Академический Документы
Профессиональный Документы
Культура Документы
I ) INTRODUCTION :
LAutomatique consiste en ltude des systmes rels des diffrentes disciplines scientifiques
(Electronique, mcanique, thermique, chimie, cologie, biologie, conomie, sociologie, physique,
cosmologie), en vue de lanalyse, de la prdiction, de la surveillance, de la commande, et / ou de
loptimisation des systmes. La condition ncessaire pour cela est lobtention dun modle mathmatique du
systme rel (on ralise une modlisation). Un systme est un objet dans lequel des variables de diffrents types
interagissent et produisent des signaux observables. Lorsque le modle du systme nest pas connu, il est
ncessaire de procder son identification.
Perturbations
Entrees Sorties
SYSTEME
En effet, la modlisation ralise partir dun comportement du systme et / ou de lois physiques, consiste
dterminer la structure des quations qui rgissent le comportement de ce systme, et aussi, fixer, a priori la
valeur de ses paramtres (longueurs, masses, inerties, capacits, rsistances, frottements). Mais, il est souvent
impossible dobtenir une connaissance priori complte et prcise de tous les paramtres du modle.
Pour affiner et complter cette connaissance, il est alors ncessaire de procder une identification du systme :
partir des ractions de celui-ci des sollicitations donnes et connues. On peut, si le systme est observable,
identifier les paramtres encore inconnus [BOURLES Oct. 01].
LIdentification, bien que reprsentant un des grands chapitres de lautomatique, ne peut plus tre
considre comme seulement une partie intgrante de cette discipline, lusage essentiel des stratgies de
commande ou de diagnostic. Son emploi en sciences de lingnieur, parfois avec une terminologie diffrente,
montre quelle constitue une discipline part entire des sciences exprimentales, intimement associe la
modlisation.
Lidentification des systmes commands laide de calculateurs ncessite, en revanche de dcrire leurs
proprits au moins laide de valeurs mesures (tables de valeurs) ou de reprsentations graphiques, afin de
dterminer leur rponse un chelon, ou en frquence (identification non paramtrique). Pour des systmes
complexes, il est ncessaire dutiliser des modles mathmatiques (identification paramtrique). Lutilisation de
modles mathmatiques est inhrent tous les domaines des techniques de lingnieur et de la physique. Elle
aide la conception des systmes et est un instrument de simulation et de prdiction qui est trs largement utilis
dans tous les domaines, y compris dans des activits non techniques comme lcologie, lconomie, la sociologie
ou la biologie.
Un modle doit tre construit a partir de donnes observes (le modle mental de la conduite dun
vhicule est dvelopp laide de lexprience de la conduite). Un systme rel est un objet constitu dlments
de complexit variable, limage mme dun modle mathmatique. Selon LJUNG, il existe un impntrable
mais transparent cran entre la description mathmatique de notre monde et le monde rel. On peut regarder
travers cette fentre et comparer certains aspects du systme physique avec sa description mathmatique, mais il
est impossible dtablir une relation exacte entre les deux. La question de la susceptibilit de la nature sa
description mathmatique prsente de vrais et profonds aspects philosophiques. Nous devons avoir cependant
une vue pragmatique des modles. Il est prfrable de choisir un modle en considrant davantage son utilit que
sa vrit .
A partir des rsultats gnraux de lidentification des systmes, lobjectif de ce document, est de
prsenter la problmatique des systmes fonctionnant en boucle ferme, puis les techniques spcifiques.
Afin de nous munir des lments essentiels la comprhension de cette tude, nous nous attacherons
dans un premier temps dcrire les mthodes gnrales de lidentification. Nous prsenterons ensuite les
caractristiques des approches en boucle ouverte et en boucle ferme afin de prciser les lments qui induisent
le choix de lune par rapport lautre autre.
Les lments thoriques et pratiques de lidentification en boucle ferme, ainsi que les rsultats de ces
techniques seront abords dans la troisime partie de cette tude. Nous complterons cette prsentation par une
tude pratique ralise avec le logiciel MATLAB-SIMULINK.
Afin de mettre en vidence les avantages de lidentification en boucle ferme, nous prsenterons enfin,
quelques exemples dapplications.
Cette tude est une nouvelle fois loccasion daffirmer la transversalit de lautomatique et de montrer
son large champ dapplication.
II ) ETUDE DETAILLEE :
La notion de modle mathmatique dun systme, dun processus ou dun phnomne, est un concept
fondamental. Il existe une multitude de types de modles, chacun tant destin une application particulire.
Nous pouvons les dcliner en deux grandes catgories :
Les modles de connaissance (bass sur les lois de la physique, de la chimie), donnent une description
complte des systmes et sont utiliss pour la simulation et la conception des procds. Ce sont souvent des
modles complexes.
Les modles dynamiques de commande, qui donnent la relation entre les variations des entres dun systme
et les variation de la sortie, sont utiliss en automatique.
Les modles dynamiques sont de deux sortes :
Modles non paramtriques (rponse frquentielle, rponse un chelon)
Modles paramtriques (fonction de transfert, quations diffrentielles)
Lidentification est une approche exprimentale pour la dtermination du modle dynamique dun systme.
Cette approche peut tre dcompose en quatre tapes :
Calcul
Rgulateur
Figure 1 : procdure didentification dun modle de systme
A ) Analyse frquentielle :
Les essais exprimentaux harmoniques sont rarement employs, car ils sont longs et fastidieux. Des essais
raliss avec une pulsation comprise entre 0.1*c et 10*c, avec une grande constate de temps pour le
processus, peuvent durer des heures, dautant plus quil est parfois ncessaire de recommencer deux trois fois
lexprimentation pour chaque pulsation (on doit attendre le temps dtablissement pour chaque mesure). Les
outils classiques de lautomatique sont utiliss pour lanalyse de la rponse en frquence du systme identifier :
Bode, Nyquist, Black...
1 AMPLITUDE
10
Fc
0
10
-1
10 -2 -1 0 1
10 10 10 10
PHASE
0
-50
ph
as -100
e
-150
-200 -2 -1 0 1
10 10 10 10
frequency (rad/sec)
B ) Rponse impulsionnelle :
Un systme linaire invariant est entirement caractris par sa rponse un Dirac, dont la transforme de
Fourier est constante sur tout le spectre. La transforme de Fourier de la rponse impulsionnelle du systme est
sa fonction de transfert. Un Dirac rel , peut tre approch, du point de vue de ses effets, par une impulsion
brve, de dure finie et dnergie limite. La rponse du systme, est en consquence faible et bruite, donc
difficilement exploitable. Ainsi, pour atteindre la rponse impulsionnelle h(t) par voie indirecte, il est possible
dappliquer les techniques de corrlation. Le processus est alors excit par une Squence Binaire Pseudo
Alatoire (S.B.P.A.). Notons que lutilisation dun gnrateur de S.B.P.A. pour lessai ou la simulation dun
systme, est aussi connue sous le nom de techniques de Monte-Carlo (trs largement utilises par les physiciens
lors de simulations). Ajoutons, que les signaux alatoires sont caractriss par leurs proprits statistiques (alors
que les signaux dexcitation utiliss prcdemment taient de nature dterministe).
T
t 0
1 2
T T
Autocorrlation : xx ( ) lim x(t ) x (t ) dt
t t 0 2
i.e., si on compare dans lintervalle dfini, un signal x(t) avec lui-mme dcal de , on conoit que cela
permette de voir en quoi le signal un instant donne est li ce qui sest pass un instant avant.
T
t 0
1 2
T T
Intercorrelation : xy ( ) lim x (t ) y (t )dt
t t 0 2
i.e., si on compare deux signaux x(t) et y(t), par exemple lexcitation et la rponse dun systme linaire, on peut
se demander, si de la connaissance de lhistoire de x(t) et de y(t) pendant le mme intervalle de temps T, on peut
dduire une relation entre les deux signaux. Si le signal x(t) est tel que sa fonction de transfert est assimilable
une impulsion de Dirac, alors xy() = h().
xe(t) u y(t)
Processus de rponse
impulsionnelle h(t)
x(t)
y(t)=h(t)*x(t)
Gnrateur
Notons que la transforme de Fourier dune corrlation temporelle, a pour rsultat une corrlation frquentielle
(densit spectrale). La corrlation peut tre utilise, par exemple, pour des tudes vibratoires (en mcanique).
Cette mthode est toutefois sensible aux perturbations.
Les diverses mthodes non paramtriques (analyse frquentielle, rponse indicielle, impulsionnelle)
peuvent aider choisir la structure du modle. Nanmoins, les mthodes qui prennent en compte un modle
paramtrique du processus, sont prfres, car elles sont plus simples mettre en uvre et utiliser.
Lobjectif est dobtenir des modles paramtriques partir de modles non paramtriques, type rponse en
chelon ou rponse en frquence .
Identification dun systme du premier ordre :
u y
Entre Sortie
Procd
Ke s
100% G ( s)
t
63% 1 sT
T t
T1 = retard
Figure 4 : rponse dun procd continu
Cette mthode peut tre tendue lidentification des modles chantillonns :
b1q 1 b2 q 1
Discrtisation : H (q 1 ) q d
1 a1q 1 y
u
Entre Modle Sortie
discrtis
t t
1 D1 2
t ln et t 2 t1
1 2 2 D2 n 1 2
T t1 t2
Ts ( = pseudo priode )
Figure 6 : rponse indicielle dun systme du deuxime ordre
A laide des lments graphiques on peut ainsi dterminer la fonction de transfert G(p)
Notons que ces essais, utiliss pour la boucle ouverte, peuvent tre appliqus pour la boucle ferme :
e
r + Ur Um U m ( p) H r G ( s) U m
C(s) G(s) et Gr K
E ( p) 1 H r G ( s) E U m
-
H
La mthode propose partir du modle de Strejc, ou de celui de Broida, permet de dduire lensemble des
paramtres du modle. En boucle ferme le mode opratoire utilis consiste placer le systme la juste
instabilit (dphasage de et gain de boucle de 1 : ce sont des valeurs exactes. Si la B.F. comporte un
intgrateur, il doit en tre tenu compte).
Il sagit de mettre en place des algorithmes destimation automatique des paramtres des modles chantillonns
des procds en utilisant un calculateur numrique. Le traitement des donnes entres / sorties peut se faire
laide dalgorithmes non rcursifs (Traitement en bloc des fichiers de donnes obtenues sur un horizon de temps)
ou rcursifs (Traitement pas pas des donnes), oprant avec des signaux dexcitation extrmement faibles. Le
second type dalgorithme, prsente lavantage dtre temps rel et ncessite moins de ressources mmoire en
terme de calculs .
Lidentification paramtrique statistique est gnralement base sur lerreur de prdiction, qui est lerreur entre la
sortie du procd y(t), et la sortie y (t ) prdite par le modle. Cette erreur de prdiction est utilise par un
Algorithme dAdaptation Paramtrique (A.A.P.), qui chaque instant dchantillonnage, va modifier les
paramtres du modle afin den minimiser lerreur. Lentre applique au systme est gnralement une
Squence Binaire Pseudo Alatoire (S.B.P.A.). de trs faible niveau, engendre par le calculateur.
u(t) y(t)
CNA + Procd CAN
BOZ
(t )
y (t )
Modle chantillonn
ajustable
Les algorithmes non rcursifs ont pour objectif la minimisation de lerreur entre la sortie du procd et la sortie
de prdiction au sens des moindres carrs. Nous dcrivons dans ce qui suit, seulement les algorithmes rcursifs.
lA.A.P.(voir 2.1.2.B) est un des lments cl de la mise en uvre de cette approche pour lidentification des
modles de procds par des techniques rcursives. Il pilote les paramtres du modle ajustable de prdiction
partir des informations recueillies sur le systme chaque pas dchantillonnage :
Nouvelle valeur des paramtres = valeur (n-1) + correction
Objectifs de lalgorithme du gradient :minimiser un critre quadratique en terme de lerreur de prdiction.
Soit le modle discrtis :
y(t 1) a1 y(t ) b1u (t ) T (t ) (1)
o `est le vecteur des paramtres
et (t )T [ y(t ) u (t )] est le vecteur des mesures ou des observations.
La sortie a posteriori de prdiction sera donne par :
y (t 1) y (t 1(t 1)) a1 (t 1) y (t ) b1 (t 1)u (t ) (t 1) T (t ) (2)
On dfinit une erreur de prdiction a priori :
(t 1) y(t 1) y (t 1) (3)
Si on prsente les courbes isocritres (J = constante) dans le plan des paramtres a1, b1, on obtient des courbes
fermes concentriques autour de la valeur minimale du critre correspondant au point a1, b1 (les paramtres du
modle du procd). Les courbes isocritres sloignent de plus en plus du minimum au fur et mesure que J
augmente. Pour minimiser le critre, on se dplace dans la direction inverse du gradient de la courbe isocritre
correspondante. Ceci va nous conduire sur une courbe correspondant J = constante de valeur plus petite (voir
figure 9)
sens de ladaptation gradient
b1
a1
J (t 1)
LA.A.P. correspondant, prendra la forme : (t 1) (t ) F (7)
(t )
o F=aI (a>0) est le gain dadaptation matriciel (I est une matrice diagonale unitaire) et J (t 1) / est le gradient
du critre de lquation (1) par rapport (t ) .
Au final lA.A.P. devient :
(t 1) (t ) F (t ) (t 1) (8)
Toutefois, en utilisant lalgorithme du gradient, on minimise chaque pas 2 (t 1) , ou plus exactement, on se
dplace dans la direction de dcroissance la plus rapide du critre, avec un pas dpendant de F. Cette
t
avec F (t 1) (i 1) (i 1) F (t ) (t ) (t )
1 T 1 T
(13)
i 1
avec F (t 1) F (t ) et (t 1) y(t 1 (t ) T (t )
1 (t ) T F (t ) (t )
Avec le vecteur des paramtres estims et F (t 1) (t ) (t 1) reprsente le terme de correction. F est le gain
dadaptation , est le vecteur des observations (ou des mesures) et est lerreur de prdiction (erreur
dadaptation), cest dire la diffrence entre la sortie mesure du procd et la sortie prdite.
Les perturbations (alatoires, agissent avec les bruits de mesure sur le procd) introduisent des erreurs dans
lidentification des paramtres des modles du procd quand on utilise lalgorithme des moindres carrs
rcursifs (ou non rcursifs). Ce type derreurs destimation sappelle biais des paramtres. Il existe des mthodes
appropries didentification rcursive assurant asymptotiquement une estimation non biaise des paramtres en
fonction du type de perturbation (gnralement modlis .par un modle ARMA. Le procd plus la perturbation
sont modliss par un modle ARMAX). Des S.B.P.A. (voir II.1.1.B) sont en principe appliqus comme signaux
dentre car elles approchent le bruit blanc discret. Il ny a pas de structure unique procd + perturbation
pour dcrire toutes les situations rencontres en pratique. Il ny a pas non plus une mthode unique
didentification pouvant tre utilise avec toutes les structures possibles, donnant dans toutes les situations une
estimation non biaise.
ARMAX (Auto rgressive moyenne ajuste et variable exogne) : A(q 1 ) y (t ) q d B(q 1 )u(t ) C (qe(t)
1
)e(t )
Mthodes utilises avec cette structure : moindres carrs tendus, maximum de vraisemblance rcursif, erreur de
sortie avec modle de prdiction tendue. e(t)
1 d 1 1
ARARX : A(q ) y (t ) q B(q )u (t ) [ ]e(t )
C (q 1 ) 1/CA
u(t) ++ y(t)
Mthodes utiliss avec cette structure : q-dB/A
moindres carrs gnraliss
*Exogne = au dehors, qui se forme lextrieur.
Utilise lorsque le systme est naturellement stable, et si les contraintes dexploitation et de scurit le
permettent
possibilit dappliquer des signaux de test en entre dun modle en observant la rponse en sortie, afin
didentifier le plus directement possible les paramtres du procd. Dterminer les paramtres du processus
considr en boucle ouverte est un des objectif premiers de lidentification
souvent prfre lapproche en boucle ferme: la boucle de retour pose des problmes dans lidentification
Pour des systmes multivariables, la structure de chaque transfert est personnalisable (retard, ples, zros)
Le concept nest pas limit aux modles dynamiques linaires et sapplique de la mme manire aux
systmes dcrits par des quations diffrentielles non linaires. Lidentification des paramtres lectriques
dun moteur asynchrone en est un exemple (Lr,Rr,Rs,Ls).
Commun Commun
Zmu V1 Ls Lr Rs Rr
Zmu est limpedance magnetisante, V1= tension de la phase 1, s=stator, r= rotor, L=inductance, R=resistance
Figure 10 : identification des paramtres du schma simplifi dun moteur asynchrone ramen au secondaire
Beaucoup des procds peuvent fonctionner en boucle ouverte. Un exemple concret est celui de la diffusion
vido numrique. Le codage de limage transmettre, utilise des algorithmes de compression faisant appel aux
techniques didentification. Il sagit en particulier de prdire et estimer les mouvements de limage afin de
transmettre uniquement les informations nouvelles par rapport limage prcdente. Un autre exemple est celui
de la tlphonie mobile o des algorithmes didentification en boucle ouverte sont aussi appliqus (codage,
reconnaissance vocale, suppression de lcho).
Cest une alternative souvent incontournable en milieu industriel . Elle y est utilise depuis longtemps. Beaucoup
de procds ne peuvent en fait, fonctionner quen boucle ferme. Cest le cas pour :
des impratifs de production ou de scurit, ou pour des raisons conomiques.
si le processus est instable en boucle ouverte ou un comportement intgrateur.
il peut arriver aussi pour certains systmes, quune drive importante du point de fonctionnement en boucle
ouverte ait lieu. La capacit dun rgulateur linariser le comportement du procd autour dun point de
fonctionnement en boucle ferme constitue un point fort.
Ce constat sapplique de nombreux systmes de production (fabrication du papier, du verre), mais aussi
des systmes tels que des robots manipulateurs ou les servomcanismes (exemple : positionnement de disques
CD, DVD, CD-ROM) et galement aux domaines non techniques, tels que dans les systmes biologiques ou
conomiques.
La conduite dun vhicule automobile dont nous avons parl dans notre introduction, illustre aussi parfaitement
ce constat.
Lapproche en boucle ferme, considre comme difficile (mal faite, elle peut donner des rsultats contraires) est
lobjet dun regain dintrt depuis ces dernires annes avec le dveloppement de nouveaux algorithmes et une
meilleure comprhension du sujet. Ses avantages et caractristiques sont :
motive par des contraintes pratiques. Exemple : raliser la maintenance dun contrleur existant sans
ouvrir la boucle ou re-rglage sur site. Avec le vieillissement, les paramtres et le modle dun processus
peuvent tre modifis,
permet dobtenir de meilleurs modles pour la commande des systmes (une identification en B.F. donne de
meilleurs rsultats pour un systme fonctionnant normalement en B.F.),
validation de la commande dun systme : comparaison entre performances souhaites et relles dans les
domaines temporels et frquentiels, calcul de ples et tests statistiques,
elle est particulirement favorable la synthse dun rgulateur robuste,
permet davoir un biais plus faible, ainsi quun meilleur contrle de la puissance dentre (et de sortie)
pendant lexprience,
Une approche itrative, consistant identifier le modle en boucle ferme, puis calculer un nouveau rgulateur
partir du modle identifi, et refaire une autre identification en boucle ferme et ainsi de suite savre
souvent particulirement fructueuse (nous avons introduit les principes de cette approche en 2.1.2.B).
Nous illustrons un des avantages de lidentification en boucle ferme laide des rponses indicielles ci-dessous:
u, y u, y
t t
Lgende :
Rponse relle en boucle ferme Rponse simule Echelon appliqu en entre du systme
Figure 2.2.a : rponse simule en BF avec un modle identifi en boucle ouverte. Le rgulateur t calcule
partir du modle identifie en boucle ouverte.
Figure 2.2.b : rponse simule avec un modle identifie en boucle ferme. Le rgulateur t calcul sur le
modle identifi en boucle ferme.
Le problme fondamental avec les donnes en boucle ferme, est la corrlation entre le bruit non
mesurable et lentre. Pour cette raison, la plupart des mthodes utilises en boucle ouverte ne marchent pas
lorsquelles sont appliques aux donnes de la boucle ferme. Nous avons dcris en 2.1. des mthodes
paramtriques graphiques pouvant tre appliques la boucle ferme. Cependant, linconvnient majeure de ces
mthodes classiques, est quelles sont sensibles aux bruits, de plus, les modles utiliss manquent de prcision.
Lidentification en boucle ferme doit permettre dobtenir un modle de procd dcrivant le plus fidlement
possible le comportement du systme rel avec un rgulateur donn. Elle doit aussi permettre lamlioration des
performances du systme boucl travers lutilisation du systme identifi en boucle ferme. Lobjectif de
lopration est de trouver le meilleur modle du procd qui minimise lcart entre la sortie prdite et la sortie
relle du systme (erreur de prdiction). [Ioan D.Landau 1998]
Nous prsentons dans ce chapitre les techniques spcifiques de lidentification en boucle ferme.
Nous allons dans un premier temps nous attacher dcrire les approches proposes par Soderstrom et Stoica
(1989), reprises dans louvrage et les articles de Ljung (1999). Aprs introduction de ces mthodes, nous
dcrirons dans un second temps les algorithmes rcents proposs par Ioan D.Landau.
Selon Soderstrom et Stoica (1989), les mthodes didentification en boucle ferme peuvent tre classes en trois
approches distinctes :
Approche directe :
Il sagit dappliquer la mthode derreur de prdiction. On utilise la sortie y(t) du processus et son entre u(t), de
la mme manire que lorsquon opre en boucle ouverte, en ignorant le signal de retour ainsi que la rfrence
r(t). Les avantages de cette approche que lon peut considrer comme naturelle pour ltude en boucle ferme
sont multiples :
Approche indirecte :
Il sagit didentifier le systme en boucle ferme partir de la rfrence dentre externe r(t) et de la sortie y(t) et
partir de ces donnes de retrouver le systme en boucle ouverte en utilisant la connaissance du rgulateur.
Lavantage de cette mthode est quil est possible dy appliquer les mthodes utilises en boucle ouverte. Le
problme principal de cette approche est que toute erreur dans la boucle de retour est rpercute sur le modle
G . Dans cette approche, le modle en boucle ferme G BF est estim partir des mesures de y(t) et de u(t). Il est
G
, la fonction de transfert en boucle ouverte : G BF
alors possible de calculer G
1 G Fy
Si on un bonne connaissance de la boucle de retour, et si on connat le rgulateur, il est prfrable dutiliser
cette mthode ne ncessitant pas une parfaite connaissance du bruit.
Il sagit de considrer y(t) et u(t) comme les sorties dun systme ayant comme entre r(t) (rfrence) et le bruit,
et de retrouver le modle du systme et du rgulateur partir de cette approche jointe. En fait, on considre y et
u comme un systme multivariables, sries temporelles de dimension (nu+ny), et on considre un modle de
structure appropri pour celle-ci. Avec cette approche, le processus en boucle ouverte, ainsi que le rgulateur,
peuvent tre identifis. La connaissance du rgulateur nest pas ici requise, ce qui est un avantage par rapport la
mthode indirecte. Si on utilise la mthode de lerreur de prdiction, en supposant que le rgulateur est linaire,
et que e et d sont des sources de bruit indpendantes, la sortie y et lentre u peuvent tre dcrites comme suit :
y(t ) e(t )
u (t ) G0 (q)r (t ) H 0 (q) d (t )
avec H reprsentant le modle du bruit.
Cette approche est aussi appele, mthode deux tapes, qui consiste :
Ioan D.Landau complte les approches que nous venons de prsenter par de nouveaux algorithmes rcursifs
didentification en boucle ferme, dutilisation relativement simple et prsentant de nombreux avantages en
pratique.
w
+ u y
r T 1/S d
q B
- Procd A +
BF
R
-
+
y
1/S u q d B
-
A
Modle
R
Cet algorithme permet de minimiser lerreur entre le systme rel et le modle identifi en utilisant les nouvelles
donnes acquises en boucle ferme, afin de permettre une identification du procd. A partir du schma prsent
ci-dessus, deux familles dalgorithmes rcursifs pour lidentification peuvent tre utilises :
CLOE : Closed Loop Output Error recursive identification (Erreur de sortie en boucle ferme) . Cette
approche permet de rcrire lquation de sortie du systme en boucle ferme en fonction du retour de
prdiction (i.e. u et y ) et de la valeur prcdente de lerreur de prdiction en boucle ferme. Les
paramtres du modle estim sont contrls par lA.A.P. (Algorithme dAdaptation Paramtrique) qui utilise
lerreur de prdiction en boucle ferme ( BF ) pour ladaptation de lerreur.
FOL : Filtered Open Loop recursive identification algorithms (mthode de lidentification en boucle ouverte
filtre). Cest une alternative la mthode CLOE. Cette approche est base sur le fait que lobservation de
lerreur de sortie en boucle ferme peut aussi tre exprime comme une erreur de prdiction entre-sortie.
Elle mne une expression de lerreur de prdiction en boucle ferme semblable une erreur de prdiction
du type moindres carrs filtrs pour lidentification du modle dun processus partir de mesures entre
sortie. Malheureusement, la distribution du biais est fortement affecte par le bruit avec pour effet nfaste
daugmenter lexcitation cause de la boucle de retour (lestimation des paramtres est biaise mme dans
le cas o le modle du processus correspond au modle dfini).
En accord avec les approches didentification mentionnes par Soderstrm et Stoica (1989), ces algorithmes
peuvent tre considrs comme une variante de lapproche directe, utilisant un type spcial de variable
instrumentale* gnre en temps rel dans le prdicteur ou par un filtrage appropri des donnes. Ils peuvent
aussi tre vus comme une modification de la mthode indirecte dans laquelle le modle du processus et la boucle
ferme sont identifis simultanment.
Lobjectif de ces algorithmes est lestimation des paramtres du modle dfini par la fonction de transfert :
q d B ( q 1 ) 1 1 nb 1 1
O B(q ) b1 q ... bnb q q B * (q )
G (q 1 )
A(q 1 ) 1 1
Et A(q ) a1 q ... a nb q
nb
1 q 1 A * (q 1 )
La sortie en boucle ferme est donne par :
Y(t+1)=-A*y(t)+B*u(t-d)+Aw(t+1) = T (t ) Aw(t 1)
*La mthode de la variable instrumentale (T.Soderstrom, P.Stoice, 1983) est une mthode paramtrique
statistique didentification. Elle fut trs utilise pour lidentification en boucle ferme avant que soient
dveloppes les mthodes derreur de prdiction. Elle permet dannuler asymptotiquement le biais sur les
vecteurs de paramtres (le problme de lidentification en B.F. est que le retour u(t) est corrl avec la
perturbation). Par cette mthode on rend lutilisation de la mthode des moindres carrs consistante en rajoutant
une matrice variable instrumentale x(t), indpendante de (t , ) pour remplacer (t ) . Pour remplir les
N
conditions didentifiabilit par la mthode des moindre carrs, il faut que (t ) F (t ) soit inversible, ce qui ne
i 1
T
peut pas tre le cas. On utilise alors la variable instrumentale x(t) pour rendre x(t ) (t ) F (t ) inversible. Le
i 1
T
choix de x(t) se fait par dcalage des entres sorties dans (t ) , filtrage des entres-sorties, utilisation dun
modle auxiliaire.
R(q 1 )
u(t ) 1 y (t ) ru (t )
S (q )
Lerreur de prdiction de la boucle ferme :
BF (t 1) y(t 1) y (t 1) priori
BF (t 1) y(t 1) y (t 1) posteriori
AF-CLOE et F-CLOE permettent de relcher la condition suffisante prcdemment cite pour CLOE en filtrant
le vecteur (t ) par S (q 1 ) / P (q 1 ) o P
est une estimation de P, ou par S (q 1 ) / P (q 1 , t ) , o P (q 1 , t )
est une estimation au temps t des ples de la boucle ferme ( P (q 1 , t ) A (q 1 , t )S (q 1 ) B (q 1 , t ) R(q 1 ) ).
Lalgorithme X-CLOE permet de prendre en compte le cas dune perturbation w(t+1) = (C/A)e(t+1) avec e(t+1)
un bruit blanc de valeur moyenne nulle (C=1+q-1C*(q-1)).
Lalgorithme G-CLOE permet de prendre en compte le cas dune perturbation en bande troite
w(t+1)=(C/DA)e(t+1) avec e(t+1) est un bruit blanc.
Dans un article rcent de Landau et Karimi, il est propos la modification de ces algorithmes afin de
raliser lestimation des paramtres dun contrleur dordre rduit utilis pour lidentification en boucle ferme.
Il sagit dalgorithmes appels CLIM (Close input matching algorithms) qui permet de rduire lerreur entre les
fonctions de sensibilit des entres et CLOM (Close output matching algorithms) qui donne la prfrence la
minimisation de lerreur entre les fonctions de sensibilit des sorties.
C) Distribution du biais :
Lexpression asymptotique pour la distribution du biais des fonctions de transfert estimes dans le domaine
frquentiel joue un rle important dans lanalyse des diffrentes mthodes didentification (particulirement
lorsque le systme rel ne correspond pas au modle dfini). Dans le cas de la mthode CLOE, la formule
commune pour le vecteur des paramtres estims est :
( j ) G ( j ) G ( j ) ( Tur ( j ) r ( ) S yp ( j ) ru ( )) w ( ) d
2 2 2 2
* arg min S
yp
2
* arg min S yp S yp r ( ) d avec S yp KG /(1 KG )
avec G ( j ) le modle rel, G ( j ) modle estim, Syp(j) fonction de sensibilit relle, Tur (j) fonction de
du modle estim, r ( ) densit spectrale du signal de rfrence,
transfert entre la rfrence r et lentre u
(j) la fonction de sensibilit estime de la sortie base sur G
S (j) (i.e. la fonction de sensibilit du
yp
prdicteur de boucle ferme), ru ( ) la densit spectrale du signal externe dexcitation ajoute la sortie du
contrleur, et w ( ) la densit spectrale du bruit. Cette formule montre clairement que le bruit naffecte pas
lestimation des paramtres, et que la distribution en frquence du biais nest pas seulement affecte par la
fonction de sensibilit en fonction du spectre, mais est de plus affecte par la fonction de sensibilit estime. En
dautres termes, en utilisant ce type dalgorithme, la prcision de lestimation est sensiblement amliore dans la
rgion de frquence critique.
Une bonne identification ncessite lutilisation dun signal dexcitation (commande) du procd, riche en
frquences. Ce signal sera superpos la valeur statique de la commande, correspondant au point de
fonctionnement autour duquel on souhaite faire lidentification du procd. En gnral, on utilise une S.B.P.A.
(car, riche en frquence, voir II.1.2.B) de faible amplitude. Pour pouvoir identifier le gain statique, il faut au
moins une des impulsions de la S.B.P.A. plus grande que le temps de monte du systme identifier.
Lamplitude de la S.B.P.A. ne doit pas dpasser quelques % du signal de commande statique. Lacquisition se fait
le plus souvent laide dun calculateur muni dune carte dacquisition entres-sorties (comportant des
convertisseurs numriques / analogiques et analogiques / numriques). Pour lidentification en boucle ferme,
deux possibilits peuvent tre considres :
1. Excitation du procd superpose au rgulateur (la SBPA est additionne la sortie du rgulateur) et on
procde lacquisition de lentre relle du procd et de la sortie. Le transfert entre y0 et y1 sera identifi.
2. Excitation sur la consigne (SBPA additionne la consigne, dfinissant le point de fonctionnement) et on
procde lacquisition de lentre et de la sortie du procd (transfert y0,y1).
+ SBPA (possibilit 1)
y0 y1
Consigne +
y(t)
Rgulateur Systme
u(t) physique
Sortie
La conversion des signaux continus ayant un spectre suprieur la moiti de la frquence dchantillonnage
(f.ech), introduit une distorsion du signal dans la bande utile de 0 0,5 f.ech. Il convient donc dutiliser pour la
mesure, un filtre analogique anti-repliement (filtre passe bas : limine f>0,5 f.ech). On complte ce filtrage
analogique par un filtrage numrique ralis par le calculateur. Trs souvent, lacquisition est ralise en sur
chantillonnage (i.e. f acquisition = n*f.ech). On choisis une frquence de la S.B.P.A. multiple de la frquence
dacquisition pour que f.ech reste multiple de f SBPA (F SBPA = (1/p)f.acquisition).
Les modles utiliss pour lacquisition tant dynamiques (variations de la sortie en fonction des variations de
lentre autour du point de fonctionnement), il faut alors liminer les composantes continues dans les donnes
entres-sorties.
Lors dune identification, la structure procd + bruit identifier peut prendre diffrentes formes (voir fin de
la section II.1.2.B).Lobjet sera de spcifier n a, nb, nc les degrs des polynmes A(q -1), B(q-1), C(q-1) pour lancer
les mthodes destimation des paramtres (n a degr du dnominateur, nb degrs du numrateur, nc est li au
modle de la perturbation).
Utilisation de modles flous : Dans son ouvrage de 1999, Ljung indique que parfois il peut y avoir des
informations quil est difficile dincorporer dans un modle paramtrique standard, en particulier lorsquon
cherche identifier des modles non linaires. Ainsi, il indique que lutilisation de la logique floue pour
lidentification permet dans ces cas l didentifier les paramtres quil netait pas possible de prendre en compte
avec lutilisation dun modle paramtrique classique.
Utilisation des rseaux de neurones : Des rseaux de neurones (dont on peut noter quils utilisent des
algorithmes itratifs dapprentissage de mme nature que les algorithmes que nous avons prsent) sont dans
quelques cas utiliss pour lidentification de systmes en boucle ferme, (systmes non linaires, commande
adaptative, reconnaissance vocale)
Validation des modles identifis en boucle ferme: Lobjectif de la validation est de trouver quel est le
modle du procd qui, avec le rgulateur utilis, permet dobtenir la meilleure prdiction du systme en boucle
ferme. Trois procdures de validation peuvent tre dfinies :
1. Tests statistiques de validation sur lerreur de sortie de la boucle ferme (test dintercorrlation entre
BF (t 1) et (t ) )
2. Proximit des ples calculs de la boucle ferme et des ples identifis du systme rel en boucle ferme.
3. Validation temporelle (comparaison des rponses temporelles du systme rel et du prdicteur de la boucle
ferme)
II.4 ) Simulation :
Systme instable en boucle ouverte : lidentification doit tre ralise en boucle ferme
Pour ce faire, nous utilisons un bloc ARX connecte sur y la sortie du processus et r, la rfrence dentre du
systme. Soit le modle dquation : G(s)=K/(s-0.5)) avec K=5 (voir figure 35 en annexe A). . On applique en
entre un signal carr de 0.5 hertz. On chantillonne 0.1 hertz. La fonction ARX emploie la mthode
paramtrique des moindres carrs pour lidentification. Dans la rponse de la figure 16, on vrifie que
lidentification dun systme instable en B.O. nest pas ralisable. Lerreur de prdiction dans lestimation des
paramtres tend rapidement vers linfini. Les paramtres choisis pour lestimation du modle dans lARX sont :
na=1, nb=1 et nk=0 (Numrateur et dnominateur dordre 1, on applique pas de perturbation).
Lidentification en boucle ouverte, puis en boucle ferme de ce processus donne les rponses suivantes :
Actual Output (Red Line) vs. The Predicted Model output (Blue Line)
0
-2
-4
-6
2 2.5 3 3.5 4
Time (secs) Error In Predicted Model
15
10
Oral
5
probatoire Janvier 2002 Page 15 Stphane Colonges
2 2.5 3 3.5 4
Time (secs)
Identification des systmes en boucle ferme
Actual Output (Red Line) vs. The Predicted Model output (Blue Line)
1
0.5
0
-0.5
-1
2 2.5 3 3.5 4
Error In Predicted Model Time (secs)
0
-0.5
-1
2 2.5 3 3.5 4
Time (secs)
Figure 16 : Identification en B.O. avec loutil ARX Figure 17 : Identification en B.F. avec ARX
(loutil ARX utilise la mthode des moindres carrs)
Ce constat est aussi applicable lorsquon est proche de linstabilit, exemple : G=2/(s+0.1) (on simule pendant
40 secondes, voir figures 33 et 34 de lannexe A).
Si le systme est stable en B.O., lemploi de la mthode directe donne des rsultats comparables
lidentification en B.F. ralise avec la mthode indirecte. Si le systme est instable en B.O., le rsultat de
lidentification en B.F. par la mthode directe est fortement biais. Lidentification est alors impossible.
En pratique, on constate quen appliquant une vraie SBPA sans prcautions, lestimation peut tre fortement
biaise. En effet, il faut au moins quune des impulsions de la SBPA soit plus grande que le temps de monte du
systme identifier.
Nous utilisons maintenant loutil ident de Matlab, et nous programmons des actions dans un fichier
essaiprogr.m (voir annexe A) afin de simuler diffrentes mthodes didentification, en les appliquant un
systme discret dcrit dans Simulink. On rcupre dans Matlab les mesures de r, u et y.
On choisis notre processus en boucle ouverte G=0.8/(z-1,5). On ferme la boucle, (voir fig. 37 en annexe A)
Identification en boucle ferme. par la mthode directe : on mesure u et y
Dans notre exemple, le systme est naturellement instable en B.O., la rponse prdite est croissante jusqu
saturation (de faon similaire la rponse en B.O. Voir figure 18). Matlab par un message de Warning, indique
que le systme est instable. Lerreur destimation augmente trs vite. Dans cette configuration on obtenu une
erreur plus faible avec un modle OE (output error,.), soit 0.788 contre 38,22 pour ARX110 (110=ordres des
polynmes A, B et C) et 20,0954 pour un modle en reprsentation dtat utilisant la mthode de lerreur de
prdiction.
On constate aussi que Lutilisation des techniques non paramtriques ne permet pas didentifier le systme.
Si le processus est stable en B.O., lidentification par cette mthode est satisfaisante.
6
x 10 Step Response
15
-5
0 5 10 15 20 25 30 35 40
Time
(Mthode de lanalyse par corrlation en vert , ARX110 en rouge, OE110 en clair, PEM en violet)
Mthode indirecte
On obtient de trs bon rsultats, ici la modle en reprsentation dtat en utilisant la mthode de lerreur de
prdiction est le meilleur avec une erreur nulle (3,8 e-16), puis OE (0,27) et arx110 (0,36).
Measured and simulated model output Step Response
3 3
2.5
2
2
1
1.5
0 1
0.5
-1
0
-2
-0.5
-3 -1
0 50 100 150 0 5 10 15 20 25 30 35 40
Time Time
Figure 19 : identification par la mthode indirecte Figure 20 : Rponse un chelon
Rponse un signal carr identification en B.F par la mthode indirecte
En vert fonce on la rponse relle, en rouge, mthode ARX, mthode OE en vert clair, mthode de lerreur de
prdiction en violet. On remarque clairement dans figure 7, que la mthode par corrlation ne marche pas.
En figure 36 de lannexe A, on ralise la comparaison des rponses dans le plan frquentiel, obtenues pour un
systme stable en B.O. et en B.F. par la mthode frquentielle, puis par une mthode paramtrique utilisant un
ARX. On constate, que la mthode frquentielle, ne permet pas une bonne identification en B.F. (rsultats
biaiss)
Nous avons prsent en II.3.2.A un algorithme dadaptation paramtrique pour lidentification en boucle ferme :
(t 1) (t ) F (t ) (t ) BF (t 1)
Avec Simulink, nous avons reproduit cet algorithme partiellement, en identifiant le paramtre (b), correspondant
au gain statique du processus en boucle ouverte.
En effet, partir de lalgorithme prsent, on crit : (t 1) (t ) F (t ) (t ) BF (t 1)
Si on lcrit pour un systme discret, cela donne : (1 q 1 ) F (q 1 ) (q 1 ) BF (q)
Nous ralisons dans Simulink la simulation partir dun systme continu, auquel nous adaptons notre
algorithme. On dduit alors des formules prcdentes :
d
F BF (t ) ainsi F BF (t ) .
dt
Si on veut adapter le paramtre de gain K, on doit observer y la sortie du processus rel. Lquation devient :
B Fy BF (t )
1
5 a
s+1
Sum1 Gain1 Transfer Fcn To Workspace
Input signal e
1
1 b
100 F
s To Workspace1
Integrator Gain2 To Workspace2
Le systme simul identifie trs bien dans toutes les configurations (il faut les mmes paramtres au
dnominateur pour le systme rel et le modle). Le paramtre du numrateur (b), exprimant le gain est
parfaitement identifi dans ces conditions. La convergence dans le temps vers la bonne valeur du paramtre
estim est fonction du gain dadaptation F : plus F est grand et plus on converge vite.
En figure 22, on prsente les rponses des systmes rels (en vert) et estims (en bleu), pour un gain K=5 avec
F=100. La figure 23, prsente pour les mmes conditions lvolution dans le temps de lerreur de prdiction, et
figure 24, lvolution en fonction du temps du paramtre estim (on a un dpassement avec F=100). Nous
prsentons en figures 25, 26 et 27 les rponses avec un gain K=10 et F=20 (convergeance plus lente).
1 0.05 8
0.8 0 7
0.6 -0.05
6
0.4 -0.1
5
0.2 -0.15
-0.2 4
0
-0.25 3
-0.2
-0.3
-0.4 2
-0.35
-0.6
1
-0.4
-0.8
-0.45 0
-1 0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160
0 20 40 60 80 100 120 140 160
9
0.4
1
8
0.2 7
0.5
6
0
0 5
-0.2
4
-0.5
-0.4 3
2
-1
-0.6
1
-1.5 -0.8 0
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160
Il serait certainement possible dadapter aussi le paramtre correspondant au retard (donc le dnominateur a), en
observant u, lentre du processus rel, et en appliquant le mme algorithme (voir II.3.2.A).
Il devrait par exemple tre possible daccder ce paramtre avec Simulink en cherchant identifier un
intgrateur, qui boucl donne un systme du 1er ordre.
Avec les multiples travaux raliss ces dernires annes , le nombre dapplications de lidentification en
boucle ferme est sans cesse croissant, et concerne une grande varit de domaines, quils soient techniques ou
non. Nous prsentons dans ce dernier chapitre une liste non exhaustive dexemples dapplications.
-
Acclration rsiduelle
Une identification en boucle ferme en utilisant une mthode F-CLOE a donn de meilleurs rsultats pour la
validation de la boucle ferme que le modle identifi en boucle ouverte (on utilise en entre une SBPA). En
effet, remarquons que ce systme est normalement conu pour fonctionner en boucle ferme. Ceci, I.D.Landau le
souligne dans ses articles : pour un systme fonctionnant normalement en boucle ferme, une identification en
boucle ferme donne de meilleurs rsultats.
Une application voisine de celle-ci, est lutilisation des techniques didentification dans le TGV pendulaire : afin
damliorer le confort des passagers lors des virages grande vitesse, on met en place une commande
anticipative pour le systme pendulaire de suspension (identification : modle simplifi, estimation paramtres)
Entre
+ Sortie
(mdicament) +
Boite noire
+ (modle identifier)
- (frquence cardiaque, pression
artrielle, capacit pulmonaire
- +
-
Modle
Estimation rcursive
des moindres carrs
manuvrer avec des angles dattaque trs importants (o les phnomnes arodynamiques non linaires
prdominent), il est ralis une identification en boucle ferme en utilisant des techniques de probabilit
maximale dans le domaine frquentiel. Les essais en vol sont mens en appliquant diffrents angles dattaque
(5,20,30,45 et 60 degrs). Les donnes sont compares aux modles conus en simulation. Le modle identifi
tait au final une structure du 4 me ordre (ordre rduit). Les auteurs ont cherch estimer un modle en boucle
ferme, linaire et dordre rduit, afin de pouvoir optimiser et faciliter la commande du systme. En contre
partie, il a fallu porter une attention particulire sur les petites perturbations et les non linarits, car elles
peuvent entraner des erreurs importantes dans le systme linaire.
III ) CONCLUSION :
Avec lappui des techniques gnrales de lidentification, nous avons prsent lapproche en boucle
ferme. Celle-ci simpose dans les cas o le systme est instable en boucle ouverte, prsente une drive
importante du point de fonctionnement, ou lorsquon ne peut pas ouvrir la boucle (scurit, production)
Les algorithmes didentification en boucle ferme prsents par I.D. Landau, sils sont bien utiliss, donnent de
trs bons rsultats, et offrent parmi de nombreux avantages :
la possibilit dobtenir un meilleur modle du procd pour la commande
dtre une mthode facile dutilisation pour le (re-)rglage du contrleur
dtre une bonne mthode pour la rduction de lordre du contrleur tout en prservant ses
proprits en boucle ferme (avec les algorithmes CLIM et CLOM, issus de la famille CLOE)
Lextension des algorithmes prsents aux cas multivariables et leur valuation est un sujet de recherche venir.
En ce qui concerne les modles de systmes non linaires en boucle ferme, des algorithmes commencent tre
proposs, mais il reste beaucoup faire dans ce domaine. Enfin, nous lavons dmontr, lidentification en
boucle ferme (et en particulier les mthodes rcursives) a de plus en plus dapplications dans de nombreux
domaines, comme dans les systmes de technologie rcente (automobile, tlphonie, aviation). Il existe aussi
des logiciels ddis ces mthodes didentification.
Cette tude est une opportunit qui ma permis de mintresser de trs prs cette branche de lautomatique qui
me semble tout fait essentielle. Il est vrai, quau premier abord, ltude de cette discipline est complexe, tant
base sur lutilisation de thories et outils mathmatiques consistants. Nanmoins, les algorithmes proposs pour
lidentification en boucle ferme sont simples et efficaces. Cette approche pour lidentification, me semble tout
fait intressante tant elle trouve dapplications dans la pratique et ouvre la voie de nombreuses questions, tant
sur le plan technique que philosophique.
Bibliographie :
Ouvrages :
[1] System identification Theory for the user Lennart LJUNG Prentice Hall 1987
[2] System identification Second edition Theory for the user Lennart LJUNG Prentice Hall 1999
[3] System identification Torsten SODERSTROM Petre STOICA Prentice Hall 1989
[4] Identification des systmes Ioan D. LAUDAU Collection pdagogique dautomatique HERMES 1998
[5] Automatique 2 Systmes asservis linaires Michel VILLAIN Ellipses 1996
[6]Cours dautomatique Tome 3 Commande par calculateur, identification Maurice RIVOIRE Jean-louis
FERRIER Eyrolles 1997
[7] Cours dautomatique Tome 1Traitement du signal, systmes M. RIVOIRE J.L. FERRIER Eyrolles 1995
[8] Identification de modles paramtriques partir de donnes exprimentales- Eric WALTER- Luc
PRONZATO Masson 1994
[9] Rgulation tome 4 C.SERMONDADE A.TOUSSAINT Nathan 1998
[10] Traitement numrique du signal Maurice BELLANGER Dunod 1998
Supports de cours :
[11] P.CHANTRE Automatisme industriel C5 Identification des systmes
[12] Introduction aux systmes et mathmatiques pour lautomatique Cours B2 dautomatisme industriel
Henri BOURLES Octobre 2001
Articles :
[13] Closed loop indentification revisited Urban FORSELL Lennart LJUNG Automatica 1999
[14] A projection method for closed loop identification Urban FORSELL Lennart LJUNG IEEE
Transactions and automatic control - 1997
[15] An alternative motivation for the indirect approach to closed loop identification Lennart LJUNG et Urban
FORSELL IEEE Transactions and automatic control 1997
[16] Model validation and error modeling Lennart LJUNG Astrom symposium control, Lund, Sweden 1999
[17] Recursive algorithms for identification in closed loop A unified approach and evaluation Ioan Dore
LANDAU et Alireza KARIMI Automatica 1997
[18] Identification in closed loop ; a powerfull design tool (Better design models, simpler controllers) Ioan
Dore LANDAU Control Engineering Practice 2000
[19] Direct controller order reduction by identification in closed loop Ioan Dore LANDAU Alireza KARIMI
Aurelian CONTANTINESCU Automatica 2001
[20] For model based control design, closed loop identification gives better performances Hakan
HJALMARSSON, Michel GIVERS Franky DE BRUYNE Atuomatica 1996
[21] Identification and control - Closed loop issues Paul M.J. VAN DEN HOF et Ruud J.P. SCHRAMA
Automatica 1995
[22] Biais of indirect non parametric tranfer function estimates for plants in closed loop W.P.HEATH-
Automatica 2001
[23] Slip based tire road friction estimation Frederik GUSTAFSSON Automatica 1997
[24] Closed loop system identification experience for fligh control law and flying qualities. Evaluation of fligh
performances fighter aircraft P.MURPHY NASA Longley Research center. Paper 16 for the system
identification fpr integrated aircraft development and fligh testing Symposium Madrid Spain May 1998
[25] On some key issues in the windsurfer approach to adaptative robust control W.S.LEE- B.D.O.
ANDERSON- I.M.Y.MARELS- R.L.KOSUT- Atuomatica 1995
Internet :
ANNEXES
ANNEXE A :
Actual Output (Red Line) vs. The Predicted Model output (Blue Line) Actual Output (Red Line) vs. The Predicted Model output (Blue Line)
1.5
0.5
1
0
0.5
0 -0.5
Figure 33 : Systme en B.O. proche de linstabilit Figure 34 : Systme en B.F. G=2/(s+0.1), f.ech=0,1Hz
0 Frequency response
10
1 ARX
Amplitude
1 -1
10
Gain 0.1s+0.1
Transfer Fcn AutoRegressive -2
10
with eXternal input 10
-2
10
-1
10
0
10
1
model estimator1
0
-50
Phase (deg)
-150
-200 -2 -1 0 1
10 10 10 10
En vert fonc, mthode frquentielle,
Frequency (rad/s) et bleu, mthode
paramtrique.
r
1
0.8 y
To Workspace z-1.5
Gain Discrete To Workspace2
Transfer Fcn
En page suivante, nous prsentons le programme utilis pour ralis certaines simulations
Z=[y u];
NN=[1 1 0];
%essai avec ARX, identification des moindres carrs
tharx=arx(Z,NN);
pause, present(tharx), pause
yarx=idsim(u,tharx);
%figure 1
figure,plot([yarx y]), pause
xlabel('systme estime');
%verification stochastique de l'identification
%figure 2
figure,resid(Z,tharx);pause
%comparaison predicteur et sortie du systeme
%figure 3
yh2=predict(Z,tharx,1);
figure,plot([y(1:100) yh2(1:100)]),grid,pause
%trac en frequence du systeme estim
g=th2ff(tharx);
%figure 4
figure,bodeplot(g),pause
%correlation
phi=spa(Z);
%figure 5
figure,bodeplot(phi)