Академический Документы
Профессиональный Документы
Культура Документы
Presentation
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
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
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.
Définissons : X : le montant investit dans cette action
Le montant accumulé à la fin de l'année sera
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
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.
3
Exemple : variation de vitesse
couple résistant
tension vitesse
commande induit moteur+ arbre génératrice mesure
du hacheur hacheur charge tachymétrique de la vitesse
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 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
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
10
Formalisme
¾ Comparateur: Cas particulier de sommateur qui permet de
faire la différence de deux entrées (de comparer) ici :
E1 S
+
-
E2
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
Manipulation des schémas
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
Manipulation des schémas
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
Manipulation des schémas
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
Manipulation des schémas
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
Manipulation des schémas
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
Manipulation des schémas
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
Manipulation des schémas
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.
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
x + y
P1
x y
± P1 + P2
P2
21
Règles de transformation
¾ Règle 3: Retrait d’un élément d’une chaîne d’action
x + y x P1 + y
P1 P2
± P2 ±
P2
x + y
± P1 x P1 y
1 ± P1·P2
P2
22
Règles de transformation
¾ Règle 5: Retrait d’un élément d’une boucle de retour
x + y x 1 + y
± P1 P1· P2
P2 ±
P2
w + + z w + + z
± ± ± ±
x y
y x
23
Règles de transformation
¾ Règle 6b: Redisposition des comparateurs
w + + z w + z
± ± +
x x ±
y y ±
z x + z
x + P
P
±
±
1 y
y
P
24
Règles de transformation
¾ Règle 8: Déplacement d’un comparateur en aval d’un élément
x + z x + z
P P
± ±
y
y
P
x y x y
P P
y y
P
25
Règles de transformation
¾ Règle 10: Déplacement d’un point de dérivation en aval d’un élément
x y
x y P
P
x 1
x
P
z y
26
Règles de transformation
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)
G3
+
+ + C
G1 G4 G2
R +
- +
H1
H2
29
Exemple 1 (suite)
¾ Mettre le schéma fonctionnel suivant, sous forme canonique
+ + C
G1·G4 G3 + G2
R
- +
H1
H2
30
Exemple 1 (suite)
¾ Mettre le schéma fonctionnel suivant, sous forme canonique
+ 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.
CONTENU THEORIQUE :
1. Définitions
• Un graphe de transfert ou de fluence qui permet de simplifier l’écriture et la mise en
• Un graphe de transfert est constitué d’un ensemble de noeuds reliés entre eux par des
branches orientées.
- Chaque branche est affectée d’un coefficient correspondant à la transmittance qui relie
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 5a1 a2 a3 a4 x1
transmittances rencontrées en les parcourant. Tcd x 5 / x1 = a1 a2 a3 a4
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)
Δ1- 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
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 ) n1 ur (t ) r1 y (t )
p p1 ( 0)
n n1
x
Les dimensions :
A nn
B nr
C pn
D pr
Sys Lin Sta
Comment construire ce type de modèle
• Les systèmes peuvent être représentés par une série d’équations
différentielles ordinaires.
Les variable d’état sont : i(t) et q (t)
1
Ri idt vt
di
L
dt C
But , i t dq dt
d 2q dq 1
L 2 R q vt
dt dt C
dq
And , i
dt
1 1
q i vt
di R
dt LC L L
Example 1 : Circuit RLC série
The state variables are i(t) and q (t).
1
vL t q t Ri t vt
C
Example 1 : Circuit RLC série
• 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 vt
Example 1 : Circuit RLC série
• 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 1v(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 ) x1 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 ) xˆ1 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 ) xˆ (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
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
ia 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.
Ai 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
Méthode de la transformation de similarité
(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
Méthode de la transformation de similarité
(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
x A x B u
yCx
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 )
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
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
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
Y(s) 2 s2 8 s 6
G (s)
R (s) s 3 8 s 2 16 s 6
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
Continuous-time model.
8 4 1.5 2
A 4 0 0 , B 0
0 1 0 0
1
R(s) x1 x2
x3 Y(s)
2 1/s 4 1/s 1 1/s 0.75
-8
-4
-1.5
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.
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 =
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)
Dorf and Bishop, Modern Control Systems
1
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:
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:
Avec :
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).
&
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
nn
• 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
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
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
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!
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
h i
C= 1 0 0 0 0
Considérons le système :
N1 (s)N2 (s)
G(s) =
D(s)
avec :
D(s) = sn + an−1 sn−1 + · · · + a1 s + a0
· ¸
N˙1 (0) N¨1 (0)
C= N1 (0) ···
1! 2!
avec :
1 0 ··· 0 0
a 1 ··· 0 0
n−1
.. .. .. ..
..
A = . . . . .
..
a2 . ··· 1 0
a1 a2 ··· an−1 1
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
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
−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!
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
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
Réalisation : un triplet (A, B, C) tel que G(s) = C(sI − A)−1 B avec A de dimension
non minimale.
On peut alors distinguer plusieurs approches pour obtenir une représentation d’état
représentée par la figure suivante :
G(s) Réalisation
Représentation
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 :
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
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
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
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
2. On a :
∆1 (s) ∆2 (s) ∆i (s)
γ1 (s) = , γ2 (s) = , · · · , γi (s) = ,···
∆0 (s) ∆1 (s) ∆i−1 (s)
Appliquons l’algorithme :
1. ∆0 = 1
2. Les mineurs d’ordre 1 sont les éléments de la matrice. Leur PGCD est égal à
3s2 − 12
3s2 − 12
3s3 − 12s
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
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
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.
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
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
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
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
Test de minimalité
1. Etude d’observabilité
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.
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
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.
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,
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)
dt v(t ) i (t )dt
C t0
1 1
t
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
Identification des systèmes où leurs modèles
sont données sous formes d’une
représentations paramétriques
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)).
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.
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.
Identification des processus
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.
Tp 2 0
0 1 2
Identification des processus
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
Identification des processus
Système du premier ordre :
Avec les valeurs de K et T, nous pouvons simuler notre
modèle et voir s’il correspond à la sortie de notre
système.
Exemples :
Identification des processus
Système du premier ordre :
Modèle : 1 p
G (p ) K
1 b p
De la détermination de b,
on en déduit puis .
Identification des processus
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.
Identification des processus
Système du premier ordre : Modèle de BROIDA
En pratique :
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
Identification des processus
5 – Du calcul de Tu / Ta, on
détermine l’ordre du système.
On choisit toujours l’ordre le
plus faible
Exercice :
On mesure K = 5, Tu = 10.5 s et Ta = 30 s
Donner le modèle de G(p)
Identification des processus
Identification des systèmes évolutifs
Systèmes de type intégrateur
Le modèle est :
K
G (p )
p
K = pente
Identification des processus
Systèmes de type premier ordre avec intégrateur
Le modèle est :
K
G (p )
p ( 1Tp )
K = pente
T = intersection de
l’asymptote avec
l’axe des abscisses.
Identification des processus
Systèmes de type nième ordre avec intégrateur
Le modèle est :
K
G (p )
p ( 1Tp )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.
Identification des processus
Systèmes de type nième ordre avec intégrateur
T = T0 / n
Identification des processus
Exercice : On considère un générateur de vapeur.
y = hauteur d’eau dans le ballon
Qe = débit d’eau à l’entrée
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
Identification des processus
1 - Un 2ème essai d’identification nous donne la réponse
indicielle suivante :
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 déduit l’ordre « n » à partir du tableau qui va suivre (on choisit la plus proche
valeur inférieur au rapport ).
Du coup:
2. Système avec intégrateur (système non stable) .
La fonction de transfert est donc de la forme
On a le tableau suivant
• .
• .
• .
Posant
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:
Où:
•
•
Exemple
Considérons la fonction de transfert
Alors
Alors
Comparaison entre la réponse indicielle réelle du système et celle approché par
Strejc
Identification en boucle fermée
• Broïda
• Strejc
• Broïda
• Strejc
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 :
Calcul
Régulateur
Procédure d’identification
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.
Méthodes d’identification
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)).
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) kets
G(s)
U(s) (1Ts)n
Méthode de Strejc
u(t)
u(t)
u(t) y(t)
Système
y(t)
yc + e u G(s) k y
kp (1ts)n
-
Identification en boucle fermée
k 0 cosn( ) T 1 artg
n w0 n
Identification en boucle fermée
Méthode de Broïda
ts
yc + e u G(s) ke y
kp 1Ts
-
44
Approche graphique
Variable Y
Mi
Mi un des N points
yi de
coordonnées (xi , yi)
xi Variable X
46
Nuage de points
Variable Y
Variable X
47
Droite d’ajustement
Variable Y
Variable X
48
Principe des MCO
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
i N
2
Minimiser ei
i 1
51
Le programme
i N 2
Minimiser yi a xi b
i 1
52
La solution
sX
- l’ordonnée à l’origine
ˆ
b Y aˆX
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
b ---- ordonnée à
l’origine de la droite
X Variable X
56
Exercice – Etape 1
57
Etape 2
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
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
Y1 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
60
Etape 5
61
Etape 6
aˆ i 1
N s XY2
1 sX
N x i 1
i
2 X 2
bˆ Y aˆ X
Solution pour l’exercice :
10 y = 1,0349 x - 2,3656
0
0 2 4 6 8 10 12 14
Variable X
65
Etape 10
r s XY DOMAINE 1 r 1
sX sY
Solution pour l’exercice :
r 7,70 0,98
2,73 2,87 r 0,98
66
Etape 11
s s s
2
Y
2
Yˆ
2
e
s s s
2 2 2 s 2
0Y2 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
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
X
74
Etape 17
75
Etape 18
76
Etape 19
Le rapport de corrélation de X en Y
X2 0 , 97
Y
Le coefficient de corrélation
r 0,98
77
Etape 20
X = a’ Y + b’
La pente aˆ ' 0 , 93 L’ordonnée à l’origine bˆ ' 2,470
79