Degeest

Université de Liège
Faculté des Sciences Appliquées
Méthodes d'optimisation pour le

réglage de contrôleurs PID
Emmanuel DE GEEST
Travail de fin d'études réalisé en vue de l'obtention du grade

d'Ingénieur Civil Electricien (Electronique)
Année Académique 2000-2001

Remerciements
Je voudrais d’abord exprimer ma gratitude envers Monsieur le

Professeur R. SEPULCHRE pour m’avoir permis de réaliser ce travail
de fin d’études au sein du Service de Systèmes et d’Automatique. Je
tiens à lui dire combien est grande ma reconnaissance pour les
précieux conseils qu’il m’a régulièrement prodigués, son dévouement
et le goût de la recherche qu’il m’a communiqué.
J’associe à ces remerciements Monsieur P. Ansay, chercheur

post-doctorat, pour sa disponibilité lors des nombreux échanges de
vues qui ont contribué à l’aboutissement de cette étude.
Je remercie vivement les membres du Jury, Messieurs les

Professeurs J. DESTINE, A. GENON, R. GOREZ, R. SEPULCHRE
et Th. VAN CUTSEM pour l’intérêt qu’ils porteront à ce travail.
Ma reconnaissance va également à Monsieur Nicolas

Raimarckers, ingénieur de la société TECHSPACE AERO pour avoir
guidé mes premiers pas dans l’apprentissage de la programmation
temps-réel Labview.
Enfin, je tiens à remercier le Service de Systèmes et

d’Automatique de m’avoir donné la chance de participer à un
séminaire de formation au langage Labview auprès de NATIONAL
INSTRUMENTS à Bruxelles.
Table des matières
INTRODUCTION - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 1
Chapitre 1. Méthodes classiques de régulation et choix d’une struc-

ture de régulation - - - - - - - - - - - - - - - - - - - - - - - - - 4
1.1 Description du Three-Tank- - - - - - - - - - - - - - - - - - - - - - - - - - - 4

1.1.1 Modélisation du Three-Tank - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 5
1.1.2 Étude des performances de la boucle ouverte - - - - - - - - - - - - - - - - - - - 6
1.1.3 Conclusion - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 7
1.2 Contrôle à un degré de liberté - - - - - - - - - - - - - - - - - - - - - - - - 7

1.2.1 Action Proportionnelle (P) - - - - - - - - - - - - - - - - - - -- -- - -- -- -- - - - 8
1.2.2 Action intégrale (I) - - - - - - - - - - - - - - - - - - - - - - - -- -- - -- -- -- - - - 9
1.2.3 Action Proportionnelle-Intégrale (PI) - - - - - - - - - - - -- -- - -- -- -- - - - 9
1.2.4 Action proportionnelle - dérivée (avance de phase) - - -- -- - -- -- -- - - 12
1.2.5 Action proportionnelle-intégrale-dérivée (PID) - - - - - -- -- - -- -- -- - - 13
1.2.6 Commentaires - - - - - - - - - - - - - - - - - - - - - - - - - - -- -- - -- -- -- - - 14
1.3 Contrôle à deux degrés de liberté - - - - - - - - - - - - - - - - - - - - - 15

1.3.1 Structure de la boucle de régulation- - - - - - - - - - - - - - - - - - - - - - - - - 15
1.3.2 Spécifications - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 16
1.3.2.1 Rejet de perturbations- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 17
1.3.2.2 Sensibilité aux erreurs de modèle - - - - - - - - - - - - - - - - - - - - - - - - - - - - 18
1.3.2.3 Suivi de consigne - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 19
1.4 Conclusions - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 20
Chapitre 2. Réglage d'un contrôleur PI à partir d'un problème d'op-

timisation : aspects théoriques et simulations- - - - - 21
2.1 Problème d’optimisation - - - - - - - - - - - - - - - - - - - - - - - - - - - 22

2.1.1 Formulation du problème d’optimisation -- -- - - - - - - - - - - - - - - - - - - 22
2.1.2 Contrainte de sensibilité - - - - - - - - - - -- -- - - - - - - - - - - - - - - - - - - 23
2.1.3 Stabilité - - - - - - - - - - - - - - - - - - - - - -- -- - - - - - - - - - - - - - - - - - - 24
2.1.4 Optimisation - - - - - - - - - - - - - - - - - - -- -- - - - - - - - - - - - - - - - - - - 25
2.2 Méthode complète de Design - - - - - - - - - - - - - - - - - - - - - - - - 26

2.2.1 Suivi de consigne - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 26
2.2.2 Méthode finale - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 26
2.3 Algorithme - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 27
2.4 Simulations- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 29
2.4.1 Simulations sans l’action feedforward - - - - - - - - - - - - - - - - - - - - - - - - 29
Table des matières
2.4.1.1 Principe des simulations- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 29

2.4.1.2 Résultats de simulations - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 29
2.4.1.3 Conclusions- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 32
2.4.2 Simulations avec l’action feedforward - - - - - - - - - - - - - - - - - - - - - - - - 32
2.4.2.1 Résultats de simulations et améliorations des résultats - - - - - - - - - - - - - - - 32
2.4.3 Robustesse- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 35
2.4.4 Régulateur final - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 37
Chapitre 3. Réglage d’un PI à partir d’un problème d’optimisation:

aspects pratiques et expérimentaux - - - - - - - - - - - 39
3.1 Système échantillonné - - - - - - - - - - - - - - - - - - - - - - - - - - - - 39

3.1.1 Discrétisation - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 39
3.1.2 Implémentation Labview du régulateur - - - - - - - - - - - - - - - - - - - - - - - 40
3.1.3 Choix de la fréquence d’échantillonnage - - - - - - - - - - - - - - - - - - - - - - 40
3.2 Saturation de l’actionneur. - - - - - - - - - - - - - - - - - - - - - - - - - - 43
3.3 Résultats expérimentaux - - - - - - - - - - - - - - - - - - - - - - - - - - - 44

3.3.1 Rejet de perturbations - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 44
3.3.2 Suivi de consigne et Robustesse - - - - - - - - - - - - - - - - - - - - - - - - - - - 46
3.3.3 Conclusions - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 47
Chapitre 4. Réglage d’un PID à partir d’un problème d’optimisation:

aspects théoriques et simulations - - - - - - - - - - - - - 48
4.1 Problème d'optimisation - - - - - - - - - - - - - - - - - - - - - - - - - - - 48

4.1.1 Contrainte de sensibilité - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 49
4.1.2 Difficulté dans la résolution du problème- - - - - - - - - - - - - - - - - - - - - - 50
4.2 Design final - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 51

4.2.1 Réglage de l'action feedforward - - - - - - - - - - - - - - - - - - - - - - - - - - - 51
4.2.2 Méthode finale et algorithme - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 51
4.3 Simulations- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 53
4.3.1 Simulations sans l'action feedforward - - - - - - - - - - - - - - - - - - - - - - - - 53
4.3.1.1 Introduction - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 53
4.3.1.2 Compromis Performance - Robustesse - - - - - - - - - - - - - - - - - - - - - - - - - 54
4.3.1.2.1 Variation de Kd - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 54
4.3.1.2.2 Variation de Ms - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 56
4.3.1.3 Limite de robustesse sur le Kd- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 57
4.3.1.4 Conclusions- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 58
4.3.2 Simulations avec l'action feedforward - - - - - - - - - - - - - - - - - - - - - - - - 59
4.3.3 Conclusions - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 61
Table des matières
Chapitre 5. Réglage d'un PID à partir d'un problème d'optimisation :

implémentation et expérimentation- - - - - - - - - - - - 62
5.1 Implémentation du PID - - - - - - - - - - - - - - - - - - - - - - - - - - - - 62

5.1.1 Saturation de l'actionneur - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 62
5.2 Résultats expérimentaux - - - - - - - - - - - - - - - - - - - - - - - - - - - 64
5.3 Structure de régulation améliorée - - - - - - - - - - - - - - - - - - - - - 64

5.3.1 Résultats expérimentaux - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 66
5.3.2 Récapitulatif - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 67
Chapitre 6. Algorithme de réglage de PID - - - - - - - - - - - - - - - 68
6.1 Méthode générale - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 68
6.2 Méthode détaillée - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 69

6.2.1 Base de données - - - - - - - - - - - - - - - - - - - - - - - - -- -- - -- -- -- - - 69
6.2.2 Critère de stabilité de la boucle fermée - - - - - - - - - - -- -- - -- -- -- - - 69
6.2.3 Critère de temps de réponse sur le suivi de consigne - -- -- - -- -- -- - - 70
6.2.4 Critère sur la robustesse du système - - - - - - - - - - - -- -- - -- -- -- - - 70
6.2.5 Critère de robustesse aux variations de gain - - - - - - -- -- - -- -- -- - - 71
6.2.6 Spécification sur le bruit - - - - - - - - - - - - - - - - - - - -- -- - -- -- -- - - 72
6.2.7 Saturation de l’actionneur - - - - - - - - - - - - - - - - - - -- -- - -- -- -- - - 72
6.2.8 Conclusions - - - - - - - - - - - - - - - - - - - - - - - - - - - -- -- - -- -- -- - - 73
6.3 Exemple - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 74
6.4 Comparaison PI - PID - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 75

6.4.1 Résultats de simulations - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 76
6.4.2 Conclusions - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 78
Chapitre 7. “ Iterative Feedback Tuning ” : Méthode d’optimisation

expérimentale - - - - - - - - - - - - - - - - - - - - - - - - - - 79
7.1 Critère de synthèse - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 79
7.2 Minimisation du critère - - - - - - - - - - - - - - - - - - - - - - - - - - - - 81

7.2.1 Signaux de sortie - - - - - - - - - - - - - - - - - - - - - - - - - - -- - -- -- -- - - 81
7.2.2 Signaux d’entrée - - - - - - - - - - - - - - - - - - - - - - - - - - -- - -- -- -- - - 83
7.2.3 Estimation du gradient - - - - - - - - - - - - - - - - - - - - - - -- - -- -- -- - - 83
7.2.4 Modification de la direction de recherche- - - - - - - - - - - -- - -- -- -- - - 84
7.3 Résumé de l’algorithme - - - - - - - - - - - - - - - - - - - - - - - - - - - - 84

Table des matières
Chapitre 8. Réglage d’un PID par “Iterative Feedback Tuning” - 85
8.1 Objectifs de la régulation- - - - - - - - - - - - - - - - - - - - - - - - - - - 85
8.2 Régulation de suivi de consigne - - - - - - - - - - - - - - - - - - - - - - 85

8.2.1 Implémentation de l’IFT - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 85
8.2.1.1 Modèle de référence - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 85
8.2.1.2 Structure du contrôleur et calcul des dérivées- - - - - - - - - - - - - - - - - - - - - 86
8.2.1.3 Choix du pas γi - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 88
8.2.2 Expérience IFT n°1. - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 90
8.2.3 Expérience IFT n°2 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 91
8.2.3.1 Variante de la méthode de base - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 91
8.2.3.2 Résultats - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 92
8.3 Régulation du rejet de perturbations et du suivi de consigne - - - - 93

8.3.1 Modèle IFT pour une perturbation déterministe - - -- -- -- - -- -- -- - - 93
8.3.2 Méthode proposée - - - - - - - - - - - - - - - - - - - - - -- -- -- - -- -- -- - - 95
8.3.3 Expérience IFT n°3 - - - - - - - - - - - - - - - - - - - - -- -- -- - -- -- -- - - 96
8.3.4 Conclusions - - - - - - - - - - - - - - - - - - - - - - - - - -- -- -- - -- -- -- - - 99
Chapitre 9. Conclusions - - - - - - - - - - - - - - - - - - - - - - - - - - - 101
Bibliographie - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 104
Annexes - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 106
Introduction
INTRODUCTION
Suite au développement sans cesse croissant de l’informatique, les méthodes d’optimisation con-
naissent de nos jours un essor considérable.
D’autre part, les contrôleurs de type PID se révèlent suffisants pour résoudre un grand nombre de pro-
blèmes de contrôle et ce, particulièrement lorsque la dynamique du système est bénigne et que les exi-
gences en terme de performances sont modestes.
A ce propos, une étude de 1993, rapporte que sur plus de 2000 boucles de régulation, 95 % de
celles-ci utilisaient des structures de type PID, la majorité de ces dernières étant en fait de type PI. Seu-
lement 20 % de ces boucles de régulation fonctionnèrent correctement. Une des causes majeures de ces
faibles performances consistait en un mauvais choix des paramètres du régulateur. Malgré l’emploi
étendu du contrôleur PI, il n’existe pas de méthode de design universellement acceptée.
Anciennement, les contrôleurs de type PID étaient régulés de manière empirique, par exemple
par les méthodes décrites par Ziegler et par Nichols (1942).
Ces méthodes étaient basées sur la détermination de quelques caractéristiques de la dynamique
du système. Les paramètres du contrôleur étaient alors exprimés en terme de ces caractéristiques par
des formules simples. Ces méthodes, bien que nécessitant peu d’information sur le système, comportent
un inconvénient de taille, à savoir: le système en boucle fermée présente un très faible amortissement,
typiquement ζ ≅ 0, 2 ([6]).
Il y a dès lors plusieurs raisons qui poussent à développer des méthodes d’optimisation pour le
réglage de contrôleurs PID.
Il importera de saisir la finalité du problème de régulation. Deux types classiques de problèmes
sont le suivi de consigne et le rejet de perturbations. Il importera également d’avoir une connaissance
sur le type de perturbation et les incertitudes de modèle. Les spécifications sur le système de régulation
devront être exprimées de manière adéquate en vue de la formulation d’un problème d’optimisation,
qu’il conviendra alors de résoudre par voie algorithmique.
Les différentes méthodes d’optimisation étudiées dans ce travail peuvent être scindées en deux
groupes suivant qu’elles se basent sur la connaissance ou non de la dynamique du système.
Les méthodes nécessitant un modèle de la dynamique du système feront l’objet de la première
partie du travail. Elles seront basées sur des méthodes récemment proposées dans la littérature et dues
à K.J. Åström.
1
Introduction
La méthode développée par K.J. Åström était à l’origine développée pour le PI ([8]). Une extension a
été réalisée pour inclure le terme dérivé ([9]). L’analyse de celle-ci nous a montré qu’elle manquait de
systématisme pour le réglage du terme dérivé. Notre démarche a consisté à rechercher une approche
systématique de ce réglage.
L’objectif de ce mémoire a donc été de proposer une synthèse pour le régulateur PID basée sur
la méthode d’Åström, tout en garantissant une approche systématique de l’action dérivée selon des ob-
jectifs de régulation.
La seconde partie de ce travail de fin d’études tente de comparer la synthèse de régulation décrite
ci-dessus avec l’ “Iterative Feedback Tuning” (IFT [14]), méthode ne nécessitant pas de modèle du pro-
cédé. Il s’agit d’une méthode d’optimisation itérative basée sur la minimisation d’un critère de type
quadratique à partir des données expérimentales recueillies directement sur la boucle fermée.
La seconde contribution de ce travail a été de modifier l’algorithme de base de l’IFT afin de ré-
pondre aux mêmes exigences de régulation que celles décrites dans la première partie du travail
Ce travail de fin d’études n’a certainement pas la prétention d’étudier ces méthodes dans tous les
cas d’espèces. C’est pourquoi nous resterons concentrés sur l’étude de systèmes SISO (Single Input sin-
gle Output).
Notre étude sera principalement axée sur un système de type “ process control ” : le Three-Tank
system. Il s’agit d’un système de régulation de hauteur d’eau. On se limitera donc principalement à ce
système en vue d’une analyse plus fouillée et d’une validation expérimentale des résultats de simula-
tions.
Néanmoins, les méthodes d’optimisation nécessitant un modèle du système seront testées sur un certain
nombre d’exemples.
Le contenu de ce travail est structuré comme suit :
Le chapitre 1 vise à poser le problème de la régulation dans le cas particulier du Three-Tank.

Des méthodes de régulations simples (lieu de racines et méthodes fréquentielles) typiquement ensei-
gnées dans un cours d’automatique de base seront utilisées sur différentes structures de régulation afin
d’avoir une idée des performances pouvant ainsi être obtenues. L’intérêt de l’utilisation d’un contrôleur
à deux degrés de liberté sera également discuté.
Le chapitre 2 est consacré à l’étude du réglage d’un contrôleur PI à partir d’un problème d’op-
timisation. Les fondements théoriques de la méthode sont d’abord expliqués. On montre ensuite la dé-
marche algorithmique relative à cette méthode. La fin du chapitre vise à appliquer l’algorithme
développé dans le cadre du Three-Tank.
Le chapitre 3 porte sur la mise en œuvre d’un régulateur PI ainsi que sur la validation expéri-
mentale de la méthode d’optimisation relative au PI. Ceci est fait dans le cadre du Three-Tank. On pas-
sera en revue des sujets aussi variés que l’implémentation discrète d’un système temps-continu, le
choix de la fréquence d’échantillonnage et la saturation de l’actionneur.
Le chapitre 4 porte sur une reformulation du problème d’optimisation du chapitre 2 dans le cadre
d’une structure de régulation de type PID. Il y sera démontré que, contrairement au chapitre 2, ce pro-
blème d’optimisation ne mène pas directement à une solution analytique : on obtiendra une indétermi-
nation sur l’action dérivée. Les deux chapitres suivants montreront comment lever cette difficulté.
Le chapitre 5 aborde le choix du gain dérivé du contrôleur afin de lever l’indétermination ren-
contrée au chapitre précédent. Ce choix sera validé de manière expérimentale dans le cadre du Three-
Tank. Il y est notamment démontré que ce gain ne doit pas être choisi aveuglément.
2
Introduction
Le chapitre 6 élabore, sur base des chapitres précédents, un algorithme systématique permettant
de déterminer les gains d’un régulateur PID à partir d’un modèle du système. Ce chapitre apporte donc
une solution au premier objectif que nous nous sommes fixés. L’algorithme est illustré sur des systèmes
de complexité très différente. Le chapitre se termine par une comparaison des performances obtenues
sur ces systèmes à l’aide des deux algorithmes d’optimisation élaborés jusqu’ici (PI et PID).
Le chapitre 7 présente la théorie de base de l’ “Iterative Feedback Tuning” (IFT) jusqu’à l’ob-
tention d’un algorithme.
Le chapitre 8 est l’équivalent du chapitre 6 dans le cadre de l’IFT. On y propose une modifica-
tion de l’algorithme de base de l’IFT présenté au chapitre 7 afin de répondre aux mêmes exigences de
régulation que dans la première partie de ce travail. Cette méthode proposée sera appliquée dans le ca-
dre du Three-Tank avec une structure de régulation de type PID. Les aspects relevant de l’implémen-
tation de l’algorithme sont également discutés dans ce chapitre.
Enfin le chapitre 9 tire les conclusions de ce travail.
3
Chapitre I
Méthodes classiques de régulation et choix d’une structure de régulation
Chapitre 1.
Méthodes classiques de régulation et choix

d’une structure de régulation
Le propos de ce chapitre est de cerner le problème de la régulation sur base d’un exemple : le
Three-Tank.
Les premiers essais de régulations à l’aide de méthodes classiques et de structures de régulation
de type PID nous permettront de nous faire une idée des performances accessibles et de cerner les ob-
jectifs et les inévitables compromis de l’automatique.
De ces observations découlera la formulation d’une méthode de synthèse permettant de satisfaire
aux exigences d’une bonne régulation de type industriel.
1.1 Description du Three-Tank

Le Three-Tank est un système hydraulique à trois réservoirs alimentés par deux pompes action-
nées indépendamment. Diverses configurations permettent d’étudier des comportements dynamiques
de complexité variable, représentatifs de systèmes réels de type process control. Le système est repré-
senté à la figure 1.1.
Figure 1.1: Représentation du dispositif expérimental - Ri: réservoir n° i-Pi: Pompe n°i - Vpi: vannes
de perturbation - Vf i-j: vannes de fuite.
4
Chapitre I
Chaque réservoir est muni, en son sommet, d’un capteur de pression qui mesure la pression de la
colonne de liquide. Cette information, collectée par l’ordinateur, est convertie en hauteur d’eau. Pour
permettre diverses configurations du système, les réservoirs verticaux sont interconnectés par des van-
nes, ce qui nous autorise donc à travailler avec un dispositif formé d’un, deux, voire trois réservoirs.
Dans le cadre de ce travail, les trois réservoirs verticaux sont utilisés (vannes, Vf, 1-3 et Vf, 3-2
ouvertes complètement).
Le système ainsi formé fonctionnera dans une configuration SISO ; nous tenterons de réguler la
hauteur de colonne d’eau dans le réservoir R2 avec pour seule commande, le débit de la pompe P1. Une
perturbation sera appliquée en ouvrant complètement la vanne VP1.
1.1.1 Modélisation du Three-Tank

Cette section montre la démarche utilisée pour modéliser le Three-Tank. La configuration du
Three-Tank décrite précédemment est schématisée à la figure 1.2.
Figure 1.2: Schéma de modélisation du Three-Tank.
Cette figure montre que l’entrée u et la sortie y du système sont respectivement équivalentes à la
hauteur d’eau du second réservoir (h2) et au débit de la pompe P1. La perturbation l sera provoquée en
ouvrant la vanne VP1.
Afin d’obtenir une modélisation du système, chaque hauteur d’eau constituera une variable d’état
et il sera alors possible d’obtenir un ensemble de trois équations différentielles du premier ordre en ex-
primant un bilan massique sur chaque réservoir. Pour le réservoir i de section Sr, le bilan massique s’ex-
primera par l’équation suivante :
dmi dh
--------- = S r -------i = ∑ Qin, k – ∑ Qout, l
dt dt k l
Dans cette dernière expression, Qin,k symbolise un débit entrant et Qout,l un débit sortant. Les
différents débits entrants et sortants regroupent les débits d’alimentation, les débits de fuite entre réser-
voirs ainsi que les débits d’évacuation de perturbation. Le débit de fuite entre le réservoir i et le réser-
voir j est lié à la différence des hauteurs hi et hy par l’équation de Bernouilli :
5
Chapitre I
Qij = S f a z, ij sign(h i – h j ) 2g h i – h j
où Sf est la section de fuite et az,ij est un facteur déterminé expérimentalement.
De même, un débit d’évacuation ou de perturbation pour le réservoir i est donné par :
Qout, i = S f, i ( a z, i – o 2gh i )
Qp, i = S p, i ( a z, i – o 2gh i )
où Sf, i est la section de fuite pour l’évacuation et Sp, i la section de fuite pour la perturbation.
On s’aperçoit que nous avons affaire à un système de trois équations couplées et non-linéaires –
à cause de la présence des racines carrées introduites dans l’expression des débits. En conséquence de
quoi, il ne nous sera pas possible de dériver telle quelle une fonction de transfert décrivant la dynamique
du système.
Nous nous attacherons donc à caractériser le système autour d’un de ses points de fonctionnement (u*,
h1*, h2*, h3*) en vue de pouvoir utiliser les techniques de l’automatique linéaire. Le point de fonction-
nement choisi sera (u*, h1*, h2*, h3*) = (24,9 ml/sec, 34,5 cm, 24,5 cm, 29,5 cm)
A partir de là, nous pourrons dériver un modèle d’état linéarisé autour de ce point de fonctionnement.
Il ne nous restera plus qu’à résoudre – en variable de Laplace – ce modèle d’état linéarisé de manière
à obtenir la fonction de transfert du système au point de fonctionnement choisi. La fonction de transfert
entrée-sortie – notée G(s) – sera alors donnée par
1, 95
G ( s ) = ------------------------------------------------------------------ (1.1)
( sτ 1 + 1 ) ( sτ 2 + 1 ) ( sτ 3 + 1 )
où τ1=1015,80 ; τ2=56,34 et τ3=20,56
L’équation (1.1) nous montre que nous sommes en présence d’un système stable du troisième or-
dre constitué de trois pôles réels.
De manière similaire, nous trouverons que la fonction de transfert perturbation-sortie sera donnée
par cette même fonction de transfert G(s) mais au signe près.
1.1.2 Étude des performances de la boucle ouverte

Nous pouvons déjà tirer des conclusions sur les performances du système en boucle ouverte par
un simple examen de la fonction de transfert (1.1) : nous voyons que les trois pôles sont réels, stricte-
ment négatifs et que l’ordre de grandeur de deux d’entre eux est dans un facteur 10 au moins par rapport
au troisième qui est donc le pôle dominant (ce pôle est extrêmement lent).
Nous sommes dès lors en mesure de conclure que nous sommes en présence d’un système présentant
une dynamique dominante du premier ordre ; l’effet des deux pôles plus rapides consiste simplement
en un retard de la réponse du premier ordre (présence d’un point d’inflexion proche de l’origine).
La réponse du Three-Tank en boucle ouverte à un échelon de commande unitaire est donnée à la
figure 1.3.
6
Chapitre I
Figure 1.3 : Réponse indicielle du Three-Tank en boucle ouverte.
Nous obtenons bien une réponse dominante du premier ordre. De plus, une mesure de temps de réponse
nous indique que celui-ci est de l’ordre de 1100 sec. La réponse indicielle révèle une valeur finale
y ( ∞ ) = 1, 95 , ce qui correspond au gain statique du système.
Notons encore que la réponse à une perturbation de type échelon unitaire sera également donnée
par la réponse de la figure 1.3.
1.1.3 Conclusion
On retiendra de l’étude de la boucle ouverte du Three-Tank que :
• D’une part, le système présente de mauvaises performances : notre système est un système
dominant du premier ordre, lent et ayant un gain statique différent de l’unité.
• D’autre part, le modèle dérivé pour le Three-Tank est incertain à cause de l’étape de linéarisa-
tion. En effet, il est évident que si nous avions choisi un autre point de fonctionnement, notre
dynamique aurait été différente. On comprend qu’il sera dès lors nécessaire de tenir compte
de ces changements de dynamique si nous voulons un régulateur efficace sur une certaine
plage de hauteur. Néanmoins, tout laisse penser que si l’identification expérimentale des
paramètres intervenant dans le modèle est correcte, le modèle développé autour de notre
point de fonctionnement est également correct.
1.2 Contrôle à un degré de liberté

Le but principal de cette section et le suivant : se faire une première idée de l’intérêt de l’utilisa-
tion des actions proportionnelles, intégrales ou dérivées prises séparément ou combinées.
La plupart des méthodes de synthèse exposées ci-après ont été imaginées avant l’apparition des ordi-
nateurs ; elles s’efforcent donc de réduire au strict minimum les calculs nécessaires, privilégiant le qua-
litatif plutôt que le quantitatif.
7
Chapitre I
L’idée de base de ces méthodes consiste à essayer d’estimer le comportement du système en boucle
fermée directement à partir du modèle en boucle ouverte. Ce ne sont généralement pas des méthodes
basées sur de gros efforts de calcul.
On focalisera surtout notre attention sur les résultats obtenus. Le lecteur désirant trouver des précisions
quant aux méthodes en elles-mêmes consultera [4 ] et [5 ].
On s’attachera dans ce chapitre à des boucles de régulation à un degré de liberté (figure 1.4) en raison
de la simplicité de ces structures.
Figure 1.4: Schéma de régulation à un degré de liberté.
Dans le schéma de la figure 1.4, G(s) est la fonction de transfert du processus, Gc(s) est la fonction de
transfert du régulateur, u la commande, y la sortie, l la perturbation, ysp la consigne et e le signal d’er-
reur.
On peut cependant apporter une objection à ce schéma : il ne contient aucune source de bruit. Or, on
sait que du bruit sera toujours présent dans la boucle de régulation. Il sera bien souvent malaisé d’in-
troduire du bruit dans cette modélisation, à moins que d’en connaître une description exacte.
Le schéma de la figure 1.4 sera utilisé lors des simulations: L’influence du bruit sera discutée après la
phase expérimentale. Il conviendra alors de rajouter ou de ne pas rajouter un terme de filtrage sur le
signal mesuré en fonction des résultats expérimentaux obtenus.
A partir du schéma de la figure 1.4, on trouvera les fonctions de transfert entre les signaux de sor-
ties et les signaux d’entrées. On utilisera ces expressions ultérieurement. En notation matricielle, cela
donne:
G ( s ) ⋅ Gc ( s ) G(s)
--------------------------------------------- ---------------------------------------------
Y ( s ) = [ 1 + G ( s ) ⋅ Gc ( s ) ] [ 1 + G ( s ) ⋅ Gc ( s ) ] Ysp ( s ) (1.2)
U( s) Gc ( s ) G ( s ) ⋅ Gc ( s ) L( s )
--------------------------------------------- ---------------------------------------------
[ 1 + G ( s ) ⋅ Gc ( s ) ] [ 1 + G ( s ) ⋅ Gc ( s ) ]
1.2.1 Action Proportionnelle (P)

Dans ce cas, la fonction de transfert Gc(s) prendra la forme d’un simple gain K. Avec un tel con-
trôleur, il sera tentant d’augmenter K de manière à réduire l’erreur statique et à améliorer le rejet de
perturbations. Néanmoins, on est cependant limité dans cette voie pour des raisons pratiques et pour
des raisons théoriques :
• Raisons pratiques : ces raisons pratiques concernent la capacité du régulateur (et des circuits
de commande) à fournir des signaux de commande d’amplitude suffisante. En effet, considé-
rons par exemple la fonction de transfert entre u et ysp (cf. équation (1.2)). Si Gc(s) >>1, on
peut écrire que :
U( s) 1
---------------- = -----------
Ysp ( s ) G( s)
8
Chapitre I
Comme les processus physiques sont en général de type passe-bas – c'est le cas du Three-Tank
– c’est-à-dire que G(iω) Æ 0 quand ω Æ ∞ , la fonction inverse 1/G(iω) Æ ∞ pour les hautes
fréquences.
Des variations brusques de consigne et des bruits à haute fréquence donneront lieu à des com-
mandes u très grandes et donc physiquement impossibles à réaliser.
Il conviendra donc de limiter le gain K sous peine de quitter le domaine des systèmes linéaires
(saturation des actionneurs).
• Raisons théoriques : les autres raisons qui empêchent d’augmenter à volonté le gain K ont
trait à la stabilité et à l’augmentation de la bande passante en boucle fermée.
Démontrons cela dans le cas du Three-Tank via les diagrammes de Bode :
En augmentant K, on augmente la fréquence de coupure (et donc la bande passante du système
en boucle fermée) en diminuant la marge de phase. En effet, le Three-Tank étant un système
de type passe-bas, une augmentation de K sera synonyme de déplacement de la courbe de
Bode en amplitude de K G(s) vers la gauche alors que la courbe de Bode en phase de K G(s)
ne subira aucun changement.
De manière similaire, le lieu de racines présentera trois directions asymptotiques en + 60°, -
60° et + 180°. Les deux premières directions sont très déstabilisantes : pour des K croissants,
les pôles de la boucle fermée se déplaceront de plus en plus vers l’axe imaginaire de plan en
s, diminuant de ce fait la stabilité relative du système (oscillations de plus en plus prononcées).
Nos simulations sur le Three-Tank nous ont donc montré qu’il n’était pas possible de diminuer
de beaucoup le temps de réponse à moins de concéder énormément sur le plan de la stabilité relative.
L’action P isolée est donc insuffisante pour obtenir des performances acceptables en boucle fermée.
1.2.2 Action intégrale (I)

La fonction Gc(s) s’écrira dans ce cas sous la forme d’un gain Ki multiplié par (1/s).
L’action intégrale a essentiellement pour rôle d’éliminer l’erreur statique. En effet, le régime corres-
pond par définition, à une situation où toutes les grandeurs sont constantes. Il est clair dès lors que, du
fait de la présence de la fonction d’intégration, u (t) ne pourra être constant que si e(t) = 0, c’est-à-dire
y(t) = ysp(t). On peut également arriver à la même conclusion en calculant la valeur asymptotique de
la réponse indicielle du système en boucle fermée.
A côté de son effet bénéfique sur l’erreur statique, l’action intégrale est malheureusement extrêmement
néfaste sur le plan de la stabilité. Ceci est clairement mis en évidence dans le plan de Bode par l’appa-
rition d’un déphasage supplémentaire de 90°, ce qui est évidemment tout à fait défavorable pour la mar-
ge de phase. De nouveau, pour revenir à une situation acceptable, on est obligé de réduire le gain Ki et
donc de réduire la bande passante de la boucle fermée.
Encore une fois, les performances obtenues avec ce régulateur n’ont pas amélioré sensiblement
les résultats de la boucle ouverte.
L’action I, prise toute seule, ne révèle donc pratiquement aucun intérêt.
1.2.3 Action Proportionnelle-Intégrale (PI)

Examinons la combinaison P + I. Le régulateur PI a pour équation:
1 Ki
Gc ( s ) = K  1 + -------- = K + ------
sTi s
K
où Ki = -----
Ti
Le régulateur comporte cette fois un pôle à l'origine et un zéro en z = - 1 / Ti.
9
Chapitre I
Nous pouvons facilement remarquer que la combinaison P + I permet, en gros, de garder l'effet
bénéfique de l'action intégrale en ce qui concerne l'erreur statique et d'en éviter les inconvénients en ce
qui concerne la stabilité.
En effet, en examinant les courbes de Bode relatives au régulateur PI, on remarque que la présence du
zéro supprime l'effet néfaste de l'intégrateur dans le domaine des hautes fréquences (voir figure 1.5 (a)).
De plus, afin d'obtenir les meilleures performances en poursuite et en rejet de perturbations, il convient
de faire en sorte que Gc (iω) G (iω) soit le plus grand possible dans la plage basse fréquence la plus
étendue possible (cf équation (1.2)).
Pour y arriver, comme G (iω) est en général limité, nous devrons obtenir que Gc (iω) soit le plus grand
possible sur la plage basse fréquence la plus étendue possible.
On comprend dès lors qu'il faudra placer le zéro le plus loin possible vers la gauche, de manière à aug-
menter la plage de fréquence où Gc (iω) est grand, mais de manière telle que la marge de phase reste
dans les tolérances.
Cette structure nous laisse dès lors entrevoir de meilleurs résultats. Particularisons maintenant les
propos précédents dans le cadre du Three-Tank.
Le problème principal consistera à bien placer le zéro. Un lieu de racines nous permettra facilement de
trouver une zone à cet effet. Nous nous aiderons de la figure 1.5 (b) montrant la position des pôles de
G (s) Gc (s).
10
Chapitre I
(1) Choisir le gain K de manière à ouvrir suffisamment la bande passante. On repère alors la
marge de phase de K G (s).
(2) Calculer l’ajout de phase φl nécessaire afin de garantir une certaine marge de phase pour le
d
système en boucle fermée. On en déduira le rapport m = --- via la relation suivante:
c
m–1
------------- = sin φl
m+1
(3) Repérer la fréquence à laquelle la courbe de Bode en amplitude de KG(s) vaut -10 log(m).
Cette fréquence sera notre nouvelle fréquence de coupure ωc,new.
(4) Calculer la position du pôle d et du zéro c via les relations suivantes:
ωc, new = c⋅d
d
m = ---
c
Cette démarche a été exploitée dans le cadre du Three-Tank. La figure 1.7 montre les résultats de
suivi de consigne et de rejet de perturbations (réponses à des échelons unitaires).
Figure 1.7 : Résultats (a) de suivi de consigne et (b) de rejet de perturbations pour une avance de
phase dans le cas du Three-Tank.
L'avance de phase se révèle excellente pour régler la réponse transitoire. Néanmoins, il subsiste
une erreur statique relativement importante (de l'ordre de 10 %).
1.2.5 Action proportionnelle-intégrale-dérivée (PID)

L'inconvénient majeur d'une avance de phase réside en la non-annulation de l'erreur statique. On
sait par contre que le PI remédie parfaitement à cet inconvénient.
De là l'idée de combiner l'effet bénéfique de l'action PI aux basses fréquences (annulation de l'erreur
statique) et de l'action PD (avance de phase) aux hautes fréquences (amélioration de la réponse transi-
toire).
En vertu de ce qui a été dit précédemment, on essayera de placer l'effet dérivateur le plus loin
possible vers les hautes fréquences et de prolonger l'effet intégral le plus loin possible vers les hautes
fréquences mais en évitant qu'il n'affaiblisse le relèvement de phase du dérivateur.
13
Chapitre I
Notre démarche dans le cadre du Three-Tank a consisté à venir ajouter un PI en série avec l'avan-
ce de phase synthétisée au paragraphe précédent, les résultats obtenus en terme de réponse transitoire
de suivi de consigne s'avérant excellents. La forme du régulateur employé est la suivante:
s
-- + 1
c s+a
Gc ( s ) = K ------------ -----------
s s
--- + 1
d
Notons qu'il existe d'autres formes de régulateur PID. Le lecteur consultera [6] à cet égard.
Dans la forme de régulateur employée ci-dessus - K, c et d ont été déterminés à la section précé-
dente - , seul le zéro introduit par le PI sera à déterminer. On comprend facilement au regard de la figure
1.5 (a) qu'il sera nécessaire de placer le zéro du PI de manière à ce que la diminution de phase apportée
par l'action PI ne détruise pas totalement l'ajout de phase apporté par l'action PD. Une règle de bonne
pratique consistera alors à placer le zéro du PI une décade plus bas que la fréquence de coupure ; dans
ce cas, seulement 6° de diminution de marge de phase sont à prévoir.
Après quelques essais, on parviendra à placer le zéro correctement (figure 1.8). Comme attendu,
on est parvenu à annuler l’erreur statique en conservant les avantages générés par l’avance de phase.
Ceci constitue le meilleur résultat obtenu jusqu’ici.
Figure 1.8: Résultat de (a) suivi de consigne et de (b) rejet de perturbations pour un régulateur de
type PID (avance de phase en série avec un PI).
1.2.6 Commentaires
Jusqu'à présent, nous n'avons étudié que les avantages et inconvénients de différentes structures
de type PID et estimé les performances pouvant être atteintes à l'aide de méthodes qualitatives. Une
telle étude nous a déjà permis de constater que des performances satisfaisantes étaient obtenues avec
un PI, l'action dérivée supplémentaire permettant encore d'améliorer nettement ces performances. En
conséquence, nous considérerons seulement les structures de type PI et PID dans la suite du travail.
En automatique, il est un fait connu que vouloir apporter des améliorations sur un point entraînera
des détériorations sur d'autres points : c'est volontairement que les sections précédentes ne se sont pas
préoccupées d'un tel problème.
De manière générale, il importera toujours de comprendre la finalité du problème de la régulation avant
de passer à la phase de synthèse.
14
Chapitre I
A ce titre, rappelons-nous que la section 1.1 a mis en évidence le fait que la fonction de transfert du
Three-Tank n'est connue rigoureusement qu'en un point de fonctionnement donné.
Il importera dès lors de tenir compte d'erreurs de modélisation - dues aux non-linéarités dans le
cas du Three-Tank - et plus particulièrement de leurs effets en terme de performances de régulation. Ce
problème sera dénommé robustesse aux incertitudes de modèle. A ce stade, il nous semble qu'une bon-
ne formulation d'un problème de design devra capturer à la fois des aspects relatifs aux performances
(suivi de consigne et rejet de perturbations) ainsi que des aspects de robustesse. Ceci est réalisé à la
section suivante.
1.3 Contrôle à deux degrés de liberté

Cette section a pour but essentiel de comprendre le ou les objectifs principaux d’une régulation
de processus industriels et de traduire ces objectifs sous une forme mathématique pouvant être exploi-
tée pour définir un problème d’optimisation. Un raffinement supplémentaire par rapport à la section
précédente sera apporté : l’emploi d’un régulateur à deux degrés de liberté. On commencera par discu-
ter l’intérêt d’un tel régulateur.
1.3.1 Structure de la boucle de régulation

Cette section se focalise sur la description de la boucle de régulation. Dans la section précédente,
nous avons utilisé un algorithme de contrôle à un degré de liberté. Cela signifie que si l’on change n’im-
porte quel paramètre du régulateur Gc(s) , à la fois le suivi de consigne et le rejet de perturbations en
seront affectés.En effet, en examinant les fonctions de transfert données par les relations (1.2), Gc(s)
interviendra aussi bien dans la fonction de transfert entre la sortie y et la consigne ysp que dans la fonc-
tion de transfert entre la sortie y et la perturbation l.Avec de tels algorithmes, on devra dès lors régler
en même temps le suivi de consigne et le rejet de perturbations.
On comprend alors qu’il serait plus facile pour l’automaticien de découpler le problème du suivi
de consigne de celui du rejet de perturbations en vue de saisir plus facilement les inévitables compro-
mis. Il faudrait alors trouver une structure de régulation permettant d’agir sur un problème et puis sur
l’autre. La figure 1.9 montre une structure permettant de procéder de la sorte.
En effet, le bloc Gff(s) n’agira que sur le suivi de consigne et pas sur le rejet de perturbations,
contrairement au bloc Gc(s) qui agira sur les deux.
Figure 1.9 : Schéma de régulation à deux degrés de liberté.
Les méthodes d’optimisation qui seront discutées ultérieurement se baseront sur cette structure.
15
Chapitre I
De manière plus précise, les régulateurs PI et PID à deux degrés de liberté seront respectivement
décrits par les relations (1.3) et (1.4) :
t
u ( t ) = K ( b ysp ( t ) – y ( t ) ) + Ki ∫ ( ysp ( τ ) – y ( t ) ) dτ (1.3)
0
t dy
u ( t ) = K ( b ysp ( t ) – y ( t ) ) + Ki ∫ ( ysp ( τ ) – y ( τ ) ) dτ – Kd ------ ( t ) (1.4)
0 dt
On voit d’après les relations précédentes que contrairement aux paramètres K, Ki et Kd, le para-
mètre b sera seulement présent dans le bloc Gff(s). Le paramètre b n’influencera que le suivi de consi-
gne. Un contrôleur tel que celui décrit à la figure 1.9 possède deux degrés de liberté : il permettra de
découpler le problème du suivi de consigne de celui du rejet de perturbations. On règlera d’abord les
paramètres intervenant dans le bloc Gc(s) de manière à satisfaire les spécifications sur le rejet de per-
turbations et puis seulement on agira sur le paramètre b pour satisfaire les exigences sur le suivi de con-
signe.
Cette structure laissera dès lors entrevoir une plus grande flexibilité pour satisfaire aux compro-
mis de la régulation qu’une structure à un degré de liberté.
Rappelons encore une fois que ce schéma oublie les inévitables sources de bruits. L’influence du
bruit sera discutée après la phase d’expérimentation. Il conviendra alors de rajouter ou de ne pas rajou-
ter un terme de filtrage sur le signal mesuré en fonction des résultats expérimentaux obtenus.
1.3.2 Spécifications
De manière générale, il sera toujours nécessaire de comprendre dans un problème de contrôle
quel sera le but premier de la régulation.
L’automatique est une science de compromis : vouloir atteindre des performances excellentes sur
un plan ne pourra se faire qu’au prix de performances moindres sur d’autres plans. Il importe donc de
cerner la finalité du problème de régulation.
Pensons par exemple à des systèmes de contrôle de mouvements ; dans ce type d’application, ce
sera le suivi de consigne qui sera de première importance.
Dans les régulateurs industriels par contre, l’accent sera plutôt mis sur le rejet de perturbations.
Le Three-Tank sera de préférence vu comme appartenant à cette catégorie : réguler ce système à
une hauteur extrêmement précise revêt peu d’intérêt en soi. L’industriel exploitant un tel système sera
davantage intéressé par de faibles variations de hauteur lors de l’ouverture d’une vanne de fuite.
Cette méthode focalisera également son attention sur la sensibilité aux erreurs de modèles (robus-
tesse aux incertitudes de modèles). Les raisons pour lesquelles ceci est également un objectif important
ont déjà été discutées au paragraphe 1.2.6.
Les méthodes d’optimisation exposées ci-après prendront d’abord en compte le rejet de pertur-
bations ainsi que la robustesse aux incertitudes de modèle. Le suivi de consigne sera un objectif de se-
conde importance.
Afin de bien formuler le problème d’optimisation, il importera d’abord de translater les spécifi-
cations mathématiques sous une forme appropriée.
16
Chapitre I
1.3.2.1 Rejet de perturbations
Il s’agit de l’objectif principal de notre régulation. Il est important de faire la différence entre une
perturbation dite de charge et le bruit qui est un autre type de perturbations. Dans cette section, on se
préoccupera exclusivement de la perturbation de charge. Celle-ci sera typiquement une perturbation
basse fréquence. Il est dès lors logique d’utiliser un échelon unitaire pour simuler cette perturbation.
Si le système possède un intégrateur, l’erreur typique due à un échelon de perturbation est esquis-
sée à la figure 1.10.
e(t)
Figure 1.10 : Signal d’erreur lorsqu’on applique un échelon unitaire de perturbation à un sys-
tème en boucle fermée possédant un intégrateur dans le régulateur.
Au vu de ce graphique, on peut aisément comprendre qu’un bon rejet de perturbations sera carac-
térisé par un rapide retour de l’erreur à zéro, sans que ce signal n’atteigne de trop grandes valeurs.
Une manière pratique de caractériser une telle perturbation sera d’utiliser l’intégrale de la valeur
absolue de l’erreur due à une perturbation de charge sous la forme d’un échelon unitaire appliqué à l’en-
trée du système, c’est-à-dire :
∞
IAE = ∫0 e ( t ) dt (1.5)
Pour les processus non-oscillatoires, le critère IAE se réduit au critère IE à savoir :

∞
IE = ∫0 e ( t ) dt (1.6)
La quantité IE sera une bonne approximation de l’IAE pour des systèmes oscillatoires bien amortis.
La raison essentielle de l’utilisation de l’IE est que sa valeur peut être directement reliée aux paramètres
du régulateur.
En effet, par le théorème de la valeur finale, la relation (1.6) se transforme comme suit :
∞
IE = ∫0 e ( t ) dt = lim E ( s )
s→0
(1.7)
De plus, pour le régulateur PI défini par la relation (1.3) ainsi qu’une perturbation de charge de type
échelon unitaire, on arrivera au résultat suivant:
G( s) 1 1
IE = lim ------------------------------------------------- --- = ------ (1.8)
s→0 Ki s Ki
1 + G ( s )  K + ------
 s
Le gain intégral est donc inversement proportionnel à l’IE dans le cas du régulateur PI à deux degrés
de liberté. On arrivera au même résultat dans le cas du régulateur PID défini par la relation (1.4).
17
Chapitre I
Il sera cependant facile de trouver des exemples où l’IE aura peu de signification : c’est le cas
d’un système oscillatoire avec peu d’amortissement ; l’erreur étant alternativement : positive, puis né-
gative, il est possible d’obtenir un indice IE proche de zéro bien que n’ayant pas un bon rejet de pertur-
bations. Nous serons donc amenés dans la partie simulation à vérifier l’adéquation de cette démarche.
1.3.2.2 Sensibilité aux erreurs de modèle
La nature non-linéaire du Three-Tank a été mise en évidence. Néanmoins, afin d’obtenir un mo-
dèle entrée-sortie du Three-Tank, nous avons dû procéder à une étape de linéarisation autour d’un point
d’équilibre du système. Il est manifeste que le modèle entrée-sortie du Three-Tank dépend du point de
fonctionnement choisi.
Il s’en suit que la dynamique du système variera en fonction du point de fonctionnement.
Puisque le système peut changer de comportement, il est fondamental de choisir les paramètres
du contrôleur de manière à ce que la boucle fermée ne soit pas trop sensible à une variation de la dyna-
mique. On peut exprimer cela en se servant de la fonction de sensibilité que nous noterons S(s). Celle-
ci exprime le rapport entre la variation relative de la fonction de transfert de la boucle fermée et la va-
riation relative de la fonction de transfert du système. La fonction de sensibilité sera définie par la re-
lation suivante :
1
S ( s ) = ----------------------------------------- (1.9)
( 1 + Gc ( s )G ( s ) )
Dans cette dernière relation, G(s) représente la fonction de transfert du système et Gc(s) la fonc-
tion de transfert du contrôleur comprise dans la boucle de feedback.
On peut exprimer cette sensibilité aux erreurs de modèle en terme de la valeur maximum de la
fonction de sensibilité soit Ms défini par :
M S = max S (iω )
0 ≤ω < ∞
(1.10)
Ce maximum de sensibilité aura une interprétation facile dans le plan de Nyquist : Ms est l’inverse
de la plus courte distance séparant la courbe de Nyquist au point –1 (voir figure 1.11)
Figure 1.11 : Définition de Ms sur le diagramme de Nyquist.
18
Chapitre I
La sensibilité Ms devra être réglée en fonction de la robustesse du système à réguler. En consé-

quence de quoi, si nous devons régler un système peu robuste, on aura de préférence tendance à choisir
une faible valeur pour Ms. Si, par contre, on a affaire à un système assez robuste, on choisira une valeur
de Ms plus grande. La littérature recommande des valeurs de Ms entre 1,2 et 2. ([6]).
1.3.2.3 Suivi de consigne
Comme déjà expliqué auparavant, l’objectif de base est d’obtenir un bon rejet de perturbations
ainsi qu’une bonne robustesse aux erreurs de modèle.
Il est cependant nécessaire que le système présente également une bonne réponse à un échelon de
consigne.
A partir du régulateur PI à deux degrés de liberté défini précédemment - relation (1.3) -, on peut
obtenir la fonction de transfert entre la sortie et la consigne.
Y(s) Ki + bKs G ( s )Gc ( s )
---------------- = ---------------------- ------------------------------------ = Gsp ( s ) (1.11)
Y sp ( S ) Ki + Ks 1 + G ( s )Gc ( s )
Ki
où Gc ( s ) = K + ------
s
De même, pour le PI à deux degrés de liberté, on obtient la fonction de transfert entre la sortie et
la perturbation de charge :
Y(s ) G( s)
---------- = ------------------------------------ (1.12)
L(s ) 1 + G ( s )Gc ( s )
Les relations (1.11) et (1.12) nous montrent encore une fois que nous avons bien affaire à un sys-
tème à deux degrés de liberté. En effet, K et Ki influencent à la fois le suivi de consigne et le rejet de
perturbations alors que b n’influence lui que le suivi de consigne. Une telle structure sera mise à profit
pour découpler le rejet de perturbations du suivi de consigne. Ceci explique donc que le réglage du pa-
ramètre b se fera en dernier lieu.
Une manière de donner des spécifications sur le suivi de consigne sera de spécifier un pic de ré-
sonance sur la fonction de transfert Gsp (s) à savoir :
M sp = max Gsp(iω )
0 ≤ω < ∞
(1.13)
En conséquence de quoi, la valeur b sera déterminée de manière à satisfaire la relation (1.13).

On peut déjà remarquer que la valeur de b devra être comprise dans l’intervalle [0,1]. En effet :
• Un b négatif introduirait un zéro instable dans la fonction de transfert Gsp (s) ; la réponse à un
échelon de consigne serait une réponse adverse caractérisée par une excursion négative de la
réponse ainsi que d’un temps de réponse supérieur par rapport au cas où b > 0.
• Introduisons T (s) comme étant la fonction inverse de sensibilité. Elle sera définie par :
G ( s )Gc ( s )
T ( s ) = 1 – S ( s ) = ------------------------------------ (1.14)
1 + G ( s )Gc ( s )
Soit Mp = max T (s) , la valeur du pic de résonance de la fonction T(s).
Au vu des relations (1.11) et (1.14) , on voit que si b <1, alors Msp < Mp.
Le paramètre b de l’action feedforward permettra donc de diminuer le pic de résonance de la
fonction de transfert par rapport à la situation où ce terme feedforward n’est pas présent.
19
Chapitre I
Une manière rigoureuse de régler le paramètre b dans le cas du PI sera expliquée dans le
paragraphe 2.2.1.
Des résultats tout à fait semblables peuvent être obtenus à partir du même raisonnement dans le
cas du PID à deux degrés de liberté. La seule différence par rapport au PI sera que le gain Kd inter-
viendra en plus des gains K et Ki dans la boucle de feedback.
1.4 Conclusions
Nous avons défini les objectifs d'une bonne régulation pour des processus de type industriel. Les
chapitres suivants définiront des problèmes d'optimisation en rapport avec ces objectifs par des régula-
teurs à deux degrés de liberté de type PI (chapitre 2) et de type PID (chapitre 4 et chapitre 6).
Nous avons également réalisé dans ce chapitre des synthèses à l’aide de méthodes qualitatives sur
des structures de régulation à un degré de liberté.
La traduction des spécifications a fait apparaître les grandeurs Ms et IE pour juger respectivement le
degré de robustesse et l’efficacité du rejet de perturbations.
Il sera intéressant d’obtenir les grandeurs Ms et IE pour les synthèses PI et PID à un degré de liberté
réalisées dans ce chapitre en vue de comparer ces résultats avec ceux qui seront obtenus ultérieurement
(tableau 1.1)
Ms IE
PI 1,31 194,45
PID 1,62 66,93
Tableau 1.1 : Valeurs de Ms et IE obtenues pour les synthèses PI et PID à un degré de liberté.
20
Chapitre II
Réglage d’un contrôleur PI à partir d’un problème d’optimisation: aspects théoriques et simulations
Chapitre 2.
Réglage d'un contrôleur PI à partir d'un pro-

blème d'optimisation : aspects théoriques et
simulations
Ce chapitre a pour but de formuler un problème d'optimisation en rapport avec les objectifs de
régulation définis à la section 1.3.2. Le réglage du contrôleur PI effectué dans ce chapitre est basé sur
une méthode d'optimisation récemment proposée dans la littérature (1998) et due à K.J. Åström [8].
La méthode proposée dans cet article formule le problème de design comme un problème d'opti-
misation : il s'agit d'optimiser le rejet de perturbations en apportant des contraintes supplémentaires sur
la sensibilité et sur le suivi de consigne. La formulation d'un tel problème de design capture donc ainsi
trois aspects essentiels d'une bonne régulation discutés au chapitre 1. Le problème d'optimisation se ré-
duit alors à un problème algébrique pour lequel un algorithme itératif efficace sera développé.
Le régulateur PI a déjà été défini au chapitre 1. Pour rappel, le régulateur PI est décrit par la re-
lation suivante :
t
u ( t ) = K ( b ysp ( t ) – y ( t ) ) + Ki ∫ ( ysp ( τ ) – y ( τ ) ) dτ (2.1)
0
Nous pouvons alors représenter la boucle de régulation en terme de schéma-blocs (figure 2.1)
K(b-1)
l
ysp + + + + + y
K+Ki/s G(s)
-
u
Figure 2.1 : Boucle de régulation.
Cette figure fait clairement apparaître que le contrôleur possède deux degrés de liberté lorsque le
paramètre b diffère de 1. Remarquons que ce schéma est différent du schéma de la figure 1.9, mais il
peut s’y ramener. Il a l’avantage de montrer que cette boucle est composée d’un terme de feedback ainsi
que d’un terme de feedforward.
21
Chapitre II
2.1 Problème d’optimisation

2.1.1 Formulation du problème d’optimisation
Rappelons que le but premier de notre régulateur sera d’obtenir un bon rejet de perturbations ainsi
qu’une bonne robustesse aux erreurs de modèle. Le problème d’optimisation formule cela. L’ajuste-
ment du paramètre b ne rentrera pas directement dans le cadre du problème d’optimisation mais sera
examiné après celui-ci.
Dans le chapitre précédent, nous avons vu que :
• Un bon rejet de perturbations était synonyme d’un grand Ki
• Pour obtenir une certaine robustesse aux erreurs de modèle, la courbe de Nyquist Gc (s) G(s)
devait satisfaire à une certaine condition d’encerclement.
PREMIÈRE FORMULATION DU PROBLÈME D’OPTIMISATION :
Trouver les paramètres K, Ki du régulateur de manière :

(1) à maximiser Ki ;
(2) à ce que la boucle fermée soit stable.
(3) et à ce que la courbe de Nyquist de G(s) Gc(s) se trouve à l’extérieur du cercle centré en -
1 dans le plan de Nyquist et de rayon 1/Ms.
La deuxième condition n’est pas anodine : l’action intégrale est une action très déstabilisante.
Cela se traduit dans le plan de Nyquist, lorsque l’on augmente le gain intégral, par un rapprochement
de la courbe de Nyquist du point -1.
Si l’on se contentait exclusivement des conditions (1) et (3), une situation possible au problème d’op-
timisation dans le plan de Nyquist pourrait alors être celle décrite à la figure 2.2.
-1
1/Ms
Figure 2.2 : Situation non désirée
Une telle situation est évidemment inacceptable car le système en boucle fermée est instable.
22
Chapitre II
De plus, en augmentant encore le Ki relatif à la courbe de Nyquist dessinée à la figure 2.2, on

obtiendrait une courbe de Nyquist supérieure à celle dessinée à la figure 2.2, satisfaisant dès lors encore
mieux à la première condition tout en respectant encore la troisième condition. Le gain intégral pourrait
alors devenir arbitrairement grand. La condition (2) est donc nécessaire pour avoir un problème bien
posé.
Introduisons L (s) = (K + Ki / s) G (s) ainsi que la fonction f telle que :
Ki 2
f ( K, Ki, ω ) = C +  K – i ------ G ( iω ) (2.2)
 ω
Cette fonction f représente le carré de la distance entre le centre du cercle de coordonnées (-C, 0) et
L(iω). Le rayon de ce cercle sera noté R par la suite.
FORMULATION FINALE DU PROBLÈME D’OPTIMISATION :

Trouver K et Ki tels que :
(1) max Ki
(2) la boucle fermée soit STABLE.
2
(3) f ( K, Ki, ω ) ≥ R (2.3)
Pour la suite des développements, il sera plus commode de travailler les parties réelles et imagi-
naires de G (iω) :
G (iω) = α(iω) +iβ(iω) = r eiϕ(ω)
où α(ω) = r (ω) cos ϕ (ω)
β(ω) = r (ω) sin ϕ (ω)
Nous pouvons alors réexprimer la fonction f (K, Ki, ω) en fonction de α(ω), β(ω) et r(ω).
2
2 β(ω) 2 2 r (ω) 2
f ( K, Ki, ω ) = C + 2Cα ( ω )K + 2C ------------Ki + r ( ω )K + -------------
- Ki (2.4)
ω ω
2
Dans la suite, l’argument ω sera omis volontairement de manière à simplifier l’écriture des relations.
2.1.2 Contrainte de sensibilité

La contrainte de sensibilité exprimée par la relation (2.3) possède une interprétation géométrique
remarquable :
En effet, en partant de la relation (2.4) et en complétant les carrés parfaits, on obtient, en se ser-
vant de la relation (2.3) :
 K + Cα -------
-  2  Ki + Cβω -----------
- 2
 2   2 
r r
-------------------------- + -------------------------------- > 1
 R 2  R 2 ω 2
-----
 2 -  -------------
r   r2 
Pour ω fixé, cette dernière relation représente l’extérieur d’une ellipse dans le plan Ki - K. Cette
ellipse a ses axes parallèles à ceux des axes K et Ki
Pour 0 ≤ ω < ∞ , les ellipses successives génèrent des enveloppes qui définissent l’ensemble des pa-
ramètres (K et Ki) qui satisfont la contrainte de sensibilité.
23
Chapitre II
Remarquons encore que f est quadratique en Ki ; l’enveloppe de sensibilité sera alors constituée de
deux branches ; seulement une de ces branches correspondra à une boucle fermée stable.
La figure 2.3 illustre la contrainte de sensibilité dans le plan Ki - K. Il est évident que les enve-
loppes seront différentes les unes des autres en fonction des systèmes étudiés. D’autres formes d’enve-
loppe que celle représentée à la figure 2.3 peuvent intervenir ; cependant, ces autres formes
d’enveloppe se rencontrent rarement. Nous n’en parlerons pas ici. Le lecteur intéressé se réfèrera à [8].
Ki
Figure 2.3 . Forme d’enveloppe classiquement rencontrée.
L’ensemble des couples (K, Ki) satisfaisant la contrainte de sensibilité sera alors l’ensemble des
points du premier quadrant compris entre l’axe des K et la branche inférieure de l’enveloppe.
2.1.3 Stabilité
Au paragraphe précédent, on a exprimé la contrainte de sensibilité dans le plan Ki - K. Dans cette
section, on fera de même pour la contrainte de stabilité.
Nous savons, par le critère de stabilité dans le plan de Nyquist, que la stabilité marginale sera at-
teinte quand la courbe de Nyquist passe par le point -1 ; cela reviendra à imposer un cercle de centre -
1 et de rayon 0.
On obtiendra alors le K et Ki correspondant à la limite de stabilité en imposant dans (2.4) un C = 1 et
un R = 0. Nous obtiendrons alors après calcul :
2 2
 1 + Kα + Ki
-----
- β + i  βK – Ki
-----
- α = 0
 ω   ω 
Cette dernière relation exprime que le module d’un nombre complexe est nul. Les parties réelles et ima-
ginaires seront nulles à leur tour. Nous aurons alors à résoudre un système de deux équations à 2 incon-
nues (K et Ki). La solution de ce système est :
 α
 K = – ---2-
 r
 (2.5)
β
 Ki = – ω ----
 2
 r
Les valeurs précédentes de K et Ki sont les valeurs maximales à ne pas dépasser afin que la boucle
fermée reste stable. Ces valeurs seront utiles ultérieurement.
24
Chapitre II
2.1.4 Optimisation
Rappelons que l’on désire aussi maximiser le Ki. On comprend aisément que, pour une contrainte
de stabilité donnée, le Ki optimal se situera sur l’enveloppe (cf figure 2.3) ; la courbe de Nyquist sera
tangente au cercle de sensibilité.
Cette section expose les résultats principaux de [8]. Le lecteur est renvoyé à [8] pour les détails. Il sera
possible de trouver l’expression algébrique de l’enveloppe et de caractériser alors le couple optimal
(K,Ki) au sens où nous l’avons défini également de manière algébrique.
Afin de trouver le couple K et Ki optimal, nous devrons d’abord résoudre une équation non-linéaire en
ω:
r' 1
h ( ω ) = 2R  ( R + C sin ϕ )  --- – ---- – Cϕ' cos ϕ (2.6)
r ω
En résolvant (2.6), on trouvera une fréquence ω0. Le couple (K,Ki) optimal sera donné dans les rela-
tions (2.7) en calculant r(ω) et ϕ(ω) en ω=ω0 :
 α 1
 K = – C ---2- = C --- cos ϕ
 r r
 (2.7)
 Ki = – ωβc ωR ω
- – -------- = – ---- ( C sin ϕ + R )
---------
 2 r r
 r
Notons à cet égard que les solutions de K et Ki données en (2.7) sont compatibles avec les K et Ki à la
limite de l’instabilité (relation 2.5).
L’équation (2.6) sera résolue de manière itérative. Pour ce genre de résolution numérique, il faudra
choisir de bonnes conditions initiales afin d’assurer une convergence rapide.
Il est possible de démontrer que pour une certaine classe de systèmes (systèmes à fonction de transfert
monotone), il est possible de fournir de bonnes conditions initiales pour la résolution de l’équation
(2.6). Le théorème suivant formalise cela.
Théorème :
Dénotons ωϕ comme étant la fréquence à laquelle le système a la phase ϕ. On suppose que le gain
statique du système est positif et que
d arg G (iω )
< 0,
dω
d log10 G (iω )
<1
d log10 ω
Dans ces conditions, il existe une solution à l’équation (2.6) dans l’intervalle
ω 90 < ω < ω + = ω R
180 – arc sin  ----
 C
Démonstration :
Nous avons démontré ce résultat dans l’annexe A.
25
Chapitre II
2.2 Méthode complète de Design

Le problème d’optimisation précédent nous permet de trouver K et Ki de manière à optimiser le
rejet de perturbations en gardant une contrainte sur la sensibilité aux erreurs de modèle. Il restera alors
à déterminer b pour obtenir le meilleur suivi de consigne possible. Ceci sera fait dans le paragraphe sui-
vant. Rappelons encore une fois que le bruit intervenant dans le système sera étudié au chapitre 3, après
la phase d’expérimentation.
2.2.1 Suivi de consigne

Nous avons vu au paragraphe 1.3.2.3 que le suivi de consigne était gouverné par la fonction de
transfert Gsp (s). Nous y avions également démontré que si 0 ≤ b ≤ 1 , alors Msp ≤ Mp .
Nous choisirons dans cette section une manière de régler le paramètre b. On fera l’hypothèse que
le maximum de Gsp ( iω ) a lieu à la fréquence ωmp où ωmp est le maximum de T ( iω ) (T(s) étant définie
par la relation 1.14).
Dans ces conditions, afin de minimiser l’overshoot dans le suivi de consigne, le paramètre b sera choisi
tel que :
G sp ( iω mp ) = 1 (2.8)
en respectant que b ∈ [ 0, 1 ] .
En utilisant les relations (1.11) et (2.8), on aura :
 K 2 ω – Ki 2 ( M 2 – 1 ) ω mp K 2
si  -------------
 mp p 2
b =  ----------------------------------------------------------- - ≥ M p – 1 (2.9)
Kω mp M p Ki

 0 sinon
Cette manière de choisir le paramètre b sera discutée lors des simulations.
2.2.2 Méthode finale

Nous résumerons ici la méthode de design complète. Un algorithme implémentant cette méthode
sera expliqué à la section 2.3.
(1) Choisir Ms
Calculer C et R.
(2) Déterminer un intervalle de recherche pour la résolution de l’équation h(ω)=0. Il sera à ce
titre intéressant de voir si le système satisfait aux hypothèses du théorème de la section 2.1.4.
Dans ce cas, l’intervalle de recherche sera : ω 90, ω R

180 – arc sin  ----
 C
(3) Résolution itérative de l’équation h(ω)=0. On obtiendra alors ω0 tel que h(ω0 ) = 0. Il sera
alors possible d’obtenir K et Ki via les relations 2.7.
(4) Détermination de b via l’équation 2.9.
26
Chapitre II
2.3 Algorithme
Cette section développe l’implémentation MATLAB de l’algorithme résumé dans la section
2.2.1. Au lieu d’en livrer le code brut, il m’a paru plus intéressant d’expliquer les différentes étapes de
cet algorithme. L’accent sera également mis sur les primitives intéressantes utilisées.
L’algorithme procède donc en plusieurs étapes :
(1) On introduira d’abord les données du problème : Ms ainsi que la fonction de transfert du sys-
tème, G (s).
(2) On calculera ensuite l’intervalle de résolution de l’équation 2.6.
Cet intervalle sera noté [ ω 1, ω h ] .
• Si le système est monotone, alors en vertu du théorème formulé au paragraphe 2.1.4, l’inter-
valle de résolution de (2.6) sera : [ ω 1, ω h ] = [ ω 90, ω + ]
• Si par contre, le système ne satisfait pas aux hypothèses de ce théorème, alors [ ω 1, ω h ] sera
un intervalle par défaut, choisi de manière à ce qu’il soit suffisamment grand en fonction du
système à réguler.
(3) On calculera alors r (ω) et ϕ(ω) ainsi que leur dérivée. La commande MATLAB
[ mag , phase ] = bode ( num, den, ω )
où num et den sont respectivement le numérateur et le dénominateur de la fonction de trans-

fert G(s) et où ω correspond à [ ω 1, ω h ] défini au point (2), nous donnera directement r (ω) et
ϕ(ω).
Nous devons aussi obtenir r’ et ϕ’. Le calcul de ces dérivées se fera en manipulant des poly-
nômes. La commande
p = polyfit (x, y, n)
retourne le polynôme p de degré n permettant d’approcher la courbe y = f (x) au sens des

moindres carrés.
Nous procéderons à une telle interpolation pour r(ω) et ϕ(ω) en lieu et place de deux vec-
teurs. L’intérêt de procéder de la sorte réside dans le calcul de r’(ω) et ϕ’(ω).
En effet, la commande MATLAB
q = polyder (p)
permet d’obtenir le polynôme q dérivé du polynôme p, et de ce fait, on ne devra pas se risquer

à employer une procédure de dérivation numérique. En procédant de la sorte, on obtiendra
alors r’(ω) et ϕ’(ω) sous forme de polynôme.
A titre d’exemple, la figure 2.4 illustre la procédure d’interpolation de r(ω) et ϕ(ω) au sens
des moindres carrés à l’aide de polynômes de degré 6
27
Chapitre II
2.4 Simulations
Celles-ci seront axées sur le Three-Tank et plus particulièrement sur la fonction de transfert ob-
tenue par linéarisation au chapitre 1. Afin d’analyser au mieux les résultats obtenus, on scindera l’étape
d’optimisation du réglage du terme feedforward (paramètre b).
2.4.1 Simulations sans l’action feedforward
2.4.1.1 Principe des simulations
Lors de ces simulations on se servira des paramètres K et Ki donnés par l’algorithme décrit au
paragraphe 2.3 (on reprend les étapes 1 à 6 incluses). Le paramètre b réglant le terme feedforward in-
tervenant dans le régulateur sera mis à un. Le régulateur comportera alors un seul degré de liberté. L’al-
gorithme sera utilisé pour différentes valeurs de Ms variant de 1,2 à 2 ; on obtiendra alors les différents
K et Ki correspondants.
Les signaux utilisés pour simuler le suivi de consigne et le rejet de perturbations seront des éche-
lons unitaires, de manière à simuler au mieux la réalité. En effet, si cela se comprend bien pour le suivi
de consigne, cela peut paraître moins trivial pour le rejet de perturbations. Dans la pratique, à la pertur-
bation correspond l’ouverture d’une vanne de fuite, ce qui est équivalent à un débit de fuite plus ou
moins constant.
2.4.1.2 Résultats de simulations
On fait varier Ms entre 1,2 et 2 et l’on observe l’évolution du suivi de consigne et du rejet de per-
turbations.
En particulier, on sera attentif à la comparaison entre la quantité IE et la quantité IAE calculées toutes
les deux à l’aide du signal d’erreur relatif à une perturbation. Ceci permettra de voir si notre critère de
rejet de perturbations était bien choisi (voir paragraphe 1.3.2.1).
La figure 2.6 montre la forme des réponses obtenues lorsque l’on passe de Ms valant initialement 1,2
puis 1,4 et puis finalement 1,6.
Notons que le rejet de perturbations sera définitif vu que le paramètre b n’influencera pas celui-ci. On
pourra lors de l’étape suivante ajuster le paramètre b, de manière à améliorer le suivi de consigne.
29
Chapitre II
Figure 2.6 : Evolution du suivi de consigne (à gauche) et du rejet de perturbations (à droite) pour
(a) Ms = 1,2 (b) Ms = 1,4 (c) Ms = 1,6.
30
Chapitre II
Les informations tirées de ces graphiques sont recueillies dans le tableau 2.1. Celui-ci donne pour
un Ms fixé, le K et le Ki, l’overshoot et le temps de réponse du suivi de consigne ainsi que l’IE et l’IAE
obtenus pour un échelon unitaire de perturbation.
Ms K Ki PO Tr IE IAE
1,2 1,38 0,0027 12% 640 sec 368,11 368,11
1,4 2,57 0,0069 21% 325 sec 145,52 147,08
1,6 3,64 0,0117 30% 240 sec 85,58 85,58
1,8 4,60 0,0160 40% 200 sec 60,24 60,84
2,0 5,43 0,0214 45% 180 sec 46,75 48,78
Tableau 2.1 : Evolution en fonction de Ms de K, Ki, du pourcentage d’overshoot (PO) du suivi de

consigne, du temps de réponse du suivi de consigne (Tr), ainsi que de l’IE et l’IAE cal-
culés sur base du signal d’erreur obtenu lors d’un échelon unitaire de perturbation.
Plusieurs commentaires peuvent être émis au vu de la figure 2.6 et du tableau 2.1 :

(1) Plus Ms augmente et plus Ki augmente et donc meilleur sera le rejet de perturbations. Cela se
comprend facilement : en augmentant Ms, le rayon du cercle de sensibilité diminue et donc,
cela permet à la courbe de Nyquist de se rapprocher plus près du point (-1, 0). Ce rapproche-
ment ne pourrait se faire qu’en augmentant l’action intégrale, “ déstabilisante “ par nature. La
figure 2.7 illustre ce phénomène.
(2) Il est utile de comparer l’IE à l’IAE afin de voir si on a utilisé un critère adéquat de rejet de
perturbations.
Au vu du tableau 2.1, il n’y a que de bien minimes différences entre les quantités IE et IAE.
Maximiser le Ki sera donc dans notre cas, une traduction excellente pour obtenir le meilleur
rejet de perturbations possible.
Remarquons que nous avons affaire dans tous les cas à des réponses oscillatoires mais très bien
amorties. Le signal d’erreur à un échelon unitaire de perturbation sera dès lors positif la quasi-
totalité du temps, d’où IE = IAE.
(3) Lorsque Ms augmente, K augmente également et donc on augmente la bande passante du
système et par conséquent de manière équivalente le temps de réponse diminue (tableau 2.1).
En plus de cela, la courbe de Nyquist se rapproche de (-1, 0), c’est-à-dire la marge de phase
du système diminue et l’on constate donc bien une augmentation de l’overshoot. Ceci est
observé dans le tableau 1 ainsi qu’à la figure 2.6.
Il est intéressant de comparer les résultats obtenus dans cette section avec ceux obtenus avec un
PI à un seul degré de liberté (tableau 1.1 et section 1.2.3).
Il est surprenant de remarquer que les valeurs de Ms et IE pour le PI à un degré de liberté se positionnent
très bien dans le tableau 2.1.
D’où la question: existe-t-il un réel avantage à utiliser des méthodes d’optimisation?
La réponse est oui. L’avantage que procure la méthode d’optimisation par rapport aux méthodes sim-
ples est de fournir un moyen rapide pour estimer les performances et la robustesse en jouant sur deux
paramètres de synthèse : Ms et b.
C’est là un avantage d’importance qui permettra de tenter de satisfaire des objectifs précis de régula-
tion.
31
Chapitre II
Figure 2.7 :Diagramme de Nyquist pour (a) Ms = 1,2 et (b) Ms = 1,6 . La courbe de Nyquist ne touche
le cercle de sensibilité qu’en un seul point.
2.4.1.3 Conclusions
Au vu des observations 1 et 3 énoncées à la section précédente, nous voyons apparaître un com-

promis entre performance et robustesse. Ce compromis sera influencé par l’intérêt de la régulation.En
effet, si le système à réguler est déjà très robuste, on pourra prendre un Ms grand.
Mais un Ms grand signifie un grand overshoot (on montre dans la section suivante, qu’un grand over-
shoot sera difficilement combattu en ajustant b) malgré un temps de réponse au suivi de consigne ainsi
qu’un rejet de perturbations excellents.
Si, par contre, le système à réguler est très peu robuste et que l’on désire que le système en boucle fer-
mée présente une certaine robustesse, on aura intérêt à choisir un Ms petit, ce qui sera synonyme d’un
temps de réponse désastreux ainsi que d’un rejet de perturbations pas fameux, malgré un overshoot re-
lativement faible.
Au vu de ceci, Ms sera donc un paramètre de l’algorithme qu’il importe de bien régler. On ne peut pas
gagner sur tous les tableaux simultanément.
2.4.2 Simulations avec l’action feedforward

Les résultats de suivi de consigne présentés à la section 2.4.1 présentaient des dépassements énor-
mes. L’action feedforward (réglage du paramètre b) permettra de diminuer de tels dépassements.
2.4.2.1 Résultats de simulations et améliorations des résultats
Une manière de régler le paramètre b a déjà été présentée au paragraphe 2.2.1. Nous l’utiliserons
dans un premier temps, afin d’avoir une idée des résultats obtenus. Nous ne nous concentrerons plus
que sur le suivi de consigne, le rejet de perturbations étant indépendant du paramètre b. Les résultats
obtenus sont recueillis dans le tableau 2.2.
32
Chapitre II
Ms K Ki PO Tr IE b(*) Mp(**)
1,2 1,38 0,0027 5% 750 sec 368,11 0,73 1,11
1,4 2,57 0,0069 7% 430 sec 145,52 0,65 1,25
1,6 3,64 0,0117 8,5 % 320 sec 85,58 0,61 1,38
1,8 4,60 0,0160 9% 275 sec 60,24 0,57 1,51
2,0 5,43 0,0214 10 % 260 sec 46,75 0,47 1,71
Tableau 2.2 : Evolution en fonction de Ms de K, Ki, b, du pourcentage d’overshoot (PO) du suivi de

consigne, du temps de réponse du suivi de consigne (Tr), ainsi que de l’IE (inchangé par
rapport au tableau 2.1) .
(*) : b calculé par la méthode énoncée au paragraphe 2.2.1;

(**) : Pour rappel, Mp est le maximum de T(iω).
Cette méthode s’avère probante pour la diminution du dépassement. Le temps de réponse obtenu
après réglage de l’action feedforward sera cependant supérieur à celui obtenu lorsque l’action feed-
forward n’est pas présente (b = 1). Ces comparaisons sont faites avec le tableau 2.1.
Cette méthode est néanmoins basée sur une hypothèse selon laquelle T(iω) et Gsp(iω) ont leur maxi-
mum à la même fréquence, à savoir à la fréquence ωmp. On peut facilement vérifier le bien-fondé de
cette hypothèse par un exemple.
Prenons Ms = 1,6; dans ce cas, T(iω) aura son maximum en ωmp = 0,0058 rad/sec. La figure 2.8 montre
alors dans ce cas le diagramme de Bode de Gsp(iω). On remarque sur cette figure que l’on obtient bien
0 dB à la fréquence ωmp (b est calculé de manière à vérifier cette propriété), mais que les fréquences en
dessous de ωmp sont amplifiées. Le maximum de Gsp(iω) sera donc différent du maximum de T(iω).
Notre hypothèse ne sera donc pas vérifiée. Néanmoins, il importe de remarquer que l’ajustement du pa-
ramètre b par cette méthode permet de passer d’un dépassement de 30 % à un dépassement de 8,5 %.
Ce résultat nous semble déjà bon en soi.
Néanmoins, si nous nous rappelons des suivis de consigne obtenus au chapitre 1, tous les résultats ob-
tenus au tableau 2.2 sont bien plus mauvais que ceux obtenus au chapitre 1. Supposons que nous vou-
lions par exemple obtenir un dépassement de maximum 6 % et un temps de réponse de l’ordre de 300
secondes pour un échelon de consigne unitaire. Comment pourrait-on améliorer les résultats donnés par
cet algorithme ?
Figure 2.8 : Diagramme de Bode (amplitude) de Gsp(iω) pour Ms=1,6, b=0,61 , K=3,64 , Ki=0,0117.
33
Chapitre II
D’autres méthodes de réglage du paramètre b ont été essayées. Vis-à-vis d’un objectif aussi précis (dé-
passement et temps de réponse respectivement inférieurs à 6 % et 300 secondes), elles se sont égale-
ment avérées peu pratiques. Les trois dernières lignes du tableau 3.1 étant assez proches de notre
objectif en terme de suivi de consigne, un réglage fin autour de la valeur de b donnée par l’algorithme
de base pourra améliorer les choses. Il importe alors de savoir si il faut augmenter ou diminuer le para-
mètre b par rapport à sa valeur initiale.
La littérature définit le temps de réponse d’un système de beaucoup de manières différentes. Avec
certaines de celles-ci, il est souvent difficile de trouver une expression analytique du temps de réponse
d’un système. D’autres, comme celle rappelée dans l’annexe A, permettent de contrecarrer cette diffi-
culté. Au vu de ce rappel et de l’expression (1.11), nous pouvons donc écrire que le temps de réponse
pour notre structure de régulation sera
* K
Trep = t ( K, Ki, G ( s ) ) + ------ ( 1 – b ) (2.10)
Ki
où t* (K, Ki, G(s)) est le temps de réponse de T(s); le second terme dans l’expression (2.10) est le temps
de réponse propre à (Ki + K b s) / (Ki + K s). Ce dernier résultat nous permet donc de voir que dimi-
nuer b, augmentera le temps de réponse et vice-versa. Le temps de réponse minimal (maximal) sera ob-
tenu lorsque b=1 (b=0).
Nous pouvons donc affirmer que le paramètre b introduit un compromis entre le dépassement et
le temps de réponse :
• Une diminution de b se traduira par une diminution du dépassement, mais par une augmenta-
tion du temps de réponse.
• Une augmentation de b se traduira par une diminution du temps de réponse, mais par une aug-
mentation du dépassement.
Revenons alors à notre objectif précis (6 % de dépassement, temps de réponse de 300 secondes).
Nous pouvons d’ores et déjà déduire du tableau 2.2 que nos objectifs de dépassement et de temps de
réponse ne pourraient pas être atteints simultanément pour n’importe quelle valeur de Ms.
Supposons qu’un dépassement inférieur à 6 % soit notre objectif principal. En jouant finement sur le
paramètre b de la manière décrite précédemment, on obtient les résultats regroupés dans le tableau 2.3.
Ms K Ki PO Tr b
1,2 1,38 0,0027 6% 745 sec 0,75
1,4 2,57 0,0069 6% 450 sec 0,62
1,6 3,64 0,0117 6% 340 sec 0,55
1,8 4,60 0,0160 6% 300 sec 0,51
2,0 5,43 0,0214 6% 280 sec 0,43
Tableau 2.3 : Ajustement de b afin d’obtenir un suivi de consigne présentant un dépassement de 6%.
Ce tableau est en tout point conforme à nos attentes. De plus, on remarque que notre objectif de suivi
de consigne sera réalisé en utilisant un Ms supérieur ou égal à 1,8. Obtenir les performances souhaitées
impliquera donc de choisir une grande valeur de Ms. Ceci n’exprime rien d’autre qu’un compromis ro-
bustesse-performance.
34
Chapitre II
2.4.3 Robustesse
Le paragraphe précédent nous a permis de voir qu’imposer trop vite un facteur Ms, n’est pas une
chose souhaitée en fonction du compromis robustesse-performance établi.
On remarque également que les performances de suivi de consigne obtenues pour Ms=1,6 et Ms=1,8
diffèrent peu; la seule différence se situant au niveau des temps de réponse (300 secondes versus 340
secondes). Passant d’un Ms=1,8 à un Ms=1,6 , on aura néanmoins accru la robustesse du système.
De manière pratique, il importera également de ne pas sacrifier la robustesse du système au profit des
performances. Supposons par exemple que nous désirions faire la synthèse d’un régulateur qui conser-
ve assez bien certaines performances sur une certaine plage de fonctionnement. Dans ce cas, il sera plu-
tôt indiqué de choisir un petit Ms.
Nous pouvons montrer cela dans le cadre du Three-Tank: la synthèse du régulateur est faite autour du
modèle de départ (point de fonctionnement de h2 est égal à 24.5 cm) et nous voulons que les perfor-
mances de régulation soient aussi peu dégradées que possible sur une plage de 10 cm pour h2. Nous
aurons pour cela à notre disposition une deuxième fonction de transfert, obtenue après linéarisation
autour du point de fonctionnement h2 = 33 cm. On peut maintenant comparer le comportement du sys-
tème autour de 33 cm avec les valeurs de Ms égales à 1,6 et 1,8 , les valeurs des paramètres K, Ki, b
sont celles données par le modèle de départ (h2*=24,5 cm).
La figure 2.9 montre les résultats de suivi de consigne et de rejet de perturbations pour Ms=1,6 ,
à la fois pour le modèle de départ ( h2*=24,5cm) et pour le second modèle (h2*=33cm). La figure 2.10
montre ces mêmes résultats, mais pour Ms=1,8.
Figure 2.9: Réponses obtenues pour Ms=1,6 , K=3,60 , Ki=0,0117 , b=0,61 ; Les réponses (a) et (c)
sont relatives au modèle de départ (h2*=24,5 cm) , tandis que (b) et (d) sont relatives au
second modèle (h2*=33cm).
35
Chapitre II
Figure 2.10: Comparaison des réponses obtenues pour Ms=1,8 , K=4,60 , Ki=0,0160 et b=0,57 avec
le modèle de départ (h2*=24,5cm) -figures (a) et (c) - et avec le second modèle
(h2*=33cm) -figures (b) et (d).
En comparant les figures 2.9 et 2.10, on s’aperçoit que pour le second modèle (h2*=33cm), le suivi de
consigne aura un dépassement de 16% dans le cas de Ms=1,6 et un dépassement de 20 % dans le cas
de Ms=1,8. De plus, les réponses de suivi de consigne et de rejet de perturbations deviennent beaucoup
plus oscillantes que dans le cas du modèle de base (h2*=24.5 cm). On remarque cependant que les ré-
ponses autour de h2*=33 cm sont moins oscillantes pour Ms=1,6 que pour Ms=1,8.
Cela peut très bien se comprendre dans le plan de Nyquist (figure 2.11): La figure 2.11 (a) montre pour
Ms=1,6, le rapprochement de la courbe de Nyquist du point (-1,0) lorsque l’on passe de h2*=24,5 cm
à h2*=33cm. La figure 2.11 (b) montre la même chose mais pour Ms=1,8.
36
Chapitre III
Réglage d’un PI à partir d’un problème d’optimisation: aspects pratiques et expérimentaux
Chapitre 3.
Réglage d’un PI à partir d’un problème d’opti-

misation: aspects pratiques et expérimentaux
Jusqu’à présent, nous nous sommes contentés de simulations afin de trouver les gains les plus ap-
propriés pour réaliser les objectifs de la régulation.
Ce chapitre traitera de l’implémentation du régulateur PI à deux degrés de liberté décrit au chapitre pré-
cédent avant de livrer les résultats expérimentaux réalisés sur le Three-Tank du laboratoire de Systèmes
et d’Automatique.
3.1 Système échantillonné

La synthèse du chapitre précédent a été réalisée dans le domaine temps-continu. Il est cependant
pratique courante actuellement d’implémenter les contrôleurs de type PID en utilisant des microcon-
trôleurs. Plusieurs problèmes tels que l’échantillonnage, la discrétisation, … devront être considérés en
relation avec l’implémentation digitale.
3.1.1 Discrétisation
En vue d’implémenter le PI temps-continu à l’aide d’un ordinateur, il est nécessaire d’approximer
de manière numérique l’action I et l’action P qui apparaissent dans la loi de commande (1.3).
• Action Proportionnelle :
Le terme proportionnel P(t) dans la loi de commande est : P(t)=K(b ysp(t) - y(t)). Ce terme
sera simplement implémenté en remplaçant les variables continues en variables discrètes :
P(tk) = K (b ysp (tk) – y(tk))
où {tk} dénote les instants d’échantillonnage.
• Action Intégrale :
t
Le terme intégral qui intervient dans la loi de commande est donné par I ( t ) = Ki ∫ e ( τ ) dτ
0
Il s’en suit que l’on écrira que :
dI
----- ( t ) = Ki ⋅ e ( t )
dt
On pourra par exemple approximer cette dérivée par la règle d’Euler rétrograde:
I ( tk ) – I ( t k –1 )
--------------------------------- = Ki e ( t k )
T
On arrivera alors à l’implémentation récursive suivante :
Ki
I ( t k ) = I ( t k – 1 ) + ------ e ( t k )
T
39
Chapitre III
3.1.2 Implémentation Labview du régulateur

Le régulateur digital a été réalisé en langage Labview. Le programme Labview utilisé permettra
bien sûr de commander le système mais aussi de rapatrier facilement les données expérimentales.
Ce programme génère le signal de commande désiré et envoie l’information à un convertisseur
D/A lequel pilote la pompe P1 du Three-Tank. Un capteur de pression mesure la pression d’eau dans
le réservoir de droite. Cette information est recueillie par un convertisseur A/D et transformée en hau-
teur d’eau. Les convertisseurs sont également munis de filtres d’antirepliment fonctionnant en rapport
avec la fréquence d’échantillonnage. Le système complet est montré à la figure 3.1. Un écran de con-
trôle permettra de régler la hauteur de consigne et de modifier les gains du régulateur ainsi que la fré-
quence d’échantillonnage (figure 3.1 (a)).
Figure 3.1:(a) Système de commande et d’acquisition de données. (b) Le Three-Tank.
3.1.3 Choix de la fréquence d’échantillonnage

Le régulateur étant implémenté et les gains donnés par l’algorithme d’optimisation, l’objectif sui-
vant consistera à choisir une fréquence d’échantillonnage adéquate.
Théoriquement, vu que nous sommes partis d’une synthèse temps-continu, il faudrait utiliser la fré-
quence d’échantillonnage la plus grande possible. On sera limité dans cette voie par le hardware à notre
disposition.
On comprend également facilement qu’une fréquence d’échantillonnage trop petite risquerait de dégra-
der les performances du régulateur.
Certes, des règles de bonne pratique sont couramment appliquées pour répondre à la question. Par
exemple, une de celles-ci préconise la prise d’au moins 10 à 15 points d’échantillonnage par temps de
réponse. Ces règles ne nous permettent cependant pas de juger les dégradations de performances dues
à l’échantillonnage par rapport aux performances obtenues en temps-continu.
C’est pourquoi nous modéliserons le système échantillonné de manière à choisir une fréquence
d’échantillonnage ne dégradant pas de manière excessive les performances obtenues en temps-continu.
40
Chapitre III
L’implémentation digitale de la boucle de régulation est schématisée à la figure 3.2. Celle-ci montre
clairement où interviennent les échantillonnages.
Figure 3.2: Implémentation digitale de la boucle de régulation.
Les expressions de Gff(z) et Gc(z) seront trouvées à partir des équations aux différences obtenues après
discrétisation du signal de commande temps-continu (paragraphe 3.1.1). On obtient :
( Kb + KiT )z – Kb
Gff ( z ) = --------------------------------------------
z–1
( K + KiT )z – K
Gc ( z ) = -------------------------------------
z–1
Le bloc BOZ (bloqueur d’ordre zéro), transforme une impulsion de hauteur x en un pulse de hauteur x
et de longueur T. Il s’agit d’un bloc analogique caractérisé par la fonction de transfert (1 – esT) /s.
On s’efforcera de ne plus faire intervenir dans ce schéma que des signaux discrets et donc de trouver
une fonction de transfert en z entre les signaux échantillonnés y(tk) et u(tk). Cette fonction – notée
Gtot(z) – sera donnée par :
Gtot ( z ) = Z [ BOZ ( s )G ( s ) ]
sT
1–e
= Z ---------------- G ( s )
s
–1
= ( 1 – z )Z [ G ( s ) ]
où Z[ • ] représente l’opération de transformée en z.
Le lecteur intéressé consultera [1] et [2] pour de plus amples informations sur ces calculs. Nous
arriverons donc finalement au schéma-bloc de la figure 3.3 qui décrit le comportement de la boucle de
régulation vue de l'ordinateur. Il sera utilisé pour les stimulations.
Figure 3.3: Modélisation dans la boucle de régulation exploitable pour les simulations.
C’est ainsi que sera par exemple observé l’effet de la fréquence d’échantillonnage sur le régulateur op-
timal de type 1 synthétisé au chapitre 2 – le temps de réponse et le PO relatifs au suivi de consigne étant
respectivement de 280 sec et 6 %.
41
Chapitre III
Figure 3.5: Diagramme de Bode relatif à la foncion de transfert entre y et ysp. Echelle de fréquence
ω
entre 0 et ------s .
2
3.2 Saturation de l’actionneur.

Jusqu’à présent, nous avons supposé dans nos schémas de simulations que la pompe n’introdui-
sait aucune dynamique supplémentaire. La seule chose que nous savons est qu’elle peut fournir un débit
entre 0 et 100 ml/sec.
Nous avons également vu au chapitre 1 (section 1.2.1.) que des gains trop grands risqueraient de mener
à un signal de commande d’amplitude énorme et donc d’aboutir à une saturation de l’actionneur. (signal
de commande constant).
Si un terme intégral est présent, ce terme pourra devenir très grand et un signal d’erreur de signe con-
traire sera requis pendant une longue période de temps avant que les choses ne reviennent à la normale.
Ceci est appelé le wind-up et il en résultera un long transitoire. Si une telle situation se produisait, il
serait bon d’y remédier en incorporant dans notre régulateur un anti-wind-up ([6]).
Comment pouvons-nous voir si de telles saturations de l’actionneur peuvent se produire ?
L’idée la plus simple sera de confronter les commandes obtenues par simulation et expérimentalement
(figure 3.6).
43
Chapitre III
3.3.3 Conclusions
Ce chapitre nous permet de conclure à l’existence d’un excellent accord entre analyse théorique
et expérimentation.
Nous avons néanmoins constaté que les réponses expérimentales présentaient de légères différen-
ces par rapport aux réponses simulées correspondantes.
Ces différences ont pu être expliquées par les effets conjoints de l’échantillonnage et des non-linéarités
du Three-Tank. On a également pu vérifier l’influence du paramètre Ms. Tout est donc conforme aux
aspects théoriques du chapitre 2.
47
Chapitre IV
Réglage d’un PID à partir d’un problème d’optimisation: aspects théoriques et simulations
Chapitre 4.
Réglage d’un PID à partir d’un problème

d’optimisation: aspects théoriques et simula-
tions
Le chapitre 1 nous a permis de conclure que combiner l'action PI en basse fréquence et PD en
haute fréquence permettait encore d'améliorer énormément les performances par rapport à la seule ac-
tion PI.
Ce chapitre aura pour but de formuler un problème d'optimisation semblable à celui déjà formulé
au chapitre 2 mais cette fois pour une structure de type PID.
Un article correspondant à ce problème - dû encore une fois à K.J Åström [9] - a déjà été publié dans
la littérature. Néanmoins, comme nous le verrons, une telle formulation ne nous permettra pas de trou-
ver un algorithme aussi efficace que celui trouvé pour le PI.
Il importera alors de voir comment utiliser l'algorithme élaboré à bon escient ou mieux, l'améliorer.
Le régulateur PID que nous allons employer ici a déjà été étudié au chapitre 1. Pour rappel, la loi
de commande est :
t dy
u ( t ) = K ( b ysp ( t ) – y ( t ) ) + Ki ∫ ( ysp ( τ ) – y ( τ ) )dτ + Kd  – ------ ( t ) (4.1)
0  dt 
Nous pouvons alors représenter la boucle de régulation en terme de schéma-blocs (fig. 4.1). Nous
voyons encore une fois que le paramètre b n'agira que sur le suivi de consigne.
Figure 4.1 : Boucle de Régulation PID à deux degrés de liberté.
4.1 Problème d'optimisation

De manière tout à fait analogue au chapitre 2, le but premier de notre régulation sera d'obtenir un
bon rejet de perturbations ainsi qu'une bonne robustesse aux erreurs de modèle. Le problème d'optimi-
sation formule cela. L'ajustement du paramètre b sera examiné dans une seconde phase.
En rapport avec les traductions des spécifications (section 1.3.2.), nous serons alors à même de formuler
ce problème.
FORMULATION DU PROBLÈME D'OPTIMISATION :

Nous devons trouver les paramètres K, Ki et Kd du régulateur de manière :
(1) à maximiser Ki
48
Chapitre IV
(2) et à ce que la courbe de Nyquist de G(s) Gc(s) se trouve à l'extérieur du cercle centré en - 1
dans le plan de Nyquist et de rayon 1/Ms.
Nous ne nous préoccuperons pas dans un premier temps de la contrainte de STABILITÉ de la
boucle fermée. Il importera tout simplement de retenir à ce stade que, si nous parvenons à trouver des
gains K, Ki, Kd satisfaisant les conditions (1) et (2), rien ne nous indique que ces gains mèneront à une
instabilité de la boucle fermée ou pas.
Introduisons la fonction f telle que :
i 2
f ( K, Ki, Kd, ω ) = C +  K – ---- ( Ki – ω Kd ) G ( iω )
2
ω
Cette fonction représente le carré de la distance entre le centre du cercle de coordonnées (-C, 0) et G(iω)
Gc (iω). Le rayon du cercle de sensibilité sera noté R par la suite.
FORMULATION FINALE DU PROBLÈME D'OPTIMISATION :

Trouver K, Ki et Kd tels que :
(1) max Ki
2
(2) f ( K, Ki, Kd, ω ) ≥ R , ∀ω > 0 (4.2)
4.1.1 Contrainte de sensibilité

La contrainte de sensibilité exprimée par la relation (4.2) possède une interprétation géométrique
remarquable. En effet, en introduisant
G (iω) = r (ω) eiϕ(ω)= α (ω) + i ß (ω),
La contrainte de sensibilité (4.2) pourra après développement se réécrire comme suit :
K + α ⋅ c 2  Ki – ω 2 Kd + ω ⋅ β ⋅ c 2
------------------
-
----------  
 r2  r
2
----------------------------- + ------------------------------------------------------------ ≥ 1 (4.3)
R 2 R 2 ω2
 ------  -------------
 r2   r2 
Pour ω et Kd fixés, la relation (4.3) représente l'extérieur d'une ellipse dans le plan K - Ki dont les axes
sont parallèles à ceux des axes K et Ki.
Lorsque ω varie, Kd étant fixé, ces ellipses formeront une enveloppe (figure 4.2 (a)). Il sera néan-
moins très compliqué de calculer analytiquement la forme de l'enveloppe comme nous l'avons fait au
chapitre 2, à cause de la présence dans ce cas-ci du Kd supplémentaire. Nous devrons donc essayer de
calculer l'enveloppe d'une autre manière.
La manière utilisée pour calculer cette enveloppe est expliquée sur la figure 4.2. Pour chaque ellipse i
nous calculerons trois points :
• Li: le point le plus à gauche de l'ellipse i.
• Ri: le point le plus à droite de l'ellipse i.
• Bi: le point le plus bas de l'ellipse i.
Ces points Li, Ri et Bi sont représentés pour chaque ellipse i à la figure 4.2 (a).
49
Chapitre IV
Figure 4.2 : Détermination du sous-ensemble de couples (K, Ki) satisfaisant la contrainte de sensi-
bilité.
La figure 4.2 (b) nous laisse penser que si nous calculons ces points Li, Ri et Bi pour suffisamment d’el-
lipses i, nous pourrons alors obtenir une bonne approximation de l’enveloppe.
Les points Li et Ri seront donnés par les coordonnées suivantes :
α R
 K = – c ---- ± ---
 r2 r
 (4.4)
 Ki = – c ωβ
------2- + ω 2 ⋅ Kd
 r
où le signe - correspond à Li et le signe + à Ri.

Le point Bi sera donné par les coordonnées :
α
 K = – c ----
 r2
 (4.5)
ωβ
 Ki = – c ------ ω⋅R
- + ω 2 ⋅ Kd- ------------
 r 2 r
L'ensemble des points entre l'axe des K et l'enveloppe ainsi définie est l'ensemble des couples vé-
rifiant la contrainte de sensibilité (hachuré sur la figure 4.2). Cet ensemble devra nécessairement appar-
tenir au premier quadrant de manière à garantir la positivité des gains.
4.1.2 Difficulté dans la résolution du problème

Jusqu'à présent, outre la formulation du problème d'optimisation, nous nous sommes attachés à
traduire la contrainte de sensibilité de manière à en dériver une forme exploitable pour la résolution du
problème.
Nous avons découvert un moyen de trouver l'ensemble des points K et Ki qui satisfont la con-
trainte de sensibilité mais cette fois-ci pour Ms et Kd fixés.
Ceci a toute son importance : cela signifie que nous pourrons trouver un triplet (K, Ki, Kd) mais
uniquement pour Kd donné.
50
Chapitre IV
Dès lors, la seule manière de déterminer un triplet (K, Ki, Kd) sera de considérer Ms et Kd comme étant
deux paramètres de l'algorithme.
On comprend tout de suite qu'il ne sera pas possible d'obtenir un algorithme aussi efficace que celui
élaboré pour le PI du fait que Kd, qui en toute logique devrait être un résultat de l'algorithme, est ici un
paramètre.
Nous avons néanmoins choisi de voir quels enseignements tirer de la méthode telle quelle. Ce but sera
poursuivi tout au long de ce chapitre.
4.2 Design final

Nous nous sommes jusqu'à présent occupés des problèmes de rejet de perturbations et de sensi-
bilité aux erreurs de modèle. Nous en viendrons alors au réglage du paramètre b (action feedforward)
afin d'obtenir le meilleur suivi de consigne possible. L'influence du bruit sera étudiée dans le chapitre
suivant qui sera consacré à la validation expérimentale des résultats obtenus dans ce chapitre.
4.2.1 Réglage de l'action feedforward

Nous choisirons dans cette section une manière de régler le paramètre b. La manière de trouver
b dans le cadre du PID est similaire à celle déjà expliquée dans le cas du PI ( cf section 2.2.1). On trou-
vera d'abord l'expression de la fonction de transfert - notée Gsp (s) - entre y et ysp :
Ki + K b s G ( s )Gc(s)
Gsp(s) = ---------------------------------------2- ----------------------------------
Ki + K s + Kd s 1 + G ( s )Gc(s)
Ki
où Gc(s) = K + ------ + s Kd
s
On fait alors l'hypothèse que le maximum de Gsp(iω) a lieu en ω= ωmp où ωmp est la fréquence où
a lieu le maximum de G(iω) Gc(iω) / [ 1 + G(iω) Gc(iω) ]
Le paramètre b sera trouvé en imposant | Gsp(i ωmp) |=1 ;
Ce qui donne :
 A – Ki 2 Mp 2
 --------------------------------- si A ≥ Ki 2 Mp 2
b =  Kω mp ⋅ Mp (4.6)

 0 si A ≤ Ki 2 Mp 2
où A= K².ω²mp + ( Ki - ω²mp Kd )²
4.2.2 Méthode finale et algorithme

Nous résumerons ici la méthode complète de design. On y intégrera simultanément une descrip-
tion succinte de l'algorithme qui a été utilisé pour implémenter cette méthode :
(1) Choix de Ms
Calcul de R ( = 1 / Ms)
(2) Choix d'un Kd
(3) Choix d'un intervalle de fréquence [ ω0 ;ωn ] suffisamment grand ( n » 1 ) et suffisamment dis-
crétisé (∆ω assez petit).
Un point ωi de cet intervalle est tel que :
ωi=ω0+i ∆ω , i = 0, ... , n
51
Chapitre IV
4.3 Simulations
Celles-ci seront axées sur le Three-Tank. On scindera l'étape d'optimisation de celle du réglage
de l'action feedforward.
4.3.1 Simulations sans l'action feedforward

Cette réaction vise à tirer des enseignements de l'algorithme établi en 4.2.2 dans le cadre du
Three-Tank.
4.3.1.1 Introduction
Notre contrainte de sensibilité peut se visualiser avantageusement dans le plan Nyquist. On aura
dès lors tendance à analyser les résultats obtenus dans ce même plan, voire dans le plan de Bode, plus
pratique pour visualiser les résultats. Cette section établit quelques résultats qui seront utilisés dans la
suite.
Nous pouvons représenter la courbe Gc (iω) G (iω) dans le plan de Nyquist pour K, Ki, Kd donnés
(figure 4.3), l'expression de Gc (iω) G (iω) étant donnée par :
Ki
Gc ( iω )G ( iω ) =  K + ------ + iωKd G ( iω ) (4.7)
 iω 
A une fréquence donnée, soit ω0, le vecteur V dans le plan de Nyquist donnera l'information relative à
la phase et à l'amplitude de Gc (iω) G (iω) (voir figure 4.3).
Nous cherchons ensuite à savoir de quelle manière se déplace la courbe de Nyquist à la fréquence ω0
donnée pour des variations des gains K, Ki et Kd.
L'expression (4.7) nous montre qu'en augmentant K, Ki et Kd restant constants, le point de la courbe
de Nyquist à la fréquence ω0 se déplacera dans la direction V .
De même, une augmentation de Ki (respectivement Kd) - tout autre gain restant égal -, déplacera le
point de la courbe de Nyquist à la fréquence ω0 dans la direction - i V (respectivement i V ). Ces infor-
mations sont également reprises à la figure (4.4).
53
Chapitre IV
Nous choisirons deux valeurs de Kd - ie 50 et 160 - pour un Ms de 1, 6. Les résultats se trouvent à la

figure 4.5. Les valeurs de K et Ki correspondantes ainsi que la marge de phase (PM) et la fréquence de
coupure (ωc) du système sont regroupés dans le tableau 4.1.
Figure 4.5 : Suivi de consigne et rejet de perturbations pour (a) Kd = 50 et (b) Kd = 160, Ms étant
fixé à 1, 6.
Kd K Ki PM (°) ωc (rad/sec)
50 4, 8 0, 0175 42 0, 008
160 6, 5 0, 034 40 0, 010
Tableau 4.1 : Résultat de l'algorithme pour Kd = 50 et Kd = 160 (Ms = 1, 6).
Le tableau 4.1 montre que pour un Ms fixé, quand Kd augmente, il en est de même pour K et Ki.
Ceci se répercutera en un meilleur rejet de perturbations et en un meilleur temps de réponse du suivi de
consigne, ce qui se vérifie à la figure 4.5.
On retiendra dès lors que, à Ms fixé, il sera intéressant de choisir le plus grand Kd possible en vue
d'améliorer les performances du système.
55
Chapitre IV
.
Ms Ki K PM (°) ωc (rad/sec)
1, 6 0,025 5, 5 40 0, 0094
1, 4 0, 0165 4, 2 46 0, 0076
1, 2 0, 009 3 56 0, 0056
Tableau 4.2 : Gains K et Ki ainsi que la marge de phase (PM) et la fréquence de coupure ωc du sys-
tème correspondants pour des Ms de 1, 6, 1, 4 et 1, 2.
Les résultats du tableau 4.2 sont conformes à nos attentes :

• la diminution de Ki se traduira en terme de performance par une dégradation du rejet de per-
turbations.
• la diminution de K (qui va de pair avec la diminution de ωc) entraînera une diminution du
temps de réponse du suivi de consigne.
On vient ni plus ni moins de mettre encore une fois en évidence le compromis performance - ro-
bustesse ; imposer une robustesse excessive aura un effet néfaste d'un point de vue performance.
4.3.1.3 Limite de robustesse sur le Kd
Notre algorithme a mis en évidence le fait que pour des valeurs élevées de Kd couplées à de fai-
bles valeurs de Ms, l'allure de la courbe de phase de G(iω) Gc(iω) présentait de grandes variations de
phase aux alentours de ωc. Dans ce cas, de légères variations de gain déplaceront quelque peu la fré-
quence de coupure en changeant fortement la marge de phase (PM). Il s'en suit que les performances
du système en seront fortement affectées.
La figure 4.7 montre les courbes de phase obtenues pour Kd valant respectivement 500 et 80.
Figure 4.7 : Allure de la phase (diagramme du bas) de G(iω) Gc(iω) pour des Kd de (a) 500 et (b) 80.
Il sera donc bon de choisir des valeurs de Kd qui ne mènent pas à de trop grandes variations de
phase aux alentours de ωc.
L'allure de la courbe de Nyquist correspondant à de grands Kd est donnée à la figure 4.8
57
Chapitre IV
Figure 4.8 : Allure de la courbe de Nyquist pour de grands Kd.
On peut justifier le saut de phase ainsi : La concavité vers le haut de la courbe de Nyquist sera de
plus en plus prononcée quand Kd augmente. De grands Kd mènent à de grands K et Ki et donc dépla-
ceront l'asymptote basse fréquence vers la gauche (cf 4.3.1.1). Il sera alors nécessaire d'avoir une con-
cavité dans la courbe de Nyquist de manière à joindre le comportement asymptotique basse fréquence
et le comportement asymptotique haute fréquence. Notons encore que, vu que le Ki augmente lorsque
le Kd augmente, et vu que ces deux gains agissent dans la même direction, mais dans un sens opposé,
le Kd devra combattre l'effet de Ki qui vise à rapprocher la courbe du point ( -1, 0) - car le Ki augmente
- et donc le Kd devra être très grand.
Ce phénomène peut également être dénommé compromis performance - robustesse puisque un
Kd grand - synonyme d'excellente performance - dégrade la robustesse du système.
4.3.1.4 Conclusions
Sans entrer dans une analyse quantitative, les sections 4.3.1.2 et 4.3.1.3 nous ont permis de com-
prendre comment agir sur les paramètres Kd et Ms de notre algorithme en vue de satisfaire les inévita-
bles compromis performance - robustesse.
58
Chapitre IV
Voici à titre d'exemple les gains K et Ki donnés par l'algorithme pour Ms = 1, 6 et pour des Kd
de 100, 200 et 300 (Tableau 4.4).
Kd K Ki b
100 5, 34 0, 0241 0, 41
200 7, 23 0, 0411 0, 15
300 9, 14 0, 0626 0, 10
Tableau 4.4 : Valeurs des gains K, Ki et b pour Ms = 1, 6 et des Kd de 100, 200 et 300.
Les performances correspondantes sont illustrées à la figure 4.10. Nous nous servirons de ces ré-
sultats dans la phase expérimentale.
Figure 4.10 : Performances obtenues après ajustement de b pour (a) Kd = 100, (b) Kd = 200 et (c)
Kd = 300 (Ms = 1, 6).
60
Chapitre IV
4.3.3 Conclusions
Nous étions conscients du fait que notre algorithme n'était pas d'un intérêt extraordinaire de par
le fait que Kd est un paramètre de l'algorithme. Nous avons quand même pu localiser de manière quan-
titative des couples (Ms, Kd) alliant une certaine robustesse et certaines performances (Zone E de la
figure 4.9).
Si la méthode de régulation proposée par K.J. Åström relative au PID permet d’obtenir des résultats
satisfaisants, elle souffre néanmoins d’un manque de systématisme.
Les deux chapitres suivants tenteront de remédier à ce manquement.
61
Chapitre V
Réglage d'un PID à partir d'un problème d'optimisation : implémentation et expérimentation
Chapitre 5.
Réglage d'un PID à partir d'un problème

d'optimisation : implémentation et expérimen-
tation
L'algorithme établi au chapitre précédent nous permet de trouver les gains K et Ki pour Kd et Ms
donnés. Nous avons décidé de passer directement à la phase expérimentale en vue de déterminer quel
Kd utiliser. Nous procéderons aux expériences pour trois Kd différents.
Le système sur lequel nous travaillerons sera une fois encore le Three-Tank.
5.1 Implémentation du PID

Les aspects à considérer relevant de l'implémentation dans le cas du PID sont semblables à ceux
déjà discutés dans le cadre du PI. Nous ne réentamerons donc pas une discussion sur ces aspects. Néan-
moins, nous nous sommes servis d'une nouvelle méthode pour juger quant aux éventuelles saturations
de l'actionneur. Celle-ci est expliquée ci-après.
5.1.1 Saturation de l'actionneur

On comprend aisément que ce seront nos expériences de rejet de perturbations qui seront les plus
contraignantes en terme d'éventuelles saturations de l'actionneur. Rappelons que la pompe du Three-
Tank peut donner un débit u compris dans la plage [0, 100] ml/sec.
Le signal de commande u dans le cas du PID à deux degrés de liberté peut se mettre sous la forme:
dy
u = K ( b ysp(t) – y ( t ) ) + I – K Td ------ (5.1)
dt
On cherchera alors une condition à satisfaire pour qu'il n'y ait pas de saturation.
Nous définissons la bande proportionnelle comme étant un intervalle tel que l'actionneur ne sature pas
si la valeur prédite du signal de sortie du système se trouve dans cet intervalle.
La valeur prédite du signal de sortie - notée yp - sera de :
dy
y p = y + Td ------
dt
Dès lors en se servant des valeurs mimimale et maximale du signal de sortie de l'actionneur - notées
umin et umax - on trouvera la bande proportionnelle [ylow ; yhigh] où ylow et yhigh sont donnés par :
( I – u max )
y low ( t ) = b ysp ( t ) + -----------------------
K (5.2)
I – u min
y high ( t ) = b ysp ( t ) +  -----------------
-
K 
62
Chapitre V
Réglage d'un PID à partir d'un problème d'optimisation : implémentation et expérimentation
5.3.2 Récapitulatif
A la fois ce chapitre et le chapitre 3 nous ont permis de comprendre les causes de la limitation du
gain dérivé. Le chapitre 3 a attiré notre attention sur le fait que la bande passante du système (et donc
le Kd) devait être choisie en fonction de la fréquence d'échantillonnage.
Les limitations sur le Kd dues aux éventuelles saturations des actionneurs et aux influences du
bruit de mesure ont été discutées dans ce chapitre.
67
Chapitre VI
Algorithme de réglage de PID
Figure 6. 9 : Réponses optimales du PID avec filtrage sur l’action dérivée dans le cas du Three-
Tank.
Le tableau 6.1 donne également les valeurs des critères de performances classiques. Il est intéressant
de comparer ces résultats avec ceux obtenus pour le PI (section 2.4.4).
Nous remarquons deux améliorations flagrantes apportées par le PID :
• Un meilleur rejet de perturbations (IE = 23,44 vs IE = 46,75).
• Une augmentation de la robustesse (Ms =1,55 vs Ms =2,00).
6.4 Comparaison PI - PID

Nous disposons à ce stade d’un algorithme permettant de trouver directement le gains d’un con-
trôleur PI (chapitre 4) ainsi que d’un algorithme permettant de trouver directement les gains d’un con-
trôleur PID avec filtrage sur l’action dérivée (chapitre 6). Il est dès lors intéressant de comparer les
résultats obtenus dans ces deux cas pour d’autres systèmes que le Three-Tank.
L’article [8] de K.J Aström - article relatif à la méthode d’optimisation sur le PI - propose des
résultats de simulations pour une large variété de systèmes. Nous avons repris certains de ces systèmes.
Nous pourrons ainsi, par la même occasion vérifier l’exactitude de notre algorithme d’optimisation éla-
boré pour le PI en confrontant nos résultats pour ceux donnés dans l’article [8]. Voici les systèmes qui
seront étudiés :
1 1
G1 ( s ) = ------------------3- G4 ( s ) = --------------------2-
(s + 1) s(s + 1)
5
G14 ( s ) = ---------------------------------
( s + 5)( s – 1)
Le système G1(s) est un système classique et relativement facile à commander. Le système G4(s) mo-
délise un processus contenant un intégrateur ; il s’agit comme nous le verrons d’un processus plus dif-
ficile à réguler. Le système G14(s) modélise quant à lui un système instable.
Remarquons encore que pour l’algorithme relatif au PID, nous ne considérerons évidemment pas le cri-
tère sur le bruit et le critère relatif à la saturation de l’actionneur.
75
Chapitre VI
PI Ms K Ki b IE IE/IAE Tr PO
2,00 1,27 0,68 0,47 1,45 0,76 4,2 sec 10 %
PID Ms Kd K Ki b N IE IE/IAE Tr PO
1,6 3,00 5,2 2,8 0,1 7,4 0,33 0,86 3 sec 9%
(a)
2,00 0,33 0,0417 0,50 24,00 0,96 8 sec 12%
1,65 2,00 2,00 0,78 0,1 11 1,26 0,83 4 sec 10 %
(b)
2,00 4,71 2,2 0,5 0,873 1 0,7 sec 0%
1,6 0,8 11 25 0,2 4,8 0,0375 0,83 0,5 sec 7 %
(c)
Tableau 6.2 : Paramètres et performances des systèmes (a) G1(s) , (b) G4(s) et (c) G14(s).
Nous procéderons alors à la comparaison PI/PID proprement dite. De manière générale, nous ob-
servons deux choses :
(1) L’emploi du PID présente deux avantages importants par rapport au PI. En effet, la structure
PID montre par rapport à la structure PI d’importantes améliorations au niveau du rejet de
perturbations (cf IE) et au niveau de la robustesse (cf Ms) pour de légères améliorations sur le
suivi de consigne.
(2) Les gains relatifs au PID sont toujours beaucoup plus importants que les gains relatifs au PI.
Il est important de rappeler, au vu de la première observation, que nous avons travaillé - via l’al-
gorithme PID élaboré dans ce chapitre - de manière à obtenir des performances robustes. Nous aurions
pu également apporter de grandes améliorations sur le suivi de consigne en optant pour d’autres para-
mètres de design dans l’algorithme. Nous avons déjà insisté sur le fait que le suivi de consigne n’était
généralement pas l’objectif premier dans le cadre d’une régulation industrielle. On comprend alors le
bien-fondé de notre choix.
77
Chapitre VI
La deuxième observation nous incite cependant à la prudence : l’ajout d’un terme dérivé sera donc plus
contraignant au niveau des actionneurs (saturations éventuelles) , au niveau des effets engendrés par le
bruit et au niveau de la fréquence d’échantillonnage (de grands gains K et Kd augmentent la bande pas-
sante, le risque d’aliasing étant alors accru).
Il ne faudra pas oublier que les résultats ont été obtenus en faisant abstraction du bruit et de l’actionneur.
Le chapitre 5 nous a permis de voir qu’ à la fois le bruit et l’actionneur utilisé contraindront peut-être
l’automaticien à se rabattre sur des valeurs de gains beaucoup moins importantes que celles données
par l’algorithme relatif au PID, ce qui entraînera l’obtention de moins bonnes performances que celles
présentées dans ce paragraphe. Ceci sera bien sûr à considérer au cas par cas. Il se pourra même parfois
que l’ajout du terme dérivé ne présente que peu ou pas du tout d’intérêt.
Revenons aux systèmes discutés dans cette section. L’amélioration des performances obtenues avec le
PID pour le système G4(s) pourrait paraître étonnante. Ce système possède un intégrateur et donc la
phase de Gc(iω) G(iω) à la fréquence nulle sera de -180°. Le PID possédant deux zéros - au lieu d’un
seul dans le cas du PI - il sera plus facile d’obtenir une grande marge de phase dans ce cas que dans le
cas du PI (deux zéros contribuant à augmenter la phase en basse fréquence). De plus ces deux zéros
contribueront également à repousser le 0 dB de l’amplitude de Gc(iω) G(iω) beaucoup plus loin que si
l’on avait utilisé une structure PI. Ce faisant, on ouvrira beaucoup plus la bande passante du système.
La fonction de sensibilité verra son maximum rejeté beaucoup plus loin vers les hautes fréquences. Ceci
explique donc les performances écrasantes obtenues pour le rejet de perturbations.
Le même genre de raisonnement explique l’amélioration du rejet de perturbations pour le système
G14(s) lorsque l’on passe d’une structure PI à une structure PID.
6.4.2 Conclusions
Ce chapitre élabore un algorithme systématique sur base d’un modèle en vue de la détermination
des paramètres K, Ki et Kd du PID.
Cet algorithme s’inspire d’un résultat récent développé par Åström ([9]). Nous avons montré au chapi-
tre 4 que ce dernier manquait de systématisme pour la détermination du gain Kd.
Le chapitre 5 nous a permis de comprendre qu’il est nécessaire de tenir compte de phénomènes tels que
la saturation des actionneurs et l’influence du bruit présent dans la boucle de régulation en vue d’un
choix adéquat du Kd.
L’algorithme systématique élaboré dans ce chapitre s’appuie sur l’algorithme d’Åström (chapitre 4) en
tenant compte des enseignements apportés au chapitre 5.
Cet algorithme systématique nous a servi pour réguler le Three-Tank (section 6.3). On a alors
compris l’intérêt d’un algorithme comme celui développé dans ce chapitre qui optimise les paramètres
mais en présence de contraintes de bruit et de saturation.
De plus, nous avons tiré parti du fait que nous avons à ce stade deux algorithmes systématiques,
l’un pour le PI (chapitre 2) et l’autre pour le PID (chapitre 6) afin de comparer les résultats obtenus avec
un régulateur PI et ceux obtenus avec un régulateur PID sur quelques systèmes (section 6.4).
La structure de régulation PID nous laisse entrevoir par rapport à la structure PI de meilleures perfor-
mances et une robustesse accrues. Ceci est une conclusion théorique où, contrairement au cas du Three-
Tank, il n’a pu être tenu compte de phénomènes de bruit et de saturations éventuelles des actionneurs.
78
Chapitre VII
“Iterative Feedback Tuning” : Méthode d’optimisation expérimentale
Chapitre 7.
“ Iterative Feedback Tuning ” : Méthode d’opti-

misation expérimentale
Jusqu’à présent, nos algorithmes d’optimisation reposaient sur la connaissance du modèle d’un
système. Nous nous sommes d’abord intéressés à la modélisation du système avant de procéder à sa
synthèse. Un grand nombre de méthodes de réglage découplent les phases d’identification et de synthè-
se du régulateur.
La dernière partie de ce travail de fin d’études a pour objets l’étude d’une méthode d’optimisation où
les phases d’identification et de synthèse sont couplées et la validation expérimentale de celle-ci.
Nous nous restreindrons à un nouveau schéma itératif – l’Iterative Feedback Tuning – développé par
H. Hjalmarsson, S. Gunnarson et M. Gevers [14] que nous appliquerons dans le cadre du régulateur
PID introduit au chapitre 4.
Il s’agit d’une méthode optimale basée sur la minimisation d’un critère de type quadratique dans lequel
apparaît explicitement l’erreur entre la sortie boucle fermée obtenue expérimentalement et la réponse
désirée. Un second terme peut pénaliser l’effort de commande.
Il n’est donc plus question d’une étape de modélisation. L’idée présente dans cette méthode est de rem-
placer cette étape par une modélisation directe des données recueillies en boucle fermée. Cela débouche
sur un schéma itératif d’expériences menées en boucle fermée et de mise à jour des paramètres du ré-
gulateur.
Ce chapitre développe la théorie de l’IFT jusqu’à l’obtention de l’algorithme.
Nous nous pencherons dans le chapitre suivant sur les problèmes d’implémentation et sur les résultats
obtenus au moyen de cette méthode.
7.1 Critère de synthèse

Considérons le système de commande représenté à la figure 7.1. Nous ne disposons d’aucune in-
formation sur le procédé G (q). Les expressions mathématiques du système commandé au moyen d’un
contrôleur à deux degrés de liberté C = {Cr , Cy} sont :
y ( t ) = G ( q )u ( t ) + v ( t ) (7.1)
u ( t ) = C r ( q, ρ )r ( t ) – C y ( q, ρ )y ( t )
Dans ces expressions, ρ représente le vecteur des paramètres du contrôleur, q est l’opérateur de délai,
G(q) est la fonction de transfert inconnue et temps-discret du système, t représente les instants temps-
discret et u(t), r(t), y(t) et v(t) sont respectivement la séquence de commande, la séquence de consigne,
la séquence de sortie et une séquence de bruit additif.
79
Chapitre VII
Figure 7.1 : Contrôleur à deux degrés de liberté.
On déduira également de ce même schéma la fonction de transfert en boucle fermée To du système, ain-
si que sa fonction de sensibilité So :
C r ( ρ, q )G ( q )
T 0 ( ρ, q ) = ------------------------------------------
- , (7.2)
1 + C y ( ρ, q )G ( q )
1
S0 ( ρ, q ) = ------------------------------------------- . (7.3)
1 + C y ( ρ, q )G ( q )
L’idée de Hjalmarsson et al. est de synthétiser ce contrôleur C = {Cr , Cy} de telle manière que la sortie
du système régulé soit la plus proche possible – au sens de l’erreur quadratique – de la réponse d’un
modèle de référence Td.
Cette réponse sera donnée par :
y d ( t ) = T d ( q )r ( t ) (7.4)
Nous allons calculer ρ* = arg min J(ρ), où le critère à minimiser peut s’écrire :
ρ
N N
1  2 2
J ( ρ ) = ------- E  ∑ ( L y ( q ) ỹ ( p, t ) ) + λ ∑ ( L u ( q )u ( q, t ) )  (7.5)
2N  
t=1 t=1
expression dans laquelle ỹ ( ρ, t ) = y ( ρ, t ) – y d ( t ) .

Le premier terme pénalise donc la différence entre la sortie désirée yd et la sortie réalisée y (ρ,t), pon-
dérée fréquentiellement par Ly (q). Le second terme pénalise l’effort de commande, pondéré fréquen-
tiellement par un filtre Lu (q).
Au lieu d’introduire des facteurs de pondération fréquentielle, on pourra introduire à leur place des fac-
teurs de pondération temporelle. Ceci sera discuté au chapitre 8.
Le critère (7.5) peut être réécrit1 – en se servant de (7.2) et (7.3) – sous la forme suivante, en supposant
l’indépendance statistique de la consigne r et du bruit v:
1. on omettra parfois dans la suite, les arguments q des fonctions de transfert afin de simplifier les écritures lorsque
cela ne prête pas à confusion
80
Chapitre VII
N
1  2
J ( ρ ) = ------- E  ∑ [ L y ( T d – T 0 ( ρ ) )r ( t ) ]  (7.6)
2N  
t=1
N
1  2
+ ---- E  ∑ [ L y S0 ( ρ ) ⋅ v ( t ) ] 
N t = 1 
N
λ  2
+ ------- E  ∑ [ L u u ( t, ρ ) ] 
2N t = 1 
Nous voyons dès lors qu’en plus des pénalités sur l’erreur de poursuite et sur l’effort de commande, les
perturbations interviennent dans la fonction de coût J(ρ).
7.2 Minimisation du critère

Nous nous intéresserons maintenant à la minimisation de J(ρ), c’est-à-dire à l’annulation de son
gradient par rapport au vecteur ρ des paramètres du contrôleur. Afin de faciliter la notation, nous sup-
poserons dans cette section que Ly = Lu = 1. Nous chercherons donc à résoudre l’équation :
N N
δJ 1  δỹ δu 
0 = ------ ( ρ ) = ---- E  ∑ ỹ ( ρ, t ) ------ ( ρ, t ) + λ ∑ u ( ρ, t ) ------ ( ρ, t )  (7.7)
δρ N  δρ δρ 
t=1 t=1
A cause de la complexité de l’expression de ỹ en fonction de ρ et surtout de notre méconnaissance du
système G ainsi que du spectre des perturbations v qui interviennent tous deux dans l’expression de ỹ ,
une méthode itérative de minimisation s’impose. Nous allons donc effectuer une série d’étapes i, de pas
γi pour atteindre un minimum local de la fonction de coût :
–1 δJ
ρi + 1 = ρi – γi Ri ------ ( ρ i ) (7.8)
δρ
Ri doit être une matrice définie positive. Il peut s’agir d’une matrice unité, mais la convergence sera
plus rapide si Ri est une estimation de la matrice hessienne de J(ρ) (voir [12]).
δJ
Ce problème, tel que posé à ce stade, ne sera soluble que si nous sommes en mesure de calculer ------ ( ρ i ) .
δJ δρ
L’originalité de l’IFT est de montrer qu’il est possible de remplacer ------ ( ρ i ) par une approximation non-
biaisée, basée sur les échantillons constants. δρ
˜ (ρi) et u′(ρi). Nous allons voir
Pour ce faire, on a besoin de ỹ (ρi) et u(ρi), ainsi que de leur gradient y'
comment il est possible de calculer une telle estimation.
7.2.1 Signaux de sortie

L’expression de ỹ est donnée par :
C r ( ρ )G 1
ỹ ( ρ ) = ---------------------------
- r – T d r + ---------------------------- v (7.9)
1 + C y ( ρ )G 1 + C y ( ρ )G
La dérivation de l’expression (7.9) par rapport aux paramètres ρ conduit immédiatement à :
81
Chapitre VII
2
G C r ( ρ )G G
˜ ( ρ ) = ----------------------------C'
y' r ( ρ )r – -----------------------------------2- C' y ( ρ )r – -----------------------------------2- C' y ( ρ )v (7.10)
1 + C y ( ρ )G [ 1 + C ( ρ )G ] [ 1 + C ( ρ )G ]
y y
1 1 2
= -------------- C' r ( ρ )T 0 ( ρ )r – -------------- C' y ( ρ ) [ T 0 ( ρ )r + T 0 ( ρ )S 0 ( ρ )v ]
Cr ( ρ ) Cr ( ρ )
Dans cette expression, les quantités Cr (ρ), Cr′(ρ) et C′y(ρ) sont des fonctions connues de ρ et dépendent
donc des paramètres du régulateur, alors que To(ρ) et So(ρ) sont des fonctions inconnues de par leur
dépendance du système G inconnu. En conséquence de quoi, la grandeur y' ˜ (ρ) ne pourra être obtenue
uniquement par l’expérimentation sur le système en boucle fermée. La seconde écriture de (7.10) nous
˜ (ρ) est la somme de trois termes.
montre que y'
Le premier résulte d’un simple filtrage du signal de référence r à travers la boucle fermée To(ρ), alors
que la somme du second et du troisième apparaît clairement comme résultant de deux filtrages succes-
sifs de la référence et du bruit à travers le système ; nous pouvons en effet réécrire cette somme comme
résultant du filtrage de la sortie du système bouclé à travers ce même système :
2
T 0 ( ρ )y ( ρ ) = T 0 ( ρ )r + T 0 ( ρ )S 0 ( ρ )v (7.11)
Les deux derniers termes de (7.10) sont obtenus en réutilisant le signal de sortie d’une expérience en
boucle fermée comme signal de référence pour une nouvelle expérience.
˜ (ρ) de la façon suivante :
Nous pouvons donc réécrire y'
1
˜ ( ρ ) = -------------
y' - [ C' ( ρ ) ⋅ T 0 ( ρ ) ⋅ r – C'y ( ρ ) ⋅ T 0 ( ρ ) ⋅ y ]
Cr ( ρ ) r
(7.12)
1
= -------------- [ ( C' r ( ρ ) – C' y ( ρ ) ) T 0 ⋅ r + C' y ( ρ ) ⋅ T 0 ( ρ ) ( r – y ) ]
Cr ( ρ )
La deuxième expression de (7.12) – obtenue par un simple artifice de calcul – nous montre que deux
˜ (ρ). En réalité, une troisième expérience s’impose.
expériences suffisent pour calculer y'
j
Notons les signaux de sortie de ces trois expériences pour y i , j = 1, 2, 3. Les signaux de consigne cor-
respondants sont :
1
ri = r
2 1
ri = r – yi (7.13)
3
ri = r
Après passage de ces derniers à travers la boucle fermée, nous obtenons les expressions suivantes pour
j
les y i :
1 1
y i = T 0 ( ρ i )r + S 0 ( ρ i )v i
2 1 2
y i = T 0 ( ρ i ) ( r – y i ( ρ i ) ) + S 0 ( ρ i )v i (7.14)
3 3
y i = T 0 ( ρ i )r + S 0 ( ρ i )v i
j
où v i désigne les perturbations en sortie à l’itération i et à l’expérience j ; elles sont mutuellement in-
dépendantes puisqu’elles proviennent d’expériences différentes.
82
Chapitre VII
A chaque itération, nous nous servirons des trois signaux de sortie obtenus pour calculer ỹ ( ρ i ) et
˜ ( ρi ) ] :
est [ y'
1
ỹ i = y i – y d
1 3 2
˜ ( ρ i ) ] = ---------------
est [ y' [ ( C' r ( ρ i ) – C' y ( ρ i ) ) y ( ρ i ) + C' y ( ρ i ) y ( ρ i ) ] (7.15)
Cr ( ρi )
La première expression de (7.15) est une réalisation exacte de ỹ ( ρ i ) ; en effet, la perturbation générée
lors de la première expérience intervient dans le critère J(ρ) (voir expression (7.9)).
La deuxième expression de (7.15) est bien quant à elle une estimée car est [ y' ˜ ( ρ i ) ] est une version de
2 3
˜ ( ρ i ) perturbée par les réalisations de bruit v i et v i . En effet, si nous développons cette expression en
y'
détail nous obtenons que:
S0 ( ρi ) 3 2
˜ ( ρ i ) ] = y'
est [ y' ˜ ( ρ i ) + --------------- [ ( C' r ( ρ i ) – C'y ( ρ i ) )v i + C' y ( ρ i )v i ] (7.16)
Cr ( ρi )
Nous voyons donc que le seul désagrément de la méthode intervient à ce niveau-ci de par l’intervention
des perturbations lors des deuxièmes et troisièmes expériences.
On pourrait s’interroger quant à l’utilité de la troisième expérience : pourquoi n’utilise-t-on pas simple-
1 3
ment y i dans la seconde expression de (7.15) au lieu de y i ? La réponse à cette question se trouve dans
une remarque déjà formulée plus haut, relative à l’indépendance statistique du bruit de sortie d’expé-
1 3
riences différentes. Utiliser y i plutôt que y i dans (7.15) aurait conduit à faire apparaître explicitement
1 3
v i à la place de v i dans (7.16).
1 2
L’estimation du gradient de J(ρ) aurait été biaisée, vu l’apparition d’un terme en E [ ( v i ) ] .
7.2.2 Signaux d’entrée

Cette section vise à obtenir les signaux u(ρ) et u′(ρ) intervenant dans le calcul de gradient de J(ρ).
1 2 3
En notant u i , u i et ui les signaux de commande respectivement relatifs aux expériences 1, 2 et 3, on
montre que u(ρi) et est [ u' ( ρ i ) ] sont donnés par :
1
u ( ρi ) = ui
1 3 2
est [ u' ( ρ i ) ] = --------------- [ ( C' r ( ρ i ) – C' y ( ρ i ) ) u ( ρ i ) + C' y ( ρ i )u ( ρ i ) ] (7.17)
Cr ( ρi )
Le lecteur intéressé s’en référera à [14]. Des remarques analogues formulées à la section précédente
sont d’application ici.
7.2.3 Estimation du gradient

Avec les signaux définis dans les deux sections précédentes, une estimation du gradient de J(ρi)
peut être obtenue en prenant :
N
δJ 1 
δỹ δu 
est ------ ( ρ i ) = ----
δρ N ∑  ỹ ( ρi, t )
est ------ ( ρ i, t ) + λ u ( ρ i, t ) est ------ ( ρ i ) 
δρ δρ 
(7.18)
t=1
Nous avons bien un estimateur non-biaisé du gradient du critère,
 δJ  δJ
E  est ------ ( ρ i )  = ------ ( ρ i ) (7.19)
 δρ  δρ
83
Chapitre VII
ce qui est une condition indispensable au bon fonctionnement de la méthode d’approximation stochas-
tique de l’algorithme.
Rappelons une dernière fois que c’est là toute la motivation pour la troisième expérience, qui permet
˜ ( ρ i ) ] et y'
d’éviter que l’erreur entre est [ y' ˜ ( ρ i ) soit corrélée avec ỹ i (idem avec u).
7.2.4 Modification de la direction de recherche

Il y a plusieurs possibilités pour le choix de la modification de la direction de recherche Ri du mi-
nimum du critère lors de l’itération (7.8).
La matrice identité conduit simplement à suivre le gradient dans la direction négative.
Un meilleur choix consiste à prendre Ri égal au hessien de J(ρi). Néanmoins, le calcul du hessien fera
intervenir des dérivées d’ordre deux et il sera difficile de les obtenir par expérience. On pourra dès lors
prendre une approximation au premier ordre du hessien qui ne fera intervenir que des dérivées de pre-
mier ordre :
N
1  δỹ  δỹ  T δu δu T 
J'' ( ρ ) ≅ ---- ------ + λ  ------  ----- 
∑  -----
- (7.20)
N  δρ
δρ  δρ  δr 
t=1 
Il sera alors tentant de prendre Ri tel que :
N
1  δỹ δỹ T δu δũ T
∑  δρ i
R i = ----
N
est -----
- ( ρ ) ⋅ est -----
δρ i
- ( ρ ) + λ est -----
δρ i
- ( ρ ) ⋅ est -----
- (
δρ i 
ρ ) (7.21)
t=1
Cette expression ne fait appel qu’aux signaux obtenus lors des différentes expériences décrites ci-des-
sus. Ce choix est en fait une approximation biaisée de la direction de Gauss-Newton (voir [19]).
7.3 Résumé de l’algorithme
Soit l’étape i de l’algorithme.

Le vecteur des paramètres du régulateur à cette étape est ρi.
1 2 3 1 2 3
(1) On génère les signaux y i , y i et y i et les signaux u i , u i et u i relatifs aux signaux
d’entrée donnés en (7.13).
(2) ˜ i ] , ui et est [ u' i ] via les relations (7.15) et (7.17). On obtien-
On calculera alors ỹ i , est [ y'
δJ
dra ensuite l’approximation stochastique du gradient est ------ ( ρ i ) via la relation (7.18).
δρ
(3) Les nouveaux paramètres du contrôleur sont calculés par :
–1 δJ
ρ i + 1 = ρ i – γ i R i est ------ ( ρ i )
δρ
où γi est le pas à l’étape i et
Ri est donné par la relation (7.21)
(4) On passe à l’étape i + 1.
Nous venons donc de présenter l’algorithme de l’IFT sous sa forme théorique. Il importera alors
à ce stade de s’occuper de son implémentation. Ceci est fait au chapitre suivant.
84
Chapitre VIII
Réglage d’un PID par “Iterative Feedback Tuning”
Chapitre 8.
Réglage d’un PID par “Iterative Feedback

Tuning”
8.1 Objectifs de la régulation

La théorie de l’IFT présentée au chapitre précédent ne permet de régler que le suivi de consigne.
Or, un objectif industriel de première importance concerne le rejet de perturbations de charge, ce dont
l’IFT ne tient pas compte directement.
C’est pourquoi nous proposerons dans ce chapitre un nouveau modèle IFT remédiant à cette carence.
Néanmoins, nous appliquerons dans un premier temps la méthode de base afin de régler le suivi de con-
signe. Dans un second temps, nous proposerons une méthode tenant compte conjointement des problè-
mes de rejet de perturbations et de suivi de consigne.
Ces différentes méthodes seront appliquées au Three-Tank régulé à l’aide d’un PID à deux degrés de
liberté.
8.2 Régulation de suivi de consigne

8.2.1 Implémentation de l’IFT
L’algorithme de l’IFT présenté précédemment résume la méthode comme on peut la trouver dans
la littérature. L’implémentation exigera cependant de nous soucier d’abord de problèmes comme par
exemple le choix du γi. Nous nous attacherons donc dans cette section à des problèmes liés à l’implé-
mentation de la méthode ainsi qu’à certains degrés de liberté introduits dans celle-ci.
8.2.1.1 Modèle de référence
Il importe de donner une expression à Td. Ce modèle discret Td n’a pas besoin d’être en rapport
avec la boucle de régulation réelle. On pourra alors facilement obtenir en fonction de certaines spécifi-
cations sur le suivi de consigne un modèle discret Td générant une réponse satisfaisant ces spécifica-
tions. Par exemple, si l’on désire obtenir un temps de réponse inférieur à 200 sec ainsi qu’un overshoot
inférieur à 6 %, un modèle répondant à ces deux spécifications sera le suivant :
( 0, 0025q + 0, 0024 )
T d ( q ) = -------------------------------------------------
2
-
( q – 1, 89q + 0, 94 )
La réponse de suivi de consigne obtenue sera alors donnée à la figure 8.1. Ce modèle sera conservé dans
la suite de nos expériences.
85
Chapitre VIII
˜ (ρi) ] et de est [u′(ρi) ] requiert le filtrage par l’inverse de Cr.

Le calcul de est [ y'
Si Cr n’est pas un filtre à minimum de phase, c’est-à-dire si ses zéros ne sont pas tous strictement à
l’intérieur du cercle unité, le filtrage conduit à une instabilité. Un problème similaire apparaît quand le
gradient de Cr et/ou Cy est instable.
Dans le cas présent, Cr est bien un filtre à minimum de phase mais les gradients de Cr et Cy par rapport
à Ki seront instables.
On pourra remédier à ce défaut en procédant à une modification de la boucle de la figure 8.2. Il suffit
de faire sortir l’intégrateur à la fois de Cr et de Cy.
En effet, partant de la structure initiale,
 Ki T
 u 1 = Kb + --------------------
–1
- r
 (1 – q )

Ki T
 u = K + -------------------- Kd –1
- + ------- ( 1 – q ) y
 2
(1 – q ) T
–1

nous obtiendrons alors
 ( 1 – q –1 )u 1 = [ Kb ( 1 – q –1 ) + Ki T ] r

 –1 –1 Kd –1 2
 ( 1 – q )u 2 = K ( 1 – q ) + Ki T + ------- ( 1 – q ) y
 T
En posant ∆=(1-q-1), on obtient :
 ∆u 1 = [ Kb ( 1 – q –1 ) + Ki T ] r

 –1 Kd –1 2
 ∆u 2 = K ( 1 – q ) + Ki T + ------- ( 1 – q ) y
 T
Ces dernières expressions nous suggèrent alors la structure de régulation décrite à la figure 8.3
87
Chapitre VIII
Figure 8.3 : Boucle de régulation modifiée.
et nous aurons comme nouvelles expressions de Cr et Cy:
–1
C r ( q ) = [ K b ( 1 – q ) + Ki T ]
(8.2)
–1 Kd –1 2
C y ( q ) = K ( 1 – q ) + Ki T + ------- ( 1 – q )
T
Il est particulièrement intéressant de remarquer que ce remaniement des expressions de Cr et Cy (rela-
tion (8.2)) n’entraînera aucune modification des expressions de est [ y'˜ (ρi) ] et est [u’ (ρi) ]. Nous trou-
verons alors les expressions de C’r (ρ) et C’y (ρ). Celles-ci se trouvent dans le tableau 8.1. Les gradients
de Cr et Cy sont à présent stables.
δ. Cr Cy
------
δρ
δ. K(1-q-1) O
-----
δb
δ.
------ b(1-q-1) (1-q-1)
δK
δ. T T
--------
δKi
δ. 0 1 –1 2
---------- --- ( 1 – q )
δKd T
Tableau 8.1 : Gradients de Cr et Cy.
˜ (ρi) ]. Nous transformerons

Disposant à ce stade de C’r(q) et C’y(q), il sera possible de calculer est [ y'
les expressions en q en équations aux différences auxquelles nous imposerons les conditions initiales
nulles. On procédera de même jusqu’à l’obtention du gradient estimé.
8.2.1.3 Choix du pas γi
Un problème de taille réside dans le choix du pas à appliquer lors de chaque itération. En effet,
un pas trop grand pourrait conduire à un régulateur déstabilisant la boucle.
88
Chapitre VIII
La solution que nous proposons est de calculer à l’étape i l’estimée du coût de l’étape i + 1 en fonction
d’une série de γi ∈ [ 0 ;1 ] et ce sur base de signaux disponibles à l’étape i. Nous choisirons alors le γi
qui minimise le coût estimé pour l’étape i + 1.
En effet, une approximation de Taylor à l’ordre deux de J(ρ) sera donnée par :
1 T
J ( ρ i + 1 ) = J ( ρ i ) + J' ( ρ i ) ( ρ i + 1 – ρ i ) + --- ( ρ i + 1 – ρ i ) J'' ( ρ i ) ( ρ i + 1 – ρ i ) (8.3)
2
Or, ρi+1 sera calculé par:
–1 δJ
ρ i + 1 = ρ i – γ i Ri ------ ( ρ i ) (8.4)
δρ
Nous obtiendrons donc en nous servant des deux dernières expressions que
δJ T – 1 δJ 2 δJ T – 1 T δJ
J ( ρ i + 1 ) = J ( ρ i ) – γ i  ------ ( ρ i ) Ri ------ ( ρ i ) + γ i  ------ ( ρ i ) ( R i ) ------ ( ρ i ) (8.5)
 δρ  δρ  δρ  δρ
Remarquons encore que nous limiter à une approximation de Taylor à l’ordre 1 n’aurait pas permis de
déterminer le γi en raison du fait que J(ρi+1) en fonction de γi est simplement une droite. L’approxima-
tion à l’ordre 2 apportera quant à elle une concavité de type parabolique.
Dans l’expression (8.5) toutes les grandeurs peuvent être obtenues après avoir accompli les expériences
de l’étape i.
Cependant, le lecteur féru d’optimisation mathématique s’interrogera sans doute sur l’utilité de cette
méthode : on peut démontrer que vu que J(ρ) est une fonction quadratique, un minimum local de cette
fonction peut être directement obtenu en prenant γi égal à un dans (8.4).
Ceci est cependant un résultat théorique ; nous ne disposons par exemple pas du hessien théorique mais
seulement d’une approximation dans la méthode de l’IFT.
Le choix du pas semble donc être nécessaire. Remarquons à cet égard que certains articles relatifs à
l’IFT choisissent des pas pas nécessairement proches de l’unité [18].
La figure 8.4 (a) montre une fonction de coût estimée en fonction de γi. Nous voyons que celle-ci est
relativement bruitée, mais nous pouvons quand même entrevoir une allure moyenne parabolique.
On peut également se rendre compte que certains pics de bruit pourraient fausser notre choix du γi. Il
serait donc intéressant d’amoindrir ces pics. Une interpolation de cette courbe ne nous semble pas
appropriée : rien ne nous assure que les échantillons prélevés sur cette courbe en vue d’une interpola-
tion ne soient pas fort bruités, auquel cas, ceux-ci fausseraient totalement l’interpolation.
Nous avons opté pour un filtrage de type “ moving average ” (filtrage de Golay). Celui-ci consiste à
prendre une moyenne pondérée de points aux alentours de l’échantillon courant. Le résultat obtenu avec
un tel filtrage est montré à la figure 8.4 (b). Nous avons amenuisé de beaucoup certains pics de bruit.
89
Chapitre VIII
J_actuel J_prochain
N° itération b K Ki Kd
(mesuré) (prédit)
1 0, 31 5, 34 0, 024 100, 00 0, 0269 0, 0229
2 0, 55 6, 71 0, 016 95, 00 0, 0222 0, 0157
3 0, 62 6, 62 0, 017 94, 50 0, 0085 0, 0073
4 0, 60 7, 13 0, 012 90, 62 0, 0055 0, 0031
5 0, 49 6, 88 0, 015 87, 50 0, 0075 0, 0050
Tableau 8.2 : Evolution des gains du PID et des coûts mesurés et prédits en fonction des pas
d’itération.
Au vu de ces résultats, plusieurs remarques s’imposent :

(1) On peut estimer que l’on arrive à une réponse optimale en 4 pas (cf J_actuel (mesuré) dans le
tableau 8.2). On constate pour cette réponse que l’on suit bien le transitoire du modèle de
référence mais que l’on n’améliore pas du tout l’amortissement par rapport à la réponse ini-
tiale (pas n°1).
On peut donc conclure que l’IFT classique met trop d’emphase sur le suivi du transitoire et pas
assez sur le taux d’ondulation. Nous tenterons de remédier à cette cause à la section suivante.
(2) En comparant les grandeurs J_actuel (mesuré) et J_prochain (estimé) correspondantes
(tableau 8.2), on constate que certaines valeurs correspondantes sont très différentes. Notre
méthode de choix de γi ne s’avère donc pas la meilleure.
Néanmoins, nous la conserverons par la suite et nous nous fierons plus aux coûts mesurés
qu’aux coûts prédits.
8.2.3 Expérience IFT n°2
8.2.3.1 Variante de la méthode de base
Nous essayerons de remédier aux larges dépassements apparus dans l’expérience IFT n°1. On se
basera sur une technique expliquée dans [15] et [16]. Celle-ci consiste à introduire des poids temporels
dans l’expression de la fonction de coût. La fonction de coût choisie dans l’expérience IFT n°1 se réé-
crira alors
N
1
J ( ρ ) = -------
2N ∑ ωy ( t ) ( ỹ ( t ) ) 2
t=1
où ωy(t) est un poids temporel

Nous utiliserons ces poids temporels de manière à masquer la réponse transitoire du suivi de con-
signe. Ce poids sera défini de la manière suivante.
 1 si t0 < t ≤ N
ωy ( t ) = 
 0 si 0 < t ≤ t0
Cela équivaut à placer un masque sur la réponse transitoire de sortie.
91
Chapitre VIII
J_actuel J_prochain
n° itération b K Ki Kd
(mesuré) (prédit)
1 0,31 5,34 0,024 100,00 0,0269 0,0245
2 0,30 5,84 0,020 98,00 0,0253 0,0272
3 0,5 5,77 0,0168 97,50 0,0132 0,0117
4 0,66 6,02 0,0158 96,50 0,0106 0,0093
5 0,62 6,80 0,0179 95,25 0,0092 0,0083
6 0,65 8,05 0,0128 91,25 0,0098 -------
Tableau 8.3 : Evolution des paramètres et des coûts mesurés et prédits pour l’expérience IFT n°2.
Au vu de ces résultats, nous formulerons les remarques suivantes:

(1) La diminution du dépassement est flagrante lors du passage du pas n°1 au pas n°2.
En réduisant encore la taille du masque, on diminuera progressivement le temps de réponse
en augmentant alors le dépassement. Tout cela est donc conforme à nos attentes.
(2) La réponse obtenue au pas n°5 semble être optimale au vu du tableau 8.3. En effet, un
sixième pas conduirait à un coût supérieur (cf J_actuel (mesuré)). De plus, les paramètres
livrés par l’algorithme lors du cinquième pas d’itération conduisent à un suivi de consigne
caractérisé par un temps de réponse de 240 sec et un pourcentage de dépassement de 8%. Ce
résultat est à comparer avec la réponse de suivi de consigne obtenue dans l’expérience IFT
n°1 (temps de réponse de 180 sec et pourcentage de dépassement de 16%). Cette comparai-
son met en exergue une fois de plus l’intérêt de la variante de l’IFT utilisée ici afin d’obtenir
de bonnes réponses de suivi de consigne.
Nous avons donc pallié le désagrément produit par l’IFT classique. Cette variante a donc porté
ses fruits.
8.3 Régulation du rejet de perturbations et du suivi de

consigne
Le but poursuivi dans cette section est d’élaborer une méthode permettant de régler à la fois le
suivi de consigne et le rejet de perturbations.
Nous procéderons d’abord à un remaniement de l’IFT afin de tenir compte de perturbations détermi-
nistes avant de chercher à concilier les deux problèmes précités.
8.3.1 Modèle IFT pour une perturbation déterministe

Considérons cette fois le système de commande représenté à la figure 8.7 dans lequel apparaît
une perturbation déterministe (entrée l).
Nous nous limiterons dans cet exposé aux étapes principales afin de déduire les expériences à réaliser,
vu la similarité avec la démarche développée au chapitre 7.
Le signal de sortie aura comme expression:
Cr G G 1
y = -------------------
- r + -------------------- l + -------------------- v (8.6)
1 + Cy G 1 + Cy G 1 + Cy G
93
Chapitre VIII
Nous définirons les fonctions de transfert To , Ro et So en vue de simplifier au mieux les développements
ultérieurs :
Cr G
T 0 = -------------------
-
1 + Cy G
1
S 0 = -------------------- (8.7)
1 + Cy G
G
R 0 = --------------------
1 + Cy G
Supposons que le système G soit linéaire; dans ce cas, la relation (8.6) reste valable pour décrire le com-
portement du système autour d’un point d’équilibre.
Nous considérons alors que le système est stabilisé autour d’un de ses points d’équilibre (r =0). Nous
appelons y la réponse à une perturbation déterministe l.
Le signal d’erreur entre la sortie désirée et la sortie réelle est noté
ỹ = y – y d
˜ . On obtiendra après calcul:
La méthode exigera alors de pouvoir obtenir y'
–G2
˜ = -------------------------- G
y' -C'y l – --------------------------2-C' y v
2
( 1 + Cy G ) ( 1 + Cy G )
1
= – ----- C' y ( T 0 R 0 l + T 0 S 0 V ) (8.8)
Cr
1
= -----C'y ( T 0 y )
Cr
On pourra réécrire (8.8) - en se servant de (8.6) et (8.7) - de la façon suivante:
ỹ = C' y ( R 0 l ) + C' y R 0 ( l – y )
Nous obtenons le même genre d’expressions que celles déjà établies au chapitre 7.
Nous comprenons dès lors que, en vue d’obtenir une expression non-biaisée du gradient de la fonction
de coût, nous devrons encore une fois imposer trois expériences. Les signaux d’entrées seront les sui-
vants:
94
Chapitre VIII
1 1
Expérience 1: li = l ri = 0
1
2 2 –yi
Expérience 2: li = l ri = ---------------
-
C r ( ρi )
3 3
Expérience 3: li = l ri = 0
Après passage de ces derniers à travers la boucle fermée, nous obtenons les expressions suivantes pour
j
les signaux de sortie (notés y i ):
1 1
Expérience 1: yi = R0 l + S0 vi
1
2  –y  2
Expérience 2: yi = T 0  -------i- + R0 l + S 0 v i
 Cr 
3 3
Expérience 3: yi = R0 l + S0 vi
j
De manière similaire au chapitre 7, nous nous servirons des signaux y i en vue de l’obtention des
˜ intervenant dans le calcul du gradient. Ces grandeurs seront obtenues ainsi:
grandeurs ỹ et y'
1
ỹ i = y i – y d
(8.9)
3 2
˜ i ] = – C' y ( ρ i ) y i + C' y y i
est [ y'
Nous sommes donc parvenus à proposer un nouveau schéma IFT tenant compte de la perturbation de
charge dont nous pourrons par conséquent tirer parti.
8.3.2 Méthode proposée

Les algorithmes d’optimisation élaborés jusqu’ici tenaient compte à la fois du problème du rejet
de perturbations et du problème de suivi de consigne. Il est dès lors tentant d’essayer de faire de même
avec l’IFT.
Nous disposons à ce stade de deux algorithmes IFT capables de régler respectivement le rejet de per-
turbations et le suivi de consigne.
Dans les algorithmes d’optimisation ayant fait l’objet de la première partie du travail, deux phases
distinctes étaient présentes:
• la première, à l’issue de laquelle le rejet de perturbations était définitivement fixé,
• la seconde, où le suivi de consigne était affiné via le réglage du paramètre b .
Dans le cadre de l’IFT, nous proposerons une méthode similaire procédant en deux phases éga-
lement:
95
Chapitre VIII
Outre les aspects relevant de l’implémentation de l’algorithme, notre démarche principale a été dans ce
chapitre de modifier l’algorithme de base de l’IFT (chapitre 7) afin de répondre à des exigences simi-
laires à celles décrites dans la première partie du travail.
Nous sommes parvenus à proposer une méthode IFT procédant en deux étapes et donc semblable aux
méthodes d’optimisation ayant fait l’objet de la première partie du travail ; la première étape servant à
régler le rejet de perturbations et la seconde, le suivi de consigne.
Cette méthode donne d’excellents résultats dans le cas du Three-Tank.
Cependant, nous avons insisté sur le fait que la méthode telle quelle souffre d’un défaut à savoir, elle
ne tient pas directement compte des aspects relatifs à la robustesse.
Dans le cas du Three-Tank, nous avons fait confiance à notre intuition afin de ne pas trop dégrader la
robustesse du système à la phase 1 de notre méthode.
On se rappellera également que la phase 2 permettra ici de combattre la dégradation de robustesse ap-
parue à la phase 1.
De manière générale, nous avons émis une suggestion afin de tenir compte des aspects de robustesse
dans la phase 1 de la méthode. Celle-ci consiste à introduire un poids fréquentiel dans l’expression de
la fonction de coût. Il serait dès lors intéressant d’affiner et de tester cette dernière suggestion sur des
systèmes plus complexes à réguler que le Three-Tank.
Ce travail ne serait pas complet si nous ne confrontions pas notre méthode d'optimisation avec
d'une part, les méthodes d'optimisation nécessitant un modèle et d'autre part, les méthodes classiques
de synthèse utilisées au chapitre 1.
Ces dernières sont plutôt qualitatives en ce qu'elles nous ont permis de juger les performances accessi-
bles avec telle ou telle structure de régulation. Les performances obtenues avec ces méthodes sur le PI
et le PID vont dans le même sens que celles obtenues à l'aide des algorithmes d'optimisation correspon-
dants. On comprend également que la précision nécessaire pour tenter de concilier tous les objectifs de
régulation est difficile à atteindre.
Les méthodes d'optimisation basées sur un modèle se sont révélées excellentes: accord parfait entre ex-
périences et simulations. Faisant intervenir des paramètres de synthèse, elles sont de ce fait plus flexi-
bles que les méthodes classiques. Elles permettent à l'automaticien d'incorporer dans l'algorithme la
finalité de la régulation. Ces méthodes d'optimisation nécessitant la connaissance d'un modèle sont
donc précises et relativement rapides dès que l'automaticien a intégré la manière d'agir sur les paramè-
tres de synthèse. C'est pourquoi elles s'imposent lorsque l'on dispose d'un modèle précis du système à
réguler.
Finalement, nous sommes parvenus à proposer dans l’Iterative Feedback Tuning une méthode réalisant
les mêmes objectifs de régulation que ceux des méthodes basées sur un modèle. Tout comme dans ces
méthodes, on a vu qu’il convenait dans l’Iterative Feedback Tuning de guider la méthode - par exemple,
en opérant un choix de poids dans la fonction de coût -.
Le résultat s’est avéré excellent dans le cas du Three-Tank malgré une certaine lenteur de la méthode
à cause du temps requis par expérience.
Elle s’indique particulièrement lorsque l’on dispose d’un modèle peu précis voire quand on ne dispose
d’aucun modèle du système.
100
Conclusion
Chapitre 9.
Conclusions
101
Conclusion
102
Conclusion
103
Bibliographie
Bibliographie
[1] Digital Control Systems, B. Kuo, Saunders College Publishing, 1992.
[2] Introduction à l’automatique, Volume 2, Systèmes discrets et échantillonnés, R. Hanus et P.

Bogaerts, De Boeck, 2000.
[3] Computer-Controlled Systems, Theory and Design, Third Edition, K.J. Åström and Björn
Wittenmark, Prentice-Hall International, 1990.
[4] Modern Control Systems, R. Dorf, R. Bishop, Addison-Wesley, 1998.
[5] Linear Control Systems, C. Rohrs, J. Melsa, D. Schultz, McGraw-Hill, 1993.
[6] PID Controllers: Theory, Design and Tuning, Second Edition, K.J Åström and T. Hägglund,
Instrument Society of America, 1995.
[7] Matlab 5.2 & 5.3, M. Mokhtari, Springer, 2000.
[8] Design of PI Controllers based on Non-Convex Optimization, K.J Åström, H. Panagopoulos

and T. Hägglund, Automatica, Vol 34, No 5, pp 585-601, 1998.
[9] Design of PID Controllers based on constrained optimization, K.J Åström, H. Panagopoulos
and T. Hagglund, Proceeding of the American Control Conference, San Diego, California,
June 1999.
[10] PID Control, Design, Extension, Application. Hélène Panagopoulos, Ph. D. Thesis, Lund Ins-
titute of Technology, Department of Automatic Control, 2000.
[11] Limitations on Control System Performance, K.J. Åström, Department of Automatic Control,
Lund Institute of Technology, Sweden, 1999.
[12] Convex Optimization and applications to Engineering, Stephen Boyd, Stanford University,
2000.
[13] Analyse Numérique, Première partie, F.X. LITT, notes de cours, Université de Liège, Faculté
des Sciences Appliquées, 1997.
[14] Iterative Feedback Tuning: Theory and Applications, H. Hjalmarsson, M. Gevers , S. Gun-
narson and O. Lequin, IEEE Control Systems, pp 26-41, August 1998.
[15] Optimizing the settling time with Iterative Feedback Tuning, O. Lequin, M. Gevers and L.
Triest, 14th Triennial World Congress, Beijing, P.R. China, 1999.
[16] Optimal closed-loop PID Tuning in the process industry with the “Iterative Feedback
Tuning” scheme, O. Lequin, Solvay S.A, Jemeppe-sur-Sambre, Belgium.
104
Bibliographie
[17] Iterative Feedback Tuning of a Nonlinear Controller for an inverted pendulum with a flexible
transmission., B. Codrons, F. Debruyne, M. Dewan and M. Gevers, Proceedings of the 1998
IEEE International Conference on Control Applications, pp 1281-1285, Trieste, Italy.
[18] Iterative Feedback Tuning applied to Smith predictor controllers, F. Debruyne, Siemens, Ser-
vice EIT ES (Advanced Process Control group), Huizingen, Belgium, December 2000
[19] Synthèse itérative de contrôleurs sans identification : étude et validation expérimentale, B.

Codrons, Master’s Thesis, Université Catholique de Louvain, Faculté des Sciences Appli-
quées, Louvain-la-Neuve, Belgium, June 1995, 137 pages.
105
Annexes
Annexe A
Annexe A
Cette annexe est relative au chapitre 2.
A.1 Démonstration du théorème de la page 25

Rappel du théorème :
Soit ωϕ, la fréquence à laquelle le système a une phase ϕ.

Supposons alors que le gain statique du système soit positif et que
d arg G ( iω )
------------------------------ < 0 ,
dω
d log 10 G ( iω ) (A.1)
------------------------------------ < 1 .
d log 10 ω
Alors il existe une solution à l’équation (2.7) du chapitre 2 dans l’intervalle
ω 90 < ω < ω + = ω R
180 – arc sin  ----
C
Démonstration :
(1) Par hypothèse G ( 0 ) > 0.

On peut alors démontrer que le gain intégral Ki doit être positif pour que le système en boucle
fermée soit stable.
On démontre cela via le critère de stabilité de Routh-Hurwitz.
Pour s’en convaincre, nous prendrons un système G (s) défini par :
G(0)
G ( s ) = ----------------------------
2
-
as + bs + 1
Le tableau de Routh-Hurtwitz sera :
a (1 + K G (0 ) )
b K i G (0 )
A 0
A K i G (0 ) 0
b ( 1 + K G ( 0 ) ) – aKi G ( 0 )
où A = ------------------------------------------------------------------
a
Le critère de stabilité imposera en outre que A et A Ki G (0) soient positifs.

Lorsque G ( 0 ) > 0, Ki devra nécessairement être positif.
Un raisonnement analogue sur des systèmes d’ordres supérieurs nous amènera à une conclu-
sion identique. De cela, ainsi que de la relation (2.7) du chapitre 2 découlera que :
R + C sin ϕ < 0
Annexe A
(2) On pourra transformer les relations (A.1) en expressions plus explicites :

La première de ces relations signifie que la phase est monotonement décroissante, c’est-à-
dire ϕ′ < 0.
La seconde relation se transformera de la manière suivante en invoquant le théorème de déri-
vation des fonctions composées :
(3) En reprenant l’équation (2.6), on peut évaluer h(ω) en ω90. En effet, au vu des résultats précé-
dents (1) et (2), on a
h (ω90) > 0.
De même, évaluons le signe de h (ω+)
En remarquant que R > C et que
on aura forcément que

h (ω+) < 0.
Or h (ω) est une fonction continue (théorème de composition de fonctions continues) et devra
donc posséder au moins un zéro dans l’intervalle [ ω90 ; ω+ ].
A.2 Définition du temps de réponse

Soit t*, le temps de réponse d’un système causal défini par sa réponse impulsionnelle h(t) (ou de
manière équivalente par sa fonction de transfert H(s)). Notons y(t) la réponse indicielle de ce système.
Annexe A
Nous prendrons alors comme définition du temps de réponse:

∞ *
∫0 ( y ( τ ) – y ( ∞ ) ) dτ = t y(∞ ) (A.2)
Dans ce cas, il est possible de relier le temps de réponse t* à une expression ne nécessitant que la con-
naissance de H(s). En effet:
(1) Le système étant causal, la réponse indicielle pourra être exprimée par:
τ
y( τ) = ∫0 h ( t ) dt
(2) Considérons le membre de droite de (A.2).

On peut le réécrire en se servant de (1):
∞ ∞
 τ h ( σ ) dσ – ∞ h ( σ ) dσ dτ
∫0 ( y ( τ ) – y ( ∞ ) ) dτ = ∫0  ∫0 ∫0 
∞
 – ∞ h ( σ ) dσ dτ
= ∫0  ∫τ 
En se servant de l’intégration par partie, cette dernière expression se transformera en:

∞ ∞ ∞ +∞ ∞
– ∫  ∫ h ( σ ) dσ dτ = – τ ∫ h ( σ ) dσ + ∫0 τ h ( τ ) dτ (A.3)
0 τ τ 0
















I II
(3) On transforme le premier terme de la dernière expression ainsi:

∞ ∞
I = lim τ → ∞ τ ∫ h ( σ ) dσ + lim τ → 0 τ ∫ h ( σ ) dσ
τ τ
Dans cette dernière expression, il est manifeste que le second terme est nul. Le premier terme
se calculera aisément à l’aide du théorème de l’Hospital et il s’avère qu’il sera nul également.
(4) Pour le calcul du second terme de (B.3), on remarquera d’abord que
∞ – sτ
H' ( s ) = ∫0 τ h ( τ ) e dτ
où le prime signifie l’opération de dérivation par rapport à s, et le second terme s’écrira alors
II=H′(0)
(5) Il ne restera plus qu’à exprimer y(∞) en fonction de H(s).
Or, ∞
y(∞ ) = ∫0 h ( τ ) dτ .
et ∞
H(s) = ∫0 h ( τ ) dτ .
d’où
y( ∞) = H(0) .
Tout calcul fait, on aura que
* H' ( 0 )
t = – -------------
H( 0)
Annexe A
La définition (A.2) du temps de réponse a donc comme intérêt de relier directement celui-ci à une ex-
pression ne nécessitant que la connaissance de H(s).
De manière tout aussi simple, si nous désirons connaître le temps de réponse t* d’un système formé par
la cascade de deux systèmes H1(s) et H2(s), chacun de ces deux systèmes étant caractérisé respective-
ment par des temps de réponses t1* et t2* (définis selon (A.2)), on peut montrer que l’expression du
temps de réponse t* sera donné par
t* = t1* + t2*

Degeest

Transféré par

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

Degeest

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

Degeest

Transféré par

Droits d'auteur :

Formats disponibles

Université de Liège

Faculté des Sciences Appliquées

Méthodes d'optimisation pour le

Travail de fin d'études réalisé en vue de l'obtention du grade

Année Académique 2000-2001

Je voudrais d’abord exprimer ma gratitude envers Monsieur le

J’associe à ces remerciements Monsieur P. Ansay, chercheur

Je remercie vivement les membres du Jury, Messieurs les

Ma reconnaissance va également à Monsieur Nicolas

Enfin, je tiens à remercier le Service de Systèmes et

Chapitre 1. Méthodes classiques de régulation et choix d’une struc-

1.1 Description du Three-Tank- - - - - - - - - - - - - - - - - - - - - - - - - - - 4

1.2 Contrôle à un degré de liberté - - - - - - - - - - - - - - - - - - - - - - - - 7

1.3 Contrôle à deux degrés de liberté - - - - - - - - - - - - - - - - - - - - - 15

Chapitre 2. Réglage d'un contrôleur PI à partir d'un problème d'op-

2.1 Problème d’optimisation - - - - - - - - - - - - - - - - - - - - - - - - - - - 22

2.2 Méthode complète de Design - - - - - - - - - - - - - - - - - - - - - - - - 26

2.4.1.1 Principe des simulations- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 29

Chapitre 3. Réglage d’un PI à partir d’un problème d’optimisation:

3.1 Système échantillonné - - - - - - - - - - - - - - - - - - - - - - - - - - - - 39

3.2 Saturation de l’actionneur. - - - - - - - - - - - - - - - - - - - - - - - - - - 43

3.3 Résultats expérimentaux - - - - - - - - - - - - - - - - - - - - - - - - - - - 44

Chapitre 4. Réglage d’un PID à partir d’un problème d’optimisation:

4.1 Problème d'optimisation - - - - - - - - - - - - - - - - - - - - - - - - - - - 48

4.2 Design final - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 51

Chapitre 5. Réglage d'un PID à partir d'un problème d'optimisation :

5.1 Implémentation du PID - - - - - - - - - - - - - - - - - - - - - - - - - - - - 62

5.2 Résultats expérimentaux - - - - - - - - - - - - - - - - - - - - - - - - - - - 64

5.3 Structure de régulation améliorée - - - - - - - - - - - - - - - - - - - - - 64

Chapitre 6. Algorithme de réglage de PID - - - - - - - - - - - - - - - 68

6.1 Méthode générale - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 68

6.2 Méthode détaillée - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 69

6.4 Comparaison PI - PID - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 75

Chapitre 7. “ Iterative Feedback Tuning ” : Méthode d’optimisation

7.1 Critère de synthèse - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 79

7.2 Minimisation du critère - - - - - - - - - - - - - - - - - - - - - - - - - - - - 81

7.3 Résumé de l’algorithme - - - - - - - - - - - - - - - - - - - - - - - - - - - - 84

Chapitre 8. Réglage d’un PID par “Iterative Feedback Tuning” - 85

8.1 Objectifs de la régulation- - - - - - - - - - - - - - - - - - - - - - - - - - - 85

8.2 Régulation de suivi de consigne - - - - - - - - - - - - - - - - - - - - - - 85

8.3 Régulation du rejet de perturbations et du suivi de consigne - - - - 93

Chapitre 9. Conclusions - - - - - - - - - - - - - - - - - - - - - - - - - - - 101

Le contenu de ce travail est structuré comme suit :

Le chapitre 1 vise à poser le problème de la régulation dans le cas particulier du Three-Tank.

Méthodes classiques de régulation et choix

1.1 Description du Three-Tank

1.1.1 Modélisation du Three-Tank

Figure 1.2: Schéma de modélisation du Three-Tank.

1.1.2 Étude des performances de la boucle ouverte

Figure 1.3 : Réponse indicielle du Three-Tank en boucle ouverte.

1.2 Contrôle à un degré de liberté

Figure 1.4: Schéma de régulation à un degré de liberté.

1.2.1 Action Proportionnelle (P)

1.2.2 Action intégrale (I)

1.2.3 Action Proportionnelle-Intégrale (PI)

1.2.5 Action proportionnelle-intégrale-dérivée (PID)

1.3 Contrôle à deux degrés de liberté

1.3.1 Structure de la boucle de régulation