OUESLATI
OUESLATI
OUESLATI
2013‐ENAM‐0065
Doctorat ParisTech
THÈSE
pour obtenir le grade de docteur délivré par
Marouene OUESLATI
le 18 décembre 2013
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.
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
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.
Introduction générale 1
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
Bibliographie 165
Table des figures
Contexte et problématique
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.
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.
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
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
3 4
Planification de
trajectoire Précommande
adaptée au souple et aspect
comportement anticipation
vibratoire
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.
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
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
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.
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.
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
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).
12 Chapitre 1 : La modélisation des robots polyarticulés
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.
x
F IGURE 1.3: Définition de l’erreur dynamique
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.
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.
i
F IGURE 1.4: Les paramètres géométriques de Denavit-Hartenberg [Siciliano and Khatib, 2008]
cas suivants :
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"
16 Chapitre 1 : La modélisation des robots polyarticulés
La matrice de transformation définissant le repère Ri dans le repère Ri−1 est obtenue par
deux rotations et deux translations comme suit :
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 :
- 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.
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).
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 .
18 Chapitre 1 : La modélisation des robots polyarticulés
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
∂f (θ)
Ẋ = θ̇ = J(θ)θ̇ (1.7)
∂θ
– 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 :
ωe = JO (θ)θ̇ (1.9)
5 Modèle Dynamique des Robots Manipulateurs 19
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
(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 .
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].
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].
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,
22 Chapitre 1 : La modélisation des robots polyarticulés
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.
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
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
24 Chapitre 1 : La modélisation des robots polyarticulés
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
5.3 Modélisation dynamique rigide 25
d’inertie Ii :
Iixx −Iixy −Iixz
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 :
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)
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)
26 Chapitre 1 : La modélisation des robots polyarticulés
(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
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 :
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
5.3 Modélisation dynamique rigide 27
(mi )
ωmi = JO θ̇ (1.29)
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
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
28 Chapitre 1 : La modélisation des robots polyarticulés
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)
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
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.
Le couple de gravité G(θ) est déduit par simple dérivation de l’énergie potentielle Ep (θ) par
5.4 Modélisation dynamique flexible 29
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
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 ;
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
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
avec
M (θ) = Bb (θ) + Mm (θ) + S(θ)J −1 S T (θ). (1.46)
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
(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
Régime 2. Lubrification
Régime 3. Lubrification
fluide partielle
fluide totale
des bornes
Vitesse de Glissement
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.
34 Chapitre 1 : La modélisation des robots polyarticulés
Chapitre 2
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
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.
v(t )
u(t )
Système y(t )
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
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].
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,
38 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
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].
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
θ − E(θ̂)
écart(%) = 100 . (2.2)
|θ|
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 :
– 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
42 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
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→∞
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.
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
2.1 Prédiction paramétrique par les approches asymptotiques 43
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.
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)
44 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
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−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)
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) :
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) .
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] ;
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
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
46 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
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
i=0 j=n−i i=0 j=n−i
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)!
i=0 j=n−i i=0 j=n−i
(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
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.
48 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
!
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.
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
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
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
A T fixé, θ̃e [m] est donc une variable aléatoire réelle obtenue comme quotient de variables
50 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
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
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
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.
†. 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
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.
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
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
3.3 Estimation à fenêtre glissante 55
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
Proposition 6. Soit y une fonction continue et t un réel strictement positif alors pour tout réel T fixé tel
56 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
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
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
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
3.3 Estimation à fenêtre glissante 57
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
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
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
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)
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
Cette partie est principalement tirée des travaux présentés dans [Oueslati et al., 2011].
x (t )
K
M F (t )
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
62 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
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 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
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
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.
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
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
66 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
∆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
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
SNR (dB) 25 50 80
écart (%) 19 0.4 0.3
Temps de convergence/stabilisation (s) 2.5 1.2 0.8
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.
68 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
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)
11
Fréquence simulée
Fréquence estimée − SNR=50 dB
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)
10.5
Fréquence simulée
Fréquence estimée − SNR=80 dB
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)
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
Fréquence estimée − SNR=25 dB
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)
12
Fréquence simulée
Fréquence estimée − SNR=50 dB
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)
12
Fréquence simulée
Fréquence estimée − SNR=80 dB
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)
F IGURE 2.24: Estimation de la fréquence f0 via l’approche algébrique pour différents SNR
70 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
SNR (dB) 25 50 80
écart (%) 1.3 1.4 1
Temps de convergence/stabilisation (s) 0.062 0.044 0.028
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.
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)
4
x 10
3
2.5
2
|Y(t)|
1.5
0.5
0
0 5 10 15 20 25
Fréquence (Hz)
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
5.3 Détection non asymptotique de la variation paramétrique 73
30
25
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)
|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
74 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
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)
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).
5.3 Détection non asymptotique de la variation paramétrique 75
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.
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.
76 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
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)
6 Conclusion
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)
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
78 Chapitre 2 : Identification de systèmes. Application aux robots manipulateurs
−1
−2
0 2 4 6 8 10 12 14 16 18
Temps (s)
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
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
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
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/
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
82 industriel
Codeur moteur
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
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
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 .
d
1
2
X
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.
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
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
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
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
86 industriel
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
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)
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.
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
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)
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
2.3 Mise en évidence des phénomènes vibratoires 89
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
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
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
90 industriel
fz fy
Z
Y
X
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
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)
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
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
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)
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
N Jb
θn K, D θ
τm θm
Jm
Réducteur
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
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
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
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)
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
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
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
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
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.
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
Position de l’axe 2 (deg)
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)
200
−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)
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
Position de l’axe 2 (deg)
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.
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))
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
Position de l’axe 2 (deg)
−3
x 10
10
1 2 3 4 5 6 7 2
−2
−4
0 5 10 15 20 25 30 35 40 45
Temps (s)
-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)
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 Estimation du couple de frottement total 101
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
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 :
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 ;
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
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)
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)
F IGURE 3.26: Relevés expérimentaux des vitesses et couples d’entrée associés en vue de l’identification
du couple de frottement
4.3 Estimation du couple de frottement total 103
– 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.
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)
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
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.
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.
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
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
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
106 industriel
200
Couple de frottement mesuré
Couple de frottement estimé
Erreur d’estimation
150
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)
150
−90
−92
Couple de frottement de l’axe 2 (N.m)
Couple de frottement de l’axe 2 (N.m)
−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
dynamique mais avec une complexité algorithmique plus importante en vue d’une compensation
de ces effets.
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 :
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.
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 .
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
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
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
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)
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 :
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
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.
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.
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
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
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
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
Déformation axiale (deg)
0.1
5
4
0.05 2
−0.05
0 2 4 6 8 10 12 14 16 18 20
Temps (s)
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
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
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.
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
Déformation axiale (deg)
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
Déformation axiale (deg)
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)
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
7.3 Estimation paramétrique expérimentale 115
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.
N −1
X nk
Xk = xn e−j2π N (3.27)
n=0
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)
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)
fréquences obtenues par cette campagne sont cohérentes avec celles du tableau 3.6).
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.
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
7.3 Estimation paramétrique expérimentale 117
0.19
y1
0.18
y2
Déformation axiale (deg)
0.17
0.16
0.15
0.14
0.13
15.6 15.7 15.8 15.9 16 16.1
Temps (s)
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.
Définissons le vecteur : Λ = (λ1 λ2 )T . L’estimation des paramètres λ̂1 et λ̂2 est définie comme
suit :
P Λ = Q. (3.31)
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
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
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.
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)
7.3 Estimation paramétrique expérimentale 119
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).
10 Estimation Non−Asymptotique
Frequence (Hz)
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)
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
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
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).
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
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
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.
Chapitre 3 : Etude de l’influence des phénomènes dynamiques sur un axe d’un robot
122 industriel
Mesurée
0.12 Simulée
0.11
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)
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.
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.
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
I ff I 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
Vm
θm
F IGURE 4.2: Boucle interne de l’asservissement d’un axe du robot Stäubli RX 170
Les conditions initiales d’un mouvement sont définies par X0 pour la position, V0 pour la vitesse
et A0 pour l’accélération.
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
peut être réalisé par sommation d’échelons de différentes amplitudes et retardés dans le temps.
Position
Xf
Vmax Vitesse
Accélération
Amax
X0
0 (T ) T Temps
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 )
Vmax
τ= ,
Amax
(4.3)
|Xf − X0 |
T = + τ.
Vmax
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 :
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
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)
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
2.1 Généralités sur les lois de mouvement 129
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
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 ]
– Tj3 = t5 − t4 Mouvement à jerk maximal sur [t4 ,t5 ]
– Ta2 = t6 − t5 Mouvement à accélération minimale sur [t5 ,t6 ]
– Tj4 = t7 − t6 Mouvement à jerk maximal sur [t6 ,t7 ]
Si les contraintes cinématiques suivantes sont vérifiées : |Jmin | = |Jmax | , |Amin | =
|Amax | , |Vmin | = |Vmax |, alors
L’optimalité en temps sous contrainte d’état est garantie lorsqu’une variable élémentaire est
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
130 industriel
saturée dans chacun des intervalles. Le temps d’exécution minimal est donné par les conditions
aux limites :
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.
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
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
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)
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
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.
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.
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
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)
2.3.1 Etude de sensibilité des techniques de commande basées sur l’Input Shaping
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
2.3 Confrontation avec la technique d’input shaping 135
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
(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
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
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
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)
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
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.
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
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.
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.
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)
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
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
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
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
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.
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.
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)
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)
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
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
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
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
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.
Robot industriel
d
m n
Contrôle en Etage de Bras du poseT
Servo moteur
position réduction robot
Contrôleur - -
du robot
Codeur
interne
n
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)
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
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
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.
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
0.16
Avant la stratégie de compensation
Aprés compensation
0.14
0.12
Déformation axiale (deg)
0.1
0.08
0.06
0.04
0.02
2 4 6 8 10 12 14
Temps (s)
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.
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
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
148 industriel
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
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
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 .
80
70
60
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
F IGURE 4.26: Différentes configurations utilisées avec le chargement du robot (broche montée)
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 .
0
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
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
4 Application de la technique d’estimation non asymptotique à l’amélioration du
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
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
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
154 industriel
4.1 Estimation algébrique rapide de la variation fréquentielle modale
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 :
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".
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
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
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
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)
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.
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)
25.06
Accélération limitée
Commande industrielle
25.055 Jerk adapté
Position articulaire de l’axe 2 (deg)
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
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
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
Accélération limitée
Commande industrielle
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
TABLE 4.6: Performances obtenues expérimentalement sur le robot avec 3 stratégies de commande (robot
non chargé)
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
Commande industrielle
Jerk adapté
−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
Commande industrielle
Jerk adapté
−5
−10
Vitesse (deg/s)
−15
−20
−25
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
Chapitre 4 : Méthodologie d’amélioration du comportement dynamique d’un robot
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.
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.
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.
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].
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
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
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, 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
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
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
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
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
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
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
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. 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
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
International Conference on, pages 1729–1734, 2008. 143
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
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
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
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
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
International Conference on, pages 492–497, 2012. 22
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, 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
A. Piersol and T. Paez. Harris Shock and Vibration Handbook. McGraw-Hill handbooks. Mcgraw-hill,
2009. ISBN 9780071633437. 21, 89
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
Conference on, pages 399–404, 2003. 135
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
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
Conference on, pages 1012–1017, 2005. 163
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
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
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
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
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.