Diagnostic de Defaut Par Un Observateur Non Lineaire PDF

République Algérienne Démocratique et Populaire
Ministère de l'Ense ignement Supérie ur et de la Reche rche Scientifique

_____________________________________
Université Dr. Tahar Moulay de Saïda

F aculté de la T echnologie
D é p a rt e me n t d’ E le ct rot e chn i q ue
Mémoire de Fin d’Etudes

En vue de l’obtention du diplôme de
Master (LMD)
Spécialité : AUTOMATIQUE ET SYSTEMES
Filière : AUTOMATIQUE
Intitulé :
Diagnostic De Défaut Par Un Observateur Non Linéaire
Présenté par :
Briki Bechar
Senouci Abderrahmane
Devant le jury composé de :
Dr. M.Mostfai Président

Mr. A. Bourouina Encadreur
Mr. C.Labane Examinateur
Dr. M.Drif Examinateur
Soutenu le 28/06/2018
Promotion 2017-2018
 Remerciements
Au terme de ce travail, je tiens à remercier toutes les personnes ayant

contribué à la réalisation de ce mémoire.
Un remerciement particulier est adressé à Monsieur Bourouina

Abdelkader pour avoir proposé, suivi et dirigé le présent travail. Je tiens
à lui exprimer ma sincère gratitude pour ses conseils pertinents, pour ses
orientations constructives et pour le temps si précieux qu’il m’a consacré.
A tous mes amis et à toutes les personnes qui m’ont aidée à réaliser
ce travail.
Enfin, je tiens à remercier l’ensemble des enseignants qui ont

assuré notre formation tout au long de nos années d’études.
 SOMMAIRE
Introduction générale-------------------------------------------------------------01
Chapitre I : Le diagnostic et les types des observateur

02 02
I-1 Le diagnostic--------------------------------------------------------------------------------------
02 02
I-1-1 introduction-------------------------------------------------------------------------------------
02 02
I-1-2 Définitions et conception---------------------------------------------------------------------
03 03
I-1-3 Les étapes du diagnostic----------------------------------------------------------------------
04 04
I-1-4 Présentation des méthodes de diagnostic---------------------------------------------------
04 04
I-1-4-1 Diagnostique par traitement du signal----------------------------------------------------
04 04
I-1-4-2 Méthodes de diagnostic à base de modèles qualitatifs---------------------------------
05 05
I-1-4-3 Méthodes de diagnostic à base de modèles quantitatifs--------------------------------
05 05
I-1-4-4 Méthodes de diagnostic à base de modèle-----------------------------------------------
05 05
I-1-4-5 Espace de parité-----------------------------------------------------------------------------
I-1-4-6 Méthodes d’estimation paramétrique-----------------------------------------------------
06 06
I-1-4-7 Méthodes de diagnostic à base d’observateurs------------------------------------------
06 06
07 07
I-1-5 Performance d'une procédure de diagnostic------------------------------------------------
07 07
I-1-6 Robustesse du diagnostic---------------------------------------------------------------------
08 08
I-1-7 Principe du diagnostic-------------------------------------------------------------------------
09 09
I-1-8 Les Avantages du diagnostic-----------------------------------------------------------------
09 09
I-1-9 Les Inconvénients du diagnostic-------------------------------------------------------------
I-2 Les types de l’observateurs---------------------------------------------------------------------
09 09
09 09
I-2-1 Introduction------------------------------------------------------------------------------------
10
I-2-2 Les systèmes linéaires et non linéaires------------------------------------------------------10
I-2-3 Qu’est-ce qu’un estimateur-------------------------------------------------------------------10
10
11
I-2-4 Les observateur--------------------------------------------------------------------------------11
I-2-5 Qu’est-ce qu’un observateur-----------------------------------------------------------------11
11
11
I-2-6 Architecture avec un observateur-----------------------------------------------------------11
I-2-7 Exemples d’observateur linéaires-----------------------------------------------------------12
12
I-2-7-1 L’Observateur de Luenberger-------------------------------------------------------------12
12
15
I-2-7-2 Observateur de KALMAN-LUENBERGER-----------------------------------------15
I-2-7-3 Commande par retour d’état reconstruit par un observateur de KALMAN -----15
15
16
I-2-7-4 Observateur déterministe de Luenberger et Filtre de Kalman --------------------16
I-2-8 Les systèmes non linéaires --------------------------------------------------------------18
18
18
I-2-8-1 Observabilité des systèmes non linéaires--------------------------------------------18
19
I-2-8-2 Les observateurs classiques pour les systèmes non linéaires ---------------------19
I-2-9 Les observateur non linéaires------------------------------------------------------------20
20
I-2-9-1 L’observateur de Hammami-----------------------------------------------------------2020
21
I-3 Conclusions -----------------------------------------------------------------------------------21
05
06
• Chapitre II : La théorie de mode glissant
06
II.1 Généralités sur les systèmes discontinus -----------------------------------------------22 22
07
22
II.1.1 Introduction ---------------------------------------------------------------------------- 23
07
II.1.2 Concepts de base ---------------------------------------------------------------------- 25 22
08
II.1.3 Régime de glissement----------------------------------------------------------------- 30 24
09
II.2 Formalisation mathématique des systèmes à structure variable------------------- 35 25
09
II.2.1 Formalisation classique du régime glissant--------------------------------------- 25
09
II.2.2 Formalisation par la géométrie différentielle pour l’analyse et la synthèse
09
du régime glissant---------------------------------------------------------------------------- 30
10
II.2.2.1 Condition de glissement----------------------------------------------------------- 30
10
II.2.2.2 La commande équivalente---------------------------------------------------------- 31
11
II.2.2.3 Condition d’existence et d’unicité de la commande équivalente---------------32
11
II.2.2.4 La méthode de Filippov------------------------------------------------------------ 35
11
II.2.2.5 Le phénomène de réticence au broutement ‘chattering------------------------- 38
12
II.3 Stabilité de mode glissant---------------------------------------------------------------- 40
12
II.3.1 Méthode directe de Lyapunov-------------------------------------------------------- 41
II.3.2 Fonction de Lyapunov---------------------------------------------------------------- 42
II.3.3 Les systèmes affines par rapport à la commande------------------------------------43
II.3.4 Les systèmes linéaires---------------------------------------------------------------- 45
II-4 Synthèse de l’observateur mode glissant------------------------------------------- 49
10
10
’ 11
11
11
12
12
Chapitre III : Diagnostic par observateur mode glissant
III -1 Observabilité et observateurs------------------------------------------------------------5041
III -1-1 Principe d’un observateur--------------------------------------------------------- 51
III -1-2 Observabilité------------------------------------------------------------------------- 51
III-1-3 Observabilité des systèmes linéaires------------------------------------------------ 52
55
III-1-4 Observabilité des systèmes non linéaires----------------------------------------------
III -2 Synthèse de l’observateur de flux rotoriques par mode glissant pour
un moteur asynchrone----------------------------------------------------------------------- 59
III-2-1 Synthèse de l’observateur de flux par mode glissant----------------------------- 60
III.3 Simulation numérique---------------------------------------------------------------------65
06
07
Chapitre IV : Le diagnostic de robustesse par observateur mode
glissant 07
08
IV.1 Schémas de simulation de diagnostic et la robustesse------------------------------------62
69-88
09
09
Conclusion générale---------------------------------------------------------------87
89
87
09
90
Références bibliographiques-----------------------------------------------------88
0988
05
10
06
10
06
11
07
11
07
11
08
12
09
12
09
09
09
10
10
11
11
11
12
12
 LISTE DES FIGURES
Chapitre I : Le diagnostic et les types des observateur
Figure I.1. Les Etapes du Diagnostic……………………………………………………….03

03
Figure I.2. Principe du diagnostic ………………………………………………………….08
08
Figure I.3. Schéma d’un système avec observateur………………………………………..12
12
Figure I.4. Schéma d’un système commandé par un retour d’état reconstruit par un
observateur ………………………………………………………………………………….17
17
Figure I.5. Schéma d’un observateur…………………………………………………….…19
19
Chapitre II : Détection et isolation des défauts de l'actionneur
Figure II.1. l’attractivité locale de la surface de glissement…… ...........….………….…..34

24
Figure II.2. surface de fréquence infinie............................................................……….…3725
Figure II.3. surface de fréquence finie……………..................………………………..…3825
Figure II.4. Espace d’état de dimension 3 et surface de glissement de dimension 2 …….. 26
Figure II.5.: pendule simple …………………………………………….............……..….39
29
Figure II.6: commutation de champs de vecteurs sur la variété ‘s=0’………………………….
31
Figure II.7 Représentation géométrique de la commande équivalente………………………
32
Figure II.8 la caractéristique discontinue de la commande ……………………………… 38
Figure II.9 La fonction tangente hyperbolique tanh ………………………………………39
Figure II.10 le long de la trajectoire du système …………………………………………47
Chapitre III : Détection et Isolation des défauts du Capteur
Figure III.1. principe d’un observateur d’état……………………………….....................5651

Figure III.2. diagramme structurel ………………………………………………………...58
53
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) …………….58
56
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)………………..58
Chapitre IV : Estimation de défauts de l'actionneur et de capteur utilisant

Observateur mode glissant (SMO) et Observateur adaptatif (AO)
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
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
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
variation de la résistance rotorique Rr de +50 % à +100%.............................................. 85
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.
I-1-2 Définitions et conception :
▪ 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
▪ 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
Pronostic d’évaluation de défauts
Figure I-1 : Les Etapes du Diagnostic
3
I-1-4 Présentation des méthodes de diagnostic :
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.
I-1-4-1 Diagnostique par traitement du signal :
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.
I-1-4-2 Méthodes de diagnostic à base de modèles qualitatifs :
Les modèles qualitatifs permettent d’abstraire le comportement du procédé avec un certain

degré d’abstraction à travers des modèles non plus mathématiques mais des modèles de type
symbolique. Ces modèles décrivent d’une manière qualitative l’espace d’état continu du
système. Contrairement aux modèles de type numérique, les modèles qualitatifs ne
représentent pas la physique du système, mais ils le décrivent en termes de mode de
fonctionnement.
4
I-1-4-3 Méthodes de diagnostic à base de modèles quantitatifs :
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.
I-1-4-4 Méthodes de diagnostic à base de modèle :
Le principe de ces méthodes consiste à comparer le comportement du système avec le

comportement du modèle qualitatif et/ou quantitatif établi. Tout écart est alors synonyme
d’une défaillance. Il est nécessaire donc d’avoir des connaissances approfondies sur le
procédé à diagnostiquer sous la forme d’un modèle représentatif, qui fournit des grandeurs
caractéristiques du procédé qui seront constamment comparées aux grandeurs issues du
procédé réel.
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.
I-1-4-5 Espace de parité :
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
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.
I-1-4-6 Méthodes d’estimation paramétrique :
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.
I-1-4-7 Méthodes de diagnostic à base d’observateurs :
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
solution consiste à construire des bancs d’observateurs où chacun d’entre eux surveille un
défaut.
I-1-5 Performance d'une procédure de diagnostic :
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.
Ainsi les performances attendues d'une procédure de détection et d'isolation de défauts

reposent sur la définition de critères qualitatifs de la méthode de diagnostic, se décomposant
en critères à minimiser tel que le retard à la détection et le taux de fausse alarme et de
mauvaise détection et en critères à maximiser tel que la sensibilité à des défauts de faible
amplitude et l’insensibilité aux bruits et aux perturbations mais aussi aux incertitudes sur les
paramètres du modèle.
I-1-6 Robustesse du diagnostic :
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
un système qui maximisera les effets des défaillances, afin de permettre un niveau de
performance du diagnostic identique quelles que soient les conditions opératoires.
I-1-7 Principe du diagnostic :
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 :
▪ Détecter l’existence d’une erreur.

▪ Localiser la faute.
▪ Caractériser l’amplitude de la faute (identifier)
L’étape de détection et de localisation sont toujours mis en œuvre en surveillance. La
localisation est introduite lorsqu’aucune décision d’action sur la commande n’est requise. La
localisation et l’identification constituent le diagnostic de fautes. La combinaison des trois
fonctions présentées est définie par la stratégie de surveillance ou de supervision mis en
œuvre. L’algorithme de diagnostic doit être : insensible aux perturbations, rejeter les bruits,
robuste par rapport aux erreurs de modélisation, et sensible par rapport aux défauts (Voir
figure 2) [10].
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
I-1-8 Les Avantages du diagnostic :
➢ Applicable aux systèmes linaires et non linéaires

➢ Méthodes très répandues
➢ Possibilité de découpler les réponses des entrées inconnues
➢ Méthode plus robuste aux bruits de mesures
➢ La connaissance sur le système est découplée de la connaissance de diagnostic
➢ Il s’agit de connaissance de conception plutôt que d’exploitation
➢ Les fautes et les symptômes ne doivent pas être anticipés
➢ Le coût de développement et de maintenance est moindre
➢ Les modèles fournissent un support adéquat pour l’explication (structure du système
explicitement représentée).
I-1-9 Les Inconvénients du diagnostic :
➢ Nécessité d’avoir un modèle précis et complet
➢ Mal adaptée au processus complexe
➢ Erreur de diagnostic due aux perturbations
➢ Pas de garantie de détection si le type de défaut n’a pas été modélisé
➢ Adaptabilité difficile aux changements de processus et manque de méthode générale dû au
caractère
➢ Local du modèle (appliqué au système étudié)
I-2 Les types de l’observateurs :
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
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).
I-2-2 Les systèmes linéaires et non linéaires :
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.
I-2-3 Qu’est-ce qu’un estimateur :
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
augmentation de sa complexité. Il faudra donc trouver un compromis afin de satisfaire une

bonne précision des estimations sans trop pénaliser le temps de calcul.
Sous l’hypothèse de linéarité du modèle du processus, la structure de base de l’estimateur est

toujours la même, mais sa réalisation dépendra du contexte choisi : continu ou discret,
déterministe ou stochastique.
I-2-4 Les observateur :
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.
I-2-5 Qu’est-ce qu’un observateur :
En automatique et en théorie de l’information, un observateur d’état est une extension d’un

modèle représenté sous forme de représentation d’état. Lorsque l’état d’un système n’est pas
mesurable, on construit un observateur qui permet de reconstruire l’état à partir d’un modèle
du système dynamique et des mesures d’autres grandeurs.
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).
I-2-6 Architecture avec un observateur :
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
𝑼 𝑿 𝒀𝒀
Système Capteur
̂
𝑿
Observateur
Figure I-3 : Schéma d’un système avec observateur
L’estimation de l’état se fait en recopiant de façon virtuelle la dynamique du système en

prenant en compte la commande U (les entrées) mais également les sorties du système (les
mesures) Y dans le but de corriger les écarts éventuels.
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.
I-2-7 Exemples d’observateur linéaires :
I-2-7-1 L’Observateur de Luenberger :
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
On cherche à estimer l’état d’un système déterministe défini par :
𝑥̇ (𝑡) = 𝐴𝑥(𝑡) + 𝐵𝑢(𝑡)

{ (I.1)
𝑦(𝑡) = 𝐶𝑥(𝑡)
Avec 𝑥 ∈ 𝑅 𝑛 et 𝑦 ∈ 𝑅 𝑝
Où u(t), y(t) et x(t) sont des vecteurs de dimension m, p et n et représentent respectivement la

commande, la sortie (mesurée) et l’état du système. Les matrices A, B, C sont des matrices
respectivement d’état constant, de contrôle et de mesure de dimensions convenables. Comme
l’état n’est en général pas accessible, l’objectif d’un observateur consiste, en vue de réaliser
une commande par retour d’état, d’estimer cet état par une variable que nous noterons 𝑥̂(𝑡)
.Cette estimation est réalisée par un système dynamique dont la sortie sera précisément 𝑥̂(𝑡)
et l’entrée sera constituée de l’ensemble des informations disponibles, c’est-à-dire u(t) et y(t).
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).
Cet observateur est défini comme suit :
𝑥̂̇(𝑡) = 𝐴𝑥̂(𝑡) + 𝐵𝑢(𝑡) + 𝐾(𝑦(𝑡) − 𝑦̂(𝑡)) (I.2)
Où apparaît clairement le terme correctif en fonction de l’erreur de reconstruction de la sortie

𝑦̂(𝑡) − 𝑦(𝑡) ,et le gain de correction k appelé gain de l’observateur de dimension (n, m) qui
est calculé en fonction de la condition de stabilité de l’observateur.
Posant 𝐴̅ = 𝐴 + 𝐾𝐶 alors (1.2) devient :
𝑥̂̇(𝑡) = 𝐴̅𝑥̂(𝑡) + 𝐵𝑢(𝑡) + 𝐾𝑦(𝑡) (𝐈. 3)
L’observateur est dit asymptotiquement stable si l’erreur d’observation 𝑒 = 𝑥̂ − 𝑥 converge

vers le zéro quand 𝐾 → ∞ . La stabilité de l’observateur est conditionnée (convergence de
l’erreur d’estimation) par le choix approprié de la matrice de gain K.
Il faudra choisir K tel que les valeurs propres de la matrice 𝐴̅ soient toutes à partie réelle
strictement négative.
lim 𝑥̂(𝑡) − 𝑥(𝑡) = 0

𝜏→+∞
13
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,
La dynamique de l’erreur d’observation est donnée par :
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
L’observateur de Luenberger converge ⟹ (𝐴 + 𝐾𝐶) est stable.
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.
On peut, si l'on dispose de r sorties indépendantes, construire un observateur d'ordre n-r

seulement. En effet, tel que nous l'avons décrit, l'observateur recalcule la valeur de la sortie.
Ceci n'est pas nécessairement un inconvénient, car la valeur recalculée peut être meilleure que
celle d'origine, bruitée.
14
I-2-7-2 Observateur de KALMAN-LUENBERGER [11] :
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)
On peut réécrire l’observateur de la façon suivante :
𝑋̂̇ = (𝐴 − 𝐿𝐶)𝑋̂ + 𝐵𝑈 + 𝐿𝑌 (𝐈. 7)
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] :
L’observateur linéaire de KALMAN-LUENBERGER possède une caractéristique intéressante

connue sous le nom de principe de séparation : dans le cas d’une commande linéaire par
retour d’état, les travaux de synthèse de commande et de synthèse d’observateur peuvent se
faire de façon indépendante. En effet, si le système commandé est stable, et si l’observateur
ainsi conçu est stable (c’est-à-dire les matrices 𝐴 = 𝐵𝐾 et 𝐴 = 𝐿𝐶 sont Hurwitz) alors le
système commandé par retour de l’état reconstruit est stable.
15
Considérons le système linéaire invariant suivant, observable et commandable, muni d’un

observateur de KALMAN-LUENBERGER :
̇ ̂̇ ̂ ̂
{𝑋 = 𝐴𝑋 + 𝐵𝑈 {𝑋 = 𝐴𝑋 + 𝐵𝑈 + 𝐿(𝑌 − 𝑌) (𝐈. 8)
𝑌 = 𝐶𝑋 𝑌̂ = 𝐶𝑋̂
En réalisant un bouclage par un retour d’état 𝑈 = −𝐾𝑋̂ , la dynamique du système bouclé

s’écrit alors :
𝑋̇ = 𝐴𝑋 − 𝐵𝐾𝑋̂
{ ̇ (𝐈. 9)
𝑋̂ = (𝐴 − 𝐵𝐾)𝑋̂ + 𝐿(𝑌 − 𝐶𝑋̂)
I-2-7-4 Observateur déterministe de Luenberger et Filtre de Kalman [11] :
𝑋̇(𝑡) = 𝐴𝑋(𝑡) + 𝐵𝑈(𝑡) 𝑋̇(𝑡) = 𝐴𝑋(𝑡) + 𝐵𝑈(𝑡) + 𝑊𝑐 (𝑡)
𝑌(𝑡) = 𝐶𝑋(𝑡) 𝑌(𝑡) = 𝐶𝑋(𝑡) + 𝑉𝑐 (𝑡)
𝑋̂̇(𝑡) = 𝐴𝑋̂(𝑡) + 𝐵𝑈(𝑡) + 𝐾(𝑡)(𝑌(𝑡) − 𝑌̂(𝑡))
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.
On peut faire le changement de variable suivant, pour écrire l’erreur de reconstruction :
𝑋̂̇ = (𝑋 − 𝑋̂) D’où, en remplaçant 𝑋̂̇ = (𝐴 − 𝐿𝐶)𝑋̂
En écrivant un nouveau système augmenté, constitué de l’état et de l’erreur de reconstruction,

on obtient :
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
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
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.
Les systèmes non-linéaires se présentent sous plusieurs formes d’écriture :
Système non-linéaire général :
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
I-2-8-1 Observabilité des systèmes non linéaires :
Avant de se lancer dans la recherche d’un observateur, on doit connaître la notion

d’observabilité et certaines propriétés des entrées appliquées aux systèmes non linéaires. Elle
tient une place importante pour la synthèse d’observateurs. La notion d’observabilité est une
notion fondamentale en automatique, liée à la notion de système et de contrôle. Intuitivement,
on cherche à reconstruire les variables d’état à partir des sorties mesurées.
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
Consigne Commande Système
Observateur
Figure I-5 : Schéma d’un observateur
I-2-8-2 Les observateurs classiques pour les systèmes non linéaires [18] :
• Observateur de Kalman étendu (D. Bestle, M. Zeitz , V. Fromion,…)

• Observateur avec injection de sortie (A. Isidori, G. Besancon, F. Plestan…)
• Observateur Grand Gain (J-P Gauthier, H. Hammouri, H. Khalil…)
• Observateur adaptatif (J de Leon, A. Glumineau, R. Marino, M. Ghanes…)
• Observateur Ensembliste (L. Jaulin, E. Walter, Ch. Combastel,...)
• Observateur en temps fini avec retard (R. Engel, G. Kreislmeier, F. Allgower...)
• Certains observateurs sliding (V. Utkin, C. Edwards, L. Frideman, S. Drakunov,..)
Ils sont tous basés sur :
𝑒̇ = 𝐴𝑒 (𝐈. 11)
Le caractère systémique de chercher 𝑒̇ = 𝐴𝑒 est remis en question par des observateurs du
type : [18]
• Observateurs réduits (D. Koenig, S. Mammar, H. Razik, C. Iung, ….)
• Observateurs numériques (J Grizzle, S. Diop, M. Fliess, W. Kang, …)
• Certains observateurs sliding (M. Saif, M. Djemai, N. Manamanni,…)
• Observateurs invariants (N. Aghannan, S. Bonnabel, P. Rouchon, …)
19
I-2-9 Les observateur non linéaires :

I-2-9-1 L’observateur de Hammami (1991) [19] :
On considère la classe de système modélisée par cet observateur :
𝑥̇ (𝑡) = 𝐴𝑥(𝑡) + 𝑓(𝑥(𝑡), 𝑢(𝑡))

{ (𝐈. 12)
𝑦(𝑡) = 𝑐𝑥(𝑡)
Théorème :
En considérant le système (1.12) vérifiant les hypothèses suivantes :
H1) f est lipschitz par rapport à x et uniformément par rapport à u.
‖𝑓(𝑥1 , 𝑢) − 𝑓(𝑥2 , 𝑢)‖ ≤ 𝑘 ‖𝑥1 − 𝑥2 ‖∀𝑢 ∈ 𝑅 𝑚 , ∀𝑥1 , 𝑥2 ∈ 𝑅 𝑛 (𝐈. 13)
H1) la paire (C, A) est observable :
0 𝜆 max[𝑆(𝜃)]
∃𝜃 > > 2𝑘 𝑐𝑜𝑑𝑖𝑡𝑖𝑜𝑛 𝑑𝑒 𝑠𝑡𝑎𝑏𝑖𝑙𝑖𝑡é (𝐈. 14)
𝜃 𝜆 min[𝑆(𝜃)]
Où 𝑆(𝜃) = 𝑆 𝑇 (𝜃) > 0 Solution stabilisante de l’équation
𝜃𝑆(𝜃) + 𝐴𝑇 𝑆(𝜃) + 𝑆(𝜃)𝐴 = 𝐶 𝑇 𝐶 (𝐈. 15)
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
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
II.1 Généralités sur les systèmes discontinus

II.1.1 Introduction
Un certain nombre de processus mécaniques et électriques et autres sont caractérisés
par des équations différentielles décrivant l’état du processus courant, et l’approche par
représentation d’état reste une des méthodes classiques pour modéliser l’évolution des
procédés réels. Il s’agit de considérer un système d’équation différentielle (linéaire au non
linéaire), fondé en général sur les lois physiques et obtenu selon la nature du procédé
considéré et des hypothèses assumées.
Ces équations sont caractérisées par le fait que la partie de la côte droite présente une
discontinuité dans ce mouvement en ce qui concerne l’état du processus courant.
Il faut souligner que certains modèles représentent des procédés réels, sont naturellement
discontinus, et sont appelés ″ systèmes à structure variable ″. En fait, il s’agit d’un système
défini par la commutation entre deux structures et qui est fonction du temps [14].
II.1.2 Concepts de base

Considérons le système non linéaire
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
Pour un domaine D de R  R n de champ de vecteur f qui vérifie la condition de Lipchitz

pour k>0.
f (t , x1 , u(t , x1 )) − f (t , x2 , u(t , x2 )  k x1 − x2 (II.2)
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
 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
Où u  = (u 1 ,......., u m ) et toutes les fonctions u i+ ( x, t ) et u i− ( x, t ) continues.
où x = ( x1 ,..., xn )   x , s( x, t ) la surface de discontinuité une fonction différentiable
s : R n  R + → R telle que  s soit non nul sur X. L’ensemble s 0 = x  x : s(t , x) = 0

x
représente alors une sous variété de X de dimension (n-1) appelée surface de glissement ou
de commutation
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
condition (IV.2) satisfaits s(t , x) = 0 pour tout t t s [2].
Des conditions suffisantes permettent de garantir l’existence d’un régime glissant, et

l’attractivité locale de la surface de glissement, ce traduit mathématiquement par :
s s
lim+  0 et lim- 0 (II.5)
s →0 x s →0  x
23
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−
Figure. II.1 l’attractivité locale de la surface de glissement

Ainsi, une fois la surface intersectée, les trajectoires restent dans un  − voisinage de ‘s’ et on
dit que le régime glissant est idéal si on a exactement s(t , x) = 0 . La condition (IV.5) est plus
souvent rencontrée sous la forme
ss  0 (II.6)
Cette dernière condition est appelée condition d’attractivité
II.1.3 Régime de glissement
Un système est en régime glissant idéal quand le point représentatif du mouvement du

système glisse sur l’hypersurface de commutation avec une amplitude nulle et une oscillation
infinie figure(IV.2) en pratique l’état du système ne se maintient pas sur la surface de
glissement s ( x) = 0 mais subit des oscillations sur cette surface de fréquence finie et
amplitude non nulle ce qu’on appelle un régime glissant réel figure. (IV.3)
24
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
II.2 Formalisation mathématique des systèmes à structure

variable
II.2.1 Formalisation classique du régime glissant

Soit le système d’équation différentielle :
xi = f i (t , x1 ,.....; xn ) i = 1,..., n (II.7)
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
( x1 ,..., xn ) ; on pose f = ( f1 ,..., f n )  .
La surface ‘s’ sépare l’espace d’état en deux parties G + (s  0) et G - (s  0) , ce qui nous
donne au voisinage de la surface ‘s’ deux valeurs de f soient f + et f − . Nous appellerons

d’autres parts
+
f N+ et f N- Les projections respectives de f et f − sur la normale à la surface ‘s’, la
normale étant orientée de G + vers G − figure. (II.4)
25
→
N
G+
f −
f N− x s G -
f +
f N+
Figure. II. 4 : Espace d’état de dimension 3 et surface de glissement de dimension 2

Le théorème suivant (Filippov), permet de préciser les conditions d’existence et d’unicité
d’une solution x(t ) de l’équation différentielle (II.7)
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
h = f + − f − étant continûment différentiable. Si en chaque point de la surface ‘s’ une

inégalité f N+  0 ou f N-  0 est vérifiée, il existe alors, dans le domaine G, une solution x(t)
pour (II.7) et la propriété d’unicité et de dépendance continue de cette solution par rapport
aux conditions initiales sont vérifiées [13].
D’après ce théorème, si les conditions f N+  0 et f N-  0 sont à la fois vérifiées alors la
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
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)
On dérivant par rapport à ‘t’, on a :

n
 s dxi n
s
s =  = f i (t , x1 ,..., xn ) (II.10)
i =1  xi dt i =1 xi
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.
La condition (ss  0) et l’inégalité fondamentale pour la commande d’un système à structure

variable en régime glissant, l’état du système bouclé est alors plongé dans l’état du système
réduit de dimension inférieure et libre, dans ce cas les propriétés dynamiques du système
bouclé né dépendent que des coefficients de glissement ‘s’, ce qui explique l’invariance de la
structure variable par rapport aux perturbations ainsi que son applicabilité aux systèmes
linéaires et non linéaires.
Exemple II.1 :(asservissement d’un système du 2eme ordre) [13]
Soit l’asservissement dont la fonction de transfert est :

y k 2
= 2 ou  0
u s + 2ξωs + ω 2
Avec
k min  k  k max
ξ min  ξ  ξ max
27
On suppose que le système est non perturbé, ces inégalités traduisent l’effet des erreurs de
modélisation.
e Régulateur en mode U Partie commandée

Y
glissant
On choisit une loi de commande de la forme u = Q tel que Q est une fonction de type relais
idéal pouvant prendre deux valeurs Q + , Q - avec Q +  Q - on posant x = ( x1 , x2 )  et x2 = x1

( y= x1 et  = e − x1 )
dx1
= x2
dt
dx 2
dt
(
= −2ξωx 2 − kQ + ω 2 x1 )
On désire que la discontinuité ait lieu sur la surface s = .x1 + x2 = 0 on dérive s par rapport à
t et on suppose que e = 0 on aura :
(
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 
Ce choix permet de satisfaire la condition de glissement quelque soit la variation des

paramètres k et  , la dynamique du système réduit à l’équation x1 = −x1
28
Exemple II.2 (pendule simple) on considère le système montré sur la figure(II.5).
u= T
l
θ
Figure II.5 pendule simple

Le problème posé est de stabiliser le pendule dans le point d’équilibre  (t ) = 0 et (t ) = 0 ,
la dynamique du pendule avec le frottement visqueux peut être décrite par :
1 1
(t ) = − sin( (t )) − c f (t ) + u(t )
g ml 2
La où  et l’angle du pendule, g = 9.81ms2 est la contant de gravité, m = 1g est la masse, l =

1m la longueur de la tige , et l’entrée u est le couple appliqué., c f : Coefficient de frottement
1
θ g g
= 2
u ml  2 1
 s + c f s + 
 g
En compare avec l’équation standard du deuxième ordre on trouvé :
g 1 cf g
k= 2 = =
ml 2 g 2
En posant x = ( x1 , x2 )  et x2 = x1 (  = x1 et  = e − x1 )
dx1
= x2
dt
= −2ξωx 2 − (kQ + ω 2 )x1
dx 2
dt
29
II.2.2 Formalisation par la géométrie différentielle pour l’analyse

et la synthèse du régime glissant
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.
II.2.2.1 Condition de glissement

Soit un système dynamique décrit par l’équation différentielle suivante :
x = f ( x) + g ( x) u (II.13)
Dans lequel le temps ne figure pas explicitement.
x x où X  R n
Avec g ( x)  0 x  x f ( x) = ( f 1 ,..., f n )  , g ( x) = ( g1 , g 2 ,..., g n ) 
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 - ).
Dérivée directionnelle : On appelle dérivée directionnelle de ‘s’ par rapport au champ

‘h’ la fonction L h définie par le produit scalaire de la différentielle de ‘s’ et du champ de
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
Ceci est équivalent a :
30
Lim+ s,f + g.u +  0 et Lim− s,f + g.u −  0 (II.16)

S →0 S →0
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
G + (s  0) et G - (s  0) . Si dans un petit voisinage les projections f + g.u + et f + g.u − sur

le vecteur gradient de ‘s’ sont de signes contraires, alors la surface ‘s’ sera attractive (les
champs commandes se dirige vers s = 0).
f + g.U +
s=0
s
f + g.U −
( )
s  0 G+
( )
s  0 G−
Figure. (II.6): commutation de champs de vecteurs sur la variété ‘s=0’
II.2.2.3 La commande équivalente :

Le vecteur de commande équivalente u eq est défini pour obtenir l’équation du régime
glissant idéal ou le point représentatif du mouvement du système glisse parfaitement sur la

surface de commutation. Le mouvement glissant idéal est décrit en utilisant les conditions
d’invariance suivantes [12]:
s( x ) = 0 et L f + gueq s = s, f + gueq = 0 (II.17)
s,f Lf s
 ueq = − =− (II.18)
s,g Lg s
Notons par Tx X l’espace tangent a X en x et soit  S ( x) un sous espace de Tx X tel que :
s,  s ( x) = 0 c.a.d  S ( x) = Kers (II.19)
Les conditions d’invariance conduisent à :
31
( f + gu )eq s =0  Kers =  S ( x) (II.20)
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
Figure II-7 Représentation géométrique de la commande équivalente
II.2.2.4 Condition d’existence et d’unicité de la commande

équivalente
Lemme II.1 : Une condition nécessaire et suffisante pour définir une commande
équivalente est que la condition de transversalité :
s, g  0 (II.23)
Soit satisfaite au voisinage de ‘s’
32
Preuve : Si la commande équivalente est bien définie par :

s,f Lfs
u eq = − =− (II.24)
s,g Lgs
Alors nécessairement s, g = L g s  0
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 :
s, f + gu 1eq = s, f + gu 2 eq = 0
Donc
s, f + g (u 1eq − u 2eq = 0
Alors la condition de transversalité est vérifiée (lemme 1), on a forcément u1eq = u 2eq
Lemme II.2: si le régime glissant existe localement sur s, alors :

L g s = s, g  0 (II.25)
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
De l’hypothèse u +  u - il en résulte L g s = s, g  0
33
Théorème II -2 : Une condition nécessaire et suffisante d’existence locale du régime

glissant sur ‘s’est que localement dans X on a :
u - (x )  u eq (x )  u + (x ) (II -26)
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)
En raison du lemme 2 (transversalité) de l’équation (II.18) on a :

s, f
u eq = − + u + ( x) = −u eq ( x) + u + ( x)  0  u eq ( x)  u + ( x) (II-28)
s, g
Par le même raisonnement on établit :

s, f + g u − ( x) = s, f + u − ( x) s, g  0 (II-29)
D’ où
s, f
+ u + ( x) = −u eq ( x) + u − ( x)  0  u - ( x)  u eq ( x) (II-30)
s, g
Montrons l’implication inverse du théorème. Soit u eq une fonction de commande satisfaisant
(II.18) et (II.26) alors on a :

0  u eq ( x) − u − ( x)  u + ( x) − u − ( x) (II-31)
Donc :
u eq ( x) − u - ( x)
0  Weq ( x) = 1 (II-32)
u + ( x) − u - ( x)
À partir de u eq ( x) = u + ( x).Weq ( x) + u − ( x)(1 − Weq ( x)) on a :
s, f + g u eq = Weq s, f + gu + + (1 − Weq ) s, f + gu - = 0 (II-33)
Ces équations sont vraies si les expressions s, f + g u + ( x) et s, f + gu − ( x) sont de
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)
Ceci nous amène au choix de la commande sous la forme :
34
 u + ( x) si s( x)  0
u = - (II-35)
u ( x) si s( x)  0
Qui satisfait
s,f + gu +(x) s =0 = lim+ s,f + gu + ( x) = lim+ L f + gu+ s  0

s →0 s →0
− −
(II-36)
s,f + gu ( x) s =0 = lim− s,f + gu ( x) = lim− L f + gu− s  0
s →0 s →0
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 k0
II.2.2.5 La méthode de Filippov
Considérons le système suivant :

F + (t , x) si s(t , x)  0
x = F(t , x) =  − (II-38)
F (t , x) si s(t , x)  0
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
F0 = Fs+=0 + (1 −  )Fs-=0 (0    1) (II-39)
Où Fs+=0 et Fs-=0 sont les limites respectives des champs de vecteurs F + ( x) et F- ( x) quand x
tend vers x 0 . Le paramètre  est déterminé grâce à la condition :

s, F0 = 0 (II-40)
35
+ -
En remplaçant dans (II.40), l’expression de F0 en fonction de Fs =0 et Fs =0 donnée par
(II.39), nous obtenons :
s, Fs-=0
= (II-41)
s, (Fs-=0 − Fs+=0 )
L’équation du mode glissant selon Filippov est alors donnée par :
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 :
 x1 = x 2 − 1 sign( x1 )
 (II-44)
 x 2 = − 2 sign( x1 )
Où x1 et x2  R , 1 et  2 sont des constants positives et sign présente la fonction signe. Les

dynamiques du système (II.44) sur le segment défini par :
 x1 = 0
 (II-45)
 x 2  1
Sont stables au point d’équilibre (0,0)

On peut analyser ceci de la manière suivante: On étudie l’attractivité de la surface x1 = 0, pour
1 2
ce faire on considère la fonction de type Lyapunov V= x1 . La convergence de x1 en 0
2
est obtenue si la dérivée de V est négative soit :
x1 x1  0 (II-46)
36
Et en substituant x1 par son expression donnée en (IV-46) on obtient :

x1 (x2 − 1sign( x1 ))  0 (II-.47)
Qui permet alors de définir la région :
 x2 − 1  0 si x1  0
 (II-48)
 x2 + 1  0 si x1  0
Les inégalités (II-48) définissent dans le plan ( x1 , x2 ) la région d’attraction de la surface x1 = 0

. Avec une écriture plus compacte, on peut considérer la région contenue dans :
x2  1 (II-49)
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 :
 x1 = v(x2 + λ1 ) + (1 − v ) (x2 − λ1 )
 (II-50)
 x2 = vλ2 + (1 − v ) (− λ2 )
Sous les conditions (1.48), l’attractivité puis l’invariance de surface x1 = 0 (pour x2  1 )
sont assurées. L’invariance de x1 = 0 , soit x1  x1  0 , permet alors en posant x1 = 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
II.2.2.6 Le phénomène de réticence au broutement ‘chattering’

Dans la pratique un régime glissant idéal n’existe pas, étant donné que cela impliquerait
que la commande puisse commuter avec une fréquence infinie. De par la présence
d’imperfections ou de limites technologiques et physiques, tels que des retards au niveau des
commutations ou de petites constantes de temps au niveau des actionneurs, la caractéristique
discontinue de la commande engendre un comportement dynamique particulier au voisinage
de la surface qui est communément appelé chattering, en anglais, ou encore réticence ou
broutement, en français. Celui-ci se caractérise par de fortes oscillations autour de la surface,
ainsi qu’il est montré par la figure (II-8)
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 fonction de saturation définie par l’expression ci-dessous :

 1, si s  
s
sat ( s) =  , si s  

− 1, si s  
⚫ La fonction tangente hyperbolique tanh. Cette fonction a l’avantage de faire varier la
largeur de la bande de commutation en ajoutant un terme supplémentaire  ; sur la
figure ci-dessous, on peut constater l’effet de cette fonction dont l’expression s’écrit
finalement sous la forme :
s
u = tanh 
 
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
Figure. (II-9) La fonction tangente hyperbolique tanh

Toutefois, pour que ces approches soient efficaces il est nécessaire d’avoir convenablement
modélisé les dynamiques négligées des actionneurs. Dans le cas contraire les propriétés de
robustesse de temps de réponse et les performances du système se trouvent souvent
dépréciées
La technique par régime glissant est une loi a structure variable, qui est formée par deux
composantes : la partie discontinue ou glissante et une partie continue appelée commande
équivalente.
39
II.3 Stabilité de mode glissant
Le problème de la stabilité des systèmes dynamiques est un sujet de préoccupation

majeur du travail des mathématiciens, des physiciens et des ingénieurs depuis le siècle
dernier.
Deux types d’études complémentaires peuvent être considérées : la conception de test pour
savoir si un système est stable ou non, l’étude des lois de contre réaction (retour d’état) qui
permettent de rendre stable un système instable.
Les critères d’analyse de stabilité peuvent être classés en deux catégories :
• les critères fréquentiels (à partir des diagrammes de Bode au de Nyquist,…)
• les critères temporels (cercles de Gerschgorin, deuxième méthode de Lyapunov,..)
Si un système est linéaire invariant par rapport au temps, il est facile d’étudier la stabilité avec
des critères existant dans la littérature (Nyquist, Hurwitz,…). Mais le nombre de critères
pouvant aisément être mis en œuvre se réduit fortement si le système est non linéaire. Les
systèmes non linéaires sont difficiles à étudier parce qu’il est délicat d’en faire l’étude dans le
domaine fréquentiel (fonction de transfert difficile à exploiter). Il est alors préférable d’avoir
un critère utilisant le modèle du système dans le domaine temporel. Pour étudier ce problème,
nous avons retenu les méthodes de Lyapunov [3].
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
Au contraire de la stabilité locale, la taille du sous-ensemble est connue et tout le sous-

ensemble est stable.
Définition II.4: Si un système est asymptotiquement stable pour n’importe quelle

condition initiale dans l’espace d’état, on dira que le point d’équilibre xe est
asymptotiquement stable au sens large. On dit aussi qu’il est globalement stable.
II.3.1 Méthode directe de Lyapunov

La méthode directe de Lyapunov s’appuie sur une observation physique fondamentale :
si l’énergie totale d’un système, linéaire ou non linéaire, est continûment dissipée (on parle de
système dissipatif), alors on peut espérer que le système tend vers un point d’équilibre. Ainsi
l’idée de Lyapunov est d’examiner la variation d’une fonction scalaire dépendante de
l’énergie pour étudier la stabilité d’un système donné. Considérons tout d’abord le système
non linéaire suivant :
x = f ( x(t )) 301.11. (((II.53)
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
d’équilibre de (II.53) alors x0 = 0 est point d’équilibre du système : x (t ) = f (( x(t ) + x0 )
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
Théorème II.3 : Soit une fonction scalaire V(x(t))  C 1 telle que

1 ( x(t ))  V( x(t ))   2 ( x(t ))
+*
 x(t )  d , où 1 (t ) et  2 (t ) Sont des fonctions de classe k définies sur [0, d ), d  R
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
1 ( x(t ) ) = a x(t ) ,  2 ( x(t ) ) = b x(t ) ,  0 ( x(t ) ) = c x(t )

p p p
Telle que a, b, c  1 , alors le
point d’équilibre de (IV.53) est globalement exponentiellement stable.
II.3.2 Fonction de Lyapunov

Dans le cas général, il n’existe pas de méthode pour trouver toutes les fonctions
candidates de Lyapunov. Dès lors, la théorie de Lyapunov conduit à des conditions suffisantes
de stabilité dont le pessimisme dépend de la forme particulière imposée à la fonction V(x(t))
et de la structure du système. Cependant, il existe des familles de fonction de Lyapunov
souvent utilisées et dont l’adoption dépend de la nature du système à étudier (systèmes
linéaires, systèmes continus par morceaux, systèmes à retard, systèmes linéaires
incertains,….)
Le choix plus classique consiste à choisir une fonction de Lyapunov sous forme quadratique :
V( x(t )) = x  (t )x(t ), P  0 et symétrique (II.54)
42
Où x (t) représente la solution de l’équation (IV.53) . La dérivée par rapport au temps de la

fonction de Lyapunov le long de la trajectoire de la variable x (t) est :
 ( x(t )) = x  (t )x(t ) + x  (t )x (t )

V
= 2 x  (t )x (t )
= 2 x  (t )f ( x(t ))
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 nn 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)
II.3.3 Les systèmes affines par rapport à la commande
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)
Où  est une fonction régulière avec  ( z)  0 si z  0

Nous avons la proposition suivante.
43
Proposition II-2 : pour toute fonction scalaire  vérifiant :

 ( x, t )   (t , x) (II.60)
La loi de commande définie par :

V( x), g (t , x)
u = -  (t , x) (II.61)
V( x), g (t , x)
Est un retour d’état stabilisant et robuste.
Remarque : Dans le cas d’un système autonome, la condition (II.59) devient :

V( x), f ( x)  0 pour tout x  0 (II.62)
Exemple II.3 : (DEPLACEMENT D’UNE PLATE FORME A MASSE DESAXEE )

Le modèle décrivant l’évolution du procédé est donné par :
 x1 = 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
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 :
 
 = x1 + x 2
x1 x2
x2 (1 −  2 cos 2 x1 )(− 2 cos x1 sin x1 x22 − bx2 − kx1 )

= (kx1 + x22 ( 2 cos x1 sin x1 )) x22 + (II.65)
1 −  2 cos 2 x1
= −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)
Stabilise localement le modèle tenant compte des perturbations au voisinage de l’origine.
II.3.4 Les systèmes linéaires

Considérons le système linéaire perturbé défini par [3]:
x = Ax + bu + d(x,t) (II.70)
45
Avec x, b, d  R n , u  R et A  R nn . Supposons que les valeurs propres de A à des parties

réelles strictement négatives. Alors, il existe   R nn une matrice positive et symétrique telle
que :
   +  = Q (II.71)
Soit Q une matrice définie négative. Il faut préciser que si la paire (A, b) est commandables
alors il est toujours possible, peut-être après une contre réaction préliminaire, d’imposer que
(II.71) est satisfaite.
Soit V la fonction de Lyapunov définie par :
V(x) = x Τ Px (II.72)
La dérivée de V le long des trajectoires est donnée par :

 ( x) = x Τ Qx + 2b Τ Pxu
V
 est négative, il suffit de choisir ‘u’ une loi de commande telle que :
Pour assurer V
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)
Dans ce cas, la surface définie par :

s( x) = b  Px (II.76)
Représente la surface de commutation attractive.
Exemple II.4 : (système linéaire)
Considérons le système suivant d’écrit par l’équation suivant :
x (t ) = x(t ) + D ( x(t )) (II.77)
Avec
0 1 0 
A=  Et D= 
− 4 − 1 1
Où  (t ) est une fonction inconnue bornée et satisfaite la condition suivante :
 ( x(t ))  1 Pour tout t, x(t) (II.78)
46
Soit P une matrice symétrique et définie positive et solution de l’équation de Lyapunov

suivante :
 +  = −I
Pour montrer la stabilité de ce système, considérons la fonction de Lyapunov suivante :
V( x(t )) = x Τ (t )Px(t ) (II.79)
Sa dérivée par rapport au temps le long de la trajectoire du système est :
V ( x(t )) = x (t )  Px(t ) + x(t )  Px(t ) (II.80)
Plan de phase
1
0
G  0, G  0
-
5
-
10
-
15- - 0 5 1 1
10 5 0 5
Figure : II.10 le long de la trajectoire du système
47
II-2 Synthèse de l’observateur mode glissant

Notre objectives et de satisfait la dynamiques d’erreurs (nulle) en respectant la
méthodologiques générale pour la synthèse de l’observateur :
⚫ 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)
où x   p est le vecteur d’état, u   m la commande, y  R le vecteur de sortie.

Supposons aussi que notre système est commandable et observable. Définissions
l’observateur par mode de glissement suivant :
x̂ = f (xˆ, u, t ) +  s (II.82)
où xˆ   n est l’estimation de x,    n   r est la matrice gain de l’observateur qui doit
être synthétisé de façon à stabiliser l’erreur d’estimation e = x(t ) − xˆ (t ), et  S est un

vecteur dimension r × 1 :
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 :
e = x (t ) − xˆ (t ) = f ( x, u, t ) − f ( xˆ, u, t ) −  (II.85)

s
48
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
d’invariance ( S = 0 pour S = 0 ). On obtient :
 s = ( ΓC) −1 ΓC f ( x, u) − f ( xˆ, u) (II.86)
La matrice ΓCΛ   rr doit être non singulière et avec un choix approprié de  et .
.Alors, la dynamique équivalente est donnée par :
e = ( − ( ΓC) −1 ΓC) f ( x, u) − f ( xˆ, u) (II.87)
49
▪ Diagnostic par observateur mode glissant Chapitre III
III -1 Observabilité et observateurs

L’observabilité d’un processus est un concept très important en automatique. En effet, pour
reconstruire l’état et la sortie d’un système, il faut savoir, a priori, si les variables d’état sont
observables ou non.
En général, pour des raisons de réalisabilité technique, de coût, etc. la dimension du vecteur
de sortie est inférieure à celle de l’état. Ceci entraîne qu’a l’instant donné ‘t’, l’état x(t ) ne
peut pas être déduit algébriquement de la sortie y (t ) à cet instant. Par contre, sous des condi-
tions d’observabilité qui seront explicitées plus loin, cet état peut être déduit de la connais-
sance des entrées et sorties sur un intervalle de temps passé : u(0, t ), y(0.t )
Le but d’un observateur est de fournir avec une précision garantie, une estimation de la valeur
courante de l’état en fonction des entrées et sorties passées. Cette estimation devant être obte-
nue en temps réel, l’observateur revêt usuellement la forme d’un système dynamique.
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.
e(t ) = x(t ) − xˆ (t ) → 0 quand t →  (III.3)
50
III -1-1 Principe d’un observateur :

L’objectif d’un observateur est de reconstruire des grandeurs dont on ne peut pas mesurer
l’état par une méthode directe (Fig. III.1)
Fig. III.1 principe d’un observateur d’état
Avant toute synthèse d’observateur, on doit se demander si sa conception est possible. La

notion d’observabilité et certaines propriétés des entrées appliquées au système fournissent
des conditions nécessaires à la synthèse d’un observateur. Nous discutons dans cette partie de
l’observabilité des systèmes linéaires.
III -1-2 Observabilité
Le problème fondamental de l’analyse d’observabilité d’un système physique est de pouvoir

dire si l’état du système peut être déterminé en fonction des entrées et des sorties. Dans
l’affirmative, la théorie de l’estimation fournit alors des outils pour reconstruire cet état ; nous
rappelons que la connaissance des composantes de l’état non mesurées est en général néces-
saire pour régler un système ou pour détecter des défauts du système.
La valeur initiale de l’état d’un système est, en général, inconnue. On peut alors se poser la
question: sous quelles conditions l’état du système peut-il être déterminé à partir des sorties et
des entrées ? Ce problème est appelé problème d’observabilité. Fossard et Normand-Cyrot
ont donne une définition de l’observabilité a partir de la notion d’indiscernabilité.
51
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
résultent sont égales.

Définition III.3 [Foss 93] : Le système (III.1) est dit observable s’il ne possède pas de couple
d’états initiaux distincts { x 0 , x 0 } indiscernables.
III.1.3 Observabilité des systèmes linéaires

Les critères d’observabilité d’un système linéaire sont décrits dans de nombreuses références.
Considérons le système dynamique linéaire :
x (t ) = Ax(t ) + Bu(t )
(III.4)
y (t ) = Cx(t )
où x(t )  R n , u(t )  R m , y(t )  R p . Les matrices A, B et C ont des dimensions appropriées. La

matrice d’observabilités du système (IV.4) est définie par :
 C 
 
 C 
O= (III.5)
 
 
 C n −1 
 
L’observabilité du système (III.4) est garantie si le rang de la matrice d’observabilité O est
égal à n, un deuxième critère ; le système (III.4) est complètement observable si :
 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
xˆ(t) = Axˆ(t) + Bu(t) + K ( y(t)- yˆ(t))

= ( A-KC )xˆ(t) + Bu(t) + Ky(t) (III .7)
y(t) = Cxˆ(t)
où K  R np 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
on doit tenir compte et qui interviennent dans le choix de la matrice K :
➢ 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.
Fig. III.2 diagramme structurel
53
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.
Aussi plusieurs types d’observabilité sont définis traduisant la possibilité mathématique de

reconstruire tout l’état à partir des mesures et des entrées.
Pour les systèmes linéaires, cela s’écrit comme une condition géométrique de rang.
Définition III.4 : Soit le système linéaire :

x = Ax + Bu
y = Cx + Du (III.8)
z = Ex + Fu
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
III.1.4 Observabilité des systèmes non linéaires
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
y1 (t ) et y2 (t ) sont identiques t  t 0 , les trajectoires x1 (t ) et x 2 (t ) appartiennent à U .
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
localement observable si tout x  M ,  U ( x) = x.
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)
est dit faiblement observable si pour tout x  M , ( x)  V = x
55
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
pour tout x  M ,  U ( x) = x
Il est aisé de vérifier, entre les quatre notions d’observabilité exprimées précédemment, les
implications suivantes :
 localement observable   observable

 
 localement faiblement observable   faiblement observable
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)
en tout point x  U ,où U étant un voisinage de x0 les n vecteurs
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 (l1 ,......, lp )  (1 ,......, p )
Alors le système est dit localement observable autour de x0 et les entiers (1 ,......, p ) sont
appelés les indices d’observabilité associés au système.

Considérons maintenant le système commandé suivant :
x = f ( x, u )
(III.12)
y = h( x )
Avec x  R n est l’état de système, y  R p est la sorties, u  R m est l’entrées.

Les concepts précédemment énoncés doivent alors tenir compte des entrées considérés. Pour
cela nous donnons la définition suivante :
56
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
système telles que les sorties correspondantes y1 (t ) et y2 (t ) soient identiques.
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} .
Il en de même pour les notions d’observabilité locale et faible.

Il reste que le système commandé peut être observable seulement pour une classe d’entrée, la
notion d’Indistingabilité dans ce cas sera pour toute entrée admissible.
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
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 ) :
xˆ = f ( xˆ, u ) +  ( y − yˆ )
(III.14)
yˆ = h( xˆ )
Maintenant en cite les types d’observateurs existants :
⚫L’observateur de Kalman : C’est un observateurs pour les systèmes linéaires qui

existe en versions déterministe et stochastique. Il est très utilisé dans l’industrie et donne
d’excellents résultats dans le domaine de validité de l’approximation linéaire des sys-
tèmes. L’observateur de Kalman étendu en est une variante en non linéaire.
⚫ L’observateur de Luenberger : C’est un observateur de Kalman ou Kalman étendu,

déterministe.
⚫ Observateurs de Thau : C’est un observateur basé sur la théorie de la stabilité de
Lyapunov et sont des observateurs quadratiques
⚫ L’observateur grand gain : utilise une matrice de gain K comme dans (III.7)
⚫ L’observateur numérique : proposent une dérivation numérique des sorties en les
approchant par des polynômes et ainsi reconstruisent tout l’état.
⚫ L’observateur à modes glissants : introduit par Utkin, le terme de correction est la
fonction ‘sign’. Cette fonction qui peut être assimilée à utiliser un gain infini permet
d’écraser les non linéarités sur la dynamique de l’erreur et ainsi d’établir la stabilité de
l’erreur d’observation.
L’état du système dynamique que représente l’observateur doit évidemment converger vers
l’état réel du système ; l’étude de cette convergence se fait en termes d’erreur d’observation
e = x − xˆ .
58
III -2 Synthèse de l’observateur de flux rotoriques par mode glis-

sant pour un moteur asynchrone
Notre objectives et de satisfait la dynamiques d’erreurs (nulle) en respectant la méthodolo-
giques générale pour la synthèse de l’observateur :
⚫ 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)
où x   p est le vecteur d’état, u   m la commande, y  R le vecteur de sortie. Suppo-

sons aussi que notre système est commandable et observable. Définissions l’observateur par
mode de glissement suivant :
x̂ = f (xˆ, u, t ) +  s (III.15)
où xˆ   n est l’estimation de x,    n   r est la matrice gain de l’observateur qui doit
être synthétisé de façon à stabiliser l’erreur d’estimation e = x(t ) − xˆ (t ), et  S est un

vecteur dimension r × 1 :
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 :
e = x (t ) − xˆ (t ) = f ( x, u, t ) − f ( xˆ, u, t ) −  (III.18)

s
59
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
d’invariance ( S = 0 pour S = 0 ). On obtient :
 s = ( ΓC) −1 ΓC f ( x, u) − f ( xˆ, u) (III.19)
La matrice ΓCΛ   rr doit être non singulière et avec un choix approprié de  et .
.Alors, la dynamique équivalente est donnée par :
e = ( − ( ΓC) −1 ΓC) f ( x, u) − f ( xˆ, u) (III.20)
III.2 Synthèse de l’observateur de flux par mode glissant

Soit le système de la MAS :
 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
termes de la commutation. Le vecteur de sortie utilises par l’observateur donne par :
1 0 0 0 0
y = Cx =  x (III.22)
0 1 0 0 0 
60
Le modèle de l’observateur est le suivant :
 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)
 xˆ = M x − 1 xˆ + ω xˆ + Λ I
 3 Tr 1 Tr 3 g 4 3 s

 xˆ = M x − 1 xˆ − ω xˆ + Λ I
 4 Tr 2 Tr 4 g 3 4 s
Le vecteur de l’erreur de l’observateur donnée par
 K
eids = T edr + Kωωqr −  1 I s
 r
 K
eiqs = − Kωωdr + T eqr −  2 I s

e = x (t ) − xˆ (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
Ou 1 ,  2 ,  3 et  4 sont les gains de l’observateur. Le vecteur I s est donné par :
 sign( S1 )  S   x − xˆ1 
Is =   et S ob =  1  =   1 
 sign( S 2 ) S 2   x 2 − xˆ 2 
(III.25)
Le choix de  est fait pour facilite le calcule des gains .
−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
L’analyse de la stabilité consiste à déterminer les gains 1 et  2 de façon à assurer

l’attractivité de la surface de glissement S ob = 0 . Alors,  3 et  4 sont déterminés tels que le
système d’ordre réduit obtenu quand S ob  S ob  0 est localement stable. On obtient le résul-
tat suivant.
Soit la fonction de Lyapunov candidate :
61
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 sob ( 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)
(
er = − − H  +  −s1 er ) (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 
 −  g1 (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
 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 = edr − K g eqr −  3 I Seq

dr
Tr
1 =  (III -41)
1
eqr = − K g edr − eqr −  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
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
III.7 Simulation numérique

Nous simulons le comportement de l'observateur de flux rotorique , et les simulation
effectuée dans le figure suivantes montre l'évolution des flux réels et des flux observés de la
machine. Nous remarquons que les flux observés convergent rapidement vers les flux réels et
ne quittent pas ultérieurement.
Concernant les tests de robustesse, il est à noter que la variation des paramètres roto-
riques (résistance et inductance) affecte l'orientation du flux rotorique. Il est donc préférable
d'estimer en plus ces paramètres.
65
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)
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) et les erreurs de flux converge a zéros avec une pré-
cision de 1/10000 (wb) , on peut remarque que les oscillations dépendant aussi de la fré-
quences de rotor
66
67
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)
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 est un peut lente avec une précision de 1/10 (A) . Même les erreurs de flux converge
lente avec une précision de 1/1000 (wb) , on peut remarque que les oscillations dépendant
aussi de la fréquences de rotor
68
▪ Simulation de diagnostic et robustesse Chapitre IV
IV.1 Schémas de simulation de diagnostic et la robustesse
69
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
71
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
fréquences de rotor , et que variation de l’inductance Ls donnes des bonnes résultats .
72
73
de M -5 % à -10%
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
75
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%
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
77
Figure IV.5: les courbe de simulation de l’observateur à mode glissant dans haute vitesse
de J de +50% à+100%
fréquences de rotor , et que variation de J donnes les même performances de réglage nominale
.
78
79
Figure IV.6: les courbe de simulation de l’observateur à mode glissant dans bases vitesse
la J de +50% à +100%
Le test de changement de la charge durant le fonctionnement a bases vitesse dans des bonnes
fréquences de rotor , et que la variation de J effectuées un peut la vitesse une diminution de
10% de sa valeur de référence .
.
80
81
de l’inductance rotorique Lr de -15 % à -25%
fréquences de rotor , et que la variation de Lr effectuées un peut les flux une augmentation 5%
de sa valeur de référence .
82
83
la l’inductance rotorique Lr de -15 % à -25%
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
85
de la résistance rotorique Rr de +50 % à +100%
fréquences de rotor , et que la variation de Rr effectuées un peut les flux une augmentation 7%
de sa valeur de référence.
86
87
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%
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
Les travaux développés dans ce mémoire présentent une contribution

aux méthodes de détection et localisation des défauts des systèmes.
La méthode de diagnostic à base d’observateurs à mode glissant a été
appliquée pour la reconstruction des défauts actionneurs et capteurs des
systèmes linéaires et non linéaires. Dans le cas non linéaire la méthode de
diagnostic à base d’observateurs à mode glissant s’avère aussi intéressante.
En effet, non seulement elle permet de reconstruire les défauts d’une manière
robuste, mais aussi de reconstruire les entrées inconnues. L’avantage majeur
de cette méthode est qu’elle n’exige pas que le défaut ait des caractéristiques
ou des dynamiques particulières. Cependant, elle nécessite de ramener le
système sous une forme triangulaire observable un utilisant des
transformations non linéaires. De plus, cette méthode se limite, jusqu’à
l’heure actuelle, à la reconstruction de défauts actionneurs.
En comparant les méthodologies de synthèse d’observateurs pour
l’estimation d’état présentées dans le deuxième chapitre à celles étudiées
dans le troisième et quatrième chapitre en vue de diagnostic, nous constatons
que la synthèse des paramètres des observateurs n’est pas automatiquement la
même. En effet, la conception d’observateurs pour des fins de diagnostic
nécessite souvent quelques modifications et la vérification des certaines
conditions qui ne se posent pas lorsque le but est seulement l’estimation
d’états et qui font que l’observateur, en plus d’estimer les états, puisse
réaliser des objectifs de diagnostic, de détection et d’isolation de défaut.
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.
[5] A.M. LIENHARDT . Etude de la Commande et de l’Observation d’une Nouvelle

Structure de Conversion d’Energie de type SMC (Convertisseur Multicellulaire
Superposé). Thèse de Doctorat, Institut national Polytechnique de Toulouse, 2006.
[6] Q. ZHANG. Adaptive observer for multiple-input-multiple-output (MIMO) linear
time- varying systems. IEEE Transactions. on Automatic Control, Vol 47, pp
525–529, 2002.
[7] L. ZETAO. Contrebutions à l’élaboration d’algorithme d’isolation et
d’identification de défaut dans un système non linéaires. Thèse, Institut national
des sciences appliquées de Toulouse, 2006.
[8] R. Reiter (1987). A theory of diagnosis from first principles. Artificial
Intelligence, 32:57-95
[9] R.J. PATTAN. Fault Detection and Diagnosis in Aerospace Systems using
Analytical Redundancy, Computing and Control Engineering Journal, Vol.2,
pp127-136, 1991
[10] M. Godet, Manuel de Charbonnaud 2004prospective stratégique. Dunod, Paris,
Année 2001.
[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.
[14] http://fr.wikipedia.org/wiki/Automatique.l’encyclopédie libre.
[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.
[19] M.A Hammami.“Stabilization of a Class of Non Linear Systems using an

Observer Desing”, 32nd IEEE conf. Decision, San Antonio, Etats-Unis, Année
1993.
[20] D.G .Luenberger.“ An Introduction to Observers”, IEEE Trans. Automat. Control,

AC-16, pp. 596-602, Décembre 1971.
[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

Diagnostic de Defaut Par Un Observateur Non Lineaire PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Diagnostic de Defaut Par Un Observateur Non Lineaire PDF

Загружено:

Авторское право:

Доступные форматы

République Algérienne Démocratique et Populaire

Ministère de l'Ense ignement Supérie ur et de la Reche rche Scientifique

Université Dr. Tahar Moulay de Saïda

Mémoire de Fin d’Etudes

Diagnostic De Défaut Par Un Observateur Non Linéaire

Devant le jury composé de :

Dr. M.Mostfai Président

Au terme de ce travail, je tiens à remercier toutes les personnes ayant

Un remerciement particulier est adressé à Monsieur Bourouina

Enfin, je tiens à remercier l’ensemble des enseignants qui ont

Chapitre I : Le diagnostic et les types des observateur

Figure I.1. Les Etapes du Diagnostic……………………………………………………….03

Chapitre II : Détection et isolation des défauts de l'actionneur

Figure II.1. l’attractivité locale de la surface de glissement…… ...........….………….…..34

Figure III.1. principe d’un observateur d’état……………………………….....................5651

Chapitre IV : Estimation de défauts de l'actionneur et de capteur utilisant

I-1-2 Définitions et conception :

Pronostic d’évaluation de défauts

Figure I-1 : Les Etapes du Diagnostic

I-1-4 Présentation des méthodes de diagnostic :

I-1-4-1 Diagnostique par traitement du signal :

I-1-4-2 Méthodes de diagnostic à base de modèles qualitatifs :

Les modèles qualitatifs permettent d’abstraire le comportement du procédé avec un certain

I-1-4-3 Méthodes de diagnostic à base de modèles quantitatifs :

I-1-4-4 Méthodes de diagnostic à base de modèle :

Le principe de ces méthodes consiste à comparer le comportement du système avec le

I-1-4-5 Espace de parité :

I-1-4-6 Méthodes d’estimation paramétrique :

I-1-4-7 Méthodes de diagnostic à base d’observateurs :

I-1-5 Performance d'une procédure de diagnostic :

Ainsi les performances attendues d'une procédure de détection et d'isolation de défauts

I-1-6 Robustesse du diagnostic :

I-1-7 Principe du diagnostic :

▪ Détecter l’existence d’une erreur.

I-1-8 Les Avantages du diagnostic :

➢ Applicable aux systèmes linaires et non linéaires

I-2 Les types de l’observateurs :

I-2-2 Les systèmes linéaires et non linéaires :

I-2-3 Qu’est-ce qu’un estimateur :

augmentation de sa complexité. Il faudra donc trouver un compromis afin de satisfaire une

Sous l’hypothèse de linéarité du modèle du processus, la structure de base de l’estimateur est

I-2-4 Les observateur :

I-2-5 Qu’est-ce qu’un observateur :

En automatique et en théorie de l’information, un observateur d’état est une extension d’un

I-2-6 Architecture avec un observateur :

L’estimation de l’état se fait en recopiant de façon virtuelle la dynamique du système en

I-2-7 Exemples d’observateur linéaires :

I-2-7-1 L’Observateur de Luenberger :

On cherche à estimer l’état d’un système déterministe défini par :

𝑥̇ (𝑡) = 𝐴𝑥(𝑡) + 𝐵𝑢(𝑡)

Où u(t), y(t) et x(t) sont des vecteurs de dimension m, p et n et représentent respectivement la

Cet observateur est défini comme suit :

𝑥̂̇(𝑡) = 𝐴𝑥̂(𝑡) + 𝐵𝑢(𝑡) + 𝐾(𝑦(𝑡) − 𝑦̂(𝑡)) (I.2)

Où apparaît clairement le terme correctif en fonction de l’erreur de reconstruction de la sortie

Posant 𝐴̅ = 𝐴 + 𝐾𝐶 alors (1.2) devient :

𝑥̂̇(𝑡) = 𝐴̅𝑥̂(𝑡) + 𝐵𝑢(𝑡) + 𝐾𝑦(𝑡) (𝐈. 3)

L’observateur est dit asymptotiquement stable si l’erreur d’observation 𝑒 = 𝑥̂ − 𝑥 converge

lim 𝑥̂(𝑡) − 𝑥(𝑡) = 0

La dynamique de l’erreur d’observation est donnée par :

L’observateur de Luenberger converge ⟹ (𝐴 + 𝐾𝐶) est stable.

On peut, si l'on dispose de r sorties indépendantes, construire un observateur d'ordre n-r

I-2-7-2 Observateur de KALMAN-LUENBERGER [11] :

On peut réécrire l’observateur de la façon suivante :