ABDERREZEK Hadjer

MINISTÈRE DE L'ENSEIGNEMENT SUPÉRIEUR ET
DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITÉ FERHAT ABBAS -SETIF-1

UFAS1 (ALGERIE)
MEMOIRE
Présenté à la Faculté de Technologie

Département d'Electrotechnique
Pour l’Obtention du Diplôme de
MAGISTER
Option : Automatique
Par
ABDERREZEK Hadjer
THEME
Contribution à la commande robuste
des systèmes non linéaires
Soutenu le 02 / 10 /1024 devant le jury d'examen :
Mr. HEMSAS Kamel-Eddinne Prof. Université de Sétif1 Président

Mr. HARMAS Mohamed N. Prof. Université de Sétif1 Encadreur
Mr. LAMAMRA Athmane M.C.A Université de Sétif1 Examinateur
Mr. ABDELAZZIZ Mourad M.C.A Université de Sétif1 Examinateur
Remerciements
Tout d’abord, je remercie Dieu le tout puissant, de m’avoir donné

le courage, la santé et la patience durent toute le temps que j’ai consacré
à la réalisation de ce travail.
Je tiens également à exprimer ma plus profonde gratitude à mon

encadreur Mr : HARMAS.N pour son suivi et conseils. Sans oublier les
enseignants du département d'Electrotechnique qui ont contribué à ma
formation.
Mes sincères remerciements aux membres du jury Mr : HEMSAS.K ,

Mr : ABDELAZZIZ.M et Mr : LAMAMRA.A pour l'intérêt qu'ils
ont porté à mon travail et pour l'honneur qu'ils m’ont fait de bien
vouloir le juger.
Je termine par remercier tous mes amis et collègues qui m’ont

soutenu durant l’élaboration de mon travail.
Dédicaces
Je dédie ce modeste travail :
A mes très chers parents qui m’ont soutenu durant toute la

durée de mes études.
A mes frères et mes sœurs et à ma grande famille.
A mon fiancé.
A Rania, Sara, Sousou, Meryem, Amr, Mouayed, Wael,

firas, Donia, Amira, Sabah.
A tous mes amis.
A tous ceux qui m’aiment et que j’aime.
A vous.
Hadjer.
INTRODUCTION GENERALE………………………………………………………. 01
Chapitre I
COMMANDE ROBUSTE
I.1. Introduction ………………………………………………………………………… 04

I.2. Généralités sur la commande ……………………………………………………… 04
I.2.1. Système de commande …………………………………………………………… 04
I.2.1. Organe de commande…………………………………….………………………. 05
I.2.3. Asservissement …………………………………………………………………… 05
I.2.4. Régulation ………………………………………………....……………………… 05
I.2.5. Propriétés d’un système commandé…………………………...………………… 05
I.3. Robustesse …………………………………………………………………………... 06
I.3.1. Définition ……………………………………...…………………………………... 06
I.3.2. Robustesse en stabilité …………………………….……………………………… 07
I.3.2.1. Notions relatives à la stabilité des systèmes ……………………………...…… 07
I.3.2.2. Stabilité au sens de Lyapunov…………………………..……………………… 08
I.3.2.2. Robustess en performance ……………...……………………………………… 09
I.4. Etat de l’art des commandes robustes …..…………………………………..…….. 10
I.4.1. Commande Hinfini ……………………………….………………………………. 10
I.4.2. Commande par mode glissant …………………………………………………… 10
I.4.3. Commande floue ………………………………………………………................. 11
I.4.4. Commande synergétique ………………………………………………………… 12
Chapitre II
COMMANDE PAR MODE GLISSANT ET SYNERGETIQUE
II.1. Introduction………………………………………………………………………… 13
II.2. Système à structure variable ……….…………………………………………...… 13
II.2.1. Structure par commutation au niveau d’une contre réaction d’état ...……… 14
II.2.2. Structure par commutation au niveau de l’organe de commande …...……… 14
II.3. Introduction à la commande par mode glissant …………………………………. 15
II.3.1. Notion de base …..……………………………………………………………….. 15
II.3.1.1. Régime glissant idéal ……………………………………………………...…… 15
II.3.1.2. Régime glissant réel …………………………………………………….…….. 16
II.3.2. Conception de la commande par mode glissant …………….…………………. 16
II.3.2.1. Choix de la surface de glissement……………………………………………... 17
II.3.2.2. Condition d’existance et de convergence …………………………..………… 17
II.3.2.2.1. Fonction discrète de commutation …………………………………………. 18
II.3.2.2.2. Fonction de Lyapunov …………………………………………………...….. 18
II.3.2.3. Calcul de la commande ………………………………….…………………….. 18
II.3.2.3.1. Commande équivalente ………………………………………………..……. 18
II.3.2.3.2. Commande de commutation ……………….……………………….………. 19
II.3.2.4. Les avantages et les inconvénient de cette commande …………………...….. 20
II.3.2.5. Application à la commande d’un pendule inversé ……………………...…… 20
II.3.2.5.1. Synthèse de l’algorithme de commande …………………………….……... 21
II.3.2.5.2. Résultat de simulation .………………………………………..…………….. 22
II.4. Introduction à la commande synergétique …..……………………..……………. 23
II.4.1. Principe de la commande synergétique …………………………………...…… 23
II.4.2. Synthèse de la commande synergétique ………...……………………………… 24
II.4.3. Application à la commande d’un pendule inversé ……………………………. 25
II.4.3.1. Synthèse de l’algorithme de commande…………………………………..…... 25
II.4.3.2. Résultat de simulation ……………………………………………………… 26
II.5. Introduction du convertisseur DC/DC …………………....……………………... 27
II.5.1. Modèle mathématique du convertisseur buck DC/DC……………………..….. 28
II.5.1.1. Interrupteur fermé ……………………………………………………………... 28
II.5.1.2. Interrupteur ouvert ……………………………………………………………. 29
II.5.1.3. Modèle finale ( combinaison des 2 structures) ……………………………….. 29
II.6. Commande par mode glissant du convertisseur buck DC/DC …………………. 30
II.6.1. Synthèse de l’algorithme de commande …………………………………………. 30
II.6.2. Résultats de simulation……………………………………………………………. 31
II.6.2.1. Cas de poursuite ………………………………………………………………… 31
II.6.2.2. Cas de variation de la tension de source ………………………………………. 33
II.6.2.3. Cas de variation de la charge …………………………………………………... 34
II.7. Commande Synergétique du convertisseur DC/DC buck ………………………... 35
II.7.1. Sythèse de l’algorithme de commande…………………………………………… 35
II.7.2. Résultats de simulation……………………………………………………………. 35
II.7.2.1. Cas de poursuite…………………………………………………………………. 36
II.7.2.2. Cas de variation de la tension de source ……………………………………… 37
II.7.2.3. Cas de variation de la charge ………………………………………………….. 38
II.8. Conclusion …………………………………………………………………………… 39
Chapitre III
ADAPTATIVE TERMINAL SMC ET SYNERGETIQUE
III.1. Introduction…………………………………………………………………..…… 40
III.2. Commande Non-singulière de terminal mode glissant ………………….……... 40
III.2.1. Commande terminal mode glissant du convertisseur DC/DC buck ………… 40
III.2.1.1. Synthèse de la loi de commande………………………………….........……... 41
III.2.1.2. Résultats de simulation ……………………………………………………...... 43
III.2.1.2.1. Cas de poursuite ………………………………………………………......... 44
III.2.1.2.2. Cas de variation de la tension de source ………………..…………….…… 44
III.2.1.2.3. Cas de variation de la charge …………………………………….………... 45
III.3. Commande Terminal synergétique……………………………………......…….. 46
III.3.1. Commande terminal synergétique du convertisseur DC/DC buck …..……. 46
III.3.1.1. Synthèse de la loi de commande……………………………...……..………... 46
III.3.1.2. Résultat de simulation………………………………………..…...…………... 47
III.3.1.2.1. Cas de poursuite ………………………………………………………......... 48
III.3.1.2.2. Cas de variation de la tension de source ………………..…………….…… 49
III.3.1.2.3. Cas de variation de la charge ………………………...………….………… 50
III.4. Généralité sur la commande adaptative ………………………………………… 52
III.4.1. Concept de la commande adaptative……………………………………………. 52
III.4.2. Le Principe ……………………………………………………………………….. 52
III.5. Commande adaptative terminal mode glissant du Convertisseur DC/DC…… 53
III.5.1. Synthèse de la loi de commande ………………………………………………… 53
III.5.2. Résultat de simulation………………………………………..…...…………….. 55
III.5.2.1. Cas de poursuite …………………………………………………………........ 55
III.5.2.2. Cas de variation de la tension de source ……………….……………….…… 56
III.5.2.3. Cas de variation de la charge …………………………...………….………... 57
III.6. Commande adaptative terminal synergétique …………………………………… 58
III.6.1. Synthèse de la loi de commande ………………………………………………… 59
III.6.2. Résultats de simulation…………………………………………………………… 60
III.6.2.1. Cas de poursuite …………………………………………………………........ 60
III.6.2.2. Cas de variation de la tension de source ………………..…………….……... 61
III.6.2.3. Cas de variation de la charge ………………………………...…….………… 62
III.7.Conclusion…………………………………………………….……………...…….. 63
Chapitre IV
OPTIMISATION PAR ESSAIM PARTICULAIRE (PSO)
IV.1. Introduction………………………………………………………………..……… 64
IV.2. Intelligence collective ……………………………………………………………... 64
IV.3. Définitions de base………………………………………………..……………….. 64
IV.3.1. Définition de l’optimisation …………………..………………………………... 64
IV.3.2. Fonction Objective…………………………………………………….………… 64
IV.3.3. Variables de décision …………………………………………………………… 65

IV.3.4 Formulation d’un problème d’optimisation ………………………….…..…….. 65
IV.3.5 Minimum global ……….……………..………………………………………….. 66
IV.3.6 Minimum local………………………………………..….………………………. 66
IV.4. Introduction à l’optimisation par l’essaim particulaire ………………….…….. 66
IV.4.1 Principes de base du PSO …………………………………………..…..……….. 68
IV.4.2 Formulation mathématique de PSO …………...…………………..……..…..… 69
IV.4.3. Configuration de la méthode ………………………………...………………… 70
IV.4.3.1. Nombre de particules ………………………….……………………………... 71
IV.4.3.2. Topologie du voisinage ……………………………………………..……...… 71
IV.4.3.3. Coefficients de confiance ……………………………………………………. 72
IV.4.3.4. Vitesse maximale et coefficient de constriction …………………………….. 72
IV.4.3.5. Facteur d’inertie …………………………………………………………….. 73
IV.4.3.6. Initialisation de l’essaim …………………………………………………….. 73
IV.4.3.7. Critères d’arrêt ………………………………………………………………. 73
IV.4.4. Organigramme de principe de la PSO ………………………………………… 74
IV.5. Critères d’évaluation de performances ………………………………………… 75
IV.6. Optimisation des paramètres du ATSMC et ATSY par la technique PSO …… 76
IV.7.Résultats de Simulation ……………………………………………………………. 77
IV.7.1.Résultat de simulation de la Commande ATSMC Optimisé par la

technique PSO …………………………………………………………………………... 77
IV.7.2. Résultats de simulation de la commande ATSY optimisée par PSO………… 78
IV.8. Optimisation par essaim des particules modifiée (MPSO)………………………. 78
IV.8.1.Résultats de simulations ………………………………………………………….. 81
IV.8.1.1. Résultats de simulation de la Commande ATSMC Optimisé par MPSO ….. 81
IV.8.1.2. Résultats de simulation de la commande ATSY optimisée par MPSO……. 82

IV.9. Conclusion………………………………………………………………………….. 83
CONCLUSION GENERALE ………………………………………..………….……… 84

Liste Des Figures
Figure.I.1: Le processus commandé ……………………………………………...……… 04

Figure.I.2 : Propriétés d’un système commandé…………………………………………. 06
Figure.I.3 : Exemple physique d’un système stable……………………………………… 09
Figure.II.1 : Structure de régulation par commutation au niveau de la contre réaction d’état
14
Figure.II.2 : Structure de régulation par commutation au niveau de l’organe de commande
15
Figure. II. 3: Glissement idéal ……………………………………………………….. 16
Figure. II.4 : Glissement réel…………………………………………………………….. 16
Figure. II.5 : Commande équivalente…………………………………………………… 19
Figure.II.6 : Représentation de la commande discontinue……………………………… 19
Figure. II.7 : Plan de phase réel………………………………………………………….. 20
Figure.II.8 : pendule inversé……………………………………………………………… 21
Figure.II.9 : Sortie du système et le signal de référence…………………………………. 22
Figure.II.10 : Commande U……………………………………………………………… 22
Figure. II.11 : Evolution de la surface S…………………………………………………. 23
Figure.II.12 : Erreur de poursuite………………………………………………………… 23
Figure.II.13 : Plan de phase………………………………………………………………. 23
Figure.II.14 : Sortie du système et le signal de référence………………………………… 26
Figure.II.15 : Commande U………………………………………………………………. 26
Figure.II.16 : Evolution de la macro-variable……………………………………………... 27
Figure.II.17 : Erreur de poursuite…………………………………………………………. 27
Figure.II.18 : Plan de phase……………………………………………………………….. 27
Figure.II.19 : Circuit d’un hacheur Buck ………………………………………………… 28
Figure. II.20 : Interrupteur fermé …………………………………………………………. 28
Figure.II.21 : Interrupteur ouvert………………………………………………………….. 29
Figure.II.22 : le signal de sortie du système et sa référence r…………………………… 32
Figure.II.23 : la commande u……………………………………………………………. 32
Figure.II.24 : courant d’inductance……………………………………………………… 32
Figure.II.25 : l’erreur de poursuite………………………………………………………. 32
Figure.II.26 : la sortie du système et sa référence r……………………………………… 33
Figure.II.27 : la commande u……………………………………………………………. 33
Figure.II.28 : courant d’inductance……………………………………………………… 33
Figure.II.29 : Erreur de poursuite………………………………………………………. 33
Figure.II.30 : la sortie du système et sa référence r…………………………………….. 34
Figure.II.31 : la commande u…………………………………………………………… 34
Figure.II.32 : courant d’inductance………………………………………………………. 34
Figure.II.33 : l’erreur de poursuite……………………………………………………… 34
Figure.II.34 : la sortie du système et la tension de référence…………………………… 36
Figure.II.35 : La commande u ……………………………………………………………. 36
Figure.II.36 : Courant d’inductance……………………………………………………… 36
Figure.II.37 :L’erreur de poursuite………………………………………………………… 36
Figure.II.38 : la sortie du système et la tension de référence r……………………………. 37
Figure.II.39 : Courant d’inductance…………………………………………………….... 37
Figure.II.40 : La commande u…………………………………………………………… 37
Figure.II.41 : L’erreur de poursuite……………………………………………………… 37
Figure.II.42 : la sortie du système et la tension de référence…………………………….. 38
Figure.II.43 : Courant d’inductance………………………………………………………. 38
Figure.II.44 : La commande u…………………………………………………………….. 38
Figure.II.45 :L’erreur de poursuite……………………………………………………….. 39
Figure.III.1 : la sortie du système et sa référence r……………………………………… 43
Figure.III.2 : la commande u…………………………………………………………….. 43
Figure.III.3 : courant d’inductance……………………………………………………… 44
Figure.III.4 : l’erreur de poursuite………………………………………………………. 44
Figure.III.5 : la sortie du système et sa référence r………………………………………. 44
Figure.III.6 : la commande u…………………………………………………………….. 44
Figure.III.7 : courant d’inductance………………………………………………………. 45
Figure.III.8 : l’erreur de poursuite………………………………………………………... 45
Figure.III.9 : la sortie du système et sa référence r……………………………………….. 45
Figure.III.10 : la commande u……………………………………………………………. 45
Figure.III.11 : Courant d’inductance…………………………………………………….. 46
Figure.III.12 : Erreur de poursuite ………………………………………………………. 46
Figure.III.13 : Sortie du système et sa référence r……………………………………….. 48
Figure.III.14: Commande u……………………………………………………………… 48
Figure.III.15 : Courant d’inductance……………………………………………………. 48
Figure.III.16 : Erreur de poursuite………………………………………………………. 48
Figure.III.17 : Sortie du système et sa référence r………………………………………. 49
Figure.III.18 : Commande u………………………………………………………………. 49
Figure.III.19: Courant d’inductance……………………………………………………. 49
Figure.III.20 : Erreur de poursuite………………………………………………………. 49
Figure.III.22 : Commande u…………………………………………………………….. 50
Figure.III.23 : courant d’inductance……………………………………………………. 50
Figure.III.24 : Erreur de poursuite……………………………………………………… 50
Figure.III.25 : principe des systèmes de commande adaptative………………………… 53
Figure.III.27 : Commande u……………………………………………………………… 55
Figure.III.28 : Courant d’inductance…………………………………………………… 56
Figure.III.30 : Sortie du système et sa référence r……………………………………… 56
Figure.III.31 : Commande u……………………………………………………………. 56
Figure.III.32 : Courant d’inductance…………………………………………………... 57
Figure.III.33 : Erreur de poursuite…………………………………………………….... 57
Figure.III.34 : Sortie du système et sa référence r……………………………………… 57
Figure.III.35 : Commande u……………………………………………………………. 57
Figure.III.36 : Courant d’inductance…………………………………………………… 58
Figure.III.38 : Sortie du système et sa référence r……………………………………….. 60
Figure.III.39 : Commande u……………………………………………………………… 60
Figure.III.40 : Courant d’inductance…………………………………………………….. 60
Figure.III.41 : Erreur de poursuite………………………………………………………... 61
Figure.III.42 : Sortie du système et sa référence r………………………………………… 61
Figure.III.43 : Commande u………………………………………………………………. 61
Figure.III.44 : Courant d’inductance……………………………………………………… 61
Figure.III.45 : Erreur de poursuite………………………………………………………… 62
Figure.III.46 : Sortie du système et sa référence r…………………………………………. 62
Figure.III.47 : Commande u………………………………………………………………... 62
Figure.III.48 : Courant d’inductance……………………………………………………… 62
Figure.III.49 : Erreur de poursuite…………………………………………………………. 63
Figure. .IV.1 : Illustration des différents minima d’une fonction objective……………….. 66
Figure.IV.2 : Groupe de : (a) oiseux, (b) poissons, (c) fourmis, (d) abeilles………………. 67
Figure.IV.3 : Cercle virtuel pour un swarm de sept particules…………………………….. 68
Figure.IV.4 : Schéma vectoriel du déplacement d’une particule………………………….. 71
Figure.IV.5 : (a) anneau (avec n=2), (b) rayon, (c) étoile …………………………………. 72
Figure.IV. 6: Organigramme général d’un algorithme OEP………………………………. 74
Figure.IV.7 : Sortie du système optimisée par PSO………………………………………. 77
Figure.IV.8 : Fonction objective (fitness) ITAE.................................................................. 77
Figure.IV.9 : Sortie du système optimisée par PSO………………………………………. 78
Figure.IV.10 : Fonction objective (fitness) ITAE................................................................ 78
Figure.IV.11 : L’organigramme de MPSO……………………………………………….. 80
Figure.IV.12 : Sortie du système optimisé par MPSO……………………………………. 81
Figure.IV.13 : Fonction objective (fitness) ITAE............................................................... 81
Figure.IV.14 : Sortie du système optimisé par MPSO……………………………………. 82
Figure.IV.15 : Fonction objective (fitness) ITAE............................................................... 82
Abreviations et Symboles
CSV : Commade à structure variable.

SMC : Commande par mode glissant.
VSS : Variable Structure System.
TSMC : Terminal Sliding Mode Control.
NTSMC: Non-Singular Terminal Sliding Mode Control.
ATSMC: Adaptive Terminal Sliding Mode Control.
ATSY: Adaptive Terminal Synergetic Control.
PSO : Particle Swarm Optimization.
OEP : Optimisation par l’essaim des particule.
AGs : Les Algorithmes Génetiques.
MPSO : Particle Swarm Optimization Modifiée.
SISO : Single Input Single Output.
MIMO: Multi Input Multi Output.
ISE: Integral of Square Error.
ITSE: Integral of Time Square Error.
IAE: Integral of Absolut Error.
ITAE: Integral of Time Absolut Error.
Introduction générale
Face au développement technologique rapide et les besoins de plus en plus de précision et

de robustesse, les systèmes automatisés n’ont cessé d’évoluer entrainant inévitablement des
structures de commandes de plus en plus complexes.
Les commandes dites classiques synthétisées généralement par des formalismes

mathématiques rigides ont été souvent mise à difficulté devant des contraintes multiples et des
besoins accrus en performance.
Les systèmes réels sont dans la plupart du temps non linéaires, mal définis, ont des
paramètres variables et sont soumis à des perturbations externes. La modélisation de ces
systèmes relève très souvent d'une approximation des phénomènes physiques mis en jeu. Or,
c'est à partir de cette représentation approximative des systèmes que l'on souhaite construire
une commande pour le système réel. Cette commande doit être alors robuste dans le sens où
elle devra assurer une faible sensibilité aux incertitudes sur les paramètres, à leurs variations
et aux perturbations externes. L'objectif de ce travail consiste à déterminer des commandes
robustes, performantes et relativement simples à mettre en œuvre.
Lorsque la partie commandée du processus est faiblement perturbée, les commandes

classiques, par exemple à action proportionnelle intégrale dérivée, peuvent s'avérer suffisantes
si les exigences en précision et en performance du système ne sont pas trop sévères. Dans le
cas contraire, il faut concevoir des algorithmes de commande assurant une robustesse du
comportement, du processus vis-à-vis des incertitudes sur les paramètres et leurs variations.
De nombreuses approches robustes ont été proposées, on peut citer dans ce contexte, la
commande Hinfini, la commande par placement de pôle robuste, la commande par mode
glissant, la commande floue, la commande synergétique…
Dans ce travail, nous nous somme limité aux techniques dites de mode glissant et contrôle
synergétique connues pour leurs robustesses tant en stabilité qu’en performance.
La commande à structure variable (CSV) qui par sa nature est une commande non linéaire,
possède cette qualité de robustesse. Elle est basée sur la commutation de fonctions des
variables d’état, utilisées pour définir une surface de glissement, dont le but est de forcer la
dynamique du système à correspondre à une dynamique choisie par le concepteur
indépendamment des paramètres du système et de leurs variations. Quand les trajectoires
1
d’état sont maintenues sur cette surface, le système se trouve en régime glissant. Sa
dynamique est alors insensible aux perturbations extérieures et paramétriques tant que les
conditions du régime glissant sont assurées. Cependant le point d’équilibre n’est atteint
théoriquement qu’au bout d’un temps infini. Dans le but d’obtenir une convergence en temps
fini, une surface de glissement non linéaire est utilisée, la commande est alors qualifiée de
mode glissant terminal. Cette dernière peut présenter des points singuliers qu’on peut éluder
par une approche dite commande par mode glissant terminal non singulière, mais les limites
supérieures des perturbations doivent généralement être connues pour le calcul du gain de
commutation.
La commande par mode glissant (SMC) a été largement utilisé dans de contrôle robustes
approches dans de nombreuses applications non linéaires comme les convertisseurs DC / DC
et les stabilisateurs de puissance et un grand effort a été réalisé pour réduire son principal
inconvénient : le broutement (chattering) présent en raison de la composante discontinue de la
loi de commande. De nombreuses approches ont été proposées pour éliminer le broutement,
parmis les-quelles la commande synergétique.
Le contrôle synergétique est comme la commande par mode glissant, basé sur l'idée de base
que si on peut forcer un système à évoluer vers un point d’équilibre selon une dynamique
choisie par le concepteur à l'aide de la loi de contrôle continue, nous devrions obtenir des
performances similaires à celles du commande glissant sans son principal inconvénient :
phénomène de broutement.
Les performances de convergence peuvent être améliorées par l’approche terminale qui a
l'avantage de convergence en temps fini sans le broutement. La grande robustesse de cette
commande joue un rôle très important dans la garantie du fonctionnement des convertisseurs
DC-DC malgré la variation de la tension de sortie et les variations de charge.
Afin de renforcer la robustesse des deux techniques terminales synergétique et de mode

glissant, l’approche adaptative est utilisée pour estimer les incertitudes sur les paramètres dans
l’élaboration de la loi de commande. Les paramètres dans les lois de commandes utilisées
dans ce travail sont obtenus par tâtonnement et donc non optimaux.
Les techniques d'optimisation inspirées par l'intelligence en essaim sont devenues de plus en
plus populaire au cours de la dernière décennie. Elles sont caractérisées par un
fonctionnement décentralisé qui imite le comportement des essaims d'insectes, d’oiseaux, des
bancs de poissons... L'avantage de ces approches par rapport aux techniques traditionnelles,
2
est leur souplesse et évitent souvent les minimums locaux. Ces propriétés en font des outils
performants dans la conception d'algorithmes de plus en plus confrontés à des problèmes
complexes. Dans ce travail, nous ferons appel à un algorithme méta-heuristique inspiré par
des techniques d'intelligence en essaim : optimisation par essaim de particules (PSO). Ces
derniers sont utilisés pour optimiser les paramètres du contrôleur synergétique appliqué à la
commande d’un convertisseur DC-DC.
Le manuscrit est organisé en quatre chapitres :
Une introduction aux notions de base et à la commande robuste est présentée dans le premier
chapitre en rappelant les principales techniques de commandes robustes telles que les
commandes Hinfini, commande par mode glissant, commande floue et commande
synergétique.
Le deuxième chapitre est consacré à la synthèse des principaux résultats sur la

commande en régime glissant et la commande synergétique dans le formalisme classique,
suivi par l’application de ces commandes sur un pendule inversé et à un convertisseur DC-
DC abaisseur.
Une extension des commandes précédentes est présentée pour un convertisseur DC-DC
abaisseur dans le troisième chapitre ainsi que le choix non linéaire de la surface de glissement
et de la macro-variable synergétique. Les concepts de la commande adaptative, adaptative
terminale de mode glissant et adaptative terminale synergétique sont ensuite abordés.
Le quatrième chapitre présente brièvement le principe de fonctionnement de la technique

d’optimisation de l’essaim des particules (PSO) et l'application de cette méthode pour obtenir
des gains optimisés des commandes adaptatives terminales mode glissant et adaptative
terminale synergétique du convertisseur DC/DC Buck afin d’améliorer les performances.
Une conclusion générale parachève le mémoire et des perspectives sont dégagées.
3
Chapitre I Commande robuste
I.1. Introduction
L’Automatique est une discipline scientifique qui vise à conférer à un dispositif donné, appelé
système, des propriétés souhaitées et ce, sans nécessité d’une intervention humaine. Une telle
discipline requiert d’attribuer un modèle au comportement du dit système (phase de
modélisation) et de l’utiliser afin, d’une part, de mieux comprendre ce comportement (phase
d’analyse) et d’autre part, d’agir sur le système dans le but d’améliorer ses propriétés (phase
de commande). La robustesse des systèmes asservis est une notion importante en
automatique. Les applications industrielles sont soumises à des perturbations externes et aux
bruits de mesure, à ceux-ci vient s’ajouter le fait que la notion de la fonction de transfert n’est
qu’un modèle mathématique décrivant le système à étudier, ce modèle n’est pas toujours
fidèle au système à cause, au moins, des incertitudes paramétriques et des dynamiques
négligées. Ce chapitre traite quelque notion sur la commande et la robustesse, et l’état de l’art
de quelque technique de commande ( commande Hinfini, commande par mode glissant,
commande floue et la commande synergétique).
I.2. Généralités sur la commande :
I.2.1. Système de commande :
Les processus que nous considérons sont des systèmes physiques qui évoluent au cours du
temps, sous l’effet d’influences internes et externes, et sur lesquels on peut faire des
observations, c'est-à-dire des mesures. Les signaux qui nous intéressent sont appelées
variables de sortie. Les grandeurs agissant sur le processus, et donc sur ses sorties, sont
appelées variables d’entrée. Le processus est affecté par deux types de variables d’entrée : les
commandes, sur lesquelles on peut agir, et les perturbations, sur lesquelles on n’a pas
d’action. Parmi ces dernières, on distingue les perturbations mesurées et les perturbations non
mesurées.
Commandes
Entrées Processus Sorties

Mesurées
Perturbations Non mesurées
Fig.I.1: Le processus commandé.
Commander un processus, c’est déterminer les commandes à lui appliquer, de manière à

assurer aux variables d’état ou aux sorties qui nous intéressent un comportement précisé par
4
un cahier des charges. Ces commandes sont délivrées par un organe de commande ; le
processus et son organe de commande constituent le système commandé.
I.2.2. Organe de commande :
Sa conception est effectuée en fonction du modèle du processus mis au point et du cahier de

charges qui spécifie les performances désirées pour le système commandé.
Il comprend nécessairement un élément, le correcteur, qui effectue le calcul de la commande

à appliquer au processus à partir de la consigne et de l’état du processus.
I.2.3. Asservissement :
Un système asservi est un système dit suiveur, qui suit donc une consigne qui varie, exemple ;
une machine-outil qui doit usiner une pièce selon un profil donné, un missile qui poursuit une
cible, le pilotage automatique d’un avion.
I.2.4. Régulation :
La consigne étant fixée et le système doit compenser l’effet des perturbations, à titre
d’exemple, le réglage de la température dans un four, de la pression dans un réacteur, du
niveau d’eau dans un réservoir.
I.2.5. Propriétés d’un système commandé :
Il est à noter que le rôle d’un automaticien est de concevoir un système automatique qui soit :
STABLE, PRECIS et RAPIDE.
 Stabilité : la grandeur de sortie doit converger vers une valeur finie si le signal d’entée est
aussi limité.
 Précision : l’erreur entre la mesure et la valeur désirée doit être la plus petite possible.
 Rapidité : il doit répondre rapidement à une excitation.
5
instable
Entrée (consigne) sortie
précision
stable
Système
commandé
t t
rapidité
fig.I.2 : Propriétés d’un système commandé.
I.3. Robustesse :
I.3.1. Définition
Par commande, nous entendrons les techniques qui permettent d’élaborer un ou plusieurs
signaux de commande en fonction de consigne et de mesure. On rencontre deux types de
problèmes : la régulation, qui consiste à rendre la ou les sorties du système insensibles par
rapport aux perturbations ou une modélisation imparfaite, et l’asservissement, où la sortie
doit suivre la consigne.
Nous appellerons synthèse les algorithmes qui permettent d’obtenir des valeurs numériques
pour les paramètres du régulateur, même si une part d’intervention humaine est nécessaire,
par exemple pour modifier une spécification ; certains automaticiens réservent ce terme pour
un calcul purement mécanique.
Les deux buts essentiels que doit remplir un régulateur sont d’assurer la stabilité et un certain
niveau de performances, values selon des critères tels que temps de montée, intégrale de la
valeur absolue de l’erreur après une perturbation ou amplification certaines fréquences. Ils
sont le plus souvent contradictoires : la stabilité est d’autant plus facile à garantir que le
régulateur impose une dynamique lente.
La synthèse d'une loi de commande se fait généralement sur un modèle nominal simplifié qui
ne prend pas en compte toute la complexité du système. Des dynamiques sont négligées,
comme celles qui se trouvent en dehors de la bande passante du système asservi ; les valeurs
des paramètres du modèle sont considérés égales à leurs valeurs nominales.
6
Du fait de ces approximations, il est généralement nécessaire de recourir à une étape de

validation a posteriori de la loi de commande. On parle d'analyse de la robustesse ; il s'agit
d'analyser la robustesse du comportement du système asservi face aux perturbations externes
(variation des conditions de fonctionnement, comme la température) ou internes (variation des
paramètres) du système. Le régulateur est robuste s’il garantit le niveau de performances
spécifié même lorsque le système s’écarte du modèle. On parle de commande robuste si les
incertitudes sont explicitement prises en compte ; c’est en cela qu’elle se distingue de
l’automatique classique, qui assure elle aussi une certaine robustesse évaluée typiquement par
les marges de gain et de phase. La robustesse porte aussi bien sur la stabilité que sur les
performances.
I.3.2. Robustesse en stabilité :
La première question concerne la stabilité. L'analyse de la robustesse en stabilité consiste à

établir si le système de mesure est stable malgré les variations attendues des paramètres.
Robustesse en stabilité : analyse de stabilité d’un système soumis à des incertitudes de

modèle. Si le système est stable quelles que soient les incertitudes modélisées, il est dit
robuste en stabilité à ces incertitudes. Afin de faciliter l’étude sur la stabilisation des systèmes
non linéaires, d’abord, nous présentons des notions générales relatives à la stabilité des
systèmes. Puis, nous énonçons deux théorèmes utilisés pour assurer la stabilité asymptotique,
les théorèmes de Lyapunov.
I.3.2.1. Notions relatives à la stabilité des systèmes:
D’une manière générale, un système dynamique est souvent représenté par un ensemble
d’équations différentielles de la forme :
x  F ( x, u, t ) (I.1)
Où F : n m   n est une fonction continue, x n représente l’état du système,

u m est la commande, et t   est le temps.
Pour notre étude, nous nous restreindrons à l’analyse des systèmes invariants, i.e. dans
lesquels le temps ne figure pas explicitement dans les équations
x  F ( x, u) (I.2)
7
La définition de la loi de commande en fonction de l’état u ( x) , va nous permettre d’écrire le

système (I.2) comme suit :
x  f ( x, u, t ) (I.3)
Où f : n  n est une fonction en général non linéaire.
Sur la base de l’équation (I.3), nous allons énoncer maintenant les concepts liés à la stabilité
des systèmes.
Définition1 : l’état x* est appelé point d’équilibre du système (I.3), s’il satisfait :
f ( x* )  0 (I.4)
afin d’alléger les définitions de stabilité, il est courant de considérer que l’origine est un point
d’équilibre, ( x*  0) . Ceci est sans perte de généralité, car un simple changement de
coordonnées permet de se ramener à cette condition.
Définition2 : le point d’équilibre x  0 est dit stable si, pour tout R  0 , il existe r  0 , tel
que si x(0)  r , alors x(0)  R pour tout t  0 . Dans le cas contraire, le point d’équilibre
est dit instable.
Cette définition de base, assure l’existence d’un voisinage du point d’équilibre, tel que toute
trajectoire du système issue de l’intérieur de voisinage est assurée de rester prés de l’origine.
Dans la section qui suivent, nous allons présenter des théorèmes de base utilisés pour garantir
la stabilité des systèmes du type (I.3).
I.3.2.2. Stabilité au sens de Lyapunov :
Un système physique est stable s’il revient vers un état d’équilibre. Supposons un système
mécanique telle la chute d’une bille, l’énergie mécanique de la bille est égal à l’Energie
cinétique et l’énergie potentielle. Le point d’Energie mécanique nul est le point d’équilibre.
La théorie de Lyapunov peut être assez simplement interprétée en mécanique au sens où son
énergie totale est complètement dissipée. Ainsi, le mouvement d’une bille atteint un état
stable si la variation d’énergie mécanique Em=V(x) décroit (x représente la position de la
bille), c'est-à-dire si V ( x)  0 .
8
Fig.I.3 : Exemple physique d’un système stable.
 Fonction candidate de Lyapunov :
Soit V : n   , une fonction telle que
i) V est continûment différentiable en tous ses arguments
ii) V est définie positive
iii) Il existe a et b deux fonctions scalaires de   dans   , continues, monotones non

décroissantes, telles que :
1. a(0)  b(0)  0 .
2. x  n , a  x   V ( x)  b  x  .
V ( x) est la dérivée de V(x) le long de la trajectoire de x  f ( x, u) .
 Avantages
- Etude de la stabilité par l’examen totale de la fonction d’énergie.
- Ne nécessite ni la solution de l’équation d’état, ni la connaissance des pôles du système.
I.3.3. Robustesse en performance :
Jusqu'ici, nous nous sommes limités à l'étude de la robustesse en stabilité. Nous allons
maintenant montrer que la robustesse en performance peut elle aussi être étudiée au moyen
d'une analyse de stabilité. Dans ce but, nous définissons la performance en terme de
majoration de normes sur les réponses en fréquences.
Les performances sont définies soit dans le domaine temporel (amortissement, temps de
réponse, …etc.) soit dans le domaine fréquentiel (marges de stabilité, pulsation de coupure,
facteur de surtension,…etc.).
9
Robustesse en performance : analyse de performance d’un système soumis a des

incertitudes de modèle. Si le système respecte les spécifications de performance quelles que
soient les incertitudes modélisées, il est dit robuste en performance a ces incertitudes.
L'analyse de la robustesse en performance cherche à établir si le système maintient les

performances prévues pour les variations attendues des paramètres.
I.4. Etat de l’art des commandes robustes :
Un modèle mathématique constitue souvent une description approchée de la réalité physique,

et la loi de commande ne pourrait être construite que sur ce dernier. Ainsi la commande
choisie devra être robuste dans le sens où elle devra garantir une faible sensibilité aux erreurs
et aux incertitudes sur les paramètres, à leurs variations et aux perturbations.
I.4.1. Commande Hinfini :
En effet, la norme H∞ est présentée comme un moyen pour quantifier le transfert entre une
perturbation en entrée et la sortie contrôlée ; et certes la recherche d’un compensateur
minimisant ce transfert peut être vue comme un problème de robustesse, non vis à vis d’une
incertitude de modélisation mais vis à vis d’une perturbation exogène.
La commande fréquentielle avancée (ou commande H  ) est née de la recherche d’une
meilleure formalisation du cahier des charges par des critères mathématiques dont la
résolution efficace permet de synthétiser un correcteur satisfaisant ce cahier des charges. Pour
cela, elle utilise le cadre fréquentiel Commande fréquentielle avancée, La commande
fréquentielle avancée (appelée encore commande robuste ou commande H  ) propose une
solution (imparfaite mais très intéressante) aux problèmes évoqués précédemment. Tout
comme en automatique fréquentielle classique, l’incertitude est explicitement prise en
compte.
I.4.2. Commande par mode glissant :
La théorie des systèmes à structure variable fait l’objet de multiples études depuis une
cinquantaine d’années. Les premiers travaux sur ce type de systèmes sont ceux des chercheurs
dans l’ancienne URSS, ou ceux en France, sur la commande à relais. Ces recherches ont
connu un nouvel essor à la fin des années soixante-dix lorsque Utkin [17], introduit la théorie
des modes glissants. Actuellement, cette technique de commande connaît une large gamme
d’applications dans des domaines très variés tels que la robotique, la mécanique et
l’électrotechnique. L’algorithme de commande par mode de glissement est classifié dans les
01
systèmes de contrôle à structure variable VSS (Variable Structure System dans la littérature
anglo-saxonne).
Le principe de ce type de commande consiste à amener, quelles que soient les conditions
initiales, le point représentatif de l’évolution du système sur une hyper surface de l’espace de
phase représentant un ensemble de relations, statiques, entre les variables d’état. La surface
considérée est alors désignée comme étant la surface de glissement ou de commutation. Le
comportement dynamique résultant, appelé régime glissant idéal, est complètement déterminé
par les paramètres et les équations définissant la surface.
L’avantage d’obtenir un tel comportement est double : d’un côté, on a une réduction de
l’ordre du système, et d’autre part, le régime glissant insensible aux perturbations intervenant
dans les mêmes directions que les entrées (matching perturbations).
La commande par mode de glissement est une commande qui exploite un nouveau
phénomène (le glissement) pour résoudre des problèmes de commande selon le même
principe :
 définir une surface de glissement telle que, lorsqu’on est sur cette surface, l’erreur
converge vers zéro.
 vérifier que la commande qui maintient l’état sur la surface de glissement satisfait les
contraintes.
 définir une commande qui amène l’état sur la surface de glissement.
I.4.3. Commande floue :
Le contrôle flou tire son nom des applications de contrôle ou de commande en automatique,
mais il déborde maintenant ce cadre par ses multiples applications, partout où une
modélisation mathématique est difficile. Le principe de cet algorithme de contrôle est très
simple, il consiste à réaliser une «interpolation» entre un petit nombre de situations connues
données par un expert sous la forme de règles floues du genre «si x est petit et y est modéré,
alors u doit être très grand».
La mise au point des prédicats évoqués par ces règles se fait généralement de façon
empirique, mais de plus en plus, différentes méthodes d'apprentissage ont été appliquées dans
le but d'avoir des systèmes de contrôle auto-adaptatif.
Le contrôle flou est l'étude, la mise au point et l'expérimentation de systèmes basés sur des
règles exprimées par des catégories linguistiques mal définies telles que :
00
Si (X est A1) et (Y est A2) alors (U est B)
où A1, A2, B sont des prédicats mentionnés comme «grand positif», «moyen», «presque nul».
Ces systèmes ont en commun d'avoir un petit nombre de règles (généralement entre 5 et 20),
et de les considérer en disjonction : on ne veut pas voir de contradictions entre ces règles,
mais au contraire, les prédicats se chevauchant, toutes les règles concourent à la détermination
du paramètre U à contrôler.
La plupart du temps ces règles ont une, deux voire trois prémisses portant souvent sur un
paramètre d'entrée E (erreur ou écart entre une valeur mesurée et une valeur cible ou
«consigne» C) et sur la variation  E de ce paramètre entre deux mesures consécutives (E et sa
dérivée E' ).
I.4.4. Commande synergétique :
Une nouvelle approche non linéaire, la théorie de la commande synergétique permet d’éviter
les problèmes des commandes linéaires en employant explicitement un modèle non-linéaire,
pour la synthèse de commande. Introduit dans les dernières décennies, le contrôle synergique
gagne rapidement l'acceptation non seulement par la communauté de commande robuste, mais
aussi par les partenaires industriels, comme illustré par sa mise en œuvre dans l'électronique
de puissance.
La commande synergétique est assez proche de la commande par mode glissant dans le
sens où on force le système à une dynamique choisie par le concepteur. Elle en diffère dans le
fait que la commande y est toujours continue et utilise une macro-variable qui peut être
fonction de deux ou plusieurs variables d’état du système, cette commande partage avec la
commande par mode glissant les propriétés de réduction d’ordre du système et de découplage,
mais il est utilisé pour plusieurs avantages. Tout d’abord, elle est bien appropriée à
l’implémentation numérique. Un deuxième avantage est que la commande fonctionne à la
fréquence constante de commutation et donc évite les problèmes de broutement.
Dans ce travail on s’intéressera uniquement à la commande par mode glissant et la

commande synergétique.
01
Chapitre II Commande par Mode Glissant et Synergétique
II.1. Introduction :
Les lois de commande classique donnent de bons résultats dans le cas des systèmes
linéaires à paramètres constants. Pour des systèmes non linéaires ou ayant des paramètres non
constants, ces lois de commande classique peuvent être insuffisantes car elles sont non
robustes, surtout lorsque les exigences sur la précision et autres caractéristiques dynamiques
du système sont strictes. On doit faire appel à des lois de commandes insensibles aux
variations de paramètres aux perturbations et aux non linéarités. Pour cela on utilise la
commande par mode de glissement et la commande synergétique.
La commande par mode glissant ( sliding mode) est une technique de commande non
linéaire, elle est caractérisée par la discontinuité de la commande aux passages par une surface
de commutation appelée surface de glissement. Cette commande est utilisée pour le contrôle
des systèmes linéaires et non linéaires en robotique, en aviation militaire ainsi qu’en milieu
sous-marin dans la commande des véhicules amphibies….
La commande synergétique est une technique de contrôle assez proche de la commande

par mode glissant dans le sens où l’on force le système considéré à évoluer avec une
dynamique pré-choisie par le concepteur. Elle en diffère dans le fait que la commande est
toujours continue et utilise une macro-variable qui peut être fonction de deux ou plusieurs
variables d’état du système.
II.2. Système à structure variable:
La commande à structure variable (CSV) qui, par sa nature, est une commande non
linéaire. Elle est basée sur la commutation de fonctions de variables d'état, utilisées pour créer
une variété ou hyper surface de glissement, dont le but est de forcer la dynamique du système
à correspondre avec celle définie par l'équation de l'hypersurface. Quand l'état est maintenu
sur cette hyper surface, le système se trouve en régime glissant. Sa dynamique est alors
insensible aux perturbations extérieures et paramétriques tant que les conditions du régime
glissant sont assurées. Aujourd'hui, la recherche et développement continuent à une grande
variété de systèmes de technologie telles que des robots [17].
Dans les systèmes à structure variable utilisant la commande par mode de glissement, on
peut trouver deux configurations de base pour la synthèse des différentes commandes:
13
II.2.1. Structure par commutation au niveau d'une contre réaction d’état:
C’est la structure la moins exigeante au niveau de la sollicitation de la commande. Elle

s’appuie sur la commande par contre réaction d’état classique (Figure.II.1).
Perturbation
U y
Système
○ K1
1
○ ○ K2
x
1
○ K3
S(x)
Kw ○ Kx
w - +
o
Fig.II.1 : Structure de régulation par commutation au niveau de la contre réaction d’état
Le système est représenté par l’équation dynamique suivante :
x  f (x )  g (x )u (II.1)
La surface de commutation S (x ) est donnée par :
S ( x)  Kx  Kww  0 (II.2)
Avec :
K : Vecteur de la contre réaction d’état.
w : Grandeur de consigne.
K w : Coefficient de l’intervention directe de la consigne.
II.2.2. Structure par commutation au niveau de l’organe de commande:
Le schéma d’une structure par commutation au niveau de l’organe de commande est donné
sur la (Fig.II.2) .Cette structure de commande est la plus classique et la plus utilisé.
14
Perturbation

u ○
Système

u o u y
S x  x
w
Kw
- +
K
Fig.II.2 : Structure de régulation par commutation au niveau de l’organe de commande
Dans ce cas la logique de commande est donnée par :
u 
 S (x )  0
f (x )    (II.3)

u S (x )  0
Elle correspond au fonctionnement tout ou rien des interrupteurs de puissance associée dans
une grande majorité d'application aux variateurs de vitesse.
II.3. Introduction à la commande par mode glissant:
II.3.1. Notion de base :
Avant d’entamer les méthodes utilisées dans la synthèse de système de contrôle par mode
de glissement, nous allons expliquer quelques notions de bases du régime glissant.
II.3.1.1. Régime glissant idéal :
En théorie, l’organe de commutation est supposé insensible aux bruits, et la trajectoire en

régime glissant décrit parfaitement l’équation S (x )  0 . Le régime glissant idéal correspond à
une oscillation de fréquence infinie et d’amplitude nulle, le point représentatif de l’évolution
du système glisse parfaitement sur l’hyper surface de commutation (Fig. II.3) [18].
15
Fig. II. 3: Glissement idéal
II.3.1.2. Régime glissant réel:
En pratique l’organe de commutation est réalisé à partir de relais qui présentent des
imperfections comme les retards de commutations, dans ce cas la trajectoire de phase du
régime glissant reste au voisinage de la surface de commutation donnant naissance à des
oscillations indésirables qui éliminent la précision du système et néanmoins sa stabilité
(Fig.II.4) [18].
Fig. II.4 : Glissement réel.
II.3.2. Conception de la commande par mode glissant :
Soit le système decrit par l’équation suivante:
x ( n )  f (x ,t )  g (x , t )u w (x , t ) (II.4)
Où :
x (t ) n : représente le vecteur d’état, tel que x (t )  (x , x ,..., x n 1 )T .
u (t ) m : Vecteur de commande.
w (x ,t ) n : Vecteur de perturbation.
16
f (x , t ) n *n et g (x ,t ) n *m sont des fonctions non linéaires du vecteur d'état décrivant le
système.
Le but du contrôle de la poursuite est de trouver une loi de commande telle que (étant donné
une trajectoire désirée x d (t ) ) l’erreur de poursuite tend vers zéro malgré la présence des
perturbations. L’erreur de poursuite est définie par :
e (t )  x (t )  x d (t ). (II.5)
La mise en œuvre d’une commande par mode glissant passe par trois étapes :
 Le choix de la surface de glissement.

 Conditions d’existence et de convergence.
 L’établissement de la loi de commande.
II.3.2.1. Choix de la surface de glissement : La surface de glissement S (x )  0 représente

le comportement dynamique désiré du système, Stoline propose une forme générale pour
déterminer la surface de glissement qui assure la convergence d'une variable d'état x vers sa
valeur désirée xd (t ) cette fonction est donnée par l'équation :
r 1
d 
S (x , t )      e (x ) (II.6)
 dt 
Avec :
e (x ) : L’écart entre la variable à régler et sa référence.
 : Constante positive.
r : Degré relatif, il présente le nombre de fois qu’il faut dériver la surface pour faire
apparaître la commande.
L’objectif de la commande est de maintenir la surface à zéro cette dernière est une
équation différentielle linéaire dont l’unique solution est e (x )  0 pour un choix convenable
du paramètre, ceci revient à un problème de poursuite de trajectoire qui est équivalente à une
linéarisation exacte de l’écart tout en respectant la condition de convergence.
II.3.2.2. Conditions d’existence et de convergence : Les conditions d’existence et de

convergence sont les critères qui permettent aux différentes dynamiques du système de
converger vers la surface de glissement et d’y rester indépendamment de la perturbation. Il
existe deux considérations pour assurer le mode de Convergence:
17
II.3.2.2.1. Fonction discrète de commutation:
C’est la première condition de convergence, elle est proposée et étudiée par ELMYANOV
et UTKIN. Il s’agit de donner à la surface une dynamique convergente vers zéro, elle est
donnée par:
 S ( x)  0 S ( x)  0
 Si (II.7)
 S ( x)  0 S ( x)  0
Cette condition peut être formulée comme suit: S (x )S (x )  0 (II.8)
II.3.2.2.2. Fonction de Lyapunov:
1 2
Si on choisit comme fonction de Lyapunov : V ( x)  S ( x) (II.9)
2
La dérivée de cette fonction est : V ( x)  S ( x).S ( x) (II.10)
Pour que la fonction V ( x ) puisse décroître, il suffit d’assurer que sa dérivée soit négative.
Ceci n’est vérifiée que si la condition (II.11) est vérifiée.
S (x )S (x )  0 (II.11)
L équations (II.9), explique que le carré de la distance entre un point donné du plan de phase
et la surface de glissement exprime par S 2 (x ) diminue tout le temps, c’est à dire que l’état
système sera attiré vers la surface de glissement, d’où le nom d’attractivité. Cette condition
suppose un régime glissant idéal ou la fréquence de commutation est infinie.
II.3.2.3. Calcul de la commande:
Une fois la surface de glissement est choisie, ainsi que le critère de convergence, il reste à
déterminer la commande nécessaire pour attirer la variable à régler vers la surface, ensuite
vers son point d’équilibre, en maintenant la condition d’existence du mode glissant.
Lorsqu’il y a un régime glissant, la dynamique du système est indépendante de la loi de

commande. De ce fait, on peut introduire une partie continue pour diminuer l’amplitude de
la discontinuité, on aura donc u  ueq  uc (II.12)
II.3.2.3.1. Commande équivalente :
La commande équivalente proposée par FILIPOV et UTKIN [17] correspond à la commande

du système nominale permettant de satisfaire la condition : S (x , t )  0
18
S S
On a en effet : f (x , t )  g (x , t )u eq (t )    0. (II.13)
x t
1
 S   S S 
ueq (t )   g ( x, t )   f ( x, t )   (II.14)
 x   x t 
1
 S 
Avec la condition d’existence :  g (x , t )   0 (II.15)
 x 
Elle peut être interprétée autrement comme étant une valeur moyenne que prend la commande
lors de la commutation rapide entre les valeurs umax et umin (Fig.II.5).
Fig. II.5 : Commande équivalente
II.3.2.3.2. Commande de commutation:
La commande de commutation permettant de garantir la condition d’attractivité et responsable

du glissement, la forme la plus simple que peut prendre est celle d’un relais.
uc  S (x )  ksign (S (x )) (II.16)
Où : k est une constante positive qui représente le gain de la commande discontinue

(Fig.II.6)
u
+ k
-k
Fig.II.6 : Représentation de la commande discontinue
19
II.3.2.4. Avantages et les inconvénients de la commande par mode glissant :

Un des principaux avantages résidant dans l’utilisation de la commande par mode glissant
est que tout système commandé par cette technique aura des propriétés implicites de
« robustesse », car le système sera contraint à chaque instant à respecter la condition de
glissement.
En général, on combine cette technique avec des méthodes de commande à structure variable,
dans le but de pouvoir définir de manière explicite la robustesse du système, vis-à-vis des
incertitudes paramétriques du modèle et des perturbations du système.
Quand l’état du système se trouve à la limite du changement de structure, des commutations
successives à fréquences élevées peuvent se produire. Ce phénomène pouvant produire une
sollicitation excessive des actionneurs, est appelé broutement (en anglais « chattering »).
Pour certaines applications, le broutement n’est pas acceptable pour deux raisons principales :
 Pour des fréquences de broutement élevées, dans certains cas, le système n’est plus
modélisé correctement et peut devenir instable en boucle fermée.
 Le broutement produit une dynamique importante sur les actionneurs (moteurs), ce qui
peut réduire leurs « temps de vie » et d’être la cause de vibrations dangereuses.
Fig. II.7 : Plan de phase réel.
II.3.2.5. Application à la commande d’un pendule inversé :
Dans cette partie on s’intéresse à l’application de la commande par mode glissement sur le
pendule inversé. Le pendule est représenté sous sa forme simplifie comme le présente la
(figure II.8), il est commandé par la force F appliquée au chariot, le grandeur à régler est la
position angulaire  .
L’équation dynamique du pendule inversé est donnée par :
20
x 1  x 2
 (II.17)
x 2  f (x 1 , x 2 )  g (x 1 , x 2 )u
Avec :
mlx 22 cos(x 1 )sin(x 1 ) cos(x 1 )

g sin(x 1 ) 
f (x 1 , x 2 )  M m et g (x 1 , x 2 )  M m .
4 m cos 2 (x 1 ) 4 m cos 2 (x 1 )
l(  ) l(  )
3 M m 3 M m
Où :
y  x 1   est l’angle du pendule.
x 2   est la vitesse angulaire.
g  9.81m / s 2 est la gravité universelle, M  1kg est la masse du chariot, m  0.1kg est la
masse du pendule, 2l est la longueur du pendule (l  0.5m ) , y est la sortie du système, et
u est la commande.
Fig.II.8 : pendule inversé.
II.3.2.5.1. Synthèse de l’algorithme de commande :
Pour appliquer notre contrôleur à ce système, on procède exactement comme pour le système
précédent :
On choisit la surface comme suit:
S (t )  e1  e 2 (  0) (II.18)
S  e1  e2 e2  S  e 2 (II.19)
On a : uc  S (x )  ksign (S (x )) (II.20)
On substitue (II.20) dans (II.19),
21
e 2  ksign (S )  e 2 (II.21)
e1  e  y m  y e1  e 2
Tel que :  
e 2  e  y m  y e 2  y m  y  y m  f (x )  g (x )u
1
u   y m  f (x )  e 2  (II.22)
g (x )
1
A partir de (II.21) et (II.22), on obtient : u   y m  f (x )  ksign (S )  e 2  (II.23)
g (x )
Remarque : la condition de glissement nous donne seulement l’ordre de grandeur des

coefficients  et k , leurs valeurs sont ajustées par simulation en tenant compte des critères
suivants :
 Rapidité de la réponse sans dépassement important.
 La réduction de l’amplitude des oscillations.
 Réduction de l’erreur statique.
On prend pour signal de référence (t)=sin(t)
II.3.2.5.2. Résultats de simulation :
Les résultats de simulation sous MATLAB 7.11.0, pour (k=5 et λ=2) sont illustrés pour les
conditions initiales par les figures suivantes :
la commande
1.5 30
1 20
0.5
10
x(1)=y
0
0
U
-0.5
-10
-1
-20
-1.5
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
-30
time(sec) 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
time(sec)
Fig.II.9 : Sortie du système et le signal de

référence. Fig.II.10 : Commande U
22
la surface de glissement
0.2 0.4
0.1 0.2
0 0
-0.1
-0.2
S
E2
-0.2
-0.4
-0.3
-0.6
-0.4
-0.8
-0.5
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 -1
time(sec) 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
time(sec)
Fig. II.11 : Evolution de la surface S.

Fig.II.12 : Erreur de poursuite.
plan de phase
0.8
0.6
0.4
0.2
0
x(2)
-0.2
-0.4
-0.6
-0.8
-1
-1.2
-1.5 -1 -0.5 0 0.5 1 1.5
x(1)
Fig.II.13 : Plan de phase.
II.4. Introduction à la commande synergétique
II.4.1. Principe de la commande synergétique :
La théorie de commande synergétique a été introduite la première fois d'une façon

générale par les chercheurs russes dans les dernières années. Récemment cette théorie a été
appliquée avec succès dans le domaine des commandes de l'électronique de puissance. Son
application à un convertisseur élévateur a été présentée dans [17], et quelques aspects
pratiques concernant la simulation et le hardware ont été discutés dans [15], [16] et parmi les
applications pratiques réussies figure le chargeur de batteries [31].
Cette nouvelle approche ne requiert pas la linéarisation du modèle et emploie

explicitement un modèle non linéaire pour la synthèse de la commande.
23
II.4.2. Synthèse de la commande synergétique :
Considérons le système dynamique non-linéaire SISO de dimension n qui peut être décrit par
l'équation non linéaire suivante :
dx (t )
 f ( x, u , t ) (II.24)
dt
Où x représente le vecteur d'état du système et u représente le vecteur de commande. La

synthèse du contrôleur synergétique débute par la définition d’une macro-variable par le
concepteur, pour réaliser le cahier des charges et prendre en charge d’éventuelles contraintes
de contrôle, qui est donnée comme suit.
   ( x, t ) (II.25)
Où  est la macro-variable et  (x , t ) est une fonction définie par l'utilisateur, en général

fonction des variables d'état et du temps. L’objectif de la commande synergétique est de
forcer le système à évoluer sur le domaine choisit au préalable par le concepteur :
 0 (II.26)
Les caractéristiques de la macro-variable peuvent être choisies par le concepteur, selon les
paramètres tels que l'objectif de commande, le temps de réponse, limitations de la commande,
etc.… La macro-variable peut être une combinaison linéaire simple des variables d'état, et elle
est forcée d’évoluer d'une façon désirée exprimée par une contrainte choisie par le concepteur
comme indiquée en exemple par l’équation suivante :

T    0 , T 0 (II.27)
Où T est un paramètre de contrôle qui indique la vitesse de convergence du système en boucle

fermé vers le domaine indiqué.
En tenant compte de la chaînes de la différentiation qui est donnée par
d ( x, t ) d ( x, t ) dx
 . (II.28)
dt dx dt
La substitution de (II.24) et de (II.25) dans (II.27) permet d’écrire :
d ( x, t )
T f ( x, u , t )   ( x, t )  0 (II.29)
dx
En résolvant (II.6) pour u, la loi de commande peut être trouvée comme :
24
u  g ( x, ( x, t ), T , t ) (II.30)
De (II.30), on peut voir que la commande dépend non seulement des variables d'état du
système, mais également de la macro-variable et de la constante de temps choisies T. En
d'autres termes, le concepteur peut choisir les caractéristiques du contrôleur en choisissant une
macro-variable appropriée et une constante de temps spécifique T. En synthétisant le
contrôleur, chaque domaine présente une nouvelle contrainte sur le domaine de l'espace d'état
et réduit l'ordre du système d’un degré, tout en allant dans la direction de la stabilité globale.
Dans la synthèse du contrôleur synergétique montré ci-dessus, il est clair que le contrôleur
synergétique agit sur le système non-linéaire et une linéarisation ou une simplification du
modèle n’est pas nécessaire comme lors de l'application de la théorie de commande
traditionnelle.
Par le choix approprié des macro-variables, le concepteur peut obtenir les

caractéristiques intéressantes suivantes pour le système final [30] :
 Stabilité globale
 Insensibilité vis-à-vis les paramètres
 Suppression de bruit.
Il est intéressant de noter que la loi de la commande synergétique garantit la stabilité globale
sur le domaine choisi. Ceci signifie qu'une fois que l’hypersurface est atteinte le système n'est
pas supposé la quitter, même en cas d’assez grandes variations des paramètres. Cette propriété
d’invariance aux perturbations est partagée par la technique de commande en mode glissant
lors du glissement des trajectoires sur la surface de glissement. Un exemple d’application est
donné dans la section suivante afin d’illustrer la simulation de la mise en œuvre du contrôle
synergétique.
II.4.3. Application à la commande d’un pendule inversé
On applique la commande explicitée précédemment au contrôle d’un pendule inversé

décrit par l'équation différentielle (II.17).
II.4.3.1. Synthèse de l'algorithme de commande :
Pour appliquer notre contrôleur à ce système, on procède exactement comme pour le système
précédent :
On choisit la macro-variable comme suit:
25
 (t )  ke1  e2 (k  0) (II.31)
Donc
  ke1  e2 (II.32)
Et d’après la relation T   0 T>0. (II.33)
e1  e  y m  y e1  e 2
Tel que :   (II.34)
e 2  e  y m  y e 2  y m  y  y m  f (x )  g (x )u
Où, k est une constante positive, ym est le signal de référence, x1   l’angle de pendule,
x2   est la vitesse de pendule. L’objectif de la commande synergétique est de forcer le

système à suivre un signal de référence. On veut maintenir   0 , c’est-à-dire que le
système y est confiné et que l’on tend vers l’origine du plan de phase.
A partir de (II.33) et (II.34), on obtient :
1  1 
u  ym  f ( x)    k.e2  (II.35)
g ( x)  T 
II.4.3. 2 Résultats de simulation :
  T
On prend pour signal de référence (t)= sin(t) Pour les conditions initiales x0  ( , ) .
60 60
Les valeurs de : k et T, sont ajustées par simulation en tenant compte les critères suivantes :
 Rapidité de la réponse sans dépassement important.
 La réduction de l’amplitude des oscillations.
 Réduction de l’erreur statique.
1.5 20
15
1
10
0.5
la commande U en N
tetha et ym (rad)
0
0
-0.5 -5
-10
-1
-15
-1.5
0 1 2 3 4 5 6 7 8 9 10 -20
temps(sec) 0 1 2 3 4 5 6 7 8 9 10
temps(sec)
Fig.II.14 : Sortie du système et le signal de Fig.II.15 : Commande U.

référence.
26
1.2 0.1
1
0.08
0.8
la macro-variable KSSI
0.06
erreur de position
0.6
0.04
0.4
0.02
0.2
0
0
-0.02
-0.2 0 1 2 3 4 5 6 7 8 9 10
0 1 2 3 4 5 6 7 8 9 10
temps(sec)
temps(sec)
Fig.II.16 : Evolution de la macro-variable. Fig.II.17 : Erreur de poursuite.
plan de phase
1.5
0.5
dtetha (rad)
-0.5
-1
-1.5
-1.5 -1 -0.5 0 0.5 1 1.5
tetha (rad)
Fig.II.18 : Plan de phase.
II.5. Introduction aux convertisseurs DC-DC
L’adaptation des niveaux de tension et de courant des éléments de l’énergie électrique par
rapport à un bus continu nécessite un convertisseur statique DC-DC. Parmi les commandes
appliquées à un tel convertisseur, on trouve :
 La commande par retour d’état c’est une commande robuste non linéaire basée sur la
boucle de courant standard.
 La commande par hystérésis programmée, la fréquence du signal de cette commande

est constante.
Le comportement dynamique de ce convertisseur est décrit par un modèle non linéaire et

nécessite une commande robuste et rapide en régime transitoire. Dans cette application on
27
utilisera la commande par mode glissant et la commande synergétique, des commandes

robustes appropriées aux convertisseurs statiques.
II.5.1. Modèle mathématique du convertisseur DC-DC Buck :
Dans notre étude, on fait l’hypothèse que l’on travaille en régime continu, c’est-à-dire
que le courant dans l’inductance de lissage ne s’annule pas. Le modèle mathématique du
convertisseur Buck peut être déduit en appliquant la loi de Kirchhoff dans le cas où
l’interrupteur est passant, et dans le cas où il est bloquant [17].
Fig.II.19 : Circuit d’un hacheur Buck
II.5.1.1. Interrupteur fermé :
Sur l’intervalle 0 ≤ t ≤ uT :
L’interrupteur T est fermé, la diode D est bloquée ; le circuit équivalent est donné dans le
schéma suivant:
Fig. II.20 : Interrupteur fermé
Le comportement du convertisseur pour ce cas est décrit par le système d’équations

suivant :
28
 dVO V
 C.  iL  O
 dt R
 (II.36)
di
 L. L  V  V

 dt
in O
II.5.1.2. interrupteur ouvert :
Sur l’intervalle uT ≤ t ≤ T :
L’interrupteur T est ouvert, la diode D entre en conduction, le circuit équivalent est donné
dans le schéma suivant:
Fig.II.21 : Interrupteur ouvert.
Le comportement du convertisseur pour ce cas est décrit par le système d’équations suivant
 dVO VO
C. dt  iL  R
 (II.37)
 L. diL  V  0
 dt O
II.5.1.3. Modèle final (combinaison des 2 structures) :
Les équations (II.38) représentent le modèle du convertisseur DC-DC en régime de

fonctionnement continu :
 dVO V
C.  iL  O
 dt R
 (II.38)
 L. diL  u.V  V

 dt
in O
Avec u représente l’état du l’interrupteur (rapport cyclique). lorsque u = 1, l'interrupteur T est

mis en marche, et lorsque u = 0, T est éteint.
La loi de commande adoptée pour le contrôle du convertisseur est celle présentée par
l’équation (ÏI.39).
0 u 1 (II.39)
29
Lorsque le convertisseur fonctionne dans le mode de conduction continue, le système peut

être décrit comme dans [14].
 1 
0  Vin 
 iL   L   iL   
    L u
1  vo   
(II.40)
vo   1
 C 0 
RC 
Sélectionner la tension de sortie et de son dérivé en tant que variables d'état du système,
 x1  vo

comme suit :  dvo (II.41)
 x2  dt
Ensuite, la représentation d'état décrivant le système est dérivée en tant que
 x1  x2

 x x V (II.42)
 x2   1  2  in u
 LC RC LC
Lorsque la fréquence de commutation est suffisamment élevée et les ondulations sont de

petite taille, et si nous supposons que le rapport cyclique d'une période de commutation est d
alors le modèle moyen de l'espace d'état peut être réécrite comme suit :
 x1  x2

 x x V (II.43)
 x2   1  2  in d
 LC RC LC
II.6. Commande par mode glissant d’un convertisseur DC-DC BUCK
II.6.1. Synthèse de l’algorithme de commande
La synthèse de la loi de commande se fait en deux étapes:
Dans la première étape, la définition d'une surface de glissement S ayant des dynamiques
désirées qui peuvent être choisis comme suit:
S  e  e (II.44)
Supposons que la tension désiré est r, l'erreur de poursuite et sa dérivée sont définis comme
suit: e  x1  r ; e  x2  r
Afin de garantir l'existence du mode glissant, la commande doit satisfaire à la condition
SS  0 (II.45)
30
Dans la seconde étape, la préparation d'une loi de commande de manière à forcer le système
d'accès et ensuite de rester sur la surface de glissement jusqu'à ce qu'elle atteigne l'origine du
plan de phase. La commande équivalente est obtenu par les conditions d'invariance de la
surface donnée par:
S 0 ; S 0
Par conséquent, l'expression de la commande équivalente est:
LC  x1 x 
ueq    2  e  r  (II.46)
Vin  LC RC 
e terme du commandement discontinu us fournit la vitesse de glissement et la robustesse vis-

à-vis des perturbations extérieures et paramétrique. La partie discontinue de la commande est
donnée par:
us  k.sign(S ) (II.47)
Où: k  0 .
Par conséquent, la commande totale est définie par:
LC  x1 x 
u   2   e  r  k .sign( S ) 
Vin  LC RC  (II.48)
II.6.2. Résultats de simulation
Les contrôleurs proposés ont été utilisés pour le fonctionnement du convertisseur et de la

simulation DC-DC a été réalisée. Les paramètres du convertisseur DC-DC sont choisis. La
tension désirée est r  20v . L'état initial du système est x   0, 0 .

T
Pour tester la robustesse on applique des perturbations dans l’intervalle [1-1.5 s] par exemple
la variation de la tension d’entrée de 24v à 35v, ou la variation de la charge de 8 à 20 ohms.
31
II.6.2.1. Cas de poursuite :
25
20
la sortie du système et r
15
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps(sec)
Fig.II.22 : le signal de sortie du système et sa référence r.
0.9
0.8
0.7
0.6
la commande u
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps(sec)
Fig.II.23 : la commande u.
3
2.5
2
le courant (A)
1.5
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps(sec)
Fig.II.24 : courant d’inductance.

20
18
16
14
l'erreur de poursuite e
12
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps(sec)
Fig.II.25 : l’erreur de poursuite.
32
II.6.2.2. Cas de variation de la tension de source
25
20
15
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps(sec)
Fig.II.26 : la sortie du système et sa référence r.

0.9
0.8
0.7
0.6
la commande u
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps(sec)
3
2.5
2
le courant(A)
1.5
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps(sec)

20
18
16
14
12
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps(sec)
Fig.II.29 : Erreur de poursuite.
33
II.6.2.3. Cas de variation de la charge:

25
20
15
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps(sec)
Fig.II.30 : la sortie du système et sa référence r.

0.9
0.8
0.7
0.6
la commande u
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps(sec)
3
2.5
2
le courant(A)
1.5
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps(sec)

20
18
16
14
12
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps(sec)
Fig.II.33 : l’erreur de poursuite.
34
II.7. Commande synergétique du convertisseur DC-DC Buck
II.7.1. Synthèse de l’algorithme de commande
La synthèse de commande synergique de la donnée dans le système (II.42) commence par

définir la macro-variable comme suit :
  k .e  e (II.49)
Avec : e  x1  r ; e  x2  r
L’objectif de la commande synergétique est de forcer le système à évoluer sur le domaine

choisit au préalable par le concepteur :  0 .
L'évolution dynamique désirée des macro-variables est T   0 (II.50)
Où T est un paramètre de conception indiquant la vitesse de convergence vers l'attracteur

spécifié par la macro-variable.
Directement remplaçant les équations (II.49) et (II.50) du convertisseur abaisseur en (II.43) et

en réarrangeant, on obtient la loi de commande qui est donnée par
L.C  x(1) x(2) 

d  r   k.e  (1/ T ).  (II.51)
Vin  L.C R.C 
II.7.2. Résultats de simulation :
Les contrôleurs proposés ont été utilisés pour le fonctionnement du convertisseur et de la

simulation DC-DC a été réalisée. Les paramètres du convertisseur DC-DC sont choisis. La
tension désirée est r  20v . L'état initial du système est x   0, 0 . Les principaux
T
paramètres utilisés dans la conception de contrôleur sont:
Pour tester la robustesse on applique des perturbations dans l’intervalle [0.38-0.59 s]

par exemple la variation de la tension d’entrée de 24v à 35v, ou la variation de la charge de 8
à 20 ohms.
35
II.7.2.1. Cas de poursuite :
25
20
La tension de sortie et r
15
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps(sec)
Fig.II.34 : la sortie du système et la tension de référence.
0.9
0.8
0.7
0.6
la commande U
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps(sec)
Fig.II.35 : La commande u
2.5
2
le courent (A)
1.5
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps(sec)
Fig.II.36 : Courant d’inductance
20
18
16
14
12
10
8
2
0
-2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps(sec)
Fig.II.37 :L’erreur de poursuite
36
II.7.2.2. Cas de variation de la tension d’entrée

25
20
15
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps(sec)
Fig.II.38 : la sortie du système et la tension de référence r.
2.5
2
le courent (A)
1.5
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps(sec)
0.9
0.8
0.7
0.6
la commande U
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps(sec)
20
18
16
14
12
10
8
2
0
-2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps(sec)
Fig.II.41 : L’erreur de poursuite.
37
II.7.2.3. Cas de variation de la charge

25
20
15
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps(sec)
Fig.II.42 : la sortie du système et la tension de référence.
2.5
2
le courent (A)
1.5
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps(sec)
0.9
0.8
0.7
0.6
la commande U
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps(sec)
38
20
18
16
l'erreur de poursuite e 14
12
10
8
2
0
-2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps(sec)
Fig.II.45 :L’erreur de poursuite.
II.8. Conclusion :
Dans ce chapitre, nous avons effectué une synthèse des principaux résultats sur la
commande en régime glissant et la commande synergétique dans le formalisme classique.
Les commandes appliquées forcent la sortie du système à suivre le signal de référence.
Cette poursuite s’effectue en minimisant l’erreur d’approximation d’une part et en assurant la
stabilité du système d’une autre part.
Mais la commande par mode glissant appliquée oscille avec une fréquence de
commutation qui tend vers l’infini (chattering) qui peut être inacceptable si le signal de
commande à une signification physique comme la force.
Puis, on a présenté une nouvelle technique de commande adoptée pour résoudre les
problèmes de commande des systèmes non linéaires, et d’après les résultats de simulation, on
peut conclure que la loi de commande synergétique montre une bonne performance de
poursuite et garanti la stabilité asymptotique du système avec une réduction du problème de
broutement..
Le contrôle élaboré garantit seulement une convergence asymptotique de l'état final, afin
d'avoir une convergence plus rapide, il est nécessaire de modifier la surface de glissement et
la macro-variable.
39
Chapitre III Commande Adaptative Terminal de Mode glissant et Synergétique
III.1. Introduction
En général, la surface de glissement la plus couramment utilisée est la surface de glissement

linéaire, ce qui peut garantir la stabilité et la performance asymptotique souhaitée du système
de commande en boucle fermée en utilisant le mode de glissement classique. Bien que les
paramètres de la surface de glissement linéaire puissent être ajustés de manière appropriée
pour obtenir le taux de convergence arbitraire, les états du système ne peuvent pas atteindre le
point en temps fini à l’équilibre. Pour pallier à cet inconvénient, la commande de mode
glissant terminal ( TSMC ) avec la surface non linéaire de glissement est proposée fondée sur
le concept d'un attracteur borné. En comparaison avec le SMC conventionnel doté d’une
surface de glissement linéaire, TSMC offre des propriétés supérieures comme la rapidité, la
convergence en temps fini, et plus la précision de contrôle. Cependant, il existe deux
inconvénients de TSMC qui sont le problème du point de singularité et l'exigence de la limite
de l'incertitude. Le premier problème a été surmonté par l’apport de l’approche non singulière
en mode glissant terminal (NTSMC) [4,14], et le deuxième problème peut être résolu par une
estimation de l'incertitude bien conçue [14]. On applique le même principe avec la commande
synergétique terminale à partir d’un choix de l’équation de la macro-variable non linéaire
pour obtenir les mêmes performances. Ensuite, nous abordons ensuite le concept de la
commande adaptative, adaptative terminal mode glissant et adaptative terminal synergétique,
on a utilisé ces contrôleurs dans la commande d’un convertisseur DC-DC Buck.
III.2. Commande Non-singulière de Mode Glissant Terminal
Il y a deux composantes de base de la méthode SMC : une surface de glissement stable qui
assure la dynamique voulue, et un effort de contrôle qui pilote les états du système pour
atteindre et rester sur la surface de glissement. Habituellement, la surface de glissement est un
hyperplan linéaire du système Etats et que la stabilité asymptotique est assurée sur le
collecteur de glissement, ce qui implique que les erreurs de système ne peuvent pas converger
vers zéro en un temps fini. Terminal Mode Glissant (TSMC) est un système de variante du
SMC qui peuvent atteindre la stabilité temps fini. TSMC offre une convergence de l'erreur en
temps fini. Inspiré par cette idée, les chercheurs ont développé des approches TSMC avec les
systèmes d'ordre élevé, les systèmes linéaires MIMO et les systèmes dynamiques incertains.
III.2.1. Commande de Mode Glissant Terminal d’un Convertisseur DC-DC Buck
La commande de mode glissant terminal (TSM, Terminal Sliding Mode) est proposée dans le
but principal de réduire le temps de convergence, le gain et le broutement (chattering) de la
04
commande par mode glissant par rapport à la commande par mode glissant conventionnelle.
Ce type de commande présente plusieurs avantages tels que la rapidité, temps de convergence
fini. TSMC utilise spécialement une surface de glissement non linéaire.
III.2.1.1. Synthèse de la loi de commande
On aborde dans ce qui suit l’application de la commande de mode glissement terminal au

convertisseur DC-DC. L’équation dynamique du convertisseur DC-DC Buck est donnée par :
 x1  x2

 x x V (III.1)
 x2   1  2  in d
 LC RC LC
La conception de la commande de mode glissant terminal est basée sur un choix particulier de
la surface de glissement et la détermination d'une loi de commande permettant de conduire
l’état du système sur la surface du glissement. Le mode glissant terminal est établie et la
convergence en temps finie est garantie.
Dans ce but, on définit une surface de glissement non linéaire:

p p
1 1
S  e e  ( x1  r ) 
q
( x2  r ) q
(III.2)
 
Où   0 , p et q sont des constantes positives impaires, et 1  p 2.

q
Supposons que le temps de S (0)  0 à S  0 est t r quand l'écart de poursuite est nul est t s .
Lorsque le système atteint la surface de glissement, il existe

p
1
S e e 0
q
(III.3)

En transformant, l'équation suivante peut être dérivée

p p
e   eq q
(III.4)
Ensuite t s peut être obtenu de la manière suivante
p
p 1
ts  q
e(tr ) q (III.5)
 ( p  q)
p
En ajustant p , q et  , le système peut atteindre un état stationnaire dans un temps limité de t s
04
la fonction de Lyapounov est définit comme suit :
1 2
V  S (III.6)
2
La condition suffisante pour que l'existence du terminal mode glissant est
1 dS 2
V   S (III.7)
2 dt
Où:   0 .
La condition (III.7) conduit à SS   S (III.8)
La différentiation de (III.5) par rapport au temps et à l'aide de (III.6), on obtient :

p
1 p 1  x x V
V  S ( x2  r  ( x2  r ) q ( 1  2  in d  r )) (III.9)
 q LC RC LC
La commande par mode glissant terminal est réalisée sous la forme :

p
LC x x p 2
d  ( 1  2  r   ( x2  r ) q  (  k ) sign( S )) (III.10)
Vin LC RC q
Où: k  0 .
La substitution de (III.10) dans (III.9) conduit à:

p
1 p 1
V  SS  ( x2  r ) q ((  k ) S ) (III.11)
 q
Parce-que 1 p 2 (III.12)
q
p
Donc: 0 1  1 (III.13)
q
Et parce que p et q sont des constantes positives impairs, quand ( x2  r )  0 , il existe :
p
1
( x2  r ) q  0 (III.14)
p p
1 p 1 1 p 1
Donc: V  ( x2  r ) q ( S )  ( x2  r ) q  S    S (III.15)
 q  q
04
p
1 p 1
Où   ( x2  r ) q   0 (III.16)
 q
Par conséquent, la stabilité de Lyapunov est satisfaite.
III.2.1.2. Résultats de Simulation :
Les paramètres du convertisseur DC-DC sont choisis

L  80 H ; E  24V ; R  8; C  2000 F . La tension désirée r  20v . L'état initial du
système est x   0, 0 . p  5, q  3 [14].

T
Pour tester la robustesse on applique des perturbations dans l’intervalle [1.5-2.5 s] par
exemple la variation de la tension d’entrée de 24v à 35v, ou la variation de la charge de 8 à 20
ohms.
Les résultats de simulation de l'exemple précédent sous MATLAB 7.11.0 sont illustrés par les
figures suivantes :
III.2.1.2.1. Cas de poursuite :
25
20
tension de la sortie (v)
15
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (sec)
Fig.III.1 : la sortie du système et sa référence r.

0.9
0.8
0.7
0.6
la commande u
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (sec)
Fig.III.2 : la commande u.
04
2.5
courant (A) 2
1.5
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (sec)
Fig.III.3 : courant d’inductance.

5
0
l'erreur de poursuite
-5
-10
-15
-20
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (sec)
Fig.III.4 : l’erreur de poursuite.
III.2.1.2.2. Cas de variation de la tension de source

25
20
15
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (sec)

0.9
0.8
0.7
0.6
la commande u
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (sec)
00
2.5
courant (A) 2
1.5
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (sec)

5
0
-5
-10
-15
-20
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (sec)
Fig.III.8 : l’erreur de poursuite.

III.2.1.2.3. Cas de variation de la charge:
25
20
15
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (sec)

0.9
0.8
0.7
0.6
la commande u
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (sec)
04
2.5
2
courant(A)
1.5
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (sec)
Fig.III.11 : Courant d’inductance.

5
0
-5
-10
-15
-20
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (sec)
Fig.III.12 : Erreur de poursuite
III.3. Commande Synergétique Terminale :
La commande synergétique terminale (Terminal Synergetique Control) a l'avantage de

convergence en temps fini et amoindrit l’erreur statique. La forte robustesse de cette
commande joue un rôle très important pour garantir le fonctionnement normal du système.
La conception de la commande synergétique terminale est basée sur un choix particulier de la

variable macro qui se traduit par la détermination d'une loi de commande pour forcer le
système pour suivre un signal de référence en un temps fini.
III.3.1. Commande Synergétique Terminale d’un Convertisseur DC-DC Buck
III.3.1.1. Synthèse de la loi de commande
On applique les règle qui nous vue précédemment à commander un convertisseur DC-DC
Buck décrit par l'équation différentielle (III.1).
La macro-variable non linéaire est définie comme suit:

q
 (e)  e   .e   .e p
(III.17)
04
Où   0,   0 , p et q sont des constantes positives, et q  p .

En utilisant l'approche synergétique, T    0 (III.18)
l'équation (III.18) peut être exprimée comme suit:

q
q 1 1
e   e   ee p    (e) (III.19)
p T
Donc la commande synergétique terminale est donnée par la relation suivante:
C.L  x(1) x(2)  (e) 1 

q
q
d      .e   .( ).e.e p
 (III.20)
Vin  L.C R.C T p 
Stabilité asymptotique est obtenue en utilisant la fonction de Lyapounov candidat:
1
V   ( e) 2 (III.21)
2
Cela conduit, après différenciation puis en utilisant (III.21), à:
V   (e) (e) (III.22)
q
q 1 1
V   (e).(e   e   ee p )   (e).(  (e))
p T
1
V    (e) 2  0 (III.23)
T
Par conséquent, le contrôleur peut répondre à la stabilité de Lyapunov.
III.3.1.2. Résultats de Simulation :

L  80 H ; E  24V ; R  8; C  2000 F [14]. La tension désirée r  20v . L'état initial du
système est x   0, 0 . p  5, q  2 . Pour tester la robustesse on applique des perturbations

T
dans l’intervalle [0.025-0.035 s] par exemple la variation de la tension d’entrée de 24v à 35v,
e ou la variation de la charge de 8 à 20 ohms.
III.3.1.2.1. Cas de poursuite :
25
20
la tension de sortie (V)
15
10
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)
Fig.III.13 : Sortie du système et sa référence r.

0.9
0.8
0.7
La commande u
0.6
0.5
0.4
0.3
0.2
0.1
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)
Fig.III.14: Commande u.
3
2.5
2
courant (A)
1.5
0.5
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)

20
18
16
L'erreur de poursuite 'e'
14
12
10
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)
Fig.III.16 : Erreur de poursuite.

III.3.1.2.2. Cas de la variation de la tension d’entrée

25
20
15
10
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)

0.9
0.8
0.7
La commande u
0.6
0.5
0.4
0.3
0.2
0.1
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)
Fig.III.18 : Commande u.
3
2.5
2
courant (A)
1.5
0.5
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)
Fig.III.19: Courant d’inductance.

20
18
16
14
12
10
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)

III.3.1.2.3. Cas de variation de la charge:

25
20
15
10
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)

0.9
0.8
0.7
La commande u
0.6
0.5
0.4
0.3
0.2
0.1
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)
3
2.5
2
le courant (A)
1.5
0.5
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)

20
18
16
14
12
10
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)
Fig.III.24 : Erreur de poursuite

III.4. Généralités sur la commande adaptative

La commande adaptative a débutée dans les années 50 comme solution pour contrôler les
processus fonctionnant sous des conditions et environnement variables dans le temps. Dans
les années 60 plusieurs contributions de la théorie de la commande ont été introduites dans le
développement de la commande adaptative, comme par exemple l’approche d’état et les
théories de stabilité… . Au début des années 70 les différentes méthodes d’estimation ont été
introduites dans la commande adaptative.
L’utilisation en industrie de la commande adaptative a commencé au début des années 80 en
parallèle avec une rapide évolution en micro-électronique qui a permis d’implémenter des
régulateurs adaptatifs sur des systèmes à microprocesseurs.
III.4.1. Concept de la commande adaptative
En général, le système à contrôler possède des paramètres incertains au début de
l’opération de commande. Malgré que l’effet de cette incertitude paramétrique puisse
disparaitre en temps fini par un certain mécanisme d’ajustement, elle peut causer une
instabilité du système.
Dans d’autre cas, un phénomène inverse se produit, on démarre avec des paramètres connus
et certains, mais au cours de fonctionnement, ces paramètres perdent leurs valeurs initiales et
deviennent incertains, donc sans une mise à jour continuelle du régulateur, le régulateur initial
s’avère inefficace.
Dans de nombreuses situations, les systèmes de commande classique sont basés sur les
modèles à paramètres fixes, car ils ne peuvent prendre en charge les variations lentes ou
rapides de la dynamique des systèmes, d’où la nécessité d'introduire la notion de systèmes de
commande adaptative afin d'assurer les performances désirées. Pour cela, les paramètres du
régulateur (contrôleur) sont ajustés automatiquement sur la base des informations recueillies
du système.
L'adaptation est souhaitable pour deux raisons principales:
 L'affinement au cours du temps du réglage initial du système de commande
 La prise en compte des variations des paramètres du système à commander.
III.4.2. Principe
En principe, un système de commande adaptative mesure un certain indice de performance du
système à commander à partir de l’écart entre l’indice de performance désiré et l’indice de
performance mesuré. Le mécanisme d’adaptation commande certains paramètres du système
ajustable ou introduit un signal supplémentaire de commande d’après une certaine stratégie
44
afin de minimiser l’indice de performance, la figure (III.25) représente le principe général

d’un système dans une plage donnée de commande adaptative.
Fig.III.25 : principe des systèmes de commande adaptative.

Trois approche ont été essentiellement considérées pour le développement des stratégies de
commande adaptative destinées aux procédés à paramètres inconnus et/ou variables dans le
temps, la commande adaptative peut être structurée selon les catégories suivantes:
 approximation des stratégies de commande optimale stochastique.
 système de commande auto-ajustable (self- tunning control).
 commande adaptative à modèle de référence (MRAC).
III.5. Commande Adaptative Terminal Mode Glissant du Convertisseur DC/DC :
III.5.1. Synthèse de la loi de commande
L’équation dynamique du convertisseur DC-DC Buck est donnée par :
 x1  x2

 x x V (III.24)
 x2   1  2  in d
 LC RC LC
Considèrent que les perturbations causées par la variation paramétrique peuvent se produire
dans les processus en cours d'exécution, le modèle du convertisseur peut être modifié comme
 x1  x2

 x x V (III.25)
 x2   1  2  in d  F
 LC RC LC
Où F désigne l'ensemble perturbations du système souffert.
On suppose que F est délimitée et F  lg , lg  0 .
La surface de glissement utilisée dans cette commande TSMC est choisie comme suit :
p p
1 1
S  e e  ( x1  r ) 
q
( x2  r ) q
(III.26)
 
44
Où   0 , p et q sont des constantes positives impaires, et
1 p 2 (III.27)
q
Pour rendre la commande du système insensible sur les valeurs limites de perturbation,
estimation adaptative de perturbation F s'effectue, puis la commande non singulière
terminale mode glissant est modifié. L'erreur d’estimation est définie comme
F  F  Fˆ (III.28)
Où F̂ est l’estimation de F .
La fonction de Lyapunov est définit comme:
1 2 1 2
V s  F (III.29)
2 2
Ensuite, la relation suivante peut être dérivée
p p
1 p 1 x x E 1 1 p 1
V  s( x2  r  ( x2  r ) q ( 1  2  d  Fˆ  r ))  F ( Fˆ   s ( x2  r ) q ) (III.30)
 q LC RC LC  q
Pour éliminer l'influence que l'erreur estimée amener sur le système, la variable commandée
estimée est sélectionnée comme
p
1 p 1
Fˆ   s ( x2  r ) q (III.31)
 q
La loi de la commande adaptative non-singulière de mode glissant terminal est définit comme
m p
LC x1 x2 q 2
suit d  (  ˆ
 F  r   ( x2  r )  ws n  hs)
q
E LC RC p
(III.32)
Où w  0 , h  0 , m  n , sont des constantes positives impaires. Il n'y a pas le terme de
commutation dans cette loi de commande, donc le broutement est éliminé.
La substitution de (III.31) et (III.32) dans (III.30) conduit à
1 m n
p
1 p
V  ( x2  r ) (ws n  hs 2 )
q
(III.33)
 q
Parce que l’équation (III.33) est satisfaite, et tant que p et q sont des constants positives
p
1
impaires, donc quand x2  r  0 vient en existences, l’équation ( x2  r ) q  0 est satisfaite.
De l'autre côté, puisque m  n , et m , n sont des constantes positives impaires, donc quand
s  0 est réalisée, la condition suivante est satisfaite.
mn
s n
0 (III.34)
40
Avec la condition de x2  r  0 , on a
p
1 m n
1 p
V  ( x2  r ) q (ws n  hs 2 )  0 (III.35)
 q
Donc la stabilité de Lyapunov est satisfaite.
III.5.2. Résultats de simulation :
système est x   0, 0 . p  5, q  3 . Pour tester la robustesse on applique des perturbations

T
dans l’intervalle [0.5-1 s] par exemple la variation de la tension d’entrée de 24v à 35v, ou la
variation de la charge de 8 à 20 ohms.
III.5.2.1. Cas de poursuite :
25
20
tension de sortie (v)
15
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (sec)

0.9
0.8
0.7
0.6
la commande u
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (sec)
44
2.5
courant (A) 2
1.5
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (sec)

2
0
-2
-4
-6
-8
-10
-12
-14
-16
-18
-20
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (sec)
III.5.2.2. Cas de variation de la tension de source

25
20
15
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (sec)

0.9
0.8
0.7
0.6
la commande u
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (sec)
44
2.5
courant (A) 2
1.5
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (sec)

2
0
-2
-4
-6
-8
-10
-12
-14
-16
-18
-20
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (sec)
III.5.2. 3. Cas de variation de la charge:

25
20
15
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (sec)

0.9
0.8
0.7
0.6
la commande u
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (sec)
45
2.5
2
courant (A)
1.5
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (sec)

2
0
-2
-4
-6
-8
-10
-12
-14
-16
-18
-20
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (sec)
III.6. Commande Adaptative Synergétique Terminale
III.6.1. Synthèse de la loi de commande
 x1  x2

 x x E (III.36)
 x2   1  2  dF
 LC RC LC
Où F désigne l'ensemble des perturbations du système.

On suppose que F est délimitée et F  lg , lg  0 .
Commençons par la définition d'une macro variable choisie comme

q
  e  e   e p
(III.37)
Avec: e  r  x(1) ; e  r  x(2)
La commande va forcer le système d'exploitation sur le collecteur  0 .
45
Le concepteur peut choisir les caractéristiques de cette macro-variables selon les

spécifications de contrôle (par exemple, la limitation de la sortie de commande, et ainsi de
suite). L'évolution dynamique désirée des macro-variables est :
T   0 (III.38)
Où T est un paramètre de conception indiquant la vitesse de convergence vers le collecteur

spécifié par la macro-variable.
Pour rendre le système de commande pas fondée sur les valeurs limites de perturbation,
estimation adaptative de perturbation s'effectue, puis le contrôleur terminal synergétique est
modifié. L'erreur d’estimation est définie comme suit
F  F  Fˆ (III.39)
Où F̂ est l’estimation de F .
La définition de la fonction de Lyapunov est comme suit :
1 1 2
V  2 F (III.40)
2 2
La dérivé de cette fonction est donné par:

q
x x E q 1 1
V  ( 1  2  d  Fˆ  r   e   ee p )  F ( Fˆ   ) (III.41)
LC RC LC p 
Pour éliminer l'influence de l'erreur estimée amenée sur le système, la variable commandée
estimée est sélectionnée comme
F̂   (III.42)
Par conséquent La loi de commande est donné par:
m q
LC x1 x2 1 q p 1 ˆ
d (      e   ee  F  ws n  hs) (III.43)
Vin LC RC T p
Où w  0 , h  0 , m  n , sont des constantes impaires.
La substitution de (III.42) et (III.43) dans (III.41) conduit à :

m n
1
V  ( w n
 (h  ) 2 )  0 (III.44)
T
Donc la stabilité de Lyapunov est satisfaite.
45
III.6.2. Résultats de simulation :
Les paramètres du convertisseur DC-DC sont choisi L  80 H ; E  24V ; R  8; C  2000 F
La tension désirée r  20v [14]. L'état initial du système est x   0, 0 . p  5, q  3 .Pour

T
tester la robustesse on applique des perturbations dans l’intervalle [0.025-0.035 s] par

exemple la variation de la tension d’entrée de 24v à 35v, ou la variation de la charge de 8 à 20
ohms.
III.6.2.1. Cas de poursuite :
25
20
tension de sortie (V)
15
10
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps (sec)
0.8
0.7
la commande u
0.6
0.5
0.4
0.3
0.2
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)
3
2.5
2
courant (A)
1.5
0.5
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)
44

20
18
16
14
12
10
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)
III.6.2.2. Cas de variation de la tension de source

25
20
15
10
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps (sec)
0.8
0.7
la commande u
0.6
0.5
0.4
0.3
0.2
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps (sec)
3
2.5
2
courant (A)
1.5
0.5
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)
44

20
18
16
14
12
10
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)

III.6.2.3. Cas de variation de la charge:
25
20
15
10
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps (sec)
0.8
0.7
la commande u
0.6
0.5
0.4
0.3
0.2
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)
3
2.5
2
courant (A)
1.5
0.5
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)
44
20
18
16
14
12
10
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
temps(sec)

III.7. Conclusion
Dans ce chapitre, on constate que les commandes forcent le système à suivre le signal de
référence, cette poursuite s’effectue en minimisant l’erreur d’approximation d’une part, et en
assurant la stabilité du système d’autre part. Il est clair que la poursuite (vitesse de
convergence) par la commande de mode glissant terminal (TSM) et la commande
synergétique terminale est plus rapide que dans le cas des commandes conventionnelles. Les
résultats de simulation des commandes adaptative de mode glissant terminal et adaptative
synergétique terminale montrent une bonne performance en poursuite.
44
Chapitre IV Optimisation par Essaim Particulaire(PSO)
IV.1 .Introduction
En engineering plusieurs problèmes nécessitent l’utilisation des méthodes d’optimisation

pour s’approcher ou avoir la solution optimale. Les méthodes déterministes semblent avoir
rempli ce besoin, mais le problème des optimums locaux constitue un véritable piège pour
accéder à l’optimum global. D’où, l’utilisation des méthodes stochastiques dites
métaheuristiques qui, en général, évitent ce problème et ayant une grande capacité de trouver
l’optimum global [11]. Parmi ces techniques, celles basées sur l’intelligence collective,
inspirées de la nature, les plus répandus sont à savoir : les algorithmes de colonies de fourmis
(ACO), les algorithmes génétiques (AGs) et plus particulièrement l'optimisation par essaim de
particules soit en anglais (Particle Swarm Optimization) (PSO).
Ce chapitre, présentera brièvement le principe de fonctionnement les PSO et comme exemple

d'application on applique cette méthode pour optimiser les gains de les commandes adaptative
de mode glissant terminal et adaptative synergétique terminale du convertisseur DC-DC
Buck.
IV.2. Intelligence collective
La capacité des insectes sociaux à réaliser des tâches hautement complexes a inspiré les
chercheurs à donner lieu au concept d'intelligence collective articulé autour des mécanismes
d'auto-organisation. L’intelligence d’essaim (Swarm intelligence) est le terme utilisé pour
désigner les systèmes d'intelligence artificielle, où le comportement collectif de simples
agents est bien apparent. Cette expression a été introduite par Berni et Wang en 1989 dans le
contexte des systèmes robotisés cellulaires.
Cette capacité de passer du comportement individuels simples à des comportements collectifs

complexes et efficaces est appelée “intelligence en essaim” (swarm intelligence) ou
«intelligence collective » dans le domaine de l’intelligence artificielle.
IV.3. Définitions de base
Avant d’entamer les concepts de base de l’optimisation d’essaim de particules, il est

préférable de donner un bref aperçu sur l’optimisation en notant que les définitions présentées
sont liées à un problème de minimisation.
IV.3.1. Définition de l’optimisation
Un problème d’optimisation se définit comme la recherche du minimum ou du maximum

(de l’optimum) d’une fonction donnée. On peut aussi trouver des problèmes d’optimisation
46
pour lesquelles les variables de la fonction à optimiser sont contraintes d’évoluer dans une
certaine partie de l’espace de recherche. Dans ce cas, on a une forme particulière de ce que
l’on appelle un problème d’optimisation sous contraintes.
IV.3.2. Fonction Objective
C’est le nom donné à la fonction f (on l’appelle aussi fonction de coût ou critère
d’optimisation). C’est cette fonction que l’algorithme d’optimisation va devoir optimiser
(trouver un optimum).
IV.3.3. Variables de décision
Elles sont regroupées dans le vecteur x . C’est en faisant varier ce vecteur que l’on recherche
un optimum de la fonction f .
IV.3.4 Formulation d’un problème d’optimisation
Un problème d’optimisation est présenté sous la forme suivante :

Minimiser f ( x) (fonction à optimiser) (IV.1)
Sujet de : g ( x)  0 (m contraintes d’inégalité) (IV.2)
h( x)  0 (p contraintes d’égalité) (IV.3)
Avec x  Rn , g ( x)  Rm , h( x)  R p
Les vecteurs g ( x) et h( x) représentent respectivement m contraintes d’inégalité et p

contraintes d’égalité.
IV.3.5 Minimum global
On a la fonction f :   Rn  R , tel que    . Pour x*   , on dit que x* et un optimum

global si et seulement si :
x  : f ( x* )  f ( x) (IV.4)
Tel que :
x* : L’optimum global.
f : La fonction objective.
 : La région faisable ( s) .
s : L’espace de recherche global.
Le minimum global est illustré par le point M3 dans la Figure (IV.1).
46
IV.3.6 Minimum local
Un point x* est un minimum local de la fonction f si et seulement si :
f ( x* ) f ( x), x V ( x* ) et x*  x (IV.5)
D’où V ( x* ) définit un voisinage de x* .
Deux minimums locaux sont illustrés dans la figure (IV.1) sont les points M1 et M2.
Fig. .IV.1 : Illustration des différents minima d’une fonction objective.
IV.4. Introduction à l’optimisation par l’essaim particulaire:
L’optimisation d’essaim de particules (PSO) est relativement un nouvel algorithme de

l'érudition computationnelle, introduit en premier par James Kennedy et Russell Eberhart en
1995. Elle porte quelque ressemblance avec la computation évolutionnaire, inspiré par le
comportement social des oiseaux s'assemblant ou le banc de poissons figure (IV.2) [11].
44
Fig.IV.2 : Groupe de : (a) oiseux, (b) poissons, (c) fourmis, (d) abeilles.
Depuis son apparition, PSO a gagné la popularité croissante parmi les chercheurs et les
praticiens comme une technique robuste et efficace pour résoudre des problèmes
d'optimisation difficiles.
L'objectif de PSO est trouver l'optimum global de quelque multidimensionnelle

(habituellement non linéaire) fonction et avoir les particules converger sur l'optimum de la
fonction, beaucoup comme un essaim d'oiseaux convergeant vers sa destination. L'algorithme
a prouvé son efficacité à résoudre beaucoup de problèmes d’optimisation.
Les particules sont distribuées initialement aléatoirement à travers l’espace de recherche et

sont dotées d’une vélocité initiale. Chaque particule se tient au courant de son emplacement et
aptitude (la valeur de la fonction qui est optimisée), aussi bien que la meilleure place (et
aptitude correspondante) elle a rencontré si loin dans son vol.
Avec le temps, la vélocité de chaque particule est ajustée afin qu'elle se déplace vers sa propre
meilleure place et la meilleure place trouvée par une autre particule dans son voisinage.
46
Le voisinage d'une particule est le sous-ensemble de particules dans l'essaim avec lequel elle
a un lien direct. Ce réseau de rapports entre toutes les particules est connu comme la
sociométrie, ou topologie de l'essaim.
L'algorithme PSO s’arrête quand un critère est satisfait. Il donne souvent de meilleurs
résultats d'une manière plus rapide, comparé à d'autres méthodes. Une autre raison pour
laquelle PSO est attrayant c’est qu’il y a peu de paramètres à ajuster.
PSO a été appliquée avec succès dans de nombreux domaines: la fonction d'optimisation, la
formation de réseaux de neurones artificiels, les contrôleurs flous, et d'autres zones où les
algorithmes évolutionnaires peuvent être appliqués.
IV.4.1 Principes de base du PSO
Dans le PSO, chaque individu de la population est une particule, tandis que la population est
connue sous le nom d’essaim. Il faut noter, que la particule peut bénéficier des mouvements
des autres particules dans la même population pour ajuster sa position et sa vitesse durant le
processus d’optimisation. Chaque individu utilise l’information locale à laquelle il peut
accéder sur le déplacement de ses plus proches voisins pour décider de son propre
déplacement. Des règles très simples comme “rester proche des autres individus”, “aller dans
la même direction”, “aller à la même vitesse” suffisent pour maintenir la cohésion du groupe
tout entier.
L’espace de recherche est défini comme «voisinage», différentes topologies sont considérées:
Topologie en (étoile, rayon, circulaire, ..), le plus utilisé est le circulaire tel que schématisé sur
la figure (IV.3) [11].
Fig.IV.3 : Cercle virtuel pour un swarm de sept particules.
Le groupe d’information de taille trois de la particule 1 est composé des particules 1, 2 et 7.
46
Au départ de l’algorithme, un essaim est réparti au hasard dans l’espace de recherche, chaque
particule ayant également une vitesse aléatoire. Ensuite, à chaque pas de temps :
*Chaque particule est capable d'évaluer la qualité de sa position et de garder en mémoire sa

meilleure performance, c'est-à-dire la meilleure position qu’elle a atteinte jusqu’ici (qui peut
en fait être parfois la position courante) et sa qualité (la valeur en cette position de la fonction
à optimiser).
* Chaque particule est capable d'interroger un certain nombre de ses congénères de son
voisinage et d'obtenir de chacune d'entre elles sa propre meilleure performance.
* A chaque pas de temps, chaque particule choisit la meilleure des meilleures performances
dont elle à connaissance, modifie sa vitesse en fonction de cette information et de ses propres
données et se déplace en conséquence.
A partir des quelques informations dont elle dispose, une particule doit décider de son
prochain mouvement, c'est-à-dire décider de sa nouvelle vitesse.
Pour ce faire, elle combine trois informations :
 Sa vitesse actuelle.
 Sa meilleure position actuelle.
 La meilleure performance (vitesse et position) de ses voisines.
Le hasard joue un rôle, grâce à une modification aléatoire limitée des coefficients de
confiance, ce qui favorise l’exploration de l’espace de recherche.
Naturellement, pour pouvoir être programmé, tout ceci est formalisé dans des équations de
mouvement. Un point intéressant est que, contrairement à bien d’autres heuristiques qui
restent purement expérimentales, il existe une analyse mathématique précisant les conditions
de convergence et le choix des paramètres.
IV.4.2 Formulation mathématique de PSO
Considérons une population composée de K particules.
Les équations formalisant le mouvement des particules sont données par [15] :
. i (t )  1.r1 (t ).(Pbi (t )  xi (t ))  2 .r2 (t ).(Pg (t )  xi (t ))

vi (t 1)  wv (IV.6)
xi (t  1)  xi (t )  vi (t  1) (IV.7)
Chaque particule Pi (i  1,2,...., K ) dans l’essaim est caractérisé par :
46
1) Sa position courante xi (t ) d qui réfère à une solution candidate pour le problème
d’optimisation considéré à l’itération t;
2) Sa vitesse vi (t ) d
3) La meilleure position Pbi (t ) d identifie durant sa trajectoire antécédente. Soit
Pg (t ) d La meilleure position globale identifiée dans le processus de recherche pour toutes
les particules dans le swarm. La position optimal est mesurée avec une fonction dit fitness
définit suivant le problème d’optimisation. Durant l’optimisation, les particules se déplacent
suivant les équations (IV.6) et (IV.7).
4) r1 (.) et r2 (.) sont des variables aléatoires générés d’une distribution uniforme dans
l’intervalle [0, 1] afin de fournir un poids stochastique aux différentes composantes

participant dans la définition de la vitesse de la particule.
5) 1 et 2 sont deux constantes d’accélérations régulant les vitesses relatives par rapport aux
meilleurs postions locales et globales. Ces paramètres sont considérés comme des facteurs
d’échelle utilisés pour déterminer les mouvements relatifs de la meilleure position de la
particule ainsi que de la meilleure position globale. Ce sont des facteurs qui déterminent le
degré d’influence des postions passées de la particule elle mêmes et celles des autres
particules dans le swarm.
6) L’inertie w est utilisée comme un compromis entre l’exploration locale et globale du

swarm. Des valeurs élevées de ce paramètre permettent une bonne exploration globale, tandis
que pour des valeurs minimales une recherche fine est réalisée.
L’équation (IV.6) permet le calcul de la vitesse à l’itération t+1 pour chaque particule en
combinant linéairement la position et la vitesse (à l’itération t) et les distances qui séparent la
position courante de la particule de son antécédente meilleure position et la meilleure position
globale, respectivement. La mise à jour de la position de la particule est réalisée à travers
l’équation (IV.7). Les équations (IV.6) et (IV.7) sont itérées jusqu’à ce que la convergence
soit atteinte.
La Figure (IV.4) présente un schéma de principe résumant les explications ci-dessus.
67
Fig.IV.4 : Schéma vectoriel du déplacement d’une particule [24]
IV.4.3. Configuration de la méthode
IV.4.3.1. Nombre de particules
La quantité de particules allouées à la résolution du problème dépend essentiellement de deux

paramètres:
La taille de l’espace de recherche et le rapport entre les capacités de calcul de la

machine et le temps maximum de recherche. Il n’y a pas de règle pour déterminer ce
paramètre, faire de nombreux essais permet de se doter de l’expérience nécessaire à
l’appréhension de ce paramètre.
IV.4.3.2. Topologie du voisinage
La topologie du voisinage défini avec qui chacune des particules va pouvoir communiquer.
Il existe de nombreuses combinaisons dont les suivantes sont les plus utilisées:
a) topologie en étoile : chaque particule est reliée à toutes les autres. L’optimum du voisinage
est l’optimum global.
b) topologie en anneau : chaque particule est reliée à n particules (en général, n = 3) c’est la
topologie la plus utilisée.
c) topologie en rayon : les particules ne communiquent qu’avec une seule particule centrale.
67
Fig.IV.5 : (a) anneau (avec n=2), (b) rayon, (c) étoile
IV.4.3.3. Coefficients de confiance
Les variables de confiance pondèrent les tendances de la particule à vouloir suivre son
conservation ou son panurgisme. Les variables aléatoires  suivantes :
 1  r1.1
 (IV.8)
  2  r2 . 2
Où r1 et r2 suivent une loi uniforme sur [0:1] et 1 , 2 sont des constantes positives
déterminées de façon empirique et suivant la relation 1  2  4 .
IV.4.3.4. Vitesse maximale et coefficient de constriction:
Afin d’éviter que les particules ne se déplacent pas trop rapidement dans l’espace de
recherche, passant éventuellement à côté de l’optimum, il peut être nécessaire de fixer une
vitesse maximale (Vmax) pour améliorer la convergence de l’algorithme.
Cependant, on peut s’en passer si on utilise un coefficient de constriction k ; et qui permet de

resserrer l’hyper-espace de recherche.
L’équation de la vitesse devient alors:
 2  4
K  1 (IV.9)
2
Avec   1  2  4 .
vi (t 1)  K.vi (t )  1.r1 (t ).( Pbi (t )  xi (t ))  2.r2 (t ).( Pg (t )  xi (t )) (IV.10)
Les études dans [11] indiquent que l’utilisation d’un coefficient de constriction donne
généralement un meilleur taux de convergence sans avoir à fixer de vitesse maximale.
Cependant, dans certains cas, le coefficient de constriction seul ne permet pas la convergence
vers la solution optimale pour un nombre d’itérations donné.
67
En plus du coefficient de constriction, ce qui, permet d’améliorer les performances globales

de l’algorithme.
IV.4.3.5. Facteur d’inertie:
Le facteur d’inertie w introduit par [11] permet de définir la capacité d’exploration de chaque
particule en vue d’améliorer la converge de la méthode.
* Une grande valeur de (w>1) est synonyme d’une grande amplitude de mouvement et donc,
in fine, d’exploration globale.
* Une faible valeur de (w<1) est synonyme de faible amplitude de mouvement et donc,
d’exploration locale.
Fixer ce facteur, revient donc à trouver un compromis entre l’exploration locale et

l’exploration globale.
Le calcul de la vitesse est alors défini par:

vi (t 1)  wv
La taille du facteur d’inertie influence directement la taille de l’hyper-espace exploré et

aucune valeur de w ne peut garantir la convergence vers la solution optimale.
Les études menées par [11] indiquent une meilleure convergence pour: w0.8:1.2
IV.4.3.6. Initialisation de l’essaim:
La position des particules ainsi que leur vitesse initiale doivent être initialisés aléatoirement
selon une loi uniforme sur [0..1].
IV.4.3.7. Critères d’arrêt:
La convergence vers la solution optimale globale n’est pas garantie dans tous les cas de figure
même si les expériences dénotent la grande performance de la méthode.
De ce fait, il est fortement conseillé de doté l’algorithme d’une porte de sortie en définissant
un nombre maximum d’itération.
L’algorithme doit alors s’exécuter tant que l’un des critères de convergence suivant n’a pas
été atteint:
* un nombre maximum d’itération a été atteint.
* la variation de la vitesse est proche de 0.
67
* le fitness de la solution est suffisant.
IV.4.4. Organigramme de principe de la PSO
Schéma de principe de l’algorithme est donné par la figure suivante :
Fig.IV. 6: Organigramme général d’un algorithme OEP.
Etape 1 : Génération d’état initial de chaque agent
Les points de recherche initiaux, position et vitesse de chaque agent sont produits
aléatoirement Pour chaque agent le point de recherche courant est placé à pbest.
Etape 2 : Evaluation du point de recherche de chaque agent
Les points de recherche courants sont évalués au moyen de la fonction objective relative au
système d’étude. Si la valeur d’un agent est meilleure que son pbest courant, pbest prend cette
nouvelle valeur. Si la meilleure valeur de pbest est meilleure que gbest courant,
gbest est remplacé par cette meilleure valeur et l’agent qui correspond à cette meilleure valeur
est ainsi stocké.
Etape 3 : Modification du point de recherche.
La modification du point de recherche se fait en moyennant les équations (IV.6) et (IV.7).
66
Etape 4 : Critère d’arrêt.
La procédure de recherche est arrêtée lorsque le nombre courant d’itération devient égal à la
valeur maximale d’itérations préalablement déterminée. Dans ce cas de figure, la dernière
valeur gbest peut être considérée comme solution. Dans l’autre cas, la recherche continue en
revenant à l’étape 2.
L’optimisation par essaim de particules peut être présentée par les points suivants :
* La méthode OEP peut essentiellement manipuler le problème d'optimisation continu.
* L’OEP utilise plusieurs points de recherche comme le fait l'algorithme génétique (GA) qui
convergent graduellement vers le point optimal en utilisant les valeurs pbest et gbest.
* La méthode OEP utilise La diversification et l’intensification pour une recherche efficace.
* L’OEP présente un avantage certain sur les méthodes classiques dans le sens où elle permet
une exploration aléatoire de l’espace des solutions. De plus, elle est simple à mettre en œuvre
et son exécution conduit à l’obtention de très bons résultats, rapidement et efficacement avec
peu de paramètres à ajuster.
IV.5. Critères d’évaluation de performances :
La quantification de la performance du système est obtenue grâce à un indice de performance.
les performances choisi dépend du processus en cours d'examen est choisi de telle sorte
qu’on insiste sur les aspects spécifiques de la performance du système. Les indices de
performances préférés en ingénierie de commande incluent l'intégrale de l’erreur carrée (ISE)
indice (IV.11), Intégral de temps multiplié par l’erreur carrée (ITSE) indice (IV.12),
l’intégrale de l’erreur absolue (IAE) indice (IV.13) et l’intégrale de temps multiplié par
l’erreur absolue (ITAE) indice (IV.14).
L'indice ISE:

ISE   e 2 (t )dt (IV.11)
0
les caractéristiques de cet indice de performance est qu'il pénalise lourdement les grandes
erreurs et légèrement les petites erreurs. Un système conçu par ce critère tend à montrer une
diminution rapide pour une grande erreur initiale. D'où la réponse est rapide et oscillatoire
menant à un système qui a une mauvaise stabilité relative.
L'indice ITSE:
66

ITSE   t.e 2 (t )dt (IV.12)
0
Ce critère met peu l'accent sur les erreurs initiales et pénalise fortement les erreurs se
produisant vers la fin de la réponse transitoire à une entrée échelon.
L'indice IAE:

IAE   e(t ) dt (IV.13)
0
Les systèmes basés sur cet indice pénalisent l'erreur de commande.
L'indice ITAE:

ITAE   t. e(t ) dt (IV.14)
0
Un système est conçu en utilisant ce critère ait des petits dépassements et oscillations amorties
bien. Toute grande erreur initiale à un échelon-réponse est pénalisé légèrement tandis que des
erreurs se produisent plus tard dans la réponse sont pénalisés lourdement. L'indice de
performance ITAE est utilisé dans cette étude.
IV.6. Optimisation des paramètres du ATSMC et ATSY par la technique PSO
L’implémentation des PSO a été effectuée en se référant à l’organigramme suscité.
Mais avant tout, on donne quelques explications aux symboles utilisés :
Pbi : représente la i ème meilleure solution (position) de la particule i.
Pg : représente la meilleure solution (position) globale du groupe.
Xi : représente la solution (position) de la i éme particule.
Vi : représente la vélocité (vitesse) de la ieme particule.
f: la fonction fitness à optimiser.
1 , 2 : sont des pondérations choisies généralement égales à 2.
r1 , r2 : sont deux variables aléatoires uniformément distribuées.
w : représente l’inertie est fixée à 0.8.
64
*Il est à noter que chaque particule contient un nombre de composantes, pour notre
exemple chaque particule contient deux composantes (coefficients des commandes) à savoir
  ,  m n )
( p q
IV.7.Résultats de Simulation :

système est x   0, 0 . p  5, q  3 , nombre d’itérations n=20, nombre d’itérations=10.

T
IV.7.1.Résultat de simulation de la Commande ATSMC Optimisé par la technique PSO
25
optimisé par PSO
20
la sortie du système
15
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (sec)
Fig.IV.7 : Sortie du système optimisée par PSO.

-3
x 10
12
10
8
Fitness
-2
1 2 3 4 5 6 7 8 9 10
Iteration
Fig.IV.8 : Fonction objective (fitness) ITAE.
66
IV.7.2. Résultats de simulation de la commande ATSY optimisée par PSO
25
Optimisé par PSO
20
la sortie du système (v)
15
10
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04
temps (sec)
Fig.IV.9 : Sortie du système optimisée par PSO.
-14
x 10
3
Fitness
-1
1 2 3 4 5 6 7 8 9 10
Iteration
Les figures (IV.7), (IV.9) présentent les résultats de simulation pour le convertisseur DC-DC
« Buck » contrôlé par les commandes : adaptative de mode glissant terminal et adaptative
synergétique terminale avec l’utilisation de la technique PSO.
D’après ces figures, on remarque qu’il y’a une différence notable entre les résultats obtenus
avant et après l’utilisation la technique PSO. Il apparaît clairement que l’optimisation par
essaim de particules présente de meilleures performances tant pour la technique ATSMC que
la technique ATSY.
66
IV.8. Optimisation par essaim des particules modifiée (MPSO) :
Les équations régissant l’approche PSO contient trois paramètres. 1 et 2 sont appelés
constantes d'accélération cognitives et sociales, pour aider à guider les particules vers le gbest.
Ces constantes sont égales et peuvent prendre des valeurs de 0 à 2, mais les études ont montré
que leurs valeurs fixées à 2 donnent les meilleurs résultats.
Le troisième paramètre est w appelé facteur d'inertie, en général choisi est linéairement
décroissant de wmax = 0,9 à Wmin = 0,4. Pour la conception modifiée w est calculé en
utilisant l'équation (IV.15) pour différentes itérations (i).
w  wmax 
 wmax  wmin  i
(IV.15)
Max.no.iterations
De plus le facteur d'inertie (w) contrôle l'influence de la vitesse sur la nouvelle vitesse. Une
grande masse d'inertie oblige une grande exploration à travers l'espace de recherche; une plus
faible masse d'inertie provoque une exploration réduite. L'utilisation de l'équation (IV.15)
pour mettre à jour w conduit à l'exploration suffisante de l'espace de recherche, de trouver
ainsi la solution optimale globale.
Le terme vi est limité à la plage de ± vmax. Si la vitesse ne respecte pas cette limite, il sera
mis à sa limite appropriée. En plus de cette vitesse maximale est également limitée en utilisant
la fonction Signum.
Comme la mise à jour de la vitesse conduit à l'accélération de particules. Plus l'accélération,

plus lisse est la trajectoire de la particule. Cependant, une trop petite accélération peut
conduire à une lente convergence, alors que trop grande accélération entraîne les particules
vers l'infini.[13].
Dans le même principe de l’optimisation par l’essaim des particules, il est à noter que chaque
particule contient un nombre de composantes (coefficients des commandes) à savoir
  ,  m n  ).
( p q
L'organigramme de la MPSO est représenté sur la figure (IV.11).
66
Génération initiale aléatoire de la population
Nombre des itérations = Max oui stop

no
Calculer la valeur de « fitness »
Trouver « Pbest » pour chaque particule
Trouver le meilleur globale « gbest »
 wmax  wmin  i
Calculer w  wmax 
Max.no.iterations
vi (t 1)  wv
vi (t  1)  vmax oui
non
vi (t 1)  Signumvi (t 1)* vmax
xi (t  1)  xi (t )  vi (t  1)
Fig.IV.11 : L’organigramme de MPSO.
67
IV.8.1.Résultats de simulations :
IV.8.1.1. Résultats de simulation de la Commande ATSMC Optimisé par MPSO :
25
20
la sortie du système (v)
15
10
signal de reference
5 MPSO
PSO
avant l'optimisation
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
time(sec)
Fig.IV.12 : Sortie du système optimisé par MPSO.
0.14
0.12
0.1
0.08
Fitness
0.06
0.04
0.02
-0.02
1 2 3 4 5 6 7 8 9 10
Iteration
Les paramètres obtenus sont résumés dans le tableau suivant :
67
Paramètres Avant Optimisation Optimisation

optimisation Par PSO Par MPSO
 
 pq
5/3 1.5229 1.5342
 
 mn 3/5 0.8325 0.8067
IV.8.1.2. Résultats de simulation de la commande ATSY optimisée par MPSO :
25
20
la sortie du système (V)
15
10
5
signal de reference
MPSO
PSO
avant l'optimisation
0
0 0.005 0.01 0.015 0.02 0.025 0.03
temps(sec)
Fig.IV.14 : Sortie du système optimisé par MPSO.

-15
x 10
6
3
Fitness
-1
2 4 6 8 10 12 14 16 18 20
Iteration
Les paramètres obtenus sont résumés dans le tableau suivant :
67
Paramètres Avant Optimisation Optimisation

Optimisation Par PSO Par MPSO
 
 pq
5/2 2.8898 2.9569
 
 mn 3/5 0.8798 0.9830
Les figures (IV.12), (IV.14) présent les résultats de simulation pour le convertisseur DC-DC
« Buck » contrôlé par l’approche adaptative de mode glissant terminal et adaptative
synergétique terminale. L’application de cette technique a rendu le système plus stable avec
une bonne performance, et cela pour un nombre de population et d’itérations réduit.
IV.9. Conclusion
Nous avons présentés, dans ce chapitre, des connaissances de base sur l’optimisation. Suivi
de l’introduction à la méthode d’Optimisation par Essaim de Particules, son principe de base,
sa formulation mathématique ainsi que l’état de l’art de son algorithme. Avec une
implémentation des algorithmes des PSO dans le but d’évaluer et d’ajuster les gains des
commandes ATSMC et ATSY utilisées. Les simulations réalisées montrent la robustesse et la
bonne tenue de l’estimateur utilisé tout en convergeant vers les solutions globales.
L’application de l’optimisation par essaim de particules modifié (MPSO) a rendu le système

plus stable et cela pour un nombre de population et d’itérations réduit. Les résultats de
simulation montrent que, grâce à cette technique, la stabilité dynamique du système est
améliorée et la commande proposée présente une bonne robustesse vis-à-vis des conditions de
fonctionnement.
67
Conclusion générale
Dans ce travail nous avons d’abord introduit des notions de base de la commande robuste
en général. Dans la deuxième partie on a développé deux commandes robustes : la commande
par mode glissant et la commande synergétique d’un système non linéaire SISO dont on a
testé par simulation la robustesse sur un convertisseur DC-DC abaisseur. On a ensuite
introduit la notion de convergence de temps fini par le biais d’améliorations introduites sur la
forme de la surface de glissement et sur la macro-variable à la fois, qui résultent en
commande de mode glissant terminal et en commande synergétique terminale.
Les algorithmes développés ont été testés en simulant la commande d’un convertisseur afin
de nous permettre de procéder à l’élaboration de la tâche principale de notre travail à savoir
les commandes adaptatives de mode glissant terminal et adaptative synergétique terminale des
systèmes non linéaires dans la troisième partie. L’aspect adaptatif est principalement consacré
à la prise en charge des incertitudes globales qui ne requièrent plus la connaissance de leurs
bornes supérieures.
Les résultats de simulation montrent que la commande adaptative synergétique terminale du

convertisseur DC-DC abaisseur (ATSY) présente d’excellentes performances par rapport au
contrôle adaptatif de mode glissant terminal (ATSMC).
Une méta-heuristique en l’occurrence l’optimisation par essaim de particules est utilisée pour
déterminer de façon optimale les paramètres de la loi de commande adaptative synergétique
terminale. Les résultats de simulation montre une amélioration des performances et incite à
l’implémentation hard pour validation expérimentale. Ceci entre dans le cadre des
perspectives qu’on souhaite aborder :
 Implantation des commandes développées pour des validations expérimentales.

 Utilisation des systèmes flous pour estimer les dynamiques des systèmes.
 Développement d’une version discrète des commandes développées.
48
[1] A. TAAFAR, « Contribution à la modélisation, l’analyse et l’optimisation de lois de
commandes pour Convertisseur DC/DC de puissance », thèse de Doctorat, Ecole doctorale
Science et technologies de l’information des télécommunications et des Systèmes, 14
Novembre 2011.
[2] E. SANTI, A. MONTI, D. LI, K. PRODDUTUR, R.A. DOUGAL, “Synergetic control for
DC–DC boost converter: implementation options », IEEE Transactions on industry
applications, Vol. 39,No.6, November-December, 2003.
[3] J. LEE, D. KANG, S. WON,” Finite-time observer-based synchronization for a class of

uncertain chaotic systems using adaptive terminal sliding mode control”, 978-1-4673-2421-
2/12/$31.00 IEEE, 2012.
[4] H. KOMURCUGIL, “Adaptive terminal sliding-mode control strategy for DC-DC buck
converters”, ISA Transactions 51 (2012) 673–681.
[5] H. SILVA, B. DUHAN, ’’Robust Nonlinear Control for boost converter’’ IEEE,
Transactions on Power Electronics, vol.10, No.6, November 1995.
[6] I. KONDRATIEV, E. SANTI, A.R. DOUGAL, G. VESELOV, ‘’ Synergetic control for

m-parallel connected DC-DC buck converters ‘’, Proceedings of IEEE Power Electronics
Specialists Conference, Vol. 1, PP. 182-188, June, 2004.
[7] G. SALLOUM, « Contribution à la commande robuste de la machine asynchrone à

double alimentation », thèse de doctorat, Institut National Polytechnique de Toulouse, 13
Mars 2007.
[8] G.SHABIB , M. ABDEL GAYED,A.M.RASHWAN, “Optimal tuning of PID controller

for AVR system using modified particle swarm optimization », Proceedings of the 14th
International Middle East Power Systems Conference (MEPCON’10), Paper ID 170,Cairo
University, Egypt, December 19-21, 2010.
[9] G. SPIAZZI, P. MATTAVELLI, L. ROSSETTO, « Sliding mode control of DC-DC

converters”, University of Padova, Via Gradenigo 6/a - 35131 - Padova (Italy).
[10] K.L.CHUANKAI, “Nonsingular terminal sliding mode control of robot manipulators
using fuzzy wavelet networks”, IEEE transactions on fuzzy systems, Vol. 14,No. 14,
December, 2006.
[11] L.KARTOBI, « Optimisation de la synthèse des Facs par les algorithmes génétiques et
les essaims particulaires pour le contrôle des réseaux électriques », mémoire de Magister,
Ecole Nationale Polytechnique de l’ENP, 29 Novembre 2006.
[12] L. GUPTA, R. MEHRA, « Modified PSO based adaptive IIR filter design for system
identification on FPGA », International Journal of Computer Applications (0975 – 8887), Vol.
22, No.5, May 2011.
[13] L. ZHANG, H. YU, S. HU, “A new approach to improve particle swarm optimization »,
E. Cantu-Paz et al. (Eds.): GECCO 2003, LNCS 2723, pp. 134–139, 2003.
[14] L. FAN, Y. YU, « Adaptive non-singular terminal sliding mode control for DC-DC
converters », advances in Electrical and Computer Engineering, Volume 11, Number 2, 2011.
[15] L. DOUGAL, K. PRODDUTUR, E. SANTI, A. MONTI. ‘’ Synergetic control of a boost

converters theory and experimental verification ‘’, Proceedings IEEE Southeast Con. 2002.
[16] L. RAMON, L. MARTINEZ-SALAMERO, “Linear state-feedback control of a boost

converter for large-signal stability’’, IEEE, vol.48, Issue: 4, pp. 418-424, April 2001.
[17] L. MEDJBEUR, « Commande adaptative Synergétique Floue », mémoire de Magistère,

Université Ferhat Abbas de Sétif, 2010.
[18] M.C. SOUSE ALAOUI, « Commande et observateur par modes glissants d’un système
de pompage et d’un bras manipulateur », thèse de doctorat, 08 Juliet 2009.
[19] M. USMAN IFTIKHAR, « Contribution à la modélisation des convertisseurs

continu/continu dans une perspective de commande- Influence du filtre d’entré », thèse de
Doctorat, faculté des sciences d’Orsay, 15 Décembre 2008.
[20] M. JIANQING, F. YINGGUO, X. ZIBIN, “Adaptive fast terminal sliding mode control
for a class of uncertain System”, International Conference on Industrial and Information
Systems, 2009.
[21] M. LARIBI, M.S. AIT CHIKH, C. LARBES, L. BARAZANE, « Application de la

commande synergétique au contrôle de vitesse d’une machine asynchrone » , Revue des
Energies Renouvelables Vol. 13 N°3 , 485 – 496, 2010.
[22] M. HARMAS, A. HAMZAOUI, K. HARMAS, Z. BOUCHAMA, “Adaptive fuzzy
synergetic converter control », ICCIT, 2012.
[23] N. R. MUDE, A. SAHU, “Adaptive control schemes for DC- DC buck converter”,
International Journal of Engineering Research and Applications (IJERA), Vol. 2, Issue 3,
May-Jun 2012, pp. 463-467.
[24] S. ZEBBICHE, A.H. CHEBHI, « Commande par mode glissant avec réduction du
broutement et introduction aux observateurs de mode glissant », mémoire de Magistère,
Université Ferhat Abbas de Sétif, 2003.
[25] S.A. KAMALAKAR, N. R. KULKARNI,” Performance verification of DC-DC buck

converter using sliding mode controller for comparison with the existing controllers – a
theoretical approach”, International Journal of Advances in Engineering & Technology, Vol.
2, Issue 1, pp. 258-268, Janvier 2012.
[26] S.H. LEE, J.B.PARK, H.C.YOON, “Terminal sliding mode control of nonlinear chaotic
systems using Self-Recurrent wavelet neural network”, International Conference on Control,
Automation and Systems,17-20,2007 in COEX, Seoul, Korea, October, 2007.
[27] S.GUO, J.HE, “Adaptive dynamic terminal sliding mode control method”, Second
International Conference on Intelligent Computation Technology and Automation, 2009.
[28] V. BREGEAULT, « Quelques contributions à la théorie de la commande par Modes

glissants », thèse de Doctorale, Ecole Centrale de Nantes, 3 Décembre 2010.
[29] X.TONG, H.ZHAO, G.FENG, “Adaptive global terminal sliding mode control for anti-
warship missiles”, Proceedings of the 6th World Congress on Intelligent Control and
Automation, Dalian, China, June 21 - 23, 2006.
[30] Y.F. LIU, C.S. PARESH, “ Large-Signal modeling of hysteretic current-programmed

converters’’ IEEE Transactions on Power Electronics, vol.11, No.3, May 1996.
[31] Z. JIANG, R.A. DOUGAL, « Synergetic control of power converters for pulse current
charging of advanced batteries from a fuel cell power source », Published in IEEE
Transactions on Power Electronics, Volume 19, pages 1140-1150, 2004.
Résumé :
Ce travail est basé sur la conception de la commande robuste du convertisseur Buck

DC-DC avec l’étude et le choix d’une technique d’optimisation de type évolutionnaire.
Il s’agit d’évaluer en un premier temps l’état de l’art de deux commandes robustes : la

commande par mode glissant et la commande synergétique, aussi de développer les
algorithmes pour le contrôle d’un système non linéaire (convertisseur) en une seconde phase.
La synthèse de contrôleurs résulte en général en une convergence théoriquement réalisable

après un temps infini. On propose d’accélérer la convergence c’est-à-dire en un temps fini par
l’approche terminale entre autres. Les paramètres du signal de commande élaboré seront
ensuite optimisés par une approche évolutive (PSO).
Mots-clés : Robustesse- Sliding mode- Synergétique- TSMC- TSY- Algorithmes

Evolutionnaires-PSO.
Summary:
This work is based on the design of robust control of the buck DC-DC converter, with a study
and choice of optimization evolutionary technique.
This is a first step in evaluating the state of the art two robust control: a sliding mode control
and synergetic control, and developing algorithms for control of a nonlinear system
(converter) in a second phase.
The synthesis of controllers generally results in a theoretically achievable convergence after

an infinite time, it is proposed to accelerate the convergence that is to say a finite time
approach among others. The parameters of the control signal produced will then optimized by
an evolutionary approach (PSO).
Key-words: Robust- Sliding Mode- Synergetic-TSMC-TSY-Evolutionary Algorithms-PSO.
:‫ملخص‬
.‫يعتمد هذا العمل على تصميم جهاز تحكم قوي للمحول الخافض مستمر مستمر مع دراسة واختيار لتقنية تطور التحسين‬
‫ تطوير الخوارزميات من‬,‫ تحكم انزالق الوضع وتحكم التازر‬:‫في الخطوة االولى يتم تقييم طريقتين للتحكم الدقيق وهما‬
.‫أجل التحكم باألنظمة الالخطية (المحول) يتم بالمرحلة الثانية‬
‫توليف وحدات التحكم تؤدي عموما الى تحقيق التقارب من الناحية النظرية بعد وقت النهائي يقترح تسريع التقارب وهذا‬
‫ اعدادات اشارة التحكم المنتجة تكون االمثل من قبل نهج تطويري‬.‫يعني التقارب المحدود عن طريق النهج التهائي و غيره‬
.)‫(سرب جسيمات التحسين‬
,‫ س ج ت‬-‫ خوارزميات التطور‬-‫نهائي انزالق الوضع‬-‫ التأزر‬-‫ القوي – وضع االنزالق‬: ‫مفاتيح الكلمات‬

ABDERREZEK Hadjer

Transféré par

Droits d'auteur :

Formats disponibles

ABDERREZEK Hadjer

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

ABDERREZEK Hadjer

Transféré par

Droits d'auteur :

Formats disponibles

MINISTÈRE DE L'ENSEIGNEMENT SUPÉRIEUR ET

UNIVERSITÉ FERHAT ABBAS -SETIF-1

Présenté à la Faculté de Technologie

Pour l’Obtention du Diplôme de

Contribution à la commande robuste

des systèmes non linéaires

Soutenu le 02 / 10 /1024 devant le jury d'examen :

Mr. HEMSAS Kamel-Eddinne Prof. Université de Sétif1 Président

Tout d’abord, je remercie Dieu le tout puissant, de m’avoir donné

Je tiens également à exprimer ma plus profonde gratitude à mon

Mes sincères remerciements aux membres du jury Mr : HEMSAS.K ,

Je termine par remercier tous mes amis et collègues qui m’ont

Je dédie ce modeste travail :

A mes très chers parents qui m’ont soutenu durant toute la

A mes frères et mes sœurs et à ma grande famille.

A Rania, Sara, Sousou, Meryem, Amr, Mouayed, Wael,

A tous mes amis.

A tous ceux qui m’aiment et que j’aime.

I.1. Introduction ………………………………………………………………………… 04

COMMANDE PAR MODE GLISSANT ET SYNERGETIQUE

ADAPTATIVE TERMINAL SMC ET SYNERGETIQUE

OPTIMISATION PAR ESSAIM PARTICULAIRE (PSO)

IV.2. Intelligence collective ……………………………………………………………... 64

IV.3. Définitions de base………………………………………………..……………….. 64

IV.3.1. Définition de l’optimisation …………………..………………………………... 64

IV.3.2. Fonction Objective…………………………………………………….………… 64

IV.3.3. Variables de décision …………………………………………………………… 65

IV.3.5 Minimum global ……….……………..………………………………………….. 66

IV.3.6 Minimum local………………………………………..….………………………. 66

IV.4. Introduction à l’optimisation par l’essaim particulaire ………………….…….. 66

IV.4.1 Principes de base du PSO …………………………………………..…..……….. 68

IV.4.2 Formulation mathématique de PSO …………...…………………..……..…..… 69

IV.4.3. Configuration de la méthode ………………………………...………………… 70

IV.4.3.1. Nombre de particules ………………………….……………………………... 71

IV.4.3.2. Topologie du voisinage ……………………………………………..……...… 71

IV.4.3.3. Coefficients de confiance ……………………………………………………. 72

IV.4.3.4. Vitesse maximale et coefficient de constriction …………………………….. 72

IV.4.3.5. Facteur d’inertie …………………………………………………………….. 73

IV.4.3.6. Initialisation de l’essaim …………………………………………………….. 73

IV.4.3.7. Critères d’arrêt ………………………………………………………………. 73

IV.4.4. Organigramme de principe de la PSO ………………………………………… 74

IV.5. Critères d’évaluation de performances ………………………………………… 75

IV.6. Optimisation des paramètres du ATSMC et ATSY par la technique PSO …… 76

IV.7.Résultats de Simulation ……………………………………………………………. 77

IV.7.1.Résultat de simulation de la Commande ATSMC Optimisé par la

IV.8.1.Résultats de simulations ………………………………………………………….. 81

IV.8.1.1. Résultats de simulation de la Commande ATSMC Optimisé par MPSO ….. 81

IV.8.1.2. Résultats de simulation de la commande ATSY optimisée par MPSO……. 82

CONCLUSION GENERALE ………………………………………..………….……… 84

Figure.I.1: Le processus commandé ……………………………………………...……… 04

CSV : Commade à structure variable.

Face au développement technologique rapide et les besoins de plus en plus de précision et

Les commandes dites classiques synthétisées généralement par des formalismes

Lorsque la partie commandée du processus est faiblement perturbée, les commandes

Afin de renforcer la robustesse des deux techniques terminales synergétique et de mode

Le manuscrit est organisé en quatre chapitres :

Le deuxième chapitre est consacré à la synthèse des principaux résultats sur la

Le quatrième chapitre présente brièvement le principe de fonctionnement de la technique

Une conclusion générale parachève le mémoire et des perspectives sont dégagées.

I.2. Généralités sur la commande :