Вы находитесь на странице: 1из 204

COLE POLYTECHNIQUE

FDRALE DE LAUSANNE

IDENTIFICATION DE
`
SYSTEMES
DYNAMIQUES
Prof. D. Bonvin, Dr. A. Karimi

n
u

PROCESSUS

MODLE

yp

+
+

y
+

ym

IDENTIFICATION

Lausanne
Septembre 2007

CRITRE

es

ii

iii

PREFACE
Ce polycopie est prevu comme support ecrit et complement au cours Identification et Commande I offert en option aux etudiants de 7-`eme semestre de plusieurs
sections de lEPFL. Il ne remplace en aucun cas une participation active au cours.
Ce cours `a une mission synthetique: celle dunifier au travers dexemples choisis
et de demonstrations en simulation plusieurs notions rencontrees en physique, en
mecanique, en traitement du signal et en automatique. La rigueur mathematique
deductive a ete omise chaque fois que cela etait possible au profit dune approche
plus descriptive et inductive. La demarche mathematique restante est cependant
indispensable `a une etude quantitative des syst`emes dynamiques.
Letudiant trouvera tout au long de ce polycopie des questions (en italique dans
le texte) lui permettant dapporter un regard critique sur la mati`ere traitee. De plus,
une serie dexercices resolus permettant `a letudiant de verifier ses connaissances a
ete incluse `a la fin de chaque chapitre. Une bibliographie ainsi que plusieurs series
dexercices (non resolus) se trouvent `a la fin du polycopie.
Ce polycopie ne represente quun premier effort doffrir aux etudiants un support
utile pour apprehender les nombreux probl`emes de modelisation et didentification
qui les touchent. Plusieurs corrections ou ameliorations seront encore necessaires.
Dans ce sens, les auteurs remercient davance les etudiants qui lui feront part de
leurs remarques, comme ils remercient les assistants-etudiants ainsi que Anne et
John Kummli de recto verso et Gorka Galdos qui lont aide dans la redaction de la
presente version de ce polycopie.

Lausanne, septembre 2007

iv

PREFACE

`
TABLE DES MATIERES

`
TABLE DES MATIERES

PREFACE

iii

`
`
1 PROCESSUS, SYSTEMES
ET MODELES

1.1 OBJECTIFS DE LA MODELISATION


. . . . . . . . . . . . . . . . .

1.3

1.4

1.1.1

Procedure de modelisation . . . . . . . . . . . . . . . . . . . .

1.1.2

Modelisation, analyse et simulation . . . . . . . . . . . . . . .

1.1.3

Exemple 1: Automobile . . . . . . . . . . . . . . . . . . . . . .

1.1.4

Exemple 2: Reservoir pressurise . . . . . . . . . . . . . . . . .

Exemple 3: Salon de coiffure . . . . . . . . . . . . . . . . . . .


`
TYPOLOGIE DES MODELES
. . . . . . . . . . . . . . . . . . . . .

6
7

1.2.1

Typologie selon le but du mod`ele . . . . . . . . . . . . . . . .

1.2.2

Typologie selon la nature du syst`eme . . . . . . . . . . . . . .

1.1.5
1.2

1.2.3 Typologie selon les proprietes du mod`ele . . . . . . . . . . . . 11

METHODES
DE REPRESENTATION
. . . . . . . . . . . . . . . . . 13
1.3.1

Representation temporelle externe . . . . . . . . . . . . . . . . 14

1.3.2

Representation temporelle interne . . . . . . . . . . . . . . . . 18

1.3.3

Representation frequentielle externe . . . . . . . . . . . . . . . 24

1.3.4

Representation frequentielle interne . . . . . . . . . . . . . . . 30

1.3.5

Comparaison des differentes methodes de representation . . . 31

EXEMPLES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.4.1

Cuve agitee . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

1.4.2
1.5

Syst`eme de production . . . . . . . . . . . . . . . . . . . . . . 34

EXERCICES RESOLUS
. . . . . . . . . . . . . . . . . . . . . . . . . 35

2 MODELES
DE REPRESENTATION
NON PARAMETRIQUES
2.1
2.2

47

INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

REPONSES
INDICIELLE ET IMPULSIONNELLE . . . . . . . . . 48

`
TABLE DES MATIERES

vi
2.2.1
2.3

2.4

Releve graphique . . . . . . . . . . . . . . . . . . . . . . . . . 48

2.2.2 Deconvolution numerique . . . . . . . . . . . . . . . . . . . . . 49

METHODE
DE CORRELATION
. . . . . . . . . . . . . . . . . . . 51
2.3.1

Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

2.3.2

Fonctions de correlation pour les signaux deterministes . . . . 52

2.3.3

Fonctions de correlation pour les signaux aleatoires . . . . . . 55

2.3.4

Relation entre Ruu(h), Ruy (h) et g(h) . . . . . . . . . . . . 59

2.3.5

Calcul de la reponse impulsionnelle . . . . . . . . . . . . . . . 60

2.3.6 Excitation pseudo-aleatoire . . . . . . . . . . . . . . . . . . . 63

METHODES
FREQUENTIELLES
. . . . . . . . . . . . . . . . . . . 65
2.4.1

Analyse harmonique . . . . . . . . . . . . . . . . . . . . . . . 66

2.4.2

Analyse par transformation de Fourier . . . . . . . . . . . . . 68

2.4.3

2.5
2.6

Analyse spectrale . . . . . . . . . . . . . . . . . . . . . . . . . 75
. . . . . . . . . . . . . . 81
IDENTIFICATION EN BOUCLE FERMEE
` PARTIR DUN MODELE
`
FONCTION DE TRANSFERT A
NON

PARAMETRIQUE
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
2.6.1

Fonction de transfert du premier ordre `a partir de la reponse


indicielle ou impulsionnelle . . . . . . . . . . . . . . . . . . . . 83

2.6.2

Fonction de transfert du deuxi`eme ordre `a partir de la reponse


indicielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

2.6.3

Fonction de transfert dordre quelconque `a partir de la reponse


impulsionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

2.6.4
2.7
2.8

Fonction de transfert `a partir de la reponse harmonique . . . . 88

COMPARAISON DES METHODES


NON PARAMETRIQUES
. . . 91

EXERCICES RESOLUS
. . . . . . . . . . . . . . . . . . . . . . . . . 92

3 MODELES
DE REPRESENTATION
PARAMETRIQUES
3.1
3.2
3.3

3.4

101

INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
`
MODELE
DU PROCESSUS . . . . . . . . . . . . . . . . . . . . . . . 105
`
CRITERES
DE PERFORMANCE . . . . . . . . . . . . . . . . . . . 106
3.3.1

Crit`ere base sur lerreur de sortie . . . . . . . . . . . . . . . . 106

3.3.2

Crit`ere base sur lerreur dequation . . . . . . . . . . . . . . . 107

3.3.3

Crit`ere base sur lerreur de prediction . . . . . . . . . . . . . . 108

3.3.4

Quel crit`ere choisir?

3.4.1

Formulation recurrente des moindres carres

. . . . . . . . . . . . . . . . . . . . . . . 109
. . . . . . . . . . . . . . 109
ALGORITHME DES MOINDRES CARRES
. . . . . . . . . . 111

`
TABLE DES MATIERES

3.5

vii

3.4.2

Moindres carres ponderes

. . . . . . . . . . . . . . . . . . . . 113

3.4.3

Erreur et variance destimation . . . . . . . . . . . . . . . . . 117

3.4.4 Methode des variables instrumentales . . . . . . . . . . . . . . 119

METHODE
DE LERREUR DE PREDICTION
. . . . . . . . . . . . 121
3.5.1

Structures sans mod`ele du bruit . . . . . . . . . . . . . . . . . 121

3.5.2

Structures avec mod`ele du bruit . . . . . . . . . . . . . . . . . 124

3.5.3

Minimisation de lerreur de prediction . . . . . . . . . . . . . . 129

3.5.4
3.6

3.7

Analyse frequentielle de lerreur de prediction . . . . . . . . . 132


. . . . . . . . . . . . . . 134
IDENTIFICATION EN BOUCLE FERMEE

3.6.1

Identification sans excitation externe . . . . . . . . . . . . . . 135

3.6.2

Identification avec excitation externe . . . . . . . . . . . . . . 135

ASPECTS PRATIQUES DE LIDENTIFICATION . . . . . . . . . . 137


3.7.1

Conditionnement des signaux . . . . . . . . . . . . . . . . . . 138

3.7.2

Choix de la periode dechantillonnage . . . . . . . . . . . . . . 142

3.7.3

Choix du signal dexcitation . . . . . . . . . . . . . . . . . . . 143

3.7.4
3.8

Estimation de lordre . . . . . . . . . . . . . . . . . . . . . . . 146


`
VALIDATION DU MODELE
. . . . . . . . . . . . . . . . . . . . . . 149

3.8.1

Validation par rapport au but escompte . . . . . . . . . . . . 149

3.8.2

Validation du mod`ele avec des donnees experimentales . . . . 149

3.8.3

Validation par des methodes statistiques . . . . . . . . . . . . 150

3.8.4

Validation par des methodes heuristiques . . . . . . . . . . . . 152

3.9 PROCEDURE
DIDENTIFICATION PARAMETRIQUE
. . . . . . . 153

3.10 EXERCICES RESOLUS


. . . . . . . . . . . . . . . . . . . . . . . . . 154
A TRANSFORMATION DE FOURIER
167

A.1 SERIE
DE FOURIER POUR SIGNAUX ANALOGIQUES PERIODIQUES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
A.1.1 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
A.2 TRANSFORMATION DE FOURIER POUR SIGNAUX ANALO
GIQUES APERIODIQUES
. . . . . . . . . . . . . . . . . . . . . . . 169
A.2.1 Remarque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
A.2.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169

A.3 SERIE
DE FOURIER POUR SIGNAUX NUMERIQUES
PERIODIQUES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
A.3.1 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

`
TABLE DES MATIERES

viii

A.4 TRANSFORMATION DE FOURIER POUR SIGNAUX NUME


RIQUES APERIODIQUES . . . . . . . . . . . . . . . . . . . . . . . 174
A.4.1 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

. . . . . . . . . . . . 175
A.5 SPECTRE DUN SIGNAL ECHANTILLONN
E
`
A.6 TRANSFORMATION DE FOURIER DISCRETE
. . . . . . . . . . . 177
A.6.1 Remarque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
A.6.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
A.7 TRANSFORMATION DE FOURIER RAPIDE (FFT) . . . . . . . . 184
B MATRICE PSEUDO-INVERSE

B.1 DEFINITIONS
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
ES

B.2 PROPRIET
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

B.3 RESOLUTION
DUN SYSTEME
DEQUATIONS
ALGEBRIQUES

LINEAIRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

187
. 187
. 188
. 188

B.4 CALCUL DE LA MATRICE PSEUDO-INVERSE PAR SVD . . . . 189


C TRANSFORMATIONS DE LAPLACE ET EN Z

191

BIBLIOGRAPHIE

195

Chapitre 1
`
PROCESSUS, SYSTEMES
ET
`
MODELES
1.1
1.1.1

OBJECTIFS DE LA MODELISATION
Proc
edure de mod
elisation

La variable independante temps joue un role preponderant dans letude des syst`emes dynamiques. Une telle etude necessite souvent une modelisation, cest-`a-dire la
representation du syst`eme par un mod`ele mathematique. A ces fins, il est necessaire
de proceder par etapes et de bien distinguer les quatre entites suivantes: processus,
syst`eme, mod`ele mathematique et mod`ele informatique.
Le processus constitue la realite physique que lon desire etudier. Par exemple:
la navette spatiale,
le comportement ecologique dune region,
un atelier de production flexible.
Ces realites physiques sont souvent tr`es complexes. Il est alors necessaire de
simplifier ou de limiter le cadre de letude en definissant le syst`
eme `a etudier.
Celui-ci ne comportera que les elements indispensables a` letude souhaitee. Il
y a donc un fort element dabstraction en passant du processus au syst`eme `a
etudier.
Une fois le syst`eme defini, on essayera de le representer par des equations
algebriques ou differentielles qui constitueront le mod`
ele math
ematique.
Ceci implique un effort de simplification.
Le mod`ele mathematique sera ensuite etudie analytiquement (dans les cas
simples) ou par simulation (le plus souvent). Dans ce cas, il sagira de coder
le mod`ele mathematique pour limplanter sur ordinateur. On parle alors de
mod`
ele informatique.
Une fois le mod`ele construit et implante, on doit sassurer que les resultats de
simulation quil produit correspondent bien `a la realite du syst`eme `a etudier. Les demarches de verification et de validation explicitees ci-dessous doivent etre effectuees

`
`
PROCESSUS, SYSTEMES
ET MODELES

y(t)

Abstraction
+
SYSTEME

Validation

ym(t)

u(t)

Codage
+

MODELE
informatique

ys(t)

Fig. 1.1 Procedure de modelisation: differentes entites et etapes.


en parall`ele avec le developpement et limplantation du mod`ele. Elles sont essentielles afin dassurer la credibilite de lapproche de simulation. Un mod`ele auquel on
ne fait pas confiance ne sera pas utilise!
La verification consiste `a comparer limplantation sur ordinateur de la simulation
avec le mod`ele sous-jacent. Limplantation fait-elle bien ce que lon a voulu faire avec
le mod`ele? Il sagit donc ici dune etape de deverminage.
La validation, pour sa part, traite de la comparaison des resultats de simulation
avec la realite, cette derni`ere pouvant encore etre plus large que celle consideree
par le modelisateur. Le syst`eme a-t-il ete correctement cerne, modelise et simule?
Un mod`ele de simulation est donc valide sil peut representer avec suffisamment
de precision la realite physique pour une classe dexperiences et dans un domaine
particulier. Le schema de la figure 1.1 indique les etapes necessaires `a la modelisation et simulation dun processus sur ordinateur. Les demarches de verification et
de validation y sont clairement representees. On remarque que les etapes doivent
souvent etre repetees jusqu`a la validation compl`ete du mod`ele et de la simulation.
Lapproche est donc de nature iterative.

1.1.2

Mod
elisation, analyse et simulation

Nous appelons mod


elisation lensemble des etapes necessaires `a lelaboration
dun mod`ele mathematique ou informatique propre `a representer un processus dans
une situation donnee. Un mod`ele mathematique peut selaborer `a partir des lois physiques regissant le syst`eme etudie. Un tel mod`ele est appele mod`ele de connaissance,
mod`ele physique ou encore mod`ele de simulation.


1.1 OBJECTIFS DE LA MODELISATION

Il est egalement possible de calculer un mod`ele `a partir de la connaissance des


entrees et des sorties correspondantes du syst`eme. Un tel mod`ele est alors appele
mod`ele de representation, mod`ele experimental ou encore mod`ele de commande. On
denote cette etape de modelisation par identification.
Lanalyse du mod`ele comprend letude de proprietes telles que la stabilite, lobservabilite et la gouvernabilite du syst`eme, ou encore lidentifiabilite des param`etres.
La simulation represente letude du comportement dun processus (physique,
abstrait ou hypothetique) par letude du comportement dun mod`ele informatique
de ce processus.

1.1.3

Exemple 1: Automobile

Lautomobile, avec tous ses constituants, represente la realite physique ou


processus. Letat de la route, le trafic qui sy trouve et les eventuelles perturbations
(vent, pluie, etc.) constituent lenvironnement du processus. Le syst`eme `a etudier
depend du cadre de letude. On consid`ere ci-dessous deux etudes bien differentes du
meme processus automobile.
Etude trajectoire:
Dans le but de decrire la trajectoire de lautomobile sur une route (syst`eme
`a etudier), on ne sinteresse directement ni aux mouvements des pistons, ni aux
differents engrenages, ni `a la pression des pneus, mais plutot aux differentes forces
qui agissent sur lautomobile. Le syst`eme ainsi defini est represente `a la figure 1.2.
PERTURBATIONS
rafales de vent
pente
ENTREES

SYSTEME
trajectoire
automobile

SORTIES
position
vitesse

volant

Fig. 1.2 Syst`eme trajectoire automobile avec les entrees, sorties et perturbations.
On peut decrire la trajectoire de lautomobile en utilisant la loi de mouvement
de Newton:
X
m
x=
Fi
i

o`
u m represente la masse de la voiture, x sa position et Fi (i = 1, 2, . . .) les differentes forces qui agissent sur lautomobile. Le mod`ele mathematique comprend des
variables independantes (les entrees et les perturbations: les differentes forces exte-

`
`
PROCESSUS, SYSTEMES
ET MODELES

rieures) et des variables dependantes (les sorties: la position et la vitesse) comme


cela est illustre `a la figure 1.3.
PERTURBATIONS

ENTREES

MODELE

SORTIES

variables

Fig. 1.3 Mod`ele mathematique avec les variables independantes et dependantes.


Etude cylindre:
Si lobjectif est plutot de decrire le comportement thermique du moteur, on
limitera letude `a un seul cylindre pour considerer les probl`emes de combustion et
de transfert de chaleur. On obtiendra alors le syst`eme de la figure 1.4.
PERTURBATIONS

ENTREES

SYSTEME

SORTIES

cylindre

T(z, r, t)

Fig. 1.4 Syst`eme cylindre avec les entrees, sorties et perturbations.


Un bilan thermique permet de decrire les variations spatiales et temporelles de
la temperature dans le cylindre en fonction de variables telles que le debit et la
composition du combustible, la temperature et le debit de leau de refroidissement
ou encore la puissance demandee au moteur. Le mod`ele mathematique liera les
variables independantes et dependantes comme indique a` la figure 1.3.

1.1.4

Exemple 2: R
eservoir pressuris
e

Processus: reservoir cylindrique contenant un liquide et un gaz avec des debits


dalimentation et de fuite pour le liquide et le gaz (fig. 1.5). On definit les grandeurs
suivantes:
q: debit volumique [m3 /s]
p: pression [Pa]
H: hauteur du reservoir [m]
h: niveau du liquide [m]
S: surface de section [m2 ]
Syst`
eme: dans le cas dune etude de commande, plusieurs possibilites existent.


1.1 OBJECTIFS DE LA MODELISATION

qg,e

qg,s
p

H
h

ql,e

ql,s

Fig. 1.5 Reservoir pressurise.


1. Pour une commande de niveau (fig. 1.6):
Perturbation
ql,s
hc

ql,e

SYSTEME 1

Fig. 1.6 Schema fonctionnel dune commande de niveau.


2. Pour une commande de pression (fig. 1.7):
Perturbation
qg,s ; ql,e ; ql,s

pc

e
2

qg,e

p
SYSTEME 2

Fig. 1.7 Schema fonctionnel dune commande de pression.


3. Pour une commande de niveau et pression:
Ce cas detude consid`ere un syst`eme multivariable, cest-`a-dire avec plus dune
entree ou plus dune sortie. Il convient alors dutiliser une approche de commande multiboucle (fig. 1.8) ou de commande multivariable (fig. 1.9).
Les variables u et y representent les vecteurs dentree et de sortie:

 

h
q1,e
; y=
u=
p
qg,e

`
`
PROCESSUS, SYSTEMES
ET MODELES

Perturbations
ql,s ; qg,s

hc

ql,e

pc

qg,e

h
SYSTEME 3
p

Fig. 1.8 Schema fonctionnel dune commande multiboucle de niveau et pression.


yc

SYSTEME 4

multivariable

Fig. 1.9 Schema fonctionnel dune commande multivariable de niveau et pression.


Quelle est la difference principale entre les approches de commande multiboucle
et multivariable? Peut-on ramener une approche multivariable `a une approche multiboucle?
Mod`
ele: le mod`ele resulte de deux bilans massiques (pour le liquide et le gaz)
`a linterieur du reservoir:
1
dh
=
(q1,e q1,s )
dt
S
dp
p
=
[(q1,e q1,s ) + (qg,e qg,s )]
dt
S(H h)
Le mod`ele approprie `a chaque cas de commande sexprime `a partir de lune ou des
deux equations ci-dessus.

1.1.5

Exemple 3: Salon de coiffure

Processus: salon Geraldine, 17 rue des Aubepines, avec son infrastructure et environnement.
Syst`
eme: le fonctionnement du salon de coiffure pendant 8 h (fig. 1.10).
Mod`
ele: il setablit `a partir du syst`eme defini ci-dessus et des r`egles (simplifications) suivantes:
un client qui ne trouve pas de chaise dattente libre sen va chez la concurrence,
le temps entre larrivee des clients suit une distribution exponentielle avec
une valeur moyenne de 20 min,

`
1.2 TYPOLOGIE DES MODELES

statistique coiffeurs
2 coiffeurs
clients

statistique chaises
2 chaises
d'attente

statistique clients perdus

Fig. 1.10 Syst`eme salon de coiffure.


la duree de service dun client suit une distribution normale avec une valeur
moyenne de 40 min et un ecart-type de 10 min.
Un tel syst`eme est appele un syst`
eme dynamique `
a
ev
enements discrets,
car les evenements (arrivee des clients, fin de service dun client) arrivent `a des temps
discrets non reguliers. Ce syst`eme est representatif du fonctionnement dun syst`eme
de service ou dun syst`eme de production tel un atelier flexible.

1.2

`
TYPOLOGIE DES MODELES

Comme les processus peuvent etre de natures fort diverses, les mod`eles utilises doivent refleter au mieux cette diversite. On distingue donc plusieurs types de
mod`eles, que lon classe ici selon differents crit`eres.

1.2.1

Typologie selon le but du mod`


ele

On developpe des mod`eles pour:


La simulation, cest-`a-dire levaluation de la performance dun processus projete
ou existant par lintermediaire de son mod`ele informatique. Pour ce faire, on
utilise le plus souvent des mod`eles de connaissance (appeles aussi mod`eles
physiques ou mod`eles de simulation).
Exemples:
etude thermique concernant la rentree dans latmosph`ere de la navette spatiale Hermes,
analyse de performance dun syst`eme de service (salon de coiffure, banque,
etc.).
La conception, cest-`a-dire le dimensionnement dun processus `a partir des caracteristiques de ses composants et des performances desirees. Ici aussi, on utilise
le plus souvent des mod`eles de connaissance.
Exemples:
dimensionnement dune installation electrique, mecanique ou chimique,
decisions liees `a la modernisation dune installation de production.

`
`
PROCESSUS, SYSTEMES
ET MODELES

M()

Fig. 1.11 Mod`ele multivariable.


Tab. 1.1 Types de probl`emes faisant intervenir un mod`ele mathematique.
Type
y

connaissance

u, y

M()

connaissance

inverse

u, y

M()

inverse

M( ), y

simulation

direct

u, M()

conception

inverse

identification
commande

Lidentification, cest-`a-dire la modelisation dun processus sur la base dobservations du comportement temporel des entrees et sorties dun processus. Comme
ces mod`eles de representation sont elabores `a partir de mesures experimentales
et servent souvent `a la commande du processus, ils sont aussi appeles mod`eles
experimentaux ou mod`eles de commande.
Exemples:
identification de certains facteurs economiques,
identification du comportement dynamique dun robot.

La commande, cest-`a-dire le calcul de signaux de commande de facon `a ce quun


processus suive au mieux ses grandeurs de consigne, meme en presence de
perturbations. Dans ce but, on utilise le plus souvent des mod`eles de representation.
Exemples:
calcul de la tension `a appliquer `a un moteur pour une commande de vitesse
ou de position,
calcul du debit dalimentation dans le cas dune commande de niveau.

Ces quatre types de probl`emes sont representes au tableau 1.1 pour le mod`ele
represente schematiquement `a la figure 1.11 en utilisant les notations suivantes:
u: vecteur dentree
y: vecteur de sortie
: vecteur des param`etres
Un probl`eme est qualifie de type direct sil est possible de calculer directement
(en un seul pas de calcul, et donc sans iteration) les grandeurs cherchees `a partir
des grandeurs donnees. Dans le cas contraire, le probl`eme est de type inverse et
sa resolution necessite une demarche iterative.

`
1.2 TYPOLOGIE DES MODELES

a)

b)

x(k)
x(t)

x2
x4
x5
x1
x3

x0
temps

e1 e2

e3 e4

temps

Fig. 1.12 Evolution de letat pour un syst`eme dynamique : (a) evolution continue,
(b) evenements discrets.

1.2.2

Typologie selon la nature du syst`


eme

On distingue ici les syst`


emes dynamiques `
a
evolution continue (letat du
syst`eme exprime par les variables independantes evolue de facon continue, meme sil
est observe de facon echantillonnee) des syst`
emes dynamiques `
a
ev
enements
discrets (letat du syst`eme ne change qu`a lapparition devenements, lesquels arrivent de facon discontinue et irreguli`ere).
1.2.2.1

Syst`
emes dynamiques `
a
evolution continue

Les syst`emes dynamiques `a evolution continue sont en general decrits par des
equations differentielles ou aux differences ou par des fonctions de transfert.
Letat du syst`eme evolue de facon continue. Par exemple, un avion qui veut
passer de laltitude h1 `a laltitude h2 doit necessairement franchir toutes les
positions intermediaires (fig. 1.12(a)).
Le temps est soit continu, soit discret avec une periode dechantillonnage T
(les instants dechantillonnage ne sont pas arbitraires mais bien reguliers).
Les syst`emes `a evolution continue obeissent souvent `a des lois physiques
comme les lois de mouvement ou de conservation.
1.2.2.2

Syst`
emes dynamiques `
a
ev
enements discrets

Letat dun syst`eme `a evenements discrets nevolue pas de facon continue mais
change instantanement `a certains instants (en general non reguliers) en reponse
`a un evenement particulier (un evenement discret), comme cela est illustre `a
la figure 1.12(b).
La notion de temps est remplacee par celle de sequence devenements (ou
egalement par celle du temps auquel ces evenements arrivent).
Il existe souvent un parallelisme entre certaines activites ce qui necessite un effort de synchronisation. En effet, plusieurs activites peuvent avoir lieu en meme
temps. Ou encore, une activite ne peut commencer que lorsque les elements

`
`
PROCESSUS, SYSTEMES
ET MODELES

10

necessaires (entites) deviennent disponibles.


La plupart des syst`emes `a evenements discrets ont un caract`ere stochastique au
sens o`
u les evenements ne suivent pas une sequence deterministe. Par exemple,
le temps entre les arrivees successives de deux clients ou le temps de service
dun client represente une variable aleatoire.
Il nexiste pas de formalisme mathematique permettant de representer les syst`emes `a evenements discrets de facon compacte et generale qui soit utilisable
pour une etude analytique (comme cela est le cas pour les equations differentielles ou aux differences avec les syst`emes dynamiques `a evolution continue). Le mod`ele est donne par une collection dentites (clients ou ressources)
avec leurs attributs correspondants, devenements et dactivites (services ou
attentes). Des variables logiques representent les debuts et fins dactivite, les
actions tout-ou-rien, etc. Souvent, une etude est uniquement possible `a laide
de la simulation, cest-`a-dire en representant, pas `a pas, le comportement temporel du syst`eme.
Lanalyse rigoureuse de proprietes importantes telles que la stabilite dun syst`eme ou laccessibilite dun etat nest, en general, pas possible. On se contente
souvent de resultats de simulation do`
u limportance de cette derni`ere pour ce
type de syst`emes.
On retrouve les syst`emes dynamiques `a evenements discrets surtout dans certains syst`emes dynamiques interactifs modernes crees par lhomme (syst`emes
de production, syst`emes dassemblage, reseaux dordinateurs et de communication, syst`emes de service et de trafic, etc.) Les syst`emes a` evenements discrets
poss`edent souvent une structure modulaire et hierarchique.

Remarques:
La distinction entre un syst`eme `a evolution continue et un syst`eme `a evenements discrets est quelquefois arbitraire. Dans certains cas, on peut representer un syst`eme `a evenements discrets par un mod`ele `a evolution continue. Par
exemple, le trafic routier sur une autoroute represente un syst`eme dynamique
`a evenements discrets, avec les entites automobiles qui entrent et sortent
dun troncon dautoroute `a des instants precis. On peut cependant representer
le flot automobile par un mod`ele agrege decrit par des equations differentielles.
Beaucoup de syst`emes englobent des elements discrets et des elements continus.
On parle alors de syst`
emes hybrides. Par exemple, un compte bancaire
poss`ede les elements suivants:
solde avec interet compose: partie continue,
depots et retraits: partie discr`ete.
Le cadre mathematique approprie `a letude des syst`emes dynamiques `a evolution continue (cest-`a-dire les equations differentielles ou aux differences, les
fonctions de transfert) existait bien avant lav`enement de lordinateur. Pour
les syst`emes dynamiques `a evenements discrets, par contre, cest lordinateur
qui a rendu leur etude possible grace `a la simulation. Il nexiste que peu de
formalismes de representation qui soient utiles pour lanalyse de proprietes et
la synth`ese de regulateurs pour ce type de syst`emes.

`
1.2 TYPOLOGIE DES MODELES

11

Ce cours consid`ere uniquement la modelisation et lidentification de syst`emes


dynamiques `a evolution continue. De ce fait, et afin de simplifier la nomenclature, on appelera ces syst`emes tout simplement syst`emes dynamiques , la
distinction continu/discret etant alors reservee `a la facon de considerer le temps
(temps continu/temps discret). Un syst`
eme dynamique continu signifiera
donc un syst`eme dynamique `a evolution continue et `a temps continu, alors
quun syst`
eme dynamique discret correspondra `a un syst`eme dynamique
`a evolution continue et `a temps discret.

1.2.3

Typologie selon les propri


et
es du mod`
ele

a) Dynamique/statique: Un mod`ele est dynamique si son etat `a un instant


donne depend non seulement de lentree presente mais aussi des entrees passees. On dit quun mod`ele dynamique poss`ede de la memoire ou de linertie. Il
contient une ou plusieurs equations differentielles. Par opposition, la reponse
dun mod`ele statique `a une entree est instantanee. La relation entree-sortie
est alors donnee par une ou plusieurs equations algebriques.
b) Monovariable/multivariable: Un mod`ele qui poss`ede une seule entree et une
seule sortie est dit monovariable. Dans le cas contraire, on parle dun mod`ele
multivariable.
c) D
eterministe/stochastique: Un mod`ele est d
eterministe si les sorties futures peuvent etre compl`etement determinees `a partir de letat actuel et des
entrees futures. Dans un mod`ele stochastique, le hasard joue un role important et on peut tout au plus associer une probabilite aux sorties du mod`ele.
d) A param`
etres localis
es/r
epartis: Un mod`ele dynamique `
a param`
etres localis
es est generalement decrit par des equations differentielles ordinaires indiquant une dependance temporelle. Si le mod`ele dynamique est decrit par
des equations aux derivees partielles avec une dependance temporelle et une
ou plusieurs dependances spatiales, il est dit `
a param`
etres r
epartis.
e) Continu/discret: Un mod`ele est continu si ses variables temporelles (entrees,
etat, sorties) sont definies pour tout temps t. Il est discret si celles-ci ne sont
definies quen des instants particuliers, par exemple `a des instants dechantillonnage.
f) Lin
eaire/non lin
eaire: Un mod`ele est lin
eaire sil obeit au principe de superposition defini par les proprietes dadditivite et dhomogeneite. Considerons
le mod`ele M de la figure 1.13 avec des conditions initiales nulles (syst`eme
initialement au repos). Le mod`ele M est lineaire si et seulement si:

u1 (t) y1 (t)

M:
u2 (t) y2 (t)
M : 1 u1 (t) + 2 u2(t) 1 y1 (t) + 2 y2 (t)

1 et 2 : constantes reelles
cest-`a-dire si et seulement si les conditions
dadditivite
et dhomogeneite

u1 (t) + u2 (t) y1 (t) + y2 (t)


u(t) y(t)

`
`
PROCESSUS, SYSTEMES
ET MODELES

12

u(t)

y(t)

Fig. 1.13 Mod`ele monovariable.


et donc le principe de superposition sont valables.
g) Stationnaire/non stationnaire: Un mod`ele dont la structure et les param`etres (et non pas les entrees et sorties!) ne varient pas avec le temps est
appele stationnaire. On dit aussi quun syst`eme stationnaire ne vieillit pas.
Il se comportera plus tard de la meme facon que maintenant. Dans le cas
contraire, on parle dun syst`eme non stationnaire (ou evolutif).
h) Causal/anti-causal: Un mod`ele causal est un mod`ele dont la reponse ne prec`ede pas la variation de lentree. Tous les syst`emes physiques reels sont necessairement causals, leffet ne pouvant pas preceder la cause.
i) Au repos/charg
e: Un mod`ele dynamique est au repos `a un instant donne
sil est relache, cest-`a-dire quil ne subit pas linfluence dune entree passee.
Dans cet etat, et en labsence dexcitation exterieure, le syst`eme nevolue pas.
Ses memoires sont vides. Dans le cas contraire, on dit que le syst`emes est
charg
e. Si un mod`ele dynamique est initialement au repos, ses conditions
initiales seront nulles (en variables ecart). On dit aussi quun tel mod`ele est
initialement `a letat stationnaire.
Il est utile de noter les differences qui existent entre un mod`ele stationnaire, un
mod`ele `a letat stationnaire (ou au repos) et un mod`ele statique:
dM
= 0;
dt

d
= 0 mod`ele stationnaire
dt

du
dy
=
=0
dt
dt

etat stationnaire (point dequilibre)

y(t) = f [u(t)]

mod`ele statique (pas de memoire)

La nomenclature pour ces proprietes peut parfois preter `a confusion. On la resume ici:
Francais
Allemand
Anglais
stationnaire
zeitinvariant
time-invariant
`a letat stationnaire im stationarem Zustand at steady state
(au repos)
statique
statisch
static
Dans ce cours, nous etudierons principalement des syst`emes dynamiques, continus ou discrets, mono ou multivariables, deterministes, a` param`etres localises, li-

1.3 METHODES
DE REPRESENTATION

initialement au repos

13

conditions initiales nulles

Fig. 1.14 Correspondance entre les proprietes dun syst`eme et son mod`ele mathematique.
neaires, stationnaires, causals et initialement au repos. On pourra alors les representer par des equations differentielles ordinaires ou des equations aux differences,
lineaires, `a coefficients constants et avec des conditions initiales nulles (fig. 1.14).
Un syst`eme qui poss`ede les quatre proprietes de linearite, stationnarite, causalite
et detre initialement au repos est appele un syst`
eme lscr.

1.3

METHODES
DE REPRESENTATION

Il existe plusieurs representations possibles pour un syst`eme dynamique (`a temps


continu ou `a temps discret). Ces representations, qui peuvent etre equivalentes ou
complementaires, se laissent classifier selon les trois crit`eres suivants:
representation externe/interne,
representation temporelle/frequentielle,
representation continue/discr`ete.

Une approche externe (mod`ele de representation) met en relation directe les variables dentree et de sortie, alors quune representation interne (mod`ele de connaissance) fait intervenir explicitement toutes les variables dynamiques du syst`eme.
Une approche temporelle est interessante pour les raisons suivantes:
les donnees experimentales sont generalement disponibles sous forme temporelle,
lapproche est intuitive, la notion de constante de temps est immediate,
une representation temporelle interne est applicable:
aux syst`emes lineaires et non lineaires, stationnaires et non stationnaires,
avec des conditions initiales nulles et non nulles,
`a lidentification, lanalyse, la simulation et loptimisation du syst`eme.
Une representation continue est souvent plus naturelle pour letape danalyse,
alors quune representation discr`ete est necessaire pour le travail sur ordinateur.
Ces classifications vont etre explicitees dans les paragraphes qui suivent.

`
`
PROCESSUS, SYSTEMES
ET MODELES

14

y1

u1

up

yq

Fig. 1.15 Syst`eme multivariable.

1.3.1

Repr
esentation temporelle externe

1.3.1.1

Syst`
emes dynamiques continus

Le syst`eme est decrit par la relation qui lie les entrees et les sorties du syst`eme
(representation externe). Cette relation entre les p entrees et les q sorties du syst`eme
(fig. 1.15) est explicitee par le mod`ele suivant:
y1 (t) = h1 [u1 ( ), u2 ( ), . . . , up ( ), ]
..
..
.
.
yq (t) = hq [u1 ( ), u2 ( ), . . . , up ( ), ]
avec
< < pour un syst`eme dynamique, en general
< < t
pour un syst`eme dynamique causal,
=t
pour un syst`eme statique.
Afin detudier certaines proprietes de ce mod`ele, on introduit la notation cidessous. On choisit, sans perte de generalite, de representer un syst`eme monovariable.
a) Notation: y = Hu o`
u H : operateur (application, fonction) specifie de facon univoque la sortie y en termes de lentree u (passee, presente et, le cas echeant,
egalement future). Pour representer lintervalle temporel [t0 , t1 ] associe au signal u(t), on utilise la notation u[t0 ,t1 ] .
b) Lin
earit
e: En utilisant la notation precedente, un syst`eme est lineaire si et
seulement si:
H(1 u1 + 2 u2 ) = 1 Hu1 + 2 Hu2
o`
u 1 et 2 representent des constantes reelles.
c) Int
egrale de convolution: Considerons limpulsion de Dirac (t ) representee `a la figure 1.16 et une fonction temporelle f (t) continue. On peut ecrire:
Z
Z
(t )dt = 1 ;
f (t)(t )dt = f ( )

Avec le formalisme de limpulsion de Dirac, lentree u(t) et la sortie y(t) de-

1.3 METHODES
DE REPRESENTATION

(t-)

15

Fig. 1.16 Impulsion de Dirac au temps .


viennent:
Z

u( )(t )d
Z
Z
y(t) = Hu(t) = H
u( )(t )d =

u(t) =

H(t )u( )d

En definissant g(t, ) comme la reponse du syst`eme au temps t `a une impulsion


de Dirac au temps , cest-`a-dire:
g(t, ) H(t )
on obtient, pour un syst`eme lin
eaire, lintegrale de convolution liant la sortie
au temps t aux entrees passees, presente et futures:
Z
y(t) =
g(t, )u( )d

Si le syst`eme est stationnaire, ses caracteristiques ne varient pas avec le


temps, cest-`a-dire
g(t, ) = g(t + , + )
o`
u represente un deplacement temporel quelconque.
Pour = , lequation precedente donne:
g(t, ) = g(t , 0)
que lon a pris lhabitude de noter plus simplement g(t ). On remarque
donc que la reponse impulsionnelle dun syst`eme lineaire, stationnaire ne
depend que de la difference entre t et .
Pour un syst`eme lineaire et stationnaire, lintegrale de convolution
Z
y(t) =
g(t )u( )d

secrit egalement sous la forme du produit de convolution:


y(t) = g(t) u(t) = u(t) g(t)

`
`
PROCESSUS, SYSTEMES
ET MODELES

16

Si le syst`eme est causal, la borne superieure dintegration est t car les entrees
futures ninfluencent pas y(t).
De facon generale, la sortie dun syst`eme dynamique continu, monovariable,
lineaire, stationnaire et causal (mais pas necessairement initialement au repos) `a lentree u(t) est donnee par la representation temporelle externe suivante (integrale de convolution):
Z t
Z
y(t) =
g(t )u( )d =
g( )u(t )d
(1.1)

Cette derni`ere est obtenue `a laide du changement de variable = t .


Si le syst`eme est initialement au repos (conditions initiales nulles), le
comportement du syst`eme dans le passe (t < 0) ninfluencera pas son comportement futur (pour t 0). Les bornes dintegration de lequation (1.1)
sont ainsi modifiees comme suit:
Z t
Z t
y(t) =
g(t )u( )d =
g( )u(t )d
(1.2)
0

Cette relation temporelle est caracteristique dun syst`eme dynamique


continu, monovariable, lineaire, stationnaire, causal et initialement au repos (syst`
eme lscr). La representation frequentielle correspondante est (cf.
1.3.3):
Y (s) = G(s)U(s)
La representation (1.2):
y(t) =

t
0

g(t )u( )d

est valable uniquement si le syst`eme est au repos au temps t = 0. Dans le cas


contraire, il convient dutiliser la relation (1.1) qui peut egalement secrire:
Z 0
Z t
Z t
y(t) =
g(t )u( )d +
g(t )u( )d = y0 (t) +
g(t )u( )d

o`
u y0 (t) resume leffet de lentree u( ), pour tout < 0, au temps t.
Dans les representations (1.1) et (1.2), le syst`eme dynamique est caracterise
par sa reponse impulsionnelle g(t), t 0, que lon peut obtenir `a partir de
mesures entree-sortie (cf. chapitres 2 et 3).
Comme il est difficile de generer experimentalement des impulsions de Dirac,
on utilise de preference un saut echelon de lentree pour exciter un syst`eme
dynamique:

0 pour t < 0
u(t) =
A pour t 0
La reponse experimentale (t) peut secrire:
Z t
Z t
(t) =
g(t )Ad =
g( )Ad
0

1.3 METHODES
DE REPRESENTATION

17

do`
u

1 d(t)
A dt
La reponse impulsionnelle est donc la derivee de la reponse indicielle (pour
A = 1). Cette constatation permet de calculer la reponse impulsionnelle `a
partir de la reponse `a un saut echelon obtenue experimentalement.
g(t) =

1.3.1.2

Syst`
emes dynamiques discrets

Avec la periode dechantillonnage T et la notation y(k) y(kT ), on obtient la


representation suivante pour le syst`eme multivariable de la figure 1.15:
y1 (k) = h1 [u1 (h), u2(h), . . . , up (h), h]
..
..
.
.
yq (k) = hq [u1 (h), u2 (h), . . . , up (h), h]
avec
< h < pour un syst`eme dynamique, en general
< h k pour un syst`eme dynamique causal,
h=k
pour un syst`eme statique.
La sortie dun syst`eme dynamique discret, monovariable, lscr est donnee par la
somme ou produit de convolution suivant:
y(k) =

k
X
j=0

g(k j)u(j) =

k
X
j=0

g(j)u(k j)

k = 0, 1, 2, . . .

(1.3)

ou
y(k) = g(k) u(k) = u(k) g(k)

Le terme g(k j) represente la reponse du syst`eme au temps kT `a limpulsion unite


au temps jT , cest-`a-dire `a

1 i=j
u(i) =
0 i 6= j

La representation frequentielle correspondante devient:


Y (z) = G(z)U(z)

Ecrire le produit de convolution pour le cas dun syst`eme dynamique discret lsc,
cest-`a-dire pas necessairement initialement au repos.
Remarque Il est important de noter que g(k), la reponse impulsionnelle dun syst`eme lscr discret, nest pas necessairement egale `a g(t)|kT , la version echantillonnee
de la reponse impulsionnelle du syst`eme continu correspondant. Pour le montrer, il
suffit decrire lintegrale de convolution (1.2) pour le temps kT :
Z kT
y(kT ) =
g(kT )u( )d
k = 0, 1, 2, . . .
0

`
`
PROCESSUS, SYSTEMES
ET MODELES

18
et dintroduire lapproximation
u( ) = u(j )

jT < (j + 1)T

j = 0, 1, . . . , k 1

qui permet dexprimer lintegrale ci-dessus par la contribution de lentree presente


u(kT ) plus la somme de k contributions liees aux entrees passees:
"
#
k1 Z (j+1)T
X
y(kT ) = g(0)u(kT ) +
g(kT )d u(jT )
k = 0, 1, 2, . . .
jT

j=0

En comparant cette derni`ere expression avec lequation (1.3), on obtient directement:


Z (j+1)T
g(k j) =
g(kT )d
= T g(kT jT )
jT

do`
u lon tire:

g(k)
= T g(t)|kT

k = 0, 1, 2, . . .

(1.4)

Justifier intuitivement la relation (1.4).

1.3.2

Repr
esentation temporelle interne

1.3.2.1

Notion d
etat

a) D
efinition: L
etat dun syst`eme dynamique deterministe `a un instant donne est
linformation minimale qui permet, `a partir des entrees futures, de determiner
de facon univoque le comportement futur du syst`eme.
Plus precisement:

etat `a t0
comportement pour t t0
u[t0 ,)

Ainsi, letat dun syst`eme dynamique est linformation resumant parfaitement


le passe du syst`eme puisquil fixe levolution future une fois les entrees futures
specifiees. Les equations differentielles (ou aux differences) qui decrivent un
syst`eme dynamique poss`edent des conditions initiales pour t0 . Ces conditions
initiales representent precisement letat du syst`eme dynamique au temps t0 .
b) Exemple 1: Soit un objet auquel on applique une force (entree) u[t0 ,) pour
t t0 . Afin de determiner de facon compl`ete la position de lobjet, il est
necessaire de connatre x(t0 ) et x(t
0 ). Il resulte de la definition ci-dessus que
x(t0 ) et x(t
0 ) representent letat du syst`eme `a t0 . Par generalisation, x(t) et
x(t)

representent letat du syst`eme dynamique au temps t.


On a defini letat comme x(t) et x(t),

cest-`a-dire la position et la vitesse


de lobjet. Cependant, letat nest pas unique. On peut tr`es bien le definir
comme, par exemple, 2x(t) et x(t) 5x(t).

Ces deux derni`eres variables detat


ne poss`edent plus de signification physique immediate. On voit donc que letat
peut aussi etre un concept abstrait depourvu de sens physique. Neanmoins,
lingenieur cherchera le plus souvent `a definir un etat avec une signification
physique evidente.

1.3 METHODES
DE REPRESENTATION
R

u(t)

19
L

y(t)

Fig. 1.17 Circuit electrique.


c) Exemple 2: Soit le circuit electrique represente `a la figure 1.17. Si le courant
dans la bobine et la tension aux bornes du condensateur sont connus au temps
t0 , alors y(t) est enti`erement determine pour tout t t0 `a partir de u[t0 ,) . Le
courant dans la bobine et la tension aux bornes du condensateur representent
ainsi letat du syst`eme dynamique.
d) Exemple 3: Soit le retard unite y(t) = u(t 1). Afin de determiner y[t0 ,) `a
partir de u[t0 ,) il faut connatre u[t01 ,t0 ) qui represente donc letat du syst`eme
dynamique `a t0 .
Ce syst`eme est-il dynamique ou statique?
Quelle est la dimension de letat?
Quelle sera la dimension de letat si le syst`eme est donne sous forme discr`ete
avec T = 1?
1.3.2.2

Mod`
ele d
etat continu

a) Repr
esentation par variables d
etat: Outre le vecteur dentree u(t) et le
vecteur de sortie y(t), il convient de considerer le vecteur detat x(t) dont
les elements sont appeles variables detat (par exemple x(t) et x(t)

ci-dessus).
La modelisation detat consiste `a mettre au point des relations mathematiques
entre les entrees u(t), les sorties y(t) et letat x(t). En particulier, on sinteresse
`a une relation liant x(t) `a x(t0 ) et u(t) pour t t0 . Ces relations proviennent
generalement de lois physiques telles que la loi de mouvement de Newton pour
les syst`emes mecaniques, les lois de Kirchhoff pour les syst`emes electriques, des
bilans de mati`ere ou denergie pour les syst`emes hydrauliques, chimiques ou
thermiques. Les mod`eles ainsi obtenus sont appeles mod`eles de connaissance
ou mod`eles physiques.
Les equations decrivant le comportement dun syst`eme dynamique peuvent
generalement se mettre sous la forme des equations suivantes:
x(t)

= f [x(t), u(t), t] equation detat x(t0 ) = x0


y(t) = g[x(t), u(t), t] equation de sortie

(1.5)
(1.6)

Lequation detat decrit le comportement dynamique du vecteur detat x(t).


Lordre n du syst`eme est donne par la dimension du vecteur x(t).
Lequation de sortie indique une relation statique entre le vecteur de sortie y(t)
et les variables detat x(t) et dentree u(t). Souvent, u(t) nintervient pas dans
lequation de sortie (pas deffet direct de lentree sur la sortie).

`
`
PROCESSUS, SYSTEMES
ET MODELES

20

Les equations detat (1.5) et de sortie (1.6) forment ensemble ce que lon appelle communement un mod`
ele d
etat. Si fi [] et f /x[] sont des fonctions
continues de t, on demontre quil existe une solution unique pour x(t) etant
donnes x(t0 ) et u[t0 ,).
Pour un syst`eme statique, lequation dynamique (1.5) nexiste pas, et le syst`eme se reduit `a:
y(t) = g[u(t), t]
La representation par variables detat caracterise le comportement interne du
syst`eme. Une telle representation est ainsi egalement valable pour des conditions initiales non nulles, pour des syst`emes non lineaires et non stationnaires.
De plus, un mod`ele detat presente lavantage detre simple `a implanter sur
ordinateur car il se pr`ete directement `a lintegration numerique.
b) Propri
et
e de lin
earit
e: Introduisons la notation suivante:
{x(t0 ), u[t0 ,) }
{x[t0 ,) , y[t0 ,)}
etat `a t0 , entrees futures
etats et sorties dans le futur
Un mod`ele detat est lin
eaire si et seulement si le principe de superposition est
applicable. On peut lexpliciter ainsi (proprietes dadditivite et dhomogeneite):
Si

{x1[t0 ,), y[t1 0 ,) }


{x1 (t0 ), u1[t0 ,) }

{x2[t0 ,), y[t2 0 ,) }


{x2 (t0 ), u2[t0 ,) }

1 et 2 : constantes reelles
{1 x1 (t0 ) + 2 x2 (t0 ), 1 u1[t0 ,) + 2 u2[t0 ,)}

{1 x1[t0 ,) + 2 x2[t0 ,) , 1 y[t1 0 ,) + 2 y[t2 0 ,) }

o`
u les exposants 1 et 2 indiquent deux essais distincts, alors le mod`ele detat
est lineaire. Dans le cas contraire, le mod`ele est non lineaire.
Cette condition de linearite permet de deduire les cas particuliers suivants:
Pour 1 = 2 = 1 et x1 (t0 ) = x2 (t0 ); u1[t0 ,) = u2[t0 ,)
on a:
x1[t0 ,) = x2[t0 ,) et y[t1 0 ,) = y[t2 0 ,)
et finalement:
{0, 0[t0 ,)} {0[t0 ,) , 0[t0 ,) }
cest-`a-dire une sortie identiquement nulle pour un syst`eme au repos et sans
excitation.
x1 (t0 ) = x(t0 ), u1[t0 ,) = 0
Pour 1 = 2 = 1 et 2
x (t0 ) = 0,
u2[t0 ,) = u[t0 ,)
on a:
{x(t0 ), u[t0 ,) } {x1[t0 ,) + x2[t0 ,) , y[t1 0 ,) + y[t2 0 ,) }
cest-`a-dire la reponse `a {x(t0 ), u[t0 ,)} = reponse `a {x(t0 ), 0} due uniquement `a letat initial + reponse `a {0, u[t0,) } due uniquement `a lentree.

1.3 METHODES
DE REPRESENTATION

21

R
v(t)

u(t)

y(t)
R

Fig. 1.18 Circuit electrique avec un condensateur non lineaire.


En dautres termes, pour les syst`emes lineaires, ces deux reponses peuvent etre
etudiees separement et additionnees ensuite.
Le principe de superposition est donc valable
pour la sortie (similaire au cas de la representation externe),
ainsi que pour letat du syst`eme (nouveau)
pour un etat initial nul,
mais egalement pour un etat initial non nul.
Il sensuit quun syst`eme lineaire dans sa representation externe nest pas necessairement lineaire dans sa representation detat comme cela sera illustre
dans lexemple ci-dessous.
La reciproque est-elle vraie, cest-`a-dire est-ce quun syst`eme qui est lineaire
dans sa representation detat est toujours lineaire dans sa representation externe?
Le mod`ele detat donne par les equations (1.5) et (1.6) est lineaire si et seulement si les fonctions f et g sont lineaires par rapport `a x(t) et u(t). Dans ce
cas, il secrit:
x(t)

= A(t)x(t) + B(t)u(t) equation detat


x(t0 ) = x0
y(t) = C(t)x(t) + D(t)u(t) equation de sortie
Exemple: Soit le circuit electrique de la figure 1.18 possedant un condensateur
avec une caracteristique non lineaire C = C(v) o`
u v(t) est la tension aux bornes
de ce condensateur.
Si v(t0 ) = 0 alors v(t) = 0 pour tout t t0 (pour des raisons evidentes de
symetrie). Le syst`eme est donc lineaire quant `a son comportement entree-sortie
u(t) y(t). Le syst`eme est par contre non lineaire quant `a sa representation
par variables detat, car il contient un element non lineaire.
c) Propri
et
e de stationnarit
e: Un syst`eme est stationnaire si ses caracteristiques ne varient pas avec le temps. Par exemple, pour un syst`eme dynamique
lineaire, on a:
A(t) = A;

B(t) = B;

C(t) = C;

D(t) = D

`
`
PROCESSUS, SYSTEMES
ET MODELES

22

u(t)

.
+ x(t)
+

x(t)

+
+

y(t)

Fig. 1.19 Syst`eme dynamique lineaire et stationnaire.


ce qui donne le mod`ele detat lineaire et stationnaire suivant:
x(t)

= A(t)x(t) + B(t)u(t) equation detat


x(t0 ) = x0
y(t) = C(t)x(t) + D(t)u(t) equation de sortie
Ce syst`eme est egalement causal car u( ) ninfluence x(t) et y(t) que pour
t.
La figure 1.19 represente le schema fonctionnel dun syst`eme dynamique lineaire et stationnaire.
1.3.2.3

Mod`
ele d
etat discret

a) Repr
esentation par variables d
etat: Par analogie avec le mod`ele detat
continu (1.5) et (1.6), le mod`ele detat discret est constitue dun syst`eme
dequations aux differences du premier ordre:
x(k + 1) = f [x(k), u(k), k] equation detat
x(k0 ) = x0
y(k) = g[x(k), u(k), k]
equation de sortie
Si le syst`eme est lineaire, on a:
x(k + 1) = A(k)x(k) + B(k)u(k)
y(k) = C(k)x(k) + D(k)u(k)

x(k0 ) = x0

De plus, si le syst`eme est stationnaire, la representation devient:


x(k + 1) = Ax(k) + Bu(k)
y(k) = Cx(k) + Du(k)

x(k0 ) = x0

Les matrices A et B des representations continues et discr`etes sont bien s


ur differentes. Pour sen rendre compte, considerons le mod`ele detat continu lineaire
et stationnaire suivant:
x(t)

= Ac x(t) + Bc u(t)
y(t) = Cx(t) + Du(t)

1.3 METHODES
DE REPRESENTATION

23

Une discretisation temporelle selon Euler avec un pas temporel T donne:


1
[x(k + 1) x(k)] = Ac x(k) + Bc u(k)
T
o`
u
x(k + 1) = x(k) + Ac T x(k) + Bc T u(k)
ou encore
x(k + 1) = (I + Ac T )x(k) + Bc T u(k)
Cette derni`ere expression represente un mod`ele detat discret avec les relations
suivantes entre les matrices A et B des mod`eles discret et continu:
Ad = I + Ac T
Bd = Bc T
Quelles sont les relations entre les matrices C et D des mod`eles discret et
continu?
La discretisation selon Euler nest quapproximative. On demontre quune
discretisation exacte, qui utilise toutefois lapproximation
u(t) = u(kT )

kT t < (k + 1)T

donne les relations suivantes:


Ad = eAc T I + Ac T + A2c

T2
+
2

si Ac est reguli`ere
Bd =

eAc (T ) Bc d = (eAc T I)A1


c Bc


2
T2
2T
= Ac T + Ac
+ A1
+
c Bc = Bc T + Ac Bc
2
2

On remarque que la discretisation selon Euler correspond a` lapproximation


lineaire par rapport `a la periode dechantillonnage T de la discretisation exacte.
Calculer le mod`ele detat discret qui correspond au mod`ele detat continu monovariable du premier ordre x = ax + bu.
b) Exemple: Plan depargne dune banque, periode = 1 mois, avec:
s(k) = solde `a la periode k
d(k) = depot pour la periode k
r(k) = retrait pour la periode k
i(k) = taux dinteret pour la periode k
Un bilan pour la periode k donne:
s(k + 1) = s(k) + d(k) r(k) + i(k)[s(k) + d(k) r(k)]

`
`
PROCESSUS, SYSTEMES
ET MODELES

24
ou

s(k + 1) = [1 + i(k)]s(k) + [1 + i(k)]d(k) [1 + i(k)]r(k)


Avec
u(k) =

d(k)
r(k)

s(k0 ) = s0

x(k) = s(k) y(k) = s(k)

on retrouve un syst`eme dynamique discret, multivariable, lineaire et non stationnaire.


Sous quelle condition ce mod`ele detat dynamique non stationnaire devient-il
stationnaire?
Quel est lordre de ce mod`ele detat?

1.3.3

Repr
esentation fr
equentielle externe

1.3.3.1

Notion de fonction de transfert

Une representation `a partir de la transformee de signaux temporels (par exemple,


transformee de Laplace, transformee de Fourier, transformee en z) est souvent utile.
On peut ainsi calculer une fonction de transfert continue
Z
Y (s)
= L[g(t)]
g(t)est dt
(1.7)
G(s) =
U(s)
0
ou discr`ete:

X
Y (z)
g(k)z k
= Z[g(k)]
G(z) =
U(z)

(1.8)

k=0

Contrairement `a la representation par mod`ele detat, la representation par fonction de transfert est uniquement valable pour les syst`emes lscr (lineaires, stationnaires, causals et initialement au repos). Par contre, si applicable, la representation
par fonction de transfert est souvent plus simple car elle fait intervenir une relation
algebrique au lieu dune relation differentielle.
Pour un syst`eme multivariable, on peut definir une matrice de fonctions de transfert ou matrice de transfert. Par exemple, pour un syst`eme avec deux entrees et deux
sorties (fig. 1.20), on a:


G11 (s) G12 (s)
G(s) = [Gij (s)] =
G21 (s) G22 (s)

avec

Gij (s) =

Yi (s)
Uj (s)

i, j = 1, 2

Le concept de poles et de zeros propre `a la representation frequentielle est tr`es


utile pour letude de stabilite et de performance des syst`emes boucles. Par contre,
la representation frequentielle est mal appropriee `a la simulation numerique, pour
laquelle on pref`ere utiliser un mod`ele detat.

1.3 METHODES
DE REPRESENTATION

25
y1

u1

u2

y2

Fig. 1.20 Syst`eme multivariable avec 2 entrees et 2 sorties.


sortie
u1(t)
u2(t)

u1(k) = u2(k)

y 1(k)

y 1(t)
y 2(t)

y 2(k)

0 T

0 T

Fig. 1.21 Signaux dentree et de sortie.

1.3.3.2

Relation entre G(s) et G(z)

Pour limplantation dun regulateur numerique, il est souvent necessaire de calculer un regulateur G(z) qui soit equivalent `a un G(s) obtenu par synth`ese analogique. Dautre part, puisquune identification parametrique par moindres carres
gen`ere G(z) (cf. chapitre 3), il est souvent desirable devaluer un G(s) equivalent
qui permettra didentifier les param`etres physiques du syst`eme. Do`
u linteret de
pouvoir transformer aisement G(s) en G(z) et vice versa.
Considerons le syst`eme continu G(s) avec lentree U1 (s) et la sortie Y1 (s) =
G(s)U1 (s). Les signaux temporels correspondants u1 (t) et y1 (t) sont representes `a
la figure 1.21. Considerons maintenant lentree echelon u2 (t) dont la sortie sera
y2 (t). La figure 1.21 indique egalement la version echantillonee de ces signaux o`
u
lon remarque que u1 (k) = u2 (k) par construction et, bien s
ur, y1 (k) 6= y2 (k). Il
en resulte que G1 (z) = Y1 (z)/U1 (z) est different de G2 (z) = Y2 (z)/U2 (z). On voit
donc que, pour un G(s) donne, le G(z) correspondant dependra de lentree u(t).
Analysons ce probl`eme plus en detail.
La procedure dechantillonnage des signaux dentree et de sortie du syst`eme
continu G(s) afin dobtenir la fonction de transfert discr`ete G(z) est representee `a
la figure 1.22.
On peut ainsi ecrire:
Y (z)
Z{y(k)}
Z{L1 [G(s)U(s)]|kT }
G(z) =
=
=
U(z)
Z{u(k)}
Z{L1 [U(s)]|kT }

(1.9)

`
`
PROCESSUS, SYSTEMES
ET MODELES

26

u(t)

y(t)

G(s)

A/N

A/N

u(k)

y(k)

G(z)

Fig. 1.22 Schema pour levaluation de G(z).

u(k)

u(t)
N/A

y(t)
G(s)

y(k)
A/N

G(z)

Fig. 1.23 Evaluation de G(z) en considerant les convertisseurs N/A et A/N.


a) Evaluation de G(z) en consid
erant lentr
ee u(t) g
en
er
ee par un ZOH :
Cette approche est importante en automatique car elle correspond au cas
o`
u le processus est entoure par des convertisseurs N/A (avec un element de
maintien dordre zero ZOH) et A/N (fig. 1.23).
Lentree u(t) sera de la forme u2 (t) dans la figure 1.21. Pour U(s) = 1/s,
lequation (1.9) permet decrire:
G(z) =

Z{L1 [G(s)/s]|kT }
1
1z 1

= (1 z 1 )Z{L1 [G(s)/s]|kT }

(1.10)

Est-ce que la relation (1.9) est exacte pour une entree echelon du type u(t) =
P
u (t) represente le saut unite au temps t = 0?
i i (t iT ) o`
1
. Evaluons
Exemple: Soit la fonction de transfert analogique G(s) =
s+1
G(z) pour T = 0.2.
Lequation (1.10) donne:
 



1
1
1

G(z) = (1 z )Z L
s(s + 1) kT


 



1
1
1
1
1 1
1

= (1 z )Z L
= (1 z )

s (s + 1) kT
1 z 1 1 eT z 1
1 z 1
(1 eT )z 1
0.18z 1
=1
=
=
1 eT z 1
1 eT z 1
1 0.82z 1

1.3 METHODES
DE REPRESENTATION

27

b) Evaluation de G(z) sur la base de la r


eponse impulsionnelle de G(s):
On consid`ere u(t) comme etant limpulsion de Dirac (t) qui est definie ainsi:

t<0
0
1/T 0 t < T
(t) = lim (t) avec (t) =
T 0

0
tT
En premi`ere approximation, pour T petit mais different de 0, on a:
u(k) =

1
, 0, . . .
T

et ainsi
U(z) =

k = 0, 1, . . .
1
T

Lequation (1.9) permet decrire:


G(z)
= T Z{L1[G(s)]|kT }

(1.11)

G(z) est ainsi calculee de facon `a ce que sa reponse impulsionnelle g(k) soit
egale `a T g(t)|kT , o`
u g(t)|kT represente la version echantillonnee de la reponse
impulsionnelle de G(s).
La relation (1.11) devient exacte pour le cas u(t) = (t) mais reste approximative pour tout autre signal u(t).
Verifier cette derni`ere affirmation en comparant, par exemple, les reponses
impulsionnelles et indicielles de G(s) = 1/(s + 1) et de G(z) calcule selon
(1.11) avec T = 0.2.
Exemple: A partir de G(s) = 1/(s + 1), evaluons G(z) pour T = 0.2.
Lequation (1.11) donne:


1
0.2
1
1
}=T
=
T Z{L

T
1
s + 1 kT
1e z
1 0.82z 1

c) Evaluation de G(z) par transformation des p


oles et des z
eros de G(s):
Il sagit ici dune methode empirique qui consiste `a transformer, `a laide de
la relation z = eT s , tous les poles et les zeros du syst`eme continu. Il convient
egalement dajouter suffisamment de zeros `a z = 1 afin dobtenir pour
G(z) le meme nombre de zeros que de poles. Ceci resulte du fait que les
zeros `a linfini en continu correspondent `a des zeros discrets `a 1 (frequence
maximale en discret). Finalement, on ajuste un facteur multiplicatif de G(z)
afin dobtenir le meme rapport damplitude pour G(z) et G(s) `a une frequence
choisie (souvent `a basse frequence: s = 0, z = 1).
Exemple: A partir de G(s) = 1/(s + 1), evaluons G(z) pour T = 0.2 en
transformant les poles et les zeros et en imposant le meme gain statique.
Le pole `a s = 1 est transforme en z = eT . Nous ajoutons un zero `a z = 1,
ce qui donne:
z+1
G(z) = K
z eT

`
`
PROCESSUS, SYSTEMES
ET MODELES

28

Ajustons le facteur multiplicatif K:


G(s = 0) = 1 = G(z = 1) = K

2
1 eT

K
=
1 eT
2

Finalement:
G(z) =

(1 eT )(1 + z 1 )
0.09(1 + z 1 )
(1 eT )(z + 1)
=
=
2(z eT )
2(1 eT z 1 )
1 0.82z 1

d) Evaluation de G(z) par diff


erences finies: Lequation differentielle qui correspond `a G(s) peut etre discretisee par une methode de differences finies. Il est
ensuite simple, `a partir de lequation aux differences resultante, de construire
G(z).
Deux methodes de differences finies sont particuli`erement interessantes dans
ce contexte.
Int
egration rectangulaire r
etrograde: Considerons
G(s) =

1
Y (s)
=
U(s)
s

ou
y(t)
= u(t)

y(0) = 0

La trajectoire y(t) peut etre approchee par integration rectangulaire retrograde:


y(k) = y(k 1) + T u(k)
Ainsi:
Y (z)[1 z 1 ] = T U(z)
G(z) =

Y (z)
T
Tz
=
=
1
U(z)
1z
z1

et lon obtient lapproximation:


1
Tz
:=
s
z1

ou

s :=

1 z1
T z

Ainsi:
G(z) = G(s)|s= 1 z1
T

(1.12)

Int
egration trap
ezodale: Par integration trapezodale, la trajectoire y(t)
est approchee ainsi:
y(k) = y(k 1) + T
Do`
u:
Y (z)[1 z 1 ] =

u(k) + u(k 1)
2

T
U(z)(1 + z 1 )
2

1.3 METHODES
DE REPRESENTATION

29


T
Y (z)
=
G(z) =
U(z)
2

1 + z 1
1 z 1

et
T (z + 1)
1
:=
s
2(z 1)

ou

s :=

T (z + 1)
2(z 1)
2 z1
T z+1

Ainsi:
G(z) = G(s)|s= 2 z1
T z+1

(1.13)

Cette derni`ere relation est egalement connue sous le nom de transformation bilin
eaire.
Exemple: A partir de G(s) = 1/(s + 1), evaluons G(z) pour T = 0.2.
Les equations (1.12) et (1.13) donnent respectivement:

1
G(z) =
=
s + 1 s= 1 z1
T


1
=
G(z) =
s + 1 s= 2 z1
T z+1

1
1 z1
T z

2 z1
T z+1

+1

+1
=

Tz
0.2
=
(1 + T )z 1
1.2 z 1

0.1(1 + z 1 )
T (z + 1)
=
(2 + T )z (2 T )
1.1 0.9z 1

e) Evaluation de G(s) `
a partir de G(z): La demarche inverse, cest-`adire levaluation de G(s) `a partir de G(z), nest pas unique. Il est simple
de le comprendre en realisant que G(s) et G(z) sont enti`erement definis `a laide des signaux dentree et de sortie correspondants et quil est
possible de faire correspondre plusieurs signaux analogiques `a un signal
numerique. Cependant, en supposant que les signaux analogiques dentree et de sortie satisfassent au theor`eme dechantillonnage de Shannon
(cest-`a-dire quils ne contiennent pas de pulsations superieures `a s /2
o`
u s represente la pulsation dechantillonnage), il est alors possible de
reconstruire de facon univoque les signaux analogiques et dobtenir ainsi
la fonction de transfert analogique correspondante.
Dune mani`ere similaire aux equations (1.10)-(1.13), on peut calculer `a
partir de G(z) la fonction de transfert G(s) qui, une fois numerisee, redonnerait G(z):

 
G(z)
G(s) = sL Z
1 z 1
1
G(s) =
L{Z 1 [G(z)]}
T
G(s) = G(z)|z= 1
1T s

(1.14)
(1.15)
(1.16)

et
G(s) = G(z)|z= 1+T s/2

1T s/2

(1.17)

`
`
PROCESSUS, SYSTEMES
ET MODELES

30

Tab. 1.2 Comparaison de differentes methodes pour evaluer G(z) `a partir de


G(s) = 1/(s + 1) et T = 0.2.
Methode
Equation
G(z)
0.18z 1
Element de maintien dordre zero
1.10
1 0.82z 1
Reponse impulsionnelle

1.11

0.2
1 0.82z 1
0.09(1 + z 1 )
1 0.82z 1

Transformation des poles et des zeros


Integration rectangulaire retrograde

1.12

0.2z 1
1.2 z 1

Transformation bilineaire (integration trapezodale)

1.13

0.1(1 + z 1 )
1.1 0.9z 1

On verifie aisement les relations (1.16) et (1.17) `a partir de la relation


z = eT s . En effet:
z = eT s =
z = eT s =

1
eT s

e(T /2)s
e(T /2)s

1
1 Ts
1 + T2s

=
1 T2s

approximation de Pade

Retrouver G(s) `a partir de G(z) pour les exemples precedents.


f) Comparaison des diverses m
ethodes pr
esent
ees: Le tableau 1.2
compare les resultats obtenus avec les diverses methodes pour evaluer
G(z) `a partir de G(s) = 1/(s + 1) et T = 0.2 .
Il faut remarquer quil nexiste pas de methode universelle, cest-`a-dire exacte
dans le sens de la figure 1.22 quelle que soit lentree u(t). Par exemple, la
methode basee sur la reponse indicielle nest exacte que pour une entree u(t)
en echelon. Pour toute autre entree, le G(z) correspondant ne sera quune
approximation.
Evaluer le gain statique et le pole des fonctions de transfert discr`etes du tableau
1.2. Quelle conclusion peut etre faite?

1.3.4

Repr
esentation fr
equentielle interne

Un mod`ele detat lscr peut, bien s


ur, etre mis sous forme frequentielle en utilisant
la transformation de Laplace pour les syst`emes continus ou la transformation en z
pour les syst`emes discrets.

1.3 METHODES
DE REPRESENTATION

31

A titre dexemple, considerons le syst`eme multivariable lscr continu:


x = Ax(t) + Bu(t)
y(t) = Cx(t)

x(0) = 0

En appliquant la transformation de Laplace `a ce syst`eme, on obtient:


sX(s) = AX(s) + BU(s)
Y (s) = CX(s)
cest-`a-dire la representation frequentielle interne suivante:
X(s) = (sI A)1 BU(s)
Y (s) = CX(s)
do`
u lon tire la matrice de transfert:
G(s) = C(sI A)1 B
et la matrice des reponses impulsionnelles:
G(t) = CeAt B
Montrer que pour un syst`eme monovariable lscr du premier ordre, la reponse impulsionnelle est g(t) = ceat b.
Les matrices de transfert G(z) et des reponses impulsionnelles G(k) pour un
syst`eme multivariable lscr discret sont respectivement:
G(z) = C(zI A)1 B
G(k) = CAk1 B
Demontrer ces relations pour le cas scalaire (syst`eme monovariable du premier
ordre).

1.3.5

Comparaison des diff


erentes m
ethodes de repr
esentation

Les differentes representations, classifiees selon les trois crit`eres


representation temporelle/frequentielle,
representation externe/interne,
representation continue/discr`ete.

sont illustrees dans le tableau 1.3 pour le cas dun syst`eme dynamique avec
lentree u, letat x et la sortie y.

Temporelle

gij (k-h) uj(h)

Y(z) = [G ij (z)] U (z)

Y(s) = [G ij (s)] U(s)

h=-

Gij (z) = Z [gij (k)]

lscr

yi(k) =

gij (k)

G ij (s) = L [gij (t)]

lscr

t
gij (t-) u j () d
-

gij (t)

- < h k

- < t

lsc

y(k) = h[u(h), h]

y(t) = h[u(), ]

yi (t) =

lsc

Continue

Externe

y(t) = g[x(t), u(t), t]

.
x(t) = f[x(t), u(t), t]
x(0) = x0

-1

B U (s)
Y(s) = C X (s) + D U(s)

X(s) = (s I - A)

lscr

y(t) = C x(t) + Du(t)

.
x(t) = Ax(t) + B u(t)
x(0) = x0

lsc

Continue

Interne

Y(z) = C X(z) + D U(z)

X (z) = (zI - A) -1 B U(z)

lscr

y(k) = Cx(k) + D u(k)

x(k+1) = A x(k) + Bu(k)


x(0) = x0

lsc

y(k) = g[x(k), u(k), k]

x(k+1) = f[x(k), u(k), k]


x(0) = x0

Tableau 1.3 Methodes de representation dun syst`eme dynamique. Les hypoth`eses pour les differents mod`eles sont indiquees
en hachure (l: lineaire, s: stationnaire, c: causal, r: initialement au repos).

32
`
`
PROCESSUS, SYSTEMES
ET MODELES

1.4 EXEMPLES

33

qe(t)

h(t)
qs(t)
S

Fig. 1.24 Cuve agitee.

qe(t)

M(S,k)

h(t)

Fig. 1.25 Mod`ele de la cuve agitee.

1.4
1.4.1

EXEMPLES
Cuve agit
ee

Soit la cuve agitee donnee `a la figure 1.24. Le debit volumique de sortie qs (t)
depend du niveau de liquide h suivant la relation:
p
qs (t) = k h(t)
La masse volumique est constante. Si qe (t) represente le debit volumique dentree
et S la surface de section, on peut ecrire le bilan massique suivant:
d
[Sh(t)] = qe (t) qs (t)
dt
ou
S

p
dh(t)
= qe (t) k h(t)
dt

h(0) = h0

Nous retrouvons un mod`ele detat continu, `a param`etres localises, causal, monovariable, deterministe, non lineaire et stationnaire. Ce mod`ele M(S, k) est represente
schematiquement `a la figure 1.25 et comporte les grandeurs suivantes:
deux param`etres constants: S, k
une variable independante (entree): qe (t)
une variable dependante (etat, sortie): h(t)

Plusieurs probl`emes peuvent etre etudies sur la base de ce mod`ele de connaissance:

`
`
PROCESSUS, SYSTEMES
ET MODELES

34

Produit P
Machines X

Clients Y
Stock S
Machines Z

production
statistique pannes
nombre ?

statistique demande
statistique pannes
grandeur ?

Fig. 1.26 Syst`eme de production et de stockage.

Simulation
donnes: M(S, k), h(t = 0), qe (t)
cherche: h(t), cest-`a-dire le comportement dynamique du syst`eme.
Pour ce syst`eme simple, la simulation (integration) peut etre analytique ou
numerique.
Conception
donnes: M(, ), qe (t), h(t) desire
cherches: S et k, cest-`a-dire le dimensionnement de la cuve.
Il nest pas necessaire de disposer de mesures experimentales. Le dimensionnement de la cuve peut se faire pour un syst`eme projete.
Identification
donnes:M(, ), qe (t) et h(t) mesures
cherches: S et k, cest-`a-dire les caracteristiques de la cuve.
Il faut disposer de mesures experimentales et donc dun syst`eme existant.
Commande
donnes: M(S, k), h(t) desire
cherche: qe (t), cest-`a-dire lentree ou grandeur de commande.
Ce probl`eme de commande peut se resoudre sans mesures vu que le mod`ele du
syst`eme et la consigne sont connus. Cependant, dans la pratique, la connaissance du mod`ele est remplacee par la mesure de h(t), laquelle est comparee `a
la consigne pour determiner la grandeur de commande.

1.4.2

Syst`
eme de production

Soit le syst`eme de production et de stockage donne `a la figure 1.26. Les caracteristiques de ses elements sont les suivantes:
Une machine de type X:
execute 5 pi`eces par jour,
le temps entre les pannes suit une distribution exponentielle avec une valeur
moyenne de 20 jours,
le temps de reparation est distribue uniformement entre 1 et 2 jours.


1.5 EXERCICES RESOLUS

35

Les clients Y:
ach`etent en moyenne 10 pi`eces par visite (distribution normale, ecart-type
de 5 pi`eces),
la probabilite de visite suit une distribution poissonienne (moyenne 1 visite
par jour).
La machine Z:
utilise en moyenne 15 pi`eces par jour (distribution normale, ecart-type de 5
pi`eces),
le temps entre les pannes est distribue uniformement entre 10 et 60 jours,
poss`ede un temps de reparation fixe de 1 jour.
Lobjectif est detudier le syst`eme de production et de stockage en fonction du
nombre de machines de type X et de la grandeur du stock S. En particulier, on
aimerait connatre le taux de fonctionnement des machines X, levolution du stock
ainsi que le taux des demandes non satisfaites pour les clients Y et les machines Z.
Un mod`ele du syst`eme devrait permettre de mener une etude economique, cest`a-dire danalyser les co
uts en fonction du nombre de machines de type X et de la
grandeur du stock S.
De quel type de mod`ele sagit-il ici?

1.5

EXERCICES RESOLUS

Exercice 1
Enonc
e : Soit le syst`eme dynamique suivant:
y = a(t)y(t) + b(t)u(t);

y(0) = y0

a) Ce syst`eme est-il lineaire, stationnaire, causal, initialement au repos, stable?


b) Indiquer une demarche pour calculer la reponse indicielle du syst`eme.
c) Calculer les reponses indicielle et impulsionnelle pour le cas o`
u le syst`eme est
stationnaire et initialement au repos.
Solution :
a) Ce syst`eme est lineaire (car les variables u(t) et y(t) apparaissent lineairement
dans lequation differentielle), non stationnaire (car les coefficients a et b ne
sont pas constants), causal (car la sortie y(t) ne depend que des entrees passees
et presentes) et pas initialement au repos (si y0 6= 0). Du fait de la nonstationnarite, la stabilite est difficile `a verifier.
b) Du fait de la non-stationnarite, le calcul de la reponse indicielle est difficile `a
obtenir analytiquement. On peut lexprimer formellement a` laide de g(t, ),
la reponse impulsionnelle au temps t dun syst`eme non stationnaire `a une
impulsion de Dirac au temps :
Z t
y(t) = y0 +
g(t, )d
0

`
`
PROCESSUS, SYSTEMES
ET MODELES

36

Malheureusement, il nest pas possible devaluer g(t, ) de facon generale.


c) y = ay(t) + bu(t) y(0) = 0
Le syst`eme est lineaire, causal, stationnaire et initialement au repos. De plus,
le syst`eme est stable pour a < 0. Le produit de convolution secrit:
Z t
y(t) =
g(t )u( )d
(1.18)
0

Reponse impulsionnelle pour u(t) = (t) : On obtient dans le domaine frequentiel:


U(s) = 1

G(s) =

b
sa

Y (s) = G(s)U(s) =

b
sa

La transformation de Laplace inverse de Y (s) donne:


y(t) = g(t) = beat

t0

(1.19)

Reponse indicielle pour u(t) = (t) : Les equations (1.18) et (1.19) donnent:
Z t
b
y(t) =
bea(t ) 1d = [1 eat ]
t0
a
0
On verifie aisement que la reponse impulsionnelle est la derivee temporelle de
la reponse indicielle.

Exercice 2
Enonc
e : Soit le plan depargne dune banque presente comme exemple dun syst`eme
dynamique discret au 1.3.2.3.
a) Sous quelle condition ce syst`eme est-il stationnaire?
b) Etudier la stabilite BIBO du syst`eme dynamique stationnaire.
c) Calculer la fonction de transfert discr`ete G(z) = S(z)/D(z).
d) Evaluer la constante de temps de ce syst`eme dynamique.
Solution :
a) Le mod`ele detat discret secrit:


s(k0 ) = s0

bT (k) = [(1 + i(k))

(1 + i(k))]

s(k + 1) = a(k)s(k) + b (k)


y(k) = s(k)

d(k)
r(k)

avec
a(k) = [1 + i(k)]

Le syst`eme est non stationnaire car a(k) et b(k) dependent du temps discret
k. Le syst`eme devient stationnaire si le taux dinteret reste constant.


1.5 EXERCICES RESOLUS

37

b) Stabilit
e du syst`
eme stationnaire : entree bornee sortie bornee
Pour quun syst`eme dynamique soit BIBO stable, il faut que toutes les valeurs
propres de la matrice detat soient `a linterieur du cercle unite (|j | < 1).
Pour cet exemple: |a| < 1 donc |1 + i| < 1 2 < i < 0
Concr`etement, un plan depargne avec i 0 represente un syst`eme dynamique
instable.
c) Fonction de transfert : Hypoth`ese: plan depargne stationnaire (i(k) = i).
La transformation en z du syst`eme dynamique donne:


D(z)
T
zS(z) = aS(z) + b
R(z)
Y (z) = S(z)
On obtient ainsi:
G(z) =

S(z)
b1
1+i
=
=
D(z)
za
z (1 + i)

d) Constante de temps : Pour un syst`eme continu du premier ordre, la constante


de temps est liee au pole comme suit:

1
=
pc
cest-`a-dire:
= 1/pc pour un syst`eme stable (pc < 0),
= 1/pc pour un syst`eme instable (pc 0).
Le pole continu pc peut se calculer `a partir du pole discret:
1
pc = ln(pd )
T
Il sensuit:
1
T
T
= =
=
pour 2 < i < 0
pc
ln(pd )
ln(1 + i)
T
T
1
=
=
pour i 0
=
pc
ln(pd )
ln(1 + i)

Exercice 3
Enonc
e : Un circuit electrique de type RC en serie (R = C = 1) au repos est excite
par la tension u(t) = e3t (t 0).

i
u

+
-

R
x

`
`
PROCESSUS, SYSTEMES
ET MODELES

38

a) Calculer la tension aux bornes du condensateur.


b) Le courant est-il proportionnel `a e3t ?
Solution :
a) Circuit RC en serie (R = C = 1; x: tension aux bornes du condensateur):
x(t)
+ x(t) = u(t)

x(0) = 0

(1.20)

avec
u(t) = e3t

t0

(1.21)

La transformation de Laplace de (1.20) et (1.21) donne:


X(s) =

1
U(s)
s+1

1
s+3
1
1/2
1/2
X(s) =
=
+
(s + 1)(s + 3)
s+3 s+1
U(s) =

et ainsi:

1
1
x(t) = e3t + et
2
2

b) Le courant i(t) devient:


3
1
i(t) = x(t)

= u(t) x(t) = e3t et


2
2

t0

Le courant nest pas proportionnel `a e3t `a cause de leffet dynamique du


condensateur et du mode correspondant et .

Exercice 4
Enonc
e : Soit un circuit electrique de type RL en serie (R = L = 1) avec un courant
initial nul.
u(t)
1

u(t)
x(t)
0


1.5 EXERCICES RESOLUS

39

a) Calculer le courant resultant de la tension dentree u(t):


b) Vers quelle limite tend le courant pour 0?

c) Utiliser la propriete de linearite et la connaissance de la reponse impulsionnelle


pour obtenir la reponse `a la question a).
Solution : Circuit RL en serie (R = L = 1; x: courant):
x(t)
+ x(t) = u(t)

x(0) = 0

(1.22)

La transformation de Laplace de (1.22) donne:


X(s)
1
=
U(s)
s+1

(1.23)

a) R
eponse `
a une impulsion de dur
ee
1
1
u(t) = (t) (t )

avec

0 si t < 0
1 si t 0

(1.24)

La transformation de Laplace de (1.24) donne:


U(s) =

11
(1 es )
s

(1.25)

En combinant (1.23) et (1.25), on obtient:


1
1
1
= (1 es )
X(s) = (1 es )

s(s + 1)

Do`
u
x(t) =

1
1

s s+1

1
[(t)(1 et ) (t )(1 e(t) )]

0
t<0

1
(1 et ) 0 t

e 1  t
e
t

(1.26)

(1.27)

b) Limite pour 0
Developpement en serie de Taylor de e dans (1.27), pour t :
1++
e 1
=

2
2!

+ 3! + . . . 1
2
=1+ +
+ ...

2!
3!

Do`
u
lim

e 1

=1

(1.28)

(1.29)

Ainsi, lorsque 0, lentree tend vers limpulsion de Dirac et x(t) et qui


represente la reponse impulsionnelle du syst`eme.

`
`
PROCESSUS, SYSTEMES
ET MODELES

40

c) Calcul de la r
eponse `
a laide du produit de convolution temporel
Z t
Z t
(t )
t
x(t) =
e u( )d
(1.30)
e
u( )d = e
0
0
Z t
1 et
1
t
pour 0 t < (1.31)
x(t) = e
e d =

0


Z
e 1 t
t
1
x(t) = e
e d =
e
pour t
(1.32)

Exercice 5
Enonc
e : Soit le syst`eme dynamique discret stable du premier ordre:
G(z) =

Kz
Y (z)
=
U(z)
zp

a) Calculer la reponse harmonique du syst`eme, cest-`a-dire sa reponse en regime


permanent `a lexcitation harmonique u(k) = AejkT .
b) Evaluer le rapport damplitude et le dephasage en fonction de la pulsation dexcitation .
c) Dessiner le diagramme de Bode des syst`emes discret et continu pour K = 2 et
p = 0.9.
Solution :
a) R
eponse harmonique
uk = AejkT U(z) =
Y (z) = G(z)U(z) =
avec

Az
A
=
jT
1
1e z
z ejT

KAz 2
1 z
2 z
=

+
+
0
(z p)(z ejT )
z p z ejT

0 =
1 =
2 =



KAz 2

=0
(z p)(z ejT ) z=0

KAp
KAz
=

jT
ze
p ejT
z=p

KAz
KAejT
= jT
z p jT
e
p
z=e

La transformation en z inverse donne:

yk = 1 pk + 2 ejkT = yk1 + yk2


Reponse en regime permanent (y k = y 1k + y 2k )
y 1k = lim 1 pk = 0
k

y 2k = 2 ejkT

pour |p| < 1

y k = 2 ejkT

pour |p| < 1


1.5 EXERCICES RESOLUS

41

b) Rapport damplitude et d
ephasage en r
egime permanent


y k 2 KejT




RA = = = jT
uk
A
e
p
KAejT
= arg(y k ) arg(uk ) = arg(2 ) = arg jT
e
p


c) Diagramme de Bode (K = 2, p = 0.9)


G(z) =

2z
z 0.9

10

discret
R

-- continu

10

10
-3
10

-2

-1

10

10

10

pulsation

10

10

80

60

discret

40

-- continu

phi

20

-20

-40

-60

-80
-3
10

-2

10

-1

10

pulsation

Matlab d2c avec T = 1(s = 2/T = 2)


G(s) =

20(0.949s + 1)
9.49s + 1

10

`
`
PROCESSUS, SYSTEMES
ET MODELES

42

Exercice 6
Enonc
e : Le syst`eme analogique G(s) = 2es /(5s + 1) est `a commander avec un
microprocesseur.
a) Calculer la version echantillonnee G(z).
b) Quels sont les poles du syst`eme discret?
c) Calculer la reponse du syst`eme discret `a une impulsion unite.
Solution :
a) Version
echantillonn
ee G(z)
Choix de la periode dechantillonnage:
T =

= 0.5
10

En considerant que u(t) est generee par un element de maintien dordre zero
(zoh), on obtient:
1

G(z) = (1 z )Z L

 

0.19
2es

= 2

s(5s + 1) kT
z (z 0.90)

(1.33)

b) Les poles du syst`eme discret sont z = 0 deux fois et z = 0.90. Le pole double
z = 0 correspond au retard pur de deux periodes dechantillonnage.
c) R
eponse du syst`
eme discret `
a une impulsion unit
e


0.19
1 0.90
1
G(z) = 2
= 0.23
2
z (z 0.90)
z 0.90 z
z

(1.34)

La transformation en z inverse donne (voir par exemple le tableau C de lannexe C, entrees 2 et 19):
g(k) = 0.23[(k 1)0.90k1 (k 1) 0.90(k 2)]

(1.35)

avec
(k) =

0 k<0
1 k0

(1.36)

(k) =

0 k 6= 0
1 k=0

(1.37)


1.5 EXERCICES RESOLUS

43
Rponse impulsionnelle discrte (T=0.5)

0.2

0.18

0.16

0.14

g(kT)

0.12

0.1

0.08

0.06

0.04

0.02

10

15

20

25

30

kT

Exercice 7
Enonc
e : Le dimensionnement dun regulateur PI pour un syst`eme dynamique de
gain statique 7 a donne le resultat suivant:


1
GR (s) = 0.72 1 +
0.06s
Evaluer lequation aux differences necessaire `a limplantation de ce regulateur sur
microprocesseur.
Solution : Le regulateur discret sera entoure de convertisseurs A/N et N/A, ce
dernier avec un element de maintien dordre zero. Utilisons donc la methode correspondante pour calculer GR (z) `a partir de GR (s):
 



U(z)
1
1 GR (s)
= (1 z )Z L
GR (z) =

E(z)
s
kT





12
0.72
12T z 1
1
1 0.72
1
= (1 z )Z L
+ 2
= (1 z )
+
s
s
1 z 1 (1 z 1 )2
0.72 + (12T 0.72)z 1
12T z 1
=
= 0.72 +
1 z 1
1 z 1
On obtient ainsi:
U(z)(1 z 1 ) = E(z)[0.72 + (12T 0.72)z 1 ]
La transformation en z inverse donne:
u(k) = u(k 1) + 0.72e(k) + (12T 0.72)e(k 1)

(1.38)

Il convient encore de choisir la periode dechantillonnage T sur la base de la


constante de temps dominante du syt`eme.

`
`
PROCESSUS, SYSTEMES
ET MODELES

44

Les r`egles pour le dimensionnement dun regulateur PI selon Ziegler-Nichols


donnent:

(1.39)
KR = 0.9
K
1 = 3.33
(1.40)
o`
u K, , et representent respectivement le gain statique, la constante de temps et
le retard pur du syst`eme `a commander. Le regulateur PI


1
GR (s) = 0.72 1 +
(1.41)
0.06s
est donc caracterise par KR = 0, 72 et I = 0, 06. En combinant (1.39), (1.40) et
(1.41) et sachant que K = 7, on identifie le syst`eme `a commander suivant:
G(s) =

7e0.018s
0.1s + 1

Pour ce syst`eme dont la constante de temps vaut 0,1, on propose de choisir la


periode dechantillonnage T = 0, 01. Lequation (1.38) devient ainsi:
u(k) = u(k 1) + 0.72e(k) 0.6e(k 1)

Exercice 8
Enonc
e : Soit le syst`eme dynamique continu:
G(s) =

1
s2 + 4s + 8

a) Calculer sa reponse impulsionnelle.


b) Utiliser le produit de convolution dans sa forme i) temporelle et ii) frequentielle
pour calculer la reponse `a un saut unite.
Solution :
a) R
eponse impulsionnelle pour U(s) = 1
Y (s) = G(s)U(s) =

s2

1
1
2
1
=
=
2
+ 4s + 8
(s + 2) + 4
2 (s + 2)2 + 4

L1 y(t) = 21 e2t sin(2t) (entree 16 du tableau C.2 de lannexe C)


b) R
eponse indicielle
i) Produit de convolution temporel
Z
Z t
1 t 2(t )
e
sin[2(t )]1d
y(t) =
g(t )u( )d =
2 0
0
x = 2(t )
dx = 2d
Z
Z
1 2t x
1 0 x
e sin x dx =
e sin x dx
y(t) =
4 2t
4 0


1.5 EXERCICES RESOLUS

45

Integration par parties:


Z b
Z b
1
x
x
b
I=
e sin x dx = e cos x|a
ex cos x dx = ex (cos x + sin x)|ba
2
a
a
1 2t
1
(cos 2t + sin 2t) 1]
y(t) = ex (cos x + sin x)|2t
0 = [e
8
8
1
= [1 e2t (cos 2t + sin 2t)]
8
ii) Produit de convolution frequentiel
U(s) =

1
s

A
Bs + C
1
= + 2
+ 4s + 8)
s
s + 4s + 8
1
1
=
A = lim 2
s0 s + 4s + 8
8

Y (s) = G(s)U(s) =

s(s2

1 = A(s2 + 4s + 8) + Bs2 + Cs
termes en s2

0 = A + B B = A

termes en s1

0 = 4A + C C = 4A

termes en s0

1 = 8A A =

1
8

B = 18 C = 21



1
1 s+4
1
1 (s + 2) + 2
Y (s) =

8s 8 s2 + 4s + 8
8s 8 (s + 2)2 + 22
1
1
s+2
2
1

=
8s 8 (s + 2)2 + 22 8 (s + 2)2 + 22

L1 [Y (s)] = y(t) =

1 1 2t
1
e cos 2t e2t sin 2t
8 8
8
1
= [1 e2t (cos 2t + sin 2t)]
8

Exercice 9
Enonc
e : Soit le syst`eme dynamique discret monovariable du premier ordre:
x(k + 1) = ax(k) + bu(k)
y(k) = cx(k)

x(0) = 2

a) Calculer la fonction de transfert discr`ete pour ce syst`eme.

`
`
PROCESSUS, SYSTEMES
ET MODELES

46
b) Evaluer sa reponse impulsionnelle.
Solution :

a) Fonction de transfert discr`


ete
On consid`ere le syst`eme lscr, cest-`a-dire pour x(0) = 0
Z

X(z)(z a) = bU(z)
Y (z) = cX(z)
Y (z)
bc
G(z) =
=
U(z)
za

b) R
eponse impulsionnelle (pour x(0) = 2)
Z

zX(z) zx(0) = aX(z) + bU(z)


Y (z) = cX(z)
Y (z)(z a) = bc 2cz
z
bc
2c
Y (z) =
za
za

Z 1 y(k) =

U(z) = 1

b c ak1

2 c ak
(k 1)
(k 0)
reponse forcee
reponse libre due
due `a lentree
`a la condition
impulsion unite
initiale non nulle

47

Chapitre 2
`

MODELES
DE REPRESENTATION

NON PARAMETRIQUES
2.1

INTRODUCTION

Un syst`eme dynamique peut etre decrit par un mod`ele de representation resultant dune identification experimentale `a partir des signaux dentree et de sortie du
syst`eme. Il existe deux classes de mod`eles de representation:
a) La classe non param
etrique avec
soit une representation temporelle (reponse indicielle ou impulsionnelle),
soit une representation frequentielle (reponse harmonique).
b) La classe param
etrique avec
soit une representation temporelle (equations differentielles ou aux differences),
soit une representation frequentielle (fonction ou matrice de transfert).

Ce chapitre traite de la representation non parametrique de syst`emes dynamiques.


Le syst`eme ne sera donc pas decrit par des equations dynamiques ou une fonction
de transfert, mais plutot par sa reponse `a des excitations particuli`eres. Le resultat
de lidentification sera disponible sous forme:
graphique:
releve de la reponse indicielle, impulsionnelle ou harmonique,
numerique:
calcul de la reponse impulsionnelle ou harmonique.
Des signaux dentree specifiques sont utilises afin dobtenir des resultats didentification faciles `a interpreter:
saut ou impulsion unite,
signal harmonique,
signal pseudo-aleatoire.

Cependant, il est egalement possible dobtenir une representation non parametrique dun syst`eme dynamique `a partir de signaux dentree non specifiques , comme

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

48

u(t)

G(s)

y(t)
y

Fig. 2.1 Syst`eme dynamique avec signal dentree et de sortie.


on le verra plus tard.
La plupart des approches didentification ont pour but lestimation de la fonction
de transfert (ou, de facon equivalente, de la reponse impulsionnelle) dun syst`eme
dynamique. Or, le concept de fonction de transfert ne sapplique quaux syst`emes lscr
(lineaires, stationnaires, causals et initialement au repos). Cette derni`ere condition
permet dobtenir des conditions initiales nulles pour autant que lon travaille avec
des variables
ecart par rapport au point de fonctionnement initial, souvent un
point dequilibre du syst`eme. Les signaux dentree et de sortie seront donc toujours
definis comme des deviations par rapport `a:
letat de repos initial (si celui-ci est connu), ou
la valeur moyenne du signal pour les donnees disponibles.

2.2

REPONSES
INDICIELLE ET IMPULSIONNELLE

Un syst`eme dynamique est compl`etement caracterise, bien que de facon non


parcimonieuse, par sa reponse indicielle ou impulsionnelle. On obtient une telle reponse temporelle directement par releve graphique (fig. 2.1) ou indirectement par
deconvolution numerique.

2.2.1

Relev
e graphique

Le syst`eme se trouvant initialement au repos, on mesure ainsi le niveau du bruit


sur la sortie. Puis, on lexcite `a laide dun saut damplitude a. Lamplitude doit etre
choisie plus grande que le niveau du bruit et suffisamment petite tel que lexcitation
nentrane pas le syst`eme hors de son domaine de linearite (comment le verifier?).
Lapplication dune impulsion de Dirac est pratiquement impossible. Cependant on
peut se contenter dappliquer une impulsion de tr`es grande amplitude et de tr`es
courte duree `a condition de rester dans le domaine de linearite. Lobservation du
signal de sortie se fait jusqu`a letablissement dun nouvel etat dequilibre, pour
autant quil en existe un.
Lobservation visuelle de la sortie (fig. 2.2 et 2.3) donne des renseignements sur :
la presence dun retard pur,
le gain statique du syst`eme,
lordre du syst`eme,


2.2 REPONSES
INDICIELLE ET IMPULSIONNELLE

49

Fig. 2.2 Reponse indicielle.


y(t)

Fig. 2.3 Reponse impulsionnelle.


la nature des poles du syst`eme (poles reels ou complexes),
le coefficient damortissement du syst`eme.

2.2.2

D
econvolution num
erique

Le probl`eme qui consiste `a reconstruire la reponse impulsionnelle g(t) `a partir


des signaux dentree et de sortie u(t) et y(t) est appele d
econvolution.
Pour des raisons liees `a limplantation numerique, nous considerons ici un syst`eme
dynamique lscr discret donne sous la forme du produit de convolution (cf. 1.3.1.2):
y(k) =

k
X
j=0

g(j)u(k j)

k = 0, 1, 2, . . .

(2.1)

Si le syst`eme `a etudier est de nature continue, il faut echantilloner son entree et


sa sortie avec une periode dechantillonnage suffisamment petite afin dobtenir une
representation discr`ete fiable.
Lequation (2.1) ecrite pour N mesures (k = 0, 1, ...N 1) donne sous forme
matricielle:

g(0)
u(0)
0
0
y(0)

y(1) u(1)
u(0)
0
g(1)

(2.2)

..
..
..
..
..

.
.
.
.
.
g(N 1)
u(N 1) u(N 2) u(0)
y(N 1)

50

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

ou
y = Ug

(2.3)

U est une matrice carree de dimension N. A cause de la forme triangulaire de


U, lequation (2.2) se laisse aisement resoudre de facon recurrente. En effet, pour
u(0) 6= 0, lequation (2.1) permet decrire:
#
"
k1
X
1
g(j)u(k j)
g(k) =
y(k)
u(0)
j=0

k = 0, 1, . . . N 1

(2.4)

Le calcul de la reponse impulsionnelle est simplifie lorsque le signal dentree nest


pas quelconque mais un saut unite:
u(k) = 1

k = 0, 1, 2, . . .

(2.5)

Lequation (2.4) permet alors decrire:


g(k) = y(k)

k1
X

g(j)

(2.6)

j=0

En considerant toujours lentree comme une saut unite, lequation (2.1) ecrite
pour linstant (k 1) donne:
y(k 1) =

k1
X

g(j)

k = 0, 1, 2, . . .

(2.7)

j=0

En combinant les equations (2.6) et (2.7), on obtient:


g(k) = y(k) y(k 1)

(2.8)

On remarque donc que la reponse impulsionnelle g(k) est la difference des reponses indicielles `a deux instants dechantillonnage successifs.
Si lapproche par deconvolution numerique est simple, elle souffre cependant
dun inconvenient majeur: les bruits de mesure ne seront pas filtres et pourront
fausser lidentification de g(k). On dit quil nexiste pas de redondance dans les
donnees. Dans lequation (2.2) par exemple, il y a N equations pour les N inconnues
g(0), g(1), ...g(N 1).

Cependant, comme la reponse impulsionnelle tend rapidement vers zero (pour


les syst`emes stables et sans integrateur), le nombre de termes peut etre limite sans
trop derreur. En considerant K termes, K N, lequation (2.3) devient:
y
=
UK
gK
(N 1)
(N K) (K 1)

(2.9)

2.3 METHODE
DE CORRELATION

51

Si rang(UK ) = K, lequation (2.9) peut etre resolue dans le sens des moindres
carres pour donner K valeurs discr`etes de la reponse impulsionnelle:
gK = UK+ y
(K N)

(2.10)

o`
u UK+ = (UKT UK )1 UKT represente la matrice pseudo-inverse de UK (cf. annexe B).
Lapproche par deconvolution numerique est-elle applicable aux syst`emes lsc,
cest-`a-dire pas necessairement au repos au temps initial?

METHODE
DE CORRELATION

2.3
2.3.1

Principe

La methode de correlation permet de reconstruire la reponse impulsionnelle g(k)


`a partir des signaux dentree et de sortie du syst`eme (fig. 2.4). Il sagit donc dune
autre facon de resoudre le probl`eme de deconvolution presente au 2.2.2.
u(k)

y(k)

g(k)

Fig. 2.4 Syst`eme dynamique represente par sa reponse impulsionnelle.


La methode de correlation se base sur lapplication du produit de convolution
suivant:

k
X
X
y(k) =
g(k j)u(j) =
g(j)u(k j)
(2.11)
j=

j=0

et est donc applicable aux syst`emes lsc. Pour des conditions initiales nulles, on
obtient:
k
k
X
X
g(k j)u(j) =
g(j)u(k j)
(2.12)
y(k) =
j=0

ou, dans le domaine de Z:

j=0

Y (z) = G(z)U(z)

(2.13)

Une comparaison des equations (2.11) et (2.12) indique que, en pratique, on


preferera travailler avec un syst`eme lscr, cest-`a-dire initialement au repos, car le domaine de sommation sera fini, ce qui est un avantage considerable pour une approche
numerique.
La figure 2.5 illustre le principe de la methode de correlation pour identifier la
reponse impulsionnelle dun syst`eme dynamique. Le schema tient compte de la perturbation d(k), par exemple une derive ou un bruit de mesure, qui agit directement

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

52

d(k)
bruit
blanc

u(k)

g(k)

y(k)

g(k)

Fig. 2.5 Schema de principe de la methode de correlation.


sur la sortie. Pour un syst`eme lsc, la sortie secrit donc:
y(k) =

X
j=0

g(j)u(k j) + d(k)

(2.14)

Comme on le verra par la suite, la methode de correlation poss`ede deux avantages


importants par rapport `a lapproche par deconvolution numerique du 2.2.2:
elle est tr`es peu sensible aux bruits de mesure ou autres perturbations agissant
sur la sortie,
elle est simple `a mettre en uvre pour le cas particulier o`
u lentree correspond
`a un bruit blanc.

2.3.2

Fonctions de corr
elation pour les signaux d
eterministes

Pour definir les fonctions de correlation, il convient de distinguer les signaux `a


energie finie des signaux `a puissance moyenne finie. La plupart des signaux transitoires sont `a
energie finie, par exemple pour le signal u(k):
0

k=

u2 (k) <

(2.15)

Par contre, la plupart des signaux periodiques ou aleatoires permanents sont `a


puissance moyenne finie:
N
X
1
u2 (k) <
0 lim
N 2N + 1
k=N

(2.16)

Les fonctions de correlation de deux signaux sont une mesure de leur similitude
de forme et de position en fonction du param`etre de translation relative h. Lautocorrelation Ruu (h) decrit linterdependance de u(k) et u(k + h), lintercorrelation
Ruy (h) celle de u(k) et y(k + h).

2.3 METHODE
DE CORRELATION
2.3.2.1

53

Signaux `
a
energie finie

Pour les signaux reels `a energie finie, les fonctions de correlation sont definies
comme suit:
Autocorrelation
Ruu (h)

u(k h)u(k)

(2.17)

k=

u(k h)y(k)

(2.18)

k=

y(k h)u(k)

(2.19)

u(k)u(k + h) =

k=

k=

Intercorrelation
Ruy (h)
Ryu (h)

u(k)y(k + h) =

y(k)u(k + h) =

k=

k=

Pour un nombre fini de donnees `a partir de u(k) et y(k), k = 0, 1, . . . , 2(N 1) on


evalue approximativement les fonctions de correlations pour N valeurs du param`etre
de translation h. On obtient ainsi:
Ruu (h) =

N
1
X

u(k)u(k + h)

h = 0, 1, . . . , N 1

(2.20)

u(k)y(k + h)

h = 0, 1, . . . , N 1

(2.21)

k=0

Ruy (h) =

N
1
X
k=0

2.3.2.2

Signaux `
a puissance moyenne finie

Pour les signaux reels dont lun, au moins, est `a puissance moyenne finie, il
convient dutiliser les definitions suivantes:
Autocorrelation
N
N
X
X
1
1
u(k)u(k + h) = lim
u(k h)u(k) (2.22)
N 2N + 1
N 2N + 1
k=N
k=N

Ruu (h) lim

Intercorrelation
N
N
X
X
1
1
u(k)y(k + h) = lim
u(k h)y(k) (2.23)
N 2N + 1
N 2N + 1
k=N
k=N

Ruy (h) lim

N
N
X
X
1
1
Ryu (h) lim
y(k)u(k + h) = lim
y(k h)u(k) (2.24)
N 2N + 1
N 2N + 1
k=N
k=N

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

54

Pour un nombre fini de donnees 2N 1 on peut evaluer approximativement les


fonctions de correlation:
N 1
1 X
u(k)u(k + h)
Ruu (h) =
N k=0

h = 0, 1, . . . , N 1

(2.25)

N 1
1 X
Ruy (h) =
u(k)y(k + h)
N k=0

h = 0, 1, . . . , N 1

(2.26)

Si u(k) et y(k) sont periodiques avec la periode N, cest-`a-dire u(k + N) = u(k)


et y(k +N) = y(k), les relations ci-dessus presentent les valeurs exactes des fonctions
dautocorrelation et dintercorrelation qui sont egalement periodiques avec la meme
periode.
2.3.2.3

Propri
et
es

On demontre les proprietes suivantes en utilisant les definitions des fonctions de


correlation:
1. La fonction dautocorrelation dun signal reel est une fonction paire:
Ruu (h) = Ruu (h)

(2.27)

2. En considerant la position relative des signaux u et y, une translation h de u


est equivalente `a une translation (h) de y, do`
u la relation:
Ryu (h) = Ruy (h)

(2.28)

|Ruu (h)| Ruu (0)

(2.29)

3. Dautre part, pour tout h:

|Ruy (h)|

1
Ruu (0)Ryy (0) [Ruu (0) + Ryy (0)]
2

(2.30)

Remarque: La definition de lintercorrelation de deux signaux proposee ci-dessus


est propre au domaine du traitement du signal. Dans dautres domaines, comme
celui de lautomatique, on trouve parfois une autre definition. Par exemple, pour
lintercorrelation de u(k) et de y(k), on voit souvent:
Ruy (h)

k=

u(k)y(k h) =

u(k + h)y(k)dt

k=

On a donc la relation suivante entre les deux definitions:




= Ruy (h)
Ruy (h)
ici
(2.18)





ailleurs
(2.31)

(2.31)

2.3 METHODE
DE CORRELATION

55

y(k)

1er jour
k

2me jour
k

3me jour
k

Fig. 2.6 Enregistrement sur trois jours dune variable regulee.


et en considerent la propriete (2.28) donnee ci-dessus:




Ruy (h)
= Ryu (h)
ici
ailleurs
(2.18)
(2.31)

2.3.3

Fonctions de corr
elation pour les signaux al
eatoires

Les fonctions de correlation peuvent etre definies pour les signaux aleatoires. Un
signal aleatoire ou stochastique est un signal qui ne peut pas etre decrit de facon
deterministe car non reproductible. On peut tout au plus associer une probabilite
pour une valeur ou un groupe de valeurs du signal.
A titre dexemple, considerons la sortie dun processus regule autour dune valeur
de consigne sur un horizon de plusieurs heures et pendant plusieurs jours (fig. 2.6).
Levolution de la sortie peut etre decrite par une fonction deterministe y(k), mais
cette fonction sera differente de jour en jour. A une heure donnee, on mesurera
chaque jour une autre valeur de la sortie. Pour lensemble des valeurs mesurees tous
les jours `a la meme heure, on peut definir une statistique caracterisee par une valeur
moyenne et un ecart-type.
Sur un plan formel, levolution de la sortie represente un processus stochastique (ou aleatoire) que lon peut decrire comme une fonction de deux arguments
y(k, ) o`
u k represente le temps discret et la variable stochastique qui appartient `a
un espace de probabilite. Pour une valeur = 0 , la fonction y(k, 0) est une fonction
du temps appele r
ealisation (dans notre exemple, levolution de la sortie pour un

56

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

jour particulier). Pour une valeur fixe k = k0 , la fonction y(k0, ) est une variable
al
eatoire (dans notre exemple, la valeur de la sortie `a une heure fixe). Largument
est souvent omis et donc le processus stochastique secrit simplement y(k).
Si les statistiques sur une realisation sont representatives du processus stochastique, celui-ci est dit ergodique. De plus, si le processus stochastique est gaussien,
la connaissance de la valeur moyenne et de lecart-type suffisent `a preciser la probabilite dapparition dune valeur.
La valeur moyenne et la fonction dautocorrelation du signal aleatoire x(k) sont
definies par (en assumant que x(k) est ergodique):
N 1
1 X
E{x(k)} = lim
x(k)
N N
k=0

(2.32)

N 1
1 X
x(k)x(k + h)
Rxx (h) = E{x(k)x(k + h)} = lim
N N
k=0

(2.33)

Pour un nombre fini mais suffisamment grand de donnees N, la valeur moyenne et


la fonction dautocorrelation peuvent etre estimees comme suit:
E{x(k)}
=
Rxx (h)
=

N 1
1 X
x(k)
N

1
N

k=0
NX
h1

(2.34)

x(k)x(k + h)

(2.35)

k=0

Lestimation de la fonction dautocorrelation dans ce cas est dite biaisee, car la


sommation se fait sur N h termes mais la division sur N. Une estimation non
biaisee peut etre obtenue par:
Rxx (h)
=

NX
h1
1
x(k)x(k + h)
N h k=0

(2.36)

Cette estimation est non biaisee mais a une tr`es grande variance si N h est petit,
car dans ce cas, lestimation de la fonction dautocorrelation est basee sur un petit
nombre de donnees.
Pour les variables aleatoires x(k) et y(k), la fonction dintercorrelation est definie
comme suit:
Rxy (h) = E{x(k)y(k + h)}.
(2.37)
Si x(k) et y(k) sont independants, on a:
Rxy (h) = E{x(k)}E{y(k + h)}.

(2.38)

et si x(k) et y(k) sont independants et de valeur moyenne nulle, on aura:


Rxy (h) = E{x(k)y(k + h)} = 0

(2.39)

2.3 METHODE
DE CORRELATION

57

Une estimation biaisee de la fonction dintercorrelation pour les signaux ergodiques


x(k) et y(k) est donnee par:
N h1
1 X

x(k)y(k + h),
Rxy (h) = E{x(k)y(k + h)} =
N k=0

(2.40)

et une estimation non biaisee par:


Rxy (h) = E{x(k)y(k + h)}
=
2.3.3.1

NX
h1
1
x(k)y(k + h),
N h k=0

(2.41)

Bruit blanc discret

La plupart des perturbations aleatoires peuvent etre decrites comme un bruit


blanc discret applique `a un filtre. Le bruit blanc discret est un signal aleatoire
qui poss`ede une energie uniformement repartie entre toutes les pulsations comprises
entre 0 et . Un bruit blanc discret ainsi que son autocorrelation et sa densite
spectrale sont illustres `a la figure 2.7.
e(k)

ee()

Ree(h)
2e

-3

-2

-1

2e

= T

Fig. 2.7 Bruit blanc discret e(k) avec son autocorrelation Ree (h) et sa densite
spectrale ee ().
Nous considererons par la suite comme signal generateur le bruit blanc de valeur
moyenne nulle e(k) avec les proprietes suivantes:
E{e(k)} = 0
Ree (h) = E{e(k)e(k + h)} =

(2.42)

e2 pour h = 0
0
sinon

(2.43)

Ces proprietes ne definissent pas enti`erement le signal car e(k) peut suivre differentes
distributions (uniforme, normale ou gaussienne, etc.) Dans la pratique, on utilisera

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

58

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0.2
500

400

300

200

100

100

200

(a)

300

400

500

0.2
500

400

300

200

100

100

200

300

400

500

(b)

Fig. 2.8 Lestimation biaisee (a) et non biaisee (b) de la fonction dautocorrelation
dune realisation du bruit blanc discret avec 500 donnees.

le plus souvent la distribution gaussienne N (0, e2). Pour un nombre fini de donnees,
seule une estimation de la fonction dautocorrelation peut etre obtenue. La figure
2.8 illustre lestimation biaisee et non biaisee de la fonction dautocorrelation dune
realisation du bruit blanc discret avec 500 donnees.
Notons que le bruit blanc discret poss`ede une realisation physique car il sagit
dun signal `a energie finie (la bande de frequences est finie). Par contre, le bruit blanc
continu dont lautocorrelation vaut Ruu ( ) = C( ) est un signal hypothetique et
ne correspond pas `a une realite physique car lenergie ne peut pas etre infinie (dans
une bande de frequences infinie).
Avec un bruit blanc discret, toutes les frequences sont degale importance (tout
comme dans la lumi`ere blanche). Les filtres qui constitueront les mod`eles de perturbation aleatoires modifieront le spectre frequentiel pour obtenir une repartition
correspondant `a la repartition frequentielle de lenergie des perturbations rencontrees
(tout comme la lumi`ere coloree!).

2.3.3.2

Bruit color
e discret

Un bruit colore est un bruit qui nest pas blanc ! Cest-`a-dire que sa fonction
dautocorrelation nest pas nulle pour tout h 6= 0. Un bruit blanc filtre est un bruit
colore. Considerons un processus MA (moving average ou moyenne ajustee) o`
u le
bruit est modelise comme:

n(k) = (1 + c1 q 1 + . . . + cnc q nc )e(k) = C(q 1 )e(k)

(2.44)

2.3 METHODE
DE CORRELATION

59

Rnn(h)
2

(1+c1) e

-3

-2

-1

c1 2e

Fig. 2.9 Fonction dautocorrelation pour un processus MA du premier ordre.


cest-`a-dire un bruit blanc discret de moyenne nulle filtre par le polynome C(q 1 ).
A titre dexemple pour nc = 1 la moyenne et variance de n(k) peuvent secrire:
E{n(k)} =
=
E{n(k)n(k)} =
=

E{(1 + c1 q 1 )e(k)} = E{e(k) + c1 e(k 1)}


E{e(k)} + c1 E{e(k 1)} = 0
E{[e(k) + c1 e(k 1)]2 }
E{e2 (k)} + c21 E{e2 (k 1)} + 2c1 E{e(k)e(k 1)}

Le troisi`eme terme est nul du fait de la non-correlation du bruit blanc, ainsi:


Rnn (0) = E{n(k)n(k)} = (1 + c21 )e2

(2.45)

Pour calculer Rnn (h) pour h 6= 0 on proc`ede comme suit. Pour h = 1:


n(k 1) = e(k 1) + c1 e(k 2)

(2.46)

Rnn (1) = E{n(k)n(k 1)} = E{[e(k) + c1 e(k 1)][e(k 1) + c1 e(k 2)]}


= E{e(k)e(k 1)} + c1 E{e(k)e(k 2)} + c1 E{e(k 1)e(k 1)}
+ c21 E{e(k 1)e(k 2)} = c1 e2 (2.47)
car le premier, le deuxi`eme et la quatri`eme terme sont nuls. On verifie que pour
|h| > 1, Rnn (h) = 0, ce qui permet dobtenir le graphe dautocorrelation de la figure
2.9.

2.3.4

Relation entre Ruu (h), Ruy (h) et g(h)

Pour un syst`eme discret lsc on peut ecrire:


y(k) =

X
j=0

g(j)u(k j) + d(k)

(2.48)

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

60

Supposons que lentree u(k) est un signal aleatoire et independante de la perturbation d(k). En multipliant les deux cotes de lequation ci-dessus par u(k + h) et en
prenant lesperance mathematique, on obtient:
E{y(k)u(k + h)} =

X
j=0

g(j)E{u(k j)u(k + h)} + E{d(k)u(k + h)}

(2.49)

On remplace les esperances mathematiques avec les fonctions de correlation correspondantes, ce qui permet decrire:
Ryu (h) =

g(j)Ruu (j + h) + Rdu (h)

(2.50)

j=0

Si au moins lun des signaux d(k) et u(k) est de valeur moyenne nulle, on a:
Rdu (h) = 0

(2.51)

et on peut ecrire `a partir de lequation (2.28):


Ruy (h) = Ryu (h) =

X
j=0

g(j)Ruu (j h) = g(h) Ruu (h)

(2.52)

Il faut mentionner quon peut toujours enlever la composante continue du signal


dentree pour respecter la condition sur la valeur moyenne nulle de ce signal. Donc,
lintercorrelation des signaux dentree et de sortie est egale au produit de convolution
de lautocorrelation du signal dentree avec la reponse impulsionnelle du syst`eme.
Remarquons que les signaux dentree et de sortie sont lies entre eux par la relation
(2.14), cest-`a-dire:
y(k) = g(k) u(k) + d(k)
(2.53)
Lutilisation des fonctions de correlation permet donc deliminer leffet du bruit
dans le produit de convolution. Cela sera tr`es utile pour calculer g(k) par deconvolution numerique.
Dans le domaine frequentiel, lequation (2.52) donne:
uy (T ) = G(ejT )uu (T )

(2.54)

o`
u uy (T ) et uu (T ) sont les transformees de Fourier discrets des signaux temporels Ruy (h) et Ruu (h) (T est la periode dechantillonage).

2.3.5

Calcul de la r
eponse impulsionnelle

Suivant le type du signal dentree, on distingue les deux cas suivants:

2.3 METHODE
DE CORRELATION
2.3.5.1

61

u(k) est un bruit blanc

A partir de lautocorrelation de lentree Ruu (h) = Ruu (0)(h), on obtient:


Ruy (h) = Ruu (0)(h) g(h) = Ruu (0)g(h)

(2.55)

car limpulsion unite represente lelement neutre du produit de convolution, cest-`adire g(h) (h) = g(h). Il sensuit:
g(h) =

Ruy (h)
Ruu (0)

(2.56)

Ainsi, si un syst`eme lsc est excite par un bruit blanc dautocorrelation Ruu (0)(h),
et que la perturbation est independante de lexcitation, la reponse impulsionnelle
g(h) est obtenue directement `a partir de lintercorrelation Ruy (h).
2.3.5.2

u(k) est quelconque

La relation de convolution
Ruy (h) = Ruu (h) g(h)

(2.57)

reste valable et, par rapport au produit de convolution y(k) = u(k) g(k), le couple
[u(k), y(k)] a ete remplace par le couple equivalent [Ruu (h), Ruy (h)]. Pour les signaux
dentree de nature aleatoire ou pseudo-aleatoire (souvent utilises pour lidentification
de syst`emes dynamiques), la longueur des enregistrements pour le couple equivalent
est beaucoup plus petite que celle des signaux dentree et de sortie. De plus, leffet
dun bruit non correle avec lentree peut etre elimine en utilisant les fonctions de
correlation, ce qui nest bien s
ur pas le cas avec les signaux originaux. Cependant,
le probl`eme de deconvolution, cest-`a-dire celui du calcul de g(h) `a partir de Ruu (h)
et Ruy (h), demeure. On peut le resoudre de plusieurs facons.
a) Deconvolution numerique
En considerant (2.57), on a:
Ruy (h) =

X
j=0

Ruu (h j)g(j)

h = 0, 1, 2, . . .

(2.58)

qui represente un syst`eme dequations algebriques de dimension infinie avec


les inconnues g(0), g(1), . . . , g(). Remarquons que, `a la difference de lequation (2.1), la sommation de lequation (2.58) contient une infinite de termes.
Cependant, comme la reponse impulsionnelle pour les syst`emes stables et sans
integrateur tend rapidement vers zero, le nombre de termes peut etre limite
sans trop derreur. Considerons `a titre dapproximation, une reponse impulsionnelle finie contenant K termes:
Ruy (h) =

K1
X
j=0

Ruu (h j)g(j)

h = 0, 1, 2, . . .

(2.59)

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

62

d(k)
+

u(k)

g(k)

bruit
blanc

y(k)

e(k)
)
g(k

Fig. 2.10 Methode de correlation avec ajout du signal dexcitation blanc e(k).
cest-`a-dire avec g(j) = 0 pour j K.
En ecrivant lequation (2.59) pour les valeurs h = 0, 1, ...N 1 avec N K,
et en considerant que Ruu (h) = Ruu (h), on obtient:

Ruy (0)
Ruy (1)
..
.
Ruy (N 1)

Ruu (0)
Ruu (1)
..
.

Ruu (1)
Ruu (0)
..
.

Ruu (K 1)
Ruu (K 2)
..
.

Ruu (N 1) Ruu (N 2) Ruu (N K)

g(0)
g(1)
..
.

g(K 1)
(2.60)

ou sous forme matricielle:


r
=
RK
gK
(N 1)
(N K) (K 1)

(2.61)

Lequation (2.61) est structurellement similaire `a lequation (2.9). Si


rang(RK ) = K, elle peut etre resolue dans le sens des moindres carres pour
produire K valeurs discr`etes de la reponse impulsionnelle:
+
gK = RK
r
(K N)

(2.62)

+
T
T
o`
u RK
= (RK
RK )1 RK
represente la matrice pseudo-inverse de RK (cf. annexe
B).
b) Ajout dun signal dexcitation blanc
Si le signal dentree u(k) nest pas blanc, il est possible de lui superposer un
signal dexcitation blanc, e(k). Le schema de principe de la figure 2.5 devient
alors celui indique `a la figure 2.10.
Comme le syst`eme g(k) est lsc, la sortie y(k) peut secrire:

y(k) =

X
j=0

g(j)u(k j) +

X
j=0

g(j)e(k j) + d(k)

(2.63)

De mani`ere similaire `a lequation (2.50), on a:


Rye (h) =

X
j=0

Rue (h + j)g(j) +

X
j=0

Ree (h + j)g(j) + Rde (h)

(2.64)

2.3 METHODE
DE CORRELATION

63

u(k)
+a

kT

T
-a

15T

Fig. 2.11 Signal binaire pseudo-aleatoire de periode = 15T .


Si le signal e(k) est de valeur moyenne nulle et est non correle avec u(k) et
d(k), on obtient apr`es simplification:
Rey (h) = Ree (h) g(h)

(2.65)

et pour Ree (h) = Ree (0)(h):


g(h) =

2.3.6

Excitation pseudo-al
eatoire

2.3.6.1

Propri
et
es

Rey (h)
Ree (0)

(2.66)

La section precedente a montre linteret dexciter le syst`eme par un bruit blanc


afin dobtenir directement la reponse impulsionnelle `a partir du calcul de Ruy (h).
Bien quomnipresent, le bruit blanc est difficile `a capter et `a injecter dans un syst`eme
en conservant son spectre.
Les signaux pseudo-aleatoires, generes pour approcher un bruit blanc, sont des
signaux periodiques et parfaitement determinees (deterministes) mais qui, pour un
observateur non averti, pourraient sembler evoluer sous leffet du hasard.
Considerons `a titre dexemple un signal binaire pseudo-aleatoire (SBPA) de periode = 15T , o`
u T est la periode dechantillonnage (2.11).
La figure 2.12 illustre la fonction dautocorrelation de ce signal pseudo-aleatoire,
laquelle presente egalement une periodicite de = 15T . Dans cet exemple, =
(2n 1)T o`
u n = 4 represente la longueur du registre `a decalage decrit au paragraphe
suivant.
Lorsque lon utilise une excitation pseudo-aleatoire pour identifier un syst`eme
dynamique, il est necessaire de verifier certaines conditions dexperimentation afin
dobtenir une estimation fiable de la reponse impulsionnelle:

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

64

R uu (h)
a2
2
- an
2 -1

hT
0
T

= 2n-1 T

Fig. 2.12 Fonction dautocorrelation du SBPA de la figure 2.11


Tab. 2.1 Les elements `a additionner pour les differentes longueurs du registre `a
decalage n
Longueur du registre n
3
4
5
6
7
8
9
Les elements `a additionner 23 14 25 16 17 1278 49
Il faut prevoir une periode superieure au temps dextinction des transitoires
de la reponse impulsionnelle g(h). En effet, la convolution de Ruu (h) avec
g(h) (cf. equation 2.57) produit des repliques de g(h) avec une periodicite
(fig.2.12). Ce phenom`ene, analogue `a celui du recouvrement de spectre dans le
domaine frequentiel, cause des distorsions si est inferieur au temps dextinction de la reponse impulsionnelle.
Il faut choisir T suffisamment petit et n suffisamment grand pour que Ruu (h)
puisse etre assimile `a une impulsion de courte duree.
Il faut effectuer le calcul sur un nombre entier de periodes , cest-`a-dire t2
t1 = p, p entier, o`
u t1 et t2 representent respectivement le debut et la fin
de lexperimentation. On minimisera ainsi les erreurs dues au fait que lon
consid`ere des signaux de duree limitee (cf. lextension periodique dun signal
en rapport avec la transformation de Fourier discr`ete, annexe A.6).
Remarque : Si u(k) est periodique, y(k) lest aussi. Pourquoi?
La periodicite attendue de y(k) peut etre examinee lors de la visualisation des
mesures. Les grandes perturbations accidentelles sont ainsi facilement detectees.
2.3.6.2

G
en
eration de signaux binaires pseudo-al
eatoires

Nous proposons deux methodes simples pour generer un SBPA.


La realisation experimentale dun SBPA se base sur lutilisation dun registre
`a decalage de longueur n dont le contenu est decale vers la droite `a chaque
coup dhorloge. Le nouvel element qui sera insere `a gauche est obtenu par une
addition modulo 2 de deux (ou plus) elements distincts du registre, comme
illustre `a la figure 2.13. Le tableau 2.1 presente les elements `a additionner
pour les differentes longueurs du registre `a decalage n.
La seule condition `a respecter est de ne pas commencer avec un mot nul dans

2.4 METHODES
FREQUENTIELLES

65

..........................................................................................
m
1 2 3
n
0 1 1 0
0 1
1 1 1

conversion
1 +a
0 -a

addition
modulo 2:
0+0=0
0+1=1
1+0=1
1+1=0

Fig. 2.13 Generation de SBPA `a laide dun registre `a decalage.


Tab. 2.2 u(k) obtenu `a partir du signe de plusieurs realisations de la variable
aleatoire x.
k

10

...

x(k) -0.31 -0.89 0.54 -0.19 0.13 0.73 0.05 -0.61 -0.23 0.43 -0.13 ...
u(k)

-a

-a

-a

-a

-a

-a

...

le registre, auquel cas la procedure ne generera que des zeros.


La forme du signal est determinee par le mot initial dans le registre. Le signal
genere est periodique car le registre ne peut prendre quun maximum de 2n 1
etats distincts et differents de zero. Apr`es un certain temps, le circuit retrouvera donc necessairement son etat initial `a partir duquel il repetera la meme
sequence.
Il est egalement possible de choisir la valeur du signal binaire (a) sur la base
du signe dune variable aleatoire obtenue `a partir dune distribution symetrique
de moyenne nulle. Le tableau 2.2 presente les valeurs du signal u(k) obtenu
`a partir du signe des realisations x(k) de la variable aleatoire x distribuee
uniformement dans lintervalle [1, 1].
Comparer `a laide de Matlab les spectres de puissance du SBPA genere `a laide
dun registre `a decalage et obtenu `a partir de la realisation dune variable
aleatoire.

2.4

METHODES
FREQUENTIELLES

La representation dans le diagramme de Bode (ou de Nyquist) dun syst`eme


dynamique constitue un mod`ele non parametrique de nature frequentielle.
Il existe plusieurs approches de modelisation frequentielle selon le type de signal
injecte dans le syst`eme et la facon de traiter les mesures: analyse harmonique, analyse
par transformation de Fourier, analyse spectrale. Les avantages et inconvenients de
ces approches sont explicites dans les paragraphes suivants.

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

66

2.4.1

Analyse harmonique

La representation dun syst`eme dynamique dans le diagramme de Bode sobtient


en reportant le rapport des amplitudes des signaux sinusodaux dentree et de sortie
et leur dephasage en fonction de la pulsation en regime permanent. Pour les syst`emes dynamiques continus, la substitution s = j donne G(j) comme illustre `a la
figure 2.14. Pour les syst`emes discrets, la substitution z = ejT donne G(ejT ). On
Asin( t)

A'sin(t+)

G(j)

Fig. 2.14 Syst`eme dynamique en regime permanent.


utilisera souvent G(j) pour les developpements theoriques (syst`emes continus) et
G(ejT ) pour les implantations pratiques (syst`emes discrets) car les signaux disponibles dans lordinateur sont de nature numerique. Le contexte indiquera sil sagit
de la reponse harmonique du syst`eme continu ou discret. Le rapport des amplitudes
et le dephasage sexpriment comme suit:
A
RA () =
= |G(j)|
A

rapport damplitude

(2.67)

dephasage

(2.68)

() = arg[G(j)]

Il est souvent difficile dobtenir G(j) theoriquement. Une alternative consiste `a


effectuer des releves experimentaux.
La procedure, illustree `a la figure 2.15, est la suivante:

exciter le syst`eme `a laide dune entree sinusodale de pulsation ,


attendre letablissement du regime permanent,
mesurer RA () et (),
repeter les etapes precedentes pour plusieurs pulsations et representer les mesures experimentales dans le diagramme de Bode.

Le resultat aura lallure indiquee `a la figure 2.16.


Les recommandations suivantes sont utiles :
Asin(t)

A'sin(t+)

Processus

-5 0

5 10 15 20

R A()
()

Fig. 2.15 Procedure permettant de calculer RA () et ().

2.4 METHODES
FREQUENTIELLES

67

RA
[-]

[rad/s]

[ ]
0
-90
-180

[rad/s]

Fig. 2.16 Diagramme de Bode experimental.

la plage des frequences doit, en general, couvrir au minimum 2 `a 3 decades,


avec une dizaine de points de mesure par decade,
lamplitude du signal dentree depend de la precision avec laquelle on peut
mesurer le signal de sortie (ceci afin dobtenir un rapport signal-sur-bruit eleve)
et de la non-linearite du syst`eme.
Cette methode presente les avantages suivants :
lapproche est simple et intuitive,
lexperimentateur na besoin que de peu de connaissances prealables du syst`eme (plage des frequences, amplitude du signal dentree).
Les inconvenients sont principalement lies au fait que la methode necessite une
experimentation longue, car :
il faut etudier de nombreuses frequences,
il est necessaire dattendre le regime permanent avant chaque mesure, cest-`adire dattendre 4 `a 5 , o`
u represente la constante de temps dominante du
syst`eme,
il faut des signaux dexcitation avec une grande periode afin de bien identifier
le syst`eme `a basses frequences,
le niveau de bruit peut necessiter une repetition des experiences ou une observation des signaux sur un grand nombre de periodes.
Il sensuit que lanalyse harmonique est une methode mal adaptee aux syst`emes
possedant des constantes de temps de lordre de la minute ou plus.

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

68

u(t)

y(t)

G(j)

Fig. 2.17 Syst`eme dynamique excite par un signal dentree binaire pseudoaleatoire.

2.4.2

Analyse par transformation de Fourier

2.4.2.1

Principe

Lidee de cette approche est dexciter le processus avec un signal contenant simultanement de nombreuses frequences et deffectuer une analyse du contenu frequentiel
des signaux dentree et de sortie (fig. 2.17). Une telle analyse peut etre realisee `a
laide de la transformation de Fourier, le rapport des signaux transformes de sortie
et dentree donnant la transformee de Fourier de la reponse impulsionnelle.
A partir de la transformee de Fourier des signaux dentree et de sortie (cf. annexe
A):
U() =
Y () =

u(t)ejt dt

(2.69)

y(t)ejt dt

(2.70)

il est possible devaluer la reponse harmonique du syst`eme:


G(j) =

Y ()
U()

(2.71)

Remarques :
La transformee de Fourier nest, en principe, definie que pour des fonctions
temporelles f (t) sommables en valeur absolue sur (, ), cest-`a-dire seulement si
Z
|f (t)|dt <
(2.72)

Cependant, si cette condition est suffisante, elle nest pas necessaire. On demontre que tous les signaux physiquement realisables poss`edent une transformee de Fourier.
Il existe trois considerations importantes relatives au calcul de la reponse harmonique par transformation de Fourier des signaux dentree et de sortie:
1. Comme il nest pas possible dintegrer dans lintervalle (, ), il faut
necessairement integrer entre des bornes temporelles finies, ce qui introduit des erreurs de troncature.

2.4 METHODES
FREQUENTIELLES

69

2. Comme on utilise un microprocesseur pour traiter les signaux et effectuer les integrations, il faut tenir compte des questions liees `a
l
echantillonnage des signaux. On evaluera alors G(ejT ) plutot que
G(j).
3. Un probl`eme majeur est celui de la sensibilite de la fonction de transfert
estimee aux erreurs de mesure ou aux perturbations.
Ces trois considerations sont abordees ci-dessous.
2.4.2.2

Erreurs de troncature

Soit le signal x(t) = cos(0 t), avec t (, ). Sa transformee de Fourier est


donnee par (cf. tableau A.1, annexe A):
X() = [( + 0 ) + ( 0 )]

(2.73)

La reduction de lintervalle dintegration, par exemple entre et , revient `a


considerer le signal
z(t) = x(t)f (t)
(2.74)
o`
u f (t) represente le signal rectangulaire de la figure 2.18.
Remarque : Linstant t = 0 est choisi comme le milieu de lintervalle temporel
disponible afin de simplifier lexpression de la transformee de Fourier de la fenetre.
Si lon desire travailler avec un intervalle temporel strictement positif, on peut alors
utiliser la propriete liee au decalage temporel (cf. tableau A.2, annexe A).
Comme la transformee de Fourier dun produit de fonctions temporelles est egale
au produit de convolution des transformees de Fourier de ces fonctions (cf. tableau
A.2, annexe A), on obtient pour Z() qui represente lapproximation de X() due
`a la restriction du domaine dintegration:
Z

jt

x(t)ejt dt
(2.75)

Z
1
1
= F {x(t)f (t)} =
X()F ( )d (2.76)
X() F () =
2
2

Z() = F {z(t)}

z(t)e

dt =

La transformee de Fourier du signal rectangulaire


f (t) = rect(

t
)
2

(2.77)

est (cf. annexe A):


F () =

2
sin() = 2 sinc()

(2.78)

Les transformees de Fourier de ces signaux sont donnees `a la figure 2.19. Si la


fenetre sagrandit indefiniment, on obtient:

70

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

...

...

0
z

Fig. 2.18 Relation entre les signaux temporels x(t), f (t) et z(t) = x(t)f (t).
X( )
7
6.5
5.56
4.55
3.54
3
2.52
1.51
0.5
0
-0.5
-1
-1.5

F()
2

0 2

Z()

1.51
0.50
-0.5
-1
-1.5

- 0

Fig. 2.19 Transformees de Fourier des signaux x(t), f (t) et z(t).

2.4 METHODES
FREQUENTIELLES

71

f(t)
F()

-2 0 2

Fig. 2.20 Fenetre temporelle de Hann et transformee de Fourier correspondante.


2
sin() = 2()

lim F () = lim

(2.79)

et lequation (2.76) donne:


Z() = X()

(2.80)

car limpulsion de Dirac represente lelement neutre du produit de convolution. La


fenetre ideale poss`ede donc la transformee de Fourier donnee par lequation (2.79).
La fenetre rectangulaire dont la transformee de Fourier est donnee `a la figure 2.19
est assez eloignee de ce cas ideal: la largeur du lobe principal entrane une perte de
resolution de Z() due `a un effet de lissage local propre au produit de convolution
(2.76). Les lobes secondaires, non negligeables, contiennent de linformation qui sera
injectee `a des frequences plus distantes (on parle alors de leakage ou fuite); de plus,
les valeurs negatives produisent des oscillations de Z(). Il est possible, en modifiant
la forme de la fenetre, de reduire fortement ces oscillations (ceci au detriment de la
resolution). Cest le cas par exemple de la fenetre de Hann (fig. 2.20):


pour t [, ]
0.5 1 + cos t

(2.81)
f (t) =
0
sinon
Le tableau (2.3) presente les transformees de Fourier de 4 fenetres temporelles
de largeur 2. On remarque que les fenetres triangulaire, de Hann et de Hamming
ont toutes un lobe principal de largeur double de celle de la fenetre rectangulaire, ce
qui resulte en une perte de resolution. Cependant, ces trois fenetres poss`edent des
lobes secondaires nettement plus petits, ce qui reduit fortement les distorsions liees
aux probl`emes de leakage ou fuite. Si la fenetre de Hamming poss`ede le plus petit
premier lobe secondaire, la hauteur des lobes secondaires decroit le plus rapidement
avec la fenetre de Hann.
2.4.2.3

Echantillonnage des signaux

Considerons le signal analogique x(t) et sa version echantillonnee xe (t) exprimee


en fonction de la variable continue t:
xe (t)

n=

x(nT )(t nT )

(2.82)

72

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

Tab. 2.3 Fenetres temporelles de largeur 2 et transformees de Fourier correspondantes (LLP: largeur du lobe principal; HLS: hauteur relative du premier lobe
secondaire).
Fenetre
Definition sur [, ]
Transformee de Fourier
LLP HLS
Rectangulaire
Triangulaire
Hann

Hamming

1
1

F () = 2 sinc()
|t|

0.5[1 + cos

sinc2
t

0.54 + 0.46 cos

F () + 41 F +
2

1

+4F

0.54F () + 0.23F  +
+0.23F

21.7%

4.7%

2.7%

0.7%

donnes `a la figure 2.21, o`


u T represente la periode dechantillonnage, cest-`a-dire s =
2/T . Les valeurs temporelles discr`etes sont denotees ici par n car k est reserve, par
convention en traitement du signal, pour indexer les valeurs frequentielles discr`etes.
La transformee de Fourier du signal echantillonnee, Xe (), est liee `a la transformee de Fourier du signal analogique, X(), par la relation suivante (cf. annexe
A.5):

1 X
Xe () =
X( ks )
(2.83)
T
k=

Si la condition dechantillonnage de Shannon est respectee, cest-`a-dire si X()


est nul pour || > s /2, alors, dans lintervalle [s /2, s /2], Xe () sera identique `a
X() au facteur 1/T pr`es. De plus Xe () est periodique de periode s (figure 2.21).
Sous ces conditions, il est possible de reconstruire x(t) `a partir de xe (t) en calculant Xe (), en multipliant la partie dans lintervalle [s /2, s /2] par T pour
obtenir X() et en calculant la transformee de Fourier inverse de cette derni`ere (fig.
2.21).
Pour avoir la possibilite de reconstruire X() `a partir de Xe (), il est donc necessaire de choisir la pulsation dechantillonnage s au moins egale `a deux fois la plus
grande pulsation contenue dans le signal. Dans le cas contraire, il y a recouvrement
(ou repliement) de spectre et il devient impossible de reconstruire exactement X()
`a partir de Xe ().
Tracer qualitativement |X()| et |Xe ()| pour le cas o`
u la condition dechantillonnage de Shannon nest pas respectee et mettre en evidence le recouvrement
spectral.
En considerant le signal echantillonne non pas en fonction de la variable continue
t (equation 2.82) mais comme un signal numerique, la transformation de Fourier

2.4 METHODES
FREQUENTIELLES

73

x(t)

| X() |

a)

F
t

s
2

s
2

b)

x e(t)

|X e() |

x(nT)(t-nT)

n = -

A
T

F
t

0 T

- s

- s
2

s
2

Fig. 2.21 Signaux analogique (a) et echantillonne (b) avec les transformees de
Fourier correspondantes.

d(t)
y p(t)

u(t)
g(t)

y(t)

Fig. 2.22 Syst`eme dynamique avec la sortie non bruitee yp (t), la perturbation d(t)
et la sortie mesuree bruitee y(t).
pour signaux numeriques (cf. annexe A.4) peut etre utilisee pour calculer X() avec
= T . Il est bien evident que Xe () = X(T ). La reponse harmonique du syst`eme
echantillonne secrit ainsi:
Y (T )
G(ejT ) =
(2.84)
U(T )
2.4.2.4

Erreurs de mesure

La reponse harmonique dun processus reel est influencee par les perturbations
possibles (derives, bruits de mesure, etc.). Celles-ci sont representees par la perturbation d(t) ajoutee `a la sortie non bruitee du syst`eme (figure 2.22).
Pour un syst`eme lineaire et stationnaire, on obtient ainsi:
Z
y(t) =
g(t )u( )d + d(t)

(2.85)

La propriete de convolution temporelle de la transformation de Fourier (cf. tableau A.2, annexe A) permet decrire:

ou encore:

Y () = G(j)U() + D()

(2.86)

D()
Y ()
= G(j) +
U()
U()

(2.87)

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

74

Si on peut negliger leffet de la perturbation (D()


= 0), on obtient lestimation
suivante de la fonction de transfert analogique:
Y ()
G(j) =
(2.88)
U()
ou, pour le syst`eme discret:
Y (T )
(2.89)
G(ejT ) =
U(T )
Si leffet de la perturbation D() nest pas negligeable, lestimation selon (2.88)
ou (2.89) sera entachee derreur.
2.4.2.5

Implantation num
erique

Pour le calcul des transformees de Fourier correspondant aux equations (2.88)


et (2.89), on utilise la transformation de Fourier discr`ete (`a N valeurs dun signal
temporel numerique correspondent N valeurs frequentielles, cf. annexe A.6). On
obtient ainsi:
Y (k)
k
k = s
k = 0, 1, . . . , N 1
(2.90)
G(ejk ) =
U(k)
N
La fonction de transfert nest estimee que pour les N pulsations k . En fait, `a
cause de la symetrie de G(ejk ) par rapport `a N = s /2, il suffit de considerer
lintervalle frequentiel correspondant `a k = 0, 1, ...N/2.
La precision de lestimation (2.90) dependra de nombreux facteurs, notamment:
De limportance de la perturbation d(n), dont leffet est simplement neglige,
par rapport au signal yp (n).
Du contenu frequentiel de lentree u(n) aux differentes pulsations k , car
G(ejk ) est obtenue en divisant Y (k) par U(k). Il sensuit que G(ejk ) est
souvent tr`es imprecise `a frequences elevees pour lesquelles U(k) est faible.
De la nature, periodique ou non, de lentree. En effet, si lentree est periodique
de periode et que lon augmente le nombre de donnees disponibles N selon
la relation NT = p avec p entier, alors le nombre de grandeurs significatives
`a estimer (G(ejk ) naugmente pas, mais leur variance est reduite (cf. fig. A.10
et A.12 dans lannexe A.6). Si lentree nest pas periodique, en augmentant
N on augmente le nombre de grandeurs `a estimer sans ameliorer la precision
de lestimation (cf. fig. A.10 et A.14 dans lannexe A.6). Par consequent, il
est recommande dutiliser une entree periodique avec un nombre suffisant de
donnees (N grand) et choisir les p derni`eres periodes afin deliminer totalement
lerreur de troncature et de reduire passablement (avec un facteur p) leffet du
bruit.
Il est possible dameliorer lestimation de G(ejk ) en faisant la moyenne sur plusieurs
estimations. Pour le cas de m estimations independantes, on a:
m
1 X
jk
Gi (ejk )
k = 0, 1, . . . , N 1
(2.91)
G(e ) =
m i=1

2.4 METHODES
FREQUENTIELLES
uu ()

75

G(j)

uy ()

Fig. 2.23 Syst`eme dynamique avec la densite spectrale du signal dentree et la


densite interspectrale des signaux dentree et de sortie. La relation entre G, uu et
uy nest pas influencee par la perturbation d.
On introduit au paragraphe suivant la methode de lanalyse spectrale qui permettra dameliorer encore sensiblement la qualite de lestimation par:
suppression de leffet de la perturbation d(n) sur lidentification `a laide de la
methode de correlation,
lissage frequentiel (on utilise le fait quune certaine correlation doit exister
entre les estimees `a des frequences voisines).

2.4.3

Analyse spectrale

2.4.3.1

Principe

Pour le syst`eme dynamique perturbe de la figure 2.22, et pour autant que lentree
u(t) et la perturbation d(t) ne soient pas correlees, la relation de convolution donnee
par Ruy ( ) = g( ) Ruu ( ) et la relation equivalente dans le domaine frequentiel
uy () = G(j)uu() (illustree `a la figure 2.23) sont applicables.
Les grandeurs uu () et uy () sont appelees respectivement la densit
e spectrale de u(t) et la densit
e interspectrale de u(t) et y(t) et correspondent aux
transformees de Fourier des fonctions dautocorrelation Ruu ( ) et dintercorrelation
Ruy ( ).
Le principe de lanalyse spectrale consiste `a estimer la fonction de transfert par
deconvolution dans le domaine frequentiel pour obtenir:
G(j) =
ou
G(ejT ) =
2.4.3.2

uy ()
uu ()

(2.92)

uy (T )
uu (T )

(2.93)

Implantation num
erique

Pour une implantation numerique, il convient de considerer la formulation discr`ete des fonctions de correlation et des densites spectrales. Par exemple, la fonction dintercorrelation temporelle discr`ete Ruy (h) se calcule `a partir des signaux
u(n), n = 0, 1, . . . , N 1 et y(n), n = 0, 1, . . . , 2(N 1). Dautre part, comme les
calculs numeriques seront effectues `a laide de la transformee de Fourier discr`ete, on
supposera que les signaux se continuent periodiquement (avec la periode N).

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

76

On a ainsi pour les signaux periodiques `a puissance moyenne finie:


N 1
1 X
u(n)u(n + h)
N n=0

h = 0, 1, . . . , N 1

(2.94)

N 1
1 X
u(n)y(n + h)
Ruy (h) =
N n=0

h = 0, 1, . . . , N 1

(2.95)

Ruu (h) =

La densite spectrale uu (k ) et interspectrale uy (k ) se calculent respectivement


`a laide de la transformee de Fourier discr`ete (cf. annexe A.6) de Ruu (h) et Ruy (h):
uu (k ) =

N
1
X

Ruu (h)ej2kh/N

k =

k
s
N

k = 0, 1, . . . , N 1

(2.96)

Ruy (h)ej2kh/N

k =

k
s
N

k = 0, 1, . . . , N 1

(2.97)

h=0

uy (k ) =

N
1
X
h=0

La fonction de transfert G(ejk ) est calcules comme suit:


G(ejk ) =

uy (k )
uu (k )

(2.98)

On peut demontrer quen absence du bruit sur la sortie limplantation numerique


par lequation (2.98) est equivalente `a celle de lequation (2.90). En combinant les
equations (2.95) et (2.97), on obtient:
N 1 N 1
1 XX
uy (k ) =
u(n)y(n + h)ej2kh/N
N
n=0

(2.99)

h=0

Avec la notation s = n+h, cest-`a-dire h = sn, ej2kh/N devient ej2ks/N ej2kn/N


et, en inversant les deux sommations:
N 1
n+N
X1
1 X
j2kh/N
u(n)e
y(s)ej2ks/N
uy (k ) =
N n=0
s=n

(2.100)

Comme le signal y(n) est periodique de periode N (en absence du bruit), il suffit
de considerer les valeurs numeriques y(n), n = 0, 1, ...N 1. On obtient ainsi:
n+N
X1

j2ks/N

y(s)e

s=n

N
1
X

y(s)ej2ks/N

s=0

et lequation (2.100) donne:


uy (k ) =

1
U(k)Y (k)
N

(2.101)

2.4 METHODES
FREQUENTIELLES

77

Les grandeurs U(k) et Y (k) sont les transformees de Fourier discr`etes des signaux
numeriques u(n) et y(n). U(k) correspond au conjugue complexe de U(k) car le
signal u(n) est reel.
Montrer ce dernier point en explicitant U(k) et son conjugue complexe.
De mani`ere analogue, on obtient:
1
U(k)U(k)
N

(2.102)

U(k)Y (k)
Y (k)
uy (k )
=
=
uu (k )
U(k)U(k)
U(k)

(2.103)

uu (k ) =
Ce qui donne:
G(ejk ) =

Remarque: Les expressions (2.101) et (2.102) sont souvent indexees k =


0, 1, . . . , N/2 (ou (N 1)/2 si N est impair), cest-`a-dire uniquement sur la moitie
du domaine `a cause des symetries suivantes:
uu (k ) = uu (N k )

(2.104)
k = 0, 1, . . . , N/2

uy (k ) = uy (N k )

(2.105)

Quel est leffet de conditions initiales non nulles sur le resultat de lidentification
(par exemple le fait de ne pas travailler avec des variables ecart)?
2.4.3.3

Am
elioration de lestimation par lissage

Lidee est dameliorer lestimation de uu (k ) et uy (k ) avant de proceder au


calcul de G(ejk ).
Deux approches propres `a lanalyse spectrale sont proposees pour reduire cette
variabilite: une methode directe (moyenne sur plusieurs estimations) et une methode
indirecte (lissage frequentiel).
a) Moyenne sur plusieurs estimations
Lidee est de reduire la variabilite de nature aleatoire des densites spectrale
et interspectrale uu (k ) et uy (k ) en calculant une moyenne sur plusieurs
estimations. Pour le cas de m estimations independantes, on a:
m

1 X
uu (k ) =
uu,i (k )
m i=1

(2.106)

et finalement:

1 X
uy,i(k )
uy (k ) =
m i=1
G(ejk ) =

uy (k )
uu (k )

(2.107)

(2.108)

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

78

ui ( n)

ui (n) f(n)

R uu,i(h)

uu,i( k )

uu( k )

yi ( n)

yi (n) f(n)

R uy,i(h)

uy,i ( k )

uy( k )

fonctions de
corrlation

spectrales

utilisation d'une
pour l'estimation i

moyennes

G(ej k )

harmonique

temporel

Fig. 2.24 Etapes de calcul pour lanalyse spectrale directe.


Les etapes necessaires au calcul de (2.108) sont resumees `a la figure 2.24. Il
convient de noter que la moyenne est calculee au niveau des densites spectrales et non pas de leur quotient Gi (ejk ) comme cela etait le cas avec (2.91).
Ceci constitue un grand avantage car les differents Gi (ejk ) peuvent etre tr`es
imprecis comme indique au 2.4.2.5.)
b) Lissage frequentiel des densites spectrales
Une fenetre temporelle est utilisee pour diminuer artificiellement, dans le calcul de uu (k ) et uy (k ), limportance des termes, souvent imprecis, Ruu (h) et
Ruy (h) correspondant `a de grandes valeurs de h. Lemploi dune fenetre temporelle correspond `a une operation de convolution dans le domaine frequentiel
(cf. equation 2.76).
Par exemple, la densite interspectrale lissee qui se calcule comme:
uy,f (k ) =

N
1
X

Ruy (h)f (h)ej2kh/N

(2.109)

h=0

peut sexprimer comme le produit de convolution frequentiel suivant:


uy,f (k ) =

1
uy (k ) F (k )
2

(2.110)

o`
u F (k ) represente la transformee de Fourier discr`ete de la fenetre temporelle f (h). On peut donc interpreter la methode indirecte comme un lissage
frequentiel entre valeurs spectrales voisines. Il est utile de remarquer que la fenetre temporelle du 2.4.2.2 (cf. egalement fig. 2.24) avait ete introduite pour
reduire les erreurs de troncature dans le domaine temporel alors quici elle sert
`a reduire la variabilite des densites spectrales dans le domaine frequentiel.
Quelques fenetres temporelles de largeur M frequemment utilisees sont donnees ci-dessous. Ce sont les memes fenetres que celles definies dans le tableau
2.3 `a la difference quelles sont donnees ici pour les instants dechantillonnage
h = 0, 1, ...M et non pas pour le temps continu t [, ].
Rectangulaire

1 h = 0, 1, . . . , M
f (h) =
(2.111)
0 h>M

Triangulaire (Bartlett)

f (h) =

1 h/M h = 0, 1, . . . , M
0
h>M

(2.112)

2.4 METHODES
FREQUENTIELLES

79

1
Rectangulaire
Triangulaire
Hann

0.9
0.8

f (h)

0.7
0.6
0.5
0.4
0.3
0.2
0.1
0

10

20

30

40

50

Fig. 2.25 Fenetres temporelles rectangulaire, triangulaire et de Hann pour M = 30.


Hann
f (h) =

0.5 + 0.5 cos(h/M) h = 0, 1, . . . , M


0
h>M

(2.113)

Hamming
f (h) =

0.54 + 0.46 cos(h/M) h = 0, 1, . . . , M


0
h>M

(2.114)

Les fenetres rectangulaires et de Hann sont illustrees dans les domaines temporel et frequentiel aux figures 2.25 et 2.26. Leffet du choix de M est illustre
`a la figure 2.27 pour le cas de la fenetre de Hann.
Si M est grand, leffet de lissage de la fenetre sera reduit. Dautre part si M est
trop petit, des parties essentielles des fonctions de correlation seront perdues
par effet de lissage. On choisira donc M comme un compromis entre les deux
objectifs suivants:
bon lissage de facon `a reduire la variabilite de G(ejk )(M petit par rapport
`a N),
bonne resolution (M suffisamment grand de facon `a ce que |Ruu (M)| <<
Ruu (0) et ainsi `a ne pas perdre de linformation utile).
La valeur M = 20 30 est souvent recommandee. Si un syst`eme poss`ede des
pics de resonance serres, il convient de moins lisser (M plus grand). Notons
enfin que pour M = N, il ny a plus deffet de lissage et lon retrouve lestimation donnee par (2.103). Si lentree est un bruit blanc `a variance unite
(Ruu (0) = 1), Ruy (h) represente la reponse impulsionnelle du syst`eme (Eq.
2.56). Dans ce cas, M doit etre plus grand que le temps detablissement de la
reponse impulsionnelle du syst`eme.

80

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

35
Rectangulaire
Hann

30

|F ()|

25
20
15
10
5
0

0.2

0.4

0.6

0.8

Fig. 2.26 Transformees de Fourier des fenetres rectangulaire et de Hann (M = 30).

35
Hann (M=15)
Hann (M=60)

30

|F ()|

25
20
15
10
5
0

0.2

0.4

0.6

0.8

Fig. 2.27 Transformee de Fourier de la fenetre de Hann pour deux valeurs de M.


2.5 IDENTIFICATION EN BOUCLE FERMEE

81

u i(n)

Ruu,i (h)

Ruu,i (h) f(h)

uu,i(k )

uu( k )

y i(n)

Ruy,i (h)

Ruy,i (h) f(h)

uy,i(k )

uy( k )

fonctions

G(e j k)

lissage

spectrales

pour l'estimation de i

moyennes

harmonique

temporel

Fig. 2.28 Etapes de calcul pour lanalyse spectrale basee sur un lissage frequentiel
et une moyenne sur plusieurs estimations.
d

s
yc

e
-

+
GR(s)

GP (s)

yp

Fig. 2.29 Syst`eme boucle illustrant lexcitation externe yc (t) ou s(t) et la perturbation d(t).
c) Methode combinee Il est bien s
ur possible de combiner un lissage frequentiel
des densites spectrales avec une moyenne sur plusieurs estimations. Il sagit l`a
dune approche didentification frequentielle non parametrique des plus performantes dont les etapes de calcul sont donnees `a la figure 2.28.

2.5

IDENTIFICATION EN BOUCLE FERMEE

Il est necessaire deffectuer une identification en boucle fermee si le syst`eme `a


identifier est instable en boucle ouverte ou sil nest pas possible douvrir la boucle
pour effectuer lidentification. La retroaction peut egalement etre inherente `a certains
syst`emes (par exemple de nature economique ou biologique).
Pour le syst`eme boucle de la figure 2.29, le signal de commande u(t) est correle
avec la perturbation d(t) par leffet de la retroaction si bien que Rud ( ) 6= 0. Il
sensuit que GP (j) ne peut pas etre identifie correctement `a laide des densites
spectrales uu () et uy () comme cela est le cas pour le syst`eme en boucle ouverte
(cf. equation 2.92). Il faudra alors prevoir une excitation externe independante de
d(t), par exemple yc (t) ou s(t).
Considerons le cas avec lexcitation externe s(t) 6= 0 et yc (t) 0. Nous avons
y = yp + d, on peut donc ecrire:
P (j) = uy () = uyp () + ud () = GP (j) + ud ()
G
uu ()
uu ()
uu ()

(2.115)

Lequation (2.115) indique que pour le cas realiste ud () 6= 0 avec excitation

82

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

externe, lestimation de GP (j) sur la base de uu () et uy () est erronee. Deux


cas limites se presentent:
P (j) =
i) Sil ny a pas de perturbation (d = 0), il en resulte ud () = 0 et G
GP (j).
ii) Si yc = s = 0 (sans excitation externe), on a: e = y et
uu () = GR (j)ue()
(Demontrer cette relation). On obtient donc:
ue ()
1
P (j) = uy () = ue () =
G
=
uu ()
uu ()
GR (j)ue ()
GR (j)

(2.116)

Dans ce cas, on trouve une estimation totalement erronee de GP .


On peut toutefois corriger cette situation defavorable en considerant la boucle
fermee comme un syst`eme boucle ouverte avec lentree s et la sortie y et la perturbation d qui cette fois nest pas correlee avec lentree s. Donc, on peut estimer
correctement la fonction de transfert entre s et y avec lanalyse spectrale:
P (j)
G
sy ()
=
R (j)G
P (j)
ss ()
1+G

(2.117)

De meme facon, on peut estimer la fonction de transfert entre s et u:


su ()
1
=

ss ()
1 + GR (j)GP (j)

(2.118)

En divisant les deux equations (2.117 et 2.118), on obtient:


P (j) = sy ()
G
su ()

(2.119)

On peut montrer que dans ce cas:

o`
u



n
o
1

()
dd
P (j)|
var |G
2N ss ()|F (j)|2


n
o
1 dd ()|GP (j)|2

var | arg GP (j)|


2N ss ()|F (j)|2
F (j) =

(2.120)
(2.121)

1
1 + GR (j)GP (j)

En dautres termes, la variance de lestimation


augmente avec lintensite du bruit d(t) et diminue avec celle de lexcitation
s(t),
diminue avec le nombre de mesures disponibles,

` PARTIR DUN MODELE


`
2.6 FONCTION DE TRANSFERT A
NON

PARAMETRIQUE

83

augmente avec le gain GR (j)GP (j) de la boucle de commande.

En utilisant yc (t) au lieu de s(t) comme excitation externe independante de d(t),


il est possible de controler les variations de la grandeur commandee y(t). On obtient
alors de mani`ere tout `a fait analogue:
P (j) = yc y ()
G
yc u ()

2.6

(2.122)

` PARTIR DUN MODELE


`
FONCTION DE TRANSFERT A

NON PARAMETRIQUE

Il est souvent souhaitable, `a partir dun mod`ele non parametrique determine


experimentalement (reponse indicielle, impulsionnelle ou harmonique), de calculer
un mod`ele parametrique (fonction de transfert).

2.6.1

Fonction de transfert du premier ordre `


a partir de la r
eponse indicielle ou impulsionnelle

2.6.1.1

M
ethode graphique

Il est possible destimer graphiquement les coefficients dune fonction de transfert


`a partir du comportement temporel entree-sortie dun syst`eme dynamique. Il ne faut
pas chercher `a identifier des syst`emes dordre trop eleve avec cette methode, la lecture
des coefficients sur les graphiques devenant tr`es malaisee `a partir du second ordre.
Soit lexemple dun syst`eme du premier ordre possedant la fonction de transfert:
G(s) =

K
s + 1

(2.123)

avec K le gain statique et le constante de temps du syst`eme. La reponse indicielle


de ce syst`eme:
y(t) = K(1 et/ )
(2.124)
est representee `a la figure 2.30 et la reponse impulsionnelle correspondante:
y(t) =

K t/
(e
)

(2.125)

est representee `a la figure 2.31. On determine graphiquement le gain statique K et la


constante de temps du syst`eme comme indique aux figures 2.30 et 2.31. Cependant,
suivant la qualite des mesures, il peut saverer difficile de tracer precisement la
tangente `a pente maximale, donc de determiner la constante de temps. De plus,
une telle approche est mal adaptee aux syst`emes dordre plus eleve car la forme des
reponses indicielle et impulsionnelle depend, dans une large mesure, du rapport des
constantes de temps. Il est mal aise de determiner ce rapport sur un graphique.

84

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

y(t)

0.63K

0
0

t1

t1 +

Fig. 2.30 Reponse indicielle dun syst`eme du premier ordre.

y(t)
K

0.37K

0
0

t1

t1 +

Fig. 2.31 Reponse impulsionnelle dun syst`eme du premier ordre.

` PARTIR DUN MODELE


`
2.6 FONCTION DE TRANSFERT A
NON

PARAMETRIQUE

85

y
K

Fig. 2.32 Approximation de la reponse dun syst`eme dordre 2 ou superieur.


2.6.1.2

M
ethode de Ziegler-Nichols

Cette methode permet dapproximer un syst`eme non oscillant dordre 2 ou superieur par une fonction de transfert du premier ordre avec retard pur. On rel`eve la
reponse indicielle sur laquelle on lit trois valeurs:
le gain statique K,
le retard pur ,
et la constante de temps

dun syst`eme du premier ordre avec retard pur (fig. 2.32):


G(s) =

Kes
s + 1

(2.126)

Bien que cette methode ne represente quune approximation grossi`ere, elle est
souvent suffisante pour la synth`ese dun regulateur.

2.6.2

Fonction de transfert du deuxi`


eme ordre `
a partir de la
r
eponse indicielle

Un syst`eme du deuxi`eme ordre sans zero se rencontre dans la litterature sous la


forme suivante:
Kn2
G(s) = 2
(2.127)
s + 2n s + n2
o`
u K est le gain statique, le coefficient damortissement et n la pulsation propre
ou naturelle [1/s]. Les poles de G(s) sont:
p
p1,2 = n n 2 1
(2.128)
Ces poles peuvent etre reels distincts, reels confondus ou conjugues complexes, donc
trois cas peuvent etre consideres:

86

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

Cas sur-amorti: ( > 1) La fonction de transfert G(s) peut dans ce cas etre decomposee en deux facteurs du premier ordre:
G(s) = K

1
(1 s + 1)(2 s + 1)

(2.129)

La reponse indicielle de ce syst`eme sera non oscillatoire:




1 et/1 2 et/2
y(t) = K 1
t0
1 2

(2.130)

Cas critique: ( = 1) La fonction de transfert G(s) se resume dans ce cas `a:


G(s) =

K
( s + 1)2

et la reponse indicielle est alors:






1 t/
y(t) = K 1 1 +
e

(2.131)

t0

(2.132)

Cas sous-amorti: (0 < 1) La reponse indicielle oscillatoire dans ce cas :


K
en t sin(t + )
y(t) = K p
1 2

t0

(2.133)

p
avec = n 1 2 et = arccos est representee `a la figure 2.33. Un point
particulier est le premier maximum quil est important de connatre et facile
`a mesurer. Ses coordonnees tp et y(tp ) sont obtenues en exploitant la premi`ere
derivee de la reponse indicielle qui est egalement la reponse impulsionnelle de
G(s):
Kn n t
e
sin t
t0
(2.134)
y(t)
=p
1 2
Le premier maximum est obtenu pour tp = . Ainsi
tp =

p
n 1 2

et

y(tp ) = K + Ke

1 2

(2.135)

La marche `a suivre pour identifier la fonction de transfert dun syst`eme oscillant du deuxi`eme ordre sans zero est la suivante:
1. Mesurer la valeur finale de la reponse indicielle, ce qui permet de determiner la valeur du gain statique K.
2. Mesurer lamplitude du premier maximum, ce qui permet de determiner
la valeur de .
3. Mesurer linstant dapparition de ce premier maximum, ce qui permet de
determiner la valeur de la pulsation naturel n .

` PARTIR DUN MODELE


`
2.6 FONCTION DE TRANSFERT A
NON

PARAMETRIQUE

87

10
9

Ke

1 2

Amplitude

6
5
4
3
2

tp =

1
0

10

1 2

15

20

25

30

35

Time (sec)

Fig. 2.33 Reponse indicielle dun syst`eme sous-amorti du deuxi`eme ordre sans
zero.

2.6.3

Fonction de transfert dordre quelconque `


a partir de la
r
eponse impulsionnelle

A partir de la reponse impulsionnelle obtenue experimentalement, par exemple


par deconvolution numerique (cf. 2.2.2), il est possible didentifier une fonction de
transfert de la forme suivante (cf. section 3.1, avec ici m = n):
b0 + b1 z 1 + . . . + bn z n
G(z) =
1 + a1 z 1 + . . . + an z n

(2.136)

La definition de G(z) permet decrire:


G(z) = g(0) + g(1)z 1 + g(2)z 2 + . . .

(2.137)

En combinant ces deux equations, on obtient:


b0 + b1 z 1 + . . . + bn z n = g(0) + [g(1) + a1 g(0)]z 1 + . . .
"
#
"
#
n
n
X
X
n
+ g(n) +
aj g(n j) z + . . . + g(2n) +
aj g(2n j) z 2n + . . . (2.138)
j=1

j=1

On egale les coefficients des termes de meme puissance de z 0 `a z n pour obtenir,


sous forme matricielle:

b0
1
0 0
g(0)
b1 a1

1 0


g(1)
(2.139)
.. = ..

.
..
..
. .
.
. ..
bn
g(n)
an an1 1

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

88

Lequation (2.139) permettra de calculer les coefficients bj `a partir de g(j) une


fois les coefficients aj connus (j = 0, 1, ...n; a0 = 1).
Afin de determiner les coefficients aj (j = 1, ...n), on egale les coefficients des
termes de meme puissance de z (n+1) `a z 2n dans lequation (2.138) pour obtenir:

g(n + 1)
a1
g(n)
g(n 1) g(1)

g(n + 1)

g(n)
g(2)

a2 g(n + 2)
(2.140)
=

..
.
..
..
..

.
.
.
. ..
g(2n 1) g(2n 2) g(n)

an

g(2n)

ou

Ga = g

(2.141)

La matrice carree G de dimension n est, en principe, de rang egal `a lordre du


syst`eme. Elle est ainsi reguli`ere, ce qui permet decrire:
a = G1 g

(2.142)

En presence derreurs associees aux valeurs mesurees ou estimees de la reponse impulsionnelle, il est possible dajouter des lignes supplementaires au syst`eme
dequations (2.140). On obtiendra ainsi une solution au sens des moindres carres:
a = G+ g

(2.143)

o`
u G+ = (GT G)1 GT represente la matrice pseudo-inverse de G (cf. annexe B).
Les coefficients aj et bj (j = 0, 1, ...n; a0 = 1) definissent la fonction de transfert
(2.136).

2.6.4

Fonction de transfert `
a partir de la r
eponse harmonique

La reponse harmonique representee dans le diagramme de Bode ou de Nyquist est


souvent utilisee pour dimensionner un regulateur et analyser la stabilite du syst`eme
boucle. On peut egalement utiliser la reponse harmonique determinee experimentalement pour obtenir un mod`ele parametrique de la forme:
G(s) =

bm sm + . . . + b1 s + b0
an sn + . . . + a1 s + 1

mn

(2.144)

Deux approches permettent de determiner les param`etres de ce mod`ele.


2.6.4.1

Approche graphique

Lapproche graphique est indiquee `a la figure 2.34. On recherche en general des


mod`eles dordre reduit (premier ou second ordre), par exemple:
G(s) =

K
(1 s + 1)(2 s + 1)

(2.145)

` PARTIR DUN MODELE


`
2.6 FONCTION DE TRANSFERT A
NON

PARAMETRIQUE

89

G(j)

K
-1

-2

1
1

1
2

Fig. 2.34 Approche graphique pour determiner les param`etres dun syst`eme du
second ordre.
Sil est necessaire dinclure un retard pur, lequel se manifestera sur largument
de G(j), on choisira alors:
Kes
G(s) =
(2.146)
(1 s + 1)

2.6.4.2

Approche num
erique

Lapproche numerique consiste `a faire varier les coefficients reels


(a1 , ...an , b0 , ...bm ) de facon `a ce que les nombres complexes calcules par le

mod`ele G(j
ees G(jk ).
k ) soient aussi proches que possible des valeurs mesur
Celles-ci sont donnees par Re {G(j)} et Im {G(j)}.

On peut, par exemple, chercher `a minimiser le crit`ere quadratique suivant pour


N mesures experimentales:
N
X

2
N
m
X


b
(j
)
+

+
b
(j
)
+
b
m
k
1
k
0

G(jk )
min
|s (jk )| = min


n

a
n (jk ) + + a1 (jk ) + 1
k=1
k=1
2

(2.147)

o`
u = [a1 , ...an , b0 , ...bm ]T est le vecteur de param`etres. Comme lerreur entre la valeur experimentale G(jk ) et la valeur correspondante du mod`ele est non lineaire par
rapport aux param`etres `a estimer, il nexiste en general pas de solution analytique
et donc de garantie dun minimum global.
On peut contourner ce probl`eme avec la m
ethode de Levy qui propose de
minimiser le crit`ere quadratique suivant:

J () = min

N
X

[an (jk )n + . . . + a1 (jk ) + 1]G(jk )
k=1

2

[bm (jk )m + . . . + b1 (jk ) + b0 ] (2.148)

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

90

Lerreur `a chaque frequance


(jk ) = [an (jk )n +. . .+a1 (jk )+1]G(jk )[bm (jk )m +. . .+b1 (jk )+b0 ] (2.149)
devient ainsi lineaire par rapport aux param`etres a1 , ...an , b0 , ...bm .
Il y a cependant une difficulte pratique `a resoudre ce probl`eme de moindres
carres lineaires car lerreur `a chaque frequance est complexe alors que les coefficients
`a estimer sont reels. On peut contourner ce probl`eme et definir une erreur reelle
en considerant separement les parties reelles et imaginaires de lerreur. On obtient
ainsi:
J () = min

N
X
k=1

[an Re {(jk )n G(jk )} + . . . + a1 Re {(jk )G(jk )} + Re {G(jk )}

bm Re {(jk )m } . . . b1 Re {jk } b0 ]2
+ [an Im {(jk )n G(jk )} + . . . + a1 Im {(jk )G(jk )} + Im {G(jk )}
bm Im {(jk )m } . . . b1 Im {jk }]2 (2.150)
En definissant:

Re {(j1 )G(j1 )}
Re {(j2 )G(j2 )}

..

Re {G(j1 )}
Re {G(j2 )}
..
.

Re {G(jN )}
G=

Im {G(j1 )}

Im {G(j2 )}

..

.
Im {G(jN )}

...
...

Re {(j1 )n G(j1 )}
Re {(j2 )n G(j2 )}
..
.

Re {j1 }m
Re {j2 }m

..

Re {j1 }
Re {j2 }
..
.

...
...

1 Re {jN }
0 Im {j1 }
0 Im {j2 }
..
..
.
.
Im {(jN )n G(jN )} 0 Im {jN }

...
...
...

Re {jN }m
Im {j1 }m
Im {j2 }m
..
.

...

Im {jN }m

Re {(jN )G(jN )} . . . Re {(jN )n G(jN )}


=
Im {(j1 )G(j1 )} . . . Im {(j1 )n G(j1 )}

Im {(j2 )G(j2 )} . . . Im {(j2 )n G(j2 )}

..
..

.
.
Im {(jN )G(jN )} . . .

(2.151)

1
1
..
.

et

E = G
le crit`ere (2.148) devient:
J () = min E T E

dont la solution est bien connue (cf. section 3.4):


= (T )1 T G

(2.152)

2.7 COMPARAISON DES METHODES


NON PARAMETRIQUES

91

Remarque: Il faut noter que (jk ) = [an (jk )n + . . . + a1 (jk ) + 1]s (jk )
qui montre que lerreur lineaire (jk ) est beaucoup plus importante en hautes
frequences quen basses frequences. Ceci conduit en general `a une mauvaise
identification de la fonction de transfert aux basses frequences. Il est possible de modifier la methode de Levy avec une ponderation adequate (avec
1
) de lerreur (jk ) o`
ua
n , . . . , a
1 sont des param`etres
a
n (jk )n + . . . + a
1 (jk ) + 1
estimes avec la methode de Levy standard.

2.7

COMPARAISON
TRIQUES

DES

METHODES

NON

PARAME-

Lobservation experimentale de la reponse indicielle est simple `a mettre en uvre


et donne une indication rapide sur les constantes de temps, le gain statique et le
retard pur du syst`eme. Cependant, les courbes obtenues ne fournissent quune representation grossi`ere du syst`eme et sont relativement sensibles aux bruits de toutes
sortes qui ne manquent pas de perturber le syst`eme. La reponse impulsionnelle peut
etre obtenue en derivant (numeriquement) la reponse indicielle mesuree.
Le tableau 2.4 resume les approches non parametriques temporelle et frequentielle
permettant destimer la reponse impulsionnelle ou, de facon equivalente, la fonction
de transfert dun syst`eme lscr discret.
Les approches qui utilisent directement les signaux dentree et de sortie sont faciles `a mettre en uvre, mais elles sont fort sensibles `a la perturbation d, laquelle
represente aussi bien les effets aleatoires (bruits de mesure) que deterministes (derives, perturbations de toutes sortes).
Les approches basees sur les fonctions de correlation sont insensibles `a tout bruit
additif sur la sortie pour autant que celui-ci soit non correle avec le signal dentree.
Il sensuit que ces methodes sont souvent utilisees dans le but de reduire linfluence
du bruit. Les couples resultants dautocorrelation et dintercorrelation, qui sont de
longueur beaucoup plus courte que les signaux temporels originaux, sont ensuite
utilises pour realiser la deconvolution dans le domaine temporel (methode de correlation) ou frequentiel (analyse spectrale). La methode de lanalyse spectrale permet
egalement un lissage frequentiel ainsi que levaluation dune moyenne des densites
spectrales avant le calcul (delicat) de la fonction de transfert.

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

92

Tab. 2.4 Differentes approches pour lidentification de mod`eles non parametriques


pour syst`emes lscr.
Signaux entre-sortie

Mthode de corrlation

y( k ) =

g( j) u( k j) + d(k)

R uy ( h ) =

j= 0

j= 0

conv

dconv

2.8

!
g(0) R uu (0)

k 1

=
1 y( k ) d(k)

g
(
k
)
=
g
(
j
)
u
(
k

j
)

dconv

u( 0 )

j= 0
g(K 1) R uu ( N 1) !

Analyse frquentielle

Frquentielle

g( j) R uu (h j)

Analyse spectrale

Y( k ) = G(e j k ) U( k ) + D(k)

G(e j k ) =

R uu (K 1) R uy (0)


R uu ( N K ) R uy ( N 1)
!

conv

Analyse temporelle
Temporelle

Fonction de corrlation

uy ( k ) = G(e j k ) uu ( k )

Y( k ) D(k)
U( k )

G(e j k ) =

uy ( k )
uu ( k )

EXERCICES RESOLUS

Exercice 1
Enonc
e:
a) Determiner la transformee de Fourier discr`ete X(k) du signal numerique suivant
defini pour 8 points dechantillonnage (T = 1; n = 0, 1, ...7):
xn
1
4
0

-1

b) Evaluer la transformee de Fourier discr`ete et la serie de Fourier de la sequence


precedente repetee periodiquement.
c) Le signal temporel initial est maintenant considere pour 16 points dechantillonnage (T = 0.5, n = 0, 1, ...15). Determiner sa transformee de Fourier discr`ete
et discuter les resultats.
Solution :
a) Transform
ee de Fourier discr`
ete X(k) de xn
X(k) =

N
1
X
n=0

xn ej2nk/N

k = 0, 1, . . . , N 1


2.8 EXERCICES RESOLUS

93

Ici N = 8, ainsi k = 0, 1, . . . , 7 :
X(k) =

7
X

j2nk/8

xn e

n=0

3
X

j2nk/8

1e

n=0

7
X

(1)ej2nk/8

= 1 + ejk/4 + ejk/2 + ej3k/4


ejk ej5k/4 ej3k/2 ej7k/4

k = 0, 1, . . . , 7

On peut aussi exprimer X(k) comme la somme de la suite precedente:


X(k) =

(1 ejk )2
(1 ej4k )2
=
1 ej(/4)k
1 ejk

k = 0, 1, . . . , 7

car, avec T = 1, la pulsation discr`ete secrit:


k =

2 k

=k
1 8
4

k = 0, 1, . . . , 7

b) Signal p
eriodique
La transformee de Fourier discr`ete suppose dej`a un signal qui se rep`ete
periodiquement. Ainsi, le contenu spectral trouve sous a) ne changera pas si
plusieurs periodes sont considerees. Seule lamplitude variera: si p periodes
sont considerees, lamplitude sera amplifiee par p.
Dans le cas de la serie de Fourier dun signal numerique, comme lamplitude
ck est ponderee par le terme 1/N, la serie de Fourier sera strictement la
meme.
c) Signal du point a)
echantillonn
e plus rapidement (T = 0.5)
X(k) =

15
X

j2nk/16

xn e

n=0

7
X
n=0

j2nk/16

1e

15
X

(1)ej2nk/16

n=8

avec la pulsation:
k =

2 k
=k
0.5 16
4

k = 0, 1, . . . , 15

Le fait dechantillonner plus rapidement a augmente linformation du signal


et, de ce fait, a modifie son contenu spectral. La plage frequentielle a double
par rapport au point a).
Le signal xn et le module de X(k) sont donnes `a la figure suivante pour les
trois cas, avec p = 8 pour le cas b).

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

94

Exercice 2.4 a)

Exercice 2.4 b)

Exercice 2.4 c)

0.5

0.5

0.5

-0.5

-0.5

5
k

-1

10

-0.5

20

40

-1

60

12

40

10

3
2

abs( X(k) )

50

30
20
10

1
0

2
4
pulsation [rad/sec]

10

15

abs( X(k) )

abs( X(k) )

-1

8
6
4
2

2
4
pulsation [rad/sec]

5
10
pulsation [rad/sec]

15

Exercice 2
Enonc
e : Les echantillons suivants de la reponse impulsionnelle dun syst`eme du
deuxi`eme ordre ont ete observes (T = 0.05).
k
g(k)

0 1
2
3
4
5
6
7
8
0 0.68 1.07 1.27 1.34 1.34 1.28 1.21 1.11

Evaluer G(z) et G(s) ainsi que les poles et les zeros correspondants pour ce
syst`eme.
Solution :
G(z) =

b0 + b1 z 1 + b2 z 2
1 + a1 z 1 + a2 z 2

Reponse impulsionnelle: u(k) = (k) ; y(k) = g(k)

g(k) + a1 g(k 1) + a2 g(k 2) = b0 (k) + b1 (k 1) + b2 (k 2)


k = 0 g(0) = b0
b0 = 0
1 g(1) + a1 g(0) = b0 (1) + b1
b1 = 0.68
2 g(2) + a1 g(1) + a2 g(0) = b0 (2) + b1 (1) + b2 b2 = 1.07 + 0.68a1

g(3) + a1 g(2) + a2 g(1) = 0


3
...

8
g(8) + a1 g(7) + a2 g(6) = 0


 


g(3)
g(2) g(1) 
1.575
a1
a1
... = ...

...
b2 = 0.0015
=

0.614
a2
a2
g(8)
g(7) g(6)


2.8 EXERCICES RESOLUS

95

G(z) =

0.68z 1 0.0015z 2
1 1.576z 1 + 0.614z2

G(s) `a partir de G(z), en utilisant MATLAB d2cm:


0.41s + 17.8
7.98s + 344.5
=
zoh: G(s) = 2
s + 9.77s + 19.3
0.052s2 + 0.51s + 1
z1 = 43.2

p1 = 2.74

p2 = 7.03

0.21s + 0.036s + 340.4


0.0011s2 + 0.0019s + 17.9
tustin: G(s) =
=
s2 + 9.69s + 19.03
0.052s2 + 0.51s + 1
z1 = 39.8

z2 = 40.0

p1 = 2.73

p2 = 6.79

Exercice 3
Enonc
e : Un signal binaire pseudo-aleatoire de periode 7 echantillons:
u(k) = 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, . . .
est utilise pour exciter le syst`eme:
G(z) =

0.7z 1
1 0.3z 1

(2.153)

a) Calculer la sortie y(k) ainsi que les fonctions dautocorrelation Ruu (h) et dintercorrelation Ruy (h).
b) Utiliser Ruu (h) comme entree du syst`eme et comparer la sortie correspondante
`a Ruy (h).
c) Calculer la reponse impulsionnelle du syst`eme et la comparer `a Ruy (h).
Solution :
a) Calcul de y(k), Ruu(h), Ruy (h)
1. Calcul de la reponse impulsionnelle g(k) `a partir de:
G(z) =

g(k)z k

k=0

De (2.153) par division polynomiale:


G(z) = 0.7z 1 + 0.21z 2 + 0.063z 3 + 0.0189z 4 + 0.0057z 5 + . . .
La transformation en z inverse de G(z) donne (entree 19 du tableau C.2
en annexe C):
g(k) = 0.7 0.3k1
k1

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

96

k, h
u(k)
y(k)
Ruu (h)
Ruy (h)
g(h)

Tab. 2.5 Tableau des r


esultats
0
1
2
3
4
1
-1
1
1
1
0
0.7
-0.49 0.553 0.866
1
-0.142 -0.143 -0.144 -0.141
-0.142 0.657 0.097 -0.070 -0.121
0
0.700 0.210 0.063 0.019

2. y(k) =

k
X
j=0

g(k j)u(j)

(pour N
5
-1
0.960
-0.142
-0.134
0.006

= 1024).
6
7
-1
1
-0.412 -0.824
-0.143 0.993
-0.140 -0.141
0.002 0.005

... ,
... ,
...
...
...
...

k = 0, 1, 2, . . .

Avec Matlab: conv(u, g)


N 1
1 X
u(n)u(n + h)
3. Ruu (h) =
N n=0

h = 0, 1, 2, . . . , N 1

N 1
1 X
4. Ruy (h) =
u(n)y(n + h)
N n=0

h = 0, 1, 2, . . . , N 1

Avec Matlab: xcorr(u)

Avec Matlab: xcorr(u, y)

Ruu (h)

g(h)

Ruy
(h)

b)

Ruy
(h) Ruy (h) , la difference etant due au nombre fini de points, (N = 1024)
utilises pour calculer Ruu (h) et Ruy (h).

c) g(h) 6= Ruy (h) car lentree aleatoire utilisee nest pas vraiment blanche.


2.8 EXERCICES RESOLUS

97

Exercice 4
Enonc
e : Soit le signal analogique suivant:
x(t) =

sin(2t)
= sinc(2t)
2t

a) Calculer et representer graphiquement le spectre de frequences de ce signal.


b) Repeter le point a) si le signal est echantillonne avec la periode dechantillonnage
/2.
Solution :
a) Spectre fr
equentiel
Lexemple 4 de lannexe A donne (voir egalement la propriete 13 du tableau
A.1):

AW )
sinc
x(t) =
2

Wt
2

Ici:
Wt
2
AW
2

= 2t

W =4

=1 A=

2
W

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

98

F {sinc(2t)} =

P4 ()
2

b) Signal
echantillonn
e avec la p
eriode /2

xn = sinc(2nT )
xn = sinc(n)
T = 2

1 pour n = 0
voir figure 2.19
sinc(n) =
0 pour n 6= 0
X() =

xn ejn = 1

= T =

n=

Exercice 5
Enonc
e : Soient les signaux u(n) et y(n) donnes comme suit pour 3 points dechantillonage:
n
u(n)
y(n)

0 1
2 1
1 2

2
1
2

a) Calculer la densite interspectrale uy (k) `a partir de lintercorrelation Ruy (h).


b) Calculer la densite interspectrale uy (k) `a partir des transformees de Fourier
discr`etes de u(n) et y(n).
c) Les resultats sous points a) et b) sont-ils identiques?
Solution :
a) On suppose que les signaux u et y se continuent periodiquement. Pour N = 3,
on peut ecrire:
2

1X
Ruy (h) =
u(n)y(n + h)
3 n=0

h = 0, 1, 2

1
1
Ruy (0) = [u(0)y(0) + u(1)y(1) + u(2)y(2)] = (2 + 2 + 2) = 2
3
3
1
1
7
Ruy (1) = [u(0)y(1) + u(1)y(2) + u(2)y(3)] = (4 + 2 + 1) =
3
3
3


2.8 EXERCICES RESOLUS

99

1
7
1
Ruy (2) = [u(0)y(2) + u(1)y(3) + u(2)y(4)] = (4 + 1 + 2) =
3
3
3
N
1
X
k
uy (k ) =
Ruy (h)ej2kh/N
avec k = s
k = 0, 1, 2
N
h=0
7 7
20
+ =
3 3
3
7 j2/3 7 j4/3
+ e
uy (1 ) = 2 + e
3
3
7
7
7 j4/3 7 j8/3
+ e
= 2 + ej4/3 + ej2/3
uy (2 ) = 2 + e
3
3
3
3

U(k)
1
TFD
b) uy (k ) = N U(k)Y (k)
Y (k)
uy (0 ) = 2 +

U(k) =

N
1
X

j2kn/N

un e

n=0

U(0) =

2
X

n=0

u(n) = 4

n=0
2
X

U(1) =

2
X

u(n)ej2kn/3

k = 0, 1, . . . , N 1

Y (0) = 1 + 2 + 2 = 5

u(n)ej2n/3 = 2 + ej2/3 + ej4/3 Y (1) = 1 + 2ej2/3 + 2ej4/3

n=0

U(2) =

2
X

u(n)ej4n/3 = 2 + ej4/3 + ej2/3 Y (2) = 1 + 2ej4/3 + 2ej2/3

n=0

On obtient ainsi:
uy (0 ) =
uy (1 ) =
=
uy (2 ) =
=

1
20
(4)(5) =
3
3
1
(2 + ej2/3 + ej4/3 )(1 + 2ej2/3 + 2ej4/3 )
3
1
[6 + 7ej2/3 + 7ej4/3 ]
3
1
(2 + ej4/3 + ej2/3 )(1 + 2ej4/3 + 2ej2/3 )
3
1
[6 + 7ej2/3 + 7ej4/3 ]
3

c) Les resultats sont identiques car tous les signaux ont ete repetes periodiquement,
de facon explicite pour yn sous point a), de facon implicite pour u(n) et y(n)
sous point b). Si on navait pas considere le signal y(n) comme periodique pour
evaluer Ruy (1), Ruy (2) et uy (k ), k = 0, 1, 2, alors les resultats auraient ete
differents.

100

MODELES
DE REPRESENTATION
NON PARAMETRIQUES

101

Chapitre 3
`

MODELES
DE REPRESENTATION

PARAMETRIQUES
3.1

INTRODUCTION

Ce chapitre consid`ere la representation param


etrique de syst`emes dynamiques
sur la base de mesures entrees-sorties. Par rapport aux approches non parametriques
presentees au chapitre precedent, les methodes parametriques presentent un avantage considerable quant au nombre de param`etres `a identifier. Mais voyons cela de
plus pr`es.
Avec une approche non parametrique, il nest pas necessaire de specifier a priori
la structure du mod`ele. Il sensuit que le nombre de grandeurs (param`etres) `a
estimer est eleve. Considerons le cas de N mesures. Une representation temporelle est donnee tout simplement par la valeur de la sortie `a ces N instants.
La situation est tout `a fait semblable pour une representation frequentielle:
comme le diagramme de Bode est symetrique par rapport `a la pulsation de
Nyquist N = s /2 , il suffit de determiner N/2 valeurs complexes (modules
et arguments), donc en fait N grandeurs. Il sensuit quavec une approche non
parametrique, N mesures servent `a determiner N grandeurs (ou param`etres).
Il ny a donc pas de redondance dans les donnees propre `a filtrer les erreurs de
mesure.
Dans le cas dune approche parametrique , la structure du mod`ele doit etre
specifiee a priori, par exemple sous la forme de la fonction de transfert du
premier ordre avec retard pur G(s) = Kes /( s + 1) avec les 3 param`etres
K , et . Si lon dispose dun nombre de mesures superieur au nombre de
param`etres, il y aura redondance dans les donnees (plus dequations que dinconnues) servant `a lidentification du mod`ele. Ceci constitue la caracteristique
principale des mod`eles parametriques.
Un premier element de modelisation parametrique a dej`a ete presente `a la section
2.6 o`
u lobjectif etait de calculer une fonction de transfert `a partir dune representation non parametrique. Dans ce chapitre, lidentification des param`etres du mod`ele

MODELES
DE REPRESENTATION
PARAMETRIQUES

102

n
u

PROCESSUS

MODLE

yp

+
+

y
+

ym

es

IDENTIFICATION

CRITRE

Fig. 3.1 Schema pour lidentification des param`etres du mod`ele: u, entree (ajustable); yp , sortie du processus (non mesurable); n, bruit (inconnu); y, sortie bruitee
vec(mesuree); ym , sortie du mod`ele (calculable); es , erreur de sortie (calculable);,
teur des param`etres estimes.
se fera sur la base dun crit`ere decart entre des mesures experimentales provenant
du processus et une simulation des equations constituant le mod`ele (fig. 3.1).
Pour cela, il faudra choisir au prealable:

la structure du mod`ele (ou caracterisation du processus),


le crit`ere de performance,
lalgorithme didentification (cest-`a-dire la methode de calcul des param`etres),
le signal dexcitation u .

La validation du mod`ele ainsi obtenu representera une etape importante de lidentification.


Par rapport `a lidentification dun mod`ele parametrique `a partir dune representation non parametrique presentee `a la section 2.6, les methodes presentees dans ce
chapitre comportent de nombreux avantages:
possibilite dutiliser des signaux dexcitation damplitude reduite,
meilleure precision,
suivi des param`etres du mod`ele en temps reel permettant, si necessaire, un
ajustement du regulateur pendant le fonctionnement du processus,
identification des perturbations et des bruits de mesure ce qui permet de mieux
identifier le processus lui-meme,
procedure didentification plus courte,
possibilite de valider le mod`ele obtenu.

Ce chapitre traitera uniquement de lidentification de syst`emes dynamiques qui


peuvent etre representes par des mod`eles monovariables discrets lscr (lineaires, stationnaires, causals et initialement au repos) de la forme:
ym (k) +

n
X
i=1

ai ym (k i) =

m
X
j=0

bj u(k d j)

k = 0, 1, 2, 3, . . .

(3.1)

o`
u d represente le retard exprime comme un multiple entier de la periode dechantillonnage T , et k linstant dechantillonnage kT . On suppose les valeurs de n , m

3.1 INTRODUCTION

103

et d connues a priori.
La transformee en z de lequation aux differences (3.1) donne:
Ym (z)[1 + a1 z 1 + . . . + an z n ] = U(z)z d [b0 + b1 z 1 + . . . + bm z m ]
do`
u
G(z) =

Ym (z)
b0 + b1 z 1 + . . . + bm z m
B(z)
= z d
= z d
1
n
U(z)
1 + a1 z + . . . + an z
A(z)

(3.2)

(3.3)

Op
erateur retard
Dans le but de simplifier lecriture des equations aux differences, on introduit
loperateur retard q 1 defini comme suit:
q 1 y(k) y(k 1)
q 1 y(0) 0

k1

(3.4)
(3.5)

ki
0k<i

(3.6)
(3.7)

do`
u lon tire:
q i y(k) = y(k i)
q i y(k) = 0
Lequation (3.1) secrit ainsi:
A(q 1 )ym (k) = B(q 1 )u(k d) = q d B(q 1 )u(k)

(3.8)

A(q 1 ) = 1 + a1 q 1 + . . . + an q n
B(q 1 ) = b0 + b1 q 1 + . . . + bm q m

(3.9)
(3.10)

avec

On peut ainsi definir lop


erateur de transfert temporel G(q 1 ) qui, au signal
discret u(k), fait correspondre le signal discret ym (k):
G(q 1 ) =

ym (k)
B(q 1 )
= q d
u(k)
A(q 1 )

(3.11)

Comme loperateur de transfert temporel (3.11) poss`ede la meme forme que


G(z) dans lequation (3.3), on lappellera egalement, par abus de langage, fonction
de transfert.
Rappelons que la representation par fonction de transfert presuppose un syst`eme
lscr. La condition dun syst`eme initialement au repos a ete introduite en ecrivant
lequation (3.2) permettant dobtenir la fonction de transfert G(z) ou, de facon
equivalente, par lequation (3.7) pour loperateur de transfert temporel G(q 1 ).
Quel est lordre du mod`ele G(z) de lequation (3.3)?
Est-il necessaire dimposer m n dans lequation (3.3) afin de garantir la causalite du syst`eme? Considerer le cas n = 2, m = 3 et d = 1.

104

MODELES
DE REPRESENTATION
PARAMETRIQUES

Le bruit n(t) est generalement un signal analogique qui perturbe la sortie analogique du processus yp (t). Comme on consid`ere ici un mod`ele discret vu au travers de
convertisseurs A/N et N/A, on note par n(k) la contribution discr`ete du bruit `a la
sortie y(k). Le bruit n represente leffet global de plusieurs sources derreur: erreurs
de caracterisation, bruits de mesure, perturbations.
Il existe deux analyses possibles de lidentification selon que lon consid`ere la
nature aleatoire du bruit comme negligeable et donc y de nature deterministe, ou
alors le bruit comme un signal aleatoire important et y de nature stochastique. Ceci
est decrit bri`evement ci-dessous.
Approche deterministe: La sortie dun syst`eme deterministe est parfaitement
determinee `a partir de ses entrees passees et presente. Bien que les processus
reels soient rarement deterministes, si les erreurs de nature aleatoire (bruits de
mesure) sont faibles, elles peuvent etre ignorees et les signaux dentree et de
sortie consideres comme parfaitement connus (deterministes). Les param`etres
estimes sont alors egalement deterministes et peuvent etre obtenus `a partir
dun nombre reduit de mesures.
Approche stochastique: Dans un syst`eme stochastique, le signal de sortie est
de type aleatoire et change donc de mani`ere imprevisible. Les param`etres estimes sont, `a leur tour, des variables aleatoires quil convient de caracteriser
statistiquement. Le nombre de mesures necessaires est en general plus eleve
que pour une approche deterministe.
Exemple Soit le circuit electrique RCL donne `a la figure 3.2. La mise en equation
donne:
duc
d2 u c
+
RC
+ uc
dt2
dt
duc
y = RC
dt
et ainsi la fonction de transfert suivante:
u = LC

G(s) =

Y (s)
RCs
=
U(s)
LCs2 + RCs + 1

(3.12)

La fonction de transfert discr`ete de ce syst`eme du deuxi`eme ordre est de la forme:


G(q 1 ) =

b0 + b1 q 1
y(k)
= q 1
u(k)
1 + a1 q 1 + a2 q 2

(3.13)

Si le retard d etait zero, y(k) repondrait instantanement `a un saut de tension


u(k), ce qui est impossible aux bornes dune capacite. Le vecteur de param`etres,
dans ce cas = (a1 , a2 , b0 , b1 )T , peut etre identifie `a partir de mesures de u(k) et
y(k) comme on le verra plus loin. A partir de G(q 1 ), on peut calculer une fonction
de transfert analogique de la forme (cf. 1.3.3.2):
G(s) =

s2

s
+ 1 s + 1

(3.14)

`
3.2 MODELE
DU PROCESSUS
iL

105
C

uC
u

Fig. 3.2 Schema dun circuit RCL.


Lidentification des param`etres physiques se fait alors sur la base dune comparaison des coefficients des fonctions de transfert (3.12) et (3.14):
LC = 2
RC = 1 =

(3.15)
(3.16)

Il sagit l`a dun syst`eme de deux equations algebriques non lineaires possedant
trois inconnues R, L et C. Il sera donc impossible didentifier les param`etres physiques au-del`a dun facteur multiplicatif pr`es.

3.2

`
MODELE
DU PROCESSUS

Les mod`eles didentification utilisent le plus souvent une representation discr`ete,


bien que les processus physiques reels soient generalement de nature continue. Ceci
resulte du fait que, dune part, lordinateur qui se charge de lidentification voit
un processus discret `a travers les convertisseurs A/N et N/A et que, dautre part,
lidentification des param`etres, la synth`ese du regulateur et la simulation du syst`eme
sont plus simples sous forme numerique que sous forme analogique.
Lidentification dun mod`ele lineaire se base souvent sur une representation externe frequentielle, cest-`a-dire une fonction de transfert. Celle-ci est representee
dans le cas echantillonne par la forme generale de lequation (3.3) ou (3.11). Il y a
cependant des choix structurels importants `a faire concernant la caracterisation de
cette fonction de transfert, `a savoir:
le nombre de coefficients du polynome A(q 1 ) (valeur de n),
le nombre de coefficients du polynome B(q 1 ) (valeur de m + 1),
le retard (valeur de d 1).

Ces choix sop`erent le plus souvent de facon iterative, en ce sens quun choix peut
etre corrige a posteriori sur la base dune analyse des resultats de lidentification.
Pour un choix a priori, il est souvent recommande de tester le syst`eme `a laide dun
saut unite et den deduire approximativement lordre du syst`eme et le retard (cf. la
methode de Ziegler-Nichols, 2.6.1.2).

MODELES
DE REPRESENTATION
PARAMETRIQUES

106

n(k)
u(k)

N/A PROCESSUS A/N

G(q-1)

y p(k)

+
+

y(k)

+ es(k)

y m(k)

Fig. 3.3 Erreur de sortie es (k).

3.3

`
CRITERES
DE PERFORMANCE

Le choix du crit`ere de performance `a optimiser influencera non seulement le


resultat de lidentification, mais egalement la methode de calcul des param`etres. On
utilise le plus souvent un crit`ere quadratique base sur une mesure de distance (ou
erreur) entre les valeurs mesurees et celles predites `a laide du mod`ele.

3.3.1

Crit`
ere bas
e sur lerreur de sortie

Lerreur de sortie es (k) est la difference entre la sortie mesuree y(k) et la sortie
du mod`ele ym (k) qui resultent de la meme excitation u(k), comme cela est illustre
`a la figure 3.3. On a donc:
es (k) y(k) ym (k) = yp (k) + n(k) ym (k)
Pour le mod`ele
G(q 1 ) =

B(q 1 )
ym (k)
= q d
u(k)
A(q 1 )

(3.17)

(3.18)

lequation aux differences correspondante secrit:


ym (k) = a1 ym (k 1) . . . an ym (k n)
+ b0 u(k d) + b1 u(k d 1) + . . . + bm u(k d m) (3.19)
La sortie du mod`ele ym (k) depend des param`etres ai et bj , (i = 1, 2, ...n; j =
0, 1, . . . , m). Comme ym (k 1), . . . , ym(k n) dependent egalement de ces memes
param`etres, ym (k) est une fonction non lineaire de ces param`etres. Il sensuit que
lerreur de sortie est une fonction non lineaire des param`etres `a identifier. On le voit
egalement en considerant lexpression suivante pour lerreur de sortie:
es (k) = y(k) ym (k) = y(k) q d

B(q 1 )
u(k)
A(q 1 )

(3.20)

dans laquelle les param`etres ai et bj interviennent de facon non lineaire.


Afin dexprimer la qualite dun mod`ele propose, on consid`ere la somme des erreurs de sortie quadratiques. Pour determiner le meilleur mod`ele, on minimisera

`
3.3 CRITERES
DE PERFORMANCE

107
n(k)

u(k)

N/A PROCESSUS

q-d B (q-1)

A/N

y p(k)

+
y(k)
+

A (q-1)

ee(k)

Fig. 3.4 Erreur dequation ee (k).


ensuite ce crit`ere par rapport au vecteur de param`etres = [a1 , . . . , an , b0 , . . . , bm ]T :
min J() =

N
X

e2s (k)

(3.21)

k=1

o`
u N represente le nombre de mesures disponibles.
La difficulte majeure de cette approche didentification reside dans le fait quil
sagit l`a dun probl`eme de regression non lineaire avec lexistence possible de minima locaux. La section suivante definira un autre type derreur qui resultera en un
probl`eme de regression lineaire.

3.3.2

Crit`
ere bas
e sur lerreur d
equation

En general, la sortie mesuree y diff`ere de ym , celle du mod`ele. Lerreur d


equation ee (k) represente lerreur dans lequation (3.19) lorsque la sortie du mod`ele ym
est remplacee par la sortie mesuree y:
ee (k) y(k) + a1 y(k 1) + . . . + an y(k n)
b0 u(k d) b1 u(k d 1) . . . bm u(k d m) (3.22)
Lerreur dequation peut egalement secrire comme suit:
ee (k) = A(q 1 )y(k) q d B(q 1 )u(k)

(3.23)

et est donc la difference entre la sortie y(k) filtree `a laide du denominateur A(q 1 )
de la fonction de transfert et lentree u(k) filtree `a laide du numerateur q d B(q 1 )
de la fonction de transfert (fig. 3.4).
Comme les echantillons u(k d), . . . , u(k d m) sont donnes et les echantillons
y(k), . . . , y(k n) sont mesures, lerreur dequation ee (k) est lineaire par rapport
aux param`etres , cest-`a-dire ai et bj (i = 1, 2, ...n; j = 0, 1, . . . , m).
On peut egalement ecrire lequation (3.22) sous la forme:
ee (k) = y(k) [a1 y(k 1) . . . an y(k n) + b0 u(k d) + b1 u(k d 1)
+ . . . + bm u(k d m)] (3.24)

PSfrag
108

MODELES
DE REPRESENTATION
PARAMETRIQUES

yp (k) +

u(k)
N/A PROCESSUS A/N

q 1

n(k)

y(k)
+

y(k)

(k)

Fig. 3.5 Erreur de prediction (k).


Dans le cas dun mod`ele correct, on a ym (k) = yp (k) et donc y(k) = ym (k)+n(k).
En remplacant y(k) par ym (k) + n(k) dans lequation (3.23) et en utilisant lequation
(3.18), on obtient:
ee (k) = A(q 1 )n(k)
(3.25)
La minimisation de lerreur dequation quadratique secrit:
min J() =

N
X

e2e (k)

(3.26)

k=1

et constitue un probl`eme de regression lineaire par rapport aux param`etres =


[a1 , . . . , an , b0 , . . . , bm ]T .

3.3.3

Crit`
ere bas
e sur lerreur de pr
ediction

Lerreur de prediction (k) est la difference entre la sortie mesuree y(k) et la


sortie predite y(k). La sortie predite `a linstant k est calculee `a partir de toutes
les informations disponibles jusqu`a linstant k 1. Cette sortie peut etre presentee
comme (fig. 3.5):
y(k) = F (, u(k1), u(k2), . . . , y(k1), y(k2), . . . , y(k1), y(k2), . . .) (3.27)
o`
u F est une fonction `a definir. A la section 3.5, plusieurs predicteurs seront definis
et leur proprietes etudiees dans le cadre de la methode de lerreur de prediction. Ici,
on peut mentionner que lerreur de sortie es (k) et lerreur dequation ee (k) sont des
cas particuliers de lerreur de prediction. Si lon prend la sortie du mod`ele pour la
sortie predite (
y (k) = ym (k)) on retrouve le crit`ere de lerreur de sortie. Dans ce cas
la sortie predite secrit:
y(k) = a1 y(k 1) an y(k n) + b0 u(k d) + + bm u(k d m) (3.28)
Lerreur dequation dans lequation (3.24) peut aussi etre ecrite comme une erreur de prediction en choisissant la sortie predite egale au terme entre crochets de
lequation (3.24):
y(k) = a1 y(k 1) an y(k n) + b0 u(k d) + + bm u(k d m) (3.29)
Avec ce choix on obtient (k) = ee (k) = y(k) y(k).


3.4 ALGORITHME DES MOINDRES CARRES

3.3.4

109

Quel crit`
ere choisir?

Maintenant que nous avons introduit des crit`eres de performance, encore


convient-il de choisir le plus approprie! On pourrait penser que le crit`ere base sur
lerreur dequation est preferable du fait quil gen`ere un probl`eme de regression lineaire. On verra `a la section 3.5 que la qualite de la prediction, et donc le choix du
crit`ere, dependent essentiellement de la nature du bruit n(k).
La relation entre le crit`ere de lerreur de sortie et lerreur dequation est simple `a
determiner pour le cas hypothetique o`
u les mod`eles identifies en utilisant les crit`eres
bases sur lerreur de sortie et lerreur dequation sont les memes. On calcule aisement
une relation entre lerreur dequation ee (k) et lerreur de sortie es (k) `a partir des
equations (3.20) et (3.23):
ee (k) = A(q 1 )es (k)
(3.30)
Est-ce que n(k) = 0 est suffisant pour obtenir le meme mod`ele avec les deux
crit`eres?

3.4

ALGORITHME DES MOINDRES CARRES

Considerons le cas de la minimisation du crit`ere quadratique base sur lerreur


dequation en utilisant la methode des moindres carres. Supposons que le syst`eme
soit strictement causal (d 1).
Cette supposition est-elle justifiee?

A partir de lequation (3.24), on a:


avec:

(k) = y(k) T (k)

(3.31)

T (k) = [y(k 1), . . . , y(k n), u(k d), . . . , u(k d m)] (3.32)
T = [a1 , . . . , an , b0 , . . . , bm ]
(3.33)
o`
u (k) represente le vecteur des variables explicatives (ou regresseur), le vecteur
des param`etres `a identifier et (k) lerreur dequation ecrite sous la forme generique
derreur de prediction.
Le terme T (k) correspond au terme entre crochets de lequation (3.24) et
represente donc la prediction de y(k) obtenue `a laide du mod`ele et des entrees et
sorties mesurees (3.29). Le mod`ele (3.31) est lineaire par rapport aux param`etres `a
identifier . Lalgorithme des moindres carres presente ci-dessous sera valable pour
tout mod`ele qui peut secrire sous la forme (3.31).
En accumulant N mesures, par exemple aux instants discrets k = 1, 2, ...N,
lequation (3.31) donne sous forme matricielle:

T (1)
y(1)
(1)

.. ..
..
(3.34)

. = .
.
T
(N)
y(N)
(N)

MODELES
DE REPRESENTATION
PARAMETRIQUES

110
que lon note:

avec les dimensions suivantes:


E
Y

:
:
:
:

E = Y

(N 1)
(N 1)
(N p)
(p 1)

(3.35)

vecteur derreurs
vecteur de mesures
matrice dobservations
vecteur de param`etres

o`
u p = n + m + 1 represente le nombre de param`etres `a identifier.
Remarquons que
T (1) = [y(0), . . . , y(1 n), u(1 d), . . . , u(1 d m)]
contient des elements avec des indices de temps negatifs. Ces elements sont inconnus
et seront choisis nuls en supposant que le syst`eme dynamique soit initialement au
repos. Si cela nest pas le cas, on mettra lentree `a zero et attendra que le syst`eme
atteigne letat stationnaire (environ 3-5 constantes de temps) avant daccumuler les
N mesures. Si les mesures ont dej`a ete prises et ne proviennent pas dun syst`eme
initialement au repos, il convient alors didentifier en plus les conditions initiales du
syst`eme y(0), y(1), ..., y(1 n), u(1 d), ..., u(1 d m), ce qui a pour effet de
doubler le nombre de grandeurs `a identifier!
La minimisation de lerreur de prediction quadratique secrit ainsi:
min J() =

N
X
k=1

2 (k) = E T E

= [Y ]T [Y ] = Y T Y 2Y T + T T

(3.36)

Le vecteur de param`etres qui minimise lequation (3.36) annule le gradient de


J par rapport `a :

do`
u lon tire:
que lon ecrit egalement:


J()
= 2T Y + 2T = 0
=
= (T )1 T Y

(3.38)

= + Y

(3.39)

(3.37)

o`
u represente la matrice pseudo-inverse de (cf. annexe B, equation B.17).
Lequation (3.37), egalement connue sous le nom d
equation normale, represente une condition necessaire, mais non suffisante, `a la minimisation de (3.36). On
verifiera egalement que soit de rang p et que le hessien de J par rapport `a ,
soit une matrice symetrique definie positive:
evalue `a ,

2 J()
= 2T > 0
(3.40)

T
=


3.4 ALGORITHME DES MOINDRES CARRES

111

Ceci implique que corresponde bien `a un minimum de J. Le terme (T ) est


une matrice carree de dimension p appelee matrice dinformation. Ses elements
dependent, entre autres, du signal u(k) qui excite le syst`eme. En r`egle generale, cette
matrice est reguli`ere lorsque lentree u(k) est suffisamment excitee (cf. 3.7.3).
Si la matrice T est singuli`ere, lequation (3.38) poss`ede une infinite de solutions.
Dans ce cas, il est possible de calculer la solution `a norme minimale `a laide de la
relation (3.39) (cf. equation B.19).
Lestimee du vecteur de param`etres, donnee par lequation (3.38), secrit egalement sous la forme equivalente suivante:
" N
#1 " N
#
X
X
=
(k)T (k)
(k)y(k)
k=1

"

k=1

N
1 X
(k)T (k)
N k=1

#1 "

N
1 X
(k)y(k)
N k=1

(3.41)

Lequation (3.41) indique que peut egalement etre interprete comme le resultat
dune analyse de correlation (cf. section 2.3) si le nombre de donnees N tend vers
linfini:
1
= R
(0)Ry (0)
(3.42)

3.4.1

Formulation r
ecurrente des moindres carr
es

En vue dune implantation sur ordinateur, lequation (3.38) peut etre transformee
sous forme recurrente. En considerant les mesures jusqu`a linstant kT et avec les
notations suivantes similaires `a celles de lequation (3.34):

T (1)
y(1)
(1)

..
(3.43)
k =
Yk = ...
Ek = ...

.
T
(k)
y(k)
(k)
lequation (3.41) donne:

k =

" k
X

(i) (i)

i=1

#1

k
X

(i)y(i)

(3.44)

i=1

De cette mani`ere, k represente lestimee de au temps kT sur la base des k


premi`eres equations. Lorsque les mesures apparaissent successivement dans le temps,
il est interessant de calculer k , k+1 , . . . par recurrence, cest-`a-dire de calculer k+1
`a partir de k sans effectuer chaque fois linversion matricielle indiquee par lequation
(3.44). Pour ce faire on re-ecrit lequation (3.44) comme suit:
k = Pk

k
X
i=1

(i)y(i)

(3.45)

MODELES
DE REPRESENTATION
PARAMETRIQUES

112

o`
u la matrice carree Pk de dimension p (nombre de param`etres) est linverse de
la matrice dinformation. Si la structure du mod`ele est correcte, la matrice Pk est
asymptotiquement proportionnelle `a la covariance de lerreur destimation.
" k
#1
X
Pk =
(i)T (i)
(3.46)
i=1

1
Notons egalement que la matrice Pk+1
peut se calculer de facon recurrente comme
suit:
1
Pk+1
=

k+1
X

(i)T (i) =

i=1
Pk1

k
X

(i)T (i) + (k + 1)T (k + 1)

i=1
T

+ (k + 1) (k + 1)

(3.47)

Le vecteur de param`etres `a linstant k + 1 peut secrire:


k+1 = Pk+1
=

k+1
X

k
X
(i)y(i) + (k + 1)y(k + 1)]
(i)y(i) = Pk+1 [

i=1
Pk+1 [Pk1 k

(3.48)

i=1

+ (k + 1)y(k + 1)]

(3.49)

1
= Pk+1 [Pk+1
(k + 1)T (k + 1)]k + Pk+1(k + 1)y(k + 1) (3.50)
= k + Pk+1(k + 1)[y(k + 1) T (k + 1)k ]
(3.51)

Le terme entre crochets correspond `a lerreur de prediction (k + 1) calculee `a partir


de k . Cette erreur est ponderee par le gain Pk+1 (k+1), ce qui gen`ere une correction
de k proportionnelle `a lerreur de prediction.
Lalgorithme des moindres carres peut etre presente par les deux equations recurrentes suivantes:
1
Pk+1
= Pk1 + (k + 1)T (k + 1)
k+1 = k + Pk+1(k + 1)[y(k + 1) T (k + 1)k ]

(3.52)
(3.53)

A linstant k + 1, on mesure y(k + 1) et on construit le vecteur (k + 1). Puis, on


1
calcul Pk+1
`a partir de lequation (3.52) et enfin k+1 `a partir de lequation (3.53).
Comme la matrice (k + 1) T (k + 1) est definie non-negative, lequation (3.52)
1
montre que la matrice Pk+1
augmente de facon monotone avec k. Il sensuit que
Pk+1 , et donc egalement le gain Pk+1 (k + 1) dans lequation (3.53), diminuent avec
k, resultant ainsi en une identification qui aura de plus en plus de peine `a corriger le
vecteur k sur la base de lerreur de prediction (k + 1). La ponderation des mesures
par lintroduction dun facteur doubli permettra de remedier `a ce probl`eme.
Pour eviter linversion de la matrice Pk+1 `a chaque iteration, on peut utiliser la
lemme dinversion matricielle. Selon cette lemme soient A, C et C 1 + DA1 B des
matrices inversibles, alors:
(A + BCD)1 = A1 A1 B[C 1 + DA1 B]1 DA1

(3.54)


3.4 ALGORITHME DES MOINDRES CARRES

113

Il est facile `a demontrer que (A + BCD)(A1 A1 B[C 1 + DA1 B]1 DA1 ) = I.

Prenons A = Pk1 , B = (k + 1), C = 1, D = T (k + 1) dans lequation (3.52),


on obtient:
Pk (k + 1)T (k + 1)Pk
(3.55)
Pk+1 = Pk
1 + T (k + 1)Pk (k + 1)
Cette equation a lavantage de ne pas necessiter linversion dune matrice, mais
uniquement celle dun scalaire.
Il existe deux facons dinitialiser la recurrence:
des valeurs initiales sont fixees, generalement 0 = 0 et P0 = I o`
u represente
un tr`es grand scalaire (par exemple = 10000) et I la matrice unite,
la recurrence commence `a literation p + 1 (si lon estime p param`etres) avec:
p = 1
et
Pp = [Tp p ]1
(3.56)
p yp
Il est utile de mentionner quil existe dautres formules recurrentes, equivalentes
`a celles presentees ci-dessus, mais mieux conditionnees pour les calculs numeriques
(equations stabilisees, equations factorisees). Elles sont cependant moins didactiques et ne sont pas donnees ici.
Par rapport `a lalgorithme batch (ou par paquet) des moindres carres donne `a
lequation (3.38), lidentification recurrente offre les avantages suivants:
estimation du mod`ele en temps reel,
compression importante des donnees, car lalgorithme recurrent traite `a chaque
instant une seule paire entree/sortie au lieu de lensemble des donnees,
exigences memoire et puissance de calcul plus faibles,
implantation aisee sur microprocesseur.

3.4.2

Moindres carr
es pond
er
es

3.4.2.1

Principe

Avec N mesures aux instants discrets k = 1, 2, . . . , N, lerreur de prediction


secrit (cf. equation 3.35):
E = Y
(3.57)
Cette equation matricielle comporte N lignes. Toutes les erreurs de prediction
(1), . . . , (N) ne doivent pas necessairement avoir la meme importance dans le
crit`ere quadratique. Il est possible de les ponderer, par exemple comme suit:
EW W [Y ]
o`
u W est une matrice de ponderation de dimension (N N).

(3.58)

Les elements de EW se calculent de la mani`ere suivante `a partir des elements de


W et de E:
N
X
EW (i) =
wij (j)
i = 1, . . . , N
(3.59)
j=1

MODELES
DE REPRESENTATION
PARAMETRIQUES

114

On choisit souvent une matrice de ponderation diagonale, ce qui permet decrire:


EW (i) = wii (i)

i = 1, . . . , N

(3.60)

Le crit`ere quadratique suivant est ensuite minimise:


T
J() = EW
EW = E T W T W E = [Y ]T W T W [Y ]

(3.61)

Le vecteur des param`etres estimes devient alors (cf. equation 3.38):


= (T W T W )1 T W T W Y
3.4.2.2

(3.62)

Choix de la matrice de pond


eration

Un crit`ere de choix indique que les mesures plus anciennes poss`edent une influence reduite dans le calcul des param`etres actuels. Linfluence des mesures plus
anciennes est artificiellement reduite par lintroduction du facteur doubli , par
exemple:

N 1
0

..

0
.
T
avec 1 (souvent 0.9 0.99) (3.63)
W W =

0
0
3.4.2.3

Moindres carr
es pond
er
es r
ecurrents

A partir de lequation (3.62) et (3.63), on obtient:


k
k
k
X
X
X
(i)ki y(i) = Pk
(i)kiy(i)
k = [
(i)kiT (i)]1
i=1

i=1

(3.64)

i=1

La matrice Pk+1 se calcul de facon recurrente comme suit:

1
Pk+1
= Pk1 + (k + 1)T (k + 1)

(3.65)

Lintroduction dun facteur doubli permet deviter une diminution trop rapide des
elements de la matrice Pk+1 ce qui resulterait en un gain Pk+1 (k + 1) faible et ainsi
en une correction trop petite de k . En suivant la meme demarche pour lalgorithme
des moindres carres recurrente et le lemme dinversion matricielle, on obtient la
formulation suivante avec le facteur doubli:


1
Pk (k + 1)T (k + 1)Pk
Pk+1 =
Pk
(3.66)

+ T (k + 1)Pk (k + 1)
k+1 = k + Pk+1(k + 1)[y(k + 1) T (k + 1)k ]
(3.67)
Lintroduction du facteur doubli permet egalement didentifier des param`etres
qui varient lentement dans le temps. Un plus petit permet une meilleure poursuite de param`etres variables, alors quun plus grand permet une meilleure elimination des perturbations par effet de lissage.


3.4 ALGORITHME DES MOINDRES CARRES
3.4.2.4

115

Exemple

Considerons le syst`eme dynamique du premier ordre:


y(k) + a0 y(k 1) = b0 u(k 1) + e0 (k)
avec 0 = [a0 b0 ]T les vrais param`etres du syst`eme, u(k) lentree specifiee, y(k) la
sortie mesuree et e0 (k) un bruit blanc de moyenne nulle. Remarquons que dans cet
exemple e0 (k) ne correspond pas au traditionnel bruit additif sur la sortie (bruit
de sortie), mais plutot `a un bruit dequation blanc.
Lobjectif est destimer le vecteur de param`etres sur la base des sequences
dentree et de sortie u(k) et y(k). La minimisation du crit`ere quadratique base sur
lerreur dequation sera utilise.
Syst`
eme stationnaire: Le cas dun syst`eme stationnaire est dabord considere:
0 = [0.5 0.5]T .
Les figures 3.6a et 3.6b representent le signal dentree echelon u(k) utilise ainsi
que la reponse bruite y(k). Pour 0 = [0 0]T et P0 = I, les equations (3.52)-(3.53)
permettent destimer les param`etres du syst`eme (fig. 3.6c) et la matrice P appelee
communement la matrice de covariance de lerreur destimation (fig. 3.6d). On remarque que les param`etres estimes convergent rapidement vers les vraies valeurs et
que les elements de la matrice P tendent vers 0 (P21 = P12 puisque la matrice P est
symetrique). Un tel algorithme aura de la peine `a corriger le vecteur k sur la base
de lerreur de prediction car le gain Pk+1(k + 1) dans lequation (3.53) est faible.
On le verra tr`es bien dans le cas suivant.
Syst`
eme non stationnaire, sans facteur doubli: Le syst`eme varie maintenant
dans le temps comme suit:

[0.5 0.5]T
k < 200
0 =
pour
T
k 200
[0.5 0.5]
Le meme algorithme que precedemment est utilise et donne les resultats representes `a la figure 3.7. On remarque que les param`etres estimes ne convergent pas
vers les vraies valeurs car la matrice P , et donc le gain P , sont trop faibles pour
forcer une correction lorsque le syst`eme change `a k = 200. Il faudra introduire un
facteur doubli de facon `a ce que les elements de P ne tendent pas asymptotiquement
vers 0.
Syst`
eme non stationnaire, avec facteur doubli: Pour le syst`eme non stationnaire
precedent, lutilisation dun facteur doubli ( = 0.97) permet de conserver un gain
suffisant pour suivre la variation des param`etres. Les elements de P augmentent
(grace `a < 1) lorsque lexcitation du syst`eme est faible mais, comme auparavant,
diminuent rapidement lorsque le syst`eme est fortement excite (il est interessant de

MODELES
DE REPRESENTATION
PARAMETRIQUES

116

a)

b)

y
2

1
0.5

-0.5

-1

-1
0

200

400

600

c)

200

400

P11, P12 = P21, P22

600

d)

^b

0.5

-2

0.8
0.6

0
0.4

^a
-0.5
-1

0.2
0

200

400

600

200

400

600

Fig. 3.6 Identification des param`etres dun syst`eme stationnaire: (a) signal dentree; (b) sortie bruitee; (c) param`etres estimes; (d) elements de la matrice P .

a)

b)

y
2

1
0.5

-0.5

-1

-1
0

200

400

600

-2

c)

200

400

P11, P12 = P21, P22

600

d)

0.8

0.5

^
b

0.6

0
0.4
-0.5

0.2

^a
-1

200

400

600

200

400

600

Fig. 3.7 Identification des param`etres dun syst`eme non stationnaire sans facteur
doubli: (a) signal dentree; (b) sortie bruitee; (c) param`etres estimes; (d) elements
de la matrice P .


3.4 ALGORITHME DES MOINDRES CARRES
a)

b)

y
2

1
0.5

-0.5

-1

-1
0

200

400

1
0.5

600

-2

c)

200

400

P11, P12 = P21, P22

600

d)

^
b

-0.5
-1

117

^a
0

200

400

600

-1

200

400

600

Fig. 3.8 Identification des param`etres dun syst`eme non stationnaire avec facteur
doubli ( = 0.97): (a) signal dentree; (b) sortie bruitee; (c) param`etres estimes; (d)
elements de la matrice P .
comparer le comportement des elements de P dans les figures 3.7d et 3.8d). Comme
le gain dadaptation reste suffisant, lalgorithme peut ajuster correctement la valeur
des param`etres (fig. 3.8c).

3.4.3

Erreur et variance destimation

Considerons le probl`eme de regression lineaire pour la minimisation de lerreur


de prediction (en fait lerreur dequation) quadratique.
On suppose que le processus puisse etre represente par le vrai mod`ele suivant:
A0 (q 1 )y(k) = q d0 B0 (q 1 )u(k) + e0 (k)

(3.68)

avec les (vrais) polynomes A0 (q 1 ) et B0 (q 1 ) et le (vrai) bruit dequation e0 (k). La


sortie de ce mod`ele secrit:
y(k) = a01 y(k 1) a0n0 y(k n0)+b00 u(k d0 )+ +b0m0 u(k d0 m0 )+e0(k)

= T (k)0 + e0 (k) (3.69)

o`
u 0 est le vecteur de vrais param`etres. On peut expliciter les param`etres du mod`ele
du processus sous la forme regressive vectorielle suivante:
Y = 0 + E0

(3.70)

MODELES
DE REPRESENTATION
PARAMETRIQUES

118

avec E0T = [e0 (1), . . . , e0 (N)].


Lerreur de prediction sous forme matricielle secrit (3.35):
E = Y

(3.71)

o`
u est le vecteur des param`etres `a identifier et E le vecteur des erreurs de prediction
`a minimiser. Pour le cas dune structure de mod`ele correcte (cest-`a-dire n = n0 ,
m = m0 et d = d0 ), en combinant ces deux derni`eres equations, on peut expliciter
le vecteur des erreurs de prediction comme suit:
E = Y = (0 + E0 ) = (0 ) + E0

(3.72)

On minimise ensuite cette erreur de prediction quadratique pour obtenir le vec On peut alors definir lerreur destimation comme suit (cf.
teur de param`etres .
equations 3.38, 3.41 et 3.70):
0 = (T )1 T Y (T )1 T 0 = (T )1 T E0
#1 "
#
"
N
N
X
1
1 X
(k)T (k)
(k)e0 (k)
=
N k=1
N k=1

(3.73)
(3.74)

Comme E0 est un vecteur de variables aleatoires, le vecteur des param`etres estimes le sera aussi. Si le nombre de donnees N tend vers linfini, la valeur moyenne
de lerreur destimation ou biais est egale `a:
1
E{ 0 } = R
(0)Re0 (0)

(3.75)

Ainsi, le biais sera nulle si les deux conditions suivantes sont satisfaites:
1. la matrice R (0) est reguli`ere,
2. Re0 (0) = 0
La condition 1 est remplie si le syst`eme est suffisamment excite (cf. 3.7.3).
La condition 2 impose que le bruit dequation e0 (k) du (vrai) syst`eme ne soit pas
correle avec le regresseur (k). Cette condition est verifiee si e0 (k) est un bruit blanc.
Mais en realite, il est tr`es peu probable que e0 (k) soit blanc. Supposons que e0 (k)
est un bruit colore et peut sexprimer comme C0 (q 1 )e(k), cest-`a-dire le bruit blanc
de moyenne nulle e(k) filtre par le polynome C0 (q 1 ) = 1 + c01 q 1 + + c0p q p .
Re0 (0) devient ainsi:

Re0 (0) = E

y(k 1)
..
.
y(k n)
u(k d)
..
.
u(k d m)

[e(k) + c01 e(k 1) + + c0p e(k p)]

(3.76)


3.4 ALGORITHME DES MOINDRES CARRES

119

avec, `a partir de (3.68):


y(k) = [1 A0 (q 1 )]y(k) + B0 (q 1 )u(k d) + C0 (q 1 )e(k)

(3.77)

En general, Re0 6= 0 car, par exemple, e(k 1) influence `a la fois e0 (k) et (k)
par lintermediaire de y(k 1).

La matrice de covariance des param`etres estimes peut etre determinee `a partir


de lequation (3.73):
= E{( 0 )( 0 )T } = E{(T )1 T E0 E T (T )1 }
cov()
0

(3.78)

Si le bruit dequation e0 (k) est blanc nous avons E{E0 E0T } = 02 I, o`


u 02 est la
variance du bruit e0 (k) et I est la matrice unite. On obtient donc:
"
#1
N

2
X
0
1
2
T
1
T

cov() = 0 E{( ) } = E
(k) (k)
(3.79)

N N k=1
Lorsque le nombre de donnees tend vers linfini la matrice de covariance secrit:
=
cov()

02 1
R (0)
N

(3.80)

Comme on pouvait limaginer, la variance des param`etres depend proportionnellement `a la variance du bruit. Pour avoir une meilleure estimation des param`etres,
un signal dexcitation plus riche doit etre choisi afin que la matrice dinformation
devienne plus importante. On peut toujours augmenter le nombre de donnees N
pour reduire la variance des param`etres.
De facon generale, la methode des moindres carres basee sur lerreur dequation
est simple `a mettre en uvre (regression lineaire) mais donne souvent des estimations
biaisees car lerreur dequation est correlee avec le regresseur. Cest lelimination du
biais en presence derreurs (perturbations, bruit de mesure, erreurs de mod`ele) qui
est `a lorigine du developpement de la plupart des methodes didentification. Celles-ci
se classent en deux categories, selon lapproche choisie pour reduire le biais:
methodes basees sur la decorrelation dun vecteur dobservations auxiliaire et
de lerreur de prediction: methode des variables instrumentales,
methodes basees sur lintroduction dun mod`ele du bruit et minimisation de
lerreur de prediction.

3.4.4

M
ethode des variables instrumentales

Dans lapproche didentification des param`etres par moindres carres lineaires,


lerreur destimation sannule lorsque le bruit dequation e0 (k) nest pas correlee
avec le vecteur dobservations (Re0 (0) = 0). Une solution consiste `a creer un vecteur
dobservations auxiliaire a qui soit, par construction, non correle avec le bruit de
mani`ere `a obtenir egalement Ra e0 (0)
= 0.

120

MODELES
DE REPRESENTATION
PARAMETRIQUES

La methode des variables instrumentales (instrumental variable method, IV)


implante cette solution. Elle rel`eve fondamentalement des techniques de correlation
et est donc fondee sur des considerations statistiques dont la validite necessite un
grand nombre de mesures (N ). Lidee est de remplacer la solution des moindres
carres lineaires (equation 3.38) par:
IV = (TIV )1 TIV Y

(3.81)

o`
u IV est une matrice de variables instrumentales (ou, de mani`ere equivalente, IV
est un vecteur de variables instrumentales).
Une analyse tout `a fait similaire `a celle de la section 3.4.3 indique que lerreur
destimation sera nulle si les deux conditions suivantes sont satisfaites:
la matrice TIV est reguli`ere,
RIV e0 (0) = 0

ce qui signifie que les variables instrumentales doivent etre correlees avec le regresseur mais non correlees avec le bruit e0 . Pour un nombre fini de donnees,
RIV e0 (0) nest pas nulle mais elle sera tr`es petite. Il en resulte que la grandeur
du biais dependra aussi de la grandeur de la matrice TIV . Le meilleur vecteur de
variables instrumentales est celui qui rend le plus grand possible la matrice TIV .
Pour cela, IV (k) doit etre une approximation non bruitee du regresseur (k).
Plusieurs possibilites existent pour le choix des variables instrumentales, notamment:
1. Decalage de h coups dhorloge des variables bruitees dans le regresseur
TIV (k) = [y(k h 1) . . . y(k h n) u(k d 1) . . . u(k d m)] (3.82)
o`
u le retard des observations doit satisfaire la condition h deg[C0(q 1 )],
C0 (q 1 ) etant le polynome permettant de generer e0 (k) `a partir du bruit blanc
de moyenne nulle e(k). Notons que si e0 (k) est un bruit blanc, deg[C0 (q 1 )] =
0 et h 0, cest-`a-dire quun decalage nest pas necessaire pour eliminer
asymptotiquement lerreur destimation.
Dautre part, pour que les observations retardees de la sortie soient representatives, la periode dechantillonnage ne doit pas etre trop petite. Il sensuit que
cette approche est applicable seulement si le bruit (perturbations, bruit de
mesure) est de haute frequence par rapport `a la bande passante du processus.
2. Construction des variables instrumentales `a laide dun mod`ele auxiliaire
TIV (k) = [yM (k 1) . . . yM (k n) u(k d 1) . . . u(k d m)] (3.83)
o`
u yM (k) est une approximation de yp (k) (la sortie non bruitee) generee `a partir
dun mod`ele auxiliaire dont lentree est u(k). Comme il faut disposer dun mod`ele auxiliaire suffisamment representatif, on initialise souvent cette approche
avec la solution obtenue `a partir des moindres carres lineaires. Lavantage de
ce choix est quil na pas besoin dinformations et dhypoth`eses sur le bruit.

3.5 METHODE
DE LERREUR DE PREDICTION

3.5

121

METHODE
DE LERREUR DE PREDICTION

Le probl`eme didentification parametrique peut etre etudie dans un cadre plus


general avec la methode de lerreur de prediction. Cette methode est basee sur les
trois etapes suivantes:
1. Choisir la structure du mod`ele du syst`eme. Le choix de la structure depend
des hypoth`eses sur lordre du mod`ele du processus et la nature du bruit. Deux
hypoth`eses differentes pour le bruit sont considerees:
(a) Le bruit nest pas correle avec lentree du processus. Cette hypoth`ese
conduit aux structures sans mod`ele du bruit.
(b) Le bruit sur la sortie est un bruit blanc filtre par un filtre dordre fini.
Cette hypoth`ese conduit aux structures avec mod`ele du bruit.
2. Definir le predicteur de la sortie en relation avec la structure du mod`ele. Le
predicteur est une fonction des param`etres du mod`ele `a identifier ( inconnu)
et des signaux dentree et sortie, y(k) = F (, y(k 1), . . . , u(k 1), . . .). En
r`egle generale, le predicteur est defini tel que lerreur de prediction pour le
meilleur predicteur F (0 , y(k 1), . . . , u(k 1), . . .) (o`
u 0 est le vecteur de
param`etres du vrai mod`ele) ne soit pas correlee avec lentree pour lhypoth`ese
(a) ou soit blanche pour lhypoth`ese (b). Ce choix sera justifie par la suite.
3. Minimiser lerreur de prediction avec une methode numerique. Apr`es avoir
defini le predicteur pour la structure choisie, on obtient lerreur de prediction
(k) = y(k) y(k) qui est une fonction du vecteur des param`etres `a identifier
. On obtient ainsi un probl`eme doptimisation numerique dont le crit`ere `a
minimiser est la norme 2 de lerreur de prediction:
N
1 X 2
= arg min J() =
(k)

N k=1

(3.84)

Ce crit`ere peut etre minimise `a laide de lalgorithme iteratif de Gauss-Newton qui


nous donne un minimum local du crit`ere. On peut egalement resoudre ce probl`eme
doptimisation non lineaire avec la regression pseudo-lineaire qui est exploitee au
3.5.3.1.

3.5.1

Structures sans mod`


ele du bruit

3.5.1.1

Structure OE

Supposons que la sortie mesuree du syst`eme puisse etre exprimee comme suit:
y(k) = G0 (q 1 )u(k) + n(k)

(3.85)

o`
u n(k) est un bruit stationnaire `a moyenne nulle independant de lentree et G0 (q 1 )
est le vrai mod`ele du syst`eme avec une fonction de transfert dordre fini representee
par:
q d0 B0 (q 1 )
G0 (q 1 ) =
(3.86)
A0 (q 1 )

MODELES
DE REPRESENTATION
PARAMETRIQUES

122

n(k)

u(k)

q d0 B0 (q 1 )
A0 (q 1 )

yp (k)

y(k)

Fig. 3.9 Structure OE


avec
B0 (q 1 ) = b00 + b01 q 1 + + b0m0 q m0
A0 (q 1 ) = 1 + a01 q 1 + + a0n0 q n0
0T = [a01 , . . . a0n0 , b00 , . . . , b0m0 ]

(3.87)
(3.88)
(3.89)

La structure du mod`ele presentee `a lequation (3.85) et `a la figure 3.9 est connue


sous le nom de la structure de lerreur de sortie (output error, OE).
Considerons lequation (3.85) et supposons quon soit `a linstant k 1 et quon
veuille predire la sortie du syst`eme `a linstant k (predicteur `a un pas). La sortie
mesuree peut secrire y(k) = yp (k) + n(k). Il est evident que la sortie du mod`ele
du processus yp (k) peut etre facilement calculee avec les informations disponibles `a
linstant k 1 `a condition que les param`etres du vrai mod`ele G0 (q 1 ) soient parfaitement connus. Par contre, etant un signal aleatoire, le bruit n nest pas previsible
avant sa realisation `a linstant k. Donc le meilleur predicteur pour la structure de
lerreur de sortie est:
y(k, 0 ) = G0 (q 1 )u(k)
(3.90)
o`
u y(k, 0 ) est la sortie predite `a linstant k qui depend du vecteur de param`etres du
vrai mod`ele 0 . Comme 0 est en principe inconnu, on peut construire un predicteur
parametrise o`
u le vecteur 0 est remplace par un vecteur de param`etres inconnu
comme suit:
q d B(q 1 )
u(k)
(3.91)
y(k, ) = G(q 1 , )u(k) =
A(q 1 )
o`
u G(q 1 , ) est lensemble des mod`eles candidats pour le vrai mod`ele avec:
B(q 1 ) = b0 + b1 q 1 + + bm q m
A(q 1 ) = 1 + a1 q 1 + + an q n
T = [a1 , . . . an , b0 , . . . , bm ]

(3.92)
(3.93)
(3.94)

Si d0 = d, m0 = m et n0 = n, on dit que G0 (q 1 ) appartient `a lensemble des mod`eles


G(q 1 ), cest-`a-dire G(q 1 , 0 ) = G0 (q 1 ).
La sortie predite est en effet la sortie du mod`ele ym et lerreur de prediction
pour cette structure est lerreur de sortie es (k) dej`a definie au 3.3.1. Lerreur de

3.5 METHODE
DE LERREUR DE PREDICTION

123

n(k)

u(k)

q d0 B0 (q 1 )

yp (k)

y(k)

Fig. 3.10 Structure FIR


prediction secrit:
(k, ) = y(k) y(k, ) = G0 (q 1 )u(k) + n(k) G(q 1 )u(k)
= [G0 (q 1 ) G(q 1 )]u(k) + n(k) (3.95)
A partir de cette equation, on observe que si G0 (q 1 ) appartient `a lensemble des
mod`eles et = 0 , cest-`a-dire G(q 1 ) = G0 (q 1 ), lerreur de prediction sera egale au
bruit (k, 0 ) = n(k). Alors, pour = 0 , lerreur de prediction ne sera pas correlee
avec lentree du processus. Cette propriete interessante peut etre utilisee pour la
validation du mod`ele identifie.
Cette structure est la meilleure structure pour identifier un mod`ele si le but
didentification est de trouver un mod`ele de simulation et on na pas besoin dun
mod`ele du bruit. Cependant, les param`etres du mod`ele interviennent de facon non
lineaire dans lequation de lerreur de prediction (en faite lerreur de sortie) et par
consequent cela conduit `a un probl`eme de regression non lineaire pour lequel un
optimum global ne peut pas etre garanti facilement.
3.5.1.2

Structure FIR

Un cas particulier de la structure OE est le cas o`


u n0 = 0 ou A0 (q 1 ) = 1. Ceci
est nomme la structure de FIR (finite impulse response ou reponse impulsionnelle
finie )(fig. 3.10).
Pour cette structure on a:
y(k) = q d B0 (q 1 )u(k) + n(k)

(3.96)

La prediction de la sortie de ce mod`ele secrit:


y(k) = q d B(q 1 )u(k)

(3.97)

On calcule ensuite lerreur de prediction:


(k) = y(k) y(k) = y(k) Tf (k)

(3.98)

Tf (k) = [u(k d), u(k d 1), . . . , u(k d m)]

(3.99)

o`
u
T = [b0 , b1 , . . . , bm ]

(3.100)

124

MODELES
DE REPRESENTATION
PARAMETRIQUES

On observe que le probl`eme de minimisation de lerreur de prediction dans ce cas


est un probl`eme de regression lineaire par rapport au vecteur de param`etres . Une
estimation de peut etre calculee avec la methodes des moindres carres (3.41). Pour
la structure FIR, les coefficients du polynome B0 correspondent `a un nombre fini de
termes de la reponse impulsionnelle du syst`eme. Alors, lordre de polynome B(q 1 )
doit etre choisi tel que (m + d)T soit plus grand ou egal au temps detablissement
de la reponse impulsionnelle du syst`eme. Lerreur destimation des param`etres est
calculee tel que presente `a la sous-section 3.4.3:
#
#1 " N
" N
X
X
T
f (k)n(k)
(3.101)
f (k) (k)
0 =
f

k=1

k=1

Lestimation des param`etres est donc non biaisee car n(k) nest pas correle avec le
regresseur f (k) qui ne contient que le signal dentree.

3.5.2

Structures avec mod`


ele du bruit

On peut demontrer que si le spectre du bruit est strictement positif dans toutes
les frequences entre 0 et (nn () > 0, [0 ]), le bruit n(k) peut toujours etre
modelise par un bruit blanc `a moyenne nulle e(k) filtre par une fonction de transfert
stable est inversement stable:
n(k) = H0 (q 1 )e(k) =

C0 (q 1 )
e(k)
D0 (q 1 )

(3.102)

o`
u C0 et D0 sont des polynomes moniques (le premier coefficient est 1) avec toutes
les racines `a linterieur du cercle unite. En introduisant le mod`ele du bruit dans
lequation (3.85), on obtient une classe de structures plus large pour le vrai syst`eme:
y(k) = G0 (q 1 )u(k) + H0 (q 1 )e(k)

(3.103)

Comme le bruit `a linstant k est un bruit blanc filtre, il depend aussi des valeurs
passees de e (donc disponibles) `a linstant k 1. Pour trouver les elements previsibles
du bruit, il est exprime comme suit:
n(k) = H0 (q 1 )e(k) = [H0 (q 1 ) 1]e(k) + e(k)


C0 (q 1 ) D0 (q 1 )
e(k) + e(k) (3.104)
=
D0 (q 1 )


C0 (q 1 ) D0 (q 1 )
On observe que n(k) contient deux termes:
e(k) et e(k). Le
D0 (q 1 )
deuxi`eme terme e(k) est toute `a fait imprevisible `a linstant k 1, tandis que le
premier terme est previsible si H0 (q 1 ) est connu. Ceci peut etre explique en developpant la difference de C0 (q 1 ) et D0 (q 1 ) qui sont des polynomes moniques:
C0 (q 1 ) D0 (q 1 ) = (c01 d01 )q 1 + (c02 d02 )q 2 +

(3.105)

3.5 METHODE
DE LERREUR DE PREDICTION

125
n(k)

u(k)

N/A PROCESSUS A/N

G(q 1)

ym

+ y(k)

yp (k)

H 1(q 1)
(k)

Fig. 3.11 Schema de lerreur de prediction explicitant les mod`eles du processus et


du bruit
On sapercoit que le premier terme de n(k) `a lequation (3.104) ne depend que des
valeurs de e(k 1), e(k 2), . . . et est donc accessible `a linstant k 1. Ceci nous
permet de definir le meilleur predicteur de la sortie pour la structure generale (3.103)
comme suit:
y(k, 0 ) = G0 (q 1 )u(k) + [H0 (q 1 ) 1]e(k)
(3.106)
o`
u 0 contient les param`etres du mod`ele du processus G0 (q 1 ) et du mod`ele du bruit
H0 (q 1 ). Avec ce predicteur ideal, lerreur de prediction sera egale au bruit blanc
e(k) et donc egalement blanche:
(k, 0 ) = y(k) y(k, 0 ) = e(k)

(3.107)

Malheureusement, le vecteur de param`etres 0 est inconnu et les valeurs e(k


1), e(k 2), . . . ne sont pas mesurables. On se contente donc de definir un predicteur parametrise o`
u 0 est remplace par et e(k 1), e(k 2), . . . sont estimes
par (k 1), (k 2), . . .:
y(k, ) = G(q 1 )u(k) + [H(q 1) 1](k, )

(3.108)

Lerreur de prediction dans ce cas secrit:


(k, ) = y(k) y(k, ) = y(k) G(q 1 )u(k) [H(q 1 ) 1](k, )

(3.109)

ce qui donne:
(k, ) = H 1 (q 1 )[y(k) G(q 1 )u(k)]

(3.110)

La figure 3.11 montre le schema de calcul de lerreur de prediction explicitant les


mod`eles du processus et du bruit. En remplacant y(k) de lequation (3.103) dans

126

MODELES
DE REPRESENTATION
PARAMETRIQUES

lequation (3.110), on obtient:


(k, ) = H 1(q 1 )[G0 (q 1 )u(k) + H0 (q 1 )e(k) G(q 1 )u(k)]
(3.111)





= H 1(q 1 ) G0 (q 1 ) G(q 1 ) u(k) + H0 (q 1 ) H(q 1 ) e(k) + e(k)

Ainsi, si G0 et H0 appartiennent `a lensemble des mod`eles G et H, pour = 0 on


aura G = G0 et H = H0 et ainsi (k, ) = e(k) et donc une erreur de prediction
blanche. Intuitivement, ce resultat important peut sexpliquer comme suit. Lerreur
de prediction represente le desaccord entre la mesure y(k) et la prediction y(k, )
du mod`ele complet (mod`eles du processus et du bruit). Un bon mod`ele sera capable
dexpliquer `a la fois la composante deterministe de la sortie y(k) qui resulte de lentree u(k) ainsi que la composante qui provient du bruit, lequel peut etre genere `a
partir dun bruit blanc (hypoth`ese de depart). Ainsi, la sequence derreurs de prediction (appelee r
esidus) ne sera pas correlee avec lentree si le mod`ele du processus
est correct. De plus, elle sera blanche de par lequation (3.111) si les mod`eles du
processus et du bruit sont corrects.
Pour simplifier la notation largument dans le mod`ele, le predicteur de la sortie
et lerreur de prediction sont omis par la suite. Mais il faut toujours se rappeler que
y(k) et (k) sont des fonctions de .
Avec differentes hypoth`eses sur le mod`ele du bruit, differentes structures peuvent
etre definies. Nous presentons maintenant la prediction de la sortie pour certains cas
speciaux.
3.5.2.1

Structure ARX

Cette structure modelise le bruit n(k) par un bruit blanc filtre `a laide du denominateur du mod`ele du processus (fig. 3.12):
y(k) =

q d0 B0 (q 1 )
1
u(k)
+
e(k)
A0 (q 1 )
A0 (q 1 )

(3.112)

Cette hypoth`ese est tr`es contraignante mais, comme on le verra par la suite, a lavantage que le predicteur base sur cette structure est lineaire par rapport aux vecteur
de param`etres du mod`ele `a identifier. Ceci nous permet de resoudre le probl`eme de
minimisation de lerreur de prediction de facon analytique et trouver le minimum
global.
Cette structure est connue sous la denomination ARX, o`
u AR fait reference au
1
terme auto-regressif A0 (q )y(k) (quand on multiplie les deux cotes de lequation
(3.112) par A0 (q 1 )) et X `a lentree externe u(k).
Le predicteur de la sortie pour le mod`ele ARX sobtient en remplacant H(q 1)
1
dans lequation (3.108):
par
A(q 1 )
y(k) =

q d B(q 1 )
1
u(k) + [
1](k)
1
A(q )
A(q 1 )

(3.113)

3.5 METHODE
DE LERREUR DE PREDICTION

127
e(k)

1
A0 (q 1 )
u(k)

q d0 B0 (q 1 )
A0 (q 1 )

n(k)
+ y(k)

yp (k)

Fig. 3.12 Structure ARX


Lerreur de prediction est obtenu aussi en remplacant H(q 1 ) par
lequation (3.110):

1
dans
A(q 1 )

q d B(q 1 )
u(k)]
A(q 1 )
= A(q 1 )y(k) B(q 1 )u(k d)
= y(k) a1 y(k 1) an y(k n) + b0 u(k d) + + bm u(k d m)
= y(k) T (k)

(k) = A(q 1 )[y(k)

On observe que lequation de lerreur de prediction pour le mod`ele ARX et la meme


que lerreur dequation (3.23). Ceci nous permet dutiliser lalgorithme des moindres
carres pour la minimisation du crit`ere quadratique base sur lerreur de prediction.
Lestimation du vecteur de param`etres sera non biaise si le bruit sur la sortie est un
bruit blanc filtre par le denominateur du mod`ele du processus.
3.5.2.2

Structure ARMAX

Pour cette structure, la sortie mesuree secrit (fig. 3.13):


y(k) =

q d0 B0 (q 1 )
C0 (q 1 )
u(k)
+
e(k)
A0 (q 1 )
A0 (q 1 )

(3.114)

Cette structure, qui consid`ere un terme de moyenne glissante (moving average) pour
le bruit C0 (q 1 )e(k) (quand on multiplie les deux cotes de lequation par A0 (q 1 ))
en plus du terme auto-regressif, est tr`es utilisee pour lidentification de syst`emes
dynamiques dans le domaine de lautomatique. On remarque la flexibilite accrue
par rapport au mod`ele ARX pour representer le bruit et on sattend `a ce que la
modelisation du bruit influencera moins celle du processus. Malheureusement, on
verra par la suite que le predicteur base sur cette structure est non lineaire par
rapport au vecteur des param`etres `a identifier.
Comme les deux fonctions de transfert de la figure 3.13 poss`edent le meme denominateur, ce mod`ele est utile lorsque le bruit agit en amont du processus.

MODELES
DE REPRESENTATION
PARAMETRIQUES

128

e(k)

C0 (q 1 )
A0 (q 1 )
u(k)

q d0 B0 (q 1 )
A0 (q 1 )

n(k)
+ y(k)

yp (k)

Fig. 3.13 Structure ARMAX


C(q 1 )
dans lequation (3.108) on obtient la predicA(q 1 )
tion de la sortie pour le mod`ele ARMAX:
En remplacant H(q 1) par

y(k) =

q d B(q 1 )
C(q 1 )
u(k)
+
[
1](k)
A(q 1 )
A(q 1 )

(3.115)

Lerreur de prediction pour le mod`ele ARMAX secrit donc:


q d B(q 1 )
A(q 1 )
[y(k)

u(k)]
C(q 1 )
A(q 1 )
1
=
[A(q 1 )y(k) B(q 1 )u(k d)]
1
C(q )

(k) =

(3.116)

Lerreur de prediction est non lineaire par rapport au param`etres du mod`ele du


processus et du bruit. Lerreur de prediction sera blanche si la structure du vrai
mod`ele est ARMAX et appartient `a lensemble des mod`eles candidats (d = d0 et les
ordres de A, B et C sont respectivement les memes que ceux de A0 , B0 et C0 ).
3.5.2.3

Structure Box-Jenkins

La structure proposee par Box et Jenkins 3.14 est plus generale car les mod`eles
du processus et du bruit nont pas de facteur communs. Ainsi, on a plus de degre de
liberte pour modeliser le bruit mais egalement plus de param`etres `a identifier. La
sortie mesuree est representee par:
y(k) =

C0 (q 1 )
q d0 B0 (q 1 )
u(k)
+
e(k)
A0 (q 1 )
D0 (q 1 )

(3.117)

Cette structure conduit aussi `a un predicteur non lineaire par rapport au vecteur
de param`etres:
q d B(q 1 )
C(q 1 )
y(k) =
u(k)
+
[
1](k)
(3.118)
A(q 1 )
D(q 1 )

3.5 METHODE
DE LERREUR DE PREDICTION

129
e(k)

C0 (q 1 )
D0 (q 1 )
u(k)

q d0 B0 (q 1 )
A0 (q 1 )

n(k)
+ y(k)

yp (k)

Fig. 3.14 Structure Box-Jenkins


Lerreur de prediction pour le mod`ele BJ secrit `a partir de lequation (3.110) en
C(q 1 )
remplacant H(q 1 ) par
:
D(q 1 )
D(q 1 )
q d B(q 1 )
(k) =
[y(k)
u(k)]
C(q 1 )
A(q 1 )

3.5.3

(3.119)

Minimisation de lerreur de pr
ediction

On a vu que les param`etres dun mod`ele sont identifies en minimisant un crit`ere


quadratique base sur lerreur de prediction definie comme:
N
N
1 X 2
1 X
J() =
(k) =
[y(k) y(k)]2
N k=1
N k=1

(3.120)

Pour les structures FIR et ARX, lerreur de prediction est lineaire par rapport au
vecteur de param`etres `a identifier et donc le minimum du crit`ere (3.84) peut etre
calcule avec la methode des moindres carres presentee `a la section 3.4. Les autres
structures resultent en un probl`eme doptimisation non lineaire pour laquelle on
utilise le plus souvent lalgorithme iteratif de Gauss-Newton. Une autre approche
est de resoudre ce probl`eme de mani`ere iterative en resolvant `a chaque iteration
un probl`eme de regression lineaire do`
u le nom de r
egression pseudo-lin
eaire.
Il convient de noter quun probl`eme doptimisation non lineaire poss`ede en general
plusieurs solutions avec la possibilite doptima locaux. Nous allons etudier ces deux
approches par la suite.
3.5.3.1

R
egression pseudo-lin
eaire

Considerons le predicteur de lerreur de sortie donne `a lequation (3.91). En


multipliant les deux cotes de cette equation par A(q 1 ) on obtient:
A(q 1 )
y (k) = B(q 1 )u(k d)

(3.121)

130

MODELES
DE REPRESENTATION
PARAMETRIQUES

Cette equation peut etre representee sous forme vectorielle comme suit:
y(k) = a1 y(k 1), , an y(k n) + b0 u(k d) + + bm u(k d m)

= Te (k) (3.122)

o`
u
Te (k) = [
y (k 1), . . . ,
y (k n), u(k d), . . . , u(k d m)] (3.123)
T
= [a1 , . . . , an , b0 , . . . , bm ]
(3.124)
Lerreur de prediction (k) = y(k) Te (k) a la forme dune regression lineaire
mais en realite cest un probl`eme de regression non lineaire car le regresseur e (k)
contient la sortie estimee y qui est une fonction de . Ce probl`eme peut etre resolu
avec une methode iterative avec lalgorithme suivant:
#
#1 " N
" N
X
X
e (k, i )y(k)
(3.125)
e (k, i )T (k, i )
i+1 =
e

k=1

k=1

Cette approche connue sous le nom de lalgorithme de substitution est lalgorithme


le plus simple pour resoudre les probl`emes doptimisation non lineaire. Une initialisation de lalgorithme avec la methode des moindres carres est indispensable.
Cet algorithme peut egalement etre applique aux structures avec un mod`ele du
bruit. A titre dexemple, considerons la structure ARMAX avec lerreur de prediction presentee `a lequation (3.116). En multipliant les deux cotes de cette equation
par C(q 1 ), lerreur de prediction peut etre reformulee sous forme dune regression
pseudo-lineaire comme suit:
(k) = y(k) [a1 y(k 1) an y(k n) + b0 u(k d) + + bm u(k d m)

+ c1 (k 1) + + cp (k p)] = y(k) Tx (k) (3.126)

o`
u p est lordre du polynome C(q 1 ) et
Tx (k) = [y(k 1), . . . , y(k n), u(k d), . . . , u(k d m),
(k 1), . . . , (k p)]
(3.127)
T
= [a1 , . . . , an , b0 , . . . , bm , c1 , . . . , cp ]
(3.128)
Une estimation de sobtient en remplacant e (k, i ) par x (k, i ) dans lequation
(3.125).
Reformuler lerreur de prediction de la structure Box-Jenkins sous forme dune
regression pseudo-lineaire.
3.5.3.2

Algorithme de Gauss-Newton

La methode de regression pseudo-lineaire est tr`es simple `a mettre en uvre mais


la convergence de lalgorithme ne peut pas etre demontree. En pratique, on pref`ere

3.5 METHODE
DE LERREUR DE PREDICTION

131

utiliser lalgorithme de Gauss-Newton. Dans cet algorithme, le vecteur de param`etres


`a literation i + 1 est estime avec la relation suivante:
i+1 = i [J (i )]1 J (i )

(3.129)

o`
u J (i ) est le gradient et J (i ) le Hessien du crit`ere (3.120) evalue `a i . Lalgorithme est initialise par les param`etres identifies avec la methode des moindres
carres (ARX) pour le mod`ele du processus. Les param`etres du mod`ele du bruit sont
souvent initialises `a zero. Le gradient et le Hessien se calculent aisement pour chaque
structure.
Le gradient de J() par rapport `a secrit:
N

J
2 X y
2 X
(k)(k)
J () =
=
(k) =

N k=1
N k=1

(3.130)

o`
u (k) est le gradient du predicteur:
y

Le Hessien du crit`ere est calcule comme suit:



N 
N

2 X
2 X
2J
T

(k)
(k)

(k) T (k)
=
(k)

J () =
T

N k=1

N k=1
(k)

(3.131)

(3.132)

Le deuxi`eme terme de Hessien est ignore car il est tr`es petit par rapport au premier
terme au voisinage de la solution ((k) sapproche du bruit blanc e(k) dont la somme
sur N donnees converge vers zero quand N tend vers linfini). Pour implanter lalgorithme de Gauss-Newton on a besoin de calculer le gradient de la prediction de la
sortie (k).
A titre dexemple, on calcule (k) pour la structure de lerreur de sortie avec le
predicteur suivant:
y(k) =

q d B(q 1 )
b0 + b1 q 1 + + bm q m
u(k)
=
u(k d)
A(q 1 )
1 + a1 q 1 + + an q n

(3.133)

On calcule la derivee de y(k) pour les param`etres du numerateur et du denominateur


separement:
y
q i
1
=
u(k d) =
u(k d i)
1
bi
A(q )
A(q 1 )
q i B(q 1 )
1
y
=
u(k

d)
=
y(k i)
ai
A2 (q 1 )
A(q 1 )

i = 0, . . . , m

(3.134)

i = 1, . . . , n

(3.135)

On obtient donc:
1
[
y (k 1), . . . ,
y (k n), u(k d), . . . , u(k d m)]
A(q 1 )
1
=
Te (k)
(3.136)
1
A(q )

T (k) =

132

MODELES
DE REPRESENTATION
PARAMETRIQUES

On peut resumer lalgorithme de Gauss-Newton pour identifier les param`etres


de la structure de lerreur de sortie comme suit:
1. Choisir lordre du syst`eme `a identifier (d, n, m) et le crit`ere darret > 0.
2. Initialiser le vecteur de param`etres avec la methode des moindres carres (i = 1):
1 = (T )1 Y .
3. Calculer y(k, i ) = G(q 1 , i )u(k) pour k = 1, . . . , N
4. Calculer lerreur de prediction (k, i ) = y(k) y(k, i ) pour k = 1, . . . , N.
1
5. Calculer le vecteur T (k, i ) =
Te (k, i ) pour k = 1, . . . , N avec
1

A(q , i )
Te (k, i ) = [
y (k 1, i ), . . . ,
y (k n, i ), u(k d), . . . .u(k m)]
N

2 X
(k, i )(k, i )
6. Calculer le gradient du crit`ere J (i ) =
N k=1

N
2 X

7. Calculer le Hessien du crit`ere J (i ) =


(k, i ) T (k, i )
N k=1

8. Calculer i+1 = i [J (i )]1 J (i )


9. Si (i+1 i )T (i+1 i ) < , arreter lalgorithme avec = i+1 sinon i = i + 1
et retourner `a 3.
Cet algorithme utilise aussi dans MATLAB converge normalement apr`es moins dune
dizaine diterations.
1
Montrer que pour la structure ARMAX le vecteur (k) =
x (k) avec
C(q 1 )
x (k) defini `a lequation (3.127).
Remarque: Rappelons que la sortie mesuree dun syst`eme est une variable aleatoire
`a cause de linfluence du bruit sur la sortie. De meme, lerreur de prediction (k) et
le vecteur de param`etres estimes sont aussi des variables aleatoires dans le sens
quavec l acquisition dune nouvelle donnee on a une realisation du bruit et donc
La covariance du vecteur de param`etres estiegalement une realisation du vecteur .
mes dependra de la variance du bruit sur la sortie 02 . La covariance des param`etres
est determinee `a laide de la relation suivante (quand N est suffisamment grand):
"
#1
N
2
X
1

0
= E{( 0 )( 0 )T } =
(k) T (k)
(3.137)
cov()
N N k=1

3.5.4

Analyse fr
equentielle de lerreur de pr
ediction

Aux sections precedentes, on a toujours suppose que le mod`ele du processus et


le mod`ele identifie ont la meme structure et les memes ordres. En pratique, dans la
plus part des cas, le mod`ele identifie a une complexite inferieure au mod`ele reel et
lobjectif et dobtenir une bonne approximation du vrai mod`ele dans une certaine

3.5 METHODE
DE LERREUR DE PREDICTION

133

bande de frequences. Cest la raison pour laquelle une interpretation frequentielle


du crit`ere quadratique de lerreur de prediction est tr`es interessante.
Pour obtenir une interpretation frequentielle du crit`ere (3.84), on peut utiliser le
theor`eme de Parseval qui demontre legalite de lenergie (ou de la puissance moyenne)
dun signal (aleatoire ou deterministe) dans les domaines temporel et frequentiel. Ce
theor`eme est asymptotique et donc valable lorsque le nombre de donnees tend vers
linfini. Pour lerreur de prediction, on a:
Z
N
1
1 X 2
(k) =
()d
E{ (k)} = lim
N N
2

k=1
2

(3.138)

Pour determiner la densite spectrale de lerreur de prediction, on utilise la relation


entre les densites spectrales des signaux entree-sortie dun mod`ele. Pour un mod`ele
G(q 1 ) avec lentree u(k) et sortie y(k), en utilisant les relations suivantes:
uy () = G(ej )uu (), yy () = G(ej )yu (), uy () = yu ()
on demontre facilement:
yy () = |G(ej )|2 uu ()

(3.139)

Considerons maintenant lerreur de prediction pour la structure de lerreur de


sortie:
(k) = [G0 (q 1 ) G(q 1 )]u(k) + n(k)
(3.140)
En utilisant la relation (3.139) et le fait que n(k) est u(k) ne sont pas correles, on
obtient:
() = |G0 (ej ) G(ej )|2 uu () + nn ()
(3.141)
Le vecteur des param`etres estimes secrit:
Z


1

= arg min
|G0 (ej ) G(ej )|2 uu () + nn () d
2

(3.142)

Cette expression montre clairement que:

Le minimum du crit`ere sobtient pour = 0 (lestimation est non biaisee).


Dans le cas dune difference dordre entre G(q 1 ) et G0 (q 1 ), une bonne approximation de G0 (ej ) sobtient aux frequences o`
u uu () a des valeurs importantes.
Pour obtenir une ponderation frequentielle sur lerreur du mod`ele G0 (ej )
G(ej ), il suffit de filtrer lentree et la sortie du syst`eme par un filtre F (q 1)
avant dappliquer le procedure doptimisation. Dans ce cas, le vecteur des
param`etres estimes secrit:
Z


1

= arg min
|F (ej )|2 |G0 (ej ) G(ej )|2 uu () + nn () d
2
(3.143)

134

MODELES
DE REPRESENTATION
PARAMETRIQUES

Considerons maintenant lerreur de prediction pour les structures avec un mod`ele


du bruit:





(k) = H 1 (q 1 ) G0 (q 1 ) G(q 1 ) u(k) + H0 (q 1 ) H(q 1) e(k) + e(k)
(3.144)
De facon similaire, en appliquant le theor`eme de Parseval, on obtient:
Z
1
= arg min
|H 1 (ej )|2 [|G0 (ej ) G(ej )|2 uu ()
2
+ |H0 (ej ) H(ej )|2 ee ()]d (3.145)
Cette expression nous permet de conclure que:
Si G0 et H0 ont la meme structure et les memes ordres que G et H, une
estimation non biaisee sobtient ( = 0 ).
Si G0 et G ont des ordres differents, lerreur du mod`ele est faible aux frequences
o`
u uu () et |H 1(ej )| ont des valeurs importantes. On voit donc que le role
du mod`ele du bruit est celui de filtrer les donnees experimentales pour retomber
sur le cas du crit`ere base sur la structure de lerreur de sortie avec filtrage de
donnees. Il faut remarquer que le mod`ele de bruit permet de blanchir lerreur
de prediction et dobtenir une meilleur prediction de la sortie, mais en revanche
il donne une ponderation frequentielle souvent indesirable pour lerreur du mod`ele. A titre dexemple, la structure ARX donne une meilleure estimation du
mod`ele du processus `a hautes frequences car H 1 (q 1 ) = A(q 1 ) est un filtre
passe-haut. Les mod`eles (G et H) ainsi obtenus donnent de bonnes caracteristiques pour la prediction de la sortie mais sont moins efficaces par rapport au
mod`ele identifie par la structure de lerreur de sortie pour la simulation. MATLAB propose une option avec focus on simulation pour avoir un bon mod`ele
de simulation et un mod`ele du bruit en meme temps. Pour cela, un mod`ele
avec la structure de lerreur de sortie est tout dabord identifie, ensuite on fixe
ce mod`ele et on identifie le mod`ele du bruit avec une deuxi`eme identification
en utilisant la structure ARMA.
Si G0 et G ont les memes ordres mais H0 et H ont une structure differente,
une estimation non biaisee des param`etres de G0 est possible sil ny a pas
de facteurs communs entre G et H (la structure BJ). Dans les structures
ARX et ARMAX le biais du mod`ele du bruit rend egalement lestimation des
param`etres du mod`ele du processus biaisee `a cause de lexistence du facteur
commun A(q 1 ) dans le mod`ele du bruit et du processus.
Si G0 et H0 nont pas les memes ordres que G et H, le mod`ele du processus
est toujours mieux identifie que celui du bruit car le spectre du signal dentree
uu () est, en pratique, plus important que le spectre du bruit ee ().

3.6

IDENTIFICATION EN BOUCLE FERMEE

Les algorithmes didentification presentes ci-dessus consid`erent le syst`eme en


boucle ouverte, cest-`a-dire sans retour dinformation de la sortie vers lentree. Or,


3.6 IDENTIFICATION EN BOUCLE FERMEE

135

pour des raisons de stabilite ou de performance, il nest souvent pas possible douvrir la boucle du syst`eme commande. Dautre part, dans le cas dune commande
adaptative indirecte, la synth`ese du regulateur est basee sur un mod`ele du processus
identifie en boucle fermee. Il est donc utile detudier la performance des algorithmes
didentification parametrique dans un contexte boucle fermee. On verra quil est necessaire de distinguer deux approches: sans et avec excitation externe additionnelle.

3.6.1

Identification sans excitation externe

Soit le probl`eme de regulation donne `a la figure 3.15 (yc (k) = 0, n(k) 6= 0, k).
Comme il ny a pas dexcitation externe additionnelle, le bruit n represente la seule
excitation de ce syst`eme. Le probl`eme principal est que la matrice dinformation
peut devenir singuli`ere si le regulateur nest pas suffisamment complexe. Considerons
par exemple un regulateur proportionnel GR (q 1 ) = Kp et une structure ARX du
premier ordre comme suit:
(1 + a1 q 1 )y(k) = b1 q 1 u(k) + e(k)

(3.146)

La sortie predite est donnee par:


y(k) = a1 y(k 1) + b1 u(k 1) + e(k)


a1
= [y(k 1) u(k 1)]
+ e(k) = T (k) + e(k)
b1

(3.147)

et la grandeur u(k) par:


u(k) = Kp y(k)

La matrice dinformation secrit:



N 
X
y 2 (k 1)
y(k 1)u(k 1)
T
=
u(k 1)y(k 1)
u2 (k 1)
k=1

N 
X
y 2 (k 1) Kp y 2(k 1)
=
Kp y 2(k 1) Kp2 y 2 (k 1)

(3.148)

(3.149)

k=1

Il est evident que la matrice dinformation nest pas de rang plein et est singuli`ere,
donc les param`etres du mod`ele ne sont pas identifiables. On peut demontrer quune
condition suffisante didentifiabilite est que lordre du regulateur soit plus grand ou
egale `a lordre du mod`ele. Si un mod`ele nest pas identifiable en boucle fermee avec
un regulateur simple (par exemple un PID) on peut changer les param`etres du PID
au cours de lacquisition des donnees pour rendre reguli`ere la matrice dinformation.

3.6.2

Identification avec excitation externe

Le syst`eme boucle est excite par lintermediaire de la consigne yc (k) (fig. 3.15).
Le meme effet peut egalement etre obtenu `a partir dune excitation du signal de
commande u(k): lexcitation externe est alors ajoutee `a la sortie du reguateur.

MODELES
DE REPRESENTATION
PARAMETRIQUES

136

e(k)
H0 (q 1 )
yc (k)+
-

u(k) G (q 1 ) yp (k)
GR (q 1 )
0
+

n(k)
+ y(k)

Fig. 3.15 Schema didentification en boucle fermee avec lexcitation externe yc (k).
Dans la pratique, on pref`ere varier yc (k) plutot que lentree du procede car cette
variation a un effet plus previsible sur la grandeur commandee y(k). En effet, le
gain statique du syst`eme netant pas connu avant le resultat de lidentification, la
variation choisie pour lentree du procede peut saverer trop faible (`a peine mesurable
en y(k)) ou trop forte (perturbation inacceptable de la production).
Il est possible didentifier G0 en boucle fermee de facon directe ou indirecte.
3.6.2.1

M
ethode directe

Avec cette methode, on excite le syst`eme avec un signal dexcitation externe


yc (k) et on mesure les signaux u(k) et y(k). Parmi les methodes didentification en
boucle ouverte, seule les structures avec la modelisation du bruit sont applicables.
En fait, lhypoth`ese de base pour les structures OE et FIR nest plus satisfaite en
boucle fermee `a couse de la correlation entre le bruit et le signal dentree. Mais,
meme en boucle fermee, le bruit sur la sortie peut etre represente comme un bruit
blanc filtre (figure 3.15).
Cependant, lidentification en boucle fermee sav`ere plus difficile pour la raison
suivante: En boucle ouverte, il est suffisant que G0 et G ont les memes ordres pour
obtenir une estimation non biaisee des param`etres du mod`ele du processus sous la
condition dutilisation du mod`ele BJ (cf. 3.5.4). Donc, meme si le mod`ele du bruit
H0 (q 1 ) nappartient pas `a lensemble des mod`eles H(q 1 ) (ce qui est souvent le cas)
on peut obtenir un bon mod`ele pour le processus. Mais en boucle fermee, `a cause de
leffet du bruit sur lentree du processus, une bonne estimation du mod`ele du bruit
est necessaire pour obtenir une estimation non biaisee du mod`ele du processus.
Dautre part, la methode des variables instrumentales (cf. section 3.4.4) est bien
appropriee pour lidentification en boucle fermee avec schema direct car lexcitation
externe (independante du bruit) peut etre utilisee comme variable instrumentale.
Un autre choix plus judicieux est didentifier deux mod`eles auxiliaires pour generer
yM (k) et uM (k) et de construire le vecteur des variables instrumentales suivant:
TIV (k) = [yM (k 1) . . . yM (k n) uM (k d 1) . . . uM (k d m)] (3.150)
Dans cette methode, le mod`ele de la boucle fermee entre le signal dexcitation yc (k)
et la sortie y(k) est tout dabord identifie (avec une identification de type boucle

3.7 ASPECTS PRATIQUES DE LIDENTIFICATION

137

ouverte). yM (k) est la sortie simulee de ce mod`ele dont lentree est yc (k). Ensuite,
un autre mod`ele de la boucle fermee entre yc (k) et lentree du processus u(k) est
identifie. La sortie de ce mod`ele `a lentree yc (k) nous donne le signal uM (k). Ainsi,
le vecteur des variables instrumentales nest pas correle avec le bruit mais fortement
correle avec le regresseur.

3.6.2.2

M
ethode indirecte

On identifie la fonction de transfert en boucle fermee liant yc (k) `a y(k) comme


illustre `a la figure 3.15. Avec lhypoth`ese que le regulateur est connu, on en deduit
la fonction de transfert du processus. On a donc:
GBF (q 1 ) =

GR (q 1 )G0 (q 1 )
y(k)
=
yc (k)
1 + GR (q 1 )G0 (q 1 )

(3.151)

GBF (q 1 )
GR (q 1 )[1 GBF (q 1 )]

(3.152)

et
GP (q 1 ) =

Cette approche ram`ene donc le probl`eme de lidentification de G0 (q 1 ) en boucle


fermee `a celui de lidentification de GBF (q 1 ) en boucle ouverte. Cependant, le
mod`ele GBF (q 1 ) est generalement dordre plus eleve que G0 (q 1 ), ce qui nuit `a la
convergence des param`etres. Dautre part, le calcul de G0 (q 1 ) `a partir de GBF (q 1 )
peut poser certaines difficultes numeriques liees en particulier `a une annulation
poles/zeros.

3.7

ASPECTS PRATIQUES DE LIDENTIFICATION

Le succ`es de lidentification depend dans une large mesure de lopportunite de


certains choix a priori. Comme cela a ete mentionne precedemment, les elements
suivants jouent un role primordial dans lidentification dun syst`eme dynamique:
le choix de la periode dechantillonage et du signal dexcitation (amplitude et
contenu frequentiel),
le choix du mod`ele pour le processus et pour le bruit (nombre de poles et de
zeros, retard pur), ainsi que
le choix de lalgorithme didentification (par exemple, methode des variables
instrumentales, methode des moindres carres batch ou recurrents, ponderes ou
non, valeur du facteur doubli , valeurs initiales 0 et P0 ).
Cette section sera consacree `a certains aspects pratiques lies au conditionnement
des signaux de mesure et au choix de la periode dechantillonnage et du signal
dexcitation.

138

3.7.1

MODELES
DE REPRESENTATION
PARAMETRIQUES

Conditionnement des signaux

Il est surprenant de constater avec lexperience la diversite des artefacts que peut
ramasser un essai industriel reel (Richalet, 1991):
defaut dinstrumentation: capteur bloque, derive du transducteur, etc.
defaut dacquisition: parasite aleatoire sur la chane de traitement (isolement
defectueux, etc.),
defaut de codage (tr`es frequent): un bit du convertisseur saute aleatoirement
pendant un ou plusieurs echantillons (tr`es pernicieux si cela affecte une entree),
defaut de stockage: ecrasement partiel du fichier de donnees,
defaut dactionneur: point dur aleatoire dune vanne, saturation liee `a un mauvais calibrage de lessai, etc.
incident sur le processus: perturbation `a basse frequence de petite amplitude
mais tr`es autoritaire; modification inconnue de lenvironnement, etc.
action intempestive des operateurs mal informes ou peu cooperatifs, etc.

La liste ne sera jamais close. Une inspection attentive de bon sens permet deliminer les artefacts les plus grossiers. Il ne faut pas hesiter `a eliminer les parties
douteuses dun essai et ne garder que ce qui est interpretable. Quelle que soit la
qualite des traitements ulterieurs, aucun algorithme ne cree dinformation (garbage in garbage out).

3.7.1.1

Mise `
a l
echelle des entr
ees et sorties

Le vecteur dobservations (k) contient aussi bien des entrees u(k d


1), . . . , u(k d m) que des sorties y(k 1), . . . , y(k n). Si les valeurs numeriques des entrees sont tr`es differentes de celles des sorties, la matrice de covariance
P (ou le Hessien dans la methode de Gauss-Newton) sera mal equilibree numeriquement, conduisant `a des vitesses de convergence differentes pour les param`etres
ai et bj . Il convient donc de mettre `a lechelle les entrees et les sorties. Comme cela
modifiera le gain statique identifie, il faudra ensuite diviser ou multiplier les valeurs
des param`etres estimes par le facteur de mise `a lechelle correspondant.

3.7.1.2

D
etection de points aberrants

Certains points de mesure, carrement faux, doivent etre elimines afin de ne pas
trop influencer les resultats de lidentification.
Cela peut se faire en representant graphiquement les valeurs mesurees et en
eliminant (ou corrigeant) les valeurs aberrantes. On peut egalement detecter ces
valeurs aberrantes en visualisant lerreur de prediction (qui sera relativement tr`es
grande pour les points de mesure aberrants).

3.7 ASPECTS PRATIQUES DE LIDENTIFICATION


3.7.1.3

139

Elimination des perturbations basses fr


equences

Les donnees experimentales contiennent souvent des perturbations basses frequences telles que decalages, tendances, derives, variations periodiques. Il existe
deux approches pour eliminer ces perturbations:
les eliminer par un pretraitement des donnees,
mettre au point un mod`ele du bruit capable de les absorber.
Nous ne considererons ici que la premi`ere approche, la deuxi`eme ayant dej`a ete
presentee `a la section 3.5.
Le mod`ele lineaire du processus ne consid`ere que les variations autour dun point
de fonctionnement. Il convient donc dexprimer ces variations en eliminant la contribution (le plus souvent constante) du point de fonctionnement dans les signaux.
Plusieurs methodes existent pour cela:
a) Si le point de fonctionnement (u, y) est connu, on peut eliminer la composante
constante en choisissant lentree et la sortie du mod`ele comme des deviations
autour du point de fonctionnement:
u(k) = ue (k) u

(3.153)

y(k) = ye (k) y

(3.154)

o`
u ue (k) et ye (k) indiquent les valeurs experimentales mesurees, exprimees en
unites physiques (souvent arbitraires). Les signaux u(k) et y(k) representent
ainsi des variables
ecart.
b) Si le point de fonctionnement nest pas connu, on peut lestimer `a laide des
valeurs moyennes suivantes:
N
1 X
u=
ue (k)
N k=1
N
1 X
y=
ye (k)
N k=1

(3.155)

(3.156)

Pour une identification en temps reel, on utilise la version recurrente des equations precedentes:
1
u = u(k 1) + [ue (k) u(k 1)]
k

(3.157)

1
y = y(k 1) + [ye (k) y(k 1)]
(3.158)
k
Il est egalement possible deliminer linfluence du point de fonctionnement en
travaillant avec la derivee des signaux experimentaux. Concr`etement, on peut
filtrer les donnees experimentales `a laide du filtre L(q 1 ) = 1 q 1 , ce qui
donne:
u(k) = L(q 1 )ue (k) = ue (k) ue (k 1)
(3.159)

MODELES
DE REPRESENTATION
PARAMETRIQUES

140

n(k)
ue (k)

N/A PROCESSUS A/N

y p (k)

y e (k)

L (q-1)

L (q-1)

u(k)

y (k)

Fig. 3.16 Filtrage parall`ele des signaux experimentaux dentree et de sortie.


ye

y = 0 + 1 k

10

15

Fig. 3.17 Ligne de base y avec derive.


y(k) = L(q 1 )ye (k) = ye (k) ye (k 1)

(3.160)

Ce sont ces signaux filtres u(k) et y(k) (fig. 3.16) qui seront utilises pour
identifier un mod`ele dynamique du processus.
c) Si la ligne de base des signaux mesures nest pas constante, mais correspond `a
une derive lente, on estimera ce point de fonctionnement variable, par exemple
`a laide dune regression lineaire (fig. 3.17):
y = 0 + 1 k

(3.161)

On peut egalement le faire en temps reel en introduisant un oubli exponentiel


avec un facteur < 1:
y(k) = y(k 1) + (1 )ye (k)

(3.162)

d) De facon generale, on peut utiliser un filtre passe-haut pour reduire linfluence


des perturbations basses frequences. Afin didentifier le bon mod`ele, il convient
de filtrer de mani`ere identique les signaux dentree et de sortie comme illustre
`a la figure 3.16.
1 q 1
:
On peut utiliser le filtre passe-haut du premier ordre L(q 1 ) =
1 q 1
u(k) = u(k 1) + ue (k) ue (k 1)

(3.163)

3.7 ASPECTS PRATIQUES DE LIDENTIFICATION


y(k) = y(k 1) + ye (k) ye (k 1)

141
(3.164)

avec
= eT /f
o`
u f represente la constante de temps du filtre. Il faut veiller a` choisir cette derni`ere de mani`ere `a ne pas eliminer les basses frequences du signal dexcitation.
Par exemple, si le syst`eme est excite par un signal binaire pseudo-aleatoire de
periode = (2n 1)T , on choisira une pulsation de coupure du filtre inferieure
`a la pulsation 0 (= 2/) du signal pseudoaleatoire:
f =

1
2
< 0 = n
f
(2 1)T

(3.165)

(2n 1)T
2

(3.166)

cest-`a-dire:
f >
3.7.1.4

Elimination des perturbations hautes fr


equences

Afin deviter un recouvrement (ou repliement) de spectre du signal echantillonne,


le contenu spectral du signal analogique doit se limiter `a lintervalle [0, N ] avec
N = s /2 = /T . Comme cela ne sera pas le cas dans la pratique puisque tout
signal limite dans le temps poss`ede un spectre de frequences illimite (cf. mise `a
lechelle temporelle et frequentielle du tableau A.2 ou encore la figure A.4 dans
lannexe A, il convient de prefiltrer le signal analogique avec un filtre analogique
passe-bas (appele filtre de garde ou filtre danti-repliement) de facon `a reduire
fortement son spectre pour > N .
Si les entrees et sorties echantillonnees sont corrompues par des bruits dont le
spectre est au-del`a de celui des signaux utiles, il convient de les filtrer avec un filtre
1
:
numerique passe-bas, par exemple celui du premier ordre L(q 1 ) =
1 q 1
u(k) = u(k 1) + (1 )ue (k)

(3.167)

y(k) = y(k 1) + (1 )ye (k)

(3.168)

avec
= eT /f
o`
u f represente la constante de temps du filtre (f = 1/f sa pulsation de coupure).
De mani`ere generale, il est souvent utile de filtrer les donnees experimentales
avec un filtre passe-bande (filtre passe-bas combine avec un filtre passe-haut) afin
de reduire leffet des perturbations basses et hautes frequences et accentuer ainsi
le domaine de frequences (2-3 decades) autour de la bande passante du syst`eme `a
identifier.

MODELES
DE REPRESENTATION
PARAMETRIQUES

142

3.7.2

Choix de la p
eriode d
echantillonnage

La periode dechantillonnage T doit etre choisie avec soin avant le debut de


lexperience, car elle ne peut plus etre reduite une fois les echantillons memorises.
Par contre, la periode dechantillonnage peut aisement etre doublee, triplee, etc. en
laissant simplement tomber une partie des donnees (decimation).
Une borne superieure pour T est donnee par la condition dechantillonnage de
Shannon (N > max , cest-`a-dire T < /max , o`
u N represente la pulsation de
Nyquist et max la plus grande pulsation contenue dans les signaux dentree et de
sortie). En pratique, il est recommande dutiliser un filtre de garde afin de reduire le
contenu frequentiel `a hautes frequences et ainsi les effets de recouvrement de spectre.
Notons que ces probl`emes de recouvrement de spectre sont egalement actuels
lorsquun signal echantillonne est decime. Dans ce cas, et dans ce cas seulement, le
filtre de garde peut etre de nature numerique.
La valeur de T dependra principalement de:
la constante de temps dominante de lapplication finale,
la precision souhaitee (`a basses et hautes frequences) du mod`ele identifie,
difficultes numeriques qui peuvent resulter si T est trop petite.
Ces points sont explicites ci-dessous.
a) Plusieurs facteurs influencent le choix de la periode dechantillonnage pour la
commande numerique: la performance du syst`eme boucle, le type dalgorithme
de commande, le spectre des perturbations, les organes de mesure et de commande, la charge de calcul pour le microprocesseur, etc. On choisit souvent la
periode dechantillonnage T dans lintervalle suivant:
BF
BF
<T <
6
2

(3.169)

o`
u BF represente la constante de temps dominante du syst`eme boucle (ou
BF = 1/BF sa bande passante). Il faut mentionner que la bande passente
de la boucle fermee est choisie normalement egale ou leg`erement superieure `a
la bande passente du syst`eme en boucle ouverte BO . Une estimation de la
constante de temps dominante du syst`eme en boucle ouverte BO = 1/BO
peut etre obtenue `a partir de la reponse indicielle du syst`eme (temps detablissement 4BO ).
La relation (3.169) peut egalement secrire dans le domaine frequentiel par
rapport `a la pulsation de Nyquist N :
2BF < N < 6BF

(3.170)

b) Si le but de lidentification se limite `a la simulation, on aura tendance `a choisir


une periode dechantillonnage plus petite de facon `a augmenter linformation
sur le syst`eme `a hautes frequences. On choisira en pratique:
BO
BO
<T <
30
10

(3.171)

3.7 ASPECTS PRATIQUES DE LIDENTIFICATION

143

Ce choix, qui correspond `a


10BO < N < 30BO

(3.172)

permet de bien modeliser le syst`eme dans la decade au-dessus de la bande


passante. Si la periode dechantillonnage est petite, on court souvent le danger,
avec une excitation binaire pseudo-aleatoire, de sous-exciter le syst`eme `a basses
frequences. Pour eviter cela, il faudra veiller `a choisir le coup dhorloge Ta du
signal dexcitation aleatoire comme un multiple de la periode dechantillonnage
(cf. 3.7.3.3):
Ta = pT
(3.173)
c) Un echantillonnage tr`es rapide conduit souvent `a des difficultes numeriques
(syst`eme dequations mal conditionne) parce que les equations aux differences
associees `a des instants voisins deviennent approximativement lineairement
dependantes.
Dautre part, les poles des fonctions de transfert discr`etes vont tendre vers 1
en perdant leur sensibilite par rapport au phenom`ene physique. Considerons
`a titre dexemple un syst`eme du premier ordre avec une constante de temps
= 50s echantillonne avec T = 0.1s. Le pole discret vaut exp(0.1/50) =
0.9980. Si augmente de 50%, le pole devient exp(0.1/75) = 0.9987, soit
une variation inferieure `a 1%!
De plus, le mod`ele sera ajuste surtout dans les hautes frequences au detriment
des basses frequences. Ceci est d
u au fait que lidentification minimise lerreur
de prediction `a linstant suivant. Plus T est petit, plus cet instant sera proche
et plus les caracteristiques hautes frequences seront accentuees. Et finalement,
il en resultera beaucoup de calculs pour un mod`ele souvent pas tr`es bon.
En conclusion, on propose de choisir T selon lequation (3.169) pour une application de commande et lequation (3.171) pour une etude limitee `a lidentification
du syst`eme.

3.7.3

Choix du signal dexcitation

3.7.3.1

Contenu fr
equentiel

Le processus `a identifier est excite `a laide du signal dentree u(k). Il est important de choisir une entree qui excite tous les modes du syst`eme, et donc toutes les
frequences correspondantes.
Par exemple, un signal dentree sinusodal de pulsation 0 ne donnera de linformation qu`a cette pulsation 0 . Il existe une infinite de syst`emes qui gen`ereront
la meme sortie pour cette entree particuli`ere. Il importe donc que u(k) contiennent
suffisamment de frequences.
Il convient egalement que cette excitation soit persistante de facon `a assurer que
la matrice T , laquelle contient les entrees et les sorties passees, soit reguli`ere (cf.
equation 3.38). La qualite de lidentification depend de la richesse de lexcitation.

144

MODELES
DE REPRESENTATION
PARAMETRIQUES

Dautre part, si lexcitation est insuffisante, la convergence vers zero de lerreur de


prediction (k) nimplique pas necessairement la convergence des param`etres estimes
vers les vrais param`etres du mod`ele. Considerons `a titre dexemple le syst`eme:
y(k + 1) = ay(k) + bu(k)

(3.174)

et le mod`ele estime de meme structure:


y(k + 1) =
ay(k) + bu(k)

(3.175)

ou y(k + 1) represente la sortie predite par le mod`ele estime.


Supposons que le syst`eme se trouve `a letat stationnaire et que les gains statiques
du syst`eme et du mod`ele soient egaux:
b
b
=
1+a

1+a

(3.176)

avec a
6= a et b 6= b. Si lentree reste constante `a la valeur u, les sorties du syst`eme
et du mod`ele resteront elles-memes constantes aux valeurs suivantes:
y(k + 1) = y(k) =

b
u
1+a

b
u
1+a

En raison de la relation (3.176), lerreur de prediction sera nulle:


y(k + 1) = y(k) =

(k + 1) = y(k + 1) y(k + 1) = 0

(3.177)
(3.178)

(3.179)

sans pour autant que a


= a et que b = b. Lapplication dune entree constante ne
permet donc pas, dans ce cas, didentifier correctement les param`etres a et b.
On demontre quune identification correcte de a et b est possible en utilisant
lentree u(k) = sin(kT ) avec 6= 0.

Pour un mod`ele discret de la forme (3.31) avec p param`etres `a identifier, il est


possible de choisir u(k) comme la somme de q sinusodes de frequences distinctes:
u(k) =

q
X

sin(i kT )

(3.180)

i=1

avec

p
q
si p est pair
2
q p + 1 si p est impair
2

Pour bien identifier les param`etres, il faut donc appliquer une entree riche en
frequences. En pratique, on utilise souvent des excitations binaires (deux niveaux de
signal) avec une duree variable par niveau. Cette duree peut varier lineairement ou
etre generee de mani`ere pseudo-aleatoire.

3.7 ASPECTS PRATIQUES DE LIDENTIFICATION


3.7.3.2

145

Amplitude

Lamplitude du signal dexcitation represente un compromis entre le rapport


signal-sur-bruit et la non-linearite du syst`eme `a identifier.
Lamplitude de lexcitation doit rester superieure au niveau du bruit residuel.
Si le rapport signal-sur-bruit est faible, il faudra allonger la longueur de lessai afin
dobtenir une bonne estimation des param`etres.
Dans de nombreuses applications, une excitation trop forte du processus nest
pas souhaitable en raison du caract`ere non lineaire du processus `a identifier ou, tout
simplement, parce quune telle perturbation est inacceptable pour le bon fonctionnement du processus.
3.7.3.3

Dur
ee de lessai

Considerons le cas dune excitation `a laide dun signal binaire pseudo-aleatoire


(SBPA, cf. 2.5).

Notons par Ta le coup dhorloge du signal dexcitation (Ta est un multiple de la


periode dechantillonage):
Ta = pT

p = 1, 2, 3, . . .

(3.181)

Il convient de dimensionner correctement le signal dexcitation. Par exemple,


afin de mieux identifier le gain statique du syst`eme avec un SBPA, on propose que
la duree de limpulsion la plus longue soit superieure au temps detablissement du
processus (fig. 3.18). On obtient ainsi:
nTa > 4

(3.182)

avec n la longueur du registre `a decalage, n > 5 pour que Ruu (h) puisse etre assimilee
`a une impulsion unite (cf. 2.5).

Dautre part, pour balayer tout le spectre des frequences disponibles, il faut une
longueur dessai L au moins egale `a une periode compl`ete de lexcitation:
L > (2n 1)Ta

(3.183)

Les relations (3.182) et (3.183) fixent une borne inferieure pour n et L. Par
exemple pour /T = 10, on obtient:
n > max(5, 40/p)
L > (2n 1)pT
Afin deviter des longueurs dessai prohibitives tout en garantissant une bonne
identification des basses frequences, on choisit souvent p = 2, 3 ou meme 8. Pour
lexemple precite, on obtient:
pour p = 1 n = 40 L > (240 1)T
pour p = 8 n = 5 L > (25 1)8T

MODELES
DE REPRESENTATION
PARAMETRIQUES

146

a)
y(t)
t

b)

nTa
u(t)

Ta
t

Fig. 3.18 (a) Reponse indicielle dun syst`eme avec son temps detablissement
(environ 4 ); (b) Impulsion la plus longue (nTa ) dun SBPA.
9

p=8
6

p=4
4

p=3

p=2

p=1

0.5

1.5

2.5

3.5

Pulsation (rad/s)

Fig. 3.19 Les spectres dun SBPA avec differentes valeurs de p.


ce qui represente une reduction de la duree dessai de lordre de 232 . Cependant, il
importe de noter que pour p > 1 le SBPA na plus la caracteristique frequentielle
dun bruit blanc. En effet, en augmentant la richesse de SBPA a` basses frequences
on identifie mieux `a basses frequences mais on perd la precision `a hautes frequences.
Ceci est demontre par les spectres dun SBPA avec differentes valeurs de p `a la figure
3.19. En pratique, on choisit dabord p = 1 et on compare la reponse frequentielle du
mod`ele parametrique avec celle dun mod`ele non parametrique trouve par lanalyse
spectrale. Si la difference est important dans les basses frequences on peut augmenter
p toute en verifiant lerreur dans les hautes frequences.

3.7.4

Estimation de lordre

Un des objectifs de lidentification est dobtenir le mod`ele le plus simple qui


verifie les crit`eres de validation. Une premi`ere approche pour estimer lordre du sys-

3.7 ASPECTS PRATIQUES DE LIDENTIFICATION

147

t`eme, cest-`a-dire les valeurs m, n et d qui sont respectivement lordre du polynome


B(q 1 ), A(q 1 ) et le retard, est detudier les representations non parametriques du
syst`eme. On a vu `a la section 2.2 quune estimation grossi`ere du retard et de lordre
du denominateur peut etre obtenue de la reponse indicielle ou impulsionnelle. La
pente de la reponse frequentielle du syst`eme aussi peut nous donner des indices sur
lordre du syst`eme (cf. section 2.4).
3.7.4.1

M
ethodes param
etriques pour estimation de lordre

Les methodes didentification parametrique peuvent aussi etre utilisees pour estimer lordre dun syst`eme. Considerons quon fixe le retard d = 1 et quon trace
levolution du crit`ere didentification J pour la structure ARX en fonction de la
valeur de n = m pour n = 0, . . . , nmax o`
u nmax est lordre maximum quon consid`ere pour le syst`eme. Autrement dit, pour chaque valeur de n, on lance lalgorithme
didentification avec la structure ARX et on calcule les residus en fonction de n
comme suit:
N
1 X 2
J(n) =
(k, )
(3.184)
N k=1
En theorie, sil sagit dun exemple simule et non bruite, une courbe presentant un
coude net suivi dun segment horizontal sera obtenue qui indique que laccroissement
du nombre de param`etres nameliore pas le crit`ere. En pratique, comme lordre
des syst`emes reels est infini et les donnees sont bruitees, ce coude nest pas franc.
Cependant, on peut sapercevoir qu`a partir dun certain ordre lamelioration du
crit`ere nest plus significative et donc quil nest pas raisonnable daugmenter plus
lordre du mod`ele. Pour avoir un crit`ere quantitatif on peut rajouter un terme qui
penalise la complexite du mod`ele au crit`ere didentification J(n) comme suit (figure
3.20):
Cg (n) = J(n) + S(n, N)
(3.185)
o`
u Cg (n) est le crit`ere global et S(n, N) est le terme de penalite qui typiquement
augmente lineairement avec n est decrot en fonction du nombre de donnees N. Le
minimum du crit`ere globale nous donne lordre estime n
du syst`eme. Les termes de
penalite proposes dans la litterature donnent asymptotiquement une estimation non
biaise de n
mais en pratique, pour un nombre fini de donnees, lordre du syst`eme
est surestime par ces methodes.
Pour les structures avec un mod`ele du bruit, en r`egle generale et en absence
dinformations a priori, on choisi comme ordre du mod`ele du bruit la valeur de n.
3.7.4.2

Simplification de p
oles et de z
eros

Si lordre du mod`ele est surestime, on peut le reduire sans trop influencer le


comportement entree-sortie du syst`eme. Dans ce cas, une simplification approximative de poles et de zeros devient possible. Cela peut etre verifier avec la structure

148

MODELES
DE REPRESENTATION
PARAMETRIQUES
Cg (n)
crit`ere global
terme de penalite
crit`ere didentification

n
1

nmax

Fig. 3.20 Levolution du crit`ere didentification ( ), terme de penalite ()et


crit`ere global ()en fonction de n
ARMAX presentee ci-dessous:
A0 (q 1 )y(k) = q d0 B0 (q 1 )u(k) + C0 (q 1 )e(k)

(3.186)

Il est evident que si A(q 1 ) = A0 (q 1 ), B(q 1 ) = B0 (q 1 ) et C(q 1 ) = C0 (q 1 ) est un


bon mod`ele pour le syst`eme, alors A(q 1 )M(q 1 ), B(q 1 )M(q 1 ) et C(q 1 )M(q 1 )
peuvent egalement exprimer le comportement du syst`eme. Donc, pour estimer lordre
dun mod`ele, on peut varier m = n de 1 `a nmax est trouver lordre n
`a partir duquel
une simplification de poles et de zeros se produit.
3.7.4.3

Estimation du retard

A partir de la reponse indicielle dun syst`eme, en mesurant le temps entre lapplication dechelon et la reaction du syst`eme, on peut estimer approximativement le
retard d du mod`ele. Si lon na pas de connaissance sur le retard, on choisi une valeur initiale:d = 1 pour considerer le retard d
u `a lechantillonnage. Si le retard a ete
sous-estime lors de lidentification, les premiers coefficients de B(q 1 ) vont etre tr`es
petits. On peut donc identifier avec la structure FIR la reponse impulsionnelle du
syst`eme pour m suffisamment grand. Le nombre des premiers coefficients de B(q 1 )
qui sont autour de zero (en considerant lecart type du coefficient estime) represente
le retard du syst`eme.
MATLAB propose un algorithme dans lequel le crit`ere didentification pour la
structure ARX J(m, n, d) est determine pour toutes les combinaisons possibles de
m [mmin , mmax ], n [nmin , nmax ] et d [dmin , dmax ]. Ensuite, levolution du
crit`ere en fonction du nombre de param`etres (m + n + 1) est tracee (pour chaque
m+n+1 =cte., le minimum du crit`ere pour differentes valeurs de m et n est retenu).

`
3.8 VALIDATION DU MODELE

149

Plusieurs termes de penalite sont proposes et chacun conduit `a des valeurs optimales
pour m, n et d. Cependant, une verification de lordre avec dautre methodes est
indispensable.
Il faut noter que le mod`ele identifie avec les ordres estimes ne verifie pas necessairement les crit`eres de validation expliques `a la section suivante. Si lessai de
toutes les methodes ne permet pas dobtenir un mod`ele valide, alors une solution est
daugmenter n et m.

3.8

`
VALIDATION DU MODELE

La procedure didentification des param`etres choisit le meilleur mod`ele compte


tenu des donnees disponibles, de la structure de mod`ele proposee, du crit`ere de
performance et de lalgorithme didentification utilises. Ce meilleur mod`ele est-il
suffisamment bon? De mani`ere plus specifique:
est-il suffisamment en accord avec les donnees experimentales?
est-il suffisant pour le but escompte?
decrit-il le vrai syst`eme?
Si la troisi`eme question est interessante, cest la deuxi`eme qui est la plus importante
en pratique, car un mod`ele doit toujours etre developpe avec un but precis. Plusieurs
approches de validation dun mod`ele identifie sont presentees ci-dessous.

3.8.1

Validation par rapport au but escompt


e

Cette methode consiste `a essayer et... voir si le but escompte peut etre atteint avec
le mod`ele identifie. Si cela est le cas, on pourra considerer le mod`ele comme bon,
independamment daspects plus formels lies `a son elaboration. Il peut cependant
saverer impossible, trop co
uteux ou dangereux de valider un mod`ele de cette facon.

3.8.2

Validation du mod`
ele avec des donn
ees exp
erimentales

3.8.2.1

Comparaison de la sortie du mod`


ele avec des donn
ees nouvelles

Cette methode consiste `a utiliser, pour letape de validation, des donnees non
utilisees lors de letablissement du mod`ele. Il sagit de comparer la sortie du mod`ele
et la sortie mesure en terme dun crit`ere quadratique. Linconvenient dune telle
demarche reside dans le fait que toutes les donnees `a disposition ne sont pas utilisees
pour lelaboration du mod`ele.
3.8.2.2

Comparaison de la sortie du mod`


ele avec des donn
ees d
ej`
a utilis
ees

Cette methode constitue une solution au probl`eme precedent, la validation se


faisant avec des mesures dej`a utilisees pour identifier les param`etres du mod`ele.

150

MODELES
DE REPRESENTATION
PARAMETRIQUES

Une telle demarche est cependant dangereuse. En effet, dans la pratique on


connat rarement le nombre de param`etres (nombre de poles et de zeros) `a identifier.
Or, il est evident que lerreur quadratique moyenne peut etre reduite en augmentant
le nombre de param`etres, cest-`a-dire le nombre de degres de liberte `a disposition
pour la minimisation du crit`ere quadratique. Ceci naugmente en general pas la
valeur previsionnelle du mod`ele (bien au contraire) puisque les degres de liberte
supplementaires dans le mod`ele du processus sont utilises pour representer le bruit!
La valeur previsionnelle dun mod`ele doit se mesurer `a laide dune comparaison avec
des donnees nouvelles.
Cependant, il est possible dutiliser certains tests statistiques pour valider successivement la contribution de termes additionnels (ceci depasse le cadre de ce cours).
3.8.2.3

Comparaison du mod`
ele dans le diagramme de Bode

Cette methode est tr`es utile, car les elements `a comparer ne poss`edent pas necessairement les memes hypoth`eses de depart: le mod`ele identifie est de type parametrique, donc avec un choix prealable de structure, dordre, etc., le releve dans
le diagramme de Bode constitue une approche non parametrique sans aucun choix
structurel a priori.

3.8.3

Validation par des m


ethodes statistiques

3.8.3.1

Test de blancheur de lerreur de pr


ediction

Si les mod`eles du processus et du bruit sont corrects, lerreur de prediction tendra


asymptotiquement vers un bruit blanc dont lautocorrelation est une impulsion de
Dirac. Cest-`a-dire: R (h) = 0 pour h 6= 0 et R (0) 6= 0.
En pratique, R (h) est estime avec la relation suivante:
NX
h1
1
R (h) =
(k)(k + h)
N h k=0

h = 0, 1, . . . , N 1

(3.187)

Donc, R (h) sera different de zero pour h 1 car un nombre fini de mesures est
disponible et, dautre part, (k) contient des erreurs residuelles de structure (erreurs
sur lordre, effets non lineaires, etc.). On consid`ere alors comme crit`ere pratique de
validation (avec un seuil de confiance de 95%):


R (h) 1.96


pour 1 h < 20, N > 100
(3.188)
R (0) N

Ce crit`ere est base sur le theor`eme de la limite centrale. Selon ce theor`eme si lerreur
R (h)
pour h 6= 0 est une variable aleatoire
de prediction est blanche, alors N
R (0)
`a moyenne nulle, variance unite et distribution gaussienne. Ceci nous permet de
calculer lintervalle de confiance de 95%.

`
3.8 VALIDATION DU MODELE

151

Il faut preciser que si lerreur de prediction est blanche, il y a 95% de chance


que le crit`ere soit satisfait. Mais cela ne veut pas dire que si lerreur de prediction
est dans lintervalle de confiance, il y a 95% de chance quelle soit blanche.
Un crit`ere de validation aisement satisfait indiquera que des simplifications du
mod`ele sont possibles. A complexite de mod`ele egale, on choisira le mod`ele qui
minimisera le crit`ere ci-dessus.
Notons enfin que ce test de blancheur de lerreur de prediction nest valable que
si un mod`ele du bruit est estime. Dans le cas contraire (structures FIR, OE) les
residus seront, en general, autocorreles.
3.8.3.2

Test dind
ependance entre les entr
ees pass
ees et lerreur de pr
ediction

Si le mod`ele du processus est correct, lerreur de prediction sera independante


des entrees passees, car leffet de ces entrees sera enti`erement explique par le mod`ele
et ne se retrouvera donc pas dans lerreur de prediction.
Ce test est moins sev`ere que le precedent, car il ne presuppose pas un mod`ele du
bruit correct. Il est, par contre, egalement valable pour les structures sans mod`ele du
bruit (FIR, OE). Dans la pratique, il suffit dexiger que le mod`ele du processus,et
non le mod`ele complet (processus et bruit), soit correct. Il est cependant parfois
difficile dobtenir un bon mod`ele du processus sans avoir un bon mod`ele du bruit!
Experiences montrent quil y a plus de chance de tomber sur un minimum local dans
la structure OE que la structure ARMAX, par exemple.
Si u(k) et (k) sont independants, leur intercorrelation sera nulle, cest-`a-dire
E{u(k)(k + h)} = 0, h. Comme en pratique
NX
h1
1
Ru (h) =
u(k)(k + h)
N h k=0

h = 0, 1, . . . , N 1

(3.189)

sera different de zero, on consid`ere comme crit`ere pratique de validation (avec un


seuil de confiance de 95%):



1.96
Ru (h)


pour 0 h < 20, N > 100
(3.190)
p

R (0)Ruu (0)
N
Une correlation entre u(k) et (k + h) pour des valeurs negatives de h indiquera
la presence dun feedback de la sortie sur lentree, et non pas une erreur de mod`ele.
3.8.3.3

Test dind
ependance entre la sortie du mod`
ele et lerreur de pr
ediction

En continuation du point precedent, si le mod`ele du processus est correct, lerreur


de prediction sera independante non seulement des entrees passees mais egalement
des sorties du mod`ele ym .

MODELES
DE REPRESENTATION
PARAMETRIQUES

152

Si ym (k) et (k) sont independants, leur intercorrelation sera nulle, mais lestimation non biaisee de la fonction dintercorrelation donne:
NX
h1
1
Rym (h) =
ym (k)(k + h)
N h k=0

h = 0, 1, . . . , N 1

(3.191)

avec comme crit`ere pratique de validation (avec un seuil de confiance de 95%):




1.96

Rym (h)


pour 0 h < 20, N > 100
(3.192)

p
R (0)Rym ym (0)
N

Ce test est important dans le cadre de la methode des variables instrumentales


car il indique si lerreur de prediction est effectivement non correlee avec une variable
instrumentale type, en loccurence ym (k). Ce test est generique et reste valable meme
si les variables instrumentales ont ete generees differemment.
3.8.3.4

Intervalle de confiance des param`


etres estim
es

Lidentification des param`etres livre en general une indication de la precision des


resultats (par exemple, `a partir de la covariance des param`etres (3.137)). Il est alors
possible de generer, avec un certain degre de probabilite, des intervalles de confiance
pour les param`etres identifies:
[min , max ]

avec 95% (ou 99%) de probabilite

(3.193)

Si pour un param`etre donne, cet intervalle inclut la valeur 0, ce param`etre pourra


tr`es bien etre neglige et, ainsi, la structure du mod`ele choisie plus simplement.

3.8.4

Validation par des m


ethodes heuristiques

3.8.4.1

Validation de certains choix a priori

Le mod`ele dun processus autour dun point de fonctionnement devrait representer un invariant, cest-`a-dire quil devrait etre peu sensible `a de faibles variations de
certains choix tels que la periode dechantillonnage, le dimensionnement de filtres
passe-haut et passe-bas pour les mesures, lamplitude et le contenu frequentiel de
lexcitation, la structure du mod`ele pour le processus et le bruit, etc. (cf. section
3.7).
Une grande sensibilite `a certains de ces choix est souvent une indication que les
choix correspondants ne sont pas adequats.
3.8.4.2

R
eification

Les param`etres physiques, qui sont soit identifies directement, soit reconstruits `a
partir de param`etres estimes, doivent etre plausibles. Cette etape, appelee reification,

3.9 PROCEDURE
DIDENTIFICATION PARAMETRIQUE

153

est tr`es indicative de compensations possibles entre differents termes du mod`ele (le
comportement entree-sortie est plausible sans que le mod`ele physique soit correct).
Il est egalement recommande de calculer la sensibilite du comportement entreesortie du mod`ele par rapport `a ces param`etres et de verifier ainsi leur identifiabilite
pratique.
3.8.4.3

Validation de certaines hypoth`


eses

Lidentification dune fonction de transfert pour le processus presuppose, entre


autres, que celui-ci soit lineaire et stationnaire. Il est necessaire de verifier a posteriori
la validite de ces hypoth`eses.
Test de lin
earit
e Il sagit de repeter lidentification avec des signaux damplitudes
differentes afin de determiner le domaine dans lequel un mod`ele lineaire est applicable.
Test de stationnarit
e On rep`ete lidentification pour des groupes de mesures prises
dans des intervalles de temps differents. Si des perturbations basses et/ou hautes
frequences sont perceptibles, elles peuvent en general etre eliminees par un filtrage
approprie des mesures.

3.9

PROCEDURE
DIDENTIFICATION PARAMETRIQUE

Le succ`es ou non dune identification va dependre de lopportunite de certains


choix tels la periode dechantillonnage, le signal dexcitation, le retard, les degres
des differents polynomes pour modeliser le processus et le bruit. Ces choix sont faits
sur la base de connaissances a priori ou de tests simples effectues sur le syst`eme
`a identifier, mais ils peuvent bien s
ur etre modifies plus tard de facon iterative si
necessaire.
Nous presentons ci-dessous une procedure permettant de choisir les param`etres
importants du mod`ele et de mener lidentification. Une r`egle de base consiste `a
commencer avec des structures de mod`ele simples, `a valider les mod`eles obtenus et
`a augmenter la complexite si necessaire. La procedure en 4 points est la suivante:
1. Estimer de facon grossi`ere le retard, la constante de temps dominante du syst`eme et le niveau de bruit des signaux mesures. Cette information peut sobtenir aisement, par exemple `a laide de la reponse indicielle et/ou dune analyse
de correlation. Il sera possible den deduire une periode dechantillonnage et
un signal dexcitation (contenu frequentiel, amplitude, duree) appropries.
2. Estimer lordre du mod`ele avec les methodes parametriques et la methode
basee sur la simplification de poles et zeros. Il peut saverer utile, par exemple
pour des syst`emes mecaniques avec resonances, de tester egalement des ordres
relativement eleves.

MODELES
DE REPRESENTATION
PARAMETRIQUES

154

3. Utiliser les structures ARMAX, OE et BJ avec ces degres pour les polynomes
du mod`ele du processus.
4. Valider les meilleurs mod`eles obtenus en comparant leur sortie avec des donnees
nouvelles ainsi qu`a laide des tests de blancheur de lerreur de prediction et
dindependance entre les entrees passees et lerreur de prediction.
Cette procedure est presentee `a la figure 3.21.

3.10

EXERCICES RESOLUS

Exercice 1
Enonc
e: Soit le syst`eme dynamique donne par la fonction de transfert discr`ete:
G(z) =

z 3 + 2z 2 + z 1
z 4 + 1.6z 2 0.8z

a) Ce syst`eme est-il physiquement realisable?


b) Representer ce syst`eme sous la forme dune equation aux differences.
c) Exprimer la fonction de transfert sous la forme de puissances negatives de z en
explicitant le retard eventuel.
Solution:
a) Ce syt`eme est physiquement realisable car
degre de A(z) > degre de B(z)
b) Equation aux differences:
y(k + 4) + 1.6y(k + 2) 0.8y(k + 1) = u(k + 3) + 2u(k + 2) + u(k + 1) u(k)
ou de facon equivalente:
y(k) + 1.6y(k 2) 0.8y(k 3) = u(k 1) + 2u(k 2) + u(k 3) u(k 4)
c) G(z) =

1
+ z 2 z 3
B(z)
z 3 + 2z 2 + z 1
1 1 + 2z
=
z
= z 1
3
2
3
z(z + 1.6z 0.8)
1 + 1.6z 0.8z
A(z)

retard:d = 1
degres de A(z) et B(z): n = m = 3

Exercice 2
Enonc
e: La reponse indicielle dun syst`eme lscr a donne pour les 3 premiers points
dechantillonnage (T = 0.2) les valeurs suivantes: y1 = 0.18; y2 = 0.33 et y3 = 0.45.
Le syst`eme peut etre modelise par la fonction de transfert du premier ordre:
G(z) =

b1 z 1
1 + a1 z 1


3.10 EXERCICES RESOLUS

155

Debut

R
eponse indicielle
K, ,
niveau de bruit
periode dechantillonnage
Signal dexcitation u(t)
contenu frequentiel
amplitude
duree dessai

experimentation

experimentation

Estimation de lordre
methode parametrique (ARX, IV)
simplification poles/zeros
estimation de retard
n, m, d

augmenter lordre

Erreur de pr
ediction
ARMAX
OE
BJ
(k, )

Validation des mod`


eles
validation temporelle
validation frequentielle
validation statistique
Non

Bon mod`ele ?
Oui
Fin

Fig. 3.21 Procedure didentification parametrique.

MODELES
DE REPRESENTATION
PARAMETRIQUES

156

a) Expliciter la fonction quadratique relative `a la minimisation de lerreur de sortie.


b) Repeter le developpement precedent pour lerreur dequation.
c) Identifier le syst`eme dynamique, cest-`a-dire determiner les valeurs numeriques
de a1 et b1 .
d) Identifier le syst`eme dynamique en nutilisant que les deux premi`eres mesures y1
et y2 .
Solution: Sortie du mod`ele sur la base des entrees passees uniquement (erreur de
sortie):
ym (k) = a1 ym (k 1) + b1 u(k 1)

k = 1, 2, 3, . . .

(3.194)

Prediction du mod`ele sur la base des entrees et sorties passees (erreur dequation):
y(k) = a1 y(k 1) + b1 u(k 1)

k = 1, 2, 3, . . .

(3.195)

Donnees numeriques pour un saut indiciel:


u(0) = 1,
u(1) = 1,
u(2) = 1,
u(3) = 1,

y(0) = 0
condition initiale
y(1) = 0.18
y(2) = 0.33
y(3) = 0.45

En les substituant dans (3.194) et (3.195):


ym (1) = a1 0 + b1 1 = b1
ym (2) = a1 b1 + b1 1 = b1 (1 a1 )
ym (3) = a1 b1 (1 a1 ) + b1 1 = b1 (1 a1 + a21 )
y(1) = a1 0 + b1 1 = b1
y(2) = a1 0.18 + b1 1 = 0.18a1 + b1
y(3) = a1 0.33 + b1 1 = 0.33a1 + b1
a) Crit`
ere quadratique pour minimiser lerreur de sortie (OE): A
des equations (3.20) et (3.21):
min J() =

N
X

e2s (k)

k=1

N
X
k=1

partir

[y(k) ym (k, )]2

Cela donne pour N = 3 et = [a1 b1 ]T :


min{[0.18 b1 ]2 + [0.33 b1 (1 a1 )]2 + [0.45 b1 (1 aa + a21 )]2 }

Lerreur es (k) est non lineaire par rapport aux param`etres a1 et b1 .

(3.196)


3.10 EXERCICES RESOLUS

157

b) Crit`
ere quadratique pour minimiser lerreur d
equation (ARX): A
partir des equations (3.24) et (3.26):
min J() =

N
X

e2e (k)

k=1

Cela donne pour N = 3 et = [a1 b1 ]T :

N
X
k=1

[y(k) y(k, )]2

min{[0.18 b1 ]2 + [0.33 + 0.18a1 b1 ]2 + [0.45 + 0.33a1 b1 ]2 }

(3.197)

Lerreur ee (k) est lineaire par rapport aux param`etres a1 et b1 .


P
c) Identification du syst`
eme: Minimisation de lerreur de sortie 3k=1 e2s (k)
A partir de (3.196):
J
= 2(0.33 b1 (1 a1 ))b1 + 2(0.45 b1 (1 a1 + a21 ))b1 (1 2a1 )
a1
= 6b21 + 1.56b1 1.8a1 b1 + 4a1 b21 + 6a21 4a31 b2a = 0
J
= 2(0.18 b1 )(1) + 2(0.33 b1 (1 a1 ))(1 + a1 )
b1
+2(0.45 b1 (1 a1 + a21 ))(1 + a1 a21 )
= 1.92 0.9a21 + 0.66a1 4a1 b1 + 4a21 b1 + 4a31 b1 2a41 b1 + 6b1 = 0
Ce syst`eme de deux equations algebriques `a deux inconnues est de degre 5. Il
existe donc plusieurs solutions dont lune dentre elles est:
a1 = 0.8191

b1 = 0.1809

On obtient ainsi la fonction de transfert:


0.1809z 1

G(z)
=
1 0.8191z 1
P
Minimisation de lerreur dequation 3k=1 e2e (k)
A partir de (4):
J
= 2(0.33 + 0.18a1 b1 )0.18 + 2(0.45 + 0.33a1 b1 )0.33
a1
= 0.4158 1.02b1 + 0.2826a1 = 0
J
= 2(0.18 b1 )(1) + 2(0.33 + 0.18a1 b1 )(1)
b1
+2(0.45 + 0.33a1 b1 )(1) = 1.92 1.02a1 + 6b1 = 0
Ce syst`eme de deux equations algebriques `a deux inconnues poss`ede une solution unique qui est aisement calculable:
a1 = 0.819

b1 = 0.181

On obtient ainsi la fonction de transfert:


0.181z 1

G(z)
=
1 0.819z 1

MODELES
DE REPRESENTATION
PARAMETRIQUES

158

c) Avec seulement 2 mesures: En minimisant lerreur de sortie ou dequation,


on obtient chaque fois:
a1 = 0.8333
ou

G(z)
=
y

b1 = 0.18

0.18z 1
1 0.8333z 1

1.4

1.2

0.8

: mesures
: modle sur la base de 3 mesures
: modle sur la base de 2 mesures

0.6

0.4

0.2

0
0

10

12

14

16

18

20

Exercice 3
Enonc
e: Soit le mod`ele lineaire:
ym (k) = a + bk
et les mesures y(1), y(2), . . . , y(N).
a) Identifier a et b par la methode des moindres carres en utilisant les notations
suivantes:
N
N
X
X
ky(k)
y(k)
S1 =
S0 =
k=1

k=1

b) Repeter le point precedant pour le cas du mod`ele:


ym (k) = a
c) Supposer que le param`etre a est dabord identifie comme indique sous point b).
Identifier ensuite le param`etre b du mod`ele:
ym (k) a
= bk
et comparer avec les resultats du point a).


3.10 EXERCICES RESOLUS

159

Solution:
a) Identification de a et b par moindres carr
es
Crit`ere quadratique pour minimiser lerreur de sortie y(k) ym (k):
J=

N
X
k=1

(y(k) (a + bk))2

On obtiendra lestimation = [
a b]T comme suit:

N
X
J
(y(k) a
bk) = 0
= 2
a =
k=1

N
X
J
= 2
(y(k) a
bk)k = 0
b =
k=1

ou

N
X

k=1
N
X
k=1

y(k) a

N
X

1 b

k=1
N
X

y(k)k a

k=1

N
X

k=0

k=1
N
X

k b

(3.198)

k2 = 0

(3.199)

k=1

ou sous forme matricielle, en utilisant les definitions de S0 et S1 :

N
X
k  
 N

a

S0
k=1

=
N
N
b

S1
X
X
2
k
k
k=1

k=1

La resolution de cette equation pour a et b donne:


N
N
X
X
2
k
k

 

1
a

k=1
k=1
!2
N
X
b =
N
N
X
X

k
N

N
k2
k
k=1

k=1

k=1



S0

S1

(3.200)

b) Identification de a pour le mod`


ele ym (k) = a

De (3.198) avec b = 0, on obtient:

a =

N
X

y(k)

k=1

qui est simplement la moyenne des mesures

S0
N

(3.201)

MODELES
DE REPRESENTATION
PARAMETRIQUES

160

c) Identification de b avec a d
eja estim
e: (3.201) dans (3.199) donne pour b
(note ici bc ):
N
S0 X
k
S1
N k=1
bc =
N
X
k2
k=1

b du point a), note ba , est:

ba =

N
X

N
S0 X
k
S1
N k=1
N
X

1
k2
N
k=1

k=1

!2

Ainsi, en comparant ba et bc , on obtient:


ba > bc

Exercice 4
Enonc
e: Les mesures suivantes ont ete effectuees sur un processus dynamique initialement au repos dont la sortie y(k) est perturbee par un bruit de mesure n(k):
k
0 1
2
3
4 5 6
u(k) 0 1
-1
1
1 1 -1
y(k) 0 1.1 -0.2 0.1 0.9 1 0.1

7
8
9
10
-1
0
0
0
-1.1 -0.8 -0.1 0

a) Calculer b0 et b1 du mod`ele:
y(k) = b0 u(k) + b1 u(k 1)
`a laide de la methode des moindres carres.
b) Evaluer la sequence de bruit n(k), sa valeur moyenne ainsi que son ecarttype.
c) Repeter le point a) en utilisant successivement lerreur de sortie et lerreur dequation.
Solution:
(k) = y(k) [ u(k) u(k 1) ]
Pour N mesures: E = Y

b0
b1

= y(k) T (k)

(3.202)


3.10 EXERCICES RESOLUS

161

Avec N = 10, on obtient pour k = 1, 2, . . . , 10:


T

1 1 1 1 1 1 1 0 0 0
=
0 1 1 1 1 1 1 1 0 0

T
1.1 0.2 0.1 0.9 1 0.1 1.1 0.8 0.1 0
Y =

a) Le mod`ele donne correspond `a une structure FIR, laquelle donne un probl`eme


de moindres carres lineaire dont la solution est:


0.6143
T
1 T

= ( ) Y =
0.5143
b) Avec la structure FIR, on peut calculer lerreur de prediction pour le vecteur de
param`etres estime (residus):
= y(k) T (k)
(k, )
On obtient ainsi:
= [0.4857 0.1 0 0.2286 0.1286 0.2 0.0286 0.2587 0.1 0]T
(k, )
moyenne: 0.0129; deviation standard: 0.2225
c) Le mod`ele propose correspond `a une structure FIR. Le mod`ele (3.202) est tel que
lerreur de prediction represente aussi bien une erreur de sortie quune erreur
dequation. Ainsi, les approches basees sur lerreur de sortie (OE) et lerreur
dequation (ARX) donneront le meme resultat que celle basee sur la structure
FIR.

Exercice 5
Enonc
e: Soit lerreur de prediction est donnee par lequation aux differences suivante:
(k) = y(k) [ay(k 1) + bu(k 1)]

Montrer que si lentree correspond `a une retroaction proportionnelle de la


sortie, lidentification des param`etres a et b par la methode des moindres carres
nest pas possible.

Solution:
(k) = y(k) [ y(k 1) u(k 1) ]

a
b

= y(k) T (k)

Dans le cas dune retroaction proportionnelle de gain g, u(k) = gy(k), et la


matrice devient:

..
..
.
.

y(k 1) gy(k 1)
=

gy(k)
y(k)
..
..
.
.

MODELES
DE REPRESENTATION
PARAMETRIQUES

162

est donc singuli`ere et T non inversible. Dans un cas comme celui-l`a, il faut
considerer le predicteur suivant:
y(k) = ay(k 1) bgy(k 1)
avec lerreur de prediction
(k) = y(k) + (a + bg)y(k 1)
et identifier le param`etre (a + bg).

Exercice 6
Enonc
e: Soit le syst`eme dynamique `a temps continu suivant:
n(t )
u(t )

2
s+ 1

yp(t )

y(t )

a) Calculer lequation aux differences correspondant `a la version echantillonnee de


ce syst`eme.
b) Supposons que le bruit n(t) corresponde `a un bruit blanc. Indiquer lexpression
de lerreur de prediction qui, une fois minimisee, permettra une bonne identification des param`etres du syst`eme.
Solution:
a) Discr
etisation (basee sur la reponse indicielle):
 



YP (z)
1
1 G(s)
G(z) =
= (1 z )Z L
U(z)
s kT




 
 


2
1
1
1
1
1


= (1 z )Z L
=
2(1

z
)Z
L
s(s + 1) kT
s(s + 1) kT
(1 eT )z 1
(1 eT )z 1
=
2
= 2(1 z 1 )
(1 z 1 )(1 eT z 1 )
1 eT z 1
entree 8, tableau C.2, annexe C
yp (k) eT yp (k 1) = 2(1 eT )u(k 1)
Choix de la periode dechantillonnage:
T =

= 0.1 yp (k) + 0.905yp (k 1) = 0.19u(k 1)


10


3.10 EXERCICES RESOLUS

163

b) Identification n(t) et donc aussi n(k): bruit blanc


n(k) = H0 (q 1 )e(k)
avec H0 (q 1 ) = 1. Comme le bruit nest pas correle avec lentree, les structures
OE et FIR sont appropriees. Cependant pour identifier le denominateur du
processus on ne peut utiliser que la structure OE. Dautre part, toutes les
structures capables `a identifier H0 (q 1 ) = 1 (ARMAX et BJ) peuvent etre
utilisees .
structures appropriees: OE, ARMAX et BJ
Structure OE:
b0
u(k)
(k) = y(k) q 1
1 + a1 q 1
Structure ARMAX:
1 + a1 q 1
b0
1
(k) =
[y(k)

q
u(k)]
1 + c1 q 1
1 + a1 q 1
Structure BJ:
(k) =

1 + d1 q 1
b0
[y(k) q 1
u(k)]
1
1 + c1 q
1 + a1 q 1

Pour cet exemple lerreur de prediction sera blanche pour toutes les structures.
ARMAX identifie C A et BJ identifie C D.

Exercice 7
Enonc
e:
a) Formuler les crit`eres quadratiques bases sur lerreur de sortie et lerreur dequation pour identifier le syst`eme dynamique
G(z) =

bz 3
1 + az 1

b) Montrer que le crit`ere base sur lerreur de sortie gen`ere un probl`eme de regression
non lineaire contrairement au crit`ere base sur lerreur dequation.
Solution:
a) Erreur de sortie
es (k) = y(k) ym (k)
(3.203)
ym (k) =

bq 3
u(k) ym (k) = aym (k 1) + bu(k 3)
1 + aq 1
min
a,b

N
X
k=1

[y(k) + aym (k 1) bu(k 3)]2

avec: ym (0) = 0 u(0) = u(1) = u(2) = 0

(3.204)

(3.205)

MODELES
DE REPRESENTATION
PARAMETRIQUES

164

y(k) et u(k), k = 1, . . . , N, sont mesures ou specifies et ym (k), k = 1, . . . , N,


sont calcules `a partir de u(k) selon (3.204).
Erreur dequation
ee (k) = y(k) + ay(k 1) bu(k 3)
min
a,b

N
X
k=1

(3.206)

[y(k) + aym (k 1) bu(k 3)]2

(3.207)

avec: y(0) = 0 u(0) = u(1) = u(2) = 0


y(k) et u(k), k = 1, . . . , N, sont mesures ou specifies.
b) R
egression non lin
eaire
Lerreur de sortie qui est minimisee dans le crit`ere quadratique est non lineaire
par rapport aux param`etres `a identifier a et b. Par exemple:
Pour
k = 1 es (1) = y(1) + aym (0) bu(2)
k = 2 es (2) = y(2) + a[aym (0) + bu(2)] bu(1)
k = 3 es (3) = y(3) + a{a[aym (0) + bu(2)] bu(1)} bu(0)
...
Au contraire, lerreur dequation est lineaire par rapport `a a et b.
Pour
k = 1 ee (1) = y(1) + ay(0) bu(2)
k = 2 ee (2) = y(2) + ay(1) bu(1)
k = 3 ee (3) = y(3) + y(2) bu(0)
...

Exercice 8
Enonc
e: On souhaite identifier le syst`eme dynamique G0 (q 1 ) = q 1
la base de mesures entree-sortie.

n (k)
u(k)

G0 (q 1)

y p (k)

+
+

y(k)

b00
sur
1 + a01 q 1


3.10 EXERCICES RESOLUS

165

Est-il possible didentifier correctement (cest-`a-dire sans biais) les param`etres


et b00 avec les methodes ARX (erreur dequation) et OE (erreur de sortie) pour
les deux cas suivants:
a01

1. n(k) = e(k)
2. n(k) = e(k) + c01 e(k 1)
o`
u e(k) represente un bruit blanc de moyenne nulle.
Solution: Comme n(k) est un bruit blanc non correle avec lentree, la structure OE
peut conduire `a une estimation non biaisee des param`etres dans les deux cas si G0
appartient `a lensemble des mod`eles candidats G(q 1 ). Par contre, comme le bruit
ne peut pas etre represente comme un bruit blanc filtre par 1/A0 (q 1 ), la structure
ARX donne une estimation biaisee. Dans un cas tr`es particulier, o`
u c01 = a01 , la
structure ARX arrive `a identifier correctement les param`etres du mod`ele.

166

MODELES
DE REPRESENTATION
PARAMETRIQUES

167

Annexe A
TRANSFORMATION DE FOURIER
A.1

SERIE
DE FOURIER POUR SIGNAUX ANALOGIQUES

PERIODIQUES

Un signal temporel analogique de periode peut sexprimer sous la forme dune


s
erie de Fourier (donnee ici sous forme exponentielle):
x(t) =

ck ejk0t

(A.1)

t0 quelconque

(A.2)

0 =

k=

avec

1
ck =

t0 +

x(t)ejk0 t dt

t0

Un signal analogique periodique poss`ede donc un spectre de frequences aperiodique discret comme illustre `a la figure A.1.
Quelle est la forme trigonometrique des equations (A.1) et (A.2)?

A.1.1

Exemple

Calculons la serie de Fourier pour le signal periodique donne `a la figure A.2.


|c k|

5 0 4 0 3 0 2 0

2 0

3 0

4 0

5 0

k = k0

Fig. A.1 Spectre damplitude dun signal analogique periodique.

168

TRANSFORMATION DE FOURIER
x(t)
1

t
-

...

/4

3/4

...

-1

Fig. A.2 Signal periodique rectangulaire.


|c |
k

2/

2/3
2/5
5 0 4 0 3 0 2 0

2 0

3 0

4 0

5 0

k = k0

Fig. A.3 Spectre damplitude du signal periodique de la figure A.3.

x(t) =

ck ejk0t

0 =

k=

avec:

ck

1
=

1
=

=
=
=
=

x(t)ejk0 t dt

"0Z

/4

1ejk0t dt +

3/4

/4

(1)ejk0 t dt +

1ejk0t dt
3/4


h
i
1
1
/4
3/4

ejk0t |0 + ejk0 t |/4 + ejk0t |3/4

jk0

1  jk/2
e
1 ejk3/2 + ejk/2 + ejk2 ejk3/2

jk2

1  jk/2
2e
2ejk3/2 + ejk2 1

jk2


0 si k est pair
0
si k est pair
2
pour k = 1, 5, 9, . . .
=
2 jk/2
jk
e
si k est impair
k2
k pour k = 3, 7, 11, . . .

Le spectre damplitude correspondant est donne `a la figure A.3:

A.2 TRANSFORMATION DE FOURIER POUR SIGNAUX ANALOGIQUES

APERIODIQUES
169

A.2

TRANSFORMATION DE FOURIER POUR SIGNAUX

ANALOGIQUES APERIODIQUES

Pour un signal analogique aperiodique ( , 0 0), le spectre de frequences


est aperiodique et continu . La sommation de la serie de Fourier est remplacee par
une integrale. On parle alors de transformation de Fourier.
R
1
x(t) = 2
X()ejt d transformee de Fourier inverse de X()

(A.3)
(equation de synth`ese)
avec

X() =

x(t)ejt dt transformee de Fourier de x(t)


(equation danalyse)

(A.4)

A partir de (A.3) et (A.4) on peut ecrire:



Z Z
1
jt
x(t)e
dt ejt d
x(t) =
2

A.2.1

Remarque

Il est possible de deplacer le terme constant 1/2 `a linterieur des crochets, ce


qui reviendrait `a modifier dun facteur 2 les definitions de la transformee et de la
transformee inverse. Cependant, les expressions (A.3) et (A.4) sont celles utilisees le
plus couramment.

A.2.2

Exemple

1. X() = ()
1
x(t) =
2

()ejt d =

Il sensuit: F A = 2A()
2. x(t) = (t)
Z
X() =

1 jt
1
e |=0 =
2
2

(t)ejt dt = ejt |t=0 = 1

A T2 t < T2
0 sinon
Z T /2
A jT /2
A jt T /2
e
|T /2 =
[e
ejT /2 ]
X() =
Aejt dt =
j
j
T /2

 jT /2



jT /2
sin T2
2A e
2A
+e
T
=
=
= AT
sin

2j

2
T2


T
= AT sinc
2

3. x(t) =

170

TRANSFORMATION DE FOURIER

Tab. A.1 Paires x(t) X().

4. X() =

A W2 <
0 sinon

W
2

1
x(t) =
2

W/2
jt

Ae
W/2

AW
d =
sinc
2

Wt
2

Ces paires x(t) X() sont representees `a la figure A.4. Dautres paires sont
donnees dans le tableau A.1. On remarque quil est possible de calculer la
transformee de Fourier dun signal periodique (cf. entrees 10 et 11). Dans ce
cas, la nature discr`ete des spectres est representee par des impulsions de Dirac.
Le tableau A.2 liste les proprietes principales de la transformation de Fourier.
5. Utilisation de la propriete de dualite F {X(t)} = 2x()

A.2 TRANSFORMATION DE FOURIER POUR SIGNAUX ANALOGIQUES

APERIODIQUES
171

(1)

(2)

(3)

(4)

Fig. A.4 Quelques paires x(t) X().

172

TRANSFORMATION DE FOURIER

Tab. A.2 Proprietes de la transformation de Fourier.

1. Linearite

F [a1 x1 (t) + a2 x2 (t)] = a1 X1 () + a2 X2 ()

2. Dualite

F [X(t)] = 2x()

3. Derivation temporelle

F [sn x(t)] = (j)n X()

4. Integration temporelle

Z

x( )d =

X()
+ X(0)()
j

dX()
d

5. Derivation frequentielle

F [tx(t)] =

6. Integration frequentielle


Z
1
F
x(t) = j
X(u)du
t

7. Mise `a lechelle

F [x(at)] =

8. Convolution temporelle

Z
F[

Z
F[

9. Correlation

10. Convolution frequentielle

X( )
|a|
a

x( )y(t )d ] = X()Y ()

x( t)y( )d ] = X()Y ()

1
F [x(t)y(t)] =
2

X(u)Y ( u)du

11. Decalage temporel

F [x(t t0 )] = exp(jt0 )X()

12. Decalage frequentiel

X( 0 ) = F [exp(j0 t)X(t)]

A.3 SERIE
DE FOURIER POUR SIGNAUX NUMERIQUES
PERIODIQUES
173
De lexemple 2 ci-dessus: x(t) = (t) X() = 1
on obtient: F {1} = 2() = 2()
qui a dej`a ete calcule `a lexemple 1.

SERIE
DE FOURIER POUR SIGNAUX NUMERIQUES
PERIODIQUES

A.3

Un signal numerique de periode N peut sexprimer sous la forme dune s


erie de
Fourier:
N
1
N
1
X
X
j2kn/N
x(t) =
ck e
=
ck ejkn0
n = 0, 1, 2
(A.5)
k=0

k=0

avec
ck =

N 1
N 1
1 X
1 X
xn ej2kn/N =
xn ejkn0
N n=0
N n=0

k = 0, 1, . . . , N 1

(A.6)

et
0 =

2
N

Un signal numerique periodique poss`ede donc un spectre de frequences periodique


discret. De plus, ck est periodique du fait de la periodicite du terme exponentiel
en fonction de k0 (signal numerique). Puisque ck est periodique de periode N,
lequation de synth`ese (A.5) se limite `a sommer les termes pour k = 0, 1, . . . , N 1.

A.3.1

Exemple

Calculons le spectre de frequence du signal numerique periodique


xn = cos(n0 )

0 =

2
N

Pour k = 0, 1, . . . , N 1, on a:
ck

N 1
N 1
1 X
1 X jn0
jkn0
=
cos(n0 )e
(e
=
+ ejn0 )ejkn0
N n=0
2N n=0
N 1
1 X j(k+1)n0
=
(e
+ ej(k1)n0 )
2N n=0

174

TRANSFORMATION DE FOURIER
ck
1/2

- 2

-N

k = k 0
k

Fig. A.5 Coefficients de la serie de Fourier pour cos(n0 ).


Pour
k
k
k
k

N 1
1 X
=0
c0 =
cos(n0 )1 = 0
N n=0
N 1
N 1
1 X
1
1 X j2n0
e
+
1=
=1
c1 =
2N n=0
2N n=0
2
= 2, . . . , N 2 ck = 0
N 1
N 1
1 X
1 X j(N 2)n0
1
=N 1
cN 1 =
1+
e
=
2N n=0
2N n=0
2

Le spectre de frequences est donne `a la figure A.5.

A.4

TRANSFORMATION DE FOURIER POUR SIGNAUX NU

MERIQUES
APERIODIQUES

Un signal numerique aperiodique poss`ede un spectre de frequences periodique


continu qui peut etre evalue `a laide de la transformation de Fourier pour signaux num
eriques suivante:
Z 2
1
xn =
X()ejn d
(equation de synth`ese)
(A.7)
2 0
avec
X() =

xn ejn

(equation danalyse)

n=

et

= T =

A.4.1

2
s

Exemple

Soit le signal numerique donne `a la figure A.6.

(A.8)

A.5 SPECTRE DUN SIGNAL ECHANTILLONN


E

xn

-M

175

Fig. A.6 Signal numerique aperiodique.


X( )
0.025

-15

-10

-2 -5

5 2

10

15

Fig. A.7 Spectre damplitude du signal numerique aperiodique de la figure A.6.


La transformee de Fourier pour signaux numeriques aperiodiques donne:
X() =

M
X

n=M

1ejn = ejM [1 + ej + . . . + ej2M ] = ejM

ej(2M +1) 1
ej 1

Le spectre damplitude continu et periodique (periode 2 due `a la periodicite du


terme exponentiel par rapport `a dans le cas dun signal numerique) est represente
`a la figure A.7 pour M = 2. Du fait de la periodicite de X(), lequation de synth`ese
(A.7) ne consid`ere quune seule periode du domaine frequentiel, [0, 2].

A.5

SPECTRE DUN SIGNAL ECHANTILLONN


E

Un signal echantillonne poss`ede un spectre de frequences periodique qui peut


etre calcule `a partir du spectre du signal analogique correspondant.

176

TRANSFORMATION DE FOURIER

Soient x(t) un signal temporel analogique et


xe (t) =

n=

x(nT )(t nT )

(A.9)

sa version echantillonnee exprimee en fonction de la variable continue t. On peut


aussi ecrire:
xe (t) = x(t) p(t)
(A.10)
o`
u

p(t) =

n=

(t nT )

represente un train dimpulsion de Dirac aux instants dechantillonnage.


Comme le signal p(t) est periodique de periode T , on peut lecrire `a laide de
lequation (A.1):

X
2
ck ejks t
s =
p(t) =
T
k=

avec

ck

Z
1 T /2
=
(t)ejkst dt
T T /2
1
1 jks t
e
|t=0 =
=
T
T

Il sensuit:
p(t) =



T
t0 =
2

1 X jks t
e
T k=

et en considerant lentree 9 de la table A.1:

2 X
P () =
( ks )
T k=

On peut exprimer Xe () en fonction de X() `a partir de la relation (A.10):


Xe () = F {xe (t)} = F {x(t)p(t)}
En utilisant la propriete 10 de la table A.2, on obtient:
Z

1
2 X
Xe () =
( ks )d
X()
2
T k=
Z
1 X
=
X()( ks )d
T k=
=

1 X
X( ks )
T k=

(A.11)

`
A.6 TRANSFORMATION DE FOURIER DISCRETE

177

Tab. A.3 Types de signaux et spectres correspondants.


SIGNAL

analogique

SPECTRE
discret

A1.1

SPECTRE
continu

A1.2

SPECTRE

A2.1

SPECTRE

A2.2

discret

continu

Cette derni`ere relation lie les transformees de Fourier dun signal temporel analogique et de sa version echantillonnee. On remarque que Xe () est periodique de
periode s = 2/T , et que son amplitude est multipliee par le facteur 1/T par
rapport `a X() (cf. fig. 2.21).

A.6

`
TRANSFORMATION DE FOURIER DISCRETE

Lanalyse frequentielle presentee dans les sections precedentes a montre les caracteristiques suivantes:
un signal analogique poss`ede un spectre aperiodique, alors quun signal numerique est caracterise par un spectre periodique,
un signal periodique poss`ede un spectre discret, alors quun signal aperiodique
a un spectre continu.
Les quatre cas possibles sont resumes dans le tableau A.3.
La transformation de Fourier discr`ete permettra de faire correspondre `a un signal
numerique, pas necessairement periodique, un spectre de frequences discret. Cela
sera dune grande utilite pour travailler avec lordinateur car le signal et son spectre
seront tous deux numeriques.
Considerons un signal temporel analogique x(t) et sa transformee de Fourier
X() comme indique `a la figure A.8(a). Afin de simplifier les representations graphiques, nous avons choisi x(t) limite dans le temps et X() de bande frequentielle
limitee. Ceci est tout `a fait hypothetique, car un signal limite dans le temps aura
une transformee de Fourier `a bande frequentielle illimitee et, inversement, un signal
`a bande frequentielle limitee ne sera pas limite dans le temps (cf. fig. A.4). Les
limites temporelle et frequentielle sont des conditions mutuellement exclusives (cf.
egalement la propriete 7 du tableau A.2).
Formons le signal periodique xp (t) qui est une extension de x(t) avec une periode
. Lequation (A.2) nous permet de calculer un spectre de frequences discret (fig.

178

TRANSFORMATION DE FOURIER

A.8(b)) o`
u les coefficients de la serie de Fourier sont donnes par:
ck =
avec
k = s

X(k )

k
= k0
N

et
0 =

k = 0, 1, . . . , N 1

(A.12)

Si nous echantillonnons le signal x(t) avec une periode T pour obtenir xe (t) ou
x(nT ), lequation A.11 donne la situation decrite `a la figure A.8(c).
Une comparaison des illustrations A.8(b) et A.8(c) met bien en evidence la propriete de dualite de la transformation de Fourier.
Le calcul de X() `a partir de lequation (A.8) presente deux difficultes. Dune
part, la somme contient une infinite de termes. En pratique, on consid`ere un nombre
fini N de termes, notes de 0 `a N 1. Dautre part, la pulsation est continue: pour
des raisons de calcul sur ordinateur, on prefererait disposer dune representation
discr`ete. On consid`ere donc uniquement N points frequentiels espaces uniformement
sur une periode de X().
A laide de ces deux approximations, lequation (A.8) donne:
X(k) =

N
1
X

xn ej2Kn/N

n=0

k = 0, 1, . . . , N 1

(A.13)

qui est la transform


ee de Fourier discr`
ete pour N valeurs du signal numerique
xn .
Puisque X(k) est force `a etre discret, xn doit etre periodique, et nous avons la
situation indiquee `a la figure A.8(d).
Lequation de synth`ese correspondante devient:
N 1
1 X
X(k)ej2Kn/N
xn =
N
k=0

A.6.1

n = 0, 1, . . . , N 1

(A.14)

Remarque

Les equations (A.14) et (A.13) sont, `a un facteur N pr`es, identiques `a celles de


la serie de Fourier pour signaux numeriques periodiques (equations A.5 et A.6). La
remarque de la section A.2 sapplique egalement ici. Il est usuel de definir la serie
de Fourier pour signaux numeriques periodiques selon les equations (A.5) et (A.6)
et la transformee de Fourier discr`ete selon les equations (A.13) et (A.14).

`
A.6 TRANSFORMATION DE FOURIER DISCRETE

x(t)

a)

xp(t)

...

|ck|
B/

...
0

nT

B/

...

...
-2

c)

n
tn = nT

|X(k)|

Section
(A3)

xn

k = k0

|X ()|

Section
(A 4 )

0 = 2/

b)

x (nT)

Section
(A1)

-N
-

|X()|

Section
(A 2)

179

s = N 0

B/

d)
-N
-s

N
s

k
k = k s
N

Fig. A.8 Illustration de la paire xn X(k) `a partir de la paire x(t) X().


Les points en gras indiquent les valeurs utilisees dans la transformation de Fourier
discr`ete (A.13) et son inverse (A.14).

A.6.2

Exemples

1. Soit le signal numerique forme des 3 points donnes `a la figure A.9 (periode
dechantillonnage T = 1).
Sa transformee de Fourier discr`ete se calcule ainsi:
X(k) =

2
X

xn ej2kn/3

k = 0, 1, 2

n=0
0

j4k/3

= 1e + 0 + 0.5e

1.5
pour k = 0
3
k=1
0.75 + 4 j
=

3
0.75 4 j
k=2

La representation frequentielle de xn est donnee `a la figure A.10.

180

TRANSFORMATION DE FOURIER

xn
1
0.5

-1

0
0

n
tn = nT = n

3
3

Fig. A.9 Signal numerique (N = 3, T = 1).

X(k)
1.5
3/2

-1

0
0

k = k s = k 2
N
3

Fig. A.10 Spectre damplitude du signal de la figure A.9 (N = 3, T = 1).

Il est possible de reconstruire xn `a partir de X(k):

xn

1X
=
X(k)ej2kn/3
n = 0, 1, 2
3 k=0
"
!
3
1
=
1.5e0 + 0.75 +
j ej2n/3 +
3
4

1 pour n = 0
0
n=1
=

0.5
n=2

0.75 +

3
j
4

ej4n/3

2. Le signal xn est etendu periodiquement de facon `a avoir 6 points (N = 6, T = 1,


fig. A.11).
La transformee de Fourier discr`ete devient (fig. A.12):

`
A.6 TRANSFORMATION DE FOURIER DISCRETE

181

xn
1
0.5

-1

0
0

6
6

n
tn = nT = n

Fig. A.11 Signal numerique avec 2 periodes (N = 6, T = 1).


X(k)
3
3

-2

k = k s = k 2
N
6

Fig. A.12 Spectre damplitude du signal de la figure A.11 (N = 6, T = 1).

X(k) =

5
X

xn ej2kn/6

k = 0, 1, . . . , 5

n=0
0

= 1e + 0.5ej4k/6 + 1ej6k/6 + 0 + 0.5ej10k/6


= 1 + 0.5ej2k/3 + ejk + 0.5ej5k/3

3
pour k = 0

0
k=1

3
1.5 + 2 j
k=2
=
0
k=3

k=4

1.5 2 j
0
k=5

Le fait davoir double le nombre de points (les trois points initiaux repetes)
donne un spectre deux fois plus fort (il ne sagit ici que dune mise `a lechelle).
Cependant, le contenu spectral est le meme car les trois valeurs spectrales
additionnelles sont nulles. Cela netonne pas puisque la transformee de Fourier discr`ete se calcule avec lhypoth`ese implicite que le signal se continue
periodiquement (cf. fig. A.8(d)). Par consequent, le fait detendre le signal
periodiquement ne modifie pas linformation spectrale obtenue `a laide de la
transformation de Fourier discr`ete.
3. Considerons maintenant une extension non periodique du signal numerique de
la figure A.9 (N = 6, T = 1, fig. A.13).

182

TRANSFORMATION DE FOURIER
xn
1
0.5

-1

0
0

6
6

n
tn = nT = n

Fig. A.13 Signal numerique (N = 6, T = 1).

La transformee de Fourier discr`ete devient dans ce cas-ci:

X(k) =

5
X

xn ej2kn/6

k = 0, 1, . . . , 5

n=0
0

= 1e + 0 + 0.5ej4k/6 + 0 + 0 + 0
=
1 + 0.5ej2k/3
1.5
pour k = 0

k=1
0.75 4 j

3
0.75 + 4 j
k=2
=
1.5
k=3

k=4
0.75 4 j

3
0.75 + 4 j
k=5

Comme il fallait sy attendre, le contenu spectral du cas 3 (fig. A.14) est


different de celui des cas 1 et 2 (fig. A.10 et A.12). Cependant, les points pour
k = 0, 2, et 4 correspondent exactement `a ceux de la figure A.10. Les valeurs
spectrales additionnelles ajoutent de linformation intermediaire.
Pour une sequence de N points temporels, lajout de pN zeros, avec p entier,
permet dinterpoler des valeurs spectrales dans lintervalle frequentiel [0, 2].
Cela permet de lisser lapparence du spectre, mais najoute aucune information
utile.
4. Considerons finalement le signal de la figure A.15 que lon peut considerer
comme une version echantillonnee plus rapidement du cas 1 (T = 0.5, N = 6).

`
A.6 TRANSFORMATION DE FOURIER DISCRETE

183

X(k)
1.5
3 /2

-2

k = k s = k 2
N
6

Fig. A.14 Spectre damplitude du signal numerique de la figure A.13 (N = 6, T =


1)

xn
1
0.75
0.5
0.25
-2

0
0

6
3

n
tn = nT

Fig. A.15 Signal numerique (N = 6, T = 0.5).

184

TRANSFORMATION DE FOURIER
X(k)
3

1.29
0.43
-1

k = k s = k 2
N
3

Fig. A.16 Spectre damplitude du signal numerique de la figure A.15 (N = 6, T =


0.5).
Sa transformee de Fourier donne (fig. A.16):
X(k) =

5
X

xn ej2kn/6

k = 0, 1, 2, 3, 4, 5

n=0
0

=
1e

+ 0.5ejk/3 + 0 + 0.25ejk + 0.5ej4k/3 + 0.75ej5k/3


3
pour k = 0
1.12 + 0.65j
k=1
0.37 0.22j
k=2
0
k=3
0.37 + 0.22j
k=4
1.12 0.65j
k=5

Le fait davoir echantillonne plus rapidement a augmente linformation du


signal numerique et, de ce fait, modifie son contenu spectral. La plage frequentielle a double par rapport aux cas precedents.

A.7

TRANSFORMATION DE FOURIER RAPIDE (FFT)

Il sagit l`a dune methode performante servant `a minimiser le nombre doperations


necessaires `a levaluation de la transformee de Fourier discr`ete dun signal numerique
xn .
La transformee de Fourier discr`ete du signal xn et la transformee inverse correspondante sont donnees par les equations (A.13) et (A.14). La relation entre la
pulsation discr`ete k et le compteur de pulsations discr`etes k est, quant `a elle, donnee
par lequation (A.12).
Du point de vue numerique, le calcul de la transformee de Fourier discr`ete consiste
`a calculer la suite {X(0), X(1), . . . X(N 1)} `a partir de la suite {x0 , x1 , . . . xN 1 }.
Lequation (A.13) peut secrire:
X(k) =

N
1
X
n=0

xn z kn

k = 0, 1, . . . , N 1

avec z = ej2/N

(A.15)

A.7 TRANSFORMATION DE FOURIER RAPIDE (FFT)


ou sous forme matricielle:
0

z
...
z0
X(0)
0
1
2
N
X(1) z
z
z
. . . z 1

= ..

..
..
..
..
.

.
.
.
.
2
0
N
1
2(N
1)
(N
X(N 1)
z z
z
. . . z 1)
ou

185

x0
x1
..
.
xN 1

X = Zx

(A.16)

(A.17)

Si les coefficients z kn ont ete precalcules, le calcul de la suite


{X(0), X(1), . . . X(N 1)} `a partir de la suite {x0 , x1 , . . . xN 1 } demande `a
premi`ere vue N 2 flops (1 flop = 1 multiplication complexe plus une addition
complexe).
Cependant, si N = 2p , on demontre que lon peut effectuer ces calculs avec
seulement Np multiplications. Lidee est presentee ci-dessous.
Exprimons (A.15) comme suit (avec la notation N = N/2):
N
1
X

X(k) =

xn z

kn

n=0

N
1
X

xn z kn

k = 0, 1, . . . , N 1

n=N

N
1
X

[xn + xn+N z kN ]z kn

(A.18)

n=0

Notons que:
z

kN

jk

=e

1
pour k pair
1 pour k impair

Avec la notation z = z 2 = ej(2/N ) , (A.18) donne:


Pour k pair, k = 2q = 0, 2, . . . , N 2
(q = 0, 1, . . . , N 1)
X(2q) =

N
1
X

[xn + xn+N ](z)

n=0

qn

N
1
X

qn
x+
= X + (q)
n (z)

n=0

o`
u x+
(n = 0, 1, . . . , N 1)
n = xn + xn+N
Pour k impair, k = 2q + 1 = 1, 3, . . . , N 1
X(2q + 1) =

N
1
X
n=0

(A.19)

[xn xn+N ]z n (z)qn =

N
1
X

(q = 0, 1, . . . , N 1)

qn
= X (q)
x
n (z)

(A.20)

n=0

n
(n = 0, 1, . . . , N 1)
o`
u x
n = xn xn+N z
Ainsi, la transformee de Fourier discr`ete dun signal de longueur N se laisse
calculer `a partir des transformees de Fourier discr`etes de deux signaux de longueur
N/2. Ces derni`eres se laissent `a leur tour calculer `a partir de sequences de longueur

186

TRANSFORMATION DE FOURIER

N/4. Et, pour N = 2p , ce processus recursif peut se repeter jusqu`a N 1. On


demontre alors que le nombre de flops pour evaluer la transformee de Fourier discr`ete
dun signal de longueur N exige approximativement Nlog2 N = Np flops.
Il sensuit une reduction considerable du nombre doperations lorsque N est
grand. Par exemple, si N = 1024(p = 10), on a:
N2
= 106 multiplications
Np
= 104 multiplications
ce qui correspond `a une reduction du nombre doperations dun facteur 100.
Si la matrice Z est reguli`ere, ( A.17) donne:
x = Z 1 X
ce qui permet de calculer la suite {x0 , x1 , . . . xN 1 } `a partir de la suite
{X(0), X(1), . . . X(N 1)} (inverse de la transformation de Fourier rapide). De nombreux programmes, facilement accessibles, implantent la transformation de Fourier
rapide (par exemple, FFT et IFFT sont les commandes MATLAB pour la transformation de Fourier rapide et son inverse).
Grace `a la transformation de Fourier rapide, les methodes frequentielles representent un outil didentification tr`es puissant, surtout dans les cas o`
u
les signaux dentree et de sortie sont de longue duree,
un grand nombre de points (512 ou plus) est disponible.

187

Annexe B
MATRICE PSEUDO-INVERSE
B.1

DEFINITIONS

Toute matrice reelle A de dimension p q poss`ede une matrice pseudoinverse


unique de dimension qp , denotee A+ , et definie par les quatre equations suivantes:
A+ AA+
AA+ A
(AA+ )T
(A+ A)T

=
=
=
=

A+
A
AA+
A+ A

(B.1)
(B.2)
(B.3)
(B.4)

Les conditions (B.3) et (B.4) indiquent simplement que les matrices AA+ et A+ A
sont symetriques. La matrice A+ est egalement appelee la matrice inverse generalisee
de A. Il convient de considerer quatre cas pour exprimer A+ :
1. Si la matrice A est carree et reguli`ere, alors
A+ = A1

(B.5)

satisfait (B.1)-(B.4).
2. Si A est rectangulaire avec des colonnes lineairement independantes (p > q =
rang(A)), alors (AT A) est carree et reguli`ere et
A+ = (AT A)1 AT

(B.6)

satisfait (B.1)-(B.4).
3. Si A est rectangulaire avec des lignes lineairement independantes (rang(A) =
p < q), alors (AAT ) est carree et reguli`ere et
A+ = AT (AAT )1

(B.7)

satisfait (B.1)-(B.4).
4. Si A na pas toutes ses lignes ou toutes ses colonnes lineairement independantes (rang(A) < min(p, q)), il nexiste pas dexpression simple pour A+ .
Cependant, il est possible dutiliser certaines factorisations de matrices, telle
que la decomposition en valeurs singuli`eres (cf. annexe B.4), pour exprimer et
calculer A+ .

188

B.2

MATRICE PSEUDO-INVERSE

ES

PROPRIET

1.
(A+ )+ = A

(B.8)

(AT )+ = (A+ )T

(B.9)

2.
3.
(A)+ = + A+ =

1 +
A

scalaire, 6= 0

(B.10)

4.
(AT A)+ = A+ (AT )+ = A+ (A+ )T

(B.11)

(AAT )+ = (AT )+ A+ = (A+ )T A+

(B.12)

Mais en general:(AB)+ 6= B + A+

5. Pour A de dimension p r et B de dimension r q, on a:


(AB)+ = B T (BB T )1 (AT A)1 AT

(B.13)

Si de plus rang(A) = rang(B) = r, alors


(AB)+ = B + A+

B.3

(B.14)

RESOLUTION
DUN SYSTEME
DEQUATIONS
ALGE
BRIQUES LINEAIRES

Soit le syst`eme de p equations algebriques `a q inconnues:


y = Ax
(p q)

(B.15)

Une des quatre situations suivantes peut se presenter:


1. p = q = rang(A)
Il y a autant dequations (independantes) que dinconnues. Dans ce cas, la
solution de lequation (B.15) donne:
x = A+ y = A1 y

(B.16)

2. p > q = rang(A)
Il y a plus dequations que dinconnues et le syst`eme dequations est inconsistant (sur-determine). Dans ce cas, on peut utiliser la pseudo-inverse de A
pour calculer la solution moindres carrees x, cest-`a-dire celle qui minimise la
norme euclidienne ky Axk:
x = A+ y = (AT A)1 AT y

(B.17)

B.4 CALCUL DE LA MATRICE PSEUDO-INVERSE PAR SVD

189

3. rang(A) = p < q
Il y a moins dequations que dinconnues si bien que le syst`eme dequations est
sous-determine. Il existe donc une infinite de solutions. Il est possible dutiliser
la pseudo-inverse de A pour obtenir la solution x `a norme minimale, cest-`a-dire
celle qui minimise la norme euclidienne kxk:
x = A+ y = AT (AAT )1 y

(B.18)

4. rang(A) < min(p, q)


Si la matrice A nest pas de rang plein, les matrices A, (AT A) et (AAT ) ne
sont pas reguli`eres. Il est cependant possible de calculer la solution `a norme
minimale comme suit:
x = A+ y
(B.19)
On voit donc que, quel que soit le syst`eme dequations algebriques lineaires,
lutilisation de la matrice pseudo-inverse permet dobtenir une solution interessante (solution vraie, solution moindres carres ou solution `a norme minimale,
selon les cas). Il est donc utile de calculer cette matrice pseudoinverse.

B.4

CALCUL DE LA MATRICE PSEUDO-INVERSE PAR SVD

Toute matrice reelle A de dimension p q peut etre decomposee en un produit


de trois matrices comme suit:
A = UV T
(B.20)
o`
u U est une matrice unitaire de dimension p, (UU T = Ip ), V une matrice unitaire de
dimension q, (V V T = Iq ) et une matrice diagonale generalisee de dimension pq.
Une telle factorisation est appelee decomposition en valeurs singuli`eres (Singular
Value Decomposition ou SVD).
La decomposition en valeurs singuli`eres de la matrice A de dimension p q et
de rang r donne:

T
1
1
T

.2
..

.
0 ..

A = [u1 u2 . . . ur . . . up ]
T (B.21)
r

.
.
0
..
..
qT
0
(p q)
(p p)
(p q)
(q q)

T
1
1
T

2 0
2

(B.22)
= [u1 u2 . . . ur ]

.
.
..

0 ..
rT
r
(p r)
= U1 1 V1T

(r r)

(r q)

(B.23)

190

MATRICE PSEUDO-INVERSE

Le rang de la matrice A est donne par le nombre de valeurs singuli`eres non nulles.
La matrice pseudo-inverse de A se calcule aisement comme suit:
A+ = V + U T

(B.24)

o`
u + , la matrice pseudo-inverse de , est obtenue en inversant chaque element non
nul de T .
A partir de (B.23), on peut aussi ecrire:
T
A+ = V1 +
1 U1

(B.25)

191

Annexe C
TRANSFORMATIONS DE
LAPLACE ET EN Z
Proprietes de la transformation de Laplace.
Name
Theorem
 
df
Derivative
L
= sF (s) f (0+ )
dt
 n 
d f
= sn F (s) sn1 f (0+ ) f n+1 (0+ )
nth-order derivative L
n
dt
Z t

F (s)
Integral
L
f ( )d =
s
0
Shifting

L[f (t t0 )u(t t0 )] = et0 s F (s)

Initial value

lim f (t) = lim sF (s)

Final value

t0

lim f (t) = lim sF (s)

s0

L[eat f (t)] = F (s + a)
Z t
1
Convolution integral L [F1 (s)F2 (s)] =
f1 (t )f2 ( )d
0
Z t
=
f1 ( )f2 (t )d
Frequency shift

192

TRANSFORMATIONS DE LAPLACE ET EN Z

Tab. C.1 Proprietes de la transformation en z.


x(t) or x(k)
Z[x(t)] or Z[x(k)]

1.

ax(t)

aX(z)

2.

ax1 (t) + bx2 (t)

aX1 (z) + bX2 (z)

3.

x(t + T ) or x(k + 1)

4.

x(t + 2T )

zX(z) zx(0)

5.

x(k + 2)

6.

x(t + kT )

7.

x(t kT )

8.

x(n + k)

z 2 X(z) z 2 x(0) zx(T )


z 2 X(z) z 2 x(0) zx(1)

z k X(z) z k x(0) z k1 x(T ) zx(kT T )


z k X(z)

z k X(z) z k x(0) z k1 x(1) zx(k 1)


z k X(z)
d
T z X(z)
dz
d
z X(z)
dz

9.

x(n k)

10.

tx(t)

11.

kx(k)

12.

eat x(t)

X(zeaT )

13.

eak x(k)

X(zea )

14.

ak x(k)

15.

kak x(k)

X(z/a)
z
d
z X( )
dz
a

16.

x(0)

17.

x()

18. x(k) = x(k) x(k 1)


19.
20.

x(k) = x(k + 1) x(k)


n
X
x(k)
k=0

21.

x(t, a)
a

22.

k m x(k)

23.

n
X
k=0

24.

x(kT )y(nT kT )

X
k=0

x(k)

lim X(z) if the limit exists

lim [(1 z 1 )X(z)] if (1 z 1 )X(z) is


analytic on and outside the unit circle
(1 z 1 )X(z)
z1

(z 1)X(z) zx(0)
1
X(z)
1 z 1

X(z, a)
a

m
d
z
X(z)
dz
X(z)Y (z)
X(1)

193

x(s)
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.

Tab. C.2 Paires x(t) X(s) et x(k) X(z).


x(t)

x(kT ) or x(k)

X(z)

(k)

1(t)

(n k)

z k

1
s
1
s+a
1
s2
2
s3
6
s4
a
s(s+a)
ba
(s+a)(s+b)
1
(s+a)2
s
(s+a)2
2
(s+a)3
a2
s2 (s+a)

s2 + 2
s
s2 + 2

(s+a)2 + 2
s+a
(s+a)2 + 2

eat

eakT

kT

t2

(kT )2

t3

(kT )3

1 eat

1 eakT

1(k)

eat ebt

eakT ebkT

(1 at)eat

(1 akT )eakT

at 1 + eat

akT 1 + eakT

sin t

sin kT

cos t

cos kT

eat sin t

eakT sin kT

eat cos t

eakT cos kT

teat

t2 eat

kT eakT

(kT )2 eakT

20.

ak
ak1
k = 1, 2, . . .
kak1

21.

k 2 ak1

22.

k 3 ak1

23.

k 4 ak1

18.
19.

1
1z 1
1
1eaT z 1
T z 1
(1z 1 )2
T 2 z 1 (1+z 1 )
(1z 1 )3
3
1
T z (1+4z 1 +2z 2 )
(1z 1 )4
(1eaT )z 1
(1z 1 )(1eaT z 1 )
(eaT ebT )z 1
(1eaT z 1 )(1ebT z 1 )
T eaT z 1
(1eaT z 1 )2
1(1+aT )eaT z 1
(1eaT z 1 )2
T 2 eaT (1+eaT z 1 )z 1
(1eaT z 1 )3
aT
[(aT 1+e
)+(1eaT aT eaT )z 1 ]z 1
(1z 1 )2 (1eaT z 1 )
z 1 sin T
12z 1 cos T +z 2
1z 1 cos T
12z 1 cos T +z 2
eaT z 1 sin T
12eaT z 1 cos T +e2aT z 2
1eaT z 1 cos T
12eaT z 1 cos T +e2aT z 2
1
1az 1
z 1
1az 1
z 1
(1az 1 )2
z 1 (1+az 1 )
(1az 1 )3
z 1 (1+4az 1 +a2 z 2 )
(1az 1 )4
1
z (1+11az 1 +11a2 z 2 +a3 z 3 )
(1az 1 )5
1
1+az 1

24.
ak cos k
x(t) = 0 pour t < 0; x(kT ) = x(k) = 0 pour k < 0; par defaut k = 0, 1, 2 . . .

194

TRANSFORMATIONS DE LAPLACE ET EN Z

195

BIBLIOGRAPHIE
et B. WITTENMARK , Adaptive Control, Addison-Wesley, 1989.
K.J. ASTROM
G.E.P. BOX , G.M. JENKINS et G.C. REINSEL , Time Series Analysis:Forecasting
and Control, Prentice-Hall, 1994.
C.T. CHEN , Linear System Theory and Design, Holt, Rinehart and Winston, 1984.
F. DE COULON , Theorie et traitement des signaux, Traite dElectricite Vol. VI,
Presses polytechniques romandes, 1984.
J.M. FLAUS , La regulation industrielle, Herm`es, 1994.
G.F. FRANKLIN et J.D. POWEL l, Digital Control of Dynamic Systems, AddisonWesley, 1980.
D. GRAUPE , Identification of Systems, Krieger, 1976.
R. ISERMANN , K.H. LACHMANN et D. MATKO , Adaptive Control Systems,
Prentice-Hall, 1992.
R.G. JACQUOT , Modern Digital Control Systems, Marcel Dekker, 1981.
R. JOHANSSON , System Modeling and Identification, Prentice-Hall, 1993.
J.N. JUANG , Applied System Identification, Prentice-Hall, 1994.
H. KWAKERNAAK et R. SIVAN , Modern Signal and Systems, Prentice-Hall, 1991.
I.D. LANDAU , Identification et commande des syst`emes, Herm`es, 1993.
I.D. LANDAU , R. LOZANO et M. MSAAD , Adaptive Control, Springer-Verlag,
1998.
P. DE LARMINAT et Y. THOMAS , Automatique des syst`emes lineaires. 2. Identification, Flammarion Sciences, 1977.
J.R. LEIGH , Modelling and Simulation, IEE Topics in Control Series 1, Peter Peregrinus Ltd, 1983.
L. LJUNG , System Identification: Theory for the User, Prentice-Hall, 1987.
L. LJUNG et T. GLAD , Modeling of Dynamic Systems, Prentice-Hall, 1994.

, Theory and Practice of Recursive Identification,


L. LJUNG et T. SODERSTR
OM
MIT Press, 1987.
M. OFLYNN and E. MORIARTY , Linear Systems. Time Domain and Transform
Analysis, John Wiley, 1987.
K. OGATA , Discrete-Time Control Systems, Prentice-Hall, 1987.
R. PETIT , Loutil mathematique, Masson, 1991.

196

BIBLIOGRAPHIE

J. RICHALET , Pratique de lidentification, Herm`es, 1998.


J. RICHALET , A. RAULT et R. POULIQUEN , Identification des processus par la
methode du mod`ele, Gordon & Breach, 1971.
J. SCHOUKENS et R. PINTELON , Identification of Linear Systems, Pergamon Press,
1991.
B. SHAHIAN et M. HASSUL , Control System Design Using MATLAB, Prentice-Hall,
1993.
N.K. SINHA , Linear Systems, John Wiley, 1991.
N.K. SINHA et B. KUSZTA , Modeling and Identification of Dynamic Systems, Van
Nostrand Reinhold, 1983.

et P. STOICA , System Identification, Prentice-Hall, 1989.


T. SODERSTR
OM
P. STOICA et R. MOSES , Introduction to Spectral Analysis, Prentice-Hall, 1997.
H. UNBEHAUEN , Regelungstechnik I-III, Vieweg, 1985.
J. VAN DE VEGTE , Feedback Control Systems, Prentice-Hall, 1994.
P.P.J. VAN DEN BOSCH , A.C. VAN DER KLAUW , Modeling, Identification and
Simulation of Dynamical Systems, CRC Press, 1994.
E. WALTER et L. PRONZATO , Identification de mod`eles parametriques a
` partir de
donnees experimentales , Masson, 1994.
Y. ZHU et T. BACKX , Identification of Multivariable Industrial Processes, SpringerVerlag, 1993.