IDENTIFICATION DES

SYSTEMES EN BOUCLE
FERMEE

Stéphane COLONGES
Oral probatoire
Février 2002
 Identification des systèmes en BF
Sommaire

 Introduction à l ’identification
 Les techniques générales
 Identification en boucle fermée
 Simulation
 Applications
 Conclusion
 Identification des systèmes en BF
Introduction à l ’identification

 Identifier un processus (système), c’est chercher un modèle (dynamique) mathématique,

appartenant à une classe de modèles connue, et qui, soumis à des signaux tests (en entrée),
donne une réponse (dynamique et statique en sortie), la plus proche possible du système réel
[VILLAIN – 1996]. 2 catégories de modèles :
 Les modèles de connaissance (basés sur les lois de la physique, de la chimie…)
 Les modèles dynamiques de commande:
 Modèles non paramétriques (réponse fréquentielle, réponse à un échelon)
 Modèles paramétriques (fonction de transfert, équations différentielles)
 Approche expérimentale pour la détermination du modèle dynamique d’un système.
 4 étapes :

Acquisition des entrées Estimation (choix) Estimation des Validation du

sorties sous un protocole de la structure du paramètres du modèle
d’expérimentation modèle (complexité) modèle identifié

. Non Oui

Calcul
Régulateur
 Identification des systèmes en BF
Techniques générales

 Modèles non paramétriques :

 Analyse fréquentielle : longue
 réponse impulsionnelle, identification par corrélation : sensible aux perturbations
 Modèles paramétriques :
 Méthodes graphiques (déterministes) :
 à partir de la réponse à l’échelon ou en fréquence
 utilisent des modèles (Strejc, Broida, Ziegler Nichols, 2 eme ordre…)
Δy

100% Ke  s
63% G ( s) 
1  sT
t

τ = retard
τ T

T1
Mais...
 Identification des systèmes en BF
Techniques générales

 Caractéristiques de ces méthodes : Peu de modèles, nécessitent signaux grande amplitude,

sensibles aux perturbations, imprécises, procédures longues, impossible de valider les modèles
 Néanmoins : en amenant le système à la juste instabilité, s ’applique à la B.F.
 Modèles paramétriques statistiques :
 Idée clés : mise en place d ’A.A.P.

S.B.P.A u(t)
CNA + Procédé CAN
y(t)
BOZ  (t )

yˆ (t )
Modèle échantillonné
ajustable

Paramètres du modèle A.A.P.

Estimation paramétrique : basée sur l ’erreur de prédiction

 BF (t  1)  y (t  1)  yˆ (t  1)
 Identification des systèmes en BF
Techniques générales

 Caractéristiques des méthodes paramétriques statistiques :

 éliminent les défauts mentionnés précédemment
 algorithmes non récursifs (Traitement en bloc horizon de temps)
 récursifs (Traitement pas à pas des données), permet suivi des paramètres en temps réel
 opérant avec des signaux d’excitation extrêmement faibles (SBPA de faible niveau)
 permet de modéliser les perturbations et bruits capteurs (et supprimer)
 traitement aisé du signal (analyse spectrale)

 Comment commence t ’on?

 On choisit une structure procédé+perturbation pour l ’identification
 une structure non adaptée entraîne un biais

 Et ensuite?
 Identification des systèmes en BF
Pourquoi en boucle fermée?

 Système instable en B.O. ou comportement intégrateur

 impératifs de production, sécurité, ou raisons économiques
 dérive importante du point de fonctionnement en B.O.
 motivée par de contraintes pratiques : maintenance d ’ un contrôleur
 obtention de meilleurs modèles pour la commande des systèmes
 validation de la commande d ’un système
 synthèse d ’un régulateur robuste
 biais plus faible, meilleur contrôle de la puissance d ’entrée
 réduction de l ’ordre du modèle
 identification en temps réel, adaptation de la commande (approche itérative)

 Le problème, c ’est le retour et la corrélation du bruit non mesurable avec l ’entrée

 Alors, quelles méthodes?

 Identification des systèmes en BF
Les méthodes

 Algorithmes récursifs : Nouvelle valeur = (n-1)+correction

 CLOE : erreur de sortie en boucle fermée
y(t+1)=-a1y(t)+ b1u(t)=   (t ) avec    a1 b1  et     y (t ) u (t )
T T T

 l ’erreur de prédiction de la B.F. :

  BF (t  1)  y (t  1)  yˆ (t  1) à priori
 w

  BF (t  1)  y (t  1)  yˆ (t  1) à posteriori
r + u qd B y
T 1/S
A
 la forme de l ’AAP récursif, avec mémoire est : - Procédé +

ˆ(t  1)  ˆ(t )  ˆ(t  1) R  BF

 Et l ’A.A.P. est alors : + ŷ
-

1/S û q Bˆ
d

ˆ(t  1)  ˆ(t )  F (t ) (t ) BF (t  1) -
Aˆ
R Modèle

 avec F=aI est le gain d ’adaptation matriciel A.A.P.

Prédicteur ajustable
 Identification des systèmes en BF
Simulation

 Simulation d ’un A.A.P. : ˆ(t  1)  ˆ(t )  F (t ) (t ) BF (t  1)

 on réalise dans Simulink la simulation d ’un procédé continu, on déduit de l ’AAP : ˆ   F BF (t )
 d ’où Bˆ   Fy BF (t ) 10

1
5

5 a 4

s+1 3
Sum1 Gain1 Transfer Fcn To Workspace 2

0
0 20 40 60 80 100 120 140 160

Input signal 1 e
Sum To Workspace3
K=10 F=20
Sum2 s+1 Dot Product
Dot Product1
Transfer Fcn1
8

1 b
100 F
7

s To Workspace1 6

Integrator Gain2 To Workspace2 5

0
0 20 40 60 80 100 120 140 160

K=5 F=100
 Identification des systèmes en BF
Applications

 Le système de suspension active :

Accélération primaire
Accélération primaire (perturbation)
Machine (masse) (perturbation)

Cône élastomère q-d1C/D

Accélération résiduelle Contrôleur Processus

u(t) y(t)
R/S q-dB/A

-
Accélération résiduelle

Pré- Contrôleur
actionneur
Piston
Figure 1: schéma du système Figure 2 : schéma fonctionnel
 Identification des systèmes en BF
Applications

 La commande adaptative (régulation en commande auto-adaptative) :

Perturbations

Consigne + Mesure
Sortie
Contrôleur Procédé

- +
-
Modèle

Estimation récursive des

moindres carrés
 Identification des systèmes en BF
Applications

 Identification du mécanisme cardiovasculaire :

Perturbations : postures,
efforts, environnement, stress,
nourriture…

Entrée
+ Sortie
(médicament) +
Boite noire
(modèle à identifier)
+
- (fréquence cardiaque, pression
artérielle, capacité pulmonaire)

 Prédiction de l ’adhérance pneu/route :

Console d’information / contrôleur Conducteur Voiture

Filtrage - calculs Mesures

Figure  : schéma de circulation des informations

 Identification des systèmes en BF
Conclusion

 L ’identification en B.F. s ’impose pour : système instable en B.O., impossibilité

d ’ouvrir la boucle (production, sécurité), dérive importante du point de
fonctionnement
 Au delà, présente de nombreux avantages, dont :
 Possibilité d ’obtenir un meilleur modèle du procédé pour la commande (Robustesse,biais
plus faible, validation de la commande…)
 facile d ’utilisation (avantage pratique) : re-réglage du contrôleur
 réduction de l ’ordre du modèle de commande
 temps réel

 Perpectives :
 extension des algorithmes aux cas multivariables
 systèmes non linéaires

 Conclusion personnelle
 Identification des systèmes en BF
Techniques générales

 Identification avec méthode paramétrique graphique en B.F. :

U m ( p) H r G ( s) U m
r e  Gr K 
+ C(s)
Ur
G(s)
Um
E ( p ) 1  H r G ( s ) et E  U m
-
H

 On amène le système à la juste instabilité (déphasage de  , gain de boucle=-1)

Grc Ke  j osc  e  j osc 
 d ’où, avec Broida à la juste instabilité:  1, etArg    
1  jT osc 1  jT  osc 
 ainsi, on tire du gain :
Um
Tosc 2
T Grc  1
2
t
 et de l ’argument il vient : Tosc

Tosc  1 2 
 1   arctan Grc K  1
2

2  
 Identification des systèmes en BF
Techniques générales

 Le gradient et les MCR :

 Le terme de correction doit permettre de minimiser à chaque pas le critère : min J (t  1)  [  (t  1) 2 ]
ˆ ( t )

sens de l’adaptation gradient AAP prend la forme :

b1
J (t  1)
ˆ(t  1)  ˆ(t )  F
courbe (surface) isocritère ˆ(t )

a1

 On veut une bonne vitesse de convergence au début(grand gain d ’adaptation), puis un petit
gain au voisinage de l ’optimum pour pas d ’oscillations (cf simulation)
t 1
on cherche alors un AAP qui minise le critère des moindres carrés : ˆ(t  1)  F (t  1)


y (i ) (i  1)
 ˆ ˆ
L ’A.A.P. devient :  (t  1)   (t )  F (t  1) (t ) (t  1)

i 1

F (t ) (t ) (t )T F (t )
 avec F (t  1)  F (t )  et  (t  1)  y (t  1)  ˆ(t )T  (t )
1   (t ) F (t ) (t )
T
 Identification des systèmes en BF
Les méthodes

 Les approches de l ’identification en B.F. (Soderström et Stoica) :

Approche directe
v(t)

On en déduit les équations de ce système :

y(t)
entrée externe r(t) u(t) G0(q) y(t)=G0(q)u(t)+v(t)
+ y(t)=G0(q)u(t)+H0(q)e(t)
- avec e(t) bruit blanc de variance
alors y(t) = G0(q)S0(q)r(t)+S0(q)v(t)
-Fy(q)
et u(t) = S0(q)r(t)-Fy(q)S0(q)v(t)
Approche indirecte

 Approche directe : pas besoin de s ’occuper du régulateur, ni du retour, pas d ’algorithme spécifique,
systèmes instables supportés tant que B.F. et prédicteur stables. Mais il faut un bon modèle du bruit
(sinon => biais)… méthode à choisir en premier
 Approche indirecte : à partir référence et sortie => on retrouve système en B.O. en appliquant
méthodes B.O.. Il faut connaître le régulateur; mais toute erreur dans la boucle est répercutée sur le
modèle… ne nécessite pas une parfaite connaissance du bruit
 Approche E/S commune : on considère y et u comme sorties d ’un système multivariables avec r(t)
et bruit les entrées; on identifie le processus en B.O; pas besoin de connaître le régulateur. Mais il faut
que le retour soit linéaire.
 Identification des systèmes en BF
Les méthodes

 Aspects pratiques de l ’identification :

Carte E/S Calculateur

SBPA (possibilité 2) (PC, Mac, Linux…)

+ SBPA (possibilité 1)

y0 y1
Consigne +
Régulateu Système y(t)
r physique
u(t)

Sortie
 Identification des systèmes en BF
Les méthodes

 Validation des modèles identifiés en boucle fermée: L’objectif de la validation est de

trouver quel est le modèle du procédé qui, avec le régulateur utilisé, permet d’obtenir la
meilleure prédiction du système en boucle fermée. Trois procédures de validation peuvent être
définies :
 .Tests statistiques de validation sur l’erreur de sortie de la boucle fermée (test
d’intercorrélation entre  BF (t  1)et (t ) )
 .Proximité des pôles calculés de la boucle fermée et des pôles identifiés du système
réel en boucle fermée.
 Validation temporelle (comparaison des réponses temporelles du système réel et du prédicteur
de la boucle fermée)

 Distribution du biais :
 2
ˆ
ˆ*  arg min  Sˆ yp  Sˆ yp  r ( )d avec S yp  KG /(1  KG )
ˆ 
 Identification des systèmes en BF
Simulation

 Système instable en B.O. :

Actual Output (Red Line) vs. The Predicted Model output (Blue Line) Actual Output (Red Line) vs. The Predicted Model output (Blue Line)
0 1
0.5
-2
0
-4
-0.5

-6 -1
2 2.5 3 3.5 4 2 2.5 3 3.5 4
Time (secs) Error In Predicted Model Error In Predicted Model Time (secs)
15 0

10 -0.5

 Identification en B.O
5 Identification en B.F.-1
2 2.5 3 3.5 4 2 2.5 3 3.5 4
 Comparaison des réponses indicielles pour différentes méthodesTime: (secs)
Time (secs)

Measured and simulated model output Step Response

3 3

2.5
2
2
1
1.5

0 1

En vert foncée on à la réponse réelle, en rouge, méthode ARX, méthode OE en vert clair, méthode de l’erreur de
0.5
 -1
0
-2
-0.5

prédiction en violet (gauche : rép. à signal carré, droite : rep. échelon)

-3
0 50 100 150
-1
0 5 10 15 20 25 30 35 40
Time Time
 Identification des systèmes en BF
Simulation

 Réponses et erreurs de l ’AAP dans Simulink :

 K=5, F=100 :
1 0.05

0.8 0

0.6 -0.05

0.4 -0.1

0.2 -0.15

-0.2
0
-0.25
-0.2
-0.3
-0.4
-0.35
-0.6
-0.4
-0.8
-0.45
-1 0 20 40 60 80 100 120 140 160
0 20 40 60 80 100 120 140 160

 K=10, F=20 :

1.5 0.6

1 0.4

0.2
0.5

0
0

-0.2
-0.5

-0.4
-1
-0.6
-1.5
0 20 40 60 80 100 120 140 160
-0.8
0 20 40 60 80 100 120 140 160