OUESLATI

Contribution à la modélisation dynamique,
l’identification et la synthèse de lois de commande

adaptées aux axes flexibles d’un robot industriel.
Marouene Oueslati
To cite this version:

Marouene Oueslati. Contribution à la modélisation dynamique, l’identification et la synthèse de lois
de commande adaptées aux axes flexibles d’un robot industriel.. Automatique / Robotique. Ecole
nationale supérieure d’arts et métiers - ENSAM, 2013. Français. �NNT : 2013ENAM0065�. �pastel-
01016462�
HAL Id: pastel-01016462

https://pastel.hal.science/pastel-01016462
Submitted on 30 Jun 2014
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
N°: 2009 ENAM XXXX
2013‐ENAM‐0065
École doctorale n° 432 : Sciences des Métiers de l’Ingénieur
Doctorat ParisTech
THÈSE
pour obtenir le grade de docteur délivré par
L’École Nationale Supérieure d'Arts et Métiers

Spécialité “ Automatique ”
présentée et soutenue publiquement par
Marouene OUESLATI
le 18 décembre 2013
Contribution à la modélisation dynamique, l’identification et la

synthèse de lois de commande adaptées aux axes flexibles
d’un robot industriel
Directeur de thèse : Olivier GIBARU

Co-encadrement de la thèse : Richard BEAREE
Co-encadrement de la thèse : George MORARU
Jury
M. Jean Pierre RICHARD, Professeur, SyNeR - LAGIS, Ecole Centrale de Lille Président
Mme. Hélène CHANAL, Maître de Conférences, IFMA, Institut Français de Mécanique Avancée Rapporteur
T
Mme. Moufida KSOURI, Professeur, LACS, Ecole Nationale d’Ingénieurs de Tunis Rapporteur
M. Faïz BEN AMAR, Professeur, SYROCO, Institut des Systèmes Intelligents et Robotique Examinateur H
M. Marc DOUILLY, Docteur, EADS Assembly & Robotics Examinateur
M. Olivier GIBARU, Professeur, LSIS - INSM, Arts et Métiers ParisTech Examinateur È
M. Richard BEAREE, Maître de Conférences, LSIS - INSM, Arts et Métiers ParisTech Examinateur
M. George MORARU, Maître de Conférences, LSIS - INSM, Arts et Métiers ParisTech Examinateur S
E
Arts et Métiers ParisTech - Centre de Lille
Laboratoire des Sciences de l’Information et des Systèmes (LSIS) – Equipe Projet INSM
A mes très chers parents pour leur soutien, leur gratitude et leur amour,
A mon épouse Sana qui partage ma vie depuis maintenant deux ans, pour sa patience,
A notre merveilleuse petite Lina,
A mes frères et à toute ma famille,
Et à toi...
Remerciements
Le travail présenté dans ce mémoire de thèse a été réalisé aux Arts et Métiers ParisTech au
sein du projet Ingénierie Numérique des Systèmes Mécaniques (INSM) du Laboratoire des
Sciences de l’Information et des Systèmes (LSIS UMR CNRS 7296). Ces travaux entrent dans le
cadre d’une collaboration entre le centre de Lille et le centre d’Aix en Provence.
Comme la tradition le veut, ces quelques lignes du manuscrit sont les plus agréables à
écrire. Elles signifient que la thèse est enfin terminée et elles permettent de remercier l’ensemble
des personnes qui ont participé de près ou de loin à la réalisation de cette thèse. Je tiens tout
d’abord à exprimer ma vive reconnaissance à Monsieur Jean Pierre RICHARD, Professeur à
l’École Centrale de Lille, pour m’avoir fait le grand honneur d’accepter de présider mon jury de
thèse. Je remercie aussi chaleureusement Mesdames Hélène CHANAL et Moufida KSOURI,
respectivement Maître de Conférences à l’Institut Français de Mécanique Avancée (IFMA) et
Professeur à l’École Nationale d’Ingénieurs de Tunis d’avoir accepté de rapporter ce mémoire
de thèse ; vos remarques et vos observations très constructives m’ont permis de prendre le recul
nécessaire à la préparation de ma soutenance. Je tiens à remercier également Monsieur Faïz BEN
AMAR, Professeur à l’Institut des Systèmes Intelligents et Robotique (ISIR - Université Pierre et
Marie CURIE) pour avoir participé à mon jury de thèse et d’avoir examiné minutieusement
ce travail. Je souhaite remercier aussi Monsieur Marc DOUILLY, Docteur à EADS Innovation
Works - Assembly & Robotics, pour avoir accepté de faire partie de ce jury et pour avoir apporté
ses remarques témoignant d’un intérêt industriel pour les travaux présentés.
Je voudrais exprimer toute ma reconnaissance à mon directeur de thèse Olivier GIBARU,

Professeur aux Arts et Métiers ParisTech, centre de Lille. Merci pour sa patience et ses précieux
conseils qui m’ont beaucoup aidé à me développer personnellement et professionnellement
ainsi que la confiance qu’il m’a accordée. Merci pour les nombreuses réunions de travail, pour
les relectures sans cesse, et pour les réunions de préparation de l’exposé final qui ont été une
grande source de force. Merci de m’avoir appris le sens de la rigueur scientifique. Je dois
également dire qu’Olivier s’implique énormément dans la réussite de ses doctorants. Merci
Olivier !
La suite de ses remerciements iront tout naturellement à mon encadrant de thèse Richard
BEAREE, Maître de Conférences aux Arts et Métiers ParisTech, centre de Lille, pour son soutien
et son implication totale dans ce travail. Sans nos nombreuses discussions et confrontations
d’idées, l’évolution de ce travail n’aurait pas été telle que présentée dans ce mémoire. Merci de
m’avoir appris le coté pragmatique des choses en me faisant profiter de son expérience et de son
vi
savoir faire. Merci pour tout Richard.
Je remercie chaleureusement mon deuxième encadrant de thèse George MORARU, Maître

de Conférences aux Arts et Métiers ParisTech, centre d’Aix en Provence, pour m’avoir bien
accueilli lors de mon séjour à l’ENSAM d’Aix en Provence. Les judicieux conseils qu’il
m’a prodigué, m’ont permis d’achever ce travail dans les meilleurs conditions. Mes vifs
remerciements s’adressent également à Stéphane THIERY, Maîtres de Conférences aux Arts et
Métiers ParisTech, centre de Lille, pour le travail de recherche collaboratif mené durant une
période de la thèse.
Je remercie également Monsieur Lionel ROUCOULES, directeur de l’équipe LSIS-INSM, qui

m’a accueilli au sein du laboratoire pour y réaliser ma thèse. Je profite aussi pour remercier tout
le personnel du laboratoire. Merci également à toutes les personnes de l’administration qui
nous aident dans nos démarches administratives fastidieuses. C’est avec sympathie aussi que je
remercie tous les membres du l’équipe NON-A d’INRIA sous la direction de Michel FLIESS et
Jean Pierre RICHARD pour m’avoir accueilli et m’avoir guidé dans mes premiers pas dans le
monde de la recherche.
Je souhaite remercier l’ensemble du personnel technique du l’ENSAM de Lille notamment

Luc BULTEAU et Marc SUFFYS pour votre grande disponibilité et vos nombreux coups de main.
Une spéciale dédicace à Xavier HELLE, qui vient de trouver un nouveau job, pour sa bonne
humeur, sa gentillesse et son aide indispensable pour la réalisation des essais expérimentaux. Je
remercie également le CITC pour son apport matériel dans le cadre des mesures réalisées par le
Laser Tracker. Je remercie vivement, Mohamed DAMAK, Préesident de GEOMNIA à Lille, pour
ses conseils qui reflètent un grand savoir faire dans le domaine de la robotique.
Une pensée toute particulière pour mes actuels et mes anciens collègues du bureau avec qui
j’ai partagé d’agréables moments au cours de ces dernières années. Je tiens à remercier Adel
OLABI, mon ancien collègue du bureau et le nouveau Maître de Conférences, pour les différents
échanges scientifiques menés le long de la thèse. Je remercie également Khaled FAWAZ, Ivàn
Mauricio GARCIA-HERREROS, Nadim EL HAYEK, Alain VISSIERE, Franck HERNOUX et tout
récemment Matthieu FEUGA avec lesquels j’ai bien cohabité. Je n’oublierai pas les pauses cafés
quotidiennes de 16 h lancées du bout du couloir. J’ai passé des mémorables moments en votre
compagnie.
Mes remerciements s’adressent aussi à Laure ARBENZ, Juliette MORIN, Pierre RAULT,
Ngacky NGUYEN, Sijun LIU, DuyHung MAC, Paul SANDULESCU et Basel ASLAN et les
autres membres du laboratoire L2EP pour l’ambiance formidable ainsi que nos différentes
sorties et soirées en groupe. Merci également à Djamel, Hicham, Julius, Julien, Thomas et tous
les autres CDD, post-docs et stagiaires de l’École.
Je ne peux terminer sans avoir une pensée à mes potes et fidèles camarades. Je profite de
cette occasion pour remercier infiniment Khaled, Aymen, Mehdi, Fawzi et Fethi pour tout le
soutien apporté et la création d’une belle ambiance à la tunisienne qui m’a permis de dégager le
vii
stress.
Ces dernières lignes sont pour ma famille éloignée par la distance durant ces années d’étude
en France et qui m’a toujours soutenue. Je remercie infiniment mon père Abderrafik et ma mère
Lamia qui m’ont toujours fait confiance et m’ont laissé libre de mes choix lors de mes études.
Je les remercie pour leur gratitude, leur amour et surtout d’avoir fait le déplacement pour
assister à la soutenance de mon Doctorat. J’espère que j’ai réalisé vos ambitions et que j’étais
à la hauteur. Je remercie chaleureusement mes frères Houssem, Amine et Wael pour m’avoir
encouragé. Je voudrais souligner que ma réussite est d’abord et avant tout leur réussite. Enfin et
surtout, merci à Sana, mon épouse qui est devenue aussi Docteur et surtout maman de notre
petite princesse Lina au moment de l’écriture des ces lignes, pour son soutien au quotidien et
pour m’avoir supportée pendant déjà quatre ans. Son amour et sa générosité sans limite étaient
la force motrice de cette réussite. Je lui exprime ici toute ma reconnaissance et mon amour. Je
voudrais en outre témoigner mes sincères reconnaissances à mes beaux parents Noureddine et
Saloua et à la famille CHERIF.
Et pour conclure, vivement notre petite Lina . . .

viii
Table des matières
Table des matières xii
Table des figures xvi
Liste des tableaux xvii
Introduction générale 1
1 La modélisation des robots polyarticulés 9

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Précision : notions et définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Fidélité ou répétabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Justesse et exactitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3 Modélisation Géométrique des Robots Manipulateurs . . . . . . . . . . . . . . . . 13
3.1 Définition de la situation de l’organe terminal . . . . . . . . . . . . . . . . 13
3.2 Les paramètres géométriques . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Matrice de transformation homogène . . . . . . . . . . . . . . . . . . . . . 16
3.4 Expression du modèle géométrique direct . . . . . . . . . . . . . . . . . . . 17
4 Modèle cinématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5 Modèle Dynamique des Robots Manipulateurs . . . . . . . . . . . . . . . . . . . . 19
5.1 Démarche générale de modélisation dynamique . . . . . . . . . . . . . . . 19
5.2 Modèle de comportement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.3 Modélisation dynamique rigide . . . . . . . . . . . . . . . . . . . . . . . . 23
5.3.1 Expression de l’énergie cinétique . . . . . . . . . . . . . . . . . . 25
5.3.2 Prise en compte des inerties de la chaîne d’actionnement . . . . 26
5.3.3 Expression de l’énergie potentielle . . . . . . . . . . . . . . . . . 28
5.3.4 Génération des équations du mouvement . . . . . . . . . . . . . 28
5.3.5 Calcul des éléments de C et G du modèle dynamique . . . . . . 28
5.4 Modélisation dynamique flexible . . . . . . . . . . . . . . . . . . . . . . . . 29
5.4.1 Hypothèses de modélisation . . . . . . . . . . . . . . . . . . . . . 29
5.4.2 Énergie cinétique du modèle dynamique flexible . . . . . . . . . 30
5.4.3 Énergie potentielle du modèle dynamique flexible . . . . . . . . 31
5.5 Éléments de transmission non linéaire . . . . . . . . . . . . . . . . . . . . . 31
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
x TABLE DES MATIÈRES
2 Identification de systèmes. Application aux robots manipulateurs 35

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.1 Procédure d’estimation des systèmes . . . . . . . . . . . . . . . . . . . . . 36
1.2 Structures des modèles physiques . . . . . . . . . . . . . . . . . . . . . . . 37
2 Méthodes d’identification pour les modèles temporels . . . . . . . . . . . . . . . . 38
2.1 Prédiction paramétrique par les approches asymptotiques . . . . . . . . . 39
2.1.1 Algorithme d’optimisation paramétrique . . . . . . . . . . . . . . 39
2.1.2 Les méthodes des moindres carrés . . . . . . . . . . . . . . . . . 41
2.1.3 Les méthodes à variables instrumentales . . . . . . . . . . . . . . 42
2.1.4 Filtre de Kalman Bucy . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.2 Prédiction paramétrique par les approches non-asymptotique . . . . . . . 44
2.2.1 Structure générale d’un estimateur paramétrique algébrique et
mise en oeuvre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3 Estimation algébrique de la fréquence . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.1 Méthode d’estimation de la fréquence . . . . . . . . . . . . . . . . . . . . . 48
3.2 Analyse statistique de l’estimateur . . . . . . . . . . . . . . . . . . . . . . . 50
3.2.1 Estimation pour une fenêtre fixée . . . . . . . . . . . . . . . . . . 50
3.3 Estimation à fenêtre glissante . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3.1 Cas sans bruit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3.2 Cas avec bruit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.3 Cas d’une fenêtre glissante : estimation causale . . . . . . . . . . 55
4 Etude détaillée de l’estimation paramétrique d’un système mécanique souple . . 59
4.1 Cadre d’étude et motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 Positionnement du problème . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.3 Estimation par le filtre de Kalman-Bucy . . . . . . . . . . . . . . . . . . . . 62
4.3.1 Analyse de la variance . . . . . . . . . . . . . . . . . . . . . . . . 63
4.3.2 Influence du facteur d’oubli λ sur la convergence de l’estimateur 64
4.3.3 La trajectoire d’entrée optimale . . . . . . . . . . . . . . . . . . . 64
4.4 Estimation par la technique algébrique . . . . . . . . . . . . . . . . . . . . 66
5 Simulations et analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.1 Etude comparative et analyse des performances . . . . . . . . . . . . . . . 67
5.2 Motivation dans le choix de la méthode d’identification . . . . . . . . . . . 70
5.3 Détection non asymptotique de la variation paramétrique . . . . . . . . . 70
5.3.1 Détection du changement brusque de fréquence . . . . . . . . . 71
5.3.2 Vers la détection d’une variation linéaire de la fréquence . . . . . 75
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3 Etude de l’influence des phénomènes dynamiques sur un axe d’un robot industriel 79
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2 Constat expérimental du comportement dynamique d’un axe de robot et proposi-
tion d’un modèle représentatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.1 Axe étudié et moyens de mesures . . . . . . . . . . . . . . . . . . . . . . . 80
2.1.1 Axe du robot considéré . . . . . . . . . . . . . . . . . . . . . . . . 80
2.1.2 Moyens de mesure associés . . . . . . . . . . . . . . . . . . . . . 81
TABLE DES MATIÈRES xi
2.2 Développement du protocole d’essai . . . . . . . . . . . . . . . . . . . . . . 84

2.3 Mise en évidence des phénomènes vibratoires . . . . . . . . . . . . . . . . 86
2.3.1 Contribution de la déformation des bras . . . . . . . . . . . . . . 88
2.3.2 Contribution du système de compensation de gravité . . . . . . 89
2.3.3 Modèle générique d’axe à paramètres localisés . . . . . . . . . . 91
3 Estimation des effets associés à la gravité . . . . . . . . . . . . . . . . . . . . . . . 93
4 Estimation des forces de frottements . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.1 Caractérisation du couple de frottement sec . . . . . . . . . . . . . . . . . . 96
4.1.1 Validation du couple gravitationnel et de frottement sec à travers
les essais en zone de pré-glissement . . . . . . . . . . . . . . . . . 98
4.2 Influence du frottement en zone de pré-glissements sur la précision sta-
tique du robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.3 Estimation du couple de frottement total . . . . . . . . . . . . . . . . . . . 99
4.3.1 Modélisation : méthode et pratique . . . . . . . . . . . . . . . . . 101
4.3.2 Procédure d’identification du couple de frottement . . . . . . . . 104
5 Estimation du moment d’inertie du bras . . . . . . . . . . . . . . . . . . . . . . . . 106
6 Evaluation expérimentale du modèle dynamique rigide . . . . . . . . . . . . . . . 107
6.1 Validation par estimation séquentielle des paramètres physiques . . . . . 107
6.2 Validation par une estimation simultanée des paramètres . . . . . . . . . . 110
7 Intégration du comportement vibratoire de l’axe . . . . . . . . . . . . . . . . . . . 111
7.1 Modèle générique de souplesse prépondérante . . . . . . . . . . . . . . . . 111
7.2 Analyse expérimentale des phénomènes vibratoires . . . . . . . . . . . . . 111
7.3 Estimation paramétrique expérimentale . . . . . . . . . . . . . . . . . . . . 113
7.3.1 Méthode de calcul des périodes . . . . . . . . . . . . . . . . . . . 114
7.3.2 Estimation de la fréquence modale par Transformée de Fourier
Rapide . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.3.3 Estimation du coefficient d’amortissement . . . . . . . . . . . . . 116
7.3.4 Estimation en ligne de la fréquence et du coefficient d’amortisse-
ment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.3.5 Expressions de l’estimateur algébrique . . . . . . . . . . . . . . . 117
7.3.6 Calcul de la variabilité de la raideur équivalente et l’amortisse-
ment de l’axe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
7.4 Validation temporelle du modèle dynamique souple . . . . . . . . . . . . 121
8 Bilan sur la compréhension des phénomènes physiques et la modélisation géné-
rique d’un axe souple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
4 Méthodologie d’amélioration du comportement dynamique d’un robot industriel 123

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
2 Conception d’une précommande en boucle ouverte et génération de loi de mou-
vement adaptées au mouvement d’un axe souple . . . . . . . . . . . . . . . . . . . 124
2.1 Généralités sur les lois de mouvement . . . . . . . . . . . . . . . . . . . . . 125
2.1.1 Loi de mouvement de type bang-bang . . . . . . . . . . . . . . . 126
Bang-bang en accélération . . . . . . . . . . . . . . . . . . . . . . . . 126
Bang-bang en jerk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
xii TABLE DES MATIÈRES
2.2 Méthodologie de réglage de jerk adaptée à la réduction de vibrations . . . 130

2.2.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
2.2.2 Réglage du jerk . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
2.2.3 Loi de mouvement douces à jerk continu . . . . . . . . . . . . . . 132
2.3 Confrontation avec la technique d’input shaping . . . . . . . . . . . . . . . 133
2.3.1 Etude de sensibilité des techniques de commande basées sur
l’Input Shaping . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
ZV Shaper : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
ZVD Shaper : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Analyse et discussion . . . . . . . . . . . . . . . . . . . . . . . . . . 136
2.4 Adaptation au contexte d’un axe du robot étudié . . . . . . . . . . . . . . 138
2.5 Conception d’une précompensation de trajectoire d’un axe souple de robot141
2.5.1 Elaboration de la précompensation souple . . . . . . . . . . . . . 141
2.6 Application à la génération de précommande et validations expérimentales144
3 Caractérisation de l’évolution des fréquences propres pour un robot industriel . 147
3.1 Cadre d’étude et d’analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
3.2 Analyse de la variation fréquentielle . . . . . . . . . . . . . . . . . . . . . . 148
4 Application de la technique d’estimation non asymptotique à l’amélioration du
comportement vibratoire du robot . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
4.1 Estimation algébrique rapide de la variation fréquentielle modale . . . . . 154
4.2 Technique d’implantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
4.3 Validation expérimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
5 Bilan sur la synthèse de loi de mouvement adaptée et d’une commande d’un axe
souple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
Conclusions et Perspectives 161
Bibliographie 165
Table des figures
1 Robot Stäubli 6 axes TX Plastics 160 . . . . . . . . . . . . . . . . . . . . . . . . . . 1

2 Robot Stäubli 6 axes équipé d’une éléctrobroche UGV . . . . . . . . . . . . . . . . 2
3 Architecture d’un système de commande générique d’un axe du manipulateur
robotisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
4 Schéma global représentant un aperçu du problème de modélisation, d’identi-
fication et de la commande du robot. Les zones grisées représentent les thèmes
abordés dans cette thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1 Une ligne de soudage par points à l’aide des robots . . . . . . . . . . . . . . . . . 10

1.2 Répétabilité et précision statique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Définition de l’erreur dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Les paramètres géométriques de Denavit-Hartenberg [Siciliano and Khatib, 2008] 14
1.5 Placement des repères pour le Stäubli RX 170B selon la convention D.H. (a)
Configuration zéro "géométrique". (b) Configuration zéro "codeur" . . . . . . . . 15
1.6 Transformation des repères standards pour le robot Stäubli RX170B . . . . . . . . 18
1.7 Mesure de déformation des axes 1 et 2 du robot [Olabi, 2011] . . . . . . . . . . . . 23
1.8 Modèle dynamique rigide du Stäubli RX170B : application au 4 premiers axes . . 24
1.9 Desciption géométrique d’un corps i en vue d’un formalisme Lagrangien . . . . 24
1.10 Caractérisation d’un rotor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.11 Modèle dynamique flexible du Stäubli RX170B : application au 4 premiers axes . 29
1.12 Modèle flexible d’un axe du robot . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.13 Déformation des contacts entre deux solides en mouvement (a) et (b) et effet de la
lubrification sur leur déplacement (c), [Thiery, 2005] . . . . . . . . . . . . . . . . . 32
1.14 Courbe généralisée de Stribeck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1 Système en boucle ouverte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.2 Système en boucle fermée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3 Classes d’algorithmes d’optimisation paramétrique . . . . . . . . . . . . . . . . . 41
†
2.4 a = 3, b = 1, c = 1, d = 7 où chaque Xi N (0, 5) . . . . . . . . . . . . . . . . . . . . 52
2.5 a = 3, b = 1, c = 1, d = 7 où chaque Xi N (0, 0.5) . . . . . . . . . . . . . . . . . . . 53
2.6 f0 = 8Hz, ζ=0, Te =4ms, A=1, erreur à 2% . . . . . . . . . . . . . . . . . . . . . . . . 54
2.7 f0 = 8Hz, ζ=0, Te =1ms, A=1, erreur à 2% . . . . . . . . . . . . . . . . . . . . . . . . 54
2.8 f0 = 8Hz, ζ=0, Te =4ms, A=0.1, erreur à 2% . . . . . . . . . . . . . . . . . . . . . . . 55
2.9 f0 = 8Hz, ζ=0, Te =1ms, A=0.1, erreur à 2% . . . . . . . . . . . . . . . . . . . . . . . 55
2.10 f0 = 20Hz, ζ=0, Te =4ms, A=1, erreur à 2% . . . . . . . . . . . . . . . . . . . . . . . 56
2.11 f0 = 20Hz, ζ=0, Te =1ms, A=1, erreur à 2% . . . . . . . . . . . . . . . . . . . . . . . 56
xiv TABLE DES FIGURES
2.12 f0 = 20Hz, ζ=0, Te =4ms, A=0.1, erreur à 2% . . . . . . . . . . . . . . . . . . . . . . 57

2.13 f0 = 20Hz, ζ=0, Te =1ms, A=0.1, erreur à 2% . . . . . . . . . . . . . . . . . . . . . . 57
2.14 f0 = 8Hz, ζ=0, Te =4ms, SNR=36dB, A=1, erreur à 2% . . . . . . . . . . . . . . . . . 58
2.18 Fonction de transfert en fréquence du bras de robot . . . . . . . . . . . . . . . . . 60
2.19 Système masse ressort à 1 ddl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.20 Influence du facteur d’oubli λ en analyse de variance . . . . . . . . . . . . . . . . 65
ω1
2.21 Influence du rapport Z = pour la conception de la trajectoire optimale . . . . 65
ω0
2.22 Influence de l’amplitude A1 sur l’estimation paramétrique par le filtre de Kalman-
Bucy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.23 Estimation de la fréquence f0 via le filtre de Kalman-Bucy pour différents SNR . 68
2.24 Estimation de la fréquence f0 via l’approche algébrique pour différents SNR . . . 69
2.25 Signal composé de trois séquences consécutives et pour f0 variable . . . . . . . . 72
2.26 Transformée de Fourier de x(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.27 Détection de la variation fréquentielle pour un signal x(t) non bruité . . . . . . . 73
2.28 Spectrogramme de x(t) non bruité . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.29 x(t) bruité avec un SNR = 10 dB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.30 Estimation algébrique de la variation fréquentiel pour x(t) bruité avec un SNR =
10 dB (en haut). Spectrogramme de la STFT (en bas). . . . . . . . . . . . . . . . . . 74
2.31 Etude de la robustesse de l’approche algébrique vis-à-vis du bruit de mesure . . 76
2.32 Signal de type Chirp dont la fréquence varie linéairement entre 3 et 18 Hz . . . . 77
2.33 Estimation de la variation fréquentielle linéaire par la méthode algébrique . . . . 77
2.34 Erreur d’estimation de la variation fréquentielle linéaire . . . . . . . . . . . . . . . 78
3.1 Système de compensation de la gravité par ressorts de traction . . . . . . . . . . . 81

3.2 Exemple d’un codeur moteur du robot ABB IRB6600 . . . . . . . . . . . . . . . . . 82
3.3 Laser Tracker API T3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.4 Installation expérimentale du dispositif de mesure Laser . . . . . . . . . . . . . . 83
3.5 Système de coordonnée du Laser Tracker . . . . . . . . . . . . . . . . . . . . . . . 84
3.6 Structure du contrôle et de mesures d’un axe du robot Stäubli RX 170B . . . . . . 85
3.7 Mesure des positions du bras avec le Laser Tracker . . . . . . . . . . . . . . . . . . 86
3.8 Conversion de la position cartésienne en position articulaire . . . . . . . . . . . . 86
3.9 Variation de la position de l’axe durant le test . . . . . . . . . . . . . . . . . . . . . 87
3.10 Relevés expérimentaux des phénomènes vibratoires . . . . . . . . . . . . . . . . . 88
3.11 Caractérisation d’une poutre équivalente du bras 2 . . . . . . . . . . . . . . . . . . 89
3.12 Analyse fréquentielle de la déformation de la structure . . . . . . . . . . . . . . . 90
3.13 Schéma de principe du système de transmission . . . . . . . . . . . . . . . . . . . 92
3.14 Modèle de d’un axe souple à constantes localisées . . . . . . . . . . . . . . . . . . 93
3.15 Caractérisation des bras en vue du calcul du couple de gravité . . . . . . . . . . . 94
3.16 Couple de gravité résiduel appliqué sur l’axe 2 . . . . . . . . . . . . . . . . . . . . 94
3.17 Représentation schématique de la transmission d’une articulation . . . . . . . . . 95
3.18 Trajectoire de test du frottement de Coulomb . . . . . . . . . . . . . . . . . . . . . 96
TABLE DES FIGURES xv
3.19 Relevés expérimentaux des position, vitesse et couple . . . . . . . . . . . . . . . . 97

3.20 Couple de frottement en zone de pré-glissement autour de 0 deg . . . . . . . . . 97
3.21 Relevés expérimentaux des position, vitesse et couple . . . . . . . . . . . . . . . . 99
3.22 Couple de frottement en zone de pré-glissement autour de 20 deg . . . . . . . . . 99
3.23 Défauts de transmission de l’axe 2 du robot . . . . . . . . . . . . . . . . . . . . . . 100
3.24 Défaut de transmission lié à la phase de démarrage de mouvement (zone 1) . . . 100
3.25 Loi de mouvement Bang-Bang en accélération . . . . . . . . . . . . . . . . . . . . 101
3.26 Relevés expérimentaux des vitesses et couples d’entrée associés en vue de l’iden-
tification du couple de frottement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.27 Couple de frottement moyen en fonction de la vitesse . . . . . . . . . . . . . . . . 103
3.28 Comparaison entre couple de frottement mesuré et couple estimé . . . . . . . . . 106
3.29 Exemple de trajectoire utilisée pour la validation du modèle dynamique rigide de
l’axe 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.30 Comparaison entre le couple mesuré et le couple estimé par le modèle rigide . . 109
3.31 Erreur d’estimation du modèle rigide . . . . . . . . . . . . . . . . . . . . . . . . . 109
3.32 Trajectoire de test pour l’identification du comportement souple de la chaîne de
transmission . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
3.33 Erreur de suivi de position du bras 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 113
3.34 Zoom sur les paliers selectionés du signal . . . . . . . . . . . . . . . . . . . . . . . 114
3.35 Résultats de l’estimation fréquentiel avec une analyse FFT . . . . . . . . . . . . . 116
3.36 Identification du coefficient d’amortissement . . . . . . . . . . . . . . . . . . . . . 117
3.37 Exemple d’estimation algébrique des paramètres fréquentiels : zone 7 . . . . . . . 119
3.38 Validation du modèle simulé de la déformation angulaire δθ . . . . . . . . . . . . 122
4.1 Architecture d’un système de commande générique d’axe . . . . . . . . . . . . . 125

4.2 Boucle interne de l’asservissement d’un axe du robot Stäubli RX 170 . . . . . . . 125
4.3 Définition générique d’une loi de mouvement bang-bang . . . . . . . . . . . . . . 126
4.4 Profil à vitesse trapézoïdal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4.5 Loi de mouvement bang-bang en accélération . . . . . . . . . . . . . . . . . . . . . 128
4.6 Profil à jerk limité à sept segments . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
4.7 Créneau en jerk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.8 L’amplitude de la réponse fréquentiel du filtre M (s) . . . . . . . . . . . . . . . . . 131
4.9 Mise en forme de la loi de mouvement avec la technique d’input shaping . . . . 133
4.10 Technique de l’input shaping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
4.11 Convolution entre un échelon unitaire et un shaper de type ZV (2 impulsions) . . 135
4.12 Convolution entre un échelon unitaire et un shaper de type ZVD (3 impulsions) . 136
4.13 Sensibilité des lois de mouvement en jerk limité, d’un ZV shaper et d’un ZVD
Shaper en fonction du rapport entre la pulsation estimée ω et la pulsation du
mode dominant du système ω0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.14 Réponse fréquentielle en position de la charge pour une excitation au niveau de
l’actionneur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.15 Influence des incertitudes d’estimation de ω0 sur le spectre fréquentiel de Hδ . . 139
4.16 Influence de l’amortissement ζ sur le comportement vibratoire d’un axe du robot
pour un bang bang en jerk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
xvi TABLE DES FIGURES
4.17 Adaptation du profil initial pour la réduction des vibrations . . . . . . . . . . . . 142

4.18 Erreur de suivi de trajectoire de l’axe 2 liée au changement de vitesse . . . . . . . 143
4.19 Idée globale de la précompensation de trajectoires . . . . . . . . . . . . . . . . . . 144
4.20 Structure de la correction dynamique de la déformation articulaire . . . . . . . . 145
4.21 Loi de mouvement utilisée pour la génération de la précommande . . . . . . . . 145
4.22 Mesure codeur du couple généré et l’erreur d’asservissement du contrôleur du
robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
4.23 Apport de la stratégie de précompensation sur la déviation de l’axe 2 . . . . . . . 147
4.24 Robot en configuration d’usinage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
4.25 Vibration résiduelle pour un jerk élémentaire en fonction de la variation de la
fréquence modale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
4.26 Différentes configurations utilisées avec le chargement du robot (broche montée) 150
4.27 Mesure de la variation de la fréquence modale en fonction des angles θ2 , θ3 et la
charge du robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
4.28 Structure générale de commande et d’adaptation de loi de mouvement . . . . . . 152
4.29 Trajectoire de validation du robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
4.30 Trajectoire effectuée par l’axe 2 pour une déplacement suivant X robot . . . . . . 153
4.31 Vitesse articulaire de l’axe 2 le long de la trajectoire suivant Y robot et variation
de sa fréquence propre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
4.32 Détection en ligne de la variation fréquentielle . . . . . . . . . . . . . . . . . . . . 156
4.33 Position du bras pour les trois stratégies de commande . . . . . . . . . . . . . . . 157
4.34 Vibration résiduelle du bras à vide (broche non montée) pour les trois stratégies
de commande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
4.35 Vitesse du bras à vide (broche non montée) pour les trois stratégies de commande 158
4.36 Vibration résiduelle du bras chargé (broche montée) pour les trois stratégies de
commande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
4.37 Vitesse du bras chargé (broche montée) pour les trois stratégies de commande . . 159
Liste des tableaux
1.1 Principaux avantages et inconvénients des robots à architectures sérielles . . . . 10

1.2 Paramètres géométriques du Stäubli RX 170 B . . . . . . . . . . . . . . . . . . . . 16
2.1 Comparaison qualitative des méthodes d’optimisation . . . . . . . . . . . . . . . 41

2.2 Performance de l’estimateur récursif de type Kalman-Bucy . . . . . . . . . . . . . 67
2.3 Performance de l’estimateur basée sur l’approche algébrique . . . . . . . . . . . . 70
3.1 Caractéristique de la poutre équivalente de l’axe 2 . . . . . . . . . . . . . . . . . . 89

3.2 Valeurs du couple de frottement sec . . . . . . . . . . . . . . . . . . . . . . . . . . 98
3.3 Valeurs des paramètres du modèle de frottement de Stribeck . . . . . . . . . . . . 105
3.4 Valeur identifiée du moment d’inertie total de l’axe 2 . . . . . . . . . . . . . . . . 107
3.5 Valeurs identifiées du modèle dynamique rigide de l’axe . . . . . . . . . . . . . . 111
3.6 Fréquence propre identifiée via la méthodes de calcul des périodes . . . . . . . . 115
3.7 Identification du mode de déformation à travers une analyse FFT . . . . . . . . . 115
3.8 Identification du mode de déformation à travers la méthode algébrique . . . . . 120
3.9 Variation de la raideur dynamique K en fonction de la fréquence propre estimée 120
3.10 Variation de l’amortissement D en fonction de la fréquence propre estimée . . . . 120
3.11 Paramètres physique estimés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.1 Caractérisation de l’apport de la stratégie de précompensation sur la déviation

au bout d’axe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
4.2 Angles choisies des axes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
4.3 Configuration de test intermédiaires . . . . . . . . . . . . . . . . . . . . . . . . . . 149
4.4 Fréquences modales identifiées pour le robot à vide . . . . . . . . . . . . . . . . . 149
4.5 Fréquences modales identifiées pour le robot chargé . . . . . . . . . . . . . . . . . 150
4.6 Performances obtenues expérimentalement sur le robot avec 3 stratégies de com-
mande (robot non chargé) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
4.7 Performances obtenues expérimentalement sur le robot avec 3 stratégies de com-
mande (broche montée) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
xviii LISTE DES TABLEAUX
Introduction générale
Contexte et problématique
A ns l’industrie manufacturière d’aujourd’hui, les trois facteurs permettant de maintenir

D la compétitivité sont le coût, la productivité et l’agilité des moyens de production,
notamment afin de répondre aux exigences du phénomène "Mass-Customization". Pour un
nombre croissant d’applications industrielles, les robots sont utilisés pour répondre à ces
exigences. Ils représentent un moyen de production sophistiqué en partant du principe que
ces manipulateurs sont plus agiles, plus flexibles et moins coûteux que les machines-outils
spécialisées. Bien que les machines-outils soient structurellement plus rigides, les robots
poly-articulés disposent généralement d’un espace de travail plus important. L’exploitation de
ces avantages pour la réalisation de tâches de positionnement, de pick-and-place, ainsi que
d’opérations à caractères continus, comme l’usinage par exemple, fait l’objet d’une demande
croissante. Ces nouveaux procédés robotisés nécessitent lors de leur mise en oeuvre une
précision accrue afin de pouvoir garantir la qualité de la réalisation [Brogårdh, 2007, 2009].
L’amélioration de la précision des robots industriels demeure un sujet se heurtant à de nombreux
verrous technologiques. La figure 1 présente un robot industriel standard qui se compose d’un
bras mécanique avec un certain nombre de liaisons inter-connectées par des articulations,
chaque articulation est actionnée par un moteur via une chaîne de réduction. Les dynamiques
F IGURE 1: Robot Stäubli 6 axes TX Plastics 160
de ce type de système sont complexes et soumises à de nombreuses sources d’imprécision.

On citera pour exemple les défauts géométriques, les défauts de la chaîne de transmission,
les variations paramétriques induites par les dérives thermiques, ou encore les éléments de
liaison, ainsi que les articulations, qui peuvent être le siège de déformations et de vibrations
dégradant sensiblement la précision du système. De plus, certaines de ces dynamiques peuvent
être non-linéaires telles que les frottements et les jeux mécaniques dans la transmission. Ces
différents phénomènes physiques sont d’autant plus difficiles à compenser que seul un sous
2 Introduction
ensemble des états du système est mesuré par les retours des codeurs moteurs. La structure de
commande industrielle actuelle d’un robot n’agit donc pas directement sur les phénomènes
non vus par la baie tels que les déformations axiales et les défauts de transmission. Ce constat
conduit à deux voies d’investigation possibles. La première concerne l’amélioration de la
conception du robot, tant sur les aspects structurels (matériaux, architecture) que technologiques
(réducteurs, résolveurs, actionneurs). Cette solution nécessite un lourd investissement financier.
Une autre piste concerne l’amélioration ou plutôt l’adaptation de la structure de commande des
robots à ces nouvelles exigences.
Ces travaux de thèse se placent dans le cadre de l’adaptation de la commande industrielle et

proposent une contribution sur le plan de l’identification et notamment de l’estimation rapide
de paramètres associés à la dynamique d’un robot. Cette étude s’appuie sur de nombreuses
expérimentations réalisées sur le robot industriel anthropomorphe présenté à la figure 2. Une
analyse poussée des sources d’erreurs de positionnement statique de ce robot a été présentée
dans [Olabi, 2011]. Les erreurs géométriques et les erreurs de calage ou de zéro (définition
des références codeurs) représentent les principaux contributeurs de l’imprécision statique
globale. Ce type d’erreur, qui peut atteindre plusieurs millimètres, est toutefois en grande partie
compensable par la mise en oeuvre de méthodologies expérimentales de recalage/calibration
adaptées. Une fois ces erreurs géométriques réduites, les déformations élastiques de la structure
et des articulations deviennent dominantes. En dynamique, ces phénomènes de déformations se
trouvent amplifiés et induisent des vibrations de l’organe terminal dégradant significativement
la précision du suivi de trajectoire.
F IGURE 2: Robot Stäubli 6 axes équipé d’une éléctrobroche UGV
Positionnement des travaux
La commande d’un système à dynamique élevée doit réaliser des fonctions telles que le
positionnement, le suivi de trajectoire, l’annihilation du comportement vibratoire et le rejet de
3
perturbations. La figure 3 présente le schéma bloc d’un système de commande générique pour
un axe de robot. La consigne de position désirée θd (position à atteindre ou de référence) est
introduite dans le générateur de commande où le planificateur de mouvement transforme cette
variable en un mouvement de référence θd (t) par l’utilisation d’une loi de mouvement également
appelée loi horaire. Cette consigne temporelle sera ensuite l’entrée de la précommande pour
d
générer la consigne moteur θm (t). Le générateur de commande élabore également la commande
de référence upré (t) qui est directement injectée en entrée du processus (précommande). La
boucle d’asservissement produit alors un signal d’erreur afin de générer un signal de commande
en régulation uass (t). Un signal résultant u(t) sera alors le signal d’entrée générale. Comme
illustré sur la figure 3, la partie flexible n’est pas directement mesurée et sa contribution vue
des codeurs moteurs est considérablement amoindri par les rapports de réduction important
utilisés en robotique sérielle. L’idée exploitée dans cette thèse repose sur une approche de
compensation par modèle. Cette piste d’investigation semble la plus adéquate dans un contexte
d’implantation industriel puisqu’elle ne nécessite pas de modification profonde de l’architecture
de commande implantée dans les contrôleurs de robot. La précommande, comme illustrée dans
la figure 3, est théoriquement parfaite si elle correspond à l’inverse du modèle du processus.
L’identification des différentes paramètres constitutifs de ce modèle sera un élément central de
notre étude. La compensation des défauts dynamiques et la correction des trajectoires peuvent
Anticipation u pré (t )
(boucle ouverte) 
d d u(t ) Axe du m (t ) (t )
m (t )

Loi de Précommande Partie
robot
mouvement (filtre) flexible
(Rigide)
 Asservissement 
 (boucle fermée) uass (t )

Robot
F IGURE 3: Architecture d’un système de commande générique d’un axe du manipulateur robotisé
être effectuées en ligne ou hors ligne. De nombreux travaux de recherche se sont penchés sur
cette problématique. Dans [Verdonck and Swevers, 2002] les auteurs donnent une approche
de précompensation sur un robot de type KUKA IR 361 où seulement la partie rigide est
étudiée. Ils se basent sur la connaissance parfaite du modèle rigide du robot et du contrôleur
associé en vue d’implanter hors ligne la compensation globale du modèle pour une trajectoire
donnée. Les auteurs mentionnent qu’ils arrivent à améliorer de 70%, sur les 3 premiers axes,
les performances au niveau du suivi d’une trajectoire cartésienne vu par le codeur moteur par
rapport au réglage industriel initial. Cependant, cette technique ne traite pas tout ce qui se passe
après l’étage de réduction et donc la partie flexible. Une démarche similaire a été employée dans
les travaux de [Riepl and Gattringer, 2009] pour l’amélioration des performances de suivi de
trajectoire en ligne d’un robot de type Stäubli RX 130L. La technique consiste à calculer le modèle
rigide inverse numériquement en vue de générer une anticipation rapide en courant, vitesse et
4 Introduction
accélération. Cette technique nécessite l’ouverture totale de la baie de commande afin d’accéder
à tout moment aux boucles de courant, de vitesse et d’accélération. Cette technique présente les
mêmes limitations que celle proposée par [Verdonck and Swevers, 2002] à cause de la non prise
en charge de la souplesse de l’axe. Une amélioration de la dynamique des contrôleurs industriels
par l’apprentissage neuronale est proposée dans [Lange and Hirzinger, 1999]. Cette approche
permet d’améliorer le comportement des contrôleurs pour minimiser l’erreur de pose pour des
dynamiques de fonctionnement élevées. Une troisième approche, traitant la génération d’une
précommande souple pour les contrôleurs des robots industriels standards, est proposée dans
les travaux de [Wang et al., 2009]. Les auteurs introduisent une compensation des déformations
élastiques en ligne. Ils exploitent les données issues d’un capteur de force installé au niveau de
l’organe terminal pour mesurer les forces appliquées en temps réel. Ce protocole de mesure
est utilisé dans le cadre de l’usinage robotisé. Ces forces sont projetées dans l’espace articulaire
afin de calculer les déplacements angulaires. Ces déplacements sont injectés dans la boucle
de commande pour compenser l’erreur induite. Cette technique reste intéressante, néanmoins,
elle augmente la complexité du système de contrôle par l’introduction d’un contrôleur externe
dédié. [Alban and Janocha, 1999] proposent une stratégie de compensation basée sur un modèle
de déformation des articulations d’un robot industriel. L’erreur dynamique entre la position
réelle mesurée au niveau de l’effecteur et la position désirée est obtenue via un système inertiel
composé de trois d’accélérométres et de trois gyromètres laser en anneau. Une fois obtenue,
l’erreur de positionnement est approchée par un modèle linéaire discret dont les coefficients
sont identifiés de manière hors ligne. Par conséquent, grâce à l’ouverture logicielle, l’erreur
dynamique est implantée comme étant une précommande de correction des trajectoires. Cette
stratégie de calibration dynamique permet d’améliorer la précision de suivi de trajectoire de
85%.
De façon globale, nous faisons ressortir les points suivants de l’état de l’art :
– Peu de travaux traitent de l’élaboration de précommandes ou d’anticipations adaptées
aux axes d’un robot industriel et intégrant les phénomènes de déformation ;
– La planification de trajectoire n’est classiquement pas remise en cause et peu évoquée.
Elle représente pourtant un moyen d’action éprouvé afin d’améliorer les performances
dynamiques en suivi de profil ;
– La problématique de la réactualisation de certains des paramètres associés aux modèles
exploités pour la planification de trajectoire ou à la précommande nécessite la mise en
oeuvre de techniques rapides d’identification paramétrique.
Contributions de la thèse
Cette thèse contribue à l’amélioration du comportement dynamique d’un robot industriel par
une action sur les trois aspects précédemment soulevés : l’exploitation d’un modèle dynamique
représentatif pour la précommande, la réduction des déformations élastiques et des vibrations
par une action sur la précommande et sur la loi de mouvement, et enfin l’analyse de techniques
d’estimation rapide de paramètres afin de permettre une réactualisation des modèles exploités.
La figure 4 présente les domaines scientifiques investigués sous la forme d’un plan arborescent.
Ces domaines illustrent la modélisation dynamique des robots manipulateurs, les méthodes
d’identification paramétrique et la conception des architectures de commande adaptées aux
5
axes flexibles des robots manipulateurs. Les principales contributions de cette thèse peuvent
être détaillées comme suit :
Contribution 1 : Une modélisation fine d’un axe de robot industriel est réalisée en intégrant
tous les phénomènes physiques ayant une contribution non négligeable sur la dynamique.
Ce travail est argumenté par l’analyse de nombreux essais expérimentaux réalisés sur le
robot démonstrateur.
Contribution 2 : L’introduction d’une nouvelle méthode d’estimation non asymptotique appli-
quée en robotique, afin d’estimer rapidement les paramètres vibratoires de ce dernier. Il
est montré pour la première fois que ces méthodes admettent une statistique sous-jacente,
dans le cas de bruits gaussiens, qui n’admet ni moyenne ni variance. Par contre, nous
montrons que l’estimation au sens de la médiane permet de robustifier ces estimateurs et
démontre le caractère non asymptotique de ces méthodes d’estimation.
Contribution 3 : La mise en oeuvre d’une planification de trajectoires à jerk (dérivée de l’accélé-
ration) limité adaptées à la réduction du comportement vibratoire d’un axe de robot.
Contribution 4 : La mise en oeuvre expérimentale d’une précommande intégrant les principaux
phénomènes physiques précédemment identifiés.
Plan du mémoire
Le chapitre 1 porte sur la modélisation des robots polyarticulés et présente les outils
classiques de modélisation exploités en robotique. Un état de l’art sur la modélisation
dynamique des robots est ici développé. Les différents concepts et méthodes présentées seront
majoritairement repris dans le chapitre 3 centré sur la modélisation fine d’un axe souple de
robot industriel.
Dans le chapitre 2, différentes méthodes d’identification des systèmes sont présentées et

analysées. Dans un premier temps, nous exposons les concepts d’identification et d’estimation
paramétrique pour une classe de systèmes linéaires. Les méthodes classiques à convergence
asymptotique sont comparées ensuite aux approches dite algébriques ou non-asymptotiques.
Ces dernières méthodes semblent particulièrement adaptées au contexte de l’estimation rapide
en ligne. Ces méthodes algébriques sont ici employées pour la classe des systèmes linéaires à
paramètres variant dans le temps. Nous montrons que l’estimation au sens de la médiane de ces
estimateurs permet de les robustifier. La sensibilité de l’estimateur développé par rapport aux
bruits de mesures est évaluée et une méthodologie de réglage semi-empirique de l’estimateur
est proposée.
Le chapitre 3 propose une étude détaillée de l’influence des phénomènes dynamiques pou-
vant se manifester sur un robot industriel. Pour ce faire, de nombreuses mesures expérimentales
sont conduites, puis analysées, afin de justifier par l’observation le modèle d’axe dynamique
proposé dans ce chapitre. Ensuite, une second partie est consacrée à l’identification des
paramètres inconnus du modèle dynamique précédant. Deux approches sont ici considérées :
une estimation "indépendante" phénomène par phénomène et une estimation dite "simultanée"
de l’ensemble des paramètres. L’approche d’identification algébrique est notamment appliquée
6 Introduction
Modélisation et Identification des robots

Modèle non linéaire
global flexible
Modèle non linéaire

Modèle linéaire local flexible
global rigide
1 2
Méthodes Méthodes
Méthodes Méthodes Méthodes
temporelles d’identifications
d’identifications d’identifications fréquentielles
d’identifications non linéaires et
temporelles de temporelles de non
des modèles temporelles de
type boîte noire type boîte grise paramétriques
rigides type boîte grise
Commande des robots
Conception d’une architecture de

commande
Synthèses des asservissements Planification de trajectoires

(Aspect boucle fermée) (Aspect boucle ouverte)
3 4
Planification de
trajectoire Précommande
adaptée au souple et aspect
comportement anticipation
vibratoire
F IGURE 4: Schéma global représentant un aperçu du problème de modélisation, d’identification et de la

commande du robot. Les zones grisées représentent les thèmes abordés dans cette thèse
ici afin d’estimer rapidement les caractéristiques vibratoires de l’axe étudié.
Le chapitre 4 exploite le modèle identifié, développé précédemment, afin d’améliorer la

7
génération de commande d’un axe souple du robot. Dans un premier temps, nous détaillons la
problématique de génération de trajectoire (ou planification de trajectoire) et discutons de son
influence sur les dynamiques vibratoires du système. Une loi à jerk limité est ensuite adaptée
afin de réduire les vibrations d’un axe du robot. Dans cette partie, nous montrons que même
pour une structure soumise à plusieurs modes de déformation, une loi à jerk limité permet
de réduire, voire de supprimer, le caractère oscillant du système. Une comparaison avec la
méthodologie connue d’Input Shaping est réalisée. Dans un second temps, une précommande
basée sur l’inversion du modèle de processus est mise en oeuvre. Le gain en précision
dynamique est ici clairement démontré. Enfin, dans la dernière partie de ce chapitre, l’étude est
étendue au cas de variations paramétriques affectant le comportement vibratoire de l’axe. Le
couplage entre loi de mouvement adaptée au caractère vibratoire et méthode d’identification en
ligne est ici exploité.
La conclusion générale présente la synthèse des développements réalisés et des principaux

résultats. De nombreuses perspectives de recherches sont enfin présentées.
8 Introduction
Chapitre 1
La modélisation des robots

polyarticulés
Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Précision : notions et définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Fidélité ou répétabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Justesse et exactitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3 Modélisation Géométrique des Robots Manipulateurs . . . . . . . . . . . . . 13
3.1 Définition de la situation de l’organe terminal . . . . . . . . . . . . . . . 13
3.2 Les paramètres géométriques . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Matrice de transformation homogène . . . . . . . . . . . . . . . . . . . . 16
3.4 Expression du modèle géométrique direct . . . . . . . . . . . . . . . . . . 17
4 Modèle cinématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5 Modèle Dynamique des Robots Manipulateurs . . . . . . . . . . . . . . . . . . 19
5.1 Démarche générale de modélisation dynamique . . . . . . . . . . . . . . 19
5.2 Modèle de comportement . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.3 Modélisation dynamique rigide . . . . . . . . . . . . . . . . . . . . . . . 23
5.4 Modélisation dynamique flexible . . . . . . . . . . . . . . . . . . . . . . . 29
5.5 Éléments de transmission non linéaire . . . . . . . . . . . . . . . . . . . . 31
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1 Introduction
robot est un manipulateur commandé en position, reprogrammable, polyvalent, à plu-

U
N
sieurs degrés de liberté, capable de manipuler des matériaux, des pièces, des outils et
des dispositifs spécialisés, au cours de mouvements variables et programmés pour l’exécution
d’une variété de tâches. Il a souvent l’apparence d’un ou plusieurs bras se terminant par un
poignet † . Un robot manipulateur est constitué par deux sous-ensemble distincts, une structure
mécanique articulée et un organe terminal. A cela s’ajoute la pièce à manipuler. Dans ce cas, on
parle d’une cellule robotisée (Cf. figure 1.1). Les manipulateurs anthropomorphes 6 axes sériels
†. D’après l’Association Française de Normalisation A.F.N.O.R
10 Chapitre 1 : La modélisation des robots polyarticulés
F IGURE 1.1: Une ligne de soudage par points à l’aide des robots
représentent les robots les plus utilisés dans l’industrie manufacturière. Leurs architectures est
particulièrement adaptée à des opérations ne nécessitant pas une précision très élevée. Un bilan
des principaux avantages et inconvénients des robots sériels sont illustrés dans le tableau 1.1.
Pour commander un robot, il est indispensable de disposer d’une modélisation qui représente
Avantages Inconvénients
- Espace de travail très important - Rapport masse transportable / masse du
robot très faible par rapport à celui des robots
parallèles
- Grande flexibilité et grande facilité de posi- - Faible précision due aux erreurs accumulées
tionnement grâce à leur architecture au niveau de chaque articulation. Facilité de
propagation et amplifications des erreurs de
précision et des vibrations jusqu’à l’organe
terminal
- Structure facile à modéliser nécessitant une - Comportement dynamique limité à cause
commande moins complexe si on les com- des masses et inerties importantes des corps
pare aux robots parallèles le constituants
TABLE 1.1: Principaux avantages et inconvénients des robots à architectures sérielles
le mieux possible le comportement géométrique, cinématique et dynamique de ce dernier. La

démarche de modélisation d’un robot exige une méthode adéquate pour la description de leur
morphologie. On peut noter que :
– Les modèles géométriques et les modèles cinématiques expriment la position et la vitesse
de l’organe terminal en fonction des variables articulaires du mécanisme et inversement ;
– Les modèles dynamiques définissant les équations du mouvement du robot, qui per-
mettent d’établir les relations entre couples/forces exercés par les actionneurs et les
positions, vitesses et accélérations des articulations.
Ce chapitre se propose de présenter un état de l’art concernant les différents modèles cités et
appliqués à une structure sérielle ouverte. Ces modèles sont adaptés au robot Stäubli RX170
B, support de nos tests, pour lequel une méthode de paramétrage selon la convention D-H
2 Précision : notions et définitions 11
est proposée. Nous proposons de présenter une démarche de modélisation appropriée où les
dynamiques rigides et flexibles sont prises en compte. Avant d’aborder cette démarche, nous
introduisons quelques définitions permettant de clarifier la notion de précision.
2 Précision : notions et définitions
Dans cette partie nous introduisons quelques définitions couramment utilisées dans l’analyse
de performances relatives aux capacités de positionnement d’un robot manipulateur. Les critères
de performances ainsi que les méthodes d’essais correspondants aux robots industriels sont
fournis par la norme ISO 9283 [ISO, 1998]. Cette norme donne les définitions de la répétabilité et
de l’exactitude de pose. Elle est toujours utile lorsque l’on cherche à identifier les différentes
causes des erreurs de position et d’orientation de l’organe terminal d’un robot. Cependant, elle
doit être associée à d’autres définitions complémentaires tirées des normes métrologiques.
2.1 Fidélité ou répétabilité
La fidélité est définie comme étant l’aptitude à donner, pour une même mesure, des valeurs
semblables [Corbel, 2008]. On distingue deux niveaux de fidélité en métrologie : la répétabilité et
la reproductibilité. La différence entre ces deux termes réside dans les conditions expérimentales.
Dans le cadre de la répétabilité, les résultats sont obtenus par la même méthode, sur des essais
identiques, dans le même laboratoire, par le même opérateur utilisant le même équipement et
pendant un intervalle de temps bien déterminé. Dans le cadre de la reproductibilité, les résultats
sont obtenus par la même méthode, sur des essais identiques, dans différents laboratoires, avec
différents opérateurs utilisant des équipements différents. Dans la suite nous nous intéressons
particulièrement à la répétabilité. Pour un robot, la répétabilité caractérise la dispersion des
poses atteintes par le robot lorsque celui-ci est commandé pour atteindre plusieurs fois le même
point. Il est très difficile d’intervenir sur la fidélité d’un robot. En effet, les causes d’une mauvaise
fidélité sont issues des phénomènes aléatoires tels que les jeux, les frottements, l’usure au niveau
des liaisons. Il est possible de soigner la réalisation des liaisons néanmoins il est impossible
d’éliminer tous les phénomènes qui pénalisent la répétabilité. A cela s’ajoute la précision qui
Mauvaise précision Bonne précision Mauvaise précision Bonne précision

Mauvaise répétabilité Mauvaise répétabilité Bonne répétabilité Bonne répétabilité
F IGURE 1.2: Répétabilité et précision statique
est définie comme la capacité du robot à se déplacer précisément à une position désirée dans
l’espace 3D. Le couple précision et répétabilité décrit, de ce fait, la capacité d’un robot à atteindre
une consigne désirée avec le minimum de variance (Cf. figure 1.2).
2.2 Justesse et exactitude
La justesse ou biais de mesure désigne l’étroitesse de l’accord entre la valeur moyenne

obtenue à partir d’une large série de résultats d’essais et une valeur de référence acceptée.
Cependant, il ne faut pas la confondre avec l’exactitude. Cette dernière désigne une seule
valeur mesurée comparée à une valeur de référence donnée. Par conséquent, la mesure de
l’exactitude n’est que l’erreur de pose du robot ou autrement dit, la mesure de la précision
statique du robot comme indiqué dans la norme citée précédemment. L’erreur d’exactitude de
pose des robots industriels est de quelques millimètres. L’origine de cette erreur se manifeste
par plusieurs facteurs structurels et géométriques. Quant aux facteurs structurels on distingue
les défauts dû à la charge transportée, les problèmes de frottements, les jeux mécaniques, les
dérives thermiques et le positionnement de chaque bras par rapport aux autres. Concernant les
défauts géométriques, ils sont souvent associés avec les défauts d’offset des axes accompagnés
d’un mauvais paramétrage du modèle géométrique et de la définition du repère de l’organe
terminal dans l’espace.
A cela s’ajoute la précision dynamique ou le problème de suivi de trajectoire (Cf. figure 1.3).
Cette précision est affectée par les mêmes sources citées auparavant auxquelles s’ajoutent l’iner-
tie, les paramètres des asservissements et les problèmes d’élasticité articulaires qui engendrent
un comportement vibratoire. En effet, le long de sa trajectoire programmée, l’effecteur subit
une déviation tout en restant dans une zone d’incertitude appelée incertitude dynamique. Cette
incertitude dépend essentiellement :
– des défauts de transmission de chaque articulation et des souplesses des bras,
– de l’architecture du manipulateur.
Trajectoire programmée du TCP
x
F IGURE 1.3: Définition de l’erreur dynamique
Plusieurs méthodes ont été développées pour remédier à ce problème d’imprécision et

permettent de corriger les principaux défauts des robots sériels. Les solutions les plus
répandues dans l’industrie sont l’étalonnage ou la calibration du robot. La calibration est
la solution qui permet d’améliorer la précision statique du positionnement du robot sans
3 Modélisation Géométrique des Robots Manipulateurs 13
aucune modification de la structure mécanique ou de la conception du robot lui-même. De

façon générale, l’étalonnage permet de mettre à jour dans la commande les valeurs nominales
des paramètres géométriques données par le constructeur. Cette opération nécessite bien
évidemment un système de mesure externe. Il s’agit généralement d’un système de mesure
3D tel que le laser tracker ou un système photogrammetric [Maas, 1997]. Une fois les mesures
réalisées, l’opération consiste alors à déterminer l’écart entre un modèle géométrique donné et
des données expérimentales sur le robot afin d’optimiser les paramètres relatifs. Cette opération
permet d’améliorer d’environ 97% la précision statique des manipulateurs [Conrad et al., 2000].
Une autre solution consiste à installer des codeurs supplémentaires en bout d’axe du robot
afin de mesurer les défauts de la chaîne de transmission. Le retour codeur sera injecté systémati-
quement dans la boucle de commande en amont [Ruderman et al., 2009]. Ce type de solution
augmente le prix du robot et pose de nouveaux problèmes technologiques notamment des
problèmes de stabilité. Une troisième approche se base sur l’élaboration d’un modèle comporte-
mental permettant de générer une commande adaptée et permettant de compenser une grande
partie des erreurs de poursuite en dynamique. Nous proposons dans la suite de ce chapitre de
développer une modélisation élasto-dynamique d’un manipulateur industriel.
3 Modélisation Géométrique des Robots Manipulateurs
3.1 Définition de la situation de l’organe terminal
La définition de la situation de l’organe terminal du robot nécessite la connaissance de

sa position et de son orientation usuellement connues sous le vocable de la pose du robot. Le
nombre de paramètres requis pour la définition complète de la pose d’un corps rigide dans
l’espace est six : trois pour la position et trois pour l’orientation. Quant à la définition de la
position, nous adoptons les coordonnées cartésiennes qui sont les plus simples à utiliser. D’autres
représentations existent aussi telles que les coordonnées cylindriques et sphériques. Concernant
la définition de l’orientation de l’organe terminal, plusieurs conventions sont présentées dans la
littérature [Sanz, 2009] :
– Angles d’Euler ;
– Angle plus vecteur ;
– Quaternion ;
– Matrice de rotation ou cosinus directeurs.
La représentation minimale de l’orientation est définie par trois paramètres tels que les angles
d’Euler. La plus courante des représentations non-minimale est la matrice de rotation à neuf
composantes. La représentation par quaternion ou par angle plus vecteur sont des représenta-
tions à quatre composantes, une de plus que les angles d’Euler. Les avantages de l’utilisation des
quaternions sont largement exposés dans [Funda et al., 1990], tandis que [Campa et al., 2006]
proposent une modélisation cinématique et une stratégie de contrôle basées sur les quaternions
unitaires d’un poignet rotule d’un robot manipulateur. Une comparaison entre les différents for-
malismes est proposée dans [Campa and De la Torre, 2009]. Dans ce qui suit, nous introduisons
les méthodes classiques de paramétrage pour les structures sérielles.
3.2 Les paramètres géométriques
Dans la littérature, il existe plusieurs conventions pour définir la position ainsi que
l’orientation relative de repères successifs. La technique la plus répandue pour modéliser un
robot manipulateur consiste à utiliser les paramètres de Denavit-Hartenberg, valable pour
les structures ouvertes simples [Spong and Vidyasagar, 1989]. Cette convention utilise quatre
paramètres pour la localisation relative de deux repères successifs : deux angles et deux distances.
Considérons un bras manipulateur sériel à architecture ouverte simple constituée de n

corps mobiles supposés parfaitement rigides et dont les articulations sont rotoïdes. Soit l’axe i,
l’articulation qui relie le bras i − 1 et le bras i comme illustré dans la figure 1.4. On associe au ieme
corps en mouvement une base orthonormal cartésienne Ri−1 , avec i=1, 2,...,n. Le positionnement
d’une articulation selon la convention D-H s’effectue par le nombre minimal nécessaire de
quatre paramètres pour une rotoïde (Cf. Figure 1.4) :
i
F IGURE 1.4: Les paramètres géométriques de Denavit-Hartenberg [Siciliano and Khatib, 2008]
– L’axe zi est porté par l’axe de rotation de l’articulation i + 1 ;

– L’axe xi est porté par la perpendiculaire commune aux axes zi et zi+1 ;
– L’axe yi complétera la règle de la main droite afin de définir un repère orthonormé direct ;
– L’origine Oi est l’intersection de l’axe zi et de la normale commune aux axes zi−1 et zi ;
0
– Soit le point Oi l’intersection de l’axe zi−1 et de la normale commune aux axes zi−1 et zi .
Ceci nous permet de faciliter les notations et les définitions ultérieurement.
La définition des repères étant établie, la position et l’orientation de la base Ri par rapport à
Ri−1 est exprimée en fonction des quatre paramètres suivantes :
– θi est l’angle de rotation entre −
x−→ → − −−→
i−1 et xi autour de zi−1 ;
– α est l’angle d’offset entre les axes −
i z−→ et →
i−1
−z autour de →
i
−
x en utilisant toujours la règle de
i
la main droite. Elle définie entre autre la torsion du bras ou le gauchissement ;
– ai représente la longueur du bras, c’est la distance entre Oi et Oi le long de →
−
0
xi ;
0 −−→
– di est la distance entre Oi−1 et Oi selon zi−1 .
La convention D-H reste généraliste et ne donne pas une définition unique du repère dans les
3.2 Les paramètres géométriques 15
cas suivants :
– Lorsque 2 axes consécutifs sont parallèles, la perpendiculaire commune de distance di

selon le repère associé n’est pas proprement définie ;
– Pour un repère Ri , seule la direction de zi est fixée, cependant, le point d’origine Oi ainsi
que le vecteur directeur →
−xi sont arbitrairement choisis.
En adoptant la convention D-H pour le robot Stäubli RX170 B, nous plaçons les repères (Cf. figure
1.5). Le tableau (1.2) illustre les paramètres géométriques du démonstrateur. Ce paramétrage
géométrique a été révisé dans [Khalil and Kleinfinger, 1986] où les auteurs proposent une
convention unifiée qui permet d’avoir une description homogène des architectures ouvertes
simples et complexes de structures mécaniques articulées.
Z5
Y5
X5
O5
Z4 d6
O4
X4
Z5
Y5
X5
O5 d4
Z3
Z4 d6
O4
X4 X3
O3
Z2
O2
d4 X2
Z3
X3 a2
O3
d2
Z1 Z2
a2 Z1
a1 O1 a1
d2 X2
X1 O2
Z0 O1 X1
Z0
Y0 Y1 Y1
Y0
O0 X0
O0 X0
(a) (b)
F IGURE 1.5: Placement des repères pour le Stäubli RX 170B selon la convention D.H. (a) Configuration
zéro "géométrique". (b) Configuration zéro "codeur"
Articulation i di (mm) ai (mm) αi (deg) θi (deg)

1 0 100 −90 θ1
2 70 850 0 θ2
3 0 0 90 θ3
4 750 0 −90 θ4
5 0 0 90 θ5
6 135 0 0 θ6
TABLE 1.2: Paramètres géométriques du Stäubli RX 170 B
3.3 Matrice de transformation homogène
La matrice de transformation définissant le repère Ri dans le repère Ri−1 est obtenue par
deux rotations et deux translations comme suit :
Tii−1 = Rot(zi−1 , θi ) × T rans(zi−1 , di ) × T rans(xi , ai ) × Rot(xi , αi )

   
cos(θi ) −sin(θi ) 0 0 1 0 0 0 1 0 0 ai
sin(θ ) cos(θi ) 0 0 0
  1 0 0  0
  1 0 0
i
=
 
  
 0 0 1 0 0 0 1 di  0 0 1 0
0 0 0 1 0 0 0 1 0 0 0 1 (1.1)
 
1 0 0 0
0 cos(αi ) −sin(αi ) 0
×
 

0 sin(αi ) cos(αi ) di 
0 0 0 1
Les matrices de rotation présentent plusieurs propriétés intéressantes du point de vue géomé-
trique :
- La matrice de rotation Aji est une matrice réelle orthogonale telle que (Aji )T Aji = I3 où I3 ∈
R3×3 . D’où (Aji )−1 = (Aji )T = Aij .
- Rotation relative entre matrice de rotation : Soient A0i et A0j deux rotations définies par rapport
au repère R0 . La rotation relative entre les deux rotations est définie par :
Aji = (Ai0 )T Aj0 = A0i Aj0 (1.2)
- Rotation d’un point : Considérons Pi les coordonnées d’un point exprimé dans le repère Ri .
Soit Aij la matrice de rotation qui lie le repère Ri au repère Rj . Les coordonnées du point P dans
le repère Rj sont données par l’équation :
Pj = Aij Pi (1.3)
La représentation d’une rotation par une matrice de rotation n’est pas minimale puisqu’elle
utilise neuf paramètres pour représenter les trois degrés de liberté.
La matrice de transformation homogène du repère Ri−1 au repère Ri est une fonction de

l’angle de rotation θi vu que les autres paramètres géométriques αi , di et ai sont constants. La
3.4 Expression du modèle géométrique direct 17
matrice homogène est définie par :

 
cos(θi ) −sin(θi )cos(αi ) sin(θi )sin(αi ) ai cos(θi )
 
sin(θi ) cos(θi )sin(αi ) −cos(θi )sin(αi ) ai sin(θi )
Tii−1 =
 0

 sin(αi ) cos(αi ) di 

(1.4)
0 0 0 1
!
Ai−1
i (θ) Pi (θ)
=
0T 1
La matrice homogène permet de décrire l’orientation entre deux articulations successives à

travers neuf composantes et trois composantes pour la translation.
3.4 Expression du modèle géométrique direct
Le modèle géométrique direct exprime la pose du robot en fonction de ses coordonnées

généralisées (positions articulaires). Soient X le m-uplet des coordonnées opérationnelles et θ
le n-uplet des coordonnées généralisées. Le modèle géométrique du robot manipulateur est la
fonction f qui permet d’exprimer la situation de l’effecteur du robot manipulateur en fonction
de sa configuration articulaire θ :
!
P (θ)
X= = f (θ) (1.5)
A(θ)
où P désigne la position de l’effecteur et A la matrice d’orientation par rapport à un repère

relié à la base du robot. X = (x, y, z, α, β, γ)T désigne le vecteur des coordonnées cartésiennes
(position et orientation) de l’organe terminal. θ = (θ1 , ..., θn )T est le vecteur de coordonnées
généralisées.
Un robot manipulateur est une chaîne cinématique ouverte constituée de n + 1 corps rigides
interconnectés par n articulations. En admettant que la première extrémité est fixée à une
base, la deuxième extrémité de la chaîne cinématique est liée à un effecteur dont l’objectif est
d’exécuter des tâches dans l’espace de travail du manipulateur. Le repère de base R0 est un
repère lié au socle du robot. Le repère Rn est un repère fixé à l’organe terminal où il caractérise
le repère outil. Ce repère est reliée généralement à une pointe outil (TCP : Tool Center Point en
anglais) qui est choisie en fonction de l’opération à réaliser (Cf. figure 1.6).
En associant un repère Ri à chaque articulation i avec i = 0, ..., n, la position et l’orientation

du repère outil Rn par rapport à R0 sont données par la relation reliant les matrices homogènes
j
Tj−1 pour j = 1..., n, (1.4) entre elles. Le modèle géométrique direct sera exprimé en fonction
des variables articulaires et des paramètres géométriques du robot.
Tn0 (θ) = T01 (θ1 )T12 (θ2 )...Tn−1

n
(θn ) (1.6)
La matrice homogène T0n permet d’expliciter l’orientation et la position de l’organe terminal par
rapport au repère de base du démonstrateur R0 .
3
4 5
T06 x6
y6 R6
6 z
2 6
z0 1
y0
R0
x0
F IGURE 1.6: Transformation des repères standards pour le robot Stäubli RX170B
4 Modèle cinématique
La relation entre la vitesse articulaire θ̇ et la vitesse des coordonnées opérationnelles ou bien

cartésiennes Ẋ de l’organe terminal est décrite par le modèle cinématique direct. Cette relation
est déterminée à travers la Jacobienne J comme suit :
∂f (θ)
Ẋ = θ̇ = J(θ)θ̇ (1.7)
∂θ
L’intérêt de la matrice Jacobienne est multiple :
– En équilibre statique, sous charge, la Jacobienne est utilisée pour établir la relation liant
les efforts exercés au niveau de l’effecteur, notée F , et les couples articulaires τ avec
J(θ)T F = τ ;
– Elle est la base du modèle différentiel inverse θ̇ = J −1 (θ) Ẋ, permettant de détecter les
singularités de configuration ;
– Elle facilite le traitement des singularités et la détermination de l’espace opérationnel
accessible du robot, [Khalil and Dombre, 1999].
La Jacobienne de base est une matrice de dimension (6 × n) qui se décompose en deux éléments :
une Jacobienne de position, notée JP , associée à la vitesse linéaire ṗe du TCP et une Jacobienne
d’orientation associée à sa vitesse angulaire ωe :
ṗe = JP (θ)θ̇ (1.8)
ωe = JO (θ)θ̇ (1.9)
5 Modèle Dynamique des Robots Manipulateurs 19
Le modèle cinématique direct s’écrit en fonction de la Jacobienne géométrique du manipulateur :

!
ṗe
ve = = J(θ)θ̇ (1.10)
ωe
La matrice Jacobienne est représentée par rapport au repère de base du robot R0 . Pour un robot
Stäubli RX170B, J(θ) est une matrice (6 × 6) :
!
JP1 JP2 . . . JP6
J= (1.11)
JO1 JO2 . . . JO6
où le vecteur colonne (JPTi JOT i )T s’exprime comme suit :

! (0) (0)
!
JPi zi−1 ∧ (p(0)
e − pi−1 )
= (0) (1.12)
JOi zi−1
(0)
où zi−1 est un vecteur unitaire porté sur l’axe de rotation de l’articulation i et exprimé dans le
(0)
repère de base R0 . Le vecteur pi définit la distance entre l’origine de repère de base et l’origine
du repère i, il est exprimé dans R0 .
5 Modèle Dynamique des Robots Manipulateurs
Le modèle dynamique d’un robot manipulateur est donné par l’ensemble des relations
mathématiques entre les couples (forces) appliquées aux actionneurs et l’évolution temporelle
des positions, vitesses et accélérations articulaires [Shabana, 2003]. Diverses définitions sont
adoptées pour décrire la dynamique des systèmes multi-corps, [Grote and Antonsson, 2009]. On
distingue deux types de modèles dynamiques :
– Le modèle dynamique direct qui exprime les accélérations articulaires en fonction des
positions, vitesses et couples des articulations ;
– Le modèle dynamique inverse, ou tout simplement modèle dynamique, la relation qui
exprime les couples en fonctions des variables articulaires.
En général, le modèle dynamique est utilisé pour la simulation, la synthèse des contrô-
leurs, la conception mécanique des éléments de transmission. Quelques algorithmes de
contrôle/commande exigent que le problème de la dynamique inverse soit résolu. Cela si-
gnifie que le couple moteur est calculé à partir des déplacements souhaités et ses dérivées
successives. Cependant, pour la simulation, les équations différentielles du modèle doivent
être résolues sachant que l’entrée du système correspond au couple fourni par les actionneurs,
[Siciliano and Khatib, 2008].
5.1 Démarche générale de modélisation dynamique
En fonction de l’utilisation du modèle dynamique et du niveau de précision demandée,

le manipulateur est modélisé de façon rigide ou flexible. Quant au modèle rigide, plusieurs
méthodes classiques se distinguent : l’approche Newtonienne [Craig, 2005] et l’approche
Lagrangienne [Spong and Hutchinson, 2005]. La première technique de Newton-Euler est
basée sur le principe des puissances virtuelles en dynamique pour un système de solides
indéformables. Son principe consiste à calculer les forces des actionneurs en exprimant pour
chaque corps rigide le bilan des efforts. Par conséquent, le modèle dynamique inverse est
obtenu systématiquement d’une manière récursive en appliquant le principe fondamental de la
dynamique. Pour plus de détails sur cette technique, le lecteur peut se référer à [Spong and
Vidyasagar, 1989]. Quant à la méthode d’Euler-Lagrange, elle se base sur l’analyse du bilan
énergétique échangé par le système et son environnement (énergies cinétiques et potentielles).
Le modèle dynamique est obtenu par application de la formulation d’Euler-Lagrange, [Siciliano
and Khatib, 2008]. Une troisième méthode qui se base sur la méthode de Kane se présente pour
la modélisation dynamique rigide [Kane and Levinson, 1985], [Lesser, 1995]. Ces différents
formalismes sont basés sur la mécanique classique des solides indéformables [Goldstein, 1980]
et produisent des résultats identiques même si la méthodologie de traitement diffère d’une
approche à l’autre en fonction de l’analyse structurelle.
En réalité, un manipulateur robotique est une structure flexible représentée par un système
de relations non linéaires et continues. Il est décrit par des équations à dérivées partielles
avec une infinité de degrés de libertés. Une telle démarche de modélisation a pour finalité
d’obtenir un modèle de commandes de la structure mécanique, c’est-à-dire un modèle qui
servira de base dans la conception d’une architecture de commande. En outre, pour un niveau
de précision exigé, il est toujours préférable d’extraire un modèle de dimension finie avec un
nombre minimum de paramètres tout en conservant une signature de la réalité physique du
système. De point de vue méthodologique, trois niveaux de modélisation des manipulateurs
souples se présentent : modèle à éléments finis, modèle à paramètres distribués ou modes continus et le
modèle à paramètres localisés [Bascetta and Rocco, 2002]. [Dwivedy and Eberhard, 2006] présente
un panorama sur l’analyse dynamique des manipulateurs flexibles à travers les trois approches
citées.
La modélisation éléments finis est une méthode de résolution numérique d’équations bien
adaptée à la dynamique des structures. Cette méthode consiste à décomposer la structure
continue du manipulateur en petits éléments raccordés les uns aux autres via des éléments
géométriques de base, de manière à décrire au mieux la structure réelle. Cette méthode a
émergée avec la nécessité de résoudre des problèmes de calculs complexes, dans un contexte
où le développement massif de l’informatique permettait d’automatiser le traitement des
systèmes d’équations conséquents. La puissance des calculateurs actuels permet d’approcher le
comportement vibratoire global d’une mécanique en un temps de calcul raisonnable [Colas,
2007]. Un développement basé sur les éléments finis non-linéaires est proposé par [Jonker, 1990]
afin de décrire le mouvement du robot Stäubli RX90B. Cette approche consiste à extraire la
dynamique du manipulateur en utilisant le formalisme Lagrangien [Papastavridis, 1992]. Tandis
que [Jonker, 1991] propose une linéarisation locale du modèle éléments finis du manipulateur
flexible en vue de la génération de sous-modèles autour d’une trajectoire nominale. Une
extension vers des modèles identifiables à travers la modélisation dynamique éléments finis est
proposée dans [Hardeman et al., 2006].
Bien que ces modèles soient les plus précis et se rapprochent le mieux de la structure
réelle étudiée, ce type de modélisation reste encore trop complexe pour définir un modèle de
5.1 Démarche générale de modélisation dynamique 21
commande [Piersol and Paez, 2009]. C’est pourquoi, la modélisation éléments finis est largement
utilisée dans la phase de conception mécanique, [Ramachandran et al., 1992] et l’analyse
structurelle en dynamique des robots manipulateurs [Piras et al., 2005], [Soares et al., 2008].
L’application de cette approche à des manipulateurs permet de dégager des tendances sur leurs
déformation structurelle grâce à une analyse modale. L’objectif de cette analyse est d’améliorer
la connaissance du modèle dynamique des structures réelles en déterminant ses modes de
vibration [Piranda, 2013]. En effet, cette analyse tend à réduire la complexité de la représentation
du comportement dynamique d’une structure linéaire en dégageant un nombre de paramètres
modaux réduit : fréquences propres, amortissement et formes propres associés. Cette tendance
permet de générer un modèle de comportement correspondant à une modélisation continue
des modes de déformations dominants [Li et al., 2006], [Martins et al., 2003]. Ceci conduit
finalement à une représentation à paramètres distribués qui varient en fonction du temps et de
l’espace. À l’heure actuelle, l’analyse modale expérimentale est devenue grâce aux progrès de
l’informatique et de l’instrumentation, une méthode privilégiée d’investigation dans le domaine
de la dynamique des structures [Barre et al., 1997] , [Hatch, 2010]. Une comparaison entre la
modélisation continue et éléments finis pour les manipulateurs flexibles multi-corps est étudiée
dans [Theodore and Ghosal, 1995].
Un compromis entre la simplicité du modèle à retenir et le fait de rapprocher au mieux sa

réponse à la structure réelle du robot manipulateur, nous conduit à réduire le modèle continu
aux principaux modes et sources de déformation structurelle comme introduit dans [Khalil and
Gautier, 2000]. Dans [Subudhi and Morris, 2002] il est réalisé une modélisation dynamique
généralisée qui vise à regrouper les bras et les articulations flexibles pour des robots sériels. Le
modèle présenté est issu du formalisme d’Euler-Lagrange couplé à une discrétisation des modes
continus des poutres. Il apparaît donc nécessaire de fixer l’ordre maximum des modèles désirés
en fonction de l’objectif visé. On distingue deux approches principales pour cette modélisation.
La première repose sur une représentation mathématique à paramètres localisés sur la base de
l’hypothèse que l’élasticité principale est concentrée au niveau de la chaîne de transmission,
à savoir, l’étage de réduction [Spong, 1987]. Une analyse d’un robot industriel a été présenté
dans [Sweet and Good, 1985] où il a été conclu que les élasticités de la chaîne cinématique
des trois principaux axes sont cruciales pour la conception du modèle qui génére la loi de
mouvement. Ces élasticités modélisées sous la forme d’un couple de masse-amortisseur pour
chaque articulation, semble indispensable afin d’obtenir une bonne précision dans la plage
0 à 50 Hz. Une autre question liée à la conception d’un modèle à articulation souple est de
savoir si les couplages inertiels entre l’arbre du moteur et celle du bras (rigide) devraient être
inclus. [Spong, 1986] propose un modèle flexible multivariable, où le couplage inertiel a été
négligé en raison de la présence d’un grand rapport de réduction au niveau de la transmission
de mouvement et depuis, ce modèle local est considéré comme la principale approche pour la
modélisation et la conception des boucles de commande des robots industriels à articulation
flexibles. Un modèle complet qui prend en compte tous les couplages est décrit dans [Tomei,
1991] et [De Luca, 2000].
La deuxième approche est un modèle de liaison flexible décrite, par exemple, dans
[De Luca and Siciliano, 1991] et aussi dans [Book and Obergfell, 2000]. Dans cette approche,
le bras du robot est modélisé comme des poutres à élasticités infiniment réparties. Cette
dimension infinie est tronquée pour obtenir un modèle fini. Ce modèle est souvent connu
sous l’appellation modèle continu des modes de déformation dominantes. C’est un modèle
appliqué au manipulateurs à liaison unique, directement actionnés par des vérins électriques ou
hydraulique sans transmission. Parfois les manipulateurs multi-bras sont également pris en
compte [Colas, 2007] et [Béarée, 2005].
Dans le cas des robots polyarticulés à bras rigides, seules les élasticités dans la direction
de la rotation angulaire sont considérées. C’est-à-dire que la déformation est limitée à un plan
perpendiculaire à l’articulation précédente. On peut citer [Yoshikawa, 1990] et [Ueno et al., 1991]
où une représentation 3D de la souplesse et considérée. L’enjeu réside alors dans la génération
d’un compromis entre précision et simplicité au niveau du choix de modèle. Dans le cas où
la flexibilité se limite uniquement au niveau articulaire, cette réduction permet d’aboutir à
différents types de modèles à paramètres localisés [Khalil and Gautier, 2000]. Ce type de modèle
est révisé par [Bascetta and Rocco, 2002] où ils donnent un bon aperçu sur les trois grandes
approches discutées auparavant. Ce constat permet d’expliquer l’exploitation des modèles
discrets à paramètres localisés dans la suite de nos travaux.
5.2 Modèle de comportement
Il est développé généralement deux types de modélisation des robots flexibles : les robots à
bras souples, [Mehrez and El-Badawy, 2010], [Subudhi and Morris, 2002] et les robots à articulations
flexibles, [De Luca et al., 2005], [Siciliano and Khatib, 2008]. Lors d’une étude précédente
sur le Stäubli RX170B [Olabi et al., 2012], nous avons constaté que la souplesse des bras du
robot est négligeable par rapport à celle des articulations. Ce résultat est obtenu à travers une
cartographie de souplesse du robot dans l’espace articulaire [Alici and Shirinzadeh, 2005]. La
technique employée consiste à appliquer un chargement externe à la structure mécanique.
Une fois que les axes sont soumis à un moment, ce dernier produit sous l’effet des souplesses
des chaînes cinématiques des axes, des déformations élastiques induisant des déplacements
angulaires (Cf. figure 1.7). L’analyse des résultats a montré que la flexion du bras ne dépasse
pas dans la plupart du temps les 2% de la souplesse totale. Nous déduisons alors que la
souplesse des bras est négligeable par rapport à celle des articulations. Ceci conduit à orienter la
modélisation vers les structures sérielles à articulations flexibles. La souplesse d’une articulation
se décompose en deux parties. Elle comprend une souplesse angulaire axiale dominante et une
souplesse radiale qui peut être considérée à symétrie cylindrique. Nous faisons l’hypothèse
que la raideur axiale d’une articulation est regroupée en une raideur équivalente constante K
unique pour chaque axe. Ces hypothèses seront investiguées dans le paragraphe 5.4.1.
Dans ce qui suit, nous présentons brièvement le modèle dynamique rigide de base, auquel
des éléments de souplesses articulaires s’ajoutent afin d’obtenir le modèle globale à articulations
flexibles du robot manipulateur.
5.3 Modélisation dynamique rigide 23
F IGURE 1.7: Mesure de déformation des axes 1 et 2 du robot [Olabi, 2011]
5.3 Modélisation dynamique rigide
Comme mentionné précédemment, et contrairement à la méthode de Lagrange se basant

sur l’étude des différentes énergies échangées par le système et son environnement, l’approche
de Newton-Euler et la méthode de Kane sont obtenues à partir du principe fondamental de
la dynamique et le principe de d’Alembert [Tran, 1991]. Cette dernière peut être appliquée à
des systèmes soumis à des contraintes holonomes et non holonomes simple † . Le formalisme
Lagrangien, généralement plus simple à mettre en oeuvre, sera décrit pour le modèle dyna-
mique du démonstrateur. La méthode de Lagrange consiste à décrire une fonction scalaire
de l’énergie cinétique Ec (θ, θ̇) et potentielle Ep (θ) en fonction des coordonnées généralisées θ
=(θ1 , θ2 , ..., θn )T . Le Lagrangien L s’écrit alors sous la forme :
L(θ, θ̇) = Ec (θ, θ̇) − Ep (θ). (1.13)
L’étape suivante consiste à calculer les quantités du mouvement du manipulateur à n degrés de

libertés, extraites via l’équation de Lagrange :
d ∂L ∂L
− = τi , i = 1, ..., n. (1.14)
dt ∂ θ˙i ∂θi
Dans l’équation précédente, τi représente le vecteur des forces généralisées en concordance avec
le principe des travaux virtuels [Fung and Tong, 2001]. Ce qui se transpose en couple moteur
dans notre cas.
Dans un modèle dynamique rigide, le bras ainsi que la chaîne de transmission mécanique
relative à chaque axe du manipulateur, sont considérés parfaitement rigides. La structure est
composée de n corps indéformables interconnectés via des articulations rigides comme illustré
−
→
†. Un système mécanique est soumis à une contrainte holonome s’il existe un vecteur de coordonnée ψk pour
−
→ − → −
→
les k éléments du système qui peut s’écrire sous une équation algébrique de la forme g(ψ1 , ψ2 , ..., ψk , t) = 0. Il est
non-holonome dans le cas contraire. En général, si un système mécanique est soumis à l contraintes holonomes, ce
dernier aura l moins degrés de libertés que le système non contraint. De ce fait l contraintes holonomes enlèvent l
degrés de liberté. Par conséquent, un système de coordonnées généralisées θ1 , ..., θn sera définit où ψi = ψi (θ1 , ..., θn ),
n = k − l et toutes les θi sont indépendantes
Bras (4+5+6)
m , 4 m , 3
4 3
Bras 3
Bras 2
Bras 1
m , 2
2
m , 1
1
Base
F IGURE 1.8: Modèle dynamique rigide du Stäubli RX170B : application au 4 premiers axes
dans la figure 1.8. Chaque bras est décrit par sa masse mi , son centre de masse gi et le tenseur
d’inertie Ii lui même exprimé dans un repère lié au centre de gravité (Cf. Figure 1.9). Afin de
passer au calcul du modèle dynamique rigide, il sera utile de rappeler quelques notions de base
sur la description cinématique d’un solide pour le formalisme de Lagrange.
i
vi
mi , I i , gi
pi
z0
o0
y0
x0
F IGURE 1.9: Desciption géométrique d’un corps i en vue d’un formalisme Lagrangien
- Tenseur d’inertie : Pour une rotation d’un corps rigide Ci par rapport à Ci−1 , il est nécessaire
de décrire sa distribution massique en mouvement rotatif. Ceci est caractérisé par son tenseur
d’inertie Ii :
Iixx −Iixy −Iixz
 
Ii = −Iixy Iiyy −Iiyz  (1.15)

 
−Iixz −Iiyz Iizz

Ii est une matrice symétrique qui représente le tenseur d’inertie situé au centre de masse gi
et exprimé dans le repère de base R0 . Néanmoins, Ii dépend de la configuration du robot
manipulateur et de θi en s’exprimant dans R0 . Ce problème est résolu en projetant l’expression
du tenseur dans le repère Ri . Soit ωi la vitesse angulaire de rotation du corps i exprimé dans R0 ,
la vitesse angulaire de rotation exprimé dans le repère Ri s’écrit :
ωii = (A0i )T ωi (1.16)
où A0i est la matrice de rotation de Ri par rapport à R0 . Le tenseur d’inertie Iii exprimé dans le
repère Ri reste toujours constant. Par conséquent, on peut facilement vérifier que :
Ii = A0i Iii (A0i )T (1.17)
5.3.1 Expression de l’énergie cinétique
Considérons le robot Stäubli RX170B à 6 ddl, l’énergie cinétique totale est donnée par la
somme de chaque contribution relative au corps qui le composent. L’énergie cinétique pour un
corps i se décompose en deux parties : une énergie cinétique due à la rotation et une énergie
cinétique de translation. L’énergie cinétique pour un corps i est donnée par :
1 1
Eci = mi viT vi + ωiT A0i Iii Ai0 ωi (1.18)
2 2
Sachant que le modèle cinématique direct permet d’exprimer la vitesse du TCP en fonction des
positions des bras, la notion de la Jacobienne sera aussi utilisée pour calculer les vitesses des corps
intermédiaires. Pour exprimer l’énergie cinétique en fonction des coordonnées généralisées, on
procède au calcul du vi et ωi en fonction de θi . Ils peuvent être calculés à travers une jacobienne
(i)
locale relative au corps i et notée Ji .
(i)
Ji se décompose en deux parties : une Jacobienne de translation Jp(i) i
et une Jacobienne de
(i)
rotation JOi exprimées dans le repère Ri .
vi = Jp(i)
1 1
θ + . . . + Jp(i)
i
θi = Jp(i) θ (1.19)
(i) (i) (i)

ωi = JOi θ1 + . . . + JOi θi = JO θ (1.20)
où,
Jp(i) = Jp(i)
1
. . . Jp(i)
6
0...0 (1.21)

(i)
JO = JO(i)1 . . . JO(i)i 0...0 (1.22)
(i)
De l’autre coté, Jp(i)
j
et JOj s’exprime comme suit :

 Jp(i) = zj−1 ∧ (pi − pj−1 )
j
(1.23)
 J (i) = zj−1
Oj
avec, pj−1 le vecteur position de l’origine du repère Rj−1 et zj−1 un vecteur unitaire porté
sur l’axe de rotation de l’articulation (j − 1) exprimé dans R0 . L’énergie cinétique d’un bras i
s’exprime alors :
1 T 1 (i)T (i)T
Eci = θ̇T Jp(i) Jp(i) θ̇ + θ̇T JO A0i Iii (A0i )T JO θ̇ (1.24)
2 2
L’énergie cinétique totale des bras s’exprime sous la forme quadratique suivante :
n n
1 XX 1
Ecb = bbij (θ)θ̇i θ̇j = θ̇T Bb (θ)θ̇ (1.25)
2 2
i=1 j=1
5.3.2 Prise en compte des inerties de la chaîne d’actionnement
L’énergie cinétique des actionneurs est calculée de la même façon que celle des bras du
manipulateur. Nous présentons par la suite les hypothèses adaptées à la modélisation des
actionneurs :
Hypothèse 5.3.1. Les parties tournantes des actionneurs sont considérées comme des corps uniformes
ayant leurs centres de masses sur l’axe de rotation et n’ont pas d’excentricité. Ceci permet de déduire que
l’énergie cinétique du rotor est dû uniquement à sa propre rotation par rapport à un référentiel inertiel.
Hypothèse 5.3.2. L’actionneur i est monté en amont par rapport au corps i à actionner. Il est placé sur
le bras i − 1.
Nous insistons sur la pertinence de l’hypothèse 5.3.1 au niveau de la géométrie des rotors.
Cette hypothèse entraînera la symétrie du tenseur d’inertie du rotor par rapport à ses axes
principaux de rotation. Ceci engendre aussi, l’indépendance de l’énergie potentielle de gravité
ainsi que vitesse du centre de masse des parties tournantes, de la position interne du rotor. En se
référant à l’hypothèse 5.3.2, l’énergie cinétique peut être exprimée comme suit :
1 T 1 T
Ecmi = mmi vm v + ωm
i mi
Im ωm (1.26)
2 2 i i i
avec, mmi la masse du rotor, vmi représente la vitesse linéaire du centre de masse du rotor,
Imi est le tenseur d’inertie du rotor relative à son centre de masse et ωmi caractérise la vitesse
angulaire du rotor. Si θmi désigne la position angulaire du rotor, alors sous l’hypothèse de la
rigidité de la transmission on a : Ni θi = θmi où Ni est le rapport de réduction de l’articulation i.
Se basant sur la règle de composition de vitesse, la vitesse angulaire du rotor s’écrit ainsi :
ωmi = ωi−1 + Ni θ˙i zmi (1.27)
avec ωi−1 la vitesse angulaire du bras i − 1 où le moteur est localisé et zmi désigne le vecteur
unitaire le long de l’axe du rotor. Afin d’exprimer l’énergie cinétique du rotor en fonction des
variables articulaires, le calcul sera identique à (1.19),(1.20) :
ṗmi = Jp(mi ) θ̇ (1.28)
(mi )
ωmi = JO θ̇ (1.29)
La Jacobienne de position et d’orientation du moteur s’expriment alors comme suit :

Jp(mi ) = Jp(m
1
i)
. . . Jp(m i)
i−1
0...0 (1.30)

(mi )
JO = JO(m1 i ) . . . JO(mi−1
i ) (mi )
JOi 0...0 (1.31)
où leurs vecteurs colonnes sont respectivement données par :


 Jp(mi ) = zj−1 ∧ (pmi − pj−1 )
 j

 
 J (i) , j = 1, ..., i − 1 (1.32)
(mi ) Oj
 J =
 Oj

  Nri zmi , j = i
avec, pmi le vecteur position du rotor i. Par conséquent, l’énergie cinétique totale des actionneurs
est la suivante :
1 T 1 (m )T (m )
Ecmi = mmi θ̇T Jp(mi ) Jp(mi ) θ̇ + θ̇T JO i A0mi Im
mi
i
(A0mi )T JO i θ̇ (1.33)
2 2
Dans le cas où le rotor possède une distribution massique symétrique par rapport à son axe de
rotation (5.3.1), le tenseur d’inertie associé (exprimé dans le repère Rmi ) admet alors comme
origine son centre de masse et un axe de rotation zmi qui est alignée avec zi . Il est défini de la
manière suivante :  xx 
Imi 0 0
(mi ) yy
Im = 0 Im 0  (1.34)
 
i i
zz
0 0 Im i
xx yy (mi )
avec, Im i
= Im i
. En conséquence, Im i
reste toujours invariant à n’importe quelle rotation par
rapport à zmi et le restera toujours en se référant à un repère attaché au bras i − 1. Enfin, en
xm
i
zm
i
ym
i
F IGURE 1.10: Caractérisation d’un rotor
additionnant les diverses contributions relatives à un bras du robot (1.24) sollicité en rotation
par les actionneurs (1.33), l’énergie cinétique totale du manipulateur est donnée sous la forme
quadratique :
n n
1 XX 1
Ec = bij (θ)θ̇i θ̇j = θ̇T B(θ)θ̇ (1.35)
2 2
i=1 j=1
avec B(θ) est la matrice d’inertie (n × n) qui est symétrique, définie et positive et dépendant de
la configuration.
n
T (i)T (i) (i) T (m )T (m )
X
B(θ) = (mi Jp(i) Jp(i) + JO A0i Ii (A0i )T JO + mmi Jp(mi ) Jp(mi ) + JO i A0mi Im
mi
i
(A0mi )T JO i
i=1
(1.36)
5.3.3 Expression de l’énergie potentielle
L’énergie potentielle stockée dans le manipulateur est la somme des énergies potentielles
dues aux bras du manipulateur robotique Epi ainsi que ses actionneurs Epmi . Sous l’hypothèse
de la rigidité des éléments, dans un premier temps, l’énergie potentielle des parties tournantes
s’écrit :
n
X
Ep = (Epi + Epmi ) (1.37)
i=1
où sa contribution est due uniquement à l’action des forces de gravité avec g0 = (0 0 − g)T .
n
X
Ep = − (mi g0T pi + mmi g0T pmi ) (1.38)
i=1
5.3.4 Génération des équations du mouvement
En se référant au calcul des énergies cinétiques et potentielles des différentes parties tout
en appliquant le Lagrangien (1.13) au robot manipulateur, le modèle dynamique s’écrit sous la
forme suivante :
B(θ)θ̈ + C(θ, θ̇)θ̇ + G(θ) = τ (1.39)
où, C(θ, θ̇) est une matrice (n × n) représentant l’action des forces de Coriolis et centrifuges et
G(θ) désigne l’action de la pesanteur agissant sur le robot.
5.3.5 Calcul des éléments de C et G du modèle dynamique
On peut calculer les éléments de C d’éléments génériques cij , à partir du symbole de

christoffel :
Xn
cij = cijk q̇k (1.40)
k=1
où les coefficients sont :

1 ∂bij ∂bik ∂bjk
cijk = + − (1.41)
2 ∂θk ∂θj ∂θi
bij sont les éléments de B(θ). Notons que vue la symétrie de la matrice d’inertie B, on a cijk = cikj
Le couple de gravité G(θ) est déduit par simple dérivation de l’énergie potentielle Ep (θ) par
5.4 Modélisation dynamique flexible 29
rapport au variables articulaires θ :

∂Ep
Gi (θ) = (1.42)
∂θi
5.4 Modélisation dynamique flexible
Considérons la représentation décrite dans la section 5.3, le robot démonstrateur sera modé-
lisé à travers une description dynamique flexible comme illustré dans la figure 1.11.
m , 4 Bras (4+5+6) m , 3
4 3
Bras 3
Bras 2
Bras 1
m , 2
2
m , 1
1
Base
F IGURE 1.11: Modèle dynamique flexible du Stäubli RX170B : application au 4 premiers axes
5.4.1 Hypothèses de modélisation
La chaîne cinématique du robot est composée de n + 1 corps rigides inter-connectés par n

articulations rotoïdes qui subissent des déformations élastiques. Le bras i + 1 du manipulateur
est actionné par un servo-moteur i localisé de façon standard au niveau du bras i. Les réducteurs
sont modélisés comme étant placés avant la souplesse articulaire. Ainsi, les hypothèses générales
suivantes seront la base du développement du modèle élasto-dynamique :
Hypothèse 5.4.1. La déformation articulaire étant de faible amplitude, de ce fait les effets de la flexibilité
seront limités au domaine linéaire de l’élasticité. La souplesse articulaire est donc modélisée par une
raideur linéaire de torsion sans frottement ;
Cette hypothèse permet de conduire à la modélisation des robots flexibles de la même

manière que pour les robots rigides par la méthode de Lagrange (1.13). Les n + 1 bras rigides
sont inter-connectés à travers n articulations flexibles composées d’un réducteur. Soient θm la
θm
position angulaire du moteur, θn = , θ la position angulaire du bras, K la raideur équivalente
N
de l’axe et D son amortissement, l’architecture d’un axe du robot est présentée dans la figure
1.12. Jm et Jb désignent respectivement le moment d’inertie du rotor et du bras. La présence
N θn K, D θ
Jb
τm θm
Jm
Réducteur
F IGURE 1.12: Modèle flexible d’un axe du robot
d’une élasticité articulaire au niveau de la chaîne de transmission engendre l’augmentation du

nombre de degrés de libertés d’un robot manipulateur. Ainsi, le système admet 2 × n ddl. Dans
ce qui suit, nous présentons le modèle dynamique associé à un manipulateur composé d’un
ensemble de corps rigides couplés via des articulations souples.
5.4.2 Énergie cinétique du modèle dynamique flexible
L’énergie cinétique du modèle flexible globale est la somme d’une énergie cinétique relative
aux bras rigides donnée par (1.24) et d’énergie cinétique associée au mouvement des moteurs.
En partant de la relation (1.27) et en se basant sur la Jacobienne qui relie la vitesse angulaire de
rotation à la position du bras, avec la présence d’une souplesse articulaire k au niveau de la
chaîne de transmission, la nouvelle expression de la vitesse angulaire de rotation s’écrit :
i−1
(m )
X
ωmi = JOj i θ˙j + θ̇mi zmi . (1.43)
j=1
En remplaçant (1.43) dans (1.33), on montre que l’énergie cinétique des rotors s’écrit sous la
forme suivante :
1 1
Ecm = θ̇T Mm (θ) + S(θ)J −1 S T (θ) θ̇ + θ̇T S(θ)θ̇n + θ̇nT B θ̇n , (1.44)
2 2
où, J est une matrice d’inertie diagonale et constante contenant les composantes inertielles des
zz
rotors Im i
. Mm (θ) contient les masses des rotors ainsi que les autres composantes du tenseur
d’inertie selon les autres axes principaux de rotation. S(θ) est une matrice triangulaire supérieure
qui exprime le couplage inertiel entre les rotors et les bras en amant de la structure robotique
5.5 Éléments de transmission non linéaire 31
(hypothèse 5.3.2). Ainsi, l’énergie cinétique totale du modèle flexible est :

! !
1 T M (θ) S(θ) θ̇
Ec = θ̇ θ̇nT , (1.45)
2 S T (θ) J θ̇n
avec
M (θ) = Bb (θ) + Mm (θ) + S(θ)J −1 S T (θ). (1.46)
5.4.3 Énergie potentielle du modèle dynamique flexible
L’énergie potentielle d’une structure flexible Epf est le résultat de l’action de la force de
pesanteur ainsi de la déformation élastique articulaire. L’énergie potentielle de gravité est donnée
par (1.38)
1
Epf = Ep (θ) + (θ − θn )T K(θ − θn ). (1.47)
2
En utilisant le formalisme Lagrangien pour générer les équations du mouvement relatives à une
structure flexible (1.14), le modèle dynamique complet est donné par :
! ! ! ! !
M (θ) S(θ) θ̈ c(θ, θ̇) + c1 (θ, θ̇, θ̇in ) G(θ) + K(θ − θn ) 0
+ + = , (1.48)
S T (θ) J θ̈n c2 (θ, θ̇) K(θn − θ) τ
où c, c1 et c2 sont les termes de Coriolis et centrifuges. La contribution de l’énergie potentielle

∂Ep (θ) T
est décomposée en deux parties. En particulier, G(θ) = ( ) , cependant τj = K(θn − θ) est
∂θ
le couple élastique transmis à travers l’articulation.
5.5 Éléments de transmission non linéaire
Les caractéristiques non linéaires de la transmission du mouvement au niveau de l’étage de

réduction des articulations peuvent engendrer des impacts majeurs sur le comportement statique
et dynamique du robot industriel. Globalement, les robots manipulateurs sont soumis à la force
de frottement qui se manifeste à chaque point où deux surfaces en mouvement relatif entrent en
contact. Ceci se traduit par la génération d’un frottement sec. De nombreux facteurs, tels que
la rugosité de la surface et sa topologie, la viscosité du lubrifiant, la charge locale appliquée,
la température interne ainsi que la vitesse de mouvement, influencent l’amplitude des forces
de frottement issues du mouvement des surfaces en contact comme illustré dans la figure 1.13.
Elle montre aussi que le contact n’apparaît plus exactement de la même façon lorsqu’il y a
mouvement en présence de lubrification. Sous l’effet de la vitesse, cette lubrification soulève les
surfaces et évite ainsi les contacts points à points. En 1866, Reynolds a introduit la viscosité des
fluides dans les modèles de frottement [Reynolds, 1903]. La prise en compte des frottements secs
et lubrifiés a donnée naissance au modèle le plus utilisé en ingénierie : le modèle de ’Coulomb-
statique-visqueux’. Dans [Stribeck, 1903], il est montré que le coefficient de frottement mixte
décroît dans un premier temps lorsque la vitesse de déplacement augmente jusqu’à atteindre un
minimum pour ensuite croître en fonction de la vitesse. Cette force dépendante de la vitesse
de déplacement est caractérisée par la courbe de Stribeck. La figure (1.14) montre les différents
types de frottements dominants en fonction de la vitesse de déplacement des solides.
– Régime 1 : la force appliquée n’est pas assez élevée pour engendrer un déplacement, il
(a) (b)
(c)
F IGURE 1.13: Déformation des contacts entre deux solides en mouvement (a) et (b) et effet de la lubrifica-
tion sur leur déplacement (c), [Thiery, 2005]
Régime 1. Déformation
élastique sans glissement
Force de Frottement
Régime 4. Lubrification
fluide partielle
fluide totale
des bornes
Vitesse de Glissement
F IGURE 1.14: Courbe généralisée de Stribeck
n’y a que des déformations plastiques ;

– Régime 2 : la vitesse n’est pas assez élevée pour que la lubrification permette le ’soulève-
ment’ suffisant des surfaces en contact. Les frottements secs sont alors dominants et ainsi
les micro-rugosités sont source de frottement ;
– Régime 3 : A partir d’une certaine valeur, les surfaces commencent à se soulever, ce qui
provoque la diminution de la force de frottement. Celle-ci arrive à un minimum avant de
croître à nouveau. La vitesse augmentent, la lubrification joue le rôle d’un frein ;
– Régime 4 : Au delà du minimum, la force de frottement est de type visqueuse et elle est
proportionnelle à la vitesse de déplacement. Le point d’inflexion minimum correspond à
la vitesse optimum pour la lubrification appliquée.
Les frottements non compensés provoquent en effet des erreurs de positionnement du TCP,
des retards et des cycles limites. Il existe de nombreux articles qui traitent la modélisation des
frottements et montrent principalement deux groupes de modèles [Dahl], [Armstrong-Helouvry
6 Conclusion 33
et al., 1994] et [Canudas de Wit et al., 1995] ;

– Les modèles statiques de frottement à trois composantes, autrement dit le frottement
mixte, à savoir le frottement visqueux, Coulomb et statique qui ne dépendent que de la
vitesse articulaire. Ce type de modèle décrit la relation stationnaire vitesse-couple, alors
qu’en réalité des phénomènes dynamiques existent ;
– Les modèles dynamiques de frottement qui sont plus complexes à étudier et sont fonc-
tions de la vitesse, de la position et/ou du temps. Citons par exemple le modèle de
Lund-Grenoble (LuGre) détaillé dans [Canudas de Wit et al., 1995] et révisé dans les
travaux de [Astrom and Canudas-de Wit, 2008] ainsi que le modèle de Dahl [Olsson et al.,
1998] et le modèle de Bliman et Sorine [Bliman and Sorine, 1991].
Sans pertes de généralités, la modélisation du couple de frottement sera détaillée et développée
dans la section § 4 du chapitre 3. En outre, à partir d’observations expérimentales nous déduisons
un graphe de transfert vitesse-couple. A l’issue de cette analyse, nous introduisons l’estimation
des forces de frottement sec en zone de pré-glissement (régime 1 et 2) et nous proposons dans un
second temps un modèle statique de Stribeck pour décrire le phénomène de frottement détaillé
en régime 3 et 4.
6 Conclusion
Dans ce chapitre, nous avons présenté des méthodes de modélisation des robots manipula-
teurs. Une modélisation dynamique classique au sens des modèles rigides couramment utilisée a
été introduite. Nous avons ensuite présenté les modèles élasto-dynamiques basés sur la présence
d’une souplesse articulaire dominante. Ces différents modèles nous permettront de développer
un modèle comportemental d’axe dans le chapitre 3. Le chapitre suivant se propose de présenter
des techniques d’identification destinées à l’estimation des différents paramètres des modèles
précédemment présentés.
Chapitre 2
Identification de systèmes. Application

aux robots manipulateurs
Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.1 Procédure d’estimation des systèmes . . . . . . . . . . . . . . . . . . . . 36
1.2 Structures des modèles physiques . . . . . . . . . . . . . . . . . . . . . . 37
2 Méthodes d’identification pour les modèles temporels . . . . . . . . . . . . . . 38
2.1 Prédiction paramétrique par les approches asymptotiques . . . . . . . . 39
2.2 Prédiction paramétrique par les approches non-asymptotique . . . . . . 44
3 Estimation algébrique de la fréquence . . . . . . . . . . . . . . . . . . . . . . . 48
3.1 Méthode d’estimation de la fréquence . . . . . . . . . . . . . . . . . . . . 48
3.2 Analyse statistique de l’estimateur . . . . . . . . . . . . . . . . . . . . . . 50
3.3 Estimation à fenêtre glissante . . . . . . . . . . . . . . . . . . . . . . . . . 53
4 Etude détaillée de l’estimation paramétrique d’un système mécanique souple 59
4.1 Cadre d’étude et motivation . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 Positionnement du problème . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.3 Estimation par le filtre de Kalman-Bucy . . . . . . . . . . . . . . . . . . . 62
4.4 Estimation par la technique algébrique . . . . . . . . . . . . . . . . . . . 66
5 Simulations et analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.1 Etude comparative et analyse des performances . . . . . . . . . . . . . . 67
5.2 Motivation dans le choix de la méthode d’identification . . . . . . . . . . 70
5.3 Détection non asymptotique de la variation paramétrique . . . . . . . . 70
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
1 Introduction
’identification consiste à déterminer les caractéristiques dynamiques d’un système dont

L la connaissance est nécessaire pour la conception et la mise en oeuvre d’une régulation
performante [Landau, 1993]. Ainsi, un modèle est une représentation d’un système physique
qui a pour but de reproduire partiellement ou totalement son comportement. Le choix ou la
conception d’un modèle est donc lié à la fois à la nature et au comportement du système étudié
36 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
mais aussi aux tâches spécifiques pour lesquelles il est étudié. Pour modéliser un système
physique, il peut être envisagé des approches empiriques (basées sur les données mesurées du
processus) et/ou des approches théoriques basées sur la connaissance des lois qui gouvernent le
processus.
1.1 Procédure d’estimation des systèmes
La procédure d’identification consiste à trouver un modèle décrivant la relation entre l’entrée

et la sortie respectant certains critères. La recherche de ce modèle est effectuée à partir d’un
ensemble de modèles candidats. Expérimentalement, l’identification comporte plusieurs étapes :
1. Conception d’un protocole d’expérimentation et choix du type d’entrées ;
2. acquisition des entrées/sorties du processus ;
3. choix d’une structure du modèle pour représenter le système ;
4. Estimation des paramètres du modèle dont on détermine le "meilleur" modèle dans un
ensemble guidé par les données ;
5. Validation du modèle identifié.
Pour chaque étape citée précédemment, il existe plusieurs options qui ne seront pas décrites ici.
Certaines options particulières en corrélation avec notre problème étudié seront soulignées.
Pour un traitement détaillé, le lecteur est renvoyé, par exemple, à [Landau, 1993], [Söderstrom
and Stoica, 1989], [Pintelon and Schoukens, 2001] et [Ljung, 1999]. La conception d’un protocole
expérimental et la collecte effective de données mesurées seront traitées dans le chapitre 3. Les 3
dernières étapes sont introduites dans les section suivantes.
la procédure d’identification peut être effectuée en boucle ouverte ou en boucle fermée. Un

système qui n’est pas soumis à un contrôle de rétroaction, c’est-à-dire un système en boucle
ouverte, est représenté par la figure 2.1. Ce système dispose d’une entrée u(t), d’une sortie y(t)
et une perturbation v(t). La perturbation peut inclure le bruit de mesure ainsi que des entrées
externes du système, non comprises dans u(t). Un système soumis à un contrôle de rétroaction, à
savoir un système en boucle fermée, est représenté par la figure 2.2. Une des raisons qui permet
d’opter une procédure d’identification en boucle fermée, pourrait être que le système initial
soit instable et qu’il doit être commandé afin de rester stable. De plus, plusieurs processus ne
sont pas facilement démontable où on ne peut pas isoler ou démonter le processus. Ceci est
typiquement le cas pour un robot manipulateur. D’autres raisons liées aux restrictions de sécurité
ou de production ne permettent pas des expérimentations en boucle ouverte. Généralement,
v(t )
u(t )
Système y(t )
F IGURE 2.1: Système en boucle ouverte
on trouve deux catégories de modèles : les modèles linéaires et non linéaires. Les systèmes
1.2 Structures des modèles physiques 37
v(t )
r (t ) u(t) y(t )
Contrôleur Système
F IGURE 2.2: Système en boucle fermée
physiques sont généralement par nature non linéaire y compris les robots industriels étudiés
dans cette thèse. Cependant, des approximations au sens de la stationnarité temporelle sur les
paramètres sont souvent utilisées dans certaines régions de l’espace de fonctionnement [Enqvist,
2003].
1.2 Structures des modèles physiques
La procédure d’identification implique une recherche du meilleur modèle parmis un en-

semble de modèles candidats. Le choix de ce modèle est l’étape la plus importante et la plus
difficile dans la procédure d’identification. La bonne compréhension de la physique ainsi que la
connaissance a priori du système sont souvent un moyen d’aide à la décision. Certaines options
sont à considérer afin d’effectuer le choix d’une structure adaptée de modèle :
– Modèle linéaire ou non linéaire ;
– Modèle paramétrique ou modèle non paramétrique ;
– Modèle boîte noire ou modèle boîte grise ;
– Modèle continu ou modèle discret ;
– Modèle linéaire en les paramètres ou modèle non linéaire en les paramètres.
La plupart de ces choix peuvent être combinés, ce qui donne un large spectre de modèles pos-
sibles. Pour un choix bien déterminé, il existe un certain nombre de méthodes d’identifications
paramétriques. Ces méthodes seront discutées dans les sections suivantes. Le travail présenté
dans ce chapitre porte essentiellement sur l’identification paramétrique d’un modèle de type
boîte noire ou boîte grise préalablement établi.
Considérons un système en temps continu disposant d’une entrée u(t) et d’une sortie
y(t). Le modèle est dit linéaire et invariant dans temps si son comportement dans le temps,
peut être décrit par une équation différentielle linéaire à coefficients constants. En outre, le
système est causal si sa sortie dépend uniquement de l’entrée jusqu’à l’instant actuel t et non
du futur. On distingue deux approches principales pour l’identification des systèmes à temps
continu : l’approche directe et l’approche indirecte [Mensler, 1999] et [Rao and Unbehauen, 2006].
Ces deux approches utilisent les données d’entrées/sorties échantillonnées via les moyens de
mesures installés sur le processus. L’approche indirecte consiste en une identification en temps
discret. Une fois réalisée, elle sera suivie d’une étape de retour en temps continu pour déterminer
le modèle estimé final. L’approche directe consiste à identifier le modèle continu à partir des
données échantillonnées en passant par le calcul intermédiaire des dérivées successives des
signaux mesurés. Bien que l’identification par l’approche indirecte (identification discrète) ait
connu un grand succès [Ksouri and Borne, 1999], [Abdennour et al., 2001], l’approche directe,
basée sur la modélisation et l’estimation dans un cadre continu, présente un avantage décisif
[Garnier and Wang, 2008]. Nous présentons quelques points utiles pour décrire brièvement ses
propriétés avantageuses [Ibn Taarit, 2010] :
P1. Pertes de signification physique des paramètres du modèle : La modélisation des sys-
tèmes en temps continu est souvent couplée à un modèle de connaissance élaboré à partir
de principes physiques continus dans le temps. Ce modèle est étroitement lié aux proprié-
tés constitutives du système. C’est le cas par exemple des modèles mécaniques obtenus par
des équations de Lagrange. Si la modélisation en temps continu conserve explicitement
les paramètres, la discrétisation fait perdre cette connaissance . En effet, les coefficients
après la discrétisation sont obtenus via des combinaisons non linéaires des paramètres
continus et de la période d’échantillonnage ce qui génére la perte du caractère physique de
l’équation de fonctionnement du système dans le cas d’un modèle linéaire et stationnaire
dans le temps [Mensler, 1999].
P2. Sensibilité au choix de la période d’échantillonnage : Le choix de la période de discréti-
sation du système dans le cas d’une approche d’estimation indirecte, représente un facteur
crucial. Par ailleurs, un mauvais choix de cette période en fonction des constantes du
temps du système peut provoquer une instabilité de la représentation discrète. Une faible
valeur de Te induit un déplacement des pôles discrets vers la limite de la stabilité (z = 1
où z = esTe ) tandis qu’une valeur élevée, ignore la constante du temps. Dans ce cas, les
dynamiques rapides ne seront pas prises en compte.
P3. La discrétisation peut rendre les modèles à temps continu à non minimum de phase :
La discrétisation d’une représentation continue fait apparaître des zéros instables dans le
modèle discret correspondant et peut produire un phénomène gênant de non minimum
de phase. Une discussion plus détaillée est disponible dans [Rao and Unbehauen, 2006].
P5. Type d’entrée d’excitation du système physique : La conception/choix de l’entrée est
un enjeu fondamental dans la procédure de prédiction de modèle. Pour l’estimation des
systèmes continus, l’entrée échelon constitue une entrée classique. Elle est très utilisée
dans la pratique. Bien qu’elle soit satisfaisante pour l’estimation continue, cette entrée pose
des problèmes pour l’identification d’un modèle discret. En effet, l’utilisation d’un signal
constant pour l’identification d’un modèle échantillonné permet la convergence vers zéro
de l’erreur de prédiction sans pour autant que les paramètres estimés convergent vers les
"vrais" paramètres du modèle. Ce problème provient du faible degré de persistance de
l’échelon pour une estimation d’un modèle discret [Landaun and Besançon-Voda, 2001].
L’utilisation d’un bloqueur d’ordre zéro entre deux périodes successives d’échantillonnage
peut conduire aussi à des erreurs d’estimation [Schoukens et al., 1994].
2 Méthodes d’identification pour les modèles temporels
Supposons maintenant que la structure du modèle soit sélectionnée conformément à la

section précédente. Selon le choix de la structure du modèle, un certain nombre de mé-
thodes existent. Il faut alors distinguer entre les méthodes conduisant à un modèle en temps
continu/discret. Cette section aborde la classification des méthodes d’identification des systèmes
linéaires décrit par les modèles à temps continu. Dans un premier temps, nous rappelons les
2.1 Prédiction paramétrique par les approches asymptotiques 39
concepts classiques des techniques d’estimation existantes utilisées dans le domaine de l’identi-
fication paramétrique. Ensuite, nous présentons les techniques algébriques d’estimation rapide
qui seront utilisées par la suite. Une fois que la structure du modèle est définie, la détermination
des paramètres qui en résulte dépend alors de la minimisation d’une fonctionnelle d’erreur
appelée aussi critère. Ces critères représentent entre autre les marges de confiance à attribuer
aux paramètres. Si N désigne le nombre d’observations ou le nombre d’échantillons mesurés et
p le nombre de paramètres du modèle sélectionné, trois critères sont susceptibles d’être évalués
lors d’une procédure d’identification paramétrique [Mensler, 1999] :
• l’erreur d’estimation quadratique :
N
1 X 2
(k) = ymesurée (k) − ysimulée (k) , (2.1)
N
k=1
• l’écart entre le "vrai" paramètre θ et son estimé θ̂ :
θ − E(θ̂)
écart(%) = 100 . (2.2)
|θ|
• l’erreur quadratique moyenne de l’estimateur :

EQM = E (θ − θ̂)2 = V ar((θ̂)) + (biais(θ̂))2 , (2.3)
où V ar((θ̂)) est la variance du paramètre

identifié,
E(θ̂) désigne son espérance sur un horizon
de longueur N . Le biais est égale à θ − E(θ̂) . Afin de réduire le biais d’estimation du modèle,
une solution consiste à minimiser un des critères cités précédemment. Cependant une solution
analytique minimisant un critère adopté n’est pas toujours garantie. De ce fait, on fait appel à
des méthodes d’optimisation [Landaun and Besançon-Voda, 2001].
On distingue deux types d’algorithmes d’optimisation : les algorithmes récursifs et les

algorithmes non récursifs. En ce qui concerne les algorithmes non récursifs, ils sont considérés
comme des algorithmes hors ligne puisqu’ils ont besoin de la disponibilité de l’ensemble des
données entrée-sortie sur tout l’intervalle N . En revanche, les algorithmes récursifs sont réputés
pour leur utilisation en vue d’une estimation en ligne. Ils assurent une mise à jour progressive
des paramètres estimés en se basant sur une paire de mesure d’entrée-sortie disponible à tout
instant. Dans les deux cas, plusieurs techniques de minimisation d’erreur sont disponibles dans
la littérature. On peut trouver les méthodes d’optimisation, les méthodes des moindres carrés
et le filtre de Kalman Bucy. Bien qu’il existe d’autres techniques, elles sont relativement moins
répandues.
2.1 Prédiction paramétrique par les approches asymptotiques
2.1.1 Algorithme d’optimisation paramétrique
L’idée générale de l’optimisation paramétrique consiste à déterminer un ensemble de para-

mètres qui optimisent un critère soumis à des contraintes comme évoqué dans le paragraphe
précédent. Dans la suite, nous parlerons de minimisation d’une fonction coût. Les principales
méthodes d’optimisation peuvent être classées en trois catégories principales :

1. Les méthodes analytiques, qui déterminent l’optimum en fonction des caractéristiques de
la fonction ;
2. Les méthodes stochastiques, qui intègrent une part de hasard ;
3. L’énumération, qui consiste à discrétiser l’espace engendré par le vecteur à optimiser et à
calculer l’ensemble des possibilités.
La figure 2.3 présente les différentes classes et groupes d’algorithmes utilisés pour l’optimisation
paramétriques. On distingue dans ce cas :
– L’énumération : Elle consiste à prendre un nombre fini de valeurs pour chaque paramètre
et à calculer le critère associé pour l’ensemble des possibilités. Par exemple dans le cas
de la détermination des valeurs exactes des paramètres inertiels d’un robot 6 axes à
13 paramètres par axe, il vient en utilisant 50 valeurs de test par paramètres qu’il est
nécessaire d’examiner 5013×6 possibilités ! Cette solution n’est pas envisageable dans de
telles applications.
– Les algorithmes d’ordre n : Fondés sur une décomposition à l’ordre n en séries de Taylor
de la fonction à minimiser, ces algorithmes utilisent la dérivée d’ordre n pour la détermi-
nation de l’évolution de l’algorithme. Ils sont très rapides lorsque la fonction est continue,
dérivable et convexe. Par contre, ils sont peu robustes si la fonction présente des minima
locaux.
– Les algorithmes d’ordre 0 : Ces techniques n’utilisent que la valeur de la fonction en
certains points. Ils sont lents mais robustes en cas de discontinuités de la fonction à
optimiser.
– Les algorithmes génétiques : Ils utilisent plusieurs vecteurs de paramètres (une popula-
tion) qui évoluent vers le minimum par la mise en oeuvre de trois opérations stochastiques,
la sélection, le croisement et la mutation.
– Les algorithmes de recuit simulé : Ce sont des algorithmes capables de déterminer le
minimum global d’une fonction. Par contre, le temps de calcul nécessaire à l’obtention du
minimum peut être long.
– Les stratégies d’évolution : Elles sont fondées sur une évaluation itérative de la fonction à
minimiser. La différence fondamentale entre les stratégies d’évolution et le "recuit simulé"
est que la première méthode explore la fonction de façon locale alors que la deuxième peut
explorer l’ensemble de l’espace.
Le critère de comparaison des différentes méthodes citées repose généralement sur trois
éléments essentiels. On distingue la robustesse qui reflète l’aptitude de la méthode à converger
vers un minimum global sans être perturbée par des minima locaux. A cela, s’ajoute la vitesse de
convergence qui est mesurée en nombre d’itérations sur la fonction de coût le long du processus
de convergence. Enfin, on trouve la globalité du minimum trouvé sans aucune connaissance a
priori de la position du minimum global. On parle alors d’une initialisation aléatoire.
Nous reprendrons quelques comparaisons trouvées dans la littérature afin d’établir un

classement des différentes méthodes par rapport aux trois méthodes à savoir la robustesse,
la vitesse et la globalité du minimum. Le tableau 2.1 illustre les performances de quelques
algorithmes d’optimisation les plus utilisés. Les notations sous forme de + et - permettent une
F IGURE 2.3: Classes d’algorithmes d’optimisation paramétrique
comparaison qualitative de quelques méthodes.
Type d’algorithme Robustesse Vitesse Type de minimum

Ordre 0 : Simplex - + local
Ordre 1 : Gradient --- ++ local
Algorithmes génétiques + --- global ++
Recuit simulé ++ --- global ++
Algorithmes d’évolution + -- global -
TABLE 2.1: Comparaison qualitative des méthodes d’optimisation
2.1.2 Les méthodes des moindres carrés
Elles représentent les techniques d’estimation les plus répandues dans la littérature compte
tenu de leur simplicité d’implémentation et leur utilisation dans les algorithmes de commande
adaptative. Elles peuvent être récursives (moindres carrée récursif, moindres carrées étendus)
[Ljung and Söderström, 1985] et [Ljung, 2002a] ; ou non récursives. Ainsi, pour un système
linéaire à paramètre stationnaire, l’équation de régression s’écrit sous la forme suivante :
y(t) = ϕT θ + ρ(t), (2.4)
où ϕT est la matrice d’observation composée des mesures entrées-sorties du système et de leurs

dérivées successives. ρ(t) désigne le vecteur comportant les erreurs de prédiction et les bruits
de mesures. La méthode des moindres carrés consiste à calculer la valeur des paramètres θ̂ qui
minimisent à chaque instant t une fonction de coût quadratique J(θ̂). Elle s’exprime en :
– en temps continu :
Z t 2
J(θ̂(t)) = y(τ ) − ϕT (τ )θ̂(t) dτ. (2.5)
0
– en temps discret :
2
J(θ̂(t)) = y(t) − ϕT (t)θ̂(t − 1) . (2.6)
La fonction coût J(θ̂) est convexe en θ̂ à chaque instant t. Elle est minimisée en cherchant
la valeur de θ̂ qui annule son gradient. Un optimum du critère quadratique est donné par
l’expression suivante :
θ̂ = (ϕϕT )−1 ϕT y. (2.7)
L’algorithme des moindres carrées n’est pas considéré comme temps réel puisqu’il nécessite une
inversion matricielle après le stockage des mesures. L’application de la technique des moindres
carrés ordinaires dans un contexte bruité engendre un biais d’estimation paramétrique. Ce biais
est dû aux corrélations entre le regresseur et le bruit de mesure. Dans la littérature, on distingue
deux classes de méthodes qui permettent de contourner ce problème [Landau, 1993] et [Borne
et al., 1993] :
– Méthodes d’identification basées sur le blanchissement de l’erreur de prédiction. Cela se
présente par exemple dans le cas des estimateurs de type moindres carrés récursifs (MCR),
filtre de Kalman-Bucy, moindres carrés pondérés (MCP), erreur de sortie avec modèle
de prédiction étendue (ESMPE) et maximum de vraisemblance récursif (MVR). Si ε(t)
désigne l’erreur de prédiction de la sortie du système, c’est-à-dire la différence entre y(t)
et ŷ(t), cela implique :
lim ε(t)ε(t − 1) = 0. (2.8)
t→∞
– Méthodes d’identification basées sur la décorrélation du vecteur des observations et de

l’erreur de prédiction comme dans le cas des méthodes à variables expérimentales.
2.1.3 Les méthodes à variables instrumentales
Bien que les moindres carrés ordinaires comportent de nombreux avantages, ils possèdent
aussi de nombreux inconvénients. En effet, ils ne donnent des estimations convergentes que si
les aléas sont asymptotiquement orthogonaux aux régresseurs. Par conséquent, les méthodes
à variables instrumentales ont pour rôle essentiel de diminuer le biais des paramètres estimés
par la méthode des moindres carrés [Söderström and Mahata, 2002], [Linden et al., 2012]. Elles
s’avèrent robustes dans le cas d’identification à partir de données bruitées. Le principe de la
méthode des variables instrumentales consiste à modifier l’équation de régression linéaire (2.4)
en multipliant chaque terme par un vecteur z(t), dit vecteur instrumental. La régression linéaire
devient alors :
z(t)y(t) = z(t)ϕT θ + z(t)ρ(t). (2.9)
Lorsqu’on choisit la matrice instrumentale, notée Z, telle que ZϕT soit inversible, une estimation
du vecteur θ est obtenue comme suit :
−1
θ̂ = ZϕT Zy. (2.10)
Cet estimateur sera non biaisé, si la propriété de décorrélation entre les variables instrumentales
et l’erreur de prédiction est vérifiée.
2.1.4 Filtre de Kalman Bucy
Le filtre de Kalman Bucy [Kalman and Bucy, 1961], [Kalman et al., 1969] et [Ljung, 2002b]
admet les mêmes équations récurrences que celles des moindres carrés récursifs [Ljung and
Söderström, 1985] à la différence près de la prise en compte de la variance du bruit de mesure.
Ici ρ(t) est considéré comme un bruit de mesure pseudo-blanc gaussien de moyenne nulle, sans
corrélation entre les lots de mesure (2.4). Dans le cadre d’un filtre de Kalman discret, le vecteur
des paramètres à estimer θ̂ est mis à jour au fur et à mesure que les données arrivent, d’où sa
classification en tant qu’approche d’estimation en ligne. Une raison importante pour l’utilisation
de méthodes d’adaptation et d’identification récursive réside dans le comportement du système
étudié. Dans la pratique, certaines propriétés du système peuvent être variables dans le temps.
Ainsi l’algorithme d’identification doit suivre ces variations. Ceci est géré au niveau du critère
(2.11) en lui attribuant un poids, autrement dit un facteur d’oubli, qui a pour rôle de ne pas
donner trop d’importance aux premières mesures qui ne sont plus représentatives pour le
modèle au fil du temps. Cette partie sera discutée dans §4.3.
Pour simplifier les écritures, on considère uniquement les étapes k et k − 1. L’objectif est de
trouver une forme récursive qui permette de calculer pour chaque itération k :
−1
θ̂k = (ϕϕT ) k ϕT y k ,

(2.11)
−1
en utilisant l’information disponible à l’instant k − 1, c’est-à-dire : θ̂k−1 = (ϕϕT ) k−1 ϕT y k−1 .

Pour trouver d’une manière récursive les M paramètres : {θ0 (k), θ1 (k), θM −1 (k)} satisfaisant
l’égalité suivante :
M
X
y(n) = θk un−k , n = 1, 2, 3, . . . (2.12)
k=0
où Φi est une matrice de mesure constituée des entrées ui . Ainsi, nous procédons récursivement
dans le but de minimiser la somme des erreurs quadratiques :
n n
" M −1
#2
X X X
2

(n) = β(n, i) e(i) = β(n, i) y(i) − θk (n)u(i − k) , (2.13)
i=1 i=1 k=0
où le facteur d’oubli β(n, i) réduit la contribution des anciennes mesures comme suit
0 < β(n, i) ≤ 1, i = 1, 2, . . . , n
(2.14)
β(n, i) = λn−i , 0 < λ 1.
Soient les nouvelles variables :

n
X
Φ(n) = λn−i u(i)u(i)T ,
i=1
n (2.15)
X
n−i
ψ(n) = λ u(i)y(i).
i=1
L’équation (2.16) exprime les variables Φ(n) et ψ(n) en fonction de Φ(n − 1) et ψ(n − 1) :
n
X n−1
X
n−i T
Φ(n) = λ u(i)u(i) = λ λn−1−i u(i)u(i)T + u(n)u(n)T = λΦ(n − 1) + u(n)u(n)T ,
i=1 i=1
Xn n−1
X
ψ(n) = λn−i u(i)y(i) = λ λn−1−i u(i)y(i) + u(n)y(n) = λψ(n − 1) + u(n)y(n).
i=1 i=1
(2.16)
En appliquant le lemme d’inversion matricielle, [Rotella and Borne, 1995], à Φ(n) = λΦ(n − 1) +
u(n)u(n)T , nous obtenons :
λ−2 Φ−1 (n − 1)u(n)u(n)T Φ(n − 1)−1

Φ(n)−1 = λ−1 Φ−1 (n − 1) − . (2.17)
1 + λ−1 u(n)T Φ(n − 1)−1 u(n)
λ−1 P (n − 1)u(n)
Soient P (n) = Φ(n)−1 et K(n) = , alors il vient après calculs que
1 + λ−1 u(n)T P (n − 1)u(n)
P (n) = λ(n)−1 P (n − 1) − λ(n)−1 K(n)u(n)T P (n − 1). (2.18)
Par conséquent, nous sommes maintenant en mesure d’écrire l’équation de mise à jour des
paramètres θ(n). Une nouvelle estimation est alors donnée par la récurrence suivante se basant
sur le processus d’innovation (erreur a priori) :
θ(n) = θ(n − 1) + K(n)α(n),

(2.19)
α(n) = y(n) − u(n)T θ(n − 1).
Par conséquent, l’algorithme d’estimation est formé par le système d’équations ci dessous :
λ−1 P (n − 1)u(n)
K(n) = ,
1 + λ−1 u(n)T P (n − 1)u(n)
α(n) = y(n) − u(n)T θ(n − 1), (2.20)
θ(n) = θ(n − 1) + K(n)α(n),
P (n) = λ−1 P (n − 1) − K(n)u(n)T P (n − 1) .

2.2 Prédiction paramétrique par les approches non-asymptotique
Nous détaillons ici les techniques algébriques d’estimation non asymptotique introduites
par Fliess et Sira-Ramirez en 2003. Elles seront comparées à des techniques d’identification
classiques. Les méthodes algébriques sont développées dans le projet Non-A d’INRIA † . C’est un
outil d’estimation non-asymptotique permettant d’identifier les paramètres d’un modèle linéaire
ou non linéaire. Cette approche est issue de la théorie de l’algèbre différentielle et du calcul
opérationnel [Fliess, 1990], [Fliess et al., 1995]. On génère dans ce cas un filtre intégral linéaire
permettant d’appliquer des intégrations successives sur l’équation différentielle du système
étudié. Ceci produit un effet de filtrage intéressant dans le cas de mesures bruitées [Fliess, 2006].
Les détails et définitions de l’algèbre différentielle ne seront pas rappelés dans ce manuscrit.
Ils sont largement exposés dans les articles cités précédemment. Contrairement aux méthodes
d’estimation classiques (moindres carrés, méthode du gradient, variable instrumentale, etc..), ces
estimateurs sont obtenus par des formules algébriques explicites aboutissant à une prédiction
paramétrique en temps fini. Le développement de telles techniques a permis de traiter des
problématiques dans le domaine de l’automatique. Nous citons quelques références à titre
d’exemple :
– la commande sans modèle [Fliess and Join, 2009], [De Miras et al., 2012] ;
– la détection des retards [Belkoura et al., 2009], [Ibn Taarit et al., 2011] ;
†. Institut National de Recherche en Informatique et Automatique

2.2 Prédiction paramétrique par les approches non-asymptotique 45
– la différentiation numérique [Riachy et al., 2011], [Liu et al., 2011b] ;

– le diagnostique et la commande tolérante aux fautes [Fliess et al., 2004], [Moussa Ali et al.,
2011] ;
– la détection de changement paramétrique brutal [Belkoura et al., 2010], [Tiganj et al., 2010].
Des applications pluridisciplinaires ont fait aussi l’objet de plusieurs contributions :
– la gestion de la loi de mouvement pour les structures mécaniques flexibles [Pereira et al.,
2009], [Pereira et al., 2012] ;
– l’estimation de la posture humaine via l’utilisation d’accélérométres, [Perruquetti et al.,
2012] ;
– l’application à l’électronique de puissance [Gensior et al., 2008] ;
– la commande de véhicules [Villagra et al., 2009], [D’Andrea Novel et al., 2010] ;
– la transmission sécurisée [Sira-Ramirez and Fliess, 2006], [Zheng et al., 2008].
2.2.1 Structure générale d’un estimateur paramétrique algébrique et mise en oeuvre
Un système linéaire invariant dans le temps (LTI), s’écrit sous la forme suivante :
n
X m
X
(i)
ai y = bi u(i) , (2.21)
i=0 i=0
où an = 1, m < n, u et y désignent respectivement l’entrée et la sortie du modèle. La méthode

algébrique opère dans le domaine opérationnel. Elle consiste à appliquer à (2.21) la transformée
de Laplace. On obtient alors :
n
X m
X
i i−1
y0i−1 bi si U (s) − si−1 u0 − ... − u0i−1 .

ai s Y (s) − s y0 − ... − = (2.22)
i=0 i=0
Grâce à la facilité de traitement qu’offre le domaine opérationnel, l’élimination des conditions

initiales et des perturbations structurées est possible en dérivant l’expression précédente n fois
par rapport à s. On rappelle la formule de Leibniz :
h
!
dh (X(s)Y (s)) X h dh−j X(s) dj Y (s)

= (2.23)
dsk j dsh−j dsj
j=0
et la relation :  l!
 sl−k , si 0 < k < l,
(l − k)!



dk (sl )


= 0, si 0 < l < k, (2.24)
dsk 
(−1)k (k − l − 1)! l−k




 s , si l < 0 < k.
(−l − 1)!
Il vient alors l’équation suivante :
   
n n m n
! !
X X n i! si+j−n dj (y(s))  X  X n i! si+j−n dj (u(s)) 
ai  = bi . (2.25)
j (i + j − n)! dsj j (i + j − n)! dsj
i=0 j=n−i i=0 j=n−i
Ces manipulations donnent des termes multipliés par la variable opérationnelle s. Ceci consiste
à une action de dérivation dans le domaine temporel. La dérivation par rapport à s dans
le domaine opérationnel se traduit par une multiplication par −t en temporel. En outre, la
dérivation amplifie le bruit de mesure déjà contenu dans le signal. Une solution à ce problème
consiste à rendre l’estimateur plus robuste en multipliant tous le membres de (2.25) par s−ν où
ν > i. Pour chaque paramètre à identifier, nous multiplions alors ses deux membres par s−(n+p) .
Ceci rend l’estimateur final dépendant des signaux mesurés en utilisant uniquement l’opérateur
intégral :
n n m n
X X ci,j dj (y(s)) X X ci,j dj (u(s))
ai = bi . (2.26)
s2n+p−i−j dsj s2n+p−i−j dsj
Bien que l’estimateur algébrique soit traité dans domaine opérationnel, l’identification des
paramètres est obtenue dans le domaine temporel. Pour cela, on utilise la formule de Cauchy
suivante :
(−1)j
Z t
1 dj Γ(s) (s)

L−1
= (t − τ )i−1 (τ )j Γ (τ ) dτ. (2.27)
si dsn (i − 1)! 0
La transformation inverse de Laplace de (2.26) donne
 Rt   Rt 
n n m n
X X ci,j 0 (t − τ )2n−i−j+p−1 (−τ )j y(τ )dτ X X ci,j 0 (t − τ )2n−i−j+p−1 (−τ )j u(τ )dτ
ai  = bi  .
(2n − i − j + p − 1)! (2n − i − j + p − 1)!
(2.28)
Dans le domaine temporel, les paramètres inconnus θ = (a0 . . . an−1 b0 . . . bm ) sont alors linéaire-
ment identifiables via la résolution du système
 
a0
 . 
 .. 
 
 
an−1 
∆P 
 b  = ∆Q + ∆R
 (2.29)
 0 
 . 
 .. 
 
bm
| {z }
θ
où
1. les entrées des matrices ∆P et ∆Q de dimension respectives (n + m + 1 × n + m + 1) et

(n + m + 1 × 1) appartiennent au sous espace engendré par les dérivées successives du
couple (u, y) ;
2. le déterminant de la matrice ∆P est différent de zéro,
3. ∆R ∈ R représente le vecteur des perturbations structurées.

2.2 Prédiction paramétrique par les approches non-asymptotique 47
Les estimations des paramètres inconnus a0 , . . . , an−1 , b0 , . . . , bm de l’équation (2.21) sont don-
nées par l’expression suivante :
   
â0 −Fn,1 [y(t)]
 .   .. 
 ..   . 
  !−1  
   
ân−1  F1a −F1b  −Fn,n [y(t)] 
 b̂  =
    (2.30)
 0  F2a −F2b  −F
 n,n+1 [y(t)] 

 .   .. 
 ..   . 
   
b̂m −Fn,n+m+1 [y(t)]
où    
F0,1 [y(t)] ... Fn−1,1 [y(t)] F0,1 [u(t)] ... Fm,1 [u(t)]
 .. .. .. 
, F1b = 
 .. .. .. 
,
F1a =   . . .   . . . 
F0,n [y(t)] ... Fn−1,n [y(t)] F0,n [u(t)] ... Fm,n [u(t)]
 
F0,n+1 [y(t)] ... Fn−1,n+1 [y(t)]
 .. .. .. 
,
F2a =   . . . 
F [y(t)] ... Fn−1,n+m+1 [y(t)]
 0,n+m+1 
F0,n+1 [u(t)] ... Fm,n+1 [u(t)]
 .. .. .. 
,
F2b =   . . . 
F0,n+m+1 [u(t)] ... Fm,n+m+1 [u(t)]
n Rt
X ci,j 0 (t − τ )2n−i−j+p−1 (−τ )j f (τ )dτ
avec Fi,p [f (t)] =
(2n − i − j + p − 1)!
j=n−i
!
n i!
et ci,j = .
j (i + j − n)!
L’indice p désigne un paramètre inconnu de θ = (a0 . . . an−1 b0 . . . bm )=(θ1 . . . θp . . . θm+n+1 ).
Le développement de cet algorithme dans le domaine opérationnel est explicite. Les opéra-
tions permettant d’obtenir cet estimateur ne sont pas uniques. De récents travaux [Ushirobira
et al., 2012] tentent de systématiser cette procédure, en proposant une méthodologie pour trouver
des annihilateurs minimaux admettant de bonnes propriétés dans le domaine temporel. Ainsi,
l’avantage principal de cet algorithme réside dans l’estimation des paramètres sans connaissance
préalable des conditions initiales. En effet, elles sont annihilées par les diverses manipulations
algébriques dans le domaine opérationnel. Ces estimateurs présentent une convergence non
asymptotique contrairement aux approches exposées dans la section §2. Les calculs peuvent
être implémentés formellement et effectués de manière très rapide. Dans le paragraphe suivant,
nous abordons l’estimation algébrique de la fréquence naturelle d’un système différentiel du
second ordre. Cette étude permettra de donner des estimations exactes du paramètre considéré
et d’analyser statistiquement la convergence de l’estimateur. Elle nous permettra ultérieurement
d’estimer les fréquences propres relatives à l’axe souple d’un manipulateur.
3 Estimation algébrique de la fréquence
3.1 Méthode d’estimation de la fréquence
Considérons le système différentiel d’ordre 2 suivant

 00 0 2
 x (t) + 2ζω0 x (t) + ω0 x (t) = 0 pour t ≥ 0

x (0) = x0 , (2.31)
 0
x (0) = x00 ,

où ζ est le taux d’amortissement du système et ω0 sa pulsation naturelle. Nous supposons de

plus que x0 , x00 6= (0, 0). La solution générale de ce système est alors donnée par

 !
p x0 + ζω x p
−ζω t 0 0 0
e 0 x0 cos ω0 1 − ζ 2 t + p sin ω0 1 − ζ 2 t si ζ ∈ [0, 1[ ,



ω0 1 − ζ 2




e−ω0 t x0 + t x00 + ω0 x0 si ζ = 1,

x (t) = .
 !

 p 0
x + ζω0 x0 p
−ζω0 t
x0 cosh ω0 ζ 2 − 1t + 0 p sinh ω0 ζ 2 − 1t

 e

 si ζ > 1.
ω0 ζ 2 − 1
(2.32)
Dans la pratique, les systèmes mécaniques ou robotisés présentent un taux d’amortissement
ζ 1.
Pour estimer ω0 , nous faisons dans un premier temps l’hypothèse que l’influence de ζ est
négligeable. Par conséquent, nous supposerons cette valeur nulle pour définir notre estimateur.
Nous souhaitons de plus que notre estimateur soit indépendant des conditions initiales.
Proposition 1. Soient x une application continue de [0, T ] → R (avec T ∈ R∗+ ) et θe : R∗+ → R

l’application définie par
RT 2 2 x (τ ) dτ

0 T − 6τ T + 6τ
θe (T ) = −2 RT 2 2
(2.33)
0 (T − τ ) τ x (τ ) dτ
alors si x est solution de (2.31), il vient pour 0 < ζ < 1 que

 0 2 !
0 0

x x x
 ω02 + 2ω0 ζ 0 − ω0 ζ ω02 + 0
+ 2ω0 ζ 0 T + O T 2 si x0 6= 0,



x0 x0 x0
θe (T ) = .
 2 12 2 2 ω0 ζ 1 3 2
2

 ω0 − ω0 ζ + 4 + ω ζ 52ζ − 49 T + O T sinon.


7 T 147 0
De plus, si ζ = 0 alors θe (T ) = ω02 pour tout T ≥ 0.
Démonstration. En appliquant une transformée de Laplace à (2.31), nous obtenons
s2 X (s) − sx0 − x00 + ω02 X (s) = 0,
où X (s) désigne la tranformée de Laplace de x (t). En dérivant deux fois cette expression i.e. en
d2
appliquant l’opérateur 2 , et en divisant par s3 , il vient
ds
1 d2 X (s) 1 d2 X (s) 4 dX (s) 2

ω02 + + 2 + 3 X (s) = 0. (2.34)
s3 ds2 s ds2 s ds s
3.1 Méthode d’estimation de la fréquence 49
L’application de la formule de Cauchy classique suivante
pour n ∈ N et m ∈ N∗ , ∀T ≥ 0,
(−1)n
Z T
1 dn X (s)

L−1
m n
(T ) = (T − τ )m−1 τ n x (τ ) dτ
s ds (m − 1)! 0
permet alors de "revenir" dans le domaine temporel :

Z T Z T Z T Z T
1 2
ω (T − τ )2 τ 2 x (τ ) dτ + τ 2 x (τ ) dτ −4 (T − τ ) τ x (τ ) dτ + (T − τ )2 x (τ ) dτ = 0.
2 0 0 0 0 0
Ainsi, nous obtenons RT

T 2 − 6τ T + 6τ 2 x (τ ) dτ

ω02 = −2 0
RT 2 2
.
0 (T − τ ) τ x (τ ) dτ
Ceci montre bien que si ζ = 0 alors θe (T ) = ω02 pour tout T ≥ 0. Par contre, θe (T ) réalise
une approximation de ω02 quand ζ > 0. Les expressions de la proposition obtenue par un
développement limité en T = 0 donne une idée de la qualité de l’approximation au voisinage
de cette valeur. En particulier, si le signal x est une sinusoïde amortie sans déphasage alors
l’estimateur présente un comportement hyperbolique au voisinage de T = 0 qui peut poser un
problème d’estimation pour des valeurs de T faibles.
L’estimateur (2.33) peut être assimilé à un estimateur "anti-causal" de ω02 à l’origine du temps.
Dans la pratique, le signal x est connu seulement aux points d’échantillonnage. Il est de plus
généralement corrompu par un bruit. Nous notons alors ce signal par y (τ ) = x (τ ) + $ (τ ) où
$ (τ ) est un bruit. Par conséquent, en remplaçant x par y l’estimateur (2.33) s’écrit
RT
T 2 − 6τ T + 6τ 2 y (τ ) dτ

0
θe (T ) = −2 RT 2 2
.
0 (T − τ ) τ y (τ ) dτ
Cet estimateur est calculé à partir d’une discrétisation des deux intégrales selon soit la méthode
des rectangles soit selon la méthode des trapèzes ou de Simpson. Dans le cas de la méthode des
trapèzes [Abramowitz and Stegun, 1964], pour T = mTe où Te est le pas d’échantillonnage, il
vient l’expression approchée suivante
m−1
X
m2 . (y [0] m2 − 6km + 6k 2 .y [k]

+ y [m]) + 2
1 k=1
θ̃e [m] = − , (2.35)
Te2 m−1
X 2
(m − k) k 2 .y [k]
k=1
où y [k] = y (kTe ) et θ̃e [m] = θ̃e (mTe ).
A T fixé, θ̃e [m] est donc une variable aléatoire réelle obtenue comme quotient de variables
aléatoires dépendantes
m−1
!
X
m2 . (x [0] m2 6k 2

+ x [m]) + 2 − 6km + .x [k]
1 k=1
θ̃e [m] = − 2 m−1
! m−1
(2.36)
Te X X
2 2
(m − k) k 2 .x [k] + (m − k) k 2 .$ [k]
k=1 k=1
m−1
X
m2 . ($ [0] + $ [m]) + 2 m2 − 6km + 6k 2 .$ [k]

1 k=1
− . (2.37)
Te2 m−1 m−1
!
X 2
X 2
(m − k) k 2 .x [k] + (m − k) k 2 .$ [k]
k=1 k=1
3.2 Analyse statistique de l’estimateur
3.2.1 Estimation pour une fenêtre fixée
Comme nous pouvons le remarquer l’expression (2.36) indique que θ̃e [m] est une variable
aléatoire réelle. Dans le cas où X = $ suit une loi normale de type N (µ, σ), nous savons que
la somme de variables normales mutuellement indépendantes suit aussi une loi normale. Par
conséquent, (2.36) peut s’écrire sous la forme homographique
am X + bm
θ̃e [m] = ,
cm X + dm
où 
m−1
!
 X
m2 − 6km + 6k 2 ,

am = −2






 k=0
m−1


 X
2 2 2




 bm = −m . (x [0] + x [m]) − 2 m − 6km + 6k .x [k] ,
k=1
m−1
X
(m − k)2 k 2 ,

2
c = T



 m e


 k=1
m−1


 X
2
(m − k)2 k 2 .x [k] .




 d m = T e
k=1
Ainsi les coefficients de v.a.r. θ̃e [m] dépendent de m. C’est donc un processus stochastique
discret [Parzen, 1999]. La proposition suivante nous permet de calculer la fonction de densité de
θ̃e [m] pour un m fixé.
aX + b
Proposition 2. Soient Y = une variable aléatoire réelle (v.a.r.) où X suit la loi normale
cX + d
N (µ, σ), c 6= 0 et ad − bc =
6 0. Alors la fonction de densité de la v.a.r. Y est donnée par la fonction
continue suivante
b − dy 2
 
µ+
 a − cy 
exp −
 
2σ 2

 
|ad − bc|
g (y) = √ . (2.38)
σ 2π (a − cy)2
La v.a.r. Y n’admet ni espérance, ni moment d’ordre supérieur.
3.2 Analyse statistique de l’estimateur 51
ax + b
Démonstration. La fonction ϕ (x) = y = est continue et bijective. Par conséquent tout y
cx + d
−b + dy
admet un seul antécédent x = ϕ−1 (y) = . La fonction de densité de la v.a.r. Y est alors
a − cy
donnée classiquement par
f ϕ−1 (y)

g (y) = 0 ,
|ϕ (x)|x=ϕ−1 (y)
ad − bc
où ϕ0 (x) = et f est la fonction de densité de la v.a.r. X. Comme X est une v.a.r.
(d + cx)2
gaussienne alors sa fonction de densité s’écrit
!
1 (x − µ)2
f (x) = √ exp − .
σ 2π 2σ 2
Après quelques calculs, nous obtenons l’expression (2.38). Cette fonction est continue et inté-
grable sur IR. En effet, nous savons que
!
|ad − bc| (µc + d)2 1
g (y) ∼ √ exp − .
∞ c2 σ 2π 2c2 σ 2 y2
Comme ces deux fonctions sont continues et elles conservent un signe constant au voisinage
Z +∞
de l’infini, il vient que leurs intégrales sont de même nature. Ainsi, g (y) dy converge par
−∞
application du critère de Riemann. Cependant, le moment d’ordre un n’existe pas. En effet, nous
avons !
|ad − bc| (µc + d)2 1
y.g (y) ∼ √ exp − .
∞ c2 σ 2π 2c2 σ 2 y
Z +∞
Par application du critère de Riemann, il vient que y.g (y) dy diverge. Il en est ainsi de
−∞
même pour les moments d’ordre supérieur.
La classique "loi des grands nombres" [Foata and Franchi, 2012 - 3ème edition] ne s’applique
pas ici. Etant donné un n-échantillons de la v.a.r. Y formé d’un n-uplet Ŷn = (Y1 , Y2 , . . . , Yn ) de
v.a.r Yk admettant la même loi que Y et qui soient indépendants, alors l’estimateur classique de
la moyenne ne converge pas quand n augmente. Cette moyenne empirique reste aléatoire. La
figure 2.4 montre qu’une valeur trop éloignée "empêche" cette moyenne empirique (en bleu)
de converger alors que l’estimateur de la médiane (en rouge) "semble" converger. La médiane
théorique est donnée par la définition suivante.
Définition 3. Si la fonction de répartition g d’une v.a.r Y est continue alors le quantile d’ordre p ∈ [0, 1]
est le réel yp tel que Z yp
g (y) dy = p.
−∞
1
Dans le cas p = , le réel y 1 = MedY est appelé médiane.
2 2
Dans la pratique, nous devons estimer cette quantité.

Définition 4. Soit Ŷ(n) = Y(1) , Y(2) , . . . , Y(n) l’échantillon ordonné associé au n-échantillon Ŷn alors
F IGURE 2.4: a = 3, b = 1, c = 1, d = 7 où chaque Xi † N (0, 5)
l’estimateur de la médiane est donné par


 Y n si n est pair,
(2)

MED Ŷn =
 Y n +1 sinon,
(b c )
2
où la notation bxc désigne la partie entière de x.
Nous avons le résultat important suivant issu de [Sen and da Motta Singer, 1993] qui permet
de connaître le comportement asymptotique de cet estimateur.
Proposition 5. Si la fonction de densité g est continue et est strictement positive alors l’estimateur de la
médiane MED Ŷn est asymptotiquement sans biais et normale i.e. que nous avons la convergence en
loi suivante
√

L 1
n MED Ŷn − MedY → N 0, . (2.39)
n→+∞ 2g (MedY )

1
Remarque 3.2.1. Soit X une v.a.r de loi N 0, . Pour montrer que
2g (MedY )
√
n MED Ŷn − MedY converge en loi vers X, il faut montrer que les fonctions de répar-
√
tition de n MED Ŷn − MedY convergent vers celle de X pour toute valeur de x.
Cette proposition nous permet de caractériser un intervalle de confiance approximatif de

notre estimateur de la médiane. La figure suivante donne 35 simulations de médianes glissantes
et une approximation d’intervalle de confiance à trois écart-types de cet estimateur de la médiane
3 1
pour différente valeurs de n i.e. ± √ pour n = 1, . . . , 10000 où MedY = 0.142857 et
n 2g (MedY )
g (MedY ) = 1.954. Comme nous pouvons le constater sur la figure 2.5, l’intervalle de confiance
à 3 écarts type diminue progressivement avec le nombre d’échantillons. La loi normale estime
donc correctement les variations de l’estimateur de la médiane. Cette analyse nous permet de
†. variables indépendantes et identiquement distribuées (i.i.d.) où les variables aléatoires ont toutes la même loi
de probabilité et sont mutuellement indépendantes
3.3 Estimation à fenêtre glissante 53
0.20
0.15
0.10
0.05
2000 4000 6000 8000 10 000
F IGURE 2.5: a = 3, b = 1, c = 1, d = 7 où chaque Xi N (0, 0.5)
conclure que pour éviter les singularités numériques et rendre ainsi plus robuste l’estimation
qu’il est préférable de le faire au sens de la médiane.
3.3 Estimation à fenêtre glissante
Dans le cas d’une fenêtre de longueur variable, l’expression de la densité de l’estimateur

de la médiane de la fréquence devient très complexe à calculer. En effet, à chaque nouvel
échantillon la loi suivie change et les variables aléatoires associées à chaque estimé ne sont
pas indépendantes. Nous proposons dans la suite d’évaluer la robustesse de l’estimation par
la médiane à travers quelques expérimentations numériques afin d’en déduire l’influence des
paramètres pour l’estimateur (2.35).
3.3.1 Cas sans bruit
Considérons maintenant l’estimateur (2.35), où la valeur de m augmente au cours du temps.

Ceci correspond au cas où un nouvel échantillon du signal est pris en compte dans (2.32) à
chaque pas d’échantillonnage. Nous réglons l’amortissement ζ = 0, x0 = 0 puis x00 tel que
l’amplitude de vibration soit de 1 ou de 0.1. L’unité peut être en mm ou en rad par exemple.
Nous étudions l’effet du pas Te et de la valeur de la fréquence sur la convergence. Nous

traçons en vert l’estimateur de la médiane de (2.35) et en bleu l’estimateur algébrique (2.35). Il est
représenté en rouge la valeur théorique de la fréquence ainsi que l’erreur à 2%. L’estimation par
la médiane (en vert) donne une erreur de convergence et une vitesse de convergence d’autant
plus faible que Te diminu. L’erreur "systématique" de la médiane est cependant d’autant plus
grande que la fréquence à identifier est grande. Ce résultat est montré dans les figures 2.6 et 2.7
d’une part et les figures 2.10 et 2.11 d’autre part. L’estimateur de la médiane est plus robuste
numériquement que l’estimateur algébrique (en bleu) qui présente des singularités. Les figures
2.8 et 2.9 montrent que la valeur de l’amplitude semble être peu sensible pour l’estimateur de la
médiane.
Hz
9.0
8.5
8.0
7.5
7.0
s
0.0 0.1 0.2 0.3 0.4
F IGURE 2.6: f0 = 8Hz, ζ=0, Te =4ms, A=1, erreur à 2%
Hz
9.0
8.5
8.0
7.5
7.0
s
0.0 0.1 0.2 0.3 0.4
3.3.2 Cas avec bruit
Pour la prise en charge de tests utilisant du bruit, nous définissons l’indicateur classique
 n 
X 2
 |y [k]| 
 k=1 
de rapport signal à bruit en dB défini par SN R = 10 log X n
. Nous étudions alors

2
|$ [k]|

k=1
deux possibilités soit un SNR à 22dB ou un SNR de 36dB. Nous simulons à chaque fois "15
trajectoires" différentes de l’estimateur de la médiane afin d’introduire la notion de convergence
non asymptotique de cet estimateur (Cf. figures 2.14, 2.15, 2.16 et 2.17). L’estimation de la
médiane est en effet non asymptotique. La variation de la médiane vis à vis d’une erreur à
2% augmente à partir d’une certaine valeur temporelle. En diminuant la valeur de Te à 1ms la
Hz
9.0
8.5
8.0
7.5
7.0
s
0.0 0.1 0.2 0.3 0.4
F IGURE 2.8: f0 = 8Hz, ζ=0, Te =4ms, A=0.1, erreur à 2%
Hz
9.0
8.5
8.0
7.5
7.0
s
0.0 0.1 0.2 0.3 0.4
variabilité de la médiane diminue et la longueur de la fenêtre de convergence non asymptotique

de l’estimateur augmente légèrement. Pour un SNR plus élevé comme illustré dans les figures
2.14 et 2.16, la vitesse de convergence est accélérée au départ, mais la longueur de la fenêtre de
convergence non asymptotique reste sensiblement la même.
3.3.3 Cas d’une fenêtre glissante : estimation causale
Le résultat suivant nous permet de construire des estimateurs causaux de la fréquence à

partir de l’utilisation d’une fenêtre d’integration de longueur fixée T . L’estimation causale se
fait donc via cette fenêtre glissante au cours du temps.
Proposition 6. Soit y une fonction continue et t un réel strictement positif alors pour tout réel T fixé tel
Hz
23
22
21
20
19
18
17 s
0.0 0.1 0.2 0.3 0.4
Hz
23
22
21
20
19
18
17 s
0.0 0.1 0.2 0.3 0.4
que T ∈ [0, t], nous avons
1 dn Y (t − s) (−1)n t
Z
L −1
(T ) = (T − t + τ )m−1 (t − τ )n y (τ ) dτ, (2.40)
sm dsn (m − 1)! t−T
n m+n Z 1
(−1) T
= (1 − τ )m−1 τ n y (t − τ T ) dτ, (2.41)
(m − 1)! 0
où Y (t − .) désigne la transformée de Laplace de la fonction y (t − .).
Démonstration. En notant par X la transformée de Laplace d’une fonction x, il vient par applica-
1 dn X (s)
tion de la formule de Cauchy que la transformée inverse de Laplace de m pour n ∈ N
s dsn
Hz
23
22
21
20
19
18
17 s
0.0 0.1 0.2 0.3 0.4
Hz
23
22
21
20
19
18
17 s
0.0 0.1 0.2 0.3 0.4
et m ∈ N∗
1 dn X (s) (−1)n T
Z
pour tout T ≥ 0, L −1
(T ) = (T − u)m−1 un x (u) du.
sm dsn (m − 1)! 0
Si nous posons pour tout u ∈ [0, T ] (avec 0 ≤ T ≤ t), x (u) = y (t − u), il vient alors que
Z T Z T
m−1
(T − u) n
u x (u) du = (T − u)m−1 un y (t − u) du.
0 0
En appliquant le changement de variable τ = t − u, nous obtenons que

Z T Z t
m−1
(T − u) n
u x (u) du = (T − t + τ )m−1 (t − τ )n y (τ ) dτ,
0 t−T
Hz
9.0
8.5
8.0
7.5
7.0
s
0.0 0.1 0.2 0.3 0.4
F IGURE 2.14: f0 = 8Hz, ζ=0, Te =4ms, SNR=36dB, A=1, erreur à 2%
Hz
9.0
8.5
8.0
7.5
7.0
s
0.0 0.1 0.2 0.3 0.4
ou si à la place nous appliquons le changement de variable u = τ T , il vient

Z T Z 1
m−1
(T − u) n
u x (u) du = T m+n
(1 − τ )m−1 τ n y (t − τ T ) dτ.
0 0
Ainsi (2.40) est vérifiée.
Dans cette proposition le réel t correspond au temps t auquel nous souhaitons réaliser
l’estimation. Le réel T > 0 caractérise la longueur de la fenêtre d’intégration. Ainsi en appliquant
4 Etude détaillée de l’estimation paramétrique d’un système mécanique souple 59
Hz
9.0
8.5
8.0
7.5
7.0
s
0.0 0.1 0.2 0.3 0.4
Hz
9.0
8.5
8.0
7.5
7.0
s
0.0 0.1 0.2 0.3 0.4
ce résultat à l’expression opérationnelle (2.34), l’estimateur de la fréquence s’écrit

R1
1 − 6τ + 6τ 2 y (t − τ T ) dτ

2 0
θ̃T (t) = − 2 R1 . (2.42)
T
0 τ 2 (1 − τ )2 y (t − τ T ) dτ
4 Etude détaillée de l’estimation paramétrique d’un système mécanique souple
4.1 Cadre d’étude et motivation
Considérons un bras de robot flexible de fonction de transfert empirique en fréquence

(Empirical Transfert Function Estimate "ETFE", en anglais) [Moheimani, 2005], représentée
à la figure 2.18. Cette fonction représente le transfert fréquentiel entre le couple mesuré en
entrée et l’accélération du bras flexible en sortie. Le signal d’excitation dans ce cas est composé
de plusieurs sinusoïdes. A partir de cette représentation non paramétrique, nous pouvons
20
10
Réponse Fréquetielle (dB)
−10
−20
−30
−40
0 50 100 150 200 250 300 350 400 450 500
Fréquence (Hz)
F IGURE 2.18: Fonction de transfert en fréquence du bras de robot
avoir une bonne indication sur l’ordre du système. Le système flexible présente au moins
deux résonances et deux anti-résonances dans la bande passante [0, 300] Hz. De ce fait, l’ordre
du système sera déterminé par le nombre total des modes présents. Plusieurs structures
peuvent être utilisées. Dans ce cas, deux pistes peuvent se présenter en vue de modéliser le
processus. Nous distinguons alors en premier lieu les modèles à boîtes noires non linéaires où
les approches neuronales sont des techniques couramment utilisées, [Janczak, 2005]. Ce type
d’approche bien qu’il présente un bon pourcentage d’ajustement admet un ordre du modèle qui
n’est pas toujours en lien avec la signification physique du système étudié. Notre démarche
étant déterministe et linéaire, nous nous focalisons sur la réponse fréquentielle du système
afin de déterminer un ordre approximatif de la fonction de transfert dont l’entrée est le couple
moteur mesuré et la sortie est l’accélération du bras flexible.
Chaque résonance et anti-résonance de la figure 2.18 se traduit alors par un pôle complexe
conjugué au niveau du numérateur et du dénominateur de la fonction de transfert du système.
Ceci est présenté sous forme d’un système masses-ressorts-amortisseurs montés en cascade
selon le degré de liberté du manipulateur d’origine comme illustré dans [Berglund and Hovland,
2000] et [Subudhi and Morris, 2002]. Les robots manipulateurs flexibles sont généralement
modélisés par des élasticités localisées au niveau des articulations. Dans ce cas, chaque système
d’entraînement est modélisé comme un système masse-ressort à un degré de liberté. Le ressort
et l’amortisseur sont situés entre l’inertie de l’actionneur et l’inertie du bras associé. Dans la
suite, nous abordons la problématique d’identification d’un système à 1 degré de liberté.
4.2 Positionnement du problème 61
4.2 Positionnement du problème
Cette partie est principalement tirée des travaux présentés dans [Oueslati et al., 2011].
Dans cette section nous nous intéressons à la problématique d’identification paramétrique

d’un système mécanique gouverné par une souplesse mécanique prépondérante et modélisé
par une structure de type masse ressort à un degré de liberté. Le choix d’une telle structure
repose sur une multitude d’applications mécaniques et industrielles. En effet, elle est utilisée
pour modéliser la transmission mécanique dans la plupart des structures flexibles, [Hovland
et al., 2000] dans le cas de poutres souples ou [Moberg et al., 2008] dans le cas de modélisation
d’un robot industriel. Dans cette section, on s’intéresse plutôt à la prédiction des paramètres
avec application aux processus industriels. Nous abordons dans un premier temps, une étude
comparative entre deux techniques d’estimation en ligne : à savoir le filtre de Kalman-Bucy
d’une part et l’estimateur algébrique d’autre part. Considérons un système de type masse-
x (t )
K
M F (t )
F IGURE 2.19: Système masse ressort à 1 ddl
ressort-amortisseur, il est défini par l’équation suivante :
M ẍ(t) + Dẋ(t) + Kx(t) = F (t), (2.43)
où M désigne la masse de la charge en déplacement, D le coefficient d’amortissement et K la

constante de raideur du ressort tandis que F (t) représente la force appliquée. Pour r
simplifier
K
l’équation, nous définissons deux paramètres : la pulsation propre du système ω0 = et le
M
D
taux d’amortissement ζ = √ . Nous écrivons alors :
2 KM
ẍ(t) + 2ζω0 ẋ(t) + ω02 x(t) = u(t), (2.44)
F (t)
où u(t) = . Dans la suite, on prend θ1 = 2ζω0 et θ2 = ω02 les paramètres inconnus. Cette pro-
M
cédure d’identification sera couplée à la problématique de conception d’une entrée sinusoïdale
optimisée du système (2.44) permettant de garantir la meilleure convergence paramétrique dans
le cas où l’entrée est égale à u(t) = A1 sin(ω1 t). En effet, dans les paragraphes § 4.3.1 et § 4.3.3
nous étudions la conception d’entrée optimale d’estimation paramétrique. Le problème d’entrée
optimale est formulé en tant que problème d’optimisation convexe basé sur les statistiques
du signal d’entrée [Wahlberg et al., 2010, 2012]. Dans notre cas, l’objectif est de minimiser la
variance de l’estimateur et l’incertitude de l’estimation à une pulsation d’excitation déterminée.
Nous caractérisons analytiquement la solution optimale pour le filtre récursif et nous effectuons
une étude numérique pour l’approche algébrique en raison de sa complexité.
4.3 Estimation par le filtre de Kalman-Bucy
Dans ce paragraphe nous utilisons le filtre de Kalman-Bucy afin d’estimer le vecteur des
paramètres Θ = [θ1 θ2 ] impliqués dans l’équation de mouvement (2.44). Afin d’identifier
rapidement ces paramètres au moyen d’une sinusoïde conçue comme entrée optimale u(t)
du système mécanique, une analyse de la variance de l’estimateur est décrite dans ce qui
suit. Ceci nous permet de choisir de manière optimale les valeurs de l’amplitude A1 et de la
pulsation ω1 . Les séquences d’entrée [ui]i=1,...,N et de sortie [xi]i=1,...,N sont mesurées d’une
manière synchronisée à chaque période d’échantillonnage Te . Par conséquent, nous obtenons
les relations linéaires suivantes à partir de ces mesures :
Yk = Xk Θ + ρk , m < k ≤ N, (2.45)
où Xk = [(ẋi )e xi ]i=m+1,...,k est la matrice de régression et Yk = [ui − (ẍi )e ]i=m+1,...,k représente

le vecteur des signaux observés. Par ailleurs [ẋi ]e et [ẍi ]e désignent respectivement une estimation
de vitesse et d’accélération à chaque instant ti = iTe . Nous supposons que ρk est une suite de
variables gaussiennes indépendantes de moyenne nulle et de variance connue σ%2 due à la fois
aux bruits de mesure $ et aux erreurs d’estimation de la dérivée. L’entier m est égal à la valeur
minimale nécessaire pour calculer [ẋi ]e et [ẍi ]e . Habituellement, l’estimation des dérivées est
calculé grâce à un filtre de differentiation fini. La problématique revient à estimer Θ en se basant
sur les mesures et les observations. Nous considérons la situation lorsque les observations sont
obtenues au fur et à mesure. Dans ce qui suit, une estimation récursive est développée. Au
lieu de recalculer les estimations avec toutes les données disponibles, les paramètres issus de
l’estimation précédente sont mis à jour avec le nouvel échantillon. Le filtre de Kalman-Bucy est
écrit sous la forme d’un algorithme récursif. Il est est donné par la structure suivante :

T
T
−1


 Kk+1 = Pk Xk+1 Rk+1 + Xk+1 Pk Xk+1 ,

 α
k+1 = Yk+1 − Xk+1 Θ̂k ,
(2.46)


 Θ̂k+1 = Θ̂k + Kk+1 αk+1 ,
λ−1 [Pk − Kk+1 Xk+1 Pk ] ,

 P
k+1 =
où Θ̂k est le vecteur d’estimation des paramètres inconnus après les premiers k échantillons
et λ ∈]0, 1] représente le facteur d’oubli qui réduit l’influence des anciennes données dans le
processus de prédiction. En particulier, si λ = 1 alors toutes les données sont prises en compte
de la même manière. Dans cet algorithme (2.46), on constate que le vecteur Θk et la matrice Pk
sont impliqués dans la récurrence. Pour initialiser la récurrence nous devons fournir les valeurs
initiales de ces variables. Nous avons choisi alors d’appliquer une solution aux moindres carrées
ordinaire (2.11) de ce problème d’initialisation à l’aide d’échantillons issus des m premières
mesures. On calcul alors :
(
T −1
Pm = (Xm Rm Xm )−1 ,
Θ̂m = Pm Bm , where T −1
(2.47)
Bm = Xm Rm Ym .
4.3 Estimation par le filtre de Kalman-Bucy 63
Notons :
α(i) = k − max{i − m, k} pour i ∈ {m + 1, . . . , k} . (2.48)
Après k ≥ m échantillons empilés, en appliquant les récurrences (2.46) initialisées par (2.47), on
peut obtenir l’estimation suivante :
Pk
λα(i) Xi Yi
Θ̂k = Pi=m+1
k
, (2.49)
α(i) X 2
i=m+1 λ i
Xk σ%2
avec Kk = Pk et Pk = Pk . (2.50)
α(i) X 2 α(i) X 2
i=m+1 λ i i=m+1 λ i
4.3.1 Analyse de la variance
Dans ce paragraphe, nous nous intéressons à l’analyse de la variance de l’estimateur donné

par la relation (2.49), dans le but de trouver la trajectoire de référence u(t), à savoir les valeurs
de (A1 )opt et (ω1 )opt , qui permettent de minimiser la variance de (2.49). Dans ce cas, la valeur
(ω1 )opt
de (ω1 )opt est étudiée en fonction de la pulsation optimale Zopt = . L’expérience montre
ω0
que pour des systèmes industriels, les structures sont très faiblement amorties. Ainsi, en vue de
simplifier l’étude de variance, le paramètre θ1 = 2ζω0 est supposé nul. Cette hypothèse permettra
de simplifier l’étude de la variance du filtre de Kalman-Bucy. En outre, cette approximation aura
lieu uniquement dans le but d’effectuer l’étude de variance de Θ, notée V ar(Θ) en fonction de
ω1
Z= . Ceci est réalisé afin de trouver une expression de la variance de l’estimateur récursif.
ω0
Cependant, l’algorithme de Kalman-Bucy sera reconstruit au moyen des équations (2.45) et
(2.46) en vue d’estimer les paramètres inconnus θ1 et θ2 sur la base du calcul de l’expression
de la variance. Sous cette hypothèse, Θ sera uniquement limité à la variable scalaire θ2 . Par
ailleurs, la régression Xk est réécrite Xk = [xi ]i=m+1,...,k . La solution explicite de cette équation
différentielle réduite devient :
A1 [ω1 sin(ω0 t) − ω0 sin(ω1 t)]

x(t) = . (2.51)
ω0 (ω12 − ω02 )
Nous notons Pk = ((Xk Rk−1 Xk )T )−1 , avec Rk la matrice diagonale :
Rk = diag(r1 , . . . , rk−m ), (2.52)

| {z }
k−m fois
où rj > 0 et ek = Yk − Xk Θ̂k−1 est l’erreur d’estimation a priori. Par conséquent, le filtre

de Kalman-Bucy se compose en deux étapes. La première concerne une estimation de Θk en
utilisant les informations déjà disponibles à l’instant k tandis que la deuxième fournit une mise
à jour du processus d’innovation (erreur a priori), notée αk+1 dans (2.46), afin d’estimer Θk+1
à partir des mesures Yk+1 , la régression Xk+1 et Θk . En fait, ρk représente un vecteur de bruit
blanc de moyenne nulle. Il est défini par la fonction d’auto-corrélation :
(
σρ2 , τ = 0,
E[ρ(t)ρ∗ (t − τ )] = (2.53)
0, τ 6= 0.
Concernant la matrice Pk , elle représente la matrice des variances covariances de l’erreur

d’estimation :
Pk = cov[ek ] = E[(Θ̂k − Θ)T (Θ̂k − Θ)].
Les développements qui suivent, sont basés sur l’algorithme de Kalman-Bucy avec un écart fixe,
par exemple, pour tout k ≥ m, rk−m = σ%2 . De ce fait, en appliquant la propriété de linéarité de
la variance, on obtient l’expression suivante à partir de (2.49) :
k
σρ2 λ2α(i) Xi2
P
i=m+1
V ar(Θ̂k ) = 2 . (2.54)
k
λα(i) Xi2
P
i=m+1
La relation (2.54) peut être exprimée en utilisant la solution explicite (2.51), comme suit :
σρ2
V ar(Θ̂k ) = K(Z, λ, ω0 , Te , m, k), (2.55)
A21
où
k
(ω02 (Z 2 − 1))2 λ2α(i) (Z sin(ω0 ti ) − w0 sin(Zω0 ti ))2
P
i=m+1
K(Z, λ, ω0 , Te , m, k) = 2 . (2.56)
k

2
λα(i) (Z
P
sin(ω0 ti ) − ω0 sin(Zω0 ti ))
i=m+1
La minimisation de la variance de l’estimateur récursif asymptotique peut être obtenue en

augmentant l’amplitude A1 de la force en entrée. Cependant, cette stratégie est naturellement
ω1
limitée par les contraintes physiques. Concernant l’effet du rapport Z = , il est évoqué dans
ω0
le paragraphe ci dessous.
4.3.2 Influence du facteur d’oubli λ sur la convergence de l’estimateur
Dans une première série d’expérience, nous étudions numériquement l’influence du facteur
d’oubli λ sur la valeur de K(Z, λ, ω0 , Te , m, k) comme illustré dans la figure 2.20. En effet, la
figure 2.21 montre le logarithme de K(Z, λ, ω0 , Te , m, k) en fonction d’une discrétisation de Z
dans l’intervalle [0.01, 2] où la période d’échantillonnage Te = 0.001 s, k = 100 et m = 3. Un
ensemble de valeurs du facteur d’oubli λ = {0.95, 0.98, 0.99, 1} est sélectionné. Comme nous
pouvons le constater, λ = 1 est toujours la valeur optimale pour notre application dans le cas
d’une estimation par ce type de filtre.
4.3.3 La trajectoire d’entrée optimale
En choisissant la valeur de λ = 1, on a :
ω04 (Z 2 − 1)2
K(Z, ω0 , Te , m, k) = k
. (2.57)
P 2
(Z sin(ω0 ti ) − sin(Zω0 ti ))
i=m+1
4.3 Estimation par le filtre de Kalman-Bucy 65
20
lambda = 0.95
lambda=0.98
18
lambda=0.99
lambda=1
log(K(Z,lambda,w0,0.001,3,1000)) 16
14
12
10
4
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Z=w1/w0
F IGURE 2.20: Influence du facteur d’oubli λ en analyse de variance
4
x 10
3.5
k=1000
k=2000
3
k=5000
k=10000
K(Z,R,w0,0.001,3,k)
2.5
1.5
0.5
0
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Z=w1/w0
ω1
F IGURE 2.21: Influence du rapport Z = pour la conception de la trajectoire optimale
ω0
Un développement en série de Taylor à Z = 1 nous permet de conclure que la valeur minimale est
obtenue pour Z = 1, c’est-à-dire (ω1 )opt . La figure 2.21 représente la valeur de K(Z, ω0 , Te , m, k),
(2.57) en fonction de Z pour des nombres différents de k échantillons. Les autres paramètres sont
les mêmes que ceux utilisés dans le paragraphe précédent. En guise de conclusion, nous pouvons
affirmer qu’en étudiant l’influence du facteur d’oubli proposé dans l’algorithme des moindres
carrées récursifs et étudié dans le cas d’un filtre de Kalman-Bucy, nous validons l’estimateur
classique où λ = 1. Pour une excitation sinusoïdale, la trajectoire d’entrée optimale garantissant
un temps de convergence réduit est donnée par Zopt = 1 correspondant à (ω1 )opt = ω0 où
la variance de l’estimateur est minimisée. En outre, pour l’algorithme récursif, le nombre
d’échantillons k contribue fortement à la minimisation de la variance. De ce fait, plus Z s’écarte
de 1, plus nous devenons sensible au nombre d’échantillons stockés k.
4.4 Estimation par la technique algébrique
Dans cet exemple nous considérons que b0 = 1, a2 = 1 où n = 2 et m = 0. Ainsi nous

avons a1 = θ2 et a2 = θ1 . Les deux paramètres θ1 et θ2 sont alors estimés à partir de la relation
d’entrée sortie (2.44). En appliquant les différentes équations issues de (2.30), nous obtenons
l’expression suivante qui fournie les relations entre les deux paramètres inconnus (P = 2) en
fonction d’intégrales portant sur la sortie x(t) et l’entrée u(t) :
∆P Θ̂ = ∆Q
! ! !
F0,1 [y(t)] F1,1 [y(t)] θ̂2 −F2,1 [y(t)] + F0,1 [u(t)] (2.58)
=
F0,2 [y(t)] F1,2 [y(t)] θ̂1 −F2,2 [y(t)] + F0,2 [u(t)]
2 Rt !
X ci,j 0 (t − τ )3−i−j+p (−τ )j f (τ )dτ 2 i!
où Fi,p [f (t)] = et ci,j = . Si ∆P est in-
(2n − i − j + p − 1)! j (i + j − 2)!
j=2−i
versible, alors une estimation de Θ est donnée par :
!
θ2
= ∆P −1 ∆Q. (2.59)
θ1
5 Simulations et analyse
Nous considérons le système mécanique modélisé par l’équation de mouvement décrite

en (2.44). Soit x(t) un signal de position altéré par un bruit blanc de moyenne nulle et une
variance connue. Ce signal bruité est construit à l’aide d’une séquence de variables aléatoires
via l’instruction awgn dans le package Matlab qui permet d’ajouter un bruit blanc gaussien au
vecteur initial x(t). La période d’acquisition des k échantillons disponibles, notée Te , est fixée à
1 ms. Le niveau de bruit est mesuré! par le rapport signal sur bruit et est exprimé en dB, avec
P 2
|x(tk )|
SNR = 10 log10 Pk 2 . L’excitation du système consiste en une entrée sinusoïdale de la
k |ρ(tk )|
forme u(t) = A1 sin(ω1 t). On peut écrire alors :
ẍ(t) + θ1 ẋ(t) + θ2 x(t) = A1 sin(ω1 t). (2.60)
Les paramètres de simulation sont fixés tel que, le coefficient d’amortissement ζ = 0.1, la
fréquence modale f0 est égale à 10 Hz et la masse de la charge M = 10 Kg. Dans les paragraphes
qui suivent, nous comparons la robustesse du filtre de Kalman-Bucy et l’estimateur algébrique
concernant l’estimation de la fréquence naturelle du système faiblement amorti. La figure 2.22
démontre l’influence de l’amplitude A1 de l’entrée sinusoïdale sur l’estimateur de Kalman-Bucy
en concordance avec la théorie développée pour différentes valeurs choisies. En effet, dans le
paragraphe § 4.3.1, nous montrons que la minimisation de la variance de l’estimateur (2.55)
dépend aussi de l’amplitude A1 . Par ailleurs, plus l’amplitude est importante, plus la variance
est minimale. Les simulations sont effectuées pour un SNR infini et un rapport Z = 1. Certes,
cette amplitude dépend essentiellement des caractéristiques de l’actionneur. Cependant nous
montrons qu’il est préférable d’exploiter le maximum d’énergie disponible.
5.1 Etude comparative et analyse des performances 67
12
10
8
f0
Fréquence simulée
4 Fréquence estimée − A =100 N
1
Fréquence estimée − A =200 N
1
Fréquence estimée − A =300 N
1
2
Fréquence estimée − A1=400 N
Fréquence estimée − A1=500 N
0
0 1 2 3 4 5 6 7 8 9 10
Temps (s)
F IGURE 2.22: Influence de l’amplitude A1 sur l’estimation paramétrique par le filtre de Kalman-Bucy
5.1 Etude comparative et analyse des performances
Afin de comparer les performances de la méthode algébrique et l’estimateur récursif, nous

générons des simulations numériques avec différents niveaux de bruits permettant d’illustrer la
robustesse des estimateurs. Ces estimations sont menées autour de deux grandeurs importantes
ω1
qui témoignent de leur robustesse, à savoir le rapport signal sur bruit SNR et le rapport Z = .
ω0
Par application des résultats trouvés dans le paragraphe nous procédons à l’identification
paramétrique récursive. La figure 2.23 montre l’estimation de la fréquence f0 pour un SNR
∈ {25, 50, 80} dB et A1 = 300 N. Nous constatons que plus le niveau de bruit est important
(rapport signal sur bruit minimale), plus l’écart d’estimation est grand. Par exemple, pour
un SNR égale à 25 dB, l’erreur d’estimation relative après la convergence est égale à 19%. Le
tableau 2.2 illustre l’erreur relative d’identification (écart) après la stabilisation de l’estimateur :
L’approche algébrique est mise en oeuvre pour ces mêmes valeurs du SNR. Cette étude vise à
SNR (dB) 25 50 80
écart (%) 19 0.4 0.3
Temps de convergence/stabilisation (s) 2.5 1.2 0.8
TABLE 2.2: Performance de l’estimateur récursif de type Kalman-Bucy
élaborer une comparaison entre ces deux approches tout en investiguant leurs performances
en tenue de rejet de bruit, de rapidité de convergence et de stabilité. La figure 2.24 montre
l’estimation de la fréquence f0 . Ainsi, le tableau 2.3 illustre ces performances.
40
Fréquence simulée
Fréquence estimée − SNR=25 dB
35
30
25
f0
20
15
10
0
0 1 2 3 4 5 6 7 8 9 10
Temps (s)
(a) Estimation récursive pour SNR = 25 dB
11
Fréquence simulée
10.8
10.6
10.4
10.2
f0
10
9.8
9.6
9.4
9.2
9
0 1 2 3 4 5 6 7 8 9
Temps (s)
(b) Estimation récursive pour SNR = 50 dB
10.5
Fréquence simulée
10.4
10.3
10.2
10.1
f0
10
9.9
9.8
9.7
9.6
9.5
0 1 2 3 4 5 6 7 8 9 10
Temps (s)
(c) Estimation récursive pour SNR = 80 dB
F IGURE 2.23: Estimation de la fréquence f0 via le filtre de Kalman-Bucy pour différents SNR
5.1 Etude comparative et analyse des performances 69
12
Fréquence simulée
10
f0
6
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps (s)
(a) Estimation non asymptotique pour SNR = 25 dB
12
Fréquence simulée
10
8
f0
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps (s)
(b) Estimation non asymptotique pour SNR = 50 dB
12
Fréquence simulée
10
8
f0
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps (s)
(c) Estimation non asymptotique pour SNR = 80 dB
F IGURE 2.24: Estimation de la fréquence f0 via l’approche algébrique pour différents SNR
SNR (dB) 25 50 80
écart (%) 1.3 1.4 1
Temps de convergence/stabilisation (s) 0.062 0.044 0.028
TABLE 2.3: Performance de l’estimateur basée sur l’approche algébrique
5.2 Motivation dans le choix de la méthode d’identification
La campagne de comparaison entre la technique d’estimation algébrique et le filtre de

Kalman-Bucy montre que les deux approches n’admettent pas les mêmes propriétés de conver-
gence. En effet, pour un niveau de bruit élevé (SNR = 25 dB), l’approche algébrique assure
une erreur d’estimation 14 fois inférieure comparée à l’approche récursive. Cela est dû à un
paramètre de réglage important qui est la taille de la fenêtre glissante. En effet, plus la taille
de la fenêtre est importante, plus le bruit de mesure initial est filtré en le moyennant le long
de l’intervalle d’observation. De plus, l’estimation algébrique est réalisée via une intégration
des polynômes exprimés en fonction des entrée et des sortie du système, d’où l’aspect filtrage,
contrairement à l’approche récursive qui nécessite la dérivation des signaux afin de mettre en
oeuvre le régresseur. En outre, les graphes montrent que l’identification algébrique est beaucoup
plus rapide. Pour un rapport bruit sur signal faible de 25 dB, l’estimateur algébrique est 40 fois
plus rapide que le filtre de Kalman-Bucy. Ceci présente un avantage majeur pour une estimation
paramétrique en ligne. Pour résumer, l’estimation de paramètres par le filtre de Kalman-Bucy est
sensible au point de départ (paramètres initiaux) ce qui n’est pas le cas de l’approche algébrique.
Par conséquent, en se basant sur ses avantages, nous nous intéressons, dans la suite de ce
chapitre, à l’estimation des paramètres non stationnaires via l’approche non asymptotique.
5.3 Détection non asymptotique de la variation paramétrique
La détection de la variation paramétrique présente un intérêt important dans de nombreuses

applications telles que les changements brusque des propriétés fréquentielles des signaux
mesurés dans les processus naturels et industriels. Ainsi, il existe de nombreuses applications où
certains paramètres du processus varient dans le temps en raison du comportement dynamique
du système ou suite à un changement physique interne. Par exemple, l’inertie équivalente d’un
bras du robot manipulateur peut subir une variation non négligeable lorsque la configuration
change. Cela peut nécessiter une mise à jour rapide de la loi de commande en vue de s’adapter
à de telles situations. La détection de ces changements est une problématique de recherche très
intéressante. Selon le type d’application, la procédure d’estimation de la variation s’effectue une
fois que l’acquisition ou l’enregistrement de la totalité du signal est achevée. Dans ce cas, on
parle de l’estimation hors ligne. Cependant, cette estimation est requise au fur et à mesure que le
protocole d’acquisition est actif. Nous parlons alors de détection en ligne. De nombreux travaux
se sont consacrés à cette problématique dans sa forme générale. Nous pouvons nous référer à
[Basseville and Nikiforov, 1993] pour une présentation introductive contenant de nombreux
exemples d’applications et aussi à [Trapero et al., 2007], [Rezk et al., 2008], [Fliess et al., 2010] et
[Tiganj et al., 2012] pour des études en lien avec nos travaux. En outre, nous nous appuyons
sur la nature non-asymptotique et donc temps réel des estimateurs algébriques afin de détecter
rapidement ces variations. Cette partie sera revisitée et utilisée dans la section 4 du chapitre 4.
5.3 Détection non asymptotique de la variation paramétrique 71
Considérons un comportement vibratoire d’un système mécanique dont le mouvement peut

être simplement décrit par l’équation suivante :
x(t) = Asin(ω0 t + φ), (2.61)
où A, ω0 = 2πf0 et φ désignent respectivement l’amplitude, la pulsation et la phase des vibrations

induites. Ce signal est solution de (2.31) où ζ = 0.
5.3.1 Détection du changement brusque de fréquence
Nous simulons une variation de la fréquence f0 dans la plage {5, 10, 18} Hz. Cette variation
consiste à un saut de la fréquence propre du signal x(t) après une durée finie. Bien que
l’estimateur algébrique soit développé initialement pour des systèmes LTI avec coefficients
stationnaires, nous exploitons ici son caractère non asymptotique où nous disposons d’un
réglage lié à la taille de la fenêtre glissante Tf . Si Tf est suffisamment petit, nous pouvons
garantir une convergence plus rapide. Néanmoins, il faut toujours trouver un compromis entre
sa taille et l’effet du bruit de mesure sur l’estimation. En outre, En effet, plus la taille de fenêtre
est grande, plus l’estimateur devient robuste aux signaux bruités. L’estimation de la pulsation
propre ω0 est alors donnée dans le domaine temporel par l’estimateur (2.33). Dans le cas d’une
fenêtre glissante il s’exprime comme (2.42). Des singularités peuvent apparaître notamment
quand la stabilisation de (2.42) est obtenue. Dans ce cas, la pulsation est alors indéterminée.
L’estimation par la médiane évite alors cette situation.
Afin d’étudier la robustesse de la méthode algébrique vis à vis de la détection de la variation

paramétrique, nous réalisons plusieurs simulations numériques. Nous centrons notre attention
autour des quantités tels que : le rapport signal-sur-bruit(SNR), la taille de la fenêtre d’estimation
Tf et la variance des estimations obtenues. Le signal x(t) initialement non bruité est donné
par la figure 2.25. La longueur du signal est de 15 secondes et la fréquence d’acquisition est
fixée à 1000 Hz, soit 15000 échantillons. La méthode de Simpson est utilisée pour discrétiser
les intégrales dans (2.42). Un aperçu sur le contenu fréquentiel du signal figure dans le graphe
2.26. L’estimateur algébrique (2.42) est programmé en MATLAB. Ainsi, l’équation (2.42) est
implémenté avec un pas fixe. Le pas dans ce cas est alors égale à la période d’échantillonnage Te
utilisée pour l’acquisition des données c’est à dire 1 ms. Par conséquent, la variable ω0 (t) notée
ω0 [nTe ] = ω0 [n], est obtenue en évaluant (2.42) en tn = nTe , n = 1, 2, .... Notons que le processus
d’estimation paramétrique opère sur une fenêtre d’intégration glissante en vue d’obtenir une
estimation à caractère "temps réel". La figure 2.27 illustre les résultats de la simulation pour
une estimation de la fréquence fˆ0 dans le cas où le signal x(t) n’est pas bruité. Ainsi, la taille
minimale de la fenêtre glissante d’intégration garantissant une estimation propre de la fréquence
est égale à 8 échantillons soit 8 ms après la mise en route de l’estimateur. Nous montrons que
pour cette valeur de Tf l’erreur d’estimation paramétrique ne dépasse pas 0.24 %. Pour avoir
une idée sur la performance de la méthode algébrique comparée à d’autres approches non
paramétrique standard, nous comparons nos résultats à ceux obtenus par une transformée de
Fourier à court terme ou transformée de Fourier locale (en anglais Short-Time Fourier Transform
"STFT"). Nous avons appliqué la STFT sur le signal x(t) où nous retrouvons que la taille de
la fenêtre glissante permettant de générer des résultats corrects est de 400 échantillons (Cf.
5 Hz 10 Hz 18 Hz
10
2
x(t)
−2
−4
−6
−8
−10
0 2 4 6 8 10 12 14 16
Temps (s)
F IGURE 2.25: Signal composé de trois séquences consécutives et pour f0 variable
4
x 10
3
2.5
2
|Y(t)|
1.5
0.5
0
0 5 10 15 20 25
Fréquence (Hz)
F IGURE 2.26: Transformée de Fourier de x(t)
figure 2.28). L’approche algébrique est donc plus efficace dans le cas d’estimations en ligne.
Nous analysons maintenant l’influence du bruit appliqué au signal sinusoïdal sur la robustesse
de l’estimateur vis-à-vis du SNR. Nous ajoutons un bruit blanc gaussien au signal x(t) avec
un rapport signal sur bruit ∈ {10, 15, 20, 25, 30, 50} dB. Soient fˆ01 , fˆ02 et fˆ03 les fréquences
naturelles identifiées pour les trois intervalles. La figure 2.29 montre un exemple de signal brut
x(t) de SNR égale à 10 dB. Ainsi, la figure 2.30 donne un aperçu sur la détection de la variation
fréquentielle par les deux méthodes cités auparavant. Nous proposons une étude numérique
30
25
Fréquence estimée f0 (Hz)

20
15
10
0
0 5 10 15
Temps (s)
F IGURE 2.27: Détection de la variation fréquentielle pour un signal x(t) non bruité
10
Fréquence estimée (Hz)
15
20
25
30
35
40
2 4 6 8 10 12 14
Temps (s)
F IGURE 2.28: Spectrogramme de x(t) non bruité
empirique permettant de donner la longueur de la fenêtre glissante en fonction du niveau du

bruit du signal afin de garantir un seuil de précision demandé, basé sur l’erreur :
|ω̂0 − ω0 |
P AE(100%) = 100 ∗ . (2.62)
ω0
Nous constatons que l’approche algébrique offre une estimation de f0 pour une fenêtre glissante
de 72 échantillons garantissant ainsi une erreur d’estimation inférieure à 5 %. Pour garantir
20
Signal bruité SNR = 10 dB
Signal de base
15
10
5
y(t)
−5
−10
−15
−20
0 2 4 6 8 10 12 14 16
Temps (s)
F IGURE 2.29: x(t) bruité avec un SNR = 10 dB
une estimation à ± 3 %, 80 échantillons sont nécessaires. L’approche non paramétrique permet

une estimation correcte du saut fréquentiel seulement après 400 échantillons. L’estimation
algébrique est non biaisée et elle est peu sensible à un niveau élevé de bruit. Ceci présente
un avantage majeur. La figure 2.31(a) présente une étude réalisée sur les performances de
30
20
10
0
0 5 10 15
10
20
30
40
2 4 6 8 10 12 14
Temps (s)
F IGURE 2.30: Estimation algébrique de la variation fréquentiel pour x(t) bruité avec un SNR = 10 dB (en
haut). Spectrogramme de la STFT (en bas).
l’estimateur algébrique dans un environnement bruité. Ainsi, pour chaque niveau de bruit nous
présentons la valeur de fˆ0i , i = 1, 2, 3 pour chaque palier en fonction du SNR. Tandis que la
figure 2.31(b) illustre la taille de la fenêtre glissante adéquate pour une erreur d’estimation
inférieure respectivement à 5 % et 3 % . Ceci montre que plus le niveau de bruit est grand, plus
on a besoin d’une taille de fenêtre glissante plus importante permettant de jouer le rôle d’un
filtre moyenneur. Ceci se transpose aussi pour une précision de l’ordre de 3 %. Nous donnons
alors la taille de fenêtre d’estimation minimale en fonction du niveau de bruit.
L’approche algébrique basée sur le calcul opérationnel permet une estimation robuste et
rapide. Le caractère non-asymptotique permet d’estimer le paramètre inconnu en temps fini. Ce
temps dépend du niveau de bruit du signal. Les expériences montrent que l’estimation après
un changement brusque de la fréquence nécessite une taille de la fenêtre glissante de l’ordre
de 71 échantillons pour une période d’échantillonnage de 1 ms et un SNR égale à 10 dB. Cette
méthode est donc très intéressante comparativement aux approches non paramétriques telles
que la STFT. De plus, il n’est pas nécessaire de régler des paramètres extérieurs comme un gain
par exemple, ce qui facilite l’implantation.
5.3.2 Vers la détection d’une variation linéaire de la fréquence
Dans le paragraphe § 5.3.1 nous avons considéré une variation rapide et discontinue de
la fréquence. Dans cette section nous nous intéressons plutôt à une variation paramétrique
lente où la variation fréquentielle est décrite par une fonction linéaire dépendante du temps.
L’estimation de cette de variation est utile dans le cas de nombreuses applications en traitement
du signal ou pour l’identification de processus. Nous pouvons citer par exemple le cas des
robots cartésien [Colas, 2007] où l’évolution de la fréquence du mode de déformation principal
des axes X et Y varie linéairement en fonction de la position du bras Z mobile. De ce fait, cette
évolution doit être rapidement estimée afin d’anticiper le contrôle vibratoire adéquat en vue de
minimiser les oscillations causées au cours et en fin de mouvement [Béarée and Olabi, 2013].
Une autre application concerne une variation selon un signal de type "Chirp linéaire" où la
fréquence dépend linéairement du temps. Ce type de signal est classiquement employé pour
l’identification de la fonction de réponse fréquentielle d’un processus. Il s’exprime de la forme
suivante : (f2 − f1 ) 2
x(t) = A sin 2π f1 t + π t , (2.63)
T
où f1 est égale à 3 Hz et f2 est égale à 18 Hz. La fréquence évolue linéairement en fonction du
temps entre 3 et 18 Hz (Cf. figure 2.32). L’estimateur de fréquence donné par (2.42) est appliqué
à x(t) afin d’estimer la variation paramétrique du sinus. La période d’échantillonnage est égale à
1 ms et la taille de la fenêtre est de 28 échantillons. Cette dernière doit être strictement inférieure
à la première fréquence du spectre (3 Hz). La figure 2.33 donne un aperçu de l’estimation
non asymptotique de cette variation fréquentielle. La figure 2.34 illustre l’erreur d’estimation
fréquentielle. Bien que l’estimation présente une erreur n’excédant pas 3%, cette courbe d’erreur
montre des discontinuités reflétant les artefacts numériques dus au caractère rationnel de
l’estimateur. Ces simulations montrent l’utilité de l’estimation algébrique pour les systèmes
à paramètres non stationnaires. Comme l’expérience le montre, une estimation temps réel est
possible pour des variations paramétriques linéaires.
25
f0
1
f0
2
f0
20 3
15
f0 (Hz)
10
0
10 20 30 40 50 60 70 80
SNR (dB)
(a) Valeur médiane de l’estimation des fréquences naturelles pour les trois niveaux pour
différents SNR en dB. La barre verticale désigne la déviation standard
80
Erreur d’estimation inférieure à 5%
Erreur d’estimation inférieure à 3%
70
60
50
Tf (échantillons)
40
30
20
10
0
10 20 30 40 50 60 70 80
SNR (dB)
(b) Taille de la fenêtre glissante en fonction du niveau de bruit
F IGURE 2.31: Etude de la robustesse de l’approche algébrique vis-à-vis du bruit de mesure
6 Conclusion
Ce chapitre concerne l’étude de l’estimation paramétrique d’un modèle d’axe de manipu-

lateurs industriels où le processus est de type LTI. Nous donnons dans le cas des estimateurs
algébrique, une nouvelle identification au sens de la médiane. Nous comparons ensuite ces
estimateurs au filtre de Kalman-Bucy. Nous montrons que cette estimation est plus robuste et
6 Conclusion 77
100
80
60
40
20
x(t)
−20
−40
−60
−80
−100
0 2 4 6 8 10 12 14 16 18
Temps (s)
F IGURE 2.32: Signal de type Chirp dont la fréquence varie linéairement entre 3 et 18 Hz
30
Fréquence réelle
Fréquence estimée
25
20
Fréquence (Hz)
15
10
0
0 2 4 6 8 10 12 14 16 18 20
Temps (s)
F IGURE 2.33: Estimation de la variation fréquentielle linéaire par la méthode algébrique
permet de qualifier le caractère non asymptotique de ces techniques. Une analyse de la variance
de l’estimateur de Kalman-Bucy permet de bien choisir les paramètres adéquats de l’entrée
sinusoïdale d’excitation à savoir l’amplitude et le rapport de la pulsation propre du système sur
la pulsation de l’excitation. Des simulations montrent que l’approche algébrique présente des
bonnes propriétés de robustesse par rapport aux bruits et une très bonne rapidité de conver-
gence. Nous nous intéressons ensuite à l’estimation de paramètres variant linéairement ou
brusquement. Nous montrons que l’approche algébrique non asymptotique, permet d’estimer
Erreur d’estimation (Hz)

2
−1
−2
0 2 4 6 8 10 12 14 16 18
Temps (s)
F IGURE 2.34: Erreur d’estimation de la variation fréquentielle linéaire
cette variation paramétrique en un temps fini via une fenêtre glissante. Nous proposons dans les
chapitres suivants de l’appliquer à l’estimation des paramètres du modèle d’axe d’un système
robotisé.
Chapitre 3
Etude de l’influence des phénomènes

dynamiques sur un axe d’un robot
industriel
Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2 Constat expérimental du comportement dynamique d’un axe de robot et pro-
position d’un modèle représentatif . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.1 Axe étudié et moyens de mesures . . . . . . . . . . . . . . . . . . . . . . 80
2.2 Développement du protocole d’essai . . . . . . . . . . . . . . . . . . . . . 84
2.3 Mise en évidence des phénomènes vibratoires . . . . . . . . . . . . . . . 86
3 Estimation des effets associés à la gravité . . . . . . . . . . . . . . . . . . . . . 93
4 Estimation des forces de frottements . . . . . . . . . . . . . . . . . . . . . . . . 95
4.1 Caractérisation du couple de frottement sec . . . . . . . . . . . . . . . . . 96
4.2 Influence du frottement en zone de pré-glissements sur la précision
statique du robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.3 Estimation du couple de frottement total . . . . . . . . . . . . . . . . . . 99
5 Estimation du moment d’inertie du bras . . . . . . . . . . . . . . . . . . . . . . 106
6 Evaluation expérimentale du modèle dynamique rigide . . . . . . . . . . . . . 107
6.1 Validation par estimation séquentielle des paramètres physiques . . . . 107
6.2 Validation par une estimation simultanée des paramètres . . . . . . . . . 110
7 Intégration du comportement vibratoire de l’axe . . . . . . . . . . . . . . . . . 111
7.1 Modèle générique de souplesse prépondérante . . . . . . . . . . . . . . . 111
7.2 Analyse expérimentale des phénomènes vibratoires . . . . . . . . . . . . 111
7.3 Estimation paramétrique expérimentale . . . . . . . . . . . . . . . . . . . 113
7.4 Validation temporelle du modèle dynamique souple . . . . . . . . . . . 121
8 Bilan sur la compréhension des phénomènes physiques et la modélisation
générique d’un axe souple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
80 industriel
1 Introduction
’objectif de ce chapitre est de proposer un modèle d’axe de robot industriel représentatif

L du comportement dynamique constaté expérimentalement. Ce modèle sera notamment
exploité dans le chapitre 4 afin d’améliorer les performances de la commande du système.
La démarche de modélisation mise en oeuvre intègre les principaux phénomènes physiques

mis en évidence et justifiés par des campagnes d’essais expérimentales. Ainsi, les effets de la
gravité, des systèmes mécaniques de compensation associés et des forces de frottements sont
naturellement incorporés. Dans un second temps, le modèle est augmenté afin d’y intégrer les
phénomènes vibratoires influençant le comportement dynamique de la charge.
De façon concomitante, l’estimation et l’identification des paramètres du modèle proposé

sont au cœurs de ce chapitre. Des algorithmes d’estimation non-asymptotiques sont notamment
mis en œuvre afin de permettre une évaluation des fréquences propres perturbant la dynamique
de l’axe. L’intérêt de la mise en œuvre de ce type de méthode d’estimation réside dans la rapidité
d’obtention des paramètres recherchés. Ce dernier point, illustré par des résultats expérimentaux,
permet d’envisager une implantation de ces estimateurs en temps-réel et donc un suivi et une
réaction rapide de la commande aux variations paramétriques inhérentes à la structure sérielle
du robot étudié.
2 Constat expérimental du comportement dynamique d’un axe de robot et propo-

sition d’un modèle représentatif
2.1 Axe étudié et moyens de mesures
2.1.1 Axe du robot considéré
Dans ce chapitre, l’axe 2 du robot démonstrateur est étudié. Cet axe présente tous les
phénomènes physiques classiques contribuants à la dynamique. Il est soumis de plus à l’action
d’un système mécanique de compensation de gravité. Dans le cas général, l’importance des
couples de gravité obligent le constructeur à utiliser des actionneurs puissants ou/et des
systèmes de réduction surdimensionnés sur les corps les plus sollicités [Wongratanaphisan
and Chew, 2002]. Afin de limiter ce problème, les manipulateurs sont équipés d’un système
d’équilibrage pour compenser les couples dus à la gravité. Dans le cas du robot Stäubli RX 170B,
le couple de gravité maximum que peut subir l’axe 2 est de 2060 N.m, représentant la charge
maximale lorsque les axes 2 et 3 sont alignés. L’axe 2 est équipé d’un système de compensation
mécanique à équilibrage à ressorts (Cf. figure 3.1). Ce système est composé de 4 ressorts dont la
longueur varie non-linéairement en fonction de l’angle de rotation. Ces ressorts de compensation
génèrent un couple d’équilibrage s’opposant au couple généré par le poids des composants du
robot situés en aval de cet axe : le bras 3 muni de son contrepoids, le bras 4 et le poignet. Nous
définissons le couple résiduel comme étant la différence entre le couple généré par la gravité et
le couple fourni par le système de compensation. En outre, la longueur du bras de levier de cet
2.1 Axe étudié et moyens de mesures 81
axe, contribue majoritairement à la propagation des défauts articulaires vers l’organe terminal. A
partir du présent paragraphe, seul l’axe 2 du RX170 B est étudié. Lors des divers essais statiques
et dynamiques, les autres axes sont bloqués sous asservissement dans une position : θ1 = −90˚,
θ3 = θ4 = θ5 = θ6 = 0˚.
2
Point fixe
Centre de rotation de l’axe 2
F IGURE 3.1: Système de compensation de la gravité par ressorts de traction
2.1.2 Moyens de mesure associés
Les moyens de mesures employés se divisent en deux catégories : internes et externes. Les
mesures internes sont directement fournis par la baie de contrôle du robot. L’environnement
logiciel robotique VAL3 de Stäubli † fournit les positions articulaires du moteur θm , la vitesse
angulaire θ̇m ainsi que le couple moteur noté τm . Ce couple est en réalité une image du
courant circulant dans le rotor noté im tandis que les retours en position et en vitesse sont
mesurés par des codeurs montés directement sur l’axe de rotation du rotor en amont de la
chaîne de transmission, comme le montre la figure 3.2 dans le cas d’un robot ABB IRB6600.
L’option "movetraj" permet d’injecter des trajectoires programmées par l’utilisateur qui sont
alors interpolées par la baie de commande du robot. Il existe deux façons de planifier des
mouvements destinés au manipulateur : soit une programmation directe à travers le langage de
programmation VAL3 ou bien à travers un planificateur de trajectoire dédié. Dans notre cas, la
majorité des lois de mouvements sont programmées sous Matlab via un planificateur où des
algorithmes de définition des lois de mouvements sont développés au sein de notre équipe
de recherche. Pour plus d’informations, nous renvoyons à l’annexe 2 de [Béarée, 2005]. Les
lois générées sont introduites directement dans le contrôleur du robot. Notons que la période
d’acquisition des mesures et de l’échantillonnage de la commande est de 4 ms.
†. http ://www.staubli.com/fr/robotique/logiciels-robots/staeubli-robotics-controls/langage-val3/
82 industriel
Codeur moteur
F IGURE 3.2: Exemple d’un codeur moteur du robot ABB IRB6600
Pour mesurer les défauts de la chaîne de transmission qui ne sont pratiquement pas "visibles"
par les asservissements internes, nous proposons d’utiliser un Laser Tracker de type API T3
TrackerCal. Ce système de mesure tridimensionnel est composé d’un laser interférométrique
dont le faisceau est orienté suivant deux directions par un miroir piloté par deux moteurs per-
pendiculaires. Le point mesuré est matérialisé par un coin de cube. Les coordonnées cartésiennes
du point mesuré sont obtenues à partir des coordonnées sphériques données par la mesure de
distance de l’interféromètre et les mesures d’angles des codeurs des moteurs (Cf. figure 3.5).
Ces coordonnées peuvent être mesurées en temps réel avec une fréquence d’échantillonnage
maximale de 333 Hz. Le coin de cube est réalisé par trois miroirs plans inclus dans une sphère.
Ces miroirs créent un coin de cube qui est situé au centre de la sphère. Il possède alors la
propriété de renvoyer un faisceau parallèle au faisceau incident. Ce coin de cube peut être
accroché via un support magnétique sur l’objet à mesurer, (Cf. figure 3.3(b)). Le seul impératif
(a) Tête articulée du (b) Rétroréflecteur

Laser Tracker sphérique
F IGURE 3.3: Laser Tracker API T3
est que le faisceau laser ne soit jamais coupé par un obstacle. La figure 3.4 montre l’installation
expérimentale du dispositif de mesure externe. Le laser tracker est installé à environ 1.8 mètres
du robot afin que son volume de mesure englobe le volume de travail du Stäubli RX 170B. La
2.1 Axe étudié et moyens de mesures 83
précision statique et dynamique de mesure dépend de la distance entre le retroréflecteur et

la tête articulée. La vitesse de poursuite maximale est de 4 m/s tandis que l’accélération du
dispositif est supérieure à 2 g. Ceci permet une poursuite dynamique de la cible à vitesse élevée.
Nous notons que la résolution angulaire du laser tracker est de ± 0.018 arc-secondes induisant
une résolution du système de l’ordre de 0.1µm/m. Nous désignons par α1 l’angle de rotation
F IGURE 3.4: Installation expérimentale du dispositif de mesure Laser
que forme le premier moteur de la tête articulée du laser avec la verticale Z et α2 l’angle de
rotation du moteur 2 dans le plan (X,Y). La distance entre le retroréflecteur sphérique, placé sur
le bras du robot, et l’émetteur du faisceau laser, comme illustré dans la figure 3.5 est appelée d.
Les incertitudes de mesure angulaire δα1 et δα2 des codeurs des moteurs sont de l’ordre de ±
2 arc-secondes et induisent une incertitude globale de 3.5µm/m. Tandis que l’incertitude sur
δd de l’interférométre est de l’ordre de ±10µm/m pour une distance inférieure à 5 mètres. Les
coordonnées cartésiennes sont issues de ces coordonnées sphériques. L’incertitude de mesure
dans l’espace cartésien est donc donnée par :



 δx = x d, (α 1 + δα1 ), (α 2 + δα2 ) − x d, α1 , α2 ,


δy = y d, (α1 + δα1 ), (α2 + δα2 ) − y d, α1 , α2 , (3.1)



 δz = z d, (α1 + δα1 ) − z d, α1 .

Un développement en série de Taylor à l’ordre 1 en α1 et α2 permet de déterminer l’erreur

84 industriel
Z
d
1
2
X
F IGURE 3.5: Système de coordonnée du Laser Tracker
d’approximation à l’ordre 1 des coordonnées :

 h i

 δx ' d cos(α 1 )cos(α2 )δα1 − sin(α1 )sin(α 2 )δα2 ,

 h i
δy ' d cos(α1 )sin(α2 )δα1 + sin(α1 )cos(α2 )δα2 , (3.2)



δz ' −dsin(α1 )δα1 .

|δx| |δy| |δz|

Comme les erreurs relatives , et sont majorées par ±15µm/m, il vient que
d d d
l’incertitude de mesure sur chaque coordonnée est majorée par 1.8 × 15 = 27µm. Nous faisons
l’hypothèse que dans les conditions dynamiques d’utilisation du Tracker que cette majoration
de précision reste identique.
La figure 3.6 illustre la structure de contrôle et de mesure d’un axe du robot industriel.
Nous définissons ainsi la variable θm comme étant la position du moteur mesurée par le codeur
interne et θ la position du bras mesuré par le laser tracker. Soit N le rapport de réduction de
l’articulation qui est supposée idéale et sans jeux mécaniques. Admettant que θn est la position
du rotor vue juste après l’étage de réduction, les relations entre le vecteur de position moteur
θm , θn et ses dérivées successives sont exprimés comme suit :

θ = N −1 θm ,
 n


θ̇n = N −1 θ̇m , (3.3)

θ̈n = N −1 θ̈m ,


où les estimations de la vitesse θ̇m et de l’accélération θ̈m sont obtenues par une méthode aux
différences centrées.
2.2 Développement du protocole d’essai
Les positions cartésiennes mesurées dans un repère déterminé par l’utilisateur sont
converties en positions articulaires. Pour ne pas causer un retard entre la mesure codeur et celle
2.2 Développement du protocole d’essai 85
Retour (mesures) Signales de commande

API T3 Laser Tracker
θm
Position Couple (FFW)
m
Vitesse Vitesse (FFW)
τm
Couple Vitesse
Erreur de position Position
Synchronisation entre la baie de

commande CS8 de Stäubli et le
contrôleur du Laser Tracker
Micro Interpolation
via un signal TTL de période = 4 ms
 Filtre

Axe du robot Stäubli
Boucle de
position



Boucle de
vitesse
  


im
Boucle de
courant
Période d’acquisition = 4 ms
F IGURE 3.6: Structure du contrôle et de mesures d’un axe du robot Stäubli RX 170B
du laser lors de la rotation de l’axe, nous avons développé un protocole de synchronisation

entre les deux mesures. La mesure du Tracker est déclenchée par un signal TTL émit par la
baie CS8 de Stäubli. Le principe de fonctionnement consiste à générer un front montant qui
est injecté vers la baie de commande du Laser Tracker au moment où le robot commence sa
trajectoire. La synchronisation entre les deux horloges permet d’avoir une mesure temps réel du
comportement dynamique de l’axe.
Les points mesurés lors de la rotation du bras du robot sont exprimés dans un repère
interne au Laser Tracker et forment un arc de cercle imparfait. A partir des points observés, une
approximation par un cercle au sens des moindres carrées est calculée en hors-ligne (Cf. figure
3.7). Pour extraire les positions articulaires du bras du robot à partir des mesures cartésiennes,
nous construisons un repère local dont l’origine est donnée par le centre de rotation de l’axe.
L’axe Z est alors porté par la normale au plan de ce cercle. Pour déterminer la direction de l’axe
X de ce repère local, nous mesurons un point de référence en mettant l’axe du robot à sa position
initiale i.e. θn = 0. Une fois ce repère construit, nous projetons le nuage de points mesuré dans
ce plan. A partir de ces points projetés, nous calculons une approximation de l’axe de rotation
du bras 2. Les coordonnées cartésiennes des points mesurés sont ensuite converties en positions
articulaires via l’utilisation de la fonction trigonométrique atan2(yi , xi ). La fonction atan2 est
définie comme suit :


 ϕ.sgn(y) x > 0

π
atan2(y, x) = .sgn(y) x = 0 (3.4)

 2

(π − ϕ).sgn(y) x < 0

86 industriel
F IGURE 3.7: Mesure des positions du bras avec le Laser Tracker
h πh y
où ϕ est l’angle compris dans 0, tel que tan(ϕ) = et sgn est la fonction signe. Elle permet,
2 x
contrairement à la fonction atan (arc tangente) de déterminer l’angle de rotation sur [−π, π] (Cf.
figure 3.8).
pi
xi
i
yi
F IGURE 3.8: Conversion de la position cartésienne en position articulaire
2.3 Mise en évidence des phénomènes vibratoires
La figure 3.10 illustre des relevés expérimentaux des phénomènes vibratoires qui influencent
le comportement dynamique de l’axe. La figure 3.10(a) présente la mesure des vitesses
angulaires du moteur notée θ̇n après le réducteur et celle de la charge en bout d’axe notée θ̇.
La figure 3.10(b) illustre la déformation axiale issue de la différence entre la position du bras
et la position du moteur vue après l’étage de réduction. Dans cet essai, l’axe 2 du robot opère
dans la plage de position entre 0˚ et 50˚ (Cf. figure 3.9) suite à une consigne en échelon de
vitesse égale à 0.3 rad/s. Cette vitesse représente environ 15% de la vitesse maximale admissible
de l’axe (2 rad/s). Les oscillations visibles confirment la présence de modes de déformations
associés au système mécanique. Nous constatons aussi que les vibrations du bras sont 6 fois
plus élevées que celles vues par le moteur. Sachant que le bras du robot est en position tendue
(bras vertical) où tous les axes en amont de la deuxième articulation sont alignés, l’amplitude de
cette déformation axiale de l’ordre de 5 centième de degré cause une erreur de positionnement
dynamique du TCP d’environ 1.8 mm. Ce phénomène non vu et non géré par la commande
industrielle a une influence, comme montré, qui ne peut être négligé sur la précision dynamique.
2.3 Mise en évidence des phénomènes vibratoires 87
50
45
40
35
30
Position (deg)
25
20
15
10
0
15.5 16 16.5 17 17.5 18 18.5
Temps (s)
F IGURE 3.9: Variation de la position de l’axe durant le test
De façon générale, les problèmes vibratoires se posent pour des structures assemblées
complexes pour lesquelles la description géométrique et matérielle est forcément assez
simplifiée dont les liaisons sont supposées parfaites et le comportement est majoritairement
linéaire. Ainsi, les déformées associées aux résonances sensibles dans la bande passante de la
commande sont classiquement issues des éléments constituant la chaîne de transmission de
mouvement.
En raison d’un rapport de réduction souvent élevée pour les robots manipulateurs ainsi que
les éléments de transmission mécaniques, les excitations vibratoires induites par les couples
moteurs et les perturbations dynamiques étaient jusqu’alors amoindries. Cependant, dans le
cadre de la dynamique élevée, les fortes sollicitations au niveau d’un axe du robot (axes portés,
support de broche) excitent les souplesses prépondérantes et par conséquent détériorent la
précision dynamique du système.
Actuellement, il est donc possible de distinguer deux familles de souplesses qui décrivent
les modes de déformations dominants la réponse de l’axe [Ellis, 2000] :
– les souplesses structurelles (modes de bâti) situées en amont de l’actionneur ;
– les souplesses de transmission situées en aval de l’actionneur .
Ces phénomènes sont non vus et non gérés par la commande industrielle, mais dont l’influence
sur la précision dynamique ne peut être négligée. La question qui se pose ainsi, c’est lequel
parmi ces modes de déformation est le plus dominant en vue d’obtenir un modèle générique de
souplesses d’axe mathématiquement non complexe. Pour répondre à cette problématique, nous
investiguons par la suite la contribution de chaque élément constituant l’axe considéré tout en
présentant les éléments mécaniques susceptibles d’être le siège de ces vibrations.
88 industriel
0.34
Vitesse du moteur
Vitesse du bras
0.33 Vitesse de référence
0.32
0.31
Vitesse (rad/s)
0.3
0.29
0.28
0.27
0.26
16 16.5 17 17.5 18
Temps (s)
(a) Oscillation relevées au niveau des vitesses relatives au moteur et au bras de l’axe 2
0.2
Déformation axiale (deg)
0.15
0.1
0.05
16 16.5 17 17.5 18
Temps (s)
(b) Déformation axiale mesurée
F IGURE 3.10: Relevés expérimentaux des phénomènes vibratoires
2.3.1 Contribution de la déformation des bras
Les carters de l’axe 2 sont susceptibles de se déformer. On peut alors estimer le premier
mode du modèle du bras 2 (Cf. figure 3.11). Ce bras peut être considéré comme une poutre
encastrée à une extrémité et libre de l’autre. Elle admet une masse m, une longueur L, un
moment quadratique I et un module de Young E. Elle porte une charge qui est l’ensemble des
masses des axes 3,4,5,6 notée M . Le premier mode de flexion de la poutre est calculé comme
suit, [Piersol and Paez, 2009] :

s
1 3EI
fpoutre = 33 (3.5)
2π L3 (M+ 140 m)
Les caractéristiques de cette poutre équivalente sont illustrées dans le tableau 3.1. Le module de
Young est donné par EAlu = 69.105 P a et sa masse volumique ρAlu = 27000 Kg/m3 . Le tableau
Z Z
X
X
Y
Y
F IGURE 3.11: Caractérisation d’une poutre équivalente du bras 2
présente les dimensions permettant d’obtenir une bonne approximation de la fréquence du

premier mode de vibration. Les fréquences cartésiennes de la déformation de la poutre sont
Dimensions Moment quadratique Fréquence

L = 850 mm
l = 221 mm
Iy =3.28 10−4 m4 fy = 118.47 Hz
P = 440 mm
Iz = 1.12 10−4 m4 fz = 69.22 Hz
Épaisseur (Ep) = 10 mm
0
l = l - 2×Ep
0
P = P - 2×Ep
0 0
m = ρAlu ×(lP-l P )×L = 29.42 Kg
M3,4,5,6 = 192.6 Kg
TABLE 3.1: Caractéristique de la poutre équivalente de l’axe 2
estimées autour de 69 Hz dans la direction de Z et 112.5 Hz dans la direction de Y ; elles sont

au-delà du domaine de fréquence provoquant les vibrations observées (Cf. figure 3.12). Par
conséquent, la structure de l’axe ne semble pas être à l’origine des déformations.
2.3.2 Contribution du système de compensation de gravité
Dans cette section, nous nous intéressons à l’étude de l’influence des vibrations causées
par les ressorts de compensation de gravité montés à l’intérieur du carter de l’axe 2. On notera
90 industriel
fz fy
Z
Y
X
F IGURE 3.12: Analyse fréquentielle de la déformation de la structure
qu’un mouvement de torsion de l’axe dans la direction Y robot s’accompagne d’une flexion des
ressorts. Ainsi, ces derniers peuvent également causer un mode de souplesse. Il est possible alors
de calculer leur mode vibratoire à partir de la raideur globale de ces éléments de compensation
de la gravité et la masse totale en aval donnée par le constructeur. La masse totale en aval de
l’axe 2 est égale à 315.8 Kg tandis que la raideur équivalente des ressorts est égale à 129478 N.m.
Par conséquent, la fréquence propre est estimée par
s
1 kressort
fressort = = 3.22Hz. (3.6)
2π mtotale
Ce mode de déformation est au-deçà du domaine de fréquence provoquant les vibrations

observées. En outre, les frottements estimés de l’axe et présentés dans le paragraphe §4 inhibent
l’influence de ce mode. En effet, la fréquence associée et calculée dans (3.6) n’est pas responsable
des oscillations. Cependant le couple résiduel de gravité admet un effet non négligeable sur le
couple moteur de l’axe comme montré dans le paragraphe 3.
Pour conclure, la déformation structurelle et le système de compensation de gravité ne

semblent pas être à l’origine des vibrations observées. Ce constat nous conduit, par élimination
des effets, à l’hypothèse qui consiste à considérer que les oscillations sont induites par la
souplesse des articulations. En conséquence, notre choix du modèle reposera sur celui le plus
usité correspondant à un axe dont la souplesse est concentrée au niveau de l’articulation et
soumis à un mode de transmission où la rigidité du bras est bien supérieure à celle de la chaîne
de transmission.
2.3.3 Modèle générique d’axe à paramètres localisés
On rappelle ici les hypothèses de travail considérées dans cette section :

– La dynamique électrique des actionneurs est supposée négligeable devant la dynamique
du système mécanique. La loi de mouvement est définie pour réaliser une commande en
couple. La variable de commande dans ce cas est une accélération de référence pour le
système étant donné que l’inertie est constante le long du mouvement réalisé ;
– L’influence des asservissements sur la déformation est considérée comme négligeable. La
loi de mouvement est ainsi directement imposée en entrée du système mécanique ;
– La modélisation des phénomènes de flexibilité est limitée au domaine linéaire des sou-
plesses articulaires. La flexibilité sera alors modélisée comme étant un système de trans-
mission mécanique de type deux masses, ressort et amortisseur ;
– Les jeux mécaniques ne sont pas pris en compte. On suppose que les défauts induits par
les défauts de transmission au niveau du réducteur sont majorés par ceux issus de la
souplesse ;
– Le comportement du processus ne dépend que de la configuration du robot. Les para-
mètres de modélisation sont fonctions uniquement de la position des axes ;
– Les couplages inertiels entre le rotor et les parties tournantes de l’axe sont négligés. En
effet, le rapport de réduction est assez élevé dans le cas d’un robot industriel.
La présence d’une souplesse d’articulation dans les transmissions entre les actionneurs et
les bras a une grande influence sur la dynamique du robot. Cette souplesse peut permettre
au manipulateur de s’adapter à son environnement pour la tâche qu’il a à accomplir. Cette
propriété est intéressante pour l’utilisation de robots en vue d’opérations de perçage par
exemple. Cette compliance d’instruction ne fait pas l’objet de notre étude. Comme ces souplesses
articulaires ne sont pas mesurées, les déformations angulaires engendrent une imprécision de
positionnement. Ce phénomène contribue alors à la dégradation de la précision du suivi de
trajectoires. Ainsi, les prochains paragraphes sont principalement issus des travaux présentés
dans [Oueslati et al., 2010] et [Oueslati et al., 2012].
Chaque liaison est commandée indépendamment par un servo-moteur à travers un étage

de réduction. La constante du couple km est supposée fixe, tandis que dans la réalité elle peut
varier en fonction de la vitesse angulaire du rotor. Cela est dû au fait que l’asservissement se
comporte comme un filtre passe-bas pour les courants triphasés. Ainsi, il est supposé que cet
effet ne se produit qu’à de très grandes vitesses angulaires, se rapprochant de la limite de vitesse
maximale admissible. Le système de transmission de mouvement pour chaque axe du robot est
décrit par la figure 3.13. Le couple délivré par le moteur de l’axe, noté τ , est une fonction du
courant électrique im , de l’inertie du rotor Jm et de l’accélération angulaire du rotor θ̈m :
τ = km im − Jm θ̈m . (3.7)
Soit τf le couple représentant toutes pertes par frottements au niveau des étages de réduction.
L’équation entrée-sortie de système de transmission du mouvement s’écrit alors :

N km im − Jm θ̈m − τf = T , (3.8)
92 industriel
m  N 2J m n
im   
T
km


Réducteur f
Frottement
m N
Jm
m , m n , n , n
im T
(d )
m Planificateur de Transmission

Bras du robot
mouvement moteur
m , m n , n , n
F IGURE 3.13: Schéma de principe du système de transmission
où T définit le vecteur des couples de sortie du réducteur au niveau du bras du robot. En tenant
compte de (3.3), nous obtenons une expression du couple généré par la chaîne de transmission :
τm − N 2 Jm θ̈n − τf = T , (3.9)
avec τm = N km im . Comme le système de mesure de position angulaire relatif à chaque articula-

tion n’est pas placé directement sur l’axe de rotation, mais plutôt au niveau du moteur, il est très
difficile de mesurer les effets de tous les défauts de la chaîne de transmission. Dans ce cas, nous
considérons que nous mesurons les déplacements de la partie rigide de l’articulation au niveau
du contrôleur du robot. En conséquence, le modèle de l’axe devra inclure à la fois, le modèle
dynamique rigide commandé et le comportement souple de la chaîne de transmission. Nous
proposons donc, une modélisation mixte qui prend en compte ces dynamiques. A partir de la
représentation décrite par la figure 3.14, nous en déduisons les équations suivantes :

 Jb θ̈(t) + D(θ̇(t) − θ̇n (t)) + K(θ(t) − θn (t)) + τr (t) = 0,
(3.10)
 J θ̈ (t) − D (θ̇(t) − θ̇ (t)) − K (θ(t) − θ (t)) + 1 τ (t) = 1 τ (t),
m n n n f m
N N N N
où τr (t) est la somme des couples de gravité, de la compensation du gravité et du chargement

extérieur du bras. Jb désigne l’inertie totale équivalente du bras. Nous notons K la raideur
articulaire équivalente de l’axe et D l’amortissement interne.
Dans ce qui suit, nous procédons aux calcul numérique et l’estimation expérimentale des
phénomènes dynamiques qui affectent le comportement d’un axe de robot industriel. Pour cela,
nous aurons besoin d’identifier les paramètres du modèle (3.10).
3 Estimation des effets associés à la gravité 93
Axe du robot Stäubli
N Jb
θn K, D θ
τm θm
Jm
Réducteur
Dynamique rigide Dynamique flexible
F IGURE 3.14: Modèle de d’un axe souple à constantes localisées
3 Estimation des effets associés à la gravité
Soit τg le couple de gravité appliqué sur l’axe 2 et τressort le couple généré par le déplacement
des ressorts de compensation de gravité (Cf. figure 3.1). Le couple résiduel noté, τr est exprimé
comme suit :
τr = τg − τressort . (3.11)
Le fabriquant du robot fourni des informations sur les masses des composants du robot, ainsi
que sur la position de leur centre de gravité (Cf. figure 3.15). Ces informations nous permettent
de calculer un modèle de masse assez précis du robot pour toute rotation autour de l’axe 2.
Nous faisons l’hypothèse que l’axe 1 est presque colinéaire à la direction de la gravité terrestre
locale avec une erreur angulaire très faible. Ainsi l’effet de pesanteur s’exprime au niveau de
l’axe i comme suit :
n−1
−−−→ −
τg = −k→− mk Oi Gk ∧ →
X
gk v, (3.12)
k=i+1
i=1
−−−→
où Oi Gk est un vecteur liant l’articulation i au centre de gravité Gk du bras k. → −v désigne le
→
−
vecteur unitaire vertical ascendant et k g k la norme du vecteur d’accélération de la pesanteur.
Cette formulation vectorielle est exprimée dans le repère R1 relatif à l’axe 2 selon la convention
−−−→
D-H (Cf. figure 3.15). La projection des différents vecteurs Oi Gk dans la base associée s’effectue
grâce aux matrices de transformation homogène entre les repères. L’équilibrage statique est
réalisé par l’action des ressorts de compensation qui engendrent un couple sur l’articulation
2 autour de son centre de rotation. Le tarage de ces ressorts est optimisé pour minimiser ce
couple sur la plage de mouvement utile du bras. Avec les éléments du modèle de masse (couple
94 industriel
O2 Z2
X2
G3
G2 Y2 O3 Y3
O1 Z1 Z3 Z4
X3 G4
O4
O5 Y5
X1
Y1 Z5
G5
G1 Y4
X5
Z0
Y0
X0
O0
F IGURE 3.15: Caractérisation des bras en vue du calcul du couple de gravité
de gravité) décrit précédemment, les données géométriques et la valeur de pré-charge ressort

fournies par Stäubli, nous avons calculé, sur l’articulation 2, le couple axial robot (gravité), le
couple axial engendré par les ressorts et le couple résiduel (3.11). Le graphique de la figure
2500
Couple de compensation
Couple de gravité
2000 Couple résiduel
1500
1000
500
Couple (N.m)
−500
−1000
−1500
−2000
−2500
−80 −60 −40 −20 0 20 40 60 80
Position de l’axe 2 (deg)
F IGURE 3.16: Couple de gravité résiduel appliqué sur l’axe 2
3.16 montre ces trois couples en fonction de l’angle de rotation de l’axe 2. Ce graphique montre
qu’avec un ressort de raideur équivalente égale à 129478 N.m−1 et une pré-charge réglée à une
valeur de 17900 N , le couple résiduel axial supporté par l’articulation 2 n’est pas nul. Il atteint
dans les deux sens une valeur maximale de ±266 N.m. La compensation par l’action du ressort
n’est à priori pas suffisante et le couple résiduel génére une déflexion de l’axe. L’influence de
cette déflexion sur le comportement de l’axe sera étudiée ultérieurement.
4 Estimation des forces de frottements 95
4 Estimation des forces de frottements
L’axe 2 du manipulateur est soumis à des phénomènes de frottement, dont l’importance est
principalement issue de la multiplicité et du type des surfaces en contact au niveau de la chaîne
de transmission (Cf. §5.5 du chapitre 1). La bonne gestion des frottements est un enjeu constant
dans la conception d’un manipulateur robotique. En effet, bien qu’agissant sur la précision, ils
participent également à l’amortissement des perturbations que subit l’axe, [Kermani et al., 2007].
C’est pourquoi cette section sera consacrée à leur caractérisation.
im N
τf
θm θn
km Jm
Roulement
Roues dentées Transmission cycloïdale :

hélicoïdales Joint Combiné Stäubli
F IGURE 3.17: Représentation schématique de la transmission d’une articulation
La figure 3.17 montre un aperçu schématique de l’action des efforts de frottements sur les
composants mécaniques de l’articulation du manipulateur. Les quatre premières articulations du
Stäubli RX 170B, dont l’axe 2 fait parti, sont équipées d’un système de réduction à deux étages
appelé JCS (Stäubli Combined Joint). Ce dernier est un assemblage sophistiqué breveté par
Stäubli incluant une transmission de type cycloïdale [Gerat, 1994]. La transmission cycloïdale
est actionnée par le biais d’un servo-moteur via le premier étage des roues dentées hélicoïdales.
Les engrenages ainsi que les roulements de cette transmission sont précontraints de manière à
éliminer toute sorte de jeu mécanique. Les engrenages hélicoïdaux et la transmission cycloidale
sont constamment lubrifiés afin de réduire les pertes par frottement et de minimiser l’usure des
surfaces en contact.
Une modélisation précise du comportement des frottements exige un modèle des forces de
friction basé sur le comportement réel de l’articulation [Elhami and Brookfield, 1997]. En vue de
construire un modèle de frottement équivalent de l’axe, nous présentons deux régimes pour
cette étude :
– Le régime dit de pré-glissement ou de Coulomb (pre-sliding regime en anglais), correspond
au cas où les forces d’adhérence par contact de type aspérité sont dominantes. Ces forces
de frottement sont alors fonction du déplacement plutôt que de la vitesse. Quand le
déplacement angulaire augmente au fur et à mesure, la liaison subit une rupture au niveau
des surfaces en contact, ce qui provoque un régime de glissement brut. Ce mouvement de
décollement (break-away en anglais) peut dépendre de diverses caractéristiques comme la
texture de la surface et du contact comme la topographie, la dureté et la métallurgie des
96 industriel
couches des surfaces, [Armstrong-Helouvry et al., 1994]. Ce micro-glissement est considéré
comme résultant de contacts admettant une distribution aléatoire où chacun obéit à une
loi de frottement de Coulomb, [Björklund, 1997].
– Un régime de glissement brut dans lequel toutes les jonctions des aspérités se sont séparées.
Au cours de ce régime, le couple de frottement est principalement une fonction de la vitesse.
Ceci est dû par exemple à l’accumulation de films lubrifiants.
Dans la suite, nous présentons une étude expérimentale réalisée sur l’axe 2 du robot à vide dans
le but d’identifier le couple de friction en fonction de la vitesse et du déplacement angulaire de
l’axe. Nous pourrons ainsi valider expérimentalement quelques valeurs déterminées par calcul
dans la section 3 du couple résiduel réel de l’axe.
4.1 Caractérisation du couple de frottement sec
Pour identifier le régime de pré-glissement du frottement, dit frottement de Coulomb et noté

Fs , les essais ont été réalisés sur l’axe 2 avec une consigne triangulaire (créneaux de vitesse),
comme le montre la figure 3.18. La loi de mouvement de l’axe est générée en pré-traitement
par un planificateur de trajectoires articulaires dont les principes sont développés en détail
dans le chapitre 3. Une fois générée, cette consigne sera envoyée vers la baie du contrôleur du
robot industriel à travers le protocole d’échange FTP. Notons que les données requises par le
contrôleur afin de garantir le mouvement du robot le long de la consigne désirée, sont la position
et la vitesse : h iT
{θn(d) (t)} = θn(d) (t) θ̇n(d) (t) . (3.13)
Toutes les trajectoires utilisées pour les essais sont échantillonnées avec une période de 4
ms (soit une fréquence d’acquisition de 250 Hz). Cette fréquence est la fréquence maximale
d’enregistrement de données internes du codeur et de l’amplificateur du courant que peut
fournir la baie CS8 de Stäubli. Dans le but de minimiser l’impact du couple résiduel sur le
0.04
0.02
−0.02
−0.04
0 5 10 15 20 25 30 35 40 45
Temps (s)
−4
x 10
1
Vitesse de l’axe 2 (rad/s)
0.5
−0.5
−1
0 5 10 15 20 25 30 35 40 45
Temps (s)
F IGURE 3.18: Trajectoire de test du frottement de Coulomb
comportement statique de l’articulation (Cf.figure 3.16), l’axe 2 réalise un mouvement en aller-

4.1 Caractérisation du couple de frottement sec 97
retour autour de sa position d’équilibre verticale à 0 degrés. Ce mouvement cyclique provoque

une variation de comportement au niveau des surfaces en contact du réducteur. La vitesse
d’avance est réglée à 3.10−3 % de la vitesse maximale de l’axe VM ax = 2 rad/s. Une vitesse
constante très lente permet de négliger le frottement visqueux et l’inertie. En outre, la vitesse
angulaire d’une valeur de 6.10−5 rad/s est la vitesse la plus petite possible. Elle permet de
garantir un déplacement angulaire de ± 0.03 deg dans les deux sens du mouvement (Cf. figure
3.19). En effet, la force de décollement n’étant pas atteinte, elle correspond à une zone de
déformation plastique, [Swevers et al., 2000]. La figure 3.20 montre un relevé expérimental
200
Couple moteur (N.m)

0
−200
0 5 10 15 20 25 30 35 40 45
Temps (s)
−5
x 10
5
Vitesse (rad/s)
0
−5
0 5 10 15 20 25 30 35 40 45
Temps (s)
0.05
Position articulaire (deg)
−0.05
0 5 10 15 20 25 30 35 40 45
Temps (s)
F IGURE 3.19: Relevés expérimentaux des position, vitesse et couple
200
7 2
150
100
Couple de frottement sec (N.m)
50
1 3
6
0
−50
−100
−150
4
5
−200
−0.04 −0.03 −0.02 −0.01 0 0.01 0.02 0.03 0.04
F IGURE 3.20: Couple de frottement en zone de pré-glissement autour de 0 deg
du couple moteur de l’axe en fonction de son déplacement en zone de pré-glissement. Pour

cette trajectoire de référence, nous faisons l’hypothèse que la vitesse est très faible, l’accélération
moyenne est nulle et les efforts d’inertie et de frottement visqueux sont négligeables. Ainsi,
98 industriel
la variation du couple d’entrée est due principalement aux frottements secs. Dans la figure
3.20 nous constatons un hystérésis. Les valeurs trouvées dans un sens (zones 2 et 7) et dans
l’autre (zones 4 et 5), étant proches en moyennant le couple d’entrée, montrent bien qu’il y a
une cohérence des résultats dans les deux phases de mouvement comme l’indique le tableau
3.2. Notons que le changement brusque du signe du couple moteur, ce qui est visible au niveau
des zones 3 et 6 est expliqué par le rattrapage du jeu au niveau des dentures des engrenages.
En outre, nous constatons la présence d’une raideur traduisant l’élasto-plasticité des contacts
de deux corps en mouvement au niveau de l’étage de transmission [Dahl, 1968]. Cette raideur
équivalente est issue de la courbe de transfert déformation-contrainte dans la zone de pré-
glissement. En effet, la figure 3.20 montre aussi la présence de branches de courbures lors du
changement du sens de rotation de l’axe. [Nouri, 2004] propose une division de la zone de
pré-glissement en 3 régions qui dépendent de la raideur des contacts de type aspérité. Ce type
de modélisation ne sera pas employé dans la suite de ce mémoire.
Zones Sens positif (moyenne) Sens négatif (moyenne)

(2) et (7) 152.23 N.m
(4) et (5) 151.45 N.m
TABLE 3.2: Valeurs du couple de frottement sec
4.1.1 Validation du couple gravitationnel et de frottement sec à travers les essais en zone
de pré-glissement
Afin de pouvoir valider les résultats obtenus pour les valeurs de Fs , un autre essai pour une
autre position articulaire a été effectué. A l’instar des conditions d’essai décrites au paragraphe
§ 4.1, on a refait les mêmes expérimentations autour de la position égale à 20 deg. Lors de cette
configuration, le bras de robot est sous chargement par un couple résiduel non nul. Les figures
3.21 et 3.22 montrent les relevés du couple de frottement sec lors d’un mouvement cyclique dans
les deux sens de rotation. Pour cette position de référence à 20 deg, l’axe 2 du manipulateur
subit l’influence des forces de gravité. L’hystérésis associée montre un écart moyen par rapport
au premier essai à 0 deg, où le robot n’est pas soumis à l’action de la pesanteur, de 181 N.m.
Nous constatons que cet offset de couple correspond à une valeur du couple nominal résiduel
de 188 N.m pour une position articulaire de l’axe de 20 deg. Par conséquent, cette campagne de
mesure confirme la pertinence du modèle de couple résiduel simulé (3.11) et (3.12). Ceci permet
aussi de vérifier les données géométriques fournies par Stäubli.
4.2 Influence du frottement en zone de pré-glissements sur la précision statique du robot
Dans ce paragraphe, nous nous intéressons à la contribution des défauts dus à l’action des
couples de frottements de pré-glissement au niveau de l’étage de réduction, sur la précision
de positionnement en bout d’axe. Nous reprenons le protocole d’essai présenté dans la figure
3.19. On définit δθ = (θ − θn ) l’erreur de position de l’axe 2. La figure 3.23 illustre le défaut
δθ de transmission mesuré. Nous avons identifié les différentes zones de fonctionnement du
défaut de transmission de mouvement, comme représenté dans la figure 3.20. L’analyse affirme
la présence d’un mode vibratoire au niveau de la zone 1 (Cf. figure 3.24). Ceci confirme le constat
4.3 Estimation du couple de frottement total 99
0
Couple moteur (N.m)
−200
−400
0 5 10 15 20 25 30 35 40 45
Temps (s)
−5
x 10
5
Vitesse (rad/s)
0
−5
0 5 10 15 20 25 30 35 40 45
Temps (s)
20.04
20.02 Position articulaire (deg)
20
19.98
19.96
0 5 10 15 20 25 30 35 40 45
Temps (s))
F IGURE 3.21: Relevés expérimentaux des position, vitesse et couple
50
7 2
−50
Couple de frottement sec (N.m)
−100
1
−150
6 3
−200
−250
−300
−350
5 4
−400
19.96 19.97 19.98 19.99 20 20.01 20.02 20.03 20.04
F IGURE 3.22: Couple de frottement en zone de pré-glissement autour de 20 deg
effectué précédemment sur la présence d’une raideur équivalente caractérisant la souplesse

axiale. Ce mode est sollicité lors de la phase de démarrage du mouvement. On remarque la
présence d’une dissymétrie au niveau de l’amplitude minimale et maximale des défauts de
transmission. Ceci est dû au rattrapage du jeu mécanique au niveau des dentures du réducteur
et l’inversion du sens de rotation de l’axe. Cet essai permet de qualifier l’ordre de grandeur des
défauts de transmission causés par l’action du frottement en zone de pré-glissement.
4.3 Estimation du couple de frottement total
Le couple de frottement en régime de pré-glissement étant caractérisé, nous nous intéressons

maintenant à la dépendance du frottement vis-à-vis de la vitesse angulaire de l’axe 2. Ainsi,
des mesures sont effectuées pour différentes vitesses. Seuls les paliers à vitesse constants sont
exploités. Des moyennes d’effort d’entrée et de sortie sont réalisées pour chaque palier de vitesse
100 industriel
−3
x 10
10
1 2 3 4 5 6 7 2
Deformation axiale (deg) 6
−2
−4
0 5 10 15 20 25 30 35 40 45
Temps (s)
F IGURE 3.23: Défauts de transmission de l’axe 2 du robot
-3
x 10
3
2.5
2
Deformation axiale (deg)
1.5
0.5
-0.5
-1
-1.5
0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
Temps (s)
-3
x 10
10
6
Deformation axiale (deg)
-2
-4
0 5 10 15 20 25 30 35 40 45
Temps (s)
F IGURE 3.24: Défaut de transmission lié à la phase de démarrage de mouvement (zone 1)
ce qui permet d’observer l’allure de la courbe du couple de frottement total le long de la plage
de fonctionnement utile de l’articulation en fonction de la vitesse. Une fois que la courbe de
frottement est définie, un modèle prenant en compte la vitesse est proposé, [Olsson et al., 1998]
et [Bona and Indri, 2005].
4.3.1 Modélisation : méthode et pratique
Pour effectuer les mesures en vue d’établir la relation frottement-vitesse, différentes lois
de mouvement peuvent être employées. La détermination de la loi de mouvement lors de la
génération de trajectoires de référence peut être faite en fonction de plusieurs critères d’optimi-
sation. On distingue divers critères d’optimalité tels que l’optimalité en temps (loi à accélération
limitée), optimalité en douceur (bang-bang en jerk) et optimalité en énergie (lois polynomiales),
[Béarée, 2005]. Lors de cette étude, on a adopté une loi de mouvement en bang-bang en accé-
lération afin d’identifier les forces de frottement de la partie rigide de la transmission. Cette
commande se compose généralement de trois phases : accélération, vitesse constante (croisière)
et décélération. Les contraintes sont : accélération, respectivement décélération, maximale et
vitesse maximale (Cf. figure 4.5). Cette loi permet d’imposer les vitesses et les accélérations en
fonction de la capacité du servo-moteur, où le choix des amplitudes maximales de vitesse VM
et d’accélération AM sont cruciales. La trajectoire générée dans ce cas est continue en position
et en vitesse. Ainsi, l’accélération sur les segments paraboliques est constante afin de produire
un changement de vitesse doux. Lors des essais dynamiques sur l’axe 2, les autres axes sont
Position
VM Vitesse
Accélération
AM
Temps
F IGURE 3.25: Loi de mouvement Bang-Bang en accélération
toujours sous asservissement dans une position fixe de -90 deg pour l’axe 1 et 0 deg pour les axes
3, 4, 5 et 6. Au cours de cette étude expérimentale, les essais sont réalisés à travers le générateur
de mouvement à accélération limitée avec les vitesses des paliers de 0.2% ; 0.3% ;... ; 1% ; 1.2% ;
1.4% ;... ; 10% ;... ;70% de VM ax dans les deux sens du mouvement pour une plage d’évolution
du robot comprise entre -50 et 50 degrés. Ceci permet d’exciter correctement les paramètres de
frottement. Les différents paliers de vitesses et des couples d’entrée sont présentés dans la figure
3.26. En prenant en compte uniquement la structure classique rigide, le modèle dynamique
inverse de l’axe 2 s’écrit de la manière suivante :
τm (t) = Jt θ̈n (t) + τf (θ̇n (t)) + τresiduel (θn (t)) (3.14)
où
– Jt est le moment d’inertie total issu de la chaîne d’actionnement Jm et du bras équivalent
Jb supporté par l’axe 2 ;
102 industriel
−3
x 10
5 0.01
0 0
−5 −0.01
0 10 20 30 40 50 0 5 10 15 20 25 30 35
0.01 0.02
0 0
−0.01 −0.02
0 5 10 15 20 25 0 5 10 15 20
0.02 0.02
0 0
−0.02 −0.02
0 2 4 6 8 10 12 14 16 18 2 4 6 8 10 12 14 16
0.02 0.02
Vitesse articulaire (rad/s)
0 0
−0.02 −0.02
0 2 4 6 8 10 12 14 0 2 4 6 8 10 12
0.05 0.05
0 0
−0.05 −0.05
1 2 3 4 5 6 7 8 9 10 11 2 3 4 5 6 7 8 9 10
0.05 0.05
0 0
−0.05 −0.05
1 2 3 4 5 6 7 8 2 3 4 5 6 7 8
0.05 0.05
0 0
−0.05 −0.05
1 2 3 4 5 6 7 1 2 3 4 5 6
0.1 0.1
0 0
−0.1 −0.1
2 2.5 3 3.5 4 4.5 5 5.5 1 1.5 2 2.5 3 3.5 4
0.2 0.2
0 0
−0.2 −0.2
1 1.5 2 2.5 3 3.5 1.5 2 2.5 3
0.2 0.5
0 0
−0.2 −0.5
1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3 3.2 1 1.5 2 2.5
Temps (s)
(a) Vitesses mesurées
500 500
0 0
−500 −500
0 10 20 30 40 50 0 5 10 15 20 25 30 35
500 500
0 0
−500 −500
0 5 10 15 20 25 0 5 10 15 20
500 500
0 0
−500 −500
0 2 4 6 8 10 12 14 16 18 2 4 6 8 10 12 14 16
Couple moteur (N.m)
500 500
0 0
−500 −500
0 2 4 6 8 10 12 14 0 2 4 6 8 10 12
500 500
0 0
−500 −500
1 2 3 4 5 6 7 8 9 10 11 2 3 4 5 6 7 8 9 10
500 500
0 0
−500 −500
1 2 3 4 5 6 7 8 2 3 4 5 6 7 8
500 500
0 0
−500 −500
1 2 3 4 5 6 7 1 2 3 4 5 6
500 500
0 0
−500 −500
2 2.5 3 3.5 4 4.5 5 5.5 1 1.5 2 2.5 3 3.5 4
1000 1000
0 0
−1000 −1000
1 1.5 2 2.5 3 3.5 1.5 2 2.5 3
1000 1000
0 0
−1000 −1000
1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3 3.2 1 1.5 2 2.5
Temps (s)
(b) Couples moteurs mesurés
F IGURE 3.26: Relevés expérimentaux des vitesses et couples d’entrée associés en vue de l’identification
du couple de frottement
– τresiduel est le couple de chargement produit par la masse des différentes parties du robot
à partir de la deuxième articulation ainsi que le ressort de compensation ;
– τf est le couple de frottement total de l’axe 2 à identifier.
Afin de mesurer uniquement le couple de frottement τf , seuls les échantillons sur les paliers à
vitesse constante sont retenus. Dans ce scénario, l’accélération étant nulle, les efforts d’inertie
seront alors négligés dans (3.14). Le couple moteur est alors calculé à partir de la référence
courant. Dans le but d’annuler les perturbations hautes fréquences dans τm , le couple d’entrée
est filtré avec un filtre passe-bas de Butterworth aller-retour sans distorsion d’amplitude et de
phase, [Gautier and Poignet, 2002] et [Hamon et al., 2010]. Ce filtrage permet d’éliminer les
perturbations hautes fréquences sur l’effort τm provenant de toutes les perturbations exogènes
non modélisées et bien au-delà de la bande passante de commande.
En se plaçant sur des paliers de vitesses constantes comme mentionné précédemment et à

partir des valeurs mesurées de τm et calculées pour τresiduel , on peut tracer la courbe de transfert
de la valeur moyenne de τf en fonction de la vitesse de déplacement de l’axe. Pour ce type
de système mécatronique, nous nous attendons à observer une courbe standard du couple en
fonction de la vitesse comme celle illustré dans [Armstrong-Helouvry et al., 1994] et [Kermani
et al., 2007]. Conformément à nos attentes, et comme le montre la figure (3.27), le phénomène
observé est bel et bien un effet de Stribeck où la courbure est facilement repérée par le fameux
point de décroissance. Cet effet assure une transition continue entre le frottement statique et
le frottement dynamique. En effet, le couple est élevé pour les vitesses très faibles de 4.10−3
200
Couple de frottement mesuré
150
100
Couple de frottement (N.m)
50
−50
−100
−150
−0.2 −0.15 −0.1 −0.05 0 0.05 0.1 0.15 0.2
Vitesse (rad/s)
F IGURE 3.27: Couple de frottement moyen en fonction de la vitesse
rad/s (0.2% de VM ax ) puis il diminue jusqu’à la vitesse de 1.10−2 rad/s (0.5% de VM ax ). Il

augmente ensuite à nouveau avec une variation quasi-linéaire en régime permanent distinguant
les forces de frottement visqueuses. En conséquence, le frottement sec en régime transitoire est
caractérisé par un effet Stribeck, modélisable par un terme exponentiel où la vitesse de 1.10−2
104 industriel
rad/s représente le point de décollement des forces de frictions aussi bien dans le sens positif du
mouvement que le sens négatif. Cependant, le couple de frottement présente une asymétrie où
la valeur absolue du frottement statique pour une vitesse de déplacement positive est supérieure
par rapport à celui associé pour les vitesses négatives. En réalité, le frottement dépend à la fois
de la vitesse et de la charge appliquée [Hamon et al., 2011]. Bien que les expérimentations ont
été effectuées à vide et sans aucune masse additionnelle sur l’axe 6 du robot, cette asymétrie est
certainement due à une asymétrie au niveau des surfaces de contact. Ce problème est exposé
dans [Olsson et al., 1998], [Al-Bender and Swevers, 2008] et [Bittencourt et al., 2010]. Ce constat
sera pris en compte lors de l’établissement d’un modèle global du couple de frottement.
4.3.2 Procédure d’identification du couple de frottement
A partir des observations faites sur le diagramme de transfert vitesse-couple (Cf. figure
3.27), nous développons dans ce paragraphe la modélisation du couple de frottement τf . A
partir des observations expérimentales, nous montrons que le passage du régime de stiction †
vers le régime permanent de l’effort de frottement n’est pas discontinu. Sur la base d’un tel
constat, le modèle candidat doit prendre en compte cette continuité du couple au regard de
la vitesse et doit prendre aussi en considération l’effet Stribeck. Ainsi, le modèle retenu est un
modèle non-linéaire qui décrit à la fois le frottement sec, visqueux et le frottement de Stribeck,
[Jamaludin et al., 2008].
 δs !
θ̇n
 − +
Fc+ + (Fs+ − Fc+ )e θ̇n
sign(θ̇n ) + Fv+ θ̇n ,



 s si sign(θ̇n ) > 0

τf (θ̇n ) = δs ! (3.15)
θ̇n
−


− − − −
sign(θ̇n ) + Fv− θ̇n ,

 Fc + (Fs − Fc )e
θ̇n

 s si sign(θ̇n ) < 0
où Fc désigne le frottement de Coulomb, Fs est le frottement statique et Fv le frottement vis-

queux. θ̇ns est la vitesse de Stribeck. δs est le facteur de forme de Stribeck dépendant de la nature
de la combinaison des matériaux qui est généralement égale à 2 pour les systèmes mécatroniques.
Le modèle présenté (3.15) est un modèle statique. Cependant, c’est le modèle le plus simple
et le plus répandu pour la modélisation des frottements dans les systèmes robotiques [Abba and
Sardain, 2003]. Il existe aussi les modèles tribologiques, appelés encore modèles dynamiques
qui ont été conçus pour prendre en compte un maximum de phénomènes physiques, [Bona and
Indri, 2005]. Bien entendu, un modèle très "complet" entraîne une complexité mathématique des
équations.
Comme mentionné auparavant, nous procédons à l’identification des paramètres du modèle

(3.15) pour les deux sens de rotation de l’axe 2. Il faut alors identifier les 9 paramètres Fc± ,
Fs± , Fv± , θ̇n±
s
et δs afin de trouver un modèle mathématique se rapprochant des relevés, et
donc de la réalité. Le modèle de frottement est une fonction non-linéaire à deux paramètres,
respectivement θ̇ns et δs . Pour estimer l’ensemble des neuf paramètres à la fois, on a recours
à des techniques d’optimisation non-linéaire. Il est communément connu que la technique
†. Stiction est l’abréviation de Static friction en anglais

d’optimisation non-linéaire peuvent conduire à un optimum local pour lequel des valeurs
des paramètres non physiques peuvent être obtenues. De ce fait, la technique d’optimisation
non-linéaire peut être appliquée avec succès dans le cas où le modèle est cohérent avec
le comportement observé lorsqu’il est combiné avec une estimation correcte des valeurs
initiales des paramètres inconnus. Pour l’identification de ces paramètres, un algorithme
basé sur la méthode du simplex est utilisé [Lagarias et al., 1998]. La fonction fmincon de
MATLAB permet une telle optimisation non-linéaire en ajoutant des contraintes. Le degré
de complexité augmente puisque l’on cherche à identifier la totalité des paramètres de
l’équation (3.15). Dans notre cas, tous les coefficients doivent être positifs et Fs > Fc . La
valeur du frottement statique Fs identifié expérimentalement lors des essais en régime de
pré-glissement (Cf. Table 3.2) ainsi que le point de décollement relatif à la vitesse θ̇ns repérée
sur la figure 3.27 est égal à 1.5 10−2 rad/s, vont servir de valeurs initiales pour cette identification.
Soit χf = [Fs Fc Fv θ̇ns δs ] le vecteur de paramètres à identifier via l’optimisation non-linéaire.

Ceci implique la minimisation de :
2
χ̂f = argmin τf − f (χf , θ̇n ) (3.16)
χf 2
où f (χf , θ̇n ) est la fonction à optimiser. L’optimisation consiste à minimiser la distance entre
cette fonction et les points expérimentaux. Les valeurs trouvées par l’algorithme sont mises
dans le tableau 3.3. Par cette méthode, des valeurs de paramètres sont estimées afin de faire
Paramètres Valeur identifiée

Fs+ (N.m) 148.54
Fs− (N.m) 111.38
Fc+ (N.m) 122.19
Fc− (N.m) 87.02
+
Fv (N.m.s/rad) 336.73
Fv− (N.m.s/rad) 294.44
θ̇n+s (rad/s) 1.73 10−2
θ̇n−s (rad/s) 1.71 10−2
δs 2
TABLE 3.3: Valeurs des paramètres du modèle de frottement de Stribeck
correspondre le modèle aux relevés, modélisant ainsi le phénomène observé. La figure 3.28
montre la validation directe où on superpose le couple mesuré au couple estimé. Le modèle
obtenu admet une erreur noté ρf qui ne dépasse pas 2% sur l’identification du couple réel τf .
La qualité de l’estimateur est évaluée en calculant la norme relative du résidu total donnée par
l’expression suivante :
kρf k2
Nres = = 0.0152 (3.17)
kτf k2
En conclusion, les résultats donnés par le modèle (3.15) sont satisfaisants d’après (3.17). Ceci
montre que le modèle statique est cohérent avec les mesures que nous avons effectuées sans
qu’il y ait eu besoin d’un modèle tribologique complexe. Cependant, les modèles de type Dahl
ou LuGre, [Johanastrom and Canudas de Wit, 2008], permettent d’avoir une implémentation
106 industriel
200
Couple de frottement mesuré
Couple de frottement estimé
Erreur d’estimation
150
Couple de frottement de l’axe 2 (N.m)

100
50
−50
−100
−150
−0.2 −0.15 −0.1 −0.05 0 0.05 0.1 0.15 0.2
Vitesse angulaire de l’axe 2 (rad/s)
(a) Couple de frottement estimé et couple mesuré
150
−90
−92
−94 145
−96
−98 140
−100
−102
135
−104
−106
130
−108
−110
125
−0.07 −0.06 −0.05 −0.04 −0.03 −0.02 −0.01 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045
Vitesse angulaire de l’axe 2 (rad/s) Vitesse angulaire de l’axe 2 (rad/s)
(b) Zoom sur l’effet de Stribeck pour vitesse positive (c) Zoom sur l’effet de Stribeck pour vitesse positive
F IGURE 3.28: Comparaison entre couple de frottement mesuré et couple estimé
dynamique mais avec une complexité algorithmique plus importante en vue d’une compensation
de ces effets.
5 Estimation du moment d’inertie du bras
Cette section est consacrée à l’identification physique expérimentale du moment d’inertie

total qui n’est que la somme de l’inertie des parties tournantes du moteur et du bras 2 du
manipulateur robotique. En réalité, l’inertie du bras 2 est issue de l’inertie de tous les bras qui se
situent en aval de la deuxième articulation. En vue d’estimer cette inertie notée Jt où :
Jt = Jb + N 2 Jm , (3.18)
nous nous focalisons uniquement sur la dynamique rigide de (3.10). On rappelle ici le modèle
rigide dynamique inverse de l’axe 2 du RX 170B :
τm (t) = Jt θ̈n (t) + τf (θ̇n (t)) + τresiduel (θn (t)). (3.19)

6 Evaluation expérimentale du modèle dynamique rigide 107
A la lumière de ce qui précède sur l’estimation expérimentale de l’effort de frottement (3.15) et

le calcul du couple résiduel de gravité (3.11), le couple inertiel est défini comme suit :
τJ (t) = Jt θ̈n (t) (3.20)
où τJ est relevé expérimentalement à partir de la soustraction des couples de friction τf , du

couple de gravité résiduel τresiduel et des mesures du couple d’entrée τm . Une loi de mouvement
en bang-bang d’accélération est planifiée afin de permettre une forte excitation due à l’inertie Jt .
Ce paramètre est alors estimé au sens des moindres carrées à partir d’une régression linéaire via
l’utilisation du modèle d’identification suivant :
y[n] = W T [n]Jt (3.21)
où
– y = τm − τf − τresiduel est le vecteur des mesures ;
– W = θ̈n est la matrice d’observation. Elle est composée du vecteur d’accélération angulaire
du bras.
Vu que le vecteur de vitesse angulaire peut être récupéré directement à partir du contrôleur du
robot, l’accélération est alors obtenue par l’application d’un filtre passe bas non-causal (filtfilt
en Matlab) et de la technique des différences centrées. Dans un deuxième temps, l’estimation
de Jt est réalisée pour une plage de variation de la position de l’axe 2 comprise entre -50 deg
et +50 deg. Tous les autres axes sont bloqués sous asservissement. La méthodologie consiste
à ordonnancer les trajectoires pour des vitesses et des accélérations angulaires différentes.
Ce scénario est réalisé pour différentes accélérations, mais en sélectionnant uniquement les
échantillons qui se situent sur les paliers.
Le tableau 3.4 illustre l’identification de Jt via l’estimateur (3.21). L’estimation de l’inertie

montre un écart-type faible. Le système (3.21) assure donc une bonne identification de Jt . Une
Paramètre Valeur identifiée Ecart-type Ecart-type relatif (%)

Jt 298.11 Kg.m2 8.12 2.72
TABLE 3.4: Valeur identifiée du moment d’inertie total de l’axe 2
fois que l’inertie totale de l’axe 2 est estimée, Jb est alors calculée à partir de (3.18) où l’inertie
du rotor Jm =685 10−6 Kg.m2 est donnée par le constructeur. On en déduit alors la valeur de
l’inertie du bras Jb = Jt − N 2 Jm = 275.1624 Kg.m2 .
6 Evaluation expérimentale du modèle dynamique rigide
6.1 Validation par estimation séquentielle des paramètres physiques
Une fois que les paramètres d’inertie, de frottement et de gravité sont calculés et identifiés
pour le bras du robot, nous procédons à la validation directe du modèle dynamique rigide
(3.19). La validation consiste à comparer le couple mesuré issu du contrôleur du robot, au
couple estimé par le modèle dynamique rigide. Le choix de la trajectoire de test repose sur le
108 industriel
pouvoir d’exciter au maximum les paramètres dynamiques de (3.19). Notons que l’utilisation de
trajectoires spécifiques pour l’identification des paramètres dynamiques en amont, permet de
simplifier la recherche des trajectoires excitantes et l’interprétation des résultats.
Le choix de la référence utilisée est donnée par la figure 3.29. Cette référence en position et
en vitesse doit être optimisée afin d’avoir un bon conditionnement de la matrice d’observation
contenant les variables d’état et de l’entrée. [Gautier and Khalil, 1991] proposent un choix de
séquences de positions et de vitesses articulaires permettant d’exciter les paramètres rigides sans
provoquer les éléments souples présents dans la chaîne de transmission. Alors que [Swevers
et al., 1997] propose une excitation par séries de Fourier finies. Dans ce travail, notre choix s’est
porté sur la première approche.
L’essai réalisé pour la validation du modèle dynamique rigide est composé de trajectoires
avec phases d’accélération, de décélération et des paliers à vitesse constante pouvant aller
jusqu’à 70% de la vitesse maximale. La trajectoire de test est programmée en langage VAL3. Elle
est composée de divers blocs avec des paliers de vitesse suffisamment longs à dynamique élevée
permettant d’avoir de fortes accélérations.
Remarque 6.1.1. Pour l’identification et la validation de la dynamique rigide de l’axe, les effets dus aux
inerties et à la friction doivent être engendrés sans introduire de fortes oscillations susceptibles d’exciter
sa flexibilité. Dans ce cas, un signal basse fréquence est préférable afin de ne pas provoquer ces vibrations
au niveau de la transmission ou de la structure. Pour mettre en évidence la contribution du couple de
frottement sec sur la dynamique rigide, une excitation dotée de plusieurs phases avec changement du
signe de la vitesse a été mise en place.
50
Position (deg)
−50
0 2 4 6 8 10 12 14
Temps (s)
1
Vitesse (rad/s)
−1
−2
0 2 4 6 8 10 12 14
Temps (s)
F IGURE 3.29: Exemple de trajectoire utilisée pour la validation du modèle dynamique rigide de l’axe 2
Les paramètres de frottement, de gravité et d’inertie identifiés, nous permettent de simuler

6.1 Validation par estimation séquentielle des paramètres physiques 109
le couple d’entrée τ̂m (t) et de le comparer au couple réel τm (t) mesuré. La figure 3.30 montre un
bon accord. La figure 3.31 donne le résidu entre le couple reconstrui via le modèle dynamique
rigide et le couple mesuré. La norme de l’erreur relative d’estimation est de l’ordre de 0.1586.
2500
Mesuré
Estimé
2000
1500
1000
500
Couples (N.m)
−500
−1000
−1500
−2000
−2500
0 2 4 6 8 10 12 14
Temps (s)
F IGURE 3.30: Comparaison entre le couple mesuré et le couple estimé par le modèle rigide
600
400
Erreur de reconstruction du couple (N.m)
200
−200
−400
−600
−800
0 2 4 6 8 10 12 14
Temps (s)
F IGURE 3.31: Erreur d’estimation du modèle rigide

110 industriel
Le taux d’approximation du modèle comme défini par [Ljung, 1999] est égal à :
qP
N !
t=1 (τm (t) − τ̂m (t))2
T aux = 100 1 − qP = 92.86% (3.22)
N
t=1 (τm (t) − τ̄m (t))2
Ce constat confirme la pertinence de notre démarche séquentielle d’estimation paramétrique ba-

sée sur une approche expérimentale. Cependant, on remarque que dans certaines zones, l’erreur
de prédiction du couple moteur peut atteindre une valeur élevée. Ceci provient certainement de
l’erreur de modélisation du couple résiduel et du couple de frottement dans certaines zones à
fortes accélérations.
6.2 Validation par une estimation simultanée des paramètres
Dans cette section nous proposons une estimation simultanée au sens des moindres carrés
récursifs, de la dynamique rigide de l’axe. Cette approche permet de qualifier l’estimation
expérimentale séquentielle présentée dans la section précédente. La procédure standard s’appuie
sur un modèle dynamique linéaire en les paramètres. Elle est caractérisée par un nombre minimal
de paramètres appelés paramètres de base. Durant cette démarche, nous avons limité le couple
de frottement uniquement à ses termes classiques i.e. statique Fc et visqueux Fv . Ainsi la
dynamique rigide est exprimée comme suit :
(Jb + N 2 Jm )θ̈n + Fv θ̇n + Fc sign(θ̇n ) + τr = τm . (3.23)
Notons que le couple de gravité résiduel τr est calculé en pré-traitement (3.11) et (3.12). Le
modèle (3.23) peut alors être exprimé sous la forme (3.24) :
 
Jb + N 2 Jm

 Fv


θ̈n θ̇n sign(θ̇n ) τr 
  = τm . (3.24)
 Fc 

α
Remarque 6.2.1. Comme le système est non linéaire, le spectre, l’amplitude et les formes du signal
d’excitation employé a de l’importance sur la qualité d’estimation. Il est alors important d’optimiser le
signal d’excitation. Ceci est envisagée dans [Gautier and Khalil, 1991], [Presse and Gautier, 1993] et
[Swevers et al., 1997] où des renseignements sur ces techniques d’optimisation sont proposés pour la
matrice d’observation.
Soit n échantillons des signaux mesurés, le vecteur de paramètres à estimer est déterminé
comme la solution d’un problème de type moindre carrée récursif où α est un paramètre de test
de la fiabilité d’estimation. Si le modèle est bien identifié, alors la valeur de α doit être proche
de 1. Les résultats de cette estimation sont illustrés dans le tableau 6.2 où ils sont comparés à
ceux obtenus avec l’identification séquentielle. Les paramètres sont estimés par la technique des
moindres carrés récursifs avec un facteur d’oubli égale à 0.87. On constate que le paramètre α
est très proche de 1 ce qui permet de vérifier l’exactitude du calcul du couple de gravité résiduel
τr issu des données du constructeur. Ces résultats montrent qu’une estimation du modèle rigide
paramètre par paramètre permet d’avoir un meilleur taux d’approximation de modèle. Comme
7 Intégration du comportement vibratoire de l’axe 111
Paramètre Estimation simultanée Estimation séquentielle

Vitesse > 0 Vitesse < 0
Jb + N 2 Jm (Kg.m2 ) 285.06 298.11
Fv (N.m.s/rad) 337.17 336.73 294.44
Fc (N.m) 98.42 122.19 87.02
α 0.9767
Taux d’approximation du modèle (%) 90.78 92.86
Norme relative du résidu 0.1576 0.1381
TABLE 3.5: Valeurs identifiées du modèle dynamique rigide de l’axe
nous pouvons le constater, la norme relative des erreurs diminuent de 14% avec une estimation
physique fine du couple de frottement par modèle de Stribeck par rapport à une estimation
classique. Ces résultats montrent bien la pertinence de la méthode employée. Elle nous servira
pour l’identification de la dynamique souple de l’axe.
7 Intégration du comportement vibratoire de l’axe
7.1 Modèle générique de souplesse prépondérante
L’objectif de cette partie consiste à élaborer un modèle générique de souplesse d’axe du

robot. Nous nous basons sur une représentation physique simple des phénomènes vibratoires
sous la forme d’un modèle à constante localisée. Ce type de modèle, représenté à la figure
3.14 suffit très souvent à décrire l’effet des modes de déformation dominant la réponse de
l’axe. Ainsi, la dynamique de l’axe 2 soumis à l’influence dominante d’un mode propre de
transmission peut se représenter par un couplage souple de deux masses en rotation.
En adoptant les notations de cette figure, la fonction de transfert canonique représentant la

dynamique d’un système soumis à un mode de transmission entre les vitesses θ̇n et θ̇ des deux
masses en rotation, s’exprime dans le domaine continu sous la forme :
2ζ
θ̇(s) 1 + ω0 s
= (3.25)
θ̇n (s) 1 + ω2ζ0 s + ω12 s2
0
où, r
K
• ω0 = est la pulsation de résonance de la chaîne de transmission. Elle représente la
Jb
pulsation des vibrations ressenties au niveau de la charge i.e. le bras du robot.
D
•ζ = √ désigne le facteur d’amortissement du mode de vibration associé.
2 Jb K
Ce modèle comportemental sera utilisé pour la conception d’une précommande afin de com-
mander la position réelle du bras de robot à partir de la consigne en position du moteur. Cette
partie sera largement exposée dans les sections qui suivent.
7.2 Analyse expérimentale des phénomènes vibratoires
Dans cette section on s’intéresse à déterminer la dynamique flexible de l’axe soumis princi-
palement à l’action de la raideur K et de l’amortissement axial D. De ce fait, les modes souples
112 industriel
sont susceptibles d’être excités dès que la trajectoire physique du système s’écarte de la loi de
mouvement. Ceci engendre une dégradation de la précision dynamique où la position réelle
diffère de la position de référence. On définit δθ la déformation dynamique angulaire de l’axe
ou simplement l’erreur dynamique du mouvement selon
δθ(t) = θ(t) − θn (t). (3.26)
L’erreur dynamique du mouvement de l’axe est issue de la différence entre l’angle mesuré via le
Laser Tracker (θ(t)) et le déplacement angulaire mesuré par le codeur moteur juste après le
réducteur (θn (t)).
L’identification de la dynamique rapide de l’axe 2 a été réalisée comme suit : nous avons
fait varier l’angle de rotation θn de l’axe 2 du robot d’une position initiale de -70˚ à une position
finale de 50˚ avec des paliers de vitesses en cascade variant entre 0.01 rad/s et 0.3 rad/s
comme illustré dans la figure 3.32. Ce profil a été choisi pour produire une forte excitation
de l’énergie potentielle interne due à la présence de la souplesse articulaire au niveau de la
chaîne de transmission. Ainsi, cette loi de mouvement discontinue en vitesse permet d’exciter
les modes souples au niveau de la chaîne de transmission de l’articulation. Nous associons aux
asservissements de chaque axe une raideur équivalente. Un test permet de mettre en évidence
leur influence. De ce fait, des mesures ont été effectuées avec soit l’asservissement actif ou soit
les axes bloqués par les freins. Une étude détaillée sur l’identification statique des raideurs est
effectuée dans [Hardeman, 2008]. L’auteur présente une stratégie d’identification des raideurs
statiques articulaires et d’asservissement. Pour notre étude, on note que dans les deux cas les
résultats sont comparables. Ceci est dû au fait que les freins sont aussi situés au niveau des
arbres moteurs, tout comme les codeurs. Ils jouent ainsi le même rôle que l’asservissement
quand le robot est immobile. La déformation articulaire de l’axe est alors donnée dans la figure
100
50
Position (deg)
−50
−100
0 2 4 6 8 10 12 14 16 18 20
Temps (s)
0.3
0.2
Vitesse (rad/s)
0.1
−0.1
0 2 4 6 8 10 12 14 16 18 20
Temps (s)
F IGURE 3.32: Trajectoire de test pour l’identification du comportement souple de la chaîne de transmission
7.3 Estimation paramétrique expérimentale 113
3.33. A partir de cette figure, nous pouvons mettre en avant deux phénomènes dominants :
0.2 7
0.15
6
0.1
5
4
0.05 2
−0.05
0 2 4 6 8 10 12 14 16 18 20
Temps (s)
F IGURE 3.33: Erreur de suivi de position du bras 2
– Un comportement vibratoire pour chaque palier de vitesse dû à la présence d’une raideur

articulaire K accompagnée d’un amortissement D. Ce phénomène s’amplifie au fur et à
mesure en fonction de l’amplitude en vitesse. Il se manifeste lors des phases d’arrêt et de
changement de vitesse.
– Une déflexion axiale issue de l’action du couple résiduel de gravité.
Dans la suite de ce travail, nous procédons à la séparation des sources des défauts de trans-
mission. Notre approche est constituée de deux grandes parties. En se basant sur un modèle
mathématique simplifié, nous proposons d’abord d’estimer de manière non asymptotique les
paramètres issus du mode vibration de la chaîne de transmission. Ce modèle générique de trans-
mission est ensuite utilisé pour concevoir une précommande prenant en compte la flexibilité de
l’axe. Cette précommande est alors couplée à la génération de la loi de mouvement.
7.3 Estimation paramétrique expérimentale
Cette section a pour objectif d’estimer la fréquence et l’amortissement des oscillations

constatées au niveau des paliers de la déformation articulaire. Trois méthodes sont étudiées :
– la méthode temporelle par calcul moyen des périodes,
– la méthode fréquentielle par transformée de Fourier rapide,
– l’estimation algébrique non asymptotique.
On notera que les deux premières techniques ne sont exhaustives. Cependant elles possèdent
l’avantage d’être facilement transposables aux systèmes mécatroniques du type robot. Nous
renvoyons le lecteur à [Hayes, 1996] pour une revue plus complète.
Concernant la troisième approche basée sur les estimateurs non asymptotiques, elle présente
une des contribution majeure de cette thèse. Elle consiste à développer des algorithmes temps
114 industriel
réel basés sur un modèle. Ainsi, le fait d’estimer les paramètres ω0 et ζ du modèle local linéaire
(3.25) par les deux premières approches physiques permet de valider la robustesse de notre esti-
mateur au regard d’une identification paramétrique réelle. Les caractéristiques de cet estimateur
seront exploitées ultérieurement en vue de l’amélioration du comportement dynamique du bras
de robot.
7.3.1 Méthode de calcul des périodes
Cette technique consiste à calculer la fréquence directement à partir des périodes du signal
étudié, [Destuynder and Santi, 2003]. Le principe de cette méthode est assez simple. Il repose
sur la détermination d’un ensemble de périodes en traçant la droite horizontale qui passe par la
valeur moyenne du signal. Ainsi, la fréquence dominante est l’inverse de la moyenne de ces
périodes.
Cette méthode donne des bons résultats quand le signal ne contient qu’une seule fréquence.
Elle permet une estimation assez rapide du paramètre fréquentiel au bout de quelques périodes
du signal. Ceci explique le fait que cette approche n’est valable pour pour l’estimation de la
fréquence dominante. Par conséquent, on adoptera cette technique pour l’estimation de la
fréquence propre de l’axe du robot à partir du graphe de déformation axiale δθ(t) à partir des
différents paliers comme montré dans la figure 3.33.
Zone 2 Zone 3
0.03
0.044
0.025 0.042
0.04
0.038
0.02
0.036
0.034
3.7 3.8 3.9 4 4.1 5.5 5.6 5.7 5.8 5.9
Temps (s) Temps (s)
Zone 6 Zone 7
0.13
0.18
0.12
0.11 0.16
0.1
0.14
0.09
13 13.2 13.4 15.5 16 16.5
Temps (s) Temps (s)
F IGURE 3.34: Zoom sur les paliers selectionés du signal
A partir de zooms effectués sur les différents paliers de la déformation axiale mesurée
comme illustré dans la figure 3.34, nous avons retenu les zones : 2, 3, 6 et 7 où l’oscillation de la
structure est propre. Nous procédons à l’estimation de la fréquence à partir de la détermination
des périodes. Ainsi, le tableau 3.6 montre les résultats de l’identification de la fréquence des
parties sélectionnées du signal. L’identification du mode de déformation peut s’effectuer au bout

d’une ou de deux périodes. L’identification de la fréquence propre de l’articulation à partir du
Paramètre estimée Zone 2 Zone 3 Zone 6 Zone 7

f0 (Hz) 9.21 9.22 9.13 8.89
TABLE 3.6: Fréquence propre identifiée via la méthodes de calcul des périodes
calcul moyen des périodes donne une idée sur le premier mode de vibration associé à f¯0 =9.11
Hz. En effet, la déviation standard relative de cet estimateur est égale à 1.68%. Elle montre sa
pertinence. Cet estimateur physique ou réel est assez simple à implémenter pour un traitement
des données en ligne.
7.3.2 Estimation de la fréquence modale par Transformée de Fourier Rapide
La transformée de Fourier discrète d’un signal périodique quelconque permet de dé-

composer un signal périodique quelconque en une somme de signaux sinusoïdaux. Cette
transformation du domaine temporel vers le domaine fréquentiel, permet alors de réaliser un
spectre en amplitude du signal et de procéder à un filtrage de ce signal.
On appelle transformée de Fourier discrète d’une suite de N termes x0 , x1 , . . . , xN −1 , la suite

de N termes X0 , X1 , . . . , XN −1 , définis par :
N −1
X nk
Xk = xn e−j2π N (3.27)
n=0
En pratique, xn = x(nTe ) et les N termes Xk correspondent à une approximation, à un facteur

multiplicatif de la période d’échantillonnage Te près, de la transformée de Fourier de ce signal
fe
aux N points de fréquence fk = k , avec k varient entre 0 et N − 1, c’est-à-dire f variant entre 0
N
et fe . L’avantage de la transformée de Fourier rapide réside en sa complexité algorithmique par
rapport à la complexité du calcul de base. En effet, la complexité de calcul de (3.27) s’exprime en
O(n ln(n)) pour sa version rapide, tandis qu’elle s’exprime en O(n2 ) pour la version basique.
La méthode d’estimation consiste à tracer l’amplitude du signal en fonction de la fréquence,

où les fréquences dominantes sont celles qui présentent un extremum local. Bien que cette
méthode est fiable, elle nécessite plusieurs périodes pour générer des résultats exploitables. On
préférera l’utiliser en post-traitement qu’en-ligne. Une analyse FFT est réalisée sur les paliers
de la figure 3.34. La figure 3.35 montre les divers résultats d’estimation fréquentielle obtenus
par cette approche. L’analyse fréquentielle par FFT montre que les oscillations constatées au
niveau des paliers de la déformation axiale sont engendrées par un seul mode de vibration dans
le domaine observé. Le tableau 3.7 donne les résultats de cette campagne d’analyse. Ainsi, les

f0 (Hz) 9.17 9.26 8.93 8.81
TABLE 3.7: Identification du mode de déformation à travers une analyse FFT

116 industriel
0.12
0.06
0.1
0.05
0.08
0.04
|δ(θ)|
|δ(θ)|
0.06
0.03
0.04
0.02
0.02 0.01
0
10 15 20 25 30 35 40 45 0 10 20 30 40 50
Frequence (Hz) Frequence (Hz)
(a) Analyse FFT de la zone 2 (b) Analyse FFT de la zone 3
0.6
0.6
0.5
0.5
0.4
0.4
|δ(θ)|
|δ(θ)|
0.3
0.3
0.2 0.2
0.1 0.1
0
5 10 15 20 25 30 35 40 45 50 55 0 5 10 15 20 25 30 35 40 45 50
Frequence (Hz) Frequence (Hz)
(c) Analyse FFT de la zone 6 (d) Analyse FFT de la zone 7
F IGURE 3.35: Résultats de l’estimation fréquentiel avec une analyse FFT
fréquences obtenues par cette campagne sont cohérentes avec celles du tableau 3.6).
7.3.3 Estimation du coefficient d’amortissement
Généralement les structures mécaniques que l’on étudie sont faiblement amorties et le facteur
d’amortissement modal est globalement inférieur à 0.2. Après vérification de cette hypothèse
nous calculons d’abord la fréquence propre. Nous déduisons alors l’amortissement ζ à partir du
décrément logarithmique comme suit :
y1 2πζ
δ = ln( )= p (3.28)
y2 1 − ζ2
où, y1 et y2 représentent les amplitudes des premiers dépassements comme montré dans la
figure 3.36. Une interpolation exponentielle sur les différents paliers des oscillations permet
d’obtenir un facteur d’amortissement constant égale à 0.159.
7.3.4 Estimation en ligne de la fréquence et du coefficient d’amortissement
Nous présentons dans ce paragraphe une application des estimateurs algébriques sur le
bras du robot afin d’identifier les paramètres fréquentiels relatifs au modèle souple de l’axe 2
i.e. la fréquence propre f0 et le coefficient d’amortissement ζ. Rappelons que la dynamique est
0.19
y1
0.18
y2
0.17
0.16
0.15
0.14
0.13
15.6 15.7 15.8 15.9 16 16.1
Temps (s)
F IGURE 3.36: Identification du coefficient d’amortissement
soumise à l’action de la souplesse articulaire et de l’amortissement du bras de robot :
Jb θ̈(t) + Dθ̇(t) + Kθ(t) + τr (t) = Dθ̇n (t) + Kθn (t). (3.29)
L’estimation pose un problème dans des situations réelles en présence de signaux mesurés,
bruités ou couplés avec des entrées inconnues vues comme des perturbations. C’est pourquoi
cette section traite les performances de la méthode algébrique afin d’aboutir à des estimateurs
rapides et robustes [Oueslati et al., 2012]. Le couple résiduel de gravité τr est considéré comme
une perturbation de type sinusoïdale (3.11) structurée. Nous nous intéressons ici au régime
oscillatoire amorti de la déformation comme montré dans la figure 3.34. Ainsi, l’équation (3.29)
est réécrite sous la forme suivante :
˙
λ1 δθ(t) + λ2 δθ(t) = −θ̈(t) (3.30)
K D
où, λ1 = et λ2 = . Bien que le système (3.30) donne un modèle comportemental de l’axe, il
Jb Jb
ne représente pas une relation entrée/sortie inspirée d’une représentation d’état classique.
7.3.5 Expressions de l’estimateur algébrique
Définissons le vecteur : Λ = (λ1 λ2 )T . L’estimation des paramètres λ̂1 et λ̂2 est définie comme
suit :
P Λ = Q. (3.31)
118 industriel
Les matrices P ∈ R3×3 et Q ∈ R3×1 sont données par :
t t
1 t 2
 Z Z Z 
τ 2 (t − τ )δθ(τ )dτ −
τ (t − τ )2 δθ(τ )dτ τ (t − τ )2 δθ(τ )dτ 

P = 0 0Z 2 Z0 (3.32)
1 Z t 2 1 t 1 t 2

2

τ (t − τ ) δθ(τ )dτ − τ (t − τ )3 δθ(τ )dτ 3
τ (t − τ ) δθ(τ )dτ
2 0 3 0 6 0
t t t
 Z Z Z 
2 2
 4 τ (t − τ )θ(τ )dτ − τ (t − τ ) θ(τ )dτ − τ θ(τ )dτ 
Q= 0 0 0 (3.33)
t t t
Z Z Z 
 2 1 3 2

2 τ (t − τ ) θ(τ )dτ − τ (t − τ ) θ(τ )dτ − τ (t − τ )θ(τ )dτ
0 3 0 0
Si P est inversible, Λ est obtenu par :

!
λ̂1
= P −1 Q, (3.34)
λ̂2
Remarque 7.3.1. Au temps t = 0 et à d’autres instants, les matrices utilisées pour calculer l’estimateur
peuvent être nulle nulles. Les paramètres sont alors indéterminés. Nous devons donc en premier lieu
évaluer la formule non pas au temps t = 0 mais après un court instant t = avec > 0. Ainsi, le vecteur
des paramètres est estimé comme suit :
(
”arbitraire” pour t ∈ [0, [
Λ̂ = (3.35)
P −1 Q pour t ∈ [, inf[.
D’après les résultats du chapitre 2, nous pourrons utiliser ensuite l’estimation de la médiane
pour remédier à ce problème de singularités.
Mise en oeuvre et implémentation
L’expression temporelle de l’estimateur algébrique (3.32) et (3.33) s’exprime systématique-

ment sous la forme d’une combinaison d’intégrales qui évoluent sur l’intervalle [0, t[. Une étude
sur la contribution des bruits sur les estimateurs est présentée dans les travaux de [Liu et al.,
2011a]. En pratique, il est utilisé une fenêtre glissante de taille Tf afin de minimiser l’effet des
dynamiques non modélisées. L’idée est de calculer ces intégrales sur une fenêtre [t − Tf , t]. Le
choix de la longueur de la fenêtre glissante en présence de signaux bruités est un problème
encore ouvert.
La déformation axiale δθ (Cf. figure 3.33) montre la présence d’une perturbation harmonique.
Cette perturbation est issue des bruits de mesures du Laser et du contrôleur du robot. Ces
harmoniques sont rejetés en utilisant un filtre passe-bas. Nous utilisons ainsi un filtre similaire à
celui présenté dans [Trapero et al., 2007]. Le numérateur et le dénominateur résultant de chaque
estimation des paramètres sont filtrés comme suit :
F (s)n(t)
λ̂k,f (t) = , (3.36)
F (s)d(t)
ωc2
où F (s) = est un filtre du second ordre. L’utilisation d’un filtre identique pour
s2
+ 2ζc ωc s + ωc2
le numérateur et le dénominateur n’affecte pas la valeur constante du quotient (3.36).
L’estimateur est programmé d’une manière discrète avec un pas d’échantillonnage de 4

ms. Les expressions à base d’intégrales (3.32) et (3.33) sont approchées par une somme en
utilisant la méthode des trapèzes. La taille de la fenêtre glissante doit être suffisamment longue
pour atténuer le bruit [Mboup et al., 2009]. En outre, plus la taille de la fenêtre est importante
plus le bruit est rejeté mais cela engendre un retard d’estimation. Ce constat doit être pris en
compte lors du choix de la longueur de Tf . L’expérience montre qu’une fenêtre de glissement de
longueur Tf = 20 × 4.10−3 s génère une estimation de Λ. Ainsi, le filtre F (s) est implémenté
avec les paramètres ζc = 0.707 et ωc = 60rad/s.
Au début de l’estimation entre les instants t = 0 et t = tf (l’instant où les paramètres sont

non identifiables) λ1 et λ2 prennent des valeurs arbitraires. Une fois que le nombre d’échantillons
stockés atteint la taille de Tf , les paramètres inconnus deviennent constants et le modèle (3.30)
converge vers les données mesurées. La figure 3.37 montre qu’après 0.08 s, les paramètres
10 Estimation Non−Asymptotique
Frequence (Hz)
0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2

Temps (s)
Coefficient d’amortissement
0.25
Estimation Non−Asymptotique
0.2
0.15
0.1
0.05
0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 0.22 0.24
Temps (s)
F IGURE 3.37: Exemple d’estimation algébrique des paramètres fréquentiels : zone 7
convergent vers des valeurs constantes pour les différents paliers de vitesses. Le temps de
convergence de l’estimateur est obtenu quand la valeur estimée ne change pas plus de ± 2%.
Ainsi, une estimation de la fréquence propre et du coefficient d’amortissement est donnée par
les relations suivantes :

1 p
 f0 = λ1 ,


2π
λ2 (3.37)
ζ =

 √ .
2 λ1
120 industriel
Les résultats de l’estimation algébrique de f0 et de ζ sont obtenus dans le tableau 3.8. Ces
résultats sont à comparer à ceux obtenus par les démarches classiques présentés dans les
sections précédentes (FFT et le calcul moyen des périodes).

f0 (Hz) 9.14 9.2 8.91 8.84
TABLE 3.8: Identification du mode de déformation à travers la méthode algébrique
7.3.6 Calcul de la variabilité de la raideur équivalente et l’amortissement de l’axe
A partir des valeurs identifiées de f0 et de ζ par les trois méthodes présentées dans §7.3 et de
l’estimation du moment d’inertie Jb obtenue précédemment (Cf. table 3.4), nous procédons au
calcul de la raideur angulaire équivalente de l’axe souple K et de son amortissement équivalent
D. Ces valeurs sont calculées comme suit :
K = ω02 Jb ,
(
(3.38)
D = 2ζω0 Jb .
Le tableau suivant, donne une étude de variabilité sur l’estimation de la raideur axiale équiva-
lente de la deuxième articulation du robot. Cette étude se base sur la variation de l’estimation de
la fréquence au niveau des paliers employés. Bien que le pourcentage de variation d’une estima-
tion de la fréquence f0 ne dépasse pas les 4% entre les différents paliers, le but est de voir l’impact
causé sur la variation de la raideur K et de l’amortissement D de l’axe. Notons que la valeur
de l’inertie du bras utilisée est celle trouvée avec une estimation expérimentale séquentielle de
l’ordre de 275.16 Kg.m2 . L’analyse des résultats obtenus montre que le pourcentage de variation
Zone 2 Zone 3 Zone 6 Zone 7

Calcul moyens des périodes (105 N.m/rad) 9.2143 9.2344 9.0550 8.5852
FFT (105 N.m/rad) 9.1345 9.3147 8.6626 8.4313
Algébrique (105 N.m/rad) 9.0748 9.1943 8.6238 8.4889
TABLE 3.9: Variation de la raideur dynamique K en fonction de la fréquence propre estimée
Zone 2 Zone 3 Zone 6 Zone 7

3
Calcul moyens des périodes (10 N.m.s/rad) 5.0635 5.0690 5.0195 4.8876
FFT (103 N.m.s/rad) 5.0415 5.0910 4.9096 4.8436
Algébrique (103 N.m.s/rad) 5.0250 5.0580 4.8986 4.8601
TABLE 3.10: Variation de l’amortissement D en fonction de la fréquence propre estimée
de la raideur dynamique ne dépasse pas les 7.7% entre la zone 3 et la zone 7 par exemple, pour
une estimation par la méthode algébrique. La variation de l’amortissement n’excède pas 3.3%.
Comme les différents essais donnent des constantes de raideur et d’amortissement légèrements
différentes, il est probablement juste de conclure qu’il se présente un effet non linéaire. Ainsi,
pour le modèle générique (3.10) nous avons opté pour des valeurs moyennes K = 8.8454 105
7.4 Validation temporelle du modèle dynamique souple 121
N.m/rad et D = 4.9604 103 N.m.s/rad. En guise de conclusion nous présentons un tableau

récapitulatif (Cf. tableau 3.11) décrivant l’ensemble des paramètres physiques estimés pour le
modèle rigide et souple de l’axe. Ce tableau va nous servir pour évaluer le modèle souple dans
le paragraphe suivant.
Paramètre Valeur Description

Vitesse > 0 Vitesse < 0
|Fs | (N.m) 148.54 111.38 Frottement statique
|Fc | (N.m) 122.19 87.02 Frottement de Coulomb
Fv (N.m.s/rad) 336.73 294.44 Frottement visqueux
|θ̇ns | (rad/s) 1.73 10−2 Vitesse de Stribeck
δs 2 Facteur frottement de Stribeck
Jm (Kg.m2 ) 685 10−6 Inertie du rotor
Jb (Kg.m2 ) 275.16 Inertie du bras
K (N.m/rad) 8.84 105 Raideur articulaire
D (N.m.s/rad) 4.96 103 Amortissement articulaire
f0 (Hz) 9.02 Fréquence propre
ζ 0.159 Coefficient d’amortissement
TABLE 3.11: Paramètres physique estimés
7.4 Validation temporelle du modèle dynamique souple
Dans cette section, nous procédons à la validation du modèle dynamique souple à constantes
localisées. Pour vérifier la précision des estimations conduites sur les mesures effectuées au
niveau de l’axe2, nous avons opté, pour la reconstruction de la déformation angulaire δθ(t)
d’intégrer dans le modèle les différents éléments du tableau 3.11. Cette campagne est réalisée
avec le même protocole d’essai décrit à la section § 7.2. La figure 3.38 montre l’évolution de la
déformation angulaire δθ(t) simulée vis-à-vis de la déformation mesurée. Le résultat le plus
pertinent concerne l’aspect vibratoire lors du changement brusque de la référence en vitesse
du moteur. On peut remarquer également le bon comportement du modèle identifié à travers
une loi de mouvement articulaire à dynamique élevée. En fait, cette approche intègre une
description comportementale des défauts dus aux éléments souples que constituent la chaîne
de transmission de l’axe couplée aux erreurs liées au couple de gravité résiduelle et le couple
de frottement interne. Le graphe 3.38 donne une idée sur la qualité du modèle avec un taux
d’approximation de 94.2 %. Cette approximation nous permet d’exploiter ce modèle identifié en
vue de concevoir des boucles d’anticipation permettant de rigidifier la structure flexible via une
précommande en boucle ouverte. En outre, en raison de la non accessibilité à l’architecture de
commande de la baie du robot, la conception de la précommande permet de fournir un signal
de commande nominal en position et en vitesse pour que la sortie réelle du bras θ(t) suive une
trajectoire imposée θref (t) en boucle ouverte. Cette correction de trajectoire prenant en compte
les phénomènes vibratoires sera étudiée dans le prochain chapitre.
122 industriel
Mesurée
0.12 Simulée
0.11
Déformation angulaire (deg)

0.1
0.09
0.08
0.07
0.06
0.05
0.04
13 13.1 13.2 13.3 13.4 13.5 13.6 13.7 13.8 13.9 14
Temps (s)
F IGURE 3.38: Validation du modèle simulé de la déformation angulaire δθ
8 Bilan sur la compréhension des phénomènes physiques et la modélisation géné-

rique d’un axe souple
Dans ce chapitre, nous avons présenté une démarche expérimentale, basée sur la mesure
de la dynamique rigide et souple d’un axe de robot industriel, afin d’obtenir un modèle de
connaissance imitant le comportement réel du manipulateur. La méthodologie de modélisation
retenue consiste tout d’abord à exprimer d’une façon détaillée les couples de gravité, de frotte-
ments et d’inertie, représentant la dynamique rigide du robot. Ce modèle est alors validé par des
expérimentations. Nous constatons alors que le taux d’approximation de ce modèle par rapport
à la réalité rigide du système dépasse les 90%. Ensuite, à partir des mesures de la déformation
angulaire à grande vitesse que subit l’axe, nous avons bâti un modèle de comportement inté-
grant les éléments souples présents. Le modèle basé sur les expérimentations permet de simuler
un mode de déformation dominant du robot, de manière simple et générique en utilisant les
caractéristiques physique du robot. Ce modèle local linéaire permet de reconstruire la défor-
mation axiale, "non visible" par la commande actuelle au niveau de la baie. L’estimation des
paramètres a été effectuée en deux étapes. La première est basée sur des approches physiques
classiques. Tandis que la deuxième est inspirée des travaux du chapitre 2 issus d’algorithmes
d’estimation non-asymptotiques. Cette redondance permet de vérifier la robustesse de cette
approche d’identification. Des relevés expérimentaux obtenus pour un profil à discontinuité en
vitesse et à dynamique élevée démontrent la pertinence du modèle avec une précision de l’ordre
de 94%. Dans le chapitre 4, nous proposons alors la synthèse d’une pré-commande en vue d’un
gain notable en précision dynamique.
Chapitre 4
Méthodologie d’amélioration du
comportement dynamique d’un robot
industriel
Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
2 Conception d’une précommande en boucle ouverte et génération de loi de
mouvement adaptées au mouvement d’un axe souple . . . . . . . . . . . . . . 124
2.1 Généralités sur les lois de mouvement . . . . . . . . . . . . . . . . . . . . 125
2.2 Méthodologie de réglage de jerk adaptée à la réduction de vibrations . . 130
2.3 Confrontation avec la technique d’input shaping . . . . . . . . . . . . . . 133
2.4 Adaptation au contexte d’un axe du robot étudié . . . . . . . . . . . . . 138
2.5 Conception d’une précompensation de trajectoire d’un axe souple de
robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
2.6 Application à la génération de précommande et validations expérimentales144
3 Caractérisation de l’évolution des fréquences propres pour un robot industriel147
3.1 Cadre d’étude et d’analyse . . . . . . . . . . . . . . . . . . . . . . . . . . 147
3.2 Analyse de la variation fréquentielle . . . . . . . . . . . . . . . . . . . . . 148
4 Application de la technique d’estimation non asymptotique à l’amélioration
du comportement vibratoire du robot . . . . . . . . . . . . . . . . . . . . . . . . 151
4.1 Estimation algébrique rapide de la variation fréquentielle modale . . . . 154
4.2 Technique d’implantation . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
4.3 Validation expérimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
5 Bilan sur la synthèse de loi de mouvement adaptée et d’une commande d’un
axe souple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
1 Introduction
A ns ce chapitre, nous poursuivons notre démarche basée sur les modèles obtenus dans
D le chapitre 3 pour en déduire une stratégie de contrôle. Cette démarche se base sur la
conception d’une structure de commande destinée au suivi de profil et caractérisée par un
aspect précommande couplé à la génération de loi de mouvement associée. Nous proposons
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
124 industriel
d’étudier l’impact de la loi de mouvement sur le comportement d’un axe de robot asservi.
Une analyse comparative est réalisée entre la loi à jerk limité disponible dans la plupart des
commandes numériques de machines de production et d’autres approches brevetées basées sur
la technique d’input shaping. Ces stratégies visent à minimiser les vibrations induites dans le
cas d’une structure soumise à un mode vibratoire. Nous présentons ensuite une démarche de
conception d’une structure de commande destinée au suivi de profil. Cette commande basée
sur le principe de précompensation est élaborée à partir du modèle d’axe souple développé et
identifié au chapitre 3. Cette démarche rejoint l’objectif global de la commande visant à minimiser
l’erreur axiale. A la fin de ce chapitre, nous présentons une approche générale d’adaptation
de la loi de mouvement à jerk limité. Elle consiste à identifier en ligne via l’estimateur non
asymptotique les variations de la configuration du robot en vue de mettre à jour le paramètre
de jerk. Cette stratégie permet d’adapter en temps réel le planificateur de mouvement afin
d’anticiper les vibrations au cours du mouvement. A l’issu d’une application expérimentale et
grâce à l’estimation rapide des paramètres, nous obtenons une réduction de 80% des vibrations
résiduelles.
2 Conception d’une précommande en boucle ouverte et génération de loi de mou-

vement adaptées au mouvement d’un axe souple
Les manipulateurs industriels présentent des commandes classiques intégrés (Cf. les boucles
dans les cadres en pointillés de la figure 4.1). Ces commandes sont toujours limitées par le
comportement souple de l’axe qui n’est pas pris en charge par les asservissements. Dans cette
section nous étudions la partie commande du système déjà identifié au niveau du chapitre 3, ici
noté Robot dans la figure 4.1.
Nous proposons l’amélioration de la précision dynamique par la réduction des vibrations

d’un axe de robot sériel. Nous introduisons une méthode de génération de mouvement de l’axe
permettant de prendre en compte la dynamique de son mode de déformation dominant. Nous
proposons ensuite une méthode de synthèse d’une précommande associée à un modèle souple
de l’axe afin de réduire l’erreur de poursuite entre la référence et la position de la charge. Les
blocs grisés de la figure 4.1 caractérisent les contributions de ce chapitre.
Le schémas 4.2 présente les boucles internes d’asservissement et d’anticipation de la figure

4.1. Le robot Stäubli est équipé de contrôleurs PID indépendants pour chaque axe. L’action de
d
commande proportionnelle (PP ID ) est obtenue en multipliant l’erreur en position (entre θm (t)
et θm (t)) avec un gain proportionnel (kp ). Ceci donne un couple moteur proportionnel à cette
erreur. Une action d’intégration, notée (IP ID ), est introduite dans le dispositif de commande
pour réduire l’erreur de position en régime permanent causée par le frottement. Ensuite, cette
erreur est intégrée et est multipliée par un gain (ki ) donnant un couple moteur relatif à l’action
intégrale. Afin d’assurer la stabilité, un terme (DP ID ) désignant l’amortissement est ajouté. Il est
multiplié par la dérivée de l’erreur en position asservie. Pour la commande du mouvement, la
dérivation numérique de l’erreur en vitesse n’est pas souhaitable car elle génére généralement
des hautes fréquences sur le signal de la vitesse. Depuis que les servo-moteurs sont équipés de
résolveurs, un signal de vitesse de haute qualité est disponible. Ce signal de vitesse est utilisé
2.1 Généralités sur les lois de mouvement 125
pour fournir l’effet d’amortissement dans une boucle de vitesse séparée. Une boucle de vitesse
est donc ajoutée à la commande de mouvement. Afin d’améliorer les performances de suivi
de trajectoire du dispositif de commande interne, un bloc d’anticipation (boucle ouverte) est
ajouté. Le bloc de micro-interpolation permet de calculer une vitesse et une accélération notée
respectivement V elf f et Accf f . En multipliant cette accélération avec un gain approprié, il est
engendré un couple d’anticipation proportionnel au couple requis à la fois pour l’actionneur et
la charge.
Anticipation u pré (t )
(boucle ouverte) 
d d u(t ) Axe du m (t ) (t )
d (t ) m (t ) Partie
Loi de
mouvement
Précommande
(filtre)
 robot
flexible
(Rigide)
 Asservissement 
 (boucle fermée) uass (t )

Robot
F IGURE 4.1: Architecture d’un système de commande générique d’axe
Calculateur robot Variateur d’axe robot Moteur d’axe robot
I ff I ff
Mode d’anticipations externes

Vel ff
Vel ff
Sercos 4 ms
K3.d/dt + Compensation I ff
(Gravité & frottement)
Vref
Vref Vel ff + Acc ff
K1 + K2.d/dt Filtre 150 Hz
interpolation
I ff θm
µ
θref θref Vreg + Vm

+ Ireg Moteur + codeur
+ PID + PI +
- - + Boucle courant
Vm
θm
F IGURE 4.2: Boucle interne de l’asservissement d’un axe du robot Stäubli RX 170
2.1 Généralités sur les lois de mouvement
Dans ce paragraphe, nous nous intéressons à la planification de trajectoire de l’axe du robot

manipulateur. Lorsque cette trajectoire notée X, est caractérisée uniquement par les points de
départ X0 et finale Xf , on parle alors d’une trajectoire de type point à point. Cette trajectoire dé-
finit ainsi la cinématique du mouvement. Nous supposons que X(t) est suffisamment dérivable
pour calculer sa vitesse et son accélération. De ce fait, une fonction temporelle candidate au titre
126 industriel
de loi de mouvement, doit satisfaire plusieurs propriétés :
1. Elle doit disposer au moins d’une phase d’accélération et d’une phase de décélération ;
2. Elle doit être suffisamment paramétrable pour décrire toutes les longueurs de déplace-
ments possibles ;
3. Elle doit avoir la capacité de limiter les vibrations du système tout en assurant une
continuité suffisante.
Nous verrons par la suite que les développements effectués sont facilement transposables au cas
d’une trajectoire définie par des points de passage où la vitesse et l’accélération sont imposées.
Définissons les fonctions du temps X(t) pour la position de l’axe, V (t) pour sa vitesse, A(t) son
accélération et J(t) son jerk. Rappelons ici les notions de base de la cinématique :
dX(t) dV (t) dA(t)

V (t) = , A(t) = , J(t) = (4.1)
dt dt dt
Les conditions initiales d’un mouvement sont définies par X0 pour la position, V0 pour la vitesse
et A0 pour l’accélération.
2.1.1 Loi de mouvement de type bang-bang
La loi de mouvement de type bang-bang doit son appellation à son principe d’élaboration.
Elle consiste à saturer la variable de commande du système, ou une de ses dérivées, en com-
mutant un certain nombre de fois du niveau maximal au niveau minimal tout en respectant les
contraintes cinématiques imposées (Cf. figure 4.3). Par ailleurs, la commande en temps optimal
repose sur le principe du bang-bang. Ce principe formulé par [Dietze, 1972] consiste à dire que
si l’on désire déplacer un système d’un état à un autre en temps minimum, il est nécessaire
d’utiliser à tout instant le maximum de puissance disponible [Tuttle, 1997]. Ce type de profil
Variable de commande
ou une de ses dérivées
f0 fn
T0 T1 T2  Tn 1 fn 1 Tn
f1 Temps
f2
F IGURE 4.3: Définition générique d’une loi de mouvement bang-bang
peut être réalisé par sommation d’échelons de différentes amplitudes et retardés dans le temps.
Bang-bang en accélération Le mouvement point à point à profil d’accélération bang-bang

consiste à saturer l’accélération pour des valeurs maximales et minimales données Amax et Amin .
La loi de mouvement est composée alors d’une phase d’accélération, d’une phase à vitesse
Position
Xf
Vmax Vitesse
Accélération
Amax
X0
0  (T   ) T Temps
F IGURE 4.4: Profil à vitesse trapézoïdal
constante et d’une décélération. Ce profil trapézoïdal en vitesse est illustré dans la figure 4.4.
La trajectoire X(t) est composée alors de trois polynômes successifs d’ordre deux, un et deux.
Les huit coefficients sont alors déterminés à partir des huit contraintes de position, des vitesses
initiales et finales ainsi que de la continuité entres les phases de transition. Dans la pratique, les
actionneurs sont tels que Amax = |Amin | et Vmax = |Vmin | où Amax et Vmax sont respectivement
l’accélération et la vitesse maximale de l’axe. Les contraintes Amax et Vmax sont définies en
fonction de la capacité de l’actionneur. Ce profil trapézoïdal en vitesse est donné par le système
suivant [Khalil, 2002] :

(Xf − X0 ) 2
X(t) = t + X0 , 0 ≤ t ≤ τ


2τ (T − τ )





 (Xf − X0 ) τ
X(t) = (t − ) + X0 , τ ≤ t ≤ T − τ (4.2)

 (T − τ ) 2

(Xf − X0 )


 X(t) = (t − T )2 + Xf , T − τ ≤ t ≤ T


2τ (T − τ )
où les durées optimales en temps τ et T vérifient les relations suivantes :
Vmax
τ= ,
Amax
(4.3)
|Xf − X0 |
T = + τ.
Vmax
Pour ce type de profil, (4.3) impose que :
2
Vmax
(T − τ ) ≥ τ ⇒ |Xf − X0 | ≥ . (4.4)
Amax
2
Vmax
Dans le cas contraire i.e. |Xf − X0 | < , le profil trapézoïdal en vitesse est tel que la vitesse
Amax
Vmax n’est pas atteinte au cours de mouvement. Le profil à temps minimum est donc constitué
de deux phases : une phase d’accélération et une phase de freinage comme le montre la figure
4.5. Le profil est donné par :
128 industriel
1.5
0.5
−0.5
Position
−1
Vitesse
Acceleration
−1.5
−2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Temps (s)
F IGURE 4.5: Loi de mouvement bang-bang en accélération
1 T
X(t) = Amax t2 + V0 t + X0 , 0 ≤ t ≤
2 2 (4.5)
1 2 T
X(t) = − Amax (t − T ) + V0 t + Xf , 0 ≤ t ≤
2 2
où les coefficients sont déterminés à partir des contraintes initiales, finales et de continuité
T
en t = . La trajectoire résultante du profil à accélération limitée est dérivable par morceaux.
2
Durant ce type de mouvement, la position s’exprime sous forme d’une spline composée de deux
polynômes de degré au plus égale à 2. Comme on peut le remarquer, les deux phases admettent
la même durée. Nous pouvons vérifier que la durée optimale du mouvement est donnée par :
s
|X − X | |Xf − X0 |
f 0
T = max 2 ,2 . (4.6)
Vmax Amax
Dans le cas où la longueur à parcourir avec cette stratégie bang-bang en accélération sature la
vitesse avant d’atteindre la position finale, on retrouve le profil en vitesse trapézoïdale.
Ce type de loi est celle que l’on retrouve dans quasiment toutes les commandes industrielles
actuelles. Cependant, l’expérience a montré qu’une loi bang-bang d’accélération présente des
discontinuités que les systèmes mécaniques flexibles ne peuvent suivre. Il peut alors se produire
une excitation vibratoire élevée de l’axe de robot au cours du mouvement. Ceci est montré par
les figures 3.10 et 3.33 du chapitre 3. Une solution classique consiste à limiter la variation de
l’accélération dans le temps. Il est donc nécessaire de passer au degré 3 et d’optimiser la position
via une stratégie à jerk minimum pour chaque phase [Gasparetto and Zanotto, 2008] et [Yazdani
et al., 2012]. Ce choix est dicté par la récente disponibilité de cette notion dans la plupart des
systèmes des commandes modernes.
Bang-bang en jerk La loi de mouvement à jerk limité permet d’avoir un mouvement plus doux
que celui avec un bang-bang en accélération. Au cours de ce type de mouvement à jerk saturé,
l’accélération varie linéairement en fonction du temps, alors que la vitesse et la position varient
de façon polynomiale. Dans [Béarée et al., 2004] il est présenté une analyse de l’influence de la loi
de mouvement en jerk sur le comportement vibratoire des machines industrielles de type robot
cartésien ou sur une machine outil à dynamique élevée. Les auteurs montrent que le choix d’une
longueur du créneau du jerk selon la période du premier mode de l’axe, permet d’avoir une di-
minution des vibrations résiduelles de 91%, comparée à un profil à accélération limitée classique.
La figure (4.6) montre un profil à jerk limité composé d’une série de sept segments où
chacun représente un mouvement élémentaire avec des conditions cinématiques initiales et
finales nulles : A0 = V0 = Af = Vf = 0. Pour que la loi de mouvement X(t) soit douce, cette
8
X(t)
6 V(t)
A(t)
J(t)
4
-2
-4
-6
t0 t1 t2 t3 t4 t5 t6 t7
-8
0 0.5 1 1.5 2 2.5 3
Tj Ta Tj Tv Tj Ta Tj
1 1 2 3 2 4
F IGURE 4.6: Profil à jerk limité à sept segments
dernière doit être de classe C 2 sur l’intervalle [0, T]. Ces conditions permettent de garantir un
lissage minimum de la position aux instants de commutation. Ceci se traduit par des contraintes
d’égalité entre les limites à gauche et à droite des positions, vitesses et accélérations en ces points
de commutations.
Chaque intervalle temporel est caractérisé par un mouvement élémentaire comme suit :
– Tj1 = t1 − t0 Mouvement à jerk maximal sur [t0 ,t1 ]
– Ta1 = t2 − t1 Mouvement à accélération maximale sur [t1 ,t2 ]
– Tj2 = t3 − t2 Mouvement à jerk minimal sur [t2 ,t3 ]
– Tv = t4 − t3 Mouvement à vitesse maximale sur [t3 ,t4 ]
– Ta2 = t6 − t5 Mouvement à accélération minimale sur [t5 ,t6 ]
Si les contraintes cinématiques suivantes sont vérifiées : |Jmin | = |Jmax | , |Amin | =
|Amax | , |Vmin | = |Vmax |, alors
Tj1 = Tj2 = Tj3 = Tj4 et Ta1 = Ta2 . (4.7)
L’optimalité en temps sous contrainte d’état est garantie lorsqu’une variable élémentaire est
130 industriel
saturée dans chacun des intervalles. Le temps d’exécution minimal est donné par les conditions
aux limites :
Tmin = Tj1 + Ta1 + Tj2 + Tv + Tj3 + Ta2 + Tj4 ,

= 4Tj + 2Ta + Tv , (4.8)
Xf Vm Am
= + + ,
Vm Am Jm
où Tj , Ta et Tv sont respectivement les durées de jerk, d’accélération ou de freinage et de vitesse

constante. Il est aussi possible d’avoir un profil à jerk continu à travers l’utilisation d’un bang-
bang de quark (dérivée du jerk). Cependant, ce profil pose des problèmes de calculs numériques
à cause des nombreuses commutations à gérer et aux intégrations successives. Ce type de
trajectoire ne rentre pas dans notre démarche de planification.
2.2 Méthodologie de réglage de jerk adaptée à la réduction de vibrations
2.2.1 Principe
Comme vu précédemment, les lois en bang-bang sont basées sur l’obtention d’un trajet en
temps minimum, cinématiquement admissible. Elles se ramènent toutes à une succession de
créneaux soit sur l’accélération, le jerk ou des dérivées d’ordre supérieures. La durée de ces
créneaux peut avantageusement être exploitée pour réduire, voire annuler, les vibrations du
système.
Le principe d’annulation des vibrations est relativement simple. Il peut s’exprimer de

différentes manières. Qualitativement, lorsqu’un système souple (comportant à minima un
mode de vibration dans la bande passante de commande) dont le comportement peut être
assimilé à celui d’un système linéaire, est soumis à une entrée indicielle, sa réponse comportera
la superposition des réponses à chacun de ses modes : classiquement un mode rigide (1er ordre)
et un ou plusieurs modes souples (2nd ordre). Si de plus, le système peut être considéré comme
stationnaire et conservatif, l’expression des réponses indicielles des modes souples prendra
la forme simple de fonctions sinusoïdales pures d’amplitude constante. Dès lors, toujours
sous l’hypothèse d’un comportement linéaire, si on impose une seconde excitation indicielle
opposée en signe et décalée en temps, alors par superposition, cette stratégie permet de réduire
voire d’annuler dans le cas d’un seul mode, les vibrations par combinaison de ces fonctions
sinusoïdales. Ainsi, un signal en créneau peut être dimensionné en temps pour réduire les
vibrations. La partie suivante détaille les éléments théoriques associés à ce principe.
La figure 4.7 présente un signal en créneau constitué de deux échelons de mêmes amplitudes
mais de signes opposés et décalés dans le temps. Notons U et T , respectivement l’amplitude et
la durée de ce créneau. Dans le domaine de Laplace, la fonction créneau normalisée s’écrira :
U
1 − e−T.s .

M (s) = (4.9)
T.s
On note que l’écriture (4.9) correspond à la version continue d’un filtre FIR moyenneur sur une
2.2 Méthodologie de réglage de jerk adaptée à la réduction de vibrations 131
M (t )
t
T
F IGURE 4.7: Créneau en jerk
0.9
0.8
0.7
0.6
|sinc(ω/ωT)|
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6
ω/ω
T
F IGURE 4.8: L’amplitude de la réponse fréquentiel du filtre M (s)
durée T . Le spectre fréquentiel de cette fonction s’obtient directement comme suit :

ωT
U 1− e−jωT ωT
sin 2
M (jω) = = U e−j 2
ωT
. (4.10)
T jω 2
L’amplitude de la réponse en fréquence de M (jω) est alors :

ωT
sin 2
ω
|M (jω)| = U ωT
= U sinc , (4.11)
2
ωT
2π sin(πx)
où ωT = et sinc(x) = est la fonction sinus cardinale. La figure 4.8 présente un
T πx
exemple d’amplitude spectrale de (4.11) pour U = 1. D’après la forme de M (jω), il vient
immédiatement que l’amplitude du spectre d’excitation du créneau est nulle pour :
ω = kωT , (4.12)
132 industriel
avec k un entier strictement positif. Ainsi, si l’on considère un mode de résonance du système à
la pulsation ω0 , il suffira de régler la période du créneau telle que :
1 2π
ωT = ω0 ⇒ T = k = kT0 , (4.13)
k ω0
où T0 est la période propre du mode considéré. Autrement dit, la durée du créneau devra être
égale à un multiple de la période propre du mode de résonance à annuler. Ce résultat issu de
la méthode employée dans [Béarée, 2005] a été ensuite étendu dans [Biagiotti and Melchiorri,
2012]. Il peut s’étendre au cas d’une structure faiblement amortie.
2.2.2 Réglage du jerk
Le principe d’annulation de vibration vu précédemment ne peut s’appliquer à la loi en bang-

bang d’accélération en temps minimum classique, puisque dans ce cas la durée des créneaux
(ici 2 créneaux) est déjà fixée pour satisfaire des contraintes cinématiques sur l’accélération, la
vitesse et la position à atteindre. La loi à jerk limité offre ce degré de liberté supplémentaire. La
durée des créneaux de jerk, noté Tj , peut être prise égale à la durée du mode propre dominant
de l’axe considéré. La valeur maximale du jerk sera alors donnée par la relation :
Amax
Jmax = . (4.14)
Tj
On notera que le spectre de la loi à jerk limitée peut se déduire du spectre donné à la figure
1
4.8 par une triple intégration. Ceci revient à diviser l’amplitude par 3 et introduit ainsi une «
ω
douceur » et une robustesse de la loi à jerk limité supérieure à celles obtenues pour une loi de
mouvement bang bang d’accélération. Cette méthodologie de réglage du jerk a été exploitée avec
succès dans [Olabi et al., 2010]. Pour un axe de robot et dans le cas d’un mode non-stationnaire,
dans [Béarée and Olabi, 2013], les auteurs démontrent que cette méthode peut être appliquée
en différenciant les durées des créneaux de Jerk lors des différentes phases du mouvement. Il
est fait l’hypothèse ici que l’évolution de la fréquence propre est négligeable sur une durée
équivalente à une période propre.
2.2.3 Loi de mouvement douces à jerk continu
Il existe aussi d’autres trajectoires de type loi de mouvement douce. Elles utilisent des
fonctions polynomiales (polynômes cubiques et quintiques de la position) [Olabi, 2011] ou
harmoniques (sinus et sinus carré), [Béarée et al., 2005]. Ces fonctions respectent la définition
générale ainsi que les contraintes liées à l’existence d’une phase d’accélération et de freinage.
Elles permettent une sollicitation minimale des actionneurs en terme d’énergie fournie. Sans
perte de généralités, cette douceur est fortement liée aux amplitudes des dérivées successives de
la trajectoire de référence. Un moyen d’améliorer cette notion de douceur est de minimiser les
amplitudes des dérivées de la position tout au long du mouvement [Colas, 2007]. Dans [Béarée
et al., 2004] il est proposé une loi en jerk en sinus2 appelée jerk harmonique engendrant un
créneau lisse en accélération et un profil en vitesse très doux. Ce type de mouvement est adapté
à la physique du système à travers la continuité de la variable de commande en vue de limiter
la vibration de la structure mécanique. Néanmoins, l’inconvénient principal de ces lois réside
2.3 Confrontation avec la technique d’input shaping 133
dans la non-optimalité par rapport au temps.
2.3 Confrontation avec la technique d’input shaping
La technique d’input shaping permet d’améliorer le comportement souple des systèmes

flexibles par la réduction, voire l’annulation, des vibrations résiduelles. Le principe de com-
pensation des vibrations s’effectue par la mise en forme de la référence, [Singer and Seering,
1990] et [Singhose, 1997]. Cela consiste à appliquer par convolution un filtre impulsionnel à
la trajectoire de référence, constitué d’une série d’impulsions appelées shaper (Cf. figure 4.9).
L’idée de cette technique est issue d’une observation expérimentale des phénomènes vibratoires
Loi de mouvement à Loi de mouvement

mettre en forme mise en forme
Shaper
F IGURE 4.9: Mise en forme de la loi de mouvement avec la technique d’input shaping
qui s’annulent naturellement lorsqu’ils sont de même amplitude mais opposés en phase. Ainsi,
l’approche repose sur le fait que les vibrations induites par la première impulsion vont s’annuler
grâce à une deuxième impulsion déphasée dans le temps et commençant à la demi-période de
la première réponse impulsionnelle. Si les impulsions dans le shaper sont choisies correctement,
le système répondra sans vibration pour toute commande par l’effet de compensation, comme
indiqué dans la figure 4.10. Les amplitudes et les instants de commutations sont obtenus à partir
de la connaissance des fréquences propres du système et de ses amortissements [Kang, 2011].
[Singer and Seering, 1992] montrent qu’une séquence limitée à deux impulsions est très sensible
8
Réponse à la premiére impulsion
Réponse à la deuxiéme impulsion
Réponse totale
6
2
Position
−2
−4
−6
0 1 2 3 4 5 6
Temps (s)
F IGURE 4.10: Technique de l’input shaping

134 industriel
à la variation paramétrique. C’est pourquoi les auteurs proposent d’ajouter d’autres impulsions,
bien que cela augmente le temps de cycle. On distingue deux types de shapers couramment
employés pour l’annulation des vibrations résiduelles des systèmes industriels :
– Le Zero-Vibration (ZV) shaper qui représente un filtre à deux impulsions pour lequel la
vibration en fin du mouvement pour l’état position, doit être égale à zéro
– Le Zero-Vibration Derivative (ZVD) shaper qui est un filtre à trois impulsions pour lequel
la position et sa dérivée présentent des vibrations nulles en fin du mouvement.
2.3.1 Etude de sensibilité des techniques de commande basées sur l’Input Shaping
Soit V (ω, ζ) l’expression de la vibration résiduelle d’un oscillateur harmonique du second

ordre qui résulte d’une suite d’impulsions décalées dans le temps (Cf. figure 4.10), [Singh and
Singhose, 2002].
v
u n n
2 X 2
u X
−ζω0 Tn t
V (ω, ζ) = e Ai eζω0 Ti cos(ωr Ti ) + Ai eζω0 Ti sin(ωr Ti ) , (4.15)
i=1 i=1
où Ai et Ti sont respectivement les amplitudes et les instants de commutation, n est le nombre

p
des impulsions, ω0 désigne la pulsation propre du processus et ωr = ω0 1 − ζ 2 sa pulsation de
résonance. L’équation (4.15) représente alors le pourcentage de vibration résiduelle. Elle indique
le rapport des vibrations causées par une série d’impulsions comparées à une vibration induite
suite à une seule impulsion d’amplitude unitaire. La détermination des instants Ti ainsi que
les amplitudes Ai permettant d’annihiler les vibrations, est issue de la résolution de l’équation
V (ω, ζ) = 0. Sans pertes de généralités, la solution consiste d’abord à imposer des restrictions
sur les amplitudes Ai qui doivent être différentes de zéro. De plus, pour obtenir des résultats
normalisés, on impose :
XN
Ai = 1, Ai > 0. (4.16)
i=1
ZV Shaper : Dans le cas où la séquence présente uniquement deux impulsions i.e. le cas des
ZV Shaper en notant t1 = 0 l’instant de la première impulsion, la solution constitant à annuler
(4.15) avec la contrainte (4.16) peut alors s’exprimer comme suit :

A + A2 eζω0 t2 cos(ωr t2 ) = 0,
 1


A2 eζω0 t2 sin(ωr t2 ) = 0, (4.17)


A1 + A2 = 1.

nπ nTr
Une solution de l’équation (4.17) est telle que ωr t2 = nπ ⇒ t2 = = , n=1,2,... où Tr
ωr 2
est la période des vibrations. Un choix simple de t2 consiste à prendre n le plus petit possible,
Tr
c’est-à-dire n = 1. Par conséquent, t2 = .
−ζπ
2
√
Soit L(ζ) = e 1−ζ 2 . La séquence des deux impulsions (Cf. figure 4.11) garantissant une vibration
résiduelle nulle pour un ZV shaper est illustrée par l’équation suivante :
1 L
!  
Ai
= 1+L
 1 + L . (4.18)
ti 0 0.5Tr
En pratique, les premiers modes propres des machines de production sont faiblement amorties
E (t ) F (t )
A2
A1 A2
t
* A1
t
t1 t 2
t1 t 2
F IGURE 4.11: Convolution entre un échelon unitaire et un shaper de type ZV (2 impulsions)
(ζ < 2%). Nous traitons dans la suite le cas où le coefficient ζ → 0 d’où ω0 = ωr . En notant par
FZV (t) la fonction résultante d’un ZV Shaper, cette fonction s’écrit dans le domaine de Laplace
comme suit : Ts
A 1 + e− 2
FZV (s) = . (4.19)
2 s
Le spectre fréquentiel s’obtient directement par :
T T
A −jω T ejω 4 + e−jω 4
FZV (jω) = e 4 ,
2 jω (4.20)
ωT
T cos(
4 )
= −jA e−jω 4 .
ω
L’amplitude de FZV (jω) est alors
cos( ωT
4 )
|FZV (jω)| = A . (4.21)
ω
ZVD Shaper : De la même manière que le ZV shaper, on montre que pour un shaper de type
ZVD, les trois amplitudes et les trois instants de commutation sont définis comme suit [Poty
et al., 2003] :
!  L2

1 2L
Ai
=  1 + 2L + L2 1 + 2L + L2 1 + 2L + L2  . (4.22)
ti 0 0.5Tr Tr
Pour un système faiblement amorti (ζ ' 0 et ωr ' ω0 ), on peut facilement vérifier que les
T T
instants de commutation sont t1 = 0, t2 = et t3 = . Ainsi, les trois amplitudes pour un
2 4
A A A
créneau de commande d’amplitude initiale A sont respectivement A1 = , A2 = et A3 = .
4 2 4
Soit FZV D (t) la fonction résultante d’un ZVD Shaper. En partant de la figure 4.12, cette fonction
peut s’exprimer dans le domaine de Laplace :
T
A 1 + 2e− 2 s + e−T s
FZV D (s) = . (4.23)
4 s
136 industriel
E (t ) F (t )
A3
A2 A2
t
* A1 A3 A1
t
t1 t2 t3 t1 t2 t3
F IGURE 4.12: Convolution entre un échelon unitaire et un shaper de type ZVD (3 impulsions)
Le spectre fréquentiel est alors :
A ωT h ωT 3ωT ωT 3ωT i

FZV D (jω) = cos( ) − sin + sin − j cos + cos . (4.24)
ω 4 4 4 4 4
L’amplitude de la réponse en fréquence est donnée par :
A ωT r h ωT 3ωT ωT 3ωT i
|FZV D (jω)| = cos 2 + 2 sin sin + cos cos . (4.25)
ω 4 4 4 4 4
Analyse et discussion La figure 4.13 présente une étude de sensibilité de l’amplitude de la

vibration en fin de déplacement en réponse aux trois lois de mouvement étudiées, à savoir le
jerk limité, le ZV Shaper et le ZVD Shaper. Ici on compare |M (jω)|, |FZV (jω)| et |FZV D (jω)| en
fonction du rapport entre la pulsation propre réelle du système et la pulsation estimée. Cette
figure est extraite des études présentées dans § 2.2 pour le jerk et § 2.3.1 pour la technique
d’Input Shaping pour l’analyse vibratoire en fin de déplacement. Bien que le ZV Shaper réduise
d’une demi période propre le temps du cycle, il est peu robuste vis-à-vis de la sensibilité
ω
du ratio pour un niveau de vibration donné. En effet, pour un pourcentage de vibration
ω0
inférieur à 20%, ce type de Shaper est robuste pour une variabilité de ω par rapport à la
pulsation ω0 de ± 12%. Le ZV Shaper et le jerk limité présentent respectivement une plage de
sensibilité du ratio de pulsation de 60% et 47%. Ceci permet d’affirmer que ces dernières sont
beaucoup moins sensibles aux incertitudes d’estimation de la pulsation propre du système en
vue d’annihiler les vibrations résiduelles. Ces deux filtres nécessitent une demi période de
plus que le ZV. Jusqu’à présent, nous avons traité l’influence de la loi de mouvement pour
le cas spécifique d’une souplesse mécanique unique. Il est évident que plusieurs modes de
déformation contribuent conjointement au caractère vibratoire du positionnement. Dans ce
paragraphe, nous nous intéressons au caractère multimodes d’un système. Soit un système
composé de deux oscillateurs harmoniques de second ordre faiblement amortie, en série. En vue
de simuler le comportement vibratoire du process, le premier ensemble masse ressort possède
une fréquence propre de 10 Hz, tandis que la fréquence du second système est prise égale à
25 Hz. L’objectif de cette étude consiste à vérifier l’influence de la loi de mouvement, dont le
réglage est basé uniquement sur la connaissance d’un seul mode dominant sur le comportement
vibratoire global du système. La figure 4.14 montre la réponse fréquentielle en position de
la charge finale pour une excitation au niveau de l’actionneur. Dans ce cas, trois types de loi
de mouvement sont choisies : bang bang en accélération, une loi de type jerk limité dont le
réglage du temps de jerk Tj est égale à 0.1 s réglé sur le premier mode et enfin un Shaper de
100
Jerk limité
ZV shaper
90
ZVD shaper
80
70
60
|F(jω)| %
50
40
30
24 % 60 %
20
47 %
10
0
0 0.5 1 1.5 2 2.5 3
ω/ω0
F IGURE 4.13: Sensibilité des lois de mouvement en jerk limité, d’un ZV shaper et d’un ZVD Shaper en
fonction du rapport entre la pulsation estimée ω et la pulsation du mode dominant du
système ω0
0.8
Echelon d’accélération
Jerk
0.7 ZVD shaper
0.6
0.5
Amplitude
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30
Fréquence (Hz)
F IGURE 4.14: Réponse fréquentielle en position de la charge pour une excitation au niveau de l’actionneur
type ZVD respectant les contraintes imposées dans §2.3.1. Les amplitude des pics fréquentiels
permettent de confirmer la contribution de chaque loi de mouvement sur les oscillations en
position du point final. En présence d’un mode de déformation secondaire, l’effet de filtrage
intégrale du bang bang en jerk permet de diminuer voir de supprimer toutes les oscillations
issues des modes non pris en compte dans le réglage de la loi de mouvement.
138 industriel
Les lois de mouvements en jerk limité sont disponibles dans la majorité des commandes
d’axe. En effet, l’implantation est simple à gérer par un filtre moyenneur où le temps de jerk
est adapté en fonction du mode dominant de vibration de la structure. De plus, contrairement
à la technique d’input shaping où le contrôleur doit être modifié en vue de s’adapter à cette
dernière, la loi de mouvement à jerk limité est moins sensible à l’amortissement. En synthèse la
technique de réglage du jerk présente :
– une loi robuste pour l’annulation des vibrations du premier mode considéré ;
– une loi réduisant naturellement l’influence des dynamiques négligées.
Dans ce qui suit, nos développements seront basés sur la loi à jerk limité.
2.4 Adaptation au contexte d’un axe du robot étudié
Dans cette section, nous nous intéressons aux vibrations induites par la loi de mouvement
considérée lors du déplacement, mais également en phase d’arrêt. Dans les phases d’accélération
et de décélération, il se produit des vibrations qui peuvent devenir problématiques lors de cycles
de chargement et de déchargement dans le cadre d’opérations robotisées. Nous considérons
pour le moment un axe de robot flexible non soumis à l’action de la gravité. La fonction de
transfert reliant l’angle du moteur vu après l’étage de réduction à l’angle du bras est donnée
par :
θ(s) 2ζω0 s + ω02
Hmb = = 2 , (4.26)
θn (s) s + 2ζω0 s + ω02
r
K D
où ω0 = et ζ = √ .
Jb 2 KJb
Les paramètres du système (4.26) sont identifiés par les techniques développées dans le
chapitre 2 dans le cas de l’axe 2 de notre robot. Ceci nous conduit à une fréquence de résonance
fr ≈ f0 = 9.02 Hz et un coefficient d’amortissement égale à 0.159. Comme vu précédemment, le
système de commande imposé à l’inertie du moteur Jm est supposé idéal. Ce résultat ne reste
fiable que si l’hypothèse d’un asservissement parfait sur le modèle rigide est effectivement
vérifié. Cette partie sera validée ultérieurement lors d’analyses expérimentales. Ceci implique
que θref (t) = θn (t), où θn (t) est une trajectoire générée via un planificateur de mouvement
proposé dans la section précédente. Nous analysons alors l’impact du choix du type de
trajectoire sur le comportement dynamique de la charge et spécifiquement l’erreur de poursuite
ou bien la déviation axiale définie par δθ = |θref (t) − θ(t)| = |θn (t) − θ(t)|.
Le choix de la durée des créneaux par exemple (4.9) est crucial sur le comportement dyna-
mique vibratoire du système. Par ailleurs, un mauvais choix peut conduire à des oscillations
résiduelles importantes en fin de mouvement. La relation dynamique entre la trajectoire de
référence θref (t) et l’erreur de poursuite δθ est obtenue après quelques opérations algébriques
sur l’équation (4.26) :
δθ(s) s2
= 2 . (4.27)
θref (s) s + 2ζω0 s + ω02
Nous pouvons alors réécrire la relation (4.27) sous la forme suivante :
δθ(s) δθ(s) 1
Hδ (s) = = = 2 . (4.28)
(2)
θref (s) s2 θ
ref (s) s + 2ζω0 s + ω02
2.4 Adaptation au contexte d’un axe du robot étudié 139
Par conséquent, δθ est obtenue par un simple produit entre l’accélération de référence
θ̈ref (t) = θ̈n (t) et la fonction de transfert Hδ (s) qui est caractérisée par sa pulsation propre ω0 et
son coefficient d’amortissement ζ.
La vibration maximale correspond à un profil d’accélération limitée. En effet, la réduction

relative de cette vibration sera effective en augmentant au fur et à mesure le temps de filtrage
jusqu’à ce que Tj soit un multiple entier de T0 . Bien évidemment, il est possible de surestimer
la période naturelle afin de garantir un certain niveau de vibration résiduelle mais il sera
accompagné par un retard sur la durée finale du mouvement. La figure 4.15 montre la réponse
0.9
Echelon d’accélération
Jerk (ω − 20%)
0.8 0
Jerk (ω0 + 20%)
Jerk (ω − 50%)
0.7 0
Jerk (ω )
0
0.6
Amplitude de Hδ
0.5
0.4
0.3
0.2
0.1
0
0 2 4 6 8 10 12 14 16 18 20
Fréquence (Hz)
F IGURE 4.15: Influence des incertitudes d’estimation de ω0 sur le spectre fréquentiel de Hδ
en fréquence de Hδ (s) pour une loi de mouvement en jerk limité soumise à une incertitude au
niveau de l’estimation de la pulsation propre de l’axe du robot manipulateur. En outre, pour le
réglage de la période de jerk Tj , nous constatons que l’amplitude de Hδ suite à une incertitude
sur la connaissance exacte de f0 de ±20% est réduite d’environ 80% par rapport à un profil en
accélération limitée. La figure 4.16 met en valeur l’influence du coefficient d’amortissement ζ
sur la vibration résiduelle d’un oscillateur harmonique du second ordre et résultant d’une loi de
mouvement en bang bang de jerk. Nous montrons que pour un taux d’amortissement inférieur
à 15% on obtient une amplitude vibratoire ne dépassant pas les 15% (Cf. figure 4.16(b)). L’effet
sur l’amplitude de la vibration résiduelle est alors faible. Ceci justifie l’hypothèse classique des
modes faiblement amortis pour les machines industrielles.
Ainsi, comme montré dans le paragraphe 2.2, le choix adéquat consiste à prendre une
durée de jerk Tj égale à la période propre du système étudié. Cela se traduit par une vibration
minimale dans le voisinage de f0 . De ce fait, nous constatons par exemple que le choix de
T0
la durée du jerk Tj = , provoque une amplitude vibratoire importante. La déformation
4
axiale δθ(t) présente alors des vibrations non négligeables. Afin de minimiser ces vibrations
140 industriel
22
25 20
18
20
16
15 14
V(ω,ξ) (%)
12
10
10
5
8
6
0
0.4
4
0.3
0.2 2
1.4 1.5
0.1 1.3
1.1 1.2
0 0.9 1
ξ 0.8
ω/ω0
(a) Influence de ζ sur la vibration résiduelle d’un axe du robot (3D)
0.4
22
0.35
20
0.3 18
16
0.25
14
0.2 12
ξ
10
0.15
8
0.1 6
4
0.05
2
0
0.8 0.9 1 1.1 1.2 1.3 1.4 1.5
ω/ω0
(b) Influence de ζ sur la vibration résiduelle d’un axe du robot (2D)
F IGURE 4.16: Influence de l’amortissement ζ sur le comportement vibratoire d’un axe du robot pour un
bang bang en jerk
résiduelles, nous nous basons sur le résultat (4.13) consistant à choisir la durée de créneau de
jerk égale à un multiple entier de la période propre du système T0 . Cette loi de mouvement à
jerk limité est obtenue en filtrant la position issue d’un profil à vitesse trapézoïdale (stratégie
bang-bang en accélération). Le filtre utilisé est un FIR non récursif à moyenne glissante où pour
compenser le mode vibratoire dominant de l’axe le temps de filtrage noté tf = Tj , est égale à
2.5 Conception d’une précompensation de trajectoire d’un axe souple de robot 141
Am
. Cette technique de filtrage est utilisée dans les travaux de [Zanotto et al., 2011] et [Béarée
Jm
and Olabi, 2013]. Une approche similaire est présentée aussi dans [Biagiotti and Melchiorri, 2012].
La figure 4.17(a) montre deux types de profil couramment utilisés. Le premier consiste en
une loi en bang bang d’accélération, tandis que le deuxième est un profil à jerk limité où la
durée de jerk est prise égale à la période propre de l’axe du robot. Le graphe 4.17(b) illustre
deux simulations d’erreurs de poursuite en position pour les deux périodes de filtrage à savoir
T0
tf = T0 et tf = . Nous déduisons que le profil à jerk limité présente un potentiel de réduction
4
d’erreur vibratoire théorique de 80%. On constate que le réglage du temps de jerk via le filtrage
de la position de référence n’annihile pas totalement les vibrations. Ceci est dû à la présence
d’un amortissement ζ = 0.159 faible mais non nul. Comme on peut le constater aussi, l’erreur
de poursuite moyenne n’est pas modifiée.
2.5 Conception d’une précompensation de trajectoire d’un axe souple de robot
Dans ce paragraphe nous abordons la problématique de la synthèse d’une commande

en boucle ouverte adaptée au suivi de trajectoire, dite précommande, gérée par la loi de
mouvement développée au § 2.1. L’idée repose sur une approche de compensation basée sur le
modèle dynamique souple estimé (3.10) sans remplacer la baie de commande industrielle ni
l’architecture de contrôle. Cette piste d’investigation semble la plus adéquate dans un contexte
d’implantation industriel.
La précommande comme illustrée dans la figure 4.1 est théoriquement parfaite si elle
correspond à l’inverse du modèle du processus. L’identification des différents éléments que
constituent le modèle rigide : le couple de gravité, le couple de frottement et l’inertie du bras ainsi
que les éléments souples de la chaîne de transmission seront la base du modèle de précommande.
L’objectif global de la précompensation est de corriger la déviation du point final de l’axe par
rapport à la consigne du moteur engendrée par les défauts de transmission. La compensation
des défauts dynamiques de l’axe et la correction des trajectoires seront effectués hors ligne
comme exposé dans l’introduction générale de la thèse.
2.5.1 Elaboration de la précompensation souple
Nous reprenons le modèle d’axe soumis à un mode de déformation prépondérant du type

mode de transmission (Cf. figure 3.14). Dans le cas de l’axe souple de notre robot, il est évident
que les variations de paramètres tels que l’inertie équivalente rapportée à l’axe 2, et la raideurs
sont beaucoup plus lentes par rapport aux différentes constantes de temps du système. Par
ailleurs, ces paramètres ne présentent pas une discontinuité dans leurs évolutions. Certaines
dynamiques agissantes sur le système sont plus rapides comparées à l’évolution des paramètres
modaux. Par conséquent, la conception d’une précommande basée sur le modèle élastique ne
posera pas de problème lors de son intégration. Si ce modèle est initialement non linéaire, deux
solutions peuvent se présenter.
La première consiste à linéariser le modèle autour d’un point de fonctionnement ou bien la

142 industriel
100
Pos (deg)
50 Jerk non adapté : Tj=T0/4
Jerk adapté : Tj=T0
0
0 0.5 1 1.5 2 2.5 3
100
Vit (deg/s)
50
0
0 0.5 1 1.5 2 2.5 3
Accel (deg/s2)
100
−100
0 0.5 1 1.5 2 2.5 3
Jerk (deg/s3)
1000
0
−1000
0 0.5 1 1.5 2 2.5
Temps (s)
(a) Exemple de profil de référence pour le test avec Vmax = 57.29 deg/s et Amax = 57.29 deg/s2
0.03
T =T
j 0
Tj=T0/4
0.02
0.01
δ θ (deg)
−0.01
−0.02
−0.03
0 0.5 1 1.5 2 2.5 3
Temps (s)
(b) Comparaison de l’erreur de poursuite en position δθ(t) en fonction du réglage de la durée

du filtre
F IGURE 4.17: Adaptation du profil initial pour la réduction des vibrations
deuxième approche tend à exploiter quelques propriétés naturelles du système mises en valeur
telle que la génération de trajectoire appropriée. Dans ce cas, la génération de trajectoire est
facilitée si le processus de départ est un système plat [Fliess et al., 1995]. Ainsi, la précommande
est déduite de façon algébrique à partir de variables appelées sorties plates. De manière explicite,
un système est plat si on peut trouver un ensemble de sorties (égales en nombre au nombre
2.5 Conception d’une précompensation de trajectoire d’un axe souple de robot 143
d’entrées) tel que tous les états et toutes les entrées du système puissent être déterminés à partir
de cet ensemble de sorties et de leurs dérivées en nombre fini. La loi de mouvement peut être
entièrement définie dans les coordonnées des sorties plates. La précommande est alors calculée
directement sans aucune intégration [Colas, 2007]. Dans le cas contraire (système non plat),
la précommande est relativement difficile à concevoir [Graichen et al., 2005]. Ce deuxième
cas ne sera pas traité en raison des caractéristiques physiques du système mécanique étudié.
Cependant, le contrôleur industriel actuel ne permet pas de fournir un couple moteur désiré en
anticipation [De Luca and Flacco, 2010], [Khatib et al., 2008] ou une entrée sous forme d’un
effort appliqué d’une manière classique. Nous disposons uniquement d’une ouverture hors
ligne permettant d’injecter un profil en position et vitesse désirée au robot. Grâce aux données
récupérées au niveau du contrôleur du robot, nous avons tracé l’erreur de l’asservissement en
position de l’axe 2 dans le cas d’un profil donné par la figure 3.32.
La figure 4.18 montre que l’erreur entre la consigne et le retour du codeur respecte une
tolérance ne dépassant pas les ±10−3 degré en régime permanent. En conséquence, la dyna-
mique des contrôleurs/conrrecteurs sera négligée dans notre développement. Néanmoins, cette
figure montre les discontinuités du couple du moteur de l’axe 2. Elles sont issues du profil à
discontinuité en vitesse et dues à une dynamique d’asservissement pas suffisamment rapide
au moment de la commutation. Le modèle d’estimation de la déviation angulaire de l’axe 2
0.06
0.05
Erreur des asservissements en position (deg)
0.04
0.03
0.02
0.01
−0.01
−0.02
−0.03
−0.04
0 2 4 6 8 10 12 14 16 18
Temps (s)
F IGURE 4.18: Erreur de suivi de trajectoire de l’axe 2 liée au changement de vitesse
à partir de la consigne en position angulaire désirée fourni au contrôleur du robot doit dé-
crire le comportement linéaire et non linéaire couvrant l’enveloppe de fonctionnement de l’axe
dans tout l’espace. Elle sera basée sur le comportement souple du système où la dynamique
du modèle est régie par les équations (3.10). Une description complète de la dynamique du
robot est trop complexe pour une compensation d’erreur effectuée en ligne. Le comportement
du mouvement est déterminée non seulement par les élasticités et les accouplements, mais
144 industriel
aussi par la structure de la commande conjointe qui est inconnue. En outre, la compensation
des déformations doit être assez fluide. Par conséquent, le modèle employé ne doit pas être
lourd en terme d’implémentation logicielle. Pour cette raison, l’erreur de position angulaire est
décrite dans un modèle simplifié dont les paramètres sont parfaitement identifiés. En réalité, la
déformation élastique de l’axe δθ est donnée par l’équation suivante :
d
θm
δθ = θ − (4.29)
N
où N est le rapport de réduction supposé constant. Dans ce cas, l’action de précompensation

consiste alors à anticiper l’erreur de position de l’axe afin de calculer une nouvelle consigne de
position comme le montre la figure 4.19. La figure 4.20 montre le schéma global de l’axe du robot
d Contrôle par
d
m Contrôle en Contrôle en Contrôle du Axe du Bras du 
anticipation position vitesse moteur robot robot
Courant moteur
m
m
Système de contrôlé en cascade
F IGURE 4.19: Idée globale de la précompensation de trajectoires
considéré avec la stratégie de précompensation traitée en hors ligne. Cette précompensation

utilise un modèle du système identifié en boucle fermée pour filtrer la trajectoire désirée. Ce
modèle inverse consiste en un modèle flexible décrivant la dynamique de la transmission interne
de l’axe du robot. La dynamique du contrôleur n’est pas prise en compte dans ce cas de figure
étant donné que ce dernier assure déjà, comme montré, un suivi de trajectoire performant. la
nouvelle consigne en position s’est basée sur le modèle décrit par la dynamique souple de (3.10).
L’intégration de cette nouvelle consigne en vue d’assurer un principe de correction de l’erreur
axiale est définie comme suit :
θnd = θn théorique − δ θ̂,

2ζω0 s + ω02

Jb
(4.30)
théorique
δ θ̂ = 2 − 1 θ n − τr (θn théorique ).
s + 2ζω0 s + ω02 s2 + 2ζω0 s + ω02
Rappelons que θn théorique est la consigne en position initiale sans précommande (compensation),
τr (θn théorique ) désigne le couple de gravité résiduel §3. L’erreur δ θ̂ est calculée par le modèle
d’élasticité dynamique développée dans §7 et l’équation (4.27). Cette nouvelle consigne θnd
permet de réduire la déformation axiale avec la prise en compte du comportement élastique.
2.6 Application à la génération de précommande et validations expérimentales
Dans ce travail, nous intégrons le modèle dynamique élastique dans le planificateur de

trajectoire du robot industriel. Le planificateur est celui utilisé pour le réglage du jerk adapté à
la réduction des vibrations. Nous avons planifié une trajectoire à loi de mouvement à jerk limité
2.6 Application à la génération de précommande et validations expérimentales 145
Robot industriel
d
m n
Contrôle en Etage de Bras du  poseT
Servo moteur
position réduction robot
Contrôleur - -
du robot
Codeur
interne
n 
Précommande Modélisation  Transformation

T Mesure par
et
géométrique Laser Tracker
Identification
Modèle de compensation Mesure et identification (hors-ligne)
F IGURE 4.20: Structure de la correction dynamique de la déformation articulaire
adapté au premier mode dominant de l’axe 2 pour réduire les vibrations résiduelles en fin de
chaque transition. Cette trajectoire est illustrée dans la figure 4.21. Les tests sont effectués sans
Jerk (deg/s3) Acceleration (deg/s²) Vitesse (deg/s) Position (deg)
100
−100
0 2 4 6 8 10 12 14 16
15
10
0
0 2 4 6 8 10 12 14 16
50
−50
−100
0 2 4 6 8 10 12 14 16
500
−500
0 2 4 6 8 10 12 14 16
Temps (s)
F IGURE 4.21: Loi de mouvement utilisée pour la génération de la précommande
charge. Avant d’appliquer la stratégie de correction dynamique (4.30), nous avons exécuté la
trajectoire choisie où seules les données issues du codeur sont reconstruites. Comme constaté
auparavant, les défauts issus du couple de gravité résiduel et ceux engendrés par la souplesse
articulaire ne sont pas corrigibles par le contrôleur lors de la réalisation de la trajectoire. La
146 industriel
figure 4.22 illustre le couple moteur fourni ainsi que l’erreur d’asservissement
de la baie de
théorique
contrôle limité à l’étage de réduction. Ceci met en évidence l’hypothèse θn (t) = θnmesurée
où la position théorique désirée est égale à celle fournie par le codeur. La mesure de la position
1500
Couple moteur (N.m)
1000
500
−500
−1000
0 2 4 6 8 10 12 14 16
Erreur d’asservissement (deg)
0.015
0.01
0.005
−0.005
−0.01
−0.015
0 2 4 6 8 10 12 14 16
Temps (s)
F IGURE 4.22: Mesure codeur du couple généré et l’erreur d’asservissement du contrôleur du robot
du point final du bras 2 du manipulateur est assurée par le Laser Tracker. Ainsi, la figure 4.23
illustre les mesures de la trajectoire désirée de l’axe sans correction et avec corrections des
défauts liés au couple de chargement (gravité résiduelle) et aussi aux élasticités présentent
au sein de la chaîne de transmission mécanique. Cette figure permet de mettre en évidence
l’effet de la déformation articulaire δθ de l’axe 2 en réponse à la stratégie de la précompensation
utilisée.
En vue de quantifier l’erreur de position angulaire δθ le long de la trajectoire parcourue par

le bras du robot, nous utilisons les deux paramètres suivants :
n
1X
– la valeur moyenne Mδθ = |δθk |, où n est le nombre de points mesurés de la trajec-
n
k=1
toire ;
– l’écart entre la valeur maximale et la valeur minimale de Eδθ = δθmax − δθmin .
Trajectoire de l’axe Mδθ (deg) δθmax (deg) δθmin (deg) Eδθ (deg)
Sans précompensation 0.06693 0.1042 0.03834 0.06586
Avec précompensation 0.02588 0.03981 0.01341 0.0264
TABLE 4.1: Caractérisation de l’apport de la stratégie de précompensation sur la déviation au bout d’axe
Le tableau 4.1 montre l’apport de la stratégie de précompensation sur l’amélioration du

comportement de l’axe en dynamique élevée. De ce fait, la correction des défauts d’élasticité
3 Caractérisation de l’évolution des fréquences propres pour un robot industriel 147
0.16
Avant la stratégie de compensation
Aprés compensation
0.14
0.12
0.1
0.08
0.06
0.04
0.02
2 4 6 8 10 12 14
Temps (s)
F IGURE 4.23: Apport de la stratégie de précompensation sur la déviation de l’axe 2
axiale réduit Mδθ de 61.3 % et Eδθ de 60%.
Pour conclure, nous avons présenté une méthode de compensation hors ligne de la dy-
namique souple de l’axe 2 en vue d’améliorer sa précision de positionnement. Les premiers
résultats expérimentaux de cette approche de précompensation par génération de trajectoire
adaptée, montrent qu’il est possible d’obtenir une amélioration significative au niveau de la
précision de suivi dynamique. Dans les sections suivantes, nous étendons cette étude vers
l’amélioration du comportement oscillant lors d’un mouvement multiaxes où on aperçoit un
déplacement des modes de déformation.
3 Caractérisation de l’évolution des fréquences propres pour un robot industriel
3.1 Cadre d’étude et d’analyse
Jusqu’à présent, nous avons focalisé notre étude sur une seule configuration du robot où
ce dernier effectu son déplacement autour de l’axe 2. Ainsi, le comportement vibratoire est
uniquement caractérisé par une fréquence propre associée à un seul mode dominant. Dans ce
qui suit, nous proposons d’étendre notre démarche en vue d’étudier l’évolution des modes de
déformation de l’axe 2 suite à un changement de la configuration du robot. Pour cela, notre
choix repose sur une configuration particulière et utile qui est la configuration d’usinage du
robot (Cf. figure 4.24). Ainsi, nous avons planifié une trajectoire dans la direction de Y du robot.
Le long de cette trajectoire seuls les axes 2 et 3 bougent, tandis que les autres restent bloqués.
Les configurations de départ et d’arrivée sont données dans le tableau 4.2. L’idée est d’effectuer
un premier mouvement à vide puis un deuxième mouvement avec montage de la broche au
148 industriel
F IGURE 4.24: Robot en configuration d’usinage
Axes Configuration de départ (deg) Configuration d’arrivée (deg)

θ1 -90 -90
θ2 -20 40
θ3 140 70
θ4 0 0
θ5 30 30
θ6 30 30
TABLE 4.2: Angles choisies des axes
niveau de l’effecteur. † Cette trajectoire permet de vérifier l’évolution de la fréquence propre

associée à l’axe 2 du robot suite au mouvement engendré par la troisième articulation pour
une trajectoire classique lors d’un procédé d’usinage robotisé. Ce protocole a pour objectif de
détecter le changement de la fréquence et d’anticiper cette variation lors de la planification de
trajectoire.
3.2 Analyse de la variation fréquentielle
Dans cette partie, nous ne considérons que l’aspect analyse fréquentielle du bras 2 afin de
mettre en évidence la sensibilité du mode propre face aux variations de configuration et au
couple de chargement extérieur engendré par le montage de la broche. Pour suivre l’évolution
de la fréquence modale, nous choisissons cinq configurations spatiales entre le point initial
et final (Cf. tableau 4.3). Durant cette campagne de mesure, le coin de cube du laser tracker
est toujours placé à l’extrémité du bras 2. La méthode d’identification expérimentale de la
fréquence consiste à analyser la réponse temporelle d’une consigne de type échelon de vitesse
pour chaque configuration spatiale choisie. Le principe est simple, on écarte l’axe 2 d’environ
5˚ de sa configuration de test tout en gardant l’axe 3 bloqué. Le mode relevé sera l’image des
†. Le stäubli RX 170B est équipé d’un support universel de 23.6 Kg conçu en alliage d’aluminium fixé sur l’axe 6.
Il porte une électro broche UGV de 6 kW et de 40000 tours/min.
3.2 Analyse de la variation fréquentielle 149
Configuration θ2 (deg) θ3 (deg)

1 -20 140
2 0 120
3 20 100
4 30 80
5 40 70
TABLE 4.3: Configuration de test intermédiaires
vibrations causées suite à cette excitation en fin de mouvement. Ce mode est identifié par une
FFT. Le tableau 4.4 illustre les fréquences relevées pour chaque configuration spatiale du robot à
vide. L’analyse des résultats montre que contrairement à notre attente, la variation de l’axe 3 du
Configuration Fréquence modale de l’axe 2 (Hz)

1 8.594
2 8.348
3 8.284
4 8.22
5 8.202
TABLE 4.4: Fréquences modales identifiées pour le robot à vide
robot n’influence pratiquement pas le comportement vibratoire de l’axe 2. Ainsi, les éléments
identifiés présentent un écart type très faible de l’ordre de 0.16 Hz pour un pourcentage de
variation ne dépassant pas les 4.5%. Ceci peut être justifié par le fait que le centre de gravité
de l’axe 3 est bien équilibré par l’action du contre poids. Ainsi, le centre de gravité du bras 3
est situé vers l’arrière du robot de telle manière que sa masse compense le couple exercé sur
l’articulation 3 par les masses m4 et m5 des bras 4 et 5. On peut donc considérer que G345 ne se
déplace pas quand on bouge l’axe 3. Par conséquent, il peut être regroupé avec le centre de
gravité G2 en un nouveau centre de gravité appelé G2345 .
La figure 4.25 présente une simulation de la dispersion de la vibration résiduelle autour

de la fréquence propre d’un bras du robot en réponse a un mouvement élémentaire en jerk
constant. Nous constatons que pour une erreur d’estimation de ω(t) autour de ± 9% , le niveau
de vibration résiduelle vib(ω) se place sous la barre de 10% en le comparant par rapport à un
profil en accélération limitée. Ceci permet d’affirmer que dans le cas où les axes 2 et 3 du robot
se déplacent ensemble selon les configurations illustrées dans le tableau 4.3, le choix de la durée
de jerk en fonction d’une des fréquences propres présentées permet de maintenir le niveau de
vibration minimale souhaité.
Dans la suite, nous nous intéressons au comportement dynamique de l’axe 2 en charge. De

ce fait, on procède au montage de la broche au niveau de l’effecteur. Nous proposons de refaire
les mêmes expérimentations faites sur le robot à vide. Pour cela, nous ordonnançons la même
trajectoire d’usinage. Nous analysons au fur et à mesure la réponse fréquentielle en chaque
configuration géométrique. Les différentes configurations utilisées sont décrites dans la figure
4.26. L’analyse spectrale de la réponse temporelle pour les cinq configurations différentes est
150 industriel
80
70
60
Vibration résiduelle (%)

50
40
30
20
18 %
10
0
−50 −40 −30 −20 −10 0 10 20 30 40 50
Variation de la fréquence modale (%)
F IGURE 4.25: Vibration résiduelle pour un jerk élémentaire en fonction de la variation de la fréquence
modale
illustrée dans le tableau 4.5. Comme dans le cas du robot à vide, la fréquence modale n’est
Configuration 5 Configuration 4 Configuration 3 Configuration 2 Configuration 1
F IGURE 4.26: Différentes configurations utilisées avec le chargement du robot (broche montée)
Configuration Fréquence modale de l’axe 2 (Hz)

1 7.708
2 7.549
3 7.568
4 7.478
5 7.437
TABLE 4.5: Fréquences modales identifiées pour le robot chargé
pas sensible à la variation de l’axe 3 du robot. Cependant, la variation de la charge (masse

additionnelle suite au montage de la broche) induit une variation de 12% sur la fréquence
propre de l’axe 2 comme le montre la figure 4.27. En vue de mettre en évidence l’effet de cette
variation fréquentielle ainsi que son comportement sur la dynamique de l’axe au cours d’une
trajectoire planifiée, nous procédons à un mouvement classiquement utilisé dans l’industrie
de type pick and place, où la broche fera l’objet de la masse additionnelle portée par le robot
comportement vibratoire du robot 151
Robot à vide
8.8
Broche montée
Fréquence propre de l’axe 2 (Hz) 8.6
8.4
8.2
7.8
7.6
7.4
140
120 60
100 40
20
80
0
60 −20
θ3 (deg) θ2 (deg)
F IGURE 4.27: Mesure de la variation de la fréquence modale en fonction des angles θ2 , θ3 et la charge du
robot
manipulateur. Comme nous l’avons déjà constaté, ce changement de masse supporté par l’axe
2, fait varier systématiquement l’inertie équivalente notée Jb du manipulateur au niveau de
son deuxième axe. Ceci engendre un changement de sa fréquence propre induisant finalement
la variation de son comportement vibratoire. En conséquence, dans le cas d’un générateur
de trajectoire à jerk limité, une stratégie d’adaptation de loi de mouvement en fonction de
la période propre de l’articulation flexible est indispensable pour annihiler ces vibrations
résiduelles causées par le changement du mode souple dominant.
L’enjeu ici réside alors dans l’évolution de la fréquence propre de l’articulation lors du
changement de l’inertie équivalente ressentie par l’axe. Par ailleurs, pour le planificateur à loi
de mouvement à jerk limité, la durée du filtrage du jerk est basée sur la connaissance de la
période propre du processus. Ainsi, dans le cas où la fréquence associée à un mode vibratoire
varie, une mise à jour de la durée du filtrage au fur et à mesure est indispensable pour maîtriser
le comportement vibratoire. En vue de pallier à ce phénomène, un planificateur de trajectoire
capable de générer des amplitudes et des temps de jerk variables basés sur la connaissance de la
variation du mode associé semble nécessaire. Nous proposons alors l’application de l’estimateur
non-asymptotique pour détecter les variations de ω0 .

comportement vibratoire du robot
L’étude menée dans la section 3, a permis de mettre en évidence l’évolution de la fréquence

propre de l’axe 2 du robot. Une structure générale de l’adaptation de la loi de mouvement en
fonction de l’évolution de la période propre de l’axe est alors proposée dans la figure 4.28. La
stratégie se compose d’un planificateur robuste à bang-bang en jerk couplé à un estimateur de
152 industriel
fréquence non-asymptotique ω0 . Le protocole d’estimation se base sur la mesure de la position
du point final du bras ou bien de l’une de ses dérivées. Par ailleurs, une bonne détection de cette
variation paramétrique permet de mettre à jour le planificateur de trajectoire afin d’adapter la
durée Tj . Une fois réalisé, les amplitudes des vibrations résiduelles seront réduites à travers une
action d’anticipation. Nous planifions une trajectoire rectiligne dans la direction Y du robot.
Manipulateur flexible et boucle de commande
d (t ) nd (t ) n (t ) 20s  02 (t )

Planificateur de Dynamique
mouvement Rigide de l’axe
s 2  20s  02
0
(t ), (t ), (t )

Estimateur algébrique
F IGURE 4.28: Structure générale de commande et d’adaptation de loi de mouvement
Le protocole de test consiste en un premier mouvement dit aller sans montage de la broche sur
l’axe 6 où le robot est à vide jusqu’à la configuration 5 (Cf. tableau 4.2). Ce premier déplacement
est suivi d’un mouvement dit retour où le robot rejoint sa position de départ i.e. configuration
1. La figure 4.29 illustre le chemin réalisé par le robot pour mettre en évidence la variation
paramétrique au cours de ce mouvement. La trajectoire articulaire de l’axe 2 est donnée par la
θ3
Z
θ2 A
f 0 = 8.59 Hz
f 0 = 7.43 Hz
F IGURE 4.29: Trajectoire de validation du robot
figure 4.30. L’expérience montre que la fréquence associée au mode vibratoire dominant de cette
articulation varie de 12% entre les deux phases. La figure 4.31 illustre cette variabilité. Dans un
premier temps, un profil d’entrée en bang-bang d’accélération est utilisé afin d’obtenir la plus
comportement vibratoire du robot 153
30
20
10
Position (deg)
−10
−20
−30
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Temps (s)
F IGURE 4.30: Trajectoire effectuée par l’axe 2 pour une déplacement suivant X robot
grande amplitude de vibrations.
40
30
20
Vitesse (deg/s)
7.57 Hz
10 15
Amplitude spectrale
10
0 8.54 Hz 5
40
Amplitude spectrale
30
0 10 20 30
Frequence (Hz)
−10 20
10
0 10 20 30
Frequence (Hz)
−20
−30
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Temps (s)
F IGURE 4.31: Vitesse articulaire de l’axe 2 le long de la trajectoire suivant Y robot et variation de sa
fréquence propre
154 industriel
4.1 Estimation algébrique rapide de la variation fréquentielle modale
Dans ce paragraphe, nous étudions la détection en ligne de la variation de la fréquence

propre caractérisant le mode de déformation dominant la réponse de l’axe 2 du robot. Pour
assurer la limitation des phénomènes vibratoires, la durée d’estimation de la fréquence de
résonance doit être inférieure à une période du mode propre.
Typiquement, les vibrations résiduelles d’une structure mécanique souple peuvent être
modélisées par une somme de sinusoïdes où chacune est associée à un mode de déformation
[Pereira et al., 2011]. Par ailleurs, les résultats illustrés dans la figure 4.31 permettent d’exprimer
les vibrations résiduelles noté ici y(t) sous la forme d’une fonction périodique suivante :
y(t) = Asin(ω0 t + φ), (4.31)
où A, ω0 et φ désignent respectivement l’amplitude, la pulsation et la phase des vibrations

induites. En dérivant (4.31) deux fois par rapport au temps, on obtient une équation linéaire
différentielle comme suit :
ÿ(t) = −ω02 y(t). (4.32)
Il est important de signaler que l’équation (4.32) ne dépend ni de l’amplitude A ni de la phase φ.

Dans ce cas, l’estimateur vise à identifier uniquement ω0 . A partir des expressions génériques
données dans le chapitre 2, une estimation de la pulsation propre ω0 est donnée dans le domaine
temporel, par le quotient (2.42) dans le chapitre 2.
4.2 Technique d’implantation
L’estimateur algébrique illustré à la figure 4.28 est programmé en MATLAB. Ainsi, l’équation
(2.42, voir chapitre 2) est implantée avec un pas fixe. Le pas dans ce cas est égal à la période
d’échantillonnage Te utilisée pour l’acquisition des données, c’est-à-dire 4 ms. La variable ω0 (t)
est notée ω0 (nTe ) = ω0 (n). Elle est obtenue en évaluant (2.42) en t = nTe , n = 1, 2, .... Nous
notons que le processus d’estimation paramétrique opère sur une fenêtre d’intégration glissante
en vue d’obtenir une estimation "temps réel".
Il est intéressant d’ajouter un critère de validation de l’identification de la pulsation. Ce

critère doit permettre de sélectionner un nombre np d’échantillons à partir duquel ω0p = ω0 (np )
sera calculé avec une précision déterminée. Nous proposons alors le critère dit de mise à jour
comme suit :
σ(n)
≤ ∆, (4.33)
|E[ω̂0 (n)]|
où le paramètre ∆ désigne la précision requise pour l’identification de ω0 . E[ω0 (n)] et σ(n)
représentent respectivement la moyenne glissante et la déviation standard glissante de ω0 (n)
estimée. Une telle démarche a été employée dans les travaux de [Pereira et al., 2012]. Ces
quantités sont calculées par les formules suivantes :
N −1
X 1
E[ω0 (n)] = ω0 (n − k), (4.34)
N
k=0
4.2 Technique d’implantation 155
p
σ(n) = E[(ω0 (n))2 ] − (E[ω0 (n)])2 , (4.35)
où n est le nombre d’échantillons utilisés pour le calcul de la moyenne glissante. Par conséquent,
σ et N sont choisis en fonction des critères suivants :
– (n − 1)Te doit être suffisamment large pour garantir une bonne estimation de ω0 et
2π
suffisamment petit, c’est-à-dire (n − 1)Te strictement inférieur à T0 = pour une loi de
ω0
mouvement à jerk limité ;
– la précision σ dépend essentiellement de l’intervalle de tolérance et de la marge d’erreur
permise pour l’estimation de la pulsation propre permettant de garantir un seuil de
vibration.
Par conséquent, en se référant à l’étude de sensibilité de la loi de mouvement en jerk limité (Cf.
figure4.13) et pour garantir un niveau de vibration F (jω) inférieur à environ 10%, la variabilité
d’une estimation de la fréquence propre de l’axe du robot doit être comprise entre ω0 -9% et
ω0 +9% comme illustré dans la figure 4.25. Cela se traduit par l’erreur relative suivante :
|ω̂0p − ω0 |
P AE(100%) = 100 ∗ ≤ 9%. (4.36)
ω̂0
Dans le cas d’une opération de chargement/déchargement de la broche, la fréquence propre

f0 de l’axe 2 varie de 12% entre les deux phases. De ce fait, la taille de la fenêtre glissante nTe
doit être choisie de telle sorte qu’elle soit strictement inférieure à la valeur minimale
de
la
1
f0max
variation de la période propre du processus T0 . Ainsi, pour Te = 0.004 s ⇒ n ≤ où
Te
f0max représente la fréquence propre maximale que peut avoir l’axe 2. Elle est égale à 9.02 Hz.
Par conséquent, la taille de la fenêtre glissante permettant d’identifier la fréquence associée au
mode de déformation, doit être inférieure à 27 échantillons.
La figure 4.32 montre une estimation non asymptotique de la fréquence d’oscillation des
vibrations causées par le mouvement de l’axe 2 du manipulateur. L’expérience montre qu’avec
une longueur n de la fenêtre glissante égale à 18 échantillons de la vitesse articulaire en entrée
ω̂0
de l’estimateur algébrique, l’identification de fˆ0 = est obtenue par une intégration par la
2π
méthode de Simpson. Cette figure montre aussi l’aspect temps réel de (2.42) lors de la détection
d’un changement fréquentiel du mode de déformation. Le résultat le plus évident concerne
l’estimation non asymptotique de la fréquence. Une estimation de cette dernière est obtenue
après t = 0.064 s pour chaque variation de configuration.
L’erreur d’estimation ne dépasse pas les 0.5% durant la phase d’avance dans la direction Y +
du robot (robot non chargé) et elle est inférieure à 1.5% quand le robot est chargé (changement de
la fréquence modale de l’axe 2) dans la direction Y − du démonstrateur. Cette application illustre
bien la mise en oeuvre d’une procédure de détection de la variation modale que peut subir le
robot manipulateur. En effet, les résultats expérimentaux montrent l’efficacité de notre méthode.
Elle ne nécessite qu’un faible temps de calcul. Ainsi, cet estimateur algébrique sera utilisé pour
alimenter le planificateur de mouvement en vue de définir le temps de jerk. Cette structure
permet de mettre à jour la durée de filtrage du jerk en fonction de la fréquence de résonance du
système afin de réduire le vibrations résiduelles. Une approche similaire est étudiée dans [Pereira
156 industriel
40
30
Vitesse (deg/s) 20
7.57 Hz
10 15
Amplitude spectrale
10
0 8.54 Hz 5
40
Amplitude spectrale
30
0 10 20 30
Frequence (Hz)
−10 20
10
0 10 20 30
Frequence (Hz)
−20
−30
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Temps (s)
(a) Evolution de la vitesse articulaire de l’axe 2 du manipulateur pour une trajectoire selon
X robot
10
8
Fréquence propre f0 (Hz)
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

Temps (s)
(b) Estimation non asymptotique de la variation de la fréquence f0
F IGURE 4.32: Détection en ligne de la variation fréquentielle
et al., 2009, 2012] où les auteurs s’intéressent à l’adaptation d’un générateur de mouvement basé
sur la technique d’Input Shaping pour le contrôle vibratoire du mouvement d’un bras souple.
4.3 Validation expérimentale
Dans cette section, nous nous intéressons à l’application des résultats issus de l’identification
non asymptotique de la fréquence de résonance de l’axe en vue de maîtriser le comportement
vibratoire lorsque le robot manipulateur assure un mouvement décrit par la figure 4.29. Lors de
4.3 Validation expérimentale 157
25
Accélération limitée
Commande industrielle
20 Jerk adapté
15
Position articulaire de l’axe 2 (deg)
10
−5
−10
−15
−20
0 0.5 1 1.5 2 2.5
Temps (s)
F IGURE 4.33: Position du bras pour les trois stratégies de commande
la première phase du mouvement (configuration 1 vers configuration 5), la loi de mouvement à

jerk limité basée sur l’estimation de la fréquence modale de l’axe 2 permet de réduire de 85.8
% l’erreur maximale vibratoire par rapport à une loi de mouvement à accélération limitée (Cf.
figure 4.34). La loi de mouvement en jerk adaptée surclasse la commande industrielle. Ainsi, le
25.06
25.055 Jerk adapté
25.05
25.045
25.04
25.035
25.03
25.025
25.02
1.7 1.8 1.9 2 2.1 2.2 2.3 2.4 2.5
Temps (s)
F IGURE 4.34: Vibration résiduelle du bras à vide (broche non montée) pour les trois stratégies de com-
mande
gain vibratoire en fin de mouvement est de l’ordre de 9.4 % comme présenté dans le tableau
4.6. Cette amélioration se fait bien évidemment au détriment de la durée du mouvement. En
158 industriel
outre, le temps de stabilisation d’un profil en jerk limité réduit considérablement le temps de
stabilisation où le temps associé à la commande industrielle est supérieure de 4.94% et de 27.37%
pour un profil en accélération limitée. Par conséquent, ces résultats montrent que la commande
par bang bang de jerk permet d’annuler quasiment les vibrations au niveau de la charge (Cf.
figure 4.35). En chargeant le manipulateur industriel par montage de la broche UGV au niveau
35
30 Jerk adapté
25
20
Vitesse (deg/s)
15
10
−5
0 0.5 1 1.5 2 2.5 3
Temps (s)
F IGURE 4.35: Vitesse du bras à vide (broche non montée) pour les trois stratégies de commande
Accélération limitée Commande industrielle Jerk limité

Vibration résiduelles (deg) 0.0317 (100 %) 0.0075 (-76.4 %) 0.0045 (-85.8 %)
Temps de stabilisation (s) 2.68 (+27.37 %) 2.208 (+4.94 %) 2.104 (ref)
TABLE 4.6: Performances obtenues expérimentalement sur le robot avec 3 stratégies de commande (robot
non chargé)
de l’organe terminal, l’axe 2 subit un changement de sa résonance. L’adaption du temps de jerk

au fur et à mesure permet alors de garantir une réduction de l’amplitude vibratoire résiduelle
de 80.78 % comparée à celle engendrée par un temps de filtrage de jerk aligné avec la première
phase. Ce réglage adaptatif garantit aussi une performance de réduction vibratoire assez élevée
par rapport à la commande industrielle de Stäubli (inférieure de 50%, Cf. tableau 4.7).
Jerk limité non adaptée Commande industrielle Jerk limité adapté

Vibration résiduelles (deg) 0.0051 (100 %) 0.0035 (-31.37 %) 0.00098 (-80.78 %)
Temps de stabilisation (s) 2.088 (+7.85 %) 2.016 (+4.13 %) 1.936 (ref)
TABLE 4.7: Performances obtenues expérimentalement sur le robot avec 3 stratégies de commande (broche
montée)
5 Bilan sur la synthèse de loi de mouvement adaptée et d’une commande d’un axe souple159
−20.015
Jerk non adapté
Jerk adapté

−20.02
−20.025
−20.03
−20.035
1.9 1.95 2 2.05 2.1 2.15 2.2 2.25 2.3
Temps (s)
F IGURE 4.36: Vibration résiduelle du bras chargé (broche montée) pour les trois stratégies de commande
0
Jerk non adapté
Jerk adapté
−5
−10
Vitesse (deg/s)
−15
−20
−25
0.5 1 1.5 2 2.5

Temps (s)
F IGURE 4.37: Vitesse du bras chargé (broche montée) pour les trois stratégies de commande
5 Bilan sur la synthèse de loi de mouvement adaptée et d’une commande d’un axe
souple
Dans ce chapitre, nous avons proposé tout d’abord une analyse comparative des perfor-
mances de différentes lois de mouvements spécifiques à une application particulière, celle
de la commande d’un axe souple avec une application à la commande de robots industriels
polyarticulés. Nous avons étudié l’impact de loi de mouvement sur le comportement vibratoire
d’un axe de robot. Des méthodologies de réglage de loi de mouvement ont été investiguées
160 industriel
afin de les adapter à la réduction des vibrations. Une comparaison entre un bang-bang en
jerk et des approches aussi répandues que l’Input Shaping ont été réalisées. Différents critères
de comparaison et d’étude de sensibilité ont été mis en place. Le comparatif réalisé entre
les deux techniques dans la première partie de ce chapitre, a permis de mettre en valeur le
planificateur de mouvement à jerk limité pour sa quasi disponibilité dans la majorité des
contrôleurs industriels d’une part, et la facilité de son implémentation numérique d’autre part.
Par conséquent, pour un mode stationnaire de la structure mécanique légèrement amortie, nous
avons réduit d’une manière très sensible les vibrations au cours du mouvement.
En raison de l’architecture actuelle de la baie de contrôle du démonstrateur qui ne dispose

pas d’une ouverture logicielle ou matérielle permettant l’accès total aux boucles de courant, de
position ou de vitesse, nous n’avons pas eu la possibilité de fournir des anticipations en couple
moteur. La connaissance du comportement dynamique du processus modélisé et identifié dans
le chapitre 3 nous a permis alors de concevoir une précommande souple du système couplé
au générateur de trajectoire en amont. L’ajout d’une telle précommande permet d’améliorer
de façon conséquente les performances de suivi des trajectoires, ce qui présente une action
de précompensation ne déstabilisant pas les asservissements du système. Cette stratégie de
génération de trajectoire adaptée via précommande permet de maîtriser le comportement
vibratoire de l’axe ainsi que la réduction des défauts de transmission et de chargement.
La dernière partie de ce chapitre traite la problématique de la variation du mode propre

qui est classiquement le cas pour les modes dépendant de la variation de la configuration
ou de masse de la charge. Ceci présente le cas de figure lorsque les axes 2 et 3 se déplacent
ensemble et lorsqu’une broche est montée au niveau de l’organe terminal. Ainsi, une extension
vers l’estimation temps réel de cette variation paramétrique de la fréquence de résonance a
été proposée par l’intermédiaire de l’approche algébrique non asymptotique. Les résultats
obtenus sont très satisfaisants et permettent de détecter la variation de la fréquence en un temps
très court. Ceci a pour objectif d’injecter au fur et à mesure, dans le contrôleur du robot, la
nouvelle durée du filtrage de jerk par une approche pragmatique. Les résultats expérimentaux
montrent que l’amplitude de vibration résiduelle est réduite de 10% par rapport à la commande
industrielle déjà existante pour le robot à vide et de 50% dans le cas d’un chargement du robot
avec une broche UGV. Ce constat démontre l’intérêt de la planification de trajectoire proposée
ainsi que la connaissance du comportement dynamique de l’axe étudié.
Conclusions générales et principales
Perspectives
Synthèse des travaux réalisés
travail de thèse porte sur la problématique de l’adaptation de la commande des robots

C
E
industriels, conçus à l’origine pour des tâches répétitives, au contexte des processus
continus et exigeants en termes de précision dynamique. Nos axes de recherche principaux
concernent les domaines de la modélisation et de l’identification paramétrique. Dans ce
contexte, un des enjeux majeurs pour la commande consiste alors à pouvoir s’appuyer sur un
modèle représentatif, fiable et robuste permettant de simuler, d’anticiper ou de compenser les
principaux phénomènes physiques impactant la précision absolue.
Après avoir dressé un état de l’art concernant la modélisation géométrique, cinématique

et dynamique des structures sérielles poly-articulées dans le premier chapitre, nous nous
sommes intéressés dans le second chapitre à la phase cruciale et délicate de l’identification
paramétrique de ces modèles. Les principaux résultats apportés par cette partie, portent sur une
analyse comparative entre l’approche algébrique, dites non-asymptotique, et les algorithmes
plus classiques à voir le filtrage de Kalman-Bucy. Après avoir proposé un estimateur algébrique
au sens de la médiane, l’étude théorique des variances de chacun des estimateurs, ainsi que
l’analyse en simulation, montrent que l’approche algébrique est non seulement moins sensible
aux bruits de mesures que le filtre de Kalman-Bucy, mais qu’elle est également associée à une
vitesse de convergence significativement plus rapide. Ces avantages sont liés à la forme de
l’estimateur qui est une expression formelle et exacte des paramètres inconnus en fonction d’un
nombre fini d’intégrales des entrées et des sorties du système considéré. Notons que l’approche
non asymptotique possède les propriétés suivantes :
– Les calculs sont formellement implémentés ;
– Les algorithmes sont non asymptotiques et il n’y a pas des paramètres de gain à régler
pour la convergence ;
– La méthode est robuste par rapport au bruit de mesure qu’il soit blanc ou d’une autre
nature.
Ces résultats sont particulièrement prometteurs dans l’optique d’une implantation temps réelle
des estimateurs pour la robotique industrielle. De fait, ces éléments ont motivé, dans la suite de
l’étude, l’exploitation des méthodes algébriques pour l’estimation rapide de certains paramètres,
notamment ceux associés aux phénomènes vibratoires.
162 Conclusions et Perspectives
Le troisième chapitre fait état d’une étude détaillée du comportement dynamique d’un axe
de robot industriel. Le modèle d’axe proposé intègre les forces d’inerties et gravitationnelles,
les phénomènes de frottement, ainsi que les souplesses d’axe principalement induites par la
transmission de l’articulation. On notera que plusieurs modèles de frottement sont exploités en
fonction du niveau de granulométrie recherché. Cette étude phénoménologique s’appuie sur de
nombreuses expérimentations afin de justifier du modèle d’axe proposé. Dans ce chapitre, les
méthodes algébriques sont mises en oeuvre afin d’estimer les paramètres modaux (fréquence
propre et amortissement) du mode vibratoire dominant la réponse de l’axe considéré. Nous
démontrons ainsi la convergence rapide de ce type d’estimateur dans le cas d’un système
industriel complexe. Ce dernier résultat permet d’envisager la réactualisation rapide des
paramètres de commande dédiés à la réduction de vibration.
Le quatrième chapitre est dédié à l’exploitation du modèle précédemment établi et des

paramètres identifiés pour la structure de commande d’axe du robot. Dans une première partie,
la problématique de la planification de trajectoire adaptée à la réduction de vibrations est
exposée. Nous rappelons dans un premier temps les propriétés des lois de mouvement à jerk
limité, immédiatement disponibles dans les contrôleurs industriels. Une contribution apportée
par cette partie concerne l’analyse comparative des performances en réduction de vibration
de ces lois de type "bang-bang" face aux techniques dédiées à la compensation de vibrations
résiduelles de type "input shaping" (Zero-Vibration et Zero-Vibration-Derivative Shaper). De
cette analyse il ressort que les lois à jerk limité sont particulièrement adaptées à la réduction
de vibration pour des axes industriels soumis à un mode dominant faiblement amorti. Ces
lois horaires permettant d’associer le respect de la cinématique imposée à la réduction des
vibrations, sont de plus naturellement robustes face aux dynamiques vibratoires négligées. Dans
une deuxième partie de ce chapitre, une méthodologie d’élaboration d’une précommande d’axe
est exploitée afin de compenser la déformation axiale et par conséquent la déviation dynamique
de l’organe terminale. Cette anticipation permet de compenser les dynamiques non gérées par
le codeur d’une part et assure une réduction notable du mode souple dominant en adéquation
en avec le planificateur de trajectoire. Des mesures expérimentales viennent confirmer un gain
notable en précision dynamique. Dans une troisième et dernière partie, notre étude a porté sur la
généralisation des résultats obtenus en réduction de vibration lorsque les paramètres vibratoires
du système deviennent non-stationnaires. Ce phénomène est particulièrement marqué lorsque
la charge embarquée par le robot varie dans le temps. Les propriétés de vitesse de convergence
des estimateurs algébriques sont ici mises à profit afin de réactualiser les paramètres de la loi
de mouvement. Malgré les variations paramétriques, les expérimentations démontrent que les
estimateurs non asymptotiques permettent de détecter des variations de fréquence en un temps
très court.
Perspectives et Problèmes ouverts
A l’issue de ce travail de thèse, plusieurs problèmes demeurent toutefois ouverts. Nous

présentons ici ce qui nous semble être les pistes d’investigations envisageables.
Une piste d’investigation consiste à généraliser la modélisation axe par axe sur l’ensemble
163
des articulations que constituent le robot. Pour ce faire, une analyse fine des couplages inter-axes
semble indispensable. Nous avons vu que l’étude du comportement élasto-dynamique des
robots sériels est complexe dans la mesure où il s’agit d’un mécanisme poly-articulé soumis à
de nombreux phénomènes physiques. On citera pour exemple les irrégularités cinématiques
des réducteurs qui n’ont pas été considérée dans nos modèles. Une étude précédente a montré
que ces défauts peuvent engendrer une erreur statique au niveau de l’organe terminal de
l’ordre de quelques dixièmes de millimètre. Ainsi, une étude possible consiste à modéliser
dynamiquement la signature de ces erreurs, afin de les intégrer dans un modèle de commande
[Ghorbel et al., 2001] et [Dhaouadi et al., 2003]. Par ailleurs, les différents axes du robot
présentent une cartographie de rigidité qui évolue en fonction de leur configuration spatiale.
Les résultats obtenus dans cette thèse permettent d’envisager une adaptation en ligne de la
planification de trajectoire et donc une prise en compte de ces variations. Il reste toutefois les
phénomènes de couplage vibratoire inter-axes qui, s’ils ne sont pas considérés, peuvent remettre
en cause la structure de compensation axe par axe.
Une autre piste d’investigation concerne la généralisation de la méthode exploitée en

planification de trajectoire pour compenser les vibrations, supposée non amorties, au cas de
modes flexibles amortis. Une étude en cours dans l’équipe porte sur cette problématique, qui
devient d’autant plus sensible si l’on considère l’ajout de systèmes d’amortissement actif ou
passif sur le robot.
Concernant la prise en compte des variations paramétriques, deux solutions peuvent être
envisagées. La première consisterait à adapter les paramètres du modèle de précommande lors
du traitement hors-ligne de la loi de mouvement. Les variations des paramètres seraient alors
préalablement quantifiées par des mesures en différents points de fonctionnement. La deuxième
solution traiterait plutôt directement l’estimation en ligne des paramètres afin de les intégrer
dans la commande. Cette solution nécessite un développement logiciel et matériel conséquent
et difficile à mettre en oeuvre sur un robot industriel. On notera que si l’ordre du modèle évolue
sensiblement pour différentes configurations spatiales, une approche du type multi modèles
pourrait être également envisagée [Sadati et al., 2005].
D’autres pistes visent l’amélioration de la précision par l’ajout de capteurs de po-

sitions embarqués au niveau des bras du robot. Grâce à ce retour d’informations, la
dynamique élastique des différentes parties situées en aval des chaînes de transmis-
sion sera disponible en temps réel. D’une part, l’intégration de ces capteurs dans les
boucles de commande du manipulateur pourrait permettre de corriger les défauts des
articulations. D’autre part, une identification en temps-réel via les algorithmes non-
asymptotique permettra d’anticiper les vibrations pour la planification de trajectoire.
164 Conclusions et Perspectives
Bibliographie
G. Abba and P. Sardain. Modélisation des frottements dans les éléments de transmission d’un
axe de robot en vue de son identification. Mécanique and Industries, 4 :391 – 396, 2003. ISSN
1296-2139. 104
R.B. Abdennour, P. Borne, M. Ksouri, and F. M’sahli. Identification et Commande numérique

des procédés industriels. Méthodes et pratiques de l’ingénieur. Editions Technip, 2001. ISBN
9782710807988. 37
M. Abramowitz and I.A. Stegun. Handbook of Mathematical Functions : With Formulas, Graphs,
and Mathematical Tables. Applied mathematics series. Dover Publications, 1964. ISBN
9780486158242. 49
F. Al-Bender and J. Swevers. Characterization of friction force dynamics. Control Systems, IEEE,
28(6) :64–81, 2008. ISSN 1066-033X. 104
T. Alban and H. Janocha. Dynamic calibration of industrial robots with inertial measurement
systems. In European Control Conference. ECC’99, Karlsruhe, 1999. 4
G. Alici and B. Shirinzadeh. Enhanced stiffness modeling, identification and characterization for
robot manipulators. Robotics, IEEE Transactions on, 21(4) :554–564, 2005. ISSN 1552-3098. 22
B. Armstrong-Helouvry, P. Dupont, and C. Canudas de Wit. A survey of models, analysis

tools and compensation methods for the control of machines with friction. Automatica, 30(7) :
1083–1138, July 1994. ISSN 0005-1098. 32, 96, 103
K.J. Astrom and C. Canudas-de Wit. Revisiting the lugre friction model. Control Systems, IEEE,
28(6) :101–114, 2008. ISSN 1066-033X. 33
R. Béarée. Prise en compte des phénomènes vibratoires dans la génèration de commande des machines-
outils à dynamique élevée. PhD thesis, Arts et Métiers ParisTech, Décembre 2005. 22, 81, 101,
132
R. Béarée and A. Olabi. Dissociated jerk-limited trajectory applied to time-varying vibration

reduction. Robotics and Computer-Integrated Manufacturing, 29 :444 –453, 2013. 75, 132, 141
R. Béarée, P.-J. Barre, P. Borne, and J.-P. Hautier. Analyse dune loi de mouvement en jerk sur le
comportement vibratoire d’une structure mécanique. Journal européen des systèmes automatisés,
RS série JESA Lavoisier, 38 :475–496, 2004. 129, 132
166 BIBLIOGRAPHIE
R. Béarée, P.-J. Barre, and J.P. Hautier. Vibration reduction abilities of some jerk controlled
movement laws for industrial machines. In Proceeding de 16th IFAC World Congress, pages
532–537, Pragues, Czech Republic, July 2005. 132
P.-J. Barre, J. Charley, and J.-P. Hautier. The use of modal analysis to improve the axis control.
Mécanique industrielle et matériaux, 50(1) :19–23, 1997. 21
L. Bascetta and P. Rocco. Modelling flexible manipulators with motors at the joints. Mathematical
and Computer Modelling of Dynamical Systems, 8(2) :157–183, 2002. 20, 22
M. Basseville and I.V. Nikiforov. Detection of abrupt changes : theory and application. Prentice-Hall
information and system sciences series. Prentice Hall, 1993. ISBN 9780131267800. 70
L. Belkoura, J-P. Richard, and M. Fliess. Parameters estimation of systems with delayed and
structured entries. Automatica, 45(5) :1117 – 1125, 2009. ISSN 0005-1098. 44
L. Belkoura, T. Floquet, K. Ibn Taarit, W. Perruquetti, and Y. Orlov. Estimation problems for
a class of impulsive systems. International Journal of Robust and Nonlinear Control, 21(10) :
1066–1079, 2010. ISSN 1099-1239. 45
E. Berglund and G.E. Hovland. Automatic elasticity tuning of industrial robot manipulators. In
Decision and Control, 2000. Proceedings of the 39th IEEE Conference on, volume 5, pages 5091–5096,
2000. 60
L. Biagiotti and C. Melchiorri. Fir filters for online trajectory planning with time- and frequency-
domain specifications. Control Engineering Practice, 20 :1385 – 1399, 2012. ISSN 0967-0661. 132,
141
A.C. Bittencourt, E. Wernholt, S. Sander-Tavallaey, and T. Brogardh. An extended friction model

to capture load and temperature effects in robot joints. In Intelligent Robots and Systems (IROS),
2010 IEEE/RSJ International Conference on, pages 6161–6167, 2010. 104
S. Björklund. A random model for micro-slip between nominally flat surfaces. Journal of Tribology,
119, 1997. 96
P.A Bliman and M. Sorine. Friction modelling by hysteresis operators, application to dahl,
sticktion, and stribeck effects. In In Proc. Conf. Models of Hysteresis, Trento, Italy, 1991. 33
B. Bona and M. Indri. Friction compensation in robotics : an overview. In Decision and Control,
2005 and 2005 European Control Conference. CDC-ECC ’05. 44th IEEE Conference on, pages
4360–4367, 2005. 100, 104
W. Book and K. Obergfell. Practical models for practical flexible arms. In Robotics and Automation,
2000. Proceedings. ICRA ’00. IEEE International Conference on, volume 1, pages 835–842, 2000. 21
P. Borne, G. Dauphin-Tanguy, J.P. Richard, F. Rotella, and L. Zambettakis. Analyse et régulation

des processus industriels : régulation continue. Analyse et régulation des processus industriels.
Éd. Technip, 1993. ISBN 9782710806424. 42
T. Brogårdh. Present and future robot control developmentan industrial perspective. Annual
Reviews in Control, 31(1) :69 – 79, 2007. ISSN 1367-5788. 1
BIBLIOGRAPHIE 167
T. Brogårdh. Robot Control Overview : An Industrial Perspective. Modeling, Identification and

Control, 30(3) :167–180, 2009. 1
R. Campa and H. De la Torre. Pose control of robot manipulators using different orientation
representations : A comparative review. In American Control Conference, 2009. ACC ’09., pages
2855–2860, 2009. 13
R. Campa, K. Camarillo, and L. Arias. Kinematic modeling and control of robot manipulators
via unit quaternions : Application to a spherical wrist. In Decision and Control, 2006 45th IEEE
Conference on, pages 6474–6479, 2006. 13
C. Canudas de Wit, H. Olsson, K.J. Astrom, and P. Lischinsky. A new model for control of
systems with friction. Automatic Control, IEEE Transactions on, 40(3) :419–425, 1995. ISSN
0018-9286. 33
F. Colas. Synthèse et réglage de lois de commande adaptées aux axes souples en translation - Application
aux robots cartésiens 3 axes -. PhD thesis, Ecole Centrale de Lille, 2007. 20, 22, 75, 132, 143
K.L Conrad, P.S Shiakolas, and T.C Yih. Robotic calibration issues : Accuracy, repetability and
calibration. Rio, Patras, Greece, Jul 2000. Proceedings of the 8th Mediterranean Conference on
Control Automation (MED),. 13
D. Corbel. Contribution à lamélioration de la précision des robots parallèles. PhD thesis, Université de
Montpellier II - Sciences et Techniques de LangueDoc, December 2008. 11
J.J. Craig. Introduction to Robotics : Mechanics and Control. Addison-Wesley series in electrical and
computer engineering : control engineering. Pearson Education, Incorporated, 2005. ISBN
9780201543612. 19
P.R. Dahl. Measurement of solid friction parameters of ball bearings. Technical report, Enginee-
ring Science Operations - The Aerospace Corporation - El Segundo, Calif. 90245. 32
P.R. Dahl. A solid friction model. Technical report, The Aerospace Corporation, May 1968. 98
B. D’Andrea Novel, C. Boussard, M. Fliess, O. El Hamzaoui, H. Mounier, and B. Steux. Com-

mande sans modèle de la vitesse longitudinale d’un véhicule électrique. In Sixième Conférence
Internationale Francophone d’Automatique (CIFA 2010), Nancy, France, 2010. 45
A. De Luca. Feedforward/feedback laws for the control of flexible robots. In Robotics and
Automation, 2000. Proceedings. ICRA ’00. IEEE International Conference on, volume 1, pages
233–240, 2000. 21
A. De Luca and F. Flacco. Dynamic gravity cancellation in robots with flexible transmissions. In
Decision and Control (CDC), 2010 49th IEEE Conference on, pages 288–295, 2010. 143
A. De Luca and B. Siciliano. Closed-form dynamic model of planar multilink lightweight robots.
Systems, Man and Cybernetics, IEEE Transactions on, 21(4) :826–839, 1991. ISSN 0018-9472. 21
A. De Luca, R. Farina, and P. Lucibello. On the control of robots with visco-elastic joints. In
Robotics and Automation, 2005. ICRA 2005. Proceedings of the 2005 IEEE International Conference
on, pages 4297–4302, 2005. 22
168 BIBLIOGRAPHIE
J. De Miras, S. Riachy, M. Fliess, C. Join, and S Bonnet. Vers une commande sans modèle
d’un palier magnétique — first steps towards a model-free control of a magnetic bearing. In
Septième Conférence Internationale Francophone d’Automatique, page CDROM, Grenoble, France,
2012. SURFDIAG, CID SURFDIAG, CID. 44
P. Destuynder and F. Santi. Analyse et contrôle numérique du signal - Calcul scientifique - Niveau C.
Technosup - ELLIPSES, 2003. ISBN 9782729817268. 114
R. Dhaouadi, F.H. Ghorbel, and P.S. Gandhi. A new dynamic model of hysteresis in harmonic
drives. Industrial Electronics, IEEE Transactions on, 50(6) :1165–1171, 2003. ISSN 0278-0046. 163
S. Dietze. H, Hermes and J.P. La Salle, Functional Analysis and Time Optimal Control. (Mathematics in
Science and Engineering, Volume 56). VIII + 136 S. m. Abb. New York/London 1969. Academic Press,
volume 52. WILEY-VCH Verlag, 1972. 126
S.K Dwivedy and P Eberhard. Dynamic analysis of flexible manipulators, a literature review.
Mechanism and Machine Theory, 41(7) :749 – 777, 2006. ISSN 0094-114X. 20
M.R. Elhami and D.J. Brookfield. Sequential identification of coulomb and viscous friction in
robot drives. Automatica, 33(3) :393 – 401, 1997. ISSN 0005-1098. 95
G Ellis. Control System Design Guide, (2nd Ed.),. Academic Press, 2000. 87
M Enqvist. Some Results on Linear Models of Nonlinear Systems. Linköpings universitet, Linköping,
Sweden, 2003. ISBN 91-7373-758-5. 37
M. Fliess. Some basic structural properties of generalized linear systems. Systems and Control
Letters, 15(5) :391 – 396, 1990. ISSN 0167-6911. 44
M. Fliess. Analyse non standard du bruit. Comptes Rendus Mathematique, 342(10) :797 – 802, 2006.
ISSN 1631-073X. 44
M. Fliess and C. Join. Model-free control and intelligent pid controllers : towards a possible
trivialization of nonlinear control. In 15th IFAC Symposium on System Identification (SYSID
2009), Saint-Malo, France, 2009. IFAC. 44
M. Fliess, J. Lévine, and P. Rouchon. Flatness and defect of nonlinear systems : Introductory
theory and examples. International Journal of Control, 61 :1327–1361, 1995. 44, 142
M. Fliess, C. Join, and H. Sira-Ramirez. Robust residual generation for linear fault diagnosis :
An algebraic setting with examples. International Journal of Control, 77(14) :1223–1242, 2004. 45
M. Fliess, C. Join, and M. Mboup. Algebraic change-point detection. Applicable Algebra in

Engineering, Communication and Computing, 21(2) :131–143, 2010. 70
D. Foata and J. Franchi. Calcul des probabilités. Sciences Sup. Dunod, 2012 - 3ème edition. ISBN
9780071633437. 51
J. Funda, R.H. Taylor, and R.P. Paul. On homogeneous transforms, quaternions, and compu-
tational efficiency. Robotics and Automation, IEEE Transactions on, 6(3) :382–388, 1990. ISSN
1042-296X. 13
BIBLIOGRAPHIE 169
Y. Fung and P. Tong. Classical and Computational Solid Mechanics. Advanced series in engineering
science. World Scientific, 2001. ISBN 9789810241247. 23
H. Garnier and L. Wang. Identification of Continuous-time Models from Sampled Data. Advances in
Industrial Control Series. Springer-Verlag London Limited, 2008. ISBN 9781848001619. 38
A. Gasparetto and V. Zanotto. A technique for time-jerk optimal planning of robot trajectories.
Robotics and Computer-Integrated Manufacturing, 24(3) :415 – 426, 2008. ISSN 0736-5845. 128
M. Gautier and W. Khalil. Exciting trajectories for the identification of base inertial parameters of
robots. In Decision and Control, 1991., Proceedings of the 30th IEEE Conference on, pages 494–499
vol.1, 1991. 108, 110
M. Gautier and P. Poignet. Identification en Boucle Fermée par Modèle Inverse des Paramètres
Physiques de Systèmes Mécatroniques. Journal Européen des Systèmes Automatisés, 36(3) :
465–480, 2002. 103
A. Gensior, J. Weber, J. Rudolph, and H. Guldner. Algebraic parameter identification and

asymptotic estimation of the load of a boost converter. Industrial Electronics, IEEE Transactions
on, 55(9) :3352–3360, 2008. ISSN 0278-0046. 45
V. Gerat. Speed reducer of the cycloidal type for robots and other industrial manipulators.
Number Patent US5286235-A. S.A. Des Etablissements Staubli, USA, 15. Feb 1994. 95
F.H. Ghorbel, A. Alpeter, and P.S. Gandhi. On the kinematic error in harmonic drive gears.
Journal of Mechanical Design, 123 :90–97, 2001. 163
H. Goldstein. Classical Mechanics. Addison-Wesley Publishing Company, Reading, Massachu-

setts, USA, 1980. ISBN 9788177582833. 20
K. Graichen, V. Hagenmeyer, and M. Zeitz. A new approach to inversion-based feedforward

control design for nonlinear systems. Automatica, 41(12) :2033 – 2041, 2005. ISSN 0005-1098.
143
K.H. Grote and E.K. Antonsson. Springer Handbook of Mechanical Engineering. Number vol. 10 in
Springer Handbook of Mechanical Engineering. Springer, 2009. ISBN 9783540491316. 19
P. Hamon, M. Gautier, and P. Garrec. Identification dynamique de robots avec un modèle

de frottement sec fonction de la charge et de la vitesse. In Sixième Conference Internationale
Francophone d’Automatique, page 154, Nancy, France, 2010. 103
P. Hamon, M. Gautier, and P. Garrec. New dry friction model with load- and velocity-dependence
and dynamic identification of multi-dof robots. In Robotics and Automation (ICRA), 2011 IEEE
International Conference on, pages 1077–1084, 2011. 104
T. Hardeman. Modelling and identification of industrial robots including drive and joint flexibilities.
PhD thesis, University of Twente, Enschede, February 2008. 112
T. Hardeman, R.G.K.M. Aarts, and J.B. Jonker. A finite element formulation for dynamic
parameter identification of robot manipulators. Multibody System Dynamics, 16(1) :21–35, 2006.
ISSN 1384-5640. 20
170 BIBLIOGRAPHIE
M.R. Hatch. Vibration Simulation Using MATLAB and ANSYS. Taylor & Francis, 2010. ISBN
9781420035759. 21
M-H. Hayes. Statistical Digital Signal Processing and Modeling. John Wiley and Sons, 1996. ISBN
978-0-471-59431-4. 113
G.E. Hovland, E. Berglund, and O.J. Sordalen. Identification of joint elasticity of industrial
robots. In Experimental Robotics VI, volume 250 of Lecture Notes in Control and Information
Sciences, pages 455–464. Springer London, 2000. ISBN 978-1-85233-210-5. 61
K. Ibn Taarit. Contribution à l’identification des systèmes à retards et d’une classe de systèmes hybrides.
PhD thesis, Ecole Centrale de Lille ; Ecole Nationale d’Ingénieurs de Tunis (Tunisie), Dec 2010.
38
K. Ibn Taarit, L. Belkoura, M. Ksouri, and J-P. Richard. A fast identification algorithm for systems
with delayed inputs. International Journal of Systems Science, 42(3) :449–456, 2011. 44
ISO. Manipulating industrial robots - Performance criteria and related test methods (ISO 9283).
International Standards Organization, 1998. 11
Z. Jamaludin, H. Van Brussel, and J. Swevers. Quadrant glitch compensation using friction
model-based feedforward and an inverse-model-based disturbance observer. In Advanced
Motion Control, 2008. AMC’08. 10th IEEE International Workshop on, pages 212–217, 2008. 104
A. Janczak. Identification of Nonlinear Systems Using Neural Networks and Polynomial Models : A
Block-Oriented Approach. Lecture Notes in Control and Information Sciences. Springer, 2005.
ISBN 9783540231851. 60
K. Johanastrom and C. Canudas de Wit. Revisiting the lugre friction model. Control Systems,
IEEE, 28(6) :101–114, 2008. ISSN 1066-033X. 105
B. Jonker. A Finite Element Dynamic Analysis of Flexible Manipulators. The International Journal
of Robotics Research, 9(4) :59–74, August 1990. 20
B. Jonker. Linearization of dynamic equations of flexible mechanisms - a finite element approach.

International Journal for Numerical Methods in Engineering, 31(7) :1375–1392, 1991. 20
R. E. Kalman and R. S. Bucy. New results in linear filtering and prediction theory. Transactions of
the ASME. Series D, Journal of Basic Engineering, 83 :95–107, 1961. 42
R.E. Kalman, P.L. Falb, and M.A. Arbib. Topics in mathematical system theory. International series
in pure and applied mathematics. McGraw-Hill, 1969. 42
T.R. Kane and D.A. Levinson. Dynamics : Theory and Applications. McGraw-Hill Series in
Mechanical Engineering. McGraw-Hill Ryerson, Limited, 1985. ISBN 9780070378469. 20
C-G. Kang. On the derivative constraints of input shaping control. Journal of Mechanical Science
and Technology, 25(2) :549–554, 2011. ISSN 1738-494X. 133
M.R. Kermani, R.V. Patel, and M. Moallem. Friction identification and compensation in robotic
manipulators. Instrumentation and Measurement, IEEE Transactions on, 56(6) :2346–2353, 2007.
ISSN 0018-9456. 95, 103
BIBLIOGRAPHIE 171
W. Khalil. Commande des robots manipulateurs. IC2 : Série Systèmes automatisés. Hermes Science
Publications, 2002. ISBN 9782746204744. 127
W. Khalil and E. Dombre. Modélisation, identification et commande des robots. Collection robotique.
Hermes Science Publications, 1999. ISBN 9782746200036. 18
W. Khalil and M. Gautier. Modeling of mechanical systems with lumped elasticity. In Robotics
and Automation, 2000. Proceedings. ICRA ’00. IEEE International Conference on, volume 4, pages
3964–3969 vol.4, 2000. 21, 22
W. Khalil and J. Kleinfinger. A new geometric notation for open and closed-loop robots. In
Robotics and Automation. Proceedings. 1986 IEEE International Conference on, volume 3, pages
1174–1179, 1986. 15
O. Khatib, P. Thaulad, T. Yoshikawa, and Jaeheung Park. Torque-position transformer for task
control of position controlled robots. In Robotics and Automation, 2008. ICRA 2008. IEEE
M. Ksouri and P. Borne. La commande par calculateur : application aux procédés industriels : avec
100 exercices et problèmes résolus. Collection Sciences et technologies. Technip, 1999. ISBN
9782710807636. 37
J.C Lagarias, J.A. Reeds, M.H. Wright, and P.E. Wright. Convergence properties of the nelder-
mead simplex method in low dimensions. SIAM Journal of Optimization, 9 :112–147, 1998.
105
I.D. Landau. Identification et commande des systèmes. Traité des nouvelles technologies. Série
Automatique. Hermes Science Publications, 1993. ISBN 9782866013653. 35, 36, 42
I.D. Landaun and A. Besançon-Voda. Identification des systèmes. IC2 : Série Systèmes automatisés.
Hermes Science Publications, 2001. ISBN 9782746202207. 38, 39
F. Lange and Gerhard Hirzinger. Learning accurate path control of industrial robots with joint
elasticity. In Robotics and Automation, Proceedings, IEEE International Conference on, volume 3,
pages 2084–2089, 1999. 4
M. Lesser. Analysis of Complex Nonlinear Mechanical Systems : A Computer Algebra Assisted

Approach. World scientific series on nonlinear science. Series A. World Scientific, 1995. ISBN
9789810234775. 20
T. Li, H. Jia-Xiu, and Z. Pi-Xuan. Research on modeling and dynamics of flexible manipulators.
In Machine Learning and Cybernetics, 2006 International Conference on, pages 840–845, 2006. 21
J.G. Linden, T. Larkowski, and K.J. Burnham. Algorithms for recursive/semi-recursive bias-
compensating least squares system identification within the errors-in-variables framework.
International Journal of Control, 85(11) :1625–1643, 2012. 42
D. Liu, O. Gibaru, and W. Perruquetti. Error analysis of jacobi derivative estimators for noisy
signals. Numerical Algorithms, 58(1) :53–83, 2011a. ISSN 1017-1398. 118
172 BIBLIOGRAPHIE
D-Y Liu, O. Gibaru, and W. Perruquetti. Differentiation by integration with jacobi polynomials.
Journal of Computational and Applied Mathematics, 235(9) :3015 – 3032, 2011b. ISSN 0377-0427. 45
L. Ljung, editor. System identification (2nd ed.) : Theory for the user. Prentice Hall PTR, Upper
Saddle River, NJ, USA, 1999. ISBN 0-13-656695-2. 36, 110
L. Ljung. Identification for control : simple process models. In Decision and Control, 2002,
Proceedings of the 41st IEEE Conference on, volume 4, pages 4652–4657 vol.4, 2002a. 41
L. Ljung. Recursive identification algorithms. Circuits, Systems and Signal Processing, 21(1) :57–68,
2002b. ISSN 0278-081X. 42
L. Ljung and T. Söderström. Theory and practice of recursive identification. MIT Press series in
signal processing, optimization, and control. MIT Press, 1985. 41, 42
H.-G. Maas. Dynamic photogrammetric calibration of industrial robots. In in Proc. SPIE

Videometrics V, pages 106–112, 1997. 13
J.M. Martins, Z. Mohamed, M.O. Tokhi, J. Sa da Costa, and M.A. Botto. Approaches for dynamic
modelling of flexible manipulator systems. Control Theory and Applications, IEE Proceedings -,
150(4) :401–411, 2003. ISSN 1350-2379. 21
M. Mboup, C. Join, and M. Fliess. Numerical differentiation with annihilators in noisy environ-
ment. Numerical Algorithms, 50(4) :439–467, 2009. ISSN 1017-1398. 119
M.W. Mehrez and A.A El-Badawy. Effect of the joint inertia on selection of under-actuated
control algorithm for flexible-link manipulators. Mechanism and Machine Theory, 45(7) :967 –
980, 2010. ISSN 0094-114X. 22
M Mensler. Analyse et étude comparative de méthodes didentification des systèmes à représentation

continue. Développement dune boîte à outils logicielle. PhD thesis, UHP - Université Henri
Poincaré, Nancy 1, 1999. 37, 38, 39
S. Moberg, J. Ohr, and S. Gunnarsson. A benchmark problem for robust control of a multivariable
nonlinear flexible manipulator. In Proc. 17th IFAC World Congress, pages 1206–1211, Seoul,
Korea, July 2008. 61
R. Moheimani. Mechatronic Systems 2004. Number vol. 1 in Elsevier-IFAC publications. Elsevier

Science & Technology Books, 2005. ISBN 9780080442631. 59
Abdouramane Moussa Ali, Cédric Join, and Frédéric Hamelin. Diagnostic des systèmes dyna-
miques linéaires sans modèle explicite. Journal Européen des Systèmes Automatisés, 45(Spécial :
Nouvelles tendances en automatique) :339–362, Jan 2011. 45
Bashir M.Y. Nouri. Friction identification in mechatronic systems. {ISA} Transactions, 43(2) :205 –
216, 2004. ISSN 0019-0578. 98
A. Olabi. Amélioration de la précision des robots industriels pour des applications d’usinage à grande
vitesse. PhD thesis, Ecole Nationale Supérieure d’Arts et Métiers - CER de Lille, Novembre
2011. xiii, 2, 23, 132
BIBLIOGRAPHIE 173
A. Olabi, R. Béarée, O. Gibaru, and M. Damak. Feedrate planning for machining with industrial
six-axis robots. Control Engineering Practice, 18(5) :471 – 482, 2010. ISSN 0967-0661. 132
A. Olabi, M. Damak, R. Béarée, O. Gibaru, and S. Leleu. Improving the accuracy of industrial
robots by offline compensation of joints errors. In Industrial Technology (ICIT), 2012 IEEE
H. Olsson, K-J. Astrom, C. Canudas de Wit, M. Gafvert, and P. Lischinsky. Friction models and
friction compensation. European Journal of control, 4 :176195, 1998. 33, 100, 104
M. Oueslati, O. Gibaru, R. Béarée, G. Moraru, and Damak. M. Modélisation et identification des

défauts dans la chaine de transmission d’un axe de robot industriel usinant. Cluny, France,
October 2010. Proceeding of the 6me AssisesM achinesetU sinageGrandeV itesse. 91
M. Oueslati, S. Thiery, O. Gibaru, R. Béarée, and G. Moraru. On algebraic approach for msd
parametric estimation. In Integrated Modeling and Analysis in Applied Control and Automation
conference, pages 83–91, Rome, Italie, September 2011. 61
M. Oueslati, R. Béarée, O. Gibaru, and G. Moraru. Improving the dynamic accuracy of elastic
industrial robot joint by algebraic identification approach. In Systems and Computer Science
(ICSCS), 2012 1st International Conference on, pages 1–6, 2012. 91, 117
J.G. Papastavridis. On jourdain’s principle. International Journal of Engineering Science, 30(2) :135 –
140, 1992. ISSN 0020-7225. 20
E. Parzen. Stochastic Processes. Classics in Applied Mathematics. Society for Industrial and Applied
Mathematics, 1999. ISBN 9780898714418. 50
E. Pereira, J.R. Trapero, I.M. DÃaz, and V. Feliu. Adaptive input shaping for manoeuvring flexible
structures using an algebraic identification technique. Automatica, 45(4) :1046 – 1051, 2009. ISSN
0005-1098. 45, 155
E. Pereira, J.R. Trapero, I.M Diaz, and V. Feliu. Algebraic identification of the first two natural
frequencies of flexible-beam-like structures. Mechanical Systems and Signal Processing, 25(7) :2324
– 2335, 2011. ISSN 0888-3270. 154
E. Pereira, J.R. Trapero, I.M. Diaz, and V. Feliu. Adaptive input shaping for single-link flexible
manipulators using an algebraic identification. Control Engineering Practice, 20(2) :138 – 147, 2012.
ISSN 0967-0661. 45, 154, 156
W. Perruquetti, M. Mboup, R. Ushirobira, P. Fraisse, and V. Bonnet. An algebraic approach for

human posture estimation in the sagittal plane using accelerometer noisy signal. In 51st IEEE
Conference on Decision and Control, pages 7389–7394, Maui, Hawaii, Etats-Unis, Sep 2012. 45
A. Piersol and T. Paez. Harris Shock and Vibration Handbook. McGraw-Hill handbooks. Mcgraw-hill,
2009. ISBN 9780071633437. 21, 89
R. Pintelon and J. Schoukens. Measurement of frequency response functions using periodic

excitations, corrupted by correlated input/output errors. Instrumentation and Measurement, IEEE
Transactions on, 50(6) :1753–1760, 2001. ISSN 0018-9456. 36
174 BIBLIOGRAPHIE
J. Piranda. Vibrations en milieu industriel, mesures, surveillance et contrôle, volume base documentaire :
42424210. Editions T.I., 2013. 21
G. Piras, W.L. Cleghorn, and J.K. Mills. Dynamic finite-element analysis of a planar high-speed,
high-precision parallel manipulator with flexible links. Mechanism and Machine Theory, 40(7) :849
– 862, 2005. ISSN 0094-114X. 21
A. Poty, P. Melchior, B. Orsoni, F. Levron, and A. Oustaloup. Zv and zvd shapers for explicit frac-
tional derivative systems. In Advanced Robotics, Proceedings of ICAR 2003., The 11th International
C. Presse and M. Gautier. New criteria of exciting trajectories for robot identification. In Robotics
and Automation, 1993. Proceedings., 1993 IEEE International Conference on, pages 907–912 vol.3,
1993. 110
S. Ramachandran, T. Nagarajan, and N. Siva Prasad. A finite element approach to the design and
dynamic analysis of platform type robot manipulators. Finite Elements in Analysis and Design, 10
(4) :335 – 350, 1992. ISSN 0168-874X. 21
G. P. Rao and H. Unbehauen. Identification of continuous-time systems. Control Theory and

Applications, IEE Proceedings -, 153(2) :185–220, 2006. ISSN 1350-2379. 37, 38
O. Reynolds. The Sub-mechanics of the Universe. Rede lectures / R. Rede. At the University Press,
1903. 31
S. Rezk, C. Join, S. El Asmi, M. Dogui, and M. Hédi Bedoui. Frequency Change-Point Detection in
physiological Signals : an Algebraic Approach. International Journal on Sciences and Techniques of
Automatic control & computer engineering, 2(1) :456–468, 2008. 70
S. Riachy, M. Mboup, and J.P Richard. Multivariate numerical differentiation. Journal of Computa-
tional and Applied Mathematics, 236(6) :1069 – 1089, 2011. ISSN 0377-0427. 45
R. Riepl and H. Gattringer. Accurate high-speed robotics. Technical report, B & R Industrial
Ethernet Award 2009, Austria, January 2009. 3
F. Rotella and P. Borne. Théorie et pratique du calcul matriciel. Méthodes et pratiques de l’ingénieur.
Editions Technip, 1995. ISBN 9782710806752. 44
M. Ruderman, F. Hoffmann, and T. Bertram. Modeling and identification of elastic robot joints
with hysteresis and backlash. Industrial Electronics, IEEE Transactions on, 56(10) :3840–3847, 2009.
ISSN 0278-0046. 13
N. Sadati, M. Bagherpour, and R. Ghadami. Adaptive multi-model controller for robotic manipula-
tors based on cmac neural networks. In Industrial Technology, 2005. ICIT 2005. IEEE International
P. Sanz. Robotics : Modeling, planning, and control (siciliano, b. et al ; 2009) [on the shelf]. Robotics
Automation Magazine, IEEE, 16(4) :101–101, 2009. ISSN 1070-9932. 13
BIBLIOGRAPHIE 175
J. Schoukens, R. Pintelon, and H. Van Hamme. Identification of linear dynamic systems using
piecewise constant excitations : Use, misuse and alternatives. Automatica, 30(7) :1153 – 1169,
1994. ISSN 0005-1098. 38
T. Söderström and K. Mahata. On instrumental variable and total least squares approaches for
identification of noisy systems. International Journal of Control, 75(6) :381–389, 2002. 42
T.S. Söderstrom and P.G. Stoica. System Identification. Prentice Hall International Series In Systems
And Control Engineering. Prentice Hall, 1989. ISBN 9780138812362. 36
P.K. Sen and J. da Motta Singer. Large Sample Methods in Statistics : An Introduction with Applications.
Chapman and Hall Texts in Statistical Science Series. Chapman & Hall, 1993. ISBN 9780412042218.
52
A.A. Shabana. Dynamics of Multibody Systems. Cambridge University Press, 2003. ISBN
9780521544115. 19
B. Siciliano and O. Khatib. Springer Handbook of Robotics. Gale virtual reference library. Springer,
2008. ISBN 9783540239574. xiii, 14, 19, 20, 22
N.C. Singer and W.P. Seering. Preshaping command inputs to reduce system vibration. ASME
Journal of Dynamic Systems, Measurement, and Control, 112 :76–82, 1990. 133
N.C. Singer and W.P. Seering. An extension of command shaping methods for controlling residual
vibration using frequency sampling. In Robotics and Automation, 1992. Proceedings., 1992 IEEE
International Conference on, volume 1, pages 800–805, 1992. 133
T. Singh and W.E Singhose. Input shaping/time delay control of maneuvering flexible structures.
In American Control Conference, 2002. Proceedings of the 2002, volume 3, pages 1717–1731. IEEE,
2002. 134
W.E Singhose. Command Generation for Flexible Systems. PhD thesis, Massachusetts Institute of
Technology, 1997. 133
H. Sira-Ramirez and M Fliess. An algebraic state estimation approach for the recovery of chaotically
encrypted messages. International Journal of Bifurcation and Chaos, 16(02) :295–309, 2006. 45
C.A.M. Soares, J.A.C. Martins, H.C. Rodrigues, J.A.C. Ambrósio, C.A.B. Pina, C.M.M. Soares, E.B.R.
Pereira, and J. Folgado. III European Conference on Computational Mechanics : Solids, Structures and
Coupled Problems in Engineering : Book of Abstracts. Springer, 2008. ISBN 9781402053702. 21
M. W. Spong. Modeling and control of elastic joint robots. Journal of Dynamic Systems, Measurement,
and Control, 109, 1986. 21
M. W. Spong. Modeling and control of elastic joint robots. Journal of Dynamic Systems Measurement
and Control-transactions of The Asme, 109(4) :310–318, 1987. 21
M.W. Spong and S. Hutchinson. Robot Modeling and Control. Wiley, 2005. ISBN 9780471649908. 19
M.W. Spong and M. Vidyasagar. Robot Dynamics and Control. Wiley, 1989. ISBN 9780471612438. 14,
20
176 BIBLIOGRAPHIE
R. Stribeck. Die wesentlichen Eigenschaften der Gleit- und Rollenlager. Mitteilungen über Forschung-
sarbeiten auf dem Gebiete des Ingenieurwesens. Heft 7. Julius Springer, 1903. 31
B. Subudhi and A.S. Morris. Dynamic modelling, simulation and control of a manipulator with
flexible links and joints. Robotics and Autonomous Systems, 41(4) :257 – 270, 2002. ISSN 0921-8890.
21, 22, 60
L.M. Sweet and M.C. Good. Redefinition of the robot motion-control problem. Control Systems
Magazine, IEEE, 5(3) :18–25, 1985. ISSN 0272-1708. 21
J. Swevers, C. Ganseman, D.B. Tukel, J. De Schutter, and H. Van Brussel. Optimal robot excitation
and identification. Robotics and Automation, IEEE Transactions on, 13(5) :730–740, 1997. ISSN
1042-296X. 108, 110
J. Swevers, F. Al-Bender, C.G. Ganseman, and T. Projogo. An integrated friction model structure
with improved presliding behavior for accurate friction compensation. Automatic Control, IEEE
Transactions on, 45(4) :675–686, 2000. ISSN 0018-9286. 97
R.J. Theodore and A. Ghosal. Comparison of the assumed modes and finite element models for
flexible multilink manipulators. I.J. Robotic Res., 14(2) :91–111, 1995. 21
S. Thiery. Modélisation et compensation de frottements dans un moteur linéaire. Technical report,

Institut National Polytechnique de Grenoble, May 2005. xiii, 32
Z. Tiganj, M. Mboup, C. Pouzat, and L. Belkoura. An algebraic method for eye blink artifacts
detection in single channel eeg recordings. In Selma Supek and Ana Suac, editors, 17th Interna-
tional Conference on Biomagnetism Advances in Biomagnetism Biomag2010, volume 28 of IFMBE
Proceedings, pages 175–178. Springer Berlin Heidelberg, 2010. ISBN 978-3-642-12196-8. 45
Z. Tiganj, M. Mboup, S. Chevallier, and E. Kalunga. Online frequency band estimation and change-
point detection. In 1st International Conference Systems and Computer Science, Lille, France, August
2012. 70
P. Tomei. A simple pd controller for robots with elastic joints. Automatic Control, IEEE Transactions
on, 36(10) :1208–1213, 1991. ISSN 0018-9286. 21
D.M. Tran. A presentation of kane’s method for formulating equations of motion. La Recherche
Aérospatiale, 3 :121, 1991. ISSN 0379-380X. 23
J.R. Trapero, H. Sira-Ramirez, and V. Feliu. A fast on-line frequency estimator of lightly damped
vibrations in flexible structures. Journal of Sound and Vibration, 307 :365–378, 2007. 70, 118
T-D. Tuttle. Creating time-optimal commands for linear systems. PhD thesis, Massachusetts Institute of
Technology, 1997. 126
H. Ueno, Y. Xu, and T. Yoshida. Modeling and control strategy of a 3-d flexible space robot.
In Intelligent Robots and Systems ’91. ’Intelligence for Mechanical Systems, Proceedings IROS ’91.
IEEE/RSJ International Workshop on, pages 978–983 vol.2, 1991. 22
BIBLIOGRAPHIE 177
R. Ushirobira, W. Perruquetti, M. Mboup, and M. Fliess. Algebraic parameter estimation of a

biased sinusoidal waveform signal from noisy data. In Sysid 2012, 16th IFAC Symposium on
System Identification, Brussels, Belgique, 2012. 47
W. Verdonck and J. Swevers. Improving the dynamic accuracy of industrial robots by trajectory
pre-compensation. In Robotics and Automation, 2002. Proceedings. ICRA ’02. IEEE International
Conference on, volume 4, pages 3423–3428, 2002. 3, 4
J. Villagra, B. D’Andrea Novel, S. Choi, M. Fliess, and H. Mounier. Robust stop-and-go control
strategy : an algebraic approach for nonlinear estimation and control. Int. J. Vehicle Autonomous
Systems, 7(3/4) :270–291, 2009. 45
B. Wahlberg, H. Hjalmarsson, and Petre Stoica. On optimal input signal design for frequency
response estimation. In Decision and Control (CDC), 2010 49th IEEE Conference on, pages 302–307,
2010. 61
B. Wahlberg, H. Hjalmarsson, and P. Stoica. On the performance of optimal input signals for
frequency response estimation. Automatic Control, IEEE Transactions on, 57(3) :766–771, 2012.
ISSN 0018-9286. 61
J. Wang, H. Zhang, and T. Fuhlbrigge. Improving machining accuracy with robot deformation
compensation. In Intelligent Robots and Systems, 2009. IROS 2009. IEEE/RSJ International Conference
on, pages 3826–3831, 2009. 4
T. Wongratanaphisan and M. Chew. Gravity compensation of spatial two-dof serial manipulators.

Journal of Robotic Systems, 19(7) :329–347, 2002. ISSN 1097-4563. 80
M. Yazdani, G. Gamble, G. Henderson, and R. Hecht-Nielsen. A simple control policy for achieving
minimum jerk trajectories. Neural Networks, 27(0) :74 – 80, 2012. ISSN 0893-6080. 128
T. Yoshikawa. Foundations of Robotics : Analysis and Control. MIT Press, 1990. ISBN 9780262240284.
22
V. Zanotto, A. Gasparetto, A. Lanzutti, P. Boscariol, and R. Vidoni. Experimental validation of

minimum time-jerk algorithms for industrial robots. Journal of Intelligent Robotic Systems, 64(2) :
197–219, 2011. ISSN 0921-0296. 141
G. Zheng, D. Boutat, T. Floquet, and J.-P Barbot. Secure data transmission based on multi-input
multi-output delayed chaotic system. International Journal of Bifurcation and Chaos, 18(07) :
2063–2072, 2008. 45
Contribution à la modélisation dynamique, l’identification et la synthèse de lois de
commande adaptées aux axes flexibles d’un robot industriel
RESUME : Les robots industriels représentent un moyen de production sophistiqué pour l’industrie
manufacturière d’aujourd’hui. Ces manipulateurs sont plus agiles, plus flexibles et moins coûteux que les
machines-outils spécialisées. L’exploitation de ces avantages fait l’objet d’une demande croissante de
l’industrie. La dynamique de ces manipulateurs est soumise à de nombreuses sources d’imprécision. En effet
les défauts de la chaîne de transmission, ou encore les éléments de liaisons peuvent être le siège de
déformations et de vibrations dégradant sensiblement leur précision. Ces phénomènes physiques sont
d’autant plus difficiles à compenser que seul un sous ensemble des états du système est mesuré par les
codeurs moteurs. La structure de commande industrielle actuelle d’un robot n’agit donc pas directement sur
ces phénomènes. Il est nécessaire alors de progresser sur le front de l'amélioration de la précision par
l’adaptation de la commande à ces nouvelles exigences. Un état de l’art met en évidence un manque de
travaux qui traitent de l’élaboration d’anticipations adaptées aux axes d’un robot et intégrant les phénomènes
de déformation. En outre, la planification de trajectoire n’est classiquement pas remise en cause et peu
évoquée. Elle représente pourtant un moyen d’action éprouvé afin d’améliorer les performances dynamiques
en suivi de profil. L’approche proposée dans ce mémoire se veut une alternative à ces méthodes. Elle est
basée sur une exploitation d’un modèle dynamique représentatif et détaillé. Il intègre les principaux
phénomènes physiques mis en évidence tels que les effets de la gravité, les systèmes mécaniques de
compensation, les forces de frottement et la flexibilité articulaire. Cette modélisation associée à des méthodes
d’identification expérimentale est exploitée afin de déduire une structure de commande. Elle permet la
réduction des déformations élastiques et des vibrations par une action sur la précommande et sur la loi de
mouvement adaptée. Ainsi, nous introduisons une méthode d’estimation non asymptotique appliquée en
robotique, afin d’estimer rapidement les paramètres vibratoires de ce dernier et contribue à une réactualisation
des modèles exploités. Des résultats expérimentaux montrent que cette méthodologie mène à une
amélioration des performances de positionnement par rapport à la commande industrielle.
Mots clés : Robot poly-articulé, Précision, Modélisation dynamique, Estimation non asymptotique,
Identification expérimentale, Flexibilité, Planification de trajectoire, Contrôle des vibrations, Pré-compensation.
Contribution to dynamic modeling, identification and synthesis of control laws for flexible
industrial robot
ABSTRACT : Anthropomorphic robots are widely used in many fields of industry to carry out repetitive tasks
such as pick and place, welding, assembling, and so on. Due to their flexibility and ability to perform complex
tasks in a large workspace, industrial robots are finding their way to realize continuous operations. Then, high
level pose accuracy is required to achieve a good path tracking. Unfortunately these systems were designed
to have a good repeatability but not a good accuracy. The dynamics of these manipulators is subject to many
sources of inaccuracy. Indeed, friction, kinematic errors and joint flexibilities may be the seat of deformation
and vibration which degrade the position performance. These physical phenomena are even more difficult to
manage even only a subset of states of the system is measured by motor encoders. Hence, the structure of
current industrial control does not act directly on these phenomena. Nevertheless, there is a growing interest
from industry for an improved path tracking accuracy with standard robots controllers. A state of the art
highlights a lack of works considering the development of expectations adapted to the axes of an industrial
robot and incorporating deformation phenomena. The approach proposed in this PhD. Thesis is meant to be
an alternative to such techniques by proposing a methodology based on exploitation of detailed physical
modeling and associated to experimental identification methods. This model incorporates the main highlighted
physical phenomena. It is then exploited to obtain adapted control structures and tuning methods allowing
enhancing the system’s performance. It is integrated in our trajectory planner in order to realize a
compensation scheme of joint errors. Thus, we introduce a new non-asymptotic estimation method applied in
robotics, to on-line estimate the vibration parameters and to update operated models. Experimental results
show that the proposed methodology leads to an improved motion control of the point-tool.
Keywords : Industrial robot, Path tracking accuracy, Path planning, Non-asymptotic estimation, System
identification, Joint elasticity, Vibration control, Trajectory pre compensation.

OUESLATI

Transféré par

Droits d'auteur :

Formats disponibles

OUESLATI

Transféré par

Informations du document

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

OUESLATI

Transféré par

Droits d'auteur :

Formats disponibles

Contribution à la modélisation dynamique,

l’identification et la synthèse de lois de commande

To cite this version:

HAL Id: pastel-01016462

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

École doctorale n° 432 : Sciences des Métiers de l’Ingénieur

L’École Nationale Supérieure d'Arts et Métiers

Contribution à la modélisation dynamique, l’identification et la

Directeur de thèse : Olivier GIBARU

Je voudrais exprimer toute ma reconnaissance à mon directeur de thèse Olivier GIBARU,

savoir faire. Merci pour tout Richard.

Je remercie chaleureusement mon deuxième encadrant de thèse George MORARU, Maître

Je remercie également Monsieur Lionel ROUCOULES, directeur de l’équipe LSIS-INSM, qui

Je souhaite remercier l’ensemble du personnel technique du l’ENSAM de Lille notamment

Et pour conclure, vivement notre petite Lina . . .

Table des matières xii

Table des figures xvi

Liste des tableaux xvii

1 La modélisation des robots polyarticulés 9

2 Identification de systèmes. Application aux robots manipulateurs 35

2.2 Développement du protocole d’essai . . . . . . . . . . . . . . . . . . . . . . 84

4 Méthodologie d’amélioration du comportement dynamique d’un robot industriel 123

2.2 Méthodologie de réglage de jerk adaptée à la réduction de vibrations . . . 130

Conclusions et Perspectives 161

1 Robot Stäubli 6 axes TX Plastics 160 . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1 Une ligne de soudage par points à l’aide des robots . . . . . . . . . . . . . . . . . 10

2.1 Système en boucle ouverte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.12 f0 = 20Hz, ζ=0, Te =4ms, A=0.1, erreur à 2% . . . . . . . . . . . . . . . . . . . . . . 57

3.1 Système de compensation de la gravité par ressorts de traction . . . . . . . . . . . 81

3.19 Relevés expérimentaux des position, vitesse et couple . . . . . . . . . . . . . . . . 97

4.1 Architecture d’un système de commande générique d’axe . . . . . . . . . . . . . 125

4.17 Adaptation du profil initial pour la réduction des vibrations . . . . . . . . . . . . 142

1.1 Principaux avantages et inconvénients des robots à architectures sérielles . . . . 10

2.1 Comparaison qualitative des méthodes d’optimisation . . . . . . . . . . . . . . . 41

3.1 Caractéristique de la poutre équivalente de l’axe 2 . . . . . . . . . . . . . . . . . . 89

4.1 Caractérisation de l’apport de la stratégie de précompensation sur la déviation

A ns l’industrie manufacturière d’aujourd’hui, les trois facteurs permettant de maintenir

F IGURE 1: Robot Stäubli 6 axes TX Plastics 160

de ce type de système sont complexes et soumises à de nombreuses sources d’imprécision.

Ces travaux de thèse se placent dans le cadre de l’adaptation de la commande industrielle et

F IGURE 2: Robot Stäubli 6 axes équipé d’une éléctrobroche UGV

Positionnement des travaux

Dans le chapitre 2, différentes méthodes d’identification des systèmes sont présentées et

Modélisation et Identification des robots

Modèle non linéaire

Commande des robots

Conception d’une architecture de

Synthèses des asservissements Planification de trajectoires

F IGURE 4: Schéma global représentant un aperçu du problème de modélisation, d’identification et de la

ici afin d’estimer rapidement les caractéristiques vibratoires de l’axe étudié.

Le chapitre 4 exploite le modèle identifié, développé précédemment, afin d’améliorer la

La conclusion générale présente la synthèse des développements réalisés et des principaux

La modélisation des robots

robot est un manipulateur commandé en position, reprogrammable, polyvalent, à plu-

TABLE 1.1: Principaux avantages et inconvénients des robots à architectures sérielles

le mieux possible le comportement géométrique, cinématique et dynamique de ce dernier. La

2 Précision : notions et définitions

2.1 Fidélité ou répétabilité

Mauvaise précision Bonne précision Mauvaise précision Bonne précision

F IGURE 1.2: Répétabilité et précision statique