Rapport d’Activité pratique :

Identification d’un système à l’aide du Matlab

Comparaison entre les quatre approches OE BJ ARX et ARMAX

Demandé par : Réalisé par :

Prf. NAITALI Sabir TALBY

MASTER 2eme GE 2019-2020

Table des matières
I. INTRODUCTION : ................................................................................................................... 2
II. Démarche du AP : .................................................................................................................. 2
III. Linéarité du système : ............................................................................................................ 3
IV. Modèle utiliser: ...................................................................................................................... 3
1) Le Model OE: ..................................................................................................................... 3
2) Le model BJ: ....................................................................................................................... 4
3) Le Model ARX: .................................................................................................................. 4
4) Le model ARMAX : ........................................................................................................... 5
V. Les Critère du choix du model: .............................................................................................. 5
1) FIT : .................................................................................................................................... 5
2) La valeur moyenne (Mean) : .............................................................................................. 6
3) La valeur efficace RMS : .................................................................................................... 7
4) La valeur STD: ................................................................................................................... 7
5) Affichage d’erreur : ............................................................................................................ 8
VI. Resulta final : ......................................................................................................................... 9
VII. Conclusion:........................................................................................................................... 10

1
 I. INTRODUCTION :
L'identification : consiste à appliquer ou observer des signaux de perturbation à l'entrée d'un
système (par exemple pour un système électronique, ceux-ci peuvent être de type binaire aléatoire
ou pseudo-aléatoire, galois, sinus à fréquences multiples...) et en analyser la sortie dans le but
d'obtenir un modèle purement mathématique. Les différents paramètres du modèle ne
correspondent à aucune réalité physique dans ce cas. L'identification peut se faire soit dans le
temps (espace temporel), soit en fréquence (espace de Laplace).
Éviter les modèles purement théoriques à partir des équations physiques (en général des équations
différentielles), qui sont longs à obtenir et souvent trop complexes pour le temps de
développement donné, est donc possible avec cette technique.

II. Démarche du AP :
On a reçu par notre professeur un fichier data Matlab « WienerHammerBenchMark.mat» qui
contient le signale d’entre (d’excitation d’un système électronique) et ça réponse (sortie) afin
d’utiliser les fonction du Matlab pour choisir la meilleur identification entre les déférent
méthode(OE BJ ARX ARMAX) et déférent complexité ;
Alors les meilleur modèle son qui prend en compte la précision et aussi la complexité qui en
cherche à la minimiser.

Puisque on a besoin du donner d’estimation et celle de la validation on divise notre base de donner
en deux morceaux. Comme il est montré dans cette figure on dessous :
Z1=Z(1:100000);
Z2=Z(100001:188000);
Figure() ;
plot(Z1,Z2);

2
III. Linéarité du système :
Si en compare les histogrammes d’entrer et celui de la sortie en remarque qu’il sont presque les
mêmes formes dans en constate que le système peut être assimiler un modèle linaire (non linéarité
légère) :

figure(4),hist(Z.u,15);
figure(5),hist(Z.y,15);

IV. Modèle utiliser:

pour identifié notre système on peut fais recours au quatre algorithme déjà programmer au Matlab
il suffit de les appeler avec les paramètre désirer :
1) Le Model OE:
estimates an Output-Error model
B(z) and F(z) are polynomials with respect to the backward shift operator z –1 and defined
by the following equations.

3
Dans matlab:
sys = oe(data,[nb nf nk]) estimates an Output-Error model,
y(t) is the output, u(t) is the input, and e(t) is the error.
sys is estimated for the time- or frequency-domain, measured input-output data, data. The
orders, [nb nf nk], parameterize the estimated polynomial.

2) Le model BJ:
Estimate Box-Jenkins polynomial model using time domain data
sys = bj(data, [nb nc nd nf nk]) estimates a Box-Jenkins polynomial model, sys, using the time-
domain data, data. [nb nc nd nf nk] define the orders of the polynomials used for estimation.

Dans Matlab: sys = bj(data, [nb nc nd nf nk]) estimates a Box-Jenkins polynomial model, sys,
using the time-domain data, data. [nb nc nd nf nk] define the orders of the polynomials used for estimation.

3) Le Model ARX:
Le modèle ARX (Auto Regressive model with eXternal inputs) est un modèle auto régressif qui
inclut des entrées u(t) et un bruit blanc de moyenne nulle. De plus, le modèle inclut un retard pur
de k coups d'horloge. Si le système est échantillonné à une période d'échantillonnage T, alors le
retard sera de k*T.
Sous forme temporelle :

Dans un espace discret utilisant la Transformée en Z :

Dans matlab:

sys = arx(data,[na nb nk]) returns an ARX structure polynomial model, sys, with estimated parameters and
covariances (parameter uncertainties) using the least-squares method and specified orders.

4
 4) Le model ARMAX :
Le modèle ARMAX (Auto Regressive Moving Average with eXternal inputs) reprend les attributs du
modèle ARX mais inclut une fonction de transfert avec une moyenne ajustable sur le bruit blanc. En
général le bruit blanc permet de modéliser des perturbations non mesurables dans le modèle. Or, ces
perturbations non mesurables (fluctuations thermiques, vibrations du sol…) sont rarement de moyenne
nulle et peuvent aussi répondre à un modèle.

Dans matlab:
sys = armax(data,[na nb nc nk]) returns an idpoly model, sys, with estimated parameters and covariance
(parameter uncertainties). Estimates the parameters using the prediction-error method and specified polynomial
orders.

V. Les Critère du choix du model:

On dit qu’on se basons sur la consistance, la précision et sur la complexité alors pour définir ces
paramètre on se basons sur des scalaire comme le FIT , RMS, Mean, et STD pour choisir a la fin
on va décider depuis le critère de complexité .
1) FIT :
Ajustement du modèle (Fit) : Ceci est une mesure (scalaire) de la qualité d'un modèle particulier est
capable d'expliquer ou d'adapter un ensemble de données particulières Z. Il sera noté F (m, Z).
Résultat obtenu avec la fonction du Matlab : [De,fit]=compare(Ze,R{n,k}.m);
on a 4 model avec une puissance de complexité de n=1 a n=10

On remarque que les medels

OE et BJ ont des Fit acceptable
>71% depuit n=3 et n=4
Mais OE moins complexe

5
 2) La valeur moyenne (Mean) :
Cette fonction déjà existe sur Matlab elle return la valeur moyenne d’un signal unidimensionnelle
Plus que les valeurs proches de zéro
plus que le modèle est consistant.
(ces valeur ne donne pas une
information sur la précision)
Le Model OE a une valeur acceptable
pour une complexité de n=3

6
 3) La valeur efficace RMS :
Cette fonction déjà existe sur Matlab elle return la valeur efficace d’un signal unidimensionnelle
alors on calcul la RMS de l’erreur et n’est pas du signale lui même

Plus que la RMS d’erreur est proche de

zéro plus que le modèle précis
model OE a n=3 tjs acceptable

4) La valeur STD:
S = std(A) returns the standard deviation of the elements of A
or a random variable vector A made up of N scalar observations, the standard deviation is defined as

where μ is the mean of A:

The standard deviation is the square root of the variance. Some definitions of standard
deviation use a normalization factor of N instead of N-1, which you can specify by
setting w to 1.

7
Notre model choisi du le début ce n’est
pas le meilleur mais il est tjs acceptable
OE a n=3

5) Affichage d’erreur :
On utilise Matlab pour afficher et comparer les erreur de chaque model pour la même complexité
voilà celui de la valeur de n=3 :

8
Comparaison entre l’erreur et le signal :

VI. Resulta final :

Comca on a bien choisi un model qui prend on consideration la precision et la moins de
complexite :
C’est le model OE avec n=3
Il sufut de taper sur matlab comand window R{n,k}.m avec n=3 et k=1 ; pour avoir le resultat
suivant :
ans =
Discrete-time OE model: y(t) = [B(z)/F(z)]u(t) + e(t)
B(z) = 0.007081 z^-1 - 0.01819 z^-2 + 0.01493 z^-3

F(z) = 1 - 2.686 z^-1 + 2.433 z^-2 - 0.7429 z^-3

Sample time: 1.9531e-05 seconds

Parameterization:
Polynomial orders: nb=3 nf=3 nk=1
Number of free coefficients: 6
Use "polydata", "getpvec", "getcov" for parameters and their uncertainties.

Status:
Estimated using OE on time domain data "W-H Benchmark data".
Fit to estimation data: 76.36%
FPE: 0.003195, MSE: 0.003195

9
VII. Conclusion:

Cette activité est une application réelle de ce qu’on apprit dans les cours théoriques
On a bien familiarisé avec l’environnement Matlab est surtout avec les méthodes d’identification.
On a découvrir que Matlab facilite vraiment la tâche pour un automaticien. il suffit d’avoir
l’enregistrement avec la bonne excitation pour avoir toutes les résultat avec simple clique.

10