Indpet1mas Lessons-Identification Debbah
Indpet1mas Lessons-Identification Debbah
Indpet1mas Lessons-Identification Debbah
Faculté de Technologie
Département de Pétrochimie et Génie des procèdes
Formation Master I
Tronc commun en génie pétrochimique
Semestre II
Les valeurs numériques caractérisant cette structure sont ensuite déterminées (à partir
d’essais expérimentaux) par des algorithmes que nous nous proposant de décrire dans la
suite.
Une autre démarche revient à considérer le système globalement comme "boite noire" et à
rechercher expérimentalement les relations "entrées-sorties". Mais cette méthode peut
conduire à un échec si les informations dont on dispose à priori ne sont pas suffisantes.
1.2 Systèmes dynamiques "objet" et "modèle« (aspect structurel)
1.2.1 Description de l’objet en vue d’une modélisation
un objet se présente comme une boite noire admettant des signaux d’entrée (ou de
commande) et des signaux de sortie (ou d’observation). Ces signaux (continus ou bien
discrets) sont accessibles à la mesure.
De telles représentations nous limitent donc d’emblée à la description dynamique des objets
quasi-linéaires (ou linéarisés autour d’un point de fonctionnement) et quasi-stationnaires
(les perturbations de structure K(t) sont à variations lentes).
Représentations non paramétriques
Représentations paramétriques
Représentations stochastiques
Les équations précédentes ne peuvent décrire le comportement d’un objet que lorsque
celui-ci est faiblement perturbé.
où b(k) et w(k) sont des bruits blancs discrets gaussiens de variance inconnue à priori.
Afin de réduire le nombre de paramètres à identifier la théorie du filtrage de Kalman
fournit une représentation simplifiée du système abstrait précédent 1.2
avec 𝑥 (𝑡) l’estimée de l’état x(k) et ν(k) une séquence de bruit blanc gaussien
(Innovation).
1.2.3 Modèles de conduite et de simulation
Le modèle est continu ou bien discret ? L’objet est en général continu. Il semble naturel d’en
établir un modèle lui aussi continu. En pratique, il en est parfois autrement. En effet :
Dans le cas d’un modèle de simulation :
- Le simulateur est analogique et un modèle continu s’impose.
- Le simulateur est numérique et les deux types de modèles sont envisageable
- sin(wt) : parfait d’un point de vue spectre (balayage en fréquence) mais peu de systèmes
acceptent ce genre d’entrées.
- 𝜹(t): parfait du point de vue théorique, mais, hormis en électronique, il est impossible de
réaliser un tel signal.
-u(t) : moins bon d’un point de vue spectral (u(f) = sinc(f)), mais facile à implanter
- b(t) : bruit blanc idéal d’un point de vue spectral mais comment le réaliser ?
Remarque : Il arrive que vous n’ayez aucune possibilité d’exciter le système (ex : machine en
production), il faudra alors profiter des commandes "naturelles" du système comme signal
d’entrée (Excitation) du système. Dans ce cas, le premier travail consiste à calculer le spectre
du signal d’entrée (FFT par exemple). Il faudra vérifier a posteriori que les constantes de
temps identifiées sont bien dans des domaines de fréquences dans lesquels le système a été
excité.
1.3.4 Les séquences binaires pseudo aléatoires (SBPA)
L’un des moyens de réaliser un signal "aléatoire" est la mise en œuvre de Séquences
Binaires Pseudo Aléatoires (en anglais PRBS : Pseudo Random Binary Sequence)
Fig. 1.20 — Objet inséré dans une Fig. 1.21 — Erreur : identification de
boucle de régulation l’inverse du régulateur
On considère le schéma de la figure 1.20. La consigne a ici pour rôle de fixer le point de
fonctionnement autour duquel on désire obtenir un modèle dynamique de l’objet (donc,
d’un point de vue dynamique, on peut considérer que C = 0).
L’expérience peut être menée de deux manières :
- On ajoute un signal d’analyse w et l’on observe w, u et 𝑦 0 que l’on exploite par la suite.
- On observe simplement u et 𝑦 0 (donc avec w = 0 - le signal de commande u
n’est pas constant car il dépend des perturbations v). Dans ce cas, lorsque le régulateur R
est linéaire , on montre que toute tentative d’identification du comportement dynamique
de l’objet, à partir des données u et 𝑦 0 , par des méthodes qui n’exigent pas explicitement
une structure causale du modèle (par exemple les méthodes fondées sur l’analyse
spectrale), conduit à identifier l’inverse du régulateur et non l’objet (cf. figure 1.21).
1.4 Algorithme d’identification
L’identification d’un objet (Systeme) va comporter les étapes suivantes :
1- Exploitation de connaissances à priori, l’établissement de modèles analytiques,
2- Définition des conditions d’expériences,
3- Choix d’une structure de modèle, et de signaux d’analyse (étape de caractérisation),
4- Expérimentation et enregistrement de données,
5- Application d’algorithmes d’identification,
6- Vérification du modèle obtenu, et retour éventuel à la première étape.1
En effet, si le vecteur paramètre est solution d’un système d’équation linéaire, une
méthode directe est possible, sinon on a recours à une méthode itérative.
Ce concept de linéarité en paramètre, fondamental pour les algorithmes d’identification,
est sans rapport avec la linéarité dynamique de la théorie des systèmes.
Chapitre 2
Méthodes directes
Nous allons distinguer dans ce chapitre les méthodes dites graphiques (c’est à- dire -
simples du point de vue théorique et expérimental - ne réclamant aucun calcul complexe)
de méthodes plus évoluées nécessitant l’utilisation de calculateurs numériques.
Il est à noter que ces méthodes graphiques, bien que n’étant pas toujours les plus
performantes, sont le plus couramment utilisées et appréciées dans le domaine
industriel.
2.1.1Analyse harmonique
Le modèle adopté est ici la réponse fréquentielle (modèle non paramétrique). Notons
que cette réponse est directement exploitable pour la synthèse de correcteurs et l’étude
de la stabilité en théorie des asservissements.
Principe
Entrée sinusoïdale de type u = Asin(wt) , w balaye l’espace des pulsations susceptibles de
contenir une pulsation de coupure du système. En notant l’amplitude et le déphasage de
la sortie vis-à-vis de l’entrée on trace un diagramme de Bode. De l’analyse de ce
diagramme on détermine le modèle. Les résultats sont difficiles à exploiter si les
constantes de temps sont proches. Bonne excitation sur tout le spectre de fréquences. Ce
n’est pas une commande industrielle classique et par conséquent elle est difficile à
mettre en œuvre.
2.1.2 Réponse impulsionnelle
Idéalement la meilleure méthode car le spectre est constant. Mais il est impossible de
réaliser un Dirac correct, sauf peut-être en électronique...
2.1.3 Réponse indicielle
Le spectre est correct, la commande est facile à implanter car c’est une commande
classique. C’est la méthode la plus utilisée.
−𝑡
𝑇𝑚 𝑡 = 3 ∗ 5 ∗ 1 − 𝑒 10 + 80 en Degrée C
2.2.3 Systèmes du premier ordre retardés ou du second ordre non résonnant
La méthode de Broïda consiste à "faire coller" un modèle de la forme
sur la réponse du système. Les valeurs de T et de sont calculées à partir des relations
suivantes :
Retard T
Fig. 2.3 – Réponse d’un système du deuxième ordre non résonnant à un échelon.
En pratique, la prise en compte du retard pur est difficile dans une synthèse de
correcteur. On utilise donc l’approximation suivante :
2.2.4 Systèmes d’ordre supérieur à 2 non résonnants:
La méthode la plus connue est la méthode de Strejc. Le modèle est :
En pratique il est assez rare d’identifier un système intégrateur en boucle ouverte car le
système dérive rapidement en dehors de son domaine de linéarité (saturation, ...). En
pratique, on procède à une identification en boucle fermée.
Exemple
Méthode 01
Méthode 02
𝐾𝑟 𝐾0
𝐾0 𝑒 −𝜏𝑝 𝐴𝑜𝑢𝑡 (𝑤) = 1 =
𝐺 𝑝 = ( 1 + 𝑇 2 𝑤𝑐𝑟 2 )𝑛
(1 + 𝑇𝑃)𝑛
𝜑 𝑤 = −𝜋 = −𝜏𝑤𝑐𝑟 − 𝑛𝑎𝑟𝑐𝑡𝑔(𝑇𝑤𝑐𝑟 )
𝑇𝑐𝑟
𝑇= (𝐾𝑟 𝐾0 )2/𝑛 −1
2𝜋
𝑇𝑐𝑟 𝑛
𝜏= 1 − 𝑎𝑟𝑐𝑡𝑔 (𝐾𝑟 𝐾0 )2/𝑛 −1
2 𝜋
Déterminer Ko, T et 𝜏 et posant qui provoquera la même période de pompage que le système
réel
𝑇𝑐𝑟 1
𝜏= 1 − 𝑎𝑟𝑐𝑡𝑔 (𝐾𝑟 𝐾0 )2 −1
2 𝜋
Méthodologie pratique
On augmente le gain K du régulateur jusqu'à apparition de pompage, on fixe ce gain Kcr
2. On mesure la période de l’auto oscillation Tcr et on calcule K = Kcr.Ko
3. On déduit T et 𝜏 des formules établies
Le gain K0 est calculé à partir de l’erreur statique en boucle fermée
Exemple
Soit un processus et son correcteur bouclés à retour unitaire. On souhaite identifier le
processus selon les méthodes de Strejc et de Broïda.
Méthode de Strejc en BF
n=3 T=
𝜏=
D’où le modèle pour la commande proposé est :
Méthode de Broida en BF
T=
𝜏=
Figure: tracés des réponses indicielles dues aux modèles de Strejc et de Broïda
Méthode de Ziegler-Nichols
Tous comptes fait, le but principal de l’identification en automatique est la mise en place
d’un correcteur ou d’un régulateur afin d’améliorer les performances du système en boucle
fermée. Aussi l’on est en droit de se demander si cette étape d’identification est bien
nécessaire...
C’est exactement le principe de la méthode de Ziegler-Nichols, qui n’est pas une méthode
d’identification à proprement parler mais une méthode de réglage fondée sur des mesures
effectuées directement sur le système. La Figure résume la méthode.
Coefficients d’un PID réglé par les méthodes de Ziegler-Nichols et Chien-Hrones-Reswick :
essai indiciel et méthode du pompage.
Autres modèles ?
Dans la plupart des cas, l’un des modèles précédents sera suffisant. N’oubliez pas que nous
cherchons un modèle de comportement uniquement. Dans les quelques cas résistant aux
méthodes précédentes, un peu d’astuce permet de trouver une méthode pour déterminer
les constantes du système. Et si rien de ce qui précède ne vous aide, Il reste les méthodes
de modélisation paramétrique.
Chapitre 3
Algorithme général d’identification
Il faut répondre aux questions suivantes :
– Quel genre de modèle ?
– Paramétrique ou non paramétrique ?
– Quelles mesures effectuer ?
– Quel signal d’excitation ?
– Quelle structure adopter ?
– Doit-on y inclure des connaissances a priori ?
– Comment choisir le bon modèle parmi tous ceux calculés ?
– Ce modèle est-il adapté à ce que l’on va lui demander ?
Méthodes de calcul :
- lecture directe d'une table Transformées de Laplace → Transformées en z
- méthode simplifiée : effectuer dans H(p) les changements de variable suivants :
↔ équation de récurrence :
Exemple
3.1 Identification basée sur l’erreur de prédiction
Dans cette partie, nous supposerons que le modèle obtenu est un prédicteur, c’est à dire
qu’il permet de calculer la sortie à l’instant i en fonction des entrées et des sorties réelles
aux instants précédents 𝑢𝑖−𝑘 et 𝑦𝑖−𝑘
posons :
𝑒𝑖 sont les résidus de l’estimation. On obtient finalement :
Si nous possédons N mesures consécutives, on peut écrire N-n fois l’équation 3.1.
n est l’ordre supposé connu du polynôme A
P=m l’ordre du polynôme B.
Sous forme matricielle, on obtient :
soit
le critère J est :
donc
donc si
La fonction d’auto-corrélation ( fig. 3.7) montre bien que les résidus ei ne sont pas un bruit
blanc, notre estimateur est bien biaisé ! Il reste donc à trouvé une méthode qui permette
de rendre ce biais nul. Deux méthodes sont proposées ci-après : La méthode des moindres
carrés généralisés et la méthode de la matrice instrumentale.
Bruit blanc
Un bruit blanc (que nous supposerons de moyenne nulle) est un signal aléatoire dont les
échantillons successifs sont des variables aléatoires non corrélées. Il s’ensuit que la
fonction d’autocorrélation est nulle partout sauf en 0 :
La densité spectrale de puissance d’un bruit blanc est donc une constante :
qui est une forme connue et dont on sais que la solution est :
Les paramètres f de F sont donc déterminés à condition de disposer des résidus e. Mais
c’est justement pour les avoir que l’on déroule toutes ces équations...
La solution proposée consiste alors à procéder par itérations en utilisant une première
estimation des résidus ei obtenue par un premier modèle utilisant 𝜃une première
approximation des paramètres du système obtenue par la méthode des moindres carrés
simples.
L’algorithme est alors, à partir des entrées-sorties 1𝑢𝑖 = 𝑢𝑖 et 1𝑦𝑖 = 𝑦𝑖
Quelques remarques :
Pour que
il faut :
il n’y a plus de corrélation entre X2 et y1 (le bruit est stochastique et ergodique) le biais est
bien nul. La deuxième proposition consiste à créer les données nécessaires à la création de
la matrice X2 à l’aide d’un modèle de type moindre carrés simples issu de la première
campagne de mesure.
Exercice:
Prenant un model polynomial d’un système non linéaire continu :
Solution
𝜃 = [1 2 3]
3.6.Moindres carrés récursifs
L’estimation de paramètres par la méthode des moindres carrés simples présente un
inconvénient majeur, la nécessité de calculer l’inverse d’une matrice, ce qui est long et
parfois impossible sur un microcontrôleur. On se propose à travers cet exercice de
déterminer une forme récursive de cette estimation.
Les avantages d’une formulation récursive tiennent essentiellement en deux points.
– La possibilité de traiter un plus grand nombre de données que dans le cas de la
formulation directe (pas de pseudo-inverse à calculer), notamment dans le cas de
l’implantation sur un microcontrôleur.
– Dans le cas des systèmes variants dans le temps, la forme récursive permet de "suivre"
les paramètres du système. Dans ce cas, l’identification en ligne est généralement suivie
d’une commande qui elle aussi "s’adapte" aux paramètres courants, on entre alors dans le
domaine des commandes auto-adaptatives qui dépassent le cadre de ce cours.
Comme dans tout problème récursif on s’intéresse d’abord à la boucle, ensuite comment
on en sort et enfin comment on y entre. Supposons que nous possédions une estimation
des paramètres à l’instant 𝑁: 𝜃𝑁
où
Signal ergodique: Un signal aléatoire x(t) est ergodique si les valeurs moyennes
statistiques (moyennes d’ensemble) sont égales aux valeurs moyennes temporelles (sur une
réalisation).