These Romain DELPOUX

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/259217245
Contribution à l'identiﬁcation, l'estimation et la commande de Moteurs

Synchrones à Aimants Permanents (MSAP)
Thesis · November 2012
CITATIONS READS
3 1,891
1 author:
Romain Delpoux
Institut National des Sciences Appliquées de Lyon
51 PUBLICATIONS 220 CITATIONS
SEE PROFILE
All content following this page was uploaded by Romain Delpoux on 07 November 2014.
The user has requested enhancement of the downloaded file.

No d’ordre : 2 0 4 Année 2012
ECOLE CENTRALE DE LILLE
THESE
Présentée en vue
d’obtenir le grade de
DOCTEUR
En
Spécialité : Automatique, Génie Informatique, Traitement du Signal et Image

Par
Romain DELPOUX
DOCTORAT DELIVRE PAR L’ECOLE CENTRALE DE LILLE
Titre de la thèse :
Contribution à l’identification, l’estimation et la

commande de Moteurs Synchrones à Aimants
Permanents (MSAP)
Soutenue le 22 novembre 2012 devant le jury :
Président : Mme. F. Lamnabhi-Lagarrigue Directeur de Recherche CNRS au L2S-Supélec Paris Sud

Rapporteur : M. A. Glumineau Professeur des Universités à l’École Centrale de Nantes
Rapporteur : M. H. Sira-Ramírez Directeur de Recherche au CINVESTAV de Mexico City
Membre : M. V. Cocquempot Professeur des Universités à l’Université Lille 1
Membre : M. F. Gillon Maître de Conférence à l’École Centrale de Lille, HDR
Directeur de thèse : M. T. Floquet Chargé de Recherche CNRS au LAGIS, HDR
Thèse préparée au
Laboratoire d’Automatique, Génie Informatique et Signal
L.A.G.I.S.- École Centrale de Lille
Projet Non-A - INRIA Lille-Nord Europe
Ecole Doctorale SPI 072 (Lille I, Lille II, Artois, ULCO, UVHC, EC Lille)
2
Remerciements
Le travail de thèse présenté dans ce mémoire a été effectué au Laboratoire d’Auto-
matique Génie Informatique et Signal (LAGIS) sous la direction de Monsieur Thierry
Floquet, Chargé de Recherche au CNRS, Habilité à Diriger des Recherches dans ce labo-
ratoire de l’Ecole Centrale de Lille.
Je tiens à remercier très vivement Thierry pour avoir accompagné mon travail durant
ces trois années de thèse au cours desquelles, au-delà de quelques difficultés, il a toujours
été présent au bon moment et m’a toujours prodigué de très bons conseils. Je tiens à lui
exprimer toute mon amitié et ma reconnaissance.
Je remercie très chaleureusement Marc Bodson, Professeur à l’Université de l’Utah

(U.S.A.), pour sa fructueuse collaboration. Sa sympathie, sa disponibilité et sa connais-
sance des moteurs électriques m’ont permis de faire des progrès considérables dans le
domaine. Ce travail de thèse ne se serait pas passé dans les conditions dont j’ai bénéficié,
sans cette rencontre.
Les résultats expérimentaux n’auraient pu être obtenus sans l’entière disponibilité et

la compétence de Bernard Szukala, technicien au LAGIS. Je le remercie pour son aide et
sa sympathie.
J’adresse mes remerciements à Messieurs Alain Glumineau, Professeur à l’Université

de Nantes et Herbett Sira-Ramirez, Directeur de Recherche au CINESTAV de Mexico,
pour l’honneur qu’ils m’ont fait en acceptant : (i) d’être les rapporteurs de ce mémoire et
(ii) de participer au jury de soutenance. Je les remercie de l’intérêt qu’ils ont manifesté à
l’égard de mes travaux.
Mes remerciements vont également à Madame Françoise Lamnabhi-Lagarrigue, Di-

rectrice de Recherche au L2S-Supélec, Présidente du jury de thèse, Messieurs Vincent
Cocquempot et François Gillon, respectivement Professeur l’Université Lille I et Maître
de Conférence HDR à l’École Centrale de Lille, d’avoir accepté d’être membres du même
jury.
Mes remerciements s’adressent à tous les membres des équipes SyNer et Non-A, en
3
commençant par Jean-Pierre Richard pour son soutien, ses conseils, sa pertinence et sa
sympathie. Laurentiu et Alexandre pour toutes les discussions quotidiennes. Ils ont tou-
jours été ouverts à mes multiples questions quand je les sollicitais dans leur bureau.
Merci à tous les doctorants et post-doctorants et plus particulièrement mes quatre

collègues de bureau Christophe, Bo, Manu et Hassan. Ces trois années de thèse n’auraient
pas été aussi agréables sans eux, autant pour les discussions scientifiques que pour les cafés.
C’est avec sympathie que je remercie tous les membres du LAGIS et de l’Inria. Je pense
particulièrement à Philippe Vanheeghe, directeur du LAGIS notamment pour ses nom-
breuses signatures, mais également Christine, Brigitte, Marie-Bénédicte, Hilaire, Gilles,
Jacques et Patrick toujours disponibles.
Enfin, je termine en remerciant Solveig, mon amie, pour m’avoir soutenu et encouragé
pendant ces trois années, mes parents, Christophe et Blandine, mes sœurs, Pauline, Alice,
Justine et Clémence pour m’avoir accompagné tout au long de ses années d’études et mon
grand-père, Marcel, pour ses conseils et ses corrections. Je remercie également tous mes
amis.
4
Table des matières
Table des figures 9
Notations 11
Introduction 13
Chapitre 1 Outils et Méthodes 19

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2 Généralités sur la méthode algébrique . . . . . . . . . . . . . . . . . . . . . 20
1.2.1 Structure générale des estimateurs . . . . . . . . . . . . . . . . . . . 21
1.2.1.1 Perturbations . . . . . . . . . . . . . . . . . . . . . . 21
1.2.1.2 Construction de l’estimateur . . . . . . . . . . . . . . 22
1.2.2 Mise en œuvre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3 Généralités sur les modes glissants . . . . . . . . . . . . . . . . . . . . . . . 26
1.3.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.3.2 Algorithmes glissants d’ordre supérieur . . . . . . . . . . . . . . . . 28
1.4 Méthodes d’identification . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.4.1 Méthodes d’identification hors ligne . . . . . . . . . . . . . . . . . . 32
1.4.1.1 Méthode par moindres carrés . . . . . . . . . . . . . 32
1.4.1.2 Théorie de l’élimination . . . . . . . . . . . . . . . . 33
1.4.2 Méthodes d’identification en ligne . . . . . . . . . . . . . . . . . . . 36
1.4.2.1 Identification algébrique . . . . . . . . . . . . . . . . 36
1.4.2.2 Une application originale aux paliers magnétiques . . 38
1.4.2.3 Identification par modes glissants . . . . . . . . . . . 48
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Chapitre 2 Modélisation des moteurs synchrones à aimants permanents 51

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5
Table des matières
2.2 Principe de fonctionnement . . . . . . . . . . . . . . . . . . . . . . . . . . 52

2.3 Équations dynamiques des moteurs à aimants permanents . . . . . . . . . 53
2.3.1 Équations électriques . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.3.2 Équations mécaniques . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.3.3 Équations de puissance . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.4 Différents repères pour la modélisation . . . . . . . . . . . . . . . . . . . . 56
2.4.1 Rappel sur le modèle dans le repère d − q . . . . . . . . . . . . . . 56
2.4.2 Modèle dans le nouveau repère f − g . . . . . . . . . . . . . . . . . 58
2.4.3 Modélisation dans le cas où L2 est négligeable . . . . . . . . . . . . 60
2.5 Analyse du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.5.1 Commandabilité et observabilité . . . . . . . . . . . . . . . . . . . . 61
2.5.2 Platitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.6 Planification de la trajectoire . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.6.1 Position θr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.6.2 Courant direct idr . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.7 Présentation du banc d’essai . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Chapitre 3 Identification et commande en présence de capteurs méca-

niques 75
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.2 Identification hors ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.2.1 Estimation des paramètres sur la base des mesures en régime per-
manent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.2.2 Estimation de l’inertie sur la base de mesures en régime transitoire 80
3.2.3 Détection de l’angle de décalage du codeur (offset) . . . . . . . . . . 81
3.2.3.1 Procédure d’identification . . . . . . . . . . . . . . . 82
3.2.3.2 Identification rapide de l’offset : . . . . . . . . . . . . 85
3.3 Commande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.3.1 Définition de l’erreur de poursuite . . . . . . . . . . . . . . . . . . . 90
3.3.2 Commande par modes glissants d’ordre 2 . . . . . . . . . . . . . . 90
3.3.2.1 Suivi du courant direct . . . . . . . . . . . . . . . . . 91
3.3.2.2 Suivi de position . . . . . . . . . . . . . . . . . . . . 92
3.3.3 Estimations de l’accélération et du couple résistant . . . . . . . . . 93
3.3.4 Stabilité de la boucle fermée basée sur l’observateur . . . . . . . . . 95
6
3.3.5 Résultats expérimentaux . . . . . . . . . . . . . . . . . . . . . . . . 97
3.4 Identification en ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.4.1 Paramètres électriques . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.4.1.1 Méthode algébrique . . . . . . . . . . . . . . . . . . 100
3.4.1.2 Modes glissants . . . . . . . . . . . . . . . . . . . . . 102
3.4.1.3 Résultats expérimentaux . . . . . . . . . . . . . . . . 103
3.4.2 Paramètres mécaniques . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.4.2.1 Méthode algébrique . . . . . . . . . . . . . . . . . . 106
3.4.2.2 Modes glissants . . . . . . . . . . . . . . . . . . . . . 108
3.4.2.3 Résultats expérimentaux . . . . . . . . . . . . . . . . 108
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Chapitre 4 Identification et commande sans capteur mécanique 113

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.2 Identification hors ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.2.1 Identification des paramètres en utilisant les mesures en régime per-
manent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.2.1.1 Première méthode . . . . . . . . . . . . . . . . . . . 117
4.2.1.2 Deuxième méthode . . . . . . . . . . . . . . . . . . . 119
4.2.2 Identification de l’inertie en régime transitoire . . . . . . . . . . . . 121
4.3 Commande sans capteur mécanique . . . . . . . . . . . . . . . . . . . . . . 124
4.3.1 Observateur par modes glissants sans capteur mécanique . . . . . . 124
4.3.1.1 Observateur basé sur les équations électriques . . . . 124
4.3.1.1.1 Construction de l’observateur . . . . . . . . . . . 124
4.3.1.1.2 Reconstruction de la position et de la vitesse . . . 127
4.3.1.2 Reconstruction de ω̇ en utilisant l’équation mécanique129
4.3.2 Commande basée sur l’observateur . . . . . . . . . . . . . . . . . . 130
4.3.2.1 Synthèse de la commande dans le repère f − g . . . . 130
4.3.2.2 Stabilité en boucle fermée . . . . . . . . . . . . . . . 132
4.3.3 Stratégie en boucle ouverte . . . . . . . . . . . . . . . . . . . . . . . 135
4.3.4 Résultats Expérimentaux . . . . . . . . . . . . . . . . . . . . . . . . 135
4.3.4.1 Convergence de l’observateur basé sur les équations
électriques . . . . . . . . . . . . . . . . . . . . . . . . 136
4.3.4.2 Reconstruction de la position et de la vitesse . . . . 138
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
7
Table des matières
Conclusions et Perspectives 143
Annexe A Modes glissants d’ordre 1 147

A.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
A.2 Condition d’invariance de la surface de glissement . . . . . . . . . . . . . . 148
A.3 Dynamiques en régime de glissement idéal . . . . . . . . . . . . . . . . . . 149
A.4 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Annexe B Théorie de l’élimination 155
Bibliographie 159
8
Table des figures
1.1 Banc d’essai du palier magnétique. . . . . . . . . . . . . . . . . . . . . . . 39

1.2 Schéma du palier magnétique à trois phases. . . . . . . . . . . . . . . . . . 39
1.3 Estimation expérimentale des paramètres. . . . . . . . . . . . . . . . . . . 44
1.4 Evolution de la trajectoire le long des axes y et z avant identification. . . . 45
1.5 Evolution de la trajectoire le long des axes y et z après identification. . . . 46
1.6 Position dans le plan y − z avant et après identification. . . . . . . . . . . . 47
2.1 Principe de fonctionnement du moteur à aimants permanents. . . . . . . . 52

2.2 Transformations des variables dans les différents repères. . . . . . . . . . . 60
2.3 Trajectoire de référence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.4 Banc d’essai du moteur pas-à-pas. . . . . . . . . . . . . . . . . . . . . . . . 70
2.5 Schéma global du moteur. . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.6 Principe de magnétisation. . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.1 Représentation de l’identification des paramètres électriques dans le repère

d − q. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.2 Représentation de l’identification des paramètres mécaniques dans le repère
d − q. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.3 Estimation de l’inertie dans le repère d − q. . . . . . . . . . . . . . . . . . 81
3.4 Représentation du moteur à l’alimentation. . . . . . . . . . . . . . . . . . . 82
3.5 Représentation de l’identification des paramètres électriques et de l’offset. . 85
3.6 Représentation de l’identification de l’angle δ sans couple additionnel. . . . 87
3.7 Suivi de trajectoire sans couple additionnel. . . . . . . . . . . . . . . . . . 88
3.8 Représentation de l’identification de l’angle δ avec couple additionnel. . . . 89
3.9 Suivi de trajectoire avec couple additionnel. . . . . . . . . . . . . . . . . . 89
3.10 Position de référence et position mesurée (haut), erreur de position (bas). . 97
3.11 Vitesse de référence et vitesse mesurée (haut), erreur de vitesse (bas). . . . 98
3.12 Accélération de référence et accélération estimée. . . . . . . . . . . . . . . . 99
3.13 Courants de références et courants mesurés. . . . . . . . . . . . . . . . . . 99
3.14 Estimation en ligne par méthode algébrique des paramètres R, L et K sans
variation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.15 Estimation en ligne par méthode algébrique des paramètres R, L et K avec
variations. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.16 Estimation en ligne par modes glissants des paramètres R et K sans variation.107
9
Table des figures
3.17 Estimation en ligne par modes glissants des paramètres R et K avec varia-
tions. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.18 Estimation en ligne de l’inertie par la méthode algébrique. . . . . . . . . . 109
3.19 Estimation en ligne du couple par modes glissants. . . . . . . . . . . . . . . 109
4.1 Suivi de vitesse en boucle ouverte. . . . . . . . . . . . . . . . . . . . . . . . 116

f − g. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.3 Représentation de l’identification des paramètres mécaniques dans le repère
f − g. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.4 Représentation de l’identification de la puissance dans le repère f − g en
utilisant la seconde méthode. . . . . . . . . . . . . . . . . . . . . . . . . . . 120
f − g en utilisant la seconde méthode. . . . . . . . . . . . . . . . . . . . . 121
4.6 Expérimentation d’identification de l’inertie. . . . . . . . . . . . . . . . . . 123
4.7 Résultat de l’identification de l’inertie. . . . . . . . . . . . . . . . . . . . . 124
4.8 Schéma de commande global. . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.9 Le courant if et son estimation (haut), l’erreur d’observation ǫf = if − îf
(bas). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.10 Le courant ig et son estimation (haut), l’erreur d’observation ǫg = ig − îg
(bas). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.11 df , dg et leurs estimations. . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.12 Erreur de position et leurs estimations. . . . . . . . . . . . . . . . . . . . . 138
4.13 Position de référence, position mesurée et position estimée (haut), erreur
de suivi de position et erreur d’observation de la position (bas). . . . . . . 139
4.14 (haut) Vitesse de référence, vitesse mesurée et vitesse estimée, (bas) erreur
de suivi de vitesse et erreur d’observation de vitesse. . . . . . . . . . . . . . 140
4.15 Accélération de référence et accélération observée. . . . . . . . . . . . . . . 140
A.1 Trajectoire dans le plan de phase (u = −Usgn(x1 )). . . . . . . . . . . . . . 150

A.2 Trajectoire dans le plan de phase (u = −Usgn(x1 + kx2 )). . . . . . . . . . . 150
A.3 Fréquence des commutations. . . . . . . . . . . . . . . . . . . . . . . . . . 151
A.4 Phénomène de réticence. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
B.1 Comparaison entre les trois solutions candidates. . . . . . . . . . . . . . . . 157
10
Notations
– 0m×n est la matrice nulle de dimension m × n.

– In×n est la matrice identité de dimension n × n.
– M T représente la transposée de la matrice M.
– det(M) est le déterminant de la matrice M.
– tr(M) est la trace de la M.
– x̂ ∈ Rn est l’estimation du vecteur x ∈ Rn . 
 −1

 si x < 0
– sgn(x) désigne le signe de la fonction x, définie sur R par sgn(x) , [−1, 1] si x = 0 .


 1 si x > 0
n
∂h ∂hX
– Lf h est la dérivée de Lie définie par Lf h , ▽h.f = f = fi où h est une
∂x i=1
∂xi
fonction différentiable de Rn dans R, et f est un champ vectoriel sur Rn .
∂g ∂f
– [f, g] est le crochet de Lie défini par [f, g] , Lf g − Lg f = f− g, où f et g
n
∂x ∂x
sont deux champs vectoriels sur R .
– f = O(g) signifie que le taux de croissance de f est dominé par g, c’est-à-dire qu’il
existe
! K ∈ R+ tel que |f | < K|g|.
∗
n n!
– = Cnk = est le cœfficient binomial, défini pour tout entier naturel
k k!(n − k)!
n est tout entier naturel k inférieur ou égal à n.
– m = max(a1 , a2 , ..., an ) renvoie le plus grand nombre de la série de nombres a1 , a2 , ..., an .
– n = MOY (a1 , a2 , ..., an ) renvoie la valeur moyenne de la série de nombres a1 , a2 , ..., an .
– d = deg(f ) renvoie le degré de la fonction f .
– s est l’opérateur deZLaplace.
+∞
– L (f (t)) = F (s) = e−st f (t)dt est la transformée de Laplace de la fonction f .
0−
11
Notations
12
Introduction
Contexte
Ce travail de doctorat a été préparé à l’École Centrale de Lille, au sein de l’équipe
SyNer (Systèmes Non linéaires et à Retards) du Laboratoire d’Automatique, Génie Infor-
matique et Signal (LAGIS - UMR CNRS 8219). Il s’inscrit dans le cadre du projet Non-A
(Non-Asymptotic estimation for online systems) soutenu par l’INRIA (Institut National
de Recherche en Informatique et Automatique). Ce travail a été réalisé sous la direction
de M. Thierry Floquet, Chargé de recherche au CNRS, habilité à diriger des recherches
au LAGIS.
Les activités de recherche des équipes SyNer et Non-A se situent dans le cadre géné-
ral de l’estimation et de la commande des processus. Elles développent notamment une
théorie de l’estimation bâtie autour de l’algèbre différentielle et du calcul opérationnel,
pour une grande part, mais aussi de techniques à grands gains (modes glissants, commu-
tations...). Ces deux approches conduisent notamment à l’estimation en temps fini.
Les travaux de cette thèse concernent les systèmes non linéaires plats. En considérant
cette classe de systèmes, des algorithmes d’identification, d’observation et de commande
ont été développés. Nous nous sommes alors intéressés à l’application de tels algorithmes
sur des systèmes électromécaniques tels qu’un palier magnétique et plus particulièrement
un Moteur Synchrone à Aimants Permanents (MSAP). Les deux bancs d’essais étant dis-
ponibles au laboratoire, tous les résultats présentés ont été appliqués expérimentalement.
Problématique
Les MSAP sont largement utilisés dans l’industrie pour le suivi de trajectoires, spé-
cialement dans les applications de fabrication pour les machines-outils ou encore en robo-
13
Introduction
tique. Ce type de machines présentent de nombreux avantages pour les asservissements

de position et de vitesse (simplicité d’installation, souplesse d’emploi, robustesse, gamme
de produits très large). Ces moteurs ont une plage de vitesses étendue. Ils ont un couple
à l’arrêt important, et un bon rendement. De plus, la mise en œuvre et la commande en
boucle ouverte est très simple. Cependant, les opérations en boucle ouverte sont limitées
par la potentielle perte de synchronisme. Le MSAP fonctionne loin des fréquences de ré-
sonances et pour des trajectoires particulières, sans accélérations élevées.
Afin d’améliorer les performances de tels moteurs, la commande en boucle fermée avec
un capteur de position ayant une précision suffisante a été introduite. Celle-ci permet de
remédier aux inconvénients cités ci-dessus. Le modèle du MSAP est un système possé-
dant la propriété de platitude, c’est-à-dire que toutes les variables d’états et les entrées
peuvent être exprimées en fonction des sorties plates et de leurs dérivées successives. Un
système plat est équivalent à un système linéaire commandable, cette propriété facili-
tant notamment la planification de trajectoire hors ligne. En contre partie, la commande
en boucle fermée nécessite une bonne connaissance du modèle du moteur [Goeldel 1984]
et [Engelmann 1995], ainsi que ses paramètres. En présence d’un capteur de position, on
peut citer les articles de [Blauch 1993], [Kim 2002] et [Nahid Mobarakeh 2001] concernant
l’identification des paramètres. Dans la littérature, on trouve également différentes lois
de commande pour des asservissements en position ou en vitesse. On citera par exemple
les méthodes de linéarisation entrée/sortie [Bodson 1993], de passivité associée à la pla-
titude [Sira-Ramírez 2000] et par modes glissants [Zribi 2001], [Laghrouche 2003], [Nol-
let 2008], [Defoort 2009].
La commande en boucle fermée en présence de capteurs présente de nombreux avan-

tages par rapport à la boucle ouverte. Cependant, les capteurs représentent un coût élevé,
leur mise en place n’est pas toujours possible et ceux-ci peuvent également poser des
problèmes de fiabilité. De récentes recherches tentent ainsi d’obtenir des performances
similaires à la commande en boucle fermée avec capteurs, mais sur des systèmes sans
capteur. Dans ce cas, sans capteur fait référence à des systèmes qui n’ont ni capteur de
position ni de vitesse, mais conservant cependant les capteurs de courants. Ces méthodes
s’appuient également sur la connaissance du modèle. Bien que la commande sans cap-
teur ait été largement développée dans la littérature, la question de l’identification des
paramètres sans capteur a reçu peu d’intérêt. On peut citer par exemple des méthodes uti-
lisant des signaux particulier à l’arrêt ou avec des conditions de charges dans [Nee 2000],
14
seulement pour l’identification des réactances d et q. D’autres méthodes d’identification
en ligne sont présentées dans [Bolognani 1997] et [Lee 2004]. Cependant [Bolognani 1997]
fournit uniquement des simulations, alors que dans [Lee 2004], la résistance du stator et
la constante contre-FEM sont idientifiées. Dans [Ichikawa 2004], [Ichikawa 2006] et [Yo-
shimi 2010], l’identification est réalisée dans le repère d − q. La position nécessaire pour la
transformation d − q est estimée sur la base des paramètres identifiés. Ce type de struc-
ture peut fonctionner en pratique, mais les garanties de stabilité et de convergence sont
absentes. En ce qui concerne les lois de commande sans capteur, différentes approches
ont été traitées. On peut, par exemple, mentionner les vues d’ensemble de [Johnson 1999]
et [Schroedl 2004] traitant respectivement des moteurs "brushless" et des MSAP. Parmi
les approches les plus courantes, on trouve la méthode d’injection de hautes fréquences
( [Jang 2004] et [Zhu 2009]), les approches basées sur des observateurs, comme le filtre
de Kalman étendu, ( [Bolognani 2001] et [Bendjedia 2012]), les observateurs linéaires
( [Son 2002]), ou non linéaires ( [Poulain 2008], [Ortega 2011] et [Khlaief 2011]), les obser-
vateurs interconnectés adaptatifs ( [Hamida 2012]) ou encore les observateurs par modes
glissants [Ezzat 2010], [Kim 2011] et [Fiter 2010].
Objectif de la thèse
Le travail présenté dans ce manuscrit traite de l’identification, l’estimation et la com-
mande de MSAP basées sur les méthodes développées au sein des équipes SYNER et
Non-A. Nous étudierons la méthode algébrique pour l’identification des paramètres ainsi
que les modes glissants pour l’identification des paramètres, l’estimation des états du sys-
tème et la commande. Ces techniques seront alors appliquées au MSAP pour différents
objectifs.
Dans un premier temps, le problème du MSAP est traité en présence de capteurs.

Ensuite, nous supposerons que les mesures des capteurs de position et de vitesse ne sont
plus disponibles. Dans les deux cas, des algorithmes d’identification des paramètres hors
ligne seront développés afin de valider le modèle et d’obtenir les paramètres nominaux du
système pour la commande.
La commande et l’observation seront traitées en utilisant des modes glissants d’ordre
supérieur. Le banc d’essai disposant d’un capteur de position et d’un capteur de vitesse,
des expérimentations seront réalisées en présence ou non de ces capteurs. Dans chacun
des cas, il sera important de proposer des lois de commandes robustes aux variations de
15
Introduction
paramètres et aux perturbations afin de garantir la stabilité en boucle fermée du système.

Finalement, le problème de l’identification des paramètres en ligne sera traité en pré-
sence de capteurs.
L’objectif est alors de comparer le comportement du moteur en présence de capteurs et

sans capteur, en utilisant des techniques similaires. Ceci permettra d’évaluer si en l’absence
de capteurs le moteur peut atteindre des performances équivalentes à celles obtenues en
boucle fermée, avec capteurs.
Organisation
Ce mémoire est organisé de la façon suivante :
Chapitre 1 : Outils et Méthodes : Ce premier chapitre présente l’ensemble des

outils nécessaires au développement du travail réalisé. Nous présentons ici des concepts
d’identification, de commande et d’estimation pour une classe de systèmes non linéaires
plats. Dans un premier temps, les généralités sur la méthode algébrique et les modes glis-
sants sont introduites. Nous énonçons alors leurs fondements et leurs utilisations (avan-
tages et inconvénients). Par la suite, le problème de l’identification est présenté. Pour
cela, nous traitons l’identification hors ligne, afin d’avoir une meilleure connaissance du
modèle nécessaire à la commande et l’estimation. Basé sur la méthode algébrique et les
modes glissants, nous présentons des techniques d’identification dites en ligne, c’est-à-dire
capables de fonctionner en temps réel sur le système. Dans ce chapitre, nous présentons
également une application d’identification des paramètres d’un palier magnétique en ligne
par la méthode algébrique. Tous les algorithmes d’identification présentés dans ce cha-
pitre s’appliquent également à ce système. Toutefois, une comparaison des méthodes par
moindres carrés, algébriques et modes glissants sera présentée sur le MSAP.
Chapitre 2 : Présentation des moteurs synchrones à aimants permanents :

Le fonctionnement du MSAP est présenté. Par la suite, le modèle dynamique dans le
repère fixe a − b est rappelé, ainsi que le modèle dans le repère tournant d − q. Ce second
modèle est couramment employé dans les machines tournantes car plus simple à utiliser.
Cependant, dans le cadre d’applications sans capteur mécanique, la position n’étant pas
mesurée, ce dernier n’est pas adapté. Nous introduisons alors un nouveau repère appelé
f − g , repère tournant de référence. Ce repère possède les mêmes propriétés que le repère
16
d−q, mais dans ce cas, la position mesurée n’est pas nécessaire pour l’obtenir. Finalement,
le banc d’essai utilisé pour les expérimentations est présenté.
Chapitre 3 : Identification et commande en présence de capteurs méca-

niques : Dans ce chapitre, le repère d−q est manipulé pour l’identification, la commande
et l’estimation. Nous présenterons une approche permettant d’identifier les paramètres no-
minaux du moteur. La question de l’initialisation du capteur de position est également
traitée. Ensuite, une loi de commande par modes glissants est introduite, ainsi qu’un ob-
servateur nécessaire à l’application de cette loi. Finalement, les techniques d’identification
en ligne sont développées permettant de ré-évaluer les paramètres pouvant varier au cours
du temps.
Chapitre 4 : Identification et commande sans capteur mécanique : Il semble

intéressant d’être capable d’identifier les paramètres du moteur en l’absence de capteurs.
L’utilisation du repère f −g a permis de mettre au point une technique d’identification des
paramètres du moteur hors ligne sans capteur mécanique. Sur la base de ces paramètres,
des observateurs par modes glissants sont développés afin de reconstruire la position, la
vitesse et l’accélération. Finalement, la commande développée dans le chapitre précédant
est appliquée dans le cadre de la commande sans capteur mécanique, à l’aide uniquement
des courants mesurés et des tensions d’entrées.
La conclusion fait état des thèmes abordés dans ce manuscrit, permettant de dégager
des axes de recherches pouvant contribuer à compléter les travaux présentés dans cette
thèse.
17
Introduction
Liste des publications

La recherche exposée dans cette thèse peut être trouvée dans les publications suivantes :
Journaux
– R. Delpoux, M. Bodson et T. Floquet - Parameter estimation of permanent magnet
stepper motors without position or velocity sensors - IEEE Transaction on Control
Systems Technology (soumis).
– R. Delpoux et T. Floquet - On-line parameter estimation of a magnetic bearing -
Asian Journal of Control (soumis).
Conférences internationales
– R. Delpoux, M. Bodson et T. Floquet - Parameter estimation of permanent ma-
gnet stepper motors without position or velocity sensors - 2012 American Control
Conference, Montreal, Canada, Juin 2012.
– R. Delpoux, M. Bodson et T. Floquet - Joint identification of stepper motor parame-
ters and of initial encoder offset - 16th IFAC Symposium on System Identification,
Bruxelles, Belgique, Juin 2012.
– R. Delpoux et T. Floquet - On-line parameter estimation of a magnetic bearing
- 19th Mediterranean Conference on Control and Automation, Corfu, Grèce, Juin
2011.
Conférences nationales
– R. Delpoux, M. Bodson et T. Floquet - Estimation des paramètres d’un moteur
pas-à-pas sans capteur mécanique - 7ième Conférence internationale Francophone
d’Automatique, Grenoble, France, Juillet 2012.
– R. Delpoux et T. Floquet - Estimation en ligne de paramètres d’un palier magnétique
- 4èmes Journées Doctorales MACS, Marseille, France, Juin 2011.
18
Chapitre 1
Outils et Méthodes
Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2 Généralités sur la méthode algébrique . . . . . . . . . . . . . . 20
1.2.1 Structure générale des estimateurs . . . . . . . . . . . . . . . . 21
1.2.2 Mise en œuvre . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3 Généralités sur les modes glissants . . . . . . . . . . . . . . . . 26
1.3.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.3.2 Algorithmes glissants d’ordre supérieur . . . . . . . . . . . . . . 28
1.4 Méthodes d’identification . . . . . . . . . . . . . . . . . . . . . . 31
1.4.1 Méthodes d’identification hors ligne . . . . . . . . . . . . . . . 32
1.4.2 Méthodes d’identification en ligne . . . . . . . . . . . . . . . . . 36
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1.1 Introduction
L’objectif de ce premier chapitre est de définir toutes les notions nécessaires à la
compréhension de ce travail. Dans le cadre de cette thèse, nous nous intéressons aux
problèmes d’identification, d’estimation, et de commande de systèmes électromécaniques
non linéaires. Cette thématique demande l’utilisation d’outils spécifiques dans le domaine
de l’Automatique.
Les deux principaux outils utilisés sont la méthode algébrique et les modes glissants.
Ce sont des outils “non asymptotiques”, au sens où la convergence des algorithmes utilisés
est obtenue en temps fini, contrairement aux notions asymptotique et exponentielle, qui
19
Chapitre 1. Outils et Méthodes
impliquent la convergence des trajectoires du système vers un état d’équilibre stable sur
un horizon infini.
Ces outils seront utilisés pour l’identification des paramètres, permettant d’affiner le
modèle utilisé et le rendre le plus proche possible du système réel. L’estimation des états du
système permet d’obtenir des variables inconnues, voire même de supprimer des capteurs,
entraînant un gain de place et de coût. Finalement, nous montrons des techniques de
commandes de systèmes non linéaires robustes vis-à-vis de perturbations.
1.2 Généralités sur la méthode algébrique

La méthode algébrique développée dans le projet Non-A est un outil non-asymptotique
initialement introduit par M. Fliess et H. Sira-Ramirez [Fliess 2003b] dans le cadre de
l’identification des paramètres pour des systèmes linéaires. Des outils similaires ont été
développés en traitement du signal [Fliess 2003a], ou pour aboutir à l’estimation des dé-
rivées [Fliess 2005a], [Mboup 2007b], [Liu 2008], [Mboup 2009], [Riachy 2010], etc. En
pratique, un large éventail d’information n’est pas directement obtenu par la mesure. Des
paramètres (constante d’actionneurs électriques, retards de trasmission, etc.), ou des va-
riables internes (position, vitesse, couple, etc.) sont inconnus ou non mesurés. De plus, les
signaux des capteurs sont fréquemment faussés et entachés par le bruit. Afin de comman-
der, superviser, etc., un système et d’extraire les informations véhiculées par les signaux,
on a souvent recours à l’estimation des paramètres ou des variables.
Contrairement aux méthodes traditionnelles, les estimateurs définis sont “non-asymp-
totiques” : les solutions sont obtenues par des formules algébriques explicites. Ces tech-
niques aboutissent en l’absence de bruits à une estimation en temps fini. Le problème se
traduit par des formules algébriques exactes, dépendantes d’intégrales des signaux mesu-
rés. Dans le cas où les signaux sont bruités, ces intégrales produisent un effet de filtrage
intéressant [Fliess 2003a], [Fliess 2006].
Les fondements mathématiques apportés dans cette approche proviennent entre autres
de [Fliess 1990], [Fliess 1995], [Fliess 2003a], [Fliess 2008a]. Ces outils sont basés sur
l’algèbre différentielle et le calcul opérationnel. L’algèbre différentielle fournit un moyen
puissant et élégant de développer des structures linéaires cachées en permettant aux cœffi-
cients d’appartenir à un anneau/domaine plus riche. Les détails et définitions de l’algèbre
différentielle ne sont pas rappelés dans ce manuscrit, ils sont largement décris dans les
articles cités précédemment. Nous nous intéresserons davantage aux opérations réalisables
dans le domaine opérationnel.
20
1.2. Généralités sur la méthode algébrique
Dans le domaine de l’automatique, ces méthodes ont permis de traiter les problèmes
suivants :
– estimation des paramètres [Mboup 2007a], [Morales 2010],
– estimation des retards [Belkoura 2009], [Ibn Taarit 2011]
– différentiation numérique [Mboup 2009], [Riachy 2010], [Riachy 2011]
– détection de changements brusques [Belkoura 2010], [Fliess 2010b], [Tiganj 2010],
– commande sans modèle [Fliess 2009], [Fliess 2010a]
– ...
Les techniques algébriques ont également montré leur efficacité dans divers domaines
industriels. On citera notamment :
– commande de véhicules [Villagra 2009], [Yu 2009], [Join 2008a], [D’Andrea No-
vel 2010],
– application aux systèmes électromécaniques [Gédouin 2009], [Eckhardt 2008], [Del-
poux 2011], [Michel 2010],
– communication sécurisée [Zheng 2008], [Neves 2006], [Sira-Ramírez 2006],
– traitement d’images et de videos [Yu 2010a], [Yu 2010b], [Join 2008b], [Fliess 2005a],
[Fliess 2005b],
– ...
1.2.1 Structure générale des estimateurs

L’estimation pose problème dans les situations réelles en présence de signaux bruités
ou autres entrées inconnues vues comme des perturbations. Cette section décrit comment
la méthode algébrique permet d’aboutir à des estimateurs performants dans de telles
situations. Avant tout, il est alors important d’introduire la notion de perturbations.
1.2.1.1 Perturbations
Les perturbations peuvent se décomposer en perturbations structurées et non struc-

turées [Fliess 2008b]. Les perturbations sont dites structurées s’il existe un générateur
différentiel Π défini dans [Fliess 2008b], tel que ce dernier annihile cette perturbation.
Dans la plupart des cas les perturbations non structurées sont vues comme des variations
hautes fréquences, autrement dit du bruit pouvant être atténuée par des filtres passe-bas
tels que des intégrales.
γ
Exemple : Une perturbation de la forme , avec γ constant est une perturbation
sν
21

ν−1 d
ν d
structurée. La multiplication à gauche par l’opérateur νs +s ∈ k(s) , indé-
ds ds
pendant de γ, annihile cette perturbation.
1.2.1.2 Construction de l’estimateur
Dans le contexte de systèmes linéaires invariants dans le temps (LTI), en dépit du fait
que les signaux contiennent des perturbations, l’objectif est de se ramener à un système
entrée/sortie de la forme
X X
aj y (i) (t) = bi u(i) (t), (1.1)
j i
où u est l’entrée et y est la sortie.

Le modèle opérationnel obtenu en appliquant la transformée de Laplace à la relation
(1.1), permet d’éliminer les perturbations structurées. Les conditions initiales sont aussi
considérées comme des perturbations indésirables à éliminer. Ces perturbations sont élimi-
nées en multipliant les deux membres de l’équation par si , puis en menant une dérivation
d’ordre j par rapport à s. Ceci est équivalent à appliquer l’opérateur différentiel linéaire
dj i
Π= s,
dsj
où i et j sont des entiers.

On rappelle la formule de Leibniz :
h
!
dh (x(s)y(s)) X h dh−j (x(s)) dj (y(s))
= , (1.2)
dsh j=0 j ds h−j ds j
et la relation :

l!

 sl−k , si 0 < k ≤ l,

 (l − k)!
dk (sl ) 
= 0, si 0 < l < k, (1.3)
dsk 
 (−1)k (k − l − 1)! l−k


 s , si l < 0 < k.
(−l − 1)!
La dérivation par rapport à s dans le domaine opérationnel se traduit par une mul-
tiplication par −t dans le domaine temporel, et la multiplication par s correspond à la
dérivation dans le domaine temporel. Un estimateur constitué de multiplications par si ou
i est un entier positif n’est pas désirable. En effet, la dérivation amplifie les composantes
hautes fréquences, donc la contribution du bruit. Une solution est de rendre l’estimateur
22
propre, en multipliant les deux membres de l’expression par s−ν où ν est un entier plus
grand que i. Dans ce cas, la mise en œuvre peut se faire avec le seul opérateur intégral.
Il reste alors à revenir dans le domaine temporel pour réaliser l’algorithme d’estimation.
Pour cela, on utilise les formules suivantes :
Z Z
1 dk Y (s)
L −1
= ... (−τ1 )k y(τ1 )dτ1 ...dτl , l ≥ 1, (1.4)
sl dsk
Z Z Z t
(t − τ1 )l−1 y(τ1 )
... y(τ1 )dτ1 ...dτl = dτ1 . (1.5)
0 (l − 1)!
L’association de ces deux équations donne :
Z t
1 dj F (s) (t − τ )i−1 (−τ )j f (τ )
L −1
= dτ. (1.6)
si dsj 0 (i − 1)!
Exemple : Les manipulations algébriques décrites dans ce paragraphe sont illustrées

par l’exemple simple suivant. On considère la dérivée temporelle d’ordre n d’un signal :
dn x(t)
,
dtn
où seulement x(t) est mesuré. On compare en parallèle les transformations dans le domaine
temporel et dans le domaine opérationnel.
23
Temporel Opérationnel
dn x(t)
sn X(s) − sn−1 f (0) − . . . − f n−1 (0)
dtn
Multiplication par une fonction C n+1 : Elimination des conditions initiales :
dn x(t) dn dn n
×tn → tn → n s X(s)
dtn dsn ds
Manipulations algébriques :
Application de la formule de Leibniz (1.2) :
n n−j n
X n d (s ) dj (X(s))
j dsn−j dsj
j=0
Application des relations (1.3) :

n
Algorithme non explicite X n n! j dj (X(s))
(s )
j j! dsj
j=0
Rendre l’expression strictement propre :

n
−(n+1)
X n n! 1 dj (X(s))
×s →
j j! sn+1−j dsj
j=0
Retour dans le domaine temporel (1.4) :

n Z tZ τn Z τ
X n n!
... (−τ )j x(τ )dτ . . . dτn
j j! 0 0 0
j=0
Application de la transformation d’intégrales multiples en intégrales simples (1.5) :
n Z
X n n! t (t − τ )n−j (−τ )j
x(τ )dτ
j j! 0 (n − j)!
j=0
Le développement de cet algorithme dans le domaine opérationnel est explicite. En

revanche, dans le domaine temporel, la procédure pour l’obtenir est moins évidente, voire
impossible. Notamment, le choix de la fonction C n+1 dans le domaine temporel, qui an-
nihile les conditions initiales, est très simple dans cette exemple, mais peut se révéler
plus compliquée dans certains cas. Les opérations permettant d’obtenir cet estimateur ne
sont pas uniques. De récents travaux [Ushirobira 2011], [Ushirobira 2012] tentent de sys-
tématiser cette procédure, en proposant une méthodologie pour trouver des annihilateurs
minimaux ainsi que des numérateurs différentiels ayant de bonnes propriétés une fois de
retour dans le domaine temporel.
L’expression de l’estimateur final est une expression dépendante du signal mesuré,
utilisant seulement l’opérateur intégral.
24
1.2.2 Mise en œuvre

Dans le paragraphe précédent, nous avons décrit les étapes permettant d’obtenir des
estimateurs algébriques. Il est important d’apporter certains éléments afin de mettre en
œuvre ce genre d’algorithme. Les estimateurs algébriques s’expriment systématiquement
sous la forme d’une combinaison d’expression (1.6). Leur expression est une intégrale sur
l’intervalle [0, t[. Sur un long intervalle de temps la contribution du bruit de mesures et des
termes non modélisés ont un effet néfaste sur le calcul des intégrales. On peut notamment
citer [Liu 2011] concernant une étude sur la contribution du bruit sur les estimateurs.
Afin de minimiser cet effet, les intégrales sont calculées sur une fenêtre glissante. L’idée
est de calculer ces intégrales sur une fenêtre [t − Tf , t], ou Tf représente la taille de la
fenêtre. Le choix de la longueur de la fenêtre permettra effectivement de minimiser cette
erreur [Liu 2008].
Dans la littérature, on peut trouver différentes méthodes de mise en œuvre de ces
estimateurs. Dans [Gensior 2007], à chaque instant d’échantillonnage, le résultat de l’in-
tégrale sur cet échantillon est mis en mémoire. L’intégrale sur la fenêtre est égale à la
somme des résultats de chaque échantillon de l’instant t − Tf à t. Afin d’évoluer le long du
signal, une solution serait de recalculer cette somme à chaque instant. Afin de minimiser
le temps de calcul, la solution proposée est de mettre à jour l’intégrale calculée à l’échan-
tillon précédent en soustrayant le premier élément de la fenêtre et en y ajoutant le nouvel
élément entrant. Cette méthode est très efficace en temps réel. Cependant, on remarque
que l’intégrale (1.6) étant un produit de convolution, tous les points de la fenêtre changent
à chaque instant.
L’approche utilisée pour calculer cette intégrale, est issue de [Mboup 2009]. L’intégrale
sur l’intervalle [0, t] est réécrite sur un intervalle [0, Tf ]. Il faut noter que le “zéro” de ces
deux intervalles est différent. Dans le second cas, il représente le début de la fenêtre, et
évolue donc en même temps que celle-ci. Enfin on utilise un changement de variables pour
T
normaliser l’intervalle d’estimation I0 f = [0, Tf ] à [0, 1].
Z t
(t − τ )i−1 (−τ )j f (τ )
L’expression dτ devient :
0 (i − 1)!
Z Tf
(Tf − τ )i−1 (−τ )j f (t − Tf + τ )
dτ
0 (i − 1)!
Z 1 i+j−1
Tf (1 − τ )i−1 (−τ )j
= f (t − Tf (1 − τ ))dτ
0 (i − 1)! (1.7)
| {z }
g(τ )
Z 1
= g(τ )fTf (1 − τ )dτ,
0
25
où fTf (u) = f (t − Tf u). Il est important de noter que la fonction g(τ ) est indépendante du
temps t. Par conséquent, cette fonction peut être calculée hors ligne, ce qui est appréciable
dans les applications en temps réel. De plus, l’intégrale sur l’intervalle de temps [0, 1] est
un filtre entrée-sorties classique très facile à programmer.
Nous supposerons ici que les procédés sont cadencés à une fréquence d’échantillonnage
régulière ayant une période d’échantillonnage Ts telle que Tf = MTs avec M le nombre
de points de la fenêtre. De plus, Wm et tm = mTs /Tf , m = 0, . . . , M, sont les poids et les
abscisses associées. On utilise la méthode numérique suivante :
Z 1 M
X
h(t)dt ≈ Wm h(tm ).
0 m=0
L’équation (1.7) donne :
Z 1 M
X
g(τ )fTf (1 − τ )dτ ≈ Wm gm fM −m , (1.8)
0 m=0
où gm = g(mTs /Tf ) et fM −m = fTf (1 − mTs /Tf ).

L’intégrale est obtenue à partir de la sortie d’un filtre numérique FIR classique, avec
une réponse impulsionnelle cm = Wm gm , où l’entrée est le signal échantillonné. Les calculs
utilisent la méthode des trapèzes, correspondant à :
Ts
W0 = WM = , et Wm = Ts , m = 1, . . . , M − 1.
2
1.3 Généralités sur les modes glissants

La commande par modes glissants est une technique initialement développée dans
les années 1950, et popularisée par l’article précurseur de V.-I. Utkin [Utkin 1977]. Sa
caractéristique essentielle est le choix d’une surface de commutation de l’espace d’état
(appelée surface de glissement) en fonction des spécifications dynamiques désirées du
système en boucle fermée. Le système est alors contraint à converger en temps fini et à
rester sur cette surface. Les modes glissants sont très utilisés en automatique non linéaire
que ce soit pour la commande, l’observation ou l’estimation de paramètres. Pour plus de
détails, on pourra se reporter aux ouvrages [Edwards 1998], [Perruquetti 2002].
Les principaux avantages des modes glissants sont :
– la robustesse face à une large classe de perturbations ou d’incertitudes du modèle,
26
1.3. Généralités sur les modes glissants
– le besoin d’une quantité réduite d’information en comparaison avec les techniques

de commandes classiques,
– la possibilité de stabilisation de certains systèmes non linéaires qui ne sont pas
stabilisable par loi de commande par retour d’état continu.
Les inconvénients de cette méthode sont :
– le phénomène de chattering ou de réticence,
– la brutalité de la commande,
– la sensibilité au bruits de mesures.
Ces inconvénients ont été minimisés par l’introduction de commandes par modes glissants
d’ordre supérieur dans les années 80 [Emel’yanov 1986a], [Emel’yanov 1986b], qui sont
des commandes discontinues agissant sur les dérivées d’ordre supérieur de la variable de
glissement. De plus la discontinuité de la commande réalisée par la fonction“signe” de la
surface de glissement, peut être remplacée par des fonctions “sigmoïdes”. Ces fonctions
1
sont définies par f (x) = , où le paramètre λ permet de faire varier la pente de
1 + e−λx
la fonction, et donc de la rendre plus lisse. Dans cette section, nous traiterons les modes
glissants d’ordre supérieur. Pour plus de compréhension, le lecteur pourra se reporter à
l’annexe A pour une description des modes glissants d’ordre un.
1.3.1 Généralités
Le phénomène de réticence est un inconvénient majeur des modes glissants d’ordre

un. Il est difficile dans de telles conditions d’envisager des développements pour des ap-
plications pratiques, la réticence impliquant une usure accélérée des organes de com-
mandes. Afin de remédier à ce problème, les modes glissants d’ordre supérieur ont été
introduits [Emel’yanov 1986b], [Levant 1993], [Fridman 1996].
On considère le système non linéaire, affine en l’entrée :
ẋ = f (x) + g(x)u,
(1.9)
où x ∈ Rn est l’état, f et g sont des champs de vecteurs suffisamment différentiables, et

u ∈ Rm représente l’entrée de commande du système. La variable S(t, x) est la fonction
de glissement ou de commutation.
La surface de glissement est définie par S(t, x) = 0 sur laquelle nous souhaitons faire
évoluer les trajectoires du système au bout d’un temps fini. L’ensemble de glissement
27
d’ordre r est défini comme suit :

n o
n (r−1)
Sr = x ∈ R : S(x) = Ṡ(x) = · · · = S (x) = 0 .
Cet ensemble de glissement suppose que la surface et ses dérivées successives s’annulent
exactement : on dit que le glissement est idéal. Dans ce cas, contrairement aux modes
glissants d’ordre un, on souhaite annuler la surface S(t, x), mais aussi les r − 1 premières
dérivées successives. En pratique, étant donné les imperfections, le régime de glissement
n’est obtenu que dans un proche voisinage de la surface de glissement, on parle alors de
régime de glissement réel. Un mode glissant réel permettra, si le pas de calcul est à pas
variable majoré par τ , d’obtenir la précision de convergence suivante [Emel’yanov 1996] :
|S| = O(τ r ), |Ṡ| = O(τ r−1 ), . . . , |S r−1| = O(τ ),
soit un régime de glissement réel d’ordre r par rapport à Sr .

Cette technique comporte plusieurs avantages par rapport aux modes glissants du
premier ordre :
– la précision de convergence pour un mode glissant d’ordre r est de l’ordre de τ r ,
donc meilleure pour r > 1.
– dans le cas où le système est de degré relatif p par rapport à la variable de glissement
(on trouvera la définition de la notion de degré relatif dans [Isidori 1995]), tel que
p ≤ r − 1, un mode glissant d’ordre supérieur permet de réduire le phénomène de
réticence. L’algorithme discontinu générant le mode glissant d’ordre r est appliqué
sur la dérivée (r−p)-ième de l’entrée au lieu de l’entrée directement. Par conséquent,
l’entrée réelle du système est continue par intégration.
1.3.2 Algorithmes glissants d’ordre supérieur
Une large gamme d’applications utilisant les modes glissants, pour l’observation, la
commande ou l’identification, pour des applications en mécanique, robotique ou ma-
chines électriques peut être trouvée dans la littérature : [Bartolini 2003], [Butt 2008],
[Canale 2008], [Defoort 2008], [Drakunov 2005], [Floquet 2003], [Martinez 2008], [Pi-
sano 2008], [Riachy 2008].
Dans la littérature, les algorithmes “glissants” sont principalement d’ordre 2. L’en-
28
1.3. Généralités sur les modes glissants
semble de glissement d’ordre 2 s’écrit :
S2 = {x ∈ Rn : S = Ṡ = 0}.
La dérivée seconde de la surface de glissement peut s’écrire :
S̈ = φ(t, S, Ṡ) + ϕ(t, S, Ṡ)U, (1.10)
où
– U = u si le système est de degré relatif 2 par rapport à S,

– U = u̇ si le système est de degré relatif 1 par rapport à S.
Il est supposé qu’il existe des constantes positives S0 , km , KM , C0 telles que, pour tout
x ∈ Rn et |S(t, x) < S0 |, les inégalités suivantes soient vérifiées :
(
0 < km ≤ |ϕ(t, S, Ṡ| ≤ KM ,
(1.11)
|φ(t, S, Ṡ)| < C0 .
Les conditions ci-dessus sont peu restrictives, elles supposent seulement que les fonc-
tions sont bornées et que la fonction en facteur de la commande doit être suffisamment loin
de zéro (il existe un voisinage autour de zéro ne contenant aucune valeur de ϕ(t, S, Ṡ)). Ces
conditions sont systématiquement vérifiées sur un ensemble compact avec des fonctions φ
et ϕ continues, où ϕ est non nul.
Algorithme du Super Twisting
Les systèmes de degré relatif égal à 1 peuvent être traités à l’aide de l’algorithme du
Super Twisting [Levant 1993], [Levant 2001]. Cet algorithme d’ordre 2 est très couramment
utilisé car la loi de commande est continue et ne requiert aucune information sur la dérivée
de S. La loi de commande est définie comme suit :
ust (S) = u1(S) + u2 (S), (1.12)
avec : (
u̇1(S) = −αsgn(S),
1 (1.13)
u2(S) = −λ|S| 2 sgn(S).
Les conditions de convergence en temps fini sur l’ensemble de glissement S ont tout d’abord
29
été données dans [Levant 1993] :
C0 4C0 αKM + C0
α> et λ2 ≥ 2 . (1.14)
km km αkm − C0
Nous démontrons ici une preuve de stabilité en temps fini de l’algorithme basée sur
l’utilisation d’une fonction de Lyapunov. Pour les systèmes de degré relatif égal à 1, on
a:
Ṡ = ust . (1.15)
À partir de la loi de commande définie équation (1.12) l’équation précédente peut se

réécrire sous la forme :
Ṡ = ξ − λ|S|1/2 sgn(S),
(1.16)
ξ˙ = Π − αsgn(S),
où Π est une perturbation bornée, α et λ sont des gains positifs à définir. La stabilité en
temps fini de cet algorithme est inspirée de la preuve présentée dans [Barbot 2010].
" # " #
ψ1 |S|1/2 sgn(S)
On considère les équations du système (1.16) et on note ψ = = .
ψ2 ξ
On a alors : " # " #
−λ 1 0
ψ̇ = |ψ1 |−1 ψ+
−α 0 Π
" #! (1.17)
−1 0
= |ψ1 | Mψ + .
|ψ1 |Π
" #
p 1 p 3
On définit la fonction de Lyapunov candidate V = ψ T P ψ où P = est une
p3 p2
matrice définie positive. La dérivée temporelle le long des solutions de (1.17) est donnée
par : " #!
T T T 0
V̇ = |ψ1 | −1
ψ (M P + P M)ψ + 2ψ P . (1.18)
|ψ1 |Π
On sait que : " #
0
2ψ T P ≤ k1 ψ12 + k2 ψ22 ,
|ψ1 |Π
p22
avec k1 = Π(2|p3 | + ǫ) et k2 = Π , pour tout ǫ > 0.
ǫ
Donc : " #!
T T k1 0
V̇ ≤ |ψ1 | ψ −1
M P + PM + ψ. (1.19)
0 k2
30
1.4. Méthodes d’identification
Les gains α, λ doivent être choisis de telle sorte que la matrice :

" #
k1 0
−Q = M T P + P M + ,
0 k2
soit définie négative. Par application du théorème de LaSalle, la convergence en temps

fini de ψ vers zéro est prouvée [Barbot 2010], c’est-à-dire la convergence en temps fini S
et ξ vers zéro en temps fini. Ainsi après un temps fini on a ξ = 0 menant à Ṡ = 0.
Dans certains cas, notamment les observateurs, nous avons recours à un terme stabi-
lisant linéaire. Ce terme ajouté dans les observateurs a pour effet entre autres de réduire
le bruit et d’accélérer la convergence vers la surface de glissement. L’approche donnée
dans [Shen 2009] permet d’étendre le résultat précédent à ce cas.
Algorithme du Twisting
L’algorithme du Twisting permet de traiter les systèmes de degré relatif égal à 2. La
loi de commande se construit de la manière suivante :
(
−λM sgn(S) si S Ṡ < 0,
w , wt (S, Ṡ) = (1.20)
−λm sgn(S) si S Ṡ ≥ 0.
On a les conditions suffisantes :
KM
λm > 4 ,
S0
C0
λm > , (1.21)
km
KM λ m C0
λM > +2 ,
km km
où
0 < km ≤ |ϕ(t, S, Ṡ)| ≤ KM and |φ(t, S, Ṡ)| < C0 ,
qui garantissent la convergence en temps fini vers l’ensemble de glissement S2 [Levant 1993].
La convergence en temps fini de cet algorithme basée sur une fonction de Lyapunov est
donnée dans [Orlov 2009].
1.4 Méthodes d’identification

Les modèles phénoménologiques font intervenir les paramètres physiques du système
à commander. Une bonne connaissance de ces paramètres permet d’évaluer avec plus de
31
précision l’évolution du système. Elle permet notamment de minimiser les erreurs lors
du calcul de la commande. Les paramètres nominaux sont généralement fournis par le
constructeur du processus, mais ne sont pas forcément précis. Il se peut aussi que ces
paramètres varient avec le temps (par exemple en cas d’usure). Ces paramètres sont
alors identifiés sur la base des mesures obtenues et du modèle (statique ou dynamique) du
processus. Il est donc important en fonction des données disponibles d’adapter la stratégie
à utiliser, en considérant le bruit affectant les mesures.
Il existe des techniques basées sur la minimisation d’une erreur, en utilisant les mé-
thodes par moindres carrés (LS, RLS...), ou des observateurs. On se référera à [Söders-
tröm 1989], [Landau 1993] pour un état de l’art sur la question. Ces observateurs peuvent
être à convergence asymptotique (observateur de Luenberger étendu, et observateur de
Kalman étendu...), ou en temps fini (observateurs par modes glissants...). Une alternative
est l’identification par la méthode algébrique. Dans le cadre de ce travail, nous utilisons la
méthode d’identification par moindres carrés pour identifier les paramètres hors ligne. La
convergence de tels algorithmes est garantie, et permet d’identifier une valeur initiale des
paramètres pour la commande. Afin d’évaluer les paramètres en temps réel, nous avons
comparé les méthodes d’identification basées sur la méthode algébrique et sur les observa-
teurs par modes glissants. Dans ce paragraphe, nous présentons seulement les outils que
nous utiliserons dans la suite de ce manuscrit.
1.4.1 Méthodes d’identification hors ligne

1.4.1.1 Méthode par moindres carrés
Les méthodes d’identification par moindres carrés sont classiques. L’objet de ce para-
graphe est de définir les notations utilisées dans les chapitres suivants. L’estimation par
moindres carrés est une méthode de régression linéaire. C’est un concept commun en sta-
tistique. Son origine est attribuée à Gauss (1809), qui a utilisé de telles techniques pour
calculer les orbites des planètes [Söderström 1989].
La régression linéaire est le type de modèle paramétrique le plus simple. Elle correspond
à une équation du type :
y[n] = W T [n]Pnom , (1.22)
où y est le vecteur de sortie, W est la matrice de régression, et Pnom est le vecteur de

paramètres nominaux (inconnus). À partir des mesures de y et W , l’objectif est d’obtenir
P , une estimation du vecteur de paramètres Pnom .
32
Une solution pour trouver P à partir de (1.22) serait de choisir le nombre de mesures
N, égal au nombre de paramètres à déterminer. On obtient W, une matrice carrée. Si cette
matrice est non singulière, le système d’équation (1.22) est facilement résolu pour P .
En pratique, le bruit, les perturbations et les erreurs de modélisation donnent de
bonnes raisons d’utiliser un nombre de données supérieur au nombre d’inconnues. Quand
W > n, le système d’équations linéaires (1.22) devient surdéterminé (il existe donc une
infinité de solutions).
L’équation de l’erreur (1.23) est formée en soustrayant les sorties mesurées aux sorties
estimées en utilisant :
e[n] = W T [n]P − y[n]. (1.23)
Par définition, l’erreur résiduelle Re est égale à la somme des normes au carré sur un
intervalle [N0 , N1 ] :
N1
X
Re (K) = ||e[n]||2
n=N0
N1 (1.24)
X
= (W T [n]P − y[n])T (W T [N]P − y[n]).
n=N0
L’estimation par moindres carrés vise à minimiser l’erreur résiduelle. L’estimée est
obtenue en posant la dérivée de Re par rapport à P égale à zéro, entraînant :
N1
!−1 N1
!
X X
P = W [n]W T [n] W [n]y[n] . (1.25)
n=N0 n=N0
Cette méthode simple est très souvent utilisée en expérimentation.
1.4.1.2 Théorie de l’élimination
Dans certains cas, une paramétrisation linéaire peut être obtenue, mais seulement avec
un ensemble de paramètres P qui ne sont pas indépendants les uns des autres. Dans ce
cas, on définit un vecteur minimal de paramètres indépendants générant le vecteur P .
Bien qu’on puisse identifier le vecteur P en utilisant un algorithme par moindres carrés,
le problème est souvent mal conditionné et les éléments du vecteur ne répondent pas aux
contraintes entre les paramètres.
Lorsque les paramètres dans le modèle non défini sont rationnellement liés à l’ensemble
minimal de paramètres, la sur-paramétrisation peut être traitée à l’aide de la théorie de
33
l’élimination [Chiasson 2011], [Wang 2005a], [Wang 2005b].

Plus précisément, l’erreur résiduelle est :
N1
X 2
Re (Pmin ) = y(n) − W T (n)P
n=N0 contraintes
(1.26)
T
= Ry − 2RW yP | contraintes + (P T RW P )| contraintes ,
où
N1
X
Ry , y T (n)y(n), (1.27)
n=N0
N1
X
RW y , W T (n)y(n), (1.28)
n=N0
N1
X
RW , W T (n)W (n), (1.29)
n=N0
l’indice «contraintes» indiquant que les contraintes liées aux éléments de P doivent être
utilisées pour éliminer les variables supplémentaires de la sur-paramétrisation. Le mini-
mum de (1.26) est obtenu en résolvant l’équation :
∂Re (Pmin)
πi (Pmin ) , = 0, (1.30)
∂Pmin, i
pour i = 1...m, où m est le nombre de paramètres inconnus dans Pmin , et πi (Pmin ) sont
des polynômes dépendant des éléments de Pmin . Pour un problème des moindres car-
rés standard, les dérivées de Re sont linéaires par rapport à Pmin, de telle sorte que la
résolution de (1.30) est simple. Dans le cas plus général considéré ici, les πi sont des po-
lynômes dépendant des m paramètres inconnus. Par conséquent, la solution du problème
des moindres carrés sur-paramétrisés nécessite la résolution de m équations polynomiales
avec m variables.
Résoudre des équations polynomiales par l’intermédiaire des résultantes : une procé-
dure systématique pour résoudre les équations polynomiales peut être obtenue par une
théorie de l’élimination qui utilise la notion de résultant. Un ensemble de polynômes est
obtenu, où chaque équation a un paramètre de moins que la précédente. A la fin, un
polynôme est obtenu avec un seul paramètre et ses racines peuvent être calculées (nu-
mériquement). La solution est alors insérée dans l’équation polynomiale précédente et le
paramètre suivant peut être calculé. Chaque paramètre est ainsi obtenu étape par étape,
34
bien que généralement de multiples solutions existent à chaque étape. Néanmoins, un

nombre fini de solutions candidates est déterminé de cette manière. La solution donnant
la plus petite erreur résiduelle est considérée comme étant l’estimation.
Pour éliminer un paramètre Pmin,α de deux équations polynomiales πj and πk , les

polynômes sont écrits comme des polynômes en Pmin,α avec :
n
X
i
πj (Pmin ) = Pmin,α πj,i ({Pmin}\{Pmin,α }), (1.31)
i=0
Xm
i
πk (Pmin ) = Pmin,α πk,i ({Pmin}\{Pmin,α }).
i=0
Alors, la matrice de Sylvester p×p, où p = degPmin,α {πj (Pmin)}+degPmin,α {πk (Pmin )} =

n + m, est définie par :
 
πj,0 0 ... 0 πk,0 0 ... 0
 .. .. .. .. .. .. .. 
 π
 j,1 . . . . . . . 

 . .. .. .. .. 
 .. . . 0 . . 0 
 
 . .. . . 
 . . πj,0 πk,m−1
 . .

πk,0 
MSylvester

, .. .. .. 
. (1.32)
 πj,n πj,1 πk,m . . . 
.. ..
 
 .. .. .. 
 0 . . 0 . . . 
 
 .. .. .. .. .. .. .. 
 . . . . . . . πk,m−1 
 
 0 ... 0 π 0 ... 0 πk,m 
 j,n 
Le polynôme résultant est défini par :
r({Pmin}\{Pmin,α }) = Res(πj , πk , Pmin,α ) , det(MSylvester ). (1.33)
Ce polynôme résultant est nul pour l’ensemble optimal de paramètres et est indépendant
de Pmin,α . La procédure est répétée pour tous les polynômes et tous les paramètres jusqu’à
ce qu’il ne reste plus qu’un polynôme avec un seul paramètre. Les calculs requis pour
réaliser ces opérations sont simples, mais deviennent rapidement lourds. Dans le cadre
de ce travail, les calculs sont réalisés symboliquement à l’aide de Maple. La procédure à
suivre est expliquée pour un cas concret dans l’Annexe B.
35
1.4.2 Méthodes d’identification en ligne

1.4.2.1 Identification algébrique
L’identification des paramètres pour des systèmes linéaires invariants dans le temps à
l’aide de l’approche algébrique introduite dans le paragraphe 1.2 a fait l’objet de plusieurs
publications. On citera par exemple [Ushirobira 2011], [Mboup 2009], [Gensior 2008],
[Rudolph 2008], [Tian 2008], [Trapero 2007]. Les expressions analytiques obtenues ne sont
pas uniques. Dans ce paragraphe, une forme générale est décrite pour des systèmes ayant
une perturbation de forme polynomiale par rapport au temps. D’autres perturbations
structurées (sinusoïdales par exemple) peuvent être considérées, mais nous nous limiterons
à ce type de perturbations. Dans [Fliess 2003b], [Fliess 2008b] la notion d’identifiabilité est
révisée du point de vue de l’algèbre différentielle pour des systèmes ayant des perturbations
structurées.
On considère la relation entrée/sortie avec perturbations :
n
X m
X
(i)
ai y = bi u(i) + Π, (1.34)
i=0 i=0
avec an = 1 et m < n. y et u sont respectivement la sortie et l’entrée du système.

κ
X ti−1
Π= ci , κ ∈ N représente des perturbations qui seront supposées polynomiales
i=1
(i − 1)!
sur un court intervalle de temps. Il est fréquent que les perturbations structurées puissent
être approximées par des polynômes. Cette approximation est valable seulement sur une
fenêtre donnée.
Théorème 1.1 L’expression des paramètres inconnus a0 , ..., an−1 , b0 , ...bm de l’équation
(1.34) est donnée par :
   
â0 −Fn,1 [y(t)]
 .   .. 
 ..   
  " #  . 
  −1  
ân−1  F1a − F1b  −Fn,n [y(t)]
 
 b̂  = F − F
 
 −F
,
 (1.35)
 0  2a 2b  n,n+1 [y(t)] 
 .   
 .   .. 
 .   . 
b̂m −Fn,n+m+1 [y(t)]
avec  
F0,1 [y(t)] . . . Fn−1,1 [y(t)]
 .. .. .. 
F1a =
 . . . ,

F0,n [y(t)] . . . Fn−1,n [y(t)]
36
 
F0,1 [u(t)] . . . Fm,1 [u(t)]
 .. .. .. 
F1b = 
 . . . ,

F [u(t)] . . . Fm,n [u(t)]
 0,n 
F0,n+1 [y(t)] . . . Fn−1,n+1 [y(t)]
 .. .. .. 
F2a = 
 . . . ,

F [y(t)] . . . Fn−1,n+m+1 [y(t)]
 0,n+m,1 
F0,n+1 [u(t)] . . . Fm,n+1 [u(t)]
 .. .. .. 
F2b = 
 . . . ,

F0,n+m+1 [u(t)] . . . Fm,n+m+1 [u(t)]
κ+n Rt
X ci,j 0 (t − τ )γ (−τ )j f (τ )dτ
Fi,p [f (t)] = ,
j=n−i
γ!
γ = κ + 2n + p − i − j − 1,
!
κ+n (κ + i)!
ci,j = ,
j (i + j − n)!
où p ∈ [1, P ] et P ∈ [1, n + m + 1] représente le nombre de paramètres inconnus.
Preuve Les expressions obtenues dans le théorème 1.1 sont construites comme suit :
1. On considère la transformation de Laplace de (1.34) :
n
X
ai (si y(s) − si−1 y(0) − ... − y(0)(i−1) )
i=0
m κ (1.36)
X
i i−1 (i−1)
X ci
= (s u(s) − s u(0) − ... − u(0) + .
i=0 i=0
si
2. Manipulations algébriques : les perturbations, étant structurées, elles sont annihilées

en multipliant chaque partie de (1.36) par sκ , puis en dérivant à l’ordre κ par rapport au
temps. Les conditions initiales sont éliminées en différentiant n fois de plus (1.36). Ceci
conduit à l’opérateur différentiel linéaire :
dκ+n κ
Π= s . (1.37)
dsκ+n
En utilisant les formules (1.2) et (1.3), on obtient :
37
n κ+n
! !
X X κ+n (κ + i)!si+j−n dj (y(s))
ai
i=0 j=n−i j (i + j − n)! dsj
m κ+n
! ! (1.38)
X X κ + n (κ + i)!si+j−n dj (u(s)
= bi .
i=0 j=n−i j (i + j − n)! dsj
L’estimateur est rendu propre en multipliant chaque membre de (1.38) par s−(κ+n+p)
(p ∈ [1, P ]) : !
n κ+n
X X dj (y(s))
ci,j
ai
i=0 j=n−i
sκ+2n+p−i−j dsj
m κ+n
! (1.39)
X X ci,j dj (u(s)
= bi κ+2n+p−i−j j
,
i=0 j=n−i
s ds
où !
κ+n (κ + i)!
ci,j = .
j (i + j − n)!
La formule (1.6) permet d’avoir la relation suivante dans le domaine temporel :
n κ+n Rt !
κ+2n+p−i−j−1 j
X X ci,j
0
(t − τ ) (−τ ) y(τ )dτ
ai
i=0 j=n−i
(κ + 2n + p − i − j − 1)!
m κ+n R t
! (1.40)
X X ci,j 0 (t − τ )κ+2n+p−i−j−1(−τ )j u(τ )dτ
= bi .
i=0 j=n−i
(κ + 2n + p − i − j − 1)!
On obtient alors P relations liées aux paramètres qui conduisent à la forme (1.35).
Remarque 1.2 Ce théorème regroupe des résultats présents dans l’article [Mboup 2009]
et l’article [Tian 2008].
Remarque 1.3 On rappelle que les manipulations algébriques permettant d’obtenir (1.35)
ne sont pas uniques. Une méthodologie pour trouver des annulateurs minimaux ainsi que
des numérateurs différentiels ayant de bonnes propriétés une fois de retour dans le do-
maine temporel est décrite dans [Ushirobira 2012].
1.4.2.2 Une application originale aux paliers magnétiques
Afin de montrer les performances de cet algorithme, on présente dans ce paragraphe

une application expérimentale originale réalisée sur un palier magnétique. Le palier ma-
gnétique utilisé est celui du LAGIS représenté sur la Figure. 1.1. Il est composé d’un palier
38
Figure 1.1 – Banc d’essai du palier magnétique.
radial et de deux paliers axiaux. Il est similaire à celui présenté dans [Eckhardt 2004]. C’est
un système intrinsèquement instable avec des dynamiques fortement non linéaires. Pour ce
qui concerne la commande d’un tel processus on se référera aux travaux [Hsu 2003], [Eck-
hardt 2004], [Grochmal 2009], [Lévine 1996], [Löwis 2000] concernant la commande de
paliers magnétiques. Ceux-ci se fondent tous sur un modèle de fonctionnement précis, ce
qui justifie le besoin d’identification. Dans cette partie, nous présentons l’estimation de
paramètres du palier radial (Fig. 1.2).
Présentation du problème
Les paramètres recherchés dépendent de la géométrie et des matériaux du palier. Leur
estimation est importante car ils sont difficiles à calculer et sont susceptibles de varier
sensiblement au cours du temps. Le modèle mathématique s’appuie sur l’hypothèse d’un
corps rigide. Les équations dynamiques, peuvent s’écrire comme suit :
Figure 1.2 – Schéma du palier magnétique à trois phases.
39
mŸ = Fy , (1.41)
mZ̈ = Fz , (1.42)
où Y et Z représentent les positions dans le plan du palier radial (avec les axes y et z).
Les forces Fy et Fz représentent respectivement la résultante des forces appliquées dans
les directions y et z. L’arbre a une masse m. Les forces résultantes dans le plan (y, z) sont
données par la superposition des forces générées par les électro-aimants :
 
" # " # F1
Fy sin α1 sin α2 sin α3  
=  F2  .
  (1.43)
Fz cos α1 cos α2 cos α3
F3
Les angles qui apparaissent dans (1.43) indiqués sur la Figure 1.2. Les forces magnétiques
individuelles peuvent être modélisées par (k ∈ {1, 2, 3}) :
i2k
Fk = λk  " #T " #2 , (1.44)
sin αk Yb
σ − 
cos αk Zb
où σ est la longueur de l’entrefer et les λk sont des paramètres dépendant de la géométrie

et des matériaux du palier.
Les équations ci-dessus reflètent les dynamiques du modèle non perturbé. Les simplifi-
cations et les erreurs de modèle (1.41)-(1.42) sont supposées avoir le même effet qu’une
perturbation. La rotation du rotor est aussi une source de perturbations, introduisant
notamment des composantes harmoniques. Lorsque l’arbre se déplace suivant une trajec-
toire ellipsoïdale, les positions dans les directions y et z sont des fonctions sinusoïdales. Ce
mouvement génère une erreur significative dans la relation entre les courants et les forces,
qui peut, elle aussi, changer de façon sinusoïdale. Ces perturbations doivent être rejetées
dans l’algorithme d’identification des λk (ou doivent être estimées afin d’être compensées
dans la commande).
Le modèle perturbé peut s’écrire :
mŸ = Fy + py (t), (1.45)

mZ̈ = Fz + pz (t), (1.46)
où p∗ (t) représentent les perturbations sur chaque axe. En utilisant les équations (1.45),
40
(1.46), (1.43) et (1.44), on obtient une relation de la forme :
3
X py (t)
Ÿ = λk uy,k + , (1.47)
k=1
m
3
X pz (t)
Z̈ = λk uz,k + , (1.48)
k=1
m
avec :
sin(αk )i2k
uy,k =  " #T " #2 ,
sin αk Yb
m σ − 
cos αk Zb
et :
cos(αk )i2k
uz,k =  " #T " #2 .
sin αk Yb
m σ − 
cos αk Zb
Ces deux équations dépendent des entrées mesurées et des accélérations dans le plan. Les
paramètres λk sont les paramètres à identifier à partir des mesures de Y et Z, ceci malgré
les perturbations py et pz .
Estimation des paramètres λk
Les trois paramètres inconnus λ1 , λ2 et λ3 peuvent être estimés en utilisant l’équation

(1.48). Bien que les perturbations soient sinusoïdales, donc structurées, nous considérons
dans le développement des estimateurs que celle-ci sont constantes.
Les équations (1.47) et (1.48) sont des relations entrées/sorties similaires à (1.34). Les
trois paramètres à estimer étant présents dans (1.48), on utilisera cette équation pour
les estimer. Cette relation a trois entrées, n = 2, m = 0. Le choix d’une perturbation
constante implique κ = 1. Le théorème 1.1 est appliqué à l’équation (1.48) pour ces trois
paramètres inconnus (c’est-à-dire P = 3), menant à :
   
h i λ̂1 −F2,1 [Z(t)]
   
−Fb1 − Fb2 − Fb3 λ̂2  = −F2,2 [Z(t)] , (1.49)
λ̂3 −F2,3 [Z(t)]
avec
41
 
F0,1 [uZ,∗(t)]
 
Fb∗ = 
 F0,2 [u Z,∗ (t)] ,

F0,3 [uZ,∗(t)]
3 Rt
X ci,j 0
(t − τ )γ (−τ )j f (τ )dτ
Fi,p [f (t)] = ,
j=2−i
γ!
γ = 4 + p − i − j,
!
3 (1 + i)!
ci,j = ,
j (i + j − 2)!
où p ∈ {1, 2, 3}.
On définit le vecteur : Λ = [λ1 λ2 λ3 ]T . L’équation (1.49) permet d’obtenir les
expressions des estimations des paramètres λ̂1 , λ̂2 et λ̂3 :
∆P Λ̂ = ∆Q, (1.50)
les matrices ∆P ∈ R3×3 et ∆Q ∈ R3×1 étant données par :

 
−F0,1 [uZ,1 (t)] −F0,1 [uZ,2 (t)] −F0,1 [uZ,3 (t)]
 
∆P =  −F0,2 [uZ,1 (t)] −F0,2 [uZ,2 (t)] −F0,2 [uZ,3 (t)]  , (1.51)
−F0,3 [uZ,1 (t)] −F0,3 [uZ,2 (t)] −F0,3 [uZ,3 (t)]
 
−F2,1 [Z(t)]
 
∆Q =  −F2,2 [Z(t)]  . (1.52)
−F2,3 [Z(t)]
Si ∆P est inversible, on obtient :

 
λ̂
 1 
 λ̂2  = ∆P −1 ∆Q.
  (1.53)
λ̂3
Remarque 1.4 On peut noter qu’au temps t = 0, les matrices et les vecteurs utilisés pour
calculer les estimations sont nuls. Les paramètres sont alors indéterminés. Par conséquent
la formule doit être calculée, non pas au temps t = 0, mais plus tard, pour t = ǫ avec
42
ǫ > 0 et petit.
Ainsi, le vecteur de paramètres est estimé comme suit :
(
“valeur arbitraire” pour t ∈ [0, ǫ[,
Λ̂ =
∆P −1 ∆Q pour t ∈ [ǫ, ∞[.
Mise en œuvre
Dans le paragraphe précédent, les expressions des estimations ont été développées en
supposant les perturbations constantes. Néanmoins, ce n’est physiquement pas réaliste.
On a vu qu’il y avait deux sources de perturbations :
– la première est due aux simplifications et aux erreurs de modélisation, peut être
considérée comme constante si les signaux sont intégrés sur une courte fenêtre glis-
sante. Pour cela, la méthode d’intégration présentée dans la section 1.2.2 est appli-
quée.
– les perturbations harmoniques avec une fréquence proche de la fréquence de rotation
sont rejetées en utilisant un filtre passe-bas. Le filtre utilisé est similaire a celui
présenté dans [Trapero 2007]. Le numérateur et le dénominateur résultant de chaque
estimation de paramètres sont filtrés comme suit :
F (s)n(t)
λ̂k,f (t) = , (1.54)
F (s)d(t)
ωn2
où F (s) = .
s2 + 2ζωn + ωn2
Résultats expérimentaux
Le palier magnétique considéré a quelques paramètres connus qui sont : la masse du
rotor m = 6.7(kg) et la longueur de l’entrefer nominal σ = 5 · 10−4 [m]. La commande
est réalisée avec une commande de courant dans la boucle interne, et une commande de
position dans la boucle extérieure. La boucle interne s’appuie sur le modèle électrique
des bobines du palier, la boucle extérieure sur le modèle mécanique d’un corps rigide
(1.45)-(1.46). La commande choisie est une commande de suivi de trajectoire basée sur
la platitude, comme décrit dans [Löwis 2000]. La trajectoire de référence est ellipsoïdale
avec Y ∗ = rY cos(ωt) et Z ∗ = rZ sin(ωt), rY = 30.10−6(m) et rZ = 70.10−6 (m). L’arbre
tourne à une vitesse angulaire autour de 3000 tours/min, c’est-à-dire ω = 100π(rad/s).
L’estimateur est programmé de façon discrète, avec une période d’échantillonnage de
1.10−4(s). Le choix de la fenêtre de glissement n’est pas direct. La fenêtre doit être
43
suffisamment longue pour atténuer le bruit, mais pas trop longue pour que l’hypothèse
d’une perturbation constante reste vraie. L’expérience montre qu’une fenêtre de glisse-
ment Tf = 0.02s donne de bons résultats. La valeur initiale de λk,0 = 4.0.10−6 (Nm2 /A2 )
est fixée arbitrairement. Le filtre F (s) est choisi avec ζ = 0.707 et wn = 15rad/s.
Au départ de l’expérimentation, la commande utilise la valeur initiale et arbitraire λk,0
de t = 0 à t = te , te étant l’instant où les paramètres sont identifiables. L’estimateur,
connecté en parallèle avec le système, estime les paramètres λ̂k en temps réel sur l’inter-
valle (ǫ, te ]. Lorsque les valeurs estimées deviennent constantes, les valeurs initiales λk,0
sont remplacées pas les valeurs estimées.
Le matériel informatique est une carte dSpace 1103. La loi de commande est program-
mée en C et est connectée à l’unité électro-mécanique à travers le logiciel Control Desk.
Les courants sont générés par trois amplificateurs linéaires à courant continu qui génèrent
les trois entrées de commande indépendantes.
Les paramètres à estimer sont donc d’abord fixés à λk,0 = 4.0.10−6 Nm2 /A2 (valeur no-
−6
x 10
λ̂1 (t)(en Nm2 /A2 )
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps (en s)
−6
λ̂2 (t)(en Nm2 /A2 )
x 10
5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps (en s)
−6
λ̂3 (t)(en Nm2 /A2 )
x 10
5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps (en s)
Figure 1.3 – Estimation expérimentale des paramètres.
minale). Lorsque l’algorithme d’identification commence, la Figure 1.3 montre qu’après

0.2 secondes, les paramètres sont constants. On obtient trois valeurs constantes des para-
mètres : (λ̂1 = 2.53.10−6 Nm2 /A2 , λ̂2 = 2.04.10−6Nm2 /A2 et λ̂3 = 2.42.10−6Nm2 /A2 ).
44
40
Y ∗ , Y (en µm)
20 Y∗
0 Y
−20
−40
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
temps (en s)
10
eY (en µm)
eY
0
−10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
temps (en s)
5
p̂Y (en N)
p̂Y
0
−5
−10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
temps (en s)
Z ∗ , Z (en µm)
50 Z∗
0 Z
−50
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
temps (en s)
10
eZ (en µm)
eZ
0
−10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
temps (en s)
10
p̂Z (en N)
p̂Z
0
−10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
temps (en s)
Figure 1.4 – Evolution de la trajectoire le long des axes y et z avant identification.
Afin de vérifier la précision des estimations, on observe les trajectoires et les per-
45
40
Y ∗ , Y (en µm)
20 Y∗
0 Y
−20
−40
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
temps (en s)
10
eY (en µm)
eY
0
−10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
temps (en s)
5
p̂Y (en N)
p̂Y
0
−5
−10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
temps (en s)
Z ∗ , Z (en µm)
50 Z∗
0 Z
−50
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
temps (en s)
10
eZ (en µm)
eZ
0
−10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
temps (en s)
10
p̂Z (en N)
p̂Z
0
−10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
temps (en s)
Figure 1.5 – Evolution de la trajectoire le long des axes y et z après identification.
turbations avant et après estimation. La Figure 1.4 montre l’évolution des axes y et z
avant l’identification, tandis que la Figure 1.5 montre l’évolution après l’identification.
46
80 Désirée 80
Mesurée
60 60
40 40
20 20
Z (en µm)
Z (en µm)
0 0
−20 −20
−40 −40
−60 −60
−80 −80
−80 −60 −40 −20 0 20 40 60 80 −80 −60 −40 −20 0 20 40 60 80
Y (en µm) Y (en µm)
Figure 1.6 – Position dans le plan y − z avant et après identification.
Le résultat le plus évident est sur la perturbation. Une estimation de cette dernière est
obtenue en utilisant l’observateur de perturbation donné dans [Löwis 2000]. L’amplitude
de la perturbation est au moins trois fois plus petite après identification qu’avant. Ceci
traduit une réduction conséquente des incertitudes de modélisation et montre l’efficacité
de l’algorithme. On peut remarquer également le bon comportement de ce dernier malgré
la faible grandeur des paramètres recherchés. Concernant le suivi de trajectoire, l’amélio-
ration est relativement reamquable. Les erreurs sur le suivi de trajectoire sont légèrement
inférieures et plus régulières lorsque les paramètres sont bien estimés. Le comportement
n’est pas réellement différent mais ce n’est pas surprenant : la loi de commande compense
les perturbations, elles-même estimées par un observateur. En estimant la perturbation,
l’observateur prend en considération les erreurs de modélisation. Finalement, le dernier
graphe (Figure 1.6) donne une idée du suivi de trajectoire le long des axes (y, z) avant et
après identification.
Cet exemple illustre la théorie, ainsi que la mise en œuvre d’une procédure d’identifica-
tion par la méthode algébrique. En effet, les résultats expérimentaux montrent l’efficacité
et la possibilité d’appliquer ce genre d’identification sur des procédés réels malgré un faible
temps de calcul disponible, la période d’échantillonnage étant de 0.1ms.
47
1.4.2.3 Identification par modes glissants
L’identification des paramètres en ligne peut aussi être réalisée à partir d’observateurs
par modes glissants. Cette approche a fait l’objet de plusieurs publications, notamment
[Alwi 2008], [Floquet 2006], [Iqbal 2011], [Spurgeon 2008].
On considère un système non linéaire de la forme :
ẋ = f (x, u, p, t), (1.55)
où x ∈ Rn est le vecteur d’état, u ∈ Rn est le vecteur d’entrée, p ∈ Rq est le vecteur des

paramètres inconnus.
Hypothèse 1 La fonction f (x, u, p, t) peut être décomposée sous la forme suivante :
f (x, u, p, t) = αT (p)ξ(x, u, t) + ζ(x, u, t), (1.56)
αT = [α1 , α2 , . . . , αq ], ξ T = [ξ1 , ξ2 , . . . , ξq ] et ζ T = [ζ1 , ζ2 , . . . , ζq ],
où ξi = ξi (x, u, t) 6= 0 et ζi = ζi (x, u, t) sont des fonctions connues et linéairement indé-

pendantes. αi = αi (p) sont des fonctions rationnelles de p.
Pour le système (1.55), un observateur par modes glissants est défini par :
x̂˙ = ζ(x, u, t) + χ(x − x̂), (1.57)
où la fonction χ est une injection de sortie discontinue par modes glissants d’ordre deux.
Le degré relatif du système détermine le choix de l’algorithme par modes glissants utilisé.
On a vu précédemment par exemple que l’algorithme du Super Twisting pouvait être
utilisé pour les systèmes de degré relatif à 1.
Il est important de noter que l’observateur ne dépend pas des paramètres à estimer.
Les dynamiques des erreurs d’observation e = x − x̂ sont données par :
ė = ẋ − x̂˙
(1.58)
= αT (p)ξ(x, u, t) − χ(x − x̂).
Les algorithmes utilisés garantissent la convergence en temps fini vers la surface de glis-
sement, entraînant e = ė = 0 et donc :
α̂T (p)ξ(x, u, t) = χ(x − x̂). (1.59)
48
1.5. Conclusion
L’estimation des fonctions αi est alors exprimée en fonction des états et des paramètres
connus :
α̂T (p) = ξ(x, u, t)−1 χ(x − x̂). (1.60)
Conformément à l’hypothèse 1, les fonctions αi étant des fonctions rationnelles de p, le

vecteur p̂, estimation du vecteur p, est déterminé.
Dans ce paragraphe, nous avons présenté de façon très succincte l’estimation en ligne
de paramètres utilisant les modes glissants. Cette méthode sera utilisée et plus détaillée
pour déterminer en ligne les paramètres du MSAP.
1.5 Conclusion
Le cadre théorique de ce travail a été présenté dans ce chapitre. Nous avons montré
différentes approches permettant d’aboutir à l’identification, l’estimation et la commande
de systèmes non linéaires.
Nous avons présenté les généralités concernant la méthode algébrique. Dans le cadre
de ce travail, nous nous sommes intéressés à cette méthode pour l’identification des pa-
ramètres. Un exemple d’application aux paliers magnétiques présenté dans ce chapitre
montre l’efficacité de ces méthodes. En ce qui concerne l’estimation des dérivées, le lecteur
pourra s’intéresser aux travaux publiés dans [Liu 2008], [Mboup 2009] et [Riachy 2010]
entre autres. Concernant les modes glissants, cet outil est utilisé pour l’identification
de paramètres et l’estimation des états du système en utilisant des observateurs, mais
également pour la commande. Les performances de ces techniques seront montrées ex-
périmentalement sur le MSAP. Nous avons également traité l’identification par moindres
carrés, celle-ci permet d’obtenir une identification hors ligne des paramètres du système.
Ces paramètres pourront servir de valeurs de référence ou nominales.
Il faut noter que dans ce chapitre, seule la méthode algébrique est présentée sur le
palier magnétique. L’identification par moindres carrés ainsi que l’identification par modes
glissants auraient pu être appliquées sur cet exemple, mais une comparaison plus détaillée
des trois méthodes sera réalisée dans les chapitres suivants sur le MSAP.
Avant cela, le moteur à aimants permanents utilisé est présenté dans le chapitre sui-
vant.
49
50
Chapitre 2
Modélisation des moteurs synchrones à

aimants permanents
Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.2 Principe de fonctionnement . . . . . . . . . . . . . . . . . . . . 52
2.3 Équations dynamiques des moteurs à aimants permanents . . 53
2.3.1 Équations électriques . . . . . . . . . . . . . . . . . . . . . . . . 53
2.3.2 Équations mécaniques . . . . . . . . . . . . . . . . . . . . . . . 54
2.3.3 Équations de puissance . . . . . . . . . . . . . . . . . . . . . . . 55
2.4 Différents repères pour la modélisation . . . . . . . . . . . . . 56
2.4.1 Rappel sur le modèle dans le repère d − q . . . . . . . . . . . . 56
2.4.2 Modèle dans le nouveau repère f − g . . . . . . . . . . . . . . . 58
2.4.3 Modélisation dans le cas où L2 est négligeable . . . . . . . . . . 60
2.5 Analyse du système . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.5.1 Commandabilité et observabilité . . . . . . . . . . . . . . . . . 61
2.5.2 Platitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.6 Planification de la trajectoire . . . . . . . . . . . . . . . . . . . 67
2.6.1 Position θr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.6.2 Courant direct idr . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.7 Présentation du banc d’essai . . . . . . . . . . . . . . . . . . . . 70
2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
51
Chapitre 2. Modélisation des moteurs synchrones à aimants permanents
2.1 Introduction
Ce chapitre a pour but de rappeler quelques fondamentaux sur les MSAP. Une fois
le principe de fonctionnement présenté, nous nous attarderons sur la modélisation du
moteur. Nous présenterons ici une approche de modélisation assez détaillée prenant en
compte les harmoniques du moteur dans le repère tournant a − b. Une fois ce modèle
obtenu, il sera réécrit dans deux repères différents. Le premier changement de repère est
le changement classique utilisé pour les machines tournantes, c’est-à-dire le modèle dans
le repère tournant d − q. Nous introduirons ensuite un nouveau repère, qui a l’avantage
d’avoir les mêmes propriétés que le repère d − q, sans la nécessité de la mesure de positon.
Nous nommerons ce repère le repère tournant de référence f − g. À partir de ce modèle,
et des différents repères, certaines propriétés du moteur seront rappelées, telles que la
commandabilité, l’observabilité et la platitude. Basé sur ces propriétés, une trajectoire de
référence pour le moteur sera proposée. Finalement, la dernière partie sera dédiée à la
présentation du banc d’essai utilisé pour les expérimentations.
2.2 Principe de fonctionnement
a a a
ia ia ia
ib ib ib
N
b b b
N
N
S
S
S
a) ia = I, ib = 0 b) ia = I, ib = I c) ia = 0, ib = I
Figure 2.1 – Principe de fonctionnement du moteur à aimants permanents.
Le principe des moteurs à aimants permanents est assez simple. Seules les bobines
sont alimentées. Le champs créé par les enroulements oriente le rotor qui est constitué
par des aimants. La Figure 2.1 représente un moteur ayant un rotor bipolaire et un stator
comportant une paires de pôles. Les phases a et b sont portées par des enroulements
opposés. La présence de courants dans les phases oriente le rotor. On définit un “pas”
élémentaire θp comme étant le déplacement angulaire du rotor lorsque l’alimentation est
52
2.3. Équations dynamiques des moteurs à aimants permanents
commutée d’une phase à la suivante. Nous obtenons pour cette structure θp = 90◦ . Ceci
correspond au passage de la Figure 2.1.a à la Figure 2.1.c. Les demi-pas sont obtenus
en alimentant deux phases à la fois (Figure 2.1.b). De nombreux moteurs sur le marché
utilisent ce genre de structure.
2.3 Équations dynamiques des moteurs à aimants per-

manents
La modélisation des moteurs à aimants permanents est basée sur les propriétés des
machines synchrones à aimants permanents et à pôles saillants. La modélisation du moteur
présentée dans ce paragraphe est issue de [Engelmann 1995, Goeldel 1984].
2.3.1 Équations électriques

Les dynamiques électriques des deux enroulements a et b du moteur à aimants per-
manents sont décrites par les équations :

 dΨa = va − Ria ,

dt (2.1)
 dΨb
 = vb − Rib ,
dt
où Ψa et Ψb sont les flux magnétiques dans les enroulements a et b, va et vb sont les tensions
appliquées aux enroulements, ia et ib sont les courants, et R est la résistance totale de
l’enroulement. En considérant un rotor à np paires de pôles, les flux magnétiques totaux
sont supposés être de la forme :
" # " #
Ψa ia
= L(θ) + Ψ0 D(θ), (2.2)
Ψb ib
où :
" #
L0 + L2 cos(2np θ) L2 sin(2np θ)
L(θ) = , (2.3)
L2 sin(2np θ) L0 − L2 cos(2np θ)
et :
" #
cos(np θ)
D(θ) = , (2.4)
sin(np θ)
53
θ est la position angulaire du rotor, L0 est l’inductance moyenne d’un enroulement, étant
donné que le moteur tourne, L2 est la variation moyenne-à-crête de l’inductance, et Ψ0
est la contribution de l’aimant permanent au flux de la phase a quand θ = 0.
Les équations électriques obtenues à partir de l’expression des flux deviennent :
" # " # " #
d ia va − Ria ∂L(θ) ia ∂D(θ)
L(θ) = − ω − Ψ0 ω , (2.5)
dt ib vb − Rib ∂θ ib ∂θ
où ω = dθ/dt est la vitesse angulaire du rotor et :

" #
∂L(θ) − sin(2np θ) cos(2np θ)
= 2np L2 ,
∂θ cos(2np θ) sin(2np θ)
" #
∂D(θ) − sin(np θ)
= nP . (2.6)
∂θ cos(np θ)
On obtient alors :
" # " # " # " #
d ia va − Ria ∂L(θ) ia − sin(np θ)
L(θ) = − ω − Kω , (2.7)
dt ib vb − Rib ∂θ ib cos(np θ)
où K , np Ψ0 est la constante de couple électromoteur (ou aussi la constante de force

contre-électromotrice (contre-fem)).
2.3.2 Équations mécaniques

Le principe fondamental de la dynamique de rotation permet d’écrire :
dω
J = CT , (2.8)
dt
où J est le moment d’inertie total des masses en rotation ramené sur l’arbre moteur et
CT représente l’ensemble des couples appliqués au moteur (frottements visqueux, couple
de charge, couple électromagnétique). Soit :
CT = −fv ω − Cr sgn(ω) + τe ,
avec fv le cœfficient de frottement visqueux et Cr le cœfficient de friction de Coulomb,

fonction du temps. Son signe varie en fonction de la vitesse pour qu’il soit toujours résis-
tant.
54
2.3. Équations dynamiques des moteurs à aimants permanents
Par conservation de l’énergie mécanique, τe , le couple électromécanique est donné par :

" #
h i ∂D(θ) 1h i ∂L(θ) ia
τe = Ψ0 ia ib + i i , (2.9)
∂θ 2 a b ∂θ ib
ce qui donne :
τe = −Kia sin(np θ) + Kib cos(np θ)

+np L2 −i2a + i2b sin(2np θ) + 2ia ib cos(2np θ) . (2.10)
2.3.3 Équations de puissance
– Puissance électrique :
On pose : " #
(·)a
(·)ab = ,
(·)b
et : " #
R 0
[R] = .
0 R
La puissance électrique est donnée par la formule suivante :
T
Pel = vab iab
T
dΨab
= [R]iab + iab
dt
T T
T diab T T dL(θ) (2.11)
= iab [R]iab + L(θ) iab + iab iab
dt dt
T
∂D(θ)
+Ψ0 ω iab ,
∂θ
T T
diab 1 T dL(θ)
Pel = iTab [R]iab
+ T
L(θ) iab + iab iab
dt T 2 Tdt
1 T ∂L(θ) ∂D(θ) (2.12)
+ ωiab iab + Kω iab
2 ∂t ∂θ
1d T
= iTab [R]iab + iab L(θ)iab + ωτe .
2 dt
55
– Puissance électrique convertie en puissance mécanique :
Pem = τe ω
T 1d T (2.13)
= vab iab − iTab [R]iab − iab L(θ)iab .
2 dt
2.4 Différents repères pour la modélisation

Le modèle décrit par les équations (2.7) et (2.9) montre que les signaux ia et ib varient
à np fois la fréquence de rotation. À haute vitesse, les tensions et les courants varient
à haute fréquence. Afin de s’affranchir des termes sinusoïdaux, on utilise la transformée
de Park [Park 1929], appelée aussi “Direct-Quadrature” (d − q) Transformation. Cette
transformation change le repère de référence des axes de phases fixes à des axes tournant
avec le rotor.
2.4.1 Rappel sur le modèle dans le repère d − q
Cette transformation s’applique aux variables électriques en utilisant une matrice de

la forme :
" #
cos(np θ) sin(np θ)
U(θ) = . (2.14)
− sin(np θ) cos(np θ)
Les flux dans le repère tournant s’exprime :

" # " #
Ψd Ψa
= U(θ) . (2.15)
Ψq Ψb
La transformation inverse est :

" # " #
Ψa Ψd
= U T (θ) . (2.16)
Ψb Ψq
La dérivée par rapport au temps de (2.16) est :

" # " # " #
d Ψa T d Ψd ∂U T (θ) Ψd
= U (θ) +ω , (2.17)
dt Ψb dt Ψq ∂θ Ψq
où :
56
2.4. Différents repères pour la modélisation
" #
∂U(θ) − sin(np θ) cos(np θ)
= nP . (2.18)
∂θ − cos(np θ) − sin(np θ)
Alors :
" # " # " #

d Ψd d Ψa ∂U T (θ) Ψd
= U(θ) − ωU(θ)
dt Ψq dt Ψb ∂θ Ψq
" # " #" #
va − Ria 0 −1 Ψd
= U(θ) − np ω
vb − Rib 1 0 Ψq
" #
vd − Rid + np ωΨq
= , (2.19)
vq − Riq − np ωΨd
tandis que :
" # " #
Ψd id
= U(θ)L(θ)U T (θ) + Ψ0 U(θ)D(θ)
Ψq iq
" # " #
id Ψ0
= L(0) + , (2.20)
iq 0
où :
" #
L0 + L2 0
L(0) = . (2.21)
0 L0 − L2
Le modèle d − q du moteur à aimants permanents devient :
did
Ld = vd − Rid + np ωLq iq ,
dt
diq
Lq = vq − Riq − np ωLd id − Kω, (2.22)
dt
où :
Ld = L0 + L2 , Lq = L0 − L2 . (2.23)
Le couple est :
57
h i ∂D(θ)
τe = Ψ0 id iq U(θ)
∂θ " #
1h i ∂L(θ) T id
+ i iq U(θ) U (θ) . (2.24)
2 d ∂θ iq
Après simplifications :
τe = Kiq + np (Ld − Lq )id iq . (2.25)
Le deuxième terme de l’équation 2.25 est le couple de réluctance.

Les équations du moteur synchrone à aimants permanents dans le repère d − q sont :

 did

 Ld = vd − Rid + np Lq ωiq ,


 dt
 Lq diq


= vq − Riq − np Ld ωid − Kω,
dt (2.26)
 dω

 J = Kiq + np (Ld − Lq )id iq − fv ω − Cr sgn(ω),

 dt


 dθ
 = ω.
dt
Les moteurs synchrones à réluctances sont tels que K = 0. Le modèle considéré ici
englobe tout ces cas. La transformation (d − q) est avantageuse car les tensions et les
courants sont constants à vitesse constante.
2.4.2 Modèle dans le nouveau repère f − g

Le modèle dans le repère d − q présenté précédemment est basé sur la position θ
mesurée. Dans certaines applications, la position mesurée peut être biaisée en raison d’un
offset sur le capteur, ou indisponible dans le cas d’applications sans capteur mécanique.
Pour cela, on introduit ici un nouveau repère, nommé repère f −g. Ce repère se rapproche
du repère présenté dans [Zheng 2007]. Ici, on applique la transformée de Park (2.14), mais
on ajoute un terme δ :
" # " #
Ψf Ψa
= U(θ + δ)
Ψg Ψb
" #
Ψd
= U(δ) . (2.27)
Ψq
58
2.4. Différents repères pour la modélisation
Le terme δ peut être interprété de différentes manières. Il peut représenter un offset de

calibration, lorsque le capteur n’est pas correctement initialisé. δ peut aussi être interprété
comme l’erreur entre la position mesurée et la position de référence que le moteur est
supposé suivre : δ = θ − θr . Finalement δ peut être défini comme l’erreur d’estimation de
θ. Le modèle f − g se rapproche du modèle d − q, avec l’avantage d’être valide même si
la position n’est pas exactement connue.
En utilisant les mêmes manipulations que la transformation d − q :

" # " #
d Ψf vf − Rif + np ωΨg
= , (2.28)
dt Ψg vg − Rig − np ωΨf
tandis que :
" # " #
Ψf Ld id + Ψ0
= U (δ)
Ψg Lq iq
" # " # " #
Ld 0 T if cos(np δ)
= U (δ) U (δ) + Ψ0
0 Lq ig − sin(np δ)
" #
if
= L(−δ) + Ψ0 D(−δ). (2.29)
ig
Il s’ensuit que les équations électriques du modèle f − g du moteur sont :
" # " # !
d if vf − Rif + np ωΨg dδ ∂D(−δ)
= L−1 (−δ) + , (2.30)
dt ig vg − Rig − np ωΨf dt ∂θ
et le couple est :
τe = K (if sin(np δ) + ig cos(np δ))

1 2 2

+ np (Ld − Lq ) sin(2np δ) if − ig + cos(2np δ)if ig .
2
(2.31)
On remarque bien que, si δ est nul, on obtient le modèle d − q.
Dans cette section, nous avons présenté le modèle du MSAP dans trois repères diffé-
rents. Ces trois repères sont représentés schématiquement sur la Figure 2.2.
59
b
q ib
f
vb RL
d
g
θ
a
ia
va
Figure 2.2 – Transformations des variables dans les différents repères.
2.4.3 Modélisation dans le cas où L2 est négligeable
Sur certains moteurs, notamment les moteurs à pôles lisses, on suppose que la varia-
tion de l’inductance L2 est négligeable par rapport à L0 et on pose L = L0 . À partir
des équations (2.7) et (2.9), on obtient le modèle du MSAP dans le repère fixe (a − b)
couramment utilisé :

 dia

 L = va − Ria + Kω sin(np θ),


 dt

 L b
 di
= vb − Rib − Kω cos(np θ),
dt (2.32)
dω


 J = K(−ia cos(np θ) + ib sin(np θ)) − fv ω − Cr sgn(ω),

 dt
 dθ


 = ω.
dt
Dans le repère tournant d − q, le modèle dans ce cas là devient :


 did

 L = vd − Rid + np Lωiq ,


 dt
 di
 L q

= vq − Riq − np Lωid − Kω,
dt (2.33)
 dω

 J = Kiq − fv ω − Cr sgn(ω),

 dt
 dθ


 = ω.
dt
60
2.5. Analyse du système
Finalement, dans le repère tournant de référence f − g on a :


 dif dδ

 L = vf − Rif + Kω sin(np δ) + np L ω + ig ,


 dt dt

 di
 L g
 dδ
= vg − Rig − Kω cos(np δ) − np L ω + if ,
dt dt (2.34)

 dω

 J = K(if sin(np δ) + ig cos(np δ)) − fv ω − Cr sgn(ω),

 dt


 dθ
 = ω.
dt
2.5 Analyse du système

Dans ce paragraphe, nous détaillons quelques propriétés du MSAP, telles que la com-
mandabilité, l’observabilité et la platitude. Ces propriétés sont présentées dans le cas où
L2 est négligeable.
2.5.1 Commandabilité et observabilité

La commandabilité et l’observabilité du MSAP sont écrites dans cette section dans le
repère fixe a − b. On a donc le modèle du moteur dans le repère a − b (2.32) avec :
(
x = [ia , ib , θ, ω]T , les états,
T
u = [va , vb ] , les entrées.
Le modèle du moteur dans ce repère peut s’écrire sous la forme :
ẋ = f (x) + gu + p, (2.35)
avec    
1 1
(−Ria + Kω sin(np θ)) 0
 L  L
 1   1
 (−Rib − Kω cos(np θ)) , g = 0
  
f (x) = 
 L   L,
 ω  0 0
   
1
(K(−ia sin(np θ) + ib cos(np θ)) − fv ω) 0 0
J
 
0
 

 0 

p= .
 0 
 C 
r
− sgn(ω)
J
61
Commandabilité
La commandabilité locale des systèmes non linéaires est définie dans [Hermann 1977].
Si l’algèbre d’accessibilité de Lie du système est de rang plein, alors le système est loca-
lement commandable.
À partir de l’équation (2.35), on décompose la matrice g de la manière suivante :
   
1 0
L 1
   
g1 =  0  et g2 =  L  .
   
0 0
   
0 0
On calcule alors :  
0
 R 
 
 
g3 , [f, g2 ] =  L2 ,
 0 
 
 K 
− cos(np θ)
JL
et :  
K2
sin(np θ) cos(np θ)

 L2 J
2 2


 R K 2 
 3
− 2 cos(np θ) 
g4 , [f, g3 ] = 
 L LJ ,
K 
 cos(n p θ) 

 Kn JL 
p KR fv K 
ω sin(np θ) − cos(n p θ) − cos(np θ)
JL JL2 J 2L
on a alors :
 
1 K2
0 0 sin(np θ) cos(np θ)
L
 L2 J
2


 1 R R K2 2 
0 2 3
− 2
cos(n p θ) 
[g1 , g2 , g3, g4 ] =  L L L LJ ,

0 K 
0 0 cos(np θ) 
 JL 
 K Knp KR fv K 
0 0 − cos(np θ) ω sin(np θ) − cos(n p θ) − cos(np θ)
JL JL JL2 J 2L
qui est de rang 4, ∀x ∈ R4 , donc de rang plein. Le système est localement commandable.
Observabilité
L’observabilité est montrée dans ce paragraphe dans le but de réaliser la commande
sans capteurs. On souhaite observer la position et la vitesse du moteur à partir des équa-
62
tions électriques. Dans ce cas, les sorties sont les mesures des capteurs disponibles soit ia
et ib . Les entrées sont les tensions appliquées au moteur va et vb .
On a donc le modèle du moteur dans le repère a − b avec :

T
 x = [ia , ib , θ, ω] ,

 les états,
T
y = [ia , ib ] , les sorties,


 u = [v , v ]T , les entrées.
a b
Le modèle du moteur dans ce repère peut s’écrire sous la forme :

(
ẋ = f (x) + gu + p,
y = h(x).
avec :
 1   
(−Ria + Kω sin(np θ)) 1
 L  L 0
 1   1
 (−Rib − Kω cos(np θ))  0 
f (x) =  L , g =  ,
   L
 ω  0 0
   
1
(K(−ia sin(np θ) + ib cos(np θ)) − fv ω) 0 0
J
 
0
  " #

 0 
 ia
p=  et h(x) = .
 0  ib
 C 
r
− sgn(ω)
J
Le système est observable si l’algèbre des dérivées de Lie est de rang plein (de rang 4
dans ce cas) [Hermann 1977].
Dans le cas de notre système, on pose :




 h1 = ia ,


 h2 = ib ,

1
 h3 , Lf h1 = (−Ria + Kω sin(np θ)) ,

 L

 1
 h4 , Lf h2 = (−Rib − Kω cos(np θ)) .

L
63
On calcule alors :
 
 1 0 0 0
dh1  
   0 1 0 0 
 dh2   
 = R Knp ω .
 dh  − 0 cos(np θ) K sin(np θ) 
 3   L L 
dh4
 R Knp ω 
0 − sin(np θ) −K cos(np θ)
L L
qui est de rang plein si la vitesse ω est non nulle. Par conséquent, le système ayant comme
sorties ia et ib est observable à condition que la vitesse soit non nulle. Il est donc possible
d’observer la position θ et la vitesse ω à partir des tensions d’entrée et des courants
mesurées, si la vitesse est non nulle.
2.5.2 Platitude
L’objectif de commande du MSAP est la poursuite d’une trajectoire de référence. Pour
cela, nous utilisons la notion de platitude [Fliess 1995], définie comme suit.
Définition 2.1 Le système :
ẋ = f (x, u), x ∈ Rn , u ∈ Rm , (2.36)
est dit plat s’il existe un vecteur à m composantes indépendantes
z = z(x, u, u̇, . . . , u(p)), z ∈ Rm ,
appelée sortie plate, telle que l’état et l’entrée du système s’expriment en fonction de
celle-ci et de ses dérivées en nombre fini sous la forme :
(
x = φ(z, ż, . . . , z (q) ),
u = φ(z, ż, . . . , z (q+1) ).
Le nombre de sorties plates est égal au nombre de variables de commande indépen-

dantes. La notion de platitude a de multiples avantages. Un système plat est comman-
dable, observable et linéarisable par découplage entrées/états. De plus, la platitude facilite
la planification de trajectoires. A partir de la trajectoire de référence des entrées plates,
on peut calculer les états de référence du système ainsi que les entrées à appliquer au
système. Cependant, il n’existe pas de méthode systématique permettant de montrer la
64
platitude d’un système.

Platitude dans le repère d − q
La platitude du système a été montré dans [Sira-Ramírez 2000] dans le repère tournant
d − q.
Le MSAP est différentiellement plat lorsqu’il n’est pas perturbé (c’est-à-dire Cr = 0),
puisque toutes les variables peuvent être entièrement paramétrées en fonction de dérivées
des variables indépendantes constituées par le courant direct id et la position angulaire
du moteur θ. Les sorties plates, notées Ydq = (ydq,1 , ydq,2) = (θ, id ), donnent :


 θ = ydq,1 ,




 ω = ẏdq,1 ,



 id = ydq,2 ,


1
iq = (J ÿdq,1 + fv ẏdq,1 ) , (2.37)

 K

 np L


 vd = Lẏdq,2 + Rydq,2 − ẏdq,1 (J ÿdq,1 + fv ẏdq,1 ) ,

 K

 JL (3) 1 Rfv
 vq =
 y + (Lfv + RJ) ÿdq,1 + + K + np Lydq,2 ẏdq,1 .
K dq,1 K K
La trajectoire de référence est alors définie simplement en imposant les sorties plates
de références, toutes les autres variables étant alors définies par :

dθr


 ωr = ,

 dt 2


 1 d θr dθr
 iqr = J 2 + fv ,
K dt dt (2.38)
 didr


 vdr = L + Ridr − np Lωr iqr ,

 dt
 vqr = L diqr + Riqr + np Lωr idr + Kωr .


dt
On a ainsi le modèle de référence dans le repère tournant d − q :

 didr

 L = vdr − Ridr + np Lωiqr ,


 dt
 di
 L qr

= vqr − Riqr − np Lωidr − Kωr ,
dt (2.39)
 dωr

 J = Kiqr − fv ωr ,

 dt
 dθr


 = ωr .
dt
Platitude dans le repère f − g
65
La platitude dans le repère f − g est déduite du repère d − q. On suppose dans cette

section que θr est la position de référence du moteur. Afin d’effectuer le changement de
repère d − q au repère f − g, on rappelle la transformation (2.27) selon laquelle :
[if , ig ]T = U(δ) [id , iq ]T ,

[vf , vg ]T = U(δ) [vd , vq ]T , (2.40)
où " #
cos(np δ) − sin(np δ)
U(δ) = . (2.41)
sin(np δ) cos(np δ)
On déduit de cette transformation que les sorties plates du MSAP dans le repère f − g
sont Yf g = (yf g,1 , yf g,2) = (θ, if cos(np δ) + ig sin(np δ)). On réécrit toutes les variables du
système en fonction des variables plates. Les variables θ et ω restent inchangées :
(
θ = yf g,1 ,
(2.42)
ω = ẏf g,1 ,
Les courants if et ig sont exprimés de la façon suivante :
" #  
if yf g,2
= U(θ − θr )  1 , (2.43)
ig (J ÿf g,1 + fv ẏf g,1 )
K
et les tensions vf et vg donnent :

 
" # np L
vf Lẏf g,2 + Ryf g,2 − ẏf g,1 (J ÿf g,1 + fv ẏdq,1 )

= U(θ − θr )  JL K 
(3) 1 Rfv
.
vg yf g,1 + (Lfv + RJ) ÿf g,1 + + K + np Lyf g,2 ẏf g,1
K K K
(2.44)
La trajectoire de référence est alors définie. En posant θ = θr , on se retrouve dans le

cas ou δ est nul, ce qui correspond au modèle dans le repère d − q. En effet, on observe que
la matrice de transformation (2.41) est égale à la matrice identité I2×2 . Ainsi les variables
de référence sont alors calculées de la même façon que dans le repère d − q (2.38) :
66
2.6. Planification de la trajectoire

dθr


 ωr = ,

 dt 2


 1 d θr dθr
 igr = J 2 + fv ,
K dt dt (2.45)
 dif r


 vf r = L + Rif r − np Lωr igr ,

 dt
 vgr = L digr + Rigr + np Lωr if r + Kωr .


dt
Le modèle de référence dans le repère tournant de référence f − g est également
identique : 
 dif r

 L = vf r − Rif r + np Lωigr ,


 dt
 L digr


= vgr − Rigr − np Lωif r − Kωr ,
dt (2.46)
 dωr

 J = Kigr − fv ωr ,

 dt


 dθr
 = ωr .
dt
Dans la section suivante, une trajectoire de référence est proposée, étant donné que la
trajectoire de référence est identique dans les deux repères, on proposera la trajectoire de
référence dans le repère d − q.
2.6 Planification de la trajectoire

Dans la section précédente, nous avons montré que le MSAP était un système plat
ayant comme sorties plates la position θ et le courant direct id . La trajectoire de référence
du moteur est ainsi définie complètement à partir de ces deux sorties. Dans ce para-
graphe, nous définissons la trajectoire de la position de référence et du courant direct de
référence. Afin d’assurer un meilleur suivi de trajectoire, il est important que la trajectoire
de référence soit conçue de telle sorte que les dynamiques soient lisses. C’est-à-dire, sans
discontinuité, sans pic électrique ou ondulation de couple.
2.6.1 Position θr
L’asservissement du moteur est réalisé notamment à partir de la position, la vitesse
et l’accélération du moteur. Afin de générer une trajectoire lisse, il est suffisant que la
trajectoire de référence de ces trois variables aient une pente nulle à l’origine et à l’extré-
mité. Dans ce but, il faut choisir les huit contraintes de bord, sur la position, la vitesse,
l’accélération, mais également sur la dérivée de l’accélération. L’objectif étant faire tour-
67
ner le moteur d’une position initiale θr (ti ) = θri à une position finale θr (tf ) = θrf , en
garantissant les dynamiques sur la vitesse et l’accélération désirées, les contraintes sont
donc choisies telles que :


 θr (ti ) = θri ; θr (tf ) = θrf ;


 θ̇ (t ) = 0; θ̇r (tf ) = 0;
r i
(2.47)


 θ̈r (ti ) = 0; θ̈r (tf ) = 0;

 (3)
θr (ti ) = 0; θ̇r(3) (tf ) = 0.
Ayant huit contraintes, le polynôme minimal doit être de degré 7 :
θr (t) = θri + (θrf − θri )( a0 ∆(t)7 + a6 ∆(t)6 + a2 ∆(t)5 + a3 ∆(t)4

(2.48)
+a4 ∆(t)3 + a5 ∆(t)2 + a6 ∆(t) + a7 ),
avec :
t − ti
∆(t) = .
tf − ti
Afin d’obtenir les cœfficients de ce polynôme, il faut dériver l’équation (2.48) trois fois
pour obtenir l’équation de la vitesse, l’accélération et la dérivée de l’accélération. On a
alors quatre équations à résoudre à chaque bord, soit huit équations, pour huit cœfficients.
Ce système de huit équations pour huit inconnues est résolu à l’aide de Mapple. On obtient
les huit cœfficients suivants :
a0 = 20, a1 = −70, a2 = 84, a3 = −35,

a4 = 0, a5 = 0, a6 = 0, a7 = 0.
Tous les asservissements dans ce manuscrit suivront une telle position de référence.
Afin de montrer au mieux les performances des lois de commande proposées, nous défi-
nissons une trajectoire de référence dont la vitesse sera d’abord positive puis négative, ce
qui aura pour effet d’illustrer les performances des algorithmes lorsque la vitesse est très
faible et nulle. Pour cela, l’équation (2.48) est appliquée deux fois avec des contraintes
de positions initiale et finale différentes donnant la trajectoire de référence représentée
sur la Figure 2.3. La première partie de la trajectoire démarre avec une position nulle
(θi sur la Figure), pour atteindre une position intermédiaire positive (θm sur la Figure).
La vitesse sera alors positive. Afin de générer une vitesse négative, l’équation (2.48) est
appliquée une nouvelle fois afin de ramener la position du moteur à zéro (θf sur la Figure).
La trajectoire de référence utilisée dans ce mémoire montre effectivement qu’il n’y a ni
68
2.6. Planification de la trajectoire
discontinuités ni pics.
1
Position
θi = 0 θm
0.5 θf = 0
0
0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps
1
θ̇m = 0 θ̇f = 0
Vitesse
0
0
θ̇i = 0
−1
0 0.5 1 1.5 2 2.5 3 3.5 4
temps
Accélération
1 θ̈m = 0
00
−1 θ̈i = 0 θ̈f = 0
0 0.5 1 1.5 2 2.5 3 3.5 4

temps
Figure 2.3 – Trajectoire de référence
2.6.2 Courant direct idr

Dans le repère d − q, le modèle met en évidence le rôle du courant de quadrature iq
pour la détermination du couple, on rappelle l’équation mécanique dans le repère d − q
donnée par le système (2.33) :
dω
J = Kiq − fv ω − Cr sgn(ω). (2.49)
dt
Le couple peut être commandé en fonction de iq . Afin d’obtenir un couple maximal, c’est-
à-dire iq maximal, il est souhaitable de choisir un courant direct inférieur ou égale à 0. Le
courant direct sera alors choisi nul, sauf lors de l’identification en ligne, car un courant
69
direct nul pose des problèmes d’inversion de matrices. À ce propos, on pourra se référer
à [Verl 1998] où une trajectoire est définie afin de maximiser le couple.
2.7 Présentation du banc d’essai

Les expérimentations présentées dans les chapitres suivants sont réalisées sur un banc
d’essai développé au sein de l’équipe SyNeR du LAGIS. Le banc d’essai est composé
d’un moteur pas-à-pas, alimenté en tension par deux amplificateurs linéaires. Un frein à
poudre est connecté à l’arbre du moteur permettant de générer un couple de charge. Les
courants sont mesurés à l’aide de capteurs à effet hall. La position est mesurée par un
codeur absolu. La vitesse est mesurée par une dynamo tachymétrique. Le banc est relié
à un ordinateur à l’aide d’une carte d’interface dSpace 1104. La vue d’ensemble du banc
moteur est représentée Figure 2.4, ainsi que le schéma synoptique Figure 2.5.
Figure 2.4 – Banc d’essai du moteur pas-à-pas.
Le moteur : celui utilisé est un moteur Turbo Disc P850 - Portescap. Son rotor
est composé d’un aimant ayant la forme d’un disque fin qui est magnétisé de façon axiale
(voir la Figure 2.6). Les caractéristiques données par le constructeur avec les enroulements
branchés en série sont les suivantes :
Le codeur de position : la postion est mesurée avec un codeur GA 240 de IVO
industries. C’est un codeur optique absolu monté en bout d’arbre. Il a une précision 13
bits - 8192 points soit de l’ordre de 7.67.10−4rad. Il est codé en code binaire.
70
2.7. Présentation du banc d’essai
Ordinateur
Carte dSpace
DS 1104
Carte Frein à Codeur Dynamo

d’amplification poudre optique tachymétrique
Cr θ ω
va va Moteur
Capteurs de
vb courants vb Pas à Pas
ib ia
Figure 2.5 – Schéma global du moteur.
Figure 2.6 – Principe de magnétisation.
Le banc de charge / dynamo tachymétrique : le banc de charge du moteur est

un banc FR-DYN90 de la marque Langlois. Il est équipé d’une dynamo tachymétrique
permettant de mesurer la vitesse angulaire, avec une sensibilité de 101.5rad.s−1V −1 . Le
banc est également constitué d’un frein à poudre alimenté par une tension entre 0 − 10V
71
Courant nominal : In = 1.8A Précision : 1.8 (200 pas)

Inertie : J = 150.10−7kg.m2 Paires de dents : np = 50
Couple de maintien : Cm = 780.10−3 N Résistance : R = 2.6Ω
Frottements visqueux : fv = 10−3 N.m.s/rad Inductance : L = 6.4mH
fournissant un couple de charge.

L’alimentation du moteur : les tensions de chaque phases du moteur sont amplifiées
par deux amplificateurs opérationnels OPA 541 de Burr-Brown (±40V − 10A). Chaque
carte possède quatre entrées à gains variables.
Les capteurs de courant : les capteurs de courant utilisent le principe de mesure
par effet hall. Les deux capteurs de courant sont des transducteurs de courant de type HX
03-P de LEM Components. Ils ont une précision de 1%, et une sensibilité de 7.5A.V −1
Matériel et logiciels : le matériel utilisé pour les expérimentations est une carte
dSpace 1104. Cette carte permet la communication entre le PC et le banc moteur. Elle
peut être programmée soit à l’aide du logiciel Matlab/Simulink, soit en C. Le logiciel
Control Desk permet la communication en temps réel avec le banc. Les expérimentations
sont réalisées avec une période d’échantillonnage τ = 10−4 s.
2.8 Conclusion
Le modèle du moteur à aimants permanents décrit dans ce chapitre a été donné dans
différents repères. Une fois les équations établies dans le repère fixe a − b, nous avons
rappelé le modèle dans le repère d − q. Cette transformation est couramment utilisée pour
les moteurs à aimants permanents (et moteurs synchrones en général), car les tensions
et les courants sont constants à vitesse contante (plutôt que les hautes fréquences des
variables de phase). De plus, ce modèle reflète le rôle du courant de quadrature iq pour
déterminer le couple. Cependant la transformation d − q, basée sur la position n’est pas
utilisable dans le cadre d’applications sans capteur mécanique. Pour cela, nous avons
mis au point un nouveau repère. Ce repère utilise une position de référence au lieu de la
position mesurée. Lorsque cette position de référence tend vers la position réelle, ce repère
tend vers le repère d − q. Nous avons donc les propriétés avantageuses du repère d − q,
sans avoir besoin de la position. De plus, ce repère à l’avantage d’être valide même si la
position de référence n’est pas exactement égale à la position réelle. Ces différents modèles
nous permettront de développer des algorithmes utilisant les capteurs mécaniques dans un
premier temps, puis sans capteur mécanique ensuite. Ces résultats seront respectivement
72
2.8. Conclusion
présentés dans les chapitres 3 et 4.
73
74
Chapitre 3
Identification et commande en présence

de capteurs mécaniques
Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.2 Identification hors ligne . . . . . . . . . . . . . . . . . . . . . . . 77
3.2.1 Estimation des paramètres sur la base des mesures en régime

permanent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.2.2 Estimation de l’inertie sur la base de mesures en régime transitoire 80
3.2.3 Détection de l’angle de décalage du codeur (offset) . . . . . . . 81
3.3 Commande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.3.1 Définition de l’erreur de poursuite . . . . . . . . . . . . . . . . 90
3.3.2 Commande par modes glissants d’ordre 2 . . . . . . . . . . . . 90
3.3.3 Estimations de l’accélération et du couple résistant . . . . . . . 93
3.3.4 Stabilité de la boucle fermée basée sur l’observateur . . . . . . 95
3.3.5 Résultats expérimentaux . . . . . . . . . . . . . . . . . . . . . . 97
3.4 Identification en ligne . . . . . . . . . . . . . . . . . . . . . . . . 100
3.4.1 Paramètres électriques . . . . . . . . . . . . . . . . . . . . . . . 100
3.4.2 Paramètres mécaniques . . . . . . . . . . . . . . . . . . . . . . 105
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
75
Chapitre 3. Identification et commande en présence de capteurs mécaniques
3.1 Introduction
Dans ce chapitre, nous développons des techniques d’identification, d’estimation et de

commande pour le MSAP en présence de capteurs mécaniques.
Dans un premier temps, nous nous intéressons à l’identification hors-ligne des para-
mètres. En utilisant le modèle dans le repère d−q (2.26), une procédure d’identification de
tous les paramètres du moteur en utilisant la technique par moindres carrés sera réalisée.
Cette identification permettra ainsi d’obtenir un jeu de paramètres pour le MSAP qui
sera considéré comme étant le jeu de paramètres de référence du moteur.
Cette identification est réalisable seulement si le codeur de position est correctement
calibré. Cependant, la plupart des applications industrielles utilisent des codeurs incré-
mentaux. Ces codeurs sont remis à zéro chaque fois qu’ils sont mis sous tension. Ceci
pose la question de l’initialisation de la position initiale. En général, de tels codeurs sont
initialisés en alignant une dent du moteur à la phase a en appliquant une tension va , mais
cette technique pose des problèmes en présence d’un couple résistant trop élevé. On don-
nera dans ce chapitre une solution permettant l’identification conjointe des paramètres du
moteur et de l’angle d’offset du moteur. Des expérimentations montreront la robustesse
de cette technique en présence d’un couple résistant. Ces identifications montreront aussi
que l’inductance L2 est très inférieure à L0 , qui pourra donc être négligée par la suite.
Disposant des paramètres nominaux du moteur, nous discuterons de la commande du
moteur en boucle fermée. Nous présenterons une commande par modes glissants d’ordre
supérieur basée sur la propriété de platitude du moteur. Cette commande nécessite la
connaissance de l’accélération, alors que celle-ci n’est pas mesurée. On définira alors un
observateur permettant d’accéder à cette information. Les résultats expérimentaux seront
présentés dans le cas du suivi de position, avec la trajectoire de référence définie dans le
chapitre 2.
La dernière partie de ce chapitre présentera les résultats d’estimation en ligne. En
effet, les paramètres du moteur sont susceptibles de varier au cours du temps, en raison
de l’usure ou de la chauffe du moteur, par exemple. Dans cette partie, nous appliquerons
et comparerons les algorithmes d’identification en ligne décrits dans le chapitre 1. On
discutera des avantages et des inconvénients de chaque méthode.
76
3.2. Identification hors ligne
3.2 Identification hors ligne

Nous développons ici des algorithmes permettant l’identification hors ligne de tous les
paramètres du MSAP en présence de capteurs mécaniques. En présence de tels capteurs, le
repère d−q est intéressant pour réaliser l’identification hors ligne. La plupart des variables
peuvent être identifiées à partir de mesures en régime permanent. À vitesse constante,
les tensions et les courants sont constants. Il est alors possible de relever les mesures sur
un certain intervalle de temps et d’en faire la moyenne. Les effets du bruit et des erreurs
de modélisation sont alors réduits. De tels effets comprennent le couple de détente, les
biais des amplificateurs de tensions, les biais de mesures des courants, et les distorsions
des amplificateurs. L’inertie seulement n’est pas identifiable en régime permanent, une
approche en régime transitoire est alors décrite par la suite pour identifier ce paramètre.
3.2.1 Estimation des paramètres sur la base des mesures en ré-

gime permanent
En régime permanent, nous utilisons les équations du modèle d − q (2.26). Pour iden-
tifier les paramètres, les expérimentations sont réalisées en appliquant différents couples
de tensions vd et vq au moteur. Chaque couple de tensions est appliqué au moteur jus-
qu’à ce que le régime permanent soit atteint, on obtient alors des vitesses et des courants
(approximativement) constants. On calcule alors la moyenne de ces variables sur un court
intervalle de temps, ce qui donne un point de données pour l’algorithme des moindres car-
rés. L’opération est répétée pour chaque couple de tensions, couvrant toute la gamme de
vitesse du moteur, jusqu’à l’obtention d’un ensemble de données suffisant pour identifier
les paramètres.
En régime permanent, les équations électriques dans le repère d − q deviennent :
 
R
" # " # 
vd id 0 −np ωiq 0  Ld 
=  , (3.1)
vq iq np ωid 0 ω  L
 q 

qui sont linéaires par rapport aux paramètres, de sorte que l’algorithme standard des
moindres carrés est applicable afin d’identifier les paramètres R, Ld , Lq et K. On considère
l’équation (1.22) :
y1 [n] = W1T [n]Pnom,1 , (3.2)
77
où le vecteur de sortie est défini par

" #
vd [n]
y1 [n] = ,
vq [n]
la matrice de régression par

" #
id [n] 0 −np ω[n]iq [n] 0
W1T [n] = ,
iq [n] np ω[n]id [n] 0 ω[n]
et le vecteur de paramètres nominaux par :

 
R
 
 Ld 
Pnom,1 =
 .

L
 q 
K
Alors, L0 = (Ld + Lq )/2 et L2 = (Ld − Lq )/2.

Les estimations de R̂, Lˆd , L̂q et K̂ obtenues dans la première étape sont alors utilisées
dans l’équation mécanique afin d’identifier les deux paramètres restant fv et Cr , avec :
" #
h i h i fv
K̂iq [n] + np (L̂d − L̂q )id [n]iq [n] = ω[n] sgn(ω[n]) . (3.3)
| {z } | {z } Cr
y2 W2 | {z }
Pnom,2
À nouveau, l’équation (3.3) est linéaire par rapport aux paramètres, tel que l’algorithme
des moindres carrés peut être appliqué pour obtenir l’estimation de fv et Cr .
Les résultats de l’identification en utilisant cette procédure à deux étapes sont donnés
dans la Table 3.1. Afin de vérifier la cohérence des résultats, la Figure 3.1 décrit l’évolution
du vecteur de sortie de (3.1) en fonction de ω, ainsi que l’ajustement de l’algorithme
des moindres carrés (c’est-à-dire W1T (n)P1 , où P1 est l’estimation des paramètres par
les moindres carrés). On utilise le jeux de données décrit ci-dessus. Les composantes du
vecteur de sortie (les tensions vd and vq ) ont un aspect déchiqueté dû au fait que différents
couples de tensions peuvent donner la même vitesse en régime permanent. Ces valeurs
multiples sont volontairement appliquées pour augmenter la richesse des données. La
correspondance des moindres carrés avec les données sur la figure est très bonne.
Le résultat de l’ajustement de l’équation mécanique équation (3.3) est montré sur la
78
Figure 3.2. Dans ce cas, la variable de sortie est le couple noté y2 . La figure montre de
très bons résultats bien que quelques effets non modélisés soient visibles. Ces effets n’ont
pas une très grande importance car ils sont généralement compensés en boucle fermée.
Paramètres Identification
R(ω) 2.86
L0 (mH) 10.2
L2 (mH) −0.52
K(Nm.A−1 ) 0.26
fv (Nms/rad) 2.37.10−4
Cr 0.0752
J(kg.m2 ) 3.18.10−4
Table 3.1 – Résutat de l’estimation des paramètres dans le repère d − q.
10
vd
vd , v̂d (en V )
0 v̂d
−10
−20
−30
0 20 40 60 80 100 120
ω en rad.s−1
30
vq
vq , v̂q (en V )
20 v̂q
10
−10
0 20 40 60 80 100 120
ω en rad.s−1
Figure 3.1 – Représentation de l’identification des paramètres électriques dans le repère

d − q.
79
y2
y2 , ŷ2 (en Nm)
ŷ2
0.2
0.1
0
0 20 40 60 80 100 120
ω en rad.s−1
Figure 3.2 – Représentation de l’identification des paramètres mécaniques dans le repère

d − q.
3.2.2 Estimation de l’inertie sur la base de mesures en régime

transitoire
L’inertie J n’affecte pas les dynamiques en régime permanent et est le seul paramètre
qui nécessite la mesure d’une réponse en régime transitoire. À partir des estimations K̂,
fˆv , et Ĉr obtenues en régime permanent, l’équation mécanique dans le repère d − q peut
s’écrire sous la forme :
h i h i
dω
K̂iq + np (L̂d − L̂q )id iq − fˆv ω − Ĉr sgn(ω) = J , (3.4)
| {z dt | {z }
} | {z }
y3 W3 Pnom,3
qui est linéaire par rapport au paramètre J à identifier. Un échelon de tension est appli-
qué au moteur pour obtenir une accélération significative dω/dt, qui est nécessaire pour
obtenir l’inertie. L’accélération angulaire peut être reconstruite de différentes manières.
On pourrait utiliser par exemple des différentiateurs algébriques ou par modes glissants.
Cependant, dans ce cas, les calculs sont réalisés hors ligne, l’accélération angulaire peut
être reconstruite à partir de la vitesse en utilisant l’équation aux différences (la différence
de vitesse sur une période d’échantillonnage) :
Ω(k) − Ω(k − 1)
Ω̇(k) = . (3.5)
T
Le signal résultant est filtré à l’aide d’un filtre passe-bas pour réduire le bruit causé
par cette méthode de dérivation. Expérimentalement, un filtre Butterworth du troisième
ordre est utilisé avec une fréquence de coupure à 500Hz. La fonction filtfilt de Matlab
80
est utilisée pour ne pas introduire de retards. Notons qu’en général, la vitesse doit être
reconstruite à partir de la position en utilisant une méthode similaire. Cependant, le banc
d’essai utilisé pour les expériences présentées dans ce travail possède un tachymètre en
plus du codeur. Il n’est donc pas nécessaire de procéder ainsi.
Lorsque l’échelon de tension change, la vitesse varie rapidement, ce qui donne le profil
d’accélération représenté sur la Figure 3.3. La réponse présente des pics correctement
atteints par l’ajustement par moindres carrés. La valeur de l’inertie est reportée dans la
Table 3.1.
0.4
y3
y3 , ŷ3 (en N.m)
0.2 ŷ3
−0.2
−0.4
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (en s)
Figure 3.3 – Estimation de l’inertie dans le repère d − q.
Ce paragraphe présente une classique approche permettant l’identification hors-ligne

des paramètres du moteur en présence d’un capteur de position. Les paramètres obtenus
sont validés expérimentalement et donnent un jeu de valeurs de référence pour la suite de
ce manuscrit. Cependant, cette approche suppose que le codeur soit correctement calibré.
Dans la section suivante, une approche est proposée lorsque le codeur n’est pas calibré.
3.2.3 Détection de l’angle de décalage du codeur (offset)

Dans les applications industrielles, les capteurs de position typiquement utilisés sont
des codeurs incrémentaux. Avec de tels capteurs, la position initiale est la position du
moteur à l’instant où le capteur est alimenté. Cependant, les méthodes de commande
utilisant la transformation d − q exigent que la position zéro soit alignée avec un aimant
permanent. Une procédure initiale doit donc être mise en œuvre pour annuler le déca-
lage de la position initiale. Généralement, celle-ci est réalisée en appliquant un courant
important à une phase du moteur, imposant à la dent du rotor la plus proche de l’enrou-
lement de s’aligner sur celui-ci. Dans ce qui suit, on nommera cette procédure “méthode
par alignement”. Cependant, cette technique suppose que la charge et le couple de friction
81
soient suffisamment faibles de telle sorte que la position se cale à la valeur désirée. Dans
la littérature, la calibration de l’angle a été traitée de différentes façons. On citera par
exemple [Jung 1998], où la procédure proposée ne permet pas d’identifier les paramètres
en même temps que l’offset. Dans [Konghirun 2005] l’approche proposée utilise un QEP
(Quadrature Encodeur Pulse) mais elle ne s’applique pas à tous les codeurs. Dans ce pa-
ragraphe, nous montrons qu’une estimation jointe des paramètres du moteur de l’offset
est possible en utilisant un algorithme simple, les moindres carrés.
3.2.3.1 Procédure d’identification
a
δ θd
θ0
Stator
N
S
S
b′ b
N
N
S
Rotor
a′
Figure 3.4 – Représentation du moteur à l’alimentation.
La Figure 3.4 représente la situation du moteur lors de l’alimentation. θ0 et θd re-

présentent respectivement l’angle initial du moteur et l’angle initial désiré, δ = θd − θ0
représente l’offset entre les deux angles. En appliquant la transformée de Park (2.14) à
partir de l’angle désiré, on obtient :
" #
cos(np (θ0 + δ)) sin(np (θ0 + δ))
U(θd ) = U(θ0 + δ) = . (3.6)
− sin(np (θ0 + δ)) cos(np (θ0 + δ))
Ceci nous amène à la transformation (2.27) avec δ constant. On obtient alors les équations
électriques du moteur en présence d’un offset dans le repère f − g (2.30). En régime
82
permanent, les variables dans le repère f − g se ramènent à :

" # " # " #
vf if −Ψf
=R + np ω . (3.7)
vg ig Ψg
où :
 
" # L0 + L2 cos(2np δ) −L2 sin(2np δ) " #
Ψf   if
= 
 −L2 sin(2np δ) L0 − L2 cos(2np δ) 

Ψg ig
" #
sin(np δ)
+K . (3.8)
cos(np δ)
On peut réécrire l’équation (3.8) sous la forme (1.22) :
y4 [n] = W4T [n]Pnom,4 , (3.9)
avec :
" #
vf [n]
y4 [n] = ,
vg [n]
 
if [n] ig [n]
 
 np ω[n]if [n] −np ω[n]ig [n]
 
−n ω[n]i [n] 0 
 p g 
W4 [n] =  ,

 0 np ωi f [n] 

 
 ω[n] 0 
0 ω[n]
h iT
Pnom,4 = p1 p2 p3 p4 p5 p6 .
À partir de l’estimation du vecteur P4 , l’estimation q

des paramètres originaux peut être
déduite en utilisant R = p1 , L0 = (p3 + p4 )/2, K = p25 + p26 , L2 = (p25 + p26 )p2 /(2p5 p6 ),
83
et 
 p5

 arctan /np si ĉ > 0,


 p6

si



 π/2np ŝ = 1,




 −π/2np si ŝ = −1,

 arctan p5 − π /n


p si ĉ < 0,
δ= p6 (3.10)



 et ŝ > 0,


 p5


 arctan + π /np si ĉ < 0,


 p 6



 et ŝ < 0,



q q
où ĉ = p6 / p5 + p6 , ŝ = p5 / p25 + p26 sont respectivement les estimations de cos(np δ) et
2 2
sin(np δ).
Les expérimentations sont réalisées de la même façon que pour l’identification dans le
repère d−q à la différence que la position réelle n’étant pas connue, les tensions appliquées
sont les tensions vf et vg . En raison de la stabilité du moteur en boucle ouverte, la vitesse
converge malgré l’offset de position. Afin d’évaluer les résultats, l’identification est réalisée
d’abord sans considérer l’offset, ce qui nous ramène à l’identification réalisé dans la section
3.2.1, puis en considérant cet offset.
La Figure 3.5 décrit l’évolution du vecteur de sortie en fonction de la vitesse ω, qui est
le même dans les deux cas. Les composantes du vecteur de sortie sont les tensions vf and
vg . Les courbes vertes montrent l’ajustement par moindres carrés lorsque l’offset n’est pas
estimé, tandis que les courbes rouges représentent l’ajustement en considérant l’estimation
de l’offset. La figure montre que les données collent parfaitement lorsque l’offset est inclus
mais pas dans l’autre cas. Les valeurs estimées sont données dans la Table 3.2. Celle-ci
montre également que l’identification sans considérer l’offset est mauvaise, tandis que les
résultats de l’identification utilisant l’estimation de l’offset sont proches de ceux obtenus
−1.08
dans le repère d − q. L’angle estimé lors de cette expérience est δ = rad = −1.24◦ ,
50
soit 62 degrés électriques.
Remarque 3.1 Les identifications réalisées précédemment montrent que l’inductance L2

est très faible par rapport à l’inductance L0 . Par conséquent, l’inductance L2 sera négligée
dans la suite du manuscrit. Les équations du moteur dans le repère d − q sont alors
représentés par le système (2.33) et dans le repère f − g par le système (2.34).
84
Paramètres Sans δ Avec δ

R(Ω) 3.69 2.80
L0 (mH) 10.2 9.8
L2 (mH) −0.36 −0.59
K(Nm.A−1 ) 0.088 0.29
δ(rad) X −21.7.10−3
Table 3.2 – Résultat de l’estimation des paramètres en présence de l’offset.
10
vf
sans δ
vF , v̂F (V )
0
avec δ
−10
−20
0 5 10 15 20 25 30 35 40 45 50
ω (en rad.s−1 )
30
vg
sans δ
vG , v̂G (V )
20
avec δ
10
−10
0 5 10 15 20 25 30 35 40 45 50
ω (en rad.s−1 )
Figure 3.5 – Représentation de l’identification des paramètres électriques et de l’offset.
3.2.3.2 Identification rapide de l’offset :
L’identification conjointe des paramètres du moteur et de l’offset a été présentée précé-

demment. Cet algorithme propose l’identification de cinq paramètres simultanément. Ceci
nécessite un jeu de données suffisamment riche afin que tous les paramètres soient cor-
rectement identifiés. Ici nous présentons une identification rapide de l’offset. Étant donné
que cet offset est constant, on va montrer que l’identification de ce paramètre seul peut
être réalisée avec très peu de données. Bien que les paramètres du moteur doivent être
connus pour réaliser cette identification, elle reste néanmoins intéressante. Les paramètres
n’ont pas besoin d’être identifiés chaque fois que le codeur est mis sous tension, une pro-
85
cédure rapide est alors suffisante. De plus, en présence d’un couple résistant élevé, il n’est
pas forcément possible de faire tourner le moteur sur une gamme de vitesse suffisamment
étendue. Dans ce paragraphe, nous montrons que seulement quatre jeux de données à
faibles vitesses sont suffisants pour identifier l’offset.
En négligeant le terme L2 , on obtient alors les équations électriques du moteur en
présence d’un offset dans le repère f − g, soit l’équation (2.34) sous la forme suivante :

 L dif = vf − Rif + Kω sin(np δ) + np Lωig ,

dt (3.11)
 dig
 L = vg − Rig − Kω cos(np δ) − np Lωif .
dt
En considérant que les paramètres R, L et K sont connus, cette équation est linéaire
par rapport à l’offset à estimer, et peut être réécrite sous la forme (1.22) :
y5 [n] = W5T [n]Pnom,5 , (3.12)
avec :
" #
vf [n] − Rif [n] + np Lω[n]ig [n]
y5 [n] = ,
vg [n] − Rig [n] − np Lω[n]if [n]
" #
−Kω[n]
W5 [n] = ,
Kω[n]
h iT
Pnom,5 = p5 p6 ,
où δ est déterminé par les conditions (3.10) de façon à ce que l’algorithme des moindres
carrés soit applicable.
Lors de cette procédure, seulement un paramètre constant est recherché, l’offset. Dans
ce cas, quatre jeux de données sont suffisants pour l’identification. La procédure d’initia-
lisation, lorsque tous les autres paramètres sont connus, est très rapide. On utilise quatre
couples de tension vf et vg menant à des vitesse vitesses égales à 3, 6, −3 et −6rad.s−1
(approximativement). Il n’est pas nécessaire de couvrir toute la gamme de vitesse car
l’offset ne varie pas en fonction de la vitesse. Les résultats sont comparés à l’initialisation
utilisant la “méthode par alignement” présenté dans l’introduction de cette section, le
courant sur la phase a étant généré en appliquant une tension va = 10V .
Initialisation sans couple résistant additionnel
86
Dans un premier temps, l’identification est réalisée sans ajouter de couple résistant
afin d’avoir une valeur de référence de l’offset. En appliquant une tension va = 10V , on
obtient un angle de 0.069rad soit un angle de 3.95°. Sachant que le moteur a 50 dents,
il y a donc un écart de 7.2° entre chaque dent. Avec l’algorithme des moindres carrés, on
obtient un angle de 0.067rad soit 3.84°. La Figure 3.6 représente le vecteur de sortie y de
(3.12) (en bleu), son identification en utilisant le paramètre identifié par moindres carrés
(en vert), et en utilisant le paramètre identifié par alignement (en rouge). On observe sur
cette figure que les trois courbes sont très proches, reflétant une bonne identification du
paramètre avec chacune des deux méthodes.
2
y5,1 (en V )
y5,1
0 ŷ5,1,1
ŷ5,1,2
−2
−8 −6 −4 −2 0 2 4 6 8
ω en rad.s−1
4
y5,2 (en V )
2 y5,2
0 ŷ5,2,1
−2
ŷ5,2,2
−4
−8 −6 −4 −2 0 2 4 6 8
ω en rad.s−1
Figure 3.6 – Représentation de l’identification de l’angle δ sans couple additionnel.
Afin de vérifier le comportement en boucle fermée, on réalise un suivi de trajectoire en

utilisant la commande proportionnelle intégrale décrite dans [Blauch 1993]. Ici, l’objectif
n’est pas de discuter des performances de la commande, mais seulement de vérifier que
l’alignement est correctement réalisé afin de permettre un asservissement en boucle fermée
du moteur (la commande du moteur est discutée plus en détail dans la section suivante).
On montre sur la Figure 3.7 la trajectoire de référence (en bleu) et le suivi de trajectoire
lorsque l’offset est estimé en utilisant les moindres carrés (en vert, ∗1 ) et à l’aide de la
“méthode par alignement” (en rouge, ∗2 ), avec ∗ ∈ {θ, ω} et ∗∗ ∈ {1, 2}. Dans les deux
cas, le suivi de trajectoire est identique et correct.
Initialisation en présence de couple résistant additionnel
Les expérimentations sans couple résistant additionnel ont montré que les deux procé-
dures donnaient un angle de décalage identique et correct. Afin d’illustrer les propriétés de
87
10
θ∗ (en rad)
θr
5 θ1
θ2
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
temps (en s)
ω∗ (en rad.s−1 )
5
ωr
0 ω1
ω2
−5
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
temps (en s)
Figure 3.7 – Suivi de trajectoire sans couple additionnel.
robustesse de la procédure d’identification par moindres carrés introduite dans ce travail,

on réalise des expérimentations en présence d’un couple résistant additionnel (qui n’est
pas mesurable sur le banc) produit par le frein à poudre. Plusieurs couples différents sont
appliqués au moteur. Les expériences montrent que pour une tension de 8V appliquée au
moteur, la méthode d’alignement montre ses limites.
On réalise la même expérience que précédemment. Dans ce cas l’angle δ, relevé par la
méthode d’alignement est de 0.08rad, alors que dans le cas des moindres carrés, on obtient
δ = 0.068rad. Les moindres carrés montrent des résultats similaires aux expériences sans
frein. Afin de vérifier ces identifications, on trace sur la Figure 3.8 le résultat des identi-
fications. On voit très clairement que la courbe rouge correspondant à l’initialisation par
alignement ne suit pas les deux autres.
L’offset est compensé en utilisant les deux résultats obtenus pour le même asservisse-
ment que celui réalisé sur la Figure 3.7. Les résultats sont tracés sur la Figure 3.9. Dans le
cas de l’identification par alignement (en rouge sur la figure), on observe que l’alignement
n’est pas correctement réalisé. Ceci se traduit par le fait que le moteur démarre dans le
sens inverse de celui désiré. L’asservissement n’est alors pas réalisable. À l’inverse pour
la méthode par moindres carrés, le suivi de trajectoire est correctement réalisé, bien que
le moteur atteigne difficilement la vitesse de référence au démarrage, en raison du couple
résistant additionnel, celui-ci étant inconnu et non compensé dans la commande.
Dans cette section, nous avons montré une procédure d’identification de l’angle de
décalage du codeur. On a montré que cette approche était performante même en présence
88
3.3. Commande
2
y5,1 (en V ) y5,1
0 ŷ5,1,1
ŷ5,1,2
−2
−8 −6 −4 −2 0 2 4 6 8
ω en rad.s−1
4
y5,2 (en V )
2 y5,1
0 ŷ5,2,1
−2
ŷ5,2,2
−4
−8 −6 −4 −2 0 2 4 6 8
ω en rad.s−1
Figure 3.8 – Représentation de l’identification de l’angle δ avec couple additionnel.
6
θ∗ (en rad)
4 θr
2 θ1
0 θ2
−2
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
temps (en s)
ω∗ (en rad.s−1 )
6
4 ωr
2 ω1
ω2
0
−2
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
temps (en s)
Figure 3.9 – Suivi de trajectoire avec couple additionnel.
d’un couple résistant important. À l’inverse, la “méthode par alignement” ne permet pas
la convergence de la position vers la valeur désirée lorsque le couple est trop important.
3.3 Commande
Sur la base des paramètres estimées précédemment et de l’alignement du codeur de
position, une loi de commande pour le MSAP est présentée dans cette section. La com-
mande est développée pour l’asservissement en position du moteur. Dans cette section,
89
la loi de commande choisie est une loi par modes glissants d’ordre 2 appliquée dans le
repère d − q (ce qui est possible puisque la position est ici mesurée). Afin de réaliser cette
commande, il faut tout d’abord définir l’erreur de poursuite.
3.3.1 Définition de l’erreur de poursuite

Le but est de stabiliser l’erreur de poursuite à l’origine afin de réaliser un asservisse-
ment de position. Pour cela, l’erreur de poursuite est définie par :
ec = [ed , eq , eω , eθ ]T = [id − idr , iq − iqr , ω − ωr , θ − θr ]T ,
dont les dynamiques sont données par :

 1

 ėd = (v d − Red + np L(eω eq + eω iqr + eq ωr )),

 L


 ė 1
q = (v q − Req − np L(eω ed + eω idr + ed ωr ) − Keω ),
L (3.13)
 1


 ėω = (Keq − fv eω − Cr sgn(ω)) ,


 J
ėθ = eω ,
avec v d = vd − vdr et v q = vq − vqr .

La relation entre les sorties plates et les entrées de commande s’écrit :
1
ėd = v d + µ1 (e),
L (3.14)
(3) K fv 1
eθ = v q + µ2 (e) + 2 Ċr ,
JL J J
où :
1
µ1 (e) = (−Red + np L(eω eq + eω iqr + eq ωr )) ,
L (3.15)
K fv
µ2 (e) = − (Req + np L(eω ed + eω idr + ed ωr ) + Keω ) − 2 (Keq − fv eω ).
JL J
3.3.2 Commande par modes glissants d’ordre 2

Dans ce paragraphe, on suppose que toutes les variables d’états sont accessibles. On
souhaite assurer la stabilité à l’origine du système (3.13). Dans cette section, les pertur-
bations sont inconnues, mais on supposera que ces perturbations ainsi que leur dérivée
par rapport au temps sont bornées. Il est alors nécessaire de proposer une loi de com-
mande garantissant la stabilité malgré ces perturbations. D’après les équations (3.14),
90
3.3. Commande
on doit réaliser une loi de commande pour le suivi de position et une loi pour le suivi
du courant direct. La commande développée dans cette section s’appuie sur les résultats
de [Nollet 2008]. Cependant, quelques modifications sont réalisées afin de l’améliorer.
3.3.2.1 Suivi du courant direct
Un algorithme par modes glissants d’ordre 1 serait suffisant dans ce cas puisque le
degré relatif est 1. Cependant le phénomène de chattering serait plus important si la
commande discontinue était appliquée directement à la dérivée temporelle du courant.
On propose alors une commande d’ordre 2 afin que l’action discontinue soit appliquée sur
la dérivée seconde.
Afin d’assurer le suivi du courant direct, on choisit la variable de glissement suivante :
Sd = ed . (3.16)
La dérivée de cette variable est donnée par :
1
Ṡd = ėd = v d + µ1 (e). (3.17)
L
où :
1
µ1 (e) =(−Red + np L(eω eq + eω iqr + eq ωr )) , (3.18)
L
La commande apparaissant dans la première dérivée, le système est de degré relatif 1 par
rapport à la variable de glissement. On utilise alors l’algorithme du Super Twisting qui
ne nécessite que la connaissance de ed .
On définit d’abord un retour statique v d :
1
v d = −µ1 (e) + ust(Sd ). (3.19)
L
La dérivée seconde de la surface est alors donnée par :
1
S̈d = u̇st = −αsgn(Sd ) − λ|Sd |−1/2 Ṡd . (3.20)
2
Cette forme est similaire à l’équation (1.10) où φ = 0 et ϕ = 1. Afin de vérifier les

conditions de convergence (1.14) données par [Levant 1993], les paramètres α et λ peuvent
être choisis strictement positifs pour assurer la convergence en temps fini vers la surface
Sd = 0.
91
La détermination des gains de commande peut également se faire en considérant le

système (1.16) avec des perturbations nulles. La dérivée de la fonction de Lyapunov (1.19)
est ainsi donnée par :
V̇ = |ψ|−1 ψ T (M T P + P M)ψ, (3.21)
" #
−λ 1
avec P définie positive et M = .
−α 0
Les gains α et λ doivent être choisis de telle sorte que :
−Q1 = M T P + P M (3.22)
avec Q1 définie positive.

Cette condition est vérifiée si la matrice M est Hurwitz. Pour cela on a :
tr(M) = −λ,
(3.23)
det(M) = α.
En choisissant α et λ strictement positifs, cette condition est vérifiée.
3.3.2.2 Suivi de position
La variable de glissement suivante est choisie :
Sθ = keθ + ėθ , (3.24)
avec k > 0. De plus, la variable de glissement dépend de la position et de la vitesse

seulement et ne dépend pas des paramètres.
Le système a un degré relatif égal à 2 par rapport à Sθ est les dérivées successives de
Sθ sont :
Ṡθ = k ėθ + ëθ ,

S̈θ = k ėω + ëω

k K k fv (3.25)
= (Keq − fv eω ) + v q + µ2 (e) − − 2 Cr sgn(ω)
J JL J J
1 dCr
− sgn(ω).
J dt
Dans le paragraphe 1.3.2, nous avons présenté l’algorithme du Twisting pour traiter les
systèmes de degré relatif égal à deux. Dans [Nollet 2008], l’algorithme du Twisting échan-
92
3.3. Commande
tillonné est utilisé. Cet algorithme ne nécessite pas la dérivée par rapport au temps de la
variable de glissement, mais il utilise la différence de la variable sur une période d’échan-
tillonnage. Cette différence est très sensible au bruit de mesures.
L’entrée v q est, quant à elle, définie par :
K k
v q = − (Keq − fv eω ) − µ2 (e) + wt (Sθ , Ṡθ ). (3.26)
JL J
On a alors :
S̈θ = φ1 (t) + wt (Sθ , Ṡθ ), (3.27)
avec :
k fv 1 dCr
φ1 (t) = − − 2 Cr sgn(ω) − sgn(ω). (3.28)
J J J dt
Pour garantir la convergence en temps fini vers la surface Sθ = 0, les conditions (1.21)
permettent de conclure que λm et λM doivent vérifier :

k fv 1 dCr
λm > − 2 Cr − ,
J J J dt max
(3.29)
k fv 1 dCr
λM > λm + 2 − 2 Cr − .
J J J dt max
Par conséquent, la loi commande présentée garantit la convergence exponentielle vers 0

de l’erreur de poursuite pour un système dont l’état complet est mesuré. Notons que cette
commande est robuste par rapport aux perturbations et aux incertitudes paramétriques.
3.3.3 Estimations de l’accélération et du couple résistant
Dans le paragraphe précédent, nous avons présenté une commande par modes glissants
d’ordre 2. Celle qui est présentée fait appel à la dérivée première de la surface de glisse-
ment, donc à l’accélération. Or l’accélération n’est pas mesurée sur le banc d’essai. Afin
d’appliquer cette commande, on utilise un observateur pour estimer cette accélération.
Celui-ci utilise l’équation mécanique (2.33) du moteur dans le repère d − q :
dω
J = Kiq − fv ω − Cr sgn(ω). (3.30)
dt
Le cœficient de frottement Cr varie en fonction de la charge et est inconnu. Pour

cela, ce terme est considéré comme une perturbation. On réécrit l’équation mécanique en
93
considérant cette perturbation comme étant une variable d’état augmentée définie par :
Cr
dω = − sgn(ω),
J
de telle sorte que le modèle augmenté est défini par :
ẋω = Aω xω + B ω uω + dω ,
(3.31)
yω = Cω xω ,
h iT K
où xω = ω dω , uω = iq et
J
   
fv " #
0
− 1 1 h i
Aω =  J  , Bω = , dω = 1 dCr
  et C ω = 1 0 .
0 0 0 sgn(ω)
J dt
En remplaçant la perturbation par une injection de sortie, et en ajoutant une partie

linéaire stabilisante, on peut définir l’observateur par modes glissants comme :
fv
ω̂˙ = − ω̂ + uω + χω (ω − ω̂) + lω (ω − ω̂), (3.32)
J
où lω est un gain ajustable à définir et χω est l’algorithme du Super Twisting car la

variable de glissement (ω − ω̂) a un degré relatif égal à 1 par rapport à la perturbation
inconnue dω . L’observateur est défini sous sa forme augmentée par :
x̂˙ ω = Aω x̂ω + Bω uω + χω (yω − ŷω ) + lω (yω − ŷω ),

(3.33)
ŷω = Cω x̂ω ,
où : h iT
x̂ω = ω̂ dˆω ,
" 1
#
λω |yω − ŷω | 2 sgn(yω − ŷω )
χω (yω − ŷω ) = ,
αω sgn(yω − ŷω )
" #
lω
lω = .
0
L’erreur d’observation est définie par :

" # " #
ǫyω yω − ŷω
ǫω = xω − x̂ω = = , (3.34)
ǫdω dω − dˆω
94
3.3. Commande
menant à la dynamique :
ǫ̇ω = ẋω − x̂˙ ω = (Aω − lω Cω ) ǫω + dω − χω (ǫyω ). (3.35)
En faisant l’hypothèse que le cœfficient de friction de Coulomb est dérivable, et que la

dCr
dérivée de Cr est bornée c’est-à-dire < ΠCr , où ΠCr est une constante positive,
dt max
la convergence en temps fini de l’observateur en boucle fermée est garantie en choisissant
les gains αω , λω , et lω vérifiant les conditions de la fonction de Lyapunov (1.19). Donc
˙
après un temps fini, on a ǫ̇ω̂ = ǫω̂ = 0, ce qui conduit à une estimation de l’accélération ω̂.
On note par la même occasion que le cœfficient de friction de Coulomb est aussi estimé.
Dans cette section a décrit une méthode pour estimer l’accélération du moteur. Il est
alors nécessaire de prouver la stabilité de la loi de commande basée sur l’observateur.
3.3.4 Stabilité de la boucle fermée basée sur l’observateur
La loi de commande décrite dans la section 3.3.2 est utilisée, basée sur l’estimation
de l’accélération obtenue par l’observateur décrit dans la section 3.3.3. Le système com-
plet, observateur-commande, étant non linéaire, le principe de superposition n’est pas
applicable. La convergence de l’observateur et de la loi de commande pris séparément
n’impliquent pas la convergence du système complet. On considère les lois de commande
(3.19) et (3.26), les entrées de commande dépendant des mesures et des variables estimées
par l’observateur. Dans ce cas, la seule variable modifiée est la dérivée de la variable de
glissement définie pour le suivi de position, par :
˙
Ŝθ = k ėθ + ê¨ω , (3.36)
avec ê¨θ = ω̂˙ − ω̇r ,

qui peut s’exprimer en fonction des états du système Ξ et des entrées :
˙ fv dCr
Ŝθ = keω + (− − lω )ǫyω + ǫdω ± + ẇst,2 (ǫdω ),
J dt
Les dynamiques des états du système complet incluant les erreurs de suivi ainsi que
l’erreur d’estimation :
Ξ = [ed , eq , eω , eθ , ǫyω , ǫdω ]T ,
95
sont donc données par :
  
1 1 
(−Red + np L(eω eq + eω iqr + eq ωr )) vd
1 L L
   
 
 (−Req − np L(eω ed + eω idr + ed ωr ) − Keω )  1 
L   vq 
 1  L 
   1 
 (Leq − fv eω )   ± Cr 
 . (3.37)
Ξ̇ =  J +
 J 
 eω 
  
 0 

 fv 
   wst,1 (ǫyω )

 − − lω ǫyω + ǫdω 
  
 J  1 dCr

0 ± + ẇst,2 (ǫdω )
J dt
Montrer que le système est borné en temps fini est suffisant pour prouver la stabilité
exponentielle du système complet. L’observateur converge vers zéro en temps fini indé-
pendamment de la loi de commande. Ceci implique que lorsque l’observateur a convergé,
la loi de commande définie dans la section 3.3.2 se comporte de la même façon. Il est
alors seulement nécessaire de prouver que pendant le transitoire lié à la convergence de
l’observateur, le temps que l’observateur converge, le système complet (3.37) reste borné.
Le système complet dépend alors des états du système, de la trajectoire désirée et des
entrées de commandes :
Ξ̇ = F (Ξ, Γr , wte , wst , wst,1(ǫdω ), ẇst,2(ǫdω )). (3.38)
Selon les hypothèses physiques, les courants id , iq et les perturbations sont bornés. De
plus, les algorithmes du Twisting et du Super Twisting sont également bornés.
Le système peut être réécrit comme Ξ̇ = f (Ξ) + g.
Par conséquent, en incluant toutes les dominations dans le système complet, on obtient
l’inégalité :
||Ξ̇|| ≤ Q||Ξ|| + g, (3.39)
où Q et g sont des constantes positives.

En intégrant (4.64), on obtient :
Z t
||Ξ(t)|| ≤ ||Ξ(0)|| + (Q||Ξ(τ )|| + g)dτ. (3.40)
0
Par application du lemme de Gronwall, on a :
96
3.3. Commande
g
||Ξ(t)|| ≤ ||Ξ(0)|| exp(Ct) + exp(Ct − 1), (3.41)
Q
où C est une constante positive. Par conséquent, ceci montre que le système d’état complet
Ξ est borné en temps fini, ce qui prouve la stabilité exponentielle du système complet.
3.3.5 Résultats expérimentaux
50
Positions (en rad)
40
θr
θ
30
20
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
0.02
Erreurs (en rad)
eθ
0.01
−0.01
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
Figure 3.10 – Position de référence et position mesurée (haut), erreur de position (bas).
Dans cette section, nous présentons les résultats expérimentaux de la commande du

MSAP en présence de capteurs. Les expérimentations suivantes sont réalisées à l’aide de la
commande par modes glissants d’ordre 2 présentée précédemment. L’objectif est le suivi
de position, en utilisant la trajectoire (2.48). La trajectoire de référence est appliquée au
moteur de telle sorte que la position démarre à une position initiale θi = 0rad, jusqu’à
atteindre une position finale égale θi = 40rad. Finalement, la trajectoire est à nouveau
appliqué pour ramener le moteur à sa position initiale. Le moteur atteint alors une vitesse
maximale de 50rad.s−1 .
La Figure 3.10 montre le suivi de position. Dans le premier graphe, on trace en bleu
97
la position de référence et en vert la position mesurée. Le second représente l’erreur de

position eθ . La figure montre que la position est parfaitement suivie. L’erreur de position
maximale est inférieure à 0.01rad en régime transitoire.
La Figure 3.11 représente en haut la vitesse de référence et la vitesse mesurée respec-
tivement en bleu et en vert, et l’erreur de suivie en bas. Ici encore, le suivi de vitesse est
très bon, l’erreur de vitesse est inférieur à 1rad.s−1 .
50 ωr
Vitesse (en rad)
ω
0
−50
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
1
Erreur (en rad.s−1 )
eω
0.5
−0.5
−1
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
Figure 3.11 – Vitesse de référence et vitesse mesurée (haut), erreur de vitesse (bas).
On a représenté sur la figure 3.12 l’accélération de référence et l’accélération estimée

à partir de l’observateur . L’estimation obtenue est filtrée à l’aide du filtre discret d’ordre
3 utilisé précédemment.
Finalement, la Figure 3.13 représente le suivi de courant direct et le courant iq . Comme
désiré, le courant direct est égal à zéro. Le courant de quadrature ne suit pas réellement
le courant de référence, car la référence a été calculée sur la base de la platitude en
considérant des perturbations nulles.
Dans ce paragraphe, nous avons présenté les résultats expérimentaux de la commande
par modes glissants d’ordre 2, basée sur un algorithme du Super Twisting et un algorithme
du Twisting. Cette commande nécessite l’utilisation d’un observateur afin de définir la
98
3.3. Commande
Accélérations (en rad.s−2 ) 100
50
−50 ω̇r
ω̂˙
−100
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
Figure 3.12 – Accélération de référence et accélération estimée.
0.6
idr
Courants d (en A)
0.4 id
0.2
−0.2
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
1
iqr
Courants q (en A)
0.5 iq
0
−0.5
−1
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
Figure 3.13 – Courants de références et courants mesurés.
variable de glissement sur la position. La commande présentée dans ce chapitre sera

dans le chapitre suivant utilisée sans capteur mécanique. Ces résultats pourront servir
de comparaison.
99
3.4 Identification en ligne

Dans ce chapitre, nous avons précédemment présenté l’identification des paramètres
hors ligne, ainsi qu’une commande permettant le suivi de trajectoire du moteur. Pour
diverses raisons, les paramètres du moteur peuvent varier au cours du temps (échauffe-
ment, ...). L’identification des paramètres hors ligne permet de connaître les paramètres
nominaux. Afin d’identifier les paramètres en ligne, nous proposons d’appliquer et de
comparer les deux méthodes présentées dans le premier chapitre, l’identification par la
méthode algébrique et l’identification en utilisant les modes glissants.
3.4.1 Paramètres électriques

On rappelle que les équations électriques dans le repère d − q sont données par les
équations : 
 L did = vd − Rid + np Lωiq ,

dt (3.42)
di
 L q = vq − Riq − np Lωid − Kω.

dt
L’objectif est d’identifier les trois paramètres R, L et K. Cependant nous disposons
seulement de deux équations.
On note :
ωd = np ωid , ωq = np ωiq ,
et :
1 R K
Γ1 = , Γ2 = , Γ3 = .
L L L
L’équation (3.42) s’écrit alors sous la forme :

di
 d = Γ1 vd − Γ2 id + ωq ,

 (3.43)
dt
di
 q = Γ1 vq − Γ2 iq − ωd − Γ3 ω.

 (3.44)
dt
3.4.1.1 Méthode algébrique
Dans ce paragraphe, nous présentons une approche permettant d’identifier les para-
mètres du moteur en ligne à l’aide de l’identification algébrique présentée dans le para-
graphe 1.4.2.1.
Plusieurs manipulations permettent d’identifier les trois paramètres. On propose ici
d’identifier les paramètres en générant deux équations à partir de (3.43) et une dernière
100
3.4. Identification en ligne
à partir de (3.44) permettant ainsi d’obtenir trois équations pour trois inconnues.
did
Afin d’appliquer le Théorème 1.1, on considère l’équation (3.43) telle que soit
dt
une entrée d’ordre 1 et ωq d’ordre 0. vd et id sont les sorties d’ordre 0. Il n’y a pas de
perturbations ici, soit κ = 0. Finalement P = 2 est le nombre d’inconnues. L’estimateur
s’exprime sous la forme :
" #" # " #
−F0,1 [vd (t)] F0,1 [id (t)] Γ1 −F1,1 [id (t)] + F0,1 [ωq (t)]
= . (3.45)
−F0,2 [vd (t)] F0,2 [id (t)] Γ2 −F1,2 [id (t)] + F0,2 [ωq (t)]
À partir de l’équation (3.44) on peut écrire :

 
h i Γ1  h i
−F0,1 [vq (t)] F0,1 [iq (t)] F0,1 [ω(t)] Γ2 
  = −F1,1 [iq (t)] − F0,1 [ωd (t)] . (3.46)
Γ3
h iT
On définit le vecteur Γ̂ = Γ̂1 Γ̂2 Γ̂3 . Les équations (3.45) et (3.46) sont réécrites
ensemble sous la forme :
∆P Γ̂ = ∆Q, (3.47)
les matrices ∆P ∈ R3×3 et ∆Q ∈ R3×1 étant données par :

 
−F0,1 [vd (t)] F0,1 [id (t)] 0
 
∆P = 
 −F0,2 [vd (t)] F0,2 [id (t)] 0 ,
 (3.48)
−F0,1 [vq (t)] F0,1 [iq (t)] F0,3 [ω(t)]
 
−F1,1 [id (t)] + F0,1 [ωq (t)]
 
∆Q = 
 −F1,2 [id (t)] + F0,2 [ωq (t)]  .
 (3.49)
−F1,1 [iq (t)] + F1,1 [ωd (t)]
Si ∆P est inversible, on obtient :

 
Γ̂
 1 
 Γ̂2  = ∆P −1 ∆Q.
  (3.50)
Γ̂3
101
Finalement, les paramètres estimés L̂, R̂ et K̂ sont obtenus par les relations :
1 Γˆ2 Γˆ3
L̂ = , R̂ = et K̂ = .
Γ̂1 Γˆ1 Γˆ1
3.4.1.2 Modes glissants
L’objectif est également ici d’identifier les trois paramètres R, L et K. Cependant, on

dispose seulement de deux équations pour identifier trois paramètres et contrairement à
l’identification précédente, il est plus compliqué de générer une troisième équation. Une so-
lution serait de dériver une des deux équations pour en générer une troisième. Cependant,
on connaît les problèmes liés à la dérivation (amplification du bruit de mesure...). Dans
ce paragraphe, on va considérer qu’un des paramètres est connu. On a donc deux para-
mètres à identifier. Des travaux sont en cours pour tenter d’identifier les trois paramètres
simultanément en utilisant les modes glissants.
À partir des équations (3.43) et (3.44), on construit deux observateurs par modes
glissants :

 dîd = ωq − χid (id − îd ),

dt (3.51)
 îq = −ω − χ (i − î ),
 d
d iq q q
dt
où χid , χid sont les termes d’injection de sortie définis par l’algorithme du Super Twisting :
(
χid (id − îd ) , ust (id − îd ),
(3.52)
χiq (iq − îq ) , ust (iq − îq ).
Les erreurs d’observations sont définies par :

(
εid = id − îd ,
(3.53)
εiq = iq − îq .
On obtient la dynamique des erreurs, en fonction des paramètres à estimer, des va-
riables mesurées et des injections de sortie :
(
ε̇id = Γ1 vd − Γ2 id + χid (εid ),
(3.54)
ε̇iq = Γ1 vq − Γ2 iq − Γ3 ω + χid (εiq ).
Le réglage des gains des algorithmes du Super Twisting permet de garantir la conver-
gence en temps fini des erreurs vers 0. En régime glissant, on obtient alors εi = ε̇i = 0
102
avec i = {id , iq } soit :

(
χid = −Γ1 vd + Γ2 id ,
(3.55)
χiq = −Γ1 vq + Γ2 iq + Γ3 ω.
On suppose alors que le paramètre Γ1 est connu, et on identifie les paramètres Γ2 et Γ3 .
On peut réécrire (3.55) sous la forme :
N = DP, (3.56)
avec : " # " #

χid + Γ1 vd id 0
N= , D= ,
χid + Γ1 vq iq ω
et : h iT
P = Γ2 Γ3 .
Lorsque la matrice D est inversible soit id ω 6= 0, l’estimation des paramètres P̂ est obtenue
par :
P̂ = D −1 N, (3.57)
et :
1
L= , R̂ = LΓ̂2 , et K̂ = LΓ̂3 .
Γ1
3.4.1.3 Résultats expérimentaux
Les résultats expérimentaux obtenus dans ce paragraphe sont obtenus en ligne. La

commande considérée pour ces identifications est la commande par modes glissants pro-
posée dans le section précédente. Ici, la trajectoire désirée est modifiée. On a vu (3.57) que
la matrice est inversible si la vitesse est non nulle. On a ainsi choisi une trajectoire avec
une vitesse strictement positive. De plus, la trajectoire du courant direct id est choisie non
nulle comme présenté dans l’article [Verl 1998]. Pour chaque méthode, les identifications
sont présentées avec les paramètres initiaux dans une première expérience et en faisant
varier les paramètres R et K ensuite. Sur le moteur, on simule la variation des paramètres
en modifiant les entrées de commandes appliquées au moteur. Les tensions d’entrées va
et vb sont définies par :
(
va = va,com − ∆Ria + ∆Kω sin(np θ),
(3.58)
vb = vb,com − ∆Rib − ∆Kω cos(np θ),
103
où va,com et vb,com représentent les entrées calculées par la commande, ∆R et ∆K repré-

sentent les variations de paramètres désirées.
Identification en ligne par méthode algébrique :
La Figure 3.14 représente l’identification des paramètres R, L et K sans variations de
paramètres en utilisant la méthode algébrique. Dans chacun des cas, nous avons tracé en
bleu le résultat obtenu par l’identification hors ligne et en vert l’identification utilisant
l’estimateur algébrique. La figure présente de très bons résultats, les paramètres estimés
“en ligne” étant proches de ceux identifiés hors ligne avec les moindres carrés. Pour les
identifications par la méthode algébrique, la fenêtre de glissement a été choisie égale
à 1s. En comparaison avec l’identification réalisée sur le palier magnétique, la fenêtre
est choisie plus longue. En effet, les dynamiques du moteur étant plus lentes, la fenêtre
doit être choisie plus longue pour refléter correctement les dynamiques. Avec une période
d’échantillonnage de 1.10−4 s, une fenêtre de 1s représenterait 10000 points. Le calcul des
intégrations avec un tel nombre de points n’est pas réalisable en ligne. Les données pour
l’identification sont ainsi relevées toutes les millisecondes, soit une fenêtre de 1000 points.
De plus les calculs sont répartis sur chaque échantillon.
Les expressions de l’estimateur sont obtenues en considérant les paramètres constants
sur la fenêtre de glissement. Afin de montrer que la variation des paramètres est estimée,
la Figure 3.15 montre les résultats expérimentaux en appliquant des variations constantes
∆R = 1.5Ω et ∆K = 0.15Nm.A−1 . Sur cette figure, les paramètres nominaux et leurs
variations sont tracés en bleu, les paramètres identifiés étant tracés en vert. La figure
montre qu’effectivement l’erreur sur les paramètres est correctement identifiée.
Identification en ligne par modes glissants :
L’identification par modes glissants est présentée ici pour l’identification des para-
mètres R et K, en considérant que le paramètre L est connu. L’identification des para-
mètres R et L ou L et K donne les mêmes résultats. La Figure 3.16 représente l’estima-
tion des paramètres nominaux. Les identifications dans ce cas ont été filtrées par un filtre
passe-bas de manière à supprimer les variations hautes fréquences causées par les modes
glissants. Le résultat des identifications est également très bon.
Dans le cas des modes glissants, il n’y a pas de conditions sur la nature des paramètres
à identifier, c’est-à-dire qu’il est possible d’estimer en ligne les paramètres variant dans le
temps. Les performances de l’estimateur sont présentées en faisant varier les paramètres.
La Figure 3.17 représente l’estimation des paramètres lorsqu’ils varient linéairement au
cours du temps. Cette montre que ici, les estimations suivent correctement la variation
des paramètres.
104
R, R̂ (en Ω) 8
6 R
4
R̂
2
0
0 1 2 3 4 5 6
temps (en s)
0.02
L, L̂ (en H)
L
0.01
L̂
0
0 1 2 3 4 5 6
temps (en s)
K, K̂ (en Nm.A−1 )
0.6 K
0.4
K̂
0.2
0
0 1 2 3 4 5 6
temps (en s)
Figure 3.14 – Estimation en ligne par méthode algébrique des paramètres R, L et K

sans variation.
3.4.2 Paramètres mécaniques
Afin d’identifier les paramètres mécaniques, on rappelle l’équation mécanique du mo-

teur dans le repère d − q :
dω
J = Kiq − fv ω − Cr sgn(ω). (3.59)
dt
Lorsque une charge est ajoutée au moteur, les frottements sont très faibles par rapport
au couple résistant. De plus, on a vu lors de l’identification hors ligne, que des effets non
modélisés apparaissaient lors de l’identification des paramètres fv et Cr . On propose ici
de considérer le couple τe introduit dans l’équation (2.25) comme des perturbations. Les
paramètres que l’on désire identifier sont donc l’inertie J et le couple τe .
105
8
R, R̂ (en Ω)
6 R
R + ∆R
4
R̂
2
0
0 1 2 3 4 5 6
temps (en s)
0.02
L, L̂ (en H)
L
0.01
L̂
0
0 1 2 3 4 5 6
temps (en s)
K, K̂ (en Nm.A−1 )
0.6 K
K + ∆K
0.4
K̂
0.2
0
0 1 2 3 4 5 6
temps (en s)
Figure 3.15 – Estimation en ligne par méthode algébrique des paramètres R, L et K

avec variations.
On obtient l’équation :
dω
J = K̂iq + τe , (3.60)
dt
où K̂ est l’estimation de K obtenue à l’aide de l’équation électrique.
3.4.2.1 Méthode algébrique
N’ayant pas d’informations sur le couple τe , l’identification dans ce cas permet seule-
ment d’identifier l’inertie. Le couple sera annihilé en étant considéré comme constant sur
la fenêtre glissante. La méthode est donc valide si celui-ci ne varie pas trop rapidement
dω
au cours du temps. L’équation (3.60) est telle que est une sortie d’ordre 1, K̂iq est
dt
une entrée d’ordre 0 et τe est une perturbation considérée constante, soit κ = 1 et P = 1.
106
R, R̂ (en Ω) 5
R
R̂
0
0 1 2 3 4 5 6
K, K̂ (en Nm.A−1 )
temps (en s)
K
0.5
K̂
0
0 1 2 3 4 5 6
temps (en s)
Figure 3.16 – Estimation en ligne par modes glissants des paramètres R et K sans
variation.
R, R̂ (en Ω)
R
5
R̂
0
0 1 2 3 4 5 6
K, K̂ (en Nm.A−1 )
temps (en s)
K
0.5
K̂
0
0 1 2 3 4 5 6
temps (en s)
Figure 3.17 – Estimation en ligne par modes glissants des paramètres R et K avec
variations.
L’estimateur s’exprime donc sous la forme :
F1,1 [ω(t)]J = F0,1 [K̂iq (t)]. (3.61)
Si F1,1 [ω(t)] est inversible, on obtient l’estimation de l’inertie Jˆ :
F0,1 [K̂iq (t)]

Jˆ = . (3.62)
F1,1 [ω(t)]
107
Expérimentalement, l’expression est filtrée en utilisant la forme présentée équation (1.54).
3.4.2.2 Modes glissants
N’ayant qu’une équation, il n’est pas possible d’utiliser les modes glissants sur celle-ci
uniquement afin d’identifier l’inertie et le couple simultanément. Nous utilisons dans ce
cas les modes glissants pour estimer seulement le couple τe . L’observateur est construit à
partir de l’équation (3.60) :
dω̂ K̂
= iq − χω (ω − ω̂), (3.63)
dt J
où χ est le terme à estimer en utilisant un algorithme du Super Twisting :
χω (ω − ω̂) , ust (ω − ω̂). (3.64)
ε = ω − ω̂. (3.65)
La dynamique de l’erreur est :
1
ε̇ = − τe + χω (εω ). (3.66)
J
Le couple
résistant est considéré borné
et dérivable. Sa dérivée est également considérée
dCr
bornée c’est-à-dire < ΠCr . En choisissant les gains du Super Twisting correc-
dt max
tement, on obtient la convergence en temps fini sur l’ensemble de glissement {ε = ε̇ = 0},
conduisant à :
τ̂e = Jχω . (3.67)
3.4.2.3 Résultats expérimentaux
Dans ce paragraphe, les estimations sont réalisées de la même façon que les identifica-
tions des paramètres électriques. Ici, nous avons utilisé le frein à poudre pour ajouter un
couple résistant. N’ayant pas de capteurs pour mesurer le couple appliqué au moteur sur le
banc, on ne peut cependant pas connaître le couple réel appliqué. Pour ces identifications,
l’objectif est de montrer l’estimation de l’inertie et du couple résistant. Sachant que le
couple résistant change de signe en fonction de la vitesse, la trajectoire est identique, ici,
à la trajectoire définie dans la commande, c’est-à-dire avec une vitesse positive les deux
108
premières secondes et négative ensuite.

La Figure 3.18 représente l’identification de l’inertie par la méthode algébrique. La
dynamique est ici deux fois plus rapide que la dynamique du système lors de l’identifica-
tion des paramètres électriques. On choisit ainsi une fenêtre de glissement deux fois plus
courte. On voit que l’estimation est très bonne. On observe une variation entre 2 et 2.5
secondes soit la longueur de la fenêtre. Cette variation valide l’hypothèse de perturbations
constantes. À l’instant t = 2 secondes, le moteur change de sens, le couple également. Les
perturbations ne sont alors plus constantes le temps que toute la fenêtre passe cet instant.
Après t = 2, 5 secondes, l’estimation est de nouveau très bonne.
−4
J, Jˆ (en kg.m2 )
x 10
5
J
Jˆ
0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
Figure 3.18 – Estimation en ligne de l’inertie par la méthode algébrique.
Finalement, le couple estimé par modes glissants est représenté sur la Figure 3.19. Nous
n’avons pas d’élément de comparaison. Cependant on peut constater que le changement de
signe est bien présent au moment où le moteur change de sens. Ce couple estimé pourrait
être utilisé dans la commande afin d’être compensé.
0.2
τ̂e (en N)
−0.2 τ̂e
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
Figure 3.19 – Estimation en ligne du couple par modes glissants.
Dans cette section, nous avons étudié l’identification en ligne des paramètres du MSAP
en présence de capteurs mécaniques. Nous avons comparé deux méthodes, algébrique et
par modes glissants. Ces expériences montrent que les deux méthodes peuvent être utiles
en fonction des situations, voire complémentaires. Ceci est parfaitement illustré ici par
l’identification des paramètres mécaniques. L’inertie est identifiable indépendamment du
109
couple par la méthode algébrique. En utilisant cette estimation, le couple peut à son tour
être identifié par les modes glissants. On pourrait également exploiter ceci pour identifier
les paramètres électriques.
3.5 Conclusion
Les résultats obtenus dans ce chapitre considèrent que la mesure des capteurs de
mécaniques (position et vitesse) est accessible.
Afin de réaliser la commande du moteur, les paramètres ont été identifiés préalablement
hors-ligne. En utilisant l’algorithme des moindres carrés, tous les paramètres du moteur
sont identifiables à partir du modèle dans le repère d − q. Le repère d − q est avantageux
pour l’identification car les courants et les tensions sont contants à vitesse constante. La
plupart des paramètres sont identifiables en régime permanent, à l’exception de l’inertie
qui a été identifiée en régime transitoire.
À partir de ces paramètres nominaux, nous avons considéré une commande par modes
glissants d’ordre 2. Cette commande nécessite la connaissance de l’accélération qui n’est
pas mesurée. Celle-ci a alors été estimée par un observateur par modes glissants égale-
ment. Les résultats expérimentaux montrent un suivi de position très précis. De plus, la
commande utilisée montre que les algorithmes utilisés limitent le phénomène de réticence,
souvent considéré comme un inconvénient dans l’utilisation des modes glissants. De plus,
les fonctions signes habituellement utilisées dans ce genre d’algorithme ont été remplacées
par des fonctions sigmoïdes plus lisses et qui réduisent aussi cet effet.
Les paramètres étant susceptibles de varier au cours du temps, la dernière partie de ce
chapitre a été consacrée à l’identification des paramètres en ligne. Ici, nous avons comparé
deux approches différentes permettant ces identifications. Chaque méthode a ses avantages
et ses inconvénients. La méthode algébrique est capable d’identifier plus de paramètres
qu’il n’y a d’équations, en considérant que les paramètres sont constants sur la fenêtre de
glissement. Les modes glissants (dans l’état actuel des choses) ne permettent d’identifier
qu’un nombre de paramètres égal au nombre d’équations, mais ils s’avèrent très efficaces
lorsque les paramètres varient. De plus les modes glissants sont plus adaptés en présence
de perturbations inconnues. La seule hypothèse est que la dérivée de la perturbation soit
bornée, ce qui est souvent le cas en pratique. À l’inverse, la méthode algébrique est utile
lorsque les perturbations peuvent être annihilées. Les modes glissants sont plus simples à
mettre en place, robustes par rapport à une plus large classe de perturbations et moins
long à exécuter en temps réel, en opposition avec les fenêtres glissantes de la méthode
110
3.5. Conclusion
algébrique, qui utilise des boucles en programmation qui sont plus longues à calculer en
ligne.
111
112
Chapitre 4
Identification et commande sans

capteur mécanique
Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.2 Identification hors ligne . . . . . . . . . . . . . . . . . . . . . . . 114
4.2.1 Identification des paramètres en utilisant les mesures en régime
permanent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.2.2 Identification de l’inertie en régime transitoire . . . . . . . . . . 121
4.3 Commande sans capteur mécanique . . . . . . . . . . . . . . . 124
4.3.1 Observateur par modes glissants sans capteur mécanique . . . . 124
4.3.2 Commande basée sur l’observateur . . . . . . . . . . . . . . . . 130
4.3.3 Stratégie en boucle ouverte . . . . . . . . . . . . . . . . . . . . 135
4.3.4 Résultats Expérimentaux . . . . . . . . . . . . . . . . . . . . . 135
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.1 Introduction
Le problème de la commande sans capteur a largement été abordée dans la littérature.
Celui de l’identification, quant à lui, a reçu peu d’attention, alors que les lois de commande
reposent sur la connaissance du modèle et des paramètres du moteur. Dans un premier
temps, nous nous intéresserons ici à l’identification des paramètres du moteur sans capteur.
Une nouvelle méthode d’identification des paramètres du moteur sans capteur de position
ni de vitesse sera présentée dans ce chapitre. En comparaison avec les approches existantes,
113
Chapitre 4. Identification et commande sans capteur mécanique
on montrera que cette nouvelle méthode a l’avantage : (i) d’identifier tous les paramètres
électriques ainsi que les paramètres mécaniques, (ii) de proposer des algorithmes dont
la convergence est garantie, les résultats analytiques étant validés expérimentalement.
Finalement, cette procédure d’identification sera réalisée dans le repère f − g présenté
précédemment.
L’approche sans capteur présentée dans ce chapitre sera basée sur des observateurs
par modes glissants utilisant les équations électriques du moteur dans le repère f − g.
À partir des tensions d’entrées et des courants mesurés, la contre-fem sera estimée. Cet
observateur a l’avantage d’être robuste aux variations de paramètres et, en comparaison
avec les observateurs par modes glissants d’ordre 1, de réduire le phénomène de réticence.
À partir de l’estimation de la contre-fem, la position et la vitesse seront alors reconstruites.
Ces estimations seront appliquées à la commande présentée dans le chapitre précédent
exprimée dans le repère f − g.
4.2 Identification hors ligne

Dans le chapitre précédent, il a été montré que le modèle d − q est avantageux pour
l’identification en comparaison avec le modèle a − b. Il permet de calculer la moyenne
des données à vitesses constantes. Cependant, son inconvénient est qu’il ne peut pas être
utilisé sans capteur de position. Pour réaliser un algorithme d’identification sans capteur
mécanique, le repère f − g est plus adapté.
Les expériences d’identification peuvent être réalisées dans le repère f − g de la même
manière que dans le repère d − q, avec des tensions vf et vg constantes. Néanmoins, par
opposition au repère d − q, le moteur ne peut pas fonctionner à toutes les vitesses de cette
manière. Il y a des plages de vitesses où le moteur perd son synchronisme à cause de la
résonance. L’amplitude de l’accélération est aussi limitée.
Afin de maximiser les informations contenues dans les données, les expérimentations
sont réalisées en utilisant une commande proportionnelle dans le repère tournant de réfé-
rence :
vf = max(k(Imax − I), Vmax ), vg = 0, (4.1)
où I = i2a + i2b est le courant de crête en régime permanent, Imax est le courant limite,
Vmax est la tension limite, et k est un gain ajustable. Cette loi de commande est utilisée
pour maximiser les courants et les tensions tout en respectant les limites. Comme cette
méthode ne tient pas compte des capteurs de position et de vitesse ou d’une estimation de
114
ces variables, nous désignerons cet algorithme de commande par la commande en boucle
ouverte.
Lorsque le moteur est commandé en boucle ouverte, on peut supposer que ωr ≃ ω tant
que le moteur conserve son synchronisme. Cette condition peut être facilement vérifiée
sans capteur parce que la perte de synchronisme se manifeste par un blocage de l’arbre
du moteur et/ou de considérables vibrations. De plus, même si ω oscille autour de ωr à
cause des perturbations de couple, le calcul de la moyenne des données sur une période de
temps supprime l’effet de ces oscillations, de telle sorte qu’on peut supposer que ωr = ω.
Par la suite, dans cette section, ω sera remplacée par ωr dans les équations.
Pour réaliser cette identification, la commande en boucle ouverte est appliquée avec
différentes valeurs de ωr , qui augmentent lentement de ωr = 0 à la vitesse maximum
accessible. Pour chaque valeur de ωr , pour laquelle le régime permanent peut être obtenu,
les variables sont enregistrées sur un court intervalle de temps, la moyenne sur cet intervalle
représente un point de données pour l’identification.
On trace Figure 4.1 les vitesses (moyennes) atteintes et la vitesse de référence pour
l’identification. Elle montre que les vitesses moyennes suivent en effet parfaitement les
vitesses de référence, lorsque la loi de commande en boucle ouverte (4.1) est utilisée.
Comme le montre cette figure, il y a un segment de vitesse entre 14 et 28 rad/s représenté
en pointillés sans points de données. Entre ces valeurs, le moteur perd son synchronisme
et se bloque, à cause de la résonance. En revanche, des vitesses bien au-delà de la région de
résonance peuvent être atteintes tant que la vitesse de référence est lentement augmentée
sans s’attarder dans cette région.
La commande en boucle ouverte est utile pour l’identification, mais en-deçà de ce
qui serait souhaitable pour une commande sans capteur. En particulier, il serait souhai-
table qu’une loi de commande sans capteur basée sur l’estimation des paramètres puisse
fonctionner dans la région de résonance et puisse atteindre de plus grands profils d’accé-
lérations.
4.2.1 Identification des paramètres en utilisant les mesures en

régime permanent
Comme pour l’identification dans le repère d−q, quasiment tous les paramètres peuvent
être identifiés en régime permanent dans le repère f −g, laissant l’identification de l’inertie
pour une procédure particulière. En régime permanent, les variables dans le repère f − g
115
100
ωr
80
ω

ωr , ω en rad.s−1
60
40
20
0
0 10 20 30 40 50 60 70 80
nombre d’échantillons
Figure 4.1 – Suivi de vitesse en boucle ouverte.
sont liées par :
Kωr sin(np (θr − θ)) = vf − Rif + Lnp ωr ig , (4.2)

Kωr cos(np (θr − θ)) = vg − Rig − Lnp ωr if , (4.3)
0 = K(if sin(np (θr − θ)) + ig cos(np (θr − θ)))
−fv ωr − Cr sgn(ωr ). (4.4)
Etant donné que la position de l’arbre est inconnue, les paramétrisations linéaires appa-
rentes dans le repère d − q ne peuvent pas être utilisées dans le repère f − g. Une solution
différente doit être utilisée.
Considérant (4.2)2 + (4.3)2 , on obtient :
K 2 ωr2 = vf2 + vg2 + R2 (i2f + i2g ) − R(2vf if + 2vg ig )

(4.5)
+L2 (n2p ωr2(i2f + i2g )) + L(2np ωr (vf ig − vf ig )).
En substituant (4.2) et (4.3) dans (4.4), on obtient :
vf if + vg ig = R(i2f + i2g ) + fv ωr2 + Cr |ωr |. (4.6)
Les équations (4.5) et (4.6) sont indépendantes de la position et fournissent des paramé-
trisations linéaires. Cependant, les paramètres R et L apparaissent ainsi que R2 et L2 .
On note que la résistance peut être identifiée à partir de (4.5) ou (4.6), permettant deux
116
méthodes différentes.
4.2.1.1 Première méthode
Ici, on propose d’identifier R, L, et K à partir de l’équation (4.5) et fv et Cr à partir

de l’équation (4.6). L’équation (4.5) peut s’écrire sous la forme standard (1.22) :
y6 [n] = W6T [n]Pnom,6 , (4.7)
avec :
y6 [n] = vf2 [n] + vg2 [n], (4.8)
 
2(vf [n]if [n] + vg [n]ig [n])
 

 −(i2f [n] + i2g [n]) 

 
W6 [n] =  −2np ωr [n](vf [n]ig [n] + vg [n]if [n]) , (4.9)
 

 −n2p ωr2 [n](i2f [n] + i2g [n]) 

ωr2 [n]
   
R p1
 2   
 R   p2 
   
   
Pnom,6 =  L  =  p3  . (4.10)
   
 L2   p 
   4 
K2 p5
La représentation est linéaire par rapport aux paramètres, mais elle est sur-paramétrée
avec :
p2 = p21 et p4 = p23 . (4.11)
Afin de s’affranchir de la sur-paramétrisation, on utilise dans ce cas la théorie de l’élimi-

nation présentée dans le paragraphe 1.4.1.2. Plus de détails sur la résolution d’une telle
identification sont présentés en Annexe B.
L’équation (4.6) est linéaire par rapport aux paramètres. En utilisant R̂, l’estimation
de R obtenue précédemment. On a :
y7 [n] = vf [n]if [n] + vg [n]ig [n] − R̂(i2f [n] + i2g [n]), (4.12)
h i
T
W7 [n] = ωr2 [n] |ωr [n]| , (4.13)
117
" #
fv
Pnom,7 = . (4.14)
Cr
Ici l’algorithme des moindres carrés standard est applicable.
Les estimations des paramètres sont reportées dans la Table 4.1. On observe que les
valeurs des paramètres estimées sont proches de celles obtenus dans le repère d − q. La
Figure 4.2 illustre le comportement du vecteur de sortie y6 [n] en fonction de ωr , ainsi que
W6T [n]P6 en fonction de ωr . L’estimation est proche de la sortie mesurée.
Paramètres 1ière Méthode 2ième Méthode

R(Ω) 3.0 2.86
L(mH) 10.4 10.4
K(Nm.A−1 ) 0.27 0.27
fv (Nms/rad) 5.35.10−4 2.69.10−4
Cr 0.0558 0.0742
J(kg.m2 ) 3.13.10−4 3.13.10−4
Table 4.1 – Résultat de l’identification des paramètres dans le repère f − g.
500
400
y6 , ŷ6 (en V 2 )
300
200
100
y6
ŷ6
0
0 10 20 30 40 50 60 70 80 90
ωr en rad.s−1

f − g.
L’identification des paramètres de l’équation mécanique est également reportée dans

la Table 4.1. Les paramètres estimés sont eux aussi proches des paramètres identifiés
avec capteurs. La Figure 4.3 montre le signal de sortie et son estimation. On note que le
signal de sortie représente la puissance électrique convertie. Celle-ci est négative à faible
fréquence. Ceci n’est évidemment pas réaliste et indique que la résistance est sur-estimée
dans les équations électriques (donnant une sur-estimation des pertes ohmiques). Cette
observation motive l’utilisation de la seconde méthode, qui permet d’identifier la résistance
à partir de l’équation de puissance.
118
10
y7 , ŷ7 (en W )
5
0
y7
ŷ7
−5
0 10 20 30 40 50 60 70 80 90
ωr en rad.s−1
Figure 4.3 – Représentation de l’identification des paramètres mécaniques dans le repère

f − g.
4.2.1.2 Deuxième méthode
Dans cette approche, les paramètres R, fv et Cr sont identifiés initialement à partir de

l’équation (4.6), tandis que L et K sont identifiés avec (4.5). L’équation (4.6) est linéaire
par rapport aux paramètres avec :
y8 [n] = vf [n]if [n] + vg [n]ig [n], (4.15)
h i
W8 [n]T = i2f [n] + i2g [n] ωr2 [n] |ωr [n]| , (4.16)
 
R
 
Pnom,8 =   fv
,
 (4.17)
Cr
de sorte que l’algorithme standard des moindres carrés est applicable.
L’équation (4.5) peut être écrite sous la forme d’une équation linéaire en utilisant R̂,
l’estimation de R obtenue dans la première étape, de telle sorte que l’ajustement par
moindres carrés suivant soit obtenu :
y9 [n] = vf2 [n] + vg2 [n]

−2R̂(vf [n]if [n] + vg [n]ig [n]) (4.18)
−R̂2 (i2f [n] + i2g [n]),
119
 
−2np ωr [n](vf [n]ig [n] − vg [n]if [n])
 
W9 [n] = 
 −n2p ωr2 [n](i2f [n] + i2g [n]) ,
 (4.19)
ωr2 [n]
   
L p
 2   1 
Pnom,9 =
 L  =  p2  .
   (4.20)
K2 p3
Le système est sur-paramétré avec :
p2 = p21 . (4.21)
Ici aussi, nous utilisons la théorie de l’élimination pour résoudre cette identification. Dans
ce cas, il y a moins de contraintes que dans l’estimation précédente. Les résultats de
l’identification sont reportés dans la Table 4.1. Les paramètres identifiés sont proches de
ceux identifiés dans le repère d−q en utilisant le capteur de position. La Figure 4.4 montre
la variable de sortie y8 [n], qui est la puissance absorbée par le moteur. L’ajustement par
moindres carrés est excellent. De plus, la puissance est positive contrairement à l’approche
précédente.
25
y8
20 ŷ8
y8 , ŷ8 (en W )
15
10
0
0 10 20 30 40 50 60 70 80 90
ωr en rad.s−1
Figure 4.4 – Représentation de l’identification de la puissance dans le repère f − g en

utilisant la seconde méthode.
La Figure 4.5 illustre le comportement de la variable de sortie y9 [n] de (4.18) en

fonction de ωr . L’ajustement par moindres carrés est très bon. On peut conclure que la
seconde méthode donne de meilleurs résultats que la première. Elle réduit le nombre de
contraintes du problème d’identification non linéaire, menant à un algorithme plus simple.
La puissance positive montre en effet que l’estimation de la résistance est meilleure.
120
400
y9 , ŷ9 (en V 2 )
300
200
100 y9
ŷ9
0
0 10 20 30 40 50 60 70 80 90
ωr en rad.s−1

f − g en utilisant la seconde méthode.
4.2.2 Identification de l’inertie en régime transitoire
Sans capteur, le couple produit par le moteur ne peut pas être directement calculé
à partir des courants. Afin de contourner ce problème, la méthode discutée dans cette
section est basée sur un calcul de puissance plutôt que par un calcul du couple. Plus
exactement, la puissance électrique convertie en puissance mécanique est :
Ld 2
Pem , va ia + vb ib − Ri2a − Ri2b − ia + i2b . (4.22)
2 dt
Le terme inductif transitoire n’est pas forcement nul comme en régime permanent, mais
il est faible dans les expériences à venir, et sera donc négligé.
À partir des équations mécaniques du modèle, on a aussi :
Pem = Pkin + Pf , (4.23)
où Pkin est la puissance cinétique, c’est-à-dire la variation de l’énergie cinétique :
dω
Pkin , Jω , (4.24)
dt
tandis que Pf est la puissance perdue par frottement :
Pf = fv ω 2 + Cr |ω|. (4.25)
121
L’inertie peut alors être calculée avec un algorithme des moindres carrés, ou simplement :
Pem − Pf
Jˆ = . (4.26)
ω(dω/dt)
Utiliser (4.26) pour identifier l’inertie est difficile, car en utilisant la commande en
boucle ouverte, seuls de faibles niveaux d’accélérations peuvent être atteints. Dans ce cas,
la puissance électromécanique convertie est principalement égale à la puissance perdue
par frottements (Pem ≃ Pf ) et dω/dt ≃ 0. Une solution serait d’utiliser l’estimation des
paramètres électriques pour développer une loi de commande sans capteur, obtenir des
accélérations plus élevées et utiliser une méthode similaire à celle réalisée dans le repère
d − q. Cependant, on montre qu’en utilisant une expérience soigneusement conçue, il est
possible d’identifier l’inertie même avec la commande en boucle ouverte utilisée pour les
autres expérimentations.
Avec vf et vg constants, le moteur fonctionne à une certaine vitesse de référence

constante ωr = ω1 , les données sont mesurées pour une période [t0 , t1 ]. La puissance
de frottement Pf,1 est la moyenne de Pem sur [t0 , t1 ] (étant donné que dω/dt = 0). Alors,
la vitesse de référence est augmentée rapidement en utilisant :
q
ωr (t) = ω12 + 2c(t − t1 ). (4.27)
Le profil de référence est tel que :

dωr
ωr = c, (4.28)
dt
la constante c est fixée expérimentalement de sorte qu’elle soit la plus grande possible (tout
en maintenant le synchronisme), permettant de maximiser le contenu des informations
des données. L’accélération est maintenue jusqu’à un certain temps t2 où une vitesse de
référence arbitraire ω2 est atteinte. Alors, un troisième lot de données est recueilli à vitesse
constante ω2 pour une période [t2 , t3 ], et la puissance de frottement Pf,2 est calculée comme
étant la moyenne de Pem sur [t2 , t3 ].
La vitesse du moteur et la vitesse de référence pour une telle expérimentation sont

tracées sur la Figure 4.6. On voit que le suivi est approximatif, mais la collecte des données
sur une période de temps permet de faire l’hypothèse que ωr ∼ = ω. L’estimation de l’inertie
est calculée avec : " #
Pem − P̂f
Jˆ = MOY , (4.29)
c
122
où la moyenne est calculée sur [t1 , t2 ] et P̂f est une estimation de la puissance de frotte-
ment. P̂f aurait pu aussi être obtenue en utilisant le cœfficient de frottements obtenu en
régime permanent. Alternativement, les expérimentations discutées ici utilisent la formule
d’interpolation :
(t − t1 )
P̂f = Pf,1 + (Pf,2 − Pf,1 ) . (4.30)
(t2 − t1 )
100

ωr , ω en rad.s−1
80
60
40 ωr
ω
20
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps (en s)
Figure 4.6 – Expérimentation d’identification de l’inertie.
La valeur instantanée de l’inertie et sa valeur moyenne pour l’expérimentation de la

Figure 4.6 sont montrées sur la Figure 4.7. Sur cette figure, on peut voir les fluctuations de
l’estimation dues aux oscillations du moteur autour de la vitesse de référence. Des compo-
santes à plus hautes fréquences dues au couple de détente sont aussi visibles. Cependant
la moyenne sur une période de temps, permet d’obtenir une estimation convenable de
l’inertie. L’identification de l’inertie est aussi affinée en répétant l’expérimentation avec
différentes valeurs de c. Le résultat de l’expérimentation est reporté dans la Table 4.1, et
correspond étroitement à la valeur estimée avec capteurs.
Les lois de commande sans capteur mécanique dépendent de la connaissance du modèle
et de ses paramètres, ce qui soulève la question de l’identification de ces paramètres
sans capteur de position. Différentes approches d’identification des paramètres ont été
présentées. Dans chaque configuration, les données ont été recueillies en boucle ouverte,
ce qui est possible avec ce type de moteur, bien que certaines plages de vitesses soient
interdites. Même si le suivi de vitesse en boucle ouverte n’est pas satisfaisant du point de
vue de la commande, on a montré qu’il a été suffisant pour identifier tous les paramètres
du moteur. Les résultats sont très proches des résultats obtenus à l’aide de capteurs. Le
nouveau modèle f − g a montré son utilité dans ce genre d’application. Par la suite,
on utilisera ce modèle pour la commande sans capteur. Dans ce cas, le repère f − g est
123
−4
x 10

ˆ Jˆmean en kg.m2
6
Jˆ
ˆ
Jmean
4
0
J,
−2
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35
temps (en s)
Figure 4.7 – Résultat de l’identification de l’inertie.
également utile, car il est obtenu indépendamment de la position estimée. De plus, on

verra que l’estimation de la position est obtenue à l’aide de l’erreur entre la position de
référence du moteur et la position réelle, et varie donc peu en boucle fermée.
4.3 Commande sans capteur mécanique
4.3.1 Observateur par modes glissants sans capteur mécanique

Dans ce paragraphe, des observateurs sont développés pour l’estimation de la position,
de la vitesse et de l’accélération. Les observateurs sont construits dans le repère f − g. La
position et la vitesse sont estimées à l’aide des équations électriques. Ces estimations sont
alors utilisées pour estimer l’accélération à partir de l’équation mécanique. On rappelle
que seules les mesures de courants et les tensions d’entrées sont utilisées.
4.3.1.1 Observateur basé sur les équations électriques
4.3.1.1.1 Construction de l’observateur
Les équations électriques du moteur dans le repère f − g données par le système (2.34)
sont rappelées :

 L dif = vf − Rif + Kω sin(np ∆θ) + np Lωr ig ,

dt (4.31)
di
 L g = vg − Rig − Kω cos(np ∆θ) − np Lωr if .

dt
où δ, remplacé par ∆θ = θ − θr , représente la variation entre la position et la position de
124
4.3. Commande sans capteur mécanique
référence à suivre. On définit également ∆ω = ω − ωr , écart entre la vitesse du moteur et

sa référence
Ces équations peuvent être représentées sous la forme :
ẋf g = Af g xf g x + uf g + df g ,
(4.32)
yf g = Cf g xf g ,
T
T 1 1
où xf g = [if ig ] , uf g = (vf − Rif ) (vg − Rig ) et
L L
 
" # " # K " #
0 np ωr df ω sin(np ∆θ)  1 0
=  LK

Af g = , df g =  et Cf g = .
−np ωr 0 dg − ω cos(np ∆θ) 0 1
L
Les tensions perturbatrices df g sont introduites par les aimants permanents. Un observa-
teur par modes glissants d’ordre 2 est construit. Sachant que les modes glissants d’ordre 2
agissent sur la variable de glissment et sa première dérivée, le modèle (4.32) est réécrit sous
une forme augmentée, où les tensions perturbatrices sont les variables d’état augmenté à
estimer par l’observateur :
ẋf g = Af g xf g + Bf g uf g + df g
(4.33)
yf g = Cf g xf g ,
où xf g = [if ig df dg ]T et :
" # " #
A I2×2 I2×2 h i
Af g = , Bf g = , Cf g = I2×2 02×2 et
02×2 02×2 02×2
 
02×1
 K 
df g

= (ω̇ sin(np ∆θ) + np ω∆ω cos(np ∆θ)) 
.
 L 
K
− (ω̇ cos(np ∆θ) − np ω∆ω sin(np ∆θ))
L
L’observateur par modes glissants est construit en remplaçant les tensions perturba-
trices par la matrice d’injection de sortie χf g (yf g − ŷf g ) à définir. Une partie linéaire
stabilisante Lf g (yf g − ŷf g ) est également introduite. Elle a l’avantage de réduire les bruits
de mesures et la réticence introduite par les modes glissants. L’observateur est donc défini
125
par :
x̂˙ f g = Af g x̂f g + Bf g uf g − χf g (yf g − ŷf g ) − Lf g (yf g − ŷf g ),
(4.34)
ŷf g = Cf g x̂f g .
Les variables de glissement if − îf et ig − îg ont un degré relatif égal à 1 par rapport aux
injections de sorties. Ces dernières sont donc définies par l’algorithme du Super Twisting :
 1

λf |if − îf | 2 sgn(if − îf )
 1 
 λg |ig − îg | 2 sgn(ig − îg ) 
χf g (yf g − ŷf g ) = 
 .
 αf sgn(if − îf ) 

αg sgn(ig − îg )
Le terme linéaire est défini par :

 
lf 0
 
Lf g =
 0 lg
,

02×2
où lf et lg sont des gains à déterminer.

Les erreurs d’estimation sont définies par :
   
ǫf if − îf
   
 ǫg   ig − îg 
ǫf g = xf g − x̂f g = =
   .
ˆ
ǫdf  df − df 

ǫdg dg − dˆg
À partir des équations (4.32) et (4.34), les dynamiques des erreurs sont données par :
ǫ̇f g = ẋf g − x̂˙ f g = (Af g − Lf g Cf g )ǫf g + df g − χ(ǫf g ). (4.35)
Les propriétés physiques du moteur permettent de considérer que la vitesse et l’accélé-

ration du moteur sont bornées. Ainsi, les perturbations df et dg sont bornées et majorées
K
par Πd = (|ω̇|max + np |ω∆ω|max ). Les conditions de convergence en temps fini des algo-
L
rithme du Super Twisting sont vérifiées en choisissant les paramètres α, λ et la matrice de
gain Lf g tels qu’ils vérifient les conditions données par la fonction de Lyapunov présentée
dans le Chapitre 1.
Donc, après un temps fini, les dynamiques des erreurs sont données par ǫf g = ǫ̇f g = 0
ce qui implique :
126



 ǫ̇f = 0,


 ǫ̇g
 = 0,
K (4.36)
 ǫ̇df = 0 = (ω̇ sin(np ∆θ) + np ω∆ω cos(np ∆θ)) − αf sgn(ǫf ),


 L
 K
= − (ω̇ cos(np ∆θ) − np ω∆ω sin(np ∆θ)) − αg sgn(ǫg ).

 ǫ̇dg = 0
L
Soit :

 K


 dˆf = ω sin(np ∆θ), (4.37a)


 L
 K
dˆg = − ω cos(np ∆θ),


 (4.37b)
L
ω̇
αf sgneq (ǫf ) = dˆf − np dˆg ∆ω,


 (4.37c)



 ω
 ω̇
 αg sgneq (ǫg ) = dˆg + np dˆf ∆ω,

 (4.37d)
ω
où α∗ sgneq (ǫf ) avec ∗ ∈ {f, g} représente les injections de sorties équivalentes obtenues
après filtrage.
4.3.1.1.2 Reconstruction de la position et de la vitesse
Estimation de la position :
À partir des équations (4.37a) et (4.37b), l’estimation ∆θest de ∆θ est donnée par :



 non définie si ω=0
 !
dˆf


 1

 arctan si ĉ > 0,
dˆg

 np






 π/2np si ŝ = 1,




 −π/2np si ŝ = −1,
! !
∆θest = 1 ˆ
df (4.38)
 arctan −π si ĉ < 0,
dˆg



 np




 et ŝ > 0,

 ! !

 1 dˆf


 arctan +π si ĉ < 0,




np dˆg

 et ŝ < 0,
127
q q
ˆ
où ĉ = dg / df + dg , ŝ = df / dˆ2f + dˆ2g sont respectivement les estimations de cos(np ∆θ)
ˆ2 ˆ2 ˆ
et sin(np θ).
La valeur de sortie de la
fonction arctan calculée à l’aide de (4.38) prend des valeurs
π π
dans l’intervalle − , , menant à une sortie discontinue. La variable ∆θest est donc
np np
2π
calculée modulo . Il faut donc vérifier que l’erreur entre la position et la position de
np
référence reste dans cet intervalle. Si l’erreur sort de cet intervalle, il faut alors ajouter
π
±2 pour compenser l’erreur. Une procédure est programmée pour compter ces “sauts”.
np
L’entier k est incrémenté si l’estimation sort de l’intervalle par la borne supérieure et
décrémenté à l’inverse. Un tel algorithme est sensible au bruit de mesures : un “saut”
causé par le bruit pourrait être interprété par le passage à un autre intervalle. Cependant,
l’algorithme du Super Twisting utilisé pour cet estimation joue le rôle d’un filtre et fournit
une estimation continue de ∆θest . De cette estimation, la position est reconstruite par :
π
θest = θr + ∆θest + 2k . (4.39)
np
Reconstruction de la vitesse :
À partir des équations (4.37a) et (4.37b) l’estimation de la vitesse peut également être
reconstruite. Le module de la vitesse peut être calculé comme étant :
q
|ωest | = dˆ2f + dˆ2g . (4.40)
Cette expression donne seulement la valeur absolue de la vitesse. Le signe de la vitesse

peut être déterminé à l’aide des équations (4.37c) et (4.37d). En effet, en éliminant ω et
ω̇ dans ces équations, on a :
1 αf sgneq (ǫf )dˆg − αg sgneq (ǫg )dˆf

∆ωest = . (4.41)
np dˆ2f − dˆ2g
Des équations (4.40) et (4.41), on déduit l’estimation de la vitesse :

q
ωest = sgn(ωr + ∆ωest ) dˆ2f + dˆ2g . (4.42)
Remarque 4.1 L’équation (4.41) n’est pas définie pour dˆ2f − dˆ2g = 0, soit ω = 0 ou
π π
np ∆θ = + γ avec γ ∈ N. Expérimentalement, l’indétermination de ∆ωest est éliminée
4 2
en posant :
128

π π
 ∆ωest (k) si θest 6= + γ et |ωest| =
6 0,
∆ωest (k) = 4 2
 ∆ωest (k − 1) sinon.
Remarque 4.2 La vitesse et l’accélération pourraient également être obtenues à partir

des équations (4.37c) et (4.37d). Cependant leurs estimations ne sont pas définies pour
toutes les valeurs de θ et ω (voir remarque précédente). Les discontinuités de l’algorithme
du Super Twisting qui agissent sur ces équations les rendent plus sensibles au phénomène
de réticence. De plus, l’expression de l’accélération qui en résulte est mal conditionnée.
Pour toutes ces raisons, la vitesse est reconstruite à partir de l’équation (4.42). Une so-
lution alternative est discutée dans le paragraphe suivant pour obtenir l’accélération.
4.3.1.2 Reconstruction de ω̇ en utilisant l’équation mécanique
Afin d’appliquer la commande par modes glissants d’ordre 2 présentée dans le chapitre
3, on propose de construire un observateur pour estimer l’accélération. Pour cela on réécrit
l’équation mécanique dans le repère f − g, en remplaçant la position et la vitesse par leurs
estimations présentées dans le paragraphe précédent :
1
ω̇ = (K(if sin(np ∆θest ) + ig cos(np ∆θest ) − fv ωest − Cr sgn(ωest )) . (4.43)
J
Le couple resistant est considéré comme une perturbation notée :
Cr
dωest = − sgn(ωest).
J
Et le système augmenté est défini par :
ẋωest = Aωest xωest + B ωest uωest + dωest ,

(4.44)
yωest = Cωest xωest ,
h iT K
où : xωest = ωest dωest , uωest = (if sin(np ∆θest ) + ig cos(np ∆θest )) et
J
   
fv " #
0
− 1 1 h i
Aωest =  J , B ωest = , dωest =  1 dCr  et C ωest = 1 0 .
0 0 0 sgn(ωest )
J dt
129
L’observateur sous sa forme augmentée est alors défini par :
x̂˙ ωest = Aωest x̂ωest + Bωest uωest + χωest (yωest − ŷωest ) + lωest (yωest − ŷωest ),
(4.45)
ŷωest = Cωest x̂ωest ,
où : " 1
#
λωest |yωest − ŷωest | 2 sgn(yωest − ŷωest )
χωest (yωest − ŷωest ) = ,
αωest sgn(yωest − ŷωest )
" #
lω
lωest (yωest − ŷωest ) = .
0
" # " #
ǫyωest yωest − ŷωest
ǫωest = xωest − x̂ωest = = , (4.46)
ǫdωest dω − dˆω
est est
menant à la dynamique :
ǫ̇ωest = ẋωest − x̂˙ ωest = (Aωest − lωest Cωest ) ǫωest + dωest − χωest (ǫyωest ). (4.47)
En faisant l’hypothèse que le cœfficient de friction de Coulomb est dérivable, et que la dé-

dCr
rivée de Cr est bornée c’est-à-dire < ΠCr où ΠCr est une constante positive ,
dt max
la convergence en temps fini de l’observateur en boucle fermée est garantie en choisissant
les gains αωest , λωest , et lωest vérifiant les conditions de la fonction de Lyapunov (1.19).
Donc après un temps fini, on a ǫ̇ωest = ǫωest = 0, ce qui conduit à une estimation de
l’accélération ω̇est . On note par la même occasion que le cœfficient de friction de Coulomb
est aussi estimé.
On a proposé une solution pour l’estimation de la position, la vitesse et l’accélération
du moteur. On adapte maintenant la commande par modes glissants présentée dans le
Chapitre 3 dans le repère f − g, en utilisant ces estimations.
4.3.2 Commande basée sur l’observateur

4.3.2.1 Synthèse de la commande dans le repère f − g
La loi de commande présentée dans la section 3.3 a été conçue dans le repère d − q en
supposant que la position était connue. Afin de traiter le cas sans capteur mécanique, la
commande est transposée dans le repère tournant de référence f − g. Le repère d − q reste
130
néanmoins plus simple à manipuler que le repère f − g car il permet de s’affranchir des
termes sinusoïdaux. On peut ensuite passer dans le repère f − g sans difficulté. Afin de
passer du repère d − q au repère f − g, on rappelle les transformations (2.40) et (2.40) :
[if , ig ]T = U(δ) [id , iq ]T ,

[vf , vg ]T = U(δ) [vd , vq ]T , (4.48)
où : " #
cos(np δ) − sin(np δ)
U(δ) = . (4.49)
sin(np δ) cos(np δ)
On a vu aussi que lorsque le repère f − g était utilisé en supposant θr comme position de
référence à suivre, la trajectoire de référence était identique à celle dans le repère d − q,
soit l’équation (2.46). Les erreurs de suivi sont définies dans ce repère par :
 
if cos(np eθ ) + ig sin(np eθ ) − if r
 
T
 −if sin(np eθ ) + ig cos(np eθ ) − igr 
ef g = [ef , eg , eω , eθ ] = 

.

 ω − ωr 
θ − θr
Les dynamiques sont :

 1

 ėf = (v f − Ref + np L(eω eg + eω ig,r + eg ωr )) ,

 L


 ė 1
g = (v g − Reg + np L(eω ef + eω if,r + ef ωr ) − Keω ) ,
L (4.50)
 1


 ėω = (Keg − fv eω − Cr sgn(ω),


 J
ėθ = e3
Les lois de commande utilisées sont les lois de commande (3.19) et (3.26) définies dans le
Chapitre 3 pour la commande avec capteurs dans le repère d−q. Ces lois sont transformées
dans le repère f −g, en utilisant les variables estimées à l’aide des observateurs. On définit
les erreurs entre les valeurs estimées et la valeur de référence par :
ξ = [ξf , ξg , ξω , ξθ ]T , (4.51)
131
avec    
ξf if cos(N(θest − θr )) + ig sin(N(θest − θr )) − if,r
   
 ξg   −if sin(N(θest − θr )) + ig cos(N(θest − θr )) − ig,r 
 ξ =
   ,
 (4.52)
 ω   ωest − ωr 
ξθ θest − θr
On obtient alors : " # " #

vf γf
= U(θest − θr ) , (4.53)
vg γg
avec " #
cos(N(θest − θr )) sin(N(θest − θr ))
U(θest − θr ) = ,
− sin(N(θest − θr )) cos(N(θest − θr ))
et 
 γf = L(−µ̂′1 (ξ, Γr ) + wst (Ŝf )) + vf,r ,

JL k ′ ˙ (4.54)
 γg = − (Kξg − fv ξω ) − µ̂2 (ξ, Γr ) + wt (Ŝθ , Ŝθ ) + vg,r ,
K J
où Ŝθ et Ŝf sont les estimations des variables de glissement Sθ et Sf :
(
Ŝθ = kξω + ξ˙ω ,
(4.55)
Ŝf = ξf ,
et


 µ̂′1 (e) = 1
(−Rξf + NL(ξω ξg + ξω ig,r + ξg ωr )) ,
L (4.56)
K f
 µ̂′2 (e) = − (Rξg + NL(ξω ξf + ξω if,r + ξf ωr ) + Kξω ) − v (Kξg − fv ξω ).

JL J2
La loi de commande et les observateurs présentés sont non linéaires. Le principe de sé-
paration n’est donc pas valide. Dans le paragraphe suivant, nous allons étudier la stabilité
de la commande et de l’observateur ensemble.
4.3.2.2 Stabilité en boucle fermée
Les dynamiques des états du système complet incluant les erreurs de suivi ainsi que
les erreurs d’estimation :
Ξ , [ef , eg , eω , eθ , ǫf , ǫg , ǫdf , ǫdg ǫyωest , ǫdωest ]T , (4.57)
132
sont données par :
 
R  1 
− ef + np (eω eg + eω ig,r + eg ωr ) vf
 L 
L
 R K  
1


 − eg + np (eω ef + eω if,r + ef ωr ) − eω  
  vg


 L L   L 
 1   1 
 (Keg − fv eω )   ± Cr 
 J  
J

   
 e3   0 
   

 −lf ǫf + np ωr ǫg  
  wst,1 (ǫf )


Ξ̇ =  +  , (4.58)

 −np ωr ǫf − lg ǫg  
  wst,1 (ǫg )


 K   
 L (ω̇ sin(np eθ ) + np (eω + ωr )eω cos(np eθ )) ẇst,2 (ǫf )
   
  
 K   
 − (ω̇ cos(n e ) − n (e + ω )e sin(n e ))
 p θ p ω r ω p θ
 
  ẇst,2 (ǫg ) 

 L   
 fv   wst,1 (ǫyωest ) 
 (− − lωest )ǫyωest + ǫdg  
1 dCr

 J 
± + ẇst,2 (ǫyωest )
0 J dt
où :
1
ω̇ = (K(if sin(−Neθ ) + ig cos(−Neθ )) − fv (eω + ωr ) − Cr sgn(eω + ωr )) .
J
La commande du système complet est décrite (4.53).
Afin de prouver la convergence exponentielle du système complet observateur-commande,

il faut montrer que les trajectoires du système complet (4.58) restent bornées sur un in-
tervalle de temps fini. En effet, si le système est bornée, les trajectoires sont maintenues
dans un compact le temps que l’observateur converge. La convergence de l’observateur
étant en temps fini, lorsque les estimations ont convergé, la convergence de la commande
indépendamment de l’observateur est alors valide. La première étape est d’écrire les va-
riables estimées ξ en fonction des états du système Ξ, de la trajectoire de référence Γr et
des entrées de commande.
" # " # " #

ξf îf if,r
= U(θest − θr ) − , (4.59)
ξg îg ig,r
avec :  !

 1 dˆf
 êθ = − np arctan ,


dˆg
(4.60)


 îf = ǫf + if = ǫf + ef + if,r ,

 î = ǫ + i = ǫ + e + i .
g g g g g g,r
133
De façon similaire :
 q 
L ˆ2 ˆ2
" # " # " # ± df + dg " #
ξω ωest ωr  K !  ωr
= − =
 1 dˆf  − θ .
 (4.61)
ξθ θest θr − arctan r
N dˆg
Après substitution dans le système (4.58), des équations de commande v f et v g (4.53) avec
les expressions (4.59) et (4.61) des erreurs entre les variables estimées et les variables de
référence, on obtient un modèle dépendant seulement des états, de la trajectoire désirée
et des entrées de commande :
Ξ̇ = F (Ξ, Γr , wst,1(ǫf ), wst,1 (ǫg ), ẇst,2 (ǫf ), ẇst,2 (ǫg ), wst,1 (ǫyωest ), ẇst,2(ǫyωest )). (4.62)
Sans perte de généralités, on peut assumer que la trajectoire de référence choisie Γr est
bornée. On a donc, en utilisant (4.59) :
(
ξf = O(ǫf + ef ),
(4.63)
ξg = O(ǫg + eg ).
Les hypothèses physiques permettent de dire que les courants if et ig et leurs estimations
îf et îg sont bornées menant à des erreurs de courants ef et eg et des erreurs d’estimation
ǫf et ǫg bornés. De ce fait, les variables d’erreurs ξf et ξg sont bornées. De plus, les
algorithmes du Twisting et du Super Twisting sont bornés.
Le système peut s’écrire sous la forme Ξ̇ = f (Ξ) + g. Ainsi, en incluant toutes les
dominations dans le système complet, on obtient l’inégalité :
||Ξ̇|| ≤ Q||Ξ|| + g, (4.64)
où Q et g sont des contantes positives.
En intégrant (4.64) on obtient :

Z t
||Ξ(t)|| ≤ ||Ξ(0)|| + (Q||Ξ(τ )|| + g)dτ. (4.65)
0
134
Par application du lemme de Gronwall, on a :
g
||Ξ(t)|| ≤ ||Ξ(0)|| exp(Ct) + exp(Ct − 1), (4.66)
Q
où C est une constante positive.

Par conséquent, le système d’état complet Ξ est borné. Ceci prouve la stabilité expo-
nentielle de la commande mécanique sans capteur.
4.3.3 Stratégie en boucle ouverte

Étant donné que le moteur n’est pas observable à l’arrêt, un scénario à faible vitesse
est mis en place. Si le moteur tourne à une vitesse inférieure à une certaine vitesse |ωlim|,
le moteur est commandé en boucle ouverte. On utilise la loi de commande dans le repère
de rotation de référence suivante :
 q
 R2 + (n ω L)2 I 2 + (Kω )2 ,
p ref max ref si v < Vmax ,
v= (4.67)
 Vmax , sinon.
Imax est le courant maximum, Vmax est la tension maximum. v est appliqué au moteur en
utilisant la transformation va = v cos(Nθref ) et vb = v sin(Nθref ).
Lorsque le moteur est commandé en boucle ouverte, on peut supposer que ωr ≃ ω tant
que le moteur conserve son synchronisme.
4.3.4 Résultats Expérimentaux

La Figure 4.8, montre le schéma de commande complet.
Les performances de cette approche sont montrées en appliquant la trajectoire décrite
dans la section 2.6. L’objectif est de montrer que le moteur est capable, en démarrant à
vitesse nulle, de suivre une trajectoire de référence même pour des vitesses négatives. La
trajectoire est alors définie pour une position initiale nulle, θi = 0rad, devant atteindre
une position intermédiaire θm = 18rad en 2 secondes. Enfin, on désire revenir à la position
initiale soit une position θf = 0rad en 2 secondes également. Le profil de la trajectoire est
donné par la Figure 2.3.
Comme mentionné ci-dessus, la commande en boucle ouverte est utilisée pour des vi-
tesses inférieure à |ωlim |, où ωlim est choisie égal à 3rad.s−1 . Les instants de commutations
sont représentés sur les figures suivantes par des lignes magenta.
135
Générateur de
Trajectoire
Variables plates
if,ref θref
Boucle Ouverte
Trajectoire
vf va θ
Autres vg ab vb MSAP
Variables if ia ω
vref ig ib
xref Commande fg
+ MG
−
|ωlim |
if
ig
θ
x ωest
est Observateurs
ω̂˙ est
Figure 4.8 – Schéma de commande global.
4.3.4.1 Convergence de l’observateur basé sur les équations électriques
La position et la vitesse sont estimées à partir de l’observateur (4.35). Afin que ces
dernières soient correctement reconstruites, on doit montrer que l’observateur converge
correctement. Les Figures 4.9 et 4.10 donnent l’allure des courants if et ig et de leurs
estimations îf et îg . La figure montre que les courants estimés sont proches des courants
mesurés. Les erreurs d’estimations ǫf et ǫg sont inférieures à 0.01A.
if et îf (en A)
1
0.5
if
0
îf
−0.5
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
0.02
ǫf (en A)
ǫf
0
−0.02
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
Figure 4.9 – Le courant if et son estimation (haut), l’erreur d’observation ǫf = if − îf

(bas).
136
ig et îg (en A) 1
ig
0.5
îg
0
−0.5
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
0.02
ǫg (en A)
ǫg
0
−0.02
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
Figure 4.10 – Le courant ig et son estimation (haut), l’erreur d’observation ǫg = ig − îg

(bas).
K K
Les contres-fem df = ω sin(np ∆θ) et dg = − ω cos(np ∆θ) ainsi que leurs esti-
L L
mations dˆf et dˆg sont représentées Figure 4.11. On constate que les entrées inconnues
de l’observateur sont correctement reconstruites. Les résultats présentés montrent bien
la convergence de l’observateur, de telle sorte que la position et la vitesses puissent être
reconstruites.
df (en V )
200 df
0 dˆf
−200
−400
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
dg (en V )
500 dg
0 d̂g
−500
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
Figure 4.11 – df , dg et leurs estimations.
137
4.3.4.2 Reconstruction de la position et de la vitesse
La position est reconstruite à partir des estimations de ĉ = cos(np ∆) et ŝ sin(np ∆). La

Figure 4.12 montre l’estimation de ces variables. Les estimations sont tracées seulement
lorsque le moteur est commandé en boucle fermée. Il faut noter que l’erreur est toujours
inférieure à la distance entre deux pôles. L’erreur maximale se situe autour de 0.02rad
2π
tandis que l’angle entre deux dents est égale à = 0.126rad (l’algorithme de “saut” dans
np
cette application n’a pas été utilisé). Enfin, on observe que la différence entre les variables
mesurées et estimées est très faible.
1
cos(np ∆θ)
0 c
ĉ
−1
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
1
sin(np ∆θ)
0 s
ŝ
−1
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
∆θ = θ − θr
0.02
0 ∆θ
−0.02 ∆θest
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
Figure 4.12 – Erreur de position et leurs estimations.
La position estimée est reconstruite en utilisant (4.39) où k est égal à zéro. Le résultat
de l’estimation est tracé Figure 4.13. La figure montre également la position de référence
et la position mesurée. De nouveau, la position estimée est tracée seulement lorsque le sys-
tème est commandé en boucle fermée. En boucle ouverte, la position est égale à l’intégrale
de la vitesse de référence plus la position initiale, qui est nulle au début de l’expérience
et égale à la dernière valeur estimée ensuite.
La position estimée est tracée en vert sur la Figure 4.13. Sur le deuxième graphe de la
figure, on montre l’erreur entre la position mesurée et la position estimée. L’erreur estimée
138
est inférieure à 0.01rad, ce qui est très bien. La courbe bleue représente les performances
en boucle fermée et on observe que l’erreur de poursuite en boucle fermée est inférieure
à 0.02rad. Ce qui signifie que sur trois tours, la position est suivie avec une très bonne
précision (erreur inférieure à un degré).
Positions (en rad)
20 θr
θ
θest
10
0 0.5 1 1.5 2 2.5 3 3.5 4

temps (en s)
eθ
Erreurs(en rad)
0.02
ǫθ
−0.02
0 0.5 1 1.5 2 2.5 3 3.5 4

temps (en s)
Figure 4.13 – Position de référence, position mesurée et position estimée (haut), erreur
de suivi de position et erreur d’observation de la position (bas).
La vitesse estimée est tracée Figure 4.14. Cette figure montre la vitesse de référence
(rouge), la vitesse mesurée (bleu) et la vitesse estimée (vert) dans le premier graphe et,
dans le second graphe, l’erreur ǫω entre la vitesse mesurée et la vitesse estimée (vert), et
l’erreur de suivi de vitesse eω (bleu). L’expérimentation montre que le moteur atteint une
vitesse de 20rad.s−1 avec une précision autour de 1rad.s−1.
Finalement l’accélération est filtrée par un filtre passe-bas en utilisant un filtre dis-
cret d’ordre trois (Butterworth). Le résultat d’estimation est tracé avec l’accélération de
référence Figure 4.15.
Remarque 4.3 Il est important de rappeler que le moteur utilisé dans les expérimenta-
tions a un nombre de pôles élevé (np = 50), ce qui limite la vitesse du moteur. Dans la
littérature, le nombre de pôles des machines utilisées est généralement bien plus faible. Par
139
Vitesses (en rad.s−1 )
20 ωr
10 ω
ωest
0
−10
−20
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
2
Erreurs(en rad.s−1 )
eω
1 ǫω
−1
−2
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
Figure 4.14 – (haut) Vitesse de référence, vitesse mesurée et vitesse estimée, (bas) erreur
de suivi de vitesse et erreur d’observation de vitesse.
Accélérations (en rad.s−2 )
50
ωr
ω̂˙ est
−50
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (en s)
Figure 4.15 – Accélération de référence et accélération observée.
exemple, on a np = 4 dans [Ortega 2011] et np = 3 dans [Khlaief 2011] np = 3. De plus

beaucoup d’articles parlent de “position électrique”, ce qui suppose qu’un tour du moteur
représente en fait le passage d’une dent à la suivante. Dans notre cas, ceci est équivalent
à multiplier la vitesse par 50.
Les résultats présentés dans cette section montrent l’efficacité de l’approche proposée.
140
4.4. Conclusion
4.4 Conclusion
Dans ce chapitre, nous avons présenté deux approches permettant d’identifier les para-
mètres du moteur hors ligne sans capteur mécanique. Dans chacun des cas, l’identification
a été développée sur la base des équations du modèle. Les données ont été obtenues en
utilisant le moteur en boucle ouverte, ce qui est possible avec ce type de moteur, bien que
certaines plages de vitesses soient interdites et l’accélération limitée. Dans ce chapitre,
nous avons montré que les informations recueillies étaient suffisantes pour déterminer
tous les paramètres du modèle. De plus, les résultats obtenus sans capteur sont proches
de ceux obtenus en utilisant les capteurs mécaniques dans le chapitre précédent. Cette
identification fournit les paramètres initiaux du moteur.
Par la suite, nous avons proposé une approche de commande sans capteur du moteur
en utilisant les capteurs de courants seulement. Le modèle est exprimé dans le nouveau
repère tournant de référence f −g. En utilisant un observateur par modes glissants d’ordre
2, la position, la vitesse et l’accélération sont estimées. La position estimée est la position
relative. Il est possible de connaître seulement la position entre deux dents. Cependant, en
partant d’une position initiale connue, l’algorithme est capable de reconstruire la position.
La position initiale peut être obtenue de plusieurs façons différentes. Notamment, pour
des applications industrielles, cette position est connue à l’aide de capteurs sur la chaîne.
Toutefois, ces capteurs ne peuvent pas être utilisés dans la commande. Les expériences
montrent de bons résultats. En utilisant les variables observées, la loi de commande par
modes glissants est capable de suivre la trajectoire désirée avec des erreurs faibles. De
plus l’algorithme utilisé permet d’obtenir le signe de la vitesse. En comparaison avec
la commande avec capteurs présentée dans le chapitre précédent, la vitesse maximale
atteinte est inférieure, mais les performances sont meilleures qu’en boucle ouverte. De
plus, la commande proposée à l’avantage d’être robuste aux perturbations.
141
142
Conclusions et Perspectives
Dans ce mémoire nous avons traité l’identification, l’estimation et la commande de

moteurs synchrones à aimants permanents. Différents algorithmes contribuant à l’utilisa-
tion des MSAP ont été présentés. Dans un premier temps, nous avons utilisé ce moteur
en présence d’un capteur de position. Les résultats obtenus ont alors été utilisés comme
références afin d’évaluer les performances sans capteur mécanique. Nous avons ainsi pu
voir qu’il y avait un intérêt considérable à développer des lois de commande sans capteur
pour les moteurs synchrones, et les moteurs à aimants permanents en général. L’objectif
était de remplacer les capteurs de position et de vitesse par des capteurs de courants
(souvent présents).
Synthèse :
Dans un premier temps, nous nous sommes intéressés à la modélisation du MSAP.
Les équations dynamiques ont été exprimées dans trois repère différents. Dans un prémier
temps dans le repère fixe a − b, mais ce repère est rarement utilisé pour la synthèse de
commande car les variables de phases varient à hautes fréquences (np fois la vitesse de
rotation). Afin de remédier à cet inconvénient le modèle a été exprimé dans un repère
tournant d − q. Cependant ce repère n’est pas adapté à la commande sans capteur car
la position mesurée est nécessaire pour l’obtenir. Nous avons alors introduit un nouveau
repère que l’on appelle le repère f − g. Ce dernier présente les mêmes avantages que le
repère d − q, mais il est adapté pour une perspective de commande sans capteur. Contrai-
rement au modèle d − q, la position mesurée n’est pas nécessaire pour obtenir ce modèle.
Il est obtenue à partir d’une position de référence à définir.
Afin de valider le modèle expérimentalement, une série d’identifications hors ligne a

été réalisée. Ces identifications ont permis d’obtenir un jeu de paramètres nominaux afin
de réaliser la commande. Ces identifications hors ligne ont été, dans un premier temps,
143
réalisées en présence de capteurs en utilisant des algorithmes d’identification simples tel

que les moindres carrés. Une approche similaire a était appliquée au moteur en enlevant
la dépendance des capteurs mécaniques. Sachant que les lois de commande sans capteur
dépendent fortement des paramètres, il nous a semblé important de pouvoir identifier
tous ces paramètres sans la présence de capteurs mécaniques. L’utilisation du repère de
référence f − g nous a permis de développer des algorithmes pouvant identifier tous les
paramètres du moteur sans l’utilisation du capteur de position ni de vitesse. Cette iden-
tification utilise en autre la théorie de l’élimination pour résoudre les problèmes liés à des
équations non linéaires et sur-paramétrées. Les expérimentations ont montré des résultats
très proches pour les algorithmes avec ou sans capteur. Les résultats valident par la même
occasion le modèle choisi.
La synthèse de la commande a été réalisée en considérant la propriété de platitude du

MSAP. Sur la base de cette théorie, il apparaît que le moteur peut être asservi par deux
lois de commande, agissant sur la position et le courant direct. Nous avons alors appliqué
les modes glissants d’ordre deux pour réaliser ces asservissements. Ils permettent en effet
de garantir la stabilité en présence de perturbations interne ou externe. La commande,
basée sur les résultats de [Nollet 2008] a été modifiée pour remplacer l’algorithme du Twis-
ting échantillonné, plus sensible au bruit, par un algorithme du Twisting, auquel on ajoute
un observateur (par modes glissants également) permettant d’estimer l’accélération. Cette
variable est nécessaire pour calculer la variable de glissement. Les expérimentations ont
montré de très bons résultats, les erreurs de suivi étant très faibles. Afin de supprimer
les capteurs mécaniques, nous avons réalisé des observateurs par modes glissants. Basées
sur les tensions d’entrées et la mesure des courants, les équations électriques du moteur
ont été utilisées pour reconstruire la position et la vitesse du moteur. Ces observateurs
ont été réalisés dans le repère f − g, obtenu à partir de la position de référence. Les
estimations de la position et de la vitesse ont ainsi pu être utilisées pour supprimer les
capteurs mécaniques dans la commande. La commande utilisée avec capteurs a également
été transformée dans le repère f − g. Les résultats expérimentaux sont très prometteurs.
Bien que la vitesse atteinte sans capteur soit inférieure à la vitesse atteinte avec capteurs,
le suivi de trajectoire a une bonne précision. Les résultats sont bien meilleurs que ceux
obtenus en boucle ouverte.
Finalement, nous avons développé des algorithmes d’identification des paramètres en

ligne en présence de capteurs. Pour cela nous avons comparé l’identification à l’aide de la
144
méthode algébrique, et celle par modes glissants. On peut conclure que les deux méthodes
présentent chacune des avantages et des inconvénients. Chacune d’elle ne peut pas être
utilisée dans les mêmes situations. La méthode algébrique est plus difficile à mettre en
place et a un temps de calcul plus long. Le calcul de la fenêtre d’intégration peut poser des
problèmes pour la réalisation en temps réel. Cependant, elle est très efficace en présence de
perturbations inconnues mais constantes (ou variant lentement dans le temps) et lorsque
le nombre de paramètres est supérieur au nombre d’inconnues. Les modes glissants, sont
quant à eux très simples à mettre en place, mais ils ne permettent pas d’identifier plus
de paramètres que d’équations, ni d’identifier avec la technique employée, certains para-
mètres en présence de perturbations. Ils se révèlent cependant très utiles pour identifier
ces perturbations. On peut donc conclure que ces techniques pour l’identification peuvent
s’avérer complémentaires.
Perspectives :
Ce manuscrit présente les résultats des travaux réalisés au cours de mon Doctorat. Ce
travail a permis de résoudre un certain nombre de problèmes, mais également de relever
d’éventuelles ouvertures, un certains nombre d’entre elles étant en cours d’étude.
L’identification de l’angle d’offset a été présenté hors ligne. Cette identification a été
utilisée dans le but d’initialiser le codeur utilisé pour mesurer la position. Les outils pré-
sentés dans ce manuscrit ont montré qu’on est capable d’identifier les paramètres en ligne.
Une identification de l’offset en ligne permettrait de détecter une erreur ou une panne du
codeur. Cette erreur pourrait alors être corrigée ou la mesure de position pourrait être
remplacée par son estimation sans capteur, permettant d’assurer le bon fonctionnement
du moteur.
Au cours du manuscrit, un terme linéaire a été ajouté dans les observateurs. Il a pour
effet de réduire le phénomène de réticence introduit par les modes glissants. On peut
remarquer que ce terme n’a pas été ajouté dans les lois de commande par modes glis-
sants. L’introduction de ce terme linéaire devrait avoir le même effet sur la commande.
Ceci aurait pour conséquence de réduire l’amplitude de la commande. On pourrait ainsi
atteindre notamment des vitesses plus élevées.
L’identification des paramètres par modes glissants a montré que la structure utili-
145
sée ne permettait pas d’identifier plusieurs paramètres à partir d’une seule équation. La
structure utilisée agit sur la première dérivée par rapport au temps de la variables de
glissements. Une structure plus adapté, agissant sur la deuxième dérivée par rapport au
temps permettrait d’identifier deux paramètres simultanément. On pourrait notamment
identifier les trois paramètres des équations électriques simultanément.
L’identification des paramètres en lignes du MSAP en présence de capteurs a été

traitée. Cependant, l’identification des paramètres en ligne sans capteur mécanique est
absente. Il serait souhaitable de développer des techniques similaires sans capteur. Ce-
pendant, les techniques similaires aux techniques développées hors ligne sans capteur ont
montré que les équations obtenues ne sont pas linéaires, et sont sur-paramétrées. Ceci a
été résolu hors ligne en utilisant la théorie de l’élimination, mais les calculs deviennent
vite fastidieux et ne sont donc pas réalisables en ligne. En revanche, les estimations de la
position et de la vitesses ne dépendent pas des paramètres J, fv et Cr . En utilisant ces esti-
mations, il pourrait alors être possible d’identifier les paramètres mécaniques sans capteur.
La commande sans capteur réalisée dans ce manuscrit utilise le repère f − g, qui est
calculé à partir de la position de référence. Nous avons vu que ce repère peut être dérivé,
soit à partir de cette position de référence, soit à partir d’une estimation de la position.
Il serait ainsi intéressant de développer cette commande en utilisant une estimation de
la position. En effet, le repère resterait proche du repère d − q même si l’erreur entre la
position de référence et la position réelle devenait considérable.
Les expérimentations ont été réalisées sur un moteur pas-à-pas, qui possède notam-
ment un grand nombre de dents. Une comparaison des résultats sur un moteur ayant moins
de dents serait profitable. Dans la modélisation, nous avons développé les équations en
modélisant L0 , inductance moyenne d’un enroulement et L2 , variation moyenne-à-crête
de l’inductance. Lors de l’identification, nous avons montré que L2 était très faible devant
L0 . Nous l’avons alors négligée dans le reste du manuscrit. Il semblerait intéressant de dé-
velopper des algorithmes applicables à des moteurs dans lesquels cette simplification n’est
pas possible, comme par exemple les moteurs synchrones à aimants permanents intérieurs.
Il serait également opportun de s’intéresser à d’autres types de moteurs synchrones, voire
asynchrones.
146
Annexe A
Modes glissants d’ordre 1
Afin de comprendre le principe des modes glissants, il est intéressant de s’attarder sur
la commande par modes glissants d’ordre 1. Ce rappel est extrait de [Floquet 2000] et pour
plus de détails, il est recommandé de s’y reporter. Pour plus de simplicité, la classe de
systèmes considérée ici sera mono-entrée et affine en entrée. Tous les résultats présentées
peuvent être généralisés à des systèmes de la forme ẋ = f (x, u) [Sira-Ramírez 1989] et au
cas multivariable.
A.1 Définition
On considère le système nonlinéaire, affine en entrée :
ẋ = f (x) + g(x)u,
(A.1)
S(t, x) = 0,
où x ∈ Rn est l’état, f est g sont des champs de vecteurs suffisamment différentiables, et

u ∈ Rm représente l’entrée de commande du système. La fonction S(t, x) est la fonction
∂S
de glissement ou de commutation, une fonction suffisamment différentiable telle que
∂x
soit non nulle sur Rn .
Des conditions suffisantes permettent de garantir l’existence d’un régime de glissement.
Une fois la surface intersectée (fonction de glissement), les trajectoires restent dans un
ǫ−voisinage de S, et on dit que le régime de glissement est idéal si on a exactement
S(t, x) = 0. Cette condition s’écrit sous la forme :
S Ṡ < 0, (A.2)
147
Annexe A. Modes glissants d’ordre 1
et est appelée condition d’attractivité.

La commande u est construite de façon à ce que les trajectoires du système soient
amenées vers la surface de glissement et soient ensuite maintenues dans un voisinage de
celle-ci. C’est une commande dite "à structure variable" définie par :
(
u+ (x) si S(t, x) > 0
u= , u+ 6= u− , (A.3)
u− (x) si S(t, x) < 0
u+ et u− étant des fonctions continues. Le caractère discontinu de la loi de commande

permet d’obtenir une convergence en temps fini sur la surface ainsi que des propriétés de
robustesse vis-à-vis de certaines perturbations.
A.2 Condition d’invariance de la surface de glissement

La méthode dite de la commande équivalente [Utkin 1992], est un moyen de déterminer
le comportement du système lorsqu’il est restreint à la surface {S(t, x) = 0}. Celui-ci est
donné par les conditions d’invariance de la surface :
S(t, x) = 0 ∀t,
∂S (A.4)
[f (x) + g(x)ue ] = 0.
∂x
La deuxième équation est obtenue en posant Ṡ(t, x) = 0 et ue est appelée commande

équivalente et s’exprime donc de la façon suivante :
−1
∂S ∂S
ue (x) = − g(x) f (x). (A.5)
∂x ∂x
Un exemple de commande classique pour le système (A.1) est le suivant :

−1
∂S
u = ue − K g(x) sgn(S), (A.6)
∂x
où K est une constante positive et sgn est la fonction signe tel que :

 −1

 si x < 0,
∀x ∈ R, sgn(x) = 0 si x = 0,


 1 si x > 0.
148
A.3. Dynamiques en régime de glissement idéal
On peut alors vérifier que :

S Ṡ = −K|S| < 0, (A.7)
et donc qu’un régime glissant s’établit sur S = 0.
A.3 Dynamiques en régime de glissement idéal

D’après l’expression de la commande équivalente, il s’ensuit que le movement de S est
gouverné par l’équation ẋe = f (xe ) + g(xe )ue , ou encore
 " −1 #

 ẋ = I − g(x ) ∂S ∂S
e e g(xe ) f (xe )
∂xe ∂xe (A.8)


S(t, xe ) = 0,
∂S
étant non nul sur Rn , cela implique que l’on peut exprimer m états en fonction des (n-
∂x
m) autres. Ainsi, en régime glissant, les dynamiques évoluent sur un espace d’état réduit
dont la dimension est (n − m)
A.4 Exemple
Afin de mieux comprendre la commande par modes glissants d’ordre un, il est intéres-
sant de l’appliquer à un exemple.
Soit un système régi par les équations suivantes (double intégrateur) :
(
ẋ1 = x2 ,
(A.9)
ẋ2 = u + p(t),
où x = [x1 , x2 ]T est l’état du système, u la commande et p une perturbation. On définit

la surface de glissement suivante :
S = x1 + kx2 = 0. (A.10)
Dans un premier temps, si on choisit k = 0, en prenant une loi de commande u =

−Usgn(S), U > 0, on observe qu’en l’absence de frottements, le système n’est pas stabi-
lisé : on obtient une trajectoire périodique comme le montre la figure A.1.
Pour k > 0, la commande permet de stabiliser le système. La figure A.2 montre la
149
20
15
10
−5
−10
−15
−20
−20 −15 −10 −5 0 5 10 15 20
Figure A.1 – Trajectoire dans le plan de phase (u = −Usgn(x1 )).
stabilisation pour différentes valeurs de U. La stabilisation par modes glissants se fait

en deux phases : la phase d’approche de la surface, et la phase de glissement le long de
cette surface. Le réglage du paramètre U permet de diminuer la phase d’approche de la
surface et donc d’améliorer les performances des modes glissants. La figure A.3 représente
10 10
10
8
8
6 5
6
4
4
2 0
2
0 0
−2 −5 −2
−4
−4
−6
−6 −10
−8
−8
−10
−10 −15
−60 −40 −20 0 20 40 60 80 −15 −10 −5 0 5 10 15 20 25 30 35
0 2 4 6 8 10 12 14 16
Figure A.2 – Trajectoire dans le plan de phase (u = −Usgn(x1 + kx2 )).
la commande. On retrouve clairement les deux phases, la phase d’approche (en temps fini)
et la phase de glissement. Lors de la phase de glissement on observe des commutations à
très haute fréquence.
Etude de la stabilité La surface de glissement étant choisie et il est important de
la rendre attractive. (A.10), est une surface du premier ordre, définissant la dynamique
du système, où k est est la constante de temps de la dynamique équivalente en régime de
glissement. Prenons la surface :
S = x1 + kx2 . (A.11)
Sa dérivée première est :

Ṡ = x2 + k(u + p). (A.12)
Pour des perturbations p nulles, lorsque les trajectoires du système évoluent exactement
sur la surface, ṡ = 0, ceci implique :
x2
ueq = − , (A.13)
k
150
A.4. Exemple
1.5
1
u=U
0.5
−0.5
u=−U
−1
Phase d’attraction de la surface de glissment Phase de glissement

−1.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Figure A.3 – Fréquence des commutations.
où ueq est la commande équivalente.
Afin de rendre la surface S = 0 attractive, donc de contraindre le système à suivre la

trajectoire imposée, on ajoute la commande discontinue (ou à structure variable) définie
par :
udisc = −Usgn(S). (A.14)
On a donc la commande globale :
u = ueq + udisc . (A.15)
En considérant cette commande, (A.12) devient :
Ṡ = k(Usgn(S) + p) (A.16)
On a alors :
S Ṡ < −|S|kU < 0. (A.17)
La condition d’attractivité est ainsi vérifié, permettant de garantir l’existence d’un régime
de glissement. Il est cependant intéressant de noter que la condition (A.2) n’est pas suffi-
sante pour assurer une convergence en temps fini vers la surface. En effet, si on reprend
151
le même exemple mais en modifiant la commande comme suit :
x2
u=− − kS,
k
on obtient :
Ṡ = −kS.
La condition (A.2) est vérifiée, mais la convergence vers S = 0 n’est qu’asymptotique

puisque S = S(0)e−kt. C’est pourquoi on remplace souvent (A.2) par la condition dite de
η-attractivité :
S Ṡ ≤ −η|S|, avec η > 0, (A.18)
qui assure la convergence en temps fini vers S = 0, étant donné que par intégration :
|S(t)| − |S(0)| ≤ −ηt, (A.19)
ce qui montre que le temps te requis pour atteindre la surface, partant d’une condition
initiale S(0), est bornée par :
|S(0)|
te ≤ . (A.20)
η
Si on considère la perturbation, la condition est alors vérifiée si on prend :
η
U > |p|max + , (A.21)
k
avec |p|max , la borne supérieure de la perturbation.

Lorsque le régime de glissement prend place, le système est gouverné par la dynamique
d’ordre réduit :
1
ẋ1 = − x1 = x2 . (A.22)
k
Phénomène de réticence
Dans la pratique, un régime glissant idéal n’existe pas car il est impossible que la
commande commute avec une fréquence infinie. En présence d’imperfections de commu-
tation, tel que des retards de commutations et des petites constantes de temps au niveau
des actionneurs, les discontinuités dans le retour d’état produisent un comportement dy-
namique particulier au voisinage de la surface appelé chattering en anglais, ou encore
réticence ou broutement, en français (Figure A.4). Ce phénomène est un des principaux
désavantages des modes glissants. Il est susceptible d’exciter des modes à haute fréquence
152
A.4. Exemple
Figure A.4 – Phénomène de réticence.
non modélisés, ceci pouvant même conduire à l’instabilité. De plus, les oscillations posent
un problème au niveau mécanique pouvant provoquer une usure prématurée, ainsi que des
pertes énergétiques non négligeables au niveau des circuits de puissances électriques. De
nombreuses recherches traitent ce problème. Une méthode simple pour limiter cet effet
est de remplacer la fonction “signe” par des fonctions “sigmoïdes” plus lisses.
Une autre solution pour remédier au phénomène de réticence est basée sur les modes
glissants d’ordre supérieur, traités dans le paragraphe 1.3.
153
154
Annexe B
Théorie de l’élimination
Cette annexe décrit avec plus de détails l’identification des paramètres utilisant la
théorie de l’élimination.
Le problème est de maximiser :
N1
X
Re (Pmin) = ky(n) − W (n)P k2 , (B.1)
n=N0
soumis aux contraintes :

P2 = P12 , (B.2)
et avec Pmin = [ P1 P3 ]T . Le problème devient :
N
X
Re (Pmin ) = ky(n) − W (n)P k2
n=1 P2 =P12
(B.3)
T
= Ry − 2RW y P |P2 =P12
+(P T RW P )|P2=P12 ,
avec Ry ∈ R, RW y ∈ R1×3 , RW ∈ R3×3 .

Le minimum est obtenu en résolvant l’équation :
∂Re (Pmin)
π1 (Pmin ) , = 0,
∂P1
∂Re (Pmin)
π2 (Pmin ) , = 0,
∂P3
qui sont des polynômes dépendant des paramètres P1 et P3 . Les degrés des polynômes
sont donnés Table B.1
155
Annexe B. Théorie de l’élimination
deg en P1 deg en P3
π1 (Pmin ) 1 2
π2 (Pmin ) 1 3
Table B.1 – Degrés de π1 et π3 avant élimination de P1 .
On calcule la résultante pour éliminer P1 :
r1 (P3 ) = Res(π1 , π2 , P1 ),
de telle sorte que r1 (P3 ) soit un polynôme en P3 . Les degrés sont reportés Table B.2. En
deg en P1 deg en P3
r1 (P3 ) 0 3
Table B.2 – Degré de la résultant.
résolvant r1 (P3 ) = 0, on obtient trois solutions P3 = {0.072, 0.032 ± 0.041j}. P3 étant un

paramètres physique, la solution doit être réelle. La solution complexe conjugué n’est pas
prise en compte.
En substituant P3 par sa valeur estimée dans π1 (Pmin) (ou π2 (Pmin)) et en résolvant
π1 (Pmin ) = 0 on obtient un ensemble de trois solutions candidates. Celle que donne le
plus petit carré de l’erreur est choisie. Les trois candidates ainsi que l’erreur sont données
Table B.3.
L K E 2 (Pmin)
Solution 1 0.07160 0.26758 1.7772e + 09
Solution 2 0.00246 0.26758 6.8341e + 05
Solution 3 0.01048 0.26758 1.6839e + 03
Table B.3 – Candidate solutions for the identification,
Le plus petit carré de l’erreur est obtenu pour la troisième solution. Le vecteur de
sortie et l’estimation pour chacune des solutions candidates sont tracés sue la Figure B.1.
On observe que la bonne solution est la plus proche des données mesurées.
156
400
300
200
y (in V 2 )
100
0 y
−100 Solution 1
−200
Solution 2
Solution 3
−300
0 10 20 30 40 50 60 70 80 90
ω in rad.s−1
Figure B.1 – Comparaison entre les trois solutions candidates.
157
Annexe B. Théorie de l’élimination
158
Bibliographie
[Alwi 2008] H. Alwi and C. Edwards. Fault Detection and Fault-Tolerant Control of a
Civil Aircraft Using a Sliding-Mode-Based Scheme. IEEE Transactions on Control
Systems Technology, vol. 16, no. 3, pages 499–510, 2008.
[Barbot 2010] J.-P. Barbot and T. Floquet. Iterative higher order sliding mode observer
for nonlinear systems with unknown inputs. Dynamics of Continuous, Discrete and
Impulsive Systems, vol. 17, no. 6, pages 1019–1033, 2010.
[Bartolini 2003] G. Bartolini, A. Pisano, E. Punta and E. Usai. A survey of applications

of second-order sliding mode control to mechanical systems. International Journal
of Control, vol. 76, no. 9-10, pages 875–892, 2003.
[Belkoura 2009] L. Belkoura, J.-P. Richard and M. Fliess. Parameters estimation of sys-
tems with delayed and structured entries. Automatica, vol. 45, no. 5, pages 1117–
1125, 2009.
[Belkoura 2010] L. Belkoura, T. Floquet, K. Ibn Taarit, W. Perruquetti and Y. Orlov.

Estimation problems for a class of impulsive systems. International Journal of
Robust and Nonlinear Control, vol. 21, no. 10, pages 1066–1079, 2010.
[Bendjedia 2012] M. Bendjedia, Y. Ait-Amirat, B. Walther and A. Berthon. Position

Control of a Sensorless Stepper Motor. IEEE Transactions on Power Electronics,
vol. 27, no. 2, pages 578–587, 2012.
[Blauch 1993] A.-J. Blauch, M. Bodson and J.-N. Chiasson. High-speed parameter es-
timation of stepper motors. IEEE Transactions on Control Systems Technology,
vol. 1, no. 4, pages 270–279, 1993.
[Bodson 1993] M. Bodson, J.-N. Chiasson, R.-T. Novotnak and R.-B. Rekowski. High per-
formance nonlinear feedback control of a permanent magnet stepper motor. IEEE
Transactions on Control Systems Technology, vol. 1, no. 1, pages 5–14, 1993.
[Bolognani 1997] S. Bolognani, M. Zigliotto and K. Unterkofler. On-line parameter com-
159
Bibliographie
missioning in sensorless PMSM drives. In 7th IEEE International Symposium on

Industrial Electronics, volume 2, pages 480–484, Guimaraes, Portugal, 1997.
[Bolognani 2001] S. Bolognani, M. Zigliotto and M. Zordan. Extended-range PMSM sen-
sorless speed drive based on stochastic filtering. IEEE Transactions on Power Elec-
tronics, vol. 16, no. 1, pages 110–117, January 2001.
[Butt 2008] Q.-R. Butt and A.-I. Bhatti. Estimation of Gasoline-Engine Parameters
Using Higher Order Sliding Mode. IEEE Transactions on Industrial Electronics,
vol. 55, no. 11, pages 3891–3898, 2008.
[Canale 2008] M. Canale, L. Fagiano, A. Ferrara and C. Vecchio. Vehicle Yaw Control via
Second-Order Sliding-Mode Technique. IEEE Control Systems Magazine, vol. 55,
no. 11, pages 3908–3916, 2008.
[Chiasson 2011] J.-N. Chiasson and A. Oteafy. Elimination Theory for Nonlinear Para-
meter Estimation. In Jean Levine and Philippe Mullhaupt, editeurs, Advances in
the Theory of Control, Signals and Systems with Physical Modeling, volume 407 of
Lecture Notes in Control and Information Sciences, pages 65–75. Springer, Berlin,
Heidelberg, 2011.
[D’Andrea Novel 2010] B. D’Andrea Novel, C. Boussard, M. Fliess, O. El Hamzaoui,
H. Mounier and B. Steux. Commande sans modèle de la vitesse longitudinale
d’un véhicule électrique. In 6ième Conférence Internationale Francophone d’Auto-
matique, Nancy, France, 2010.
[Defoort 2008] M. Defoort, T. Floquet, A. Kökösy and W. Perruquetti. Sliding-Mode
Formation Control for Cooperative Autonomous Mobile Robots. IEEE Transactions
on Industrial Electronics, vol. 55, no. 11, pages 3944–3953, 2008.
[Defoort 2009] M. Defoort, F. Nollet, T. Floquet and W. Perruquetti. A Third-Order
Sliding-Mode Controller for a Stepper Motor. IEEE Transactions on Industrial
Electronics, vol. 56, no. 9, pages 3337–3346, 2009.
[Delpoux 2011] R. Delpoux and T. Floquet. On-line parameter estimation of a magnetic
bearing. In 19th Mediterranean Conference on Control Automation, pages 388–393,
Corfu, Greece, 2011.
[Drakunov 2005] S.-V. Drakunov, T. Floquet and W. Perruquetti. Stabilization and tra-
cking control for an extended Heisenberg system with a drift. Systems & Control
Letters, vol. 54, no. 5, pages 435–445, 2005.
[Eckhardt 2004] S. Eckhardt and J. Rudolph. High Precision Synchronous Tool Path
160
Tracking with an AMB Machine Tool Spindle. In 9th International Symposium on
Magnetic Bearings, Lexington, Kentucky, USA, 2004.
[Eckhardt 2008] S. Eckhardt, T. Floquet and J. Rudolph. Stabilization in a new type of
axial-radial magnetic bearings. 8th European Conference on Magnetic Sensors and
Actuators, 2008.
[Edwards 1998] C. Edwards and S.-K. Spurgeon. Sliding mode control - Theory and
application. Taylor & Francis, 1998.
[Emel’yanov 1986a] S.-V. Emel’yanov, S.-V. Korovin and L.-V. Levantovsky. Drift al-
gorithm in control of uncertain processes. Problems of Control and Information
Theory, vol. 15, no. 6, pages 425 – 438, 1986.
[Emel’yanov 1986b] S.-V. Emel’yanov, S.-V. Korovin and L.-V. Levantovsky. Higher Or-
der Sliding Modes in the Binary Control System. Soviet Physics, vol. 31, no. 4,
pages 291–293, 1986.
[Emel’yanov 1996] S.-V. Emel’yanov, S.-K. Korovin and A. Levant. High-order sliding
modes in control systems. Computational Mathematics and Modeling, vol. 7, no. 3,
pages 294–318, 1996.
[Engelmann 1995] R.-H. Engelmann and W.-H. Middendorf. Handbook of electric motors.
Electrical engineering and electronics. M. Dekker, 1995.
[Ezzat 2010] M. Ezzat, J. De Leon, N. Gonzalez and A. Glumineau. Observer-controller
scheme using high order sliding mode techniques for sensorless speed control of
permanent magnet synchronous motor. In 49th IEEE Conference on Decision and
Control, pages 4012–4017, Atlanta, Georgia, USA, 2010.
[Fiter 2010] C. Fiter, T. Floquet and J. Rudolph. Sensorless Control of a Stepper Motor
Based on Higher Order Sliding Modes. In 8th IFAC Symposium on Nonlinear
Control Systems, Bologna, Italy, 2010.
[Fliess 1990] M. Fliess. Some basic structural properties of generalized linear systems.
Systems & Control Letters, vol. 15, no. 5, pages 391–396, 1990.
[Fliess 1995] M. Fliess, J. Lévine and P. Rouchon. Flatness and defect of nonlinear sys-
tems : Introductory theory and examples. International Journal of Control, vol. 61,
pages 1327–1361, 1995.
[Fliess 2003a] M. Fliess, M. Mboup, H. Mounier and H. Sira-Ramírez. Questioning some
paradigms of signal processing via concrete examples. In G. Silva-Navarro H. Sira-
Ramirez, editeur, Algebraic Methods in Flatness, Signal Processing and State Es-
timation, pages pp. 1–21, Mexico, Mexique, 2003. Editorial Lagares.
161
Bibliographie
[Fliess 2003b] M. Fliess and H. Sira-Ramírez. An algebraic framework for linear identifi-
cation. ESAIM : Control, Optimisation and Calculus of Variations, vol. 9, pages
151–168, January 2003.
[Fliess 2005a] M. Fliess, C. Join, M. Mboup and A. Sedoglavic. Estimation des déri-
vées d’un signal multidimensionnel avec applications aux images et aux vidéos. In
GRETSI, pages 136–139, Louvain-la-Neuve, Belgium, 2005.
[Fliess 2005b] M. Fliess, C. Join, M. Mboup and H. Sira-Ramírez. Analyse et représen-

tation de signaux transitoires : application à la compression, au débruitage et à la
détection de ruptures. In GRETSI, Louvain-la-Neuve, Belgium, 2005.
[Fliess 2006] M. Fliess. Analyse non standard du bruit. Comptes-Rendus de l’Académie

des Sciences, Série 1, Mathématiques, vol. 342, pages 797–802, 2006.
[Fliess 2008a] M. Fliess, C. Join and H. Sira-Ramírez. Non-linear estimation is easy.

International Journal on Modelling Identification and Control, vol. 4, no. 1, pages
12–27, 2008.
[Fliess 2008b] M. Fliess and H. Sira-Ramírez. Closed-loop parametric identification for

continuous-time linear systems via new algebraic techniques. In H Garnier & L
Wang, editeur, Identification of Continuous-time Models from Sampled Data, Ad-
vances in Industrial Control, pages 362–391. Springer, 2008.
[Fliess 2009] M. Fliess and C. Join. Model-free control and intelligent PID controllers :
towards a possible trivialization of nonlinear control ? In 15th IFAC Symposium
on System Identification, 2009.
[Fliess 2010a] M. Fliess and C. Join. Delta Hedging in Financial Engineering : Towards
a Model-Free Approach. In 18th Mediterranean Conference on Control and Auto-
mation, Marrakech, Maroc, 2010. IEEE.
[Fliess 2010b] M. Fliess, C. Join and M. Mboup. Algebraic change-point detection. Ap-
plicable Algebra in Engineering, Communication and Computing, vol. 21, pages
131–143, 2010.
[Floquet 2000] T. Floquet. Contributions à la commande par modes glissants d’ordre

supérieur. PhD thesis, Ecole Centrale de Lille, 2000.
[Floquet 2003] T. Floquet, J.-P. Barbot and W. Perruquetti. Higher-order sliding mode
stabilization for a class of nonholonomic perturbed systems. Automatica, vol. 39,
no. 6, pages 1077–1083, 2003.
162
[Floquet 2006] T. Floquet, J.-A. Twiddle and S.-K. Spurgeon. Parameter estimation via
second order sliding modes with application to thermal modelling in a high speed
rotating machine. In 2006 IEEE International Conference on Industrial Technology,
pages 2635–2639, Mumbai, India, 2006.
[Fridman 1996] L. Fridman and A. Levant. Higher order sliding modes as a natural phe-
nomenon in control theory. In Franco Garofalo and Luigi Glielmo, editeurs, Robust
Control via Variable Structure and Lyapunov Techniques, volume 217 of Lecture
Notes in Control and Information Sciences, pages 107–133. Springer Berlin, Hei-
delberg, 1996.
[Gédouin 2009] P.-A. Gédouin, C. Join, E. Delaleau, J.-M. Bourgeot, S. Arbab-Chirani
and S. Calloch. A new control strategy for shape memory alloys actuators. In 8th
European Symposium on Martensitic Transformations, Prague, Czech Republic,
2009.
[Gensior 2007] A. Gensior, J. Weber, H. Guldner and J. Rudolph. An algebraic parameter
identification algorithm and asymptotic observers for estimation of the load of a
boost converter. In 2007 IEEE International Symposium on Industrial Electronics,
pages 7–11, Athens, Greece, 2007.
[Gensior 2008] A. Gensior, J. Weber, J. Rudolph and H. Guldner. Algebraic Parameter
Identification and Asymptotic Estimation of the Load of a Boost Converter. IEEE
Transactions on Industrial Electronics, vol. 55, no. 9, pages 3352–3360, 2008.
[Goeldel 1984] C. Goeldel. Contribution à la modélisation, à l’alimentation et à la com-
mande des moteurs pas à pas, PhD thesis, Institut National Polytechnique de Lor-
raine, 1984.
[Grochmal 2009] T.-R. Grochmal and A. Lynch. Control of a self-bearing servomotor.
IEEE Control Systems Magazine, vol. 29, no. 5, pages 74–92, 2009.
[Hamida 2012] M.-A. Hamida, J. De Leon, A. Glumineau and R. Boisliveau. Adaptive
Interconnected Observer for Sensorless Control of PM Synchronous Motors with
Online Parameters Identification. IEEE Transactions on Industrial Electronics,
2012.
[Hermann 1977] R. Hermann and A. Krener. Nonlinear controllability and observability.
IEEE Transactions on Automatic Control, vol. 22, no. 5, pages 728–740, October
1977.
[Hsu 2003] C.-T. Hsu and S.-L. Chen. Nonlinear control of a 3-pole active magnetic
bearing system. Automatica, vol. 39, no. 2, pages 291–298, 2003.
163
Bibliographie
[Ibn Taarit 2011] K. Ibn Taarit, L. Belkoura, M. Ksouri and J.-P. Richard. A fast identifi-
cation algorithm for systems with delayed inputs. International Journal of Systems
Science, vol. 42, no. 3, pages 449–456, 2011.
[Ichikawa 2004] S. Ichikawa, M. Tomita, S. Doki and S. Okuma. Sensorless control for
all types of synchronous motors using an on-line parameter identification. In 30th
Annual Conference of IEEE Industrial Electronics Society, volume 1, pages 975 –
980, Busan, South Korea, 2004.
[Ichikawa 2006] S. Ichikawa, M. Tomita, S. Doki and S. Okuma. Sensorless control of

permanent-magnet synchronous motors using online parameter identification ba-
sed on system identification theory. IEEE Transactions on Industrial Electronics,
vol. 53, no. 2, pages 363–372, 2006.
[Iqbal 2011] M. Iqbal, A.-I. Bhatti, S.-I. Ayubi and Q. Khan. Robust Parameter Esti-
mation of Nonlinear Systems Using Sliding-Mode Differentiator Observer. IEEE
Transactions on Industrial Electronics, vol. 58, no. 2, pages 680–689, 2011.
[Isidori 1995] A. Isidori. Nonlinear Control Systems. Springer-Verlag New York, Inc.,
Secaucus, NJ, USA, 3rd édition, 1995.
[Jang 2004] J.-H. Jang, J.-I. Ha, M. Ohto, K. Ide and S.-K. Sul. Analysis of permanent-
magnet machine for sensorless control based on high-frequency signal injection.
IEEE Transactions on Industry Applications, vol. 40, no. 6, pages 1595–1604,
2004.
[Johnson 1999] J.-P. Johnson, M. Ehsani and Y. Guzelgunler. Review of sensorless me-
thods for brushless DC. In 34th IEEE Industry Applications Conference, volume 1,
pages 143 –150, Phoenix, Arizona USA, 1999.
[Join 2008a] C. Join, J. Masse and M. Fliess. Etude préliminaire d’une commande sans
modèle pour papillon de moteur. Journal Européen des Systèmes Automatisés,
vol. 42, no. 2-3, pages 337–354, 2008.
[Join 2008b] C. Join and S. Tabbone. Robust curvature extrema detection based on new
numerical derivation. In Advanced Concepts for Intelligent Vision Systems, Juan-
les-Pins, France, 2008. Springer.
[Jung 1998] D.-H. Jung and I.-J. Ha. An efficient method for identifying the initial po-
sition of a PMSM with an incremental encoder. IEEE Transactions on Industrial
Electronics, vol. 45, no. 4, pages 682–685, 1998.
164
[Khlaief 2011] A. Khlaief, M. Bendjedia, M. Boussak and M. Gossa. A Nonlinear Ob-
server for High Performance Sensorless Speed Control of IPMSM Drive. IEEE
Transactions on Power Electronics, vol. 27, no. 6, pages 3028–3040, 2011.
[Kim 2002] H. Kim and R.-D. Lorenz. Improved current regulators for IPM machine
drives using on-line parameter estimation. In 37th IEEE Industry Applications
Conference, volume 1, pages 86 – 91, Pittsburgh, Pennsylvania USA, 2002.
[Kim 2011] H. Kim, J. Son and J. Lee. A High-Speed Sliding-Mode Observer for the
Sensorless Speed Control of a PMSM. IEEE Transactions on Industrial Electronics,
vol. 58, no. 9, pages 4069–4077, 2011.
[Konghirun 2005] M. Konghirun. Automatic Offset Calibration of Quadrature Encoder
Pulse Sensor for Vector Controlled Drive of Permanent Magnet Synchronous Mo-
tors. In 2005 IEEE Region 10 TENCON, pages 1–5, Melbourne, Australia, 2005.
[Laghrouche 2003] S. Laghrouche, F. Plestan, A. Glumineau and R. Boisliveau. Robust
second order sliding mode control for a permanent magnet synchronous motor. In
2003 American Control Conference, volume 5, pages 4071 – 4076, Denver, Colorado
USA, 2003.
[Landau 1993] I.-D. Landau. Identification et commande des systèmes. Traité des nou-
velles technologies. Série Automatique. Hermès, 1993.
[Lee 2004] K.-W. Lee, D.-H. Jung and I.-J. Ha. An online identification method for both
stator resistance and back-EMF coefficient of PMSMs without rotational transdu-
cers. IEEE Transactions on Industrial Electronics, vol. 51, no. 2, pages 507–510,
2004.
[Levant 1993] A. Levant. Sliding order and sliding accuracy in sliding mode control. In-
ternational journal of control, vol. 58, no. 6, pages 1247–1263, 1993.
[Levant 2001] A. Levant. Universal single-input-single-output (SISO) sliding-mode
controllers with finite-time convergence. IEEE Transactions on Automatic Control,
vol. 46, no. 9, pages 1447–1451, 2001.
[Lévine 1996] J. Lévine, J. Lottin and J.-C. Ponsart. A nonlinear approach to the control
of magnetic bearings. IEEE Transactions on Control Systems Technology, vol. 4,
no. 5, pages 524–544, 1996.
[Liu 2008] D.-Y. Liu, O. Gibaru, W. Perruquetti, M. Fliess and M. Mboup. An error ana-
lysis in the algebraic estimation of a noisy sinusoidal signal. In 16th Mediterranean
Conference on Control and Automation, Ajaccio, France, 2008.
165
Bibliographie
[Liu 2011] D.-Y. Liu, O. Gibaru and W. Perruquetti. Error analysis of Jacobi derivative
estimators for noisy signals. Numerical Algorithms, vol. 58, no. 1, pages 53–83,
2011.
[Löwis 2000] J.-V. Löwis and J. Rudolph. Flatness-based trajectory tracking control of
a rotationg shaft. In 7th International Symposium on Magnetic Bearings, pages
299–304, Zurich, Switzerland, 2000.
[Martinez 2008] R. Martinez, J. Alvarez and Y. Orlov. Hybrid Sliding-Mode-Based
Control of Underactuated Systems With Dry Friction. IEEE Transactions on In-
dustrial Electronics, vol. 55, no. 11, pages 3998–4003, 2008.
[Mboup 2007a] M. Mboup. Parameter estimation via differential algebra and operational
calculus. Research report, Université Paris Descartes, 2007.
[Mboup 2007b] M. Mboup, C. Join and M. Fliess. A revised look at numerical differen-
tiation with an application to nonlinear feedback control. In 15th Mediterranean
Conference on Control and Automation, Athens, Greece, 2007.
[Mboup 2009] M. Mboup, C. Join and M. Fliess. Numerical differentiation with annihi-
lators in noisy environment. Numerical Algorithms, vol. 50, pages 439–467, 2009.
[Michel 2010] L. Michel, C. Join, M. Fliess, P. Sicard and A. Chériti. Model-free control
of dc/dc converters. In 12th IEEE Workshop on Control and Modeling for Power
Electronics, Boulder, Colorado, États-Unis, 2010.
[Morales 2010] R. Morales, V. Feliu and H. Sira-Ramírez. Nonlinear Control for Magne-
tic Levitation Systems Based on Fast Online Algebraic Identification of the Input
Gain. IEEE Transactions on Control Systems Technology, vol. 19, no. 4, pages
757–771, 2010.
[Nahid Mobarakeh 2001] B. Nahid Mobarakeh and F.-M. Sargos. On-line Identification of
PMSM Electrical Parameters Based on Decoupling Control. In 36th IEEE Industry
Applications Conference, volume 1, pages 266–273, Witwatersrand, South Africa,
2001.
[Nee 2000] H.-P. Nee, L. Lefevre, P. Thelin and J. Soulard. Determination of d and q
reactances of permanent-magnet synchronous motors without measurements of the
rotor position. IEEE Transactions on Industry Applications, vol. 36, no. 5, pages
1330–1335, 2000.
[Neves 2006] A. Neves, M. Mboup and M. Fliess. An algebraic receiver for full response
CPM demodulation. In 2006 IEEE International Telecommunications Symposium,
Fortaleza-CE, Brésil, 2006.
166
[Nollet 2008] F. Nollet, T. Floquet and W. Perruquetti. Observer-based second order
sliding mode control laws for stepper motors. Control Engineering Practice, vol. 16,
no. 4, pages 429–443, 2008.
[Orlov 2009] Y. Orlov. Discontinuous Systems. Springer-Verlag, 2009.
[Ortega 2011] R. Ortega, L. Praly, A. Astolfi, J. Lee and K. Nam. Estimation of Rotor
Position and Speed of Permanent Magnet Synchronous Motors With Guaranteed
Stability. IEEE Transactions on Control Systems Technology, vol. 19, no. 3, pages
601–614, 2011.
[Park 1929] R.-H. Park. Two-reaction theory of synchronous machines generalized method
of analysis-part I. Transactions of the American Institute of Electrical Engineers,
vol. 48, no. 3, pages 716–727, 1929.
[Perruquetti 2002] W. Perruquetti and J.-P. Barbot. Sliding mode control in engineering.
Control Engineering Series, Marcel Dekker Inc, New York, 2002.
[Pisano 2008] A. Pisano, A. Davila, L. Fridman and E. Usai. Cascade control of PM-DC
drives via second-order sliding mode technique. In 10th International Workshop
on Variable Structure Systems, pages 268–273, Antalya, Turkey, 2008.
[Poulain 2008] F. Poulain, L. Praly and R. Ortega. An observer for permanent magnet
synchronous motors with currents and voltages as only measurements. In 47th
IEEE Conference on Decision and Control, pages 5390–5395, Mexico, Mexique,
2008.
[Riachy 2008] S. Riachy, Y. Orlov, T. Floquet, R. Santiesteban and J.-P. Richard. Second
order sliding mode control of underactuated Mechanical systems I : Local stabili-
zation with application to an inverted pendulum. International Journal of Robust
and Nonlinear Control, vol. 18, no. 4-5, pages 529–543, 2008.
[Riachy 2010] S. Riachy, Y. Bachalany, M. Mboup and J.-P. Richard. Différentiation nu-
mérique multivariable I : estimateurs algébriques et structure. In 6ième Conférence
Internationale Francophone d’Automatique, Nancy, France, 2010.
[Riachy 2011] S. Riachy, M. Mboup and J.-P. Richard. Multivariate numerical differen-
tiation. Journal of Computational and Applied Mathematics, vol. 236, no. 6, pages
1069–1089, 2011.
[Rudolph 2008] J. Rudolph and F. Woittennek. An algebraic approach to parameter iden-
tification in linear infinite dimensional systems. In 16th Mediterranean Conference
on Control and Automation, pages 332–337, Ajaccio, France, 2008.
167
Bibliographie
[Schroedl 2004] M. Schroedl. Sensorless control of permanent-magnet synchronous ma-

chines : An overview. In 11th International Conference on Power Electronics and
Motion Control, Riga, Latvia, 2004.
[Shen 2009] Y. Shen and Y. Huang. Uniformly Observable and Globally Lipschitzian
Nonlinear Systems Admit Global Finite-Time Observers. IEEE Transactions on
Automatic Control, vol. 54, no. 11, pages 2621–2625, 2009.
[Sira-Ramírez 1989] H. Sira-Ramírez. Sliding regimes in general non-linear systems : a
relative degree approach. International Journal of Control, vol. 50, no. 4, pages
1487–1506, 1989.
[Sira-Ramírez 2000] H. Sira-Ramírez. A Passivity plus Flatness Controller for Permanent
Magnet Stepper Motor. Asian Journal of Control, vol. 2, no. 1, pages 1–9, 2000.
[Sira-Ramírez 2006] H. Sira-Ramírez and M. Fliess. An algebraic state estimation ap-
proach for the recovery of chaotically encrypted messages. International Journal of
Bifurcation and Chaos, vol. 16, no. 2, pages 295–309, 2006.
[Söderström 1989] T. Söderström and P. Stoica. System Identification. Prentice-Hall
International Editions, UK, 1989.
[Son 2002] Y.-C. Son, B.-H. Bae and S.-K. Sul. Sensorless operation of permanent magnet
motor using direct voltage sensing circuit. In 37th IEEE Industry Applications
Conference, volume 3, pages 1674 –1678, Pittsburgh, Pennsylvania USA, 2002.
[Spurgeon 2008] S.-K. Spurgeon. Sliding Mode Observers - A Survey. International Jour-
nal of Systems Science, vol. 39, no. 8, pages 751–764, 2008.
[Tian 2008] Y. Tian, T. Floquet and W. Perruquetti. Fast state estimation in linear time-
varying systems : an algebraic approach. In 47th IEEE Conference on Decision and
Control, pages 2539–2544, Mexico, Mexique, 2008.
[Tiganj 2010] Z. Tiganj, M. Mboup, C. Pouzat and L. Belkoura. An algebraic method for
eye blink artifacts detection in single channel EEG recordings. In 17th Internatio-
nal Conference on Biomagnetism, volume 28, pages 175–178, Dubrovnik, Croatia,
2010.
[Trapero 2007] J.-R. Trapero, H. Sira-Ramírez and V. Feliu. An algebraic frequency esti-
mator for a biased and noisy sinusoidal signal. Signal Processing, vol. 87, no. 6,
pages 1188–1201, 2007.
[Ushirobira 2011] R. Ushirobira, W. Perruquetti, M. Mboup and M. Fliess. Estimation
algébrique des paramètres intrinsèques d’un signal sinusoïdal biaisé en environne-
ment bruité. In GRETSI, pages 3–6, Bordeaux, France, 2011.
168
[Ushirobira 2012] R. Ushirobira, W. Perruquetti, M. Mboup and M. Fliess. Algebraic
parameter estimation of a biased sinusoidal waveform signal from noisy data. In
16th IFAC Symposium on System Identification, Brussels, Belgique, 2012.
[Utkin 1977] V.-I. Utkin. Variable structure systems with sliding modes. IEEE Transac-
tions on Automatic Control, vol. 22, no. 2, pages 212–222, 1977.
[Utkin 1992] V.-I. Utkin. Sliding modes in control optimization. Springer-Verlag, 1992.
[Verl 1998] A. Verl and M. Bodson. Torque Maximization for Permanent Magnet Syn-
chronous Motors. IEEE Transactions on Control Systems Technology, vol. 6, no. 6,
pages 740–745, 1998.
[Villagra 2009] J. Villagra, B. D’Andrea Novel, S. Choi, M. Fliess and H. Mounier. Robust
stop-and-go control strategy : an algebraic approach for nonlinear estimation and
control. International Journal of Vehicle Autonomous Systems, vol. 7, no. 3-4,
pages 270–291, 2009.
[Wang 2005a] K. Wang, M. Bodson, J.-N. Chiasson and L.-M. Tolbert. Parameter Iden-
tification of Hammerstein Models using Elimination Theory. In 44th IEEE Confe-
rence on Decision and Control, European Control Conference, pages 3444–3449,
Seville, Spain, 2005.
[Wang 2005b] K. Wang, J.-N. Chiasson, M. Bodson and L.-M. Tolbert. A nonlinear
least-squares approach for identification of the induction motor parameters. IEEE
Transactions on Automatic Control, vol. 50, no. 10, pages 1622–1628, 2005.
[Yoshimi 2010] M. Yoshimi, M. Hasegawa and K. Matsui. Parameter identification for
IPMSM position sensorless control based on unknown input observer. In 2010
IEEE Symposium on Industrial Electronics Applications, pages 383–388, Penang,
Malaysia, 2010.
[Yu 2009] L. Yu, J.-P. Barbot and T. Floquet. Tire/Road Contact Condition Identification
Using Algebraic Numerical Differentiation. In 15th IFAC Symposium on System
Identification, Saint-Malo, France, 2009.
[Yu 2010a] L. Yu, J.-P. Barbot, G. Zheng and H. Sun. Compressive Sensing with Chaotic
Sequence. IEEE Signal Processing Letters, vol. 17, no. 8, pages 731–734, 2010.
[Yu 2010b] L. Yu, J.-P. Barbot, G. Zheng and H. Sun. Toeplitz-Structured Chaotic Sensing
Matrix for Compressive Sensing. In 6th IEEE, IET International Symposium
on Communication Systems, Networks and Digital Signal Processing, Newcastle,
Royaume-Uni, 2010.
169
Bibliographie
[Zheng 2007] Z. Zheng, Y. Li and M. Fadel. Sensorless control of PMSM based on extended
kalman filter. In 12th European Conference on Power Electronics and Applications,
pages 1–8, Aalborg, Denmark, 2007.
[Zheng 2008] G. Zheng, D. Boutat, T. Floquet and J.-P. Barbot. Secure Communication
Based on Multi-input Multi-output Chaotic System with Large Message Amplitude.
Chaos, Solitons and Fractals, 2008.
[Zhu 2009] H. Zhu, X. Xiao and Y. Li. A simplified high frequency injection method
for PMSM sensorless control. In 6th IEEE International Conference on Power
Electronics and Motion Control Conference, pages 401–405, Wuhan, China, 2009.
[Zribi 2001] M. Zribi, H. Sira-Ramírez and A. Ngai. Static and dynamic sliding mode
control schemes for a permanent magnet stepper motor. International Journal of
Control, vol. 74, no. 2, pages 103–117, 2001.
170
Contribution à l’identification, l’estimation et la commande de MSAP.
Résumé : Ce travail concerne l’identification, l’estimation et la commande sans capteur mécanique de
Moteurs Synchrones à Aimants Permanents (MSAP).
Dans un premier temps, la modélisation du MSAP est réalisée dans le repère fixe a − b. Ce modèle
est ensuite réécrit dans deux repères différents : le repère d − q, couramment utilisé pour les machines
tournantes et un nouveau repère f − g, avantageux dans le cadre d’applications sans capteur. Il présente
des propriétés similaires à celles du repère d-q, sans nécessiter l’utilisation d’un capteur de position.
Afin de valider le modèle expérimentalement, une identification par moindres carrés hors ligne avec
capteurs, a été réalisée. Cette démarche permet d’obtenir un jeu de paramètres nominaux. Une approche
similaire a été appliquée au moteur en enlevant la dépendance des capteurs mécaniques dans le repère
f − g. Sachant que les lois de commande sans capteur dépendent fortement des paramètres, il a été est
important de tous les identifier sans la présence de capteurs mécaniques.
La synthèse de la commande a été réalisée en considérant la propriété de platitude du MSAP. Pour
cela, l’application des modes glissants d’ordre deux, permet de garantir la stabilité malgré des perturba-
tions interne ou externe. Un observateur (par modes glissants également) permettant d’estimer l’accélé-
ration, nécessaire pour calculer la variable de glissement, a été réalisé. Les expérimentations ont donné de
très bons résultats. Basée sur les tensions et les courants, la réalisation d’observateurs par mode glissant,
permet de supprimer les capteurs mécaniques. Les estimations de la position et de la vitesse sont alors
utilisables dans la commande. Les résultats expérimentaux sont très prometteurs. Bien que la vitesse
atteinte sans capteur soit inférieure à la vitesse atteinte avec capteurs, le suivi de trajectoire a une bonne
précision.
Finalement, des algorithmes d’identification des paramètres en ligne avec capteurs ont été développés.
L’identification à l’aide de la méthode algébrique comparée à celle effectuée par modes glissants permet
de conclure que les deux méthodes présentent chacune des avantages et des inconvénients et peuvent
s’avérer complémentaires.
Mots clés : MSAP, commande sans capteur, identification des paramètres, modes glissants, approche
algébrique, platitude.
Contribution to PMSM identification, estimation and control.
Abstract :
This work deals with sensorless identification, estimation and control for Permanent Magnet Syn-
chronous Motors (PMSM). In a first phase, the PMSM modeling is realized in the fix a − b frame. This
model is then rewritten in two different frames : the d − q frame, commonly used for rotating machine
and a new frame called f − g, advantageous in sensorless applications. It presents similar properties than
the d − q frame, without the use of mechanical sensor.
In order to experimentally validate the model, an identification, using off-line least squares algorithm
in the presence of sensors, is performed. This approach provides a set of nominal parameters. A similar
procedure is applied to the motor without mechanical sensors in the f − g frame. Since the sensorless
control laws are highly dependent on the parameters, it is important to be able to identify the parameters
without mechanical sensor.
The control design is realized based on the flatness properties of the PMSM. Therefore, the second
order sliding mode application ensures the stability despite parametric uncertainties or external perturba-
tions. A sliding mode observer is designed to estimate the acceleration, necessary to compute the sliding
variable. The experimental results show very good performances. Based on voltages and currents, the
design of observers allows to remove the mechanical sensors. The position and velocity estimation are
then used for the control. The experimental results are very promising. Although the reached velocity is
lower than the velocity reached using sensors, the trajectory tracking provides a good accuracy of the
trajectory tracking.
Finally, on-line parameters identification algorithms have been developed. The identification using
algebraic method compared to the one realized with sliding modes leads to the conclusion that each
method presents advantages and drawbacks but can eventually be complementary.
Keywords : PMSM, sensorless control, parameters identification, sliding modes, algebraic approach,
flatness.
View publication stats

These Romain DELPOUX

Transféré par

Droits d'auteur :

Formats disponibles

These Romain DELPOUX

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

These Romain DELPOUX

Transféré par

Droits d'auteur :

Formats disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Contribution à l'identiﬁcation, l'estimation et la commande de Moteurs

Thesis · November 2012

The user has requested enhancement of the downloaded file.

ECOLE CENTRALE DE LILLE

Spécialité : Automatique, Génie Informatique, Traitement du Signal et Image

Contribution à l’identification, l’estimation et la

Président : Mme. F. Lamnabhi-Lagarrigue Directeur de Recherche CNRS au L2S-Supélec Paris Sud

Je remercie très chaleureusement Marc Bodson, Professeur à l’Université de l’Utah

Les résultats expérimentaux n’auraient pu être obtenus sans l’entière disponibilité et

J’adresse mes remerciements à Messieurs Alain Glumineau, Professeur à l’Université

Mes remerciements vont également à Madame Françoise Lamnabhi-Lagarrigue, Di-

Merci à tous les doctorants et post-doctorants et plus particulièrement mes quatre

Table des figures 9

Chapitre 1 Outils et Méthodes 19

Chapitre 2 Modélisation des moteurs synchrones à aimants permanents 51

2.2 Principe de fonctionnement . . . . . . . . . . . . . . . . . . . . . . . . . . 52

Chapitre 3 Identification et commande en présence de capteurs méca-

Chapitre 4 Identification et commande sans capteur mécanique 113

Conclusions et Perspectives 143

Annexe A Modes glissants d’ordre 1 147

Annexe B Théorie de l’élimination 155

1.1 Banc d’essai du palier magnétique. . . . . . . . . . . . . . . . . . . . . . . 39

2.1 Principe de fonctionnement du moteur à aimants permanents. . . . . . . . 52

3.1 Représentation de l’identification des paramètres électriques dans le repère

4.1 Suivi de vitesse en boucle ouverte. . . . . . . . . . . . . . . . . . . . . . . . 116

A.1 Trajectoire dans le plan de phase (u = −Usgn(x1 )). . . . . . . . . . . . . . 150

B.1 Comparaison entre les trois solutions candidates. . . . . . . . . . . . . . . . 157

– 0m×n est la matrice nulle de dimension m × n.

tique. Ce type de machines présentent de nombreux avantages pour les asservissements

La commande en boucle fermée en présence de capteurs présente de nombreux avan-

Dans un premier temps, le problème du MSAP est traité en présence de capteurs.

paramètres et aux perturbations afin de garantir la stabilité en boucle fermée du système.

L’objectif est alors de comparer le comportement du moteur en présence de capteurs et

Chapitre 1 : Outils et Méthodes : Ce premier chapitre présente l’ensemble des

Chapitre 2 : Présentation des moteurs synchrones à aimants permanents :

Chapitre 3 : Identification et commande en présence de capteurs méca-

Chapitre 4 : Identification et commande sans capteur mécanique : Il semble

Liste des publications

1.2 Généralités sur la méthode algébrique

1.2.1 Structure générale des estimateurs

Les perturbations peuvent se décomposer en perturbations structurées et non struc-

1.2.1.2 Construction de l’estimateur

où u est l’entrée et y est la sortie.

où i et j sont des entiers.

Exemple : Les manipulations algébriques décrites dans ce paragraphe sont illustrées

Application des relations (1.3) :

Rendre l’expression strictement propre :

Retour dans le domaine temporel (1.4) :

Le développement de cet algorithme dans le domaine opérationnel est explicite. En

1.2.2 Mise en œuvre

L’équation (1.7) donne :

où gm = g(mTs /Tf ) et fM −m = fTf (1 − mTs /Tf ).

1.3 Généralités sur les modes glissants

– le besoin d’une quantité réduite d’information en comparaison avec les techniques

Le phénomène de réticence est un inconvénient majeur des modes glissants d’ordre

où x ∈ Rn est l’état, f et g sont des champs de vecteurs suffisamment différentiables, et

d’ordre r est défini comme suit :

|S| = O(τ r ), |Ṡ| = O(τ r−1 ), . . . , |S r−1| = O(τ ),

soit un régime de glissement réel d’ordre r par rapport à Sr .