04 Mise

Title of
Presentation
Prof. Hemsas Kamel Eddine

University Ferhat Abbas Setif-1
Setif, Algeria
Qui suis-je
Professeur kamel eddine HEMSAS = Prof. Kamel ou Hemsas)

Tel: 0560139990 .
email: hemsas.kamel@gmail.com
Né à Sétif le: 06 11 1965 ( 52 ans)
1991: Ingénieur d’état en électrotechnique
1995 : Magiter Impact des harmoniques sur les performances de la MAS
2000 : Membre du Las, équipe Commande
2006 : Docteur d’état
Développement d’un nouveau modèle de la MAS pour la commande et la surveillance
2012: Professeur des universités
Thèmes de recherche : Qualité d’enrgie, ME ( théorie, modèle, modélisation,

commande, identification , estimation, surveillance, diagnostic…..)
Qui êtes-vous?
Le support de cours =
Power point commenté ("vade-mecum" ) + des
explications sur le (Black-board)
Une chose personnel qu’on garde avec soin chez soi, Guide ou petit livret qu’on
porte commodément sur soi, pour se renseigner, pour se diriger.
Evaluation : Control continu : 40% ; Examen : 60%.

Semestre: 2 Master : Electrotechnique Industrielle
UE Fondamentale Code : UEF 1.2.2
Matière: Modélisation et Identification des systèmes électriques (MISE)
VHS: 45h (Cours: 1h30, TD: 1h30)
Crédits: 4 Coefficient: 2
Mode d’évaluation : Control continu : 40% ; Examen : 60%.
Objectifs de l’enseignement:
La modélisation des systèmes électrotechniques est indispensable
à la compréhension et la commande de ces dispositifs. Le choix des
modèles et l'analyse critique des résultats des simulations sera au
cœur de cette UE.
Capacités et compétences visées :

Etre capable de comprendre les principes de modélisation et
développer des modèles pour des systèmes électriques et
identifier les paramètres et analyser le comportement pour un
cahier d charges précis.
Connaissances préalables recommandées:

Notions de base en génie électriques (EEA) et en mathématiques
PROGRAMME
Chapitre 1 : Systèmes et expériences (02 semaines)
Généralités, types de modèles, modèles et simulation, comment obtenir un modèle
Chapitre 2 : Modèle mathématique (02 semaines)

Schéma bloc d’un système, variables caractéristiques, représentations interne et externe d’un
système
Chapitre 3 : Modélisation des systèmes électriques (02 semaines)

Modélisation d’un composant passif, d’un composant actif, des circuits électriques de base
Chapitre 4 : Outils de modélisation (02 semaines)

Bond graph (BG) ou Graphe informationnel causales (GIC)) (Application aux circuits
électriques
Chapitre 5 : Généralités sur l’identification (02 semaines)

Définitions, étapes, génération SBPA, choix de la structure du modèle
Chapitre 6 : Méthodes d’identification graphiques (02 semaines)

Méthode de Strejc, méthode de Broïda…
Chapitre 7 : Méthodes d’identification numériques (03 semaines)

Méthodes récursives, méthode non récursives.
Travaux pratiques de Modélisation &Identification des Systèmes Electriques
TP n° 1 : Modélisation et simulation des circuits électriques passif ou actif.
TP n° 2 : Modélisation et simulation des convertisseurs électromécaniques
TP n° 3 Mesure directe de la réponse d'un système
TP n° 4 : Identification paramétrique d’un système électrique par les Méthodes de

Strejc et Broïda
TP n° 5 : Identification numérique (en ligne) d'une Machine DC par la Méthode

des moindres carrées récursives MCR
TP n° 6 : Identification numérique (en ligne) d'un Machine AC par la

Méthode des moindres carrées récursives MCR
Mode d’évaluation : Control continu : 100%.

Références bibliographiques:
DYNAMIC MODELING AND CONTROL OF ENGINEERING SYSTEMS

Modeling and Simulation of Systems Using MATLAB and Simulink Devendra K. Chaturvedi
Modeling Identification and Simulation of Dynamic Systems P.P.J. van den Bosch, A.C.
van der Klauw, CRC Press 1994
Modeling of Dynamic Systems L. Ljung and T. Glad Prentice Hall 1994
System Modeling and Identification R.Johanessen Prentice Hall 1993
L. Ljung: System Identification: Theory for the User. Prentice Hall 1999, 2nd ed
Introduction
Modélisation & Identification des
Systèmes Electriques
L’Electrotechnique Industrielle est une discipline

scientifique liée à l’industrie: Elle étudie les
systèmes dynamiques, les signaux et l’information,
à des fins de conduite (commande et control) ou de
prise de décision.
CHAPITRE1 :
Généralités sur les systèmes, la modélisation et
l’identification
Généralités sur les systèmes
System as collection of interconnected components.
Hierarchically nested set of systems.
Table 1.x : Some Linear Constitutive Relations Modeling and Control of Engineering Systems, Clarence W. de Silva, P38
Classification of Systems
According to the Time Frame : Systems can be categorized on the basis of time frame
as : Discrete Continuous Hybrid
According to the Complexity of the System : Systems can be classifi ed on the basis of
complexity, as shown in Figure 1.3. : Physical sys, Conceptual sys & Esoteric sys.
Classification of system based on complexity.
Physical systems can be defined as systems whose variables can
be measured with physical devices that are quantitative such as
electrical sys, mechanical sys, computer sys, hydraulic sys,
thermal sys, or a combination of these systems. Physical sys is a
collection of components, in which each component has its own
behavior, used for some purpose. These systems are relatively
less complex. Some of physical sys are shown in Figure a and b.
Conceptual systems are those systems in which all the
measurements are conceptual or imaginary and in qualitative
form as in psychological systems, social systems, health care
systems, and economic systems. Figure 1.4c shows the
transportation system. Conceptual systems are those systems in
which the quantity of interest cannot be measured directly
with physical devices. These are complex systems.
Esoteric systems are the systems in which the measurements are
not possible with physical measuring devices. The complexity of
these systems is of highest order.
(a) (c)
(b)
Types of systems. (a) Mechanical system. (b) Electronic circuit. (c) Transportation system.
According to the Interactions syst also depends upon the degree of interconnection of events from none to total
Interactions may be unidirectional or bidirectional, crisp or fuzzy, static or dynamic, etc.
Systems will be divided into three classes according to the degree of interconnection
of events.
1. Independent—If the events have no effect upon one another, then the system is
classifyed as independent.
2. Cascaded—If the effects of the events are unilateral (that is, part A affects part B, B
affects C, C affects D, and not vice versa), the system is classifi ed as cascaded.
3. Coupled—If the events mutually affect each other, the system is classifi ed as
coupled.
According to the Nature and Type of Components
1. Static or dynamic components
2. Linear or nonlinear components
3. Time‐invariant or time‐variant components
4. Deterministic or stochastic components
5. Lumped parametric component or distributed parametric component
6. Continuous‐time and discrete‐time systems
According to the Uncertainties Involved
Deterministic—No uncertainty in any variables, for example, model of pendulum.
Stochastic—Some variables are random, for example, airplane in fl ight with random
wind gusts, mineral-processing plant with random grade ore, and phone network
with random arrival times and call lengths.
Fuzzy systems—The variables in such type of systems are fuzzy in nature. The fuzzy
variables are quantifi ed with linguistic terms.
Static vs. Dynamic Systems
Normally, the system output depends upon the past inputs and system states. However, there are certain systems whose output does not depend on the
past inputs called static or memoryless systems. On the other hand, if the system output depends on the past inputs and earlier system states which
essentially implied that the system has some memory elements, it is called a dynamic system. For example, if an electrical system contains inductor or
capacitor elements, which have some fi nite memory, due to which the system response at any time instant is determined by their present and past
inputs.
Linear vs. Nonlinear Systems
The study of linear systems is important for two reasons:
1. Majority of engineering situations are linear at least within specified range.
2. Exact solutions of behavior of linear systems can usually be found by standard techniques.
Time‐Varying vs. Time‐Invariant Systems
(a)
(b)
Time‐invariant system responses. Application of input at time instant (a) t and (b) (t − τ).
Lumped vs. Distributed Parameter Systems
Continuous‐Time and Discrete‐Time Systems
Deterministic vs. Stochastic Systems
Hard and Soft Systems
Généralités la modélisation
Qu'est‐ce que la modélisation? La modélisation
est un processus d'abstraction d'un système
réel. Un modèle décrit un cadre conceptuel
pour décrire un système et peut être considéré
comme une abstraction (essence) d'un système
réel ou d'une réplique physique d'un système
ou d'une situation. C'est une représentation
factuelle de la réalité.
Le mot modèle est dérivé du latin et sa
signification est moule ou motif (modèle
physique).
Objectifs de la modélisation
Le modèle et la modélisation sont des mots de calque avec de nombreuses
interprétations différentes. Par exemple, un modèle de cancer est un animal dans lequel
ce cancer peut être déclenché. Dans ce livre, un modèle sera une description
mathématique d'un processus réel, construit avec un but précis à l'esprit. Ce but peut
être:
- analyser les phénomènes pour les approfondir (modèles en physique, chimie ...);
- estimer les quantités pour lesquelles aucun capteur n'est disponible, à partir de
mesures indirectes;
- tester des hypothèses (diagnostics médicamenteux ou fouciologiques, contrôle de la
qualité des soins de santé ...);
- enseignement (simulateurs pour aéronefs, centrales nucléaires, patients en état
critique ...);
- la prévision du comportement à court terme de Lerm (contraintes adaptatives des
processus modifiant la chaux) ou le comportement à long terme (prévisions
économiques pour la planification gouvernementale);
-processus de régulation (régulation autour d'un point de consigne nominal, trajectoire
suivie de grands transitoires, contrôle optimal ...);
(Annulation de bruit, compression de données, filtrage, interpolation ...).
L'implémentation d'un filtre de Kalman, par exemple, nécessite un modèle du processus
générant les données.
Modélisation et modèle mathématique
• Description des systèmes ou de l’essentiel de leurs
rôles par :
= Une série d’équations (une ou plusieurs)
= Une e représentations graphiques (une ou plusieurs)
qui décrivent des relations entre une ou plusieurs
variables d’une manière précise.
– Les modèles mathématiques sont utilisés

particulièrement en biologie, ingénierie électrique et
physique. Egalement dans d’autres domaines comme
en économie, sociologie et science politique.
Exemple : ( exple ELT)
on souhaite investir dans une action qui lui rapportera 10 %
annuellement. Quel montant aura‐t‐il au bout de l'année ?
Solution:
L'investissement initial est inconnu.
Définissons : X : le montant investit dans cette action
Le montant accumulé à la fin de l'année sera
X + 10% x = X+ ,01X = 1,1X ( modèle du problème)

Pourquoi la modélisation est-elle nécessaire? Parce que ... la
modélisation peut être très utile
1.Pour trouver la hauteur d'une tour, sans l'escalader réellement
2.Mesurer la largeur d'une rivière sans la traverser
3.Mesurer la masse de la Terre, ne pas utiliser d'équilibre
4. Pour trouver la température à la surface ou au centre du soleil
5. Pour estimer le rendement du blé en Inde à partir de la culture
6. Quantifier la quantité de sang dans un corps humain vivant
7. Prévoir la population de la Chine pour l'année 2050
8.Pour déterminer le temps requis par un satellite pour compléter une orbite
autour de la terre, disons à la hauteur d'environ 10 000 km au-dessus du sol
9. Évaluer l'impact d'une réduction de 30% de l'impôt sur le revenu sur
l'économie nationale
10. Vérifier l'efficacité du pistolet efficace dont la performance dépend de 10
paramètres, chacun pouvant prendre 10 valeurs différentes, sans fabriquer
réellement 1010 pistolets
11. Pour déterminer le temps moyen entre les défaillances (MTBF) ou la
durée de vie moyenne d'une ampoule électrique
12. Prévoir le montant total des réclamations d'assurance qu'une entreprise
doit payer l'année prochaine
Dans de nombreux domaines, il est nécessaire de faire appel à une
modélisation du système physique étudié. Cette modélisation est réalisable
théoriquement en faisant exclusivement appel à des modèles de type boîte
blanche basés sur les équations non-linéaires de la physique gérant le
fonctionnement du procédé. Par définition, cette procédure demande à
l'utilisateur d'avoir des connaissances très avancées dans de nombreux
domaines et conduit généralement à des modèles complexes et peu
parcimonieux. L'identification ou la modélisation expérimentale est une
solution intéressante pour modéliser les systèmes physiques car elle permet
de combiner des informations a priori liées aux connaissances de
l'utilisateur à des résultats expérimentaux directement obtenu sur le
système à identifier. Le modèle qui en découle est souvent qualifié de boîte
grise. Qu'il soit linéaire, non linéaire, à paramètres variants, c'est à
l'estimation d'un modèle de type comportemental que s'intéresse les
membres de ce groupe. Ce groupe aborde les aspects méthodologiques
d’estimation de paramètres physiques, la reconstruction de grandeurs
d’entrée à partir de modèles de comportement et l'identification pour la
commande. Ces études se font pour les systèmes monovariables ou
multivariables dans un cadre boucle ouverte ou boucle fermée. Les outils
développés sont appliqués sur différents types de processus (électriques,
thermiques, robotiques, …) et servent d'appui aux travaux d'autres
opérations de l’équipe.
RNA, LF, ANFIS : Le modèle qui en découle est souvent qualifié de
boîte noire
Boîte blanche basés sur les équations
Boîte grise ( graph le liaison ou BG)
Boîte Noire ( TIA: RNA, LF, ANFIS…..)

Les principaux avantages des modèles analytiques (et des modèles
informatiques) par rapport aux modèles physiques sont les suivants:
1. Les ordinateurs modernes à haute capacité et à grande vitesse
peuvent gérer des Modèles à grande vitesse et à faible coût.
2 .. Les modèles analytiques / informatiques peuvent être modifiés
rapidement, facilement et rapidement Vitesse à faible coût.
3 .. Il ya une grande flexibilité de faire des changements structurels et
paramétriques.
4. Directement applicable dans les simulations par ordinateur.
5. Les modèles analytiques peuvent être facilement intégrés avec des
modèles informatiques / numériques / expérimentaux, pour générer
des modèles «hybrides».
6. La modélisation analytique peut être commodément effectuée bien
avant la construction d'un prototype (en fait, cette étape peut jouer
un rôle déterminant dans la décision de faire du prototype).
BREF:
Modélisation mathématique et simulation numérique
La modélisation mathématique est l'art (ou la science) de
représenter (ou de transformer) une réalité physique en des modèles
abstraits accessibles a l'analyse et au calcul.
La simulation numérique est le processus qui permet de calculer sur
ordinateur les solutions de ces modèles et donc de simuler la réalité
physique.
La modélisation mathématique et la simulation numérique ont pris
une importance considérable ces dernières décennies dans tous les
domaines de la science et des applications industrielles (ou sciences
de l'ingénieur).
Lors du développement du modèle, il faut optimiser deux choses:
1. Simplicité du modèle
2. Précision du modèle ou fidélité du modèle
Importance Modélisation et de Simulation numérique/graphique
• Restituer une image du comportement du système
réel dans différents scénarios de fonctionnement
les plus sévères,
• Pré-construction
• Pré-prototypage
• Développement des lois de commande
• Optimisation
La simulation :
• Comprendre les notions théoriques
• Comblé le manque d’équipement des bans d’essais
et manipulations
• Valider le modèle
It is unrealistic to attempt to develop a “universal model” that will incorporate all
conceivable aspects of the system === hypothèses simplificatrices
Model Types
Experimental model Analytical model
One way to analyze a system is Another way to analyze a system is by
to impose excitations (inputs) using an analytical model of the system,
on the system, measure the which originates from the physical
reactions (outputs) of the (constitutive) equations of the constituent
system, and fit the I/O data components or processes of the system.
obtained in this manner into a
suitable analytical model. This Analytical models include state‐space
is known as “experimental
models, linear graphs, bond graphs,
modeling” or model
identification or system
transfer function models (in the Laplace
identification. domain), and frequency domain models.
In general, models may be grouped into the following categories:
1. Physical models (prototypes)
2. Analytical models
3. Computer (numerical) Models (data tables, arrays, curves, programs, files, etc.)
4. Experimental models (use I/O experimental data for model “identification”)
Why is modeling required? Because … modeling may be quite useful
Pourquoi la modélisation est-elle nécessaire? Parce que ... la

modélisation peut être très utile
1. To find the height of a tower, say the Kutub Minar of Delhi or the Leaning Tower at
Pisa without actually climbing it
2. To measure the width of a river without actually crossing it
3. To gauge the mass of the Earth, not using any balance
4. To fi nd the temperature at the surface or at the centre of the sun
5. To estimate the yield of wheat in India from the standing crop
6. To quantify the amount of blood inside a living human body
7. To predict the population of China for the year 2050
8. To determine the time required by a satellite to complete one orbit around the
earth, say at the height of about 10,000 km above the ground
9. To assess the impact of 30% reduction in income tax over the national economy
10. To ascertain the optimally efficient gun whose performance depends on 10
parameters, each of which can take 10 different values, without actually manufacturing
1010 guns
11. To determine the mean time between failures (MTBF) or average life span of an
electric bulb
12. To forecast the total amount of insurance claims a company has to pay next year
The main advantages of analytical models (and computer models) over
physical models are the following:
1. Modern, high‐capacity, high‐speed computers can handle complex
analytical
models at high speed and low cost.
2.. Analytical/computer models can be modified quickly, conveniently, and
high
speed at low cost.
3.. There is high flexibility of making structural and parametric changes.
4. Directly applicable in computer simulations.
5. Analytical models can be easily integrated with
computer/numerical/experimental models, to generate “hybrid” models.
6. Analytical modeling can be conveniently done well before a prototype is
built (in fact this step can be instrumental in deciding whether to prototype).
There are many types of analytical models. They include the following:
1. Time‐domain model: Differential equations with time t as the independent variable.
2.. Transfer function model: Laplace transform of the output variable divided by the Laplace
transform of the input variable (algebraic equation with the Laplace variable s as the independent
variable).
3.. Frequency domain model: Frequency transfer function (or frequency response function) which
is a special case of the Laplace transfer function, with s jw. The independent variable is frequency
w.
4. Nonlinear model: Nonlinear differential equations (principle of superposition does not hold).
5. Linear model: Linear differential equations (principle of superposition holds).
6. Distributed (or continuous)‐parameter model: Partial differential equations (Dependent variables
are functions of time and space).
7. Lumped‐parameter model: Ordinary differential equations (dependent variables are functions of
time, not space).
8. Time‐varying (or nonstationary or nonautonomous) model: Differential equations with time‐
varying coefficients (model parameters vary with time).
9. Time‐invariant (or stationary or autonomous) model: Differential equations with constant
coefficients (model parameters are constant).
10. Random (stochastic) model: Stochastic differential equations (variables and/or parameters are
governed by probability distributions).
11. Deterministic model: Nonstochastic differential equations.
12.. Continuous‐time model: Differential equations (time variable is continuously defined).
13.. Discrete‐time model: Difference equations (time variable is defined as discrete values at a
sequence of time points).
14. Discrete transfer function model: z‐transform of the discrete‐time output divided by the z‐
transform of the discrete‐time input.
Généralités sur l’identification
Le mot identification désigne l'action consistant à identifier (donner, attribuer
un nom ou un code en propre – numérique ou graphique- à la chose ou la
personne ainsi reconnue) un objet ou un individu.
Identification peut également désigner :

•identification, en psychologie, fait de se reconnaître dans une
caractéristique, ou une personne extérieure à soi
•Identification, en ressources humaines, technique utilisée dans l'approche
directe afin d'identifier des candidats
•Identification, abus de notation, en mathématiques, consistant à remplacer
une quantité mathématique par une autre qui n'est pas identique mais à les
mêmes propriétés dans le but de simplifier le discours
•Identification, forme de simplification, possible dans certaines équations et
pas dans d'autres et mène au concept d'injectivité
•Identification, en droit, contrôle notamment par le biais d'une carte d'identité,
qui ne peut être exercé en France que par un policier, un gendarme ou, dans
certains cas, un douanier
•Identification, en ésotérisme, sens de départ très proche de celui de la
psychologie, comme de la philosophie, qu'elle dépasse pourtant du fait des
notions spirituelles et initiatiques qu'elle implique
•Identification de système, technique consistant à obtenir
un modèle mathématique d'un système à partir de mesures ;
•Identification, en informatique, moyen

de « connaître » l'identité d'une entité, souvent à l'aide
d'un identifiant tel qu'un nom d'utilisateur. À ne pas confondre
avec le contrôle d'identité (ou authentification) qui permet de
vérifier cette identité
•Identification, en biologie, des êtres vivants repose sur la

reconnaissance de leur taxon dans une classification, sur la base
de leurs caractères externes, selon une démarche basée sur
une clé de détermination
•Identification, en gestion de configuration, détermination de

l'ensemble des éléments membres des configurations
Procédure d’identification
Grandeurs relatives à un système
Schémasfonctionnels
dessystèmes
Plan
¾ Schémas fonctionnels
Définitions
Représentations
¾ Manipulation de schémas fonctionnels
Produit
Sommation
Contre réaction
¾ Réductions des schémas fonctionnels
Règles de réductions
Procédure générale
¾ Exemples
2
Schéma fonctionnel
Le schéma fonctionnel permet de représenter un
système en tenant compte des différentes variables
et éléments qui le caractérisent :
– les variables sont représentées par des flèches
– les éléments sont représentés par des rectangles

(bloc fonctionnel) ; chaque bloc fonctionnel est
une fonction de transfert (FT) entre une variable
d ’entrée et une variable de sortie
3
Exemple : variation de vitesse
Schéma fonctionnel plus détaillé :
couple résistant
tension vitesse
commande induit moteur+ arbre génératrice mesure
du hacheur hacheur charge tachymétrique de la vitesse
DFWLRQQHXU SURFpGp FDSWHXU
4
– Objectif : détailler le fonctionnement du système
• plusieurs blocs fonctionnels
• 1 bloc : un élément physique, une relation
fonctionnelle
• apparition de variables intermédiaires (internes)
• le nombre de variables externes est inchangé
perturbation
entrée sortie
variables intermédiaires
5
Schéma fonctionnel
Représentation graphique un système linéaire
Les équations différentielles du comportement sont traduites par la fonction

de transfert de chaque constituant.
Chaque fonction est schématisée par un bloc. L’allure globale du schéma

renseigne aussi sur sa structure (boucle ouverte, boucle fermée).
Les branches (flèches orientées) entre les blocs portent les variables
intermédiaires globales du système.
6
Schéma fonctionnel
) Un schéma fonctionnel est constitué par un assemblage de
quatre types d’éléments:
Blocs (rectangles)
Comparateurs
Points de dérivations
Flèches (circulations orientées des signaux)
7
Formalisme
¾ Bloc: Le bloc possède une entrée E et une sortie S. La fonction
de transfert H du bloc est déterminée d'après les équations de
fonctionnement.
E S
S(p) = E(p) × H(p)

8
Formalisme
¾ Jonction: La variable de la branche 1 est identique à celle de
la branche 2, un prélèvement d’information ne modifie pas la
variable.
Branche 1
Branche 2
9
Formalisme
¾ Sommateur: Les sommateurs permettent d’additionner ou de
soustraire des variables. Ils possèdent plusieurs entrées mais
une seule sortie.
E1
E2 + S
+
-
E3
S(p) = E1 (p) + E 2 (p) - E3 (p)
10
Formalisme
¾ Comparateur: Cas particulier de sommateur qui permet de
faire la différence de deux entrées (de comparer) ici :
E1 S
+
-
E2
S(p) = E1 (p) - E 2 (p)
11
Manipulation des schémas
¾ Produit
E S1 S E S
A B A×B
S1 = A × E
S = B × S1 S = [ A×B]×E
Il est possible de remplacer des blocs en ligne par le bloc produit des
fonctions de chaque blocs.
12
¾ Sommation
S1
A
E + S E S
+ A+B
B S2
S1 = A × E ½
° S = [ A + B]×E
S2 = B × E ¾
S = S1 +S2 °¿
13
¾ Contre réaction
E +
ε S
- A E A S
R 1+AB
B
S=A×İ ½
°° A
S = A× ( E - R ) ¾ S= ×E
° 1+AB
S = A× ª¬ E - ( B×S) º¼ °¿
14
¾ Contre réaction avec retour unitaire
E +
ε S
- A E A S
1+A
S=A×İ ½° A
¾ S= ×E
S = A× ( E - S ) °¿ 1+A
15
¾ Déplacement d’une sommation
S = G × İs
εs
E
K S1 +
-
G S
S = G× ( S1 - S2 )
S2
K M S = G× ª¬( E×K ) - ( M × K ) º¼
S = G × K (E - M)
ε εs S = G × İs
E S
+ K G
- S = G× ( K × ε )
S = G × K ( E - M ) 16
M
¾ Déplacement d’une sommation
S=G×İ
E
K S1 + ε G S S = G× ( S1 - M )
-
M S = G× ª¬( E×K ) -M º¼
S = G×E×K - G × M
ε 1
E + K G S S = G×K×(E - M)
- K
1/K M S = G×K×E - G×M
17
¾ Déplacement d’une jonction
E U S1
K G
S2
F
S1 = [ G × K ]×E
S2 = [ F × K ]×E
E S1
K G
S2
K F 18
¾ Déplacement d’une jonction
E U S1
K G
S2
F
S1 = [ G × K ]×E
S2 = F × E
E S1
K G
S2
1/K F
19
Règles de Transformation
Le schéma fonctionnel d’un système de commande est souvent compliqué.
Il peut comprendre plusieurs boucles de retour ou d’action, et plusieurs
signaux d’entrée.
Au moyen de la réduction systématique des schémas fonctionnels, tout

système à retour de boucles multiples peut se ramener à une forme
canonique.
R + E C R + C
G 1/H G·H
± ≡ ±
B
H
20
Règles de transformation
¾ Règle 1: Éléments en série
x y x y
P1 P2 P1·P2
¾ Règle 2: Éléments en parallèle
x + y
P1
x y
± P1 + P2
P2
21
¾ Règle 3: Retrait d’un élément d’une chaîne d’action
x + y x P1 + y
P1 P2
± P2 ±
P2
¾ Règle 4: Élimination d’une boucle de retour
x + y
± P1 x P1 y
1 ± P1·P2
P2
22
¾ Règle 5: Retrait d’un élément d’une boucle de retour
x + y x 1 + y
± P1 P1· P2
P2 ±
P2
¾ Règle 6a: Redisposition des comparateurs
w + + z w + + z
± ± ± ±
x y
y x
23
¾ Règle 6b: Redisposition des comparateurs
w + + z w + z
± ± +
x x ±
y y ±
¾ Règle 7: Déplacement d’un comparateur en amont d’un élément
z x + z
x + P
P
±
±
1 y
y
P
24
¾ Règle 8: Déplacement d’un comparateur en aval d’un élément
x + z x + z
P P
± ±
y
y
P
¾ Règle 9: Déplacement d’un point de dérivation en amont d’un élément
x y x y
P P
y y
P
25
¾ Règle 10: Déplacement d’un point de dérivation en aval d’un élément
x y
x y P
P
x 1
x
P
¾ Règle 11: Déplacement d’un point de dérivation en amont d’un

comparateur
x + z
x + z
z + ±
±
y ±
z y
26
¾ Règle 12: Déplacement d’un point de dérivation en aval d’un élément
x + z x + z
± y ±
x
±
y x
+
27
Méthode générale de réduction
Étape 1 Associer tous les éléments en série (règle 1)
Étape 2 Associer tous les éléments en parallèle (règle)
Étape 3 Éliminer toutes les boucles de retour non principales (règle 4)
Étape 4 Faire passer les comparateurs à gauche, et les points de

dérivation à droite de la boucle principale (règles 7, 10 et 12)
Étape 5 Répéter les étapes 1 à jusqu’à l’obtention de la forme canonique
pour un signal d’entrée particulier
Étape 6 Répéter les étapes de 1 à 5 pour chaque signal d’entrée, tant que
nécessaire.
28
Exemple 1
¾ Mettre le schéma fonctionnel suivant, sous forme canonique
G3
+
+ + C
G1 G4 G2
R +
- +
H1
H2
Étape 1: éléments en série Étape 2: éléments en parallèle
29
Exemple 1 (suite)
+ + C
G1·G4 G3 + G2
R
- +
H1
H2
Étape 3: éléments en boucle
30
Exemple 1 (suite)
+ G1·G4 C
G3 + G2
R 1 – G1·G4·H1
-
H2
Étape 1: éléments en série
R + G1·G4 C
1 – G1·G4·H1
-
H2
31
Exemple 2
Exprimer la sortie du système représenté par le schéma fonctionnel suivant.
R(p) E(p) Y(p)

+ G(p)
-
E(p) = R(p) - Y(p)

Y(p) = G(p) × E(p)
Y(p) = G(p) × ( R(p)-Y(p) )
G(p)
Y(p) = R(p)×
1 + G(p) 32
Graphe de transfert (graphe de fluence)
OBJECTIFS DE L’ENSEIGNEMENT :
Savoir manipuler les techniques de représentation des systèmes
CONTENU THEORIQUE :
• Dans ce chapitre on s’intéresse à l’explication de graphe de fluence comme outil de
représentation d’un système continu linéaire invariant (SLCI),
• On définie cette graphe de transfert, les techniques de réalisations tout en s’intéressant
a la règle de Mason et les techniques d’applications.

1
Graphe De Fluence (ou De Transfert ou de Liaison)
1. Définitions
• Un graphe de transfert ou de fluence qui permet de simplifier l’écriture et la mise en
équation des processus lorsque le nombre de variables augmente.
• Un graphe de transfert est constitué d’un ensemble de noeuds reliés entre eux par des
branches orientées.
- Les noeuds représentent les variables du système.
- Chaque branche est affectée d’un coefficient correspondant à la transmittance qui relie
entre deux noeuds (variables).

2
Soit un système régit par le système d’équations algébriques suivantes :
Le graphe de la figure ci-contre est appelé: graphe de fluence.
Un nœud auquel arrive plusieurs branches est appelé : puit (nœud secondaire).
Un nœud à partir duquel peuvent partir plusieurs branches est appelé : nœud source.
- X1 X2 X3 nœuds sources
- X5 nœud puit (secondaire)
3
Chaîne directe : est une liaison entre 2 variables
réalisée en suivant les sens des flèches et en passant
une seule fois par chaque nœud.


La transmittance d’une chaîne directe est le produit des x 5a1 a2 a3 a4 x1
transmittances rencontrées en les parcourant.  Tcd  x 5 / x1 = a1 a2 a3 a4
Boucle est un parcourt suivant les flèches qui

partant d’un nœud revient à ce même nœud sans
passer 2 fois par le même nœud.

La transmittance d’une boucle est le produit des

transmittances rencontrées lors de son parcourt.
 Tb  a1 a2 a3
4
2- Réalisation des graphes &Transformations élémentaires
5
3. Règle de Mason : La transmittance d’un graphe de transfert d’entrée xe et de
sortie xs est déterminée comme suit :
Δ : déterminant du
graphe donné
Bi : transmittance de la boucle n°i (Bi)
 Bi Bj : somme des produits des transmittances des boucles disjointes 2 à 2
 Bi Bj Bk : somme des produits des transmittances des boucles disjointes 3 à 3
N : nombre des parcours directs de l’entrée xe à la sortie xs avec un nœud ne doit
être traversé qu’une seule fois.
Pi : La transmittance du parcourt direct n°i, obtenu en faisant le produit des
transmittances des boucles du parcourt i.
Δi : déterminant du graphe obtenu en supprimant tous les nœuds traversés par le
parcours i.
Remarque : A chaque parcours i correspond un Δi . 6
Exemple d’application:
Nombre de boucle =1
B1 T (p) H' (p)
Δ1- B1 T (p ) H' (p )
Nombre de parcours =1
P1 H (p) T (p)
Δ 1 =1

F (p ) = T(p) H(p) / [ (1+T(p ) H '(p )]
7
4- Exercice d’application:
Soit le schéma électrique suivant :
1/ Mettre le système en équations.
2/ Représenter le système par un graphe de transfert.
3/ Déterminer la transmittance H (p) V(2) / V (1)
8
9
10
Modélisation des systèmes dynamique par l’approche 1
ESPACE D’ETAT ou MODÈLE D’ÉTAT
Objectifs du chapitre
• C’est quoi espace d’état & modèle d’état
• Pourquoi ce type de modèle (atouts et avantages)
• Pour un système donné , ce modèle ést-il unique !!
• Comment trouver un modèle d’état” ou “representation d’etat”, pour un
système lineaire stationnaire invariant (SLSI) : cas des systèmes
électriques ( + hypotheses simplificatrices)
• Trouvez les états [les x(t)] et les sorties [les y(t)]
• Comment faire la conversion entre une fonction transfer et un modèle
d’état
• Comment étudier la commendabilité et l’observabilité
• Et si le système n’est pas observable : les obsevateurs (estimateurs d’état)
2
Les systèmes dynamiques linéaires peuvent être étudiés dans le domaine temporel
par un certain nombre de techniques classiques. Les méthodes les plus couramment
utilisées reposent sur les représentation par équations différentielles et par réponse
impulsionnelle.
Les difficultés rencontrées dans l’emploi de ces méthodes temporelles, notamment
lors de l’étude de systèmes relativement complexes, ont été à l’origine du
développement des méthodes de transformation (transformée de Laplace et Fourier)
conduisant à une représentation par fonction de transfert. L’utilité de cette
transformation a été démontrée pour l’étude de la stabilité et la réponse
fréquentielle.
3
L’un des inconvénients majeurs de cette approche est de supposer les conditions
initiales nulles. Ces conditions initiales jouent cependant un rôle important dans
l’étude des systèmes dans l’étude des systèmes dans le domaine temporel où la
solution dépend beaucoup du passé du système.
Un autre inconvénient de cette approche est qu’elle s’adapte mal au cas multi-
variables (plusieurs entrées, plusieurs sorties : E+S≥ 3 ).
On peut encore citer d’autres inconvénients :
• La variable de Laplace « p » interdit l’utilisation de méthode numériques.
• Les systèmes non-linéaires sont difficilement décrits par des fonctions de
transfert.
• Compensation d’un pôle instable par un zéro.
4
La représentation dans l’espace d’état permet de pallier à ces difficultés
et d’unifier le cadre de l’étude des systèmes dynamiques continus ou
discrets
Le concept d’état est utilisé chaque fois que des informations sur des
variables internes sont nécessaires pour prendre une décision concernant
un système
Par la suite on suppose les systèmes linéaires (vérifient le théorème de
superposition) et stationnaires (coefficients constants). Cette hypothèse forte et
difficile suppose que l’on a effectué la modélisation avec soin, en précisant les
domaines de fonctionnement dans lesquels cette hypothèse est acceptable. 4
Cette représentation où le concept d’état est utilisé chaque fois que des
informations sur des variables internes sont nécessaires pour prendre
une décision concernant un système.
On peut donc donner certains avantages de la représentation d’état :
• Unicité de la représentation ; une classe très importante de processus
physiques peut être représentée par un modèle mathématique du type
. de l’état initial (la contrainte de

• La représentation d’état tient compte
travailler avec des systèmes au repos est ici inutile).
• La représentation d’état est plus facilement adaptable au cas multi-
variable et . donne une description des variables internes (d’où le
nom aussi de représentation interne).
• La représentation d’état permet d’étudier la commendabilité et
l’observabilité 5
6
A Retenir
une représentation d'état permet de modéliser un système dynamique
sous forme matricielle en utilisant des variables d'état.
Cette représentation, qui peut être linéaire ou non, continue ou discrète,
permet de déterminer l'état du système à n'importe quel instant futur si
l'on connaît l'état à l'instant initial et le comportement des variables
exogènes qui influent sur le système.
Histoire de l'automatique
7
Définition
Définition II
8
5
d
Equation dynamique x(t )  Ax(t )  Bu (t ) Equation d’état
dt Modèle d’état
y (t )  Cx(t )  Du (t ) Equation de sortie
Variable d’état
 x1 (t )   u1 (t )   y1 (t )   x1 (0) 
 x (t )  u (t )  y (t )   x ( 0) 
x(t )   2  u (t )   2  y (t )    x ( 0)   2 
2
           
       
 xn (t ) n1 ur (t )  r1 y (t )
 p  p1 ( 0)
 n  n1
x
Espace d’état r‐ entrées p‐ Sorteis
Les dimensions :
       
A   nn 
 B   nr 
 C   pn 
 D   pr 

       
Sys Lin Sta
Comment construire ce type de modèle
• Les systèmes peuvent être représentés par une série d’équations
différentielles ordinaires.
• Choisir des variables internes qui seront prisent comme variable

d’état
• Réécrire cette série d’équation sous une forme matricielle.
• Cette représentation matricielle est appelée représentation dans

l’espace d’état.
Example 1 : Circuit RLC série
Les variable d’état sont : i(t) et q (t)
1
 Ri   idt  vt 
di
L
dt C
But , i t   dq dt
d 2q dq 1
L 2  R  q  vt 
dt dt C
dq
And , i
dt
1 1
q  i  vt 
di R
 
dt LC L L
The state variables are i(t) and q (t).
1
vL t    q t   Ri t   vt 
C
• The state variables are • In Matrix Form:
i(t) and q (t).
x  Ax  Bu
dq dt  q 
x    x 
 di dt  i 
 0 1   0 
A  B 
  1 / LC  R / L  1 L 
y  Cx  Du
y  vL t 
C   1 C  R  D  1
u  vt 
• The state variables are • In Matrix Equation
i(t) and q (t). Form:
x  Ax  Bu
y  Cx  Du
• State Space Model:
dq dt   0 1  q   0 

 di dt   1 / LC  R / L   i   1 L  v(t )
      
q 
vL t    1 C  R    1v(t )
i 
Remark : the choice of states is not unique.
+ L +
R
di (t ) 1 t
ei (t ) c ec (t ) Ri (t )  L   i (t )dt  ei (t )
i (t )
dt c 0
‐ ‐
x1 (t )  i (t )  x1   R 
1  x   1 
 x    L LC      L  ei (t )
1
let  2   1 0   x2   0 
x2 (t )   i (t )dt
x 
y (t )  i (t ) y (t )  1 0 1 
 x2 
 R R
xˆ1 (t )  i (t )  xˆ1   L  1
L   xˆ1     e (t )
let     1  ˆ  L i
xˆ2 (t )  ec (t )  xˆ2   0   x2   0 
exist a mapping  L 
y (t )  i ( t )  xˆ 
y (t )  1 0 1 
 xˆ2 
Modern Control Systems 17
Different state equation description
x (t )  Ax(t )  Bu (t ) xˆ (t )  Aˆ xˆ (t )  Bˆ u (t )
y (t )  Cx(t )  Du (t ) x (t )  pxˆ (t ) y (t )  Cˆ xˆ (t )  Dˆ u (t )
p is nonsingular
pxˆ  Apxˆ  Bu  xˆ  p 1 APxˆ  p 1 Bu

y  Cpxˆ  Du
Aˆ  p 1 Ap A  pAˆ p 1
Bˆ  p 1 B B  pBˆ
Cˆ  Cp C  Cˆ p 1
Dˆ  D D  Dˆ
Modern Control Systems 18
Example 2 : moteur à courant continu excitation séparée
Ra La Rf
  
ea t  ia Lf e f t 
eb t 
  
Armature circuit m Field circuit
TL
Jm
di Tm  k i ia
ea (t )  Raia  eb  La a
dt d 2 m d m
 Jm  B  TL
eb  kb m dt 2 m
dt
dia  Ra k 1 d m k B d m 1
 ia  b  m  ea  i ia  m  TL
dt La La La dt Jm J m dt Jm
d m
 m
dt
 Ra  Kb   1 
 L La
0  L 0 
 ia   a   ia   a  e
   Ki  Bm     1   a
 m    J Jm
0  m   0 
  J m  TL 
m   m
0   m   0 0 
 
0 1
   
   
 ia 
 y1 (t )   m (t )  0 0 1  
 y (t )   (t )  0 1 0  m 
 2   m     
 m
Forme après la linéarisation
• Équation d’état : x   Ax   Bu 
• Équation de sortie: y   Cx   Du 
• Forme habituelle:
x  Ax  Bu
y  Cx
Solution pour des entrées nulles
• L’équation générale d’un modèle dans l’espace d’état est :
x  Ax  Bu
• Si l’entrée est nulle (u = 0), alors on peut écrire :
x  Ax
Cas à une variable
• Pour un système représenté par : x  ax
• La solution est : x (t )  e x (0)
at
• Elle converge si a<0.
• Alors, le système est dit stable.
Cas multivariable
• Par extension, la solution d’un système ayant plusieurs variables
d’état sera :
x (t )  e x (0)
At
• Problème :
• Comment calculer l’exponentielle d’une matrice ? ( valeurs propres, vecteurs
propres, laplace, taylor, hamilton, cayley‐hamilton …..)
(c) Guy Gauthier ing.Ph.D. 24
Valeurs propres (Exemple)
• Prenons en exemple une matrice A de taille 2x2.
• Les valeurs propres de cette matrice (eigenvalue) sont les racines de l’équation
caractéristique de la matrice A. Cette équation caractéristique est obtenue comme suit:
det( I  A)
 1 1 
• Soit la matrice A suivante :
A  
 0  5
• L’équation caractéristique est :
  0   1 1     1  1 
det         det    
 0   0  5   0   5 
    1   5
Valeurs propres
(Exemple ‐ suite)
• Les valeurs propres de A sont –1 et –5.
• Fonction sur MATLAB : eig(A)
Méthode de la transformation de similarité
(suite)
• Associé à la valeur propre i, il y a le vecteur propre i.
• Un vecteur propre est un vecteur i qui est solution de :
pour la valeur propre correspondante i.
Ai  i i
27
Vecteurs propres
(Exemple ‐ suite)
• Pour λ1 = ‐1, le vecteur propre sera la solution de :
  1 1   v11   v11 
 0  5  v    v    1
• Une solution possible est :    21   21 
 v11   1
 v    0
 21   
28
Vecteurs propres
(Exemple)
• Pour λ2 = ‐5, le vecteur propre sera la solution de :
  1 1   v12   v12 
 0  5  v    v    5
• Une solution possible est :    22   22 
 v12    0.2425
 v    0.9701 
 22   
29
(suite)
• On peut généraliser en écrivant :
AV  V
• Avec :
 v11 v12   1 0 
V  et    
 v21 v22   0 2 
(c) Guy Gauthier ing.Ph.D. 30
(suite)
1
• On peut écrire : A  V V
• En multipliant par t et en faisant l’exponentielle, on trouve :
t 1
• Avec :
e At
 Ve V
1t
t
 e 0 
e  2t 
 0 e 
31
Solution du système
t 1
• Ainsi : x (t )  Ve V x (0)
• Toutes les valeurs propres de A doivent être inférieures à 0 pour que
la réponse soit stable.
Fin de l’exemple
• Solution : e t
0  1
x (t )  V   5t V x ( 0)
 0 e 
• Ou encore
x1 (t )  x1 (0)e  x2 (0)  e  e
t 1
4
t 5t

x2 (t )  x2 (0)e 5t
33
Effet de la direction de la condition initiale
• Pour faciliter l’analyse, on peut s’assurer que les variables d’état
soient indépendantes les unes des autres.
• Ainsi, définissons une nouvelle variable d’état z, en posant :
1
x  Vz  z  V x
Solution de ce système
• La solution est (si 2x2) :
1t
 z1 (t )   e 0   z1 (0) 
 z (t )    2t   
 2   0 e   z2 (0) 
35
Solutions de la forme générale
• L’équation générale d’un modèle dans l’espace d’état est :
x  Ax  Bu
• Cette fois‐ci, considérons que l’entrée u(t) n’égale pas 0.
36
Cas à une variable
• Pour un système représenté par :
x  ax  bu
• La solution est :
x (t )  e x (0)   e  1 u(0)
at b
at
a
• Pour u(t) = constante = u(0).
37
Cas multivariable
• Toujours par extension, la solution d’un système ayant plusieurs
variables d’état sera :
x (t )  Px (0)  Qu(0)
• Avec :
P e At
Q   P  I A B 1
Méthode plus précise
• Calcul de l’état: t
x(t )  e x(0)   e
At A ( t  )
Bu ( )d
0
• Calcul de la sortie:
t
y (t )  Ce x(0)  C  e
At A ( t  )
Bu ( )d
0
THE TRANSFER FUNCTION FROM THE STATE EQUATION
The transfer function of a single input-single output (SISO) system can be

obtained from the state variable equations.
x  A x  B u
yCx
where y is the single output and u is the single input. The Laplace transform
of the equations
sX (s )  AX (s )  B U (s )
Y (s )  CX (s )
where B is an nx1 matrix, since u is a single input. We do not include initial

conditions, since we seek the transfer function. Reordering the equation
[sI  A ] X (s )  B U (s )
X (s )  sI  A  BU (s )  (s ) BU (s )
1
Y (s )  C (s ) BU (s )
Therefore, the transfer function G(s)=Y(s)/U(s) is
G (s )  C  (s ) B
Example:
Determine the transfer function G(s)=Y(s)/U(s) for the RLC circuit as described
by the state differential function
 1
0   1
x   C x u , y  0 R x
1 R 
C

   0
 
L L
 R 1
1 s  L 
C
(s )  sI  A  
1
 1   
 s  (s )  1 s 
sI  A    1 C 
R  L 
 s 
 L L R 1
 (s )  s 2  s 
L LC
Then the transfer function is
 R 
 s 
L  1  1
 
G (s )  0 R   (s ) C  (s )  C
0
 1 s   
 L (s )  (s ) 
R / LC R / LC
G (s )  
 (s ) R 1
s2  s 
L LC
Dorf and Bishop, Modern Control Systems
ANALYSIS OF STATE VARIABLE MODELS USING MATLAB
Given a transfer function, we can obtain an equivalent state-space representation

and vice versa. The function tf can be used to convert a state-space
representation to a transfer function representation; the function ss can be used
to convert a transfer function representation to a state-space representation. The
functions are shown in Figure 4, where sys_tf represents a transfer function model
and sys_ss is a state space representation.
x  Ax  Bu Y(s)  G (s) U(s)

x  Ax  Bu y  Cx  Du
State-space object
y  Cx  Du
sys_ss=ss(sys_tf)
sys_tf=tf(sys_ss)
sys=ss(A,B,C,D) x  Ax  Bu
Y(s)  G (s) U(s)
y  Cx  Du
The ss function
Linear system model conversion

Figure 4.
For instance, consider the third-order system
Y(s) 2 s2  8 s  6
G (s)  
R (s) s 3  8 s 2  16 s  6
We can obtain a state-space representation using the ss function. The state-

space representation of the system given by G(s) is
Matlab code Transfer function:
2 s^2 + 8 s + 6
----------------------
s^3 + 8 s^2 + 16 s + 6
num=[2 8 6];den=[1 8 16 6];
Answer
sys_tf=tf(num,den) a=
x1 x2 x3
x1 -8 -4 -1.5
sys_ss=ss(sys_tf) x2
x3
4 0 0
0 1 0
b=
 8  4  1.5  2
u1
x1 2
A   4 0  , B  0
x2 0
0 x3 0
c=
 0 1 0  0 x1 x2 x3
y1 1 1 0.75
d=
u1
C  1 1 0.75 and D  0 y1 0
Continuous-time model.
 8  4  1.5  2
A   4 0 0  , B  0
 0 1 0  0
C  1 1 0.75 and D  0
1
R(s) x1 x2
x3 Y(s)
2 1/s 4 1/s 1 1/s 0.75
-8
-4
-1.5
Block diagram with x1 defined as the leftmost state variable.

t
x ( t )  e At x ( 0 )   e A ( t   ) B u ( ) d 
0
t
x ( t )  ( t ) x (0)   ( t  ) B u ( ) d
0
We can use the function expm to compute the transition matrix for a given
time. The expm(A) function computes the matrix exponential. By contrast the
exp(A) function calculates eaij for each of the elements aijϵA.
For the RLC network, the state-space representation is given as:
0  2   2
A  , B    , C  1 0 and D  0
1  3 0 
The initial conditions are x1(0)=x2(0)=1 and the input u(t)=0. At t=0.2, the state
transition matrix is calculated as Phi =
>>A=[0 -2;1 -3], dt=0.2; Phi=expm(A*dt) 0.9671 -0.2968

0.1484 0.5219
The state at t=0.2 is predicted by the state transition method to be
 x1   0.9671  0.2968  x1  0.6703

x       
 2  t 0.2  0 .1484 0 . 5219 x
  2  t 0  0 . 6703
The time response of a system can also be obtained by using lsim
function. The lsim function can accept as input nonzero initial conditions
as well as an input function. Using lsim function, we can calculate the
response for the RLC network as shown below.
u(t) System y(t)

Arbitrary Input x  Ax  Bu Output
y  Cx  Du
t t
t=times at which
y(t)=output response at t response is Initial conditions
computed
T: time vector (optional)
X(t)=state response at t
u=input
[y,T,x]=lsim(sys,u,t,x0)
1
Matlab code 0.8 u=0*t

0.6
clc;clear
X1
0.4
A=[0 -2;1 -3];B=[2;0];C=[1 0];D=[0];
0.2
sys=ss(A,B,C,D) %state-space model
0
x0=[1 1]; %initial conditions 0 0.2 0.4 0.6
Time (seconds)
0.8 1
t=[0:0.01:1]; 1
u=0*t; %zero input 0.8
[y,T,x]=lsim(sys,u,t,x0); 0.6
subplot(211),plot(T,x(:,1))
X2
0.4
xlabel('Time (seconds)'),ylabel('X_1') 0.2
subplot(212),plot(T,x(:,2)) 0
0 0.2 0.4 0.6 0.8 1
xlabel('Time (seconds)'),ylabel('X_2') Time (seconds)
3 2.5
2 u=3*t 2
X1
X1
1 1.5 u=3*exp(-2*t)
0 1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Time (seconds) Time (seconds)
1 1
0.9
0.8
0.8
X2
X2
0.6
0.7
0.4
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Time (seconds) Time (seconds)
Représentations d’état à temps discret
L’évolution du système est alors d´écrite par les relations suivante où Uk constitue l’entrée
du système et Yk sa sortie.
Dans le cas d’un modèle linéaire :
Dans le cas d’un modéle linéaire invariant :
Résolution de l’équation d’état, cas SLI
Dans le cas SLI, le résultat est facile à obtenir. On a en effet une équation récurrente linéaire à
coefficients constants. Connaissant X0 et U0, on construit la solution :
ou encore :
La solution est donnée par la somme de la solution de l’équation sans second membre et d’un produit de
convolution.
Discrétisation des équations d'état
Soit le système d’équations d’état déterministe, à temps continu:
La solution s’écrit:
Pour discrétiser le système S , il faut disposer un CNA (Convertisseur Numérique-Analogique) pour

transformer le vecteur uk des séquences numériques d’entrée en vecteur de signaux à temps
continu, et d’un CNA pour transformer le vecteur des signaux de mesure en vecteur yk de
séquences numériques.
Soit h le pas (période) d’échantillonnage. Le CNA est un bloqueur d’ordre zéro (BOZ):
on peut alors calculer la solution d’état aux instants d’échantillonnage:
Soit: Avec:
d’où la matrice de transfert en z :

Remarque : Représentation d'état pseudo-continue des systèmes linéaires à temps discret
Avec :
Et la Matrices de transfert sera de la forme

Avec : w une variable complexe définie par :
Transformation bilinéaire
Observabilité et observabilité
Soit un système « S » linéaire, stationnaire. Il existe un changement de base de l'espace

d'état telle que :
54
Observabilité (Définition)
• Un système est dit observable à l’instant t0, si connaissant l’état du système
x(t), il est possible, à partir de l’observation de la sortie y(t) sur un intervalle
de temps fini (de t0 à t), de déterminer l’état x(t0).
• Le sytème est observable si et seulement si la matrice l’observabilité, ࣩ est

de rang ݊ :
• Dans le workspace du Matlab taper : help obsv exemple TP

Commandabilité = Contrôlabilité = Gouvernabilité (Définition)
• Un système est dit contrôlable à l’instant t0, si connaissant l’état initial du
système x(t0), il est possible d’appliquer une commande u(t) amenant ce
système vers tout autre état sur un intervalle de temps fini.
• Le sytème est commandable ou gouvernable si et seulement si la matrice

de commandabilité, ࣝ est de rang ݊ :
• Dans le workspace du Matlab taper : help ctrb + exemple TP

Exemple : Observabilité et observabilité
Soit le système linéaire continu invariant caractérisé par :
Il est complètement gouvernable et complètement gouvernable puisque :
&
58
Stabilité d’un système représenté par des équations d’état
• Le système est stable si :
det sI  A  0
et tel que l’ensemble des valeurs propres sont à partie réelle négative.
Il suffit d’une seule valeur propre à partie réelle positive pour rendre
le système instable.
Stabilité ‐ Exemple
 1 0 0   0 1 1  
     
• Ainsi : det  sI  A   det  s 0 1 0    0 0 1  
 0 0 1   2 3 4  
    
  s 1 1  
 
 det   0 s 1  
  2 3 4 s  
 
 4s 3  5s  2
• …est instable, car :
• s ϵ {‐0.5, ‐0.7807764064, 1.280776406}.
Exponentielle d’une matrice
nn
• Par extension, soit . A
• Alors, on peut écrire la série suivante:
1 2 1 k
e  I  A  A   A 
A
2 k!
• Ce qui peut être long à calculer…
1
SYSTEMES MULTIVARIABLES
Chapitre VI
Représentation d’état des matrices de transfert

CHAPITRE VI - 2010
Plan 2
VI-1. Cas monovariable

VI-1-1. Obtention de la forme diagonale
VI-1-2. Obtention de la forme de Jordan
VI-1-3. Obtention de formes compagnes
VI-2. Cas multivariable

VI-2-1. Méthode de Gilbert
VI-2-2. Méthode des invariants : forme de Smith-McMillan
VI-2-3. Méthode par réduction d’une réalisation

CHAPITRE VI - 2010
VI-1. Cas monovariable 3
On considère le système décrit par :

N(s)
G(s) = avec deg(N(s)) < deg(D(s))
D(s)
L’objectif est de trouver une représentation d’état :

 dx = Ax + Bu
dt
 y = Cx
Pour le cas des systèmes propres (D 6= 0), on a :

N(s) R(s)
G(s) = = + Q , Q : quotient, R(s) : reste
D(s) D(s) |{z}
| {z } D
(A,B,C)

CHAPITRE VI - 2010
VI-1. Cas monovariable 4
Exemple :
2s2 + 7s + 7 2(s2 + 3s + 2) s+3
G(s) = 2 = 2 + 2
s + 3s + 2 s + 3s + 2 s + 3s + 2
    

 0 1 0
 dx

=  x+ u
dt −2 −3 1

 h i

 y = 3 1 x + 2u

CHAPITRE VI - 2010
VI-1-1. Obtention de la forme diagonale 5
Pôles distincts → décomposition en éléments simples.
Exemple :
s+3 2 1
G(s) = 2 = −
s + 3s + 2 s + 1 s + 2
    

 dx −1 0 1

    u
= x+
dt 0 −2 1

 h i

 y = 2 −1 x

CHAPITRE VI - 2010
VI-1-2. Obtention de la forme de Jordan 6
Pôles multiples → forme de Jordan
Considérons le système :
N1 (s)N2 (s)
G(s) =
(s − λ)n
On a dans ce cas :
   
λ 1 ··· 0 0 ..
   . 
 0 λ ··· 0 0   
   N¨2 (λ) 
 .. .. .. .. ..   
A=
 . . . . . 
 B= 2! 
  
 N˙2 (λ) 

 0 0 ··· λ 1   
  1!
0 0 ··· 0 λ N2 (λ)
· ¸
N˙1 (λ) N¨1 (λ)
C= N1 (λ) ···
1! 2!

CHAPITRE VI - 2010
Exemple :
N1 (s) N2 (s)
z }| {z }| {
(s + 2)(s + 3) (s + 2)(s + 3)
G(s) = =
(s + 1)5 s5 + 5s4 + 10s3 + 10s2 + 5s + 1
On obtient puisque λ = −1
   
−1 1 0 0 0 0
   
 0 −1 1 0 0   0 
   
   
A=  0 0 −1 1 0 
 B= 
 0 
   
 0 0 0 −1 1   1 
   
0 0 0 0 −1 2
h i
C= 1 1 0 0 0

CHAPITRE VI - 2010
En considérant N1 = 1 et N2 (s) = s2 + 5s + 6, alors on a :

   
−1 1 0 0 0 0
   
 0 −1 1 0 0    0 
  
   
A=  0 0 −1 1 0   B=
 1 

   
 0 0 0 −1 1    3 
  
0 0 0 0 −1 2
h i
C= 1 0 0 0 0

CHAPITRE VI - 2010
VI-1-3. Obtention de formes compagnes 9
Considérons le système :
N1 (s)N2 (s)
G(s) =
D(s)
avec :
D(s) = sn + an−1 sn−1 + · · · + a1 s + a0

CHAPITRE VI - 2010
Forme compagne horizontale 10
Dans ce cas on peut montrer que :

   
0 1 ··· 0 0 ..
   . 
 0 0 ··· 0 0   
   N¨2 (0) 
 . .. .. .. ..   
A= 
.. . . . . 
 B = A−1  2! 
  
 N˙2 (0) 

 0 0 ··· 0 1   
  1!
−a0 −a1 · · · −an−2 −an−1 N2 (0)
· ¸
N˙1 (0) N¨1 (0)
C= N1 (0) ···
1! 2!

CHAPITRE VI - 2010
avec :  
1 0 ··· 0 0
 
 a 1 ··· 0 0 
 n−1 
 .. .. .. .. 
 .. 
A = . . . . . 
 
 .. 
 a2 . ··· 1 0 
 
a1 a2 ··· an−1 1

CHAPITRE VI - 2010
Exemple :
s2 + 3s + 2
G(s) = 4
s + 2s3 + 3s2 + 4s + 5
   
0 1 0 0 1 0 0 0
   
 0 0 1 0   2 1 0 0 
   
A=  A =  
 0 0 0 1    3 2 1 0 
  
−5 −4 −3 −2 4 3 2 1
    
1 0 0 0 1 0 0 0 1 0 0 0
    
 2 1 0 0   0 0   0 
   −2 1   0 1 0 
  = 
 3 2 1 0   −2 1 0   0 
  1   0 0 1 
4 3 2 1 0 1 −2 1 0 0 0 1
| {z }
A−1

CHAPITRE VI - 2010
On a donc :
h i h i
2 T
N1 (s) = s + 3s + 2 et N2 (s) = 1 ⇒ C = 2 3 1 et B =
0 0 0 0 1
h i h i
T
N1 (s) = s + 2 et N2 (s) = s + 1 ⇒ C = 2 1 0 0 et B = 0 0 1 −1
h i h i
N1 (s) = s + 1 et N2 (s) = s + 2 ⇒ C = 1 1 0 0 et BT = 0 0 1 0
h i h i
N1 (s) = 1 et N2 (s) = s2 + 3s + 2 ⇒ C = 1 0 0 0 et BT = 0 1 1 −3

CHAPITRE VI - 2010
Forme compagne verticale 14
   
−an−1 1 ··· 0 0 ..
   . 
 −an−2 0 ··· 0 0   
   N¨2 (0) 
 .. .. .. .. ..   
A=
 . . . . . 
 B= 2! 
   ˙
N2 (0) 
 −a   
 1 0 ··· 0 1   1! 
−a0 0 ··· 0 0 N2 (0)
· ¸
N˙1 (0) N¨1 (0)
C= N1 (0) ··· A−1
1! 2!

CHAPITRE VI - 2010
Exemple :
s2 + 3s + 2
G(s) =
s4 + 2s3 + 3s2 + 4s + 5
   
−2 1 0 0 1 0 0 0
   
 −3 0 1 0   2 1 0 0 
   
A=  A =  
 −4 0 0 1   3 2 1 0 
  
−5 0 0 0 4 3 2 1
    
1 0 0 0 1 0 0 01 0 0 0
    
 2 1 0 0   0 0   0 
   −2 1   0 1 0 
  = 
 3 2 1 0   −2 1 0   0 
  1   0 0 1 
4 3 2 1 0 1 −2 1 0 0 0 1
| {z }
A−1

CHAPITRE VI - 2010
On a donc :
h i h i
2 T
N1 (s) = s + 3s + 2 et N2 (s) = 1 ⇒ B = 0 0 0 et C = −3 1 1 0
1
h i h i
T
N1 (s) = s + 2 et N2 (s) = s + 1 ⇒ B = 0 0 1 1 et C = 0 1 0 0
h i h i
N1 (s) = s + 1 et N2 (s) = s + 2 ⇒ BT = 0 0 1 2 et C = −1 1 0 0
h i h i
N1 (s) = 1 et N2 (s) = s2 + 3s + 2 ⇒ BT = 0 1 3 2 et C = 1 0 0 0

CHAPITRE VI - 2010
VI-2) Cas multivariable 17
Soit un système décrit par sa matrice de transfert G(s). On appelle :
Réalisation : un triplet (A, B, C) tel que G(s) = C(sI − A)−1 B avec A de dimension
non minimale.
Représentation : un triplet (A, B, C) tel que G(s) = C(sI − A)−1 B avec A de

dimension minimale.

CHAPITRE VI - 2010
VI-2) Cas multivariable 18
On peut alors distinguer plusieurs approches pour obtenir une représentation d’état
représentée par la figure suivante :
G(s) Réalisation
Méthode des invariants

Méthode de Gilbert Réduction
Représentation

CHAPITRE VI - 2010
VI-2-1. Méthode de Gilbert 19
Hypothèse : On suppose que les racines du dénominateur de G(s) sont réelles et

distinctes ( en multivariable ces racines ne sont pas obligatoirement les pôles). On peut
écrire :
M(s)
G(s) =
ψ(s)
M(s) : matrice polynômiale p × m et ψ(s) : dénominateur commun
et on a alors :
n
M(s) X Mi
G(s) = =
ψ(s) s − λi
i=1
Les pôles ou modes sont les λi et leur ordre de multiplicité est égal au rang(Mi ). On
a:
n
X
Ordre du système = n = rang(Mi )
i=1

CHAPITRE VI - 2010
Exemple :
 
2(2s2 + 4s + 1) s(s + 2)
 
2s(3s + 5) (s + 2)(3s + 1)
G(s) =
s(s + 1)(s + 2)
M1 M2 M3
z }| { z
 }| { z }| {
1 0 2 1 1 0
     
0 1 4 2 2 0
= + +
s s+1 s+2
L’ordre du système est :
n = rang(M1 ) + rang(M2 ) + rang(M3 )

= 2+1+1 = 4

CHAPITRE VI - 2010
On peut écrire :
X1 X2 X3
hz }|i { zh }|i { zh }|i {
1 0 U(s) 2 1 U(s) 1 0 U(s)
Y1 (s) = + +
s s+1 s+2
X4 X5 X6
zh }|i { zh }|i { zh }|i {
0 1 U(s) 4 2 U(s) 2 0 U(s)
Y2 (s) = + +
s s+1 s+2

CHAPITRE VI - 2010
Et :
   
0 0 0 0 0 0 1 0
   
 0 −1 0 0 0 0   2 1 
   
   
 0 0 −2 0 0 0   1 0 
   
A=  B= 
 0 0 0 0 0 0   0 1 
   
   
 0 0 0 0 −1 0   4 2 
   
0 0 0 0 0 −2 2 0
 
1 1 1 0 0 0
C= 
0 0 0 1 1 1

CHAPITRE VI - 2010
On peut écrire encore :

X1 X2 X3
hz }|i { zh }|i { zh }|i {
1 0 U(s) 2 1 U(s) 1 0 U(s)
Y1 (s) = + +
s s+1 s+2
X4 2X2 2X3
zh }|i { zh }|i { zh }|i {
0 1 U(s) 4 2 U(s) 2 0 U(s)
Y2 (s) = + +
s s+1 s+2

CHAPITRE VI - 2010
Et on a :    
0 0 0 0 1 0
   
 0 −1 0 0   2 1 
   
A=  B= 
 0 0 −2 0   1 0 
   
0 0 0 0 0 1
 
1 1 1 0
C= 
0 2 2 1

CHAPITRE VI - 2010
Une autre possibilité est :

1 1
X3 X4
X1 2 2
hz }|i { zh }|i { zh }|i {
1 0 U(s) 2 1 U(s) 1 0 U(s)
Y1 (s) = + +
s s+1 s+2
X2 X3 X4
zh }|i { zh }|i { zh }|i {
0 1 U(s) 4 2 U(s) 2 0 U(s)
Y2 (s) = + +
s s+1 s+2

CHAPITRE VI - 2010
   
0 0 0 0 1 0
   
 0 0 1 0   0 1 
   
A=  B= 
 0 0 −1 0   4 2 
   
0 0 0 −2 2 0
 
1 0 1/2 1/2
C= 
0 1 1 1

CHAPITRE VI - 2010
VI-2-2. Méthode des invariants : forme de Smith McMillan27
On considère le système décrit par :

M(s)
G(s) = M(s) : matrice polynômiale p × m et ψ(s) : dénominateur commun
ψ(s)
Considérons plus particulièrement la matrice polynômiale M(s). On définit la notion
de matrices équivalentes. S(s) et M(s) sont équivalentes s’il existe deux matrices
unimodulaires ( de déterminant constant indépendant de s) telles que :
M(s) = V(s) S(s) W(s)

| {z } |{z} |{z} | {z }
p×m p×p p×m m×m

CHAPITRE VI - 2010
Un cas particulier important est le cas où S(s) est pseudo-diagonale :

 
γ (s)
 1 
 .. 
 . 
 
 
 γr (s) 

S(s) =  

 0 
 
 .. 
 . 
 
0
Il s’agit de la forme de Smith et le rang(M(s)) = r. Les γi (s) sont les invariants de

S(s).

CHAPITRE VI - 2010
Il existe deux méthodes pour trouver S(s) :
- Algorithme de pseudo-diagonalisation qui permet de trouver simultanément

V(s), S(s) et W(s).
- Méthode directe permettant de trouver S(s), mais pas V(s) et W(s).
La méthode directe est la suivante :
1. Posons ∆0 = 1 et définissons ∆i (s) comme les plus grands communs diviseurs

(PGCD) des mineurs d’ordre i de S(s).
2. On a :
∆1 (s) ∆2 (s) ∆i (s)
γ1 (s) = , γ2 (s) = , · · · , γi (s) = ,···
∆0 (s) ∆1 (s) ∆i−1 (s)
On notera que γi (s) divise γi+1 (s).

CHAPITRE VI - 2010
Exemple : Soit la matrice polynomiale :
 
1 −1
 
M(s) =  s 2 +s−4 2s2 − s − 8 

s2 − 4 2(s2 − 4)
La structure de S(s) est a priori la suivante :

 
γ1 (s) 0
 
S(s) =   0 γ2 (s) 

0 0
Appliquons l’algorithme :
1. ∆0 = 1
2. Les mineurs d’ordre 1 sont les éléments de la matrice. Leur PGCD est égal à

CHAPITRE VI - 2010
∆1 = 1. Les mineurs d’ordre 2 sont :
3s2 − 12
3s2 − 12
3s3 − 12s
Le PGCD est ∆2 (s) = 3s2 − 12. on a donc :

∆1 ∆2
γ1 (s) = = 1, γ2 (s) = = 3(s2 − 4)
∆0 ∆1
 
1 0
 
et S(s) =  0 3(s − 4) 
 2

0 0

CHAPITRE VI - 2010
Compte tenu de ce qui précède, on peut écrire :

V(s)S(s)W(s) S(s)
G(s) = = V(s) W(s)
ψ(s) ψ(s)
S(s)
La matrice est une matrice de fractions rationnelles diagonale. Les éléments de
ψ(s)
la diagonale peuvent donner lieu à des simplifications entre numérateur et
dénominateur.

CHAPITRE VI - 2010
En notant :
 
W1 (s)
h i  
 .. 
V(s) = V1 (s) ··· Vp (s) W(s) =  . 
 
Wm (s)
 
²1 (s)
 ψ1 (s) 
 
 .. 
 . 
 
 ²r (s) 
S(s)  
= ψr (s) 
ψ(s) 



 0 
 
 .. 
 . 
 
0

CHAPITRE VI - 2010
On arrive à :
V(s)S(s)W(s) S(s)
G(s) = = V(s) W(s)
ψ(s) ψ(s)
Xr
²i (s)
= Vi (s) Wi (s)
ψi (s)
i=1
On définit :
Les pôles de G(s) sont les racines des ψi (s)
Les zéros de G(s) sont les racines des ²i (s)
X r
L’ordre du système est n = deg(ψi (s))
i=1

CHAPITRE VI - 2010
Exemple : Soit le système décrit par :

 
1 −1
 
 s2 + s − 4 2s2 − s − 8 
 
s2 − 4 2(s2 − 4)
G(s) =
s(s + 2)(s + 1)
Dans ce cas, on a :
²1 (s) γ1 (s) 1
= =
ψ1 (s) ψ(s) s(s + 2)(s + 1)
²2 (s) γ2 (s) 3(s2 − 4) 3(s − 2)
= = =
ψ2 (s) ψ(s) s(s + 2)(s + 1) s(s + 1)

CHAPITRE VI - 2010
et :
 1 
0
 s(s + 2)(s + 1) 
 3(s − 2) 
G(s) = V(s) 
 0
 W(s) Forme de Smith-MacMillan

 s(s + 1) 
0 0
L’ordre du système est : 3+2=5 et 0 est un pôle double, −1 est un pôle double et −2
est un pôle simple. 2 est un zéro simple.

CHAPITRE VI - 2010
Obtention d’un modèle d’état à partir de la forme
deSmith-McMillan 37
En supposant que l’on connait V(s) et W(s), on peut écrire :
r
X ²i (s)
Y(s) = G(s)U(s) = Vi (s) Wi (s)U(s)
ψi (s)
i=1
On va obtenir une représentation pour chaque terme de la somme :
²i (s) Zi (s)Wi (s)
yi = Vi (s) Wi (s)U(s) = U(s)
ψi (s) ψi (s)
On aggrége ²i (s) à Vi (s) ou Wi (s). On obtient alors en transposant les méthodes du
cas monovariable : 
 x. = A x + B u
i i i i
 yi = Ci xi

CHAPITRE VI - 2010
deSmith-McMillan 38
Et donc la représentation d’état est donnée par :

  .     

 x1 A1 B

      1 
 . .    . 
 X=

 ..  = 
..
.

 X +  ..  u
     
 .

 xn Ar Br

 h i

 Y= C
1 · · · Cr X

CHAPITRE VI - 2010
deSmith-McMillan 39
Exemple :
Soit le système décrit par :
1  
 
1 0 0  s(s + 2)(s + 1) 0  

  3(s − 2)  1 −1
 s +s−4 1 0 
2  
  0 
2
 s(s + 1)  0 1
s −1 −1 1
0 0
   
1 i  0 
 h h i
 s2 + s − 4  1 −1  1  3(s − 2) 0 1
   
s2 − 1 −1
= +
s3 + 3s2 + 2s s2 + s

CHAPITRE VI - 2010
deSmith-McMillan 40
Considérons le premier terme :

Z1 (s)
z }| { W (s)
1
1 zh }| i{
 
 s2 + s − 4  1 −1    
 
1 0 0 1 0 0
s2 − 1    
⇒ A =
 3 1 0  A =
 −1
 −3 1 0 
s3 + 3s2 + 2s
2 3 1 7 −3 1

CHAPITRE VI - 2010
deSmith-McMillan 41
et donc :     

 0 1 0 0 0

    

 .



 x 1 =  0 0 1  x1 + 

 0 0 u


 0 −2 −3 1 −1
 

 1 0 0

  

 


 y 1 =  −4 1 1 
 x1


 −1 0 1

CHAPITRE VI - 2010
deSmith-McMillan 42
Considérons le second :
Z2 (s)
z }| { W (s)
2
0 zh }| i{
 
 3(s − 2)  0 1
     
−3(s − 2) 1 0 1 0
⇒ A =  A−1 =  
s2 + s 1 1 −1 1
et donc :     

 . 0 1 0 0

 x2 =   x2 +  u



 0 −1 0 1
  
 1 0

  
 y2 =  −6 3 



  x2


−6 −3

CHAPITRE VI - 2010
deSmith-McMillan 43
d’où la représentation totale :

    

 0 1 0 0 0

    

    0 0   

 .  1   0 0 

 . x1    

 X =   =  0 −2 −3 X+ 1 −1 u

 .    

 x 2    
  0 1   0 0 
   

 0 −2 0 1

  



 1 0 0 1 0

 h i  



 Y = y1 y2 =   −4 1 1 −6 3 X




−1 0 1 −6 −3

CHAPITRE VI - 2010
VI-2-3. Obtention directe d’une réalisation 44

h i
M(s) M1 (s) · · · Mm (s)
G(s) = =
ψ(s) ψ(s)
h i h i
M1 (s) 1 0 · · · 0 M2 (s) 0 1 · · · 0
= +
ψ(s) ψ(s)
h i
m
M (s) 0 0 · · · 1
+···+
ψ(s)
On va obtenir une représentation pour chaque terme de la somme :
h i
Mi (s) 0 · · · 1 · · · 0
yi = U(s)
ψ(s)

CHAPITRE VI - 2010
On obtient alors en transposant les méthodes du cas monovariable :


 x. = A x + B u
i i i 1
 yi = Ci xi
Et donc la représentation d’état est donnée par :

  .     

 x1 A1 B1

      
 . .   ..
 X=

 ..  = 
..
.
 
X+ .

u
     
 .

 x m Am Bm

 h i

 Y= C
1 · · · Cm X

CHAPITRE VI - 2010
Test de minimalité
1. Etude d’observabilité
2. Si le modèle est observable, alors on a une représentation
3. Si le modèle n’est pas observable, alors on utilise des techniques de réduction

(fonction minreal de MATLAB).

CHAPITRE VI - 2010
Exemples : Soit le système décrit par :

 
3s + 1 7s2 + 4s
 
s−1 1
G(s) =
(s − 2)3
   
3s + 1 h i 7s2 + 4s h i
  1 0   0 1
s−1 1
= 3
+
(s − 2) (s − 2)3

CHAPITRE VI - 2010
    

 2 1 0 0 0

    

  0 2 1   

 0 0

   








 .  0 0 2   

 . x1 1 0

 X =  . =
 
X+

u

    
x2  2 1 0   0 0 
   

  0 2 1   0 0 

    



 0 0 2 0 1

  

 h i

 7 3 0 36 32 7

 Y = y1 y2 =  X

 1 1 0 1 1 0
Il s’agit bien d’une représentation car le modèle est commandable et observable.

CHAPITRE VI - 2010

 
s3 − s2 + 1 1 −s3 + s2 − 2
 
 1.5s + 1 s+1 −1.5s − 2 
 
s3 − 9s2 − s + 1 −s2 + 1 s3 − s − 2
G(s) =
s4

CHAPITRE VI - 2010
   
0 1 0 0 0
   
 0 1   0 0 0 
   
   
 0 1   0 0 0 
   
   
 0   1 0 0 
   
   
 0 1   0 0 0 
   
   
 0 1   0 0 0 
A=

 B=
 


 0 1   0 0 0 
   
 0   0 1 0 
   
   
 0 1   0 0 0 
   
   
 0 1   0 0 0 
   
   
 0 1   0 0 0 
   
0 0 0 1

CHAPITRE VI - 2010
 
1 0 −2 6 1 0 0 0 -2 0 2 −6
 
C=
 1 1.5 0 0 1 1 0 0 -2 −1.5 0 0 

1 −1 −18 6 1 0 −2 0 -2 −1 0 6
cette représentation est non observable. Il faut réduire à l’aide de MATLAB par
exemple.

CHAPITRE VI - 2010
Identification
des systèmes électriques
1
INTRODUCTION
Identification
des systèmes électriques
1
INTRODUCTION
sommaire
1. Système
2. Identification des Système
3. Importance
4. Pourquoi des techniques spécifiques?
5. Exemple
6. Résumé
C’est quoi un système électrique (SE)
Donner une classification des SE
C’est quoi modélisation d’un SE
Pourquoi on fait de la modélisation (avantages)
Citer les méthodes de modélisation (graphique et
numériques)
Représentation par équation de transfert : donner
un exemple
Représentation par équation d’état : donner un
exemple
C’est quoi l’identification des systèmes électriques
Electrical System Building Blocks
Trouvez le modèle d’état d’un circuit RLC Série alimenté par une source U,
Trouvez le modèle d’état d’un circuit RCL // alimentéé par une source U,
Déduite les fonctions de transferts dans les deux cas,
On donne les relations suivantes:
2
Resistor : v  iR; P  i R .
1 1 2
Inductor : i   vdt; E  Li
L 2
dv 1 2
Capacitor : i  C ; E  Cv
dt 2
Resistance, R (ohm) Inductance, L (H) Capacitance, C (F)
Appied voltage v(t ) Applied voltage v(t ) Applied voltage v(t )

Current i (t )
Current i (t ) Current i (t )
di (t )
v(t )  Ri (t ) v(t )  L 1
t
dt v(t )   i (t )dt
C t0
1 1
t
i (t )  v(t ) i (t )   v(t )dt

i (t )  C
dv(t )
R L t0 dt
i(t) i(t) i(t)
v(t) v(t) L v(t) C

R
Pour le circuit RLC série trouvez:
* L’équation caractéristique
* les relations des raciness ( poles)
d 2i R di 1 1 dva
2
  i
dt L dt LC L dt
R 1
s  s
2
0
L LC
The characteristic roots are
2
R  R  1
s1      
2L  2 L  LC
2
R  R  1
s2      
2L  2 L  LC
Le mot identification désigne l'action consistant à identifier
(donner, attribuer un nom ou un code en propre – numérique ou
graphique- à la chose ou la personne ainsi reconnue) un objet ou
un individu : carte d'identité
Identification peut également désigner :

•Identification, abus de notation, en mathématiques, consistant
à remplacer une quantité mathématique par une autre qui n'est
pas identique mais à les mêmes propriétés dans le but de
simplifier le discours
•Elle peut aussi posséder d’autres signification :

psychologie, sociologie, ….
•Modélisation & Identification des systèmes
Si la modélisation technique consistant à obtenir un modèle
mathématique d'un système à partir de mesures ou autres
moyens, l’identification c’est la détermination des paramètres de
ce modèles à partir des mesures (ou essais pratiques) ;
•Identification, en informatique, moyen de «connaître» l'identité

d'une entité, souvent à l'aide d'un identifiant tel qu'un nom
d'utilisateur. À ne pas confondre avec le contrôle d'identité
(ou authentification) qui permet de vérifier cette identité
•Identification, en biologie, des êtres vivants repose sur la

reconnaissance de leur taxon dans une classification, sur la base
de leurs caractères externes, selon une démarche basée sur
une clé de détermination
•Identification, en gestion de configuration, détermination de

l'ensemble des éléments membres des configurations
Identifier un système
dynamique réel (appelé
objet) c’est caractériser
un autre système
(appelé modèle), à partir
de la connaissance
expérimentale des
entrées et sorties de
manière à obtenir
identité de
comportement.
Comment identifier un système :
Analyser les données des paires entrées – sorties pour
tirer ( to fit) les parameters dans le modèle utilisé
(structure)
Comment analyser et comment générer ces
données de paires afin de les analyses :
Identification des Systèmes

L’identification d’un objet va comporter les étapes suivantes :
— exploitation de connaissances à priori, l’établissement de
modèles analytiques,
— définition des conditions d’expériences,
— choix d’une structure de modèle, et de signaux d’analyse
(étape de caractérisation),
— expérimentation et enregistrement de données,
— application d’algorithmes d’identification,
— vérification du modèle obtenu, et retour éventuel à la
première étape.
Représentations non paramétriques
Ces relations entrée/sortie n’ont en fait de sens que
lorsque la réponse impulsionnelle est intégrable
(hypothèse de stabilité entrée‐bornée, sortie bornée).
Dans ce cas :
h(θ) (ou a(k)) tend vers zéro lorsque θ → ∞ (k → ∞).
Représentations paramétriques
Ces équations ne peuvent décrire le comportement d’un
objet que lorsque celui‐ci est faiblement perturbé.
C’est cette représentation qui a fait l’objet de la première
partie (modélisation des systèmes) et fait l’objet de la
seconde partie (identification des systèmes)
Représentations stochastiques
Si les systèmes sont fortement perturbés dans ce cas, une
représentation stochastique peut s’avérer nécessaire. Pour un système
discret, on écrira de manière très générale
où b(k) et w(k) sont des bruits blancs discrets gaussiens de variance
inconnue à priori. Afin de réduire le nombre de paramètres à identifier
la théorie du filtrage de Kalman fournit une représentation simplifiée
du système abstrait précédent
Avec ˆx(k) l’estimée de l’état x(k) et ν(k) une séquence de bruit blanc
gaussien Innovation).
Karel J. Keesman
System Identification : An Introduction
Springer-Verlag London Limited 2011
2. Identification des systèmes
Modèle analytique: description de la
relation entre variables internes ou
externes, graphique ou numérique
Modèles théoriques: des premiers
principes
Modèles empiriques: apartir de
l’observations des variables des systèmes
==> Relation entre variables
==> Modèles reliant les variables
Importance de l’identification
* Validé lé modèle (analytique –numérique ou

graphique- ou empirique)
* Etudier la dynamique du système
* Elaborer des Algorithmes de commande
* Surveillance des systèmes
Méthodes d’identification
On a 02 grandes familles pour l’identification
* Les méthodes d’identification graphiques (

Méthode de Strejc, méthode de Broïda… ie en BO
ou en BF)
** Les méthodes d’identification numériques

: (Méthodes récursives, méthode non récursives ie
en BO ou en BF).
Partie II
Identification des systèmes où leurs modèles
sont données sous formes d’une
représentations paramétriques
Identification : Techniques et Méthodes

rapppppelle
Identifier un procédé ou système consiste à

proposer une structure entre son entrée et sa
sortie et à déterminer à partir du couple entrée-
sortie, les valeurs des paramètres du modèle. Le
modèle ainsi trouvé doit, dans son domaine de
validité, se comporter comme la réalité
(physique) ou au moins s’en approcher au plus
près.

ou en BF)

en BO ou en BF).
Les méthodes d’identification graphiques
2- Identification en boucle ouverte

2.1 Méthodologie
2.2 Méthode directe : confrontation de la réponse théorique
et expérimentale
2.3 Méthode de Strejc
2.4 Méthode de Broida
2.5 Méthode rapide pour un procédé intégrateur
3- Identification en boucle fermée
3.1 Premier essai
3.2 Deuxième essai
Dans ce cas 02 méthodes d’identification sont à considérer :
Essai en boucle ouverte (le procédé étudié n’est pas asservi ou régulé)
(ie : caractériser les paramètres d’1 fonction de transfert simple)
et
Essai en boucle fermée (un régulateur asservit ou régule le système).
Quelle est la différence entre Réguler et Asservir ?

Asservissement : poursuite par la sortie d'une consigne variable dans le temps.
Exemple : reproduction des gestes d'un chirurgien par un robot distant.
Régulation : la consigne est constante, le système compense les perturbations.

Exemple : maintenir la vitesse d'un véhicule quelles que soient les perturbations (profil
de la route,
vent, etc).
2.1 Méthodologie
En l’absence de toute perturbation, on envoie un signal
d’entrée U(t) connu (impulsion échelon ou rampe) et on
enregistre le signal de sortie Y(t) qui est analysé
ensuite
Signaux d’entrées U(t) utilisés
Signaux de sorties Y(t) usuelles
IDENTIFICATION OF CONTINUOUS SYSTEMS HeinzUNBEHAUEN & Gan ti Prasada RAO
2.2- Méthode directe : confrontation de la réponse
théorique et expérimentale
Identification d’un système continu du premier ordre plus retard :
Identification d’un système continu du deuxième ordre
Exemple d’application de la méthode de Strejc
Sa réponse indicielle (Du = U(t) =1)est sur la figure suivante en trait

plein bleu :
Identification
L'identification du modèle d'un systèmes à partir de données expérimentales est souvent
une étape nécessaire. De nombreuses méthodes sont disponibles qui pourraient faire
l'objet d'un cours à part entière. Dans cette partie, nous nous contentons de donner
quelques exemples de méthodes élémentaires.
De manière générale, on peut séparer le problème de l'identification d'un modèle en

deux étapes :
1.la détermination de la structure du modèle (par exemple l'ordre du numérateur et celui
du dénominateur),
2.l'estimation des paramètres du modèle
Approche temporelle
Une manière assez simple de caractériser un système est de l'exciter
avec un signal particulier et le plus utilisé, dans ce cas, est le signal en
échelon. En comparant la réponse du système avec des réponses types,
on peut alors choisir la structure du modèle
Trois exemples sont traités ci-dessous à partir de la réponse à un échelon d'amplitude.U

La réponse y(t) a une amplitude
Méthode de Strejc
Si le système n'a pas de dépassement (on parle de système apériodique)
et que sa pente ne présente pas de discontinuité, on peut choisir de le
modéliser par une fonction de transfert de la forme :
La méthode de Strejc permet d'identifier ce modèles à partir de la

réponse à un échelon.
Fig. Réponse à un échelon pour l'identification par la méthode de Strejc
Commençons donc par étudier la réponse à un échelon d'un tel systèmes
pour n ≥2. La réponse à un échelon d'amplitude U s'écrit :
Sa dérivée est :
et sa dérivée seconde :
On observe que la dérivée seconde s'annule une seule
fois pour t 0 en t1 =  (n-1) , ce qui signifie que la
courbe y(t) présente un point d'inflexion en(t1 ,
y(t1)).
La tangente à la courbe y(t) en ce point coupe l'axe

des abscisses en t= T1 et atteint la valeur y(∞)
en t=T1 - T2.
Les valeurs de T1/ , T2/ et T1/T2 sont données

dans le tableau suivant pour les ordres 2 à 10
Tab. Rapports entre les constantes de temps pour l'identification par la
méthode de Strejc
n° T1/ T2/ T1/T2

2 0,2817 2,718 0,1036
3 0,8055 3,695 0,2180
4 1,425 4,464 0,3194
5 2,102 5,112 0,4103
6 2,811 5,699 0,4933
7 3,549 6,226 0,5700
8 4,307 6,711 0,6417
9 5,081 7,164 0,7092
10 5,869 7,590 0,7732
La méthode d'identification peut donc être synthétiser comme suit:
1- A partir de la réponse à un échelon, on identifie dans un premier temps le
gain statique K= Y/U où U est l'amplitude de l'échelon d'entrée et Y est
l'amplitude de la variation de la mesure.
2- Dans un second temps, on doit identifier l'ordre n du système et la
constante de temps  . Pour cela, on trace la tangente à la courbe au point
d'inflexion.
* On relève le temps T1 entre l'instant de déclenchement de l'échelon et
l'instant où l'asymptote coupe la valeur initiale de y(t).
** On relève T2 entre ce dernier instant et l'instant où l'asymptote atteint la
valeur finale de y(t).
*** A partir du rapport T1/T2 , on détermine l'ordre du système.
**** Pour la valeur de n choisie, on détermine  à partir de la valeur
de T1/ ou de T2/
Exemple d’application
La réponse d'un système à un échelon d'amplitude U = 2 déclenché

à t=0 , est donnée sur la figure .
Identifiez le système par la méthode de Strejc
CHAPITRE 7
Identification des processus

Introduction :
 Jusqu’à maintenant, nous avons toujours considéré
que nous connaissions la fonction de transfert du
système ou les équations qui le régisse. En pratique,
cette fonction n’est pas connue.
 C’est l’identification qui permet de trouver un modèle

du comportement de notre système, à l’aide d’essais
expérimentaux. Ce modèle, s’il est confirmé servira par
la suite à la synthèse complète de notre système.
Introduction :
 L’identification comporte généralement 4 phases
distinctes :
 Envoi de signaux tests sur le processus et
acquisition de la réponse,
 Choix du modèle qui approximera le système,
 Calcul des paramètres du modèle en fonction de la
réponse obtenue,
 Comparaison des sorties du système et du modèle
pour validation.
Les méthodes graphiques :
Les méthodes graphiques ont l’inconvénient d’être peu
précises. Cependant, comme les modèles proposés ne
correspondent pas exactement à la complexité des
processus, ces méthodes ont montré leur validité.
Elles consistent à étudier la réponse indicielle du

système. Nous pouvons alors envisager 2 cas :
 La réponse est variable à une entrée constante : le système possède
une intégration et est dit EVOLUTIF.
 La réponse est constante : le système est considéré comme STABLE
car il ne possède pas d’intégration.
Est ce que la sortie est périodique ?
OUI NON
Système du second ordre Tangente à l’origine

OUI NON
Calcul du dépassement
et de la période Ordre > 1 Premier ordre
Strejc Broïda Points

particuliers
Ziegler-Nichols
 Les éléments à calculer pour une identification d’un
système du second ordre :
 Le dépassement :  1 2

D e  
 La pseudo période des oscillations :
Tp  2  0
 0 1  2
Identification des systèmes stables
 Système du premier ordre :
Modèle :
G (p )  K
1 T p
On peut déterminer :
- le gain K = sf / E0
- la constante de temps T à
partir de 63 % (ou 95 %) de sf
Avec les valeurs de K et T, nous pouvons simuler notre
modèle et voir s’il correspond à la sortie de notre
système.
Exemples :
Modèle : 1 p
G (p )  K
1 b  p
De la détermination de b,
on en déduit  puis .

 Système du premier ordre : Modèle de BROIDA
K e p
Modèle = G ( p ) 
1 T p
Le modèle de Broïda prend en compte les retards purs.
 Système du premier ordre : Modèle de BROIDA
En pratique :
T = 5.5 (t2 – t1)  = 2.8 t1 – 1.8 t2

 Système d’ordre supérieur :
K e p
Le modèle général sera de la forme : G ( p ) 
( 1 T p ) n
Ce modèle ne s’applique que si la réponse du système est

périodique, d’asymptote horizontale et ne comportant qu’un seul
point d’inflexion.
Ces conditions dépendent de la méthode graphique qui permet de

déterminer les valeurs de K, , T et n.
TOUTE LA METHODE REPOSE SUR LE TRACE

D’UN POINT D’INFLEXION…
La réponse a la forme :
1 – Déterminer le gain K
2 – Rechercher le point
d’inflexion Yq
3 – Tracer la tangente et
déterminer Tu et Ta
4 – Calculer Tu / Ta

5 – Du calcul de Tu / Ta, on
détermine l’ordre du système.
On choisit toujours l’ordre le
plus faible
6 – Des valeurs du tableau, on

en déduit la valeur de T
Exercice :
On mesure K = 5, Tu = 10.5 s et Ta = 30 s
Donner le modèle de G(p)
 Identification des systèmes évolutifs
 Systèmes de type intégrateur
Le modèle est :
K
G (p ) 
p
K = pente
 Systèmes de type premier ordre avec intégrateur
Le modèle est :
K
G (p ) 
p ( 1Tp )
K = pente
T = intersection de
l’asymptote avec
l’axe des abscisses.
 Systèmes de type nième ordre avec intégrateur
Le modèle est :
K
G (p ) 
p ( 1Tp )n
• On trace l’asymptote à la
courbe, coupant l’axe des
abscisses en To.
• On trace la parallèle à cette
asymptote passant par
l’origine.
• En To, nous définissons les
points A, B et C.
 Systèmes de type nième ordre avec intégrateur
On calcul le rapport AB / AC pour obtenir l’ordre du

système, avec le tableau :
K est donné par la pente de l’asymptote
T = T0 / n
 Exercice : On considère un générateur de vapeur.
y = hauteur d’eau dans le ballon
Qe = débit d’eau à l’entrée
1 - Un essai d’identification nous donne la réponse

impulsionnelle (théorique) suivante :
t 0 0.5 0.75 1 1.1 1.5 2 2.5 3 4 6
h(t) 0 0.061 0.146 0.252 0.297 0.468 0.646 0.773 0.858 0.946 0.992
- Tracer la réponse,
- En analysant la réponse, est ce que ce système est stable ?
- Donner le modèle de la fonction de transfert,
- Identifier par la méthode de Strejc
1 - Un 2ème essai d’identification nous donne la réponse
indicielle suivante :
t 0 0.5 0.75 1 1.1 1.5 2 2.5 3 4 6
h(t) 0 0.005 0.034 0.084 0.117 0.265 0.546 0.903 1.312 2.21 4.174
- tracer la réponse.
- Identifier avec le modèle adéquat.
Méthode des moindres carrés
Identification des systèmes
par les deux méthodes:
• Broïda.
• Strejc.
Introduction
• L’identification des systèmes est la recherche, par des
méthodes expérimentales, de concevoir des régulateurs et leurs
réglages pour l’automatisation des systèmes déjà présenter par
une structure.
• On cherche à trouver le lien entre l’entré et la sortie d’un

système en le soumettant à des signaux simples (L’échelon
unité, l’impulsion de Dirac ou la rampe).
• Le défi est de trouver un modèle mathématique qui caractérise

le système réel avec une bonne approximation mais
suffisamment simple à étudier.
Généralités sur les deux méthodes Broïda
et Strejc en boucle ouverte.
Les méthodes de Broïda et de Strejc sont des méthodes

expérimentales et graphiques d’identification des systèmes
stables d’ordre supérieur ou égal à 2. La réponse indicielle ne
doit pas avoir de dépassement.
Dans le cas contraire, les modèles mathématiques de Broïda et

Strejc ne sont généralement pas applicables.
• La méthode de Strejc
La méthode de Strejc utilise le modèle
mathématique suivant :
Où on doit déterminer graphiquement, les

paramètres K (le gain statique), T (le retard), n
(l’ordre du système) et τ (la constante du temps) en
se basant sur la tangente au point d’inflexion.
Remarque : La méthode de Strejc est applicable

seulement dans le cas d’une courbe de réponse
indicielle en « S ».
• La méthode de Broïda
La méthode de Broïda, qui est une simplification de la
méthode de Strejc consiste à rapporter la réponse
indicielle en boucle ouverte du système étudié à celle
d’un système du premier ordre avec un retard pure, sa
fonction de transfert est la suivante :
Où on doit déterminer graphiquement, les paramètres K,

T, et τ s’appuyant sur deux points caractéristiques de la
réponse indicielle du système.
Remarque : le modèle de Broïda ne donne un modèle

correcte que si T> 4.τ.
Recherche des
paramètres K, T, n et τ
I. Méthode de Strejc
• Courbe en « S » ( système stable).
• Système avec intégrateur (système non
stable).
1. Courbe en « S ».
Les étapes à suivre sont:
• On soumet le système à un échelon unitaire.
• Le gain statique est déterminé à partir de la relation c‘est-à-dire des

conditions de l’expérience.
• On trace minutieusement la tangente au point d’inflexion.
• On relève les temps et et on calcule le rapport .
• On déduit l’ordre « n » à partir du tableau qui va suivre (on choisit la plus proche
valeur inférieur au rapport ).
• On déterminer ensuite la valeur de à partir du tableau.
• Enfin, on calcule la valeur du retard T qui la différence entre mesuré et donné

par le tableau
Comment le tableau de Strejc a été établie ?
Nous considérons une réponse indicielle quelconque:
La méthode de Strejc propose d’approcher le système avec l’équation
On effectue la transformation inverse de Laplace (l’entré étant un échelon)
La procédure consiste à faire varier n de 0 à 10 et remplir le tableau de la

manière suivante:
On va choisir n=4 à titre d’exemple.
Donc pour n=4 on obtient (développement en série):
La dérivée seconde donne:
Elle s’annule pour

Donc la tangente de ponte maximale est celle au point
L’équation de la tangente s’écrit alors comme suit
Cette droite coupe la droite s=1 en
Et elle coupe de même l’axe des abscisses en

Donc:
Du coup:
2. Système avec intégrateur (système non stable) .
La fonction de transfert est donc de la forme
On a le tableau suivant
• « n » est déterminé à partir du rapport .
• « » est déterminé à partir de la relation .

• .
• Remarque: Pour les systèmes avec intégrateur on procède généralement à l’identification en

boucle fermé puisque le système dérive rapidement en dehors de son domaine de saturation
en boucle ouverte.
II. Méthode de Broïda.
• Courbe en « S » ( système stable).
• Système avec intégrateur (système non
stable).
1. Courbe en « S ».
En général, dans la méthode de Broïda, on choisi les points d’ordonnées égales à 28%
et 40% de la valeur finale de la sortie. C’est les point ou la courbe a une forme plus
ou moins linéaire ( les points appartenant à la tangente au point d’inflexion).
Pour, en suit, définir les paramètre T ,K et des relation suivantes:
• .
• .
• .
Démonstration des relations ci-dessous:
Posant
1. On sait que . Comme alors

2. On pose afin d’avoir un gain statique égal à 1 (procédure
simplificatrice).
 Si
Alors
Et donc
 Si
Alors
Et donc
On en déduit que :
2. Système avec intégrateur (système
non stable) .
Les systèmes munis d’intégrateur ont une réponse indicielle en forme de rampe en
régime permanent donc elle accepte une asymptote de la forme:
Elle coupe l’axe des abscisses en
Le modèle de Broïda appliqué à ce type de système est:
Où:
•
•
Exemple
Considérons la fonction de transfert
Voici sa réponse indicielle

Identification par Broïda
Graphiquement, K=3.3333.
La réponse indicielle de est:
On relève graphiquement les temps correspondants à la réponse à 28% et 40% .
On a donc respectivement:
Alors
Le modèle mathématique devient:

Comparaison entre la réponse réelle du système est celle approchée par Broïda
Identification par Strejc.
Graphiquement, K=3.3333.
Donc
Alors
Comparaison entre la réponse indicielle réelle du système et celle approché par
Strejc
Identification en boucle fermée
• Broïda
• Strejc
• Broïda
• Strejc
La stabilité du système dépend du polynôme caractéristique. L’opération consiste à

augmenter graduellement le gain jusqu’au pompage ( la limite de stabilité )
puis de déterminer les paramètre du système qui sont , , n, et .
On procède de la manière suivante :

On pose .
L’expression de K nous permet de calculer n en fonction de K. on obtient alors le
tableau suivant qui nous permet de déduire n à partir de la valeur trouvée de K.
Méthode des moindres carrés
Modélisation /Identification
L’automatique consiste en l’étude des systèmes réels

des différentes disciplines scientifiques
(Electronique, mécanique, thermique, chimie,
écologie, biologie, économie, sociologie, physique,
cosmologie…), en vue de l’analyse, de la prédiction,
de la surveillance, de la commande, et / ou de
l’optimisation des systèmes. Généralement, la
connaissance du modèle du système réel est
nécessaire dans l’étude et on doit réaliser une
modélisation .
Importance de l’identification
* Validé lé modèle (analytique –numérique ou

graphique- ou empirique)
* Etudier la dynamique du système
* Elaborer des Algorithmes de commande
* Surveillance des systèmes
Modélisation /Indentification
Identifier un processus (système), c’est chercher un modèle
(dynamique) mathématique, appartenant à une classe de modèles
connue, et qui, soumis à des signaux tests (en entrée), donne une
réponse (dynamique et statique en sortie), la plus proche possible du
système réel .
Pour élaborer un modèle, deux approches sont souvent considérées :

- Modélisation boîte blanche, Elle se fonde sur les lois physiques,
chimiques, mécaniques, biochimiques.
-Modélisation boite noire. La modélisation s’attache à établir « à partir
de données expérimentales, une relation entre les variables des entrées
du processus et les variables de ses sorties et ne nécessite pas a priori la
connaissance des lois physiques.
Si la modélisation technique consistant à obtenir
un modèle mathématique d'un système à partir de
mesures ou autres moyens, l’identification c’est la
détermination des paramètres de ce modèle à partir
des mesures (ou essais pratiques) ou aussi qutres
moyens ;
Modèle des systèmes
Modèle analytique: description de la relation
entre variables internes ou externes, graphique
ou numérique
Modèles théoriques: des premiers principes
Modèles empiriques: apartir de l’observations
des variables des systèmes
==> Relation entre variables
==> Modèles reliant les variables
Modélisation/Identification
Les modèles dynamiques sont de deux sortes :

Modèles paramétriques
(fonction de transfert, équations différentielles)
Modèles non paramétriques
(réponse fréquentielle, réponse à un échelon)
Il existe deux principales classes de méthodes paramétriques :

· - Les méthodes paramétriques déterministes ou graphiques
· - Les méthodes paramétriques statistiques (études stochastiques)
Représentations non paramétriques
Ces relations entrée/sortie n’ont en fait de sens que

lorsque la réponse impulsionnelle est intégrable
(hypothèse de stabilité entrée-bornée, sortie bornée).
Dans ce cas :
h(θ) (ou a(k)) tend vers zéro lorsque θ → ∞ (k → ∞).
Représentations paramétriques
Ces équations ne peuvent décrire le comportement d’un

objet que lorsque celui-ci est faiblement perturbé.
C’est cette représentation qui a fait l’objet de la première
partie (modélisation des systèmes) et fait l’objet de la
seconde partie (identification des systèmes)
Représentations stochastiques
Si les systèmes sont fortement perturbés dans ce cas, une
représentation stochastique peut s’avérer nécessaire. Pour un système
discret, on écrira de manière très générale
où b(k) et w(k) sont des bruits blancs discrets gaussiens de variance

inconnue à priori. Afin de réduire le nombre de paramètres à identifier
la théorie du filtrage de Kalman fournit une représentation simplifiée
du système abstrait précédent
Avec ˆx(k) l’estimée de l’état x(k) et ν(k) une séquence de bruit blanc
gaussien Innovation).
Approche expérimentale pour la détermination du modèle dynamique
d’un système.
4 étapes :
Acquisition des Estimation (choix) Estimation des Validation

entrées sorties sous de la structure du paramètres du du modèle
un protocole modèle modèle identifié
d’expérimentation (complexité)
.
Non Oui
Calcul
Régulateur
Identifier un système
dynamique réel (appelé
objet) c’est caractériser un
autre système (appelé
modèle), à partir de la
connaissance
expérimentale des
entrées et sorties de
manière à obtenir identité
de comportement.

ou en BF)

en BO ou en BF).
• Les méthodes graphiques :
Est ce que la sortie est périodique ?
OUI NON
Système du second ordre Tangente à l’origine

OUI NON
Calcul du dépassement
et de la période Ordre > 1 Premier ordre
Strejc Broïda Points

particuliers
Ziegler-Nichols
2.1 Méthodologie
En l’absence de toute perturbation, on envoie un signal
d’entrée U(t) connu (impulsion échelon ou rampe) et on
enregistre le signal de sortie Y(t) qui est analysé
ensuite
Signaux d’entrées U(t) utilisés
Signaux de sorties Y(t) usuelles
IDENTIFICATION OF CONTINUOUS SYSTEMS HeinzUNBEHAUEN & Gan ti Prasada RAO
2.2- Méthode directe : confrontation de la réponse
théorique et expérimentale
Identification d’un système continu du premier ordre plus retard :
Identification d’un système continu du deuxième ordre
Identification
L'identification du modèle d'un systèmes à partir de données expérimentales est souvent
une étape nécessaire. De nombreuses méthodes sont disponibles qui pourraient faire
l'objet d'un cours à part entière. Dans cette partie, nous nous contentons de donner
quelques exemples de méthodes élémentaires.
De manière générale, on peut séparer le problème de l'identification d'un modèle en

deux étapes :
1.la détermination de la structure du modèle (par exemple l'ordre du numérateur et celui
du dénominateur),
2.l'estimation des paramètres du modèle
Approche temporelle
Une manière assez simple de caractériser un système est de l'exciter
avec un signal particulier et le plus utilisé, dans ce cas, est le signal en
échelon. En comparant la réponse du système avec des réponses types,
on peut alors choisir la structure du modèle
Trois exemples sont traités ci-dessous à partir de la réponse à un échelon d'amplitude.U

La réponse y(t) a une amplitude
Méthode de Strejc
Si le système n'a pas de dépassement (on parle de système apériodique)
et que sa pente ne présente pas de discontinuité, on peut choisir de le
modéliser par une fonction de transfert de la forme :
La méthode de Strejc permet d'identifier ce modèles à partir de la

réponse à un échelon.
Fig. Réponse à un échelon pour l'identification par la méthode de Strejc
Commençons donc par étudier la réponse à un échelon d'un tel systèmes
pour n ≥2. La réponse à un échelon d'amplitude U s'écrit :
Sa dérivée est :
et sa dérivée seconde :
On observe que la dérivée seconde s'annule une seule
fois pour t 0 en t1 = t (n-1) , ce qui signifie que la
courbe y(t) présente un point d'inflexion en(t1 ,
y(t1)).
La tangente à la courbe y(t) en ce point coupe l'axe

des abscisses en t= T1 et atteint la valeur y(∞)
en t=T1 - T2.
Les valeurs de T1/t , T2/t et T1/T2 sont données

dans le tableau suivant pour les ordres 2 à 10
Tab. Rapports entre les constantes de temps pour l'identification par la
méthode de Strejc
n° T1/t T2/t T1/T2

2 0,2817 2,718 0,1036
3 0,8055 3,695 0,2180
4 1,425 4,464 0,3194
5 2,102 5,112 0,4103
6 2,811 5,699 0,4933
7 3,549 6,226 0,5700
8 4,307 6,711 0,6417
9 5,081 7,164 0,7092
10 5,869 7,590 0,7732
La méthode d'identification peut donc être synthétiser comme suit:
1- A partir de la réponse à un échelon, on identifie dans un premier temps le
gain statique K= Y/U où U est l'amplitude de l'échelon d'entrée et Y est
l'amplitude de la variation de la mesure.
2- Dans un second temps, on doit identifier l'ordre n du système et la
constante de temps t . Pour cela, on trace la tangente à la courbe au point
d'inflexion.
* On relève le temps T1 entre l'instant de déclenchement de l'échelon et
l'instant où l'asymptote coupe la valeur initiale de y(t).
** On relève T2 entre ce dernier instant et l'instant où l'asymptote atteint la
valeur finale de y(t).
*** A partir du rapport T1/T2 , on détermine l'ordre du système.
**** Pour la valeur de n choisie, on détermine t à partir de la valeur
de T1/t ou de T2/t
Exemple d’application
La réponse d'un système à un échelon d'amplitude U = 2 déclenché

à t=0 , est donnée sur la figure .
Identifiez le système par la méthode de Strejc
Méthodes paramétriques
graphiques (déterministes)
Méthode de Strejc
Domaine d’application :
Systèmes linéaires à réponse indicielle apériodique
Objectifs :
Approximer la réponse indicielle d’un système donné
par la réponse indicielle d’un système de constante de
temps multiple et comportant éventuellement un retard pur
Y(s) kets
G(s) 
U(s) (1Ts)n
Méthode de Strejc
u(t)
u(t)
u(t) y(t)
Système
y(t)
Calcul des paramètres : n Tu Tm Ta Tu Ti Tm

y() y(0) Ta Ta T T T T
Gain statique : k=
u()u(0) 2 0.104 0.736 2.718 0.282 1 2
Ordre du système n
Retard : t 3 0.218 0.677 3.695 0.805 2 2.5
Constante de temps T 0.319 0.647 4.463 1.425 3 2.888
4
5 0.410 0.629 5.119 2.100 4 3.219
Mode d’application
- Calculer du gain statique

- Mesurer du retard t sur la courbe
- Tracer la tg au point d’inflexion
- Mesurer Tu et Ta ensuite Tu/Ta
- A partir du tableau, déduire n.
- n étant calculer, déduire Ta/T
- Sachant qu’on connaît Ta, on a T
Remarques :
- Le modèle de Strejc donne des résultats satisfaisants lorsque les
constantes du temps du système sont de même ordre de grandeur.
- La méthode n’est applicable que pour les systèmes d’ordre >= 2.
Méthode de Broïda
Domaine d’application :
Systèmes linéaires à réponse indicielle apériodique
Objectifs :
Approximer la réponse indicielle d’un système donné par la
réponse indicielle d’un système de premier ordre retardé.
Y(s) kets
G(s) 
U(s) 1Ts
- Calculer t1 / y(t1)=0.28 y()
- Calculer t2 / y(t2)=0.40 y()
- t = 2.8 t1- 1.8 t2
- T = 5.5(t2-t1)
L’identification en boucle ouverte est parfois considérée comme

dangereuse pour l’évolution du système (tous les systèmes de
régulation sont hors service).
L’identification en BO est moins précise que celle de la BF.
Méthode de Strejc sans retard
yc + e u G(s) k y
kp (1ts)n
-
- On considère une entrée échelon,

- On calcule k à partir de l’erreur en régime permanent
-On fait varier kp jusqu’à l’apparition des oscillations entretenues.
- On mesure w0 et kp. On pose k0=kkp.  nArtgTw 0  
k0
- À la limite de stabilité, on a 1 ,
 1T w 
2 2
0
n
k 0 cosn( ) T  1 artg 
n w0 n
Méthode de Broïda
ts
yc + e u G(s) ke y
kp 1Ts
-
A la limite de stabilité, on mesure w0 et kp0,

k0
1 T  1 k 02 1
1T 2 w 0 2
w0
2
 tw 0  ArtgTw 0    Artg ( k 0 1)
t
w0
Ajustement Linéaire
44
Approche graphique
APPROCHE GRAPHIQUE – NUAGE DE POINTS
Dans un plan muni d'un repère orthogonal, on

appelle nuage de points associé à la série
statistique (X, Y) l'ensemble des N points Mi
de coordonnées (xi , yi) avec i {1...N}.
45
Repère orthogonal
Variable Y
Mi
Mi un des N points
yi de
coordonnées (xi , yi)
xi Variable X
46
Nuage de points
Variable Y
Le nuage semble être linéaire
Variable X
47
Droite d’ajustement
Variable Y
L ’équation de la droite est :

Y=aX+b POUR AJUSTER LE
NUAGE NOUS FAISONS
PASSER UNE DROITE
Variable X
48
Principe des MCO
LE PRINCIPE DES MOINDRES CARRES
La méthode des moindres carrés consiste à projeter

l'ensemble des points Mi de coordonnées (xi , yi)
sur une courbe, parallèlement à l'axe des
ordonnées, de telle sorte que l'ensemble des écarts
entre les points observés Mi et les points projetés
Pi soient les plus faibles possibles.
49
Principe graphique
Ajustement linéaire par la méthode des moindres carrés

Variable Y
Le nuage de points est supposé linéaire
yi observé Mi
La droite d'ajustement linéaire D
yi projeté y=ax+b
Pi
projection sur D de M
xi
La différence entre le point observé et le Variable X
point projeté est appelé erreur ou écart
50
Le critère
Si l'on note les écarts ei avec i {1...N} alors le

critère des moindres carrés s'écrit :
i  N 
2
Minimiser   ei 
 i 1 
51
Le programme
LES RESULTATS DU PROGRAMME DE MINIMISATION
La minimisation des écarts ei s’écrit, en supposant

que l’ajustement est linéaire :
i  N 2


Minimiser   yi  a xi  b
 i 1
 

52
La solution
La résolution du programme mathématique donne

les solutions suivantes (cf. cours) :
- la pente de la droite
s
aˆ  2XY
sX
- l’ordonnée à l’origine
ˆ
b  Y  aˆX
53
Le point moyen
Variable Y
Point Moyen
Y
La droite des moindres carrés
passe par le point moyen
X Variable X
54
Changement de repère
Variable Y Variable Y Y
Point Moyen
Variable X  X
Y
LE POINT MOYEN EST LE
NOUVEAU CENTRE DANS LE
NOUVEAU REPERE ORTHOGONAL
Variable X
X
55
La solution sous forme graphique
Variable Y
Point Moyen
Y Vecteur unitaire a ---- pente de la droite
REPRESENTATION GRAPHIQUE DES

Vecteur unitaire DEUX PARAMETRES
b ---- ordonnée à
l’origine de la droite
X Variable X
56
Exercice – Etape 1
LES ETAPES DE CALCULS
- ETAPE 1 : Le tableau de données

numéro Y X
1 3 6
2 10 12
3 6 8 Existe-t-il une liaison linéaire
4 7 8
5 4 7 entre les deux variables
6 8 10 quantitatives X et Y ?
7 9 11
8 2 4
9 5 7
10 1 3
57
Etape 2
- ETAPE 2 : Le nuage des N points –

Représentation graphique des N couples (xi , yi)
Variable Y
14 Nuage de 10 points
12
10
Il semble exister une
8 liaison linéaire entre
6 les deux variables
4
2
quantitatives X et Y
0
0 2 4 6 8 10 12
Variable X
58
Etape 3
- ETAPE 3 : Calculs des moyennes des variables

i N
X  1  xi X  1 76
10
numéro yi xi
N i 1 1
2
3
10
6
12
3 6 8
4 7 8
X  7 ,6 5 4 7
6 8 10
i N
Y1 Y  1 55 7 9 11
N y
i 1
i 10 8
9
2
5
4
7
10 1 3
Sommes 55 76
Y  5 ,5 Moments non centrés 1 5,5 7,6
59
Etape 4
- ETAPE 4 : Calculs des variances des variables

numéro y²i x²i
1 9 36
i N
sX2  1  x  X s X2  1 652  7 , 6
2
i
2 2
10
  2 100 144
3 36 64
N i 1 4 49 64
5 16 49
s X2  7 , 44 6 64 100
7 81 121
i N 8 4 16
sY2  1  y Y 2
i
2 s Y2  1 385  5 , 5
10
  2
9 25 49
N i1 10 1 9
Sommes 385 652
sY2 8 , 25 Moments non centrés 2 38,5 65,2
60
Etape 5
- ETAPE 5 : Calcul de la covariance entre X et Y

numéro yi*xi
i N
s XY  1  x i  y i  X Y 1 18
N i 1
2 120
3 48
4 56
Solution pour l’exercice : 5 28
6 80
7 99
s XY  1 495  5 , 5 
 7 ,6  8 8
10 9 35
10 3
Somme 495
s XY  7 , 70 Moment mixte centré 1 49,5
61
Etape 6
- ETAPE 6 : Calcul de la pente de la liaison

Y=aX+b
N
1
N  x y  X Y
i i
aˆ  i 1
N  s XY2
1 sX
N x i 1
i
2 X 2
Solution pour l’exercice :

aˆ  7,70 1 , 035 aˆ  1 , 035
7,44
62
Etape 7
- ETAPE 7 : Calcul de l’ordonnée de la liaison

Y=aX+b
bˆ  Y  aˆ X
bˆ  5,50  1 ,036 7 , 60   2 , 366 bˆ  -2,366

63
Etape 8
- ETAPE 8 : Calcul des valeurs de Y en

fonction de la liaison Y = a X + b
numéro ychapi ychapi²
1 3,84 14,78
2 10,05 101,08
3 5,91 34,98
4 5,91 34,98
5 4,88 23,80
6 7,98 63,74
7 9,02 81,34
8 1,77 3,15
9 4,88 23,80
10 0,74 0,55
Sommes 55 382,19
64
Etape 9
- ETAPE 9 : Représentation graphique de la

liaison Y = a X + b
Variable Y
12
10 y = 1,0349 x - 2,3656
0
0 2 4 6 8 10 12 14
Variable X
65
Etape 10
- ETAPE 10 : Calcul du coefficient de corrélation

linéaire entre les deux variables X et Y
r s XY DOMAINE 1 r 1
sX sY
r 7,70  0,98
2,73  2,87 r  0,98
66
Etape 11
- ETAPE 11 : Calcul des écarts ei en écrivant

ei = yi – yi avec i {1...N}
numéro yi ychapi erreursi erreursi²
1 3 3,84 -0,84 0,71
2 10 10,05 -0,05 0,00
3 6 5,91 0,09 0,01
4 7 5,91 1,09 1,18
5 4 4,88 -0,88 0,77
6 8 7,98 0,02 0,00
7 9 9,02 -0,02 0,00
8 2 1,77 0,23 0,05
9 5 4,88 0,12 0,01
10 1 0,74 0,26 0,07
Sommes 55 55 0,00 2,81
67
Etape 12
- ETAPE 12 : Calcul des caractéristiques des

écarts ei
i N
e  1  ei e 0
N i 1
La moyenne des écarts est toujours nulle puisque la
somme des écarts est nulle
i N i N
se2  1 ei2e 2 1 ei2 s  2 ,81 0 ,28
2
s 0 ,28
2
N i1 N i1 e
10 e
La variance des écarts est égale au moment non centré

d’ordre 2
68
Etape 13
- ETAPE 13 : Calcul des caractéristiques des

points projetés yi
i N
Yˆ  1  yˆ i Yˆ  55  5 , 5 Yˆ  5 , 5
N i 1 10
La moyenne des points projetés est égale à la moyenne des

points observés
i N
sY2ˆ  1  yˆi2 yˆ 2 sY2ˆ 382,195,5 7,97
10
2
sY2ˆ 7,97
N i1
69
Etape 14
- ETAPE 14 : Relation entre les trois variances

La variance totale ( variance de Y ) est égale à la variance
des points projetés ( variance de Y ) augmentée de la
variance des écarts ( variance ei ).
s s s
2
Y
2
Yˆ
2
e
La variance totale (variance de Y) est égale à la variance

expliquée (variance de Y) augmentée de la variance non
expliquée ( variance ei ) par la régression.
70
Etape 15
- ETAPE 15 : Vérification de la décomposition de

la variance
sY2ˆ  7 , 97 Variance expliquée par la
régression
+
Variance non expliquée par la
se2 0 ,28 régression
Total  8,25 Variance totale
Vérification sY2 8 ,25

71
Etape 16
- ETAPE 16 :Le rapport de corrélation de Y en X
s s  s
2 2 2 s 2
0Y2 1
Y Yˆ e Y  2
2 Yˆ
X
X sY
 Y2  7 , 94  0 , 97  Y2  0 , 97
X 8 , 25 X
72
Représentation des écarts
Représentation graphiques des trois écarts

Variable Y Le nuage de points
yi observé Mi Point observé
yi projeté
Point moyen Pi Point projeté
Y
Variable X
X xi yi - Y
yi - Y yi - yi
écart entre le projeté et la
écart entre l’observé écart entre l’observé et le moyenne. C’est ce qui est
et la moyenne. C’est projeté. C’est l’erreur ei expliqué par la régression
l écart total
73
Le coefficient de correlation
Représentation graphique du coefficient de corrélation linéaire

Variable Y Variable Y Y
X’ = a’ Y’
Y’ = a X’
l'angle 
Point Moyen COS   r Variable X  X

Y
Dans le nouveau repère l’angle entre les

deux droites de régression correspond au
coefficient de corrélation linéaire
Variable X
X
74
Etape 17
- ETAPE 17 : Le tableau des calculs de la

relation Y = a X + b
numéro yi xi y²i x²i yi*xi ychapi ychapi² erreursi erreursi²
1 3 6 9 36 18 3,84 14,78 -0,84 0,71
2 10 12 100 144 120 10,05 101,08 -0,05 0,00
3 6 8 36 64 48 5,91 34,98 0,09 0,01
4 7 8 49 64 56 5,91 34,98 1,09 1,18
5 4 7 16 49 28 4,88 23,80 -0,88 0,77
6 8 10 64 100 80 7,98 63,74 0,02 0,00
7 9 11 81 121 99 9,02 81,34 -0,02 0,00
8 2 4 4 16 8 1,77 3,15 0,23 0,05
9 5 7 25 49 35 4,88 23,80 0,12 0,01
10 1 3 1 9 3 0,74 0,55 0,26 0,07
Sommes 55 76 385 652 495 55 382,19 0,00 2,81
75
Etape 18
- ETAPE 18 : Le tableau des calculs de la

relation X = a’ Y + b’
numéro yi xi y²i x²i yi*xi xchapi xchapi² erreursi erreursi²
1 3 6 9 36 18 5,3 27,74 0,73 0,54
2 10 12 100 144 120 11,8 139,24 0,20 0,04
3 6 8 36 64 48 8,1 65,07 -0,07 0,00
4 7 8 49 64 56 9,0 81,00 -1,00 1,00
5 4 7 16 49 28 6,2 38,44 0,80 0,64
6 8 10 64 100 80 9,9 98,67 0,07 0,00
7 9 11 81 121 99 10,9 118,08 0,13 0,02
8 2 4 4 16 8 4,3 18,78 -0,33 0,11
9 5 7 25 49 35 7,1 50,88 -0,13 0,02
10 1 3 1 9 3 3,4 11,56 -0,40 0,16
Sommes 55 76 385 652 495 76,00 649,47 0,00 2,53
76
Etape 19
- ETAPE 19 : Les principaux résumés

numériques de la X = a’ Y + b’
La pente aˆ '  0 , 93 L’ordonnée à l’origine bˆ '  2,470
Le rapport de corrélation de X en Y
 X2  0 , 97
Y
Le coefficient de corrélation
r  0,98
77
Etape 20
- Les principaux résumés numériques

Y = a X+ b
La pente aˆ  1 , 034 L’ordonnée à l’origine bˆ  - 2,366
X = a’ Y + b’
La pente aˆ '  0 , 93 L’ordonnée à l’origine bˆ '  2,470
Le rapport de corrélation de Y en X Le rapport de corrélation de X en Y

 Y2  0 , 97  X2  0 , 97
X Y
Le coefficient de corrélation (qui est identique cf. cours)

r  0,98
78
Etape 21 et Fin
79

04 Mise

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

04 Mise

Загружено:

Авторское право:

Доступные форматы

Title of

Prof. Hemsas Kamel Eddine

Professeur kamel eddine HEMSAS = Prof. Kamel ou Hemsas)

Développement d’un nouveau modèle de la MAS pour la commande et la surveillance

2012: Professeur des universités

Thèmes de recherche : Qualité d’enrgie, ME ( théorie, modèle, modélisation,

Evaluation : Control continu : 40% ; Examen : 60%.

Capacités et compétences visées :

Connaissances préalables recommandées:

Chapitre 2 : Modèle mathématique (02 semaines)

Chapitre 3 : Modélisation des systèmes électriques (02 semaines)

Chapitre 4 : Outils de modélisation (02 semaines)

Chapitre 5 : Généralités sur l’identification (02 semaines)

Chapitre 6 : Méthodes d’identification graphiques (02 semaines)

Chapitre 7 : Méthodes d’identification numériques (03 semaines)

TP n° 2 : Modélisation et simulation des convertisseurs électromécaniques

TP n° 3 Mesure directe de la réponse d'un système

TP n° 4 : Identification paramétrique d’un système électrique par les Méthodes de

TP n° 5 : Identification numérique (en ligne) d'une Machine DC par la Méthode

TP n° 6 : Identification numérique (en ligne) d'un Machine AC par la

Mode d’évaluation : Control continu : 100%.

DYNAMIC MODELING AND CONTROL OF ENGINEERING SYSTEMS

L’Electrotechnique Industrielle est une discipline

Deterministic vs. Stochastic Systems

– Les modèles mathématiques sont utilisés

X + 10% x = X+ ,01X = 1,1X ( modèle du problème)

Boîte grise ( graph le liaison ou BG)

Boîte Noire ( TIA: RNA, LF, ANFIS…..)

Pourquoi la modélisation est-elle nécessaire? Parce que ... la

Identification peut également désigner :

•Identification, en informatique, moyen

•Identification, en biologie, des êtres vivants repose sur la

•Identification, en gestion de configuration, détermination de

– les variables sont représentées par des flèches

– les éléments sont représentés par des rectangles

Schéma fonctionnel plus détaillé :

DFWLRQQHXU SURFpGp FDSWHXU

Les équations différentielles du comportement sont traduites par la fonction

Chaque fonction est schématisée par un bloc. L’allure globale du schéma

S(p) = E(p) × H(p)

S(p) = E1 (p) + E 2 (p) - E3 (p)

S(p) = E1 (p) - E 2 (p)

Au moyen de la réduction systématique des schémas fonctionnels, tout

¾ Règle 2: Éléments en parallèle

¾ Règle 4: Élimination d’une boucle de retour

¾ Règle 6a: Redisposition des comparateurs

¾ Règle 7: Déplacement d’un comparateur en amont d’un élément

¾ Règle 9: Déplacement d’un point de dérivation en amont d’un élément

¾ Règle 11: Déplacement d’un point de dérivation en amont d’un

Étape 2 Associer tous les éléments en parallèle (règle)

Étape 3 Éliminer toutes les boucles de retour non principales (règle 4)

Étape 4 Faire passer les comparateurs à gauche, et les points de

Étape 1: éléments en série Étape 2: éléments en parallèle

Étape 3: éléments en boucle

R(p) E(p) Y(p)

E(p) = R(p) - Y(p)

Savoir manipuler les techniques de représentation des systèmes

• Dans ce chapitre on s’intéresse à l’explication de graphe de fluence comme outil de

représentation d’un système continu linéaire invariant (SLCI),

• On définie cette graphe de transfert, les techniques de réalisations tout en s’intéressant

a la règle de Mason et les techniques d’applications.

équation des processus lorsque le nombre de variables augmente.

- Les noeuds représentent les variables du système.