0% ont trouvé ce document utile (0 vote)
188 vues67 pages

Indpet1mas Lessons-Identification Debbah

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1/ 67

Université de 20 Aout 1955 – SKIKDA

Faculté de Technologie
Département de Pétrochimie et Génie des procèdes
Formation Master I
Tronc commun en génie pétrochimique
Semestre II

Identification des systèmes


A.Debbah
2015-2016
1- Aspect généraux de l’identification
1.1.Présentation du problème
1.2. Systèmes dynamiques "objet" et "modèle" (aspect structurel)
1.3. Critère d’équivalence "objet-modèle" (aspect paramétrique)
1.4. Algorithme d’identification
2 -Méthodes directes
2.1. Analyse harmonique
2.2. Analyse indicielle
2.3 Analyse impulsionnelle
2.4. Approximation par un modèle paramétrique
2.5. Obtention d’un modèle non paramétrique
2.6 Obtention d’un modèle paramétrique
3- Algorithme général d’identification
3.1 Identification basée sur l’erreur de prédiction
3.2.Méthode des moindres carrés simples
3.4. Méthode des moindres carrés généralisés
3.5. Méthode de la Matrice Instrumentale
3.6. Moindres carrés récursifs
Chapitre 1:
Aspect généraux

1.1 Présentation du problème


1.1.1 Essai de définition de l’identification expérimentale

Identifier un système dynamique réel (appelé objet) c’est


caractériser un autre système (appelé modèle), à partir de la
connaissance expérimentale des entrées et sorties de manière à
obtenir identité de comportement.

Le modèle peut être un système physique (au sens de simulateur


analogique ou numérique et de modèle réduit), ou bien un système
abstrait (modèle mathématique, i.e. système d’équations
algébriques ou différentielles).
Exemple 1: Soit le moteur d’asservissement donné par la figure 1.1. Un modèle

Fig. 1.1 — Moteur d’asservissement à courant continu


physique pour cet objet peut être donné par la figure 1.2. Et un modèle mathématique pour
ce même objet est donné par l’équation 1.1.

Fig. 1.2 — Modèle physique


1.1.2 Utilité d’un modèle:
- d’accroître la connaissance d’un système physique sous l’aspect interne ou
microscopique. Ce modèle sera alors dit de connaissance,
- de représenter le comportement global (ou macroscopique) d’un système
physique. Le modèle sera dit de représentation.

- Model de connaissance 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.

-C’est le modèle de représentation qui va nous intéresser dans la suite du cours.


La nécessité d’un tel modèle 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.
Prenant le modèle de connaissance du moteur CC:
1.1.3.Obtention d’un modèle de représentation:

Un modèle mathématique de représentation est défini par :


- La nature des équations (par exemple : équations différentielles d’ordre n, à coefficients
constants) caractérisant la structure du modèle,
- Un ensemble de valeurs numériques intervenant dans cette structure.

Une méthode classique d’obtention du modèle consiste à mettre le système en "équation" à


partir de lois physiques connues. Mais le modèle global est en général trop complexe (pour
un but de représentation). Des simplifications (obtenues en linéarisant, en négligeant
certains termes) peuvent alors conduire à la définition de la structure d’un modèle de
représentation.

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.

Fig. 1.3 L’objet

(1) caractérise l’action des grandeurs de


commande.
(2) caractérise l’action perturbatrice sur l’état
de (1). L’effet de ces perturbations, dans un
but de simplification, a été globalement
ramené en sortie par addition des vj .
1.2.2 Les représentations mathématiques

Fig. 1.5 — Symbole de l’objet à identifier

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

Fig. 1.7 — Schéma d’équivalence


Dans le cas d’un modèle de conduite :
- Le régulateur est analogique et un modèle continu s’impose.
- Le régulateur est numérique et un modèle discret est nécessaire, si toutefois on désire
optimiser l’encombrement des vois de transmissions et la charge du calculateur (c’est-à-dire
ne pas transposer systématiquement les régulateurs continus en discrets, transposition
justifiée uniquement pour un pas d’échantillonnage très fin). La période d’échantillonnage
choisie est naturellement la même en identification qu’en commande.
Fig. 1.8 — Objet discret équivalent
Le modèle est paramétrique ou non paramétrique ?
- D’une manière générale, les modèles non paramétriques exigent peu de connaissance à
priori de la structure de l’objet.
- Les modèles paramétriques nécessitent la donnée de l’ordre n (ordre fini) et ne sont
justifiés rigoureusement que dans le cas de processus dits "à constantes localisées".
-Tout modèle non paramétrique n’est pas simulable directement à partir des relations
entrée/sortie données.
- Les théories de synthèse d’une loi de commande utilisent le plus souvent un modèle
paramétrique.

Le modèle est déterministe ou stochastique ?


Dans la plupart des cas pratiques la modélisation qui nous intéresse est celle de la relation
déterministe liant 𝑦 0 − v à u. Les perturbations d’état v sont alors considérées comme une
gène importante vis à vis de l’identification de cette relation. Le recours à une représentation
stochastique a finalement pour but d’éliminer le biais causé par les perturbations dans
l’estimation du modèle déterministe.

Fig. 1.9 — Représentation déterministe Fig. 1.10 — Représentation stochastique


1.3 Critère d’équivalence "objet-modèle" (aspect paramétrique)
Lorsque la structure du modèle a été déterminée, il reste à fixer les valeurs numériques des
coefficients intervenant dans cette structure. L’ensemble de ces coefficients est noté vecteur
paramètre 𝑃𝑚 que le modèle soit paramétrique ou non.
Exemple: Soit un système linéaire discret (objet) de mémoire approximative N. Un modèle
par séquence de pondération, est le suivant :

1.3.1 Définition de l’erreur


Dans le but de définir des algorithmes d’estimation du vecteur paramètre, il est courant
de formuler une équivalence "objet-modèle" pour une fonctionnelle de type

où 𝜖(t) est l’erreur de sortie donné par 𝜖(t)= 𝑦 𝑚 − yo.


1.3.2 Interprétation déterministe de l’erreur de sortie

Fig. 1.12 — Erreur de sortie (Interprétation)

Fig. 1.13 — Distance de structure


1.3.3 Validité d’un modèle - Nature des signaux d’excitation

- La plupart des méthodes d’identification visent à ajuster le comportement temporel du


modèle avec celui de l’objet, pour une classe de signaux d’entrée fixée, en général en
fonction du but de l’opération.
Pour bien identifier, il faut bien exciter dans tout le spectre de fréquences susceptible de
contenir des constantes de temps du système.

- 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)

Diagramme temporel d’une séquence binaire pseudo aléatoire.

Fonction d’auto-corrélation d’une SBPA.

Spectre d’une SBPA.


1.3.5 L’objet est inséré dans une boucle de régulation

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

Ces algorithmes reviennent à déterminer un vecteur paramètre en minimisant de manière


plus ou moins explicite un critère d’erreur. Selon la manière dont la minimisation est
conduite, on distingue :
-Les méthodes directes : dans lesquelles le modèle (ou bien tout paramètre le
caractérisant), est relié de manière explicite aux observations. (solution de système
d’équations linéaires, relevés de caractéristiques graphiques, ...)
-Les méthodes itératives : dans lesquelles tout paramètre est modifié à chaque cycle.

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.

2.2 Etude des réponses indicielles


2.2.1 Systèmes du premier ordre
Pas de retard pur, démarrage franc (à comparer aux systèmes d’ordre 2 ou supérieur).
En cas de bruit, la méthode de mesure de via l’intersection de la pente de la tangente au
démarrage avec la valeur finale est meilleure que le relevé du temps à 63% de la valeur
finale.

Fig 2.1 – Réponse d’un système du premier ordre à un échelon.


2.2.2 Systèmes du second ordre résonnant (oscillant )

Fig . 2.2 – Réponse d’un système du deuxième ordre à un échelon.


Le facteur d’amortissement m se détermine à l’aide de la mesure du dépassement

La pulsation propre w0 s’obtient via l’une des deux formules :


Exemple
Vérification du modèle

−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 :

Fig.2.4 – Méthode de Strejc : Réponse indicielle.


1. Mesurer Tu /Ta .
2. Dans la colonne Tu /Ta du tableau de Fig.2.4 trouver la valeur immédiatement inférieure à
ce ratio.
3. Sur la ligne de ce ratio déterminer n.
4. Toujours à l’aide des valeurs numériques de cette ligne, calculer 𝜏 avec Ta/ 𝜏.
5. Calculer la nouvelle valeur de Tu’ (du tableau)avec Tu/ 𝜏 .
6. En déduire T avec T = Tu –Tu’.
Exemple
Pour tester cette méthode, nous partons d’un système dont la fonction de transfert est :

Fig. 2.7 — Méthode pour obtenir Tu et Ta


Model de Strejc

- Le gain statique est mesuré directement par la valeur finale de la sortie : K = 5


- On trace la tangente au point d’inflexion I et on mesure : Tu = 0, 27s et Ta = 1, 76s
- D’après le tableau, avec Tu/Ta = 0.15, un ordre n = 2 semble convenir.
- La constante de temps est évaluée à partir de Ta/𝜏= 2.718 au tableau. Cela donne 𝝉 =0.65s.
- D’après le tableau, Tu’/ 𝜏 = 0.28 donc Tu’=0.28* 𝜏 =0.18 s ce qui donnerait une valeur de T =
0.27-0.18=0.09 s. Or on mesure Tu = 0.27. On peut en déduire un retard T = 0, 09

La méthode a identifié la réponse indicielle comme étant


proche de celle du système suivant :
Fig. 2.8 — Réponses du système de départ et du système identifié
La méthode de Broïda donne le modèle suivant :

T2=0.935 pour 2 (40%)

T1=0.735 pour 1.4 (28%)

Fig. 2.9 — Courbe réelle approchée par un modèle de Broïda


2.2.5 Système avec intégrateur
Les systèmes contenant un intégrateur ont une réponse indicielle en rampe, en régime
permanent. L’asymptote de cette réponse est une droite d’équation y = a(t − t1) de pente a
et qui coupe l’axe des abscisses pour t = t1 (t1=𝜏).

Fig. 2.5 – Méthode de Strejc (système avec intégrateur)


Identifié sous la forme

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

Le gain K exprime le rapport entre la variation du signal d’entrée et la variation du signal


de sortie par unité de temps

Méthode 02

x/y=0,4/1=0,4 donc n=1


𝜏 = 𝑇𝑢 = 0,8𝑠 ku=2,5
Identification en boucle fermée

Inconvénients de la boucle ouverte:

Sur le plan pratique


- Nécessité de passer le régulateur en manuel
- Perturbation intentionnel du procédé
- Dérèglement des toutes les boucles de régulation
Sur le plan théorique
- L’identification en boucle ouverte est une approximation
- Pendant l’expérience d’autres perturbation apparaissent
- Les calculs des régulateur se fait en régime critique donc il faut être précis en haute
fréquence en identification

Avantage de l’identification en boucle fermée


Intérêt de la méthode
- Sans débrancher le régulateur
- Fonctionnement « naturel » du SRA
Conditions d’application
- S’applique pour les systèmes d’ordre supérieur à 2
- Système stable
- Analyse fréquentielle
Principe

On amène le système en pompage

En augmentant Kr jusqu’à Kcr


Identification du modèle de Strejc en BF
Principe

La stabilité du système dépend du polynôme caractéristique


On augmente graduellement le gain Kr jusqu’à pompage

Paramètres en régime de pompage


KcrKs : Gain provoquant le pompage
Wcr : Pulsation (fréquence) au régime de pompage
Calcul des coefficients du modèle en boucle fermée
Tcr : la période de pompage qu’on relève de la sortie en régime d’auto-oscillation

La solution du système d’équations sera :


𝐾0
𝐺 𝑝 =
(1 + 𝑇𝑃)𝑛

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

En exprimant 𝜋 en degré, l’expression de K nous permet de calculer n en fonction de K (gain


critique total en boucle ouverte K=Ko.Kcr)
Tableau pour la détermination de l’ordre n pour le modèle de Strejc à partir de Kcr K
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.Ks
3. On déduit n du tableau et Tcr par la valeur mesuré
4. On calcule T par la formule 𝑇𝑐𝑟 2/𝑛
𝑇= (𝐾𝑟 𝐾0 ) −1
2𝜋
𝑇𝑐𝑟 𝑛
𝜏= 1 − 𝑎𝑟𝑐𝑡𝑔 (𝐾𝑟 𝐾0 )2/𝑛 −1
2 𝜋

1. Calcul gain du système Ks par l’erreur statique


1. On applique une consigne d’échelon xo faible pour ne pas trop perturber le système
2. On fixe le gain du correcteur qui est affiché Kro
3. On attend que le système se stabilise et on mesure l’erreur statique soit Eo
4. On calcule le gain du système comme suit:
Identification du modèle de Broida en BF

Déterminer Ko, T et 𝜏 et posant qui provoquera la même période de pompage que le système
réel

Conditions de l’apparition des


auto-oscillations
La solution du système
d’équations du pompage sera :

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.

Figure: La BF d’asservissement dont on veut identifier le processus


On supprime toutes les actions du correcteur. On applique en entrée un échelon de 5V et on
augmente Kr jusqu’à la limite de stabilité, on relève Krosc=10 et la période d’oscillation
Tosc=18,5s. La sinusoïde de sortie est centrée sur 4,4V. Déterminer deux modèles
correspondant à cet essai. Le gain statique en BO se détermine de manière identique pour
les deux méthodes. Soit :

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=

D’où le modèle de commande proposé est :

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 ?

Les méthodes précédentes sont très performantes si toutefois le comportement du système


est proche des réponses indicielles attendues. Qu’en est-il pour les systèmes décrits par les
fonctions de transfert suivantes :

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 ?

Fig. 3.1 – Algorithme général d’identification des systèmes.


1- Étude des méthodes d’identification de modèles paramétriques discrets sur la base des
E/S échantillonnées au même instant :
Motivations
-Utilisation des PC pour la commande numérique des procédés fournit des sorties
échantillonnées
- Intérêt d’utiliser ces sorties échantillonnées pour l’identification par la MMC
Avantages
- Simple a mettre en œuvre
- Implémentation en temps réel sur calculateur sous forme récursive
Cas continu : se base sur l’erreur d’observation
Cas discret : se base sur l’erreur de prédiction

Fig. 3.2 – MMC cas continu et cas discret


Comment commence t ’on?
- On choisit une structure procédé + perturbation pour l ’identification
- Une structure non adaptée entraîne un biais
Ensuite ?

Fig. 3.3 – MMC cas discret


Représentations des modèles échantillonnés ?
- MODELE ARMA : Auto Régressif à Moyenne Mobile
Annexe 2. Modèles paramétriques
Annexe 1 Transformation en Z

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 :

- méthode des trapèzes (plus précise) :

Cas d'un procédé réel(BOZ)

Passage : H(z) ↔ équation de récurrence


↔ équation aux différences :

↔ 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

Fig. 3.4– Principe d’identification foncée sur l’erreur de prédiction


3.2.Méthode des moindres carrés simples
Les calculs suivants seront fondés sur le modèle présenté en figure 3.5.

Fig. 3.5 – Modèle du système étudié


La mise en équation du système donne :

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

Nous cherchons la valeur 𝜃 de 𝜃 qui minimise J. Ainsi

Il reste à vérifier que la valeur obtenue est bien un minimum

matrice définie positive : c’est bien un minimum!


3.3. Calcul du biais de l’estimateur

L’estimateur est non biaisé

donc si

il faut donc que : X et e soient non corrélés 𝛽𝑖 est un bruit blanc


e soit centré
Mais ce n’est pas le cas ! Le calcul de ce biais sur le modèle de la figure 3.6 permet de le
montrer.

Fig. 3.6 – Système du premier ordre bruité.

Les équations du système sont :


où 𝛽𝑖 est un bruit répondant au deux équations suivantes :

En réécrivant les équations du système on obtient :


Fig. 3.7 – Fonction d’auto-corrélation des résidus d’estimation.

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 :

Fonction d’autocorrélation et densité spectrale de puissance d’un bruit blanc


Un bruit blanc est donc physiquement un signal composé en proportions égales de
composantes toutes les fréquences (tout comme une lumière blanche est composée
d’ondes lumineuse dans tout le spectre visible).
3.4. Méthode des moindres carrés généralisés
Le système étudié est décrit sur la figure 3.8

Fig. 3.8 – Système étudié

les résidus sont donc :

écrits en fonction du bruit blanc 𝜉𝑖


équation que nous écrirons dans un soucis de simplification d’écriture :

En reprenant l’équation 3.2 et en multipliant tous les termes par F on obtient :

En réécrivant cette dernière équation,

où 𝑦𝑖 ∗ et 𝑢𝑖 ∗ sont, respectivement les sorties yi et les entrées ui filtrées par le filtre F.


En appliquant la méthode des moindres carrés simples sur ces entrées-sorties filtrées le
biais de l’estimateur sera nul car le bruit 𝜉𝑖 est bien un bruit blanc. L’estimation des
paramètres sera donc parfaite. Toutefois il reste à déterminer le filtre F.
soit

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 :

3.5 Méthode de la Matrice Instrumentale


Puisque le biais de l’estimateur des moindres carrés est biaisé à cause de la corrélation
entre X et e, on se propose de déterminer une autre matrice qui permette le calcul de
tout en évitant cette corrélation et donc le biais de l’estimateur.
Posons :
où Z est la matrice instrumentale.
Quelles sont les conditions sur Z pour que l’équation précédente ait un sens ?
En poursuivant le calcul :

Pour que

il faut :

Plusieurs choix de Z sont possibles, en voici deux :


- Le premier choix consiste à faire deux campagnes de mesures avec la même entrée ui, le
plus souvent consécutives (décalées dans le temps). Vous avez alors la possibilité de
déterminer deux matrices X soit X1 et X2. En posant

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 :

Les donnes de test sont

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

à l’instant suivant la nouvelle estimation est :


avec :

𝜃𝑁+1 s’écrit alors :

On obtient finalement une formule de récurrence :

Le terme 𝑦𝑁+1 − 𝑥𝑁+1 𝜃𝑁 représente l’erreur d’estimation à l’aide des paramètres


précédents. L’équation est alors : la nouvelle estimation est l’ancienne estimation
corrigée par un terme proportionnel à l’erreur d’estimation précédente, que l’on peut
récrire sous la forme.

L’algorithme général est donc :


On remarquera une analogie avec le filtre de Kalman, en fait c’est bien l’équivalent d’un filtre
de Kalman appliqué sur le système suivant :

La condition de convergence est la même : 𝑒𝑁 doit être un bruit blanc.


L’initialisation de l’algorithme se fait de deux façons :
– Si on connais une première estimation de 𝜃 (en provenance d’une méthode non récursive
par exemple), on l’utilise. Dans ce cas on prend 𝑃0 = 𝜆𝐼 avec petit (petite variance du bruit)
– Si on ne connais pas de première approximation, on prend 𝜃0 quelconque et 𝑃0 = 𝜆𝐼 avec
grand (grande variance du bruit).
Cet algorithme ne peut être utilisé que si les paramètres du système sont constants, en effet
lorsque N tend vers l’infini, 𝑃𝑁 tend vers 0, alors une variation même importante des
paramètres n’influe plus sur l’estimation de 𝜃 . Notons encore que sur le plan numérique la
forme est très mal conditionnée, on lui préfère la forme :

Si les paramètres évoluent brusquement, une solution consiste à réinitialiser 𝑃𝑁 = 𝜆𝐼 avec


𝜆 grand Si les paramètres évoluent lentement on peut utiliser :
Annexe

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).

Vous aimerez peut-être aussi