Nait AP
Nait AP
Nait AP
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.
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 ?
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).
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.