Courchesne Samuel

ÉCOLE DE TECHNOLOGIE SUPÉRIEURE
UNIVERSITÉ DU QUÉBEC
MÉMOIRE PRÉSENTÉ À
L’ÉCOLE DE TECHNOLOGIE SUPÉRIEURE
COMME EXIGENCE PARTIELLE

À L’OBTENTION DE LA
MAÎTRISE EN GÉNIE AÉROSPATIAL
M. Ing.
PAR
Samuel COURCHESNE
ESTIMATION ET VALIDATION DES DÉRIVÉES DE STABILITÉ ET CONTRÔLE DU

MODÈLE DYNAMIQUE NON-LINÉAIRE D’UN DRONE À VOILURE FIXE
MONTRÉAL, LE 13 MARS 2013
©Tous droits réservés, Samuel Courchesne, 2013

©Tous droits réservés
Cette licence signifie qu’il est interdit de reproduire, d’enregistrer ou de diffuser en tout ou en partie, le
présent document. Le lecteur qui désire imprimer ou conserver sur un autre media une partie importante de
ce document, doit obligatoirement en demander l’autorisation à l’auteur.
PRÉSENTATION DU JURY
CE MÉMOIRE A ÉTÉ ÉVALUÉ
PAR UN JURY COMPOSÉ DE :
M. Maarouf Saad, directeur de mémoire

Département de génie électrique à l’École de technologie supérieure
M. Guy Gauthier, président du jury

Département de génie de la production automatisée à l’École de technologie supérieure
M. Moussa Abdoune, membre du jury

Bombardier Aéronautique
IL A FAIT L’OBJET D’UNE SOUTENANCE DEVANT JURY ET PUBLIC
LE 16 JANVIER 2013
À L’ÉCOLE DE TECHNOLOGIE SUPÉRIEURE

“L’effort qu’on fait pour être
heureux n’est jamais perdu.”
Émile-Auguste Chartier (1868 – 1951)

REMERCIEMENTS
Ce travail est avant tout une réalisation personnelle. Néanmoins, la conclusion de ce travail
m’aurait été impossible d’accomplir sans la participation et le soutien de nombreuses
personnes au cours des années passées au sein du laboratoire GRÉPCI.
Je tiens particulièrement à remercier mon directeur de recherche du GREPCI, le professeur

Maarouf Saad, pour m’avoir donné l’opportunité d’effectuer cette recherche sous sa direction
et pour m’avoir permis une grande liberté dans mes efforts. Son expérience, encouragement
et son soutien m’ont été très utiles à différentes étapes de ce travail.
L’acquisition de données de vol n’a pas été une tâche facile. J’apprécie beaucoup les efforts
de Mario Landry, qui a grandement contribué à fournir les données expérimentales
applicables à l’analyse. Je remercie aussi Sylvain Brisebois, chargé de l’application
technologique et informatique au département de génie électrique pour son soutien et ses
conseils lors de la réalisation du drone. J’exprime naturellement toute ma gratitude à
Guillaume Paquet, technicien en électrotechnique qui a accepté, à de nombreuses occasions,
de contribuer aux essais en vol en tant que pilote.
Et enfin, je tiens à adresser mes remerciements à ma conjointe Glenda et toute ma famille,

dont leur amour et éternel soutien ont rendu possible de compléter ce mémoire.
ESTIMATION ET VALIDATION DES DÉRIVÉES DE STABILITÉ ET CONTRÔLE
DU MODÈLE DYNAMIQUE NON-LINÉAIRE D’UN DRONE À VOILURE FIXE
Samuel COURCHESNE
RÉSUMÉ
La connaissance des caractéristiques dynamiques d'un drone à voilure-fixe est nécessaire

pour la conception des lois de commande de vol ainsi que pour la réalisation d’un simulateur
de vol de haute qualité. Les caractéristiques de base d’un modèle de la mécanique du vol
incluent les propriétés de masse, d’inertie et les principaux termes aérodynamiques. Ils
répondent à un processus complexe impliquant diverses techniques d’analyse numérique et
de procédés expérimentaux.
Ce mémoire porte sur l’analyse des techniques d’estimation appliquées aux problèmes
d’estimation des dérivées de stabilité et de contrôle à partir des données d’essais en vol
fournies par un drone de recherche. Afin d'atteindre cet objectif, une méthodologie
d'identification moderne (Quad-M) est utilisée pour coordonner le traitement des tâches à
partir des domaines multidisciplinaires, tels que le développement du modèle mathématique,
la phase expérimentale, l'estimation des paramètres et la validation du modèle.
Le système à l’étude est un modèle non-linéaire à six degrés de liberté comportant un modèle
aérodynamique linéaire. Les techniques du domaine temporel sont utilisées pour
l'identification du drone. La première technique, la méthode à erreur d’équation, sert à
déterminer la structure du modèle aérodynamique. Par la suite, les méthodes à erreur de
sortie et à erreur de filtre sont utilisées pour l’estimation des coefficients aérodynamiques.
Les programmes Matlab pour estimer les paramètres, obtenus par la American Institute of
Aeronautics and Astronautics (AIAA), sont utilisés et modifiés au besoin afin d’obtenir les
résultats souhaités.
Un effort louable dans ce cadre de recherche est consacré à la conception des expériences.
Cela comprend une prise de conscience du système d'acquisition de données embarqué et la
définition des manœuvres de vol. Les essais en vol ont été réalisés dans des conditions de vol
stable, lors de faible perturbation atmosphérique. Les résultats d'identification ont démontré
que seule la méthode à erreur de filtre s’avère la plus efficace pour l’estimation des
paramètres du drone dû à la présence de bruit de processus et de mesure.
Les coefficients aérodynamiques sont validés à l’aide d’une analyse numérique de la

méthode des vortex. De plus, un modèle de simulation intégrant les paramètres estimés est
utilisé pour comparer le comportement des états mesurés. Finalement, une bonne
correspondance entre les résultats est démontrée malgré un nombre limité de données de vol.
Mots-clés : drone, identification, estimation, non-linéaire, essai en vol, système, coefficient

aérodynamique.
ESTIMATION AND VALIDATION OF STABILITY AND CONTROL
DERIVATIVES FOR A NONLINEAR DYNAMIC MODEL OF A FIXED WING UAV
Samuel COURCHESNE
ABSTRACT
Knowledge of the dynamic characteristics of a fixed-wing UAV is necessary to design flight

control laws and to conceive a high quality flight simulator. The basic features of a flight
mechanic model include the properties of mass, inertia and major aerodynamic terms. They
respond to a complex process involving various numerical analysis techniques and
experimental procedures.
This thesis focuses on the analysis of estimation techniques applied to estimate problems of
stability and control derivatives from flight test data provided by an experimental UAV. To
achieve this objective, a modern identification methodology (Quad-M) is used to coordinate
the processing tasks from multidisciplinary fields, such as parameter estimation modeling,
instrumentation, the definition of flight maneuvers and validation.
The system under study is a non-linear model with six degrees of freedom with a linear
aerodynamic model. The time domain techniques are used for identification of the drone. The
first technique, the equation error method is used to determine the structure of the
aerodynamic model. Thereafter, the output error method and filter error method are used to
estimate the aerodynamic coefficients values. The Matlab scripts for estimating the
parameters obtained from the American Institute of Aeronautics and Astronautics (AIAA)
are used and modified as necessary to achieve the desired results.
A commendable effort in this part of research is devoted to the design of experiments. This
includes an awareness of the system data acquisition onboard and the definition of flight
maneuvers. The flight tests were conducted under stable flight conditions and with low
atmospheric disturbance. Nevertheless, the identification results showed that the filter error
method is most effective for estimating the parameters of the drone due to the presence of
process noise and measurement.
The aerodynamic coefficients are validated using a numerical analysis of the vortex method.
In addition, a simulation model incorporating the estimated parameters is used to compare
the behavior of states measured. Finally, a good correspondence between the results is
demonstrated despite a limited number of flight data.
Keywords : drone, identification, estimation, nonlinear, flight test, system, aerodynamic

coefficient.
TABLE DES MATIÈRES
Page
INTRODUCTION .................................................................................................................... 1
CHAPITRE 1 CONSIDÉRATIONS GÉNÉRALES.............................................................. 3
1.1 Concepts de base de l’identification du système .......................................................... 3
1.2 Revue de littérature ....................................................................................................... 4
1.2.1 Évolution des techniques d’identification ....................................................... 4
1.2.2 Méthode d’estimation déterministe................................................................. 6
1.2.3 Méthode d’estimation stochastique................................................................. 7
1.2.4 Techniques d’identification modernes ............................................................ 8
1.2.4.1 Manœuvres ..................................................................................... 9
1.2.4.2 Mesures .......................................................................................... 9
1.2.4.3 Modèles ........................................................................................ 10
1.2.4.4 Méthodes ...................................................................................... 10
1.2.4.5 Phase de validation ....................................................................... 11
1.3 Objectifs de recherche ................................................................................................. 12
1.4 Originalité des travaux ................................................................................................ 13
1.5 Organisation du mémoire ............................................................................................ 13
CHAPITRE 2 MODÈLE MATHÉMATIQUE DU DRONE ET DE
L’INSTRUMENTATION............................................................................. 15
2.1 Description du drone ................................................................................................... 15
2.2 Introduction aux repères de référence ......................................................................... 19
2.2.1 Repère terre (Ox y z ) ................................................................................ 19
2.2.2 Repère navigation (Ox y z ) ...................................................................... 19
2.2.3 Repère avion (Ox y z ) ............................................................................... 20
2.2.4 Repère vent (Ox y z ) ............................................................................... 21
2.2.5 Repère stabilité (Ox y z ) ............................................................................ 22
2.3 Orientation et position du drone.................................................................................. 23
2.4 Équations de mouvement ............................................................................................ 29
2.4.1 Mécanique Newtonienne .............................................................................. 29
2.4.2 Définition des forces et moments externes ................................................... 32
2.4.3 Représentation des forces dans le repère vent .............................................. 35
2.5 Équations d’observation .............................................................................................. 37
2.6 Modèles aérodynamiques ............................................................................................ 41
2.7 Simplification des équations de mouvement .............................................................. 42
2.7.1 Mouvement longitudinal ............................................................................... 43
2.7.2 Mouvement latéral-directionnel .................................................................... 44
CHAPITRE 3 PHASE EXPÉRIMENTALE ........................................................................ 47
3.1 Conception des commandes d’entrées ........................................................................ 47
3.1.1 Descriptions des signaux............................................................................... 50
3.1.2 Limitation pratiques ...................................................................................... 54
3.2 Système d’acquisition de données .............................................................................. 56
XIV
3.2.1 Description de la plateforme de mesure........................................................ 56

3.2.2 Stratégie d’échantillonnage ........................................................................... 58
3.3 Filtrage des données post-opération ............................................................................ 60
CHAPITRE 4 STRUCTURE DU MODÈLE AÉRODYNAMIQUE ET ESTIMATION
DES PARAMÈTRES.................................................................................... 63
4.1 Méthode à erreur d’équation ....................................................................................... 64
4.1.1 Définition ...................................................................................................... 64
4.1.2 Principe de la régression linéaire multiple .................................................... 66
4.1.3 Choix de la structure du modèle et estimation des dérivées
longitudinales et latérales par EEM .............................................................. 67
4.2 Méthode à erreur de sortie........................................................................................... 74
4.2.1 Définition ...................................................................................................... 74
4.2.2 Principe du Maximum de vraisemblance ...................................................... 75
4.3 Méthode à erreur de filtre............................................................................................ 78
4.3.1 Définition ...................................................................................................... 78
4.3.2 Principe d’estimation d’état par filtre de Kalman ......................................... 79
4.4 Évaluation de la qualité des estimations ..................................................................... 82
4.4.1 Borne de Cramér-Rao ................................................................................... 82
4.4.2 Coefficient de Corrélation............................................................................. 83
4.4.3 Analyse des résidus ....................................................................................... 84
4.5 Résultats des estimations ............................................................................................ 84
4.5.1 Estimation des dérivées longitudinales par OEM ......................................... 84
4.5.2 Estimation des dérivées latérales par OEM .................................................. 93
4.5.3 Estimation des dérivées longitudinales par FEM........................................ 102
4.5.4 Estimation des dérivées latérales par FEM ................................................. 108
CHAPITRE 5 VALIDATION DES PARAMÈTRES........................................................ 115
5.1 Méthode des Vortex .................................................................................................. 115
5.1.1 Maillage de la géométrie du drone.............................................................. 117
5.1.2 Comparaison des résultats........................................................................... 118
5.1.2.1 Commentaires ............................................................................. 120
5.2 Simulation du modèle non-linéaire ........................................................................... 120
5.2.1 Description du modèle de simulation ......................................................... 121
5.2.2 Résultats de la simulation ........................................................................... 123
5.2.3 Visualisation de la manœuvre ..................................................................... 128
CONCLUSION ..................................................................................................................... 131
RECOMMANDATIONS ..................................................................................................... 133
ANNEXE I DÉFINITION DES DÉRIVÉES AÉRODYNAMIQUES ................................ 135
ANNEXE II GÉOMÉTRIE POUR CODE TORNADO ...................................................... 137
ANNEXE III COORDONNÉES DU PROFIL NEXSTAR ................................................. 141
LISTE DE RÉFÉRENCES BIBLIOGRAPHIQUES............................................................ 143
LISTE DES TABLEAUX
Page
Tableau 2.1 Sommaire des caractéristiques géométriques de la MOUETS ...........................17
Tableau 2.2 Position géométrique des capteurs aérodynamiques de la MOUETS ................41
Tableau 3.1 Sommaire des périphériques utilisés pour le drone ............................................57
Tableau 4.1 Estimation des coefficients du mouvement

longitudinales et latérales (EEM) .......................................................................70
Tableau 4.2 Estimation des coefficients du mouvement latéral (OEM) ................................87
Tableau 4.3 Matrice de corrélation des paramètres estimés

du mouvement longitudinal (OEM) ...................................................................88
Tableau 4.4 Estimation des coefficients du mouvement longitudinal (OEM) .......................97

du mouvement latéral (OEM) .............................................................................98
Tableau 4.6 Estimation des coefficients du mouvement longitudinal (FEM) ......................103

du mouvement longitudinal (FEM) ..................................................................104
Tableau 4.8 Estimation des coefficients du mouvement latéral (FEM) ...............................109

du mouvement latéral (FEM) ...........................................................................110
Tableau 5.1 Comparaison des coefficients aérodynamiques obtenu

par le code Tornado et les méthodes OEM et FEM..........................................119
LISTE DES FIGURES
Page
Figure 1.1 Concept fondamental de l’identification de système ............................................3
Figure 1.2 Méthodologie Quad-M pour l’identification de système d’un véhicule de vol ....9
Figure 2.1 Présentation du banc d’essai (MOUETS) ...........................................................16
Figure 2.2 Démonstration des principales caractéristiques géométriques

(envergure, corde moyenne aérodynamique, dièdre et surface alaire) ...............18
Figure 2.3 Systèmes d’axes globaux (repère terre et repère de navigation) ........................20
Figure 2.4 Systèmes d’axes mobiles (vent, stabilité et avion) .............................................22
Figure 2.5 Orientation de l’avion .........................................................................................24
Figure 2.6 Représentation des vitesses linéaires et angulaires ainsi que des forces et
couples aérodynamiques dans le système d’axes du corps de l’avion................28
Figure 2.7 Convention de signe des surfaces de contrôle ....................................................29
Figure 2.8 Définition des angles aérodynamique.................................................................39
Figure 2.9 Position des capteurs d’angle d’attaque et de dérapage par rapport
au centre de gravité .............................................................................................40
Figure 3.1 Procédure expérimentale pour l’identification de système du drone..................47
Figure 3.2 Cycle de conception conventionnelle pour commande d’entrée ........................49
Figure 3.3 Représentation schématique des signaux d’entrées ............................................51
Figure 3.4 Comparaison des fonctions de la densité de puissance spectrale

pour différentes formes d’entrées .......................................................................53
Figure 3.5 Illustration d’une trajectoire typique pour le test en vol .....................................55
Figure 3.6 Représentation schématique des systèmes du drone ..........................................58
Figure 4.1 Diagramme de la méthode à erreur d’équation...................................................65
Figure 4.2 Réponse mesurée et estimée (EEM) du coefficient ......................................71

XVIII
Figure 4.3 Réponse mesurée et estimée (EEM) du coefficient .......................................71
Figure 4.4 Réponse mesurée et estimée (EEM) du coefficient ......................................72
Figure 4.8 Diagramme de la méthode à erreur de sortie ......................................................75
Figure 4.9 Diagramme de la méthode à erreur de filtre .......................................................79
Figure 4.10 Réponse mesurée et estimée (OEM) de la vitesse relative .............................89
Figure 4.11 Réponse mesurée et estimée (OEM) de l’angle d’attaque ..............................90
Figure 4.12 Réponse mesurée et estimée (OEM) de l’angle de tangage ............................90
Figure 4.13 Réponse mesurée et estimée (OEM) de la vitesse angulaire ...........................91
Figure 4.14 Réponse mesurée et estimée (OEM) de l’accélération angulaire ....................91
Figure 4.15 Réponse mesurée et estimée (OEM) de l’accélération linéaire .....................92
Figure 4.16 Réponse mesurée et estimée (OEM) de l’accélération linéaire .....................92
Figure 4.17 Réponse mesurée et estimée (OEM) de la vitesse angulaire ...........................99
Figure 4.18 Réponse mesurée et estimée (OEM) de l’accélération angulaire ....................99
Figure 4.19 Réponse mesurée et estimée (OEM) de la vitesse angulaire .........................100
Figure 4.20 Réponse mesurée et estimée (OEM) de l’accélération angulaire ..................100
Figure 4.21 Réponse mesurée et estimée (OEM) de l’accélération linéaire ...................101
Figure 4.22 Réponse mesurée et estimée (OEM) de l’angle de dérapage ........................101
Figure 4.23 Réponse mesurée et estimée (FEM) de la vitesse relative ............................105
Figure 4.24 Réponse mesurée et estimée (FEM) de l’angle d’attaque .............................105
Figure 4.25 Réponse mesurée et estimée (FEM) de l’angle de tangage ...........................106
Figure 4.26 Réponse mesurée et estimée (FEM) de la vitesse angulaire .........................106

XIX
Figure 4.27 Réponse mesurée et estimée (FEM) de l’accélération angulaire ..................107
Figure 4.28 Réponse mesurée et estimée (FEM) de l’accélération linéaire ...................107
Figure 4.29 Réponse mesurée et estimée (FEM) de l’accélération linéaire ....................108
Figure 4.30 Réponse mesurée et estimée (FEM) de la vitesse angulaire .........................110
Figure 4.31 Réponse mesurée et estimée (FEM) de l’accélération angulaire ..................111
Figure 4.32 Réponse mesurée et estimée (FEM) de la vitesse angulaire ..........................111
Figure 4.33 Réponse mesurée et estimée (FEM) de l’accélération angulaire ...................112
Figure 4.34 Réponse mesurée et estimée (FEM) de l’accélération linéaire ...................112
Figure 4.35 Réponse mesurée et estimée (FEM) de l’angle de dérapage .........................113
Figure 5.1 Modélisation d’un panneau de vortex...............................................................116
Figure 5.2 Schéma représentant la disposition des panneaux de la MOUETS

pour le code TORNADO ..................................................................................117
Figure 5.3 Schéma Simulink du modèle aérodynamique ..................................................121
Figure 5.4 Schéma Simulink du modèle de la MOUETS ..................................................122
Figure 5.5 Commande d’entrée mesurée et simulée de la déflection

de la gouverne de profondeur ......................................................................124
Figure 5.6 Réponse mesurée et simulé de l’angle d’attaque ..........................................124
Figure 5.7 Réponse mesurée et simulé de la vitesse angulaire .......................................125
Figure 5.8 Commande d’entrée mesurée et simulée de la déflection des ailerons .......125
Figure 5.9 Commande d’entrée mesurée et simulée de la déflection

de la gouverne de direction ..........................................................................126
Figure 5.10 Réponse mesurée et simulée de l’angle de dérapage ....................................126
Figure 5.11 Réponse mesurée et simulée de la vitesse angulaire .....................................127
Figure 5.12 Réponse mesurée et simulée de la vitesse angulaire .....................................127
Figure 5.13 Visualisation 3D en temps réel du modèle simulé et du modèle

estimé lors d’une maneouvre de vol de la MOUETS .......................................129
LISTE DES ABRÉVIATIONS, SIGLES ET ACRONYMES
AIAA American Institute of Aeronautics and Astronautics
UAV Unmanned aerial vehicle
CFD Computational fluid dynamics
NASA National Aeronautics and Space Administration
AGARD Advisory Group for Aerospace Research and Development
DLR Deutschen zentrums für Luft- und Raumfahrt, est le Centre aérospatial
allemand
MATLAB Matrix Laboratory, est un langage de programmation et environnement

de développement conçu par la compagnie The MathWorks
ARF Almost Ready to Fly
CATIA Conception Assistée Tridimensionnelle Interactive Appliquée, est un

logiciel de modélisation 3D
NED Repère de navigation ou géographique, North-East-Down
AOA Angle Of Attack
CG Centre de Gravité
DSP Densité Spectrale de Puissance
GPS Global Positioning System
GRÉPCI Groupe de Recherche en Électronique de Puissance et Commande

Industrielle
VLM Vortex Lattice Method
SCR Somme des Carrés des Résidus
SCT Somme des Carrés Totaux
DDL Degré De Liberté

XXII
ML Maximum Likelihood
CAO Conception Assisté par Ordinateur
MOUETS Drone développé au GRÉPCI

LISTE DES SYMBOLES ET UNITÉS DE MESURE
Forces externes exercées sur le corps de l’avion
Masse totale de l’avion (kg)
Moments externes exercés sur le corps de l’avion
Vitesse du vent relatif au repère d’inertie (m/sec)
Moments d’impulsion
Vitesses du centre de masse de l’avion (m)
, , Moment d’inertie le long des axes x, y et z du repère avion (kg.m2)
Produit d’inertie dans le plan x-y du repère avion (kg.m2)
Composantes de la force suivant les axes
Θ Vecteur des paramètres inconnus
Densité de l’air (kg/m3)
Envergure de l’aile (m)
̅ Corde moyenne aérodynamique (m)
Surface alaire (m2)
Γ Dièdre de l’aile (deg)
, , Angles d’Euler (lacet, tangage et roulis) représentant les rotations entre le

repère inertiel et le repère avion (deg)
ℎ Altitude, (m)
, , Composantes de la vitesse de rotation exprimées dans le repère avion (rad/sec)
, , Composantes de la vitesse linéaire exprimées dans le repère avion (m/sec)
Angle d’incidence ou angle d’attaque (deg)

XXIV
Angle de dérapage (deg)
, , Composantes de la force aérodynamique dans le repère avion (N)
, , Composantes du couple aérodynamique dans le repère avion (N.m)
Pression dynamique (Pa)
Moment d’inertie de l’hélice du moteur en rotation (kg.m2)
Ω Vitesse angulaire de l’hélice du moteur (rad/sec)
ℎ Moment angulaire de l’hélice en rotation (kg.m2/s)
Accélération gravitationnelle exprimée dans le repère d’inertie (m/sec2)
Angle de flanc (deg)
a Vecteur de l’accélération linéaire exprimé dans le repère avion (m/s2)
Position du capteur d’angle d’attaque selon l’axe x du repère avion (m)
Position du capteur d’angle d’attaque selon l’axe y du repère avion (m)
Position du capteur d’angle de dérapage selon l’axe x du repère avion (m)
Position du capteur d’angle de dérapage selon l’axe x du repère avion (m)
Fréquence naturelle du mode d’excitation (Hz)
Ω Fréquence normalisée de la fonction de densité spectrale de puissance
Température de l’air (ºC)
Longitude (deg)
Latitude (deg)
Δ Temps entre les échantillons (sec)
Système d’axe du repère terre
Système d’axe du repère avion

XXV
Système d’axe du repère vent
Système d’axe du repère stabilité
, , Composantes de l’impulsion exprimée dans le repère avion
Déflection de la gouverne de profondeur (deg)
Déflection de la gouverne de direction (deg)
Déflection des ailerons (deg)
Dérivées d’angle d’attaque :
Variation du coefficient de trainée avec l’angle d’attaque
Variation du coefficient de portance avec l’angle d’attaque
Variation du coefficient de moment en tangage avec l’angle d’attaque
Dérivées de vitesse de tangage :
Variation du coefficient de trainée avec la vitesse de tangage
Variation du coefficient de portance avec la vitesse de tangage
Variation du coefficient de moment en tangage avec la vitesse de tangage
Dérivées d’angle de dérapage :
Variation du coefficient de force latérale avec l’angle de dérapage
Variation du coefficient de moment en roulis avec l’angle de dérapage
Variation du coefficient de moment en lacet avec l’angle de dérapage
Dérivées de vitesse de roulis :
Variation du coefficient de force latérale avec la vitesse de roulis

XXVI
Variation du coefficient de moment en roulis avec la vitesse de roulis
Variation du coefficient de moment en lacet avec la vitesse de roulis
Dérivées de vitesse de lacet :
Variation du coefficient de force latérale avec la vitesse de lacet
Variation du coefficient de moment en roulis avec la vitesse de lacet
Variation du coefficient de moment en lacet avec la vitesse de lacet
Dérivées de contrôle longitudinal :
Variation du coefficient de portance avec la déflection de la gouverne de

profondeur
Variation du coefficient de moment en tangage avec la déflection de la

gouverne de profondeur
Dérivées de contrôle latéral :
Variation du coefficient de force latérale avec la déflection des ailerons
Variation du coefficient de moment en roulis avec la déflection des ailerons
Variation du coefficient de moment en lacet avec la déflection des ailerons
Dérivées de contrôle directionnel :
Variation du coefficient de force latérale avec la déflection de la gouverne de

direction
Variation du coefficient de moment en roulis avec la déflection de la gouverne

de direction
Variation du coefficient de moment en lacet avec la déflection de la gouverne

de direction
INTRODUCTION
Depuis quelques années, l'intérêt pour le développement des drones occupe une place de plus
en plus importante dans les milieux aéronautiques. Les aéronefs qui sont qualifiés de drones
ont la capacité de voler et d’effectuer des missions sans présence humaine à bord.
Actuellement, on assiste à une montée en puissance des recherches expérimentales motivées
par des exigences en matière de transport qui ne peuvent pas être satisfaites par un avion
conventionnel. L’arrivée des nouvelles technologies offre un nouveau niveau de sécurité et
de fiabilité aux drones et ravive le potentiel d’applications civiles et militaires.
Afin de mener à bien la mission de vol du drone, le développement d'une gestion de vol et de
contrôle est obligatoire. Cette approche exige des connaissances approfondies sur la
dynamique du vol de l’appareil avant de concevoir un système de pilotage automatique.
Les caractéristiques dynamiques d'un avion sont normalement décrites en termes de dérivées
de stabilité et de contrôle. Ces coefficients sont déterminés soit théoriquement (empiriques
ou semi-empiriques, calcul numérique de la dynamique des fluides) ou expérimentalement
(en soufflerie ou essais en vol).
Ce projet consiste à estimer la valeur des dérivées de stabilité et de contrôle du modèle

dynamique d’un drone à partir de données de vol, en utilisant des techniques modernes
d'identification. Les valeurs inconnues des dérivées de stabilité et de contrôle sont déduites à
partir du modèle des équations dynamiques du drone, des signaux d’entrées mesurés et des
réponses mesurées du système au cours d’une manœuvre de vol. Contrairement aux
techniques d'estimation classique, les techniques d’estimation moderne permettent de réaliser
des tests en moins de temps en plus d’offrir une plus grande souplesse dans les exigences des
manœuvres et permettent d’obtenir la valeur des paramètres estimés à partir d’une seule
manœuvre.
2
Les aspects significatifs de ce projet sont les suivants: Tout d'abord, les dérivées obtenues
seront utilisées lors de la conception d'un système de contrôle de vol autonome. La
conception du système de contrôle de vol est réalisée par un autre étudiant de deuxième cycle
(Landry, 2012). Deuxièmement, le projet permettra d'évaluer la capacité des instruments de
vol à fournir des données mesurables. Troisièmement, ce projet offrira une base de données
contenant de nombreuses dérivées de stabilité et de contrôle extraites à partir des mesures
d'essais en vol qui pourront servir à valider des résultats obtenus par d’autres algorithmes
d’estimation, étudier la performance d’une nouvelle configuration appliquée au drone ou
encore pour mettre à jour un modèle de simulation.
CHAPITRE 1
CONSIDÉRATIONS GÉNÉRALES
1.1 Concepts de base de l’identification du système
Cette section introduit la terminologie de base ainsi que les concepts généraux de
l’identification de système ou identification paramétrique. L’identification de système
concerne l’un des trois problèmes généraux de la dynamique. En considérant le système
dynamique présenté à la Figure 1.1 et décrit par le modèle d’état S ainsi que les entrées u et
les sorties z ou y, les trois différents types de problèmes rencontrés dans la théorie des
systèmes sont :
• Simulation : u et S sont donnés et y est à déterminer.

• Contrôle : S ainsi que la valeur souhaitée y sont donnés tandis que u est à déterminer.
• Identification : u et z ont été mesurées et S est à modéliser.
Figure 1.1 Concept fondamental de l’identification de système

4
La théorie de l’identification des systèmes fournit un moyen adéquat pour extraire

rapidement et efficacement le modèle dynamique depuis la réponse à un contrôle spécifique à
l’entrée à partir de données expérimentales. L’objectif ultime de l’identification du système
est de déterminer les paramètres inconnus Θ (voir la Figure 1.1) des équations du modèle
mathématique de façon à ce que la réponse y s’accorde le plus fidèlement possible à la
réponse mesurée z du système.
La définition technique de Zadeh (1962) stipule que : « the system identification is the
determination, on the basis of observation of input and output, of a system within a specified
class of systems to which the system under test is equivalent ». Plusieurs caractéristiques
importantes de l’identification du système sont mises en évidence par cette description: la
nécessité d’obtenir les données d’entrée et de sortie, les caractéristiques du modèle et la
sélection du meilleur modèle pour les conditions auxquelles le système est soumis. Dans un
autre ordre d’idée, Maine et Iliff (1985, p. 1) proposent une définition plus philosophique que
la précédente, en mentionnant ceci : « Given the answer, what was the question ». Cette
définition suggère que l’approche principale derrière le processus de construction du modèle,
communément appelé l’identification du système, est en réalité un problème inverse.
1.2 Revue de littérature
Un bref aperçu des travaux de recherche dans le domaine de l’identification des systèmes est
présenté dans cette section. Celle-ci présente l’évolution des techniques d’estimation du
passé jusqu’au plus modernes, appliquées aux aéronefs.
1.2.1 Évolution des techniques d’identification
L’introduction du modèle aérodynamique reliant les trois forces X, Y, et Z et les moments L,

M, et N par rapport aux axes du système de coordonnées cartésiennes en fonction des
variables de mouvement en translation linéaire u, v et w et des vitesses de rotation p, q et r a
été introduit au début du 20ième siècle. Comme le démontre Hamel et Jategaonkar (1996), les
développements au cours des neuf dernières décennies ont conduit à trois différentes
5
techniques mais complémentaires qui permettent de déterminer les coefficients

aérodynamiques. Parmi les différentes techniques, on retrouve les méthodes analytiques, les
méthodes en soufflerie et les méthodes d’essais en vol.
Depuis plusieurs années maintenant, la mécanique des fluides numériques est devenue une
méthode importante et largement utilisée dans le processus d’identification du système
d’aéronefs, pouvant fournir, dans de nombreux cas, des données complètes à propos des
caractéristiques aérodynamiques d’un avion. Les recherches de Kroll, Radespiel et Rossow
(1994) et de Slooff et al. (1994) effectuées au cours des dernières années dans le domaine du
calcul dynamique ont eu une incidence positive sur les approches analytiques notamment en
fournissant des solutions numériques sophistiquées et avancées aux équations de Navier-
Stokes et d’Euler. Les tests en soufflerie ont dans le passé fourni une énorme quantité de
données sur d’innombrables configurations de véhicules de vol et sont, en règle générale, une
base pour toute conception d’un nouvel appareil de vol. Cependant, ces techniques sont
souvent associées à certaines limites de validité résultant entre autres de la mise à l’échelle
du modèle, du nombre de Reynolds, des dérivées dynamiques, de couplage croisé et des
effets de l’aéroservoélasticité. Selon Hamel (1981), l’acquisition des dérivées
aérodynamiques à partir de mesures de vol est, par conséquent, importante et nécessaire afin
de réduire les limitations et les incertitudes des deux méthodes précitées. La sous-section
suivante présente un résumé des recherches qui ont conduit à l’élaboration et l’acceptation
universelle des deux grandes techniques d’estimation utilisées de nos jours pour l’estimation
des dérivées de stabilité et de contrôle des avions à partir d’essai en vol. L’analyse
déterministe sera examinée en premier lieu et sera suivie par l’analyse non-déterministe. De
plus, le lecteur peut consulter les références fournies en libre accès par la NASA et AGARD
qui traitent de certaines enquêtes portant sur l’estimation inconnue des dérivées de stabilité et
de contrôle d’un avion à partir des données de réponses dynamiques des avions.
6
1.2.2 Méthode d’estimation déterministe
Tout d’abord, il est bien de rappeler qu’un système est dit déterministe lorsqu’il est possible
de prédire, ou de calculer, son évolution au cours du temps sans aucune incertitude. De plus,
un système déterministe comporte les caractéristiques suivantes : il permet de connaitre l’état
exact du système à un instant donné ainsi qu’à l’instant initial et il permet de calculer de
façon précise l’état du système à n’importe quel autre moment.
Bien avant que les méthodes d’identification des systèmes deviennent plus élégantes et
complexes grâce à la contribution de Kalman, les méthodes pratiquées dans le domaine des
fréquences étaient amplement utilisées à l’époque. L’analyse de la réponse en régime
permanent à l’excitation d’un oscillateur et la méthode d’impulsion d’onde en utilisant la
transformée de Fourier sont des exemples de méthodes utilisées dans le domaine fréquentiel
et qui ont augmenté en popularité dans le domaine d’identification des aéronefs au cours des
années 1940 et 1950. Ces méthodes produisent la réponse en fréquence du véhicule, mais pas
les dérivées de stabilité et de commande aux équations différentielles. Dans les années 1960,
plusieurs recherches ont tenté d’extraire ces informations à partir d’une description des
paramètres de l’avion, en essayant d’obtenir la meilleure corrélation possible avec la réponse
en fréquence avec des techniques sur les moindres carrés pondérés et des moindres carrés
linéaires. Cependant, ces techniques ont donné de mauvais résultats en présence de bruit de
mesure et ont produit des estimations biaisées. De plus, le temps de calcul est souvent long et
les points de singularités constituent un problème récurrent de ces méthodes. Les méthodes
graphiques d’analyse vectorielle ont été largement appliquées notamment par Doetsch (1970)
afin de déterminer les paramètres à partir des données de vol des aéronefs. Cependant, ces
méthodes donnent une série incomplète de paramètres et seules les réponses obtenues à partir
de mouvements assez simples peuvent être analysées. Au début des années 1960, avant
l’invention des ordinateurs, les techniques d’appariement analogiques utilisées par Wolowicz
(1966) et Rampy et Berry (1964), qui prennent beaucoup de temps et qui sont quelque peu
fastidieuses, ont été appliquées aux données de vol. La représentation sous forme de graphes
devient complexe dès qu’elle tente de capturer toute la sémantique du modèle qu’elle
7
représente. Par conséquent, les problèmes d’appariement de ces graphes deviennent difficiles
à résoudre. La discussion de ces techniques passées a conclu qu’une méthode d’identification
plus complète, plus rapide et offrant une meilleure précision était nécessaire.
Deux articles distincts ont été publiés sur l’utilisation des méthodes de sortie d’erreur dans le
but d’obtenir des coefficients aérodynamiques. Premièrement, Larson et Fleck (1968)
discutent à propos d’une méthode de quasi-linéarisation pour l’identification des paramètres
d’un aéronef. Par la suite, Taylor et Iliff (1969) ont discuté de l’application de l’estimateur du
maximum de vraisemblance pour l’obtention d’un ensemble complet de paramètres
aérodynamiques à partir de données de vol. C’est à la suite de ces deux études sur
l’identification des aéronefs utilisant des techniques de minimisation non-linéaires que
l’intérêt a soudainement augmenté pour l’analyse des données de vol. Après seulement un an,
Taylor, Iliff et Powers (1969) ont modifié ces deux techniques pour avoir la possibilité
d’inclure des informations a priori au modèle dynamique. Certains algorithmes
informatiques en Fortran sur l’identification de système ont été publiés par Ross et Foster
(1975) et Maine et Iliff (1975). La méthode de l’estimateur du maximum de vraisemblance a
été jugée très utile pour l’analyse de la réponse dynamique de vol. Mehra (1970) utilise le
filtre de Kalman pour estimer les paramètres aérodynamiques des aéronefs et constate des
résultats médiocres causés par des données biaisées dans l’estimation des états et l’estimation
des paramètres, par conséquent la solution ne convergeait pas vers de bons résultats. Aux
Pays-Bas, les travaux de Gerlach (1971) et Jonkers (1976) ont conduit à deux applications
réussies du filtre de Kalman. Celles-ci fournissaient l’estimation des états et permettaient
l’identification des paramètres d’un avion. Cependant, c’est Tyler, Powell et Mehra (1987)
qui ont obtenu les meilleurs résultats avec l’addition des dérivées d’état.
1.2.3 Méthode d’estimation stochastique
Un système dynamique stochastique est imprévisible ou aléatoire et peut être décrit par des
équations non-linéaires déterministes soumises à des effets de bruit. Le lien entre ces deux
notions paradoxales, déterministe et stochastique, se manifeste par la sensibilité aux
8
conditions initiales. En effet, deux conditions initiales presque semblables peuvent conduire à
des états très différents du système.
Il existe deux types de techniques appliquées pour l’estimation de paramètres avec du bruit
de mesure et du bruit d’état: la technique du filtre de Kalman et la technique de l’estimateur
du maximum de vraisemblance, mieux connue sous le nom de méthode à erreur de filtre.
C’est Astrom (1966) qui développe en premier des applications générales du filtre de Kalman
étendu. Basé sur un système discret, l’équipe de Tyler, Powell et Mehra (1987) applique le
filtre de Kalman étendu aux données simulées d’aéronefs avec une entrée bruitée. Chen et
Eulrich (1971) tentent une expérience similaire à celle de Tyler, Powell et Mehra en 1971,
mais les résultats sont peu concluants en raison du bruit sur l’entrée d’état qui était trop petit
et aussi en raison de la non-linéarité du système. De très bons résultats sont produits lorsque
Yazawa (1977) applique un filtre simplifié de Kalman étendu. Les recherches de Iliff (1973)
présentent une application de la méthode à erreur de filtre aux données de sortie d’un avion
volant dans des conditions de turbulence atmosphérique. Les résultats étaient similaires pour
le même avion volant dans un écoulement laminaire, soit sans bruit d’état.
1.2.4 Techniques d’identification modernes
Ces dernières années, le problème de l’identification du système de vol d’un aéronef a

conduit à une méthodologie appelée Quad-M, qui a été proposée par un groupe de recherche
du Centre aérospatial allemand DLR et illustrée à la Figure 1.2. La topologie de la
méthodologie Quad-M est étroitement liée à la définition de base du problème
d’identification du système comme indiqué dans la section 1.1 et contient quatre éléments de
base, à savoir: les manœuvres, les mesures, les méthodes et les modèles.
9
+
-
Figure 1.2 Méthodologie Quad-M pour l’identification de système d’un véhicule de vol
Adaptée de (Jategaonkar, 2006)
1.2.4.1 Manœuvres
Les procédures de manœuvres de vol sont liées au type de véhicule sélectionné. Les
commandes d’entrées doivent être conçues de façon à fournir une sensibilité maximale aux
réactions du véhicule sur les paramètres inconnus.
1.2.4.2 Mesures
La partie portant sur les mesures dans le diagramme Quad-M schématise l’instrumentation
utilisée dans le processus d’identification. Les données de vol sont livrées par différentes
unités de mesure qui proviennent à la fois des contrôles d’entrées et des états obtenus suite à
10
la réaction du véhicule. La qualité globale du processus d’identification est fortement

influencée par la précision de l’équipement de mesure. Les données de vol recueillies lors
d’expériences sont évaluées par la suite en vue d’assurer la cohérence des quantités mesurées
aux différents capteurs.
1.2.4.3 Modèles
Similairement à la définition générale du problème d’identification du système, la partie du

modèle joue un rôle central dans l’identification du système de vol du véhicule. Comme il a
été souligné précédemment, les équations de base sont dérivées des lois de la mécanique
newtonienne. Le modèle est généralement prédéfini et quelques informations a priori
peuvent être utilisées, comme le démontre la Figure 1.2. Ces apports extérieurs au modèle
correspondent par exemple à des constantes physiques (masse, moment et produit d’inertie,
etc.) et des coefficients aérodynamiques servant à l’interconnexion structurelle du modèle.
Les informations a priori peuvent provenir de bases de données par exemple issues
d’expérimentations en soufflerie, modélisation par CAO, d’expériences passées ou
simplement limitées par des bornes supérieures et inférieures sur les paramètres en fonction
de leur interprétation physique. L’identification du système de vol du véhicule peut utiliser
aussi bien le modèle linéaire que non-linéaire pour l’estimation des paramètres.
1.2.4.4 Méthodes
Il existe plusieurs approches actuellement disponibles pour estimer les paramètres d’un
aéronef. Leur application est basée sur l’analyse du comportement des entrées-sorties dans
l’un des deux domaines, temporel et fréquentiel. Cependant, comme le précisent Hamel et
Jategaonkar (1996) dans les dernières décennies avec la capacité de calcul accrue des
ordinateurs modernes, l’accent a changé du domaine de fréquence à l’analyse du domaine
temporel. L’analyse temporelle adresse plus d’avantages et est plus facile à appliquer au
problème d’estimation des paramètres. En effet, il est possible d’appliquer une estimation
d’état optimale en utilisant des filtres optimaux, par exemple de Kalman. Un autre avantage
11
selon Jategaonkar, est la possibilité récente de l’estimation modérée des modèles non
linéaires à partir de données expérimentales. D’autre part, les méthodes de travail du
domaine fréquentiel fonctionnent bien pour déterminer les paramètres des systèmes linéaires
instables et aussi pour l’estimation des systèmes dynamiques à cycle périodique tel que les
hélicoptères. Il y a aussi un certain nombre de réalisations qui ne sont pas considérées dans
ce projet, capables d’effectuer l’estimation des paramètres en temps réel, c’est-à-dire
l’identification en ligne par réseaux de neurones. Chaque méthode d’estimation a ses
avantages et ses inconvénients par rapport aux autres. Il n’y a pas de réponse directe à la
meilleure méthode. Le choix est dicté par l’anticipation de l’ingénieur face au problème.
Cette connaissance devrait être régie par une hypothèse faite sur la fonctionnalité du véhicule
lors d’essai en vol et de la capacité et la précision des instruments de mesure.
1.2.4.5 Phase de validation
Un autre point important dans la méthodologie d’identification est la phase de validation du

modèle. La validation du modèle est le processus qui conclue si le modèle estimé est
suffisamment précis pour les fins prévues à son utilisation. Ici, plusieurs réponses doivent
être données. Tout d’abord, il est nécessaire de spécifier si le modèle estimé est en accord
avec les connaissances a priori adoptées du véhicule, en comparant les résultats issus des
différentes méthodes d’estimation. Il s’agit donc d’une vérification interne. La prochaine
question à répondre est à savoir si le modèle peut fournir un ajustement acceptable
(répétabilité) lors de chaque expérience similaire. Pour ce faire, les séquences de données des
entrées-sorties qui n’ont pas été utilisées dans l’estimation du modèle peuvent être comparées
à celles utilisées pour l’estimation du modèle à l’aide d’un modèle de simulation. Il s’agit
donc d’une validation externe ou validation croisée. Certaines aides indirectes aux processus
de validation peuvent être prises directement à partir des caractéristiques statistiques des
paramètres estimés, notamment les limites de Cramer-Rao, qui correspondent à la borne
inférieure de la variance d'un estimateur sans biais. Au final, la vérification interne, la
validation croisée et les caractéristiques statistiques des paramètres estimés procurent des
moyens efficaces pour assurer la bonne qualité des paramètres estimés du modèle.
12
1.3 Objectifs de recherche
Le but de ce travail de recherche est de contribuer au domaine de l’identification du système

de l’aéronef qui a graduellement avancé au cours des dernières décennies, en se concentrant
spécifiquement sur le système non linéaire d’un drone de recherche et les méthodologies
appartenant au domaine temporel. Dans ce mémoire, trois méthodes d’estimation sont
considérées dans le but de faire converger les résultats vers un modèle dynamique
suffisamment fiable pour représenter le comportement réel du drone.
Les objectifs spécifiques de ce projet sont les suivants :
• Établir les équations de mouvement du drone.

• Déterminer la forme et le type des manœuvres de vol nécessaire à l'estimation des
dérivées de stabilité et de contrôle.
• Préparer l'instrumentation et le système d'acquisition de données.
• Déterminer les caractéristiques d'inertie (masse, centre de gravité et moment d'inertie).
• Sélectionner la structure du modèle aérodynamique appropriée ainsi que les algorithmes
d'estimation des paramètres.
• Extraire les données enregistrées à partir d'essais en vol et les adapter aux programmes
Matlab développés par (Jategaonkar, 2006) et distribués par la American Institute of
Aeronautics and Astronautics (AIAA).
• Valider l'exactitude et la précision des paramètres obtenus.
Le projet comporte plusieurs hypothèses :
• Seules les dérivées de stabilité et de contrôle linéaire sont estimées.

• Le couplage entre les modes longitudinaux et latéraux n’est pas pris en considération.
• La précision et le nombre de capteurs disponibles sont limités.
• Le temps et le budget nécessaire à la réalisation des expériences sont limités.
13
1.4 Originalité des travaux
Les drones suscitent un engouement certain. La présence aujourd’hui d’une centaine de

modèles sur le marché international le prouve. Cependant, peu de travaux d’études ont été
consacrés aux petits drones à voilure fixe. Quelques travaux sur l’identification des
coefficients aérodynamiques d’un drone ont déjà été réalisés notamment par Wypyszynski
(2009). Dans ces travaux, Wypyszynski a dû se contenter d’enregistrer des ensembles de
données séparées pour les paramètres longitudinal et latéral puisque le gyroscope utilisé
n’utilisait qu’un axe de mouvement à la fois. De plus, la recherche s’est limitée à une simple
régression linéaire, à cause de sa facilité d’implantation, lorsqu’est venu le temps de faire le
choix d’un algorithme d’estimation. Le modèle mathématique a été celui du modèle découplé
non-linéaire. C’est à la même année que Paw (2009) a publié sa thèse sur l’identification et la
validation du modèle d’un drone. Un modèle linéaire découplé a été employé lors de
l’estimation des paramètres. L’analyse s’étant limitée au mouvement latéral puisque
l’instrumentation ne permettait pas l’acquisition suffisante de données pour le mouvement
longitudinal. Une expérience de Chunhua et al. (2004) sur la phase d’accélération avant le
décollage d’un petit drone, a permis d’identifier un modèle qui permet de contrôler et
d’ajuster l’angle de dérive de la roue avant en temps réel par des méthodes de régressions.
Dans cette étude, les modèles de la dynamique de vol longitudinal et latéral sont analysés. De
plus, un éventail plus large des techniques d’estimation (déterministe et stochastique) sont
utilisées tel que la méthode à erreur d’équation, la méthode à erreur de sortie et la méthode à
erreur de filtre. Le choix de ces trois techniques permet d’analyser un modèle avec ou sans la
présence de bruit de mesure ou de processus et ainsi considérer la technique la mieux adaptée
pour identifier le modèle du drone de recherche.
1.5 Organisation du mémoire
La structure actuelle du mémoire est organisée en conformité avec les objectifs définis pour
ce travail. Premièrement, le chapitre 2 fait un rappel des fondements de la mécanique du vol
afin de familiariser le lecteur avec le domaine d’application de cette étude. Le chapitre 3 est
14
consacré aux problèmes de la conception de l’expérience. Le chapitre 3 discute de la partie

expérimentale du projet d’identification du drone y compris de la conception des entrées de
commande et de la réalisation du matériel. Le chapitre 4 présente la structure du modèle
aérodynamique utilisé pour ce projet. De plus, les méthodes d’estimation utilisées ainsi que
les résultats associés à chacune d’entre elles sont présentés dans cette partie du mémoire.
Finalement, le chapitre 5 constitue l’étape de la vérification des paramètres du modèle. Ce
chapitre commence par une vérification entre les résultats obtenus par la méthode des Vortex
et ceux obtenus au chapitre 4. Également, une validation externe entre les résultats de la
simulation d’un modèle non-linéaire utilisant les coefficients obtenus au chapitre 4 et les
résultats d’un autre test en vol, suivant les mêmes commandes d’entrées conclue ce chapitre.
CHAPITRE 2
MODÈLE MATHÉMATIQUE DU DRONE

ET DE L’INSTRUMENTATION
Ce chapitre débute par la présentation de la plateforme expérimentale utilisée dans ce projet.

Par la suite, une description des signaux pertinents à l’analyse de la stabilité et du contrôle de
l’avion est présentée ainsi que quelques modèles mathématiques utilisés dans les chapitres
suivants. Les modèles sont classés selon les catégories suivantes : modèle cinématique,
modèle d’observation et modèle aérodynamique. Le modèle cinématique est en fait une
forme particulière des équations de mouvement dans lesquelles les forces aérodynamiques et
les vitesses angulaires servent d’entrée. Le modèle cinématique peut facilement s’écrire sous
forme de modèle d’état. Le modèle d’observation décrit les relations entre certaines variables
observées et les composantes du vecteur d’état du modèle cinématique. Le modèle
aérodynamique décrit les forces et moments aérodynamiques qui s’exercent sur l’avion
pendant la manœuvre d’essai en vol. Le modèle des forces et moments aérodynamiques
contient un ensemble de paramètres appelé « dérivées de stabilité et de contrôle », auquel il
est possible d’appliquer les techniques d’identification discutées dans le chapitre 4 pour
estimer les valeurs de ces coefficients.
2.1 Description du drone
La plateforme expérimentale de base est un avion télécommandé, le NexSTAR ARF de

Hobbico à propulsion électrique. La maquette a été modifiée afin d’être en mesure d’inclure
les composantes du système avionique et pour respecter les exigences du poids limite,
nécessaire au bon maintien de l’appareil en vol. Après des changements majeurs, l’appareil a
été rebaptisé, la MOUETS (voir Figure 2.1).
16
Figure 2.1 Présentation du banc d’essai (MOUETS)
Les principales caractéristiques géométriques du drone sont regroupées au Tableau 2.1 et

représentées en partie à la Figure 2.2. La majorité des paramètres ont été mesurés en
laboratoire directement sur l’appareil à l’aide d’un trusquin à vernier notamment pour
l’envergure de l’aile, la corde moyenne aérodynamique, la surface alaire et l’angle dièdre.
Une balance numérique a été utilisée pour obtenir la masse totale du drone. Suite aux
manipulations précédentes, les données de volumes et de masses de chaque partie de l’avion
ont servi à générer un modèle 3D de la MOUETS. À l’aide du logiciel de conception assistée
par ordinateur Catia V5R20, les moments et le produit d’inertie ont été générés pour le
modèle à l’étude.
17
Tableau 2.1 Sommaire des caractéristiques géométriques de la MOUETS
Symbole Description Valeur Unité

b Envergure de l’aile 1.753 m
̅ Corde moyenne aérodynamique 268 mm
S Surface alaire 0.471 m²
Moment d’inertie en roulis 0.407 kg·m²
Moment d’inertie en tangage 0.345 kg·m²
Moment d’inertie en lacet 0.691 kg·m²
Produit d’inertie dans le plan XY -4.048e-4 kg·m²
Γ Dièdre 4 deg
m Masse totale 4.023 kg
L’envergure de l’aile est la distance séparant les extrémités des ailes. La corde moyenne
aérodynamique est la même que la corde moyenne géométrique puisque l’aile est
rectangulaire et l’angle de calage entre la ligne de référence du profil et l’axe du fuselage est
nul. La corde est la distance entre les deux extrémités du bord de fuite et du bord d’attaque.
La surface alaire correspond à la projection de l’aire des ailes sur le plan horizontal. L’angle
de dièdre est l’angle formé par le plan de l’aile et le plan horizontal. Un angle positif permet
d’assurer une meilleure stabilité en vol.
18
Figure 2.2 Démonstration des principales caractéristiques géométriques

(envergure, corde moyenne aérodynamique, dièdre et surface alaire)
19
2.2 Introduction aux repères de référence
Avant de développer les équations de mouvement, il est impératif d’introduire les différents
repères utilisés en dynamique de vol. Il existe plusieurs façons d’exprimer la position, la
vitesse, l’orientation, les forces et les moments qui agissent sur le véhicule. Dans cette
section, seuls les repères nécessaires à l’identification du système sont adoptés, selon les
conventions et les notations de Etkin (1982).
2.2.1 Repère terre ( )
L’origine de ce repère de référence est un point arbitraire situé à la surface de la terre et qui
correspond généralement à la projection du centre de gravité de l’avion. Le système d’axes
est fixe par rapport à la Terre de façon à ce que l’axe pointe vers le nord géographique,
l’axe pointe vers l’est pour ainsi former un repère orthogonal direct avec l’axe qui
pointe vers l’intérieur de l’ellipsoïde et parallèle au vecteur de gravité local. Puisque
l’identification du micro-drone se fait à basse vitesse et au-dessus d’une petite région de la
terre, la force centripète et l’effet de Coriolis sont négligés. Ce qui équivaut à supposer que la
terre est plate et se situe dans un référentiel galiléen. Ce système de référence, décrit à la
Figure 2.3 est très pratique pour définir la trajectoire de l’appareil à partir d’un point initial.
De plus, ce système de référence peut servir de repère absolu pour tout repère local fixé au
corps de l’avion afin d’appliquer la deuxième loi de Newton. Dans certains ouvrages, ce
repère peut également prendre les noms de repère géographique et de repère NED ou North-
East-Down.
2.2.2 Repère navigation ( )
Ce système d'axes est obtenu par une translation du système d'axes de la terre au centre de
gravité du véhicule (voir Figure 2.3). L'orientation des axes restent parallèles à celles du
repère terre. L’axe est dirigé vers le Nord, l’axe pointe vers l’Est et l’axe
pointe vers le bas, c’est-à-dire vers le centre de la terre. La position du repère peut facilement
être interprétée en considérant un avion suspendu par un câble au centre de gravité autour
20
duquel l’avion reste en équilibre. Ce repère de référence est utilisé pour décrire l'orientation
de l'aéronef par rapport aux axes de la Terre.
Figure 2.3 Systèmes d’axes globaux (repère terre et repère de navigation)
2.2.3 Repère avion ( )
Il s’agit d’un repère orthogonal direct fixé à l’avion et ayant comme origine ; son centre de
gravité. Le plan correspond au plan de symétrie de l’avion. L’axe pointe positif
vers le nez de l’avion et suivant son axe longitudinal ou l’axe du véhicule à portance nulle.
L’axe est perpendiculaire au plan et pointe positif vers l’aile droite. Finalement,
21
l’axe pointe vers le bas dans le plan de symétrie. Le repère avion décrit à la Figure 2.4
est très pratique pour définir les moments et produits d’inertie du corps ainsi que les forces et
moments qui agissent sur le véhicule.
2.2.4 Repère vent ( )
Cet autre repère est également fixé au corps avec l’origine au centre de gravité de l’avion et
permet de représenter l’avion par rapport au vecteur de la vitesse, qui correspond à la
direction à laquelle se déplace le corps dans l’écoulement de l’air. L’axe pointe en
direction opposée au vent relatif, l’axe est aligné sur le plan de symétrie de l’avion et
finalement l’axe est normal au plan avec une direction positive vers le côté droit
de l’appareil. La relation angulaire entre le repère vent et le repère avion
met en évidence l’angle d’attaque et l’angle de dérapage . L’utilisation de ce système de
référence est une alternative plus intuitive que le repère avion pour visualiser graphiquement
les différentes quantités de force (portance et traîné) et déplacement angulaire. À noter que
si ≠ 0, le plan ne coïncide plus avec le plan de symétrie du repère avion
comme le démontre Figure 2.4.
22
Figure 2.4 Systèmes d’axes mobiles (vent, stabilité et avion)1
2.2.5 Repère stabilité ( )
Il s’agit d’un autre repère fixé au véhicule et ayant comme origine le centre de gravité.
L’axe est le vecteur de la vitesse de l’air relatif à l’avion projeté dans le plan de symétrie
du corps de l’avion. Un angle α existe entre l’axe et . L’axe est normal
au plan et pointe positif vers l’extérieur selon l’aile droite. L’axe pointe vers le
bas dans le même plan de symétrie du corps de l’appareil. L’orientation des axes du
repère est généralement définie par des conditions de vol initiales. Ce type de repère est
largement utilisé pour l’étude dynamique des avions impliquant de petites perturbations pour
une condition de vol stable.
1
Certaines parties du drone ont été omises (aile et capteurs) pour faciliter l’interprétation des systèmes d’axes
23
2.3 Orientation et position du drone
Cette section présente les notations des diverses composantes du couple aérodynamique ainsi
que les angles définissant l’attitude de l’avion et les angles définissant la configuration
aérodynamique. Par la suite sont arborées les expressions de la transformation de
coordonnées entre le repère inertiel et le repère avion et les vitesses de rotation en fonction
des angles d’Euler , et . La représentation graphique par les angles d’Euler est adoptée
puisque cette méthode permet facilement de visualiser l’orientation de l’avion par rapport au
système inertiel d’axes liés à la terre comparativement aux autres méthodes tel que les
cosinus directeurs des vecteurs de base du repère lié à l’avion ou encore les quaternions.
L’orientation de l’avion est décrite par trois rotations consécutives à appliquer au repère de
navigation pour l’amener sur le repère lié à l’avion. Les axes du repère de navigation sont
renommés , et ce qui correspond à l’état initial précédent les transformations. Les
rotations définissant les angles d’Euler, en référence à la Figure 2.5, sont :
1. Une rotation d’angle , appelé angle de lacet, autour de l’axe du repère de navigation
et parallèle au repère inertiel ;
2. Une rotation d’angle , appelé angle de tangage, autour de l’axe du repère obtenu par
la rotation précédente;
3. Une rotation d’angle , appelé angle de roulis, autour de l’axe du repère obtenu par la
rotation précédente.
24
x3, x
y1
x2
y2, y3
x1
Q
y TRAJECTOIRE DE
VOL
z3 z1, z2
z
yE
R
xE
O
zE
Figure 2.5 Orientation de l’avion

25
L’expression de la transformation d’un vecteur de coordonnées du repère inertiel vers le

repère avion en vertu de la définition des angles d’Euler s’exprime comme suit :
cos − sin 0 cos 0 sin 1 0 0

= sin cos 0 0 1 0 0 cos − sin (2.1)
0 0 1 − sin 0 cos 0 sin cos
tel que la matrice de transformation est donnée par
c c s c −s
= c s s −s c s s s +c c c s (2.2)
c s c +s s s s c −c s c c
Afin d’alléger l’expression matricielle des équations (2.2) et (2.3) la notation suivante est
appliquée : = et = . La transformée inverse qui exprime le passage d’un
vecteur de coordonnées du repère avion vers le repère inertiel s’obtient de la façon suivante :
=( )
c c c s s −s c c s c +s s
(2.3)
= s c s s s +c c s s c −c s
−s c s c c
À partir de l’équation précédente, les équations de navigation exprimant les composantes de

la vitesse du système d’axe de l’avion ( , , ) vers le système d’axe de la terre s’écrivent,
cos − sin 0 cos 0 sin 1 0 0 (2.4)

= sin cos 0 0 1 0 0 cos − sin
0 0 1 − sin 0 cos 0 sin cos
tel que ℎ = − et correspond à l’altitude.

26
À partir de la Figure 2.5, la relation entre les composantes de la vitesse angulaire , et du

repère avion et les taux de variations des angles d’Euler , et , vaut
= + + (2.5)
où est le vecteur unitaire selon l’axe du repère . L’expression de ces vecteurs dans le
repère avion devient finalement
1 0 − sin
= 0 + cos + sin cos
0 − sin cos cos
1 0 − sin
(2.6)
= 0 cos sin cos
0 − sin cos cos
À partir de laquelle on déduit l’expression inverse,
= + sin tan + cos tan (2.7)
= cos − sin (2.8)
= sin sec + cos sec (2.9)
Une autre transformation importante est celle du repère vent défini par rapport au repère
avion par les deux rotations suivantes (voir Figure 2.4) :
1. une rotation d’angle , appelé incidence ou angle of attack, autour de l’axe ;
2. une rotation d’angle − , appelé dérapage ou sideslip, autour de l’axe .

27
Les angles aérodynamiques et la vitesse sont définis comme suit :
= tan (2.10)
= tan (2.11)
= + + (2.12)
En inversant les équations (2.10) à (2.12), les composantes de la vitesse du repère avion
deviennent alors,
= cos cos (2.13)
= sin (2.14)
= sin cos (2.15)
À la Figure 2.6 on note respectivement , et les composantes du couple aérodynamique

dans le repère avion et , et les composantes de la vitesse de rotation de l’avion. De plus
à la Figure 2.7 le schéma démontre la convention de signe utilisée pour les différentes
surfaces de contrôles comme les ailerons + , la gouverne de direction + et la gouverne
de profondeur + . La déflection des ailerons se fait de façon asymétrique.
28
Figure 2.6 Représentation des vitesses linéaires et angulaires ainsi que des forces et
couples aérodynamiques dans le système d’axes du corps de l’avion
29

Figure 2.7 Convention de signe des surfaces de contrôle
2.4 Équations de mouvement
La section suivante établit les systèmes d’équations qui régissent le mouvement de l’avion.
Le lecteur peut se référer à la version plus détaillée de Nelson (1998) sur la dynamique de
l’aéronef. En effet, dans son ouvrage, Nelson présente un ensemble plus général des
équations utilisées à la section 2.4.1, à partir des équations pour une masse ponctuelle.
2.4.1 Mécanique Newtonienne
Les équations générales de mouvement d’un avion à six degrés de liberté utilisées pour le
contrôle et la simulation de vol sont considérées dans ce projet. Les hypothèses utilisées
sont : l’utilisation d’un repère galiléen (la Terre est plate et ne tourne pas) ainsi que la
30
représentation de l’avion comme un corps parfaitement rigide et donc se comportant sans

battement (terme en anglais, flutter) ou déformation structurale, c’est-à-dire que la mesure
entre n’importe quel point de l’avion ne change pas durant le vol. Les équations sont
développées à partir de la deuxième loi de Newton, qui stipule que la somme de toutes les
forces et moments externes agissant sur le centre de gravité du corps sont égales au taux de
variation dans le temps de l’impulsion (terme en anglais, momentum) linéaire et angulaire sur
le corps sont :
= ( ) (2.16)
= (2.17)
Où représente la force résultante, est l’impulsion linéaire, est la masse, est la

vitesse de translation, est le moment résultant autour du centre de gravité et est
l’impulsion angulaire autour du centre de gravité tel que = × , de sorte que
représente la vitesse angulaire et la matrice d’inertie. Les équations vectorielles (2.16) à
(2.17) peuvent être exprimées sous forme scalaire de la façon suivante :
= ( ) = ( ) = ( ) (2.18)
= = = (2.19)
Tel que les composantes de la force , , en fonction des composantes de la vitesse

, , ainsi que les composantes du moment , , en fonction des composantes de
l’impulsion angulaire , , sont représentées le long des axes ( , , ) du référentiel
avion.
31
Puisque les équations (2.16) et (2.17) ne sont valides que dans un repère fixe d’inertie,
lorsque l’avion effectue une rotation, les moments et produits d’inertie sont alors en fonction
du temps. Il convient d’appliquer l’équation de Coriolis pour exprimer les dérivées des
vecteurs et dans le repère avion afin d’utiliser une matrice d’inertie constante et
d’observer la plupart des quantités mesurées sur l’appareil.
( )
= = + ( × ) (2.20)
= = + × (2.21)
En assumant que le plan du repère avion est un plan de symétrie du corps rigide, la
matrice d’inertie devient symétrique et les produits d’inertie = = = = 0. La
matrice des moments et des produits d’inertie de l’avion est donc réduite à :
0 −
= 0 0 (2.22)
− 0
Par conséquent, selon l’hypothèse précédente, la représentation scalaire des équations (2.18)
et (2.19) se formule comme suit :
• Équations générales de force
= ( + − ) (2.23)
= ( + − ) (2.24)
= ( + − ) (2.25)
32
• Équations générales de moment
= − + − − (2.26)
= + ( − )+ ( − ) (2.27)
(2.28)
=− + + − +
2.4.2 Définition des forces et moments externes
Les forces et moments appliqués au corps de l’avion sont affichés dans la partie gauche des
équations (2.23) à (2.28) et proviennent notamment du comportement aérodynamique
( , ) ainsi que de l’effet de la gravité ( ) et du système de propulsion ( , ).
Puisque la gravité est appliquée par le centre de gravité et que le champ de gravité reste
uniforme, il n’y a donc aucun moment agissant sur le corps de l’avion. Par conséquent, les
équations (2.20) et (2.21) peuvent être réécrites sous la forme suivante :
+ + = + × (2.29)
+ = + × (2.30)
Tout d’abord, l’élément externe le plus significatif des équations précédentes sont les forces
et couples aérodynamiques qui sont exprimés à l’aide des coefficients non dimensionnels :
=
(2.31)
= ̅
(2.32)
33
où = (1⁄2) est la pression dynamique, est la vitesse du vent, est la densité de l’air,
est la surface alaire, ̅ est la corde de référence, est l’envergure de l’aile et
, , , , et sont respectivement les coefficients des forces aérodynamique , et
ainsi que les coefficient de roulis, de tangage et de lacet. Ces coefficients sont fonctions de
l’état de l’aéronef.
Un autre élément influençant la dynamique de l’avion est le poids de l’appareil qui est la
seule force de masse considérée. Elle s’exprime par une grandeur et une direction constante
relative au système d’axe de la terre, le long de l’axe et son moment au CG est nul. Pour
formuler la variation des composantes du poids dans le repère avion par rapport au repère
fixe de la terre, il convient de transformer les composantes du vecteur gravité à l’aide de
l’équation (2.2) de la façon suivante :
0
= 0 (2.33)
et ainsi obtenir l’expression suivante :
− sin
= = cos sin (2.34)
cos cos
Finalement, le dernier élément des forces et des moments externes provient du système de
propulsion. En supposant que la poussée du système de propulsion agit le long de l’axe
longitudinal du repère avion et par le centre de gravité, alors la poussée apparaît seulement
comme une force appliquée sur l’axe du corps,
=[ 0 0 (2.35)
34
L’effet associé à la masse en rotation, dans le système de propulsion appelé termes

gyroscopiques, doit être considérée comme un moment appliqué, car les équations du
mouvement sont formulées en supposant que l’aéronef est un corps rigide et sans pièces
mobiles internes. Le moment angulaire de la masse en rotation est
=[ Ω 0 0 (2.36)
Où est l’inertie de la masse en rotation et Ω est la vitesse angulaire. En émettant

l’hypothèse que la vitesse angulaire est constante, alors Ω = 0 et les composantes du
moment gyroscopique exprimées dans le repère avion par l’équation (2.21) sont :
0 − Ω 0
= = × = 0 − 0 = Ω (2.37)
− 0 0 − Ω
Finalement, en intégrant les expressions précédentes, les équations du mouvement se

résument comme suit (en l’absence de vent atmosphérique) :
• Équations de force
= − + − sin + (2.38)
= − + + cos sin (2.39)
= − + + cos cos (2.40)

35
• Équations de moment
−
− = − + (2.41)
̅ ( − )
= − − ( − )+ Ω (2.42)
−
− = − − − Ω (2.43)
2.4.3 Représentation des forces dans le repère vent
Pour de nombreuses raisons, il est plus pratique d’avoir les équations de forces en termes de
, et que , et . Premièrement, les forces et les moments aérodynamiques sont plus
faciles à visualiser, à exprimer et peuvent directement être mesurées. De plus, l’analyse des
paramètres de vol se fait en totalité dans un système de coordonnées polaire ou
aérodynamique. Les inconvénients de la représentation des forces dans le repère vent sont
l’utilisation inappropriée dans des conditions de vol stationnaire et la présence d’une
singularité à = ±90°. Aucune de ces situations ne représente une source de préoccupation
dans ce projet puisque les conditions de vol à l’étude sont limitées par de faibles amplitudes.
La représentation appropriée des équations de la force débute par la dérivation des équations
(2.10) à (2.12) obtenus comme suit :
1
= ( + + ) (2.44)
−
= (2.45)
+
( + ) − ( + )
= (2.46)
√ +
36
Par la suite, en substituant les équations (2.44) à (2.46) pour , et à partir des équations
(2.38) à (2.40) et pour , et à partir des équations (2.13) à (2.15), les équations de force
exprimées en termes , et sont :
=− + cos cos (2.47)
+ (cos cos sin cos + sin cos sin − sin cos cos )
=− + − tan ( cos + sin ) (2.48)

cos
sin
+ (cos cos cos + sin sin ) −
cos cos
= + sin − cos + cos sin cos (2.49)
sin cos
+ cos sin − sin cos cos −
Afin de simplifier la forme des équations, les coefficients de la force sont exprimés dans le
repère de stabilité,
=− cos + sin (2.50)
=− cos − sin (2.51)

37
ainsi que dans le repère vent,
=− cos cos − sin − sin cos
= cos − sin (2.52)
=− cos sin + cos − sin sin
= cos + sin (2.53)
2.5 Équations d’observation
Les variables mesurées en réaction au comportement de l’avion sont

, , , , , , , , , , et . Les positions spatiales , et ℎ sont omises car elles
ont peu de pertinence dans l’analyse de stabilité et contrôle. De plus, la vitesse n’est pas
considérée directement parmi les équations d’observation, mais elle est plutôt obtenue à
partir de la pression dynamique. En supposant que les instruments sont au centre de gravité,
parfaitement alignés et calibrés et qu’ils n’ont aucune dynamique, les variables mesurées sont
directement disponibles à partir des équations de mouvement. Pour un avion au corps rigide,
la position, la vitesse et l’accélération angulaire sont indépendantes de la position des
capteurs, contrairement à l’angle relatif du vent qui varie avec la position des capteurs. Les
corrections de la position du capteur d’angle d’attaque et de dérapage, fournies au Tableau
2.2, sont ajoutées aux équations d’observation. Les valeurs ont été mesurées en laboratoire et
sont définies selon la Figure 2.8.
= − + (2.54)
= − + (2.55)
Les pâles des capteurs mesurent directement l’angle d’attaque dans le plan et l’angle
de flanc dans le plan (voir Figure 2.9). L’angle de flanc est exprimé comme suit :
38
= tan (2.56)
L’angle de dérapage est défini comme l’angle entre le vecteur de vitesse et la projection de
celui-ci sur le plan . L’angle de dérapage est relié à l’angle de flanc par l’expression
suivante :
sin tan
tan = = = (2.57)
cos cos cos
= tan tan cos (2.58)
et finalement les accélérations sont définies comme suit :
1
= ( + ) (2.59)
1
= ( ) (2.60)
1
= ( ) (2.61)
39
Figure 2.8 Définition des angles aérodynamique

40
Figure 2.9 Position des capteurs d’angle d’attaque et de dérapage par rapport
au centre de gravité
41
Tableau 2.2 Position géométrique des

capteurs aérodynamiques de la MOUETS
Position Valeur
88.5 cm
9.5 cm
= 56 cm
CG 80 mm*
* À partir du bord d’attaque
sur la corde de l’aile
2.6 Modèles aérodynamiques
Les modèles aérodynamiques correspondent à des modèles mathématiques des composantes

de force et moment dans le repère du corps de l’avion ou du repère d’axe du vent. La forme
du modèle a priori utilisé ici provient de la notation élaborée par Etkin (1982) (voir
ANNEXE I) et comporte les coefficients non-dimensionnels , , , , et qui sont
des fonctions des équations d’états de l’avion. L’estimation de ces fonctions est le principal
objectif de ce projet. En général, les fonctions sont non-linéaires, mais cette étude se limite à
une simple forme linéaire, qui s’avère adéquate pour des manœuvres impliquant de petites
perturbations autour d’une condition de vol stable et circulant dans un écoulement laminaire.
Pour de plus simples équations, il est présumé que les coefficients aérodynamiques
longitudinaux sont des fonctions de l’angle d’attaque, de la vitesse de tangage et de la
position de la surface de contrôle (gouverne de profondeur). De même, nous supposons que
les coefficients aérodynamiques latéraux-directionnel sont des fonctions de l’angle de
dérapage, de vitesse de roulis, de vitesse de lacet et de la position des surfaces de contrôle
(gouverne de direction et ailerons).
En considérant les hypothèses précédentes, les équations du modèle aérodynamique

s’écrivent comme suit :
42
̅
= + + +
2 (2.62)
= + + + + (2.63)
2 2
tel que l’indice = , et = , .
L’expression des coefficients aérodynamiques est similaire à celle utilisée en soufflerie. Les
termes du côté droit des équations (2.62) et (2.63) représentent la contribution des dérivées
de stabilité dynamiques, des dérivées de contrôle et de leurs dépendances sur les variables
d’état. Le dernier terme du côté droit des équations est celui représentant le biais fournit dans
les paramètres. Il est bien de rappeler que dans cette étude, il est seulement nécessaire de
connaître la réponse finale au comportement de l’avion. Ainsi, certaines distinctions du
modèle sont indifférentes dans le contexte présent. Par exemple, les paramètres et
ont des répercussions directes sur l’amortissement en tangage d’un avion, mais pour les
conditions de vol à faible perturbation les réponses sont identiques, que l’amortissement
découle de ou de . Par conséquent, puisque le but est de construire une simulation
précise, il est seulement nécessaire d’estimer la somme + . De plus, tenter
d’estimer séparément les deux composants ne serait pas seulement qu’une perte de temps,
mais pourrait bien dégrader les résultats au final.
2.7 Simplification des équations de mouvement
Afin de pouvoir étudier plus facilement les caractéristiques du modèle de l’avion, il est
nécessaire de travailler sur un modèle mathématique simple comme le propose (Klein et
Morelli A., 2006). La plupart des avions sont considérés symétriques par rapport au plan X-Z
et volent à de petits angles de dérapage. Cette symétrie combinée à l’approximation des petits
angles permet de découpler les équations du mouvement en deux ensembles largement
indépendants, afin de décrire le mouvement longitudinal et le mouvement latéral-directionnel
de l’avion. Les paramètres inconnus sont alors séparés dans des ensembles distincts. Les
43
équations simplifiées ne s’appliquent pas à celles utilisées pour la simulation ou bien la

conception de loi de commande, cependant elles s’avèrent être très utile dans la
simplification des problèmes d’estimation des paramètres. Ainsi, le problème d’estimation
des dérivées de stabilité et de contrôle se réduit à deux petits problèmes, chacun possédant
environ la moitié des équations différentielles et des inconnues.
2.7.1 Mouvement longitudinal
Les mouvements longitudinaux sont des rotations autour de l’axe Y et des translations sur
l’axes X et Z du corps de l’avion. Les coefficients aérodynamiques longitudinaux sont
donc , . Les équations d’état longitudinal utilisées sont (2.47), (2.48), (2.42) et
(2.8).
=− + cos cos
+ (cos cos sin cos + sin cos sin − sin cos cos ) (2.64)
=− + − tan ( cos + sin )

cos
sin
+ (cos cos cos + sin sin ) − (2.65)
cos cos
̅ ( − )
= − − ( − )+ Ω (2.66)
= cos − sin (2.67)
Il est possible de simplifier davantage les équations en supposant que lors de l’analyse d’une
manœuvre, les variables , , et sont toutes fixées à zéro ou assez petites pour être sans
importance. Bien que le modèle basé sur les équations (2.64) à (2.67) élimine les équations
différentielles latéral-directionnel, il n’élimine pas complètement les coefficients
aérodynamiques latéraux et ne s’avère donc pas encore suffisamment séparés du problème
44
latéral-directionnel. En effet, le coefficient de l’équation (2.64) n’est pas purement

longitudinal, car il implique le coefficient de force latérale (voir l’équation (2.52) pour la
définition de ). Pour compléter la séparation en deux problèmes longitudinal et latéral-
directionnel, il est supposé que est assez petit pour que puisse être substitué comme une
approximation de dans l’équation (2.64). Avec cette approximation, l’équation (2.64)
permet d’isoler le mouvement longitudinal même en présence de mouvements latéraux-
directionnel avec comme seule hypothèse nécessaire, que soit assez petit pour que
l’approximation de soit raisonnable. Le modèle ainsi formé devient alors,
=− + sin( − ) + cos (2.68)
sin
=− + + cos( − ) − (2.69)
̅
= (2.70)
= (2.71)
2.7.2 Mouvement latéral-directionnel
Les mouvements latéraux-directionnel sont des rotations sur les axes X et Z du corps et des
translations selon l’axe Y du corps de l’avion. Les coefficients aérodynamiques latéraux-
directionnelle sont donc , . Les équations d’état latéral-directionnel utilisées
sont (2.49), (2.41), (2.43), (2.7) et (2.9).
45
= + sin − cos + cos sin cos
sin cos
+ cos sin − sin cos cos − (2.72)
−
− = − + (2.73)
−
− = − − − Ω (2.74)
= + tan sin + tan cos (2.75)
= sin sec + cos sec (2.76)
Bien que souhaité, il n’est pas possible techniquement d’obtenir un mouvement purement
latéral-directionnelle, même avec un avion symétrique. Dans tous les cas, il y aura toujours
une certaine excitation de causée par les termes et − de l’équation (2.66) et cela
même si = 0 et = , qui sont des conditions pratiquement improbables. Il y aura
donc une excitation de et aux équations (2.65) et (2.67), indépendamment de l’inertie.
Cependant, pour des mouvements latéraux-directionnelle modérés, l’excitation longitudinal
reste faible. Pour obtenir un ensemble satisfaisant des équations latéral-directionnel, le
coefficient est approximé par dans l’équation (2.72). Le but de cette substitution est
similaire à celle de par pour les équations longitudinales. Le coefficient , tel que
défini dans l’équation (2.53), implique le coefficient longitudinal . La participation de
est plus difficile à éviter ici que par rapport à l’implication de dans les équations
longitudinales car est important pour la définition de la dynamique latérale-directionnelle,
donc d’éliminer de l’équation n’est pas raisonnable. Les manœuvres doivent faire
intervenir de petit angle pour que finalement l’approximation soit raisonnable. Cette
restriction est rarement un problème car il est difficile pour la plupart des avions d’atteindre
un angle assez grand pour que l’approximation soit fausse.
46
De plus, le terme sin de l’équation (2.72) est considéré comme négligeable. Puisque
l’angle de cap ajoute très peu d’informations et qu’il n’est pas impliqué dans une autre
équation d’état, il est habituel d’ignorer l’équation (2.76). Les simplifications donnent les
équations d’état latéral-directionnel dans la forme suivante :
cos
= + sin − cos + (2.77)
− = (2.78)
− = (2.79)
= + tan (2.80)
CHAPITRE 3
PHASE EXPÉRIMENTALE
Le résumé détaillé de la phase expérimentale du diagramme Quad-M, présenté à la Figure

3.1, rassemble trois ensembles principaux : l’appareil de vol (drone), les manœuvres et
l’acquisition des mesures. Dans ce chapitre, la discussion se concentre sur les problèmes de
design appliqués à l’identification expérimentale et plus précisément sur le choix approprié
des manœuvres de vol et du système d’acquisition de données utilisés dans ce projet
d’identification d’un drone.
Figure 3.1 Procédure expérimentale pour l’identification de système du drone
Le design des manœuvres et de l’exécution idéale sont suffisamment compliqués et

demandent beaucoup de temps à développer lors du processus d’identification. Il est
fortement recommandé, lorsque possible, d’incorporer les caractéristiques initiales sur la
dynamique du drone tout en prenant en considération les restrictions appliquées à une
utilisation pratique du drone.
3.1 Conception des commandes d’entrées
Il est bien connu que la précision sur les paramètres estimés dépend largement des entrées
Ljung (1999). La conception de manœuvre habituellement utilisée dans l’identification de
48
système d’avion, se résume à un diagramme cyclique tel que démontré à la Figure 3.2. Il est à
noter qu’une itération complète du cycle peut prendre en pratique plusieurs mois à réaliser
comme ce fut le cas pour ce projet.
Lors de la conception des entrées de commande à des fins d'identification, certaines

conditions doivent être respectées :
• La bande de fréquence des actionneurs et les commandes du pilote doivent être

supérieures aux fréquences propres du système.
• Les excitations trop larges du drone autour de la condition nominale de vol doivent être
évitées lorsque possible.
• Les entrées multiples doivent être appliquées de façon séquentielle.
• La bande de fréquence du signal d'entrée doit couvrir la bande de fréquence du système

pour s’assurer de répondre aux conditions de l’excitation.
La première exigence ne pose généralement pas de problème dans l'application pratique du

drone en raison d’une dynamique plus lente du drone. Pour remplir la seconde condition, il
est vrai que l'amplitude et la durée de la commande d’entrée ne doivent pas faire trop dévier
l’appareil de son état de stabilité nominale afin de maintenir la validité des hypothèses sur les
coefficients aérodynamiques linéaires. D’un autre côté, un nombre élevé de petites
perturbations des variables de mouvement peuvent engendrer des signaux trop faibles par
rapport au bruit enregistré et donc peuvent fausser les résultats. En règle générale, ces
problèmes peuvent être détectés suite à un premier essai en vol lors du traitement des
données et peuvent alors nécessiter des essais en vol supplémentaires.
49
Figure 3.2 Cycle de conception conventionnelle pour commande d’entrée

Adaptée de (Morelli, 1998)
50
La troisième exigence est principalement attribuable à des conditions de sécurité. Les entrées
effectuées de façon séquentielle permettent d’éviter que l’avion se retrouve en situation de
décrochage ou d’instabilité dynamique. Un exemple typique est celui d’un avion très instable
qui ne peut être piloté sans l’utilisation d’un système de commande de vol. Dans ce cas, les
déviations des surfaces de contrôle ne peuvent pas être appliquées de façon séquentielle.
Toutefois, il n'y a pas de contraintes apparentes dans l'accomplissement de cette exigence
dans ce projet.
La quatrième condition constitue un facteur majeur lors de la conception d’une commande

d'entrée pour l'estimation des modèles aérodynamiques linéaires. Il s’agit de s’assurer
d’utiliser des signaux qui mènent à l'excitation du système. C’est lors de la conception de la
forme d'entrée et du choix de sa durée, qu’il est souhaitable de s’assurer de stimuler
éventuellement tous les modes dynamiques du système par la commande d'entrée afin
d’obtenir une réponse complète du système. Un système suffisamment bien excité fournit à la
sortie du modèle une sensibilité élevée aux paramètres et par conséquent offre une plus
grande précision aux estimations des paramètres (voir le calcul de la borne de Cramer-Rao à
la section 4.4.1). Cette propriété est étroitement liée aux caractéristiques dynamiques du
système. La connaissance a priori de la dynamique du système est utilisée comme point de
départ pour la conception de la forme des signaux d'entrée.
3.1.1 Descriptions des signaux
Il existe une variété d'entrées pour l'identification, les signaux les plus couramment utilisés
sont: l’échelon, le doublet, le multi-échelon 3-2-1-1 et le balayage de fréquence. Les
principaux signaux sont représentés dans le domaine temporel à la Figure 3.3.
51
Figure 3.3 Représentation schématique des signaux d’entrées
Le signal d'entrée de l’échelon est utilisé pour exciter les basses fréquences du système (voir
la Figure 3.4). L'utilisation de cette entrée peut conduire à des changements parmi les
conditions stationnaires du drone notamment par une déviation significative par rapport aux
conditions de départ. Pour cette raison, le signal échelon est déconseillé pour l'identification
des modèles linéaires. La forme du signal d'entrée par balayage de fréquence présente la
bande de fréquence la plus étendue et accomplit généralement les exigences d'excitation du
système. Cependant, l'utilisation pratique de cette forme d'entrée impose deux limitations. La
première, la génération d’une manœuvre par balayage pose au pilote une difficulté
considérable lorsqu’elle est effectuée manuellement. Deuxièmement, cette entrée nécessite
relativement une longue durée d’exécution pour balayer la bande de fréquences requise. Les
deux formes d’entrées, le balayage de fréquence et l’échelon, ne sont pas considérées lors de
ce projet pour les raisons mentionnées plutôt.
Toutefois, le doublet et le multi-échelon ou doublet en plusieurs manœuvres 3-2-1-1 sont

largement utilisés à des fins d'identification pour les avions. Leurs avantages sont attribués à
la facilité d’une mise en œuvre en vol et par la simplicité de la phase de conception qui est
simplement basée sur l’utilisation des fréquences modales connues de l’aéronef. Pour
concevoir le doublet, la durée d’un échelon est sélectionnée de manière à ce que la fréquence
52
du système corresponde à la moitié de la bande de fréquence du signal d'entrée (voir la

Figure 3.4). Dans ce cas, le maximum de puissance du signal d'entrée se concentre à la
fréquence du système pour ainsi atteindre l'excitation maximale de la dynamique. Le temps
d’exécution des entrées de doublet et multi-échelon 3-2-1-1 peuvent être définis à l’aide des
formules d’estimations suivantes :
2.3 (3.1)
= , =
2
où est la fréquence naturelle d’un mode d’excitation et = Δ représente la durée totale

de l’entrée d’un échelon à chaque Δ .
À partir des caractéristiques spectrales illustrées à la Figure 3.4, on remarque que la forme de
l’entrée 3-2-1-1 est préférable à l'entrée du doublet, car elle fournit une bande de fréquence
plus large (1:10 contre 1:3 pris à la moitié de l'amplitude maximale). Par conséquent, l'entrée
3-2-1-1 parait plus robuste comparée aux entrées de doublet et de l’échelon face aux
possibles erreurs sur les informations a priori pouvant être présentes dans le modèle
dynamique. Par contre, le doublet est choisi dans le cadre de ces travaux pour sa simplicité
d’implantation et son temps d’exécution relativement court. L’équation présentée ci-dessous
représente la fonction de densité spectrale de puissance (DSP). Cette fonction permet
d’analyser la répartition de la puissance d’un signal suivant les fréquences.
(3.2)
1 − cos Ω
( ) = 2Δ +2 cos Ω
Ω
Tel que Ω = Δ est la fréquence normalisée et signifie l’amplitude de l’échelon à

l’instant présent ( < < ).
53
1:10
1:3
Figure 3.4 Comparaison des fonctions de la densité de puissance spectrale pour

différentes formes d’entrées
Aucune information sur les fréquences d’amortissement n’était disponible au début du projet
sur les différents modes de mouvement du drone (la période courte, le phugoïde, le roulis
hollandais, le roulis amorti, etc.). La fréquence moyenne de = 1.6 rad/sec, fournie par la
Figure 3.4, a été utilisée dans ce projet. Celle-ci qui correspond à un temps d’exécution de
≅ 1.5 secondes.
Une autre façon de concevoir les entrées consiste à utiliser la propriété des bornes de
Cramer-Rao en tant que critères pour la méthode appelée : conception d'entrée optimale.
Cette technique utilise un processus de conception d'entrée séquentielle, dans laquelle les
entrées sont fondées sur les meilleures connaissances possibles de la dynamique du système.
Toutefois, cette approche par ajustement de l’entrée, ne peut être applicable que si l’on
54
possède une connaissance suffisante de la dynamique du système. Cette technique n’est pas
utilisée puisque l’objectif de ce projet repose d’abord sur la mise en place d’un projet
d’identification et non pas d’une tâche de raffinement des processus mise en place.
3.1.2 Limitation pratiques
Le choix des manœuvres de vol, suite à l’étape de conception, peut mener à des problèmes
qui sont souvent attribués à une limitation pratique de celles-ci au cours des tests en vol. La
discussion qui suit est consacrée à certaines contraintes constatées durant l'exécution des
essais en vol du drone de recherche.
À partir des informations fournies à la section précédente, la durée optimale conçue pour un
signal d’entrée 3211 correspond à 7 secondes. Cependant, avec le temps supplémentaire
nécessaire pour équilibrer l’appareil à une condition de vol stable et les mouvements de
transition suivant la manœuvre jusqu’au retour à l’équilibre, le temps total nécessaire à une
manœuvre d'identification peut varier entre 40 et 50 secondes. Une telle manœuvre aurait
posé un problème d’endurance inacceptable. Cette contrainte découle du fait que le drone est
commandé à distance lors de l’exécution des manœuvres et donc peut uniquement effectuer
un trajet que si la ligne de visée entre le pilote d'essai et l’appareil est claire. Puisque la
vitesse de croisière du drone est d’environ 28 m/s et que le rayon d’action imposé par
l’émetteur-récepteur se limite autour de 500 mètres maximums, le temps d’exécution d’une
manœuvre ne doit pas dépasser 18 secondes. La Figure 3.5 illustre un exemple d’une
trajectoire typique effectuée lors du premier test en vol. Cette dernière a été reconstituée à
partir des données GPS.
55
Figure 3.5 Illustration d’une trajectoire typique pour le test en vol
Afin de respecter les limites d’opération du drone, l'entrée 3-2-1-1 n’a pas été utilisée au
cours des essais en vol. Afin de s'assurer de la validité du modèle aérodynamique, qui est
supposé être linéaire (voir les conditions à la section 2.6), la déviation des commandes a été
limitée à ≤ 5 deg. Dans le cas des manœuvres latérales-directionnelles, une manipulation
du pilote a été nécessaire afin de maintenir le drone à proximité de sa trajectoire rectiligne.
Finalement, la limitation la plus délicate lors du programme d'essais en vol a été posée par les
conditions atmosphériques. Les essais en vol devaient être exécutées seulement lors des
journées les plus calmes, c’est-à-dire avec le moins de vent possible et sans précipitation de
pluie ou de neige. Il est à noter que si les essais en vol sont effectués dans une atmosphère
turbulente malgré des entrées conçues de façon optimale et utilisant par la suite des
algorithmes d’estimation sophistiqués, rien ne peut être fait pour améliorer les résultats
d'identification. Il est à noter que les coefficients aérodynamiques obtenus par les algorithmes
d’estimation en condition calme, peuvent être comparés aux résultats obtenus en condition
56
turbulente à condition d’inclure un modèle de perturbation atmosphérique lors de la

simulation du modèle du drone.
3.2 Système d’acquisition de données
La réalisation du système d'enregistrement de vol demande encore plus de temps et d’effort

que la conception des manœuvres de vol. Avant le début du projet d'identification du drone,
cette étape complexe a été réalisée par Landry (2012) au sein du même groupe de recherche,
le GRÉPCI. Une courte description des périphériques utilisés est présentée dans cette section,
afin de mieux comprendre les problèmes associés au choix de l'instrumentation et de
l'analyse des données mesurées. Conséquemment, cette partie du travail est consacrée aux
questions liées à la réalisation du matérielle.
3.2.1 Description de la plateforme de mesure
Une partie du chapitre 2 a été dédiée au problème du choix des mesures et des quantités
associées au problème d'identification. Durant le projet d'identification du drone, il a été
nécessaire de profiter d’une plateforme permettant d’effectuer des mesures en temps réel. Les
objectifs majeurs lors de l’intégration et du choix du matériel, soit les contraintes de poids, de
consommation d'énergie, d’espace disponible et du respect de la position du centre de masse,
ont été respectés.
La solution appropriée dans le choix du matériel et de son intégration a été la conception

d’une carte de contrôle tel qu'illustré à la Figure 3.6. La carte intègre plusieurs éléments: une
centrale inertielle à six degrés de liberté, un magnétomètre trois axes, un module GPS et un
microcontrôleur embarqué ou ordinateur de bord. Ce dernier, dispose de plusieurs fonctions
telles que l'évaluation et le stockage des données de vol en temps réel, la génération des
entrées d’identification préprogrammées pour une utilisation au cours des essais en vol et
l’application de l’algorithme du système de pilotage automatique. En outre, l’appareil est
équipé d'interfaces de communication permettant la collecte et l'échange des données des
différentes mesures et des unités d'actionnement. Pour l’affichage de la télémétrie une station
57
d'observation est basée au sol. Un sommaire des instruments de mesures installés sur la carte
de contrôle est présenté au Tableau 3.1. En référence à la section 2.5, les mesures
aérodynamiques de la vitesse, de l’angle d’attaque et de l’angle de dérapage sont prises à
partir des capteurs installés sur les ailes de l’avion.
Tableau 3.1 Sommaire des périphériques utilisés pour le drone
Instrument Mesure Symbole

Centrale inertielle à six degrés de liberté Accélérations linéaires, , ,
ADIS16364 (Analog Devices) vitesses angulaires et , ,
angles d’Euler , ,
Capteur de pression barométrique Altitude et température ℎ et
SPC1000 (VTI Technologies)
Magnétomètre trois axes Champ magnétique terrestre , ,
HMC5883L (Honeywell) (sert de correction au , ,
gyroscope de la centrale
inertielle)
Capteur de pression différentiel Pression dynamique (sert à
5 INCH-D-4V (All Sensors Corp.) calculer la vitesse du vent)
Capteur d’angle d’attaque et de dérapage Angle d’attaque et de et
Kit AM4096 avec RMK4 de RLS dérapage
Module GPS Longitude, latitude et altitude , ℎ
SPK-GPS-GS405 (SPK Electronics)
En plus des variables de sortie, il était également nécessaire d’enregistrer les commandes
pilotes et les variables de contrôle. La MOUETS est normalement commandé par le pilote
dans son mode de fonctionnement manuel. Cependant, le pilote peut activer à distance les
signaux de commande contenue à bord de l’ordinateur de bord. Lorsque le pilote active
58
l’interrupteur à partir de sa télécommande, le récepteur de bord transforme le signal de

commande en messages numériques et les distribue par la suite via l’ordinateur de bord qui
s’assure de répartir l’intégralité du signal préprogrammé aux différents servomoteurs
(gouverne de profondeur, ailerons, gouverne de direction). Les signaux utilisés pour piloter
les surfaces de contrôle sont également disponibles pour l'enregistrement en temps réel.
L’option d’employer une commande préprogrammée est une tâche qui doit être réalisée au
sol avant le test en vol.
Figure 3.6 Représentation schématique des systèmes du drone

Tirée de Landry (2012)
3.2.2 Stratégie d’échantillonnage
Dans un système d'acquisition sur ordinateur, il est inévitable que l'échantillonnage des
mesures conduise à des pertes d'information. Par conséquent, il est important de choisir la
59
fréquence d'échantillonnage de sorte que ces pertes soient insignifiantes lors du processus
d'estimation. Également, tout comme pour la conception des signaux d'entrée, la stratégie
d'échantillonnage est directement liée avec l’information a priori du système dynamique. Or,
l’un des deux critères suivants peut être pris en compte pour sélectionner la fréquence
d'échantillonnage :
• Selon le théorème d’échantillonnage de Nyquist-Shannon, la fréquence d’échantillonnage

doit être au moins deux fois plus élevée que la plus haute fréquence du système contenue
dans le signal,
2 (3.3)
, < , =2 =
2 ∆
Il est en général vrai qu’une fréquence d’échantillonnage plus élevée causera moins de perte
d’information. Toutefois, construire des modèles à temps discret avec un temps
d’échantillonnage ∆ très petit peut également conduire à des problèmes d’évaluation
numérique. L’utilisation d’un taux d’échantillonnage élevé peut mener la matrice de
transition d’état (réf. équation (4.16) à converger vers la matrice identité, comme le démontre
l’expression suivante,
∆ (3.4)
Φ= ≅ + ∆ + +⋯≈
2!
Cette caractéristique de l’équation mène à une distribution du pôle du système discret autour
d’un point du plan complexe, c’est-à-dire à la frontière de la région de stabilité.
• Le mode de fonctionnement en temps réel du système d’acquisition de données pose

également des exigences sur la fréquence de stockage de données. Cela dépend de la
capacité de l’ordinateur de bord à traiter les données.
60
Parmi les contraintes établies, la dernière condition a été retenue puisqu’il s’agit de la limite
correspondant au taux de rafraichissement maximal des servomoteurs du drone qui est de 50
Hz, établis par (Landry, 2012) lors du choix des composantes matérielles.
3.3 Filtrage des données post-opération
Avant de réaliser la fusion des données, il est important de procéder au filtrage des
accélérations angulaires ( , , ). Celles-ci sont générées à partir du calcul différentiel
numérique des mesures des vitesses angulaires ( , , ). Puisque les données mesurées sont
généralement bruyantes, le calcul différentiel des ces signaux peut amplifier le bruit. Dans ce
cas, il est préférable de lisser les signaux mesurés des vitesses angulaires. Un filtre passe-bas
constitué par la moyenne mobile pondérée est utilisé afin de supprimer les fluctuations
indésirables. Dans ce projet, il a été choisi d’utiliser le filtre développé par Spencer basé sur
15 points, utilisant les 7 points précédents et suivants d’une valeur actuelle. L’équation du
filtre est définie comme suit :
1
= [−3 −6 −5 +3 (3.5)
320
+ 21 + 46 + 67 + 74
+ 67 + 46 + 21
+ 3 −5 −6 −3
L’équation présentée ci-dessus s’applique bien pour les données d’un échantillon excepté les
sept premiers et derniers de la série. Afin de remédier à cette situation, un autre filtre est
implémenté à celui de l’équation (3.5) pour permettre d’harmoniser les deux extrémités de la
série de données en se basant sur quelques points :
1
= [7 + 24 + 34 + 24 +7
96 (3.6)
61
Il est important de noter qu’en dépit du manque d’information pour l’intégration de cette
partie du filtre, les deux premiers points de chaque extrémité ne peuvent être filtrés de façon
précise et sont donc exclus de l’algorithme.
Ce filtre qui est largement utilisé dans le domaine, offre l’avantage d’être symétrique et de ne
pas introduire de retard dans les valeurs filtrées, comparée aux méthodes plus classique
Chatfield (2004). De plus, un filtre coupe-bande est appliqué sur chaque donnée mesurée afin
d'améliorer les résultats. Une autre méthode consisterait à passer dans le domaine fréquentiel
afin de supprimer les fréquences indésirables.
CHAPITRE 4
STRUCTURE DU MODÈLE AÉRODYNAMIQUE ET ESTIMATION DES

PARAMÈTRES
Ce chapitre présente la structure du modèle aérodynamique ainsi que les résultats de

l’estimation des coefficients aérodynamiques obtenus à partir des différentes techniques
appliquées aux données de vol expérimentales. Il n'existe pas de structure de modèle et de
méthode d'identification uniques pour résoudre la variété des problèmes de modélisation
rencontrés en pratique. Donc il a été convenu d’utiliser les techniques les plus connues parmi
la littérature de l’identification de système d’aéronef. Les méthodes d’estimation ont été
intégrées sous Matlab par Jategaonkar (2006). Ces outils ont été modifiés au besoin et utilisés
tout au long de ce chapitre.
Tout d’abord, il est bien de rappeler que le traitement des signaux entrée-sortie à partir du
domaine de fréquence a fait place à l’analyse du domaine temporel. Par conséquent,
uniquement les méthodes d’analyse du domaine temporel sont considérées dans ce projet
d’identification du drone. D’un point de vue théorique, tous les algorithmes d’estimation du
domaine temporel peuvent être séparés en deux catégories majeures: les méthodes ou
estimateurs déterministes et stochastiques. Les estimateurs déterministes trouvent en général
une solution au problème de « meilleur ajustement possible » entre le modèle estimé et le
système réel. Dans ce sens, l’ajustement est considéré comme l’écart déterministe entre la
sortie du modèle et la sortie du modèle observé, exactement comme le fait la méthode à
erreur d’équation et la méthode à erreur de sortie. À l’opposé des méthodes déterministes, les
estimateurs stochastiques tel que la méthode à erreur de filtre, utilisent une approche
statistique dans l’interprétation de l’erreur. Ils ne font pas qu’estimer les paramètres de façon
statistique, mais ils fournissent aussi de l’information quantitative sur l’efficacité de
l’estimation.
Dans ce chapitre, une brève description sur l’approche de ces trois méthodes est présentée
ainsi qu’une discussion des résultats face à leur implication dans le problème d’identification.
64
4.1 Méthode à erreur d’équation
La première méthode utilisée a pour but de définir la structure du modèle aérodynamique

linéaire. La structure est composée des coefficients fournis par le modèle de base par les
équations (2.62) et (2.63). Une fois les coefficients établis, la structure du modèle et la valeur
des paramètres sont utilisées comme point de départ pour les autres méthodes d’estimation :
méthode à erreur de sortie et méthode à erreur de filtre.
4.1.1 Définition
Une attention particulière est accordée pour s’assurer de déterminer une représentation
analytique adéquate du système. Le modèle adéquat est celui qui s’accorde suffisamment aux
données, tout en permettant d’estimer les paramètres avec une bonne prédiction. Par
exemple, les modèles simples découplés de premier ordre qui caractérisent la dynamique des
aéronefs sur une plage de fréquence limitée peuvent être appropriés pour des applications de
qualités de manœuvrabilités, tandis que les modèles découplés à 6 degrés de liberté (6-DDL)
adaptés à un éventail plus large des fréquences sont nécessaires pour la simulation et
l’estimation des paramètres. La prochaine étape dans la définition du problème
d’identification est la formulation du critère ou de la fonction « coût ». La formulation la plus
simple, dénommée méthode à erreur d’équation (equation error method, EEM) est valable
lorsque le bruit de mesure est faible par rapport au bruit de processus. Ceci conduit à une
simple et rapide mise en œuvre des techniques de régression des moindres carrés comme
critère d’identification. Une formulation plus complexe, dénommée méthode à erreur de
sortie est valable lorsque le bruit de processus est faible par rapport au bruit de mesure. Les
méthodes à erreur de sortie et à erreur de filtre sont plus complexes que les techniques
mathématiques de la méthode à erreur d’équation. De plus, ces techniques ont besoin de plus
d’algorithmes sophistiqués et non linéaires pour déterminer les paramètres inconnus.
Une fois que la structure et la fonction « coût » ont été définie, le modèle est identifié à partir
des données mesurées à l’entrée et à la sortie du système à l’aide des méthodes du domaine
temporel. Chaque méthode comporte à sa base une méthode de recherche sophistiquée pour
65
trouver l’ensemble des valeurs de chaque paramètre qui fournit le meilleur ajustement selon
la fonction « coût » adoptée. Encore une fois, le choix des méthodes dépend des éléments
suivants : du contexte de l’application, de la formulation de la fonction « coût », de la
familiarité de l’ingénieur avec les méthodes et enfin de la disponibilité des outils
informatiques. L’identification nécessite quelques informations connues a priori (voir le
Tableau 2.1) pour identifier les différents paramètres de la structure du modèle. La Figure
4.1 représente l’approche par erreur d’équation appliquée à l’identification d’un modèle en
boucle ouverte. Les variables indépendantes ( , , , , , , et ) correspondent aux
mesures présentées à la section 2.5 et les variables dépendantes ou réponses mesurées sont
les coefficients aérodynamiques ( , , , , et ) représentés à gauche des équations
(2.62) et (2.63).
Figure 4.1 Diagramme de la méthode à erreur d’équation

66
4.1.2 Principe de la régression linéaire multiple
La méthode de régression des moindres carrés s’applique aux systèmes dynamiques linéaires
à temps invariants et figure parmi une grande catégorie appelée, méthode à erreur d’équation.
Cette section utilise seulement la méthode classique des moindres carrés ordinaires (terme en
anglais, Ordinary Least Squares) puisque l’objectif est de déterminer la meilleure structure
du modèle et d’utiliser ces coefficients comme valeur a priori pour les méthodes des sections
suivantes. Cette méthode assume que les variables indépendantes sont sans erreur, sans
bruit et que les variables dépendantes peuvent être corrompues par un bruit distribué
uniformément. La méthode est limitée lorsqu’il y a une présence de perturbation
atmosphérique, c’est-à-dire un bruit qui est impossible à modéliser, car il peut engendrer des
estimations biaisées et un écart entre les résultats estimés et simulés (voir les figures 4.6 et
4.7 entre 12 et 14 secondes). Cependant, cette méthode offre de bons résultats et l’erreur
diminue significativement lorsque le système d’instrumentation et de capteurs est de haute
qualité.
Les techniques de régression sont caractérisées par leur simplicité mathématique du fait
qu’elles se résolvent par quelques opérations matricielles. Le principe de base est de
minimiser la somme des carrés de l’erreur entre les données mesurées et la réponse du
modèle, selon la forme suivante :
( )=Θ ( )+Θ ( ) + ⋯+ Θ ( )+ ( ) (4.1)
tel que l’échantillon de données discrètes [ (1); (2); … ( ) correspondant à une

variable dépendante et des variables indépendantes [ (1); (2); … , ( ) , ou =
… représente un vecteur × 1. Le vecteur Θ = Θ Θ … Θ correspond
aux paramètres inconnus et représente l’erreur d’équation qui modélise les défauts et le
bruit inclus dans les variables dépendantes . La caractéristique principale de cette méthode
est la minimisation d’une fonction de coût définie directement en termes d’équation sur les
entrées et les sorties. En ayant toutes les variables indépendantes et variables dépendantes
67
d’un échantillon de données discrètes, l’erreur d’équation peut être minimisée en une
seule itération avec l’utilisation de la méthode des moindres carrés selon le critère suivant :
=( ) (4.2)
La forme présentée à l’équation 4.1 peut être appliquée aux équations (2.62) et (2.63) du
modèle aérodynamique linéaire.
4.1.3 Choix de la structure du modèle et estimation des dérivées longitudinales et

latérales par EEM
Le choix de la structure est défini à l’aide du coefficient de détermination qui est un

indicateur servant à juger de la qualité ou fidélité d’une régression multiple. Ce coefficient
mesure la concordance entre le modèle et les données observées. Le résultat exprimé par
l’équation suivante, correspond à une valeur comprise entre 0 et 1.
(4.3)
=
La quantité SCR représente la somme des carrés des résidus et SCT signifie la somme des
carrés totaux. La valeur d’une observation peut être décomposée en deux parties : une part
expliquée par le modèle et une part résiduelle. Or, la dispersion de l’ensemble des
observations se décompose en variance expliquée par la régression et en variance résiduelle,
inexpliquée. Le coefficient de détermination se définit alors comme la part de variance
expliquée par rapport à la variance totale. Pour un développement mathématique plus
exhaustif du coefficient de détermination, le lecteur peut se référer à Klein et Morelli A.
(2006).
L'approche de base pour le choix de la structure du modèle est basée sur une méthode de
régression progressive par sélection de variables. Cette procédure de sélection débute à partir
d’un modèle très simple contenant uniquement le biais (terme aérodynamique nul). Tout
68
d’abord, il faut ajouter à l'équation de régression une variable indépendante ayant la plus
forte corrélation avec les variables dépendantes. Par la suite, à chaque contribution d’une
variable indépendante le modèle de régression est réévalué. Encore une fois, les variables
restantes sont ajoutées au modèle une à la fois et l’étape précédente est répétée. Chaque fois
qu’une variable est ajoutée au modèle, le coefficient de détermination augmente. Le
coefficient doit toujours rester supérieur. Lorsque l’ajout d’une variable crée une
augmentation de inférieure à 5%, le processus est terminé. Le Tableau 4.1 indique le
résultat total de pour chaque coefficients aérodynamique longitudinales ( , et ) et
latérales ( , et ) ainsi que leurs valeurs estimées. Bien que la valeur idéal de
correspond à 0.99, il reste difficile d’atteindre cette condition face aux problèmes de
précision sur l’instrumentation, des perturbations atmosphérique et de qualité des manouvres.
De plus, l’objectif n’est pas d’atteindre la valeur idéale, mais de trouver un modèle suffisant
pour représenter le comportement dynamique sans pour autant surestimer la valeur des
paramètres ou inclure des paramètres qui n’ont pas ou très peu d’influence sur le modèle
dynamique.
Il y a deux objectifs contradictoires qui s’imposent en ce qui a trait à la détermination de la

structure du modèle. D'une part, un modèle avec de nombreux régresseurs pourrait être
souhaité pour que le modèle puisse décrire presque toutes les variations dans la variable
dépendante. D'autre part, il peut être désiré d’obtenir un modèle avec le moins de variables
possible, puisque la variance de la variable indépendante augmente à mesure que le nombre
de régresseurs augmente. La stratégie retenue à cette étape a été de sélectionner suffisamment
de paramètres pour effectuer une simulation en temps réel (section 5.1.2) du modèle non-
linéaire à 6-DDL. Pour ce faire, les six paramètres proposés à la section 2.6 ont été inclus
dans l’analyse de régression. Il est possible d’observer un bon ajustement des réponses
temporelles mesurées et estimées aux Figures 4.2 à 4.7, ce qui indique clairement que le
modèle choisi est adéquat. Ainsi, le modèle aérodynamique postulé devient :
69
= + + + (4.4)
= + + +
= + + +
= +
= + + + +
= + + + +
De plus, si les paramètres d’estimation recherchés sont trop nombreux à partir d'un même
ensemble de données mesurées, on peut s'attendre à ce que la précision des paramètres
estimés soit réduite. Bien que le Tableau 4.1 présente les résultats du mouvement
longitudinal et latéral, l’analyse de régression a été effectuée séparément à partir de deux
ensembles de données distincts. Un grand volume de données reste nécessaire pour soutenir
une estimation précise des paramètres du modèle.
70
Tableau 4.1 Estimation des coefficients du mouvement

longitudinales et latérales (EEM)
Paramètres Valeurs Écart Type Écart Type Relatif (%)

0.070660 0.0049049 6.94
1.7856 0.040254 2.25
-19.467 0.82230 4.22
-0.26467 0.040198 15.19
R² = 0.82721
0.44942 0.015594 3.47
4.4882 0.12798 2.85
14.340 2.6143 18.23
-1.1410 0.12780 11.20
R² = 0.69032
-0.019822 0.00099237 5.01
-0.079313 0.0081442 10.27
-2.7655 0.16637 6.02
-0.15930 0.0081329 5.11
R² = 0.38878
0.070962 0.00078138 1.10
-0.82223 0.015826 1.92
R² = 0.71612
-0.0071312 0.00035117 4.92
-0.14083 0.0057777 4.10
-0.43760 0.022604 5.17
0.21351 0.016704 7.82
0.22408 0.0096075 4.29
R² = 0.39135
0.0033671 0.00021764 6.46
0.11627 0.0037497 3.23
-0.11452 0.0098811 8.63
-0.29205 0.013890 4.76
-0.088227 0.0043629 4.95
R² = 0.48598
71
Figure 4.2 Réponse mesurée et estimée (EEM) du coefficient

72

73

74
4.2 Méthode à erreur de sortie
La section suivante présente la méthode à erreur de sortie. Cette méthode est caractérisée par
l’utilisation de la structure et des paramètres, obtenus par la méthode précédente, comme
valeurs de départ.
4.2.1 Définition
La méthode à erreur de sortie (output error method, OEM) est utilisée sur le modèle du
système non-linéaire. Le critère de qualité qui est employé avec cette approche est basé sur la
fonction du maximum de vraisemblance. Le critère utilise un traitement statistique de l’erreur
entre le modèle et le système afin de fournir une estimation efficace des paramètres. La
Figure 4.8 représente l’approche par erreur de sortie appliquée à l’identification d’un modèle
en boucle ouverte.
Selon Hamel et Jategaonkar (1996), les résultats obtenus en appliquant le critère du

maximum de vraisemblance ont démontré que de façon générale le modèle peut s’adapter
adéquatement au système réel en dépit des mauvaises condition initiales des paramètres du
modèle. De plus, Jategaonkar et Plaetschke (1988) ont démontré avec succès que la méthode
à erreur de sortie s’adapte très bien à l’estimation des paramètres pour un modèle non-
linéaire semblable à celui du drone de recherche.
75
Figure 4.8 Diagramme de la méthode à erreur de sortie
4.2.2 Principe du Maximum de vraisemblance
L'estimation par maximum de vraisemblance (maximum likelihood, ML) constitue un

problème d'estimation statistique qui utilise un traitement probabiliste des signaux
stochastiques. L’idée fondamentale de l’estimation par maximum de vraisemblance est,
comme le nom l’indique, de trouver un ensemble d’estimations de paramètres, appelé ,
telle que la vraisemblance d’avoir obtenu l’échantillon que nous utilisons soit maximisée.
Cette définition signifie que la densité de probabilité jointe pour le modèle estimé est évaluée
aux valeurs observées des variables dépendantes et traitées comme une fonction de
paramètres du modèle. Le vecteur des estimations ML donne alors le maximum de cette
fonction,
76
( ) = arg ( | ) (4.5)
Où arg indique que Θ est la valeur de Θ qui maximise la fonction de densité de

probabilité ( | ) des variables observables donnant Θ. Les paramètres sont choisis de
manière à ce que les observations causées par ces paramètres soient les plus susceptibles de
se produire.
Tel que la fonction de densité de probabilité correspond à :
1 ( − ) ( − ) (4.6)
( | )= ⁄
−
(2 ) | | 2
Si représente un ensemble d’échantillons de mesure indépendante, alors la fonction peut

être détaillée comme le produit des probabilités conditionnelles,
( | )= ( , ,…, |Θ) (4.7)
= ( |Θ)
Tel que constitue le nombre de mesures.
Dans le cas d’échantillons de grande taille, l’équation (4.7) peut devenir extrêmement grande
ou extrêmement petite et prendre des valeurs qui sont bien au-delà des possibilités des
nombres à virgule flottante que les ordinateurs peuvent supporter. Pour cette raison, il est
d’usage de maximiser le logarithme de la fonction de vraisemblance plutôt que la fonction de
vraisemblance elle-même. Bien évidemment, la même réponse est obtenue en procédant ainsi
car la fonction de logvraisemblance est une fonction monotone croissante. La fonction de
logvraisemblance est donc :
77
( ) = arg ln ( | ) (4.8)
= arg ln ( | )
L'approche probabiliste donnée ci-dessus peut être facilement appliquée à l'estimation des
paramètres du système dynamique. Si les réponses mesurées sont contaminés par l’ajout d’un
bruit de mesure et que le bruit de procédé est absent (aucune erreur de modélisation), alors
l'erreur de sortie est définie par,
= − ̂ (4.9)
Il est de pratique courante d'associer l'erreur de mesure avec un processus aléatoire ayant une
distribution Gaussienne de la façon suivante :
= [( )( ) (4.10)
Dans ce cas, l'analyse statistique se simplifie grandement et la fonction de logvraisemblance

devient :
( , Θ) = ln ( |Θ) (4.11)
1
=− [( − ̂ ) ( ) ( − ̂) − ln| |− ln 2
2 2 2
où désigne la longueur du vecteur Θ et représente la matrice de covariance du vecteur de

bruit de mesure. La maximisation de la probabilité fonctionnelle donnée en fonction des
paramètres inconnus est équivalente à la minimisation de sa valeur négative, ce qui est une
tâche d'optimisation typique. La condition nécessaire pour minimiser la fonction de
78
maximum de vraisemblance par rapport aux paramètres inconnus est donnée par l’algorithme
d’optimisation de Newton-Raphson :
(4.12)
ΔΘ = −
Θ Θ
La forme et les caractéristiques de l'estimateur du maximum de vraisemblance dépendent

fortement du type de la distribution du bruit adopté pour l'analyse. Comme indiqué
précédemment, une distribution gaussienne ou loi normale est adoptée pour l'erreur de sortie.
Dans cette configuration, l'efficacité de l'estimateur du maximum de vraisemblance est
limitée. Si le système fonctionne lorsqu’il existe des perturbations d'état, l'efficacité à réaliser
l'erreur de sortie se dégrade.
4.3 Méthode à erreur de filtre
La méthode à erreur de filtre appartient à la catégorie des techniques stochastiques.

Comparativement aux méthodes d’estimations déterministes présentées plutôt, la méthode à
erreur de filtre inclut le bruit de processus (perturbation atmosphérique) dans la modélisation
du système. L’utilisation du filtre de Kalman permet d’obtenir des estimations correctes
malgré les erreurs de modélisation.
4.3.1 Définition
La méthode à erreur de filtre (filter error method, FEM) est une extension de la méthode à
erreur de sortie. Cette méthode ajoute un filtre de Kalman pour fournir l'estimation des états
du système à identifier, la méthode à erreur de filtre possède l'avantage significatif de fournir
l'estimation des paramètres en présence du bruit de processus. Il existe plusieurs études
disponibles tel que Iliff (1974), Jategaonkar et Plaetschke (1987) et Yazawa (1977), qui
utilisent la méthode à erreur de filtre pour l'estimation des paramètres d'un avion à partir des
données de vol en présence de turbulences. Le diagramme de la Figure 4.9 illustre le principe
79
de l'approche à erreur de filtre. On peut constater qu’une entrée représentant la présence de

bruit de processus a été ajoutée au système.
Figure 4.9 Diagramme de la méthode à erreur de filtre
4.3.2 Principe d’estimation d’état par filtre de Kalman
Le principe d'un filtre de Kalman étendu (extended Kalman filter, EKF) est une méthode qui
estime les variables d’état d'un système à partir d'une série de données bruitées. Tout d'abord,
les équations d'état et les équations liant l'état précédent à l'instant suivant qui sont linéaires
dans le cas du filtre de Kalman classique sont maintenant non linéaires. Ce filtre permet en
effet de linéariser localement le problème et donc d'appliquer les équations classique du filtre
de Kalman. Cependant, il est impossible dans ce cas de représenter les équations d’état et
d’observation sous forme matricielle.
80
Les équations du système non-linéaire sont :
( ) = [ ( ), ( ), Θ + ( ) (4.13)
( ) = [ ( ), ( ), Θ
Tel que Θ désigne les paramètres du système apparaissant dans et et représentent la

matrice de bruit de processus. Ces équations non linéaires sont alors utilisées pour le calcul
de la prédiction et la mise à jour du vecteur d'état. Les équations de Kalman sont représentées
par la boucle de résolution suivante:
• La phase de prédiction
(4.14)
( + 1) = ( ) + [ ( ), ( ), Θ d
Calcul de la matrice de covariance d’erreur :
( + 1) ≈ Φ( + 1) ( )Φ ( + 1) + Δ (4.15)
tel que,
( )
∆ (4.16)
( + 1) = ≈ + ( )∆ + ( ) +⋯
2!
[ ( ), ( ), Θ (4.17)
( )=
( )
81
• La phase de mise à jour
( ) = [ ( ), ( ), Θ (4.18)
Calcul de la matrice de gain K :
( )= ( ) ( ) + ( ) (4.19)
( )=[ − ( ) ( )[ − ( ) + ( ) ( ) ( ) (4.20)
Analyse au temps k à l’aide de l’opérateur d’observation non-linéaire :
( ) = ( ) + ( )[ ( ) − ( ) (4.21)
[ ( ), ( ), Θ (4.22)
( )=
( )
Afin de calculer la covariance d'erreur et le gain de Kalman, les matrices d'observation et de

transition A et C sont linéarisées localement. On obtient les matrices d'observation (4.17) et
de transition (4.22) en prenant les matrices des dérivées partielles des équations non linéaires,
aussi appelées Jacobiennes.
Avec ces Jacobiennes, il est possible d'appliquer le filtre de Kalman tel que défini ci-dessus.
Il suffit de recalculer les matrices aux dérivées partielles à chaque nouvel échantillon à traiter
avant de pouvoir les réutiliser dans les équations. Toutefois, il faut tenir compte qu’il s’agit
uniquement d’une linéarisation locale des équations afin d'appliquer le filtre de Kalman.
Cette linéarisation est locale, ce qui entraine une convergence locale du filtre de Kalman
étendu. Ce filtre ne garantit pas la convergence globale à l'inverse du filtre de Kalman
classique. La stabilité d'un EKF est plus difficile à garantir et dépend souvent de
l’initialisation des coefficients de départ (valeurs obtenues du Tableau 4.1).
82
4.4 Évaluation de la qualité des estimations
Après avoir appliqué les méthodes d'estimation statistique, la première interrogation

concerne la précision statistique de ces estimations. Des critères communs sont les écarts-
types des estimations aussi appelés bornes de Cramér-Rao et les coefficients de corrélation.
Ces informations aident à obtenir un niveau de confiance de l'estimation pour un paramètre
en particulier. Il donne également une indication sur le choix du nombre de paramètres
choisis dans la structure du modèle. Enfin, l'information de la confiance des paramètres est
une aide supplémentaire pour la conception de futures expériences d'identification.
4.4.1 Borne de Cramér-Rao
L’efficacité des paramètres estimés est généralement considérée par l’écart type, ou borne de
Cramér-Rao, exprimé par la relation suivante. Cette mesure décrit la borne inférieure de la
covariance des estimations obtenues. Donc, ceci signifie que les estimations Θ ne peuvent
pas être inférieures à cette borne, mais augmentent leur efficacité si elles atteignent la borne
ou limite.
≥ (4.23)
où est la matrice d'information de Fisher, obtenue à partir de l'approximation suivante :
(4.24)
= ∇ z ∇ z
La matrice de Fisher permet d’évaluer l’information contenue par ces données. D’un point de
vue qualitatif, cette indication peut être facilement interprétée comme la sensibilité d’un
paramètre à la sortie du système, représenté par le terme ∇ z . Si la sensibilité est grande,
alors la teneur en information du paramètre est également grande. Cela devrait conduire à
une plus petite borne de Cramer-Rao en raison de l'inversion de la matrice de Fisher
83
(sensibilité). Par conséquent, une plus grande confiance est obtenue sur le paramètre estimé.
De plus, il faut retenir que la qualité des estimations des paramètres est influencée par la
forme du signal d'entrée. Finalement, il est possible de représenter la borne de Cramér-Rao
sous une forme plus simple par 100 ∗ Θ /Θ , qui correspond à l’écart-type relatif en
pourcentage.
4.4.2 Coefficient de Corrélation
La matrice d'information de Fisher offre une évaluation supplémentaire sur la qualité de

l'estimation. Il s’agit de la dépendance statistique entre les paramètres estimés, connue en tant
que corrélation. La corrélation entre deux paramètres Θ et Θ peut être calculée comme suit,
( ) (4.25)
=
( ) ( )
où désigne le coefficient de corrélation entre les paramètres. Le coefficient possède

des valeurs comprises entre 0 (aucune corrélation) et 1 (dépendance linéaire). Les
coefficients sont généralement présentés sous la forme d’une carte (matrice) de toutes les
corrélations. Dans le cas idéal, on tente d'éliminer la corrélation entre les paramètres.
Cependant, lorsqu’appliqué pour un cas pratique, le cas idéal peut être atteint seulement pour
quelques simples types de systèmes. Pour un système multivariable et complexe comme
celui-ci, il n'est pas possible. Par contre, la corrélation entre les paramètres d’une valeur de
≤ 0.9 peut être considérée comme acceptables dans le domaine de l’identification du
système d’aéronef. Par conséquent, cette valeur est considérée comme la limite maximale
autorisée pour l’estimation des paramètres du modèle. Il y a deux façons pratiques de réduire
la forte corrélation entre les paramètres d’estimation du modèle. La première façon est de
modifier la structure et le paramétrage de l'ensemble du modèle afin de minimiser les effets
de corrélation. L’autre façon est de sélectionner la commande d’entrée appropriée afin de
réduire l’interdépendance. Dans ce dernier cas, la commande d’entrée est conçue
84
spécifiquement pour affecter une partie seulement des paramètres dépendants, en tenant les
autres paramètres inchangés.
4.4.3 Analyse des résidus
La valeur de la fonction de « coût » est une mesure de l'ajustement du modèle. Dans le cas du
maximum de vraisemblance, il s’agit de | |, le déterminant de la matrice de covariance des
résidus.
Bien qu'elle soit la façon la plus directe pour évaluer la qualité du modèle, il y a quelques
difficultés pratiques liées à l'évaluation des valeurs numériques. La fonction de coût devrait
normalement être la plus petite possible. La valeur de la fonction coût dépend du nombre de
sorties du modèle et de la quantité de bruit analysé dans les données. La difficulté majeure
rencontrée ici, c'est qu’aucun critère cohérent n’a été réalisé jusqu'à présent pour cet aspect
qui permettrait une comparaison directe des différents modèles. Néanmoins, si pour le même
nombre de sorties du système et en utilisant de manière cohérente les mêmes unités, les
valeurs de la fonction de « coût » peuvent être utilisées de manière limitée pour juger les
améliorations qui peuvent résulter d’une méthode d’estimation à une autre.
4.5 Résultats des estimations
Le traitement des données de vol à travers les méthodes OEM et FEM résulte par l’obtention
des dérivées longitudinales et latérales appliquées au modèle du drone à l’étude. Cette section
synthétise ces résultats et représente une partie importante de ce chapitre, car elle vise à faire
l’application des théorèmes expliqués précédemment sur des données tangibles.
4.5.1 Estimation des dérivées longitudinales par OEM
La section suivante présente les résultats de l'estimation des paramètres du modèle

longitudinal. Pour accélérer et faciliter la convergence de l’algorithme d’optimisation, les
85
valeurs initiales des paramètres correspondent aux résultats de la méthode à erreur

d’équation, tel qu’affiché au Tableau 4.1.
Le vecteur des paramètres à estimer est composé de 12 inconnues, dont 6 dérivées de

stabilité, 3 dérivées de contrôle et 3 dérivées initiales, respectivement :
(4.26)
=
Les équations suivantes sont le résultat de la substitution du modèle aérodynamique défini

par l’équation (2.62) avec celui du modèle longitudinal représenté par les équations (2.68) à
(2.71) et des équations (2.59) et (2.61) de l’accélération linéaire le long des axes et du
corps de l’avion. Ce modèle dynamique sert à l’estimation des paramètres de la MOUETS.
̅
=− + + + + sin( − ) (4.27)
2
̅
=− + + + + + cos( − ) (4.28)
2
̅ ̅
= + + + (4.29)
2
= (4.30)
1
= ( ) (4.31)
1
= ( ) (4.32)
86
Tel que,
= sin − cos
=− cos − sin
Les équations précédentes peuvent être représentées sous la forme du modèle d’état suivant :
− − sin( − )
cos( − ) (4.33)
= − −( − 1)
0 1
0 1 0
+
1
0 0
1 0 0 0 0 0 0
0 1 0 0 0 0 0
0 0 1 0 0 0 0 (4.34)
= 0 0 0 1 0 + 0 0
0 0 0 1
0 0 0 0 1 0 0
0 0 0 0 0 0
tel que,
̅
= , = , =
87
Tableau 4.2 Estimation des coefficients du mouvement latéral (OEM)

0.0731 4.0512e-003 5.54
1.4814 5.2383e-002 3.54
-26.5467 1.0368e+000 3.91
0.0590 1.1703e-002 19.83

0.7717 1.3034e-002 1.69
6.5309 1.6864e-001 2.58
9.9845 1.0864e+000 10.88
0.4181 1.1528e-002 2.76

-0.0431 1.2359e-003 2.86
-0.1512 7.1186e-003 4.71
-11.2179 3.5677e-001 3.18
-0.2679 8.3391e-003 3.11

Itérations : 8
Fonction de coût : det(R) = 2.7571e-008
Une simple analyse visuelle des données mesurées au Tableau 4.2 peut donner une confiance
initiale au sujet du comportement dynamique de l'aéronef. C’est en observant les Figures
4.10 à 4.16, qu’il est possible d’affirmer qu’en dépit de la réduction du modèle d'états (deux
mouvements séparés : longitudinal et latéral), l’ajustement entre les courbes des valeurs
mesurées et calculées est constant. Toutefois, une divergence dans affecte la précision du
paramètre . L’accélération linéaire peut avoir été modifiée par le vent d’incidence
lorsque le nez pique pour effectuer la manœuvre. Cette forme de perturbation est considérée
comme un bruit de mesure et n’est alors pas gérée par l’algorithme à erreur de sortie.
88
Jusqu'à présent, seul l'ajustement entre la valeur mesurée et les réponses du modèle a été
utilisé comme un critère de qualité. Toutefois, l'ajustement entre les résultats ne garantit pas
toujours le fait que les paramètres estimés sont fiables. Cette constatation peut être évidente
lorsqu’on analyse les corrélations entre les paramètres estimées, présentés au Tableau 4.3. En
dépit d'un bon accord entre les mesures estimées et mesurées, une dépendance > 0.90
existe pour plusieurs paires de paramètres estimés, obtenus à partir de l’équation (4.25).
Tableau 4.3 Matrice de corrélation des paramètres estimés du mouvement

longitudinal (OEM)
1 0.97 -0.31 -0.35 0.57 0.56 0.18 -0.03 -0.04 -0.02 0.00 -0.01
- 1 -0.38 -0.45 0.56 0.59 0.17 0.00 -0.03 -0.04 0.00 -0.01
- - 1 0.16 0.07 0.08 0.25 -0.28 0.05 0.11 0.15 -0.03
- - - 1 -0.18 -0.16 -0.19 0.08 -0.06 -0.49 0.11 0.17

- - - - 1 0.96 0.15 -0.06 0.16 -0.08 0.32 0.25
- - - - - 1 0.16 -0.12 0.14 -0.12 0.31 0.22
- - - - - - 1 -0.26 -0.36 -0.07 -0.07 -0.46
- - - - - - - 1 -0.12 -0.23 -0.19 -0.01

- - - - - - - - 1 0.66 0.78 0.91
- - - - - - - - - 1 0.26 0.30
- - - - - - - - - - 1 0.83
- - - - - - - - - - - 1
Un modèle d'estimation contenant des paramètres fortement corrélés devrait éventuellement

être modifié afin de réduire cette interdépendance (corrélation). La réduction des paramètres
du modèle peut être faite à partir des propositions suivantes :
• Les paramètres , comprennent les composantes du vecteur de biais

qui n'ont qu'une importance mineure (par exemple pour compenser pour les états initiaux
89
et les erreurs des capteurs). Une forte corrélation entre eux peut être autorisée tant que
cela n'affecte pas le résultat de l’estimation ou de la convergence de l'optimisation.
• Si une forte dépendance existe entre n’importe quelle dérivée et les paramètres de biais,
ceux-ci doivent être fixée à une certaine valeur (nominale ou nulle) lors de l'estimation.
Il est déconseillé de négliger un paramètre de la structure du modèle malgré une forte

corrélation. En effet, un tel impact peut changer les propriétés essentielles du modèle
(comme la suppression d’un mode dynamique). La solution conseillée est de fixer le
coefficient à une certaine valeur nominale lors de l'estimation. Les solutions proposées
conviennent dans ce cas-ci d’autant plus que la convergence de l’optimisation est obtenue
après seulement 10 itérations.
Figure 4.10 Réponse mesurée et estimée (OEM) de la vitesse relative

90
Figure 4.11 Réponse mesurée et estimée (OEM) de l’angle d’attaque
Figure 4.12 Réponse mesurée et estimée (OEM) de l’angle de tangage

91
Figure 4.13 Réponse mesurée et estimée (OEM) de la vitesse angulaire
Figure 4.14 Réponse mesurée et estimée (OEM) de l’accélération angulaire

92
Figure 4.15 Réponse mesurée et estimée (OEM) de l’accélération linéaire

93
4.5.2 Estimation des dérivées latérales par OEM
Durant les tests en vol de la phase expérimentale, beaucoup d’attention ont été portée à la
réalisation des manœuvres longitudinales et à la résolution des quelques problèmes de
manipulation recensés à la section 3.1.2. Suite à la réussite d’un premier vol complet et sans
faille, le temps alloué pour effectuer les manœuvres de vol de la dynamique latérale-
directionnelle n’a pas été suffisant. En raison de l’autonomie des batteries (environ 12
minutes), d’un échéancier très serré et des problèmes rencontrés lors des journées d’essais,
seulement deux manœuvres identiques ont pu être réalisées.
La manœuvre du mouvement latéral-directionnel réalisée au cours du projet consiste en deux

séquences de perturbation. Un premier doublet est appliqué aux contrôles des ailerons suivis
d’une pause d’environ 2 secondes puis un second doublet est appliqué aux contrôles de la
gouverne de direction.
Le vecteur des paramètres à estimer est composé de 12 inconnues, dont 7 dérivées de

stabilité, 2 dérivées de contrôle et 3 dérivées initiales, respectivement :
(4.35)
=
Les équations suivantes sont le résultat de la substitution du modèle aérodynamique défini

par l’équation (2.63) avec celui du modèle latéral-directionnel représenté par les équations
(2.77) à (2.80) et de l’équation (2.60) de l’accélération latérale. Ce modèle dynamique sert à
l’estimation des paramètres de la MOUETS.
94
cos (4.36)
= + + sin − cos +
− = + + + + (4.37)
2 2
− = + + + + (4.38)
2 2
= + tan (4.39)
= + (4.40)
95
Les équations (4.36) à (4.40) peuvent être représentées sous la forme du modèle d’état
suivant :
1 0 0 0
0 − 0
(4.41)
0 − 0
0 0 0 1
cos
sin − cos
= 0
0
0 1 tan 0
0 0
0
+
0
1
0 0 0
1 0 0 0 0 0 0
0 1 0 0 0 0 0
(4.42)
0 0 1 0 0 0 0
0 0 0 − 0 0
0 0 0 − 0 0
0 0 0 0 0 1 0
0 0 0 0 0 0 1
1 0 0 0
0 1 0 0
0 0 1 0
= 0
0
0 0 0 1
0 0 0
0 0 0
0 0 0
0 0 0
+ 0
0 1
0 0 0
0 0
96
tel que,
= , = , = , =
2
Les équations (4.37) et (4.38) sont combinées afin de représenter une seule dérivée d’état de
la façon suivante avant l’intégration numérique :
= + (4.43)
= + (4.44)
tel que,
= + + + +
2 2
= + + + +
2 2
Γ= −
= ⁄Γ
= ⁄Γ
= ⁄Γ
Les résultats estimés par la méthode à erreur de sortie comparée aux mêmes valeurs mesurées
durant les essais en vol, sont présentés aux Figures 4.17 à 4.22. Les valeurs numériques des
paramètres estimés sont présentées au Tableau 4.4.
97
Tableau 4.4 Estimation des coefficients du mouvement longitudinal (OEM)

0.0601 6.7558e-004 1.12
-0.7293 1.4915e-002 3.05
-0.0088 3.5031e-004 3.98

-0.1030 3.5767e-003 3.47
-1.0261 4.4287e-002 4.32
1.0169 6.1629e-002 6.06

0.2592 8.0334e-003 3.10
0.0037 2.7898e-004 7.55
0.0766 2.8882e-003 3.77
-0.7875 3.2817e-002 4.17
-1.3388 6.4195e-002 4.80

-0.1233 4.6329e-003 3.76
Itérations : 12
Lors de l'analyse des mesures de vol, plus particulièrement le coefficient d’amortissement

, il devient évident que les oscillations en roulis sont étroitement couplées avec le
mouvement de lacet. Ce phénomène est causé par l’excitation de la gouverne de direction.
Comme dans le cas des estimations longitudinales, les estimations du modèle latéral ont
également conduit à des résultats d'estimation de qualité moyenne en raison de la dépendance
entre les mouvements. Cependant, lors de l’optimisation de la fonction du maximum de
vraisemblance, le modèle a produit un ajustement aux données de vol sans se heurter à des
problèmes de convergence.
98
La carte de corrélation des paramètres estimés est illustrée au Tableau 4.5. Bien que la
corrélation entre les paramètres ne semble pas être aussi critique tel que révélé
dans la section précédente, néanmoins une forte corrélation existe entre les deux paramètres.
Les paramètres de biais ou les paramètres de condition initiale tel que celui-ci, sont
généralement des paramètres de nuisance durant l’étape d’estimation. Un paramètre de
nuisance est un paramètre inconnu qui n'est pas vraiment d'intérêt pour l’étude des
coefficients de stabilité et de contrôle. Par contre, dans certains cas, il est nécessaire
d’estimer sa valeur afin d'obtenir des estimations précises des autres paramètres.

du mouvement latéral (OEM)
1 0.21 -0.01 -0.01 0.00 0.00 -0.01 0.03 0.04 0.01 0.00 0.01
- 1 -0.01 -0.05 0.02 0.02 -0.03 0.02 0.11 0.04 -0.03 0.05
- - 1 0.50 0.67 -0.04 -0.75 -0.32 -0.02 -0.17 -0.04 -0.01

- - - 1 0.55 0.11 -0.57 -0.08 -0.22 -0.10 0.08 0.07
- - - - 1 0.12 -0.03 -0.02 -0.05 -0.25 -0.18 -0.02
- - - - - 1 0.17 -0.15 -0.37 0.36 0.17 0.38

- - - - - - 1 0.02 0.03 0.25 0.11 0.05
- - - - - - - 1 0.25 -0.30 -0.28 -0.47
- - - - - - - - 1 -0.35 -0.10 -0.51
- - - - - - - - - 1 0.69 0.77
- - - - - - - - - - 1 0.64
- - - - - - - - - - - 1
Bien que les résultats obtenus ne soient pas considérés comme étant idéals, ils contribuent à
montrer les limites de la méthode à erreur de sortie lorsqu’il y a présence de bruit de
processus, ce qui correspond à des conditions atmosphériques turbulentes recueillies parmi
les données de vol. Également, les résultats peuvent servir à la validation du modèle final.
99

100

101
Figure 4.22 Réponse mesurée et estimée (OEM) de l’angle de dérapage

102
4.5.3 Estimation des dérivées longitudinales par FEM
Les résultats de l'estimation obtenus par l’utilisation de l'algorithme à erreur de sortie,

peuvent être considérés comme une base pour la sélection d’un ensemble fiable des
paramètres du modèle longitudinal. Bien que les estimations des trajectoires et des
paramètres soient très encourageantes, il reste encore quelques divergences entre les
trajectoires mesurées et estimées. Ces divergences peuvent être le signe de la présence d’une
atmosphère un peu turbulente.
L'algorithme à erreur de filtre est appliqué aux données mesurées afin de minimiser l'effet
négatif de cette perturbation incontrôlée sur les estimations des paramètres. Cette méthode
utilise le même vecteur des paramètres longitudinaux définis pour la méthode à erreur de
sortie. Les résultats des estimations sont dévoilés dans le Tableau 4.6 et les réponses
temporelles sont présentées par les Figures 4.23 à 4.29. L'accord entre les trajectoires
mesurées et estimées est maintenant presque parfait. Cette amélioration de l'ajustement de
trajectoire affecte également la confiance des paramètres estimés. La plupart d'entre eux ont
été estimés plus près des limites de Cramer-Rao, en comparant les estimations obtenues par
la méthode à erreur de sortie. L'estimation des paramètres avec le bruit de processus n'a pas
conduit à une interdépendance critique comme le démontre le Tableau 4.7.
103
Tableau 4.6 Estimation des coefficients du mouvement longitudinal (FEM)

0.0916 3.9838e-003 4.35
1.7365 3.9274e-002 2.26
-41.6058 1.2836e+000 3.09
-0.2074 1.9453e-002 9.38

0.7690 1.1890e-002 1.55
5.3868 1.1981e-001 2.22
77.6626 3.8421e+000 4.95
0.6788 5.8080e-002 8.56

-0.0239 1.2769e-003 5.35
-0.0782 9.8372e-003 12.58
-7.6669 4.1129e-001 5.36
-0.1745 8.0352e-003 4.61

Itérations : 28
Lorsque la méthode à erreur de filtre est appliquée de meilleures performances sont

observées, c'est à dire un meilleur ajustement de la trajectoire et l’augmentation de la
plausibilité des estimations des paramètres.
La performance de la méthode à erreur de filtre est généralement plus efficace lorsque les
paramètres du modèle sont estimés à partir des manœuvres effectuées en présence de
turbulence. Non seulement les résidus obtenus sont plus faibles, mais aussi les valeurs
numériques de certains paramètres estimés ont été obtenues avec une meilleure précision de
l’écart-type, comparé à la méthode à erreur de sortie. Bien que le temps d'évaluation ne soit
104
pas le facteur central dans l'analyse actuelle, une vitesse de convergence plus rapide que la
méthode à erreur de sortie a été observée.

du mouvement longitudinal (FEM)
1 0.85 0.39 0.61 0.36 0.43 0.08 0.02 0.15 0.09 0.10 0.14
- 1 0.10 0.17 0.40 0.54 0.06 -0.01 0.09 0.09 0.02 0.04
- - 1 0.65 0.01 0.07 0.35 -0.08 0.10 -0.01 0.18 0.17
- - - 1 0.07 0.07 0.07 0.07 0.15 0.03 0.19 0.21

- - - - 1 0.84 0.35 0.59 -0.21 -0.22 -0.11 -0.11
- - - - - 1 0.10 0.14 -0.16 -0.25 -0.02 -0.02
- - - - - - 1 0.54 -0.06 -0.04 -0.18 -0.06
- - - - - - - 1 -0.17 -0.07 -0.17 -0.20

- - - - - - - - 1 0.78 0.56 0.76
- - - - - - - - - 1 0.06 0.21
- - - - - - - - - - 1 0.85
- - - - - - - - - - - 1
105
Figure 4.23 Réponse mesurée et estimée (FEM) de la vitesse relative
Figure 4.24 Réponse mesurée et estimée (FEM) de l’angle d’attaque

106
Figure 4.25 Réponse mesurée et estimée (FEM) de l’angle de tangage
Figure 4.26 Réponse mesurée et estimée (FEM) de la vitesse angulaire

107
Figure 4.27 Réponse mesurée et estimée (FEM) de l’accélération angulaire
Figure 4.28 Réponse mesurée et estimée (FEM) de l’accélération linéaire

108
4.5.4 Estimation des dérivées latérales par FEM
L’historique des variables mesurées et estimées du modèle par la méthode à erreur de filtre
sont présentées aux Figures 4.30 à 4.35. Comme prévu, l'algorithme issu de la méthode à
erreur de filtre fournit une meilleure estimation des trajectoires et les valeurs identifiées sont
beaucoup plus raisonnables que celles obtenues par la méthode précédente. Les valeurs
numériques des paramètres estimés sont données dans le Tableau 4.8.
109
Tableau 4.8 Estimation des coefficients du mouvement latéral (FEM)

0.0609 6.7543e-004 1.10
-0.7015 1.5235e-002 2.17
-0.0094 2.8323e-004 3.01

-0.1443 4.6596e-003 3.23
-1.4887 3.8258e-002 2.57
0.2157 3.3103e-002 15.34

0.2634 6.6180e-003 2.51
0.0034 1.2983e-004 3.78
0.1047 2.5606e-003 2.45
-0.0425 1.2979e-003 3.06
-0.3834 1.0745e-002 2.80

-0.0889 2.0473e-003 2.30
Itérations : 15
Le paramètre capte la dynamique du roulis de l'avion couplé en lacet et offre une assez
bonne description sur la dynamique du roulis de l'avion couplé en lacet malgré un écart-type
élevé.
110

du mouvement latéral (FEM)
1 0.22 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00
- 1 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.05 0.00 0.00
- - 1 0.46 0.62 0.10 -0.78 0.03 0.13 -0.01 -0.46 -0.08

- - - 1 0.43 -0.41 -0.51 0.01 0.10 -0.01 -0.30 -0.04
- - - - 1 0.08 -0.67 0.02 0.19 -0.01 -0.69 -0.12
- - - - - 1 0.05 0.01 0.02 -0.01 -0.04 -0.02

- - - - - - 1 -0.01 -0.14 0.01 0.51 0.08
- - - - - - - 1 0.40 0.01 -0.02 -0.63
- - - - - - - - 1 0.02 -0.28 -0.43
- - - - - - - - - 1 0.01 0.01
- - - - - - - - - - 1 0.16
- - - - - - - - - - - 1

111

112

113
Figure 4.35 Réponse mesurée et estimée (FEM) de l’angle de dérapage

CHAPITRE 5
VALIDATION DES PARAMÈTRES
La validation du modèle aérodynamique précédemment identifié est d’une grande importance

car elle permet de juger de l’aptitude du modèle à reproduire un certain type de signal.
L’étape de validation porte essentiellement sur deux aspects, une validation interne et une
validation croisée. Premièrement, une technique d’analyse numérique d’écoulement des
fluides est utilisée pour calculer les dérivés de stabilité et de contrôle suivant les équations
(4.26) et (4.35). Ces coefficients sont prédits à l'aide du code Tornado et comparés à celles
obtenues par les méthodes d’estimation de la section 4.5. La dernière étape de validation,
surnommée la validation croisée, consiste à tester la capacité du modèle identifié à simuler le
comportement dynamique du système avec un jeu de données d'entrée-sorties autre que celui
utilisé pour l’identification mais obtenu dans des conditions de vol similaire. Cette section
présente l'approche et la procédure utilisées pour mettre à jour les coefficients
aérodynamiques dans le modèle Simulink.
Le choix d’utiliser le code Tornado est basé sur deux critères. Tout d’abord, il s’agit d’un
code source libre et donc gratuit. Finalement, le principal intérêt pour ce code est la
possibilité d’obtenir directement et rapidement les coefficients de stabilité et de contrôle.
5.1 Méthode des Vortex
Le code Tornado version 135 développé par Melin (2000) sur Matlab est utilisé dans ce
projet pour obtenir les dérivées de stabilité et de contrôle de façon analytique. Ce code est
basé sur une technique de calcul numérique par méthode des vortex (vortex lattice method,
VLM). De plus, le code n’est valide que pour des applications linéaires. Un manuel de
l'utilisateur développé par Melin est disponible en ligne.
Le problème physique consiste à trouver les forces aérodynamiques agissant sur un avion
volant à basses vitesses (subsoniques) et en dessous de la limite de l’angle de décrochage.
116
Les équations utilisées pour résoudre ce problème physique, proviennent de la théorie des
vortex. La première étape consiste à diviser chaque surface à l’étude en panneau. Par la suite,
la loi de Biot-Savart est utilisée pour obtenir l’intensité des champs d'écoulement autour d'un
ensemble de lignes droite ayant la forme d’un fer à cheval (voir la Figure 5.1) sur chaque
panneau du modèle. Ces tourbillons induisent un champ d'écoulement dans l'air et leurs
forces sont alors déterminées par des conditions aux limites. Les forces agissant sur chaque
segment de vortex sont alors déterminées en utilisant le théorème de Kutta-Joukovski. Ces
forces sont représentées en une seule force résultante pour chaque axe du corps de l’avion qui
est à leurs tours utilisées pour le calcul des coefficients aérodynamiques.
Figure 5.1 Modélisation d’un panneau de vortex

Tirée de Melin (2000)
L’un des désavantages du code Tornado est le temps de calcul nécessaire plus long pour une
géométrie plus complexe. Il faut parfois attendre plusieurs minutes pour obtenir une solution.
Cette situation peut être embarrassante pour une application en temps réel, mais appropriée
pour un cas de validation uniquement. De plus, cette technique néglige la géométrie du
fuselage. Ce désavantage peut parfois créer un écart entre les résultats.
117
5.1.1 Maillage de la géométrie du drone
Le défi de cette tâche est de créer un bon maillage de la géométrie du drone (voir Figure 5.2)
afin d’obtenir des résultats plausibles. L’avion a été modélisé en quatre sections : l’aile, le
stabilisateur horizontal, le stabilisateur vertical et la dérive dorsale. Le fuselage et le train
d’atterrissage ont été omis car ils ne peuvent pas être considérés comme des surfaces
portances. De plus, leur géométrie ne convient pas à la méthode VLM. Les différentes
sections ont été maillées selon un certain nombre de panneaux repartis suivant le plan formé
par l’envergure et la corde de l’aile. Les entrées de la géométrie du drone défini par
l’utilisateur sont disponibles à l’ANNEXE II. De plus, les coordonnées du profil de l’aile,
présentées à l’ANNEXE III, sont également incluses dans le code de la géométrie du drone.
Les profils des autres sections, c’est-à-dire celles du stabilisateur horizontal, du stabilisateur
vertical et de la dérive dorsale sont considérées sans profil ou ayant un profil plat.
Figure 5.2 Schéma représentant la disposition des panneaux de la MOUETS

pour le code TORNADO
118
Il y a une limite inférieure à la taille des panneaux en dessous de laquelle les calculs
deviennent instables, ou qui conduisent à des résultats n’ayant pas de réalité physique. La
précision des calculs augmente avec la finesse du maillage, mais les temps de calcul
augmentent en conséquence. Quelques essais ont été nécessaires pour déterminer le meilleur
compromis entre le temps d’analyse et la précision (variation de moins de 1% des résultats).
5.1.2 Comparaison des résultats
Afin de valider les résultats obtenus au chapitre précédent, une simulation numérique a été
lancée à l’aide du programme Tornado. Il ne s’agit pas ici d’évaluer l’efficacité numérique de
la méthode mais plutôt de vérifier les valeurs obtenues au chapitre précédemment. Lors de
ses recherches, Melin a su clairement démontrer l’efficacité du code en le comparant à
plusieurs méthodes. Il a démontré notamment que le code Tornado offre une bonne
cohérence avec les résultats expérimentaux. De plus, il a permis d’établir que le code
Tornado s’approche beaucoup des résultats de la théorie des profils minces et de la ligne
portante de Prandtl. Finalement, Melin a prouvé que le code Tornado offre des résultats
comparables à certains logiciels commerciaux tels que AVL, VIRGIT et CMARC.
Les résultats obtenus de Tornado ont été réalisés pour une condition de vol de croisière avec
une vitesse de 28 m/s, un angle de braquage de la gouverne de profondeur de 5º et une
altitude de 200 mètres. Une comparaison avec les résultats des méthodes OEM et FEM est
effectuée à partir du Tableau 5.1 pour les dérivées de stabilité et contrôle uniquement.
119
Tableau 5.1 Comparaison des coefficients aérodynamiques obtenu par le code Tornado et
les méthodes OEM et FEM
Paramètres Tornado Méthode OEM Méthode FEM Commentaires
1.5065 1.4814 1.7365 1

-27.5020 -26.5467 -41.6058 1
0.1667 0.0590 0.2074 1

Longitudinales
4.9652 6.5309 5.3868 -

76.9768 9.9845 77.6626 4
0.56505 0.4181 0.6788 2

-0.95782 -0.1512 -0.0782 1
-6.4155 -11.2179 -7.6669 1
-0.64247 -0.2679 -0.1745 2
-0.50939 -0.7293 -0.7015 3
-0.10371 -0.1030 -0.1443 -
-0.20246 -1.0261 -1.4887 -
0.17784 1.0169 0.2157 -

Latérales
0.14203 0.2592 0.2634 2

0.11003 0.0766 0.1047 4
-0.050458 -0.7875 -0.0425 5
-0.23474 -1.3388 -0.3834 4

-0.064304 -0.1233 -0.0889 2
120
5.1.2.1 Commentaires
1) L’absence du fuselage influence beaucoup le coefficient obtenu par Tornado.
2) Les valeurs obtenues par OEM et FEM sont pour une condition de vol à l’équilibre. Les
gouvernes sont réglées pour que l’avion conserve son altitude. Tornado ne considère pas
cette condition.
3) Les forces latérales causées par le dérapage sont fortement influencées par la forme du
fuselage.
4) Les résultats sont acceptables entre Tornado et la méthode FEM. Le résultat de la

méthode OEM ne doit pas être considéré dû à la faible qualité de l’estimation.
5) Le paramètre qui capte la dynamique du moment couplé au mouvement du roulis
démontre une très grande variation avec la méthode OEM. Cette mauvaise estimation
obtenue à partir de la vitesse en roulis indique que la dynamique issue du mouvement
de roulis n'est pas bien prise en compte lors des essais en vol. Une partie de la raison due
à ce mauvais ajustement est attribuée à la simplification des équations de mouvement
décrites à la section 2.7.2 et de l’insuffisance de la manœuvre à exciter précisément la
dynamique du modèle.
5.2 Simulation du modèle non-linéaire
Le test de validation croisée est utilisé pour étudier la réponse dynamique du drone et la
capacité prédictive du modèle estimé. Comme il a déjà été souligné, la condition préalable à
l’utilisation du test de validation croisée est une répétition des manœuvres de vol lors des
tests en vol. Cela signifie que le modèle estimé à partir d’un enregistrement de données de
vol en particulier, ne peut être comparé qu’avec un autre enregistrement de données
seulement si celui-ci a été pris dans les mêmes conditions et configuration de vol. Puisque
121
que la répétition des manœuvres de vol du drone a posé de sérieuses difficultés pour le pilote,
toutes les manœuvres d'identification ont été exécutées dans des conditions légèrement
différentes que celle utilisées pour l’estimation des dérivées.
5.2.1 Description du modèle de simulation
Les données recueillies lors d'essai en vol autre que celles utilisées pour identifier les
coefficients aérodynamiques sont utilisés pour l’étape de validation. Bien que le modèle
aérodynamique complet ne puisse pas être mis au point sans de nombreux tests et d'analyse
des données, les coefficients de stabilité et de contrôles les plus pertinents y ont été intégrés.
De plus, seul le résultat des paramètres obtenus par la méthode à erreur de filtre est adapté au
modèle de simulation aérodynamique, présenté à la Figure 5.3. Le modèle de simulation
présenté à la Figure 5.4 sert de simple modèle pour valider le comportement du drone et ne
constitue pas un modèle suffisamment mature pour analyser la performance du drone.
alpha
<alpha>
Coef f icients
beta
<beta>
Datum Coefficients
2
FltParams
1 Actuator Def lections Coef f icients 1
Uaero Aero Coefficients
Actuator
Increments
V
<V>
Coef f icients
p,q,r
<pqr>
Body Rate
Damping
Figure 5.3 Schéma Simulink du modèle aérodynamique

122
1 Pilot uaero-out Uaero

Pilot_Input
Actuators Aero Coef f icients Coef V (m/s)
stab e Ve
FltParams X (m) U Y -1
e h h
F
body Selector2
q F (N) Body
bar Ftot xyz
Euler Angles φ θ ψ (rad)
Aerodynamics phi_theta_psi
DCM
Figure 5.4
<Qdy n> be
CG 9.81 DCM
[FltParams]
Constant g V (m/s)
[-0.085 0 -0.071] b Vbody
Fixed
<Vbody > Mass
Coord CG CP ω (rad/s)
pqr
M M (N-m)
body Mtot xyz
dω /dt
V
b
A (m/s2)
b
Aerodynamic 6DoF
Forces and Moments
Fltparams M_xy z
alpha
α
1 Pilot T_xy z
Pilot_Input beta
V β
b
Engine
[FltParams]
V
V
<Vbody >
<pqr> Incidence, Sideslip,

& Airspeed
<Vbody >
Schéma Simulink du modèle de la MOUETS

V
1
/ ρV2 q
2
1.225 Qdy n
ρ
rho Dynamic Pressure

123
5.2.2 Résultats de la simulation
Les réponses du modèle mesuré et celles obtenues par la simulation en fonction des entrées
de doublet, sont présentées aux Figures 5.5 à 5.12. Les réponses mesurées ont été obtenues à
partir de deux échantillons de données de vol. Le premier échantillon de données correspond
à l’excitation de la gouverne de profondeur à un doublet et le deuxième échantillon à
l’excitation successive de la gouverne de direction et des ailerons à un doublet. Les
coefficients aérodynamiques du modèle Simulink ne sont pas ajustés. Le modèle contient les
paramètres bruts estimés par l'algorithme à erreur de filtre. Les résultats fournissent de
bonnes prévisions des données de vol mis à part pour les vitesses angulaires en lacet et en
roulis. Ce phénomène correspond au même problème constaté lors du chapitre précédent
c’est-à-dire, la faible qualité de la manœuvre servant à exciter les modes latéraux.
En règle générale, le résultat du test de validation croisée est positif. Ceci étant dû au fait que
les deux tests en vol ont été pris dans des conditions atmosphériques semblables. Il est donc
possible de conclure que le modèle décrit de manière adéquate la dynamique de vol du drone.
124
Figure 5.5 Commande d’entrée mesurée et simulée de la déflection de la gouverne de

profondeur
Figure 5.6 Réponse mesurée et simulé de l’angle d’attaque

125
Figure 5.7 Réponse mesurée et simulé de la vitesse angulaire
Figure 5.8 Commande d’entrée mesurée et simulée de la déflection des ailerons

126
Figure 5.9 Commande d’entrée mesurée et simulée de la déflection de la gouverne de

direction
Figure 5.10 Réponse mesurée et simulée de l’angle de dérapage

127
Figure 5.11 Réponse mesurée et simulée de la vitesse angulaire
Figure 5.12 Réponse mesurée et simulée de la vitesse angulaire

128
5.2.3 Visualisation de la manœuvre
Les données mesurées à partir d'une manœuvre d'essais en vol contiennent différentes
grandeurs physiques. Il est souvent difficile d'obtenir une image mentale de ce que
l'ensemble de l'appareil est supposé faire comme mouvement en consultant les différents
graphiques 2D, tels que l'angle d'attaque ou la déflection des surfaces de contrôle en fonction
du temps. Cela est particulièrement vrai pour les manœuvres couplés du mouvement
longitudinal et latéral.
La visualisation graphique en 3D à l’aide du logiciel Matlab permet d’observer en temps réel

le comportement de l'appareil en vol. De plus, la visualisation en simultanée de la réponse du
modèle estimé et de la réponse du modèle simulé permet facilement d’observer l’écart ou
l’erreur de modélisation entre ces deux modèles. Cette capacité apporte une perspicacité
supplémentaire lors de la validation du modèle estimé qui n'est tout simplement pas
disponible à partir de l'étude en deux dimensions des variables d’états.
La Figure 5.13 illustre ce qui apparait à l'écran lors de la lecture des données de vols mesurés
et des données de sortie du modèle de simulation du drone expérimental. Les différences
majeures proviennent du mouvement en roulis qui est en lien direct avec les résultats obtenus
à la section précédente. Malgré cette dissemblance, les deux modèles conservent une
enveloppe de vol très similaire.
129
Figure 5.13 Visualisation 3D en temps réel du modèle simulé et du modèle estimé lors
d’une maneouvre de vol de la MOUETS
CONCLUSION
L’objectif de ce mémoire était d’identifier le modèle d’un drone de recherche soumis à

différentes techniques d’estimation des coefficients aérodynamiques à partir d’essais en vol.
Dans ce document il a d’abord été question de la dérivation des équations de mouvement du

drone utilisé pour l'estimation des dérivées de stabilité et de contrôle. La réussite de
l’application des techniques d'estimation des paramètres passe avant tout par un examen
attentif des effets à inclure dans les équations. Le modèle du système non-linéaire et
découplé a été simplifié en deux mouvements : longitudinal et latéral. Une structure du
modèle aérodynamique linéaire a été choisie dans le cadre de ces travaux. Le modèle linéaire
constitue une première étape dans le développement du modèle dynamique d’un aéronef.
La conception des manœuvres pour le test en vol comporte de nombreux compromis à défaut
d’avoir eu suffisamment d’informations sur les fréquences d’excitations des modes
longitudinal et latéral. Il a été discuté des types de signaux, les considérations de sécurité du
vol et de la participation du pilote.
Le système d'acquisition de données a été présenté de façon globale. Une discussion du

filtrage des données et du taux d'échantillonnage a été couverte lors du chapitre de la phase
expérimentale.
Ce document a examiné l'application pratique de la méthode d'estimation des paramètres

pour le problème de l'estimation des dérivées de stabilité et de contrôle d’un drone. Une
attention particulière a été portée sur la méthode à erreur d’équation, basée sur la méthode
des moindres carrés, afin de choisir le modèle aérodynamique répondant le mieux au besoin
du système. Ensuite, la méthode à erreur de sortie, basée sur la fonction de maximum de
vraisemblance, a permis d’estimer les paramètres en présence de bruit de mesure.
Finalement, la méthode à erreur de filtre a été nécessaire pour raffiner les résultats
d’estimations, en présence de bruit de mesure et de processus.
132
Enfin, il a été présenté les critères d’évaluation de la qualité des résultats d'estimation. Les
outils utilisés pour l'évaluation de la qualité comprennent la borne de Cramer-Rao, le
coefficient de corrélation, l’analyse des résidus et finalement le bon jugement de l’ingénieur.
Les rôles de ces différents outils ont été abordés ainsi que les avantages et limitations. Plus
précisément, l'utilisation de la borne de Cramer-Rao a prédominé comme la principale
mesure analytique pour juger de la précision des résultats.
Finalement, les résultats issus des techniques d’estimation ont été comparés aux résultats
provenant d’une technique de calcul numérique de la méthode des vortex. La simulation du
modèle non linéaire à six degrés de liberté de la MOUETS a également permis d’effectuer
une validation croisée. Ces deux techniques de validation ont permis de consolider la véracité
des résultats d’estimation et d’affirmer que la méthode à erreur de filtre s’adapte plus
facilement à l’environnement du drone de recherche.
RECOMMANDATIONS
Toutes les remarques apportées au cours du projet ont amené à se demander vers qu’elle
direction l’investigation devrait maintenant se tourner. À cette fin, quelques points qui
méritent une attention particulière ont été recensés.
• La difficulté à exciter suffisamment les modes latéraux a réduit considérablement la

précision de l’estimation des coefficients latéraux. Une révision complète de la
conception des signaux d’entrées est à prévoir.
• L’utilisation des potentiomètres aux surfaces de contrôle, pourrait permettre de mesurer

directement le bruit sur l’ensemble des surfaces de contrôles et contribuer à la mise à jour
du modèle de simulation et ainsi améliorer le résultat de corrélation entre les paramètres.
• Les capteurs d’angle d’attaque et d’angle de dérapage se sont avérés être imprécis et
beaucoup trop sensible aux perturbations atmosphérique. Le design des pâles ou le
battement en bout d’aile peut en être la cause. Ce problème peut rendre dans les cas où le
signal est faible par rapport au bruit, des données de vol pratiquement insoluble pour une
tâche d'identification de système. Pour surmonter ce problème, lors des manœuvres de
vol, les surfaces de contrôle pourraient être exécutées à leurs amplitudes maximales et
ainsi réduire le ratio de bruit sur le signal.
ANNEXE I
DÉFINITION DES DÉRIVÉES AÉRODYNAMIQUES
Représentation des coefficients aérodynamiques aux dérivées partielle.
= ⁄ = ⁄
= ⁄ = ⁄
= ⁄ = ⁄
= 2 ⁄ = 2 ⁄
= 2 ⁄ ̅ = 2 ⁄ ̅
= 2 ⁄ = 2 ⁄
= ⁄ = ⁄
= ⁄ = ⁄
= ⁄ = ⁄
= 2 ⁄ = 2 ⁄
= 2 ⁄ ̅ = 2 ⁄ ̅
= 2 ⁄ = 2 ⁄
= ⁄ = ⁄
= ⁄ = ⁄
= ⁄ = ⁄
= 2 ⁄ = 2 ⁄
= 2 ⁄ ̅ = 2 ⁄ ̅
= 2 ⁄ = 2 ⁄
= ⁄ = ⁄
ANNEXE II
GÉOMÉTRIE POUR CODE TORNADO
Les données de la géométrie utilisée pour générer l’analyse numérique sont présentées tel
qu’affiché par le code Tornado dans Matlab. L’avion a été modélisé en 4 parties. Les valeurs
géométriques ont été obtenues par le modèle de CAO.
Number of wings are : 4

Number of partition per wing are : 2 1 2 1
""""""""""""""""""""""""""""""""""""""""""""""""""""""
" Wing data no. 1 "
""""""""""""""""""""""""""""""""""""""""""""""""""""""
Number of Partitions :2
Global entries
Reference point position :0 0 0

Center of gravity position :0.085 0 -0.078
Wing specific entries
Wing Symmetric :1
Apex coordinates :0 0 0
Base chord :0.26861
Partition specific entries
Partitions half-span :0.085 0.79134

Partitions sweep :0 0
Partitions Dihedral :0.051505 0.051505
Partitions taper :1 1
Partitions inner airfoil :'NEXSTAR.DAT' 'NEXSTAR.DAT'
Partitions inner airfoil :'NEXSTAR.DAT' 'NEXSTAR.DAT'
Partition inner twists :0.061087 0.061087

Partition outer twists :0.061087 0.061087
138
Partition flapped :0 1
Flap chords (Parts) :0 0.16236
Flaps deflect symmetric :0 0
No. Chord-wise panels :12 10

No. Span-wise panels :2 10
No. Flap-chord panels :0 5
Panel distribution :1 1
Flap setting :0 0
""""""""""""""""""""""""""""""""""""""""""""""""""""""
" Wing data no. 2 "
""""""""""""""""""""""""""""""""""""""""""""""""""""""
Global entries

Wing Symmetric :1
Apex coordinates :0.82196 0 -0.11526
Base chord :0.204
Partitions half-span :0.3 0

Partitions sweep :0.11401 0
Partitions Dihedral :0 0
Partitions taper :0.64 0
Partitions inner airfoil :'0' '0'
Partition inner twists :0.10681 0

Partition outer twists :0.10681 0
Flap chords (Parts) :0.3 0
139

Flap setting :0 0
""""""""""""""""""""""""""""""""""""""""""""""""""""""
" Wing data no. 3 "
""""""""""""""""""""""""""""""""""""""""""""""""""""""
Global entries

Wing Symmetric :0
Base chord :0.41759
Partitions half-span :0.03445 0.14606

Partitions sweep :1.3843 0.775
Partitions Dihedral :1.5708 1.5708
Partitions taper :0.45479 0.34718
Partition inner twists :0 0

Partition outer twists :0 0
Flap chords (Parts) :0 0

Flap setting :0 0
140
""""""""""""""""""""""""""""""""""""""""""""""""""""""
" Wing data no. 4 "
""""""""""""""""""""""""""""""""""""""""""""""""""""""
Global entries

Wing Symmetric :0
Base chord :0.0538
Partitions half-span :0.24754 0

Partitions sweep :0.31017 0
Partitions Dihedral :1.5708 0
Partitions taper :0.59703 0
Partition inner twists :0 0

Partition outer twists :0 0
Flap chords (Parts) :0.99 0

Flap setting :0 0
ANNEXE III
COORDONNÉES DU PROFIL NEXSTAR
Les coordonnées du profil Nexstar sont présentées. Ce profil est utilisé pour l’aile seulement.
Les profils de la dérive horizontale et de la dérive verticale sont nuls ou plats.
(0,0) X
Coordonnées
x y
1,0000000 0,0000000 0,1771359 0,1103446 0,0277760 0,0430471 0,0794638 -0,0487355
0,9552144 0,0137410 0,1632609 0,1066441 0,0243250 0,0401358 0,1056650 -0,0512075
0,8442555 0,0509506 0,1546388 0,1039860 0,0214882 0,0377830 0,1324992 -0,0517845
0,7544572 0,0757335 0,1496056 0,1025230 0,0185881 0,0350914 0,1641507 -0,0507794
0,6615763 0,0971062 0,1407043 0,0999468 0,0167900 0,0333714 0,1926117 -0,0501428
0,6223452 0,1045407 0,1326071 0,0974227 0,0137112 0,0304937 0,2356178 -0,0476857
0,5774255 0,1120311 0,1265613 0,0954794 0,0110307 0,0276829 0,2853734 -0,0442160
0,5332839 0,1185572 0,1209882 0,0933685 0,0083875 0,0244701 0,3763891 -0,0382930
0,4696087 0,1255524 0,1127235 0,0902302 0,0044153 0,0191726 0,4535298 -0,0336469
0,4262229 0,1291561 0,1033755 0,0865446 0,0019657 0,0129070 0,5927040 -0,0253636
0,3888494 0,1309244 0,0922628 0,0820176 0,0009158 0,0080488 0,7721443 -0,0153418
0,3509361 0,1315871 0,0820437 0,0774758 0,0002085 0,0031644 0,8954853 -0,0079780
0,3316667 0,1313376 0,0741587 0,0738572 0,0000000 0,0000000 1,0000000 0,0000000
0,3147428 0,1306117 0,0658531 0,0695834 0,0002383 -0,0044078
0,2954474 0,1290928 0,0608422 0,0669513 0,0012434 -0,0109079
0,2778979 0,1273393 0,0535901 0,0624207 0,0029261 -0,0157029
0,2656052 0,1259507 0,0482776 0,0587723 0,0073154 -0,0219423
0,2526795 0,1244281 0,0443054 0,0558536 0,0112057 -0,0252817
0,2349700 0,1219934 0,0398119 0,0523690 0,0188971 -0,0304602
0,2219699 0,1195772 0,0367890 0,0500758 0,0307394 -0,0363869
0,2086310 0,1171983 0,0337325 0,0478793 0,0409139 -0,0405155
0,1947858 0,1142610 0,0307357 0,0455860 0,0551723 -0,0443761
LISTE DE RÉFÉRENCES BIBLIOGRAPHIQUES
Astrom, K. J. 1966. « Control Problems in Papermaking ». In Proceedings of the IBM

Scientific Computing Symposium on Control Theory and Applications. (White Plains,
New York), p. 135-167. IBM Data Processing Division.
Chatfield, Christopher. 2004. Analysis Of Time Series: An Introduction.
Chen, R.T.N., et B. J. Eulrich. 1971. « Parameter and Model Identification of nonlinear

dynamical systems using a suboptimal fixed-point smoothing algorithm ». In
Proceedings of the Twelfth Joint Automatic Control Conference of the American
Automatic Control Council. p. 731-740.
Chunhua, Hu, Huang Xingli, Hu Jinchun et Zhu Jihong. 2004. « System identification of a
small UAV's speeding up process before take-off ». In Control Conference, 2004. 5th
Asian. (20-23 July 2004) Vol. 1, p. 392-395 Vol.1.
Doetsch, K.H. 1970. The time-vector method for lateral stability investigations. H.M.
Stationery Office.
Etkin, Bernard. 1982. Dynamics of flight : stability and control, 2nd. New York: Wiley, xiii,
370 p.
Gerlach, O. H. 1971. The Determination of Stability Derivatives and Performance

Characteristics From Dynamic Maneuvers. Rept. VTH-163. Delft, Pays-Bas: Delft
University of Technology, Dept. of Aerospace.
Hamel, P. G., et R. Jategaonkar. 1996. « Evolution of flight vehicle system identification ».

Journal of aircraft, vol. 33, no 1, p. 9-28.
Hamel, P.G. 1981. « Determination of aircraft dynamic stability and control parameters from
flight testing ». AGARD, vol. 114.
Iliff, K. W. 1973. « Identication and Stochastic Control with Application to Flight Control in
Turbulence ». Los Angeles, CA, University of California.
Iliff, K. W. 1974. Identification of Aircraft Stability and Control Derivatives in the Presence
of Turbulence, Parameter Estimation Technics and Applications in Flight Testing.
Jategaonkar, R., et E. Plaetschke. 1988. Estimation of Aircraft Parameters Using Filter Error
Methods and Extended Kalman Filter, DFVLR-FB 88-15. Braunschweig: Wiss.
Berichtswesen d. DFVLR.
144
Jategaonkar, Ravindra, et Ermin Plaetschke. 1987. Maximum Likelihood Estimation of

Parameters in Linear Systems with Process and Measurement Noise. Compendex.
Jategaonkar, Ravindra V. 2006. Flight vehicle system identification : a time domain

methodology. Coll. « Progress in astronautics and aeronautics », v 216. Reston, Virg.:
American institute of aeronautics and astronautics, xviii, 534 p.
Jonkers, H.L. 1976. Application of the Kalman filter to flight path reconstruction from flight
test data including estimation of instrumental bias error corrections. Technische
Hogeschool.
Klein, Vladislav, et Eugene Morelli A. (484). 2006. Aircraft System Identificaiton: Theory
and Practice, 213, illustrée. AIAA Education Series.
Kroll, N., R. Radespiel et C.-C. Rossow. 1994. « Accurate and efficient flow solvers for 3D
applications on structured meshes ». Lecture series - van Kareman Institute for fluid
dynamics, vol. 5, p. A1-A130.
Landry, Mario. 2012. « Commande de vol non-linéaire en temps réel d’un drone à voilure
fixe ». École de technologie supérieure, 203 p.
Larson, D.B., et J. T. Fleck. 1968. Identification of parameters by the method of

quasilinearization. Defense Technical Information Center, Cornell Aeronautical Lab.
Ljung, Lennart. 1999. System identification : theory for the user, 2e. Coll. « Prentice-Hall
information and system sciences series ». Upper Saddle River, N.J.: Prentice-Hall,
xxii, 609 p.
Maine, R.E., et K.W. Iliff. 1975. A FORTRAN program for determining aircraft stability and
control derivatives from flight data. TN-D-7831: National Aeronautics and Space
Administration.
Maine, R.E., et K.W. Iliff. 1985. Identification of dynamic systems: theory and formulation.
National Aeronautics and Space Administration, Scientific and Technical Information
Branch.
Mehra, R. K. 1970. « Maximum Likelihood Identication of Aircraft Parameters ». In

Proceedings of the Eleventh Joint Automatic Control Conference of the American
Automatic Control Council. (Atlanta), p. 442-444. Paper 18-C.
Melin, Tomas. 2000. « A Vortex Lattice MATLAB Implementation for Linear Aerodynamic
Wing Applications ». Royal Institute of Technology (KTH), 45 p.
Morelli, E. 1998. « In-Flight System Identification ». Paper AIAA-98-XXXX.

145
Nelson, Robert C. 1998. Flight stability and automatic control, 2nd. Boston, Mass.: McGraw
Hill, xiii, 441 p.
Paw, Yew Chai. 2009. « Synthesis and validation of flight control for UAV ». 3389355.
United States -- Minnesota, University of Minnesota. In ProQuest Dissertations &
Theses (PQDT); ProQuest Dissertations & Theses A&I.
Rampy, J. M., et D. T. Berry. 1964. Determination of Stability Derivatives From Flight Test
Data by Means of High Speed Repetitive Operation Analog Matching.
Ross, A. J., et G. W. Foster. 1975. TR-75090: Royal Aeronautical Society.
Slooff, J. W., W. Schmidt, Organisation du traité de l'Atlantique Nord. et Advisory Group for
Aerospace Research and Development. 1994. Computational aerodynamics based on
the Euler equations : = L'aérodynamique numérique à partir des équations d'Euler.
Coll. « AGARDograph », AG-325. Neuilly sur Seine, France: AGARD, xiii, 237, 4 p.
Taylor, L. W. Jr., et K. W. Iliff. 1969. « A Modified Newton-Raphson method for

determining stability derivatives from flight data ». In Second International
Conference on Computing Methods in Optimization Problems. p. 353-364. American
Institute of Chemical Engineers.
Taylor, L. W. Jr., K. W. Iliff et B.G. Powers. 1969. « A Comparison of Newton-Raphson and

Other Methods for Determining Stability Derivatives From Flight Data ». p. 69-315.
Tyler, J. S., J. D. Powell et R. K. Mehra. 1987. The Use of Smoothing and Other Advanced
Techniques for VTOL Aircraft Parameter Identification. Palo Alto: System Control,
Inc.
Wolowicz, C.H. 1966. Considerations in the determination of stability and control

derivatives and dynamic characteristics from flight data. AGARD-AR-549: Advisory
Group for Aeronautical Research and Development.
Wypyszynski, Aaron. 2009. « Flight testing of small remotely piloted aircraft for system
identification ». 1470176. United States -- Indiana, Purdue University. In ProQuest
Dissertations & Theses (PQDT); ProQuest Dissertations & Theses A&I.
Yazawa, K. 1977. « Identification of aircraft stability and control derivatives in the presence
of turbulence ». In Flight Mechanics Conference. (Palo Alto, California). American
Institute of Aeronautics and Astronautics.
Zadeh, L. A. 1962. « From Circuit Theory to System Theory ». Proceedings of the IRE, vol.
50, no 5, p. 856-865.

Courchesne Samuel

Transféré par

Informations du documentcliquez pour développer les informations du document

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

Courchesne Samuel

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Courchesne Samuel

Transféré par

Droits d'auteur :

Formats disponibles

ÉCOLE DE TECHNOLOGIE SUPÉRIEURE

COMME EXIGENCE PARTIELLE

ESTIMATION ET VALIDATION DES DÉRIVÉES DE STABILITÉ ET CONTRÔLE DU

MONTRÉAL, LE 13 MARS 2013

©Tous droits réservés, Samuel Courchesne, 2013

CE MÉMOIRE A ÉTÉ ÉVALUÉ

PAR UN JURY COMPOSÉ DE :

M. Maarouf Saad, directeur de mémoire

M. Guy Gauthier, président du jury

M. Moussa Abdoune, membre du jury

IL A FAIT L’OBJET D’UNE SOUTENANCE DEVANT JURY ET PUBLIC

À L’ÉCOLE DE TECHNOLOGIE SUPÉRIEURE

Émile-Auguste Chartier (1868 – 1951)

Je tiens particulièrement à remercier mon directeur de recherche du GREPCI, le professeur

Et enfin, je tiens à adresser mes remerciements à ma conjointe Glenda et toute ma famille,

La connaissance des caractéristiques dynamiques d'un drone à voilure-fixe est nécessaire

Les coefficients aérodynamiques sont validés à l’aide d’une analyse numérique de la

Mots-clés : drone, identification, estimation, non-linéaire, essai en vol, système, coefficient

Knowledge of the dynamic characteristics of a fixed-wing UAV is necessary to design flight

Keywords : drone, identification, estimation, nonlinear, flight test, system, aerodynamic

3.2.1 Description de la plateforme de mesure........................................................ 56

Tableau 2.1 Sommaire des caractéristiques géométriques de la MOUETS ...........................17

Tableau 2.2 Position géométrique des capteurs aérodynamiques de la MOUETS ................41

Tableau 3.1 Sommaire des périphériques utilisés pour le drone ............................................57

Tableau 4.1 Estimation des coefficients du mouvement

Tableau 4.2 Estimation des coefficients du mouvement latéral (OEM) ................................87

Tableau 4.3 Matrice de corrélation des paramètres estimés

Tableau 4.4 Estimation des coefficients du mouvement longitudinal (OEM) .......................97

Tableau 4.5 Matrice de corrélation des paramètres estimés

Tableau 4.6 Estimation des coefficients du mouvement longitudinal (FEM) ......................103

Tableau 4.7 Matrice de corrélation des paramètres estimés

Tableau 4.8 Estimation des coefficients du mouvement latéral (FEM) ...............................109

Tableau 4.9 Matrice de corrélation des paramètres estimés

Tableau 5.1 Comparaison des coefficients aérodynamiques obtenu

Figure 1.1 Concept fondamental de l’identification de système ............................................3

Figure 2.1 Présentation du banc d’essai (MOUETS) ...........................................................16

Figure 2.2 Démonstration des principales caractéristiques géométriques

Figure 2.4 Systèmes d’axes mobiles (vent, stabilité et avion) .............................................22

Figure 2.5 Orientation de l’avion .........................................................................................24

Figure 2.7 Convention de signe des surfaces de contrôle ....................................................29

Figure 2.8 Définition des angles aérodynamique.................................................................39

Figure 3.1 Procédure expérimentale pour l’identification de système du drone..................47

Figure 3.2 Cycle de conception conventionnelle pour commande d’entrée ........................49

Figure 3.3 Représentation schématique des signaux d’entrées ............................................51

Figure 3.4 Comparaison des fonctions de la densité de puissance spectrale

Figure 3.6 Représentation schématique des systèmes du drone ..........................................58

Figure 4.1 Diagramme de la méthode à erreur d’équation...................................................65

Figure 4.2 Réponse mesurée et estimée (EEM) du coefficient ......................................71

Figure 4.3 Réponse mesurée et estimée (EEM) du coefficient .......................................71

Figure 4.4 Réponse mesurée et estimée (EEM) du coefficient ......................................72

Figure 4.5 Réponse mesurée et estimée (EEM) du coefficient .......................................72

Figure 4.6 Réponse mesurée et estimée (EEM) du coefficient .......................................73

Figure 4.7 Réponse mesurée et estimée (EEM) du coefficient .......................................73

Figure 4.8 Diagramme de la méthode à erreur de sortie ......................................................75

Figure 4.9 Diagramme de la méthode à erreur de filtre .......................................................79

Figure 4.10 Réponse mesurée et estimée (OEM) de la vitesse relative .............................89

Figure 4.11 Réponse mesurée et estimée (OEM) de l’angle d’attaque ..............................90

Figure 4.12 Réponse mesurée et estimée (OEM) de l’angle de tangage ............................90