Nait AP

Activite pratique
Identification de la BLA du Benchmark de Wiener -Hammerstein

E.Karmani, Y.Edahbi , N.Mabrouk, C.Essadqi, S.El Aabed, M.El Habachi,
ENSET RABAT,Electrical Engineering Departement
Abstract—Ce document papier est réalisé dans le cadre de

l’activité pratique encadre par notre professeur A. Naitali pour
l’identification de la BLA du Benchmark de Wiener-
Hammerstein.
Keywords—identification, BLA, MATLAB, Wiener-

Hammerstein, model.
I. INTRODUCTION
On ne peut parler de l’identification sans invoquer la science
de la construction des modèles mathématiques décrivant la
dynamique du process, souvent il n’est pas évident
d’obtenir le model due à la carence de sa dynamique ou
encore sa complexité, même en ayant le modèle l’intrication
rend son control une tache délicate (largeur de dimensions,
non linéarité, etc...),afin d’obvier il est indispensable de
réaliser la réduction du modèle ceci nécessitant de
commencer par le modèle linéaire, ce qui fait la raison de ce Figure 1:Histogramme I/O
présent document d’où on aura le soin de réaliser ou plutôt
d’appliquer les disciplines d’identification interrogées
durant les séances d’activité pratique en identifiant la plus
proche approximation linéaire du Benchmark de Wiener-
Hammerstein, à ce titre nous tirons l’attention a remercié
notre cher professeur A.Naitali qui sans lui cet opuscule En visualisant les résultats obtenus en peut constater la non
n’aurait vu le jour. linéarité du système, ce qui se manifeste par la distorsion sur
l’histogramme de la sortie en temps que la sortie c’est une
gaussienne lissée.
II. ANALYSE TEMPORELLE ET FREQUENTIELLE
A. Analyse temporelle
Dans cette partie on adresse le problème de la non linéarité
du système dans la structure de Wiener-Hammerstein, il
consiste d’un block statique non linéaire f[.] entourée par
deux composantes linéaires dynamiques avec leurs
réponses impulsionnelles respectivement G1, G2.
La structure Wiener-Hammerstein est considerablement
utilisée, pour ses différentes applications dans plusieurs
domaines science et technologie.
B. Analyse frequentielle
Figure 2:Systeme de Wiener-Hamerstein Afin de visualiser clairement le comportement du système
nous somme menée à poursuivre son comportement dans
Le système Wiener-Hammerstein est excite par une le domaine fréquentiel ce qui donne les résultats suivants.
excitation gaussienne filtrée de fréquence de coupure
fc=10kHz.
Identification BLA du systeme Wiener Hammerstein ©2020 ENSET Rabat

B. Black-box identification
Avant d’entamer la réalisation et le choix du model pour
notre benchmark on aura le soin de définir la procédure
d’identification en boite noire via la régression linéaire on
considère pour notre exemple le model ARX (AutoRegressive
eXogenous) :
Figure 3:Reponse fréquentielle d'entree/sortie Ou e(k) est un bruit blanc.

On peut prédire la valeur suivante de la sortie a partir de
La repense fréquentielle du signal d’entrée représente un l’observations antérieur.
comportement passe bas ce qui effectivement illustre dans
la figure 1. Or la sortie représente clairement un zéro.
III. PROCEDURE D’IDENTIFICATION D’une manière compacte

A. Types d’identification
Θ vecteur de paramètre (inconnu).

Φ(k) regresseur.
• On note par
Vers le chemin de la construction du modèle la sortie prédite qui dépend des valeurs antérieures
mathématique on se coïncide avec plusieurs types de y(k) et du paramètre Θ.
d’identification : • Θ est inconnu mais on connait ZN (measured data)
White box : la structure du model basée sur les premiers

principes (ex : loi de newton), les paramètres du model
• A partir de la méthode du moindre carre on estime
estimées à partir des entrées et sorties.
Θ* = argmin{V(Θ,ZN)}
Grey box : la structure du model est partiellement connue Avec
à partir des premiers principes la suite est construite depuis
les données du système.
Black box : la structure du model ainsi que ses
paramètres sont incomplètement connus le tout est
estimées à partir des E/S du système. • V(Θ,ZN) est une fonction quadratique de Θ, on
trouve son minimum en annulant sa dérivée de V
Eg : démarche d’identification d’une réponse indicielle
Or
On commence par excite le process par un échelon u(t), Le meilleur vecteur de paramètre qu’on peut choisir est :
enregistrer l’évolution de la sortie y(t).
Observer la forme de y(t) et reconstruire G(s), (1er ordre ?
2eme ordre oscillatoire ? Présence de retard pure ? etc…)
Validation du model choisi pour des entrées quelconques
Fonction Matlab : Θ = arx(ZN,[na nb nk])
Le type d’identification qu’on appliquera dans la suite
sera black box identification considérons qu’on a que C. Procedure generale du black-box identification
l’information sur l’entrée et la sortie du système.
• Essai de la conception d’identification : quel type
d’entrée u(t) a appliquée ?
• Structure du model : quelle classe de model à 1) L’erreur moyenne d’estimation et de la validation :
choisir convenablement aux données Le model d’état représente l’erreur moyenne minimale
d’apprentissage ?
• Fit criterion évaluation de la précision d’estimation.
• Critère de validation : le model d’identification est -
il consistant ?
IV. IDENTIFICATION DE LA BLA DU BENCHMARK

A. Preparation des donnees
Après la collection des données étant la phase cruciale
de l’essai de l’identification et la plus cher en même temps il
vient la préparation des données de telle sorte d’exprimer
les données d’apprentissage et de validation de façon
d’échapper aux facteurs de la non consistance du model
(overfitting, Underfitting), pour cela on commence par
définir l’intervalle de d’apprentissage et de validation.
mais ceci n’est suffisant pour la validation du choix.
2) L’erreur efficace d’estimation et de validation
B. Choix de la structure du model

La sélection du model exige au moins trois étapes suivantes : Le model ARMAX représente l’erreur efficace minimale
1) La sélection de la classe des modèles linéaires /non d’estimation et de validation.
linéaires, et le type d’identification a appliquée.
2) Le choix de l’ordre du modèle (ordre d’état, degré
du modèle polynomial ou nombre de neurones), 3) La déviation standard de l’erreur
ceci se rend à une problématique de la sélection de
l’ordre du model.
3) Choix des paramètres du model, lors du choix du
model (eg : model d’état), en se rend a le
paramétrer ce qui fait de trouver un model qui
convient à
Le but de cette démarche est pour une finalité du choix
du meilleur model en termes de sa qualité et sa
consistance et avec les moindres ressources financières.
Qualité du model :
La qualité du model peut être mesure par plusieurs critères
parmi eux le critère du moindre carré (algorithme détaillé
dans le cours system Identification course 2017 A.NAITALI).
Pour notre model de benchmark 4 critères ont été illustrée

pour la réalisation du choix : Le model BJ représente un compromis d’ordre
(complexité) et précision (erreur minimale).
4) akaike's final prediction error
On assume :
• Que le système réel soit décrit par Θ*= Θ. REFERENCES
• Les paramètres sont identifiables alors V‾n(Θ)est
inversible. [1] A.Naitali “System Identification course 2017”.
[2] Lennart Ljung,”System Identification theory for the user 2nd edition”.
• Les données de validation ont les mêmes
[3] Alberto Bemporad,”System Identification”.
propriétés que celle d’estimation.
[4] Mathworks /Matlab/Identification_Toolbox.
Cependant on a :
(Le document suivant ne fait pas preuve de cette relation, plus de

detaille Lennart ljung-System Identification Theory for the User
second edition, 16.34 page 503.)
La simulation sur matlab montre que le modele le plus precis

est BJ (Box-Jenkins) , 9eme ordre avec l’erreur minimale
5.771.10-7.
V. CONCLUSION
L’identification est l’outil de liaison entre l’observation et la
science, qui consiste à partir de l’observation du
comportement du système de s’en sortir avec une relation
mathématique qui relie les deux et permet de prédire le
comportement future, présent (filtrage) ou antérieur
(lissage). Dans cet écrit est comme le critère de consistance
et précision du model l’exige nous avons abouti à partir de
la FPE à choisir le model BJ pour décrire le comportement du
système Wiener-Hammerstein, le tout en commençant par
la collection des données la sélection du type d’identification
le choix du modèle a partir du critère d’évaluation de la
précision d’estimation et par la validation du model.

Nait AP

Transféré par

Droits d'auteur :

Formats disponibles

Nait AP

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Nait AP

Transféré par

Droits d'auteur :

Formats disponibles

Activite pratique

Identification de la BLA du Benchmark de Wiener -Hammerstein

Abstract—Ce document papier est réalisé dans le cadre de

Keywords—identification, BLA, MATLAB, Wiener-

Identification BLA du systeme Wiener Hammerstein ©2020 ENSET Rabat

Figure 3:Reponse fréquentielle d'entree/sortie Ou e(k) est un bruit blanc.

III. PROCEDURE D’IDENTIFICATION D’une manière compacte

Θ vecteur de paramètre (inconnu).

White box : la structure du model basée sur les premiers

IV. IDENTIFICATION DE LA BLA DU BENCHMARK

2) L’erreur efficace d’estimation et de validation

B. Choix de la structure du model

Pour notre model de benchmark 4 critères ont été illustrée

(Le document suivant ne fait pas preuve de cette relation, plus de

La simulation sur matlab montre que le modele le plus precis

Vous aimerez peut-être aussi