‫ـــ و ا ـ ـــ ا ـ ـــــــــ‬ ‫وزارة ا ـ ــــ ا‬

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE

SCIENTIFIQUE

Présenté au département de Génie Electrique

Faculté des Sciences et Sciences Appliquées
Pour obtenir le diplôme

De Master

Option:
Conversion et Gestion de l’énergie électrique
Présenter par :
M. DAHMANI Nabil
M. BENKOUIDER Hocine

Thème
Identification Paramétrique de la Machine à
Courant Continu

Soutenu :le 26/09/2016. devant le jury composé de :

M. BENZIANE Mourad Maître de Conférences à l’université de Bouira Encadreur

M. BENSAFIA. Y Maître de Conférences à l’université de Bouira Président

M. DJEBBIRI. M Maître Assistant à l'université de Bouira Examinateur

M.HAMMOUCHE. S Maître Assistant à l'université de Bouira Examinateur

2016
Je dédie ce modeste travail à :

Mes Chers Parents.

Mes Chères frères
Mon binôme benkouider hocine
Ma Famille et tous mes Proches.
Tous Mes Amis.
Dahmani Nabil

Je dédie ce modeste travail à :

Mes Chers Parents.

Mes Chères frères
Mon binôme Dahmani Nabil
Ma Famille et tous mes Proches.
Tous Mes Amis.

Benkouider Hocine
 REMERCIMENTS

Nous remercions en premier lieu notre Dieu de nous donner la santé et patience
pour avoir terminer ce modeste travail.
Nous remercions en particulièrement notre encadreur Mr BENZIANE .M:
qui à défini et dirigé ce travail, trouvant ici l’expression de nos profondes
gratitudes pour sa disponibilité et ses conseils avisés, pour son aide précieux, en
mettant à notre disposition les moyennes nécessaire pour la réalisation de ce
mémoire de Master .

Nos vifs remerciements vont à Monsieur le président, pour l’honneur qu’il nous a
fait et aux membres du jury pour avoir accepté de corriger et d’évaluer ce travail.
Nos respectueux remerciements à la petite famille de département de génie
électrique et toute la faculté des sciences et sciences appliquées

Nous tenons également à remercier à tous ceux qui ont participés de prés ou de
loin à l’élaboration de ce travail.
 Sommaire

SOMMAIRE

INTRODUCTION GENERALE…………………………………………………...…01
Chapitre I…...…………………………………………………………………………………03

NOTIONS SUR LES SYSTEMES ASSERVIS……………………...……03

1.Introduction………………………………………………………………………………....03

2. DEFINITIONS…..…………………………………………………………………………....03

3. TRANSFORMEE DE LAPLACE……………………………………………………………… 04

3.1. Définition………………………………………………………………………………...04

3.2. Propriétés et théorèmes…………………………………………………………………..04

4. FONCTION DE TRANSFERT…………………………………………………………………..05

4.1. Définitions……………………………………………………………………………….05

4.2. Systèmes en boucle fermée………...…………………………………………………….05

5. MODELE DU PREMIER ORDRE…….………………………...……………….……………....06

5.1. Mise en équations...……………………………………………………………………....06

5.2. Réponse indicielle………………………………………………………………………..06

6. MODELE DU DEUXIEME ORDRE……………………………………………………………...07

6.1. Mise en équation………………………………………………………………………....07

6.2. Réponse indicielle………………………………………………………………………..07

7. PERFORMANCES DES SYSTEMES…………………………………………………………….08

7.1. Stabilité………………………………………………………………………………......08

7.2. Précision……….………………………………………………………………………....10

7.3. Rapidité…..……………………………………………………………………………....10

8. SYSTEMES DISCRETS………………………………………………………………………..11
 Sommaire

8.1. Echantillonnage…………………………………………………………………………..12
8.2. Quantification…………………………………………………………………………….12
8.3. Choix de la fréquence d'échantillonnage pour les systèmes……………………………..12

8.4. Discrétisation………………………………………………………...…………………..13
8.5. Formes générales des modèles échantillonnées linéaires…………………………….…..14
8.6. Modèles échantillonnes des procédés avec bloqueur…………………………………….14
8.7. Bloqueurs……………………………………………………………….………………..15
9. CONCLUSION………………………………………………………………………………..17
Chapitre II…………………………….………………………………………………………18

METHODES D’IDENTIFICATION DES SYSTEMES ……...…...……18

1.Introduction………………………………………………………………………………....18

2. PRINCIPE DE L’IDENTIFICATION DES MODELES DYNAMIQUES DE PROCEDE………...……… 18

2.1. Identification non paramétrique …………. ………………………………………...…...20

2.2. Identification paramétrique… ………………………….………………………………..20

3. ALGORITHMES D’IDENTIFICATION RECURSIFS ………………………...………..…………..22

3.1. Algorithme du gradient………… ……………………………………………………….22

3.2. Algorithme des MCR (Moindres Carrés Récursifs)………….………………………….26

4. CONCLUSION…………………………………………………………………………..…....26
Chapitre III……...…………………….………………………………………………………27

SIMULATION ET EVALUATION.…....................................................……27
1.Introduction………………………………………………………………………………....27

2. DETERMINATION DES PARAMETRES DEFINISSANT LE MOTEUR ……...……...…...27

3. METHODE DU GRADIENT ……………………………………………...………..…………..38

4. METHODE DES MOINDRES CARREES ……………….…………………….………………….46

5. INTERPRETATION DES RESULTATS ………………………...…….………………………….53

5.1 Algorithme de gradient ……………………………………………………………..…....53

5.2 Algorithme des moindres carrés récursifs…………….……………………………..…....54
 Sommaire

6. COMPARAISON………………………………………………………………………………………55

7. CONCLUSION ………………………………………………………………………………………55

CONCLUSION GENERALE……………………….………………………………….56
 LISTE DES FIGURES

Fig. I.1. Exemple d’un système………………………………………………………………..3

Fig. I.2. Système en boucle fermée avec régulateur…………………………………………...5

Fig.I.3. Réponse indicielle d’un système de 1er ordre…………………………………………7
Fig.I.4. Réponse indicielle d’un système du second ordre à coefficient d’amortissement
inférieur à 1…………………………………………………………………………………….8
Fig. I.5. Evolution de deux systèmes régulés instables : inacceptable………………………...9
Fig. I.6. Systèmes régulés stables avec amortissement acceptable…………………………….9
Fig. I.7. Systèmes régulés stables très amortis……………………………………………….10
Fig. I.8. Précision statique……………………………………………………………………10

Fig. I.9. Mesure du temps de réponse à 5%..............................................................................11

Fig.I.10. Système de régulation numérique…………………………………………………..11

Fig. I.11. Commande d'un procédé par l'intermédiaire d'un convertisseur numérique
analogique suivi d'un bloqueur d'ordre zéro……………………………………15

Fig. I.12. Entrée u (kTe ) et sortie u (t ) d'un bloqueur d'ordre zéro…………………………..16

Fig. I.13. Fonction de transfert d'un bloqueur d'ordre zéro…………………………………..16

Fig. II.1. Chaine de régulation………………………………………………………………..19

Fig. II.2. Principe de l’estimation des paramètres d’un modèle……………………………...21

Fig. II.3. Etapes de l’identification des systèmes……………………………………………22

Fig. II.3. Principe de la méthode du gradient…………………………………...……………24

Fig. II.4. Evolution d’un algorithme d’adaptation de type gradient………………………….26

Fig. III.1. Représentation du moteur à courant continu…………………………………….33

Fig. III.2. Schéma bloc du moteur à courant continu………………………………………...35

Fig. III.3. Organigramme de l’algorithme du gradient………………………………………..38

Fig III.4 évolution de paramètre réel a1 et la valeur estimé de a1……………………………………...39

Fig III.5 évolution de paramètre réel b1 et la valeur estimé de b1…………………………………...40

Fig III.6 évolution de paramètre réel c1 et la valeur estimé de c1……………………………………...40

Fig III.7 évolution de la sortie réelle et la sortie estimée……………………………………………...41

Fig III.8 évolution de l’erreur…………………………………………………………………………42

Fig III.9 évolution de paramètre réel a1 et la valeur estimé de a1……………………………………43

Fig III.10 évolution de paramètre réel b1 et la valeur estimé de b1…………………………44

Fig III.11 évolution de paramètre réel c1 et la valeur estimé de c1…………………………44
Fig III.12 évolution de la sortie réelle et la sortie estimée…………………………………...45
Fig III.13 évolution de de l’erreur……………………………………………………………46
Fig. III.14. Organigramme de l’algorithme des moindres carrées récursif…………………..47
Fig III.15 évolution de paramètre réel a1 et la valeur estimé de a1…………………………………..48
Fig III.16 évolution de paramètre réel b1 et la valeur estimé de b1………………………………….49

Fig III.17 évolution de paramètre réel c1 et la valeur estimé de c1…………………………49

Fig III.18 évolution de la sortie réelle et la sortie estimée…………………………………...50
Fig III.19 évolution de de l’erreur……………………………………………………………50
Fig III.20 évolution de paramètre réel a1 et la valeur estimé de a1…………………………51
Fig III.21 évolution de paramètre réel b1 et la valeur estimé de b1…………………………52
Fig III.22 évolution de paramètre réel c1 et la valeur estimé de c1…………………………52
Fig III.23 évolution de la sortie réelle et la sortie estimée…………………………………...53
Fig III.24 évolution de de l’erreur……………………………………………………………53
 INTRODUCTION GENERALE

Actuellement, l’énergie consommée en milieu industriel, est en grande partie d’origine

électrique. Cette énergie est essentiellement transformée en énergie mécanique par
l’intermédiaire des moteurs électriques.
Les machines à courant continu de conception usuelle sont réalisées pour différentes gammes
de puissances, de tensions et de vitesse de rotation. Cependant la présence du collecteur limite
ces machines en puissance et en tension. Leur about principal réside dans la simplicité de
commande et de régulation.

Même si elles sont de moins en moins utilisées dans le domaine de l’industrie, leur emploi
comme moteur reste sans équivalent dans le domaine des faibles vitesses ; les équipements
domestiques, automobiles (essuie glaces, ventilateurs, démarreur), …
La machine à courant continu est un convertisseur d'énergie, totalement réversible, elle peut
fonctionner soit en moteur, convertissant de l'énergie électrique en énergie mécanique, soit en
génératrice, convertissant de l'énergie mécanique en énergie électrique. Dans les deux cas un
champ magnétique est nécessaire aux différentes conversions. Cette machine est donc un
convertisseur électromécanique.

Plusieurs axes de recherches sont destinés à l’étude de cette machine : sa modélisation et sa

commande. Ainsi, il est exigé dans l’élaboration des lois de commande performantes, un
modèle fiable et suffisamment précis par la connaissance de ses paramètres. De nos jours, un
afflux des travaux de recherche consistent en l’identification des paramètres des machines
électriques par différentes méthodes en guise de réaliser les meilleures approches possibles du
modèle de la machine. L’identification paramétrique de la machine à courant continu est l’un
des objectifs les plus importants en vue de sa simulation, sa commande et son diagnostic.

L’objectif assigné à ce travail est la mise en œuvre des différentes méthodes d’identification
des paramètres de la machine à courant continu qui s’avèrent simples et classiques.
Le présent mémoire sera structuré de la manière suivante :

1
Le premier chapitre sera consacré à présenter les aspects généraux sur les systèmes linéaires
en se focalisant sur les systèmes du premier et de second ordre.
Dans le second chapitre, une présentation des différentes techniques d’identification et leur
classification et les algorithmes utilisés pour notre application à savoir l’algorithme des
moindres carrées récursif et celui du gradient.
Au sein du troisième chapitre, l’application des deux méthodes présentées sera effectuée aussi
bien sur la machine à courant continu, suivie d’une analyse des résultats obtenus et une
comparaison entre les deux algorithmes.
Et enfin ce travail sera terminé par une conclusion générale.

2
Chapitre I Notions sur les systèmes asservis

CHAPITRE I

NOTIONS SUR LES SYSTEMES ASSERVIS

1. INTRODUCTION :

L’étude des systèmes asservis ou plus généralement la notion de contrôle de processus, fait
partie intégrante de nombreux domaines scientifiques et techniques, comme l’électronique, la
mécanique, l’électrotechnique,…etc. c’est pourquoi il est nécessaire d’aborder une discipline
par l’étude de sa théorie, pour pouvoir disposer d’un savoir interdisciplinaire, puis de
poursuivre par l’étude de ses applications, pour être directement apte à mettre en œuvre. Ce
premier chapitre est plutôt introductif consacré aux notions de base relatifs à la théorie des
systèmes.

2. DEFINITIONS :
Système : Un système est une combinaison de composants qui agissent ensemble pour réaliser
un certain objectif. Le concept du système peut être appliqué à des phénomènes dynamiques
tels que ceux rencontrés en économie. Le mot système peut être utilisé dans les divers
domaines physiques, biologiques, économiques, et similaires. [1]
Un système est un dispositif qui reçoit un ou plusieurs signaux d’entrée, provenant d’une
action extérieure et délivrant un ou plusieurs signaux de sortie, caractérisant son état. [2]
Exemple :

Fig. I.1. Exemple d’un système

3
Chapitre I Notions sur les systèmes asservis

La grandeur ordonnée qui constitue l’entrée, est aussi appelée consigne ; la grandeur de sortie
est aussi appelée réponse.
Perturbation : est un signal indésirable affectant la sortie du système. Ce signal peut être
généré par le système (perturbation interne) ou d’une source externe (perturbation externe).
[1]
3. TRANSFORMEE DE LAPLACE :
3.1. Définition :
Si f (t ) est une fonction du temps que nous supposons nulle pour t<0, il lui correspond la
transformée de Laplace F(s) :
∞
F ( s) = L( f (t )) = ∫ e − st f (t )dt (I.1)
0

La fonction F(s) est une fonction complexe d’une variable complexe s (avec : s = τ + jω ).
La transformée de Laplace d’une fonction f(t) n’existe pas dans tous les cas : il est nécessaire
que l’intégrale ci-dessus converge. Cette convergence est vérifiée si la partie réelle τ de la
variable s est supérieure à une valeur donnée α appelée seuil de convergence.
D’une manière plus générale, la transformation de Laplace est une application de l’espace des
fonctions du temps (nulles pour t < 0) vers l’espace des fonctions complexes d’une variable
complexe. La fonction f(t) s’appelle l’original de F(p), ou encore sa transformée inverse. [4,
5]
3.2. Propriétés et théorèmes
Les propriétés de la transformée de Laplace sont réunies dans :
Linéarité :
∗ + ∗ = ∗ + ∗ (I. 2)
Dérivation :
′
= ∗ − 0 (I.3)
Dérivation d’ordre n
= ∗ − ∗ 0 −⋯− ∗ 0 − 0 (I.4)
(n>0)
Intégration :

= (I.5)

Retard :
− = (I.6)

4
Chapitre I Notions sur les systèmes asservis

Changement d’échelle :

∗ = ! " (I.7)

4. FONCTION DE TRANSFERT :
4.1. Définitions :
Un système physique, ou processus est dit « linéaire » si son évolution est régie par un
système d’équations différentielles à coefficients constants.
On note u(t) l’entrée (commande) de ce système et y(t) sa sortie.

Si les conditions initiales sont supposées nulles la transformée de Laplace de l’équation

différentielle liant y(t) à u(t) permet d’écrire Y(s)=F(s).U(s), F(s) désignant la fonction de
transfert ou transmittance du système qui est une fraction rationnelle en s.
Exemple :
a0 y (t ) + a1 y ' (t ) + y '' (t ) = b0 u (t ) + b1u ' (t ) (I.7)

a0Y ( s ) + a1 sY ( s ) + s 2Y ( s ) = b0U () + b1 sU ( s ) (I.8)

b0 + b1 s Y ( s)
Soit : Y ( s) = U (s) et F (s) = (I.9)
a0 + a1 s + s 2 U ( s)

On appelle pôles les racines du dénominateur de la fonction de transfert et zéros les racines
de son numérateur. [4]
4.2. Systèmes en boucle fermée
Les systèmes de régulation opèrent en boucle fermée, la commande est une fonction de la
différence entre la consigne et la valeur réelle de la variable à réglée. Ils sont constitués par la
mise en cascade d'au moins deux systèmes dynamiques, le procédé et le régulateur.
Régulateur Procédé
u (t ) y(t )
r(t ) +
G1 ( s) G2 ( s)
-

Fig. I.2. Système en boucle fermée avec régulateur

La fonction de transfert du système en boucle fermée est donnée par :

5
Chapitre I Notions sur les systèmes asservis

G1 ( s)G 2 ( s)
G BF ( s) = (I.10)
1 + G1 ( s)G 2 ( s)
La stabilité du système en boucle fermée sera déterminée par les parties réelles des racines du
dénominateur de la fonction de transfert G BF (s) .

5. MODELE DU PREMIER ORDRE :

5.1. Mise en équations
Les systèmes du premier ordre sont régis par des équations différentielles du premier degré.
Leur fonction de transfert possède donc au maximum un zéro et un pôle. En physique, de tels
systèmes sont très nombreux et, en général, ils ne possèdent pas de zéro. L’équation la plus
couramment rencontrée est donc du type :
dy(t )
T + y (t ) = Ke(t ) (I.11)
dt
Les deux constantes T et K sont des nombres réels en général positifs. T est appelée constante
de temps du système. K est appelée le gain statique.
Ces systèmes sont encore parfois également systèmes à une seule constante de temps.
La fonction de transfert du système se déduit immédiatement de l’équation différentielle qui
régit son fonctionnement en appliquant la transformation de Laplace aux deux membres :
Y ( s) K
G( p) = = (I.12)
E ( s ) 1 + Ts
5.2. Réponse indicielle
On étudie la réponse du système à un échelon unitaire e(t) = u(t). On a donc :
1
E ( s) =
s
1 K
Y ( s ) = G ( s ). = (I.13)
s s (1 + Ts )

On calcule facilement y(t) à partir de la table des transformées de Laplace :

t
−
y (t ) = K (1 − e T ) (I.14)

La constante de temps du système doit être facilement mise en évidence sur le graphique
(figure I.3).

6
Chapitre I Notions sur les systèmes asservis

Fig.I.3. Réponse indicielle d’un système de 1er ordre.

On peut définir, à partir de ce graphe, le temps de réponse tr du système, par le temps au bout
duquel la sortie atteint sa valeur asymptotique (on dit aussi de sa valeur à l’infini) à 5 % près.
Il est facile de vérifier que ce temps de réponse est de l’ordre de 3T. [5]

6. MODELE DU DEUXIEME ORDRE

6.1. Mise en équation
Les systèmes du second ordre sont régis par des équations différentielles du second degré.
Leur fonction de transfert possède donc au maximum deux zéros et deux pôles. En physique,
de tels systèmes sont très nombreux et, en général, ils ne possèdent pas de zéro. L’équation la
plus couramment rencontrée est donc du type :
1 d 2 s (t ) 2ξ ds (t )
+ + s (t ) = Ke(t ) (I.15)
ω n2 dt 2 ω n dt
Les trois constantes ωn, ξ (prononcer ksi) et K sont des nombres réels en général positifs. ωn
est appelée pulsation propre du système ; ξ est appelée coefficient ou facteur d’amortissement.
K est le gain statique du système.
La fonction de transfert du système se déduit immédiatement de l’équation différentielle qui
régit son fonctionnement en appliquant la transformation de Laplace aux deux membres :
Y ( s) K
G( s) = = (I.16)
E (s) s 2 2ξs
+ +1
ω n2 ωn
6.2. Réponse indicielle
On étudie la réponse du système à un échelon unitaire e(t) = u(t).
On a donc :

7
Chapitre I Notions sur les systèmes asservis

1
E ( s) =
s
G(s) K
Y ( p) = = (I.17)
s s2
2ξs
s( 2 + + 1)
ωn ωn

Pour calculer l’expression de s(t), il suffit d’invoquer la transformée de Laplace inverse à

l’aide d’un logiciel de calcul formel comme Mathematica. Trois cas sont à considérer selon le
signe du discriminant du polynôme du dénominateur. [5]
La figure I.4 montre l’exemple d’une réponse indicielle pour le cas de ξ<1.

Fig.I.4. Réponse indicielle d’un système du second ordre à coefficient d’amortissement

inférieur à 1.

7. PERFORMANCES DES SYSTEMES

Les performances exigées les plus rencontrées en industrie sont la stabilité, la rapidité et la
précision
7.1. Stabilité :
C’est la performance essentielle pour un système. En effet un système instable se caractérise
soit par des oscillations d’amplitudes plus en plus grandes de la grandeur observée (courbe 1
figure I.5), soit par une croissance irréversible négative ou positive de la grandeur observée
(courbe 2) dans les deux cas il ya risque de détérioration physique du système et donc
d’insécurité.

8
Chapitre I Notions sur les systèmes asservis

25

20 1

15

10

5
2
0

-5

-10

-15
0 1 2 3 4 5 6 7
(seconds)

Fig. I.5. Evolution de deux systèmes régulés instables : inacceptable.

Un système est considéré comme stable si, pour une variation d’amplitude finie de la
consigne ou d’une perturbation, la mesure de la grandeur à maîtriser se stabilise à une valeur
finie. Plus en régime transitoire d’un système soumis à une telle variation est amorti plus il est
stable. Le degré de stabilité est alors caractérisé par l’amortissement de ce régime transitoire
(figure I.6 et I.7). [6]

mesures des systèmes 1 et 2

25

1
20

2
15

10

0 t
0 1 2 3 4 5 6
temps (seconds)

Fig. I.6. Systèmes régulés stables avec amortissement acceptable.

La courbe 2 est plus amortie que la courbe 1 : le système 2 est plus stable que le système 1.

9
Chapitre I Notions sur les systèmes asservis

Mesures des systèmes 3 et 4

25

20

3
15

4
10

0
0 1 2 3 4 5 6 7 8
(seconds)

Fig. I.7. Systèmes régulés stables très amortis.

La courbe 4 est très amortie que la courbe 3. Le système 4 est plus stable que le système 3.
Ces systèmes sont plus stables que les systèmes 1 et 2 de la figure I.6.
7.2. Précision :
Il est naturel d’évaluer la précision d’un système en régulé en comparant l’objectif atteint par
rapport à celui exigé. La précision d’un système se mesure donc à l’écart entre la consigne
demandée et la mesure en régime permanent ; on parle alors de précision statique. Plus l’écart
statique est petit, plus le système est précis. L’évaluation de la précision statique s’effectue en
réalisant une variation rapide de consigne en amplitude et en mesurant la variation
d’amplitude finalement obtenue de la mesure. [6]

Mesures 1 et 2
12

10
1
8

6 2

0
0 1 2 3 4 5 6 7 8
(seconds)

Fig. I.8. Précision statique

7.3. Rapidité :
La rapidité d’un système régulé s’évalue par le temps que met la mesure à enter dans une zone
à ± 5% de sa variation finale (soit entre 95% et 105%). Ce temps s’appelle le temps de
réponse à 5% (figure I.9). Le système est d’autant plus rapide que le temps de réponse à 5%
est court. [6]

10
Chapitre I Notions sur les systèmes asservis

140

120
+5%
100
-5%
80

60

40

20

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

Fig. I.9. Mesure du temps de réponse à 5%

8. SYSTEMES DISCRETS :
Les systèmes discrets sont des systèmes dynamiques dans lesquels une ou plusieurs variables
peuvent se changer seulement à des instants de temps discrets. Ces instants de temps sont
dénotés par kT ( k = 0,1, 2, .... ), à chaque instant kT des mesures physiques et des
mémorisations s'effectuent. Les signaux des systèmes discrets doivent être sous forme de
mots numériques pour qu'ils puissent être traités par un calculateur.
Pour introduire un calculateur numérique ou un microprocesseur dans une boucle de
commande-régulation, on utilise le principe illustré dans la figure I.10.

Horloge

r (k ) e(k ) u (k ) u (t ) y(t ) y(k )

+ CNA Procédé
Calculateur + CAN
- BOZ

Procédé discrétisé

Fig.I.10. Système de régulation numérique

L'ensemble convertisseur N/A – procédé – convertisseur A/N représente le procédé

discrétisé dont l'entrée de commande est la séquence {u (k )} engendrée par le calculateur, la

sortie étant la séquence {y(k )} résultant de la conversion analogique/numérique de la sortie

du procédé y (t ) . Ce procédé discrétisé est caractérisé par un modèle dynamique échantillonné

qui décrit la relation entre la séquence de nombres {u (k )} et la séquence de nombres {y (k )} .

Cette approche offre de nombreux avantages. L'utilisation des microprocesseurs dans les
boucles de régulation transforme les modèles de procédés continus en des modèles

11
Chapitre I Notions sur les systèmes asservis

échantillonnés de procédés, les régulateurs continus en des algorithmes de régulation

numériques munis d'intelligence au niveau de conception. [7]
8.1. Echantillonnage
L'échantillonnage est un remplacement du signal continu par une séquence de valeurs se
succédant à intervalle constant (période d'échantillonnage), ces valeurs étant égales au signal
continu aux instants d'échantillonnage. L'opération d'échantillonnage est nécessaire lorsque on
fait entrer les données dans un calculateur numérique.
Théorème d'échantillonnage : théorème de Shannon
Un signal analogique y (t ) ayant une largeur de bande finie limitée à f max ne peut être

reconstitué exactement à partir de ses échantillons y (kT ) que si ceux-ci ont été prélevées

avec une fréquence d'échantillonnage supérieur ou égale à 2 f max .

8.2. Quantification
C'est la représentation des amplitudes d'un signal discrétisé par des nombres finis codés en
binaire.
8.3. Choix de la fréquence d'échantillonnage pour les systèmes
Le choix de la fréquence d'échantillonnage pour les systèmes automatiques se fait en fonction
de la bande passante désirée en boucle fermée. La règle utilisée pour le choix de cette
fréquence est la suivante :
f e = (6 à 25) f BPBF (I.18)
BF
Où f e est la fréquence d'échantillonnage, et f BP est la bande passante du système en boucle

fermée.
En appliquant cette règle à un système du premier ordre on trouve :
T0
< Te < T0 (I.19)
4
Où Te est la période d'échantillonnage et T0 est la constante de temps du système.

Pour un système du deuxième ordre on trouve :

0.25 ≤ ω 0Te ≤ 1.5 0 .7 ≤ ξ ≤ 1 (I.20)

Où ω 0 est la pulsation propre du système et ξ le coefficient d'amortissement.

12
Chapitre I Notions sur les systèmes asservis

8.4. Discrétisation
Le modèle échantillonné s'obtient par la discrétisation de l'équation différentielle décrivant le
modèle continu. Cette opération est utilisée pour la simulation sur calculateur numérique d'un
modèle continu.
Considérons à titre d'exemple la discrétisation de l'équation différentielle décrivant un modèle
du premier ordre suivante :

dy(t ) 1 k
+ y (t ) = u (t ) (I.21)
dt T T
Qui est caractérisée par la fonction de transfert suivante :
k
G (s) = (I.22)
1 + sT
Pour discrétiser on fait l'approximation suivante :
dy (t ) y[(k + 1)Te ] − y (kTe )
= (I.23)
dt Te
En remplaçant 23 dans 21 on obtient l'équation récurrente suivante :
y(k + 1) + a1 y(k ) = b1u (k ) (I.24)
Te k
Où a1 = − 1 < 0 , et b1 = Te .
T T
En introduisant l'opérateur de retard q −1 dans la relation I.24 on obtient l'opérateur de
transfert échantillonné d'un système du premier ordre :
y (k ) b q −1
H ( q −1 ) = = 1 −1 (I.25)
u ( k ) 1 + a1q
La fonction de transfert échantillonnée s'obtient en analysant le système dans le domaine
fréquentiel, et on trouve qu'elle est équivalente à la relation 25 sauf qu'en remplace l'opérateur
sTe
de retard q −1 par la variable complexe z = e .

Y ( z −1 ) b1 z −1
H ( z −1 ) = = (I.26)
U ( z −1 ) 1 + a1 z −1

Notons que la fonction de transfert en z −1 peut s'obtenir directement de l'équation

y (k )
récurrente 28 en utilisant l'opérateur de retard q −1 suivi du calcul de et le remplacement
u (k )

de q −1 par z −1 . Cette procédure s'applique bien entendu à tous les modèles décrits par des
équations récurrentes linéaires quelle que soit leur complexité.

13
Chapitre I Notions sur les systèmes asservis

Notons que les fonctions de transferts échantillonnées sont souvent écrites en q −1 étant

entendu que suivant le contexte la signification de q −1 est différente (opération de retard ou

variable complexe).
8.5. Formes générales des modèles échantillonnées linéaires
Un modèle échantillonné linéaire est décrit dans le cas général par l'équation récurrente :
n m
y ( k ) = −∑ a i y ( k − i ) + ∑ bi u ( k − d − i ) (I.27)
i =1 i =1

Où d correspond à un retard pur multiple entier de la période d'échantillonnage. En

introduisant l'opérateur de retard dans la relation 27 on aboutit à l'opérateur de transfert
échantillonné donné dans la relation suivante :
y ( q −1 ) − d B(q )
−1
H ( q −1 ) = = q (I.28)
u ( q −1 ) A( q −1 )
n
A( q −1 ) = 1 + ∑ a i q −i (I.29)
i =1

m
B ( q −1 ) = ∑ bi q −i (I.30)
i =1

La fonction de transfert échantillonnée caractérisant le système s'obtient alors en

remplaçant q −1 par z −1 :

−1 −d B ( z −1 )
H (z ) = z (I.31)
A( z −1 )
Pour les systèmes continus le gain statique correspond à s = 0 (fréquence nulle) dans la
sTe
fonction de transfert. Dans le cas discret, s = 0 correspond à z = e =1. Donc le
s=0
gain statique s'obtient en faisant z = 1 dans la fonction de transfert échantillonnée. [8]
8.6. Modèles échantillonnes des procédés avec bloqueur
Dans le paragraphe précédent on s'est intéressé aux modèles échantillonnés correspondant à la
discrétisation des entrées et des sorties d'un système continu. Mais dans un système de
commande par calculateur, la commande du procédé n'est pas continue. Elle est constante
entre les instants d'échantillonnage (effet du bloqueur d'ordre zéro).

14
Chapitre I Notions sur les systèmes asservis

CNA Procédé
+ CAN
u (kT e ) BOZ u (t ) G(s ) y (t ) y (kT e )

G (z −1 )
Fig. I.11. Commande d'un procédé par l'intermédiaire d'un convertisseur numérique
analogique suivi d'un bloqueur d'ordre zéro.
Il est important de pouvoir relier le modèle échantillonné du procédé discrétisé, qui donne la
relation entre la séquence de commande (produite par le régulateur numérique) et la séquence
de sortie (obtenue après la conversion analogique numérique), à la fonction de transfert G (s )
du procédé continu. Le bloqueur d'ordre zéro introduit une fonction de transfert en cascade
avec G (s ) . [7]
8.7. Bloqueurs
Le blocage des données est un processus qui génère un signal continu dans le temps u (t ) à

partir d'une séquence discrète u ( kTe ) . Le signal u (t ) dans l'intervalle kTe ≤ t < (k + 1)Te peut

être approximé par le polynôme en τ suivant :

h( kTe + τ ) = a nτ n + a n −1τ n −1 + ... + a1τ + a 0 (I.32)

Où 0 ≤ τ < T et k = 0,1, 2... . Notons que le signal h( kTe ) doit être égal à u ( kTe ) , alors :

h( kTe ) = u ( kTe ) (I.33)

Donc la relation I.33 devient :

h( kTe + τ ) = a nτ n + a n −1τ n −1 + ... + a1τ + u ( kTe ) (I.34)

Si le circuit de blocage des données est un polynôme extrapolateur d'ordre n , alors le

bloqueur est dit d'ordre n . Si n = 1 le bloqueur est d'ordre 1.
Le plus simple bloqueur de données est obtenue avec n = 0 , on l'appelle bloqueur d'ordre
zéro, il correspond à :
h( kTe + τ ) = u ( kTe ) (I.35)

de la relation 18 on conclu que le bloqueur d'ordre zéro transforme l'impulsion fournir par le
convertisseur N/A à l'instant d'échantillonnage en une impulsion rectangulaire de durée Te .

15
Chapitre I Notions sur les systèmes asservis

u (kTe )

kTe
0 Te 2T e 3Te 4Te

u(t )

Fig. I.12. Entrée u (kTe ) et sortie u (t ) d'un bloqueur d'ordre zéro

Pour un bloqueur d'ordre zéro la commande u (t ) est donnée par :

u (t ) = u (0)(1(t ) − 1(t − Te ) + u (Te )(1(t − Te ) − 1(t − 2Te ) + u ( 2Te )(1(t − 2Te ) − 1(t − 3Te ) ) + ...

Ou sous une forme compacte :

∞
u (t ) = ∑ u (kTe )(1(t − kTe ) − 1(t − (k + 1)Te ) (I.36)
k =0

Selon la transformée de LAPLACE on a :

e − kTe
L{1(t − kTe } = (I.37)
s
La transformée de LAPLACE de la relation 40 sera donc :
1 − e − sTe ∞
L{u (t )} = U ( s ) = ∑ u (kT )e e
− kTe s

S k =0
(I.42)
− sTe
1− e
= U (s) *

*
U (s ) − sTe
U (s )
1− e
s

Fig. I.13. Fonction de transfert d'un bloqueur d'ordre zéro

Où U * ( s) est la transformée de LAPLACE discrète de la séquence {u(kTe }. On voit

clairement que le bloqueur d'ordre zéro est caractérisé par la fonction de transfert:

16
Chapitre I Notions sur les systèmes asservis

1 − e − sTe
Gh0 ( s) = (I.38)
s
La fonction de transfert globale sera alors :
G ′( s ) = G h 0 ( s )G ( s ) (I.39)
À laquelle va correspondre une fonction de transfert échantillonnée.
Notons que les bloqueurs d'ordre supérieur donnent à leurs sorties des signaux plus précis,
mais leur inconvénient est la difficulté de réalisation et l'instabilité qu'ils peuvent introduire au
niveau du système en boucle fermée. [8]
9. CONCLUSION :
Dans ce chapitre nous avons présenté les notions générales sur les systèmes asservis, en
particulier les systèmes linéaires du premier et du deuxième ordre dont le modèle du moteur à
courant continu fait partie, en deuxième lieu nous avons entamé les systèmes discrets pour
projeter les mêmes notions déjà données pour les systèmes analogiques.

17
Chapitre II Méthodes d’identification des systèmes

CHAPITRE II

METHODES D’IDENTIFICATION DES SYSTEMES

1. INTRODUCTION :
Ce chapitre présente les différentes techniques d’identification paramétriques rencontrées
dans la littérature afin de privilégier la méthode qui va être utilisée ultérieurement dans
l’identification des paramètres des machines à courant continu
L’identification consiste à déterminer les paramètres d’un modèle mathématique, dont la
structure est établie selon un critère donné, les paramètres des modèles sont obtenus par la
minimisation de l’erreur de prédiction entre le signal de sortie mesuré et le signal estimé
suivant un critère d’optimalité par exemple : (moindres carrés, erreur quadratique moyenne,
maximum de vraisemblance). [9]
Un modèle doit être construit à partir de données observées. Un système réel est un objet
constitué d’éléments de complexité variable,

2. PRINCIPE DE L’IDENTIFICATION DES MODELES DYNAMIQUES DE PROCEDE :

Par définition, identifier un système consiste à obtenir une description du comportement de ce

système à partir de données expérimentales et de connaissances disponibles a priori, afin d’en
construire un modèle mathématique à comportement dynamique identique. [11]
Afin d’obtenir le fonctionnement désiré, la régulation doit agir en continu sur le procédé. Pour
cela il faut observer la grandeur à maitriser (observation), comparer cette grandeur a celle
désirée et déterminer l’action à entreprendre (réflexion) puis agir sur une ou plusieurs
grandeurs incidentes du procédé (action). On obtient alors une chaine de régulation (fig II.1).
[5]

18
Chapitre II Méthodes d’identification des systèmes

Observation

Procédé
Réflexion

Action

Fig. II.1. Chaine de régulation

Un modèle a pour but :

• d’accroître la connaissance d’un système physique sous l’aspect interne Ce modèle
sera alors dit de connaissance,
• de représenter le comportement global d’un système physique. Le modèle sera dit de
représentation.
Le premier modèle est nécessaire à la construction et au dimensionnement (i.e. détermination
des dimensions) d’un système industriel (exemple. Fabrication d’un véhicule, d’une
chaudière, d’une unité de production...). Dans ce modèle les coefficients caractérisant la
structure de l’objet sont explicités.
La nécessité du modèle de représentation apparaît dès que l’on désire :
commander un système dynamique (réaliser une commande optimale ou seulement
régler un régulateur à trois actions). On a recours alors à un modèle dit de conduite,
surveiller le comportement d’un système afin de déceler les anomalies par rapport à un
modèle de référence. [11]
Dans la pratique, l’objectif général de l’identification est la détermination de modèles de
conduite afin de simuler, d’analyser ou de commander un système. Pour cela, certains auteurs
considèrent que la détermination des modèles de connaissance est une tâche qui intéresse plus
les physiciens (ou les biologistes, etc.) que les automaticiens. [12]
Ainsi, nous sommes amenés à mettre en œuvre une méthodologie d’identification directe de
ces modèles dynamiques (de commande) qui sont sous deux types :

19
Chapitre II Méthodes d’identification des systèmes

Identification non paramétrique :

Les méthodes non paramétriques se comportent de façon neutre vis-à-vis des données, se
refusant à inclure trop d’à priori sur la véritable nature du signal. Elles consistent à déterminer
ce qui aurait été fait dans le cas idéal d’un signal déterministe connu et à bâtir des estimateurs
point par point de l’autocorrélation et du spectre.
Identification paramétrique :
Les méthodes paramétriques consistent à ajuster un modèle aux données observées.
Les paramètres des modèles, en nombre faible, caractériseront le signal ; on pourra ainsi
injecter des connaissances à priori sur le processus dynamique qui a engendré le signal. [13]
La procédure standard pour réaliser cet ajustement est l’identification paramétrique
Dans notre étude, nous nous intéresserons à l’identification des modèles dynamiques
paramétriques échantillonnés qui sont les plus appropriés pour la conception et l’ajustement
des systèmes numériques de commande et régulation
Il existe deux principales classes de méthodes paramétriques :

• Les méthodes paramétriques graphiques ou déterministes

L’objectif est d’obtenir des modèles paramétriques à partir de modèles non paramétriques,
type « réponse en échelon » ou « réponse en fréquence ».
• Les méthodes paramétriques statistiques (études stochastiques)
Il s’agit de mettre en place des algorithmes d’estimation automatique des paramètres des
modèles échantillonnés des procédés en utilisant un calculateur numérique. Le traitement des
données entrées / sorties peut se faire à l’aide d’algorithmes non récursifs (Traitement en bloc
des fichiers de données obtenues sur un horizon de temps) ou récursifs (Traitement pas à pas
des données), opérant avec des signaux d’excitation extrêmement faibles. Le second type
d’algorithme, présente l’avantage d’être « temps réel » et nécessite moins de ressources
mémoire en terme de calculs. [14]
La figure 2 illustre le principe de l’estimation des paramètres des modèles échantillonnés

20
Chapitre II Méthodes d’identification des systèmes

PROCEDE DISCRETISE

U(t) C.N.A+B. Y(t)

O.Z PROCEDE C.A.N

-
-
MODELE Yˆ (t )
ECHANTILLONNE
AJUSTABLE
ε (t )
PARAMETRES DU
MODELE ALGORITHME
D’ADAPTATION
PARAMETRIQUE

Fig. II.2. Principe de l’estimation des paramètres d’un modèle

L’identification d’un objet va comporter les étapes suivantes :
o exploitation de connaissances à priori, l’établissement de modèles analytiques,
o définition des conditions d’expériences,
o choix d’une structure de modèle, et de signaux d’analyse (étape de caractérisation),
o expérimentation et enregistrement de données,
o application d’algorithmes d’identification,
o vérification du modèle obtenu, et retour éventuel à la première étape. [11]
Les étapes de l’identification sont représentées dans la figure Fig. II.3.

21
Chapitre II Méthodes d’identification des systèmes

Données
expérimentales

Traitement des
signaux

Identification des
paramètres

Validation de
modèle

Fig. II.3. Etapes de l’identification des systèmes

3. ALGORITHMES D’IDENTIFICATION RECURSIFS
3.1. Algorithme du gradient :
L’algorithme d’adaptation paramétrique du gradient a comme objectif de minimiser un
critère quadratique en terme de l’erreur de prédiction.
Considérons le modèle discrétisé d’un procédé décrit par :
y (t + 1) = − a1 y (t ) + b1u (t ) = θ T φ (t ) (II.1)

où les paramètres a1 et b1 sont inconnus et où

θ T = [ a1 , b1 ] (II.2)

est le vecteur des paramètres et

φ T (t ) = [ − y (t ), u (t )] (II.3)
est le vecteur des mesures ou des observations.
L’objectif est d’identifier (ou plus exactement d’estimer) les valeurs des paramètres a1 et b1 .
Le modèle qui sera identifié aura la même structure que le modèle discrétisé du procédé. Pour

22
Chapitre II Méthodes d’identification des systèmes

identifier a1 et b1 , il faudra construire un modèle ajustable de la forme de l’équation (II.1) où

a1 et b1 seront remplacés par leurs estimations aˆ1 (t ) et bˆ1 (t ) qui seront ajustables et pilotés
par un algorithme d’adaptation paramétrique. L’effet de cet algorithme devra se concrétiser
par une réduction de l’écart entre la sortie réelle et la sortie prédite par ce modèle ajustable.
Le modèle ajustable de prédiction sera donc décrit par :
yˆ 0 (t + 1) = yˆ (t + 1 / θˆ (t )) = − aˆ1 (t ) y (t ) + bˆ1 (t )u (t )
(II.4)
= θˆ T (t )φ (t )
)
où y 0 (t + 1) représente la prédiction a priori dépendant de aˆ1 (t ) et bˆ1 (t ) qui sont

respectivement des estimations de a1 et b1 à l’instant t et où

θˆT (t ) = [aˆ1 (t ), bˆ1 (t )] (II.5)

est le vecteur des paramètres estimés.
La sortie du système a posteriori du prédicteur sera donnée par :
)
y (t + 1) = yˆ (t + 1 / θˆ (t + 1)) = − aˆ1 (t + 1) y (t ) + bˆ1 (t + 1)u (t )
(II.6)
= θˆ T (t + 1)φ (t )
On définit une erreur de prédiction a priori
)
ε 0 (t + 1) = y (t + 1) − y 0 (t + 1) (II.7)
et une erreur de prédiction a posteriori
)
ε (t + 1) = y (t + 1) − y (t + 1) (II.8)
On cherche un algorithme d’adaptation paramétrique récursif et avec mémoire. La structure
d’un tel algorithme est :
θˆ(t + 1) = θˆ (t ) + ∆θˆ(t + 1) = θˆ(t ) + f (θˆ(t ), φ (t ), ε 0 (t + 1)) (II.9)
Le terme de correction f(.) doit dépendre uniquement des informations disponibles à l’instant
t+1 (dernière masure y(t+1), paramètres de θˆ (t ) et éventuellement un nombre fini
d’informations aux temps t, t-1, t-2, ...t-n). le terme de correction doit nous permettre de
minimiser à chaque pas le critère

[
min J (t + 1) = ε 0 (t + 1) ]
2
(II.10)
θˆ (t )

La solution s’obtient par la technique du gradient.

En effet, si on représente les courbes iso-critère (J=const) dans le plan des paramètres a1 et b1
on obtient des courbes fermés concentriques autour de la valeur minimale du critère qui se
réduit au point a1 et b1 correspondant aux paramètres du modèle du procédé. Les courbes

23
Chapitre II Méthodes d’identification des systèmes

iso-critère s’éloignent de plus en plus du minimum au fur et à mesure que la valeur de

J=Const augmente. Ce ci est illustré dans la figure 3.
Pour minimiser la valeur du critère, on se déplace dans la direction inverse du gradient de la
courbe iso-critère correspondante. Ceci va nous conduire sur une courbe correspondant à
J=const, de valeur plus petite, tel que c’est indiqué dans la figure 3.

Fig. II.3. Principe de la méthode du gradient

L’algorithme d’adaptation paramétrique correspondant aura la forme :

∂J (t + 1)
θˆ(t + 1) = θˆ(t ) − F (II.11)
∂θˆ(t )
où F = αI (α > 0) est le gain d’adaptation matriciel (I-matrice diagonale unitaire) et de
∂J (t + 1)
dimension est le gradient du critère de l’équation 10 par rapport à θˆ (t ) .
∂θ (t )
ˆ

De l’équation 10, on obtient :

1 ∂J (t + 1) ∂ε 0 (t + 1) 0
= ε (t + 1) (II.12)
2 ∂θˆ(t ) ∂θˆ(t )
Mais
ε 0 (t + 1) = y (t + 1) − yˆ 0 (t + 1) = y (t + 1) − θˆ T (t )φ (t ) (II.13)
Et

∂ε 0 (t + 1)
= −φ (t ) (II.14)
∂θˆ(t )

24
Chapitre II Méthodes d’identification des systèmes

Introduisant l’équation 14 dans l’équation 12, l’algorithme d’adaptation paramétrique de

l’équation 11 devient :
θˆ(t + 1) = θˆ (t ) + Fφ (t )ε 0 (t + 1) (II.15)
où F est le gain matriciel d’adaptation. Deux choix sont possibles :
• F = αI ; α > 0

• F > 0 (matrice définie positive)

Si le gain d’adaptation (respectivement α ) est grand, il y a des risques d’instabilité dans
l’algorithme d’adaptation paramétrique donné par l’équation 15. On remédie à ce problème
d’instabilité en utilisant la même approche du gradient mais en considérant un autre critère :

min J (t + 1) = [ε (t + 1)]
2
(II.16)
θˆ (t + )

On obtient alors
1 ∂J (t + 1) ∂ε (t + 1)
= ε (t + 1) (II.17)
2 ∂θˆ(t + 1) ∂θˆ(t + 1)

des équations 6 et 8 on obtient

ε (t + 1) = y (t + 1) − yˆ (t + 1) = y (t + 1) − θˆ T (t + 1)φ (t ) (II.18)
et respectivement
∂ε (t + 1)
= −φ (t ) (II.19)
∂θˆ(t + 1)
Introduisant l’équation 19 dans l’équation 17, l’algorithme d’adaptation paramétrique de
l’équation 11 devient
θˆ(t + 1) = θˆ (t ) + Fφ (t )ε (t + 1) (II.20)

Cet algorithme dépend de ε (t + 1) qui est une fonction de θˆ(t + 1) . Pour pouvoir mettre en

œuvre cet algorithme, il faut exprimer ε (t + 1) en fonction de ε 0 (t + 1) :

ε (t + 1) = f (θˆ (t ), φ (t ), ε 0 (t + 1))
L’équation 18 peut se réécrire :

[ ]T
ε (t + 1) = y (t + 1) − θˆ T (t )φ (t ) − θˆ (t + 1) − θˆ (t ) φ (t ) (II.21)

Les deux premiers termes du membre droit correspondent à ε 0 (t + 1) et de l’équation 20, on a

θˆ (t + 1) − θˆ (t ) = Fφ (t )ε (t + 1) (II.22)
Ce qui permet d’écrire l’équation 21 sous la forme :

25
Chapitre II Méthodes d’identification des systèmes

ε (t + 1) = ε 0 (t + 1) − φ T (t ) Fφ (t )ε (t + 1) (II.23)

d’où on obtient la relation souhaitée entre ε (t + 1) et ε 0 (t + 1)

ε 0 (t + 1)
ε (t + 1) = (II.24)
1 + φ T (t ) Fφ (t )
et l’algorithme de l’équation 20 devient

Fφ (t )ε 0 (t + 1)
θˆ(t + 1) = θˆ(t ) + (II.25)
1 + φ T (t ) Fφ (t )

qui est un algorithme stable quel que soit le gain F (positif). La division par 1 + φ T (t ) Fφ (t )
introduit une normalisation qui réduit la sensibilité de l’algorithme par rapport à F et φ (t ) .
3.2 Algorithme des MCR (Moindres Carrés Récursifs) :
En utilisant l’algorithme du gradient, on minimise à chaque pas ε 2 (t + 1) ou plus exactement
on se déplace dans la direction de décroissance La plus rapide du critère ; avec un pas
dépendant de f. la minimisation de ε 2 (t + 1) à chaque pas n’entraîne pas nécessairement la
minimisation de :

∑ ti =0 ε 2 (i + 1)

sur un horizon, comme c’est illustré dans la figure (II.4). en effet, dans le voisinage de
l’optimum, si le gain n’est pas assez faible, on peut avoir des oscillations autour du minimum.
D’autre part, pour avoir une bonne vitesse de convergence au début quand on est loin de
l’optimum, il serait souhaitable d’avoir un grand gain d’adaptation. L’algorithme des
moindres carrés récursifs offre en fait un tel profil de variation du gain d’adaptation.

Fig. II.4. Evolution d’un algorithme d’adaptation de type gradient

On considère les mêmes équations pour le procédé, le modèle de prédiction et les erreurs de
prédiction utilisées dans l’algorithme du gradient, à savoir les équations 1 à 8.

26
Chapitre II Méthodes d’identification des systèmes

L’objectif est de trouver un algorithme récursif de la forme de l’équation 9 qui minimise le

critère des « moindres carrés » :

t
min J (t ) =
θˆ (t ) ∑ i =1
[ y (i) − θˆ T (t )φ (i − 1)]2 (II.26)

Le terme θˆ T (t )φ (i − 1) correspond à :

θˆ T (t )φ (i − 1) = − aˆ1 (t ) y (i − 1) + bˆ1 (t )u (i − 1)
(II.27)
= yˆ (i / θˆ (t ))

C’est donc la prédiction de la sortie à l’instant i (i ≤ t ) basée sur l’estimation des paramètres à
l’instant t obtenue à l’aide de t mesures.

Dans un premier temps, il s’agit d’estimer un paramètre θ à l’instant t pour qu’il minimise la
somme des carrés des écarts entre le procédé et le modèle de prédiction sur un horizon de t
mesures . la valeur de θˆ (t ) qui minimise le critère 26 s’obtient en cherchant la valeur qui
∂J (t )
annule :
∂θˆ(t )

∂J (t )
= −2 ∑ ti =1 [ y (i ) − θˆ(t ) T φ (i − 1)]φ (i − 1) = 0 (II.28)
∂θ (t )
ˆ

de l’équation 28, on obtient :

[
θˆ(t ) = ∑ ti =1 φ (i − 1)φ (i − 1) T ] −1
∑ ti =1 y (i )φ (i − 1)
(II.29)
= F (t ) ∑ ti =1 y (i )φ (t − 1)

Où

F (t ) −1 = ∑ ti =1 φ (i − 1)φ (i − 1) T (II.30)

Cet algorithme d’estimation n’est pas récursif. Pour obtenir un algorithme récursif, on
considère l’estimation de θˆ (t + 1) :

θˆ(t + 1) = F (t + 1) ∑ ti =+11 y (i)φ (i − 1) (II.31)

F (t + 1) −1 = ∑ ti =+11 φ (i − 1)φ (i − 1) T = F (t ) −1 + φ (t )φ (t ) T (II.32)

Qu’on essaye d’exprimer en fonction de θˆ(t ) :

27
Chapitre II Méthodes d’identification des systèmes

θˆ(t + 1) = θˆ (t ) + ∆θˆ(t + 1) (II.33)

De l’équation 31, on a :

∑ ti =+11 y(i)φ (i − 1) = ∑ ti =1 y (i)φ (i − 1) + y(t + 1)φ (t ) + φ (t )φ (t ) T θˆ(t ) − φ (t )φ (t ) T θˆ(t ) (II.34)

En tenant compte des équations 31 et 29, l’équation 34 peut se réécrire :

∑ ti =+11 y (i )φ (i − 1) = F (t + 1) −1θˆ (t + 1)
(II.35)
= F (t ) −1θˆ(t ) + φ (t )φ (t ) T θˆ(t ) + φ (t )[ y (t + 1) − θˆ (t ) T φ (t )]

Mais tenant compte des équations 32, 4 et 7 on obtient :

F (t + 1) −1θˆ(t + 1) = F (t + 1) −1θˆ(t ) + φ (t )ε 0 (t + 1) (II.36)

En multipliant à gauche par F(t+1) il résulte :

θˆ (t + 1) = θˆ (t ) + F (t + 1)φ (t )ε 0 (t + 1) (II.37)

L’algorithme d’adaptation de l’équation 37 a une forme récursive similaire à l’algorithme

du gradient donné dans l’équation 15 avec la différence que la matrice de gain F(t+1) est
maintenant variable dans le temps car elle dépend des mesures (elle corrige automatiquement
la direction du gradient et la longueur du pas). Il reste à donner une formule récursive pour
F(t+1) à partir de la formule récursive pour F(t+1 ) −1 donnée dans l’équation 32. Ceci
s’obtient en utilisant le lemme « d’inversion matricielle » (donnée ci-dessous sous une forme
simplifiée) :

Lemme : soit F une matrice régulière de dimension ( n × n) et φ un vecteur de dimension n,

alors :

Fφφ T F
( F −1 + φφ T ) −1 = F − (II.38)
1 + φ T Fφ

On obtient alors des équations 32 et 38 :

F (t )φ (t )φ (t ) T F (t )
F (t + 1) = F (t ) − (II.39)
1 + φ (t ) T F (t )φ (t )

28
Chapitre II Méthodes d’identification des systèmes

et en regroupant les différentes équations nous obtenons ainsi l’algorithme d’adaptation

paramétrique (A. A .P.) des moindres carrés récursifs (M .C. R) :

θˆ(t + 1) = θˆ (t ) + F (t + 1)φ (t )ε 0 (t + 1) (II.40)

F (t )φ (t )φ (t ) T F (t )
F (t + 1) = F (t ) − (II.41)
1 + φ (t ) T F (t )φ (t )

ε 0 (t + 1) = y (t + 1) − θˆ (t ) T φ (t ) (II.42)

Une forme équivalente de cet algorithme s’obtient en introduisant l’expression de F(t+1)

donnée par l’équation 41 dans l’équation 40. On obtient alors :

[θˆ(t + 1) − θˆ(t )] = F (t + 1)φ (t )ε 0 (t + 1)

ε 0 (t + 1) (II.43)
= F (t )φ (t )
1 + φ (t ) T F (t )φ (t )

Mais d’après les équations 7 et 8 on a :

ε (t + 1) = y (t + 1) − θˆ(t + 1) T φ (t )
= y (t + 1) − θˆ(t ) T φ (t ) − [θˆ(t + 1) − θˆ(t )]Tφ (t )
ε 0 (t + 1)
= ε 0 (t + 1) − φ (t ) T F (t )φ (t ) (II.44)
1 + φ (t ) T F (t )φ (t )
ε 0 (t + 1)
=
1 + φ (t ) T F (t )φ (t )

qui exprime la relation entre l’erreur de prédiction « a posteriori » et l’erreur de prédiction « a

priori ». en utilisant cette relation dans l’équation 43 on obtient une forme équivalente de
l’algorithme d’adaptation paramétrique des moindres carrés récursifs :

θˆ(t + 1) = θˆ(t ) + F (t )φ (t )ε (t + 1) (II.45)

F (t + 1) −1 = F (t ) −1 + φ (t )φ (t ) T (II.46)

F (t )φ (t )φ (t ) T F (t )
F (t + 1) = F (t ) − (II.47)
1 + φ (t ) T F (t )φ (t )

29
Chapitre II Méthodes d’identification des systèmes

y (t + 1) − θˆ(t ) T φ (t )
ε (t + 1) = (II.48)
1 + φ (t ) T F (t )φ (t )

L’algorithme des moindres carrés que nous avons présenté jusqu’ici pour θˆ (t ) et φ (t ) de
dimension 2 se généralise pour n’importe quelle dimension résultant de la description des
systèmes discrets de la forme :

q − d B(q −1 )
y (t ) = u (t ) (II.49)
A(q −1 )

Où

A(q −1 ) = 1 + a1 q −1 + ... + a n q − n (II.50)

B(q −1 ) = b1 q −1 + ... + bm q − m (II.51)

qui s’écrit encore sous la forme :

y(t + 1) = − ∑ in=1 ai y(t + 1 − i) + ∑ im=1 bi u (t − d − i + 1) = θ T φ (t ) (II.52)

Où

θ T = [a1 ...a n, b1 ...bm ] (II.53)

φ (t ) T = [ − y (t )... − y (t − n + 1), u (t − d )...u (t − d − m + 1)] (II.54)

Le prédicateur ajustable « a priori » est donné dans le cas général par :

yˆ 0 (t + 1) = − ∑ in=1 aˆ i (t ) y (t + 1 − i ) + ∑ im=1 bˆi (t )u (t − d − i + 1)

(II.55)
= θˆ(t ) T φ (t )

θˆ(t ) T = [aˆ1 (t )...aˆ n (t ), bˆ1 (t )...bˆm (t )] (II.56)

Et pour l’estimation de θˆ (t ) on utilise l’algorithme donné dans les équations 45 à 48 avec la

dimension appropriée pour θˆ(t ), φ (t )etF (t )

Remarque :
L’algorithme des moindres carrés récursifs est un algorithme à gain d’adaptation décroissant.
Ceci se voit très clairement si nous considérons l’estimation d’un seul paramètre. Dans ce cas
F(t) et φ (t ) sont des scalaires et l’équation 47 devient :

30
Chapitre II Méthodes d’identification des systèmes

F (t )
F (t + 1) = ≤ F (t )
1 + φ (t ) 2 F (t )

L’algorithme des moindres carrés récursifs donne en fait de moins en moins de poids aux
nouvelles erreurs de prédiction donc aux nouvelles mesures.

En conséquence ce type de variation du gain d’adaptation ne conviendra pas pour

l’estimation des paramètres variables dans le temps.

4. CONCLUSION
Dans ce chapitre nous avons donner un aperçu général sur les méthodes l’identification
paramétrique des systèmes. Nous avons concentré sur la méthode la plus adaptée à
l’identification des systèmes tels que les moteurs à courant continu. Les deux algorithmes qui
sont utilisées dans le cadre de notre travail seront les moindres carrés récursifs et algorithme
de gradient.

31
Chapitre III Simulation et évaluation

CHAPITRE III

SIMULATION ET EVALUATION

1. INTRODUCTION :
Beaucoup d'algorithmes d'adaptation ont été développés pour concevoir une commande
adaptative. Le Least mean square (LMS), le recursive least squares (RLS) et leurs nombreuses
variantes sont parmi les méthodes les plus largement étudiées. Ces algorithmes ont été
grandement utilisés et appliquées à la résolution des problèmes tels que l'identification des
systèmes
Pour atteindre le but assigné par la présente étude, qui est l’identification de la fonction de
transfert d’un moteur à courant continu, il est indispensable de déterminer les paramètres
définissant le moteur.
2. DETERMINATION DES PARAMETRES DEFINISSANT LE MOTEUR
Actuellement, la machine à courant continu voit son domaine d’application se restreindre en
raison des avancées très significatives des machines à courant alternatif associées à leurs
électroniques de commande. [15]
L’avantage principal, qui a fait le succès du moteur à courant continu, est la facilité de la
commande de sa vitesse. [16]
Le moteur à courant continu, avec excitation séparée est le moteur de base des asservissements de
position. Dans le cas de cette dernière, les circuits de l’inducteur et de l’induit sont
indépendants du point de vue électrique. On parle aussi de machine à excitation séparée, à
flux constant ou à excitation constante. [17]
Les moteurs à courant continu sont excités par deux champs indépendants. Pour cela, on distingue
deux types de moteurs à courant continu :
• Les moteurs commandés par la tension d’induit à flux constant.

• Les moteurs commandés par le flux à courant d’induit constant.

32
Chapitre III Simulation et évaluation

Comme exemple, les moteurs à courant continu utilisés dans l’instrumentation utilisent un aiment
permanent comme source d’un champ magnétique constant (excitation), et le signal de commande
est alors appliqué à l’induit (commande par la tension d’induit).
Pour notre application, nous allons considérer le moteur à courant continucommandé par l’induit
représenté dans la figure 1.

Fig. III.1. Représentation du moteur à courant continu

: Résistance d’induit, ohms

: Inductance d’induit, henrys ;
: Courant d’induit, ampères ;
: Courant du champ d’excitation, ampères ;
: Tension de contrôle appliquée aux bornes de l’induit, volts ;
: f.e.m induite, volts ;
: Déplacement angulaire de l’axe du moteur, radians ;
: Couple délivré par le moteur, newton-mètre ;
: Moment d’inertie équivalent entre le moteur et la charge relative à l’axe du moteur, Ib.ft.
: Coefficient de frottement équivalent entre le moteur et la charge relative à l’axe du moteur,
N.m/rad/sec.
Le couple délivré par le moteur est proportionnel au produit du courant d’induit et au flux
d’excitation .
(III.1)
Où est une constante. Le couple peut donc être écrit sous la forme :
. . (III.2)
Où est une constante.
Dans ce type de moteurs, le courant de champ est maintenu constant, et pour un courant de
champ constant, le flux devient constant, et par conséquent le couple devient proportionnel au
courant d’induit :

33
Chapitre III Simulation et évaluation

. (III.3)

Où est dite constante du couple moteur. Quand le rotor tourne, une tension proportionnelle

au produit du flux et la vitesse angulaire est induite au niveau de l’induit. Pour un flux

constant, la tension induite est donc proportionnelle à la vitesse angulaire :

(III.4)

Où est la constante de la f.e.m induite.

La vitesse de ce type de moteurs est contrôlée par la tension appliquée aux bornes de
l’induit .

L’équation différentielle du circuit d’induit est donnée par :

+ + (III.5)

Le courant produit un couple qui sera appliqué à une inertie et un frottement, donc :

+ . (III.6)

Supposons que les conditions initiales sont nulles, et prenons la transformée de Laplace des
équations 4, 5 et 6 :

(III.7)

+ + (III.8)

+ (III.9)

Prenons comme entrée et comme sortie, on peut à partir des équations 7, 8 et 9

construire le diagramme de blocks correspondant à ce moteur comme le montre sur la figure
II.2.

La f.e.m induite est prise comme un signal de réaction qui est proportionnel à la vitesse
du moteur.
La fonction de transfert du système est alors donnée par :

34
Chapitre III Simulation et évaluation

!
"# $ % # %& $ %& %!!' (
(III.10)

L’inductance dans le circuit d’induit est généralement faible et peut être négligée. Si on la
néglige, l’équation 10 devient :

!)
(III.11)
*) %

!
Où : +
& %!!'
gain du moteur

& $
+ & %!!'
Constante de temps du moteur

I a (s) θ (s )
Ea (s) + 1
K
La s + Ra
- s ( Js + f )

Kbs

Fig. III.2. Schéma bloc du moteur à courant continu

Donc le système dont on veut identifier les paramètres est régit par le modèle Suivant :
- / +
, III. 12
. . + +1
Où :

. : entrée du système

- : sortie du système

, : Fonction de transfert continue du moteur à courant continu

!)
On a : , ⇨ 4 5 −1
7, 8
*) %

Où 9
est l’opérateur de la transformée inverse de Laplace, et 4 5 la réponse impulsionnelle
du moteur. Alors, on obtient

35
Chapitre III Simulation et évaluation

:
9
4 5 + − +.
;) (III.13)

La discrétisation de la relation 13 nous donne

<;
9
4 +− +.
;) (III.14)

Prenant la transformée en Z de la relation 14

, = >74 8 ∑∞
ABC 4 @5 . >
9A
(III.15)

On obtient alors la fonction de transfert discrète du moteur à courant continu suivante

:
I
EG 9H ;) J
D E
, = F E + : (III.16)
I
E9 GE9H ;) J

De la relation 16, on obtient le modèle discrétisé suivant

; ; ;
9 9 9
K 5+2 L1 + ;) MK 5 + 1 − ;) K 5 + + L1 −
;) MN 5 + 1 (III.17)

Posons :

;
9
O − L1 + ;) M

;
9
P ;)

;
9
Q + L1 + ;) M

Alors, l’équation 17 devient

K 5+1 −O K 5 − P K 5 − 1 + Q N 5 (III.18)

*
R 5

Où :

*
"O P Q (

R* 5 "−K 5 −K 5−1 N 5 (

36
Chapitre III Simulation et évaluation

Le modèle de prédiction proposé prendra alors la forme suivante :

KS 5 + 1 −OS 5 K 5 − PT 5 K 5 − 1 + Q̂ 5 N 5 (III.19)

T* 5 R 5

Où

T* 5 "OS 5 PT 5 Q̂ 5 (

R* 5 "−K 5 −K 5−1 N 5 (

Supposons pour la simulation que les paramètres du moteur à identifier sont O 0.5, P

0.45Q 0.8

3. METHODE DU GRADIENT
L’organigramme de la figure 3 montre l’identification par la méthode du gradient.
Début

Lecture des :
37
• paramètres du processus et du modèle
• conditions initiales
• temps final,pas
• pas de convergence
Chapitre III Simulation et évaluation

Formations des :

• Matrice C et TC
• Vecteurs RC et RTC

Temps=temps + pas

Calcul de :

KS 5 + 1 *
5 R 5

KSC 5 + 1 T* 5 R 5

Calcul de :

Z 5+1 K 5 + 1 − KSC 5 + 1

Calcul de :
[R 5 Z C 5 + 1
T 5+1 T 5 +
1 + R * 5 [R 5

temps≤ 5
Non

Oui

FIN

Fig. III.3. Organigramme de l’algorithme du gradient

Les résultats de l’identification sont montrés par les courbes suivantes avec un pas F=0.01 et
une entrée :
u(t)=sin(0.1*t)+sin(0.2*t)+sin(0.3*t)+sin(0.4*t)+sin(t)+
sin(2*t)+sin(3*t)+sin(4*t);

38
Chapitre III Simulation et évaluation

Fig III.4 Evolution de paramètre réel a1 et la valeur estimée de a1

39
Chapitre III Simulation et évaluation

Fig III.5 Evolution de paramètre réel b1 et la valeur estimée de b1

Fig III.6 Evolution de paramètre réel c1 et la valeur estimée de c1

40
Chapitre III Simulation et évaluation

Fig III.7 Evolution de la sortie réelle et la sortie estimée

41
Chapitre III Simulation et évaluation

Fig III.8 Evolution de l’erreur

42
Chapitre III Simulation et évaluation

Avec une autre entrée tel que :

u(t)=sin(0.1*t)+sin(0.2*t)+sin(0.3*t)+sin(0.4*t)+3*sin(t)
nous obtenons les résultats représentés par les courbes suivantes

Fig III.9 Evolution de paramètre réel a1 et la valeur estimée de a1

43
Chapitre III Simulation et évaluation

Fig III.10 Evolution de paramètre réel b1 et la valeur estimée de b1

Fig III.11 Evolution de paramètre réel c1 et la valeur estimée de c1

44
Chapitre III Simulation et évaluation

Fig III.12 Evolution de la sortie réelle et la sortie estimée

45
Chapitre III Simulation et évaluation

Fig III.13 Evolution de de l’erreur

46
Chapitre III Simulation et évaluation

4. METHODE DES MOINDRES CARREES

L’organigramme de la figure 4 montre l’identification par la méthode des moindres carrées.

Début

Lecture des :

• paramètres du processus et du modèle

• conditions initiales
• temps final,pas
• pas de convergence initial F

Formations des :

• Matrice C et TC
• Vecteurs RC et RTC

Temps=temps + pas

Calcul de :

KS 5 + 1 *
5 R 5

KSC 5 + 1 T* 5 R 5

Calcul de :

[ 5 R 5 Z0 5 + 1
T 5+1 T 5 +
1+R 5 [ R 5

Calcul de :
[ 5 R 5 R 5 *[ 5
[ 5+1 [ 5 —
1 + R 5 *[ R 5

Non
temps≤ 5

Oui
FIN

Fig. III.14. Organigramme de l’algorithme des moindres carrées récursif

47
Chapitre III Simulation et évaluation

Les résultats de l’identification sont montrés par les courbes suivantes, avec un pas initial
F=0.01 et une entrée :

u(t)=sin(0.1*t)+sin(0.2*t)+sin(0.3*t)+sin(0.4*t)++sin(t)+ sin(2*t)+sin(3*t)+sin(4*t);

Fig III.15 Evolution de paramètre réelle a1 et la valeur estimée de a1

48
Chapitre III Simulation et évaluation

Fig III.16 Evolution de paramètre réelle b1 et la valeur estimée de b1

Fig III.17 Evolution de paramètre réelle c1 et la valeur estimée de c1

49
Chapitre III Simulation et évaluation

Fig III.18 Evolution de la sortie réelle et la sortie estimée

Fig III.19 Evolution de de l’erreur

50
Chapitre III Simulation et évaluation

avec une autre entrée tel que :

u(t)=sin(0.1*t)+sin(0.2*t)+sin(0.3*t)+sin(0.4*t)+3*sin(t)
nous obtenons les résultats représentés par les courbes suivantes :

Fig III.20 Evolution de paramètre réel a1 et la valeur estimée de a1

51
Chapitre III Simulation et évaluation

Fig III.21 Evolution de paramètre réel b1 et la valeur estimée de b1

Fig III.22 évolution de paramètre réel c1 et la valeur estimée de c1

52
Chapitre III Simulation et évaluation

Fig III.23 Evolution de la sortie réelle et la sortie estimée

Fig III.24 Evolution de de l’erreur

53
Chapitre III Simulation et évaluation

5. INTERPRETATION DES RESULTATS

5.1 Algorithme de gradient

Les paramètres a1 et b1 et c1 :
On remarque que la valeur estimé de a1 converge de 0 vers la valeur réelle de a1 et elle
l’atteint à 250 itérations pour les deux entrées
On remarque que la valeur estimé de b1 converge de 0 vers la valeur réelle de b1 et elle
l’atteint à 300 itérations pour la première entrée 200 pour la deuxième entrée
On remarque que la valeur estimé de c1 converge de 0 vers la valeur réelle de c1 et elle
l’atteint à 250 itérations pour les deux entrées

Sortie réelle et estimée :

On distingue que les deux graphs des sortie réelle et estimées sont décalés en premier temps l
mais on remarque qu’ils ont le même comportement, avec l’évolution de temps les deux
graphs se rapproche jusque ce qu’ils deviennent identique à 60 itération pour la première
entrée et à 20 itérations pour la deuxième entrée.
Evolution de l’erreur :
On voie que l’erreur est importante dans un premier temps puis elle diminue jusqu’à ce
qu’elle tend vers 0 à 150 itérations pour la première entrée et à 50 itérations pour la deuxième
entrée

5.2 Algorithme des moindres carrées récursifs

Les paramètres a1 et b1 et c1 :
On remarque que la valeur estimée de a1 converge de 0 elle dépasse la valeur réel de a1 puis
elle se stabilise à itérations 300 pour la première entrée et 220 itérations pour la deuxième
entrée
On remarque que la valeur estimé de b1 converge de 0 vers la valeur réelle de b1 elle l’atteint
à 380 itérations pour la première entrée et 200 itérations pour la deuxième entrée
On remarque que la valeur estimé de c1 se converge de 0 vers la valeur réelle de c1 elle
l’atteint à 400 itérations pour les deux entrées et 280 itérations pour la deuxième entrée
Sortie réelle et estimée :
On distingue que les deux graphs des sortie réelle et estimée sont décalé en premier temps l
mais on remarque qu’ils ont le même comportement, avec l’évolution de temps les deux

54
Chapitre III Simulation et évaluation

graphs se rapproche jusqu’à ce qu’ils deviennent identique à 30 itérations pour la première

entrée et à 20 itérations pour la deuxième entrée
Evolution de l’erreur :
On voie que l’erreur est importante en premier temps puis il diminue jusqu’à ce qu’elle
s’annule à 300 itérations pour la première entrée et 200 itération pour la deuxième entrée
6. COMPARAISON :
L’algorithme de gradient LMS présente une bonne poursuite des données avec une erreur très
minime. La rapidité de convergence est assurée avec le bon pas choisi. La difficulté de
l’algorithme LMS réside dans le choix du pas d’adaptation qui est dépendant du signal
d’entrée.
L’algorithme des moindres carrées récursifs RLS est un algorithme d'une complexité plus
grande que le LMS, cependant il fournit une convergence plus rapide, une erreur asymptotique
plus faible et est peu sensible aux variations des valeurs propres du système.
On peut résumer la comparaison des deux méthodes dans le tableau suivant

Gradient Moindres carrés récursifs

Converge, rapide, stable, simple, robuste Converge, très rapide, stable, robuste, une
très bonne poursuite, calcul complexe et
long.

7. CONCLUSION
Dans ce chapitre nous avons appliqué les deux algorithmes d’identification paramétrique
(RLS et LMS) sur la fonction de transfert d’une machine à courant continue à excitation
indépendante.
Nous avons constaté que l’algorithme des moindres carrés récursif donne des résultats
meilleurs que l’algorithme de gradient mais il est plus complexe et nécessite plus de calcul.

55
 CONCLUSION GENERALE

A travers ce travail, nous avons présenté et étudié l’identification paramétrique par la méthode
du gradient et la méthode des moindres carrés. Comme procédé, nous avons choisi un moteur
à courant continu.
L’identification paramétrique des machines électriques, particulièrement la machine à courant
continu, constitue un axe de recherche fructueux et très important en vue de sa simulation, sa
commande et son diagnostic.
Ce travail a été pour nous, le premier pas vers un monde nouveau et complexe, mais très
intéressant. L’identification est un sujet aussi vaste que varié ; il exige des connaissances sur
le procédé à identifier et sur des concepts théoriques tels que les méthodes d’identification.

Notre recherche bibliographique dans le domaine de l’identification des systèmes, nous a

permis d’enrichir nos connaissances mais surtout d’acquérir une base théorique dans ce
domaine.

Comme perspectives à ce travail, on prévoit :

Etudier l’identification dans un environnement bruité.

Identifier des systèmes non linéaires.
Appliquer les techniques intelligentes à l’identification.

56
 RESUME

L’objectif assigné à ce travail est la mise en œuvre de deux algorithmes utilisés pour
l’identification paramétrique de la machine à courant continu à excitation indépendante à
partir de la fonction de transfert de cette dernière qui s’avèrent simples et classiques ces
algorithmes sont moindres carrés récursifs (RLS) et l’algorithme de gradient (LMS). En
utilisant ces algorithmes sous un programme MATLAB pour obtenir des résultats satisfaisants
suivis d’une comparaison entre ces algorithmes d’adaptation paramétrique qui se basent sur
l’estimation des paramètres. Notre travail est basé sur la différence entre les paramètres réelle
et estimés qui doit être plus proche de zéro.

Mots clés :

Machine à courant continu – identification – algorithmes d’adaptations paramétriques – RLS -

LMS

Abstract :

The objective set for this work is the implementation of two algorithms used for the
parametric identification of the continuous flow machine with separate excitation from the
transfert function of this later which seamse classic and simple these algorithms are recursive
least square (RLS) and the Least mean square (LMS). Using these algorithms in a MATLAB
program to achieve satisfactory result followed by a comparison between these algorithms
parametric adaptation that are based on parameter estimation. Our work is based on the
difference between actual and estimated parameters that needs to bec loser to zero

Key words :

DC machine – identification – parametric algorithms adaptation – RLS - LMS

BIBLIOGRAPHIE
[1] K. Ogata. "Automatic Control Engineering", Prentice Hall, fifth edition, 2010.
[2] H.Egon, M.Marie et P.Porée, Traitement du signal et automatique Tome I, HERMANN,
Editeurs des sciences et des arts, 2000.
[3] M. Rivoire et Jean-louis Ferrier, Cours d’automatique. Tome II, Asservissement Régulation
Commande analogique, Edition EYROLLES, PARIS 1996.
[4] C.SUEUR, P.VANHEEGHE, P.BORNE, Automatique des systèmes continus, Editions
TECHNIP, 1997.
[5] Y. Granjon, AUTOMATIQUE Systèmes linéaires, non linéaires, à temps continu, à temps
discret, représentation d'état Cours et exercices corrigés, DUNOD, 2010.
[6] P. Prouvost, Automatique Contrôle et Régulation, DUNOD, 2010.
[7] Ioan Doré Landau, Identification et commandes des systèmes, HERMES, Paris 1988.
[8] J.J. DI STEFANO, A. STUBBERUD et I.J. WILLIAMS, Systèmes asservis cours et
problèmes série Schaum, Edition française MICHAEL LOENBERG, PARIS 1990.
[9]A. Maddi, A. Guessoum, D. Berkani, O. Belkina. "Etude de la méthode des moindres carrée
récursive et application au signal de parole", 3rd International Conférence, TUNISIA, 2005.
[10] Gonzalo Cabodevila, Identification des systèmes, support de cours, École Nationale
Supérieure de Mécanique et des Microtechniques, Besançon, FRANCE
[11]Amine, HADJ ABDELKADER, Identification des Systèmes Linéaires. Université ABOU
BEKR BELKAÏD Tlemcen, 2007.
[12] P.Borne, J.P.Richard, Analyse et régulation des processus industriels, Editions TECHNIP,
Paris 1993.
[13] GACEM Salah Eddine, IDENTIFICATION DES SYSTEMES NON LINEAIRES PAR
RESEAUX DE NEURONES, Mémoire présenté en vue de l’obtention Du diplôme de Magister,
Université Mohamed Khider – Biskra 2015.
[14] S. COLONGES, Examen général d’ingénieur C.N.A.M. en automatisme industriel,
Laboratoire d’automatique Centre de Paris, 2002.

[15] M.Marty, D.Dixneuf, D.Garcia Gilabert. " Principes d'électrotechnique cours et exercices
corrigés ", Dunod, Paris, 2010

[16] P,Mayé " Aide-mémoire d'électrotechnique ", Dunod, Paris, 2006

[17] P.Brenders, L Douchet, M Sauzeix , " Electrotechnique PSI ", BRÉAL, 2004