ÉCOLE NATIONALE SUPÉRIEURE D’ÉLECTROTECHNIQUE, D’ÉLECTRONIQUE, D’INFORMATIQUE,

D’HYDRAULIQUE ET DES TÉLÉCOMMUNICATIONS

M1 Électronique, Énergie Électrique et Automatique

TP automatique tronc commun

TP2 - Commande d’un procédé de torsion par retour d’état avec
observateur
- Les Observateurs déterministes -

Guillaume PIGAT
Alexis DJEFKI
Célestine SERRE

Mars 2023
BE - Automatique

Table des matières

1 Introduction 2

2 Présentation du système 2

3 Commande par retour d’état 4

3.1 Préparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

4 Observateur d’état 6
4.1 Mise en place d’un observateur identité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4.2 Mise en place d’un observateur minimal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

5 Comparaison des deux solutions proposées 16

6 Conclusion 16

7 Annexe 17
7.1 Comparaison entre Observateur Identité et observateur minimal . . . . . . . . . . . . . . . . . 17

INP - ENSEEIHT 1 Mars 2023

BE - Automatique

1 Introduction
Pendant ce TP, nous allons étudier les observateurs d’état déterministes afin d’asservir la position angulaire
des plateaux de la maquette. Le système utilisé comme support est une maquette expérimentale. Nous allons
notamment mettre en place une commande de type retour d’état et étudier les observateurs d’état des
plateaux de la maquette.

Le TP comportera trois parties distinctes :

— Une analyse du procédé et modélisation : Cette partie consiste à étudier le procédé concerné
et à le modéliser. L’objectif est de comprendre le fonctionnement du système et de déterminer les
équations mathématiques qui le décrivent.
— Définition d’une loi de commande par retour d’état : Cette partie vise à concevoir une loi
de commande qui permet d’asservir la sortie du système avec une précision suffisante et un régime
transitoire compatible avec son domaine de fonctionnement normal. Il s’agit de choisir les gains du
régulateur pour répondre aux spécifications de performance.
— Mise en place d’un observateur : Cette partie consiste à concevoir un observateur pour reconstruire
les états du système, notamment lorsque certains états ne sont pas mesurables ou que les mesures sont
de mauvaise qualité. L’observateur doit être capable d’estimer les états du système à partir des mesures
disponibles et de la loi de commande définie précédemment.

2 Présentation du système
Le système que nous allons étudier est une maquette expérimentale constituée de deux disques reliés par
un fil de torsion. Cette maquette est mise en mouvement à l’aide d’un moteur brushless qui entraîne, par
l’intermédiaire d’un réducteur, le premier plateau. Le mouvement est ensuite transmis au plateau supérieur
par un fil de torsion. Il est à noter que le plateau intermédiaire n’est pas utilisé dans cette configuration.

Figure 1 – Dispositif étudié

INP - ENSEEIHT 2 Mars 2023

BE - Automatique

La partie transmissioon et réducteur est défini par figure ci-dessous :

Figure 2 – Transmission et réducteur

Dont les équations différentielles du mouvement s’écrivent :

J1 θ̈1 + kt (θ1 − θ3 ) + fr1 θ̇1 = kc I (1)

J3 θ̈3 + kt (θ1 − θ3 ) + fr3 θ̇3 = 0 (2)

Les valeurs des différents paramètres du modèle, obtenues par identification paramétrique expérimentale sont
données par le tableau ci-dessous :

Paramètre Définition Valeur

J1(kg.m²) Inertie de la partie basse avec le moteur 0,0024
J3(kg.m²) Inertie de la partie haute 0,00145
kt(Nm/rd) Coefficient de raideur de la barre 1,05
kc(Nm/A) Constante de couple (Moteur plus ratio de la poulie) 0,3
fr1 (Nm.s/rd) Frottement de la partie basse 0,0014
fr3 (Nm.s/rd) Frottement de la partie haute 0,00084

Table 1 – Valeurs des différents paramètres du modèle

Le système sous cette configuration est d’ordre 4 et conduit à la représentation d’état suivante :

0 1 0 0
   
0
 −k −fr1 kt  kc 
r
0 
Ẋ =  J1
 0
J1 J1  X +  J1  I (3)
0 0 1  0
kt −kt −fr3
J3 0 J3 J3
0
| {z } | {z }
A B

(4)
 
Y = 1 0 0 0 X
| {z }
C
 
x1 = θ 1
x2 = θ̇1 = ω1 
Avec X = 
 x3 = θ 3 


x3 = θ̇3 = ω3

INP - ENSEEIHT 3 Mars 2023

BE - Automatique

3 Commande par retour d’état

3.1 Préparation

Stabilité
La stabilité d’un tel système en boucle ouverte peut être étudié grâce aux valeurs propre de la matrice A.
Nous avons choisis de calculer ces valeurs propres sur Matlab pour des raisons de simplicité.
T
Nous avons obtenu ceci : V p = −0, 2904 + 34, 0816i −0, 2904 − 34, 0816i 0 −0, 5818


Nous remarquons que nous avons un pôle à partie réelle nulle, nous sommes donc à la limite de stabilité. La
commande modale va alors nous permettre de déplacer les pôles pour avoir les avoir stables.
Commandabilité
Soit la matrice Qc définit ci-dessous

A2 B A3 B (5)
 
Qc = B AB

La commandabilité d’un système se déduit de cette matrice Qc . Dans notre cas, si Qc est de rang 4 alors
notre système sera commandable. La vérification a été réalisé sur Matlab et nous montre que le rang de cette
matrice est bien de 4, notre système est commandable.

Placement des pôles

Le cahier des charges impose sur la maquette 1 :
√
— Un dépassement de l’ordre de 5 % donc ξ = 22
— Un temps de réponse de l’ordre de 0.5s , donc wn = 3
tr5% = 6rad/s
— Une erreur de position nulle
On choisit donc les pôles suivants :
Pvoulu = −40 −40 −40 −ξwn ± jwn 1 − ξ 2 (en rad/s)
 p 

Gains du retour d’état K et g

Maintenant que nous avons les pôles de notre système, déterminons les gains utilisés dans le retour d’état.
La loi de commande est de la forme :
U = gXref − K T Z (6)
T
(7)

Z = X Xr
Nous mettons le système sous la forme d’état en prenant en compte l’effet de l’action intégrale :

Ż = [P − RK T ]Z + [Rg + S]Xref (8)

Avec :      
A 0 B 0
(9)
 
P = ,R = ,S = , K = K1 K2 K3 K4 Kr
−C 0 0 1
Pour ce faire, nous allons utiliser la fonction Acker sur Matlab :

K = acker(P, R, Pvoulu )

Nous obtenons :

K = [36, 948 1, 0186 −29, 0598 0, 1140 −25, 4537] (10)

INP - ENSEEIHT 4 Mars 2023

BE - Automatique

La correction de l’erreur statique en régime permanent peut être obtenue en utilisant l’action intégrale, mais
cela a pour effet d’ajouter un pôle au système. Par conséquent, le système devient d’ordre 5 plutôt que 4. Le
gain d’anticipation peut alors être utilisé pour compenser l’effet de ce pôle ajouté par l’intégrateur.
Ainsi on trouve : g = Kr
pac = 0.6363 , avec pac = -40 , le pôle à compenser.
Le schéma simulink est donné par la figure suivante :

Figure 3 – Commande par retour d’état

On trace ensuite l’évolution temporelle des plateaux 1 et 3 en simulation, la position θ1 et θ3 et leur vitesse
angulaire respectives.
La consigne un échelon d’amplique θref = 2π

Figure 4 – Evolutions temporelles de la position Figure 5 – Evolutions temporelles de la vitesse

θ1 et θ3 [rad] angulaire ω1 et ω2 [rad/s]

Les critères du cahier des charges sont bien remplis, avec les résultats suivants :
— Un dépassement de ? ? % est observé.
— Le temps de réponse est de ? ? seconde.
— L’erreur statique de position est nulle.

INP - ENSEEIHT 5 Mars 2023

BE - Automatique

Ensuite nous allons tracer l’évolution temporelle des plateaux 1 et 3 de la manipulation, notament celui de
la position θ1 et θ3 et ainsi que leur vitesse angulaire.

Figure 6 – Evolutions temporelles de la position Figure 7 – Evolutions temporelles de la vitesse

θ1 et θ3 [rad] angulaire ω1 et ω2 [rad/s]

Ces résultats sont en effet cohérents avec la simulation. Cela confirme que le modèle utilisé pour la simulation
est valide et que les mesures expérimentales sont fiables.

4 Observateur d’état
4.1 Mise en place d’un observateur identité

Observabilité
Soit la matrice Qo définit ci-dessous :
 
C
 CA 
Oo =  
CA2  (11)
CA3
L’observabilité d’un système se déduit de cette matrice Oo . Dans notre cas, si Oo est de rang 4 alors notre
système sera commandable. La vérification a été réalisé sur Matlab et nous montre que le rang de cette
matrice est bien de 4, notre système est Observable.

Placement des pôles

On impose les pôles de l’observateur et on choisit la dynamique de l’observateur en BF de telle sorte que la
dynamique F soit plus rapide que la dynamique A, avec un facteur de 5 à 10 fois. Cela permet de minimiser
∆X le plus rapidement possible tout en préservant l’immunité aux bruits.
Dans notre cas nous avons choisi -50.
 
P obsv = −50 −50 −50 −50

Gains du retour d’état L

Maintenant que nous avons les pôles de notre système, déterminons les gains utilisés pour l’Observabilité.
Cet observateur permet de reconstruire tous les états du système à partir de la commande U et d’une sortie
mesurée Y=C.X. Les équations d’un tel observateur sont les suivantes :

INP - ENSEEIHT 6 Mars 2023

BE - Automatique

Ż = F Z + GY + HU (12)
Avec F = A − GC et H = B
Pour ce faire, nous allons utiliser la fonction Acker sur Matlab :
G = acker(A′ , C ′ , P obsv)
Nous obtenons :
 
1999.99
 13607 
G=
 794 
 (13)
−8888

Le schéma simulink est donné par la figure suivante :

Figure 8 – Retour d’état + Observateur identité

La partie interne de l’Observateur Identité est donnée par la figure ci-dessous :

Figure 9 – Observateur identité

INP - ENSEEIHT 7 Mars 2023

BE - Automatique

Nous faisons varier les conditions initiales de l’observateur identité et voyons voir ce qui se passe.
CI=0
Nous avons pour la simulation

Figure 10 – Evolutions temporelles θ1 et θ1obs Figure 11 – Evolution de l’erreur d’estimation

Nous avons pour la manipulation

Figure 12 – Evolutions temporelles θ1 et θ1obs Figure 13 – Evolution de l’erreur d’estimation

INP - ENSEEIHT 8 Mars 2023

BE - Automatique

CI=π
Pour la simulation nous avons

Figure 14 – Evolutions temporelles θ1 et θ1obs Figure 15 – Evolution de l’erreur d’estimation

Pour la manipulation nous avons

Figure 16 – Evolutions temporelles θ1 et θ1obs Figure 17 – Evolution de l’erreur d’estimation

Malgré les conditions initiales non nulles sur l’observateur, le système converge. On constate une erreur au
début, mais le système parvient à se stabiliser, ce qui démontre l’intérêt de la dynamique de l’observateur.

INP - ENSEEIHT 9 Mars 2023

BE - Automatique

CI=2π
Pour la simulation nous avons

Figure 18 – Evolutions temporelles θ1 et θ1obs Figure 19 – Evolution de l’erreur d’estimation

Pour la manipulation nous avons

Figure 20 – Evolutions temporelles θ1 et θ1obs Figure 21 – Evolution de l’erreur d’estimation

Dans ce dernier cas, on observe que la simulation indique une convergence tandis que la manipulation prévoit
une divergence du système. Nous pouvons expliquer cette différence car la simulation ne prend pas en compte
certaines non-linéarités présentes dans le système réel. Nous avons tenté de travailler en simulation avec un
système linéaire, mais cela n’est pas forcément.

INP - ENSEEIHT 10 Mars 2023

BE - Automatique

4.2 Mise en place d’un observateur minimal

Désormais, nous considérons que seule la mesure de la position du plateau inférieur (θ1 ) est disponible, et
que cette mesure est fiable. Par conséquent, nous souhaitons reconstruire les autres variables d’état.
Nous utilisons un unique capteur pour fournir l’état mesuré (x1 =θ1 ) et un observateur de dimension 3 et
l’emplacement des pôles de l’observateur est identique à celui de l’observateur identité.
La partie des états mesurables, avec les termes connus à gauche du signe égal, s’écrit :

ẋa − Aaa xa − Ba u = Aab xb (14)

La partie des variables non-connues sera la nouvelle équation d’état de l’observateur et s’exprime comme :

ẋb = Abb xb + Aba xa + Bb u (15)

   −fr1 kt   −kt   kc 
x2 = θ̇1 J1 J1 0 J1 J1
Avec xb = x3 = θ3  , xa = x1 , Aaa = 0 , Abb =  0 1 , Bba =  0 , Bb =  0 ,
 
0
−kt −fr3 kt
x3 = θ̇3 0 J3 J3 J3 0
Aab = 1 0 0 , et Ba = 0
   

Les différentes matrices nécessaires à la synthèse de l’observateur sont les matrices non nulles : Aab , Aba , Abb
et Bb .
Les états observés d’ordre réduit Zr

Z
ė = F Z
r r r + Fb x a + B B u
f (16)

où la dynamique de l’observateur est définie par : Fr = Abb − Gr Aab de dimension 3x3. Fb = Abb − Gr Aab
et BB = Bb

Gr = acker(A′bb , A′ab , poles)

INP - ENSEEIHT 11 Mars 2023

BE - Automatique

Le schéma simulink est donné par la figure suivante :

Figure 22 – Retour d’état + observateur minimal

La partie interne de l’Observateur minimal est donnée par la figure ci-dessous :

Figure 23 – Observateur minimale

Dans l’observateur minimal, on ne recalcule plus θ1 , on considère que la mesure de θ1 est fiable. Nous faisons
varier les conditions initiales de l’observateur minimale et voyons voir ce qui se passe, comme dans la partie
précédente.

INP - ENSEEIHT 12 Mars 2023

BE - Automatique

CI=0
Pour la simulation nous avons :

Figure 24 – Evolutions temporelles θ3 et θ3obsm Figure 25 – Evolution de l’erreur d’estimation

Pour la manipulation nous avons :

Figure 26 – Evolutions temporelles θ3 et θ3obsm Figure 27 – Evolution de l’erreur d’estimation

avec avec

Nous observons pour des conditions initiales nulles, le système converge. On remarque une erreur légèrement
superieure à celle donnée par l’estimateur idenditaire mais cela reste faible

INP - ENSEEIHT 13 Mars 2023

BE - Automatique

CI=π
Nous avons pour la simulation

Figure 28 – Evolutions temporelles θ3 et θ3obsm Figure 29 – Evolution de l’erreur d’estimation

Nous avons pour la manipulation

Figure 30 – Evolutions temporelles θ3 et θ3obsm Figure 31 – Evolution de l’erreur d’estimation

De même pour CI=π, l’observateur converge

INP - ENSEEIHT 14 Mars 2023

BE - Automatique

CI=2π
Nous avons pour la simulation

Figure 32 – Evolutions temporelles θ3 et θ3obsm Figure 33 – Evolution de l’erreur d’estimation

Nous avons pour la manipulation

Figure 34 – Evolutions temporelles θ3 et θ3obsm Figure 35 – Evolution de l’erreur d’estimation

De même pour CI=2π, l’observateur converge. A la différence de l’observateur identité, la manipulation

converge et est donc plus robuste face à la variation des conditions initiales.

INP - ENSEEIHT 15 Mars 2023

BE - Automatique

5 Comparaison des deux solutions proposées

Les deux solutions proposées, à savoir l’observateur identité et l’observateur minimal, présentent des avantages
et des inconvénients en termes de performance, robustesse, complexité, coût, etc. Les critères de comparaison
peuvent varier selon l’application spécifique, mais voici une comparaison générale :

Robustesse :

— L’observateur identité est plus robuste aux erreurs de modélisation et de mesure que l’observateur
minimal, car il utilise toutes les mesures disponibles pour calculer l’estimation de l’état.

Complexité :

— L’observateur identité est plus complexe que l’observateur minimal, car il utilise un modèle plus
complexe et doit inclure toutes les mesures disponibles pour calculer l’estimation de l’état.

Coût :

— L’observateur identité peut être plus coûteux à mettre en œuvre que l’observateur minimal, car il
nécessite des mesures supplémentaires et des calculs plus complexes ( car il inclut toutes les mesures
disponibles du système).

En conclusion, le choix entre l’observateur identité et l’observateur minimal dépendra des objectifs spécifiques
de l’application, de la précision requise de l’estimation de l’état, de la robustesse souhaitée aux erreurs de
modélisation et de mesure, de la complexité acceptable et du coût disponible.

6 Conclusion

INP - ENSEEIHT 16 Mars 2023

BE - Automatique

7 Annexe
7.1 Comparaison entre Observateur Identité et observateur minimal

CI=0

Figure 36 – Evolutions temporelles Observateur Figure 37 – Evolutions temporelles Observateur

identité minimal

Figure 38 – Evolution de l’erreur d’estimation Figure 39 – Evolution de l’erreur d’estimation

Observateur identité Observateur minimal

INP - ENSEEIHT 17 Mars 2023

BE - Automatique

Figure 40 – Evolutions temporelles Observateur Figure 41 – Evolutions temporelles Observateur

identité minimal

Figure 42 – Evolution de l’erreur d’estimation Figure 43 – Evolution de l’erreur d’estimation

Observateur identité Observateur minimal

INP - ENSEEIHT 18 Mars 2023

BE - Automatique

CI=π

Figure 44 – Evolutions temporelles Observateur Figure 45 – Evolutions temporelles Observateur

identité minimal

Figure 46 – Evolution de l’erreur d’estimation Figure 47 – Evolution de l’erreur d’estimation

Observateur identité Observateur minimal

INP - ENSEEIHT 19 Mars 2023

BE - Automatique

Figure 48 – Evolutions temporelles Observateur Figure 49 – Evolutions temporelles Observateur

identité minimal

Figure 50 – Evolution de l’erreur d’estimation Figure 51 – Evolution de l’erreur d’estimation

Observateur identité Observateur minimal

INP - ENSEEIHT 20 Mars 2023

BE - Automatique

CI=2π

Figure 52 – Evolutions temporelles Observateur Figure 53 – Evolutions temporelles Observateur

identité minimal

Figure 54 – Evolution de l’erreur d’estimation Figure 55 – Evolution de l’erreur d’estimation

Observateur identité Observateur minimal

INP - ENSEEIHT 21 Mars 2023

BE - Automatique

Figure 56 – Evolutions temporelles Observateur Figure 57 – Evolutions temporelles Observateur

identité minimal

Figure 58 – Evolution de l’erreur d’estimation Figure 59 – Evolution de l’erreur d’estimation

Observateur identité Observateur minimal

INP - ENSEEIHT 22 Mars 2023