Sk ϕTds−Sk ϕds−Sk udsk
k=1 −1 k=1 (4.16)
PK PK
θ̂S−uqs = ϕqs−Sk ϕTqs−Sk ϕqs−Sk uqsk
k=1 k=1

A partir de θS−uds et θS−uqs , on a plusieurs possibilités : soit on détermine une

structure minimale grâce à un test portant sur les moments, soit on utilise direc-
tement le modèle surparamétrisé, ce qui en pratique correspond à une solution
simple et robuste vis-à-vis d’éventuelles erreurs de modélisation.

4.3.2.2 Test de surparamétrisation

Nous allons tester plusieurs structures de correcteurs équivalents (S = 1, 2, 3).

Pour chacune d’elles nous allons calculer par la suite les moments discrets corres-
pondants.

Considérons le correcteur équivalent CEq−uds estimé surparamétrisé d’ordre S.

D’après la figure 4.5, nous écrivons ûdsk = ϕTds−Sk θ̂S−uds où
 
r̂0id  
 r̂1id  idsrefk − i∗dsk
 
 ..   .. 
 .   . 
   
   i 
 dsrefk−S − idsk−S
∗
 r̂Sid  
   
 r̂0wiq   wiqk 
   .. 
θ̂ S−uds =

r̂1wiq 
 et ϕds−Sk 
= .

 (4.17)
 ..   
 .   wiqk−S 
   
 r̂Swiq   −udsk−1 
   
 ŝ1ud   .. 
   . 
 .. 
 .  −udsk−S
ŝSud

De la même manière nous écrivons ûqsk = ϕTqs−Sk θ̂S−uqs où ϕqs−Sk est le régres-
seur et θ̂S−uqs est le vecteur paramètres du correcteur équivalent surparamétrisé
CEq−uqs d’ordre S.

110
 4.3. Méthodologie générale d’identification en boucle fermée

Pour décider que le degré de surparamétrisation est correct, nous allons utiliser
un test de caractérisation, basé sur des invariants de modélisation. Ces invariants
sont, dans notre cas, les moments discrets.

Le correcteur équivalent CEq−uds possède une intégration, à cause de correcteur

P I appliqué dans le cadre de la régulation de flux. Dans ce cas, les moments
discrets Cn de l’ensemble {Cid , Cwiq } sont obtenus en appliquant la méthode de
calcul pour un correcteur avec une intégration (voir annexe B).

Le correcteur équivalent CEq−uqs possède une double intégration, à cause des

deux correcteurs P I en cascade appliqués dans le cadre de la régulation de la
vitesse et de couple électromagnétique. Dans ce cas, les moments discrets Cn de
l’ensemble {Cw , Ciq , Cwid, Cwφ } sont obtenus en appliquant la technique de calcul
pour un correcteur avec double intégration.

Il suffit pratiquement de tester des structures surparamétrisées de complexité

croissante pour chacun des correcteurs CEq−uds et CEq−uds . Lorsque les moments
deviennent stationnaires pour chaque correcteur équivalent, nous pouvons conclure
que la structure considérée englobe de manière certaine celle du vrai correcteur.

4.3.2.3 Résultats de simulation

Afin de valider la technique de surparamétrisation appliquée à l’algorithme

de commande de la machine asynchrone, on a réalisé des simulations numériques
avec des régulateurs (de flux, de vitesse et de couple) de type P I.

r0φ + r1φ q −1
Cφ (q −1 ) =
1 + s1φ q −1
r0Ω + r1Ω q −1
CΩ (q −1 ) =
1 + s1Ω q −1
r0Ce + r1Ce q −1
CCe (q −1 ) =
1 + s1Ce q −1
avec

r0φ = 2.0973 10+00 r1φ = −1.9027 10+00 s1φ = −1

r0Ω = 5.7788 10−01 r1Ω = −5.7716 10−01 s1Ω = −1
r0Ce = 2.0973 10+00 r1Ce = −1.9027 10+00 s1Ce = −1

111
Chapitre 4. Identification en boucle fermée de la machine asynchrone

Les termes de découplage ont les valeurs suivantes :

Cd = 4.0000 10−02
C1 q = −4.0000 10−02 C2 q = −1

L’expression théorique de deux correcteurs équivalents pour la sortie uds et

uqs est de la forme :

r0id +r1id q −1
  r0ωiq +r1ωiq q −1
uds (q −1 ) = 1+s1ud q −1
· idsref (q −1 ) − i∗ds (q −1 ) + 1+s1ud q −1
· ωiq(q −1)
(4.18)

r0ω +r1ω q −1 +r2ω q −2 r0iq +r1iq q −1 +r2iq q −2

uqs (q −1 ) = 1+s1uq q −1 +s2uq q −2
· [Ωref (q −1 ) − Ω∗ (q −1 )] + 1+s 1uq q
−1 +s
2uq q
−2 · iqs (q
∗ −1
)
r +r q −1 +r q −2
r0ωid +r1ωid q −1 +r2ωid q −2
+ 1+s1uq q−1 +s2uq q−2 · ωid(q −1 ) + 0ωφ 1ωφ 2ωφ
1+s1uq q −1 +s2uq q −2
· ωφ(q −1)
(4.19)

Différents correcteurs équivalents surparamétrisés (S = 1, 2, 3) ont été iden-

tifiés (tableaux 4.1 et 4.2). Pour chacun d’eux, nous avons calculé les moments
discrets correspondants.

Modèles Structure d’ordre 1 Structure d’ordre 2 Structure d’ordre 3

r̂0id 2.0973 10+00 2.0973 10+00 2.0973 10+00
r̂1id −1.9027 10+00 −8.5806 10−01 −5.1333 10−01
r̂2id ∗ −9.4777 10−01 −5.6845 10−01
r̂3id ∗ ∗ −6.2789 10−01
r̂0ωiq −4.0000 10−02 −4.0000 10−02 −4.0000 10−02
r̂1ωiq 4.0000 10−02
2.0076 10−02
1.3501 10−02
r̂2ωiq ∗ 1.9924 10−02 1.3300 10−02
r̂3ωiq ∗ ∗ 1.3200 10−02
ŝ1ud −1.0000 10+00 −5.0189 10−01 −3.3752 10−01
ŝ2ud ∗ −4.9811 10−01 −3.3249 10−01
ŝ3ud ∗ ∗ −3.2999 10−01

Tab. 4.1 – Structures des correcteurs équivalents surparamétrisés CEq−uds

Il est nécessaire de tester le choix du degré de surparamétrisation. Nous allons

pour cela calculer les moments discrets des correcteurs identifiés. Les tableaux 4.3
et 4.4 correspondent au moments discrets des correcteurs équivalents CEq−uds .

112
 4.3. Méthodologie générale d’identification en boucle fermée

Modèles Structure d’ordre 1 Structure d’ordre 2 Structure d’ordre 3

r̂0ω 1.2110 10+00 1.2120 10+00 1.2120 10+00
+00 +00
r̂1ω −1.1219 10 −2.3100 10 −1.5233 10+00
r̂2ω ∗ 1.0982 10+00 −4.0138 10−01
r̂3ω ∗ ∗ 7.1290 10−01
r̂0iq −2.0407 10+00 −2.0973 10+00 −2.0973 10+00
r̂1iq 1.9149 10+00 4.0000 10+00 2.6385 10+00
+00
r̂2iq ∗ −1.9027 10 6.9390 10−01
r̂3iq ∗ ∗ −1.2352 10+00
r̂0ωid 3.9897 10−02 4.0000 10−02 4.0000 10−02
r̂1ωid −3.9690 10−02 −8.0000 10−02 −5.4034 10−02
r̂2ωid ∗ 4.0000 10−02 −1.1933 10−02
r̂3ωid ∗ ∗ 2.5966 10−02
r̂0ωφ 1.0193 10+00 1.0000 10+00 1.0000 10+00
+00 +00
r̂1ωφ −1.0088 10 −2.0000 10 −1.3508 10+00
r̂2ωφ ∗ 1.0000 10+00 −2.9832 10−01
r̂3ωφ ∗ ∗ 6.4916 10−01
ŝ1uq −1.0000 10+00 −2.0000 10+00 −1.3508 10+00
ŝ2uq ∗ 1.0000 10+00 −2.9832 10−01
ŝ3uq ∗ ∗ 6.4916 10−01

Tab. 4.2 – Structures des correcteurs équivalents surparamétrisés CEq−uqs

Modèles estimés C0 C1 C2 C3
+00
Structure ordre 1 1.9453 10−01
−1.9027 10 0 0
+00
Structure ordre 2 1.9453 10−01
−1.9027 10 4.3852 10−11
0
Structure ordre 3 1.9453 10−01 −1.9027 10+00 2.7110 10−10 −1.2516 10−10

Tab. 4.3 – Les moments discrets des correcteurs surparamétrisés Cid

Modèles estimés C0 C1 C2 C3
Structure ordre 1 3.5527 10−15
4.0000 10−02
0 0
Structure ordre 2 1.4229 10−14 4.0000 10−02 1.1312 10−13 0
Structure ordre 3 7.9792 10−14
4.0000 10−02
1.9860 10−13
−1.1052e−13

Tab. 4.4 – Les moments discrets des correcteurs surparamétrisés Cωiq

113
Chapitre 4. Identification en boucle fermée de la machine asynchrone

On vérifie que les moments du modèle estimé pour Cid et Cωiq sont station-
naires quel que soit l’ordre de la surparamétrisation. Aussi on peut dire que les
structures de complexité supérieure ou égale à 1 donnent satisfaction, et peuvent
se substituer au correcteur équivalent exact CEq−uds .

10

−10

−20

−30

u 0
ds
−40 u pour S1 −2
ds
u pour S2 −4
ds
−50
u pour S3
ds 2.2 2.22 2.24

1.8 2 2.2 2.4 2.6 2.8

Fig. 4.6 – Comparaison des commandes réelle et estimées pour chaque structure
surparamétrisée de CEq−uds

Nous présentons sur la figure 4.6, une comparaison de la tension réelle uds et
celles estimées pour les structures d’ordre 1, 2 et 3. On voit bien, à travers les
courbes, que les sorties estimées ûds pour les structures de correcteur d’ordre 1
ou plus ont le même comportement.

Le tableau 4.5 définit alors l’erreur quadratique entre la commande réelle uds
et celle estimée ûds .

S=1 S=2 S=3

Erreur quadratique 2.0206 10−016
4.5333 10−013
1.5037 10−013

Tab. 4.5 – Erreur quadratique entre la commande réelle uds et la commande

estimée ûds

Cette comparaison est réalisée en appliquant les mêmes entrées (idsref , i∗ds , i∗qs
et ωs ) à la vraie commande de la machine asynchrone et aux structures surpara-
métrisées indentifiées.

114
 4.3. Méthodologie générale d’identification en boucle fermée

Les tableaux 4.6 à 4.9 correspondent au moments discrets de correcteur équi-

valent CEq−uqs.

Modèles estimés C0 C1 C2 C3
+00
Structure ordre 1 8.9055 10−02
−1.1219 10 0 0
+00
Structure ordre 2 1.3954 10−04
−1.1364 10−01
2.1964 10 0
Structure ordre 3 1.3954 10−04 −1.1364 10−01 2.1964 10+00 1.3638 10−10

Tab. 4.6 – Les moments discrets des correcteurs surparamétrisés Cω

Modèles estimés C0 C1 C2 C3
+00
Structure ordre 1 −1.2585 10 −01
1.9149 10 0 0
+00
Structure ordre 2 1.6698 10−13
1.9453 10−01
−3.8055 10 0
Structure ordre 3 2.9338 10−13 1.9453 10−01 −3.8055 10+00 1.1842 10−10

Tab. 4.7 – Les moments discrets des correcteurs surparamétrisés Ciq

Modèles estimés C0 C1 C2 C3
Structure ordre 1 2.0673 10−04
−3.9690 10−02
0 0
Structure ordre 2 1.8429 10−13
−2.9794 10−13
8.0000 10−02
0
Structure ordre 3 1.2024 10−13 −1.7232 10−13 8.0000 10−02 −2.4960 10−13

Tab. 4.8 – Les moments discrets des correcteurs surparamétrisés Cωid

On vérifie que les moments du modèle estimé pour {Cω , Ciq , Cωid et Cωφ }
ne varient plus pour les modèles d’ordre supérieur à 1. On peut donc dire que
les structures de complexité supérieure ou égale à deux donnent satisfaction, et
peuvent se substituer au correcteur équivalent exact CEq−uqs .

Nous présentons dans la figure 4.7, une comparaison de la tension réelle uqs
et celles estimées pour les structures d’ordre 1, 2 et 3. On voit bien, à travers les
courbes, que la sortie estimée ûqs pour la structure de correcteur d’ordre 1 est
différente de la commande réelle uqs , alors qu’on trouve le même comportement
pour les structures d’ordre supérieur.

Le tableau 4.10 définit alors l’erreur quadratique entre la commande réelle uqs
et la commande estimée ûqs .

115
Chapitre 4. Identification en boucle fermée de la machine asynchrone

Modèles estimés C0 C1 C2 C3
+00
Structure ordre 1 1.0486 10−02
−1.0088 10 0 0
Structure ordre 2 3.5283 10−13 −9.0748 10−11 2.0000 10+00 0
+00
Structure ordre 3 2.1118 10−13
−6.3177 10−11
2.0000 10 1.7343 10−10

Tab. 4.9 – Les moments discrets des correcteurs surparamétrisés Cωφ

300
u 125
qs
u
qs
280 u pour S1 120
qs
u pour S1
qs
u pour S2 115
260 qs
uqs pour S2
u pour S3 110
qs
u pour S3
240 qs 2.274 2.275 2.276 2.277

220

200

180

160

140

120

100
1.8 2 2.2 2.4 2.6 2.8 3

Fig. 4.7 – Comparaison des commandes réelle et estimées pour chaque structure
surparamétrisée de CEq−uqs

S=1 S=2 S=3

+006
Erreur quadratique 5.3490 10 9.5693 10−010
2.3909 10−010

Tab. 4.10 – Erreur quadratique entre la commande réelle uqs et la commande

estimée ûqs

116
 4.3. Méthodologie générale d’identification en boucle fermée

Cette comparaison est réalisée en appliquant les mêmes entrées (Ωref , Ω∗ ,

i∗qs , ωs et φ̂r ) à la vraie commande de la machine asynchrone et aux structures
surparamétrisées indentifiées.

4.3.3 Identification de la machine par décomposition de

la boucle fermée

4.3.3.1 Principe

Lorsque l’algorithme de commande de la machine asynchrone est connue (par

connaissance a priori ou par identification surparamétrisée), on peut envisager
l’identification du modèle continu de la machine. Référons nous au schéma de
la figure 4.8 : dans ce cas, l’excitation û = {ûds , ûqs } du modèle continu est
obtenue par simulation du correcteur CEq , à partir des consignes (Ωref , idsref ), de
la mesure Ω∗ , de la pulsation ωs , de flux φr et des sorties prédites îds et îqs .

udst i∗dst
Machine asynchrone
Commande uqst i∗qst
+ charge

Ω∗
idsref Ωref
+ + + +
− −
ûdst îdst
CEq−uds Modèle électrique
ûqst îqst
(repère du chp-tournant)
CEq−uqs

Algorithme

d’optimisation

Fig. 4.8 – Principe de l’identification indirecte de la machine asynchrone

Nous avons analysé dans la section 1.6.3 le choix du repère pour l’identifica-
tion indirecte. Ainsi, notre choix s’est porté sur le repère de Park lié au champ

117
Chapitre 4. Identification en boucle fermée de la machine asynchrone

tournant pour pouvoir prendre en compte les correcteurs sous une forme station-
naire, tout autre repère se traduisant par des correcteurs non stationnaires.

Par conséquent, l’identification indirecte doit être conduite dans le repère du

champ tournant en utilisant la connaissance de sa position estimée dans le cadre
de la commande. Ensuite, grâce aux mesures des grandeurs du stator {ua , ub , uc },
{ia , ib , ic } il faut reconstruire (uds , uqs )chptournant , (ids , iqs )chptournant grâce à une
transformation de Park utilisant la position du champ tournant.

4.3.3.2 Calcul des fonctions de sensibilité

Référons nous au schéma de la figure 4.8, il est important de remarquer que

les sorties (îds , îqs ) et les entrées (ûds , ûqs ) sont effectivement simulées à partir
des excitations (idsref , Ωref ), de la mesure Ω∗ , des deux correcteurs équivalents
{CEq−uds , CEq−uqs } n(ou exacts) o et du modèle continu de la machine asynchrone.
Ainsi {ûds , ûqs } et îds , îqs sont totalement décorrélés du bruit des courants.
Ceci est illustré par les simulations numériques réalisées dans la section suivante.

La représentation d’état du modèle électrique de la machine asynchrone dans

ce cas est :
(
˙
x̂(t) = A(θ̂)x̂(t) + B(θ̂)û(t)
(4.20)
ŷ(t) = C(θ̂)x̂(t)

Les matrices A, B et C sont données par l’expression (1.41). Les vecteurs x

et y sont présentés par les expressions (1.37) et (1.38) exprimés dans le repère
du champ tournant. Nous avons expliqué le principe de la construction de la
commande prédite û = [ûds ûqs ]T dans la section 4.3.2.
h iT
Les fonctions de sensibilité par rapport à σ ŷ = σ îds σ îqs , devront être
calculées en prenant en compte la sensibilité de û = [ûds ûqs ]T à θ̂, soit σ û =
h iT
σ ûds σ ûqs

∂ îds ∂ îqs
Définissons σ îds ,θi = ∂θi
et σ îqs ,θi = ∂θi
.

Alors on obtient les fonctions de sensibilité à partir du système différentiel :

118
 4.3. Méthodologie générale d’identification en boucle fermée


 ∂A(θ̂) ∂B(θ̂)
σ̇ x̂,θi = A(θ̂)σ x̂,θi + x̂ + û(t) + B(θ̂)σ û,θi
∂θi ∂θi (4.21)

σ ŷ,θi = Cσ x̂,θi

Rappelons que la reconstruction des commandes ûds et ûqs peut être réalisée
soit en utilisant la vraie commande, dans le cas où on suppose que la commande
est parfaitement connue ; soit en utilisant la structure équivalente, dans le cas où
la structure et les paramètres de la régulation sont inconnus, donc grâce à une
identification préalable de la commande.

Deux situations sont envisageables pour calculer la sensibilité de û par rap-

port aux paramètres de la machine :

– En utilisant la structure exacte de la commande

ds (k) qs (k)
σ ûds ,θi = ∂ û∂θ i
et σ ûqs ,θi = ∂ û∂θ i
sont obtenues à partir de l’équation
k k
aux différences :

∂ ûds (k) ˆ
∂ ûds1 (k) ∂ ed(k)
= − (4.22)
∂θi ∂θi ∂θi
∂ ûqs (k) ∂ ûqs1 (k) ∂ eq(k)
ˆ
= − (4.23)
∂θi ∂θi ∂θi

La sensibilité des parties linéaires ûds1 et ûqs1 par rapport aux paramètres
est égale à :

∂ ûds1 (k) ∂ ûds1 (k − 1) ∂ îds (k) ∂ îds (k − 1)

=− − r0φ · − r1φ · (4.24)
∂θi ∂θi ∂θi ∂θi
∂ ûqs1 (k) ∂ ûqs1 (k − 1) ∂ îqs (k) ∂ îqs (k − 1)
=− − r0Ce · − r1Ce · (4.25)
∂θi ∂θi ∂θi ∂θi

Nous allons supposer que les termes ωs iqs , ωs ids , et ωs φr qui entrent dans
le découplage sont des mesures. Dans ce cas :

ˆ
∂ ed(k) ∂ eq(k)
ˆ
= 0 et =0 (4.26)
∂θi ∂θi

Si nous supposons que les termes de découplage sont en fonction des sor-
ties estimées îds et îqs , alors la sensibilité de découplage par rapport aux

119
Chapitre 4. Identification en boucle fermée de la machine asynchrone

paramètres devient :

ˆ
∂ ed(k) ∂ îqs (k)
= Cd · ω s · (4.27)
∂θi ∂θi
∂ eq(k)
ˆ ∂ îds (k)
= −C1q · ωs · (4.28)
∂θi ∂θi

– En utilisant la structure équivalente

Le correcteur équivalent discret CEq génère ûk selon les algorithmes :

ûds (k) + s1ud ûds (k − 1) + · · · + sSud ûds (k − S) =

r0id (idsref (k) − îds (k)) + · · · + rSid (idsref (k − S) − îds (k − S))
+ r0ωiq ωs (k)îqs (k) + · · · + rSωiq ωs (k − S)îqs (k − S)) (4.29)

et

ûqs (k) + s1uq ûqs (k − 1) + · · · + sSuq ûqs (k − S) =

r0ω (Ωref (k) − Ω∗ (k)) + · · · + rSω (Ωref (k − S) − Ω∗ (k − S))
+ r0iq îqs (k) + r1iq îqs (k − 1) + · · · + rSiq îqs (k − S))
+ r0ωid ωs (k)îds (k) + · · · + rSωid ωs (k − S)îds (k − S))
+ r0ωφ ωs (k)φ̂r (k) + · · · + rSωφ ωs (k − S)φ̂r (k − S)) (4.30)

Ainsi σ ûk ,θi est obtenue à partir de l’équation aux différences :

∂ ûds (k) ∂ ûds (k − 1) ∂ ûds (k − S) ∂ îds (k)

+ s1ud + · · · + sSud = −r0id
∂θi ∂θi ∂θi ∂θi
∂ îds (k − 1) ∂ îds (k − S) ∂ îqs (k)
− r1id − · · · − rSid + r0ωiq ωs (k) +
∂θi ∂θi ∂θi
∂ îqs (k − 1) ∂ îqs (k − S)
r1ωiq ωs (k − 1) + · · · + rSωiq ωs (k − S) (4.31)
∂θi ∂θi

120
 4.3. Méthodologie générale d’identification en boucle fermée

∂ ûqs (k) ∂ ûqs (k − 1) ∂ ûqs (k − S) ∂ îqs (k)

+ s1uq + · · · + sSuq = r0iq +
∂θi ∂θi ∂θi ∂θi
∂ îqs (k − 1) ∂ îqs (k − S) ∂ îds (k)
r1iq + · · · + rSiq + r0ωid ωs (k) +
∂θi ∂θi ∂θi
∂ îds (k − 1) ∂ îds (k − S)
r1ωid ωs (k − 1) + · · · + rSωid ωs (k − S) (4.32)
∂θi ∂θi

4.3.4 Résultat d’identification

Les figures 4.9, 4.10 et 4.11 présentent les résultats de l’identification par
approche indirecte pour une réalisation particulière, en utilisant comme excitation
implicite une variation du couple de charge.

La figure 4.9 fait apparaı̂tre l’évolution des paramètres lors de la procédure

d’identification par approche indirecte. En trois itérations la méthode converge
vers l’optimum.

Nous avons utilisé une excitation implicite par variation du couple de charge
sous forme d’une SBP A de ±1.5 N.m au tour de la charge Cr = 4N.m.

10 5.5
9.95
Rs 5.4 Rr
9.9
9.85 5.3

9.8
5.2
1 2 3 4 5 6 1 2 3 4 5 6

0.52

0.51 0.04
0.039
0.5
Lm 0.038 L
0.49 f
0.037
0.48 0.036
1 2 3 4 5 6 1 2 3 4 5 6

Fig. 4.9 – Evolution des paramètres électriques durant la procédure d’estimation

par identification indirecte

Pour le même essai, nous représentons à la figure 4.10 la comparaison entre

les courants simulés et les courant estimés ainsi que les tensions simulées et celles
prédites exprimés dans le repère du champ tournant. Sur la figure 4.10, nous

121
Chapitre 4. Identification en boucle fermée de la machine asynchrone

représentons les résidus sur les courants et les tensions.

uds ids
2.5

0 2

−10 1.5

−20 1

−30 0.5
2 2.5 3 2 2.5 3

uqs simulation iqs

estimation 8
200

180 6

160 4

140
2
2 2.5 3 2 2.5 3

Fig. 4.10 – Comparaison des courants (et tensions) simulés et estimés d’axes
(d, q) pour l’identification indirecte

4.4 Comparaison de résultats d’identification :

approche directe/approche indirecte

Nous avons testé les techniques d’identification présentées dans ce chapitre

sur une machine asynchrone dont les paramètres sont donnés par la table 4.11.

Rs = 9.8Ω
Rr = 5.3Ω
Lm = 0.5H
Lf = 0.04H
f = 1.9 10−03N.m.s/rad
J = 29.3 10−03N.m.S 2 /rad

Tab. 4.11 – Caractéristiques de la machine asynchrone

Nous avons employé deux processus générateurs de bruit pour la vitesse et

les courants, afin de tester notre méthodologie dans des situations stochastiques

122
4.4. Comparaison de résultats d’identification : approche directe/approche indirecte

εi εi
ds qs
1 1

0.5 0.5

0 0

−0.5 −0.5

−1 −1
2 2.5 3 2 2.5 3
ε ε
u u
ds qs
4 4

2 2

0 0

−2 −2

−4 −4
2 2.5 3 2 2.5 3

Fig. 4.11 – Erreur d’estimation de l’identification indirecte

variées. Nous nous sommes placés dans des conditions de bruit telles que le rap-
port S/B = 15 pour les courants {ids , iqs } exprimés dans le champ tournant et
S/B = 20 pour la vitesse.

Le bruit de sortie est généré par le modèle A.R : bk + c1 bk−1 = ek où ek est
un bruit blanc et −1 < c1 < 0

Trois situations ont été étudiées :

– c1 = 0, alors bk correspond à un bruit blanc,
– c1 = −0.5, alors bk correspond à un bruit moyennement corrélé,
– c1 = −0.95, alors bk correspond à un bruit fortement corrélé.
Les simulations de Monte Carlo ont été effectuées sur dix réalisations, chaque
réalisation comportant 6000 couples de données. Les valeurs des estimations des
paramètres électriques de la machine asynchrone sont récapitulées dans les ta-
bleaux ci-après.

Remarque
I.D : Identification Directe
I.I.C.R : Identification Indirecte, Commande Réelle
I.I.C.S.3 : Identification Indirecte, Correcteur Surparamétrisé d’ordre 3

123
Chapitre 4. Identification en boucle fermée de la machine asynchrone

1. Cas d’un bruit blanc sur les courants {ids , ids }

Valeurs I.D I.I.C.R I.I.C.S.3

exactes
Rs = 9.8 9.8391 10+00 9.8053 10+00 9.7947 10+00
±2.0128 10−01 ±2.9645 10−02 ±4.4240 10−02
Rr = 5.3 5.3100 10+00 5.3029 10+00 5.2987 10+00
±4.9579 10−02 ±2.6663 10−02 ±3.9992 10−02
Lm = 0.5 4.9977 10−01 5.0456 10−01 4.9581 10−01
±1.8040 10−02 ±3.1467 10−02 ±4.6082 10−02
Lf = 0.04 3.9188 10−02 4.0177 10−02 4.0093 10−02
±4.0606 10−03 ±2.6444 10−03 ±3.2582 10−03

Tab. 4.12 – Identification en présence d’un bruit blanc sur les courants

Rs Rr
9.6 9.7 9.8 9.9 10 5.25 5.3 5.35
ID
IICR
IICS3
Valeur exacte

Lm Lf

0.45 0.5 0.55 0.035 0.04 0.045

Fig. 4.12 – Identification en présence d’un bruit blanc sur les courants

La figure 4.12 présente la plage des variations de chaque paramètre de la

machine asynchrone selon le type de l’identification du tableau 4.12.
On vérifie à l’aide de cette simulation qu’il n’y a pas de biais significatif
quand les bruits de mesure des courants sont des bruits blancs (et que la
vitesse est mesurée sans erreur).
On remarque que les résultats d’estimation paramétrique obtenus pour les
trois types d’identification (I.D, I.I.C.R et I.I.C.S.3) sont voisins.
2. Cas d’un bruit fortement corrélé sur les courants et d’un bruit
blanc sur la vitesse

124
4.4. Comparaison de résultats d’identification : approche directe/approche indirecte

Valeurs I.D I.I.C.R I.I.C.S.3

exactes
Rs = 9.8 1.0827 10+01 9.7788 10+00 9.7590 10+00
±2.6251 10+00 ±1.6866 10−01 ±2.1913 10−01
Rr = 5.3 4.9051 10+00 5.3218 10+00 5.3294 10+00
±4.5455 10−01 ±2.8570 10−01 ±1.8924 10−01
Lm = 0.5 5.2233 10−01 4.9217 10−01 4.9191 10−01
±3.4571 10−02 ±8.7178 10−02 ±7.8276 10−02
Lf = 0.04 4.3365 10−02 4.0161 10−02 4.0667 10−02
±5.1324 10−03 ±5.7434 10−03 ±3.6792 10−03

Tab. 4.13 – Identification en présence d’un bruit fortement corrélé sur les courants
et d’un bruit blanc sur la vitesse

ID
IICR
IICS3
Valeur exacte

R R
s r

8 9 10 11 12 13 4 4.5 5 5.5

L L
m f

0.4 0.45 0.5 0.55 0.6 0.035 0.04 0.045 0.05

Fig. 4.13 – Identification en présence d’un bruit fortement corrélé sur les courants
et d’un bruit blanc sur la vitesse

Nous remarquons dans ce cas de simulation (en présence d’un bruit forte-
ment corrélé sur les courants et d’un bruit blanc sur la vitesse) que l’iden-
tification indirecte en utilisant la structure exacte de correcteur I.I.C.R ou
la structure surparamétrisée I.I.C.S.3 fournit des estimations parfaitement
centrées sur la valeur exacte des paramètres, alors que les estimations de
Rr , Lm et Lf font apparaı̂tre un biais dans le cas de l’identification directe.
3. Cas d’un bruit corrélé sur les courants et la vitesse

On vérifie d’après le tableau 4.14 (ou sur la figure 4.14) qu’un biais appa-
raı̂t pour I.D dès que le bruit devient corrélé pour le courant et la vitesse.

125
Chapitre 4. Identification en boucle fermée de la machine asynchrone

Valeurs I.D I.I.C.R I.I.C.S.3

exactes
Rs = 9.8 1.0454 10+01 1.0013 10+01 1.0014 10+00
±2.1706 10+00 ±8.5146 10−01 ±1.0478 10+00
Rr = 5.3 4.9723 10+00 5.1551 10+00 5.2227 10+00
±4.8713 10−01 ±5.2179 10−01 ±5.1779 10−01
Lm = 0.5 5.3203 10−01 4.9344 10−01 4.9339 10−01
±3.2620 10−02 ±1.1009 10−01 ±9.1381 10−02
Lf = 0.04 4.2630 10−02 4.0397 10−02 4.0251 10−02
±5.7890 10−03 ±3.6061 10−03 ±4.0547 10−03

Tab. 4.14 – Identification en présence d’un bruit fortement corrélé sur les courants
et d’un bruit moyennement corrélé sur la vitesse

Remarquons qu’il se manifeste principalement, d’après les simulations réa-

lisées, sur la résistance rotorique Rr et l’inductance magnétisante Lm , et
partiellement sur l’inductance de fuite Lf . On constate aussi la présence
d’une variance très importante sur la résistance statorique Rs .
On vérifie à l’aide de la figure 4.14 qu’un biais faible apparaı̂t pour un bruit
de vitesse moyennement corrélé pour l’identification indirecte (I.I.C.R et
I.I.C.S.3). Il se manifeste principalement sur la résistance rotorique Rr et
partiellement sur la résistance statorique Rs . Ceci peut être expliqué par le
fait qu’on ne se trouve pas dans le cas où notre commande est parfaitement
décorrélée du bruit comme cela s’est produit pour la machine à courant
continu. En effet, on utilise la sortie de vitesse (corrélée avec le bruit bw ),
pour calculer les nouvelles commandes ûds et ûqs dans le cadre de notre
méthode d’identification indirecte. Alors, les fonctions de sensibilité calcu-
lées à partir de l’excitation û se trouvent corrélées avec la perturbation
bw , c’est-à-dire que l’estimation θopt est asymptotiquement biaisée. Ce biais
n’est vraiment très important que lorsque le rapport signal sur bruit de la
vitesse est faible.
En conclusion, l’étude du biais asymptotique en boucle fermée de la machine
asynchrone nous a permis de montrer que celui-ci dépend de la corrélation
du bruit de courant et de vitesse pour l’approche directe, et uniquement de
la corrélation du bruit de vitesse pour l’approche indirecte.

De manière générale, on remarque que les résultats d’estimation paramétrique

obtenus pour les deux cas d’identification (I.I.C.R et I.I.C.S.3), dans le cadre de
l’identification par approche indirecte, sont voisins quelles que soient les condi-

126
 4.5. Conclusion

tions de bruit, c’est-à-dire que la paramétrisation du correcteur équivalent a peu

d’influence.

ID
IICR
IICS3
Valeur exacte

R R
s r

8 9 10 11 12 13 4 4.5 5 5.5

L Lf
m

0.4 0.45 0.5 0.55 0.6 0.04 0.045 0.05

Fig. 4.14 – Identification en présence d’un bruit fortement corrélé sur le courant
et d’un bruit moyennement corrélé sur la vitesse

4.5 Conclusion

Une méthode d’identification en boucle fermée par approche indirecte adaptée

à la machine asynchrone a été proposée. Cette méthode se base sur une décom-
position de la boucle fermée. Par ailleurs cette technique d’identification n’utilise
qu’une excitation implicite due aux variations du couple.

Cette solution est a priori innovante en électrotechnique : elle a déjà été testée
dans une première étude sur la machine à courant continu [Bazine et al., 2006a,
Bazine et al., 2007] et nous avons pu l’adapter au cas de la machine asynchrone,
malgré de fortes contraintes (correcteur multi-variable et non linéaire, change-
ments de repères).

Cette méthodologie semble bien adaptée à l’estimation paramétrique des ma-

chines électriques. Dans le cas des machines à courant alternatif, souvent utilisées
en entraı̂nement électrique à vitesse variable donc en boucle fermée, nous avons
volontairement utilisé comme excitation les variations du couple de charge. Dans
un contexte industriel cette grandeur reste toujours accessible et s’adapte bien
pour la détection de défaut.

127
Chapitre 4. Identification en boucle fermée de la machine asynchrone

Les résultats de simulation montrent que l’identification indirecte fournit de

meilleures estimations que l’identification directe, et en particulier qu’elle permet
de rejeter le biais asymptotique dû aux bouclages [Bazine et al., 2008b].

Cependant, la principale contrainte imposée par l’identification indirecte est

l’indispensable connaissance du correcteur. Actuellement, la machine asynchrone
est à la base de plusieurs applications industrielles qui couvrent un domaine très
vaste. Selon l’application mise en jeu, l’industriel peut avoir un accès à tous les
détails de la commande, c’est-à-dire une connnaissance complète de système de
régulation implanté, tout comme il peut ignorer certaines parties à l’intérieur de
la structure de la régulation. Dans ce cas, nous avons proposé une identification
préalable de correcteur équivalent à l’aide d’une technique de surparamétrisa-
tion afin d’éviter la connaissance a priori de la structure et des paramètres du
correcteur.

Nous avons aussi remarqué que le fait d’avoir une vitesse bruitée (notamment
si ce bruit est corrélé) a pour conséquence une estimation asymptotiquement
biaisée car on ne peut pas respecter les conditions théoriques de rejet du biais, à
savoir la simulation de la vitesse. Cette méthodologie d’identification en boucle
fermée de la machine asynchrone va donc pouvoir être appliquée au diagnostic de
la machine dans le prochain chapitre.

128
 Chapitre 5

Diagnostic de la machine
asynchrone par approche
indirecte

Au chapitre 4, nous avons proposé une méthodologie générale d’identifica-

tion en boucle fermée de la machine asynchrone par approche indirecte, ainsi
que l’identification d’un correcteur équivalent à l’algorithme de commande de la
machine, grâce à une technique de moindres carrés surparamétrisés. Dans ce cha-
pitre, nous utilisons cette approche pour la détection et la localisation des défauts
des courts-circuits au stator et de rupture de barres au rotor d’une machine asyn-
chrone. Nous proposons ainsi de définir une méthodologie globale de diagnostic
de la machine asynchrone en boucle fermée par estimation paramétrique qui ne
sera testée qu’en simulation.

129
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

5.1 Introduction

Un système de surveillance doit fournir des informations fiables sur le fonc-

tionnement de l’unité aux opérateurs qui l’exploitent. Il doit être capable de
provoquer dans les cas graves un arrêt de l’unité ou de permettre au système de
production de continuer de fonctionner en mode dégradé en cas de problème ne
nécessitant pas un arrêt immédiat. Tout cela en évitant bien sûr des erreurs de
type fausses alarmes qui provoquent l’arrêt inutile de l’installation. Les tâches de
détection et de localisation des défaillances trouvent ainsi tout naturellement leur
place dans un tel système de surveillance.

La détection de défauts dans les machines électriques a fait l’objet de re-

cherches et de réalisations industrielles depuis de nombreuses années. L’analyse
vibratoire, en particulier, est utilisée pour la détection de problèmes mécaniques,
des ruptures de barres au rotor et des courts-circuits au stator des machines asyn-
chrone [Baghli et al., 1997]. Les exigences industrielles en terme de maintenance
orientent la recherche vers un diagnostic fin des défauts et surtout leur diagnostic
précoce.

Depuis environ deux décennies, de nombreuses recherches en génie électrique

et en identification paramétrique ont permis l’élaboration de stratégies de diag-
nostic hors-ligne et en-ligne des entraı̂nements électriques. Ainsi, la mise au point
d’algorithmes dédiés à l’estimation des paramètres physiques, en prenant en
compte une connaissance a priori de la machine, a permis une avancée promet-
teuse du diagnostic par estimation paramétrique. Il est nécessaire au préalable de
préciser un point essentiel : pour obtenir une bonne estimation des paramètres,
il est indispensable de bien exciter la machine. Pour cela, en fonctionnement
avec variateur de vitesse, l’excitation qui semble le mieux satisfaire à cette exi-
gence consiste à perturber le point de fonctionnement électrique par une SBP A
[Moreau, 1999] [Schaeffer, 1999] [Bachir, 2002]. Ce mode d’excitation est effec-
tivement bien adapté aux applications à vitesse variable ; cependant, il s’avère
contradictoire avec les objectifs de production lorsque le but est précisément de
maintenir une vitesse constante.

Aussi, nous avons étudié un autre protocole d’excitation qui nous semble
mieux adapté aux applications industrielles à vitesse constante. Ce protocole
exclut les variations de vitesse par action sur la référence de régulation. Comme
des variations autour du point de fonctionnement sont cependant nécessaires, on
considère comme seules acceptables par l’utilisateur celles induites par la variation

130
 5.2. Modèles de défaut de la machine asynchrone

du couple de charge pendant le fonctionnement normal de la machine.

Dans ce chapitre, nous présentons dans une première partie deux modèles de
défauts de la machine asynchrone : un modèle de défaut statorique traduisant le
dysfonctionnement de la machine en présence de court-circuit de spires au stator
et un modèle de défaut rotorique du type rupture de barres. Une panne de type
court-circuit au stator et rupture de barres au rotor apparaissant simultanément
n’est pas à exclure lors de grandes sollicitations de la machine ; un modèle global
de la machine asynchrone avec défauts stator/rotor est donc lui aussi présenté. La
deuxième partie de ce chapitre est consacrée à l’application de cette méthodologie
d’identification en boucle fermée à la détection de défauts simulés de la machine
asynchrone.

5.2 Modèles de défaut de la machine asynchrone

5.2.1 Introduction

L’hypothèse fondamentale pour la surveillance d’un système par un suivi pa-

ramétrique est qu’un défaut se traduit par la variation d’un (ou de plusieurs)
paramètre(s) caractéristique(s) du système, constituant ainsi la signature de ce
défaut.

D’après [Bachir, 2002] dont les travaux de recherche s’appuient sur ceux de
[Moreau, 1999] [Schaeffer, 1999], la machine asynchrone présente en plus d’un
comportement dynamique conventionnel, un comportement dû au défaut. Ainsi,
ces études ont permis l’élaboration de modèles permettant le découplage de deux
modes : le mode commun qui n’est autre que le modèle dynamique de la machine
asynchrone et le mode différentiel, caractéristique du défaut. Le mode commun,
exprimé dans le repère triphasé ou dans le repère de Park et paramétrisé par les
composants électriques de la machine, est l’image du comportement sain de la
machine. Pour tenir compte du défaut, on doit introduire le mode différentiel qui
traduit le dysfonctionnement. Les paramètres de ce mode doivent permettre la
détection et la localisation du défaut. Rappelons que le principe de cette métho-
dologie est décrit dans [Bachir et al., 2008].

Notre objectif est l’application de notre méthodologie d’identification en boucle

fermée, développée auparavant, à la détection des défauts de la machine asyn-

131
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

chrone. Ceci nécessite une modélisation adaptée au défaut envisagé. Il est donc
nécessaire d’écrire des modèles de la machine asynchrone en situation de défaut :

– un modèle de court-circuit de spires au stator,

– un modèle de rupture de barres au rotor,
– un modèle global avec défauts stator/rotor.
Ces modèles sont directement déduits de [Bachir, 2002].

5.2.2 Modèle de défauts statoriques de type court-circuit

Il s’agit de modéliser une machine fictive équivalente dont le stator et le rotor

sont toujours constitués de trois phases identiques parcourues par des courants
triphasés. Pour prendre en compte l’existence de spires en court-circuit au stator
de la machine asynchrone, on introduit une bobine supplémentaire court-circuitée
dont le nombre de spires ncc est égal au nombre de spires en défaut dans la ma-
chine [Schaeffer, 1999]. Ainsi, en présence d’un déséquilibre statorique, la machine
comporte, en plus des bobinages triphasés statoriques et rotoriques, un bobinage
court-circuité à l’origine du champ stationnaire de direction fixe θcc par rapport
au stator.

Le modèle de défauts statoriques que nous présentons ici prend intrinsèque-

ment en compte l’existence de courts-circuits de spires dans plusieurs phases au
stator [Bachir et al., 2001c]. Ce modèle comporte en plus du modèle classique
(modèle biphasé), des quadripôles de courts circuits pour expliquer un éventuel
défaut sur plusieurs phases. La figure 5.1 donne le schéma électrique équivalent
de la machine asynchrone dans le repère de Park en régime transitoire, en tenant
compte d’un éventuel défaut de court-circuit et avec les fuites totalisées au stator.

idqs
′
Lf ωP ( π2 )φdqs
idqs Rs

ĩdqcc1 ĩdqcc2 ĩdqcc3 idqr

udqs Qcc1 Qcc2 Qcc3 Lm Rr

idqm

Fig. 5.1 – Modèle de défauts statoriques de la machine asynchrone

132
 5.2. Modèles de défaut de la machine asynchrone

Pour un référentiel noté (x) tournant à une vitesse ωa par rapport au sta-
tor de la machine asynchrone, l’ensemble des équations électriques de la ma-
chine asynchrone en défaut de court-circuit statorique s’écrit [Schaeffer, 1999]
[Bachir, 2002] :

(x) d (x)
′ (x) π (x)
udqs = Rs idqs + φdq + ωa P ( )φdq (5.1)
dt s 2 s

(x) d π (x)
0 = Rr idqr + φ(x) + (ωa − ω)P ( )φdq (5.2)
dt dq r 2 r
′ (x) (x)
φ(x)
dq
= (Lf + Lm )idqs + Lm idqr (5.3)
s
′ (x) (x)
φ(x)
dq
= Lm (idqs + idqr ) (5.4)
r
(x) ′ (x) (x)
idqs = idqs + ĩdqcc (5.5)
3
X
(x) (x)
ĩdqcc = ĩdqcc (5.6)
k
k=1
(x) 2 ηcc (x)
ĩdqcc = P (−θa )Q(θcck )P (θa )udqs (5.7)
k 3 Rs
avec :

dθa
– = ωa ;
dt n
– le rapport de court-circuit noté ηcck = nccsk est égal au rapport du nombre
de spires en court-circuit de la k ème phase sur le nombre total de spires
dans une phase statorique sans défaut. Ce paramètre permet de quantifier
le déséquilibre et d’obtenir le nombre de spires en court-circuit ;
(x)
– le courant ĩdqcc correspond au courant de court-circuit de la k ème phase ;
k
– l’angle électrique, noté θcck , repère le bobinage en court-circuit par rapport
à l’axe de référence de la phase as . Ce paramètre permet la localisation du
bobinage en défaut et ne peut prendre que les trois valeurs 0, 2π 3
ou − 2π
3
,
correspondant respectivement à un court-circuit sur les phases as , bs ou cs ;
– la matrice Q(θcck ) permet de situer l’angle du bobinage en court-circuit.
 
cos(θcck )2 cos(θcck ) sin(θcck )
Q(θcck ) = (5.8)
cos(θcck ) sin(θcck ) sin(θcck )2
Si on veut procéder à un diagnostic par identification indirecte, on est obligé
de se placer dans le repère du champ tournant. Ainsi les équations de tensions
et de flux de la machine asynchrone en présence d’un défaut statorique de type

133
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

court-circuit, dans un référentiel lié au champ tournant, deviennent :

d′ π
udqs = Rs idqs + φdq + ωs P ( )φdq (5.9)
dt s 2 s

d π
0 = Rr idqr + φdq + (ωs − ω)P ( )φdq (5.10)
dt r 2 r
′
φdq = (Lf + Lm )idqs + Lm idqr (5.11)
s
′
φdq = Lm (idqs + idqr ) (5.12)
r
′
idqs = idqs + ĩdqcc (5.13)
3
X
ĩdqcc = ĩdqcc (5.14)
k
k=1
2 ηcc
ĩdqcc = P (−θs )Q(θcck )P (θs )udqs (5.15)
k 3 Rs

5.2.3 Modèle de défaut rotorique

Comme pour un défaut statorique, une rupture de barre rotorique est à l’ori-
gine d’un champ stationnaire H0 par rapport au rotor et dirigé selon l’angle θ0
de la barre en défaut. Un paramètre supplémentaire η0 est naturellement intro-
duit pour quantifier le défaut rotorique [Bachir et al., 2001b]. Le rotor dans le
repère biphasé comporte donc un troisième bobinage court-circuité du fait de la
cage d’écureuil et parcouru par un courant fictif i0 de défaut et dont le nombre
de spires fictives est proportionnel au taux de défaut. Pour tenir compte de cette
anomalie de champ, ce bobinage doit obligatoirement avoir la même direction que
la barre en défaut. Par conséquent, le mode différentiel introduit comporte deux
paramètres de défaut permettant la détection et la localisation des barres cassées :

– l’angle électrique noté θ0 repérant le bobinage˝en défaut. Ce paramètre

permet la localisation de la barre en défaut ;
– le rapport de défaut noté η0 égal au rapport du nombre de spires en défaut
sur le nombre total de spires dans une phase triphasée rotorique fictive sans
défaut. Ce paramètre permet de quantifier le déséquilibre et d’obtenir le
nombre de barres cassées. Le nombre de spires au rotor étant fictif, pour
un rotor de nb barres, si on considère une spire rotorique comme étant
une maille constituée de deux barres court-circuitées par deux portions
d’anneaux [Bachir et al., 2001a], alors le nombre total de spires rotoriques
est égal au nombre de barres au rotor. Une phase fictive est donc constituée

134
 5.2. Modèles de défaut de la machine asynchrone

de n3b barres. Pour nbc barres cassées sur une phase, l’expression du rapport
de défaut η0 est donnée par :

3nbc
η0 = (5.16)
nb
Lf ωP ( π2 )φdqs
idqs Rs

idqr
udqs
Rr
Lm
Rdef aut
idqm

Fig. 5.2 – Modèle de défauts rotoriques de la machine asynchrone

Dans [Bachir, 2002], un modèle de la machine asynchrone en situation de

défauts rotoriques a été proposé. La figure 5.2 illustre le schéma équivalent dans
le repère de Park de la machine asynchrone en régime dynamique avec fuite
ramenée au stator.

L’ensemble des équations électriques de la machine asynchrone en défaut ro-

torique, dans un référentiel lié au champ tournant, s’écrit :

d π
udqs = Rs idqs + φdq + ωs P ( )φdq (5.17)
dt s 2 s

d π
0 = Req idqr + φdq + (ωs − ω)P ( )φdq (5.18)
dt r 2 r

φdq = (Lf + Lm )idqs + Lm idqr (5.19)

s


φdq = Lm idqs + idqr (5.20)
r

Req = Rr .I2 + Rdéfaut (5.21)

α
Rdéfaut = Q(θ0 )Rr (5.22)
1−α
 
1 0
où I2 =
0 1

Avec
– la résistance équivalente Req au rotor est la mise en série de la résistance
saine Rr et de la matrice résistance de défaut Rdéfaut ,

135
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

– θ0 est l’angle de repérage de défaut rotor dans le repère du champ tournant

(θ0 = θ0r −θr , θ0r étant l’angle de repérage du défaut par rapport au rotor),
 
2 cos(θ0 )2 cos(θ0 ) sin(θ0 )
α = η0 Q(θcck ) =
3 cos(θ0 ) sin(θ0 ) sin(θ0 )2

Remarque
En situation de défaut sur deux barres au rotor, l’estimation de deux angles de
défaut θ01 et θ02 permet d’avoir le décalage angulaire ∆θ entre les barres cassées :

∆θ = θ02 − θ01 (5.23)

5.2.4 Modèle général de défauts de la machine asynchrone

Nous avons présenté deux modèles de la machine asynchrone à cage. Chaque

modèle est dédié à un défaut particulier (court-circuit des spires au stator et rup-
ture de barres au rotor). En milieu industriel, les défauts intervenant en cours
de fonctionnement sont rarement localisés dans une seule partie de la machine.
En effet, la réaction en chaı̂ne des incidents est fortement envisageable car le
rotor, comme le stator, sont soumis au même environnement. Ainsi, il est inté-
ressant, dans une optique de surveillance généralisée de la machine, d’envisager
un diagnostic de défauts simultanés stator/rotor.

Nous présentons ainsi à la figure 5.3, un modèle de défauts stator/rotor (repère

de Park) [Bachir et al., 2001e] qui fait intervenir le fonctionnement sain de la
machine, les courts-circuits de spires au stator et les ruptures de barres au rotor
à travers la matrice résistance de défaut.

idqs
′
Lf ωP ( π2 )φdqs
idqs Rs

ĩdqcc1 ĩdqcc2 ĩdqcc3 idqr

udqs Qcc1 Qcc2 Qcc3 Lm Rr

Rdef aut
idqm

Fig. 5.3 – Modèle de défauts stator/rotor de la machine asynchrone

136
 5.2. Modèles de défaut de la machine asynchrone

L’ensemble des équations électriques de la machine asynchrone en défaut si-

multané stator/rotor, dans un référentiel lié au champ tournant, s’écrit alors :

′ d π
udqs = Rs idqs + φdq + ωs P ( )φdq (5.24)
dt s 2 s

d π
0 = Req idqr + φdq + (ωs − ω)P ( )φdq (5.25)
dt r 2 r
′
φdq = (Lf + Lm )idqs + Lm idqr (5.26)
s
′
φdq = Lm (idqs + idqr ) (5.27)
r
3
X
′
idqs = idqs + ĩdqcck (5.28)
k=1
2 ηcc
ĩdqcc = P (−θs )Q(θcck )P (θs )udqs (5.29)
k 3 Rs
Req = Rr .I2 + Rdéfaut (5.30)
α
Rdéfaut = Q(θ0 )Rr (5.31)
1−α

Le modèle de défaut stator/rotor permet la détection et la localisation de spires en

court-circuit à partir des rapports ηcck et des angles θcck ainsi que la quantification
du nombre de barres cassées à travers le rapport η0 . Ainsi, la connaissance de ces
paramètres par estimation paramétrique permet une surveillance généralisée de
la machine asynchrone.

5.2.5 Conclusion

En situation de défaut, la machine asynchrone présente en plus d’un compor-

tement dynamique classique, un comportement dû au défaut. En modélisation
orientée vers le diagnostic, deux modes sont envisagés ; un mode commun˝et
un mode différentiel˝. Le mode commun traduit le fonctionnement sain de la
machine. Le mode différentiel a pour objectif de traduire le dysfonctionnement
et ses paramètres doivent être essentiellement sensibles au défaut. Cette situa-
tion s’avère propice à la détection de véritables défauts. En effet, une variation
de température ou d’état magnétique se traduisent par une modification de l’état
paramétrique du modèle de mode commun, et ne doivent pas pour autant affecter
le mode différentiel [Bachir et al., 2008].

La méthode de diagnostic par estimation paramétrique conduit à procéder

à l’identification des paramètres du modèle complet. Ainsi, les paramètres élec-

137
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

triques du mode commun indiqueront l’état dynamique de la machine tandis que

les paramètres du mode différentiel permettront d’accéder à l’information sur les
défauts présents dans la machine. L’identification de ces paramètres va permettre
la détection et la localisation du déséquilibre.

5.3 Résultats du diagnostic de la machine asyn-

chrone en boucle fermée

5.3.1 Introduction

L’identification paramétrique, présentée au second chapitre, est la procédure

permettant la détermination des paramètres d’un modèle mathématique à partir
de résultats expérimentaux. Ainsi, l’identification repose sur la définition d’un
modèle du système réel.

Dans le cas du diagnostic de la machine asynchrone à cage, on s’intéresse

à l’identification des paramètres des modèles de défaut statorique et rotorique
présentés précédemment. La stratégie de diagnostic consiste à réaliser le suivi
des paramètres du mode différentiel (paramètres de défaut). L’estimation des
paramètres η̂cck indique alors le nombre de spires en court-circuit sur chacune
des trois phases au stator et le paramètre η̂0 permet d’avoir le nombre de barres
cassées au rotor.

Les méthodes de suivi de la variation de paramètres physiques, basées sur

l’estimation paramétrique, ont été peu appliquées jusqu’à présent en diagnostic.
L’expérience du Laboratoire d’Automatique et d’Informatique Industrielle dans
ce domaine, nous montre qu’il s’agit d’une méthode de surveillance bien adaptée
à la détection et à la localisation, à condition néanmoins d’utiliser une stratégie
efficace. Pour cela, il est raisonnable de considérer que le mode commun représente
le fonctionnement sain de la machine et qu’à ce titre, l’utilisateur en possède une
certaine expertise.

Cette expertise va représenter une connaissance a priori de la machine, c’est-

à-dire d’une estimation θ 0 des paramètres et de leur variance. Par contre, l’uti-
lisateur ne sait pas a priori quel défaut va se produire et il doit porter toute
son attention sur l’estimation des paramètres caractéristiques du défaut. Aussi
l’association d’une technique d’estimation paramétrique avec information a priori

138
 5.3. Résultats du diagnostic de la machine asynchrone en boucle fermée

associée à un modèle de défaut de la machine, avec modes commun (sain) et dif-

férentiel (de défaut) nous semble donc parfaitement adaptée au cas de la machine
asynchrone.

5.3.2 Estimation paramétrique avec information a priori

Les travaux de recherche réalisés au sein de Laboratoire d’Automatique et

d’Informatique Industrielle ont montré que l’adjonction d’une information a priori
en erreur de sortie, grâce à un critère composite, permet d’introduire une connais-
sance initiale, relative à la machine saine, et ainsi d’accélérer et de robustifier la
convergence de l’algorithme de programmation non linéaire.

La connaissance du fonctionnement sain résulte d’une (ou plusieurs) estima-

tion(s) préalable(s) permettant d’obtenir les valeurs nominales du vecteur θ, de
la variance du bruit de sortie σb ainsi que de la matrice de covariance de l’es-
timation V ar {θopt }. Ces valeurs sont en effet indispensables pour construire les
différentes pondérations du critère composite (θ0 , σb , M0 ). Pour cela, une estima-
tion des paramètres électriques de la machine asynchrone saine, sans introduction
d’information a priori, permet d’obtenir ces informations indispensables.

Pour cela, nous proposons de construire l’information a priori, à partir d’une

moyenne de dix estimations par identification indirecte (correspondant au fonc-
tionnement sain de la machine), afin de déterminer les différentes pondérations
du critère composite :

K
1 X 2
JC = (θ̂ − θ0 ) T
M0−1 (θ̂ − θ0 ) + 2 (ε + ε2qs ) (5.32)
σb k=1 dsk k

avec
   
Rs0 9.7921
   
 Rr0   5.3079 
θ0 =  = 
Lm0  5.0456 10−01
Lf0 4.0625 10−02

139
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte
   
σR2 s 0 0 0 4.587 10−03 0 0 0
 0 σ2 0 0   
 Rr   0 5.241 10−04 0 0 
M0 =   =  
 0 0 σL2 m 0   0 0 1.451 10−04 0 
2
0 0 0 σLf 0 0 0 4.588 10 −07

Jopt
σbb 2 = (5.33)
K −N

K, N, Jopt représentent respectivement le nombre de points, le nombre de

paramètres et la valeur du critère à l’optimum.

Pour la construction de la matrice de covariance des paramètres M0 , on ne

conserve en pratique que les termes diagonaux.

La relation (5.33) est obtenue en faisant l’hypothèse que le bruit de mesure

est identique sur les deux axes de Park. Dans le cas où le bruit de mesure est
différent sur les deux axes, il faut calculer les variances respectives sur les deux
axes d et q de Park et pondérer de fait différemment les deux termes quadratiques
du critère composite.

Les résultats d’estimation paramétrique sont obtenus en utilisant une excita-

tion par couple de charge. Dans ce cas la variance estimée de la perturbation de
sortie est égale à :

σbb 2 = 0.0413

5.3.3 Diagnostic d’un défaut stator

5.3.3.1 Modèle dédié au diagnostic des courts-circuits au stator

A partir du modèle de défaut stator décrit à la section 5.2.2, on obtient

une représentation d’état d’ordre 4 de la machine asynchrone (où la vitesse est
une pseudo-entrée mesurée) correspondant à l’identification indirecte. Le vecteur
d’état ainsi que l’entrée et la sortie du système sont exprimés dans le champ
tournant :

140
 5.3. Résultats du diagnostic de la machine asynchrone en boucle fermée

(
˙
X̂(t) = A(ω).X̂(t) + B.û(t)
(5.34)
Ŷ = C.X̂(t) + D.û(t)

avec
′ ′ T
X = ids iqs ϕdr ϕqr : vecteur d’état (5.35)
   
ûds î
û = , Ŷ = ds : entrées et sorties du modèle électrique (5.36)
ûqs îqs

 Rs +Rr Rr ω

− Lf ωs Lf .Lm Lf " #T
 −ω Rs +Rr
− Lf − Lfω Rr  1
0 0 0
 s Lf .Lm  Lf
A= , B = 1
 Rr 0 − LRmr (ωs − ω) 0 Lf
0 0
Rr
0 Rr −(ωs − ω) − Lm
(5.37)

 
1 0 0 0 P3 2η
cck
C= , D= P (−θs )Q(θcck )P (θs ) (5.38)
0 1 0 0 k=1 3Rs

Le modèle de défaut permet la détection et la quantification de spires en

court-circuit à partir des rapports ηcck , et aussi de localiser ce défaut à travers
les angles θcck prédéfinis. Ainsi, on écrit l’expression du vecteur des paramètres à
estimer :

θ = [Rs Rr Lm Lf ηcc1 ηcc2 ηcc3 ]T (5.39)

A partir des estimations de la machine asynchrone saine effectuées précédem-

ment, on obtient les paramètres électriques de référence ainsi que les pondérations
du critère composite JC . Les paramètres de défaut ηcck étant complètement in-
connus, on leur affecte la valeur nulle dans le vecteur θ0 . Ainsi pour toutes les
simulations d’identification, on prend :

141
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

 T
θ0 = 9.7921 5.3079 5.0456 10−01 4.0625 10−02 0 0 0
M0−1 = diag(1/4.587 10−03 , 1/5.241 10−04 , 1/1.451 10−04 , 1/4.588 10−07 , 0 , 0 , 0)
σbb 2 = 0.0413

Dans l’expression de la matrice inverse M0−1 , seuls les paramètres électriques

possèdent une information a priori. Les paramètres de défaut étant totalement
inconnus, cela signifie que leur variance ne peut être qu’infinie, et leur inverse ne
peut donc qu’être nulle.

5.3.3.2 Résultats de simulation

5.3.3.2.1 Détection et localisation

Pour tester notre méthodologie d’identification en boucle fermée dans le cas

de défaut statorique, nous avons envisagé deux situations de défauts statoriques :
court-circuit sur une seule phase et court-circuit sur plusieurs phases au stator.

Les simulations ont été réalisées dans le cadre d’un fonctionnement en ré-
gulation avec une consigne Ωref qui est donc constante et un couple de charge
variable, seule excitation implicite. Nous nous sommes placés dans des conditions
de bruit telles que les bruits des courants {ids , iqs } sont fortement corrélés et avec
le rapport S/B = 20 dans le champ tournant. Le bruit de vitesse est un bruit
blanc de rapport S/B = 30.

Les procédures de diagnostic par approche directe et approche indirecte ont

été appliquées sur les cas suivants :

– cas 1 : Court-circuit de 18 spires sur la phase c du stator,

– cas 2 : Court-circuit de 58 spires sur la phase a et 29 spires sur la phase b.

Remarque
Pour plus de clarté, nous remplacerons directement les rapports de court-circuit
ηcck par le nombre de spires en court-circuit ncck correspondant. Chaque phase
ayant 464 spires, le nombre de spires en court-circuit sur la k ème phase est obtenu

142
 5.3. Résultats du diagnostic de la machine asynchrone en boucle fermée

conformément à la relation :

ncck = ηcck · ns = ηcck · 464

9.8 5.31
60 30
9.798
R 40 20
9.796 s
Rr
5.305 ncc n
1 cc
9.794 2
20 10
9.792
9.79 5.3 0 0
10 20 10 20 10 20 10 20

0.0408 4
0.5
0.0406 3
0.498
L n
m
0.0404 L 2 cc
0.496 f 3

0.494 0.0402 1

0.492 0.04 0
10 20 10 20 10 20

Fig. 5.4 – Évolution des paramètres pour un court-circuit de 58 spires sur la

phase a et 29 spires sur la phase b

u iqs
qs

200
10

150
5

simulation
100 0
2 2.5 3 3.5 2
estimation 2.5 3 3.5

ε ε
uqs iqs

5 1

0 0

−5 −1

2 2.5 3 3.5 2 2.5 3 3.5

Fig. 5.5 – Comparaison des courants et des tensions simulés et estimés pour un
court-circuit de 58 spires sur la phase a et 29 spires sur la phase b d’axe q de Park

143
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

A titre d’illustration, il est intéressant de présenter l’évolution des paramètres

estimés lors de la procédure d’identification indirecte. Comme le montre la figure
5.4, seul le nombre de spires en court-circuit estimé explique le défaut.

En effet, au cours de la procédure d’identification, les paramètres électriques

de la machine asynchrone restent quasiment figés sur l’optimum (en raison de
l’information a priori θ0 pondérée par M0 ) alors que les rapports de court-circuit
évoluent librement pour approcher le défaut réel.

La figure 5.5 représente la comparaison entre les courants et les tensions simu-
lés et estimés dans le repère du champ tournant (correspondant à l’identification
par approche indirecte).

5.3.3.2.2 Comparaison de résultats d’identification par approche di-

recte et approche indirecte

Sur une moyenne de dix simulations, on obtient les valeurs des estimations des
paramètres avec information a priori de la machine asynchrone . Les algorithmes
directs et indirects avec correcteur réel et correcteur équivalent surparamétrisé
sont comparés grâce à cette simulation stochastique.

Les tableaux 5.1et 5.2 montrent les résultats d’estimation paramétrique, por-
tant sur une moyenne de dix simulations pour les deux cas de défauts statoriques.
Ainsi, nous présentons la moyenne de chaque paramètre identifié avec une marge
d’erreur égale à ± 3 fois l’écart type (de la distribution de Monte Carlo).

D’après les résultats obtenus, l’approche paramétrique conduit, en moyenne,

à une estimation satisfaisante du nombre de spires en court-circuit ncck provoqué
sur les phases en défaut. L’erreur d’estimation, pour les deux cas de l’identification
indirecte (I.I.C.R et I.I.C.S), est négligeable et ne dépasse pas 3 spires sur les
phases en défaut.

Cependant, on note pour l’identification directe que l’estimation du taux de

défaut sur ces phases pour l’ensemble des simulations, présente une erreur deux
fois plus importante que celle par l’identification indirecte.

On remarque aussi, que l’estimation de ncck sur les phases sans défaut est très
proche de zéro pour l’identification indirecte, alors que ce paramètre présente un
défaut de quelques spires par l’identification directe.

144
 5.3. Résultats du diagnostic de la machine asynchrone en boucle fermée

θ̂ I.D I.I.C.R I.I.C.S.3

9.8805 10+00 9.7922 10+00 9.7916 10+00
Rs
±6.5227 10−02 ±6.3468 10−04 ±3.8940 10−03
5.3095 10+00 5.3079 10+00 5.3079 10+00
Rr
±2.1505 10−03 ±1.7846 10−04 ±1.7272 10−04
4.9335 10−01 4.9377 10−01 4.8378 10−01
Lm
±1.3655 10−03 ±1.5807 10−05 ±4.8890 10−05
3.8835 10−02 4.0627 10−02 4.0617 10−02
Lf
±4.1246 10−04 ±4.7647 10−05 ±5.5365 10−05
4.0613 10−01 3.3300 10−02 6.2600 10−02
ncc1
±9.0310 10−01 ±1.3589 10−01 ±1.2687 10−01
5.6011 10−01 5.6080 10−02 4.8280 10−02
ncc2
±1.4981 10+00 ±8.9889 10−02 ±1.1701 10−01
1.8542 10+01 1.7787 10+01 1.8362 10+01
ncc3
±2.0072 10+00 ±1.5294 10+00 ±1.3850 10+00

Tab. 5.1 – Résultats d’estimation paramétrique pour un court-circuit de 18 spires

sur la phase c

θ̂ I.D I.I.C.R I.I.C.S.3

9.9161 10+00 9.7956 10+00 9.7928 10+00
Rs
±1.7852 10−01 ±1.4397 10−03 ±5.0967 10−03
5.3104 10+00 5.3080 10+00 5.3080 10+00
Rr
±3.3186 10−03 ±3.9225 10−04 ±3.0718 10−04
4.9265 10−01 4.9208 10−01 4.8375 10−01
Lm
±9.3483 10−03 ±1.2194 10−05 ±8.1338 10−05
3.8448 10−02 4.0609 10−02 4.0625 10−02
Lf
±1.1955 10−03 ±1.6937 10−05 ±2.0087 10−05
5.9396 10+01 5.8041 10+01 5.8329 10+01
ncc1
±2.8348 10+00 ±1.9108 10+00 ±2.7581 10+00
2.9443 10+01 2.8868 10+01 2.8907 10+01
ncc2
±2.7111 10+00 ±1.7340 10+00 ±1.8353 10+00
5.5603 10−01 5.9956 10−02 6.3388 10−02
ncc3
±2.1885 10+00 ±1.3732 10−01 ±1.9994 10−01

Tab. 5.2 – Résultats d’identification paramétrique pour un court-circuit de 58

spires sur la phase a et 29 spires sur la phase b

145
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

n
cc
1

−1 −0.5 0 0.5 1 1.5

ID
IICR
n IICS3 n
cc cc
2 3
valeur exacte

−1 0 1 2 16 17 18 19 20 21

Fig. 5.6 – Résultats d’identification paramétrique pour un court-circuit de 18

spires sur la phase c

Une projection des estimations du nombre de spires en court-circuit, pour

les deux cas de défauts statoriques, présentée sur les figures 5.6 et 5.7, permet
de visualiser la bonne correspondance entre les estimations et les valeurs réelles.
En plus, on constate une meilleure estimation et une dispersion plus faible des
résultats pour l’identification indirecte (pour un correcteur parfaitement connu
ou estimé par surparamétrisation).

n
cc
1

54 56 58 60 62 64

ID
IICR
n IICS3 ncc
cc
2 3
valeur exacte

26 28 30 32 −2 −1 0 1 2 3

Fig. 5.7 – Résultats d’identification paramétrique pour un court-circuit de 58

spires sur la phase a et 29 spires sur la phase b

146
 5.3. Résultats du diagnostic de la machine asynchrone en boucle fermée

5.3.4 Diagnostic d’un défaut rotor

5.3.4.1 Modèle de détection

Nous avons présenté à la section 5.2.3 un modèle de défaut rotorique paramé-

tré par les 6 coefficients (Rs , Rr , Lm , Lf , η0 , θ0 ). La représentation d’état du
modèle électrique de la machine, dans le champ tournant, tenant compte de ce
type de défaut est :
(
˙
X̂(t) = A(ω).X̂(t) + B.û(t)
(5.40)
Ŷ = C.X̂(t)

avec
 T
X = ids iqs ϕdr ϕqr : vecteur d’état (5.41)
   
ûds îds
û = , Ŷ = : entrées et sorties du modèle électrique (5.42)
ûqs îqs

"

#
π π
− L−1
f (Rs .I2 + R eq ) + ω s P ( ) L−1
f Req L−1
m − ωP ( )
A= 2 2

Req − Req L−1
m + (ω s − ω)P ( π2 )

" #T  
1
Lf
0 0 0 1 0 0 0 (5.43)
B= 1 , C=
0 Lf
0 0 0 1 0 0
 
α
[Req ] = Rr · I2 + Q(θ0 ))
1−α

θ0 est l’angle de repérage de défaut rotor par rapport au champ tournant. Ainsi,
on écrit l’expression du vecteur des paramètres à estimer :

θ = [Rs Rr Lm Lf η0 θ0 ]T (5.44)

En calculant le nombre de barres cassées nbc correspondant au taux de défaut

sur l’axe de recherche repéré par l’angle θ0 , on peut en déduire plusieurs situa-
tions :

– si le nombre de barres cassées nbc est négligeable, alors le rotor est sain ;

147
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

– si le nombre de barres cassées nbc est proche de l’unité, alors le rotor com-
porte au moins un défaut dans une barre ;
– si nbc > 1, alors le rotor comporte plus d’une barre cassée. On introduit
dans le modèle deux paramètres η01 et η02 correspondant respectivement au
taux de défauts sur deux axes de recherche repérés par les angles θ01 et θ02 .
On définit alors le nouveau vecteur des paramètres à estimer :

θ = [Rs Rr Lm Lf η01 η02 θ01 θ02 ]T (5.45)

On calcule les paramètres nbck correspondant aux taux de défaut sur les
deux barres.
Ce processus est réitéré si nbck > 1.

Remarque
En application industrielle, il est évident que la simple détection d’une barre
cassée est suffisante pour envisager soit le changement du rotor dans le cas des
petites et moyennes puissances, soit sa réparation pour les grandes puissances.
Dans ce cas, le diagnostic sur un seul axe est suffisant pour une maintenance
prédictive de la machine.

5.3.4.2 Résultats de simulation

5.3.4.2.1 Détection et localisation

Nous avons testé la procédure de diagnostic de rupture de barres en boucle

fermée dans les situations suivantes :

– un rotor possédant une seule barre cassée, l’angle de défaut par rapport au
rotor est 4π
28
;
– un rotor avec deux barres cassées successives ∆θ = 2π 28
.
Les simulations ont été réalisées dans le cadre d’une excitation par couple de
charge, seule excitation implicite. Nous nous sommes placés dans des conditions
de bruit telles que les bruits des courants {ids , iqs } sont fortement corrélés et avec
le rapport S/B = 20 dans le champ tournant. Le bruit de vitesse est un bruit
blanc de rapport S/B = 30.

Comme pour les courts-circuits au stator, nous remplaçons directement le pa-

ramètre η0 par le nombre de barres cassées correspondant nbc . Le nombre total

148
 5.3. Résultats du diagnostic de la machine asynchrone en boucle fermée

de barres au rotor est égal à 28 , le nombre de barres cassées est obtenu confor-
mément à la relation :
nb 28
nbc = η0 · = η0 ·
3 3

1 0.6

0.5
0.8

0.4
n0
0.6
θ0
0.3
0.4
0.2

0.2 0.1

0 0
2 4 6 8 10 12 14 2 4 6 8 10 12 14

Fig. 5.8 – Évolution des paramètres de défaut pour une barre cassée

La figure 5.8 représente l’évolution des paramètres lors de la procédure d’iden-

tification indirecte relative à l’essai avec une barre cassée. Pour le même essai, on
représente à la figure 5.9 la comparaison entre le courant réel et le courant estimé
ainsi que la comparaison entre la commande réelle et la commande estimée sur
l’axe q de repère du champ tournant.

Les résidus sur les courants (εids , εiqs ) traduisent les types de bruits introduits
lors de la simulation de la machine asynchrone.

Malgré l’initialisation à zéro du paramètre n0 , le nombre de barres cassées

estimé est proche de l’unité. On peut par ailleurs constater que l’angle de défaut
estimé est très proche de la réalité.

La figure 5.10 représente l’évolution des paramètres lors de la procédure

d’identification indirecte pour deux barres cassées successives.

Les résultats de l’identification font apparaı̂tre l’existence d’une défaillance au

rotor. Il paraı̂t clair d’après la figure 5.10 que le taux de défaut sur un seul axe est
supérieur à l’unité. Par conséquent, le nombre de barres en défaut est supérieur
à une barre.

Dans ce cas particulier où les défauts sont successifs, le nombre de barres
cassées estimé sur un seul axe est approximativement proche de la réalité.

149
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

u i
qs qs
200
8
180
160 6

140 4
120 2
2 2.5 3 3.5 2 2.5 3 3.5

ε ε
iqs uqs

1 5

0 0

−1 −5

2 2.5 3 3.5 2 2.5 3 3.5

Fig. 5.9 – Comparaison des courants et des tensions simulés et estimés pour une
rupture d’une barre

9.802 5.315
9.8 R
9.798 s 5.31 R
r
9.796 5.305
9.794
9.792 5.3
2
9.79
5 10 15 5 10 15
1.5
n
0
0.5015
1
0.04
0.501
Lm L 0.5
f
0.0395
0.5005
0
0.039 5 10 15
0.5
0.0385
5 10 15 5 10 15

Fig. 5.10 – Évolution des paramètres pour un défaut de deux barres cassées

150
 5.3. Résultats du diagnostic de la machine asynchrone en boucle fermée

5.3.4.2.2 Comparaison de résultats d’identification par approche di-

recte et approche indirecte

Sur une moyenne de dix simulations, on obtient les valeurs des estimations des
paramètres avec information a priori de la machine asynchrone. Les algorithmes
directs et indirects avec correcteur réel et correcteur équivalent surparamétrisé
sont comparés grâce à cette simulation stochastique.

Le tableau 5.3 présente les résultats d’identification, dans le cas d’une barre
cassée, pour une moyenne de dix simulations différentes. Ainsi, nous présentons,
la moyenne de chaque paramètre identifié avec une marge d’erreur égale à ± 3
fois l’écart type.

θ̂ I.D I.I.C.R I.I.C.S.3

9.8585 10+00 9.7916 10+00 9.7917 10+00
Rs
6.8541 10−02 2.3263 10−03 2.4996 10−03
5.3047 10+00 5.3079 10+00 5.3078 10+00
Rr
1.3682 10−02 1.2902 10−04 3.4278 10−04
4.9548 10−01 4.8382 10−01 4.8381 10−01
Lm
3.5792 10−03 1.2777 10−04 1.4614 10−04
3.8837 10−02 4.0625 10−02 4.0618 10−02
Lf
5.2716 10−04 7.3050 10−05 4.1435 10−05
1.0171 10+00 1.0313 10+00 1.0215 10+00
n0
1.6797 10−01 8.4558 10−02 8.1024 10−02
4.3736 10−01 4.4219 10−01 4.4622 10−01
θ0
9.0931 10−02 8.6426 10−02 9.1245 10−02

Tab. 5.3 – Résultats d’estimation paramétrique (défaut rotorique)

En premier lieu, on peut remarquer que les paramètres électriques du mode

commun sont peu affectés par le défaut. Leurs variations dans l’ensemble des
situations sont négligeables. En revanche, l’estimation du paramètre nbc indique
la présence d’un déséquilibre au rotor. L’angle θ0 indique la position du défaut
par rapport au rotor. Ainsi, on peut constater la bonne correspondance entre les
estimations et les valeurs réelles. En plus, on remarque une meilleure estimation
et surtout une dispersion plus faible des résultats pour l’identification indirecte
(I.I.C.R et I.I.C.S.3).

151
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

5.3.5 Diagnostic de défauts simultanés stator/rotor

5.3.5.1 Modèle de détection

Nous avons présenté à la section 5.2.4 un modèle global de défauts simultanés

stator/rotor. On définit donc le vecteur des paramètres à estimer :

θ = [Rs Rr Lm Lf ηcc1 ηcc2 ηcc3 η0 θ0 ]T (5.46)

La représentation d’état du modèle électrique de la machine, dans le champ

tournant, tenant compte de ce type de défauts est :
(
˙
X̂(t) = A(ω).X̂(t) + B.û(t)
(5.47)
Ŷ = C.X̂(t) + D.û(t)

avec
′ ′ T
X = ids iqs ϕdr ϕqr : vecteur d’état (5.48)
   
ûds îds
û = , Ŷ = : entrées et sorties du modèle électrique (5.49)
ûqs îqs

"

#
π π
− L−1
f (R .I
s 2 + R eq ) + ω s P ( ) L−1
f R L−1
eq m − ωP ( )
A= 2 2
π


Req m + (ωs − ω)P ( 2 )
− Req L−1

" #T  
1
Lf
0 0 0 1 0 0 0
B= 1 , C=
0 Lf
0 0 0 1 0 0 (5.50)

P3 2η
cck
D= P (−θs )Q(θcck )P (θs )
k=1 3Rs 
α
[Req ] = Rr · I2 + Q(θ0 ))
1−α

5.3.5.2 Résultats de simulation

5.3.5.2.1 Détection et localisation

152
 5.3. Résultats du diagnostic de la machine asynchrone en boucle fermée

Comme précédemment, les simulations ont été réalisées dans le cadre d’une
excitation par couple de charge, seule excitation implicite. Nous nous sommes
placés dans des conditions de bruit telles que les bruits des courants {ids , iqs }
sont fortement corrélés avec le rapport S/B = 20 dans le champ tournant. Le
bruit de vitesse est un bruit blanc de rapport S/B = 30.

Concrètement, on procède d’abord à un essai avec une machine saine. La figure

5.11 présente l’évolution des paramètres de défaut estimés lors de la procédure
d’identification indirecte dans le cas d’une machine saine.

0.1 0.4

0.3
n n
cc cc
0.05 1 0.2 2

0.1

0 0
5 10 15 5 10 15

0.06 0.01

0.04
ncc
3 0.005
0.02 n
bc

0 0
5 10 15 5 10 15

Fig. 5.11 – Évolution des paramètres de défaut dans le cas d’une machine saine
par identification indirecte

On vérifie bien d’après la figure 5.11, qu’en absence de défaut dans la machine
asynchrone et en utilisant le modèle global de défauts comme modèle d’identi-
fication, les paramètres de défaut présentent des taux de défauts négligeables,
signalant donc une absence de défauts.

Pour analyser le comportement du modèle lors de défauts simultanés stator

et rotor, nous effectuons l’essai d’un court-circuit de 29 spires sur la phase as , de
2π
18 spires sur la phase cs et deux barres cassées successives avec ∆θ = .
28
A titre d’illustration, il est intéressant de présenter l’évolution des paramètres
estimés lors de la procédure d’identification indirecte et la procédure d’identifica-
tion directe. L’objectif est en fait de comparer la rapidité de convergence ainsi que
la précision de l’estimation des paramètres pour les deux types d’identification.

153
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

30 6

20 4
ncc
n
1 cc2
10 2

0 0
5 10 15 20 25 5 10 15 20 25

20 2.5

15 2
1.5
10 ncc n
3 1 bc
5 0.5
0 0
5 10 15 20 25 5 10 15 20 25

Fig. 5.12 – Évolution des paramètres pour un court-circuit de 29 spires sur la

phase a, 18 spires sur la phase c et deux barres cassées par identification indirecte

4
30
3 n
cc
2
20
n 2
cc
1
10 1

0 0
2 4 6 8 2 4 6 8

25
2
20
1.5
15
1 n
10 ncc bc
3
5 0.5

0 0
2 4 6 8 2 4 6 8

Fig. 5.13 – Évolution des paramètres pour un court-circuit de 29 spires sur la

phase a, 18 spires sur la phase c et deux barres cassées par identification directe

154
 5.3. Résultats du diagnostic de la machine asynchrone en boucle fermée

Comme le montrent les figures 5.12 et 5.13, le nombre de spires en court-

circuit estimé et le nombre de barres cassées expliquent le défaut. En effet, au
cours de la procédure d’identification, les paramètres électriques de la machine
asynchrone restent quasiment figés sur l’optimum (en raison de l’information a
priori θ0 pondérée par M0 ) alors que les rapports de court-circuit et des barres
cassées évoluent librement pour approcher le défaut réel.

On remarque aussi que l’identification directe nécessite moins d’itérations pour

converger que l’approche indirecte. Mais, en contre partie, l’estimation des pa-
ramètres de défaut par approche indirecte apparaı̂t plus précise que celle par
approche directe.

La figure 5.14 représente la comparaison entre les courants (et les tensions)
simulés et estimés dans le repère du champ tournant dans le cas d’un court-
circuit de 29 spires sur la phase a, 18 spires sur la phase c et deux barres cassées
(correspondant à l’identification par approche indirecte).

uds ids

10 2.5

0 2
−10
1.5
−20
−30 1
1.5 2 2.5 3 3.5 1.5 2 2.5 3 3.5

u simulation i
qs qs
200 10
estimation
180 8
160 6
140
4
120
2
1.5 2 2.5 3 1.5 2 2.5 3 3.5

Fig. 5.14 – Comparaison des courants (et tensions) simulés et estimés pour un
court-circuit de 29 spires sur la phase a, 18 spires sur la phase c et deux barres
cassées

5.3.5.2.2 Comparaison de résultats d’identification par approche di-

recte et approche indirecte

155
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

Comme précédemment, la stratégie de diagnostic de la machine asynchrone

consiste à effectuer plusieurs estimations des paramètres du modèle de défaut glo-
bal. La moyenne des estimations des paramètres ηcck indique le nombre de spires
en court-circuit sur chacune des trois phases et le paramètre η0 permet d’obtenir
le nombre de barres cassées au rotor conformément à :

– nombre de spire en défaut sur la k ème phase : n̂cck = ηcck · ns ;

η̂0 nb
– nombre de barres cassées au rotor : n̂bc = .
3
θ̂ I.D I.I.C.R I.I.C.S.3
+00 +00
9.8895 10 9.7927 10 9.7930 10+00
Rs
±6.4223 10−02 ±1.8141 10−03 ±2.5298 10−03
5.3102 10+00 5.3079 10+00 5.3080 10+00
Rr
±1.9567 10−03 ±9.9975 10−05 ±1.6172 10−04
4.9116 10−01 4.8377 10−01 4.8377 10−01
Lm
±1.2460 10 −03
±6.0462 10 −05
±9.3287 10−05
3.8601 10−02 4.0629 10−02 4.0634 10−02
Lf
±1.7313 10−04 ±2.3874 10−05 ±1.5670 10−05
2.9854 10+01 2.8626 10+01 2.8248 10+01
ncc1
±2.9300 10+00 ±2.1003 10+00 ±2.2901 10+00
4.9395 10−01 1.2838 10−01 1.2619 10−01
ncc2
±8.5083 10 −01
±2.3694 10 −01
±1.6647 10−01
1.9054 10+01 1.8267 10+01 1.8001 10+01
ncc3 +00
±1.9662 10 ±5.7173 10 −01
±9.5223 10−01
2.1043 10+00 2.0459 10+00 2.0504 10+00
n0
±1.9851 10−01 ±3.3049 10−01 ±2.3863 10−01

Tab. 5.4 – Résultats d’estimation paramétrique (défauts simultanés)

Le tableau 5.4 résume les résultats de l’estimation paramétrique pour l’en-

semble des simulations. Les résultats obtenus montrent la concordance entre les
paramètres estimés et les paramètres réels du défaut (une erreur maximale de
3 spires pour l’identification indirecte sur les phases en défaut et de plus que 5
spires pour l’identification directe). On peut aussi remarquer que les paramètres
électriques de la machine ne sont pas affectés par l’introduction des différents
défauts sur la machine. Seuls les paramètres de défaut varient en fonction de
l’origine du déséquilibre.

En conclusion, l’algorithme d’identification paramétrique avec information a

priori est robuste face à des défauts simultanés stator/rotor. On peut aussi consta-
ter que l’estimation des paramètres par approche indirecte présente de bons ré-

156
 5.4. Conclusion

sultats en simulation qui donnent une image très réaliste du déséquilibre présent
dans la machine.

Une projection des estimations du nombre de spires en court-circuit et du

nombre des barres cassées, présentée sur la figure 5.15, permet de visualiser la
bonne correspondance entre les estimations et les valeurs réelles. En plus, on
constate une meilleure estimation et une dispersion plus faible des résultats pour
l’identification indirecte. On peut remarquer qu’avec cette approche, l’estimation
des défauts est mieux centrée que l’approche directe. De plus, la variance des
estimations est plus faible. L’intérêt de cette variance plus faible est manifeste en
absence de défaut : alors que l’approche directe laisse subsister un doute sur ncc2
(figure 5.15).

Comme les estimations par approche indirecte fournissent une dispersion né-
gligeable au tour de la valeur zéro, on peut en déduire que cette approche permet
de réduire le taux de fausses-alarmes.

n n
cc cc
1 2

26 28 30 32 34 −1 −0.5 0 0.5 1 1.5

ID
IICR
IICS3
valeur exacte

ncc nbc
3

16 18 20 22 1.8 2 2.2 2.4

Fig. 5.15 – Résultats d’estimation paramétrique (défauts simultanés)

5.4 Conclusion

Dans ce chapitre, nous avons proposé une procédure de détection et de loca-

lisation des défauts sur la machine asynchrone basée sur l’identification paramé-
trique par approche indirecte et sur l’utilisation de modèles dédiés aux défauts
statoriques et rotoriques.

157
Chapitre 5. Diagnostic de la machine asynchrone par approche indirecte

Cette procédure de diagnostic en boucle fermée a été validée en simulation, en

utilisant une excitation implicite due aux variations du couple de charge. Elle a
permis d’une part, la localisation au stator de spires en court-circuit sur plusieurs
phases et la détermination de leur nombre, et d’autre part, de quantifier le nombre
de barres cassées au rotor.

Ce dernier chapitre apporte une réponse à nos interrogations initiales exposées

dans l’introduction générale :

– l’excitation du modèle électrique par couple de charge est-elle suffisamment

riche pour satisfaire aux objectifs d’identification ?
– est-il possible d’améliorer la détection de défauts en prenant en compte ex-
plicitement la nature bouclée du fonctionnement de la machine asynchrone ?
Concernant l’excitation par le couple de charge, toutes les études en simula-
tion, que ce soit sur la machine à courant continu ou la machine asynchrone ont
montré sa pertinence. Par ailleurs, son utilisation n’induit pas de biais spécifique à
condition bien évidemment d’utiliser un algorithme d’identification par approche
indirecte.

Concernant l’amélioration de la détection de défauts stator et rotor, l’approche

indirecte semble apporter une meilleure précision d’estimation de nature à lever
des doutes (principalement en absence de défauts) et surtout une absence de
biais asymptotique, caractéristique essentielle de l’approche directe. Toutefois,
il faut reconnaı̂tre que l’approche indirecte converge nettement plus lentement
que son homologue directe : une solution à ce problème pratique serait d’utiliser
l’approche directe pour initialiser l’approche indirecte.

158
 Conclusion générale

Dans l’introduction générale, nous nous sommes donné fondamentalement

pour objectif l’amélioration du diagnostic par estimation paramétrique de la ma-
chine asynchrone. Pour cela, nous avons défini deux voies de recherche, l’une
concernant un mode d’excitation acceptable par l’utilisateur grâce aux pertur-
bations induites par les variations du couple de charge, l’autre dédiée à l’iden-
tification de la machine asynchrone par une méthodologie prenant en compte
explicitement l’algorithme de commande de la boucle fermée. Cependant, avant
d’aboutir à cet objectif final, il nous a semblé judicieux de définir des étapes inter-
médiaires pour la mise au point d’une méthodologie générale d’identification en
boucle fermée de la machine asynchrone, utilisable pour le diagnostic, mais aussi
dans toute autre application nécessitant une estimation paramétrique, telle que la
modélisation physique de la machine, la synthèse d’un algorithme de commande,
etc. D’autre part, toute cette étude a été validée en simulation numérique, grâce
à la mise au point d’une plate-forme de simulation.

Dans le premier chapitre, nous avons présenté quelques rappels sur la consti-
tution de la machine asynchrone ainsi que sur sa commande par contrôle vectoriel
à flux rotorique orienté. Nous nous sommes volontairement attardés sur le mo-
dèle triphasé et le modèle de Park de la machine pour déterminer les modèles
(dédiés à l’identification directe et l’identification indirecte) qui sont à la base
de la procédure de diagnostic par estimation paramétrique. Nous avons aussi dé-
crit un simulateur numérique de la machine asynchrone, incluant son algorithme
de commande, chargé de générer des données de validation pour les algorithmes
d’identification.

Nous avons consacré le deuxième chapitre à la présentation de différentes mé-

thodes d’identification en boucle fermée, classées en trois approches suivant leurs
hypothèses d’utilisation : l’approche directe, l’approche simultanée et l’approche
indirecte. Une attention particulière a été portée à l’identification indirecte par

159
Conclusion générale

erreur de sortie qui fait l’objet de ce mémoire. Cette méthode a été évaluée en
simulation, ce qui a permis d’effectuer une première quantification de ses perfor-
mances. Le principal intérêt de cette méthode réside dans la non connaissance a
priori du correcteur. La procédure d’identification du correcteur par surparamé-
trisation semble bien adaptée à une situation industrielle, car elle ne nécessite ni
la connaissance des paramètres, ni la structure exacte du correcteur.

Dans le troisième chapitre, nous avons proposé une méthode d’identification

en boucle fermée de la machine à courant continu basée sur l’approche indirecte.
En effet, le choix de la machine à courant continu nous a paru judicieux comme
plateforme de test de notre approche avec une complexité limitée. Le principal
intérêt de cette méthodologie d’identification réside dans la non connaissance a
priori du correcteur. La commande réalisée est du type cascade avec correcteurs
imbriqués : dans ce cas, la technique de surparamétrisation nous semble un moyen
permettant de contourner cette difficulté. Par ailleurs cette technique d’identifi-
cation peut fonctionner en n’utilisant que l’excitation implicite causée par les
variations du couple de charge. Une comparaison des résultats d’identification
par approche directe et par approche indirecte montre que les résultats d’iden-
tification sont globalement satisfaisants en approche indirecte (en utilisant la
structure exacte du correcteur ou la structure surparamétrisée), alors qu’un biais
asymptotique dépendant de la nature et de la variance du bruit se manifeste en
approche directe. Nous avons constaté aussi que l’identification directe présente
une variance plus importante sur les paramètres que l’approche indirecte.

On s’est intéressé dans le quatrième chapitre à l’application de cette méthode

au cas de la machine asynchrone. Plusieurs problèmes ont été soulevés : dans le
cas de la MCC, on ne se pose pas la question du repère car il n’y en a qu’un
de possible, celui du champ tournant, alors que le fonctionnement de la machine
asynchrone peut être analysé dans trois repères principaux : repère lié au stator,
repère lié au rotor et repère lié au champ tournant. Un autre problème concerne
le correcteur équivalent à la commande vectorielle : alors qu’il est uniquement
cascade dans le cas de la MCC, il est cascade, multivariable et non linéaire pour
la machine asynchrone. On choisit habituellement le repère lié au rotor de la ma-
chine asynchrone pour l’identification directe car c’est celui qui nécessite le moins
de transformations/estimations. Comme on veut procéder à une identification in-
directe prenant en compte les correcteurs, on est obligé de se placer dans le repère
du champ tournant. En effet, la commande et les correcteurs ont été conçus dans
le repère du champ tournant (comme pour une MCC) afin d’asservir le flux et le
couple : il est donc impératif de se référer au champ tournant. Malheureusement,

160
la position du champ tournant n’est pas connue et elle doit nécessairement être
estimée : l’identification en boucle fermée de la machine asynchrone est donc net-
tement plus complexe et plus délicate que celle de la MCC. L’étude comparative
en simulation numérique a montré que le biais asymptotique sur l’estimation des
paramètres électriques est quasi inexistant pour l’approche indirecte alors qu’il
dépend nettement de la nature et de la variance des bruits sur les courants pour
l’approche directe. Par ailleurs, nous avons vérifié que l’excitation par couple
de charge s’avère satisfaisante et suffisante, tout en garantissant une meilleure
précision pour l’approche indirecte.

Le cinquième chapitre est dédié au diagnostic de la machine asynchrone par

estimation paramétrique grâce à l’approche indirecte. Il constitue la réponse es-
sentielle à notre interrogation initiale exposée dans l’introduction générale. Cette
méthodologie de détection de défauts repose fondamentalement sur la définition
de modèles dédiés aux défauts [Bachir, 2002]. Le premier modèle permet d’ex-
pliquer un court-circuit sur plusieurs phases statoriques, le second tient compte
du déséquilibre au rotor du type rupture de barres. Enfin, l’association de ces
deux modèles avec le modèle nominal˝a permis de définir un modèle global en
situation de défauts simultanés stator/rotor, pour une surveillance généralisée de
la machine asynchrone à cage. Là encore, les études comparatives effectuées en
simulation numérique ont montré que l’approche indirecte permet une améliora-
tion de la détection de défauts, qu’ils soient au stator, au rotor, ou simultanés, en
permettant de rejeter la présomption de défauts en fonctionnement sain, et cela
grâce à la seule excitation créée par les variations du couple de charge. Il faut ce-
pendant constater un accroissement net du temps de convergence de l’algorithme
en approche indirecte.

Bien que des réponses aient été apportées à nos interrogations initiales, notre
travail est cependant loin d’être achevé, et cela pour plusieurs raisons. La première
concerne la validation expérimentale de notre méthodologie : il devient essentiel
de vérifier les résultats d’identification par approche indirecte sur une application
réelle. En effet, bien que la simulation numérique ait été conçue dans un souci
de réalisme, il devient indispensable de vérifier certaines hypothèses relatives aux
bruits, sur les courants et sur la vitesse. D’autre part, un point névralgique pour
l’utilisation du repère du champ tournant concerne l’estimation de sa position :
il sera donc très instructif d’analyser son influence sur l’identification indirecte
en situation réelle. Enfin, bien que les correcteurs aient été envisagés avec des
compensations non linéaires, il va être fondamental de tester la méthodologie
avec des correcteurs réellement implantés sur calculateur.

161
Conclusion générale

Nous avons signalé qu’un bruit sur la vitesse induisait un biais asymptotique
qu’il n’est pas possible de rejeter par approche indirecte, cela car la vitesse est
considérée comme une pseudo-entrée. Ce point là va mériter une attention particu-
lière en situation expérimentale, afin de quantifier l’influence de cette contrainte.
Une piste de recherche peut aussi concerner la prise en compte d’un modèle élec-
tromécanique complet (annexe C), pour éviter la contrainte de la pseudo-entrée
vitesse. Mais bien sûr, cela repousse le problème sur la connaissance du couple
de charge ou de son estimation.

Enfin, on peut donner comme objectif plus général l’analyse des erreurs de
modélisation de la machine asynchrone comme voie d’amélioration du diagnos-
tic. A cet effet, la modélisation des barres rotoriques par de simples résistances
n’est pas de nature à prendre en compte les effets de fréquence dus aux cou-
rants de Foucault : leur modélisation par approche fractionnaire semble donc une
piste pertinente d’amélioration du diagnostic, au prix cependant d’un surcroı̂t de
complexité.

162
 Annexe A

Biais de l’estimateur

A.1 Algorithme à erreur de sortie

Le vecteur paramètre θ est réactualisé par l’algorithme de Gauss-Newton de

la manière suivante :

′′ −1
θi+1 = θi − {[Jθθ ] · Jθ′ } θ̂=θi (A.1)

avec :
′ P
K
– J θ = −2 εk σ k : Le gradient,
k=1
′′ P
K
– Jθθ = 2 σ k σ Tk : Le pseudo-hessien,
k=1
– εk = yk + bk − ŷk (θ̂) : le résidu,
– ŷk (θ̂) : le modèle simulé grâce à la connaissance de l’excitation {uk } et de
l’estimation θ̂ des paramètres du système.

A.2 Hypothèse déterministe

On suppose dans un premier temps que la sortie n’est pas bruitée, c’est-à-dire
que le bruit de sortie bk = 0 quel que soit k.

On fait par ailleurs l’hypothèse que θex est la valeur exacte des paramètres et
que l’on connaı̂t parfaitement l’ordre du système.

163
Annexe A. Biais de l’estimateur

Alors ŷk (θex ) = yk pour {bk = 0 ∀k} et pour des conditions initiales nulles.

Initialisons l’algorithme de Gauss-Newton à θi = θex .

Alors

εk = yk − ŷk (θ̂ ex ) = 0 ∀k

donc
K
X K
X
′
J θ = −2 εk σ k = −2 0 · σk = 0
k=1 k=1

alors

θi+1 = θex − 0 = θex

En absence de bruit de sortie, l’algorithme converge vers θex (minimum ab-

solu).

A.3 Hypothèse stochastique

Soit bk un bruit de sortie quelconque (blanc ou corrélé) mais de moyenne nulle.

Alors lorsque θ̂ = θex , εk = bk . Dans ce cas, le gradient ne peut plus s’annuler
pour θex et il apparaı̂t une erreur d’estimation (pour un nombre fini K de points
de mesure).
Remarquons que :
 −1  K 
′′ −1
P
K P
[Jθθ ] · J ′θ =− 2 σ k σ tk
· 2 εk σ k
k=1 k=1
 −1   (A.2)
2 PK
t 2 PK
=− σ σ · εk σ k
K k=1 k k K k=1

164
 A.3. Hypothèse stochastique

Alors

1 P
K
lim σ k σ tk = E {σ k σ tk }
K→∞ K k=1
et (A.3)
1 P
K
lim εk σ k = E {εk σ k }
K→∞ K k=1

Soit
n o
E {εk σ k } = E (yk + bk − ŷk (θ̂))σ k
n o
= E (yk − ŷk (θ̂))σ k + E {bk σ k }

n   o
Lorsque θ̂ = θex , E yk − ŷk θ̂ σ k = 0.
Alors
  −1
θi+1 = θi + E σ k σ tk · E {εk σ k }

Soit θi = θex
alors ǫk = bk et
−1
θi+1 = θ ex + [E {σ k σ tk }] · E {bk σ k }
(A.4)
= θ ex + ∆θ ∞ (lorsque K → ∞)

Plusieurs situations sont envisageables :

– Identification en boucle ouverte

– Identification directe en boucle fermée
– Identification indirecte en boucle fermée

165
Annexe A. Biais de l’estimateur

A.3.1 Identification en boucle ouverte

bk yk∗
yk +
Système
+
uk

ŷk (θ̂)
Modèle

σk

Fig. A.1 – Identification en boucle ouverte

Les fonctions de sensibilité σ k sont calculées à partir de uk (indépendant du

bruit bk ) et ne sont donc pas corrélées avec bk .
Soit

E {σ k bk } = σ k E {bk } = 0

alors △θ∞ = 0
donc θi+1 = θex lorsque K → ∞, en identification boucle ouverte, l’algorithme
converge vers θex , quelle que soit la nature du bruit (de moyenne nulle).

A.3.2 Identification en boucle boucle fermée par approche

directe

yk∗
bk
rk +- Système
+
Correcteur
+
uk

ŷk (θ̂)
Modèle

σk

Fig. A.2 – Identification en boucle fermée par approche directe

166
 A.3. Hypothèse stochastique

Dans ce cas σ k est calculé à partir de uk , qui lui même est calculé (via le
correcteur) à partir de bk . Donc σ k est corrélé avec bk et E {σ k bk } 6= 0 donc
△θ∞ 6= 0 ce qui induit un biais asymptotique. C’est-à-dire que l’algorithme de
Gauss-Newton ne peut plus converger vers θex (lorsque K → ∞).

Remarque
En situation boucle fermée et en identification indirecte, lorsque bk est un bruit
blanc, uk n’est pas corrélé avec bk , mais avec bk−1 ,bk−2 , . . .à cause du retard
inhérent au correcteur numérique. Alors E {σ k bk } = 0 malgré le bouclage.

A.3.3 Identification en boucle boucle fermée par approche

indirecte

bk
rk +- uk yk∗
Correcteur Système
++

- ûk ŷk (θ̂)

+ Correcteur Modèle

σ ∗k

Fig. A.3 – Identification en boucle fermée par approche indirecte

ûk est une entrée reconstruite, obtenue par simulation. Dans ce cas σ ∗k est
calculé à partir de ûk , lui même est calculé à partir de rk et ŷk (θ̂), sans que le
bruit bk intervienne dans la boucle.
Alors σ ∗k est indépendant de bk donc E {σ ∗k bk } = 0 et △θ∞ = 0

L’algorithme de Gauss-Newton peut alors reconverger vers θex , lorsque σ ∗k est

calculé à partir d’une deuxième boucle fermée, indépendante de bk .

167
Annexe A. Biais de l’estimateur

168
 Annexe B

Relations linéaires entre

moments discrets et paramètres
du correcteur

Les relations établies dans cette annexe sont tirées de [Trigeassou, 1987] et
[Grospeaud, 2000].

B.1 Cas d’un correcteur sans intégrateur

Soit
r0 + r1 z −1 + · · · + rm z −m
C(z) = (B.1)
1 + s1 z −1 + · · · + sn z −n

Nous avons défini dans le chapitre 2 le principe des moments discrets comme
étant le développement de C(z) en série de Taylor au voisinage de z −1 = 1. On
obtient :
X
∞
(z −1 − 1)n
Z {ck } = C(z) = Cn (B.2)
n=0
n!

169
Annexe B. Relations linéaires entre moments discrets et paramètres du correcteur

où
X
∞
k!
Cn = Ank ck avec Ank = (B.3)
k=n
(k − n)!

Cn (ck ) est le moment discret d’ordre n de {ck }.

P
∞
un
La série C (c )
n! n k
est entièrement définie dans son domaine de convergence.
n=0
Par ailleurs, les moments discrets Cn sont parfaitement définis dans le cas d’un
système stable.

Soient les polynômes β(u) et α(u) correspondant respectivement au numéra-

teur et au dénominateur du correcteur C(z) obtenus en remplaçant la variable
(z −1 − 1) par la variable u et en développant les expressions en série de Taylor
selon la forme précédente.

Soit


 P
M
 β(u) = un βn
n=0
(B.4)

 P
N
 α(u) = un αn
n=0

où

 P
M

 βn = Ank rk et Ank = k!
n!(k−n)!
k=n
(B.5)

 P
N
 αn = Ank sk
k=n

β(u)
D’après les relations (B.4) et (B.5), et comme C(u) = α(u)
, on obtient alors
l’égalité suivante :

P
M
un βn N
X
n=0 un
C(u) = = Cn (ck ) (B.6)
PN n!
un αn n=0
n=0

Les moments discrets Cn (ck ) recherchés peuvent donc être calculés par division

170
 B.2. Cas d’un correcteur avec un intégrateur

polynomiale ou par convolution discrète. Ils sont solution du système linéaire

triangulaire.

β0 = α0 C0
β1 = α1 C0 + α0 C1
1
β2 = α2 C0 + α1 C1 + α0 C2
2!
..
.
(B.7)
P 1
n=i
βi = αi−n Cn
n=0 n!
..
.
1 1
βN = αN C0 + αN −1 C1 + αN −2 C2 + · · · + α0 CN
2! n!

Les moments Cn sont obtenus successivement à partir des relations récurrentes

suivantes

C0 = 0!β0 /α0
C1 = 1! [β1 − α1 C0 ] /α0
C2 = 2! [β2 − α2 C0 − α1 C1 ] /α0
..
.  
P 1
n−1
Cn = n! βn − Ci αn−i /α0
i=0 i!
..
.  
1 1
CN = N! βN − αN C0 − αN −1 C1 − αN −2 C2 − · · · − α1 CN −1 /α0
2! (n − 1)!
(B.8)

B.2 Cas d’un correcteur avec un intégrateur

Lorsque le correcteur possède une intégration, le calcul des moments diffère

du cas précédent.
Soit

1 X un
∞
C(u) = − Cn (B.9)
u n=0 n!

171
Annexe B. Relations linéaires entre moments discrets et paramètres du correcteur

On obtient alors l’égalité suivante :

P
M
un βn N
n=0 1 X un
C(u) = =− Cn (ck ) (B.10)
PN u n=0 n!
un αn
n=0

Les moments discrets Cn recherchés peuvent donc être calculés par division
polynomiale ou par convolution discrète. Ils sont obtenus à partir des relations
récurrentes suivantes :

C0 = 0!−β0 /α1
C1 = 1! [−β1 − α2 C0 ] /α1
C2 = 2! [−β2 − α3 C0 − α2 C1 ] /α1 
1
C3 = 3! −β3 − α4 C0 − α3 C1 − α2 C2 /α1
2!
..
. (B.11)
 
P 1
n−1
Cn = n! −βn − Ci αn+1−i /α1
i=0 i!
..
.  
1 1
CN = N! −βN − αN C1 − αN −1 C2 − · · · − α2 CN −1 /α1
2! (n − 1)!

172
 Annexe C

Identification de la machine à
courant continu

R
u ω
L
Cr

Fig. C.1 – Machine à courant continu (MCC)

Le modèle électromécanique de la MCC se subdivise en deux modèles :

Un modèle électrique

di
u=R·i+L· +k·φ·ω (C.1)
dt

173
Annexe C. Identification de la machine à courant continu

Un modèle mécanique

dω
J· = k · φ · i − Cr − f · ω (C.2)
dt
Pour une MCC à aimants parmanents, le flux φ est constant et on introduit
le paramètre K telque K = k · φ. Dans ces équations, u et i sont les grandeurs
électriques relatives au rotor, tandis que ω et Cr sont les grandeurs mécaniques
relatives à la dynamique de rotation.

Les variables u, i et ω sont des grandeurs facilement mesurables ; par contre, le

couple résistant Cr n’est que très rarement mesuré, voire jamais dans la pratique
industrielle.

Du point de vue de la causalité, les variables u et Cr sont des variables qui

agissent sur le rotor et sa dynamique de rotation : ce sont donc des entrées ou
des excitations dans une formulation automaticienne.

Les variables i et ω résultent de l’action de ces variables d’excitation : ce sont

donc des sorties ou des réponses à ces excitations.

On peut donc schématiser la MCC par le système à 2 entrées / 2 sorties

caractérisé par les paramètres {R , L , K , J , f }

Cr ω
T
θ = [R L K J f ]
u i

Fig. C.2 – Les entrées / sorties de la MCC

On peut donc formuler le problème de l’identification du modèle de la MCC

selon : estimer les paramètres θ grâce aux mesures {u , Cr , ω , i} .

Comme on l’a dit précédemment, la variable Cr n’est pas mesurée et le modèle

électromécanique ne peut donc pas être identifié directement dans sa globabilité.

Un solution triviale consiste à supposer que la MCC fonctionne à vide : alors

Cr = 0 et le modèle global est théoriquement identifiable.

174
 On notera néanmoins que Cr n’est jamais identiquement nul et qu’il subiste
un couple de frottement sec inconnu : l’identification n’est donc pas possible en
pratique, sauf si on fait l’hypothèse que ce couple est constant et qu’on l’assimile
à une composante continue que l’on va aussi identifier.

Lorsque le couple de charge est proportionnel à la vitesse ou à son carré

(Cr = αω ou Cr = βω 2) le modèle redevient identifiable : les coefficients α et
β ne sont alors rien d’autres qu’une généralisation du coefficient de frottement
visqueux f .

Cependant, en pratique industrielle, le couple de charge doit être considéré

comme une grandeur non mesurée inhérente au fonctionnement de la machine,
que l’on considère comme une grandeur de perturbation dans une approche au-
tomaticienne, et dont on rejette l’influence grâce à un asservissement ou une
régulation.

Aussi, il est plus simple de réaliser l’identification de la MCC en s’appuyant

sur les particularités de ses modèles électrique et mécanique.

Le modèle mécanique fait explicitement appel à l’excitation Cr : on identi-

fie alors les paramètres mécaniques J et f grâce à des essais de ralentissement
conventionnels, lesquels essais sont nécessairement hors ligne.

Le modèle électrique ne fait pas explicitement appel à l’excitation Cr : il

peut donc être identifié grâce aux mesures u, i et ω , en considérant u comme
une entrée, i comme une sortie et ω comme une entrée (ou plutôt comme une
pseudo-entrée).

Soit
di
u−k·φ·ω =R·i+L· (C.3)
dt

u est une véritable entrée, vérifiant le principe de causalité ; par contre ω est
une sortie d’un point de vue causal. En considérant que ω est une variable d’ex-
citation, on viole donc le principe de causalité, mais on rend le modèle électrique
identifiable.

Comme ce modèle ne fait pas intervenir explicitement Cr , il peut être utilisé

en charge, et à couple de charge variable.

175
Annexe C. Identification de la machine à courant continu

Dans un fonctionnement en boucle ouverte, u est constant : en régime perma-

nent, Cr = cte donc i et ω sont constants. Lorsque Cr varie, le courant absorbé
par le rotor i et sa vitesse ω varient (figure C.3), conformément à l’équation
mécanique (C.2), tout en vérifiant l’équation électrique (C.1) (ou (C.3)).

Courant i Vitesse ω
6.5 90

6 88

5.5 86

5 84
2 2.5 3 3.5 4 2 2.5 3 3.5 4
Couple de charge C
r

0.8
0.6
0.4
0.2
0
−0.2
2 2.5 3 3.5 4

Fig. C.3 – Simulation en boucle ouverte à u = 20 V

Dans l’équation (C.2), ω est la conséquence de l’action de Cr (et du courant

i) tandis que dans l’équation (C.1) i est la conséquence de l’action de la variable
ω (à u = cte), donc en fait de l’action de Cr .

En conclusion, le couple de charge Cr est bien une variable d’entrée pour la

variable de sortie courant, mais implicite et remplacée dans l’équation (C.1) par
la pseudo-entrée ω.

Dans un fonctionnement en boucle fermée du type régulation de vitesse, c’est

la référence de vitesse ωref qui est à présent constante : lorsque le couple de charge
Cr varie, la boucle fermée ramène la vitesse ω à sa consigne ωref en modifiant la
variable de commande u (figure C.4). Mais là encore, la variable de sortie i vérifie
toujours la relation (C.1), dans laquelle u et ω ont subi des variations imposées
par l’asservissement suite à l’action du couple de charge Cr .

En conclusion, le couple de charge Cr est une variable d’excitation de type

implicite et l’équation (C.1) peut être utilisée pour estimer les paramètres élec-
triques de la MCC en considérant la variable ω comme une pseudo-entrée.

176
 Commande u Courant i
22 8

21 6

20 4

19 2
1.5 2 2.5 3 3.5 4 1.5 2 2.5 3 3.5 4

vitesse Couple de charge C

r

95 0.6
90
0.4
85 ωref 0.2
80
ω 0
1.5 2 2.5 3 3.5 4 1.5 2 2.5 3 3.5 4

Fig. C.4 – Simulation en boucle fermée à ωref = 90 rad/s

Remarque
On retrouve la même problématique dans le cas de la machine asynchrone, avec
des équations plus complexes. Comme là encore le couple de charge ne peut pas
être mesuré, on se limite à l’identification du modèle électrique, dans lequel la
vitesse du rotor est considérée comme une pseudo-entrée.

177
Annexe C. Identification de la machine à courant continu

178
 Bibliographie

[Almiah, 1995] Almiah, H. (1995). Modélisation et identification en ligne des

paramètres d’une machine asynchrone saturée en régime statique. Thèse de
doctorat, Université de Poitiers.
[Bachir, 2002] Bachir, S. (2002). Contribution au diagnostic de la machine asyn-
chrone par estimation paramétrique. Thèse de doctorat, Université de Poitiers.
[Bachir et al., 2008] Bachir, S., Bazine, I. B., Poinot, T., Jelassi, K., and Trigeas-
sou, J.-C. (2008). Estimation paramétrique pour le diagnostic des processus :
Application à la bobine à noyau de fer. Journal Européen des Systèmes Auto-
matisés JESA, 42.
[Bachir et al., 2001a] Bachir, S., Tnani, S., Champenois, G., and Saint-Michel,
J. (2001a). Modélisation et diagnostic des ruptures de barres rotoriques par
identification paramétrique. In Electrotechnique du Futur, Nancy, France.
[Bachir et al., 2001b] Bachir, S., Tnani, S., Champenois, G., and Trigeassou, J.-
C. (2001b). Induction motor modeling of broken rotor bars and fault detection
by parameter estimation. In IEEE International SDEMPED’01, Grado, Italie.
[Bachir et al., 2001c] Bachir, S., Tnani, S., Poinot, T., and Trigeassou, J.-C.
(2001c). Stator fault diagnosis in induction machines by parameter estima-
tion. In IEEE International SDEMPED’01, Grado, Italie.
[Bachir et al., 2001d] Bachir, S., Tnani, S., Poinot, T., and Trigeassou, J.-C.
(2001d). Stator fault diagnosis in induction machines by parameter estima-
tion. In IEEE International SDEMPED’01, pages 235–239, Grado, Italie.
[Bachir et al., 2001e] Bachir, S., Tnani, S., Trigeassou, J.-C., and Champenois,
G. (2001e). Diagnosis by parameter estimation of stator and rotor faults oc-
curing in induction machines. In EPE’01, Graz, Autriche.
[Bachir et al., 2002] Bachir, S., Trigeassou, J.-C., Tnani, S., and Cauët, S. (2002).
Diagnostic des défauts statoriques et rotoriques par identification paramétri-
quesans capteur de vitesse. In Conférence Internationale Francophone d’Auto-
matique CIFA’02, pages 447–452, Nantes, France.

179
Bibliographie

[Baghli et al., 1997] Baghli, L., Hein, D., Razik, H., and Rezzoug, A. (1997). Mo-
delling rotor cage induction motors for default detection. In IEEE International
SDEMPED, France.
[Bazine et al., 2005] Bazine, I. B., Bazine, S., Jelassi, K., Trigeassou, J.-C., and
Poinot, T. (2005). Identification of stator fault parameters in induction machine
using the output-error technique. In The second international conference on
Artificial and Computational Intelligencefor Decision, Control and Automation
ACIDCA, Tunisia.
[Bazine et al., 2007] Bazine, I. B., Trigeassou, J.-C., Jelassi, K., and Poinot, T.
(2007). Closed-loop identification of dc motor using the output-error tech-
nique. In Fourth International Multi-Conference on Systems, Signals and De-
vices SSD-07, Hammamet Tunisia.
[Bazine et al., 2008a] Bazine, I. B., Trigeassou, J.-C., Jelassi, K., and Poinot,
T. (2008a). Identification de la machine asynchrone en boucle fermée par
approche indirecte. In Conférence Internationale Francophone d’Automatique
CIFA, Bucarest Romanie.
[Bazine et al., 2008b] Bazine, I. B., Trigeassou, J.-C., Jelassi, K., and Poinot, T.
(2008b). Identification de la machine asynchrone par une méthode o.e basée
sur une décomposition de la boucle fermée. In 5éme Conférence Internationale
JTEA, Hammamet Tunisie.
[Bazine et al., 2006a] Bazine, I. B., Trigeassou, J.-C., Poinot, T., and Jelassi, K.
(2006a). Identification de la machine à courant continu en boucle fermée par
erreur de sortie. In 2éme Journées Identification et Modélisation Expérimentale
JIME, Poitiers France.
[Bazine et al., 2006b] Bazine, I. B., Trigeassou, J.-C., Poinot, T., and Jelassi, K.
(2006b). Identification non biaisée en boucle fermée par erreur de sortie. In
4éme Conférence Internationale JTEA, Hammamet Tunisie.
[Borne et al., 1992] Borne, P., Dauphin-Tanguy, G., Richard, J.-P., Rotella, F.,
and Zambettakis, I. (1992). Modélisation et identification des processus - Tome
2. Editions Technip, Paris.
[Caron and Hautier, 1995] Caron, J.-P. and Hautier, J.-P. (1995). Modélisation
et commande de la machine asynchrone. Editions Technip.
[Chatelain, 1989] Chatelain, J. (1989). Machines électriques. Dunod, USA.
[Chebassier, 1999] Chebassier, J. (1999). Méthodologie pour la conception d’un
système de commande par calculateur. thèse de doctorat, Institut National
Polytechnique, Grenoble.

180
[Chebassier and M’saad, 1997] Chebassier, J. and M’saad, M. (1997). Identifica-
tion indirecte en bouce fermée. In Colloque de Recherche Doctorale AGIS’97,
pages 151–158. Angers, France.
[Chiappa, 1989] Chiappa, C. (1989). Définition et mise en œuvre d’une structure
de commande numérique d’actionneur électrique : Application à la motorisa-
tion d’un robot mobile. Thèse de doctorat, Université de Toulouse.
[Dalmasso, 1985] Dalmasso, J. (1985). Cours d’électronique 1. Machines tour-
nantes à courants alternatifs. Editions Belin.
[den Hof and Schrama, 1993] den Hof, P. V. and Schrama, R. (1993). An indirect
method for transfer function estimation from closed-loop data. Automatica,
29(6) :1523–1527.
[Donkelaar and den Hof, 2000] Donkelaar, E. V. and den Hof, P. V. (2000). Ana-
lysis of closed-loop identification with a tailor-made parametrization. In Euro-
pean Journal of Control, number 6, pages 54–62.
[Durieu et al., 1999] Durieu, C., Loron, L., Sedda, E., and Zein, I. (1999). Fault
detection of an induction motor by set-membership filtering and kalman filte-
ring. In European Control Conference ECC’99, Karlsruhe, Allemagne.
[Faidallah, 1995] Faidallah, A. (1995). Contribution á l’identification et á la com-
mande vectorielle des machines asynchrones. Thèse de doctorat, Université de
Lorraine.
[Forssel and Ljung, 1999] Forssel, U. and Ljung, L. (1999). Closed loop identifi-
cation revisited. Automatica, 10 :149–155.
[Goodwin and Payne, 1977] Goodwin, G.-C. and Payne, R.-L. (1977). Dynamic
system identification : experiment design and data analysis. Math. In Sc and
Engineering, 136.
[Grospeaud, 2000] Grospeaud, O. (2000). Contribution à l’identification en
boucle fermée par erreur de sortie. Thèse de doctorat, Université de Poitiers.
[Grospeaud et al., 1999] Grospeaud, O., Poinot, T., and Trigeassou, J.-C. (1999).
Unbiased identification in closed-loop by an output error technique. In Euro-
pean Control Conference, Germany.
[Grospeaud and Trigeassou, 1999] Grospeaud, O. and Trigeassou, J.-C. (1999).
Identification en boucle fermée par méthode d’erreur de sortie. In Journées
Doctorales d’Automatique, Nancy.
[Grospeaud et al., 2000] Grospeaud, O., Trigeassou, J.-C., and Maamri, N.
(2000). Unbiased identification of a non linear continuous system in closed-
loop. In International Conference on Methods and Models in Automation and
Robotics.

181
Bibliographie

[Gustavsson et al., 1977] Gustavsson, I., Ljung, L., and Söderstrom, T. (1977).
Identification of processes in closed loop - identifiability and accuracy aspects.
Automatica, 13 :59–75.
[Himmelblau, 1972] Himmelblau, D.-M. (1972). Applied non linear programming.
Mc Graw Hill.
[Hof and Schrama, 1995] Hof, P. V. D. and Schrama, R. (1995). Identification
and control-closed loop issues. Automatica, 31 :1751–17705.
[Iserman and Balle, 1997] Iserman, R. and Balle, P. (1997). Trends in the ap-
plication of model-based fault detection and diagnosis of technical process. In
Control Engineering Practice, volume 05, pages 709–719.
[Iserman et al., 1992] Iserman, R., Lachmann, K.-H., and Matko, D. (1992).
Adaptative control systems. Prentice Hall.
[Jelassi, 1991] Jelassi, K. (1991). Positionnement d’une machine asynchrone par
la méthode de flux orienté. Thèse de doctorat, Université de Toulouse.
[Jemni, 1997] Jemni, A. (1997). Estimation paramétrique des systèmes à repré-
sentation continue - Application au génie électrique. Thèse de doctorat, Uni-
versité de Poitiers.
[Kabbaj, 1997] Kabbaj, H. (1997). Identification d’un modèle type circuit pre-
nant en compte les effets de fréquence dans une machine asynchrone à cage
d’écureuil. Thèse de doctorat, INP de Toulouse.
[Landau, 1987] Landau, I. (1987). Identification et commande des systèmes. Edi-
tions Hermès.
[Landau and Karimi, 1997] Landau, I.-D. and Karimi, A. (1997). Recursive al-
gorithms for identification in closed loop : a unified approach and evaluation.
Automatica, 33 :1499–1523.
[Lin et al., 2000] Lin, J., Poinot, T., Trigeassou, J.-C., Kabbaj, H., and Faucher,
J. (2000). Modélisation et identification d’ordre non entier d’une machine asyn-
chrone. In Conférence Internationale Francophone d’Automatique CIFA’00,
Lille, France.
[Ljung, 1987] Ljung, L. (1987). System identification : Theory for the user. Pren-
tice Hall, USA.
[Loron, 1993] Loron, L. (1993). Application of the extended kalman filter to
parameter estimation of induction motors. In EPE’93, volume 05, pages 85–
90, Brighton.
[Marquardt, 1963] Marquardt, D.-W. (1963). An algorithm for least-squares es-
timation of non-linear parameters. Soc. Indust. Appl. Math, 11(2) :431–441.

182
[Mensler, 1999] Mensler, M. (1999). Analyse et étude comparative de méthodes
d’identification des systèmes à représentation continue. Développement d’une
boı̂te à outil logicielle. Thèse de doctorat, Université de Nancy I.
[Moreau, 1999] Moreau, S. (1999). Contribution à la modélisation et à l’estima-
tion paramétrique des machines électriques à courant alternatif : Application
au diagnostic. Thèse de doctorat, Université de Poitiers.
[Oustaloup, 1995] Oustaloup, A. (1995). La dérivation non entière, Théorie, syn-
thèse et applications. Traité des nouvelles technologies, Série Automatique,
Hermès.
[Peterka, 1981] Peterka, V. (1981). Trends and Progress in System Identification,
chapter Bayesian approach to system identification, pages 239–304. Editions
P. Eykhoff, Pergamon, Oxford.
[Poinot, 1996] Poinot, T. (1996). Contribution à l’identification des systèmes :
par la méthode de surparamétrisation ; en traitement des eaux. Thèse de doc-
torat, Université de Poitiers.
[Ragot et al., 1990] Ragot, J., Darouach, M., Maquin, D., and Bloch, G. (1990).
Validation de données et diagnostic. In Traité des nouvelles technologies, Série
diagnostic et maintenance. Editions Hermès.
[Razik, 2000] Razik, H. (2000). La machine à induction : commande et dé-
faillance. PhD thesis, Université Henri Poincaré, Nancy 1, France.
[Retière and Ivanès, 1999] Retière, N. and Ivanès, M. (1999). An introduc-
tion to electric machine modeling by systems of non integer order. applica-
tion to double-cage induction machine. IEEE Trans. on Energy Conversion,
14(4) :1026–1032.
[Richalet, 1991] Richalet, J. (1991). Pratique de l’identification. Editions Hermès.
[Richalet et al., 1971] Richalet, J., Rault, A., and Pouliquen, R. (1971). Identi-
fication des processus par la méthode du modèle. Gordon and Breach.
[Schaeffer, 1999] Schaeffer, E. (1999). Diagnostic des machines asynchrones :
modèles et outils paramètriques dédiés à la simulation et à la détection de
défauts. Thèse de doctorat, Université de Nantes.
[Simani et al., 2003] Simani, S., Funtuzzi, C., and Patton, R.-J. (2003). Model-
based fault diagnosis in dynamic systems using identification techniques. Sprin-
ger verlag London.
[Söderström and Stoica, 1983] Söderström, T. and Stoica, P. (1983). Instrumen-
tal variable methods for system identification. Springer Verlag, Berlin.

183
Bibliographie

[Söderström et al., 1987] Söderström, T., Stoica, P., and Trulsson, E. (1987). Ins-
trumental variable methods for closed-loop systems. In 10th IFAC World
Congress, pages 363–368, Germany.
[Trigeassou, 1987] Trigeassou, J.-C. (1987). Contribution à l’extension de la
m’ethode des moments en automatique. Application à l’identification des sys-
tèmes linéaires. Thèse de doctorat, Université de Poitiers.
[Trigeassou, 1988] Trigeassou, J.-C. (1988). Recherche de modèles expérimentaux
assistée par ordinateur. Technique et Documentation Lavoisier, Paris.
[Trigeassou, 2000] Trigeassou, J.-C. (2000). La méthode des moments en au-
tomatique. In Conférence Internationale Francophone d’Automatique, pages
705–711, Lille France.
[Trigeassou et al., 1994] Trigeassou, J.-C., Maamri, N., Coirault, P., and
Marques, P. (1994). La méthode des moments et son interprétation fréquen-
tielle. In GR Automatique SARTA.
[Trigeassou and Poinot, 2001] Trigeassou, J.-C. and Poinot, T. (2001). Identifi-
cation des systèmes sous la direction de I.D. Landau et A. Besançon-Voda,
chapter Identification des systèmes à représentation continue - Application
à l’estimation de paramètres physiques, pages 177–211. Traité Information,
Commande, Communication - Section Systèmes Automatisés. Editions Her-
mès, Paris.
[Trigeassou et al., 2003a] Trigeassou, J.-C., Poinot, T., and Bachir, S. (2003a).
Méthodes de commande des machines électriques sous la direction de R. Hus-
son, chapter Estimation paramétrique pour la connaissance et le diagnostic des
machines électriques, pages 215–251. Traité Electronique, Gènie Electrique,
Microsystèmes. Editions Hermès, Paris.
[Trigeassou et al., 2000] Trigeassou, J.-C., Poinot, T., and Moreau, S. (2000). A
methodology for estimation of physical parameters. In IMACS, 16th IMACS
World Congress on scientific Computation, Applied Mathematics and Simula-
tion, Lausanne Suisse.
[Trigeassou et al., 2003b] Trigeassou, J.-C., Poinot, T., and Moreau, S. (2003b).
A methodology for estimation of physical parameters. System Analysis Model-
ling Simulation, 43 :925–943.
[Tulleken, 1993] Tulleken, H.-J. A. F. (1993). Grey-box modeling and identifica-
tion using physical knowledge and bayesian techniques. Automatica, 29(2) :285–
308.
[Walter and Pronzato, 1994] Walter, E. and Pronzato, L. (1994). Identification

184
 de modèles paramétriques à partir de données expérimentales. Editions masson,
Paris.
[Walter and Pronzato, 1997] Walter, E. and Pronzato, L. (1997). Identification
of parametric models from experimental data. Communications and Control
Engineering Series. Editions Springer.
[Zwingelstein, 1995] Zwingelstein, G. (1995). Diagnostic des défaillances, théorie
et pratique pour les systèmes industriels. Editions Hermès.

185
Bibliographie

186
 Résumé
Ce mémoire de thèse relate la mise au point d’une méthodologie d’identification en boucle
fermée de la machine asynchrone, grâce à une prise en compte explicite de l’algorithme de
commande vectorielle. Fondamentalement, l’identification directe pose des problèmes en raison
des perturbations stochastiques que l’on retrouve sur la variable de commande via la boucle de
régulation, ce qui rend l’estimation asymptotiquement biaisée. Nous proposons de remédier à
ce problème grâce à une identification indirecte sur la base de la connaissance du correcteur. De
plus, nous étendons le champ d’application de cette approche en identifiant préalablement un
correcteur équivalent à l’aide d’une technique de moindres carrés surparamétrisés, afin d’éviter
la connaissance a priori de la structure et des paramètres du correcteur. Une structure minimale
du correcteur équivalent surparamétrisé est obtenue grâce à un test original portant sur les mo-
ments. L’identification de la machine asynchrone est effectuée grâce au correcteur équivalent, à
l’aide d’un algorithme du type erreur de sortie. Outre l’élimination du biais asymptotique, les
études comparatives réalisées en simulation stochastique ont montré que l’approche indirecte
fournit des estimées plus précises, et cela pour une excitation de la machine uniquement consti-
tuée par les variations du couple de charge. Enfin, cette nouvelle méthodologie d’identification
en boucle fermée a permis d’améliorer la détection des défauts statoriques et rotoriques de la
machine asynchrone, grâce à une meilleure réjection des fausses alarmes.

Mots-clés: Machine asynchrone, machine à courant continu, identification en boucle fermée,

identification par erreur de sortie, information a priori, diagnostic par estimation paramétrique.

Abstract
This thesis presents the application of a closed loop identification technique to induction ma-
chines, including explicitly the control algorithm. Basically, direct identification is asymptot-
ically biased by output disturbances and noises which are feedback to the control input via
the control algorithm. In order to get rid of this bias problem, an indirect identification tech-
nique with explicit use of the controller is proposed. Moreover, a prior knowledge of the control
algorithm is replaced by its identification with the help of an overparametrized least squares
techniques, which avoids knowledge of the structure and the parameters of the controller. An
equivalent minimal structure controller is estimated thanks to an original criterion based on
discrete moments. The identification of induction machines is performed with this equivalent
controller using an output error technique. Comparative studies performed by Monte Carlo
simulations have exhibited bias rejection and better precision of indirect identification, while
necessary excitation is only provided by torque variations of the machine load. Finally, this new
closed loop identification technique has been applied to the diagnosis of induction machines,
with the benefit of better detection of stator and rotor faults, thanks to better rejection of false
alarms.

Keywords: Induction machine, DC machine, closed-loop identification, output error identifi-

cation, a prior information, diagnosis by parameter estimation.