MIS Ch3

Chapitre 3
Introduction à l’identification
des systèmes
1
Définitions
I. Définitions
1. L’identification des systèmes
Elle consiste à déterminer (estimer) les différents

paramètres qui caractérisent le modèle mathématique
d’un système. Le modèle choisi pour faire l’identification
peut être différent du celui du système réel
L’identification se base sur un ensemble d’observations

d’entrées/sorties relevées empiriquement. Celles-ci sont
souvent affectées par des bruits de mesure
2
Définitions
Sortie
Entrée mesurée
Système
Erreur (à minimiser)
Modèle
Sortie
estimée
Principe de l’identification
3
Définitions
2. La procédure d’identification
• Choix des entrées et des sorties

• Expérimentation (observations)
• Choix du modèle (structure)
• Estimation des paramètres
• Validation des résultats
Remarque : si les résultats ne sont pas validés, des

modifications peuvent être apportées aux choix des
entrées/sorties, de la structure du modèle, et de la
méthode utilisée pour l’estimation des paramètres
4
Définitions
3. L’identification paramétrique et non-

paramétrique
Les méthodes d’identification peuvent être

paramétriques ou non paramétriques. Dans le
premier cas, l’identification vise à déterminer les
paramètres d’un modèle. Dans le deuxième cas, le
but de l’identification est d'établir des modèles
non paramétriques tels que les réponses
temporelles (impulsionnelle, indicielles, etc) et les
réponses fréquentielles.
5
Les méthodes graphiques
II. Les méthodes graphiques
Les méthodes graphiques permettent d’identifier

les paramètres d’une fonction de transfert à partir
des réponses temporelles ou fréquentielles du
système
La réponse temporelle la plus utilisée pour

l’identification est la réponse indicielle. Le modèle
choisi dépend du type de la réponse (pseudo-
périodique ou apériodique)
6
1. Système du 1er ordre
Fonction de transfert :
K
F ( s) 
1  s
Réponse indicielle :
y (t )  K (1  e t / )
Paramètres à déterminer : K, 
7
y (t )
0.63 K
0  t
Détermination de K et de 
8
2. Système du 2ème ordre apériodique (méthode

de Cadwell)
K
F (s) 
(1   1s )(1   2 s )
1 2
y (t )  K (1  e t / 
1
 e t /  )
2
1  2 1  2
Paramètres à déterminer : K, 1, 2
9
y (t )
y1
y1  0.74 K
t1  1.32
t 2  0.5
y2
0 t2 t1 t
Méthode de Cadwell
10
Procédure
• Déterminer K
• Déterminer t1 tel que y1=0.74K
• Calculer  tel que t1=1.32
• Déterminer y2 tel que t2=0.5
• Calculer n=y2/K
• Déterminer x à partir de la courbe n=f(x)
• Déduire 1 et 2 tels que :
 
1  , 2  x
1 x 1 x
11
0.4
0.38
0.36
0.34
n
0.32
0.3
0.28
0.26
0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 1
1 /(1  x)
12
3. Système du 1er ordre avec retard (méthode de

Broïda)
K Tr s
F ( s)  e
1  s
y (t )  K (1  e  (t Tr ) / ).u (t  Tr )
Paramètres à déterminer : K, , Tr
13
y (t )
0.63 K
0 t
Tr 
Modèle de Broïda
14
Procédure
• Déterminer K
• Déduire  et Tr tels que :
  5.5(t 2  t1 )

Tr  2.8t1  1.8t 2
15
4. Système d’ordre n avec retard (méthode de

Strejc)
K
F (s)  e Tr s
(1  s) n
Paramètres à déterminer : K, n, , Tr
16
y (t )
t
T1 T2
Méthode de Strejc
17
Procédure
• Déterminer K
• Tracer la tangente au point d’inflexion I et
déterminer T1 et T2
• Déduire n à partir du tableau de Strejc (colonne
T1/T2)
• Déduire  à partir du tableau (colonne T2/)
• Calculer le retard Tr quand il existe à partir de la
différence entre la valeur de T1 mesurée et celle
calculée à partir de la colonne T1/  du tableau (si
cette différence est négative on prend Tr=0)
18
Tableau de Strejc
n T1/ T2/ T1/T2
1 0 1 0
2 0.28 2.72 0.1
3 0.8 3.7 0.22
4 1.42 4.46 0.32
5 2.1 5.12 0.41
6 2.81 5.7 0.49
19
5. Système du 2ème ordre pseudo-périodique
K02
F ( s)  2
s  20 s  02
Paramètres à déterminer : K, 0, 
20
y (t )
d   
D   exp   
K    2 
 1 
d
2
Tp 
0 1   2
0 t
Réponse pseudo-périodique
21
Procédure
• Déterminer K
• Déterminer le dépassement D
• Déduire  tel que
log D
 
(log D) 2   2
• Déterminer Tp
• Déduire 0 telle que
2
0 
Tp 1   2
22
Les moindres carrés
III. Méthode des moindres carrés
La méthode des moindres carrés permet de

résoudre un système d’équations algébriques
linéaires dont les données sont affectées par des
erreurs de mesure (incertitudes)
La solution donnée par les moindres carrés

permet de minimiser les erreurs entre les mesures
réelles et estimées
23
Soit le système suivant :
Ax  B
où A est une matrice de dimension mn avec

m>n, B un vecteur de dimension m1 et x le
vecteur d’inconnues de dimension n1.
Dans ce cas, le système est surabondant et la

solution est généralement inexistante.
24
La solution (unique) fournie par les moindres

carrés est :
x  ( At A) 1 At B
Cette solution minimise le critère :
C ( x)  Ax  B
qui mesure la distance entre B et le vecteur Ax.

Les différences (Ax-b) sont appelées résidus.
25
Exemple
On se propose de déterminer la constante de

raideur d’un ressort en effectuant des mesures de
la force exercée par ce ressort en fonction de sa
déformation
x
Ressort au repos Ressort en détente
26
Les mesures effectuées sont regroupées dans un

tableau :
x (cm) 4 9 14 22
F (N) 5.3 10.5 17.1 24.7
La forme matricielle du problème est :
4  5.3 
   
9  10.5 
x  kr  F     kr    ( Ax  B)
14 17.1
   
 22   24.7 
   
27
La solution (estimée) de ce problème par

moindres carrés est :
ˆ 1 t
kr  ( A A) A B  1.16 N.cm
t 1
Le tableau suivant donne les valeurs estimées de

la force du ressort (Fest=1.16.x) :
x (cm) 4 9 14 22
Fest (N) 4.6 10.4 16.2 25.4
28
30
25
20
Force (N)
15
10
Réelles
Estimées
0
4 6 8 10 12 14 16 18 20 22
Déformation (cm)
Mesures réelles et estimées de la force du ressort
29
Les modèles de récurrence
IV. Les modèles de récurrence
Les modèles de récurrence sont des modèles

discrets qui permettent de décrire un système
sous forme d’une ou plusieurs équations aux
différences
Une équation aux différences est une équation

dans laquelle une variable quelconque n’est
définie qu’à des instants discrets k (multiple de la
période d’échantillonnage)
30
Exemple
y(k )  a1 y (k  1)  a2 y (k  2)  b1u (k  1)
(1  a1q 1  a2 q 2 ) y(k )  (b1q 1 )u (k )
A(q) y(k )  B(q)u(k )
Dans ce cas, la sortie du système à un instant k est

obtenue à partir des valeurs précédentes de cette
sortie aux instants k-1 et k-2 ainsi que la valeur de
l’entrée à l’instant k-1
31
q-1 est appelé l’opérateur du retard tel que :
q  p y (k )  y (k  p)
Les modèles de récurrence peuvent être établis à

partir des fonctions de transfert en z en
remplaçant z par q, où en appliquant directement
des transformations approximatives à partir des
fonctions de transfert en s
q 1
s (Euler )
Te
32
2 q 1
s (Tustin )
Te 1  q
1. Les modèles de base
Le modèle AR (Auto Regressive) :

A(q) y(k )  e(k )
où e représente un bruit blanc de moyenne nulle

et de variance 
33
Le modèle ARX (eXogenous input) :

A(q) y(k )  B(q)u(k )  e(k )
Le modèle ARMA (Moving Average) :
A(q) y(k )  C(q)e(k )
Le modèle ARMAX :
A(q) y(k )  B(q)u(k )  C (q)e(k )
34
2. Identification du modèle ARX par la méthode

des moindres carrés
Soit le modèle suivant :
A(q) y(k )  B(q)u(k )  e(k )
où A(q) et B(q) sont deux polynômes de degrés n

et m respectivement. Pour estimer les paramètres
de ces deux polynômes, on collecte N
observations entrée/sortie
35
La forme polynômiale du système est (le terme du

bruit est négligé) :
(1  a1q 1    an q  n ) y (k )  (b1q 1    bm q  m )u (k )
d’où :
y (k )  a1 y (k  1)    an y (k  n) 
b1u (k  1)    bmu (k  m)
Les paramètres à estimer sont donc les

coefficients a1,…,an et b1,…bm
36
Le problème peut être représenté sous la forme

matricielle suivante :
Y  H 
avec
 y (k ) 
 
 y (k  1) 
Y     (a1  an b1  bm )T

 
 y (k  N  1) 
 
  y (k  1)   y ( k  n) u (k  1)  u (k  m) 
 
  y (k )   y ( k  1  n) u (k )  u ( k  1  m) 
H  
     
 
  y (k  N  2)   y (k  N  1  n) u (k  N  1)  u (k  N  1  m) 

37
La solution du problème par la méthode des

moindres carrés est donnée par :
ˆ  ( H t H )1 H tY
Les résidus du problème sont définis par :
e  Y  Yˆ
où Yˆ représente les sorties prédites du système.

Ces dernières sont calculées en utilisant le modèle
de récurrence avec les paramètres estimés
38
Le signal SBPA
V. Le signal SBPA
Le signal SBPA (Signal Binaire Pseudo-Aléatoire)

est un signal qui approxime un bruit blanc (idéal
pour l’identification). Il est composé d’impulsions
rectangulaires de longueurs variables (aléatoires)
qui forment une séquence
La séquence d’impulsions est répétée et le signal

devient donc périodique. Si cette séquence est de
longueur infinie, le signal devient aléatoire
39
Le signal SBPA
Le signal SBPA est généré à l’aide de registres à

décalage (réalisés d’une manière câblée ou
programmée). Les SBPA sont caractérisés par :
• La longueur maximale d'une séquence qui est

égale à 2N-1 où N est le nombre de cellules du
registre à décalage
• La période d’échantillonnage qui est la durée
minimale d’une impulsion
• Les amplitudes maximale et minimale d’une
impulsion
40
Le signal SBPA
B1 B2 B3
(Etat initial)
1 1 0
1 1 0
1 1 1
B1 B2 B3
0 1 1
0 0 1
+ 1 0 0
0 1 0
1 0 1
Procédure de génération d’un signal SBPA

de longueur 7
41
Le signal SBPA
u(t )
Te
A
A
L7
Exemple d’un signal SBPA de longueur 7
42
Les moindres carrés récursifs
VI. Les moindres carrés récursifs
La méthode des moindres carrés récursifs permet

d’estimer les paramètres d’un modèle en temps
réel (estimation en ligne). Les valeurs estimées
des paramètres changent chaque fois qu’une
nouvelle observation entrée/sortie est acquise
Cette méthode évite également le calcul de

l’inverse d’une matrice dont la complexité peut
être élevée dès que la taille de cette matrice
devient grande
43
u(t ) y (t )
Système
yˆ (t )  (t )
Modèle
ˆ(t 1)
Mise à
jour
Principe de l’identification par

moindres carrés récursifs
44
Les paramètres estimés par la méthode des

moindres carrés récursifs à un instant t sont
calculés comme suit :
ˆ(t  1)  ˆ(t )  P(t  1)hT (t  1) (t  1)

avec
 (t  1)  y(t  1)  h(t  1)ˆ(t )
 hT (t  1)h(t  1) P(t ) 
P(t  1)  P(t )  I  
 1  h (t  1) P (t ) h T
(t  1) 
45
(t+1) est le vecteur des paramètres à estimer de

dimension r1
(t) est l’erreur d’estimation à l’instant t
h(t+1) est la ligne de la matrice de données H qui
correspond à l’instant t+1
y(t+1) est la composante du vecteur de données Y
qui correspond à l’instant t+1
P(t) est une matrice de gains de dimension rr
I est une matrice identité d’ordre r
46
Remarque
Le vecteur des paramètres  et la matrice P

doivent être initialisés pour t=0. Généralement,
on choisit =0 et P=100Ir
Exemple
En prenant (0)=0 et P(0)=100, la méthode des

moindres carrés récursifs appliquée à l’exemple
du ressort donne les résultats suivants
47
Dans ce cas, la variable t représente plutôt le pas

de la procédure récursive des moindres carrés. De
plus, on a =kr, Y=F et H=x
t h(t) y(t) P(t) (t) (t)

0 100 0
1 4 5.3 0.06 5.3 1.32
2 9 10.5 0.10 -1.42 1.19
3 14 17.1 0.03 0.40 1.21
4 22 24.7 0.01 -1.96 1.16
48
Validation des résultats
VII. Validation des résultats
Les modèles identifiés doivent être validés avant

de pouvoir être employés pour d’autres
applications telles que la conception des
régulateurs
Généralement, la validation est faite en se basant

sur des données (observations) autres que celles
qui ont été utilisées pour l’estimation des
paramètres du modèle
49
La méthode la plus utilisée pour la validation des

modèles est le calcul de la fonction d’auto-
corrélation des résidus. Ces derniers doivent se
comporter comme un bruit blanc
La fonction d’autocorrélation mesure la

corrélation (degré de ressemblance) des différents
échantillons d’un même signal en fonction d’un
pas de décalage temporel
Pour les résidus, les valeurs de la fonction d’auto-

corrélation doivent être les plus petites possibles
50
La fonction d’autocorrélation des résidus et,

t=1,…,N est définie par :
Rk  Ck / C0
avec
N k
1
Ck 
N
 (e  e )(e
t 1
t t k  e)
Ck est appelé l’autocovariance des résidus pour un

décalage k, tandis que C0 correspond à la variance
de ces derniers
51
Si les résidus sont aléatoires (cas souhaité), les

valeurs de Ck doivent tendre vers 0 pour des
grandes valeurs de k
On peut définir ainsi un intervalle de confiance

(de 95%) dans lequel les résidus doivent être
situés. Les limites de cet intervalle sont définies
par  2 N
Une valeur quelconque des résidus (k0) en

dehors de l’intervalle de confiance signifie que les
résidus ne sont pas complètement aléatoires
52
Exemple
Considérons un système dont les observations

entrées/sorties sont représentées ci-après. On
désire identifier les paramètres de ce système en
utilisant le modèle de récurrence suivant :
A(q) y(k )  B(q)u(k )
Les paramètres à estimer sont donc les

coefficients des polynômes A et B
53
0.5
Entrée
0
-0.5
-1
0 10 20 30 40 50 60 70 80 90 100
0.5
Sortie
-0.5
-1
0 10 20 30 40 50 60 70 80 90 100
Temps (sec)
Observations entrée/sortie
54
Le signal d’entrée est une SBPA composée de 200

échantillons dont les 100 premiers sont utilisés
pour l’estimation des paramètres et les autres 100
pour la validation. La période d’échantillonnage
utilisée est Te=0.5 sec.
Le modèle choisi est tel que les polynômes A et B

sont de degré 2
Les coefficients de A et B sont estimés avec la

méthode des moindres carrés. les résultats de
validation sont montrés sur les figures suivantes
55
0.8
Réelle
0.6 Prédite
0.4
0.2
Sorties
-0.2
-0.4
-0.6
-0.8
50 55 60 65 70 75 80 85 90 95 100
Temps (sec)
Sorties de validation
56
0.15
0.1
0.05
0
Résidus
-0.05
-0.1
-0.15
-0.2
0 10 20 30 40 50 60 70 80 90 100
Temps (sec)
Evolution des résidus
57
0.8
0.6
Autocorrélation
0.4
0.2
-0.2
-0.4
0 10 20 30 40 50 60 70 80 90 100
Décalage k
Autocorrélation des résidus
58
On se propose maintenant de refaire le même

travail mais en utilisant une période
d’échantillonnage Te=1.5 sec
Les résultats de l’identification sont illustrés sur

les figures suivantes. Ces derniers montrent que le
nouveau modèle identifié approche mieux le
système réel
Par ailleurs, les résidus sont moins corrélés (plus

aléatoires), ce qui se traduit par des coefficients
d’autocorrélation plus petits
59
0.5
Entrée
0
-0.5
-1
0 50 100 150 200 250 300
0.5
Sortie
-0.5
-1
0 50 100 150 200 250 300
Temps (sec)
Observations entrée/sortie (Te=1.5 sec)
60
1.5
Réelle
Prédite
1
0.5
Sorties
-0.5
-1
-1.5
150 200 250 300
Temps (sec)
Sorties de validation (Te=1.5 sec)
61
0.1
0.05
0
Résidus
-0.05
-0.1
-0.15
0 10 20 30 40 50 60 70 80 90 100
Temps (sec)
Evolution des résidus (Te=1.5 sec)
62
0.8
0.6
Autocorrélation
0.4
0.2
-0.2
0 10 20 30 40 50 60 70 80 90 100
Décalage k
Autocorrélation des résidus (Te=1.5 sec)
63

MIS Ch3

Transféré par

Droits d'auteur :

Formats disponibles

MIS Ch3

Transféré par

Informations du document

Titre original

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

MIS Ch3

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 3

1. L’identification des systèmes

Elle consiste à déterminer (estimer) les différents

L’identification se base sur un ensemble d’observations

• Choix des entrées et des sorties

Remarque : si les résultats ne sont pas validés, des

3. L’identification paramétrique et non-

Les méthodes d’identification peuvent être

II. Les méthodes graphiques

Les méthodes graphiques permettent d’identifier

La réponse temporelle la plus utilisée pour

1. Système du 1er ordre

2. Système du 2ème ordre apériodique (méthode

Paramètres à déterminer : K, 1, 2

3. Système du 1er ordre avec retard (méthode de

4. Système d’ordre n avec retard (méthode de

n T1/ T2/ T1/T2

2 0.28 2.72 0.1

3 0.8 3.7 0.22

4 1.42 4.46 0.32

5 2.1 5.12 0.41

6 2.81 5.7 0.49

5. Système du 2ème ordre pseudo-périodique

Paramètres à déterminer : K, 0, 

III. Méthode des moindres carrés

La méthode des moindres carrés permet de

La solution donnée par les moindres carrés

Soit le système suivant :

où A est une matrice de dimension mn avec

Dans ce cas, le système est surabondant et la

La solution (unique) fournie par les moindres

Cette solution minimise le critère :

qui mesure la distance entre B et le vecteur Ax.

On se propose de déterminer la constante de

Ressort au repos Ressort en détente

Les mesures effectuées sont regroupées dans un

La forme matricielle du problème est :

La solution (estimée) de ce problème par

Le tableau suivant donne les valeurs estimées de

Mesures réelles et estimées de la force du ressort

IV. Les modèles de récurrence

Les modèles de récurrence sont des modèles

Une équation aux différences est une équation

y(k )  a1 y (k  1)  a2 y (k  2)  b1u (k  1)

(1  a1q 1  a2 q 2 ) y(k )  (b1q 1 )u (k )

A(q) y(k )  B(q)u(k )

Dans ce cas, la sortie du système à un instant k est

q-1 est appelé l’opérateur du retard tel que :

Les modèles de récurrence peuvent être établis à

1. Les modèles de base

Le modèle AR (Auto Regressive) :

où e représente un bruit blanc de moyenne nulle

Le modèle ARX (eXogenous input) :

Le modèle ARMA (Moving Average) :

A(q) y(k )  C(q)e(k )

A(q) y(k )  B(q)u(k )  C (q)e(k )

2. Identification du modèle ARX par la méthode

Soit le modèle suivant :

A(q) y(k )  B(q)u(k )  e(k )