Cours Identification

Universit ABOU BEKR BELKAD Tlemcen
Facult de Technologie

Identification des systmes linaires

Amine HADJ ABDELKADER
m_hadjabdelkader@mail.univ-tlemcen.dz

Document de cours pour les tudiants de M1 en Contrle des Processus

___________________________________________________________________________
Ce document est bas principalement sur le cours de Y. TANGUY, Supelec Paris .
Merci denvoyer vos remarques, commentaires ou questions sur le-mail de lauteur.
6oteo uth Io||x PDf 6d|tcr
- |ree |or ooo-commercol ose.
Jo remove ths ootce, vst
: uuu.pdfediting.com
Identication des Systmes Linaires
Amine, HADJ ABDELKADER
Octobre 2007
6oteo uth Io||x PDf 6d|tcr
- |ree |or ooo-commercol ose.
Jo remove ths ootce, vst
: uuu.pdfediting.com
2
Table des matires
1 Aspect gnraux de lidentication 5
1.1 Prsentation du problme . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Essai de dnition de lidentication exprimentale . . . . 5
1.1.2 Utilit dun modle . . . . . . . . . . . . . . . . . . . . . . 6
1.1.3 Obtention dun modle de reprsentation . . . . . . . . . 7
1.2 Systmes dynamiques "objet" et "modle" (aspect structurel) . . 7
1.2.1 Description de lobjet en vue dune modlisation . . . . . 7
1.2.2 Les reprsentations mathmatiques dont on dispose . . . . 8
1.2.3 Modles de conduite et de simulation . . . . . . . . . . . . 11
1.3 Critre dquivalence "objet-modle" (aspect paramtrique) . . . 14
1.3.1 Dnition de lerreur . . . . . . . . . . . . . . . . . . . . . 14
1.3.2 Interprtation dterministe de lerreur de sortie . . . . . . 15
1.3.3 Validit dun modle - Nature des signaux dentre . . . . 17
1.3.4 Linitialisation du modle . . . . . . . . . . . . . . . . . . 21
1.3.5 Lobjet est insr dans une boucle de rgulation . . . . . . 21
1.4 Algorithme didentication . . . . . . . . . . . . . . . . . . . . . 23
2 Mthodes directes 25
2.1 Analyse harmonique . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Analyse indicielle . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3 Analyse impulsionnelle . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4 Approximation par un modle paramtrique . . . . . . . . . . . . 28
2.4.1 A partir de la rponse harmonique . . . . . . . . . . . . . 28
2.4.2 A partir de la rponse indicielle - Mthode de Strejc . . . 29
2.4.3 A partir de la rponse indicielle - Mthode de Broda . . . 33
2.4.4 Processus Intgrateur . . . . . . . . . . . . . . . . . . . . 33
2.5 Obtention dun modle non paramtrique . . . . . . . . . . . . . 35
2.5.1 Problme prliminaire : Passage dune rponse impulsion-
nelle une rponse harmonique . . . . . . . . . . . . . . . 35
2.5.2 Principe du traitement numrique des donnes par corr-
lation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5.3 Utilisation des squences binaires pseudo alatoires . . . . 40
2.5.4 Mthode des moindres carrs applique lobtention dune
squence de pondration (dconvolution numrique) . . . 45
3
TABLE DES MATIRES
2.6 Obtention dun modle paramtrique . . . . . . . . . . . . . . . . 47
2.6.1 Notion dordre minimal . . . . . . . . . . . . . . . . . . . 47
2.6.2 Recherche de lordre minimal par factorisation de la ma-
trice de Hankel . . . . . . . . . . . . . . . . . . . . . . . . 50
2.6.3 Recherche de lordre par essais successifs . . . . . . . . . . 51
2.6.4 Mthode des moindres carrs . . . . . . . . . . . . . . . . 51
3 Mthodes Itratives 55
3.1 Mthodes stochastiques . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.2 Mthode du maximum de vraisemblance (Astrom et Boh-
lin 1965) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.1.3 Mthode des moindres carrs gnraliss (Clarcke 1967) . 61
3.1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2 Mthodes du modle (Mthode dterministe) . . . . . . . . . . . 63
3.2.1 Mthode du modle applique la dtermination dun
modle paramtrique . . . . . . . . . . . . . . . . . . . . . 64
3.2.2 Mthode du modle applique la dtermination dune
squence de pondration . . . . . . . . . . . . . . . . . . . 69
4 Filtre de Kalman 71
4.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2 Lalgorithme discret du ltre de Kalman . . . . . . . . . . . . . . 74
4.3 Schma structurel du Filtre de Kalman . . . . . . . . . . . . . . . 74
4.4 Filtre de Kalman sous-optimal du rgime permanent . . . . . . . 76
4
Chapitre 1
Aspect gnraux de
lidentication
1.1 Prsentation du problme
1.1.1 Essai de dnition de lidentication exprimentale
Identier un systme dynamique rel (appel objet) cest caractriser un
autre systme (appel modle), partir de la connaissance exprimentale des
entres et sorties de manire obtenir identit de comportement.
Le modle peut tre un systme physique (au sens de simulateur analogique
ou numrique et de modle rduit), ou bien un systme abstrait (modle ma-
thmatique, i.e. systme dquatons algbriques ou direntielles).
Dans la suite du cours, nous rechercherons en n de compte un modle math-
matique, recherche qui peut cependant comporter comme tape une simulation
(i.e. le passage par un modle physique).
Exemple 1 Soit le moteur dasservissement donn par la gure 4.2.Un modle
Fig. 1.1 Moteur dasservissement courant continu
5
1.1. PRSENTATION DU PROBLME
physique pour cet objet peut tre donn par la gure 1.2.
Et un modle mathmatique pour ce mme objet est donn par lquation 3.3.
Fig. 1.2 Modle physique
(t) +
d(t)
dt
= K
v
u(t) (1.1)
1.1.2 Utilit dun modle
Un modle a pour but :
daccrotre la connaissance dun systme physique sous laspect interne ou
microscopique. Ce modle sera alors dit de connaissance,
de reprsenter le comportement global (ou macroscopique) dun systme
physique. Le modle sera dit de reprsentation.
Le premier modle est ncessaire la construction et au dimensionnement
(i.e. dtermination des dimensions) dun systme industriel (exemple. fabrica-
tion dun vhicule, dune chaudire, dune unit de production,...). Dans ce mo-
dle les coecients caractrisant la structure de lobjet sont explicits.
Cest le modle de reprsentation qui va nous intresser dans la suite du cours.
La ncessit dun tel modle apparat ds que lon dsire :
commander un systme dynamique (raliser une commande optimale ou
seulement rgler un rgulateur trois actions). On a recours alors un
modle dit de conduite,
surveiller le comportement dun systme an de dceler les anomalies par
rapport un modle de rfrence.
Prenons nouveau le moteur dasservissement comme exemple :
Un modle de connaissance est :
(t) +
1
d(t)
dt
= K
v
u(t) avec
(

1
=
R.J
aR+
2
0
K
v
=
0
1
aR+
2
0
6
CHAPITRE 1. ASPECT GNRAUX DE LIDENTIFICATION
Un modle de reprsentation est :
(t) +
1
d(t)
dt
= K
v
u(t) avec

1
= 20 ms
K
v
= 50 (rd/s) /v
1.1.3 Obtention dun modle de reprsentation
Un modle mathmatique de reprsentation est dni par :
la nature des quations (par exemple : quations direntielles dordre n,
cocients constants) caractrisant la structure du modle,
un ensemble de valeurs numriques intervenant dans cette structure.
Une mthode classique dobtention du modle consiste mettre le systme
en "quation" partir de lois physiques connues. Mais le modle global est en
gnral trop complexe (pour un but de reprsentation). Des simplications (ob-
tenues en linarisant, en ngligeant certains termes) peuvent alors conduire la
dnition de la structure dun modle de reprsentation.
Les valeurs numriques caractrisant cette structure sont ensuite dtermines
( partir dessais exprimentaux) par des algorithmes que nous nous proposant
de dcrire dans la suite.
Une autre dmarche revient considrer le systme globalement comme "boite
noire" et rechercher exprimentalement les relations "entres-sorties". Mais
cette mthode peut conduire un chec si les informations dont on dispose
priori ne sont pas susantes.
1.2 Systmes dynamiques "objet" et "modle"
(aspect structurel)
1.2.1 Description de lobjet en vue dune modlisation
dun point de vue externe, un objet se prsente comme une "boite noire"
admettant des signaux dentre (ou de commande) et des signaux de sortie (ou
dobservation). Ces signaux (continus ou bien discrets) sont accessibles la me-
sure (cf. gure 1.3).
Fig. 1.3 Lobjet
7
1.2. SYSTMES DYNAMIQUES "OBJET" ET "MODLE" (ASPECT
STRUCTUREL)
Une analyse plus ne permet de voir que les sorties y
o
j
ne sont pas les eets
des seuls signaux u
i
. Do le nouveau schma sur la gure 1.4.
Fig. 1.4 Dtails de lobjet
La "boite" note (1) caractrise laction des grandeurs de commande ob-
servables sur les sorties y
o
j
. Cette action nest pas invariante dans le temps
et la structure de (1) est susceptible dvoluer en fonction de perturbations
symbolises par K(t).
La boite (2) caractrise laction perturbatrice sur ltat de (1). Leet de
ces perturbations, dans un but de simplication, a t globalement ramen
en sortie par addition des v
j
. Les causes de ces perturbations notes b
l
sont
le plus souvent ctives et non mesurables (on note dailleurs que si b
l
tait
mesurable, b
l
serait une entre).
Dans la suite nous utiliserons, pour dcrire lobjet, le symbole donn par la
gure 1.5.
1.2.2 Les reprsentations mathmatiques dont on dispose
Dans cette section, on va rappeler les direntes reprsentations des systmes
dynamiques linaires et stationnaires susceptibles de dcrire le comportement
dun objet.
De telles reprsentations nous limitent donc demble la description dynamique
8
Fig. 1.5 Symbole de lobjet identier
des objets quasi-linaires (ou linariss autour dun point de fonctionnement) et
quasi-stationnaires (les perturbations de structure K(t) sont variations lentes).
Reprsentation des systmes dterministes linaires, stationnaires et
causaux
Dans les tableax suivants, nous allons dcrire seulement les systmes une
entre et une sortie.
Reprsentations non paramtriques
Cas continu Cas discret
Rponse impulsionnelle
h() a(k)
y(t) =
R
0
h()u(t )d y(k) =
P
l=0
a(l)u(k l)
Rponse indicielle
(t) =
R
t
0
h()d (k) =
P
k
l=0
a(l)
Rponse harmonique
H(f) =
Y (f)
U(f)
A() =
Y ()
U()
H(f) =
R
+
0
h() exp(2jf)d A() =
P
l=0
a(l) exp(2jl)
Les relations entre/sortie prcdentes nont en fait de sens que lorsque la r-
ponse impulsionnelle est intgrable (hypothse de stabilit entre-borne, sortie-
borne). Dans ce cas, h() (ou a(k)) tend vers zro lorsque (k ).
Linstant T
0
(ou N) partir duquel h() (ou a(k)) est ngligeable est appel
mmoire du systme.
9
STRUCTUREL)
Reprsentations paramtriques
Cas continu Cas discret
Equations direntielles, aux dirences
y(t) +b
1
y
0
(t) +. . . +b
n
y
(n)
(t) y(k) +
1
y(k 1) +. . . +
n
y(k n)
= a
0
u(t) +. . . +a
n
u
(n)
(t) =
0
u(k) +. . . +
n
u(k n)
Fonctions de transfert
H(p) =

n
i=0
aip
i
1+
n
j=1
bjp
j
A(z) =

n
i=0
iz
i
1+
n
j=1

j
z
j
Equations dtat
x = Ax +Bu x(k + 1) = Fx(k) +Gu(k)
y = Cx y(k) = Hx(k)
A, F : matrices (n n); B, G : matrices (n 1); C, H: matrice (1 n)
Reprsentations stochastiques
Les quations prcdentes ne peuvent dcrire le comportement dun objet que
lorsque celui-ci est faiblement perturb. Si ce nest pas le cas, une reprsentation
stochastique peut savrer ncessaire. Pour un systme discret, on crira de
manire trs gnrale :
x(k + 1) = Fx(k) +Gu(k) +b(k)

y(k) = Hx(k) +w(k)
(1.2)
o b(k) et w(k) sont des bruits blancs discrets gaussiens de variance inconnue
priori.
An de rduire le nombre de paramtres identier la thoie du ltrage de
Kalman fournit une reprsentation simplie du systme abstrait prcdent 1.2 :
x(k + 1) = F x(k) +Gu(k) +k(k)

y(k) = H x(k) +(k)
(1.3)
avec x(k) lestime de ltat x(k) et (k) une squence de bruit blanc gaussien
(Innovation).
Lcriture en variables dtat se transpose en lquations aux dirences sui-
vantes :
y(k)+
1
y(k1)+. . .+
n
y(kn) =
0
u(k)+. . .+
n
u(kn)+(k)+c
1
(k1)+. . .+c
n
(kn)
soit :
1 +
n
X
i=0
i
z
i
!
Y (z) =
n
X
j=0
j
z
j
U(z) +
1 +
n
X
l=1
c
l
z
l
!
(z)
10
Y (z) =
P
n
j=0
j
z
j
1 +
P
n
i=0
i
z
i
!
U(z) +
1 +
P
n
l=1
c
l
z
l
1 +
P
n
i=0
i
z
i
(z)
Un schma synoptique de cette reprsentation peut tre donne par la gure
1.6.
Fig. 1.6 Reprsentation stochastique
1.2.3 Modles de conduite et de simulation
Ces modles, tant eux-mmes des systmes dynamiques (rels ou abstraits),
admettent une reprsentation mathmatique du type de celles dcrites prc-
demment. Un certain nombre de questions se pose alors :
Le modle est continu ou bien discret ? Lobjet est en gnral continu.
Il semble naturel den tablir un modle lui aussi continu. En pratique, il en est
parfois autrement. En eet :
Dans le cas dun modle de simulation :
Le simulateur est analogique et un modle continu simpose.
Le simulateur est numrique et les deux types de modles sont envisageable
en considrant le schma dquivalence sur la gure 1.7.
Dans le cas dun modle de conduite :
Le rgulateur est analogique et un modle continu simpose.
Le rgulateur est numrique et un modle discret est ncessaire, si tou-
tefois on dsire optimiser lencombrement des vois de transmissions et la
charge du calculateur (cest--dire ne pas transposer systmatiquement les
11
STRUCTUREL)
Fig. 1.7 Schma dquivalence
rgulateurs continus en discrets, transposition justie uniquement pour
un pas dchantillonnage trs n). La priode dchantillonnage choisie est
naturellement la mme en identication quen commande ; et tout se passe
comme si on disposait de lobjet discret de la gure 1.8.
Fig. 1.8 Objet discret quivalent
Notons toutefois quau cours de ltablissement dun modle continu, le re-
cours un calculateur numrique peut savrer ncessaire (algorithmes de pro-
grammation non linaire P.N.L, transforme de fourier,...). Dans ce cas, la p-
riode dchantillonnage est choisie susamment ne de manire viter tout
recouvrement de spectre et demeurer muette vis vis de lexploitation des r-
sultats.
Le modle est paramtrique ou non paramtrique ? Dune manire g-
nrale, les modles non paramtriques exigent peu de connaissance priori de
12
la structure de lobjet, sont applicables la reprsentation de tous les objets
linaires et quasi-stationnaires et en particulier aux processus physiques dits
"paramtres rpartits".
Les modles paramtriques ncessitent la donne de lordre n (ordre ni) et
ne sont justis rigoureusement que dans le cas de processus dits " constantes
localises".
Cependant, tout modle non paramtrique nest pas simulable directement
partir des relations entre/sortie donnes dans 1.2.2. Par exemple, la reprsen-
tation par une squence de pondration a(k) ( priori innie) ne conduit un
modle de simulation quaprs troncature de la squence a(k) aux N premiers
termes o N est la mmoire approximative du systme (a(k) = 0 pour k > N)
De plus, la synthse dune loi de commande nest pas facilite par de tels mo-
dles (les thories utilisent le plus souvent un modle paramtrique).
Nous verrons par la suite quun modle non paramtrique conduit des algo-
rithmes didentication trs simples et son tablissement sera souvent considr
comme une tape permettant de concentrer les rsultats dune exprience.
Le modle est dterministe ou stochastique Dans la plupart des cas
pratiques la modlisation qui nous intresse est celle de la relation dterministe
liant y
o
v u. Les perturbations dtat v sont alors considres comme une
gne importante vis vis de lidentication de cette relation. Le recours une
reprsentation stochastique a nalement pour but dliminer le biais caus par
les perturbations dans lestimation du modle dterministe.
Dans la suite, le modle dterministe est symbolis par la gure 1.9, et la repr-
sentation stochastique par la gure 1.10.
Fig. 1.9 Reprsentation dterministe
13
1.3. CRITRE DQUIVALENCE "OBJET-MODLE" (ASPECT
PARAMTRIQUE)
Fig. 1.10 Reprsentation stochastique
1.3 Critre dquivalence "objet-modle" (aspect
paramtrique)
lorsque la structure du modle a t dtermine, il reste xer les valeurs
numriques des coecients intervenant dans cette structure. Lensemble de ces
coecients est not vecteur paramtre P
m
que le modle soit paramtrique ou
non.
Exemple 2 Soit un systme linaire discret (objet) de mmoire approximative
N. Un modle "non paramtrique", par squence de pondration, est le suivant :
y
m
(k) =
N1
X
i=0
a
m
(i)u(k i)
Le vecteur paramtre est P
m
=
a
m
(0)
a
m
(1)
.
.
.
a
m
(N 1)
1.3.1 Dnition de lerreur

Dans le but de dnir des algorithmes destimation du vecteur paramtre, il
est courant de formuler une quivalence "objet-modle" pour une fonctionnelle
de type
kk =
Z
t0
0

2
(t)dt
M
X
1
2
(k)
!
o est lerreur de sortie donn par = y
m
y
o
. (cf. gure 1.11)
14
Fig. 1.11 Lerreur de sortie
Dans une interprtation dterministe, lerreur de sortie caractrise la dirence
de comportement (dun point de vue externe) entre lobjet et le modle.
1.3.2 Interprtation dterministe de lerreur de sortie
Supposons (problme abstrait) que le modle est lobjet aient une structure
identique. (Ce qui permet de dnir un vecteur "paramtre" objet P
0
).(cf. -
gure 1.12).
Fig. 1.12 Erreur de sortie (Interprtation)
On peut alors dnir une distance objet -modle par :
D(O, M) =
N
X
1
(P
m
i
P
o
i
)
2
=
N
X
1
(P
i
)
2
15
PARAMTRIQUE)
Cette distance ne peut videmment pas tre explicite car P
o
est inconnu
(distance dite de structure). (cf. gure 1.13)
Fig. 1.13 Distance de structure
La question suivante se pose : lannulation de la norme quadratique de lerreur
de sortie entrane-t-elle D(O, M) = 0 ?
En toute gnralit kk ninduit pas une distance paramtrique mais on peut,
sous certaines conditions, tablir une quivalence en se plaant au voisinage de
loptimum :
Dveloppons kk au second ordre par rapport aux P
m
i
au voisinage de P
m
i
= P
o
i
:
kk
P
o
+P
' kk
P
o+
N
X
i=1
kk
P
m
i
P
m
i
=P
o
i
P
i
+
1
2
N
X
i=1
N
X
j=1

2
kk
P
m
i
P
m
j
!
P
m
=P
o
P
i
P
j
(1.4)
en posant :
(kk)
T
P
0 =
"
. . . , . . . ,
kk
P
m
i
P
m
i
=P
o
i
, . . . , . . .
#
et :
H = [h
ij
]
P
o
avec h
ij
=

2
kk
P
m
i
P
m
j
!
P
m
=P
o
(H est appel le Hessien, le gradient).
16
do :
kk
P
o
+P
' kk
P
o + (kk)
T
P
0 .P+
1
2
(P)
T
.H. (P) (1.5)
kk
P
o
= 0

kk
P
m
i
P
m
=P
o
= 2
Z
t
0
0
(y
m
y
o
)
y
m
P
m
i
dt = 0
car y
m
y
o
= 0 pour P
m
= P
o
(lobjet et le modle ont la mme structure)

2
kk
P
m
i
P
m
j
!
= 2
Z
t
0
0
(y
m
y
o
)

2
y
m
P
m
i
P
m
j
dt+2
Z
t
0
0
y
m
P
m
i
y
m
P
m
j
dt = 2
Z
t
0
0
y
m
P
m
i
y
m
P
m
j
dt
soit :
kk
P
o
+P
'
1
2
(P)
T
H (P) (1.6)
kk peut tre donc approxime, au voisinage de loptimum, par une forme qua-
dratique en P. Il sagit dtablir quelle est dnie positive :
H = 2
Z
t0
0
.
.
.
i
.
.
.
. . .
j
. . .

dt = 2
Z
t0
0
. . .
i
j
. . .
dt
en posant :
i
(t) =
y
m
P
m
i
(
i
(t) : fonction de sensibilit) et
T
=

1

i

N

H = 2
Z
t
0
0

T
dt
soit :
kk
P
o
+P
'
Z
t
0
0
(P)
T
T
(P) =
Z
t
0
0
T
P
T
P
dt
=
Z
t
0
0
T
P
2
dt
car

T
P
est un scalaire.
Il apparat donc, sous condition dindpendance des fonctions de sensibilit sur
lhorizon (0, t
0
), que la forme quadratique
1
2
(P)
T
H (P) est dnie positive
et par la mme, lquivalence entre la norme kk et D(O, M).
1.3.3 Validit dun modle - Nature des signaux dentre
La plupart des mthodes didentication visent ajuster le comportement
temporel du modle avec celui de lobjet, pour une classe de signaux dentre
xe, en gnral en fonction du but de lopration.
17
PARAMTRIQUE)
Fig. 1.14 Systme
Exemple 3 Soit identier un objet dans le but de dnir laction proportion-
nelle ncessaire assurer la stabilit du systme boucl (cf. gure 1.14). On sais
que le comportement en boucle ferme est dduit du comportement frquentiel en
boucle ouverte au voisinage des frquences o le dphasage est de 135
. Il sut
donc davoir concidence des rponses frquentielles du modle et de lobjet dans
ce voisinage pour obtenir une prdtermination correcte de la boucle ferme (cf.
gure 1.15). Cependant, les comportements temporels de lobjet et du modle en
Fig. 1.15 Rponses harmoniques en boucle ouverte (Plan de Black)
boucle ouverte, en rponse un chelon, peuvent tre trs dirent. (cf. gures
1.16 et1.17)
Cependant, les "bons" signaux dexcitation dpendent aussi des caractris-
tiques ( priori inconnues) de lobjet. Ainsi, on conoit aisment que pour ajuster
18
Fig. 1.16 Rponse temporelle en boucle ouverte
Fig. 1.17 Rponse temporelle en boucle ferme
19
PARAMTRIQUE)
un paramtre du modle avec une bonne prcision, toute modication de celui-ci
doit entraner une modication sensible de y
m
. Autrement dit, les coecients
de sensibilit
i
(t) =
y
m
P
m
i
ne doivent pas tre ngligeables dune part et tre
indpendants (voir la conclusion de la section 1.3.2) dautre part.
do :
Il faut choisir une structure du modle "minimale" de manire ne prendre
en compte que les paramtres qui agissent ecacement sur la sortie.
Il faut disposer de signaux dentre, susamment riches en information
dans le domaine temporel (ou frquentiel) que lon dsire explorer. Par
exemple : chelon, squences binaires alatoires, signaux impulsionnels,. . .
Exemple 4 Soit identier le systme donn par la gure 1.18.Hypothses :
Fig. 1.18 Objet identier
Caractrisation idale du modle sous la forme :
K
(1 +T
1
p)(1 +T
2
p)
Absence de bruit de mesure et de perturbations.
u(t) est un signal harmonique pur de pulsation 1rd/s.
Conclusion 5 Il existe une innit de K, T
1
, T
2
qui annulent lerreur de sortie,
car le signal dentre tant harmonique, les trois fonctions de sensibilit sont
aussi harmoniques donc dpendantes.
Deux solutions sont alors envisageables :
Rduction du modle

par exemple sous la forme
1
p(1+
1
p)
Choix dun signal dexcitation plus riche en information (chelon, combi-

naison de plusieurs pulsations, . . . )
20
1.3.4 Linitialisation du modle
Au dpart dune exprience sur lobjet, les conditions initiales de celui-ci sont
inconnues. En consquence, y
o
v est leet non seulement de la commande
mesure depuis le dbut de lexprience mais aussi de tout le pass (rsum
dans ltat initial). Do la ncessit dune phase dinitialisation : cette phase
consiste gnralement nexploiter la sortie y
o
quau bout dun temps T
0
(ou
N) correspondant la mmoire estime de lobjet (cf. gure 1.19).
Fig. 1.19 Droulement de lexprience
En eet, pour t > T
0
(k > N) lvolution du systme ne dpend pratiquement
plus des conditions initiales.
1.3.5 Lobjet est insr dans une boucle de rgulation
On considre le schma de la gure 1.20.La consigne a ici pour rle de xer le
point de fonctionnement autour duquel on dsire obtenir un modle dynamique
de lobjet (donc, dun point de vue dynamique, on peut considrer que C = 0).
Lexprience peut tre mene de deux manires :
On ajoute un signal danalyse w et lon observe w, u et y
o
que lon exploite
par la suite.
On observe simplement u et y
o
(donc avec w = 0 - le signal de commande u
nest pas constant car il dpend des perturbations v). Dans ce cas, lorsque
le rgulateur R est linaire , on montre que toute tentative didentication
du comportement dynamique de lobjet, partir des donnes u et y
o
,
par des mthodes qui nexigent pas explicitement une structure causale
du modle (par exemple les mthodes fondes sur lanalyse spectrale),
conduit identier linverse du rgulateur et non lobjet (cf. gure 1.21).
21
PARAMTRIQUE)
Fig. 1.20 Objet insr dans une boucle de rgulation
Fig. 1.21 Erreur : identication de linverse du rgulateur
22
1.4 Algorithme didentication
Lidentication dun objet va comporter les tapes suivantes :
exploitation de connaissances priori, ltablissement de modles analy-
tiques,
dnition des conditions dexpriences,
choix dune structure de modle, et de signaux danalyse (tape de carac-
trisation),
exprimentation et enregistrement de donnes,
application dalgorithmes didentication,
vrication du modle obtenu, et retour ventuel la premire tape.
Dans la suite, nous allons nous limiter la description dalgorithmes, ce qui
ne correspond en fait qu une faible partie du travail global didentication.
Ces algorithmes reviennent dterminer un vecteur paramtre en minimisant
de manire plus ou moins explicite un critre derreur. Selon la manire dont la
minimisation est conduite, on distingue :
Les mthodes directes : dans lesquelles le modle (ou bien tout paramtre
le caractrisant), est reli de manire explicite aux observations. (solution
de systme dquations linaires, relevs de caractristiques graphiques,
...)
Les mthodes itratives : dans lesquelles tout paramtre est modi
chaque cycle selon une loi de type :
P(k + 1) = P(k) (k)

P(k)
o k est le numro de cycle, est le plus souvent le gradient et (k) un
paramtre constant ou variable.
Le choix entre ces deux types de mthode est dict par la manire dont le
problme est formul.
En eet, si le vecteur paramtre est solution dun systme dquation linaire,
une mthode directe est possible, sinon on a recours une mthode itrative.
Ce concept de linarit en paramtre, fondamental pour les algoritmes diden-
tication, est sans rapport avec la linarit dynamique de la thorie des systmes
comme le montrent les exemples suivants :
Exemple 6 Soit identier un objet discret par le modle paramtrique sui-
vant :
y
m
(k) = y
m
(k 1) +u(k)
Linconnue peut tre estime partir des observations u(k) et y
o
(k), en r-
23
1.4. ALGORITHME DIDENTIFICATION
solvant le systme dquation suivant :
y
0
(0) = u(0)
y
0
(1) = y
0
(0) +u(1)
y
0
(2) = y
0
(1) +u(2)
.
.
.
Ce systme dquation (surrabondant) est linaire par rapport .
Un modle non paramtrique quivalent au prcdent est :
y
m
(k) =
k
X
i=0
a
m
i
u(k i) avec a
m
(i) =
i
do le systme dquations, non linaire en :
y
0
(0) = u(0)
y
0
(1) = u(0) +u(1)
y
0
(2) =
2
u(0) +u(1) +u(2)
y
0
(3) =
3
u(0) +
2
u(1) +u(0) +u(3)
.
.
.
Exemple 7 Soit un objet discret que lon modlise par lquation suivante :
y
m
(k + 1) = (y
m
(k))
2
+u(k)
Ce modle est celui dun systme dynamique non linaire, et pourtant le pa-
ramtre peut tre obtenu partir de la rsolution dun systme dquations
linaires :

y
0
(1) =
y
0
(0)
2
+u(0)
y
0
(2) =
y
0
(1)
2
+u(1)
.
.
.
En conclusion, on retiendra que la linarit en comportement dynamique et
la linarit en paramtre sont des choses distinctes et quil est parfois possible
de transformer un systme dquation non linaire en un problme linaire (et
inversement).
24
Chapitre 2
Mthodes directes
Nous alons distinguer dans ce chapitre les mthodes dites graphiques (cest-
-dire - simples du point de vue thorique et exprimental - ne rclamant aucun
calcul complexe) de mthodes plus volues ncessitant lutilisation de calcula-
teurs numriques.
Il est noter que ces mthodes graphiques, bien que ntant pas toujours les plus
performantes, sont le plus couramment utilises et apprcies dans le domaine
industriel.
2.1 Analyse harmonique
Le modle adopt est ici la rponse frquentielle (modle non paramtrique).
Notons que cette rponse est directement exploitable pour la synthse de cor-
recteurs et ltude de la stabilit en thorie des asservissements.
Principe
Lobjet est soumis une excitation harmonique du type u(t) = u
k
sin(w
k
t)
et lon procde aprs extinction du rgime transitoire, lenregistrement des
signaux dentre et de sortie (cf. gure 2.1).
Cette exprience est ralise pour direntes pulsations. On relve ensuite, sur
les enregistrements, le gain et le dphasage de lobjet aux diverses pulsations.
Ces points, reports dans le plan de Bode ou de Nyquist, aprs interpolation per-
mettent dobtenir un trac continu constituant un modle "non paramtrique"
de lobjet.
Mise en oeuvre
Pour un processus susamment rapide (du type servomcanisme) on peut se
dispenser de raliser des enregistrements en disposant dun gnrateur harmo-
25
2.1. ANALYSE HARMONIQUE
Fig. 2.1 Analyse harmonique
nique phase variable. La mesure de phase et de gain se fait alors directement
loscilloscope.
Pour les processus lents et perturbs, un enregistrement est le plus souvent
indispensable. Notons quil existe des appareils spcialiss appels "transfro-
mtres" qui eectuent automatiquement une telle analyse.
Domaine de validit - Intrt
Une caractristique importante des mthodes harmoniques est lie au fait
que le signal sinusodal nest pas riche en information. Le nombre de frquences
dessai doit tre donc lev. En pratique, il est susant de couvrir une deux
dcades, avec 3 10 points par dcade.
Il est remarquer que le signal harmonique nest pas un signal habituel de
commande dun systme rel. Lapplication de cette mthode ncessite donc
limmobilisation de lobjet.
Pour un processus lent (temps de rponse suprieur 10 secondes) on conoit
aisment que cette procdure soit fastidieuse.
Cette mthode, lorsquelle ne conduit pas un temps dexprimentation trop
lent, est cependant excessivement intressante car :
Elle ncessite peu de connaissances priori de lobjet (il est susant de
connatre grossirement la gamme danalyse en frquence et en amplitude).
Elle est simple mettre en oeuvre.
Elle permet une linarisation autour dun point de fonctionnement en ne
considrant que le premier harmonique de sortie.
Elle peut tre applique en boucle ferme, lorsque les perturbations ne
sont pas elles aussi harmoniques la mme pulsation que lentre, et cela
sans rduction de sensibilit.
26
CHAPITRE 2. MTHODES DIRECTES
Elle est particulirement bien adapte ltude de la stabilit.
Elle permet de dduire rapidement le fonctionnement en boucle ferme
partir dune analyse restreinte au voisinage de la frquence de coupure.
2.2 Analyse indicielle
Le modle adopt est celui par rponse indicielle et cest encore un modle
non paramtrique. Cette reprsentation peut tre directement exploitable pour
le rglage de rgulateurs PI ou P.I.D (mthode de Ziegler Nichols), mais le plus
souvent on cherche paramtrer cette rponse (voir la section 2.4).
Principe
Lobjet est soumis une variation brusque de commande, et lon enregistre
leet de sortie (cf. gure 2.2).
Fig. 2.2 Analyse indicielle
La rponse lchelon unit, obtenue simplement par mise lchelle de la sortie,
constitue un modle non paramtrique de lobjet.
Intrt, domaine dapplication
Lchelon est trs riche en information, et priori un seul enregistrement
sut. En fait il faut faire extrmement attention aux conditions dexprience
car celle ci ne peuvent tre valides que si le systme est initialement au repos
et si les perturbations intervenant en cours dessai sont ngligeables.
Notons que lchelon est un signal de commande naturel dun processus, et
en ce sens lanalyse indicielle fournit des renseignements extrmement utiles
la synthse dune commande.
27
2.3. ANALYSE IMPULSIONNELLE
Retenons toutefois que lobjet ne peut tre insr dans une boucle de rgulation
(la commande de lobjet ne serait pas un chelon).
2.3 Analyse impulsionnelle
Limpulsion idale (t) ne peut tre simule. On peut cependant esprer ob-
tenir une rponse proche de la rponse impulsionnelle en appliquant lobjet le
signal donn par la gure 2.3.
Fig. 2.3 Signal dexcitation - rponse impulsionnelle
Ce signal est une impulsion au sens lectronique du terme, de largeur et de
surface S. La rponse de lobjet est proche de Sh(t) si T
0
(o T
0
est le
temps de rponse, et h(t) la rponse impulsionnelle exacte du systme).
En pratique cette mthode est rarement applique car limpulsion et de faible
nergie (la largeur est telle que T
0
et la hauteur est limite par les
saturations).
2.4 Approximation par un modle paramtrique
2.4.1 A partir de la rponse harmonique
La mthodes la plus simple consiste comparer la rponse harmonique ex-
primentale diverses rponses typiques (1
er
ordre, 2
nd
ordre, voir lannexe 2)
Lorsque la rponse exprimentale est plus complexe on peut tenter la mise en
srie de dirents modles classiques, en approximant la rponse globale par un
jeu dasymptotes dans le plan de Bode.
28
Lapproximation asymptotiques est largement facilite par confrontation des
courbes de gain et de phase et en notant que cette dernire est plus sensible
la position des frquences de brisure que ne lest la courbe de gain.
La connaissance priori de la structure dun modle paramtrique peut tre
extrmement utile dans cette recherche (surtout lorsque cette structure est s-
rie).
2.4.2 A partir de la rponse indicielle - Mthode de Strejc
Ici encore on a intrt consulter un catalogue de rponses typiques. Lexa-
men de cette rponse permet :
destimer la mmoire approximative de lobjet,
de dceler la prsence dun retard pur, dune intgration, dun bloc
dphasage non minimal,
de prciser le degr du numrateur de la fonction de transfert par rapport
au dnominateur en observant la tangente lorigine (si cette tangente est
nulle le degr du dnominateur est suprieur celui du numrateur dau
moins deux units).
de dceler la prsence de zros, ou de ples complexes conjugus lorsquil
y a dpassement.
Le modle Cette mthode peut sappliquer aux systmes dont la rponse
indicielle ne prsente pas de dpassement. On identie une fonction de la
forme :
T(p) =
K.e
.p
(1 +T.p)
n
(2.1)
Les paramtres identier sont donc :
le gain statique K,
le retard ,
la constante de temps T
et lordre n.
La gure 2.4 reprsente les rponses indicielles pour plusieurs jeux de para-
mtres.
La mthode Pour identier le systme, la mthode peut se dcomposer en :
Le gain statique est mesur directement par la valeur nale de la sortie.
Celle-ci vaut K.E
0
o E
0
est lamplitude de lchelon dentre.
On trace la tangente au point dinexion I pour dterminer deux valeurs :
T
1
et T
2
. Voir gure 2.5 pour la mesure de ces deux temps.
Relever T
1
et T
2
, en dduire lordre n en utilisant le tableau 1. Entre deux
lignes du tableau, on choisit la valeur de n la plus petite.
Dterminer la constante de temps partir de
T2
T
du tableau.
29
2.4. APPROXIMATION PAR UN MODLE PARAMTRIQUE
Fig. 2.4 Rponses de modles de Strejc pour K = 1, T = 1
Dterminer le retard quand il existe partir de la dirence entre la
valeur de T
1
mesure et celle donne par la colonne
T
1
T
2
du tableau.
n
T
1
T
T
2
T
T
1
T
2
1 0 1 0
2 0.28 2.72 0.1
3 0.8 3.7 0.22
4 1.42 4.46 0.32
5 2.10 5.12 0.41
6 2.81 5.70 0.49
Exemple Pour tester cette mthode, nous partons dun systme dont la fonc-
tion de transfert est :
T(p) =
100
(p + 4)(p + 5)(p + 1)
Sa rponse indicielle est sur la gure 2.6 en trait plein.
30
Fig. 2.5 Mthode pour obtenir T
1
et T
2
Le gain statique est mesur directement par la valeur nale de la sortie :
K = 5
On trace la tangente au point dinexion I et on mesure : T
1
= 0, 27 et
T
2
= 1, 76
Daprs le tableau, avec
T
1
T
2
= 0.15, un ordre n = 2 semble convenir.
La constante de temps est value partir de
T
2
T
= 2.72 au tableau. Cela
donne T = 0.65s.
Daprs le tableau,
T
1
T
= 0.28, ce qui donnerait une valeur de T
1
= 0.18.
Or on mesure T
1
= 0.27. On peut en dduire un retard = 0, 09
La mthode identie la rponse indicielle comme tant proche de celle du
systme suivant :
T(p) =
5.e
0.09p
(1 + 0.65p)
2
La rponse de ce systme est trace dans la gure 2.6 en trait pointill. On
peut noter la grande ressemblance avec celle du systme de dpart alors quon
a identi un deuxime ordre avec retard au lieu dun troisime ordre.
31
Fig. 2.6 Rponses du systme de dpart et du systme identi
32
2.4.3 Apartir de la rponse indicielle - Mthode de Broda
Le modle propos pour approcher le comportement du systme est un pre-
mier ordre avec un retard pur. Sa fonction de transfert est :
T(p) =
K.e
p
1 +Tp
(2.2)
Le principe nest pas de faire concider la tangente au point dinexion (souvent
imprcis) mais dajuster les paramtres T et pour que les courbes de rponse du
modle et du processus aient deux points communs judicieusement choisis. Les
points communs C
1
et C
2
habituellement utiliss correspondent respectivement
28% et 40% de la valeur nale. Le modle de Broda donne les points C
1
et
C
2
pour les dates suivantes :
s(t)
K.E
0
= 0.28 =
t
T
= 0.328
s(t)
K.E
0
= 0.40 =
t
T
= 0.510
La mthode didentication sappuie sur les rsultats prcdents. Soient t
1
et
t
2
les temps au bout desquels la rponse exprimentale atteint respectivement
28% et 40% de la valeur nale. On va simplement rsoudre le systme donn
par :
t
T
= 0.328 =t = 0.328T (2.3)
t
T
= 0.510 =t = 0.510T (2.4)
La rsolution de ces quations donne :
T = 5.5(t
2
t
1
) (2.5)
= 2.8t
1
1.8t
2
(2.6)
Le gain K est dtermin comme dans la mthode de Strejc avec la valeur nale
de la sortie.
Pour lexemple prcdent, la mthode de Broda donne le modle suivant :
T(p) =
5.e
0.375p
(1 + 1.12p)
La gure 2.7 donne les courbes de rponse du systme rel et du modle de
Broda. La concordance des deux points C
1
et C
2
est bien vrie.
2.4.4 Processus Intgrateur
Les systmes contenant un intgrateur ont une rponse indicielle en rampe,
en rgime permanent. Lasymptote de cette rponse est une droite dquation
y = a(t t
1
) de pente a et qui coupe laxe des abscisses pour t = t
1
(voir
33
Fig. 2.7 Courbe relle approche par un modle de Broda
34
Fig. 2.8 Courbe relle approche par un intgrateur retard
gure 2.8). On identie la rponse du systme rel la rponse dun systme
intgrateur pur avec retard cest dire avec la fonction de transfert suivante :
T(p) =
K.e
p
p
(2.7)
Les paramtres de ce systme sont donns par :
K =
a
E
0
= t
1
o E
0
est lamplitude de lchelon appliqu en entre.
2.5 Obtention dun modle non paramtrique
Le but de ces mthodes est de calculer la rponse impulsionnelle ou frquen-
tielle dans des conditions de fonctionnement de lobjet plus complexes que celles
imposes par des entres harmoniques ou en chelon.
2.5.1 Problme prliminaire : Passage dune rponse im-
pulsionnelle une rponse harmonique
Supposons disposer dun modle sous forme dune rponse impulsionnelle
relative lobjet continu :
35
2.5. OBTENTION DUN MODLE NON PARAMTRIQUE
Le problme pos est le suivant :
Quelles zones de la rponse frquentielle est-il ncessaire dobtenir avec
prcision dans un but de commande ?
Quels sont les calculs mis en oeuvre pour quil en soit ainsi ?
La rponse la prmire question a dj t donne partiellement dans le
chapitre 1. Prcisons cette ide : si notre but est de raliser une commande en
boucle ferme (commande du type PID), le comportement du systme boucl
dpend essentiellement de lallure de la rponse frquentielle de lobjet au voisi-
nage de la frquence de coupure du systme corrig. Le problme peut paratre
ici insoluble car la correction dpendra prcisment de lidentication de lobjet.
En fait, la ralit nest pas exactement ainsi car les performances attendues en
boucle ferme (du type temps du premier maximum t
m
en rponse un chelon,
assorti dun amortissement convenable) xent ce voisinage frquentiel partir
de la relation approximative w
c
t
m
' .
Il est bien vident, par ailleurs, que le temps t
m
est choisi partir dune connais-
sance priori de lobjet, et il est raisonnable de prendre t
m
voisin de .t
0
o
t
0
est le temps de rponse 5% de lobjet, et compris entre 1 et 1/3 (par
exemple, on choisit = 1/3 lorsque lobjet semble dordre faible et sans retard
pur).
Exemple Soit un objet prsentant la rponse indicielle donne par la gure
2.9.
Lobjet semble dordre peu lev , et lon choisira =
1
3
do :
Fig. 2.9 Rponse indicielle
t
m
=
t
0
3
=f
c
'
3
2t
0
36
En consquence, on explorera avec attention une gamme frquentielle dau moins
une dcade centre sur cette frquence, soit
1
2t
0
6 f 6
10
2t
0
.
En cas dutilisation dun programme de transforme de fourier rapide (pro-
gramme FFT) on pourra par exemple :
Calculer la rponse impulsionnelle sur lhorizon (0t
0
) (o t
0
est le temps
de rponse 5% environ) en 64 points quidistants dun intervalle T.
Complter cette rponse 128 ou 256 points par des zros (soit h
n
cette
squence de M points)
Appliquer lalgorithme FFT cest--dire faire le calcul de la transforme
de Fourier discrte de la squence h
n
soit :
H
k
=
M1
X
n=0
h
n
exp
2knj
M
0 6 k 6 M 1 (2.8)
o H
k
est (au recouvrement de spectre prs) la valeur de la rponse fr-
quentielle en k
1
MT
, soit H
k
'
1
T
H(2jf) pour f = k.
1
MT
.
Cette mise en oeuvre nest donne qu titre dexemple.
On retiendra cependant que seule la partie signicative de la rponse im-
pulsionnelle doit tre calcule (cest--dire sur un horizon 0 t
0
) mais
par contre, dans le cas de lutilisation de lalgorithme FFT, cette rponse
doit tre complte par des zros an dobtenir une meilleure dnition
de la rponse frquentielle (cette nesse danalyse est gale linverse de
lhorizon de la rponse temporelle soit
1
MT
).
2.5.2 Principe du traitement numrique des donnes par
corrlation
Dans le but dliminer leet des perturbations, sans avoir recours un
modle stochastique, on peut envisager le traitement par corrlation suivant
(gure 2.10) :
Donnes
Lobjet est suppos discret et caractris par une squence de pondration
a
o
(i).
w(k) est une squence de nombres (squence danalyse) simulant une ra-
lisation de processus alatoire stationnaire dordre deux et ergodique.
w(k) et u(k) sont corrls :
wu
6= 0
w(k) et v(k) ne sont pas corrls :
wv
= 0
37
Fig. 2.10 Schma du traitement par corrlation
Problme Soit calculer
wy
o(k).
y
o
(k) =

X
l=0
a
o
(l)u(k l) +v(k) (2.9)
wy
o(k) = E{w(i)y
o
(i +k)} = E
(
w(i)

X
l=0
a
o
(l)u(k +i l)
)
+E{w(i)v(k +i)}
| {z }
wv
=0
wy
o(k) =

X
l=0
a
o
(l)E{w(i)u(k +i l)} + 0 (2.10)
wy
o(k) =

X
l=0
a
o
(l)
wu
(k l) (2.11)
On aboutit au schma quivalent donn par la gure 2.11.
Fig. 2.11 Schma quivalent
o
wy
o(k) est la sortie ctive de lobjet lorsque
wu
(k) est son entre.
Le prtraitement des mesures w, u et y
o
par la mthode de corrlation per-
met donc, en toute thorie, dliminer leet des perturbations.
38
Les aspects pratiques du calcul des fonctions
wu
et
wy
o serons envisags dans
la suite pour le cas particulier o w(k) est une squence binaire pseudo alatoire.
Application 1 Soit le schma de la gure 2.12, o u(k) = w(k) + x(k) avec
wx
= 0
Fig. 2.12 Application 1
Dans ce cas :
wu
(k) = E{w(i).u(i +k)} (2.12)
= E{w(i).w(i +k) +w(i).x(i +k)}
= E{w(i).w(i +k)}
=
ww
(k) (2.13)
do :
wy
o(k) =

X
l=0
a
o
(l)
ww
(k l) (2.14)
soit donc le schma de la gure 2.13.
Fig. 2.13 Application 1 : schma quivalent
Ce prtraitement peut dailleurs conduire directement lobtention dun modle
par squence de pondration si lon choisit le signal danalyse w(k) de telle faon
39
que
ww
(k) =
2
(k). (w(k) est alors une ralisation dun bruit blanc discret).
Dans ces conditions, il est clair que :
wy
o(k) =
2
a
o
(k) (2.15)
Application 2 Lobjet est insr dans une boucle de rgulation (cf. gure
2.14).
Fig. 2.14 Application 2 : Objet insr dans une boucle de rgulation
Le prtraitement par corrlation conduit au schma quivalent donne par la
gure 2.15, o lobjet nest plus insr dans une boucle.
Fig. 2.15 Application 2 : schma quivalent
2.5.3 Utilisation des squences binaires pseudo alatoires
En pratique, w(k) est gnre par un calculateur numrique.
40
w(k) est une squence binaire de nombres valant A, priodique, de priode
N, et dont la fonction dautocorrlation est reprsente sur la gure 2.16.
Fig. 2.16 Fonction dautocorrlation dune SBPA
La mise en oeuvre sur calculateur suppose le schma suivant (cf. gure 2.17).
La tche du calculateur consiste en :
la gnration de la squence w(k),
llaboration (ou lacquisition) de la grandeur de commande u(k) = x(k)+
w(k)
le traitement des signaux w(k), u(k) et y
o
(k) par corrlation.
Les fonctions dintercorrlation sont calcules par les formules suivantes,
compte tenu du caractre priodique de w(k) :
(

wy
o(k) =
1
KN
P
KN1
i=0
y
o
(i).w(i k)
wu
(k) =
1
KN
P
KN1
i=0
u(i).w(i k)
avec 0 k N 1 (2.16)
o K est un nombre entier trs grand priori ; et N la longueur de la squence
w(k).
Le nombre K peut tre rduit lunit lorsque les signaux y
o
(k) et u sont
priodiques de priode N (Ceci suppose en particulier que les perturbations
soient nulles).
Lintgration sur un horizon KN ayant pour but dliminer ces bruits, KN
doit tre dautant plus lev que leur niveau est important.
41
Fig. 2.17 Mise en oeuvre sur calculateur numrique
Quand au nombre N, il doit tre choisit de telle sorte que N soit suprieur
ou gal la mmoire de lobjet discret. Le choix de N est donc li au choix de
la priode dchantillonnage dans le cas dun objet continu (NT T
0
) :
sil sagit destimer un modle continu on a intrt choisir un pas dchan-
tillonnage n, donc un nombre N lev (N = 63, 127, 255, . . .),
sil sagit dtablir un modle numrique de conduite, un hcantillonnage
conduisant N = 15, 31 ou 63 est le plus souvent susant (en respectant
toutefois NT T
0
).
Lestimation des fonctions de corrlation par les formules prcdentes sup-
posent la stationnarit des signaux u, y
o
et w. Cette stationnarit peut tre
obtenue pratiquement en appliquant depuis linstant N la squence w(k) (cf.
gure 2.18).
Fig. 2.18 Droulement de lexprience
42
En eet, N tant suprieur la mmoire de lobjet, tout se passe linstant 0
comme si la squence w(k) existait depuis .
Linterprtation des rsultats conduit distinguer les deux applications envi-
sages.
Application 1 Le calcul de
wy
o(k) sut car
ww
(k) est connue.
Si les conditions prcdentes relatives K et N sont repsectes, nous pouvons
crire (cf. gures 2.19 et 2.20).
Fig. 2.19 Fonction dautocorrlation
ww
(k)
Do, puisque
wy
o(k) est la rponse de lobjet
ww
(k) :
wy
o(k) ' A
2
1 +
1
N
a
o
(k) +, : constante
Cette constante peut tre aisment value lorsque a
o
(0) = 0 (ce qui est en
gnral le cas) soit :
wy
o(k)
wy
o(0) = A
2
1 +
1
N
.a
o
(k) (2.17)
Le traitement conduit donc la connaissance approche de la squence de pon-
dration de lobjet discret schmatis par la gure 2.21.
43
Fig. 2.20 Fonction dintercorrlation
wy
o(k)
Fig. 2.21 Application 1
44
On tablit immdiatement la relation entre a
o
(k) et la rponse impulsionnelle
du systme continu :
a
o
(k) =
Z
kT
(k1)T
h
o
()d (2.18)
et pour T susamment faible : a
o
(k) ' T.h
o
(kT).
Application 2 Le traitement ne comporte pas de simplication et le calcul
explicite de
wu
et
wy
o est ncessaire.
Le problme de dpart a t remplac par un problme plus simple o les nou-
velles squences dentre et de sortie ctives de lobjet vont tre traites par des
mthodes dcrites ultrieurement (moindres carrs, mthode du modle,...).
Conclusion Le traitement par corrlation, associ lanalyse par signaux
binaires constitue une mthode puissante dtude des systmes physiques rels.
2.5.4 Mthode des moindres carrs applique lobten-
tion dune squence de pondration (dconvolution
numrique)
Considrons ici un objet discret, de mmoire approximative N dont on
cherche un modle par squence de pondration :
y
m
(k) =
N1
X
i=0
a
m
(i).u(k i) avec

a
m
(i) = 0
pour i > N
(2.19)
Pour M observations, lquation prcdente scrit sous forme matricielle (M >
N) :
y
m
(1)
y
m
(2)
.
.
.
.
.
.
y
m
(M)
u(1) u(0) . . . u(N + 2)

u(2) u(1)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
u(M) . . . . . . u(M N + 1)
a
m
(0)
a
m
(1)
.
.
.
.
.
.
a
m
(N 1)
Y = AP
m
(2.20)
Le vecteur modle paramtre P
m
est obtenu en minimisant la fonction de cot :
Q = [Y
o
AP
m
]
T
[Y
o
AP
m
] (2.21)
o Y
o
est le vecteur dobservation de la sortie objet : Y
o
= [y
o
(1), y
o
(2), . . . , y
o
(M)]
T
Pour cette structure de modle (reprsentation par squence de pondration)
45
Fig. 2.22 Mthode des moindres carrs
la mthode des moindres carrs revient bien minimiser lerreur de sortie car
la matrice A ne dpend que de lentre (cf. gure 2.22) :
La solution est alors donne par :
P
m
= (A
T
A)
1
A
T
Y
o
(2.22)
Lorsque le bruit v nest pas corrl avec la matrice A, la mthode ne prsente
pas de biais systmatique. On montre de plus que, si v est un bruit blanc gaus-
sien, lestimation est optimale.
La comparaison de cette mthode avec la mthode de corrlation fournit une
interprtation intressante :
A
T
A
M

P
m
=
A
T
Y
o
M
(2.23)
On vrie aisment que, pour M trs lev :
A
T
A
M
'
uu
(0)
uu
(1) . . .
uu
(N 1)
uu
(1)
uu
(0)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
uu
(N 1) . . . . . .
uu
(0)
(2.24)
Par exemple : le terme not
uu
(0) correspond
1
M
u
2
(1) +u
2
(2) +u
2
(3) +. . . +u
2
(M)
qui est bien une estimation de la fonction dautocorrlation de lentre u pour

un retard nul.
46
On vrie de mme que :
A
T
Y
o
M
=
uy
o(0)
uy
o(1)
.
.
.
uy
o(N 1)
(2.25)
do
uu
(0)
uu
(1) . . .
uu
(N 1)
uu
(1)
uu
(0)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
uu
(N 1) . . . . . .
uu
(0)
a
0
(0)
.
.
.
.
.
.
a
o
(N 1)
uy
o(0)
uy
o(1)
.
.
.
uy
o(N 1)
(2.26)
cest--dire :
uy
o(k) =
N1
X
i=0
a
0
(i)
uu
(k i) (2.27)
On retrouve ainsi la formule de corrlation, et lorsque u est une entre du type
bruit blanc la matrice A
T
A est diagonale, ce qui conduit :
A
T
Y
o
M
= P
m
uu
(0) (2.28)
Cette manire de procder vite linversion de la matrice A
T
A.
Dans le cas gnral linversion de A
T
A peut poser quelques problmes car son
dterminant est souvent trs faible et lon pourra avoir recours la mthode de
Choleski.
La comparaison avec la mthode de corrlation nous invite cependant choisir
une squence dentre riche en information, ce qui a pour eet de bien condi-
tionner la matrice A
T
A (interprte comme matrice de corrlation).
2.6 Obtention dun modle paramtrique
2.6.1 Notion dordre minimal
Si un systme abstrait dcrit par un modle non paramtrique possde une
reprsentation paramtrique, il en admet alors une innit dont lune est dordre
minimal.
Le problme de passage dune reprsentation non paramtrique une repr-
sentation paramtrique dordre minimal est le suivant :
47
2.6. OBTENTION DUN MODLE PARAMTRIQUE
Connaissant les coecients a(i) de la squence de pondration, il sagit de trou-
ver lquation dtat 2.29 (cas monovariable)dordre minimal reprsentant le
systme. Lordre sera dit minimal si et seulement si le triplet {F, G, H} est
entirement observable et commandable.
x(k + 1) = Fx(k) +Gu(k)

y(k) = Hx(k)
o x(k) est un vecteur dordre n (2.29)
Rappelons que :
Un systme est dit compltement commandable si, quelque soit ltat ini-
tial x(0), il existe une commande {u(0), u(1), . . . . . . . . .} qui transfre en
un temps ni le systme en un tat donn quelconque.
Soit x(k) ltat atteindre, et K le nombre de coups ncessaires. On
a alors :
x(k) = F
k
x(0) +
K1
X
i=0
F
Ki1
G.u(i) (2.30)
ou encore :
x(k) = F
k
x(0) +
F
K1
G|F
K2
G| . . . . . . |G
u(0)
u(1)
.
.
.
.
.
.
u(K 1)
(2.31)
On dmontre alors que la condition ncessaire et susante de commanda-
bilit complte est que la matrice de commandabilit C =

G|FG| . . . . . . |F
K1
G
soit de rang n, gal lordre de x.

Un systme est dit compltement observable sil est possible de retrouver
ltat initial x(0) partir de lobservation de la suite des sorties sur un
nombre ni dchantillons, pour une commande nulle :
y(k) = HF
K
x(0) (2.32)
Soit encore : [y(0), y(1), . . . . . . , y(K 1)] = x
T
(0)
H
HF
HF
K1
On dmontre que la condition ncessaire et susante dobservabilit com-

plte est que la matrice dobservabilit O =
H
HF
HF
K1
soit de rang
n.
48
Ces matrices de commandabilit et dobservabilit sont lies la dnition
de la matrice de Hankel :
H
r
=
a(1) a(n) a(r)

.
.
.
.
.
.
.
.
.
.
.
.
a(n) a(2n 1)
.
.
.
.
.
.
.
.
.
.
.
.
a(r) a(2r 1)
H
HF
HF
r1
G|FG| . . . . . . |F
r1
G
(2.33)
Lquation 2.33 donne la matrice de Hankel dordre r.
Daprs lexpression de la rponse impulsionnelle partir de lquation dtat :
a(i) = HF
i1
G
a(0) = 0
(2.34)
On en dduit donc que lordre de la ralisation minimale est gal au rang de la
matrice de Hankel (Rsultat extensible au cas multivariable).
Dans le cas monovariable on montre que la matrice de Hankel dordre n est
rgulire.
49
2.6.2 Recherche de lordre minimal par factorisation de la
matrice de Hankel
La matrice de Hankel tant symtrique, une factorisation en matrices trian-
gulaires est possible de la manire suivante :
a(1) a(n) a(r)

.
.
.
.
.
.
.
.
.
.
.
.
a(n) a(2n 1)
.
.
.
.
.
.
.
.
.
.
.
.
a(r) a(2r 1)
1 0 0 0
p
21
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
p
n1
1
.
.
.
.
.
.
.
.
.
.
.
.
p
r1
1
q
11
q
1n
q
1r
0 q
22
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 q
nn
.
.
.
.
.
. 0
.
.
.
.
.
.
0
.
.
.
H
r
= PQ (2.35)
Par construction la matrice P est de rang r, donc la matrice Q est dun rang
gal celui de la matrice de Hankel.
En consquence le premier terme nul sur la diagonale principale de la matrice
Q xe le rang de H
r
(cest le premier bloc de H
r
qui est rgulier).
On remarque que cette factorisation est simple raliser au point de vue num-
rique :
q
1i
= a(i)
p
21
q
11
= a(2) =p
21
=
a(2)
q11
connaissant p
21
on peut dterminer la seconde ligne de Q et ainsi de suite,
jusqu ce que lon rencontre un zro sur la diagonale de Q.
En pratique la squence de pondration nest connue quavec une certaine
erreur , ce qui conduit dnir une matrice de Hankel avec un ordre quasi
inni (la squence derreur additionnelle est considre comme la squence de
pondration dun systme nadmettant pas, priori, de reprsentation param-
trique). Il convient donc de rechercher la nullit des termes diagonaux de Q en
tolrant une erreur.
50
2.6.3 Recherche de lordre par essais successifs
Une mthode plus simple et plus systmatique consiste rechercher leca-
cit de lordre dun modle. Pour cela :
1. On se xe un ordre minimum priori (par exemple n = 1).
2. On recherche les paramtres du modle correspondant (daprs les m-
thodes paramtriques dcrites dans la suite).
3. On mesure lecacit de lordre en construisant une fonction de cot nor-
malise du type :
Q =
P
M
k=1
{y
o
(k) y
m
(k)}
2
P
M
k=1
{y
o
(k)}
2
(2.36)
o y
o
(k) est la sortie exprimentale de lobjet (squence de longueur M)
et y
m
(k) est la sortie du modle calcule pour les paramtres dtermins
prcdemment, ce modle tant soumis la mme entre que lobjet.
4. On fait n = n + 1 et on reprend les oprations (2) et (3).
5. On construit la courbe decacit Q = F(n), donne par la gure 2.23.
Fig. 2.23 Courbe decacit
On notera que pour le graphe prcdent il est raisonnable de choisir n = 3.
2.6.4 Mthode des moindres carrs
Cette mthode est applique ici la dtermination dun modle par lqua-
tion aux dirence dordre n (n est donn).
y
m
(k) =
n
X
i=1
m
i
y
m
(k i) +
n
X
j=1
m
j
u(k j) (2.37)
51
On remarque que cette structure de modle nest pas de la forme :
y
m
(k) = f(x(k), P
m
) (2.38)
(o x(k) est un vecteur de mesure) car y
m
(k) dpend de y
m
(k i). Nous pou-
vons supprimer cette dpendance en explicitant successivement les y
m
(k i) en
fonction des sorties modle prcdentes et ainsi de suite, mais il apparat alors
que le systme dquations devient non linaire en paramtre, comme le montre
lexemple suivant.
Exemple 8 Soit le systme donne par :
y
m
(k) = y
m
(k 1) +u(k)
y
m
(0) = 0, u(0) = 0
On en dduit le systme explicite "non linaire en paramtre" donn par :
y
m
(1) = u(1)
y
m
(2) = (u(1)) +u(2)
y
m
(3) = [u(1) +u(2)] +u(3)
. . .
Ce systme dquation nadmet pas de solution simple au sens des moindres
carrs.
Par contre un modle du type donn par 2.39 : (un modle dit de prdiction)
y
m
(k) =
n
X
i=1
m
i
y
o
(k i) +
n
X
j=1
m
j
u(k j) (2.39)
possde la structure explicite et la linarit en paramtre. La mthode des
moindres carrs vise minimiser la fonction de cot :
Q =
M
X
k=1
{y
o
(k) y
m
(k)}
2
(2.40)
Q =
M
X
k=1
y
o
(k) +
n
X
i=1
m
i
y
o
(k i)
n
X
j=1
m
j
u(k j)
2
(2.41)
Il apparat donc une minimisation eective de lerreur gnralise e(k) et non
de lerreur de sortie (cf. gure 2.24) (e(k) est encore appele rsidu).
e(k) = y
o
(k) +
n
X
i=1
m
i
y
o
(k i)
n
X
j=1
m
j
u(k j) (2.42)
52
Fig. 2.24 Mthode des moindres carrs
La mise en quation matricielle du problme fournit :
y
m
(1)
y
m
(2)
.
.
.
y
m
(M)
u(1) u(n + 1) | y
o
(0) y
o
(1 n)
u(2) u(n + 2) | y
o
(1) y
o
(2 n)
|
.
.
.
.
.
. |
.
.
.
.
.
.
|
|
u(M) u(M n) | y
o
(M 1) y
o
(M n)
m
(0)
.
.
.
m
(n)
m
(1)
.
.
.
m
(n)
Y
m
= AP
m
(2.43)
et en notant Y
o
= [y
o
(1), y
o
(2), . . . , y
o
(M)]
T
, il vient :
P
m
=

A
T
A
1
A
T
Y
o
(2.44)
An danalyser le biais de cette mthode, supposons que lobjet soit dcrit par
lquation stochastique suivante :
y
o
(k) =
n
X
i=1
m
i
y
o
(k i) +
n
X
j=1
m
j
u(k j) +
n
X
l=1
c
l
(k l)
| {z }
(k)
(2.45)
Soit en notation matricielle
Y
o
= AP
o
+ (2.46)
53
On remarque immdiatement que la squence (k) est corrle avec la matrice
A car dans le calcul du biais, le produit matriciel :
A
T
=
u(1) u(2) . . . u(M)

. . . . . . . . . . . .

y
o
(1) y
o
(2) . . . y
o
(M)
. . . . . . . . . . . .
(1)
(2)
.
.
.
(M)
intervient et fait apparatre des termes de la forme y

o
(i)(k +i) avec k > 1.
y
o
(i) dpend de (i) et puisque (i) nest pas en gnral un bruit blanc il appa-
rat une corrlation entre y
o
(i) et (k +i) pour k 1.
En conclusion, la mthode des moindres carrs applique directement la dter-
mination des coecients dune quation aux dirences conduit le plus souvent
un biais dautant plus important que les perturbations et bruits en sortie de
lobjet sont levs.
Une solution pratique consiste eectuer un prtraitement des informations
par corrlation et ensuite appliquer la mthodes des moindres carrs (cf. gure
2.25). Il sut de substituer la squence
wu
u et
wy
o y
o
.
Fig. 2.25 Moindres carrs aprs traitement par corrlation
Notons que le problme est simpli dans lapplication 1 de 2.5.2 car la m-
thode de corrlation est susceptible de fournir directement une estimation de
la squence de pondration de lobjet. Dans ce cas la squence dentre ctive
est u(k) = (k) et la sortie est lestimation des a
o
(k). On remarque alors, tant
donn la structure particulire de la matrice A, que les coecients
m
i
peuvent
tre dtermins en premier lieu indpendamment des
m
i
. Ce qui a pour intrt
essentiel de rduire la dimension des matrices inverser.
54
Chapitre 3
Mthodes Itratives
Dans ce chapitre nous allons voir comment il est possible dliminer le biais
relatif lidentication dun modle paramtrique (voir la mthode des moindres
carrs) en introduisant des calculs itratifs.
3.1 Mthodes stochastiques
Ces mthodes reviennent caractriser simultanment un modle dtermi-
niste aux commandes u(i) et un modle stochastique relatif aux perturbations
v(i).
3.1.1 Principe
Le biais de la mthode des moindres carrs provient du fait que la squence
(k) ntait pas un bruit blanc.
En eet, nous avions suppos que lobjet tait dcrit par lquation :
Y
o
(z) =
A(z)
1 +B(z)
.U(z) +
C(z)
1 +B(z)
.(z)
| {z }
v(z)
o (k) est un bruit blanc.
Supposons que C(z) soit connu : il sut alors dintroduire un ltrage inverse
1/C(z) comme lindique la gure 3.1, an dliminer le biais dans lestimation
des paramtres par la mthode des moindres carrs.
Y
(z) =

A(z)
1 +B(z)
.U(z) +
C(z)
1 +B(z)
.(z)
.
1
C(z)
Y
(z) =
A(z)
1 +B(z)
.U
(z) +
(z)
1 +B(z)
55
3.1. MTHODES STOCHASTIQUES
Fig. 3.1 Elimination du biais par ltrage inverse
cest--dire :
y
(k) =
n
X
1
o
i
.y
(k i) +
n
X
0
o
j
.u
(k j) +(k)
En considrant u
(k) comme mesure de lentre et y
(k) comme mesure de la

sortie objet, le modle de prdiction que lon est conduit faire est :
y
m
(k) =
n
X
1
m
i
.y
(k i) +
n
X
0
m
j
.u
(k j)
do la fonction de cot minimiser :
Q =
M
X
1
e
2
(k) =
M
X
1
[y
(k) y
m
(k)]
2
= [Y
A.P
m
]
T
. [Y
A.P
m
]
partir de la mise en quation matricielle :
Y
m
= A.P
m
relative au modle
Y
= A.P
o
+ relative lobjet
Cette fois, le bruit (k) tant un bruit blanc, il ny a plus de corrlation entre
la matrice A
T
et le vecteur . Par la mme, le biais disparat (ceci est obtenu
en blanchissant le rsidu e(k)).
En fait, le modle du bruit {v(k)} est inconnu priori et le principe prc-
dent ne peut tre appliqu directement. Les mthodes suivantes cherchent
approximer C(z) de manire itrative.
56
CHAPITRE 3. MTHODES ITRATIVES
Fig. 3.2 Mthode du maximum du vraisemblance
3.1.2 Mthode du maximum de vraisemblance (Astrom et
Bohlin 1965)
Considrons le schma de minimisation donn par la gure 3.2, o C
m
(z)
fait partie du modle. C
m
est inconnue priori et le bloc 1/C
m
reprsente un
ltrage autoregressif. Le critre minimiser est :
Q =
M
X
1
e
2
(k)
Le schma de la mthode des moindres carrs est appliqu partir des variables
y
(k) et u
(k) daprs le modle de prdiction (linaire en paramtre) :

y
m
(k) =
n
X
1
m
i
.y
(k i) +
n
X
0
m
j
.u
(k j)
e(k) = y
(k) y
m
(k) = y
(k) +
n
X
1
m
i
.y
(k i)
n
X
0
m
j
.u
(k j)
Seulement ici, y
(k) et u
(k) sexpriment partir des variables observes (u(k)

et y
o
(k)) par les quations rcursives :
(k) =
P
n
1
c
m
l
.y
(k l) +y
o
(k)
u
(k) =
P
n
1
c
m
l
.u
(k l) +u(k)
o c
m
l
sont des inconnues.
En explicitant lcriture de lrreur de prdiction e(k) en fonction des variables
mesures u(k) et y
o
(k), on remarque que e(k) nest pas une fonction linaire du
57
vecteur paramtre modle P
m
:
P
m
=
m
0
. . .
m
n
.
.
.
m
1
. . .
m
n
.
.
. c
m
1
. . . c
m
n
T
(3.1)
La minimisation de Q ne peut tre conduite directement et exige lemploi dal-
gorithmes de programmation non linaire. Voyons, par exemple, lapplication
de lalgorithme du gradient la K
i` eme
itration :
P
m
(K + 1) = P
m
(K)
2
.
Q
P
m
P
m
=P
m
(K)
Il sagit dexprimer
Q
P
m
:
Q
P
m
=

P
m
"
M
X
1
e
2
(k)
#
=
"
M
X
1
2.e(k).
e(k)
P
m
#
distinguons
e(k)
m
j
,
e(k)
m
i
,
e(k)
c
m
l
, avec :
e(k) = y
(k) +
n
X
1
m
i
.y
(k i)
n
X
0
m
j
.u
(k j)
soit :
E(z) =
1 +
n
X
1
m
i
.z
i
!
.Y

(z)
n
X
0
m
j
.z
j
!
.U
(z)
avec :
Y
(z) =
Y
o
(z)
1 +
P
n
1
c
m
l
.z
l
et U
(z) =
U(z)
1 +
P
n
1
c
m
l
.z
l
do :

e(k)
m
j
= z
j
.U
(z)
Z
e(k)
m
i
= +z
i
.Y
(z)
Z
e(k)
c
m
l
=
z
l
.E(z)
1+
n
1
c
m
l
.z
l
(3.2)
Ces quations 3.2 montrent comment sont calcules les composantes du vecteur
gradient partir des quations aux dirences.
Les quations du modle sont :
(k) =
P
n
1
c
m
l
.y
(k l) +y
o
(k)
u
(k) =
P
n
1
c
m
l
.u
(k l) +u(k)
e(k) = y
(k) +
P
n
1

m
i
.y
(k i)
P
n
0

m
j
.u
(k j)
58
et les quations de sensibilit :
e(k)
m
j
= u
(k j)
e(k)
m
i
= y
(k i)
e(k)
c
m
l
=
P
n
1
c
m
l
.
e(kl)
c
m
l
e(k l)
do :
Q
p
m
i
=
"
M
X
1
2.e(k).
e(k)
p
m
i
#
A partir de ces lments spciques la mthode du maximum de vraisem-
blance, on se reportera aux mthodes du modle pour une tude plus dtaille
de la mise en oeuvre numrique de cette mthode. Ces mthodes du modle
seront explicites plus loin dans ce chapitre.
Justions toutefois lappelation Maximum de Vraisemblance.
Prenons le modle caractris par lquation stochastique :
y
m
(k) =
n
X
1
m
i
.y
m
(k i) +
n
X
0
m
j
.u(k j) +(k) +
n
X
1
c
m
l
.(k l)
o (k) est un bruit blanc.
Ce qui peut scrire matriciellement sur lhorizon [1, M], en supposons les condi-
tions initiales nulles :
1 0 0
m
1
1 0 0
m
2

m
1
1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 0
0 0
m
n
1
y
m
(1)
y
m
(2)
.
.
.
.
.
.
.
.
.
y
m
(M)
m
0
0 0
m
1

m
0
0 0
m
2

m
1

m
0
0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 0
0 0
m
n

m
0
u(1)
u(2)
.
.
.
.
.
.
.
.
.
u(M)
1 0 0
c
m
1
1 0 0
c
m
2
c
m
1
1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
0 0 c
m
n
1
(1)
(2)
.
.
.
.
.
.
.
.
.
(M)
B.Y
m
= A.U+C.
soit :
Y
m
= B
1
.A.U+B
1
.C. (3.3)
59
On remarque par ailleurs que cette quation est non linaire par rapport aux
paramtres et que :
B
1
.C. =
v(1) v(2) . . . v(M)

T
Supposons que les expriences eectues sur lobjet se droulent toujours dans
des conditions identiques :
Conditions initiales nulles,
Squence de commande ge {u(1), . . . , u(M)} ,
Horizon dobservation [1, M].
Lexprience va alors fournir un vecteur de mesure Y
o
, rsultat dune exp-
rience alatoire.
La vraisemblance du modle Y
m
= B
1
.A.U+B
1
.C. va se mesurer par
la probabilit que lon a davoir ce Y
o
comme rsultat dexprience (cest--dire
davoir Y
o
= B
1
.A.U+B
1
.C.).
Lestime au sens du maximum de vraisemblance est le vecteur paramtre qui
maximise la densit de probabilit conditionnelle P(Y
o
/P
m
) o Y
o
est le r-
sultat numrique dune exprience relative lobjet.
An dtablir analytiquement cette condition, exprimons la loi de probabilit de
Y
m
partir de lquation 3.3, dans le cas o est un vecteur gaussien, centr
et tel que la squence (k) soit indpendante ((k) est un bruit blanc).
La variance de scrit : E
.
T
=
2
.I
do :
Y =E{Y
m
} = B
1
.A.U
et :
Y
m
Y
m = E{(Y
m

Y)(Y
m

Y)
T
} =
2
.B
1
.C.
B
1
.C
T
Le vecteur tant gaussien, le vecteur Y
m
= B
1
.A.U+B
1
.C. lest aussi
et est caractris par lquation de probabilit :
P(Y
m
/P
m
) =
1
(2)
M
2
|
Y
m
Y
m|
M
2
. exp
1
2
.
h
(Y
m

Y)
T
. [
Y
m
Y
m]
1
.(Y
m

Y)
i
or :
[
Y
m
Y
m]
1
=
1
2
.
h
B
1
.C.
B
1
.C
T
i
1
=
1
2
.
C
1
.B
T
.C
1
.B
et :
|
Y
m
Y
m| =
2
car les matrices B et C sont des matrices triangulaires de diagonale 1, donc de
dterminant unit. En consquence :
P(Y
m
/P
m
) =
1
(2)
M
2
M
exp
1
2
2
C
1
BY
m
C
1
AU
T

C
1
BY
m
C
1
AU
60
La probabilit davoir Y
o
(rsultat numrique relatif une exprience) comme
sortie du modle caractris par le vecteur paramtre 3.1 est :
P(Y
m
/P
m
)
Y
m
=Y
o =
1
(2)
M
2
M
. exp
1
2
2
C
1
BY
o
C
1
AU
T

C
1
BY
o
C
1
AU
Maximiser cette densit de probabilit est quivalent maximiser son logarithme

nprien :
L =log (P(Y
o
/P
m
)) = M log
1
2
2
C
1
BY
o
C
1
AU
T

C
1
BY
o
C
1
AU
Le maximum de cette fonction est obtenu pour :
L
P
m
= 0
L
= 0
La fonction L peut tre interprte comme une fonction de cot et lon tablit
immdiatement la relation :
Q =
M
X
1
e
2
(k) =

C
1
.B.Y
o
C
1
.A.U
T
.
C
1
.B.Y
o
C
1
.A.U
Ce qui justie les quivalences suivantes :
L
P
m
= 0
Q
P
m
= 0
L
= 0
2
=
1
M
P
M
1
e
2
(k)
Lestimation au sens du maximum de vraisemblance nous permet dtablir cer-
taines proprits intressantes de convergence. Nous retiendrons simplement
que, pour la plupart des squences dentre exprimentales {u(k)} , il est possible
dtablir le rsultat suivant :
P
m
P
o
lorsque M
cest--dire que lestimateur est asymptotiquement non biais et variance nulle.
Exercise 9 Refaites les calculs prcdents !
3.1.3 Mthode des moindres carrs gnraliss (Clarcke
1967)
Cette thode revient dabord appliquer la mthode des moindres carrs
ordinaires et considrer ensuite le rsidu e(k) comme premire estimation du
bruit (k).
61
On sait, daprs les modles prcdents que (k) est dduit, par ltrage
moyenne mobile, du bruit blanc (k) :
(z) = C(z).(z)
(k) =
n
X
1
c
m
l
.(k l) +(k)
en confondant (k) avec e(k) il nest cependant plus possible didentier les
coecients c
m
l
car (k) est non mesurable. Cependant si lon cherche approcher
le ltrage prcdent par un ltrage rcursif du type :
e(k) =
q
X
1
r
i
.e(k i) +(k)
Lestimation des r
i
est possible par une mthode des moindres carrs partir
de la mise en quation matricielle suivante :
e(q + 1)
.
.
.
.
.
.
e(M)
e(q) e(1)
.
.
. e(2)
.
.
.
.
.
.
e(M 1)
.
.
.
r
1
.
.
.
.
.
.
r
q
(q + 1)
.
.
.
.
.
.
(M)
e = Er +
do :
r =
E
T
.E
1
.E
T
.e
Si la squence e(k) tait une estimation non biaise de (k), r ne prsenteraient
pas de biais car (k) est un bruit blanc. Malheureusement, e(k) est biais car
cest le rsidu de la mthode des moindres carrs ordinaire.
Cependant, en oprant les itrations suivantes, lexprience montre que lon
aboutit une estimation non biais des paramtres du modle :
a. Aprs la premire initialisation des paramtres r dcrite prcdemment, on
opre un ltrage inverse ( moyenne mobile) :
(k) =
P
q
1
r
j
.u(k j) +u(k)
y
(k) =
P
q
1
r
i
.y
o
(k j) +y
o
(k)
b. A partir des nouvelles donnes y
(k) et u
(k) on eectue une estimation des

paramtres {
m
i
} et

m
j
par une mthode des moindres carrs ordinaire.

c. On construit la nouvelle squence derreur e
(k) (rsidu relatif lestimation

en (b)).
d. A partir de e
(k), on eectue une estimation dun ltre caractris par r.

62
On retourne ensuite ltape (a) en introduisant le nouveau ltre inverse en
srie avec les ltres dtermins aux itrations prcdentes.
Le schma de la gure ajouter symbolise la K
i` eme
itration.
En n de compte ( la K
i` eme
itration par exemple), le ltrage introduit an
dliminer le biais est :
1
R
1
(z).R
2
(z). . . . R
K
(z)
Lordre de ce ltre dpend directement du nombre ditrations et on aura intrt
choisir un ordre faible pour les ltres lmentaires (on peut dailleurs choisir
q = 1 ce qui simplie considrablement lestimation de r car dans ce cas

E
T
.E
est un scalaire).
3.1.4 Conclusion
Dans la plupart des cas pratiques le modle mathmatique des perturbations
nest pas utilis par la suite et il faut plutt considrer les mthodes prcdentes
comme des mthodes permettant dliminer, en identication paramtrique, lin-
uence de ces bruits.
3.2 Mthodes du modle (Mthode dterministe)
Les mthodes du modle visent aligner le comportement du modle sur
celui de lobjet partir du calcul eectif de lerreur de sortie :
(k) = y
m
(k) y
o
(k)
La sortie du modle est calcule partir des quations du modle et des seules
observations de lentre.
Par exemple, un modle de prdiction du type y
m
(k) = .y
o
(k 1) + u(k)
ne permet pas lapplication dune mthode du modle.
Par contre, le modle rcursif y
m
(k) = .y
m
(k 1) + u(k) permet, en simu-
lation, de calculer lerreur de sortie (k) (cf. g.3.3).
A partir de (k) on construit le plus souvent une fonction de cot (Q =
P
M
1

2
(k) par
exemple) que lon cherche minimiser.
On montre quune telle minimisation ne conduit pas un biais systmatique
lorsque le bruit v nest pas corrl avec la squence dentre u.
Si de plus v est un bruit blanc gaussien, la mthode du modle est optimale
au sens du maximum de vraisemblance.
63
3.2. MTHODES DU MODLE (MTHODE DTERMINISTE)
Fig. 3.3 Mthode du Modle
Fig. 3.4 Principe de la mthode du modle
3.2.1 Mthode du modle applique la dtermination
dun modle paramtrique
Le modle paramtrique considr ici est celui donn par lquation aux
dirences :
y
m
(k) =
n
X
i=1
m
i
.y
m
(k i) +
n
X
j=0
m
j
.u(k j)
ou encore :
Y
m
(z)
U(z)
=
A(z)
1 +B(z)
Le principe de la mthode rside dans la minimisation dune fonction de cot
par des mthodes de programmation non linaire (mthodes itratives) (cf. g.
3.4).
La mise en oeuvre de cette mthode exige donc :
64
1. Le choix dune fonction de cot.
2. Lacquisition de squences entre et sortie de lobjet (ralisation dune
exprience).
3. Le calcul de la squence de sortie du modle an dlaborer lerreur (k)
puis la fonction de cot.
4. La modication des paramtres du modle daprs un algorithme de P.N.L.
5. Le retour ltape 3 pour une mise en oeuvre en temps dir, ou bien
ltape 2 pour une mise en oeuvre de lidentication en ligne.
Analysons ces dirents points :
1. Questions lies au choix du critre
En gnral on choisit Q =
P
M
i=1
2
(k) (ou plus rarement Q =
P
M
i=1
|(k)|).
Le critre quadratique prsente lavantage de permettre une interprtation sta-
tistique aise de lestimation des paramtres (moindres carrs, maximum de
vraisemblance), mais aussi de conduire des dveloppement analytiques simples.
Lhorizon M de calcul de critre est priori choisi de lordre de grandeur de la
mmoire de lobjet.
Lidentication en ligne pose en outre le problme de la stationnarit de la
fonction de cot et par la mme du choix des squences dentre : En eet,
dans ce mode de fonctionnement la diminution de la fonction de cot peut tre
simplement due une diminution de lnergie du signal dentre sur lhorizon
M. La stationnarit de la fonction de cot est donc lie la stationnarit du
signal dentre.
A noter quen oprant en temps dir ce problme ne se pose pas car les
squences dentre et de sortie sont identiques pour toute la dure de la mini-
misation.
2. Acquisition des squences "entre" et "sortie"
Un bon signal dentre doit tre riche en information cest--dire sensibili-
sant vis--vis des paramtres du modle, sur lhorizon [1, M]. Notons quune
squence binaire pseudo alatoire SBPA, de priode M, possde la fois la
richesse en information et la stationnarit sur lhorizon M.
Les caractristiques du signal de sortie sont lis aux perturbations v(k). Si lon
veut que lestimation des paramtres du modle (en temps dir, cest--dire en
oprant partir denregistrements relatifs une seule exprience) soit proche de
la valeur optimale, il faut que le bruit v(k) soit variations rapides par rapport
lhorizon M (cest--dire que ce bruit soit proche dun bruit blanc).
Si le bruit v(k) ne peut tre considr comme blanc par rapport M, il est
65
Fig. 3.5 Sortie objet (C.I 6= 0)- Sortie modle (C.I.= 0)
ncessaire daugmenter cet horizon.
A noter que lidentication en ligne ne prsente pas tout fait la mme
dicult car on ralise un nombre dexpriences gal au nombre ditration de
lalgorithme P.N.L.
3. Simulation numrique du modle
Cette simulation est eectue en toute gnralit partir de lquation aux
dirences :
y
m
(k) =
n
X
i=1
m
i
.y
m
(k i) +
n
X
j=0
m
j
.u(k j)
Le calcul de y
m
(k) exige la donne de la squence u(kj) mais aussi des valeurs
prcdentes de la sortie du modle.
Pour k < n, il est ncessaire de se xer des conditions initiales relatives
y
m
(j) pour 0 6 j 6 n.
Le plus souvent en prendra y
m
(j) = 0 (modle au repos lorigine). Cette
solution est correcte si lobjet est aussi initialement au repos, sinon les sorties
du modle ne seront prises en compte, dans le calcul du critre, qu partir dun
instant N correspondant approximativement la mmoire de lobjet (cf. g 3.5)
4. Minimisation du critre
Les mthodes de recherche de minimum sont extrmement nombreuses. Re-
tenons quil nexiste pas de mthode universelle dont la convergence soit as-
sure quel que soit le problme pos. Voyons cependant la mise en oeuvre de
deux mthodes analytiques simples : la mthode du gradient et la mthode de
Gauss-Newton.
66
Mthode du gradient :
P
m
(K + 1) = P
m
(k)
2
.
Q
P
m
P
M
=P
M
(K)
Mthode de Gauss-Newton :
P
m
(K + 1) = P
m
(k)
2
.
B.
Q
P
m
P
M
=P
M
(K)
o :
Q
P
m
est le vecteur gradient.
B est une matrice dnie positive tendant vers linverse de la matrice
Hessienne lorsque lon se rapproche de loptimum.
K est le numro de litration.
Le calcul du gradient est men en saidant des fonctions de sensibilit :
Q
p
m
i
=

p
m
i
M
X
k=1
2
(k) = 2.
M
X
k=1
(k).
y
m
(k)
p
m
i
= 2.
M
X
k=1
(k).
i
(k)
en posant
i
(k) =
y
m
(k)
p
m
i
,
i
est appel fonction de sensibilit.
Les drives secondes, lments de la matrice Hessienne, peuvent tre ap-
proches par des expressions dpendant uniquement des
i
(k) :
2
Q
p
m
i
p
m
j
= 2.
M
X
k=1
j
(k).
i
(k) + 2.
M
X
k=1
(k).
i
(k)
p
m
j
soit :
2
Q
p
m
i
p
m
j
' 2.
M
X
k=1
j
(k).
i
(k)
La matrice B de lalgorithme de Gauss-Newton peut tre choisie telle que
B
1
= [b
ij
] avec b
ij
= 2.
P
M
k=1
j
(k).
i
(k).
On note alors que B
1
est dnie positive par construction et tend vers
le Hessien lorsque (k) 0.
5. Calcul des fonctions de sensibilit
Lquation de modle est
Y
m
(z)
U(z)
=
P
n
j=0
m
j
.z
j
1 +
P
n
i=1
m
i
.z
i
67
Posons :
i
(z) = Z(
i
(k)) =
X
i
(k).z
k
=
Y
m
(z)
p
m
i
avec :
P
m
= [
m
0
. . .
m
n
|
m
1
. . .
m
n
] = [p
m
1
. . . . . . p
m
2n1
]
do :
m
i
(z) = z
i
.
U(z)
1 +
P
n
j=1
m
j
.z
j
et :
m
j
(z) = z
j
.
Y
m
(z)
1 +
P
n
j=1
m
j
.z
j
Les fonctions de sensibilit sont alors gnres partir dquations aux di-
rences (quations de sensibilit) comme le montre lexemple suivant.
Exemple 10
Y
m
(z)
U(z)
=

m
0
+
m
1
.z
1
1 +
m
1
.z
1
do :
y
m
(k) =
m
1
.y(k 1) +
m
0
.u(k) +
m
1
.u(k 1)} modle
0
(k) =
m
1
.
0
(k 1) +u(k)
1
(k) =
m
1
.
1
(k 1) +u(k 1)
1
(k) =
m
1
.
1
(k 1) +u(k 1)
modle de sensibilit
Ces quations (du modle et de sensibilit) sont modies chaque itration
selon la loi dajustement adopte.
6. Conclusion
La mthode du modle prsente lavantage de se rattacher des notions trs
concrtes qui peuvent tre abordes dans un cadre purement dterministe.
La dicult de mise en oeuvre venant essetiellement de la mauvaise convergence
des algorithmes de P.N.L, on aura intrt choisir le modle le plus ecace de
manire rduire au maximum le nombre de paramtres identier.
Rappelons que lorsque lobjet est continu, il est possible de transposer tout
ou partie des rsultats prcdents en analogique, mais lon considrera aussi
avec attention les mthodes de simulation numrique dun systme continu.
68
3.2.2 Mthode du modle applique la dtermination
dune squence de pondration
Nous avons dj vu que la mthode des moindres carrs ordinaire apportait
une solution non biaise au problme de lidentication des coecients dune
squence de pondration. On avait remarqu, par ailleurs, que la minimisation
eective tait celle de lerreur de sortie. La mthode des moindres carrs appli-
que dans ce cas est donc une mthode du modle non itrative.
Par contre, si lon met en oeuvre lalgorithme des moindres carrs rcurrents, la
mthode devient itrative et applicable en temps rel.
Nous allons donner une autre version itrative de la mthode du modle fonde
sur la minimisation de la fonction de cot (dite encore distance de structure) :
Q =
N1
X
i=0
[a
m
(i) a
o
(i)]
2
o a
m
(i) [a
o
(i)] est le i
i` eme
coecient de la squence de pondration du modle
(de lobjet) et N est la mmoire approximative de lobjet.
Plaons nous la K
i` eme
itration : Q(K) =
P
N1
i=0
[a
m
K
(i) a
o
(i)]
2
, puis la
(K + 1)
i` eme
itration Q(K + 1) =
P
N1
i=0
a
m
K+1
(i) a
o
(i)
2
Recherchons une loi de variation des paramtres du modle de manire rendre
la dirence Q(K) = Q(K + 1) Q(K) la plus ngative possible :
Q(K) =
N1
X
i=0
a
m
K
(i) +a
m
K+1
(i) 2.a
o
(i)
a
m
K+1
(i) a
m
K
(i)
Q(K) =
N1
X
i=0
a
m
K+1
(i) a
m
K
(i)
2
+ 2 [a
m
K
(i) a
o
(i)]
| {z }
dirences inconnues
a
m
K+1
(i) a
m
K
(i)
An dliminer les dirences inconnues, imposons la variation des paramtres

de suivre la loi :
a
m
K+1
(i) = a
m
K
(i) +u(K i) (3.4)
En eet dans ces conditions :
2
N1
X
i=0
[a
m
K
(i) a
o
(i)] .u(K i) = 2(K) (3.5)
do :
Q(K) =
2
N1
X
i=0
u
2
(K i) + 2(K) (3.6)
69
La valeur de qui maximise la variation de |Q| est :
opt
=
(K)
P
N1
i=0
u
2
(K i)
(3.7)
Do la loi de variation (en introduisant un coecient de convergence)
a
m
K+1
(i) = a
m
K
(i)
2
(K)u(K i)
P
N1
i=0
u
2
(K i)
(3.8)
Lexprience a montr une trs bonne convergence de cet algorithme pour
2
= 0.3.
Notons toutefois que :
Etant donne lallure particulire des coecients dune squence de pond-
ration (a(i) 0 quand i ), la loi dajustement prcdente conduit
des termes de correction de valeur relative trop importante pour i N.
Do la ncessit de pondrer le coecient
2
par une fonction dcroissante
de i (par exemple on prendra
2
= 0.3
1
i
N
.
Lorsque lnergie de lentre est faible sur lhorizon N le terme
1
P
u
2
(Ki)
risque ltre trs important et lon aura intrt le remplacer par
1
A+
N1
i=0
u
2
(Ki)
o A est de lordre de grandeur de lnergie du bruit sur lhorizon N
(A '
P
N1
0
v
2
(k)).
Cet algorithme, applicable en temps rel, est proche de la formulation
rcurrente des moindres carrs dans sa phase dinitialisation.
Le biais de lestimation est nul lorsque le bruit v(k) (ramen globalement
en sortie de lobjet) nest pas corrl avec lentre u(k).
70
Chapitre 4
Filtre de Kalman
Le ltre de Kalman est un estimateur dtat dans un environnement sot-
chastique. Il a t introduit par R. Kalman (1960).
4.1 Principe
Un systme dynamique bruit peut tre dcrit par les quations :
x(k + 1) = A.x(k) +B.u(k) +G.w(k)

y(k) = C.x(k) +v(k)
(4.1)
o :
x : vecteur dtat de dimension n,
u : vecteur de commande de dimension m,
y : vecteur de mesure de dimension p,
w : vecteur de bruit du systme de dimension r,
v : vecteur des bruits de mesure de dimension p.
w est un bruit blanc de moyenne nulle et de matrice de covariance Q =
E
w.w
T
, quon crit w (0, Q). Il represente les erreurs de modllisation et

les perturbations.
v est un bruit blanc v (0, R) et il reprsente limprcision des capteurs. On
suppose que v et w ne sont pas corrls, cest--dire E
v.w
T
= 0.
Ltat initial du systme x
0
est lui aussi inconnu, mais on en dispose de quelques
connaissances sous forme de valeur moyenne (prdite) x
0
et de matrice de co-
variance P
0
; x
0
( x
0
, P
0
). On suppose que x
0
est indpendant de v et de w
(cest--dire : E
x.v
T
= E
x.w
T
= 0).
Le but est de concevoir un estimateur qui fournit des estimations de ltat x(k),
en tenant compte des dynamiques donnes par lquation 4.1 et des mesures de
sortie y(k).
71
4.1. PRINCIPE
Propagation des moyennes et des covariances
La moyenne de ltat x se propage comme suit :
x(k + 1) = A. x(k) +B. u(k) +G. w(k)
x(k + 1) = A. x(k) +B.u(k) (4.2)
x(0) = x
0
Ceci implique que la moyenne de x se propage suivant des dynamiques dter-
ministes.
Pour trouver comment se propage la covariance de x, crivons (o E est lop-
rateur de lesprance mathmatique) :
P
x(k+1)
= E
n
[x(k + 1) x(k + 1)] [x(k + 1) x(k + 1)]
T
o
P
x(k+1)
= E
n
[A(x(k) x(k)) +Gw(k)] [A(x(k) x(k)) +Gw(k)]
T
o
P
x(k+1)
= AE
n
(x(k) x(k)) (x(k) x(k))
T
o
A
T
+GE
w(k)w
T
(k)
G
T
+GE
n
w(k) (x(k) x(k))
T
o
A
T
+AE
(x(k) x(k)) .w
T
(k)
G
T
P
x(k+1)
= AP
x(k)
A
T
+ GQG
T
(4.3)
La valeur moyenne de la sortie est :
y(k) = C. x(k) (4.4)
La covariance entre ltat x et la sortie y est :
P
x(k),y(k)
= E
n
(x(k) x(k)) (y(k) y(k))
T
o
P
x(k),y(k)
= E
n
(x(k) x(k)) [C (x(k) x(k)) +v(k)]
T
o
P
x(k),y(k)
= P
x(k)
C
T
La covariance de la sortie y est :
P
y(k)
= E
n
(y(k) y(k)) (y(k) y(k))
T
o
P
y(k)
= E
n
[C (x(k) x(k)) +v(k)] [C (x(k) x(k)) +v(k)]
T
o
P
y(k)
= CP
x(k)
C
T
+R
Estimation linaire optimale de x(k) partir de y(k)
Supposons que, pour une matrice F et un vecteur g donns :
x(k) = Fy(k) + g
72
CHAPITRE 4. FILTRE DE KALMAN
On dnit x(k|k1) comme tant lestimation de x(k) partir des informations
jusqu linstant k 1.
Pour trouver le meilleur choix de F et de g, nous allons minimiser lerreur
quadratique moyenne :
J = E
x
T
(k) x(k)
J = E
n
[x(k) x(k)]
T
[x(k) x(k)]
o
J = tr
n
E[x(k) x(k)] [x(k) x(k)]
T
o
J = tr
n
E[x(k) Fy(k) g] [x(k) Fy(k) g]
T
o
J = tr
n
E[x(k) x(k|k 1) (Fy(k) +g x(k|k 1))] [x(k) x(k|k 1) (Fy(k) +g x(k|k 1))]
T
o
o tr{.} reprsente la trace de la matrice {.}. Aprs quelques simplications
algbriques, on obtient :
J = tr
(
P(k|k 1) +F(P
y(k)
+ y(k) y
T
(k))F
T
+ (g x(k|k 1)) (g x(k|k 1))
T
+2F y(k) (g x(k|k 1))
T
2FP
y(k)x(k)
)
Notons que nous avons utilis les dnitions suivantes :
y(k) = C x(k|k 1)
P
y(k)x(k)
= E
n
(y(k) y(k)) (x(k) x(k|k 1))
T
o
P(k|k 1) = E
n
(x(k) x(k|k 1)) (x(k) x(k|k 1))
T
o
En utilisant les identits matricielles (valables pour toutes matrices F, H et D) :
d
dF
tr
FHF
T
= 2HF
d
dF
{tr [DFH]} = D
T
H
T
Nous avons pour minimum :
J
g
= 2.(g x(k|k 1)) + 2F. y(k) = 0
J
F
= 2F.
P
y(k)
+ y(k). y(k)
T
2P
x(k)y(k)
+ 2(g x(k|k 1)). y(k)
T
= 0
Notons que : P
x(k)y(k)
= P
T
y(k)x(k)
La solution est donc :
g = x(k|k 1) F. y(k)
F = P
x(k)y(k)
.P
1
y(k)
73
4.2. LALGORITHME DISCRET DU FILTRE DE KALMAN
Ce qui donne, aprs les substitutions appropries :
x(k|k) = x(k|k1)+P(k|k1).C
T
.
C.P(k|k 1).C
T
+R
1
. [y(k) C. x(k|k 1)]
Lerreur de covariance postrieure
Pour voir jusqu quel point lestimation x(k|k) est prcise, lerreur de cova-
riance postrieure P(k|k) peut tre calcule :
P(k|k) = E
n
[x(k) x(k|k)] [x(k) x(k|k)]
T
o
P(k|k) = E
nh
x(k) x(k|k 1) P
x(k)y(k)
.P
1
y(k)
.(y(k) y(k))
i
h
x(k) x(k|k 1) P
x(k)y(k)
.P
1
y(k)
.(y(k) y(k))
i
T
P(k|k) = P(k|k 1) P(k|k 1).C

T
.(C.P(k|k 1).C
T
+R)
1
.C.P(k|k 1)
4.2 Lalgorithme discret du ltre de Kalman
Initialisation : On xe x(0) = 0, P(0) = P
x0,
k = 1
Etape 1 (time update) : Etant donn x(k 1|k 1) et P(k 1|k 1), on
applique les quations 4.2 et 4.3 (Eets des dynamiques du systme) :
x(k|k 1) = A. x(k 1|k 1) +B.u(k 1)
P(k|k 1) = AP(k 1|k 1)A
T
+ GQG
T
pour obtenir x(k|k 1), P(k|k 1).
Etape 2 : Ensuite, aprs lobtention des nouvelles mesures y(k), on ap-
plique lactualisation de mesure suivante (eets des mesures) :
K(k) = P(k|k 1).C
T
.
C.P(k|k 1).C
T
+R
1
P(k|k) = (I K(k).C) .P(k|k 1)
x(k|k) = x(k|k 1) +K(k). [y(k) C. x(k|k 1)]
Pour obtenir les estimations optimales P(k|k), x(k|k).
K(k) est appel le gain de Kalman.
Faire k = k + 1 et retourner ltape 1.
4.3 Schma structurel du Filtre de Kalman
La gure 4.1 donne un schma synoptique du ltre de Kalman.
74
Fig. 4.1 Schma structurel du Filtre de Kalman
75
4.4. FILTRE DE KALMAN SOUS-OPTIMAL DU RGIME PERMANENT
4.4 Filtre de Kalman sous-optimal du rgime
permanent
Mme si le modle du systme (A, B, C) est invariant dans le temps, le ltre
de Kalman optimal est variant dans le temps, parce que le gain de Kalman K(k)
est fonction du temps.
Il est souvent satisfaisant dutiliser un ltre simpli invariant, avec un gain
constant K.
Au rgime permanent statistique, lerreur de covariance priori P(k|k 1)
atteint une valeur nale constante, quon appelle P. Lquation de covariance
peut tre crite comme suit :
P = A
P PC
T
(CPC
T
+R)
1
CP
A
T
+GQG (4.5)
Lquation 4.5 est appele lquation algbrique de Ricatti, dont la solution
est P.
Le gain de Kalman au rgime permanent est une matrice constante (n p) .
K = PC
T

CPC
T
+R
1
Le ltre de Kalman au rgime permanent est le systme invariant :
x(k|k) = x(k|k 1) +K [y(k) C x(k|k 1)]
Sous Matlab, en utilisant la Control Systems Toolbox, lexpression :
>> K = dlqe(A, G, C, Q, R)
permet dobtenir le gain optimal du ltre de Kalman.
Exemple 11 Etant donn le systme :
x(k + 1) = Ax(k) +B(u(k) +w(k))
x(0) = [ 1 2 ]
T
avec :
A =

0.8 0.1
0 0.2
, B =
0
1
, C =

1 0

, h = 0.1
v (0, 0.0001), w (0, 0.0001)
Le gain de Kalman constant (au rgime permanent) est :
K =
0.0358
0.0237
76
Fig. 4.2 Exemple Simulink du ltre de Kalman
Fig. 4.3
77

Cours Identification

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Cours Identification

Hochgeladen von

Copyright:

Verfügbare Formate

Universit ABOU BEKR BELKAD Tlemcen

x(k + 1) = Fx(k) +Gu(k) +b(k)

x(k + 1) = F x(k) +Gu(k) +k(k)

1.3.1 Dnition de lerreur

Choix dun signal dexcitation plus riche en information (chelon, combi-

P(k + 1) = P(k) (k)

u(1) u(0) . . . u(N + 2)

qui est bien une estimation de la fonction dautocorrlation de lentre u pour

x(k + 1) = Fx(k) +Gu(k)

soit de rang n, gal lordre de x.

On dmontre que la condition ncessaire et susante dobservabilit com-

a(1) a(n) a(r)

a(1) a(n) a(r)

u(1) u(2) . . . u(M)

intervient et fait apparatre des termes de la forme y

(k) comme mesure de lentre et y

(k) comme mesure de la

(k) daprs le modle de prdiction (linaire en paramtre) :

(k) sexpriment partir des variables observes (u(k)

v(1) v(2) . . . v(M)

Maximiser cette densit de probabilit est quivalent maximiser son logarithme

Le maximum de cette fonction est obtenu pour :

Ce qui justie les quivalences suivantes :

(k) on eectue une estimation des

par une mthode des moindres carrs ordinaire.

(k) (rsidu relatif lestimation

(k), on eectue une estimation dun ltre caractris par r.

An dliminer les dirences inconnues, imposons la variation des paramtres

x(k + 1) = A.x(k) +B.u(k) +G.w(k)

, quon crit w (0, Q). Il represente les erreurs de modllisation et

P(k|k) = P(k|k 1) P(k|k 1).C

Das könnte Ihnen auch gefallen