Poly TD Ident 2019
Poly TD Ident 2019
Poly TD Ident 2019
des systèmes n◦ 1
H. Garnier
M. Gilson
1
Exercice 1.4 - Identification d’un modèle à partir de la réponse indicielle d’une maquette de
régulation de température
La réponse indicielle d’une maquette de régulation de température, constitué d’un organe de chauffage et
d’un capteur de température, est représentée sur la figure 1.1.
1. D’après la réponse indicielle, proposer en justifiant une structure de modèle pour ce système.
2. Déterminer les paramètres du modèle retenu à l’aide de la méthode de votre choix.
3. Télécharger sur le site du cours les fichiers data_maquette_temp.mat et
Test_de_ton_modele_maquette_temp.m.
4. Ouvrir le fichier Test_de_ton_modele_maquette_temp.m sous Matlab. Saisir en haut du fichier les
valeurs des paramètres identifiés, puis exécuter le programme.
5. Comparer les réponses mesurée et simulée (ne pas tenir compte des premières valeurs de la réponse
simulée).
6. Ajuster si nécessaire les valeurs des paramètres de votre modèle pour obtenir la meilleure adéquation
possible entre les réponses.
7. Comme nous le verrons dans le cadre de ce cours, il existe aujourd’hui des algorithmes d’appren-
tissage/d’identification de paramètres très performantes rassemblés dans des boîtes à outils comme
celle développée au CRAN 1 qui permettent d’estimer les paramètres d’un modèle à temps continu
directement à partir des données d’entrée/sortie mesurées.
Télécharger la boîte à outils CONTSID. Ajouter le répertoire CONTSID au chemin d’accès de Matlab
(cliquer sur setpath) puis exécuter le fichier ident_contsid_maquette_temp.m sous Matlab 2 . Relever
les valeurs numériques du modèle estimé et comparer les avec les vôtres.
1. www.cran.univ-lorraine.fr/contsid
2. Les boîtes à outils System Identification et Control de Matlab doivent également être installées sur votre machine.
2
Exercice 1.5 - Identification d’un système à deux entrées à partir d’essais indiciels successifs
Soit un système à deux entrées et une sortie décrit par :
Afin de déterminer les fonctions de transfert G1 (s) et G2 (s), on a relevé expérimentalement la réponse
temporelle du système, représentée sur la figure 1.2, pour les entrées suivantes :
Figure 1.2: Réponse d’un système à deux entrées avec x1 (t) = Γ(t) et x2 (t) = 2Γ(t − 15)
Indiquer en haut du fichier .m les valeurs numériques des paramètres des deux modèles que vous avez
déterminés.
Exécuter ensuite le programme et évaluer la qualité de vos modèles. Ajuster si nécessaire les valeurs des
paramètres pour obtenir la meilleure adéquation possible entre les réponses.
3
TD Identification
des systèmes n◦ 2
H. Garnier
M. Gilson
Exercice 2.1. Modèles d’un système linéaire à partir des données d’entrée/sortie échantillon-
nées
Sur la figure 1.1 sont représentés les échantillons déterministes des signaux d’entrée u(tk ) et y(tk ) d’un
système linéaire à temps continu aux différents instants d’échantillonnage tk représentés par des petits
cercles.
Le but de cet exercice est de proposer la meilleure forme de modèle à temps continu et de modèle à temps
discret d’après les échantillons enregistrés.
On cherche dans un premier temps à représenter le système sous la forme d’un modèle à temps continu.
1. D’après l’allure de la réponse de la figure 1.1, proposer en justifiant une forme de modèle à temps
continu.
2. Déterminer, d’après la réponse, la valeur numérique des paramètres du modèle retenu.
3. En déduire la fonction de transfert de Laplace G(s) = YU (s)
(s)
. On remarquera que les paramètres de
G(s) ne dépendent pas de la période d’échantillonnage Te .
4
4. On rappelle que la réponse indicielle d’un modèle à temps continu du premier ordre de gain statique
K et de constante de temps T s’écrit :
5. Affiner si besoin la valeur numérique des paramètres de votre modèle pour faire coïncider les réponses
du système et du modèle à temps continu.
On cherche à présent déterminer un modèle à temps discret équivalent.
On rappelle qu’il n’existe pas de méthode de discrétisation universelle de modèles à temps continu. Par
exemple, la méthode de discrétisation dite du bloqueur d’ordre zéro n’est exacte que pour une entrée constante
par morceaux. Pour toute autre entrée, le modèle à temps discret correspondant ne sera qu’une approximation
du modèle à temps continu.
1. D’après l’allure du signal d’entrée représenté sur la figure 1.1, formuler une hypothèse sur la variation
du signal d’entrée entre 2 instants d’échantillonnage.
2. La fonction de transfert en z équivalente à un modèle du 1er ordre à temps continu décrit par (1)
lorsque l’entrée est constante entre deux instants d’échantillonnage s’écrit :
Y (z) b1 b1 z −1
G(z) = = = (2)
U (z) z + a1 1 + a1 z −1
avec Te
a1 = −e− T b1 = K(1 + a1 ) (3)
Notez la dépendance des coefficients de G(z) vis à vis de la période d’échantillonnage Te . Le même
système échantillonné à une autre période d’échantillonnage aura donc la même forme mais des valeurs
numériques différentes. Déterminer a1 et b1 lorsque Te = 5s.
3. Déduire de G(z) l’équation aux différences liant les échantillons des signaux d’entrée/sortie.
4. Calculer la réponse de votre modèle à temps discret aux instants tk = k × Te pour k = 0 à 7 et Te = 5s
et comparez les échantillons avec les valeurs enregistrées.
5. Ecrire les trois lignes Matlab qui permettent de calculer/simuler la sortie du modèle à temps discret.
Comparez votre implantation Matlab avec vos résultats précédents.
6. La fonction filter sous Matlab permet de calculer la réponse d’un système à temps discret (qui peut
être vu comme un filtre numérique). Exploitez cette fonction pour calculer la réponse de votre modèle
à temps discret aux instants tk = k × Te pour k = 0 à 7 et Te = 5s et comparez-les avec les valeurs
enregistrées.
7. Une autre méthode de discrétisation consiste à approcher la dérivée des signaux par approximation nu-
mérique. Déterminer l’équation aux différences obtenue à partir de l’équation différentielle discrétisée
en remplaçant la dérivée première du signal de sortie par :
dy(t) 1
|t=tk = y(tk ) − y(tk−1 ) (4)
dt Te
5
TD Identification
des systèmes n◦ 3
H. Garnier
M. Gilson
Exercice 3.1 - Estimation paramétrique d’un modèle de la position d’un chariot par moindres
carrés
On souhaite modéliser la position d’un chariot qui se déplace le long d’un rail rectiligne.
On supposera que le chariot se déplace à accélération constante.
1. Les valeurs numériques de y(tk ) pour quelques valeurs du temps sont rassemblées dans le tableau 1.
Tracer la position du chariot au cours du temps.
2. Le modèle décrivant la position du chariot en fonction du temps est choisi comme :
1 2
y(tk ) = at + vtk + c (5)
2 k
Donner la signification physique et les unités des trois paramètres a,v,c du modèle.
3. Ecrire le modèle sous forme de regression linéaire.
où θ = [a v c]T
4. A partir des N = 10 données du tableau 1, formuler le problème d’estimation des 3 paramètres sous
forme matricielle :
Y = Φθ (7)
5. Préciser le nom et les dimensions de chacune des matrices.
6. L’estimation par moindres carrés ordinaires est rappelée ci-dessous :
−1
θ̂ = ΦT Φ ΦT Y (8)
Implanter sous Matlab cette estimation pour déterminer la valeurs numérique des trois paramètres.
7. Vérifier que vous obtenez les mêmes estimées à l’aide de la commande Matlab suivant (où Phi repré-
sente Φ) :
thetaHat=Phi\Y
On privilégiera cette implantation à l’avenir.
8. Donner le modèle de simulation de la position du chariot et calculer les positions simulées à partir du
modèle estimé.
9. Calculer et tracer l’erreur de simulation (aussi appélée résidus) aux différents instants de mesure.
6
10. Calculer la moyenne et la variance des résidus.
Exercice 3.2 - Estimation paramétrique d’un modèle à temps discret d’un réacteur chimique
par moindres carrés
tk 0 1 2 3 4 5 6 7 8 9 10
u(tk ) 1 1 1 1 1 -1 -1 -1 -1 -1 -1
y(tk ) 0 0.13 0.09 0.10 0.10 0.10 -0.17 -0.08 -0.11 -0.10 -0.10
1. Les mesures du flux d’entrée u(tk ) et de la concentration du substrat de sortie y(tk ) d’un réacteur
chimique sont rassemblées dans le tableau 1.
2. Le modèle décrivant la réaction chimique est supposé pouvant s’écrire sous la forme suivante :
où θ = [b0 b1 b2 ]T
5. A partir des N = 11 données du tableau 2, formuler le problème d’estimation des 3 paramètres sous
forme matricielle :
Y = Φθ + E (11)
6. Rappeler la solution des moindres carrés en fonction de Y et Φ qui permet d’estimer le vecteur des
paramètres θ.
7. On donne :
−1 0.2857 −0.25 0.0357 0.75
ΦT Φ = −0.25 0.50 −0.25 ΦT Y = 0.95 (12)
0.0357 −0.25 0.2857 0.61
Calculer les valeurs numériques des trois paramètres.
8. Donner le modèle de simulation de la concentration de substrat de sortie et calculer les concentrations
simulées à partir du modèle estimé.
9. En déduire l’erreur de simulation aux différents instants de mesure.
Le fichier pop_usa.mat contient les valeurs de la population aux USA sur la période 1900-2010.
On choisit de représenter l’évolution de la population aux USA par un modèle polynomial d’ordre 3 de la
forme :
p(tk ) = θ0 + θ1 tk + θ2 t2k + θ3 t3k (13)
1. Déterminer les paramètres de ce modèle polynomial d’ordre 3 permettant de représenter l’évolution
de la population aux USA de 1900 à 2010.
2. Exploiter votre modèle pour fournir une estimation de la population aux USA en 2020 puis en 2050.
7
TD Identification
des systèmes n◦ 4
H. Garnier
M. Gilson
Le travail réalisé fera l’objet d’un compte-rendu par binôme qui sera noté. Il est demandé de suivre les
consignes présentées ci-dessous pour rédiger votre compte-rendu.
Votre compte-rendu qui pourra être réalisé sous Live editor de Matlab devra être structuré de la manière
suivante :
— une introduction générale précisant les objectifs du TP
— Pour chaque partie ou exercice :
— une présentation brève des attendus
— un rappel ou une présentation (si nécessaire) des résultats théoriques
— une description des résultats de simulation sous la forme graphique ou numérique
— une analyse critique des résultats en lien avec ceux théoriques attendus
— une conclusion brève
— une conclusion générale qui précise ce qui a été compris et retenu lors du TD et les éventuelles
difficultés rencontrées.
— une annexe rassemblant les programmes Matlab que vous avez développés.
Votre compte-rendu à rédiger obligatoirement en binôme est à envoyer par courriel à l’intervenant sous la
forme d’un fichier unique au format pdf joint au message en respectant la date limite d’envoi qui aura été
communiquée durant la séance de TD.
8
1 Etude en simulation
Estimation paramétrique d’un modèle à temps discret par ARX, IVMA et SRIV.
où q −1 représente l’opérateur retard, u l’entrée du système, y la sortie mesurée, e un bruit blanc à temps
discret, nk le nombre d’échantillons pour le retard et les polynômes A(q −1 ), B(q −1 ) et F (q −1 ) sont définis
par :
F (q −1 ) = A(q −1 )
nk = 1
1. Déduire des équations (1) et (2) le nom (ARX ou OE) des structures de modèle des systèmes S1 et
S2.
2. Préciser la fonction de transfert du modèle du système et du bruit pour chaque structure.
3. Préciser l’équation aux différences dans le cas de chaque structure.
4. Donner le nombre de paramètres à estimer pour chaque polynôme et le gain statique de la fonction
de transfert.
Vous allez dans un premier temps générer des signaux d’entrée/sortie à partir desquels vous allez tenter
d’estimer les paramètres des systèmes S1 et S2. Pour cela, une fois sous Matlab, entrer, dans un live script
Matlab, la séquence de commandes suivante :
N=500;
A=[1 -1.5 0.7];
F=[1 -1.5 0.7];
B=[0 1.0 0.5];
S1 = idpoly(A,B);
S2 = idpoly(1,B,1,1,F);
u=sign(randn(N,1));
ydet=sim(S1,u);
datadet=iddata(ydet,u);
e=0.4*randn(N,1);
yS1=sim(S1,[u e]);
yS2=sim(S2,[u e]);
dataS1=iddata(yS1,u);
dataS2= iddata(yS2,u);
figure(1)
idplot(dataS1),title(’Données issues du système 1’)
figure(2)
idplot(dataS2),title(’Données issues du système 2’)
figure(3)
plot([ydet yS1 yS2]),
legend(’sortie non bruitée’,’sortie du modèle ARX’,’sortie du modèle OE’)
Vous avez à présent à votre disposition trois jeux de données contenus dans les objets de données datadet,
dataS1 et dataS2 pour effectuer l’estimation paramétrique.
9
1.2 Estimation paramétrique
1.2.1 Choix de la structure de modèle
On supposera les ordres des modèles ainsi que le nombre d’échantillons pour le retard nk = 1 parfaitement
connus.
10
1.2.3 Estimation par variable instrumentale à modèle auxiliaire
On s’intéresse à présent à l’identification d’un modèle ARX par la méthode de la variable instrumentale à
modèle auxiliaire (IVMA) vue en cours.
3. www.cran.univ-lorraine.fr/contsid/
11
TD Identification
des systèmes n◦ 5
H. Garnier
M. Gilson
Le travail réalisé fera l’objet d’un compte-rendu par binôme qui sera noté. Il est demandé de suivre les
consignes présentées ci-dessous pour rédiger votre compte-rendu.
Votre compte-rendu, qui pourra être réalisé sous Live Editor de Matlab, devra être structuré de la manière
suivante :
— une introduction générale précisant les objectifs du TP
— Pour chaque partie ou exercice :
— une présentation brève des attendus
— un rappel ou une présentation (si nécessaire) des résultats théoriques
— une description des résultats de simulation sous la forme graphique ou numérique
— une analyse critique des résultats en lien avec ceux théoriques attendus
— une conclusion brève
— une conclusion générale qui précise ce qui a été compris et retenu lors du TD et les éventuelles
difficultés rencontrées.
— une annexe rassemblant les programmes Matlab que vous avez développés.
Votre compte-rendu à rédiger obligatoirement en binôme est à envoyer par courriel à l’intervenant sous la
forme d’un fichier unique au format pdf joint au message en respectant la date limite d’envoi qui aura été
communiquée durant la séance de TD.
12
1 Etude en simulation
Identification d’un modèle à temps continu du 2ième ordre par LSSVF, IVSVF et SRIVC.
13
3. En supposant N mesures des signaux d’entrée/sortie, formuler le problème sous forme matricielle.
Donner la dimension de chaque matrice.
4. Rappeler la solution de l’estimateur LSSVF (voir transparents de cours).
5. Implanter cette solution sous Matlab dans le cas des données déterministes puis bruitées. Comparer
avec les résultats obtenus.
On rappelle qu’on réalise ici une estimation ponctuelle et qu’on ne peut parler de biais de l’estimateur
mais plutôt d’erreur d’estimation. Vous pouvez exécuter plusieurs fois votre programme pour dégager
la tendance au niveau du biais des estimées.
6. La boîte à outils CONTSID 4 contient différentes fonctions permettant de réaliser l’estimation des
paramètres d’un modèle. Elles ont toutes la structure suivante :
M=fonction(data,nn,hyperparametre)
avec :
— M : le modèle estimé ;
— fonction : le nom de la fonction CONTSID : lssvf, ivsvf, srivc, . . .
— data : l’objet données contenant les signaux d’entrée/sortie construit à la prtir de la fonction
iddata : data=iddata(y,u,Te) ;
— nn : un vecteur ligne permettant de définir le nombre de paramètres des polynômes du modèle et la
valeur du retard (supposé être un multiple entier de la période d’échantillonnage τ =nk×Te ) : [na
nb nk] par exemple. Attention il s’agit du nombre de paramètres à estimer de chaque polynôme
du modèle et non du degré de chaque polynôme.
— hyperparametre : hyper-paramètre éventuel de la méthode d’estimation : pulsation de coupure
(rad/s) du filtre SVF par exemple.
La commande suivante permet d’afficher les paramètres du modèle estimé :
present(M);
Si vous désirez obtenir plus d’informations sur l’utilisation d’une fonction, vous pouvez entrer la
commande suivante à tout moment :
help fonction
La fonction CONTSID lssvf permet d’estimer les paramètres d’un modèle à temps continu par
LSSVF. La commande est la suivante :
Mlssvf=lssvf(data,[na nb nk],lambda);
na et nb correspondent respectivement au nombre de paramètres à estimer des polynômes A(p) et
B(p) et nk représente le nombre d’échantillons pour le retard, lambda représente la pulsation de
coupure du filtre SVF (en rad/s).
Les paramètres estimés peuvent être visualisés par la commande present(Mlsssvf) :
7. Entrer les commandes suivantes pour estimer les paramètres du modèle par la méthode des moindres
carrés/filtre de variable d’état (LSSVF) :
Mlssvf1=lssvf(datadet,[2 1 0],3);present(Mlssvf1);
Mlssvf2=lssvf(data,[2 1 0],3);present(Mlssvf2);
8. Pour une réalisation du bruit, comparer les résultats de votre implantation avec ceux obtenus via la
fonction de la boîte à outils CONTSID.
14
4. Entrer les commandes suivantes pour estimer les paramètres du modèle par IVSVF :
Mivsvf= ivsvf(data,[2 1 0],3);
present(Mivsvf);
5. Comparer avec les résultats obtenus avec lssvf sur un même jeu de données.
B(p)
MCOE : y(tk ) = u(tk−nk ) + e(tk ) (3)
F (p)
par la méthode itérative de variable instrumentale. Les estimées délivrées sont alors optimales (sans biais et
à minimum de variance) lorsque le bruit additif e(tk ) sur la sortie est blanc (système vrai de type COE). La
commande est la suivante :
Msrivc=srivc(data,[nb nf nk]);
% Attention à la définition du nombre de paramètres à estimer
nb et nf correspondent respectivement au nombre de paramètres à estimer des polynômes B(p) et F (p)
du modèle et nk représente le nombre d’échantillons pour le retard. Les paramètres estimés ainsi que leur
écart-type peuvent être visualisés par la commande :
present(Msrivc);
1. Entrer les commandes suivantes pour estimer les paramètres du modèle COE à l’aide de la fonction
srivc :
Msrivc=srivc(data,[1 2 0]);present(Msrivc);
2. Comparer avec les résultats obtenus avec lssvf et ivsvf.
1.3.1 Analyse comparative des performances des estimateurs LSSVF, IVSVF et SRIVC par
simulation de Monte Carlo
Ecrire un programme qui permet de comparer les performances des estimateurs LSSVF, IVSVF et SRIVC
par simulation de Monte Carlo dans le cas du système (1).
Résumer vos conclusions dans un tableau synthétique permettant de résumer les propriétés statistiques (biais,
variance) des 3 estimateurs étudiés dans le cas du système S.
15
TD Identification
des systèmes n◦ 6
H. Garnier
M. Gilson
Le travail réalisé fera l’objet d’un compte-rendu par binôme qui sera noté. Il est demandé de suivre les
consignes présentées ci-dessous pour rédiger votre compte-rendu.
Votre compte-rendu, qui pourra être réalisé sous Live Editor de Matlab, devra être structuré de la manière
suivante :
— une introduction générale précisant les objectifs du TP
— Pour chaque partie ou exercice :
— une présentation brève des attendus
— un rappel ou une présentation (si nécessaire) des résultats théoriques
— une description des résultats de simulation sous la forme graphique ou numérique
— une analyse critique des résultats en lien avec ceux théoriques attendus
— une conclusion brève
— une conclusion générale qui précise ce qui a été compris et retenu lors du TD et les éventuelles
difficultés rencontrées.
— une annexe rassemblant les programmes Matlab que vous avez développés.
Votre compte-rendu à rédiger obligatoirement en binôme est à envoyer par courriel à l’intervenant sous la
forme d’un fichier unique au format pdf joint au message en respectant la date limite d’envoi qui aura été
communiquée durant la séance de TD.
16
1 Model order selection and model validation
One of the most difficult stages in the data-driven model learning procedure is to select a model structure
and choose the different polynomial degrees (or equivalently fix the number of parameters to be determined
for each polynomial).
To select a model structure, a suitable path is to follow the procedure recommended during the lectures
which is summarized below :
1. Start with non-parametric response or estimates (step response or frequency-responses). This can
provide useful information about the time-delay, system order and bandwidth.
2. Begin with a COE model structure.
3. Identify COE models for a range of possible polynomial degrees and time-delays. Select the model
order that has the most negative YIC with the highest associated coefficient of determination RT2
according to the flexibility/parsimony trade-off.
4. Check out the properties of the estimated COE model, like its ability to simulate the measured data
and other traditional model validation tests (residual analysis, physical interpretation of the main
features of the identified model, . . . ) and cross-validation if another dataset is available.
5. Try a more complex model structure such as a hybrid Box-Jenkins model, if necessary.
To become familiar with the recommended start-up procedure, run the CONTSID main demonstration
program through the command
>> contsid_demo
When the first demo is finished, select then Determining Model order and Input Delay and follow the demo
displayed in the command window.
2 A simulated system
The goal is to test first your new model learning skills on simulated data.
From the course website, download the file named : Simulated_data.zip which includes three files named :
— Simulated_stepdata.mat contains the step response,
— Simulated_data1.mat contains the system response to a PRBS input,
— Simulated_data2.mat contains the system response to a different PRBS input.
The input of this simulated system is stored in u while the output is stored in y. The sampling period is
specified in Ts.
The three datasets have been generated from a simulated system. There is thus a "correct solution" (a true
model) to it.
1. By using the start-up procedure outlined in Section 1, try to figure out the best model for the data.
2. Check out the properties of the estimated model, like its ability to simulate the measured data and
other traditional model validation tests (residual analysis, etc).
3. Use the second file to cross-validate your model.
4. Compute the static gain of your model (see dcgain routine along with the cut-off frequencies (in
rad/s) and damping ratio(s) (see damp routine of your estimated model.
5. Present the main characteristics of your identified model in a table.
17
3 Real-life mechanical system data
The goal is now to test your linear model learning skills on real-life data.
From the course website, download the file named : Mechanical_data.zip which includes three files named :
— Mechanical_stepdata.mat contains the step response,
— Mechanical_data1.mat contains the system response to a PRBS input,
— Mechanical_data2.mat contains the system response to a different PRBS input.
The three real-life datasets have been measured from a mechanical three-mass oscillator system shown in
Figure 1.1.
The input of this real-life system is the synchronous motor torque (N.m) stored in u while the angular
velocity (in rad/s) of the third mass represents the system output stored in y. The sampling period is fast
and given in Ts. The collected data have been pre-processed and can be considered as ready to use without
additional pre-treatments.
Note that for this practical case, there is thus no "correct solution" (a true model) to it, but you might use
some mechanical insight to estimate/validate your model.
1. By using the start-up procedure outlined in Section 1, try to figure out the best model for the data.
2. Check out the properties of the estimated model, like its ability to simulate the measured data and
other traditional model validation tests (residual analysis, etc).
3. Use the second dataset to cross-validate your model.
4. Compute the static gain of your model along with the underdamped resonance frequencies (in rad/s)
and damping ratios for each resonance mode in your model.
5. Present the main characteristics of your identified model in a table and interpret the main features
of your identified model in a physical sense.
18
Quelques fonctions de transfert importantes
63%
Temps de montée à 63% Tm =T
95%
Temps de montée à 95% Tm ≈ 3T
−πz
y(TD1 ) − y(∞) √
2
Valeur du 1er dépassement en % D1% = × 100 = e 1 − z × 100
y(∞) − y(0)
π
Instant du 1er dépassement TD1 = √
ω0 1 − z2
Pseudo-période Tp = √2π
ω0 1−z 2
3
Temps de réponse à 5 % Tr5% ≈
ω0 z
100
ln √
x 1 − z2
Temps de réponse à x % Trx% =
ω0 z
100% π − acos(z)
Temps de montée (100%) Tm = √
ω0 1 − z 2
19
Identification des systèmes à partir de la réponse indicielle
Il faut rappeler que le retard pur fictif τ n’a pas d’existence réelle. Si le système comporte un retard pur
naturel τ̄ , il faudra l’ajouter au retard pur τ . Ce retard pur naturel doit être déterminé graphiquement comme
le temps mis par le système pour commencer à réagir après l’envoi de l’échelon (instant de décollement de
la réponse). Le modèle complet identifié prend alors la forme :
Ke−(τ̄ +τ )s
G(s) =
1 + Ts
20
Propriétés utiles de la transformée de Laplace
δ(t) 1
1
Γ(t)
s
1
r(t) = tΓ(t)
s2
2
t2 Γ(t)
s3
1
e−at Γ(t)
s+a
n!
tn e−at Γ(t)
(s + a)n+1
s
cos(ω0 t)Γ(t)
s2 + ω02
ω0
sin(ω0 t)Γ(t)
s2 + ω02
s+a
e−at cos(ω0 t)Γ(t)
(s + a)2 + ω02
ω0
e−at sin(ω0 t)Γ(t)
(s + a)2 + ω02
21