Chap.

2
Identification par la Méthode des Moindres Carrés

1 Introduction
2 Principe de l’identification par la méthode des moindres carrés
3 Cas d’une régression linéaire
4 Proposition du modèle-hypothèse
5 Cas d’un modèle du premier ordre
6 Cas d’un modèle du 2nd ordre
7 Qualité d’une estimation et formulation récursive de la MMC

Ecole Nationale Supérieure d’Arts et Métiers – Meknès 2022 – 2023

 1. Introduction
Plan

1.1. Identification paramétrique

la
r
n

Rappel
pa
io
ct

n
du

Les méthodes d’identification dites "graphiques" se basent, sur la réponse indicielle

tio
tro

ica

du processus. Le modèle à identifier, à temps continu, est une fonction de

In

tif
en
1.

transfert G(p), et l’identification vise à quantifier le gain statique, la principale

l ’id

constante de temps, l’ordre et le retard (fictif ou réel).

e
C ed
cip

re
in

ai

La méthode des moindres carrés permet d’identifier un modèle discret défini par
Pr

né
M
M

i
2.

des équations récurrentes ou, d’une manière équivalente, une fonction de

n
sio
es

transfert en z : G(z).
gr

se
ré

è
th
ne

1.2. Relation Entrée/Sortie et structure du modèle

o
’u

yp
sd

-h
Ca

e
èl
3.

od
m
du

re
on

d
or
iti

r
os

ie
op

em
Pr

pr
4.

du
le
o dè
m
n

e
dr
’u
sd

or
2 nd
Ca
5.

du
le

C
dè

n MM
o
m

at e la
n
’u

tim d
sd

io
es ive
Ca

s
6.

un ur
d’ écr
e
lit on
ua ati
ul

é
rm
Fo
q
et
7.

2
 7. 6. 5. 4. 3. 2. 1.
Fo Pr In
rm
Ca Ca Pr Ca in
Plan
et sd sd op sd M cip tro
q ul ’u ’u os ’u M du
ua ati n n iti ne C ed ct
lit on m m on e io
é r o dè o dè du
ré
gr l ’id n
d’ éc
un ur
s
le le m es en
e du du od sio tif
es ive èl n ica
tim d 2 nd pr e l i né tio
em -h
at e la or
ie yp ai n
io dr
e r o re pa
n MM or th r
C d re è se la

Observation
2.1. Recensement des données

Commande
2. Principe de l’identification par la méthode des moindres carrés

Prévision

3
 7. 6. 5. 4. 3. 2. 1.
Fo Pr In
rm
Ca Ca Pr Ca in
Plan
et sd sd op sd M ci tro
q ul ’u ’u os ’u M p e du
ua ati n n iti ne C ct
lit on m m on de io
é r o dè o dè du
ré
gr l ’id n
d’ éc
un ur
s
le le m es en
e du du od sio tif
es ive èl n ica
tim d 2 nd pr e l i né tio
em -h
at e la or
ie yp ai n
io dr
e r o re pa
n MM or th r
C d re è se la

2.2. Le critère à minimiser

2.1. Recensement des données
2. Principe de l’identification par la méthode des moindres carrés

4
 7. 6. 5. 4. 3. 2. 1.
Fo Pr In
r m
Ca Ca Pr
o
Ca i n
Plan
tro
et u l
sd sd po sd
’
M ci
M p
qu at ’u
n
’u
n s u C e du
al io m m
iti
o
ne d e
ct
io
ité n
r o o n ré l n
d’ éc dè dè du gr ’id
un ur
s
le le m es en
e du du od sio tif
es ive èl n ica
tim d 2 nd pr e l i né tio
em -h
at e la or
ie yp ai n
io dr
e r o re pa
n MM or th r
C d re è se la
3.1. Mise en situation
3. Cas d’une régression linéaire

5
 7. 6. 5. 4. 3. 2. 1.
Fo Pr In
rm
Ca Ca Pr Ca in
Plan
et sd sd op sd M cip tro
q ul ’u ’u os ’u M du
ua ati n n iti ne C ed ct
lit on m m on e io
é r o dè o dè du
ré
gr l ’id n
d’ éc
un ur
s
le le m es en
e du du od sio tif
es ive èl n ica
tim d 2 nd pr e l i né tio
em -h
at e la or
ie yp ai n
io dr
e r o re pa
n MM or th r
C d re è se la
3.1. Mise en situation

3.2. Calcul des paramètres

3. Cas d’une régression linéaire

6
 7. 6. 5. 4. 3. 2. 1.
Fo Pr In
rm
Ca Ca Pr Ca in
Plan
et sd sd op sd M cip tro
q ul ’u ’u os ’u M du
ua ati n n iti ne C ed ct
lit on m m on e io
é r o dè o dè du
ré
gr l ’id n
d’ éc
un ur
s
le le m es en
e du du od sio tif
es ive èl n ica
tim d 2 nd pr e l i né tio
em -h
at e la or
ie yp ai n
io dr
e r o re pa
n MM or th r
C d re è se la

Observation
3.3. Exemple à 1 paramètre
3. Cas d’une régression linéaire

Commande

7
 7. 6. 5. 4. 3. 2. 1.
Fo Pr In
rm
Ca Ca Pr Ca in
Plan
et sd sd op sd M cip tro
q ul ’u ’u os ’u M du
ua ati n n iti ne C ed ct
lit on m m on e io
é r o dè o dè du
ré
gr l ’id n
d’ éc
un ur
s
le le m es en
e du du od sio tif
es ive èl n ica
tim d 2 nd pr e l i né tio
em -h
at e la or
ie yp ai n
io dr
e r o re pa
n MM or th r
C d re è se la

Observation
3.3. Exemple à 2 paramètres
3. Cas d’une régression linéaire

Commande

8
 7. 6. 5. 4. 3. 2. 1.
Fo Pr In
rm
Ca Ca Pr Ca in
Plan
et sd sd op sd M cip tro
q ul ’u ’u os ’u M du
ua ati n n iti ne C ed ct
lit on m m on e io
é r o dè o dè du
ré
gr l ’id n
d’ éc
un ur
s
le le m es en
e du du od sio tif
es ive èl n ica
tim d 2 nd pr e l i né tio
em -h
at e la or
ie yp ai n
io dr
e r o re pa
n MM or th r
C d re è se la

Le critère
matricielle :
à
4.1. Exemple d’un circuit RC

minimiser
sous
4. Proposition du modèle-hypothèse

forme

9
 7. 6. 5. 4. 3. 2. 1.
Fo Pr In
rm
Ca Ca Pr Ca in
Plan
et sd sd op sd M cip tro
q ul ’u ’u ’u os M du
ua ati n n iti ne C ed ct
lit on m m on e io
é r o dè o dè du
ré
gr l ’id n
d’ éc
un ur
s
le le m es en
e du du od sio tif
es ive èl n ica
tim d 2 nd pr e l i né tio
em -h
at e la or
ie yp ai n
io dr
e r o re pa
n MM or th r
C d re è se la
4.2. Notions préliminaires

a. Définition de la transformée en z
4. Proposition du modèle-hypothèse

b. Exemples de transformées en z

10
 7. 6. 5. 4. 3. 2. 1.
Fo Pr In
rm
Ca Ca Pr Ca in
Plan
et sd sd op sd M cip tro
q ul ’u ’u os ’u M du
ua ati n n iti ne C ed ct
lit on m m on e io
é r o dè o dè du
ré
gr l ’id n
d’ éc
un ur
s
le le m es en
e du du od sio tif
es ive èl n ica
tim d 2 nd pr e l i né tio
em -h
at e la or
ie yp ai n
io dr
e r o re pa
n MM or th r
C d re è se la
c. Théorème du retard
4.2. Notions préliminaires

d. Théorème de l’avance
4. Proposition du modèle-hypothèse

11
 7. 6. 5. 4. 3. 2. 1.
Fo Pr In
rm
Ca Ca Pr Ca in
Plan
et sd sd op sd M cip tro
q ul ’u ’u ’u os du M
ua ati n n iti ne C ed ct
lit on m m on e io
é r o dè o dè du
ré
gr l ’id n
d’ éc
un ur
s
le le m es en
e du du od sio tif
es ive èl n ica
tim d 2 nd pr e l i né tio
em -h
at e la or
ie yp ai n
io dr
e r o re pa
n MM or th r
C d re è se la
4.2. Notions préliminaires

e. Fonction de transfert en z

La fonction de transfert est alors :

4. Proposition du modèle-hypothèse

f. Fonction de transfert échantillonnée

12
 7. 6. 5. 4. 3. 2. 1.
Fo Pr In
rm
Ca Ca Pr Ca in
Plan
et sd sd op sd M cip tro
q ul ’u ’u os’u M du
ua ati n n iti ne C ed ct
lit on m m on e io
é r o dè o dè du
ré
gr l ’id n
d’ éc
un ur
s
le le m es en
e du du od sio tif
es ive èl n ica
tim d 2 nd pr e l i né tio
em -h
at e la or
ie yp ai n
io dr
e r o re pa
n MM or th r
C d re è se la

b. Un système dérivateur
a. Un système intégrateur
4. Proposition du modèle-hypothèse

4.3. Exemples d’obtention du modèle

13
 7. 6. 5. 4. 3. 2. 1.
Fo Pr In
rm
Ca Ca Pr Ca in
Plan
et sd sd op sd M cip tro
q ul ’u ’u os ’u M du
ua ati n n iti ne C ed ct
lit on m m on e io
é r o dè o dè du
ré
gr l ’id n
d’ éc
un ur
s
le le m es en
e du du od sio tif
es ive èl n ica
tim d 2 nd pr e l i né tio
em -h
at e la or
ie yp ai n
io dr
e r o re pa
n MM or th r
C d re è se la
5.1. Fonction de transfert en z
5. Cas d’un modèle du premier ordre

5.2. Modélisation par équation récurrente

14
 7. 6. 5. 4. 3. 2. 1.
Fo Pr In
rm
Ca Ca Pr Ca in
Plan
et sd sd op sd M cip tro
q ul ’u ’u os ’u M du
ua ati n n iti ne C ed ct
lit on m m on e io
é r o dè o dè du
ré
gr l ’id n
d’ éc
un ur
s
le le m es en
e du du od sio tif
es ive èl n ica
tim d 2 nd pr e l i né tio
em -h
at e la or
ie yp ai n
io dr
e r o re pa
n MM or th r
C d re è se la
6.1. Fonction de transfert en z
6. Cas d’un modèle du 2nd ordre

6.2. Modélisation par équation récurrente

15
 7. Qualité d’une estimation et formulation récursive de la MMC
Plan

7.1. Qualité d’une estimation

la
r
n

pa
io
ct

n
du

tio
Somme des carrés des résidus
tro

ica
In

tif
en
1.

l ’id
e
C ed

Erreur quadratique moyenne

cip

re
in

ai
Pr

né
M
M

i
2.

l
n
sio
es
gr

Racine de l’erreur quadratique moyenne

se
ré

è
th
ne

o
’u

yp
sd

-h
Ca

e
èl
3.

od

Erreur carrée relative et coefficient de détermination

m
du

re
n

d
o

or
iti

r
os

ie
op

em
Pr

pr
4.

du
le

e
dè

m
iè
o
m

ux
n

de
’u
sd

du
Ca

e
5.

èl
od

C
m

n MM
n
dr d’u

at e la
s

tim d
Ca

io
es ive
or
6.

s
un ur
d’ écr
e
lit on
ua ati
ul

é
rm
Fo
q
et
7.

16
 7. Qualité d’une estimation et formulation récursive de la MMC
Plan

7.2. Méthode des moindres carrés récursive

la
r
n

pa
io
ct

n
du

tio
tro

ica
In

tif
en
1.

l ’id
e
C ed
cip

re
in

ai
Pr

né
M
M

i
2.

l
n
sio
es
gr

se
ré

è
th
ne

o
’u

yp
sd

-h
Ca

e
èl
3.

od
m
du

re
on

d
or
iti

r
os

ie
op

em
Pr

pr
4.

du
le
o dè
m
n

e
’u

dr
sd

or
2 nd
Ca
5.

du
le

C
dè

n MM
o
m

at e la
n
’u

tim d
sd

io
es ive
Ca

s
6.

un ur
d’ écr
e
lit on
ua ati
ul

é
m

Une estimation par moindres carrés récursive a une complexité constante durant le
r
Fo
q

temps. Elle peut se faire sans inversion de la matrice des données, et est très utile
et
7.

pour l’adaptation des lois de commande.

17