Академический Документы
Профессиональный Документы
Культура Документы
Master (LMD)
Spécialité : AUTOMATIQUE ET SYSTEMES
Filière : AUTOMATIQUE
Intitulé :
Présenté par :
Briki Bechar
Senouci Abderrahmane
Soutenu le 28/06/2018
Promotion 2017-2018
Remerciements
A tous mes amis et à toutes les personnes qui m’ont aidée à réaliser
ce travail.
Figure IV.1. les courbe de simulation de l’observateur à mode glissant dans haute vitesse
150(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une
variartion de l’inductance statorique Ls de -15 % et -25% .................................... ……83
69
Figure IV.2. les courbe de simulation de l’observateur à mode glissant dans base vitesse
10(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une
variartion de l’inductance statorique Ls de -15 % et -25% …………………………….84
71
Figure IV.3. les courbe de simulation de l’observateur à mode glissant dans haute vitesse
150(rad/s) ,et une application de la charge Cr=10 (N.m) a l’instant 1(s)
avec une variation de M -5 % à -10%.......................................................................
73
Figure IV.4. les courbe de simulation de l’observateur à mode glissant dans base vitesse
10(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec
une variation de M de -5% à-10%........................................................................................85
75
Figure IV.5. les courbe de simulation de l’observateur à mode glissant dans haute
vitesse 150(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s)
avec une variation de J de +50% à+100% …………………………………………………..
77
Figure IV.6: les courbe de simulation de l’observateur à mode glissant dans bases
vitesse 10(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une
variation de la J de +50% à +100%............................................................................. 79
Figure IV .7: les courbe de simulation de l’observateur à mode glissant dans haute vitesse
150(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une
variartion de l’inductance rotorique Lr de -15 % à -25% ………………………………….81
Figure IV .8: les courbe de simulation de l’observateur à mode glissant dans base vitesse
10(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une variation
de la l’inductance rotorique Lr de -15 % à -25%...................................................... 83
Figure IV .9: les courbe de simulation de l’observateur à mode glissant dans haute vitesse
150(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une
variation de la résistance rotorique Rr de +50 % à +100%.............................................. 85
Figure IV .16: les courbe de simulation de l’observateur à mode glissant dans base vitesse
10(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une variartion
de la résistance rotorique Rr de +50 % à +100%........................................................ 87
Abréviation
AO : Observateur adaptatif
BMI : Inégalité matricielle bilinéaire
FD : Détection de défaut
FDI : Détection et l’isolation de défaut
FE : Estimation des défauts
FI : l’isolation De défaut
LMI : Inégalité matricielle linéaire
SMO : Observateur en mode glissant
Schur : le lemme de Schur est un lemme technique utilisé particulièrement dans la théorie
de la représentation des groupes.
Il a été démontré en 1907 par Issai Schur dans le cadre de ses travaux sur la théorie
des représentations d'un groupe fini
▪ Introduction générale
INTRODUCTION GENERALE
En raison d’une modernisation incessante des outils de production, les systèmes industriels
deviennent de plus en plus complexes et sophistiqués. En parallèle, une demande accrue de
fiabilité, de disponibilité, de reconfigurabilité et de sûreté de fonctionnement des systèmes sont
devenus de véritables enjeux du troisième millénaire. L’Automatique, qui repose sur une notion
de système représentant un ensemble d’éléments formant un tout structuré, a permis à l’homme
de développer des méthodes de supervision telles le diagnostic et la commande tolérante aux
défauts des systèmes.
Le fait de pouvoir effectuer en temps réel un diagnostic de l’outil de production peut
également contribuer à prévoir et éviter des pannes voire des casses matérielles, aux graves
conséquences sécuritaires ou économiques. Cela permet donc l’amélioration de la production par
minimisation des arrêts ainsi que leurs durées.
La mesure de toutes les grandeurs (variables) d’un procédé physique est souvent
primordiale afin de mettre en œuvre des stratégies de commande par retour d’état par
exemple, ou bien des stratégies de surveillance et de diagnostic de défauts. Cependant, pour
des raisons techniques ou économiques (difficulté d’implémentation ou coût élevé des
capteurs) il n’est pas toujours possible d’accéder à toutes les variables d’état représentant ces
grandeurs, d’où la nécessité de faire recours à un système dynamique auxiliaire, appelé
observateur, qui est chargé d’estimer l’état du système. De manière générale, la synthèse de
l’observateur exploite les informations disponibles sur le système réel, à savoir, le modèle
dynamique du système, ses entrées et ses sorties mesurées. Dans le cas linéaire, le problème
de synthèse d’observateurs est bien maitrisé. Les solutions apportées telles que l’observateur
de Luenberger [1] ou le filtre de Kalman [2] permettent de répondre à toutes les situations.
Cependant, le problème d’estimation d’état des systèmes non linéaires reste sans solution
dans un grand nombre de cas et cela, malgré les nombreuses méthodes proposées dans ce
sens. En effet, les systèmes non linéaires ont des représentations d’état très variées, qui
exploitent la structure et les propriétés de la fonction non linéaire qui intervient dans le
modèle du système. Il semble donc difficile a priori, étant donné l’état des travaux actuels, de
trouver une théorie générale sur l’estimation d’état non linéaire, qui unifierait les approches
déjà établies. La technique d’observations basée sur les modes glissants permet la synthèse
d’observateurs pour de nombreuses classes de systèmes non linéaires tel que les systèmes
Lipchitziens [3], les systèmes à forme triangulaire [4] et même, sous certaines conditions, les
systèmes à fortes non linéarités [5]. L’utilisation des observateurs à mode glissant pour les
systèmes non linéaires est motivée par leur robustesse aux incertitudes paramétriques. Un
autre observateur très répandu dans la littérature est l’observateur adaptatif, ce dernier est
utilisé généralement lorsque les paramètres du système ne sont pas tous connus. Il permet
d’estimer conjointement les paramètres et les états du système [6], [7].
1
▪ Le diagnostic et les types des observateur Chapitre I
I-1 Le diagnostic
I-1-1 Introduction :
Le diagnostic est exprimé par les états des composants [8] ou les états des relations de
description du comportement. Donc le diagnostic est la détermination et la localisation les
type des défauts, Et c’est un d’aide à la décision qui permet de localiser les composants ou les
organes défaillants d’un système et éventuellement de déterminer ses causes. En parcourant la
littérature, on se rend compte immédiatement que la terminologie dans ce domaine n’est pas
cohérente. Afin d’enlever toutes ambigüités, le comité technique SAFEPROCESS de l’IFAC
(International Fédération of Automatique Control) ont essayé de standardiser cette
terminologie.
Le diagnostic à base d’observateurs est une technique ayant fait l’objet de très nombreux
développements. Celle-ci consiste, sur la base d’un modèle de bon fonctionnement d’un
système à effectuer une estimation d’état à partir de la connaissance des entrées et des sorties
du système et à utiliser l’erreur d’estimation de la sortie comme résidu. En fonctionnement
normal, ce résidu doit être sensiblement nul (aux erreurs de modélisation et aux erreurs de
mesures prés) et s’écarter significativement de zéro lors de l’occurrence d’un défaut (défauts
de capteurs ou d’actionneurs) sur le système. La détection de l’occurrence des défauts est en
général assez aisée en revanche, sa localisation (la d´détermination de la grandeur d’entrée ou
de sortie sur laquelle il est intervenu) est plus délicate.
▪ Une anomalie : est une particularité non conforme à la loi naturelle ou logique.
▪ Une panne : est l’inaptitude d’un dispositif à accomplir une fonction requise. Une panne
résulte toujours d’une défaillance.
▪ Un défaut : est une anomalie de comportement au sein du système. Ce concept est
important dans les opérations de surveillance pour la conduite et la maintenance des
processus industriels. Tout écart entre la caractéristique observée et la caractéristique de
référence est considéré comme étant un défaut. Il est donc clair qu’une défaillance conduit
à un défaut. Mais un défaut n’induit pas nécessairement une défaillance. En effet, le
dispositif peut conserver son aptitude à accomplir sa tâche principale si les défauts n’ont
pas d’impacts sur cette tâche. L’art du diagnostic consiste à détecter de façon précoce un
défaut avant qu’il ne conduise à un état de défaillance donc de panne.
2
▪ Le diagnostic et les types des observateur Chapitre I
▪ Une défaillance : est une anomalie altérante ou empêchant l’aptitude d’une unité
fonctionnelle à accomplir la fonction souhaitée. Une défaillance correspond à un passage
d’un état à un autre, par opposition à une panne qui est un état. Par abus de langage, cet
état de panne on pourra l’appeler mode de défaillance. Une perturbation consiste en tout
phénomène conçu comme normal influençant un processus, non ou mal, représenté par un
modèle de référence.
▪ Un résidu : est un signal conçu pour être un indicateur d’anomalies fonctionnelles ou
comportementales, sensiblement nul en absence de défauts et non nul en leur présence.
▪ Un symptôme : est un caractère distinctif d’un état fonctionnel ou comportemental anormal.
▪ Le diagnostic : consiste à déterminer le type, la taille, le lieu et l'instant d’occurrence d’un
défaut, il suit la détection de défauts et inclut l'isolation et l'identification.
▪ La surveillance : est une tâche continue, réalisée en temps réel, qui permet de déterminer
l’état d’un système physique, elle consiste en l'enregistrement des informations ainsi qu'en
la reconnaissance et l'indication des anomalies du comportement.
▪ La sensibilité : représente la capacité d’un système de diagnostic à générer des résidus
sensibles aux défauts à détecter. Ces défauts sont généralement caractérisés par une
certaine amplitude.
▪ La supervision : est la surveillance d'un système physique et la prise de décisions
appropriées en vue de maintenir son opération lors de l'apparition de défauts.
I-1-3 Les étapes du diagnostic :
Acquisition de donnés
Perception du système
Détection de défauts
Module de
diagnostic
Localisation de défauts
Identification de défauts
3
▪ Le diagnostic et les types des observateur Chapitre I
Selon que l’on dispose, ou pas, d’un modèle mathématique représentatif du système, les
méthodes de diagnostic se répartissent en deux grandes classes. Dans le premier cas, on
utilise des redondances d’informations et la connaissance fournie par le modèle
mathématique pour caractériser le mode de fonctionnement ou l’état du système, puis décider
s’il est normal ou anormal. Dans le deuxième cas, c’est l’analyse des données fournies par le
système qui permet de décider de son état.
Les méthodes les plus familières aux automaticiens sont les méthodes basées sur l’utilisation
de modèles mathématiques. Celles-ci utilisent la redondance existante entre les différentes
variables mesurées en termes de relations statiques ou dynamiques.
Dans l’étude qui suit, il sera question de présenter les différentes méthodes de détection et
d’isolation des défauts. L’intérêt portera surtout sur les méthodes à base de modèle
mathématique.
Le traitement et l’analyse d’un signal peuvent être parfois utiles dans le domaine de
diagnostic en effet, La mesure d’un signal indique des oscillations qui peuvent être
harmoniques, de nature stochastique ou les deux simultanément. La variation de ces signaux
peut être reliée aux défauts.
Ainsi, d’une manière générale, on peut déterminer les caractéristiques d’un signal relatif à un
défaut en déterminant par exemple son amplitude. Il existe toutefois d’autres possibilités qui
consistent à déterminer les fonctions d’auto corrélation, les transformées de Fourier ou la
densité spectrale.
4
▪ Le diagnostic et les types des observateur Chapitre I
Ces méthodes reposent sur l’estimation de l’état, des paramètres ou de l’espace de parité en
utilisant des modèles mathématiques du système décrivant le comportement du système. Si
l’écart entre ces modèles et les variables du système dépasse un certain seuil, une défaillance
est alors détectée. A ce moment, un résidu sera généré et comparé avec toutes les signatures
des défauts connues, afin d’isoler et d’identifier la défaillance. Parmi les différentes méthodes
de détection et de diagnostic utilisant des modèles mathématiques, nous trouvons
principalement celles utilisant l’espace de parité, l’estimation paramétrique et celle à base
d’observateurs.
Selon le type du modèle (qualitatif et/ou quantitatif), on peut distinguer deux branches de
méthodes : les méthodes quantitatives issues de la communauté FDI (Faut Détection and
Isolation) et les méthodes qualitatives issues des communautés intelligence artificielle. La
dissociation entre les méthodes qualitatives et les méthodes quantitatives n’implique pas que
ces deux aspects sont disjoints. En réalité, ces deux types d’approche peuvent coexister au
sein d’une même méthode de diagnostic.
Cette méthode est utilisable à la fois dans le cas des systèmes déterministes et dans le cas des
systèmes stochastiques. Elle s’appuie sur l’élaboration de signaux permettant de tester la
cohérence des mesures par rapport à leurs valeurs calculées à l’aide d’un modèle (on parle
aussi de consistance des mesures, de leur parité). D’un point de vue général, la méthode
consiste à vérifier les relations algébriques entrées/sorties du modèle en utilisant les mesures
réelles. Pour cela, les signaux recueillis sur le système sont injectés dans les relations
entrées/sorties et les signaux ainsi créés sont utilisés comme résidus. La méthode a été
5
▪ Le diagnostic et les types des observateur Chapitre I
développée au début pour le cas statique, puis elle été généralisée plus tard pour cas des
systèmes dynamiques. Cette généralisation utilise la redondance temporelle, c’est à- dire des
relations faisant intervenir les valeurs des sorties des capteurs et les entrées des actionneurs à
différents instants. Enfin, la redondance fréquentielle est également utilisée.
Quand la structure du modèle est connue la détection et la localisation des défauts peuvent
être effectuées en utilisant des techniques d’identification. L’idée de base consiste à estimer
les paramètres du système en temps réel et de les comparer aux paramètres non affectés par
les défauts. Pour cela on doit établir un modèle mathématique du système à diagnostiquer et
décrire toutes les relations qui existe entre les constantes physiques et les paramètres du
modèle, puis estimer les paramètres du système ainsi que ceux du modèle à partir des entrées
et sorties du système. Le vecteur de résidus est obtenu en faisant la différence entre les
grandeurs estimées et les valeurs nominales.
Cette approche s’appuie sur une bonne connaissance du modèle et de ses paramètres, et
nécessite l’intégration des diverses relations qui, contrairement aux relations de parité, sont
différentielles. Le diagnostic de défaut à base d’observateurs est basé sur le principe de
génération de résidus en comparant les grandeurs disponibles du système réel aux grandeurs
estimées (issues de l’observateur). L’état du système est reconstruit en se recalant à l’aide de
certaines mesures, le gain de l’estimateur dépendant des objectifs et des performances
désirées. Dans le cas des systèmes linéaires, la structure de base des reconstructeurs est
toujours la même, un modèle parallèle corrigé à l’à l’aide de l’erreur d’estimation multipliée
par un gain adéquat, mais dans le cas non linéaires le problème s’avère difficile.
-En diagnostic, la construction d’observateur est beaucoup plus complexe que ce qu’il en
est dans le cas de commande dans la mesure où les paramètres d’observateurs jouent un rôle
aussi sur la manière dont les défauts vont affecter les résidus. En plus d’assurer la stabilité,
ces paramètres doivent permettre de structurer les résidus afin de localiser les défauts.
Cependant, pour ce type de stratégie, si une anomalie apparaît, elle affecte en général toutes
les composantes du vecteur résidus ; de ce fait, le problème de localisation est plus complexe
que ce qu’il en est dans le cadre de l’espace de parité. Pour résoudre ce problème, une
6
▪ Le diagnostic et les types des observateur Chapitre I
solution consiste à construire des bancs d’observateurs où chacun d’entre eux surveille un
défaut.
L’étape de détection est très importante dans le processus de diagnostic des systèmes. Si cette
étape n'est pas correctement réalisée, des défauts peuvent être mal ou pas détectés ou que des
fausses alarmes peuvent apparaître. L'efficacité de la détection passe aussi par sa robustesse
face aux incertitudes du modèle.
Certains phénomènes physiques peuvent ne pas être décrits par des modèles suffisamment
précis et ces erreurs de modélisation risquent de fausser les décisions à prendre quant à
l’existence ou non d'un défaut. De plus, les paramètres peuvent varier au cours du temps, les
caractéristiques des perturbations et des bruits sont inconnues ce qui fait que, même dans le
cas d'un fonctionnement normal, les résidus générés à partir de ce modèle ne sont pas nuls.
Les décisions prises à partir de ces résidus peuvent conduire à des fausses alarmes voire à des
mauvaises détections.
La notion de robustesse a été introduite très tôt dans la littérature du diagnostic par de
nombreux auteurs et devient ensuite un des thèmes centraux dans les travaux concernant le
diagnostic. Patton et al [9] définissent la robustesse d'un système de diagnostic comme un
degré pour lequel, les performances du système de diagnostic ne sont pas affectées par des
conditions opératoires différentes de celles supposées, a priori, lors de la conception.
La robustesse apparaît donc, comme le rapport entre une sensibilité maximale vis-à-vis du
défaut recherché et une sensibilité minimale vis-à-vis des autres défaillances (variations de
paramètres modification de structure, bruits, ...). Un système de diagnostic robuste, est donc
7
▪ Le diagnostic et les types des observateur Chapitre I
un système qui maximisera les effets des défaillances, afin de permettre un niveau de
performance du diagnostic identique quelles que soient les conditions opératoires.
Le diagnostic détermine comment une faute affecte les sorties du processus. Dans l’approche
FDI décrite auparavant, la détection d’erreur et le diagnostic de faute(s) regroupent trois
étapes :
Processus
Défauts réel Modèle
Capteurs
Comportemen
t de référence
Comporteme
nt
réel
- +
Erreur 1. détection
Est-ce réellement
Alarme Détection une faute ?
2. Localisation
Cahier des Décision Quelle est les
charges composant
Le composant défectueux ?
défectueux
3. Diagnostic
Type de défaut Diagnostic Quel type de
défauts ?
Figure I-2 : Principe du diagnostic
8
▪ Le diagnostic et les types des observateur Chapitre I
I-2-1 Introduction :
Partout, l’homme rencontre dans sa vie plusieurs opérations qui sont trop répétitives et
dénuées d’intérêt (exemple tri de courrier) ou trop complexes, pénibles ou délicates, qui ne
peuvent pas être confiées à lui (exemple régulation de la fréquence du réseau électrique, radar
et poursuite automatique). Pour ces raisons, il fallait substituer la machine à l’homme dans de
telles opérations. Cette machine doit être conçue pour assurer des tâches avec une intervention
minimale de l’homme ou même sans aucune intervention. On dit qu’on est devant un
problème d’automatisation des systèmes. Automatiser un système, c’est le transformer en vue
d’y réduire ou d’y supprimer toute intervention de l’être humain et toute influence indésirable
de tout autre élément externe.
9
▪ Le diagnostic et les types des observateur Chapitre I
L’automatique est une science qui fournit la théorie et les méthodes pour concevoir et réaliser
les commandes automatiques des systèmes ou procédés. Ainsi, un système automatique est
capable de fonctionner d’une manière autonome.
Un système est une modélisation d’un procédé en fonctionnement. Il possède une ou plusieurs
entrées, et une ou plusieurs sorties.
Il existe une infinité d'exemples de systèmes : des systèmes mécaniques, des systèmes
électriques ou des procédés chimiques. Systèmes à temps continu, à temps discret. Systèmes
monovariables et multivariables. Systèmes linéaires ou non linéaires.
Ensuite nous parlerons de la théorie de l’observation qui est nécessaire dans le cas du contrôle
linéaire et non linéaire. On verra en premier lieu, l’approche par l’observateur standard (type
Luenberger).
On dit qu’un système est linéaire si la sortie est linéaire par rapport à l’entrée. Aucun système
n’est strictement linéaire, ne serait-ce que par les saturations (butées physiques, par exemple)
qu’il comporte. Inversement, un système non linéaire peut parfois être considéré comme
linéaire dans une certaine plage d’utilisation. Il faut toujours garder à l’esprit que le système
sur lequel on peut travailler n’est qu’un modèle mathématique de la réalité, et que par
conséquent, il y a une perte d’information lors du passage au modèle. Bien sûr, il incombe à
l’ingénieur de juger la pertinence de son modèle vis-à-vis des objectifs fixés.
Un estimateur est défini comme un système dynamique dans lequel ses grandeurs d’état sont
des estimations des variables d’état d’un autre système, par exemple, une machine électrique.
Principalement, il y a deux façons de réaliser un estimateur : en boucle ouverte ou en boucle
fermée. La différence entre ces deux méthodes est basée sur l’existence, ou non, d’un terme
de correction, lié à l’erreur d’estimation, utilisé pour affiner la réponse de l’estimateur. Un
estimateur en boucle fermée est connu sous le nom d’observateur.
Les estimateurs, de par leur principe, sont sensibles aux variations paramétriques.
L’utilisation d’un observateur améliore la robustesse des estimations vis-à-vis des variations
paramétriques et des bruits de mesure. La performance d’un observateur est liée souvent à une
10
▪ Le diagnostic et les types des observateur Chapitre I
Le principe de base de l’approche par observateur est de reconstruire l’état d’un système à
partir des mesures de celui-ci, utilisant l’erreur d’estimation comme un résidu qui va
permettre la détection et l’isolation des défauts. Ce résidu nous permettra de nous informer sur
la fiabilité des capteurs, actionnaires et sur l’état du système.
Un observateur d’état est aussi un système ayant pour entrées, les entrées et les sorties du
processus, et dont la sortie donne une estimation de l’état de ce même processus. La théorie
de l’observateur d’état déterministe a été introduite dans les années soixante par
LUENBERGER [11]. Pour les systèmes linéaires. KALMAN a également formulé un
observateur en considérant un système linéaire stochastique. Pour les systèmes non linéaires,
l’observation reste un domaine où la recherche est très active, mais l’utilisation la plus
commune est l’emploi d’un filtrage de KALMAN étendu (EKF).
On utilise la notation « chapeau » pour exprimer une estimation. Si représente l’état réel du
système non mesuré, représente l’estimation de l’état faite par l’observateur.
11
▪ Le diagnostic et les types des observateur Chapitre I
𝑼 𝑿 𝒀𝒀
Système Capteur
̂
𝑿
Observateur
Figure I-3 : Schéma d’un système avec observateur
Il est souvent difficile, pour des raisons économiques ou technologiques, de mesurer les
grandeurs nécessaires à la commande d’un système. Cette problématique a été abordée
conjointement par Luenberger[11,12], Kalman[13] qui ont proposé respectivement
l’observateur de Luenberger et le filtre de Kalman. Les estimateurs sont naturellement simples
par rapport à un observateur ; le choix entre ces deux approches dépend de l’influence des
erreurs d’estimation sur l’algorithme de commande. Un autre élément de choix peut être
orienté par la nature du système à commander. L’observateur de Luenberger est plus
approprié pour les systèmes déterministes où les mesures ne sont pas bruitées. Par contre, Si
le processus est entaché de bruits, et interviennent des phénomènes aléatoires, une approche
stochastique via un observateur de Kalman, est adéquate.
Ce type d'observateur a été proposé par David G. Luenberger en 1966, dans le cas général ; le
cas d'une seule sortie, ayant été publié dès 1964.
Cette méthode suppose connaître avec une très bonne précision les coefficients du système,
car les valeurs propres sont très sensibles aux variations des coefficients du polynôme
caractéristique.
12
▪ Le diagnostic et les types des observateur Chapitre I
Avec 𝑥 ∈ 𝑅 𝑛 et 𝑦 ∈ 𝑅 𝑝
Le principe de reconstruction d’un observateur consiste à estimer l’état tout en tenant compte
de la correction de l’estimation suite aux perturbations (utilisation du gain k).
Il faudra choisir K tel que les valeurs propres de la matrice 𝐴̅ soient toutes à partie réelle
strictement négative.
13
▪ Le diagnostic et les types des observateur Chapitre I
Ceci rend l’observateur très sensible aux perturbations. Il faut trouver un bon compromis
entre stabilité et précision. Dans un système linéaire, l’observabilité se détermine
classiquement par une condition de Rang. Cette condition a pour but de fixer arbitrairement
les valeurs propres de 𝐴̅ tel que la paire (A, C) soit observable,
𝑒̇ = (𝐴 + 𝐾𝐶)𝑒 ( 𝐈. 4)
On remarque que cette dynamique ne dépend pas de l’entrée, et qu’elle peut être réglée
arbitrairement par le théorème de placement de pôles et qu’elle utilise le fait que la matrice
d’observation soit de rang plein. Cette hypothèse n’est pas restrictive car il suffit alors
d’éliminer les composantes de la sortie redondante. Un système est dit observable si une
application entrée-sortie sur ce système est inversible [11].
𝐶 𝐶
𝑑𝑒𝑡 [ 𝐶𝐴 ] ≠ 0 ⟹ 𝑟𝑎𝑛𝑔 [ 𝐶𝐴 ] = 𝑛
𝐶𝐴𝑛−1 𝐶𝐴𝑛−1
Pour pouvoir reconstruire complètement l’état, il faut que le système soit complètement
observable.
𝑧𝐼𝑛 𝐴
C’est à dire 𝑟𝑎𝑛𝑔 [ ]=𝑛 ∀|𝑧| ≥ 1
𝐶
Ou, il n'est pas suffisant d'avoir un processus qui converge, il faut que celui-ci le fasse assez
vite, pour pouvoir disposer à temps d'une évaluation correcte de l'état, mais pas trop, de
manière à avoir un résultat peu sensible au bruit. Le choix des valeurs est donc le résultat d'un
compromis délicat, qui devient très aléatoire si les valeurs des coefficients sont trop
incertaines.
14
▪ Le diagnostic et les types des observateur Chapitre I
Le filtre de KALMAN est un filtre à réponse impulsionnelle infinie qui estime les états d’un
système dynamique à partir d’une série de mesures incomplètes ou bruitées.
Soit le système linéaire suivant :
̇
{𝑋 = 𝐴𝑋 + 𝐵𝑈 (𝐈. 5)
𝑌 = 𝐶𝑋
̇
Un observateur dynamique a la forme suivante :𝑥̂(𝑡)
̂̇ ̂ ̂
{𝑋 = 𝐴𝑋 + 𝐵𝑈 + 𝐿(𝑌 − 𝑌) (𝐈. 6)
𝑌̂ = 𝐶𝑋̂
On vient de corriger l’évolution de l’état grâce au modèle en fonction de l’écart constaté entre
la sortie observée et la sortie reconstruite par l’observateur : (𝑌 − 𝑌̂)
La matrice L est appelée matrice de gain et doit être choisie de manière à ce que l’erreur sur
l’état converge vers 0, soit 𝑋̂̇ = 𝑋̂ − 𝑋 .Pour cela, il suffit de choisir L telle que la matrice
(𝐴 − 𝐿𝐶) Soit une matrice Hurwitz, c’est-à-dire que ses valeurs propres soient à parties
réelles négatives dans le cas continu ou qu’elles possèdent un module inférieur à 1 dans le cas
discret.
I-2-7-3 Commande par retour d’état reconstruit par un observateur de KALMAN [11] :
15
▪ Le diagnostic et les types des observateur Chapitre I
̇ ̂̇ ̂ ̂
{𝑋 = 𝐴𝑋 + 𝐵𝑈 {𝑋 = 𝐴𝑋 + 𝐵𝑈 + 𝐿(𝑌 − 𝑌) (𝐈. 8)
𝑌 = 𝐶𝑋 𝑌̂ = 𝐶𝑋̂
𝑋̇ = 𝐴𝑋 − 𝐵𝐾𝑋̂
{ ̇ (𝐈. 9)
𝑋̂ = (𝐴 − 𝐵𝐾)𝑋̂ + 𝐿(𝑌 − 𝐶𝑋̂)
𝑌̂(𝑡) = 𝐶𝑋̂(𝑡)
Le gain K est obtenu en plaçant des pôles « complexes et à partie réelle négative » pour
l’observateur de Luenberger et en minimisant la variance de l’erreur d’estimation pour le filtre
Kalman.
𝑋̇ 𝐴 − 𝐵𝐾 𝐵𝐾 𝑋
( ̇) = [ ] ( ̂) (𝐈. 10)
𝑋̂ 0 𝐴 − 𝐿𝐶 𝑋
Cette matrice est triangulaire par blocs. La synthèse d’un système commandé par un retour
d’état, reconstruit par un observateur, est particulièrement simple pour les systèmes linéaires
invariants, puisqu’on peut synthétiser les deux fonctions séparément [14].
16
▪ Le diagnostic et les types des observateur Chapitre I
𝜏 𝑋 𝑌
Système Capteurs
Contrôleur
Observateur
𝑋̇
Commande
Consigne
Figure I-4 : Schéma d’un système commandé par un retour d’état reconstruit par un
observateur [15].
Quelques remarques :
• Pour le placement de pôles, on a tout intérêt à ce que l’observateur soit plus rapide que
le système dynamique, de façon à poursuivre le système en question. Ainsi il faudra
que l’abscisse spectrale de l’observateur soit plus négative que celle du système
commandé.
• Du fait de sa nature dynamique (intégration des signaux de mesure), l’observateur est
également utilisé en traitement du signal pour filtrer des mesures. C’est dans ce
contexte que KALMAN a publié le filtre qui porte désormais son nom.
• L’abscisse spectrale ne doit pas être trop négative, pour limiter la sensibilité au bruit
de l’observateur. En pratique, on utilise des valeurs comprises entre 2 et 5 fois celles
de l’abscisse spectrale du système commandé [15].
• Une commande fondée sur un retour d’état reconstruit n’est pas robuste aux erreurs de
modélisation. Ce fait est assez intuitif car on passe par une approche basée modèle
pour reconstruire notre état, donc la précision de l’état reconstruit dépend de la
pertinence du modèle utilisé.
17
▪ Le diagnostic et les types des observateur Chapitre I
Il est maintenant bien connu que sous certaines conditions, nous pouvons effectuer la
linéarisation d’un système, au voisinage d’un point (ou d’une sous variété) d’équilibre, par un
difféomorphisme, un retour d’état ou une injection de sortie et procéder à la synthèse d’un
observateur. De même, nous savons que les conditions nécessaires et suffisantes pour qu’un
système soit linéarisable sont très restrictives.
I-2-8 Les systèmes non linéaires [16], [17] :
Un système non linéaire est totalement différent des systèmes linéaires. En effet, aucune
propriété des systèmes linéaires (le principe de superposition ; …) n’est vraie dans le cas non
linéaire. Ainsi pour le cas non linéaire, on parle du bassin d’attraction du point d’équilibre, et
des cycles limites qu’on ne retrouve pas dans le cas linéaire.
𝑛
𝑥̇ (𝑡) = 𝑓(𝑥(𝑡)) + Σ𝑖=1 𝑢𝑖 (𝑡)𝑔𝑖 (𝑥(𝑡))
{ (𝐈. 10)
𝑦(𝑡) = ℎ(𝑥(𝑡))
Où x(t) est le vecteur d’état, u(t) le vecteur de commande, y(t) le vecteur de sortie ou de
mesures
Un observateur a pour but d’estimer l’état. Ceci suppose que la connaissance des fonctions
d’entrée et de sortie sur un intervalle de temps [0,t[ , t>0 avec permet de discerner tout couple
d’états initiaux. La notion d’observabilité pour les systèmes non linéaires est totalement
différente de celle des systèmes linéaires. En effet, l’observabilité des systèmes non-linéaires
dépend de l’entrée appliquée au système, et des états initiaux.
18
▪ Le diagnostic et les types des observateur Chapitre I
Observateur
I-2-8-2 Les observateurs classiques pour les systèmes non linéaires [18] :
19
▪ Le diagnostic et les types des observateur Chapitre I
0 𝜆 max[𝑆(𝜃)]
∃𝜃 > > 2𝑘 𝑐𝑜𝑑𝑖𝑡𝑖𝑜𝑛 𝑑𝑒 𝑠𝑡𝑎𝑏𝑖𝑙𝑖𝑡é (𝐈. 14)
𝜃 𝜆 min[𝑆(𝜃)]
Alors l’observateur,
𝑥̂̇(𝑡) − 𝐴𝑥̂(𝑡) + 𝑓(𝑥̂(𝑡), 𝑢(𝑡)) − 𝑆 −1 (𝜃)𝐶 𝑇 [𝐶𝑥̂(𝑡) − 𝑦(𝑡)] est à convergence exponentielle.
Dans ce type d’observateur, si la condition de stabilité (H2) n’est pas vérifiée, il y a une seule
marge de manœuvre qui est de changer 𝜃 . Quand 𝜃 change alors la solution 𝑆(𝜃) change.
L’avantage de cet observateur est que nous avons moins de degré de liberté et une
considération d’une gamme de systèmes beaucoup plus large. Il existe un compromis entre la
qualité de la stabilité et sa vitesse de convergence (nous ne pouvons indéfiniment accélérer
une vitesse sans perdre le risque de déstabiliser l’erreur de convergence. Dans ce que nous
avons vu, la dynamique de l’observation nécessite la copie intégrale de la dynamique du
système considéré, de ce fait il y a le risque d’affecter les performances du système par la
présence d’incertitude soit structurelle (développement du modèle) ou paramétrique (erreur de
fonctionnement).
20
▪ Le diagnostic et les types des observateur Chapitre I
Pour cela que comme perspective il faut présenter un nouveau type d’observation qui tende à
minimiser l’influence des incertitudes sur les performances désirées. Il faut aussi qu’il soit
plus robuste par rapport aux autres observateurs.
Ce chapitre nous a permis de présenter les observateurs non linéaires pour reconstruire les
états des systèmes dynamiques. Nous avons ainsi présenté la synthèse de certains observateurs
à savoir l’observateur de Luenberger [20], les observateurs à erreur non linéaire, tel que
l’observateur de Thau [21], l’observateur de Hammami [19], l’observateur dans la forme
canonique observable, et celui de Gauthier [22]. Notons que tous ces observateurs ne prennent
pas en considération les incertitudes de modélisation, et les phénomènes perturbateurs.
I-3 CONCLUSION :
Dans ce chapitre nous avons établi d’une manière globale un état d’art sur le diagnostic de
défauts en présentant les principales méthodes de diagnostic. Les méthodes FDI à base
d’observateurs nécessitent de faire un bon choix d’observateurs et de structures de génération
résidus à utiliser. Ces choix dépendent à la fois de la nature du système à diagnostiquer
(linéaires ou non linéaires) et de type de défauts.
21
▪ La théorie de mode glissant Chapitre II
x = f ( x, t , u) (II.1)
Avec
⚫ x R n est l’état du système
⚫ u R m représente la commande du système
⚫ f :R Rn Rm → Rn
Alors pour tout point x R n admets une seule solution. Maintenant si la condition (II.2) n’est
pas satisfaite, l’étude du système (IV.1) d’une façon générale, sera très difficile, typiquement
c’est le cas des systèmes admettant des discontinuités.
Considérons le cas particulier ou f est donné par :
22
▪ La théorie de mode glissant Chapitre II
f + (t , x, u ) si s(t , x) 0
x = f (t , x, u ) = − (II.3)
f (t , x, u ) si s(t , x) 0
f + et f - Sont des champs de vecteurs complets dans R n (champ de vecteur dit complet si
toute solution du système x = x ( x) est bornée pour tout temps t bornée). ‘s’est une
surface de dimension (n-1). Elle divise l’espace en deux sous parties disjointes à savoir
s 0 et s 0.
Le système (IV.3) de par sa structure discontinue est dit « à structure variable »
La prise en compte des modèles discontinus à l’utilisation, lors d’un modèle certain des
commandes non régulières de type :
u + (t , x) si s(t , x) 0
u = i− i = 1,..., m (II.4)
u i (t , x) si s(t , x) 0
Définition II.1 :
On dit qu’il existe un régime glissant idéal sur ‘s’ s’il existe un temps fini ‘ t s ’ tel que la
s s
lim+ 0 et lim- 0 (II.5)
s →0 x s →0 x
23
▪ La théorie de mode glissant Chapitre II
Cette condition traduit le fait que dans un voisinage de la surface de glissement les vecteurs
vitesses des trajectoires du système doivent toujours être dirigées vers cette surface (figure.
IV.1)
s=0
f+
f−
24
▪ La théorie de mode glissant Chapitre II
x1
x1 s( x) = 0 u = u max
s=0
x2 x2
u = u min
s
Figure. II.2 surface de fréquence infinie Figure. II.3 surface de fréquence finie
Où la partie de côté droit f i sont des fonctions continues par morceaux présentant des
discontinuités sur une hypersurface notée ‘s’, l’équation :
s( x) = 0 avec x = ( x1 ,..., xn ) (II.8)
Les fonctions f i sont supposées définies dans un domaine G de l’espace des variables
25
▪ La théorie de mode glissant Chapitre II
→
N
G+
f −
f N− x s G -
f +
f N+
Théorème II.1 : Soit le système différentiel écrit sous la forme (II.1) satisfaisant la
condition
f i / x j K (i, j = 1,2,..., n)
K étant une constante arbitraire indépendante de t et de x, ces inégalités étant vérifiées pour
tout t dans le domaine G ( G + G - ). Soit une surface ‘s’ deux fois différentiable, chacune des
fonctions f N+ et f N- étant continue sur (t , x1 ,..., xn ) appartenant à ‘s’ et le vecteur
pour (II.7) et la propriété d’unicité et de dépendance continue de cette solution par rapport
aux conditions initiales sont vérifiées [13].
surface ‘s’ sera attractive au moins dans un petit voisinage de ‘s’, pour toute solution
x(t)de(II.7), puisque le vecteur vitesse est dirigé vers‘s’de chaque côté. On dit qu’on a un
régime glissant limite sur la surface ‘s’.
26
▪ La théorie de mode glissant Chapitre II
Supposons que la partie de côté droit de ce système possède une discontinuité qui se produit
sur la surface ‘s’ définie par :
s ( x1 ,..., xn ) = 0 (II.9)
La parties de la côté droite de cette expression n’est autre que le produit scalaire de la
normale orientée à la surface ‘s’ et du vecteur f.
Si les conditions du théorème précédent sont vérifiées, on déduit :
f N+ 0 s 0 et s 0
(II.11)
f N− 0 s 0 et s 0
D’où
f N+ 0 et f N- 0 ss 0 (II.12)
L’implication inverse est évidente et nous pouvons dire que les conditions
( f N+ 0 et f N- 0 ) et ( ss 0) sont équivalentes.
27
▪ La théorie de mode glissant Chapitre II
On suppose que le système est non perturbé, ces inégalités traduisent l’effet des erreurs de
modélisation.
On choisit une loi de commande de la forme u = Q tel que Q est une fonction de type relais
(
s = 2ξω − 2 − kQ + ω2 x1 )
Pour atteindre le régime glissant on choisit les deux valeurs de ‘u’ telle que :
u + = −Q + x1 si x1 s 0
u= −
u = −Q − x1 si x1 s 0
Ce qui impose :
( )
2ξ − λ 2 − ω2
Q + max k
(
2ξ − λ 2 − ω2
Q- min k
)
et
k k
28
▪ La théorie de mode glissant Chapitre II
u= T
l
θ
1
θ g g
= 2
u ml 2 1
s + c f s +
g
g 1 cf g
k= 2 = =
ml 2 g 2
En posant x = ( x1 , x2 ) et x2 = x1 ( = x1 et = e − x1 )
dx1
= x2
dt
= −2ξωx 2 − (kQ + ω 2 )x1
dx 2
dt
29
▪ La théorie de mode glissant Chapitre II
La synthèse des régimes dans la représentation des systèmes à structure variable par la
géométrie différentielle permet d’interpréter le problème du régime glissant :
Commande équivalente, condition de glissement, condition d’existence et condition
d’invariance du régime glissant par rapport aux perturbations.
u:Rn → R
Supposons que la fonction de commande subisse une discontinuité du premier ordre sur une
surface définie par une fonction continue :
s:x →R
Dont le gradient est non nul sur X. s = x R n : s( x) = 0 ‘ s’ représente une hypersurface
(variété de dimension (n-1) appelée surface de glissement).
u + ( x) si s( x) 0
u = - (II.14)
u ( x) si s( x) 0
La commande ‘u’ prend ainsi deux fonctions continues en x et possède une discontinuité sur
la surface de glissement ( u + u - ).
vecteur ‘h’.
L h s = s, h
Le régime glissant défini précédemment doit remplir la condition d’attraction :
Lim+ L f + g.U + s 0 et Lim− L f + g.U − s 0 (II.15)
S →0 S →0
30
▪ La théorie de mode glissant Chapitre II
Qui est équivalent dans le formalisme classique à " ss 0" ceci traduit le résultat suivant :
- La surface ‘s’ sépare l’espace G (espace des variables ( x1 , x2 ,..., xn ) ) en deux sous espace
f + g.U +
s=0
s
f + g.U −
( )
s 0 G+
( )
s 0 G−
s,f Lf s
ueq = − =− (II.18)
s,g Lg s
31
▪ La théorie de mode glissant Chapitre II
La dynamique du système commandé en régime glissant idéal est alors décrite par :
x = f + gu eq (x) (II.21)
Cette dynamique ne dépend que des coefficients de ‘s’ = 0, hypersurface sur la quelle se
trouve la trajectoire x(t) solution de l’équation :
x = f (x ) + g (x )u (II.22)
Du point de vue géométrique, la méthode de contrôle équivalent implique un
remplacement de la commande discontinue par la droite tangentielle qui est définie ou points
de l’intersection de la surface s( x) = 0 avec le vecteur f ( x, t , u) où u est la commande
scalaire changée de u − a u + .
x0
(
f x, t , u - )
u, t u eq
Plan tangentiel
x1
(
f x, t , u +
)
s( x) = 0
Lemme II.1 : Une condition nécessaire et suffisante pour définir une commande
équivalente est que la condition de transversalité :
s, g 0 (II.23)
32
▪ La théorie de mode glissant Chapitre II
Pour montrer l’unicité de la commande équivalente, non supposons, que les conditions
d’invariance (II.13) sont satisfaites pour deux commandes équivalentes u 1eq et u 2 eq et après
(II.13) on a :
Donc
Alors la condition de transversalité est vérifiée (lemme 1), on a forcément u1eq = u 2eq
Preuve : à partir des conditions d’existence du régime glissant sur ‘s’, données par (II.14) et
(II.15) on peut écrire :
L f + gu+ s = s, f + gu + 0
L f + gu − s = s, f + gu − 0
On déduit :
L f + gu + s - L f + gu − s = s, f + gu + − s, f + gu − 0
L (u + -u − ) g s = s, g (u + − u - ) 0
D’où
(u + - u - )L g s = (u + - u - ) s, g 0
33
▪ La théorie de mode glissant Chapitre II
Preuve : Supposons que le régime glissant existe localement sur, les inéquations (II.14) ce
qui donne :
s, f + gu + ( x) = s, f + u + ( x) s, g 0 (II-27)
D’ où
s, f
+ u + ( x) = −u eq ( x) + u − ( x) 0 u - ( x) u eq ( x) (II-30)
s, g
Donc :
u eq ( x) − u - ( x)
0 Weq ( x) = 1 (II-32)
u + ( x) − u - ( x)
signe contraire sur ‘s’. Comme l’orientation de ‘s’ est arbitraire, on peut toujours s’arranger à
avoir localement sur ‘s’ :
s, f + gu + ( x) 0 et s, f + gu − ( x) 0 (II-34)
34
▪ La théorie de mode glissant Chapitre II
u + ( x) si s( x) 0
u = - (II-35)
u ( x) si s( x) 0
Qui satisfait
La condition nécessaire locale du régime glissant (équation (II.26)) peut être exprimée par :
u min = min u + ( x), u - ( x) u eq max u + ( x), u - ( x) = u max (II-37)
Supposons qu’un mode de glissement existe sur ‘s’, alors une commutation possible est
donnée par :
u = k u eq ( x) sgn( s( x)) avec k0
Et supposons qu’il ne possède qu’une seule surface de discontinuité. Le but est alors de
déterminer l’expression du vecteur F0 assurant un mode glissant. Supposons en un premier
temps que le système est autonome. L’idée proposée par Filippov consiste à poser pour tout
x 0 de S( x) = 0
Où Fs+=0 et Fs-=0 sont les limites respectives des champs de vecteurs F + ( x) et F- ( x) quand x
35
▪ La théorie de mode glissant Chapitre II
+ -
En remplaçant dans (II.40), l’expression de F0 en fonction de Fs =0 et Fs =0 donnée par
s, Fs-=0
= (II-41)
s, (Fs-=0 − Fs+=0 )
s, Fs-=0 +
s, Fs+=0
x = +
F s =0 − +
Fs−=0 (II-42)
s, (F -
s =0 −F )
s =0 s, (F -
s =0 −F )s =0
Maintenant, si le système est non autonome (un système dit non autonome s’il dépend
explicitement du temps), un raisonnement analogue montre que le mode glissant est
gouverné par :
s, Fs-=0 +
s, Fs+=0 s 1
x = F −
s =0 Fs−=0 − (Fs−=0 − Fs+=0 ) (II-43)
s, (Fs-=0 − Fs+=0 ) s, (Fs-=0 − Fs+=0 ) t s, (Fs=0 − Fs=0 )
- +
Pour illustrer les concepts cités ci-dessus on considère le système du second ordre suivant :
x1 = x 2 − 1 sign( x1 )
(II-44)
x 2 = − 2 sign( x1 )
36
▪ La théorie de mode glissant Chapitre II
x2 − 1 0 si x1 0
(II-48)
x2 + 1 0 si x1 0
Les dynamiques sur le segment (II-45) sont alors obtenues en utilisant le concept de
résolution de Filippov, permettant de résoudre des équations différentielles dont le second
membre contient des fonctions discontinues. Ce concept dit que les dynamiques sur la surface
définissant la discontinuité ne peuvent être qu’une combinaison convexe (moyenne pondérée)
des dynamiques de chaque côté de la surface, soit ici :
x1 = v(x2 + λ1 ) + (1 − v ) (x2 − λ1 )
(II-50)
x2 = vλ2 + (1 − v ) (− λ2 )
sont assurées. L’invariance de x1 = 0 , soit x1 x1 0 , permet alors en posant x1 = 0 dans
(II-50) , de calculer v
1 x
v= 1 − 2 (II-51)
2 1
En substituant v (II-51) dans (II.50), on obtient les dynamiques sur le segment (II-45) soit :
2
x 2 = − (II-52)
1
Par conséquent, x 2 décroît exponentiellement jusqu’en zéro quand le segment (II-45) est
atteint, avec une constante de temps :
2
=
1
37
▪ La théorie de mode glissant Chapitre II
x
Reticenc
Trajectoir e
x d (t )
e
s=0
Figure. (II-8) : la caractéristique discontinue de la commande engendre un comportement
dynamique particulier au voisinage de la surface qui est communément
La réticence est le principal désavantage des modes glissants. De nombreuses études ont été
effectuées dans le but de réduire ou d'éliminer ce problème, par exemple : les solutions par
limitation de la condition de glissement, les solutions par observateur, etc. Dans cette section
nous allons d’écrire les techniques de limitation de la condition de glissement, car elles sont
les plus utilisées pour les applications en temps réel. Ces techniques sont basées sur la
définition d'une zone autour de la surface ‘s’à l'intérieur de laquelle une condition de
glissement moins stricte que la condition signe est appliquée. Ainsi, le terme sign(s) dans la
partie du glissement de la commande est souvent remplacé par un terme à variation plus
douce, par exemple :
38
▪ La théorie de mode glissant Chapitre II
u=tanh(s/ )
1
0.8
0.6
0.4
0.2
tanh(s/ )
0
-0.2
-0.4
-0.6
-0.8
-1
-10 -8 -6 -4 -2 0 2 4 6 8 10
s
39
▪ La théorie de mode glissant Chapitre II
Définition II.2 : Un système est localement stable, si la stabilité peut être garantie autour
d’une valeur particulière x s d’état.
Si l’équilibre x s est stable, il existe un petit domaine autour de ce point où le système est
stable ; mais la taille de ce domaine est inconnue et nous n’avons pas prouvé la stabilité du
domaine autour de l’état x s [2].
Définition II.3 : Une valeur particulière x e de l’état d’un système, appelée état
d’équilibre, est asymptotiquement stable si :
- il est stable
- il existe r>0 tel que
si x0 r alors lim x → 0
t →
40
▪ La théorie de mode glissant Chapitre II
asymptotiquement stable au sens large. On dit aussi qu’il est globalement stable.
Le système (II.53) est dit en équilibre autour de x0 si, en l’absence d’influence externe, son
état ne varie pas au cours du temps ; x0 est alors point d’équilibre.
Définition II.5 : (Point d’équilibre) x0 est appelé point d’équilibre du système (IV.53) si
f(x0)=0 t>0, pour une représentation d’état x (t ) = f ( x(t ), u(t )) les points d’équilibre ont
les solutions de l’équation algébrique f ( x(t ),0) = 0 .
Par la suite on considère que l’origine de l’espace d’état (x0 = 0) du système (II.53) ; Cette
hypothèse très classique ne nuit en rien à la généralité du propos car si (x 0 0) est point
Définition II.6 : Une fonction continue (r ) : [0, a] → [0, ] est dite de classe k si elle
strictement croissante et (0) = 0. si a = et lim (r ) = la fonction dite de classe k
r →
41
▪ La théorie de mode glissant Chapitre II
V( x(t ))
• Si f ( x(t )) 0, x(t ) d alors le point d’équilibre x0 = 0 et (II.53) est
x(t )
localement stable il est globalement stable si, de plus d = et les fonctions
1 (.) et 2 (.) sont de classes k
V( x(t ))
• Si f ( x(t )) − 0 ( x(t ) ), x(t ) d avec 0 (.) fonction de classe k définie sur
x(t )
[0,d), alors le point d’équilibre de (IV.53) est localement asymptotiquement stable.
V( x(t ))
• Si f ( x(t )) − 0 ( x(t ) ), (d = ) et les fonctions 1 (.) et 2 (.) sont de classe
x(t )
k alors le point d’équilibre de (IV.53) est globalement asymptotiquement stable.
V( x(t ))
• Si f ( x(t )) − 0 ( x(t ) ), (d = ) et les fonctions 0 (.),1 (.) et 2 (.) sont de
x(t )
classe k de la forme
42
▪ La théorie de mode glissant Chapitre II
Définition II.7 : Pour le système (II.53) ; l’origine est dit quadratiquement stable s’il
existe des matrices symétriques et définies positives , Q R nn telle que la dérivée de la
fonction de Lyapunov est négative et vérifie la condition suivante
:
( x(t )) = 2 x (t )f ( x(t )) − x (t )Qx(t )
V (II.55)
L’inégalité précédente implique que x(t ) e −t où = min (P -1Q) et par conséquent
l’origine est asymptotiquement stable. Si f ( x(t )) = x(t ) alors, la matrice A a des valeurs
propres stables si et seulement si, il existe des matrices (P,Q) symétriques et définies positives
vérifiant l’équation de Lyapunov suivante :
+ = −Q (II.56)
Considérons le cas ou le système (II.3), (II.13) est supposé perturbé de la façon suivante :
x = f (t , x) + ug (t , x) + (t , x) (II.57)
Où est la perturbation affectant le système. Supposons qu’il existe une fonction scalaire
(t , x) R telle que :
( x, t ) = (t , x) g (t , x) (II.58)
Supposons aussi qu’il existe V une fonction de Lyapunov telle que :
V( x), f (t , x) ( x ) pour tout x 0 (II.59)
43
▪ La théorie de mode glissant Chapitre II
x1 = x 2
cos x1 (d (t ) − sin x1 x 22 ) − bx 2 − kx1 + u (II.63)
x
2 =
(1 - 2 cos 2 x1 )
Avec :
• ( 1) est la mesure d’excentricité de l’inertie en rotation,
• d (t) est le déplacement de la plate-forme,
• x1 et x 2 représentent l’angle de déplacement et la vitesse de rotation de la masse.
L’incertitude est due au mouvement de translation de la plate forme. Le modèle non perturbé
et sans commande (c’est-à-dire d=0 et u=0) possède l’origine comme point d’équilibre
globalement asymptotiquement stable. Pour le prouver, il suffit de prendre l’énergie de
système, soit :
1 2 1
( x1 , x2 ) = kx1 + (1 − 2 cos 2 x1 ) x22 (II.64)
2 2
44
▪ La théorie de mode glissant Chapitre II
Pour trouver la stabilité asymptotique de l’origine. En effet, il est facile de voir que E donnée
par (II.64), est une fonction définie positive et que sa dérivée par rapport au système (II.63)
avec d=0 et u=0 est donnée par :
= x1 + x 2
x1 x2
= −bx 22 ≤0
Alors l’origine est un point d’équilibre stable. Pour prouver l’attractivité, il suffit d’utiliser le
principe d’invariance de La Salle.
Comme l’énergie du système ne vérifie pas (II.62), alors elle ne pourra pas être utilisée pour
synthétiser une commande par la méthode développée dans ce paragraphe. Pour ce faire. On
considère V1 la fonction de Lyapunov définie par :
k1 2 1
V1 ( x1 , x2 ) = x1 + (1 − 2 cos 2 x1 ) x1 x2 + (1 − 2 cos 2 x1 ) x2 (II.66)
2 2
Un raisonnement simple montre que V1 est une fonction définie positive. Un calcul direct de
la dérivée de V1 le long de la trajectoire du système (II.63) non perturbé et non commandé
donne :
k
V 1 = 1 x12 + x22 ( 2 cos x1 sin x1 + (1 − 2 cos 2 x1 ) − b) − (b − k1 + k ) x1 x2 − kx12 (II.67)
2
Donc pour un choix judicieux de k1 et pour x appartenant à un domaine défini par :
x R 2
/ x r (( , k , b, k1 (II.68)
Il est possible de prouver que la condition (II.62) est satisfaite. Finalement, en utilisant V1, on
déduit que la loi de commande robuste définie par :
u = 0 (t , x1 , x2 )Sgn( x1 + x2 ) avec 0 (t , x1 , x2 ) cos x1d (t ) (II.69)
45
▪ La théorie de mode glissant Chapitre II
b Pxu 0 (II.73)
Si pour des raisons pratiques évidentes, nous supposons que u vérifie, pour u max>0 :
u - u max ,+u max (II.74)
Alors un choix pour ‘u’ qui permet de satisfaire (II.73) tout en assurant (II.74) est défini par :
u = −umax sgn(s( x)) (II.75)
46
▪ La théorie de mode glissant Chapitre II
Plan de phase
1
0
G 0, G 0
-
5
-
10
-
15- - 0 5 1 1
10 5 0 5
47
▪ La théorie de mode glissant Chapitre II
⚫ Définir une variété (surface) s( y, t ) sur laquelle l’erreur d’estimation de la sortie est
nulle (stable)
⚫ Etablir les conditions de glissement (calcule des gains de l’observateur) pour
lesquelles toutes les trajectoires du système vont vers la surface (attractivité) et y
restent (invariance).
Dans ce qui va suivre, nous allons brièvement décrire la synthèse de l’observateur par mode
de glissement pour le système non lineaire suivant : ([Drakunov 95] et [Utkin 93]).
x = f ( x, u, t )
(II.81)
y = H ( x)
1
Is = Sign(S) = sign(s ), sign(s ),.....sig n(s r ) T
2
(II.83)
Avec
s = Γ Y − H(Xˆ) = s1,s2 ,....., sr Τ (II.84)
La dynamique de l’erreur est déterminer par :
48
▪ La théorie de mode glissant Chapitre II
Г est une matrice n r à spécifier. Supposant que y = H(x) = Cx, ou C est une matrice de
dimension approprié et déterminant le vecteur équivalent s pour satisfaire la condition
La matrice ΓCΛ rr doit être non singulière et avec un choix approprié de et .
.Alors, la dynamique équivalente est donnée par :
49
▪ Diagnostic par observateur mode glissant Chapitre III
Définition III. 1 :On appelle observateur (ou reconstructeur d’état) d’un système dyna-
mique :
x(t ) = f ( x(t ), u (t ))
S: (III.1)
y (t ) = h( x(t ))
un système dynamique auxiliaire O dont les entrées sont constituées des vecteurs d’entrée et
de sortie du système à observé et dont le vecteur de sortie xˆ (t ) est l’état estimé :
z(t ) = fˆ ( z (t ), u (t ), y (t ))
O: (III.2)
ˆ
xˆ (t ) = h( z (t ), u (t ), y (t ))
telle que l’erreur entre le vecteur d’état x(t ) et xˆ (t ) tende asymptotiquement vers zéro.
50
▪ Diagnostic par observateur mode glissant Chapitre III
51
▪ Diagnostic par observateur mode glissant Chapitre III
Définition III.2 : Pour le système (III.1) deux états x 0 et x 0 sont dit indiscernables si, pour
toute fonction d’entrée u(t) et pour tout t ≥ 0, les sorties (h( x(t )), x ) et (h( x(t )), x )
0 0 qui en
sI -
rang = = n (III.6)
C
Pour tout ‘s’ complexe. Si un système linéaire est complètement observable, il est globale-
ment observable, c’est-à-dire que toutes les composantes du vecteur d’état du système sont
observables, et donc peuvent être reconstruites par un observateur. Si le système est non li-
néaire, nous devons distinguer l’observabilité globale de l’observabilité locale.
Le principe de construction d’un observateur consiste à corriger l’erreur d’estimation entre la
sortie réelle et la sortie reconstruite. Cet observateur est défini par :
52
▪ Diagnostic par observateur mode glissant Chapitre III
où K R np est le gain de l’observateur (III.7). Compte tenu des équations d’état et de sortie
de l’observateur (III.7) et du système (III.4), nous en déduisons le diagramme structurel pré-
senté à la figure (III.4).
Si la paire (A, C) est observable, alors une grande liberté est laissée à l’utilisateur pour fixer
la matrice K. D’une façon générale, elle est choisie telle que les valeurs propres de la matrice
(A- KC) soient dans le demi-plan gauche du plan complexe et que la partie réelle des valeurs
propres soit plus grande, en valeur absolue, que la partie réelle des valeurs propres de la ma-
trice d’état A ; dans ces conditions, la dynamique de l’erreur d’observation est donc plus ra-
pide que celle du processus (système). Mais, il existe deux considérations contradictoires dont
➢ les perturbations sur la paire (A.B) conduisent, si elles sont importantes, à choisir une
valeur élevée de la matrice K afin de renforcer l’influence des mesures sur l’estimation
d’état.
➢ le bruit entachant la mesure des grandeurs de sortie, amplifie par le gain, exige une pe-
tite valeur de K.
53
▪ Diagnostic par observateur mode glissant Chapitre III
Le gain de l’observateur doit donc être choisi en effectuant un compromis pour satisfaire au
mieux ces contraintes.
Pour les systèmes linéaires la commande et l’observation peuvent être traitées indépendam-
ment l’une de l’autre. En effet, la synthèse d’une loi de commande avec observateur peut
être séparée en deux :
➢ la résolution des problèmes d’observation
➢ la résolution des problèmes de commande
C’est ce que l’on appelle le principe de séparation.
Pour les systèmes non linéaires, il en est tout autrement, la résolution du problème
d’observation ne peut pas en général se faire indépendamment de celui de la commande et
ceci pour de multiples raisons, nous en citerons deux
➢ (a) les entrées non universelles : dans le cas non linéaires, la reconstruction de l’état
peut dépendre des classes d’entrées considérées ce qui n’est pas le cas pour les sys-
tèmes linéaires. On dit alors que l’observabilité du système dépend de l’entrée.
➢ (b) le principe de séparation n’est pas vérifié en général, même si le système est ob-
servable pour la loi de commande appliquée.
x R n est l’état de système, u R m est les entrées de système, y R p est le vecteur de me-
sures (les sorties) z R q est l’état du système que l’on vent asservir et qui peut être différent
de y, les matrices A B C D E F sont des rang appropriés.
Ont dit que le système est observable si le rang {C, CA, CA2,…,CAn-1}= n , on dit que la
paire (A,C) est observable.
54
▪ Diagnostic par observateur mode glissant Chapitre III
Nous considérons le système non linéaire stationnaire autonome décrit par les équations
x = f ( x)
(III.9)
y = h( x )
Avec h (x)= (h1(x), h2(x),…, hp(x))T , x R n est l’état de système, y R p est la sorties , f et
h sont des fonction analytiques .
L’observabilité de ce système est définie à partir de la notion d’Indistingabilité classique dont
on rappelle la définition ci-dessus.
Indistingabilité deux état initiaux x(t0) = x1 et x(t0) = x2 sont dit indistingables pour le sys-
tème (III.9) si t t 0 , les sorties correspondantes y1 (t ) et y2 (t ) sont identiques.
Définition III 5 (observabilité) l’état x0 est dit observable si I(x0)= {x0} ; et le système (IV.9)
est dit observables si pour tout x R n I(x0)= {x0} .
Définition III.6 soit U un sous ensemble de Rn contenant deux états initiaux x(t0)=x1 et
x(t0)=x2 on dit que x1 est U –indistingables de x2 si t t 0 , les sorties correspondantes
Définition III.7 (observabilité locale dans un ouvert R n ) l’état x0 est dit localement
observables si pour tout voisinage ouvert U de x0 , U ( x0 ) = x0 , et le système (IV.9) est dit
Définition III.8 (observabilité faible ) pour le système (III.9) , l’état x0 est dit faiblement ob-
servable s’il existe un voisinage ouvert V de x0 tel que ( x0 ) V = x0 , et le système (III.9)
55
▪ Diagnostic par observateur mode glissant Chapitre III
Définition III.9 (observabilité faible locale ) , l’état x0 est dit localement faiblement obser-
vable s’il existe un voisinage ouvert V de x0 tel que pour tout voisinage ouvert U de x0 con-
tenu dans V, U ( x0 ) = x0 , et le système (III.9) est dit localement faiblement observable si
Il est aisé de vérifier, entre les quatre notions d’observabilité exprimées précédemment, les
implications suivantes :
Définition III.10 pour le système (III.9) s’il existe P entiers naturels ( 1 , 1 ,......, p ) tels que :
1 1 ...... p 0 et i = n .
p
i =1
(III.10)
L j −1
f (dhi ) : i = 1,..., p; j = 1,..., i (III.11)
sont linéairement indépendantes (avec Lf représente la dérivé de Lie par rapport au champ de vec-
teur f), s’il existe d’autres entiers naturels l1,…,lp, satisfaisant (III.10) et tels qu’après une éventuelle
réorganisation des hi, les n vecteurs Ljf−1 (dhi ) : i = 1,..., p; j = 1,..., li sont linéairement indépendantes
Alors le système est dit localement observable autour de x0 et les entiers (1 ,......, p ) sont
56
▪ Diagnostic par observateur mode glissant Chapitre III
Définition III.11 soit le système (III.12) l’entrée u est dite entrée universelle sur
l’intervalle de temps [0,T] si elle distingue tout couple de points défférents x sur x sur [0,T]
Définition III.12 Le système (III.12) est dit uniformément observable si et seulement si tout
u L ([0,T]) est une entrée universelle sur [0,T] pour tout T>0.
Les définition d’observabilité pour les systèmes autonomes s’appliquent alors aux systèmes
commandés en y ajoutant suivant le cas, le terme d’observabilité uniforme ou pas. Ainsi nous
aurons pour L’Indistingabilité :
Indistingabilité uniforme deux états initiaux x(t0) = x1 et x(t0) = x2 sont dit uniformément
indistingables pour le système (III.12) si t t 0 , s’il existe une entrée admissible u[t0, t] du
Il est aisé de montrer que l’Indistingabilité uniforme est une relation d’équivalence sur R n . On
note alors I u ( x0 ) la classe équivalence d’un état x 0 quelconque.
Définition III -10 (observabilité uniforme) l’état x0 est dit uniformément observable si
Iu(x0)= {x0} ; et le système (III.9) est dit observables si pour tout x R n I(x)= {x} .
Ainsi comme nous l’avons vu, la commande et l’observabilité sont liées. La dépendance entre
l’observation et la commande pour les systèmes non linéaires pose certaines questions,
comme exemple : dans un objectif de suivi de trajectoire ou de stabilisation d’un système, la
commande par retour statique ou dynamique de sortie est une solution éventuelle où pro-
blème de la commande moins complexe que celle de observateur, mais n’est-elle pas la meil-
leure solution et reste inadaptée.
57
▪ Diagnostic par observateur mode glissant Chapitre III
Ici, nous proposons un choix qui est celui de retrouver les variables d’état non mesurées à
l’aide d’observateurs qui sont des équations dynamiques permettant d’obtenir les grandeurs
inconnues de l’état grâce aux grandeurs mesurées.
En effet, le système (III.12), un observateur s’écrirait :
z = fˆ ( z , u, y )
(III.13)
xˆ = hˆ( z , u, y )
Ce la ce traduit par une copie du système plus un terme correcteur ( y − yˆ ) :
xˆ = f ( xˆ, u ) + ( y − yˆ )
(III.14)
yˆ = h( xˆ )
58
▪ Diagnostic par observateur mode glissant Chapitre III
⚫ Définir une variété (surface) s( y, t ) sur laquelle l’erreur d’estimation de la sortie est
nulle (stable)
⚫ Etablir les conditions de glissement (calcule des gains de l’observateur) pour les-
quelles toutes les trajectoires du système vont vers la surface (attractivité) et y restent
(invariance).
Dans ce qui va suivre, nous allons brièvement décrire la synthèse de l’observateur par mode
de glissement pour le système non lineaire suivant : ([Drakunov 95] et [Utkin 93]).
x = f ( x, u, t )
(III.14)
y = H ( x)
1
Is = Sign(S) = sign(s ), sign(s ),.....sig n(s r ) T
2
(III.16)
Avec
s = Γ Y − H(Xˆ) = s1,s2 ,....., sr Τ (III.17)
La dynamique de l’erreur est déterminer par :
59
▪ Diagnostic par observateur mode glissant Chapitre III
Г est une matrice n r à spécifier. Supposant que y = H(x) = Cx, ou C est une matrice de
La matrice ΓCΛ rr doit être non singulière et avec un choix approprié de et .
.Alors, la dynamique équivalente est donnée par :
K 1
ids = − γids + s iqs + T dr + Kω qr + σL u ds
r s
K 1
iqs = − s ids − γiqs + T qr − Kω dr + σL u qs
r s
1 M
dr = − dr + ids + g qr (III.21)
Tr Tr
1 M
qr = − qr + iqs − ωg dr
Tr Tr
pTL f
ω = p(iqs dr − ids qr ) − −
J J
considérons seulement les quatres premiers équations du modèle de la machine asynchrone. et
soient xˆ1 , xˆ 2 , xˆ 3 , xˆ 4 les estimées respective de laquelle on ajoute les gain correcteurs avec les
1 0 0 0 0
y = Cx = x (III.22)
0 1 0 0 0
60
▪ Diagnostic par observateur mode glissant Chapitre III
K 1
xˆ1 = −γx1 + s x 2 + T xˆ 3 + Kωxˆ 4 + L u ds + Λ1 I s
r s
K 1
xˆ 2 = − s x1 − γx2 + T xˆ 4 − Kωxˆ 3 + L u qs + Λ 2 I s
r s
(III.23)
xˆ = M x − 1 xˆ + ω xˆ + Λ I
3 Tr 1 Tr 3 g 4 3 s
xˆ = M x − 1 xˆ − ω xˆ + Λ I
4 Tr 2 Tr 4 g 3 4 s
K
eids = T edr + Kωωqr − 1 I s
r
K
eiqs = − Kωωdr + T eqr − 2 I s
e = x (t ) − xˆ (t ) =
r
1 (III -24)
1
e = − e + ω e − I
dr Tr
dr g qr 3 s
e = −ω e − 1 e − I
qr g dr
Tr
qr 4 s
sign( S1 ) S x − xˆ1
Is = et S ob = 1 = 1
sign( S 2 ) S 2 x 2 − xˆ 2
(III.25)
−1
K K
T + g K − g K
1 Tr
= r = (III -26)
− K K det(H ) + K K
g T g Tr
r
H
61
▪ Diagnostic par observateur mode glissant Chapitre III
1
V= sob ( x, t ) t sob ( x, t ) (III -27)
2
Avec
sob = ( y − yˆ ) = es (III -28)
La dynamique de surface est donnée par :
V = sob ( x, t ) t sob ( x, t ) (III -29)
Proposition 3.2 Supposons que les variables d’état dr et qr sont bornées, considérons le
système (III.23) avec les gains suivants :
11 12
= −1
22
(III -30)
21
Avec :
0
= 1
0 2
La surface est attractive si est seulement si S ob S ob 0 :
S es 0
S ob = 1 = = (III -31)
S 2 e 0
En peut déterminer la eq par :
eq = −s1 H s e (III -32)
(
er = − − H + −s1 er ) (III -33)
Avec s = 1 2 et = 3 4
T T
On pose
1
(q1 − ) 1 g 2
31 32 Tr
= (III -34)
41 42 1
− g1 (q 2 − ) 2
Tr
Alors,
(i) la variété à deux dimensions S ob = 0 est attractive et e1 (t ), e2 (t ) convergent ver zé-
ro.
Ou q1 , q2 0 , ce qui correspond à une stabilité exponentielle de e3 et e4 .
S ob T S ob
Preuve. Soit la fonction de Lyapunov définie par V = . Sa dérivée par rapport du
2
temps est donnée par: V = S ob T S ob . On a :
e e
S ob = 1 + 1 (III -35)
e 2 e 2
62
▪ Diagnostic par observateur mode glissant Chapitre III
K
T K g
e3 − 11 12 sign( S 3 ) e1
S ob = r + (III -36)
− K K e4 21 22 sign( S 4 ) e 2
g
Tr
Où
a − b K − 2K g det(H s ) g − 2 K 2 g2
2 2
= Avec a = b=K
b a Tr det 2 ( H s ) det 2 ( H s )
Sachant que
K
T − K g
11 12
= −1 et −1 = r (III -37)
21 22 K K
g Tr
on obtient
T e 0 sign( S 3 ) a − b e1
V = S ob 3 − 1 + (III -38)
e4 0 2 sign( S 4 ) b a e2
Il est clair que V 0 tant que les conditions suivantes seront respectées.
1 e3 + ae1 − be2
(III -39)
2 e4 + be1 − ae2
cependant
e3 + ae1 − be2 e3 + ae1 − be2 3 + xˆ 3 + a max e1 + bmax e2
(III -40)
e 4 + be1 − ae 2 e 4 + be1 − ae 2 4 + xˆ 4 + bmax e1 + a max e2
Tant que la surface S ob = 0 est attractive et que la matrice est non singulière, la convergence
vers zéro de (e1 (t ), e2 (t )) suit. Le système d’ordre réduit 1 de l’erreur d’observation s’écrit
alors :
−1
e = edr − K g eqr − 3 I Seq
dr
Tr
1 = (III -41)
1
eqr = − K g edr − eqr − 4 I Seq
Tr
32
Remplaçons I Seq et 31 dans 1 , on obtient le résultat .
41 42
Par construction, cet observateur est robuste par rapport aux incertitudes de modélisations et
des erreurs de mesures.
63
▪ Diagnostic par observateur mode glissant Chapitre III
La dynamique de l’observateur doit être plus rapide que celle du système à observer. Cela
exige un choix convenable des constantes 1, 2, q1 et q2.
1 2 q1 q2
50 50 50 50
64
▪ Diagnostic par observateur mode glissant Chapitre III
65
▪ Diagnostic par observateur mode glissant Chapitre III
Figure III -3: les courbe de simulation de l’observateur à mode glissant dans haute vitesse
150(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s)
66
▪ Diagnostic par observateur mode glissant Chapitre III
67
▪ Diagnostic par observateur mode glissant Chapitre III
Figure III -4: les courbe de simulation de l’observateur à mode glissant dans base vitesse
10(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s)
68
▪ Simulation de diagnostic et robustesse Chapitre IV
69
▪ Simulation de diagnostic et robustesse Chapitre IV
Figure IV .1: les courbe de simulation de l’observateur à mode glissant dans haute vitesse
150(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une variartion
de l’inductance statorique Ls de -15 % et -25%
Le test de changement de la charge durant le fonctionnement a haute vitesse dans des bonnes
résultats , est le poursuivre des valeur observée , et les erreurs des courants converge a zéros
avec une précision de 1/100 (A) . Même les erreurs de flux converge lente avec une précision
de 1/10000 (wb) , on peut remarque toujours que les oscillations dépendant aussi de la
fréquences de rotor , et que la variation de Ls donnes les même performances de réglage
nominale .
70
▪ Simulation de diagnostic et robustesse Chapitre IV
71
▪ Simulation de diagnostic et robustesse Chapitre IV
Figure IV .2: les courbe de simulation de l’observateur à mode glissant dans base vitesse
10(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une variartion de
l’inductance statorique Ls de -15 % et -25%
Le test de changement de la charge durant le fonctionnement a base vitesse dans des bonnes
résultats , est le poursuivre des valeur observée , et les erreurs des courants converge a zéros
avec une précision de 1/10 (A) . Même les erreurs de flux converge lente avec une précision
de 1/10000 (wb) , on peut remarque toujours que les oscillations dépendant aussi de la
fréquences de rotor , et que variation de l’inductance Ls donnes des bonnes résultats .
72
▪ Simulation de diagnostic et robustesse Chapitre IV
73
▪ Simulation de diagnostic et robustesse Chapitre IV
Figure IV .3: les courbe de simulation de l’observateur à mode glissant dans haute vitesse
150(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une variation
de M -5 % à -10%
Le test de changement de la charge durant le fonctionnement a haute vitesse dans des bonnes
résultats, est le poursuivre des valeur observée, et les erreurs des courants converge a zéros avec
une précision de 1/100 (A). Même les erreurs de flux converge lente avec une précision de
1/1000 (wb) , on peut remarque toujours que les oscillations dépendant aussi de la fréquences de
rotor , et que la variation de M effectuées un peut les flux une diminution de 0.05% de sa
valeur de référence .
74
▪ Simulation de diagnostic et robustesse Chapitre IV
75
▪ Simulation de diagnostic et robustesse Chapitre IV
Figure IV.4: les courbe de simulation de l’observateur à mode glissant dans base vitesse
10(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une variation de
M de -5% à-10%
Le test de changement de la charge durant le fonctionnement a base vitesse dans des bonnes
résultats , est le poursuivre des valeur observée , et les erreurs des courants converge a zéros
avec une précision de 1/10 (A) . Même les erreurs de flux converge lente avec une précision
de 1/1000 (wb) , on peut remarque toujours que les oscillations dépendant aussi de la
fréquences de rotor , et que la variation de M effectuées un peut les flux une diminution de
0.05% de sa valeur de référence et la vitesse une diminution de 0.5% de sa référence.
76
▪ Simulation de diagnostic et robustesse Chapitre IV
77
▪ Simulation de diagnostic et robustesse Chapitre IV
Figure IV.5: les courbe de simulation de l’observateur à mode glissant dans haute vitesse
150(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une variation
de J de +50% à+100%
Le test de changement de la charge durant le fonctionnement a haute vitesse dans des bonnes
résultats , est le poursuivre des valeur observée , et les erreurs des courants converge a zéros
avec une précision de 1/100 (A) . Même les erreurs de flux converge lente avec une précision
de 1/10000 (wb) , on peut remarque toujours que les oscillations dépendant aussi de la
fréquences de rotor , et que variation de J donnes les même performances de réglage nominale
.
78
▪ Simulation de diagnostic et robustesse Chapitre IV
79
▪ Simulation de diagnostic et robustesse Chapitre IV
Figure IV.6: les courbe de simulation de l’observateur à mode glissant dans bases vitesse
10(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une variation de
la J de +50% à +100%
Le test de changement de la charge durant le fonctionnement a bases vitesse dans des bonnes
résultats , est le poursuivre des valeur observée , et les erreurs des courants converge a zéros
avec une précision de 1/10 (A) . Même les erreurs de flux converge lente avec une précision
de 1/1000 (wb) , on peut remarque toujours que les oscillations dépendant aussi de la
fréquences de rotor , et que la variation de J effectuées un peut la vitesse une diminution de
10% de sa valeur de référence .
.
80
▪ Simulation de diagnostic et robustesse Chapitre IV
81
▪ Simulation de diagnostic et robustesse Chapitre IV
Figure IV .7: les courbe de simulation de l’observateur à mode glissant dans haute vitesse
150(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une variartion
de l’inductance rotorique Lr de -15 % à -25%
Le test de changement de la charge durant le fonctionnement a haute vitesse dans des bonnes
résultats , est le poursuivre des valeur observée , et les erreurs des courants converge a zéros
avec une précision de 1/100 (A) . Même les erreurs de flux converge lente avec une précision
de 1/10000 (wb) , on peut remarque toujours que les oscillations dépendant aussi de la
fréquences de rotor , et que la variation de Lr effectuées un peut les flux une augmentation 5%
de sa valeur de référence .
82
▪ Simulation de diagnostic et robustesse Chapitre IV
83
▪ Simulation de diagnostic et robustesse Chapitre IV
Figure IV .8: les courbe de simulation de l’observateur à mode glissant dans base vitesse
10(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une variation de
la l’inductance rotorique Lr de -15 % à -25%
Le test de changement de la charge durant le fonctionnement a base vitesse dans des bonnes
résultats , est le poursuivre des valeur observée , et les erreurs des courants converge a zéros
avec une précision de 2/10 (A) . Même les erreurs de flux converge lente avec une précision
de 1/1000 (wb) , on peut remarque toujours que les oscillations dépendant aussi de la
fréquences de rotor , et que la variation de Lr effectuées un peut les flux une augmentation 7%
de sa valeur de référence, aussi la vitesse à une augmentation de 1%.
84
▪ Simulation de diagnostic et robustesse Chapitre IV
85
▪ Simulation de diagnostic et robustesse Chapitre IV
Figure IV .9: les courbe de simulation de l’observateur à mode glissant dans haute vitesse
150(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une variation
de la résistance rotorique Rr de +50 % à +100%
Le test de changement de la charge durant le fonctionnement a haute vitesse dans des bonnes
résultats , est le poursuivre des valeur observée , et les erreurs des courants converge a zéros
avec une précision de 1/100 (A) . Même les erreurs de flux converge lente avec une précision
de 1/10000 (wb) , on peut remarque toujours que les oscillations dépendant aussi de la
fréquences de rotor , et que la variation de Rr effectuées un peut les flux une augmentation 7%
de sa valeur de référence.
86
▪ Simulation de diagnostic et robustesse Chapitre IV
87
▪ Simulation de diagnostic et robustesse Chapitre IV
Figure IV .10: les courbe de simulation de l’observateur à mode glissant dans base vitesse
10(rad/s) , et une application de la charge Cr=10 (N.m) a l’instant 1(s) avec une variartion de
la résistance rotorique Rr de +50 % à +100%
Le test de changement de la charge durant le fonctionnement a base vitesse dans des bonnes
résultats , est le poursuivre des valeur observée , et les erreurs des courants converge a zéros
avec une précision de 2/10 (A) . Même les erreurs de flux converge lente avec une précision
de 1/1000 (wb) , on peut remarque toujours que les oscillations dépendant aussi de la
fréquences de rotor , et que lavariation de la résistance rotoriques Rr effectuées un peut les flux
une augmentation 7% de sa valeur de référence.
88
▪ Conclusion générale
Conclusion GENERALE
89
BIBLIOGRAPHIE
[1] D.G. LUENBERGER. An introduction to observers. IEEE Transactions on
Automatic Control, Vol 16, pp 596-602,1971
[2] R.E. KALMAN. A new approach to linear filtering. Transactions of the ASME
Journal of Basic Engineering, Vol 82, pp 35–45, 1960.
[3] T. BOUKHOBZA. Contribution aux formes d'observabilité pour les observateurs
à modes glissants et étude des commandes par ordres supérieurs. Thèse de
Doctorat, Université de Paris Sud, Orsay, 1997.
[4] W. PERRUQUETTI et J.P. BARBOT. Sliding mode control in engineering,
Edition Marcel Dekker, New York, 2002.
[11] D.G. Luenberger. Observation de l’Etat d’un Système Linéaire. IEEE Transaction
sur électroniques militaire,8) :74-80, Année 1964.
90
[12] G.,F. Bornard, Al et G. Gilles,” Observabilité et Observateurs”. Systèmes non
linéaires, Ouvrage Collectif réalisé dans le cadre du Groupe Non Linéaire. DRET/
AFECT, Année1993.
[13] R.E.Kalman et R. Bucy. Nouveaux Résultats dans le Filtrage et la Prédiction
Linéaire. Journal of Basic Engineering (ASME°, 83D:98-108, Année 1961.
[15] A. Gelb Applied Optimal Estimation. The MIT press, Massachusetts Institute of
Technology, Année 1974
[16] M. Vidyasagar, Nonlinear Systems Analysis –Second Edition ». Prentice Hall
Inter,New Jersy, Année 1993
[17] A.J .Foussard, « Systèmes Non-linéaires: Modélisation, Estimation » Masson,
Paris, Année 1993
[18] J.P. Barbot. Observateurs pour le Diagnostic. ECS-EA-3649-ENSEA. Membre de
l’Équipe Projet ALIEN, INRIA-Futurs, Année 2007.
[21] F.E. Thau « Observing the State of non-linear Dynamic Systems » International
journal of Control, Année 1973
[22] J.P. Gauthier. Deterministic Observation Theory and Applications. Cambridge
University Press, Année 2001
91